University of Amsterdam Faculty Economics and Business
Het verband tussen leeftijd en verkoop prestaties: een
empirisch onderzoek.
Quirijn Otten 10089039
Opleiding: Econometrie en Operationele Research
Datum: 24 december 2014 Bachelorscriptie
Humanresourcemanagement is een functie binnen organisaties dat in het begin van de 20ste eeuw is opgekomen. Door de gevolgen van globalisering en technologische vooruitgang wordt de invloed van humanresourcemanagement binnen bedrijven steeds groter.
Humanresourcemanagement is hoofdzakelijk gefocust om de productiviteit van werknemers binnen organisaties te maximaliseren door middel van het wijzigen van het beleid en
bedrijfsstructuur (Collings, 2009). Zo kan een bedrijf dat werkzaam is in marketing bepalen welke verkoopmedewerkers in dienst te nemen en te houden.
Voorbeelden van persoonlijke kenmerken van verkoopmedewerkers, die invloed hebben op prestaties, zijn leeftijd en geslacht. Wat betreft leeftijd is er een sterke stijging van de
productiviteit tot een leeftijd van 30 jaar en deze bereikt een hoogtepunt op 45-jarige leeftijd. De productiviteit neemt daarna langzaam af. Een mogelijke verklaring hiervoor is dat fysieke taken, na een leeftijd van 45 jaar, langzamer worden uitgevoerd (Pekkarinen, 2006). Deze daling komt door lichamelijke beperkingen, ouder worden met zich meebrengen (Mincer, 1958). Echter is nog weinig onderzoek gedaan naar de invloed van leeftijd onder jongeren op productiviteit. De centrale vraag in dit onderzoek luidt: is er een correlatie tussen de leeftijd van individuele werknemers en de individuele verkoopcijfers van jongere verkoopmedewerkers? Dit verband zou eventueel te maken kunnen hebben met het causale mechanisme van leeftijd op ervaring of een verhoging van verantwoordelijkheid dat ouder worden met zich meebrengt.
In het onderzoek wordt gebruik gemaakt van data verkregen van het bedrijf Pepperminds. Pepperminds is een van de grootste marketingbureaus van Nederland dat voornamelijk gericht is op de verkoop van krantenabonnementen en het werven van donateurs voor goede doelen. Verkoopcijfers van individuele werknemers, voornamelijk jongeren tussen de 15 en 25 jaar, zijn vanaf 2009 tot en met mei 2014 beschikbaar. Bij deze verkoopcijfers is
onderscheid gemaakt tussen leeftijd, verschillende projecten, werklocaties, opleiding en de functie van de werknemer.
In deze scriptie wordt eerst gekeken naar bestaande theorieën en relevante literatuur voor dit onderzoek. Hier wordt geconcentreerd op individuele kenmerken die invloed hebben op de prestaties van de verkoopmedewerker. Vervolgens wordt in hoofdstuk 3 de verkregen data besproken en geanalyseerd. Daarna wordt de onderzoeksmethode besproken. De resultaten en analyse van deze onderzoeksmethode wordt daaropvolgend besproken in hoofdstuk 4. Het onderzoek eindigt met een conclusie en suggesties voor vervolgonderzoek.
2. Literatuurstudie
In dit hoofdstuk worden relevante onderzoeken besproken met betrekking tot de productiviteit van verkoopmedewerkers. Eerst gaat er gekeken worden naar de invloed van leeftijd op
productiviteit. Vervolgens wordt er gekeken naar variabelen die eventueel een correlatie hebben met leeftijd zoals geslacht, ervaring en opleiding.
2.1 Leeftijd
Vele onderzoeken hebben geen tot weinig daling gevonden in de verkoopaantallen en productiviteit wanneer de leeftijd stijgt (Levy 1994, Ornstein 1989). Echter vindt Pekkarinen (2012) doormiddel van OLS regressies, op het stukloon van de werknemers, dat de productiviteit sterk stijgt tot een 30-jarige leeftijd en een hoogtepunt bereikt op 45-jarige leeftijd. Als de leeftijd van 45 jaar is gepasseerd daalt de productiviteit langzaam. Een mogelijke verklaring dat de productiviteit daalt bij het ouder worden, zijn de fysieke taken die zwaarder worden. De data die hij gebruikt is afkomstig van een confederatie van Finse industrie en werkgevers. Deze data bevat alle grote bedrijven en de gegevens van de werknemers in deze bedrijven. Het stukloon wordt in de regressies als afhankelijke variabele genomen als indicator voor de productiviteit. Sociale vaardigheden, dat ouder worden met zich meebrengt, zijn minder van invloed op de productie in fabrieken dan bij het verkopen op straat. Hierdoor is het mogelijk dat de gevonden correlatie in deze scriptie verschilt van die in het onderzoek van Pekkarinen (2012).
In tegenstelling tot Pekkarinen heeft Kotlikoff (1992) wel een dalend effect op de productiviteit gevonden wanneer de leeftijd stijgt. Deze daling is echter niet snel te zien onder jongeren. Dit heeft te maken met het feit dat werknemers extra compensatie ontvangen wanneer zij bij het bedrijf willen blijven werken. Deze compensatie zorgt ervoor dat de productiviteit stijgt. Echter wordt de invloed van deze compensatie steeds kleiner wanneer de leeftijd van de
werknemer stijgt. Waardoor er een dalend effect op de productiviteit is gevonden wanneer de leeftijd stijgt.
In het onderzoek van Levy (1994) wordt onder anderen gekeken naar de correlatie tussen leeftijd met het aantal verkopen. Doordat leeftijd gecorreleerd is met geslacht, ervaring en scholing worden deze variabelen toegevoegd aan het model. Levy verwacht een u-vormige relatie tussen leeftijd en verkopen. De verkopen nemen toe door de stijging van ervaring maar dalen daarna door een afname van de motivatie en zelfselectie. Zelfselectie suggereert dat betere verkoopmedewerkers worden gepromoveerd waardoor er meer slechte oudere
verkoopmedewerkers overblijven. De resultaten zagen echter geen daling in de verkopen door leeftijd. Jongeren (jonger dan 24 jaar) werden vergeleken met middelbare leeftijd (24 tot 45 jaar)
en oude (ouder dan 45 jaar) verkoopmedewerkers. De jongeren verkochten significant minder vergeleken met de andere 2 groepen. Er was geen verschil gevonden in aantal verkopen tussen de middelbare leeftijdsgroep en de oudere verkoopmedewerkers. Het is mogelijk dat deze daling niet wordt geobserveerd omdat maar een klein deel van deze groep in het stadium van verval zit.
De onderzoeken van Levy (1994), Ornstein (1989), Pekkarinen (2012) en Kotlikoff (1992) zijn gericht op het productiviteitsverschil tussen leeftijdsgroepen van 21 tot 65 jaar. Er zijn geen voorgaande onderzoeken die het productiviteit verschil specifiek tussen 15 en 23 jarige
bestuderen. Deze scriptie zal zich focussen op het verschil tussen de productiviteit van verkoopmedewerkers tussen de 15 en 25 jaar. Een mogelijke verklaring voor een verschil in productiviteit is dat tussen 17 en 23 jaar het percentage thuiswonende van 98 procent daalt naar 30 procent (Stoeldraijer, 2014).
2.2 Geslacht
Vrouwen en mannen hebben zeer verschillende eigenschappen. Zo zijn vrouwen meer
verzorgend en kunnen ze beter luisteren en inleven in een ander persoon (Swan, 1984). Maar vrouwen zijn ook overgevoelig richting de klant (Goolsby, 1992). Hierdoor blijft het verschil van verkoopprestaties tussen vrouwen en mannen een discussiepunt onder onderzoekers (Schul, 1992). Zo laat Comer (1985) zien dat vrouwen meer verkopen dan mannen maar dit is echter niet een significant verschil. Over het algemeen, met uitzondering van jongeren, is er niet tot nauwelijks een verschil te vinden in verkoop aantallen tussen vrouwen en mannen (Schul 1992). Dat vrouwen en mannen niet significant verschillend verkopen wordt tegen gesproken door Levy (1994). Levy heeft laten zien dat onder jongeren, vrouwen wel degelijk meer verkopen dan mannen. Dit is te verklaren omdat vrouwen meer mannelijk geassocieerd gedrag gaan vertonen zodra zij meer ervaring krijgen en ouder worden. Zo gaan ze zich assertiever gedragen richting de klant waardoor het verschil in het geslacht kleiner wordt (Goolsby, 1992).
2.3 Ervaring en opleiding
Een belangrijke theorie om de invloed van ervaring op loon te verklaren is de human capital theorie. Menselijk kapitaal zijn de kennis en vaardigheden die een persoon heeft om arbeid te verrichten. Onder vaardigheden wordt verstaan: kennis, sociale vaardigheden, opleiding en creativiteit. Een investering in het menselijk kapitaal, zoals ervaring, leidt tot een stijging van de productiviteit (Engelbrecht 1997, Maranto 1984).
Naast het effect van ervaring op het menselijk kapitaal heeft ervaring ook een invloed op het verrijken van kennis. De verrijking van deze kennis leidt tot verbeteringen in vaardigheden, technieken, werkwijzen en motorische gewoonten. Deze verbeteringen zorgt uiteindelijk weer voor een verhoging van de prestaties. Werkervaring heeft dus een indirect positieve relatie met de prestaties van werknemers (Schmidt, 1986).
Het menselijk kapitaal suggereert dat de correlatie tussen opleiding en salaris te wijten is aan de verhoging van productiviteit door de opleiding (Becker, 1962). Maar het is nog altijd niet duidelijk of dit komt omdat de productiviteit door opleiding stijgt of dat het salaris hoger is omdat werkgevers denken dat de productiviteit hoger is (Chevalier, 2004).
Zo stelt Levy (1994) dat laagopgeleide verkoopmedewerkers geen verschil vertonen in prestaties tussen de laag, midden en hoge leeftijdsgroepen. Terwijl hoogopgeleiden wel beter gaan presteren wanneer zij ouder worden. Dit suggereert dat de groei van verkopen over leeftijd alleen bij hoogopgeleiden plaats vind. Het lijkt er dus op dat verkoopmedewerkers met een lage opleiding meer training en begeleiding nodig hebben om de productiviteit te laten stijgen
3. Opzet onderzoek
In hoofdstuk 2 zijn verschillende theorieën besproken van verschillende invloeden op de
productiviteit van medewerkers. In dit hoofdstuk wordt besproken hoe het onderzoek is opgezet en uitgevoerd. Eerst wordt de data geanalyseerd en vervolgens worden de verklarende
variabelen die gebruikt worden in het model doorgenomen. De resultaten en analyse van het onderzoek worden bediscussieerd in het volgende hoofdstuk.
De data die in het onderzoek wordt gebruikt is afkomst van het bedrijf Pepperminds. Pepperminds is een van de grootste marketing bureaus van Nederland dat voornamelijk gericht is op de verkoop van krantenabonnementen en het werven van donateurs voor goede doelen. Dit gebeurt op evenementen, langs de deur, op straat, op de winkelvloer en beurzen. De data bevat onder andere de persoonlijke kenmerken van verkoopmedewerkers zoals geslacht, leeftijd, opleiding. De functie (talent, promotor of captain) van een werknemer is ook bekend. Een startende werknemer begint altijd de functie talent. Na 3 werkdagen wordt hij op basis van zijn verkoopprestaties ontslagen of gepromoveerd tot promotor. Bij boven gemiddelde prestaties kan een werknemer daarna nog promoveren naar captain. Een captain krijgt meer
verantwoordelijkheid zoals het begeleiden van talenten en ontvangt als compensatie een hoger salaris.
Naast individuele kenmerken en functies zijn ook de verkoopprestaties van deze
individuele verkoop medewerkers gegeven. Deze persoonlijke verkoopprestaties zijn verbonden met de locatie, het soort verkoopproject en de verkoopdatum. In het onderzoek word een
regressie gemaakt van de verkoopprestaties van individuele verkoopmedewerkers op leeftijd en andere verklarende variabelen die mogelijk een relatie hebben met de verkoopprestaties. Er wordt verwacht dat geslacht, ervaring en opleiding gecorreleerd zijn de leeftijd van een werknemer. Om deze reden worden deze verklarende variabelen, geslacht, ervaring en opleiding toegevoegd aan het model als controle variabelen.
Een werknemer kan tijdens zijn carrière aan verschillende projecten werken zoals NRC, Postcodeloterij of WNF. Echter wordt er gedurende een dag maar aan één project gewerkt. Een werkdag begint standaard met een introductie van de desbetreffende vesting op het project. Tijdens deze introductie wordt achtergrond informatie gegeven over het project. Elke vestiging doet deze introductie anders waardoor het mogelijk is dat er een verschil ontstaat van
verkoopprestaties onder vestigingen. Daarnaast kunnen de verkoopprestaties tussen
vestigingen ook verschillen omdat mogelijk de interesses van klanten verschillen tussen locaties. Het is bovendien denkbaar dat het ene project makkelijker verkoopt dan het andere. Wellicht
bestaan er dus verschillen in de verkoopprestaties tussen projecten. Om deze verschillen te corrigeren zijn de dummies van de vestigingen en projecten toegevoegd aan het model.
De fysieke activiteit bij mensen daalt wanneer er slecht of extreem weer is. Bij koud weer blijven mensen bijvoorbeeld thuis (Tucker, 2007). In dit onderzoek wordt uitsluitend gebruik gemaakt van de face-to-face verkopen. Deze face-to-face verkopen vinden vooral buiten in de stad plaats waardoor ze kunnen worden beïnvloed door het weer. Daarom zijn de temperatuur en neerslag cijfers van de verkoopdag toegevoegd aan het model. Deze temperatuur en
neerslag cijfers zijn afkomstig van het Koninklijk Nederlands Meteorologisch Instituut (K.N.M.I.). Het onderzoek concentreert zich op het verband tussen leeftijd en verkoopprestaties. Dit wordt gedaan door middel van een regressie van het aantal verkopen op de leeftijd en controle variabelen. Het model dat wordt onderzocht is:
𝑌𝑌𝑖𝑖= 𝐶𝐶 + 𝛽𝛽2∗ 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝑖𝑖+ 𝛿𝛿′𝑊𝑊𝑖𝑖+ 𝜀𝜀𝑖𝑖
Yi = Het aantal verkochten abonnementen/ verkregen donateurs op van shift i. Dit wordt ook wel
de score van de shift genoemd.
LEEFTIJDi = De leeftijd van de desbetreffende verkoopwerknemer van shift i.
Wi = Een verzameling van controlevariabelen. Deze vector bevat onder andere variabelen voor
het geslacht, opleiding, ervaring, vestiging en het project van de desbetreffende persoon van shift i. Daarnaast is de gemiddelde temperatuur en neerslag toegevoegd als controle variabelen voor de dag van shift i.
De score vector bevat alleen geheeltallige waardes waardoor deze vector ‘count gegevens’ bevat. Bij gebruik van de kleinste kwadraten methode wordt verondersteld dat de score vector continu is. Dit is niet het geval waardoor de Poisson methode, die wel rekening houd met geheeltallige waardes, wordt geprefereerd. De Poisson methode is een maximum likelihood schatter die door numerieke optimalisatie vele iteraties volgt bij gebruik van veel parameters. Echter zullen de geïnterpreteerde coëfficiënten van de kleinste kwadraat methode en Poisson methode dicht bij elkaar liggen. Om vele iteraties te voorkomen wordt daarom de kleinste kwadraat methode gebruikt in het eind model.
Wegens invloeden van het weer en teams is het mogelijk dat er correlaties bestaan tussen verkopen. Wanneer dit het geval is wordt met deze correlatie rekening gehouden met behulp van cluster standaard fouten. De verkoopdatum wordt dan als cluster variabele gebruikt.
Hierdoor wordt rekening gehouden met eventuele correlaties tussen verkopen die ontstaan door teamverband en weersomstandigheden.
4. Resultaten en Analyse
Gebruikmakend van regressieanalyses wordt in dit onderzoek gekeken naar de correlatie tussen leeftijd en productiviteit. Eerst wordt er in dit hoofdstuk de data besproken en de gebruikte variabelen beschreven. Vervolgens worden de gemaakte regressies geanalyseerd en
beoordeeld. Uiteindelijk wordt er een conclusie getrokken en suggesties gegeven voor eventueel vervolg onderzoek.
Tabel 1: Data beschrijving
Er zijn totaal 2.936 personen in de steekproef werkzaam over een periode van 22 maanden. De variabelen zijn in aantallen shifts (persoon werkdagen). Totaal zijn er 73.406 shifts.
De in het onderzoek gebruikte data is afkomstig van het bedrijf Pepperminds. De gebruikte variabelen van de steekproef zijn weergeven in tabel 1. Van elke shift, een werkdag van een individuele werknemer, zijn verschillende onafhankelijke variabelen gegeven. Er zijn totaal 103.023 shifts gegeven die verdeeld zijn over een periode van 22 maanden. Door het ontbreken van sommige variabelen bij individuele shifts zijn er uiteindelijk 73.409 bruikbare shifts opgenomen in de steekproef.
De score variabele wordt gebruikt als indicator voor de productiviteit van de werknemer. Het gemiddelde aantal verkochten abonnementen of verkregen donateurs per shift is 3.82 met een standaardafwijking van 5,78. De leeftijd van de werknemers heeft een gemiddelde van 20,43 jaar met een standaardafwijking van 2,26. Van de waargenomen werknemers is 60 procent een man en 40 procent een vrouw. In grafiek 1 is te zien dat relatief meer vrouwen werkzaam zijn onder de 20 jaar en dat beide geslachten rechtsscheef verdeeld zijn. Onder 19 jarige leeftijd zijn voor beide geslachten de meeste werknemers. Verder zijn er nog maar weinig werknemers in de steekproef boven de 25 jaar. Om deze reden wordt in het onderzoek gefocust op 16 tot en met 25 jarige werknemers.
Grafiek 1: Verdeling leeftijd werknemers van mannen en vrouwen
Beide geslachten zijn rechtsscheef verdeeld en hebben een piek op 19 jarige leeftijd. Relatief werken er meer jongere vrouwen dan mannen.
De correlaties tussen gebruikte variabelen zijn weergegeven in tabel 2. De leeftijd heeft een sterke correlatie met het geslacht en ervaring. Om deze reden worden deze variabelen gebruikt als controle variabelen in de gemaakte regressies in tabel 3. Omdat deze controle variabelen allemaal een correlatie hebben met de score zal de coëfficiënt van leeftijd veranderen wanneer de controle variabelen worden toegevoegd.
Tabel 2: Correlatie tussen variabelen
In tabel 3 zijn de schatters van coëfficiënten te zien van regressies van de score op een constante en onafhankelijke variabelen. Alle coëfficiënten en varianties zijn geschat via de kleinste kwadraten methode tenzij anders aangegeven in de laatste kolom. Zo is bij regressie nummer 3 de Poisson methode gebruikt. Verder zijn de standaardfouten in regressie 6 berekend doormiddel van cluster standaardfouten. De werkdagen, van de shifts in de steekproef, zijn hier gebruikt als cluster variabele voor de variantie. In totaal zijn 73,406 observaties gebruikt in de modellen. 0.00% 5.00% 10.00% 15.00% 20.00% 25.00% ≤1 6 17 18 19 20 21 22 23 24 25 26 27 28 29 ≥3 0 Man Vrouw
Tabel 3: Regressie resultaten
Opmerking: De rijen geven OLS of Poission regressies weer van de score op de leeftijd en controle variabelen. De standaard fouten zijn weergegeven tussen haakjes onder de geschatte coëfficiënten. De steekproef bestaat uit 73,406 observaties.
Het doel van dit onderzoek is om te analyseren of er een correlatie bestaat tussen de leeftijd en de productiviteit van werknemers. De simpelste regressie om dit te onderzoeken is te zien in de eerste rij van tabel 3. Deze regressie geeft een coëfficiënt van 0,068 op de leeftijdsvariabele wat betekend dat wanneer een werknemer een jaar ouder is hij gemiddeld 0,068 producten meer gaat verkopen. Echter heeft deze regressie slechts een verklaringsgraad van 0,0007.
Zoals te zien in tabel 2 is leeftijd gecorreleerd met geslacht en ervaring. Om een
consistente schatter voor leeftijd te krijgen worden daarom deze variabelen toegevoegd aan het model wat leidt tot regressie 2. Wat opvalt is dat de leeftijd coëfficiënt groter wordt wanneer deze variabelen toegevoegd worden. Dit valt te verklaren door de correlatie tussen leeftijd en geslacht zoals te zien in grafiek 1 en tabel 2. Wanneer de controle variabelen man en ervaring worden toegevoegd verandert de leeftijd coëfficiënt door de correlaties tussen leeftijd met de variabelen geslacht en ervaring.
` In de regressies wordt de score als afhankelijke count variabele gebruikt. Als bij count
variabelen de kleinste kwadraten methode wordt toegepast kan dit mogelijk inefficiënte en inconsistente regressies opleveren (Long, 1997). Dit is niet het geval wanneer er gebruik wordt gemaakt van Poisson regressie omdat deze methode er rekening mee houdt dat de score alleen gehele waardes kan aannemen. De interpretatie van de 0,025 coëfficiënt te in regressie 3 is als volgt.
∂𝐿𝐿[𝑌𝑌|𝑋𝑋]
∂β𝑗𝑗 = β𝑗𝑗∗ 𝑒𝑒
𝑋𝑋′𝛽𝛽 ≈ β
𝑗𝑗∗ 𝑒𝑒µ∗𝛽𝛽
Hier vullen we vervolgens de geschatte coëfficiënten van regressie nummer 3 in om de coëfficiënt van leeftijd te interpreteren.
𝛽𝛽1= 0,910, 𝛽𝛽2= 0.024, 𝛽𝛽3= −0.089, 𝛽𝛽4= −0,000
µ𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖𝑗𝑗𝑙𝑙 = 20,43, µ𝑚𝑚𝑚𝑚𝑚𝑚= 0,60, µ𝑙𝑙𝑒𝑒𝑒𝑒𝑚𝑚𝑒𝑒𝑖𝑖𝑚𝑚𝑒𝑒 = 84,71
∂𝐿𝐿[𝑌𝑌|𝑋𝑋]
∂β𝑗𝑗 ≈ 0,024 ∗ 𝑒𝑒
0,910+0,024∗20,43−0,089∗0,60−0,000∗84,71= 0,094
De Poisson regressie kan dus zo geïnterpreteerd worden dat wanneer de leeftijd met 1 jaar stijgt de verkopen stijgen met 0,094. Te zien is dat deze waarde sterk overeen komt met de
coëfficiënt bij kleinste kwadraten methode in regressie 2.
De geschatte coëfficiënten, van beide schattingsmethodes, van de leeftijd en de score liggen dicht bij elkaar. De coëfficiënten van een Poisson regressie worden geschat doormiddel van maximum likelihood. Deze methode vereist numerieke optimalisatie wat leidt tot vele iteraties bij gebruik van veel parameters. Daarom worden volgende regressies weer met de kleinste kwadraten methode geschat rekening houdend dat de geschatte coëfficiënten slechts een klein verschil hebben met de coëfficiënten verkregen met een Poisson regressie.
In regressie 5 zijn de controle variabelen opleiding, vestiging en project dummy’s
toegevoegd aan het model om de laatste correlatie van de leeftijd met de residu uit het model te halen. Naast de sterke stijging van de verklaringsgraad wanneer de dummy projecten worden toegevoegd is opmerkelijk dat de coëfficiënten van leeftijd en geslacht sterk veranderden. Dit is een gevolg van de correlatie van leeftijd en geslacht met de projecten.
De variabele geslacht heeft een correlatie met de projecten zodanig dat de coëfficiënt omslaat van een negatief naar een positief effect. Pepperminds doet niet actief aan indeling naar leeftijd of geslacht voor projecten. Maar een mogelijke verklaringen voor de gevonden
correlaties met de projecten is dat mannen/vrouwen en of oudere/jongere werknemers
eventueel onbewust ingedeeld worden bij bepaalde projecten. Het project “Stam Renault” heeft bijvoorbeeld een gemiddelde leeftijd van 22.5 jaar. Dit is twee jaar ouder dan de gemiddelde leeftijd van de totale steekproef. Een andere verklaring voor de gevonden correlatie zou kunnen zijn dat mannen/vrouwen en of oudere/jongere medewerkers hoger scoren bij bepaalde
projecten. Het exacte causale verband tussen de projecten met leeftijd en geslacht dient nader te worden onderzocht.
Het model gebruikt in regressie 5 wordt geprefereerd boven voorgaande modellen omdat er vanuit is gegaan dat alle mogelijke correlaties met leeftijd zijn opgenomen in het model. Hierdoor is leeftijd niet meer gecorreleerd met het residu waardoor de kleinste kwadraat schatter zuiver is. Desalniettemin vinden in alle modellen seriële correlatie plaats tussen de shifts. Deze seriële correlatie, is mogelijk doordat werknemers in team verband werken waardoor weggelaten factoren invloed op elkaar uitoefenen. Deze seriële correlatie worden gecorrigeerd in regressie 6 door cluster standaard fouten te gebruiken. De gebruikte cluster variabele is de werkdatum van de shift. Er kon ook gekozen worden voor de teamnummers als cluster variabele. Een voordeel hiervan is dat het aantal shifts kleiner of gelijk is in een team dan in een werkdag waardoor de geschatte varianties kleiner zijn. Echter wordt er dan geen rekening gehouden met eventuele correlaties tussen shifts in verschillende teams op dezelfde dag. Weersomstandigheden kunnen bijvoorbeeld deze correlaties tussen teams laten ontstaan.
De leeftijd coëfficiënt in regressie 6 is 0,084. Deze coëfficiënt kan geïnterpreteerd
worden dat de score gemiddeld 0,084 stijgt wanneer een werknemer 1 jaar ouder wordt. In tabel 1 is gegeven dat de score een gemiddelde van 3,82 heeft. Wanneer het bedrijf een
beleidswijziging toepast waardoor structureel 1 jaar oudere werknemers worden aangenomen stijgen dus de verkopen met 2,2 procent. Echter zijn oudere werknemers duurder, dus of een dusdanige beleidswijziging zorgt voor een stijging van de winst dient nader te worden
onderzocht.
Een beperking van het onderzoek is dat de geschatte correlatie een kleine mis
interpretatie kan bevatten. Er is bij count gegevens gebruik gemaakt van de kleinste kwadraat methode. Wanneer de kleinste kwadraten methode wordt toegepast op count gegevens kunnen inefficiënte en inconsistente coëfficiënten ontstaan (Long, 1997). Wanneer Poisson regressies worden toegepast zijn de schatters betrouwbaarder. Omdat er echter een grote steekproef is gebruikt zal deze misinterpretatie niet groot zijn.
5. Conclusie
In dit empirisch onderzoek is gekeken naar het verband tussen leeftijd en verkoop prestaties onder verkoopmedewerkers van het bedrijf Pepperminds. Hier stond de vraag centraal of er een correlatie is tussen de leeftijd van individuele werknemers en de individuele verkoopcijfers van jongere verkoopmedewerkers. Dit is onderzocht doormiddel van regressies van de score op de leeftijd van de werknemer en verschillende controle variabelen. Gebleken is dat wanneer een werknemer 1 jaar ouder is hij 2.2 procent meer gaat verkopen.
In de steekproef is leeftijd gecorreleerd met verschillende factoren zoals geslacht, ervaring en projecten. Uiteindelijk zijn er zeven verschillende controle variabelen gebruikt om een eind model te krijgen waar geen correlatie is tussen leeftijd en de weggelaten factoren in de residu term. Hierdoor is de gebruikte kleinste kwadraten schatter zuiver en consistent. De afhankelijke variabele, de score vector, kan alleen geheeltallige waardes aan nemen waardoor Poisson regressie wordt geprefereerd. Desondanks verschilt de interpretatie van de kleinste kwadraat schatter klein van de coëfficiënt gegenereerd bij Poisson regressie. Uiteindelijk is in het laatste model de kleinste kwadraten schatter gebruikt om vele iteraties te voorkomen.
Uit het onderzoek is bekend geworden dat er een significant positieve correlatie is tussen leeftijd en productiviteit. Wanneer de leeftijd met 1 jaar groeit stijgt het gemiddelde aantal
verkopen met 0,084. Het gemiddelde aantal verkopen stijgt daarmee met 2,2 procent waardoor indirect de omzet ook stijgt. Oudere werknemers zijn duurder dus of deze omzet stijging leidt tot winst voor het bedrijf is onbekend. Nader onderzoek zou dit moeten analyseren.
Het onderzoek focuste zich voornamelijk op de verkoopcijfers onder jongeren tussen de 15 en 23 jaar. Call centers hebben over het algemeen dezelfde doelgroep en overeenkomende werknemersleeftijden vergeleken met marketingbureaus. De positieve correlatie tussen leeftijd en geslacht zou dus ook toepasbaar kunnen zijn voor vergelijkbare bedrijven zoals andere marketingbureaus en call centers.
De correlatie tussen leeftijd en productiviteit is onderzocht. Echter is niet bekend wat het causale verband achter deze correlatie is. Een eventuele hypothese voor dit causale verband is dat oudere jongeren meer verantwoordelijkheid hebben zodat ze meer gemotiveerd zijn voor een hoger inkomen. Desalniettemin is dit slechts een aanname en zal nader onderzoek het daadwerkelijke causale verband moeten aantonen.
Bibliografie
Cameron, A.C., Trivedi, P.K. (2013). Regression analysis of count data. Cambridge: Cambride university press.
Chevalier, A., Harmon, C., Walker, I. en Zhu, Y. (2004). Does Education Raise Productivity, or Just Reflect it? The economic Journal, 114, (499), F499-F517.
Collings, D.G. en G. Wood (2009). Human Resource Management. Londen: Routledge.
Engelbrecht, H.J. (1997). International R & D spillovers, human capital and productivity in OECD economies: An empirical investigation. European Economic Review, 41, 1479-1488.
Goolsby, J.R., Lagace R.R. en Boorom, M.L. (1992). Psychological Adaptiveness and Sales Performance. The journal of Personal Selling and Sales Management, 12, (2), 51-66. Heij, C., Boer, P.M.C. de, Franses, P.H.B.F., Kloek, T. & Dijk, H.K. van (2004). Econometric
methods with applications in business and economics. Oxford: Oxford University Press.
Kotlikoff, L.J. Gokhale, J. (1992). Estimating a firm’s age-productivity profile using the present value of workers earnings. The Quarterly Journal of Economics, 107, (4),1215-1242.
Levy, M. Sharma, A. (1994). Adaptive Selling: The role of Gender, Age, Sales experience, and education. Journal of business Research, 31, 39-47
Long, J.S. (1997). Regression models for categorical and limited dependent variables. Texas: Stata Corporation.
Maranto, C.K., Rodgers, R.C. (1984). Does Work Experience Increase Productivity? A test of the On-The-Job Training Hypothesis. The Journal of Human Resources, 19, (3), 341-357.
Mincer, J., (1958). Investment in Human Capital and Personal Income Distribution. Journal of
Political Economy, 66, (4), 281-302.
Ornstein, S., Cron, W.L., Slocum, J.W., (1989). Life Stage Versus Career Stage: A Comparative Test of the Theories of Levinson and Super. Journal of Organisational Behavior, 10, (2), 117-133.
Pekkarinen, T. Uusitalo, R. (2012). Aging and productivity – Evidence from Piece Rates. Discussion Paper No. 354.
Schmidt, F.L., Hunter, J.E., (1986). Impact of Job Experience and Ability on Job Knowledge, Work Sample Performance, and Supervisory Ratings of Job Performance. Journal of Applied
Psychology, 71, (3), 432-439.
Schul, P.L., Wren, B.M. (1992). The Emerging Role of Women in Industrial Selling: A Decade of Change. Journal of marketing, 56, (3), 38-54.
Stoeldraijer, L. (2014). Jongeren blijven langer thuis wonen. Centraal Bureau voor de Statistiek, Swan, J.E., Rink, D.R., Kiser, G.E. & Martin, W.S. (1984). Industrial Buyer Image of the
Saleswoman. Journal of Marketing, 48, (1), 110-116.
Tucker, P., Gilliland, J. (2007). The effect of season and weather on physical activity: A systematic review. Journal of the royal institute of public health, 121, 909-922.
