Illustrationsbillede indhold

Effekten af trendfremskrivning

I fremskrivningsperioden fortsættes trends i den uddannelsesadfærd, som observeres historisk. Nedenfor beskrives effekten af at fortsætte disse trends fremadrettet i forhold til, hvis den observerede adfærd blev fastholdt.

I uddannelsesmodellen fremskrives den observerede udvikling i uddannelsesadfærden. Med Uddannelsesfremskrivningen 2019 blev introduceret en ny metode til at foretage denne fremskrivning. Metoden består i at anvende en mere formel tidsrække-analyse, end den der tidligere er anvendt. Mere specifikt anvendes enten ARIMA eller eksponentiel udglatning. I det følgende beskrives effekten af at fortsætte de trends, der findes i data for uddannelsesadfærd i modsætning til at fastholde adfærden fra 2019, som på nuværende tidspunkt er det seneste år med observeret uddannelsesadfærd.

Metode til trendfremskrivning

Der er typisk givet en tidsserie, y(t), i en periode t=1981,1982,…,2018, der i perioder kan være uobserveret, i hvilket tilfælde vi sætter værdien til nul. Der er i samme periode typisk angivet en populationsvægt, n(t), med samme tidsspan. Værdierne y kalder vi i dette afsnit for overgangssandsynligheder mens n-værdierne betegnes som vægte.

Overgangssandsynlighederne bestemmes på baggrund af registerdata kombineret med en metode til at rense for støj og sikring af, at sandsynlighederne er baseret på en tilpas stor gruppe.

Der er med uddannelsesfremskrivningen fra 2019 indført en ny støjrensningsmetode, fra den hidtidige cubic spline med krydsvalidering til den nye der indeholder en gennemført tidsrække-metode. Med den nye metode anvendes data fra hele perioden 1981-2018, mens den forrige metode kun anvendte 10 år. Desuden havde den forrige metode en tendens til at ”identificere” trends hvor der ingen er. Et typisk eksempel er en tidsrække med et strukturelt niveauskifte: med en cubic spline vil der her opstå en trend, som derefter forlænges med den forrige periode.

Der anvendes i den nye metode generelt set to typer af tidsrække-metoder: Exponentiel udglatning (ETS) og Autoregressive og Moving Average modeller (ARIMA). Disse to metoder er de mest udbredte og derfor anvendes de her også her. Vi anvender R-pakken forecast til estimation og prediktion af data. Forecast-pakken udregner automatisk 4 goodness-of-fit mål og vores procedure vælger den model der giver bedst i flest goodness-of-fit mål. Derefter anvendes set over de grundlæggende karakteristika antal personer i gennemsnit over de seneste fem år til at fremskrive antal personer i hver uddannelseskategori, altså til at fastlægge vægtene nt i fremskrivningsperioden. De predikterede sandsynligheder vil ikke nødvendigvis være indbyrdes konsistente, hvorfor der anvendes følgende korrektion: er der ikke observeret nogle overgange de seneste fem år sættes sandsynligheden til nul og ellers skaleres de predikterede sandsynligheder så de bliver indbyrdes konsistente.

Exponentiel udglatning er en udglatning der tager udgangspunkt i de observerede værdier, og laver en vægtet værdi med størst vægt på de seneste observationer. Når der ses bort fra sæson-korrektioner findes modellen med en trend og eventuelt en afdæmpet trend. Modellen indeholder både den naive metode, der blot anvender den seneste observation og den samlede periodes gennemsnit.

ARIMA processerne er kombinationer af et vist antal laggede forklarede variable og/eller laggede restled. Modellen indeholder både random walk samt modeller med betydelig persistens, trends mv. Forkortelsen udtrykker modellen, idet den består af to typer: en autoregressiv (AR) proces og en bevægende gennemsnit (MA) proces, samt kombinationer af disse og eventuelle korrektioner for at der kan være unit-root processer, såkaldt integrerede processer. Altså ARIMA!

Den endelige fremskrivning af overgangssandsynlighederne fastsættes til at fortsætte ti år frem i tiden.

Effekt på den fremskrevne uddannelsesfremskrivning

I dette afsnit præsenteres forskellen i fremskrivningen af uddannelsesmodellen ved at lade evt. trends i parametrerne blive fortsat indtil 2027. Ved at lade trenden fortsætte 10 år fremfor at bruge adfærden i 2019 vil især antallet af kandidatuddannede vokse, mens antallet af personer med en alment gymnasial eller erhvervsfaglige uddannelse vil falde.

Figur 1: Antal 17-64-årige, opdelt på højest fuldførte uddannelse, forskel

Antal 17-64-årige, opdelt på højest fuldførte uddannelse, forskel

Der vil være færre som ikke er under uddannelse: altså omvendt vil der være færre som ikke får en uddannelse i sidste ende. Det er især de erhvervsgymnasiale uddannelser, universitetsbachelorer og kandidatuddannelser som vil få flere studerende som følge af at lade trenden slå igennem frem for at fastholde en 2019-adfærd.

Figur 2: Antal personer, opdelt på igangværende uddannelse, forskel

Antal personer, opdelt på igangværende uddannelse, forskel

Udviklingen i uddannelsesniveauet kan udtrykkes i uddannelsesmålsætningerne. Disse relaterer sig til andelen af befolkningen der har opnået et eller andet niveau af uddannelse. Den overordnede effekt af at inkludere trendfremskrivningen i modellen betyder en stigning i uddannelsesniveauet, herunder især for andelen af befolkningen der opnår en videregående uddannelse vokser med næsten 2 procent.

Figur 3: Uddannelsesmålsætninger

Uddannelsesmålsætninger

 

  Med trend Uden trend
Andel med ungdomsuddannelse 90,4 %

89,7%

Andel med videregående uddannelse 64,1 % 62,5 %
Andel med lang videregående uddannelse 30,6 % 29,1 %

 

Færdiggørelsessandsynlighed

Dette er det første afsnit, der beskriver udviklingen i de parametere, som bestemmer uddannelsesadfærden i modellen. Vi præsenterer de historiske observerede statistikker og den trend der er udledt fra den metode beskrevet i indledningen. Ønsker man en uddybning af hele modellen henviser vi til de årlige publicerede rapporter.

Se rapporter, der grundigt komunenterer metoden til trendfremskrivning

For et givet køn, oprindelse, igangværende uddannelse, højest fuldførte uddannelse tidligere end dette forløb og varighed af det indeværende uddannelsesforløb fuldføres forløbet med en given sandsynlighed. Der har for universitetsuddannelserne været en voksende fuldførelsessandsynlighed, mens de gymnasiale uddannelser har haft en relativ stabil udvikling over tid, Der ses dog at være en betydelig støj fra år-til-år.

For PhD-uddannelserne er data i de to seneste år ikke anvendt til estimationen da de ikke er opdateret pga. en særlig forsinkelse af registreringen i statistikken.

Figur 4: Færdiggørrelsessandsynligheder opdelt på uddannelse

Færdiggørelsessandsynligheder

Der er betydelig forskel på fuldførelsessandsynligheden og varigheden af uddannelsesforløbet. Varigheden af uddannelsesforløbet angiver antal år individet har påbegyndt det indeværende uddannelsesforløb. Der har siden 1995 været et lille fald i fuldførelsesfrekvensen for personer der har været påbegyndt et almen gymnasial uddannelsesforløb i to år, mens der i perioden 1981-2005 fandt en lille stigning i fuldførelsesfrekvensen for personer på det tredje studieår. Der har ellers ikke været en varig opad- eller nedadgående trend for fuldførelsesfrekvensen på de alment gymnasiale uddannelser.

Figur 5: Færdiggørelsessandsynlighed på alment gymnasium

Færdiggørelsessandsynlighed på alment gymnasium

Som det ses er fuldførelsessandsynligheden relativt stabil for de almene gymnasielle uddannelser for de forskellige varigheder over tid. Dette er dog ikke tilfældet for alle uddannelser. Enkelte steder ses også et strukturelt skifte, typisk hvor man har ændret ved længder af betydelige uddannelser i kategorien. Det kan ses for eksempelvis Professionsbacheloruddannelserne i 1995 og Erhvervsuddannelserne omkring årtusindeskiftet.

Figur 6: Fuldførelsessandsynlighed på udvalgte uddannelseskategorier