• Datakundskab (data literacy) — en nøglekompetence i det 21. århundrede

    En følge af digitaliseringen er, at der løbende produceres enorme mængder af data. Det har været udgangspunktet for flere indlæg i denne blog, hvor fokus har været på de muligheder og problemer, udviklingen medfører for den officielle statistik. Men naturligvis er der andre end de officielle statistikbureauer, der har øje for de de store datamængder, og som er indstillet på at  udnytte dem. Før der træffes beslutninger af bare lidt mere end rutinemæssig karakter, vil beslutningstagerne i stigende grad spørge om der findes data, der kan belyse problemet, før en beslutning træffes. Da det vil gælde alle områder og niveauer i samfundet, bliver kendskab til data — hvordan de skabes, hvordan de bearbejdes og hvordan de anvendes — en vigtig kompetence for stort set alle. Det betyder naturligvis ikke, at alle skal være eksperter på området, men en grundlæggende viden vil være nødvendig i stort set alle professioner. Og der bliver naturligvis også behov for eksperter.

    I praksis betyder det, at datakundskab (data literacy) må forventes af blive et vigtigt fag både i grundskolerne og på de sekundære og videregående uddannelser. Det giver igen anledning til at overveje, hvad faget datakundskab skal indeholde. Til støtte for udviklingen af kurser i datakundkab har Hochschulforum Digitalisierung — en tænketank oprettet af Stifterverband für die Deutsche Wissenschaft  — udgivet et arbejdspapir, der opstiller en såkaldt kompetenceramme for faget datakundkab. En kompetenceramme defineres i papiret som en model til beskrivelse af effektiv adfærd i en given opgavesammenhæng.  Rammen definerer 21 kompetencer fordelt på seks kompetencefelter. En oversigt er vist herunder.

    Kompetencefelt Kompetence
    Fastlægge problemet Identificere dataanvendelse
    Specificere dataanvendelse
    Koordinere dataanvendelse
    Klargøre data Modellere  dataanvendelse
    Overholde databeskyttelse og -sikkerhed
    Identificere datakilder
    Integrere data
    Verificere data
    Dataproces
    Evaluere data Analysere data
    Visualisere data
    Verbalisere data
    Fortolke dataprodukter Fortolke dataanalyser
    Fortolke datavisualiseringer
    Fortolke dataverbaliseringer
    Fortolke data Dekryptere standardisering
    Spore dataindsamling
    Rekonstruere datakoncepter
    Udlede handling Identificere handlingsmuligheder
    Datastyret handling
    Vurdere virkning

    For hver af de 21 kompetencer giver kompetencerammen en nærmere beskrivelse af kompetencen og opstiller en række mere konkrete eksempler på krav til hhv. viden, færdigheder og holdninger — de tre kompetencedimensioner. Nedenfor er som eksempel vist rammens indhold for kompetencen Fortolke dataverbaliseringer under kompetencefeltet  Fortolke dataprodukter.

    Kompetencefelt Fortolke dataprodukter
    Kompetence   Fortolke dataverbaliseringer
    Beskrivelse Fortolke statistiske egenskaber og modeller  således at konklusioner kan drages eller prognoser opstilles på grundlag af de bagvedliggende data og sammenhænge.
    Kompetence-dimension Viden Kendskab til grundlæggende statistiske metoder 
    Færdigheder Forstå en beskrevet analyseproces og kritisk granske den

    Læse og forstå en statistisk tekst
    Holdninger Forholde sig kritisk til beskrivelser og konklusioner

    Søge implicit information i teksten

    Forholde sig kritisk men være åben over for nye konklusioner og ny indsigter, også hvis de modsiger den nuværende situation

    Rammen skelner for hver kompetence mellem tre kompetenceniveauer, og giver eksempler på kravene på de forskellige niveauer. For kompetencen Fortolke dataverbaliseringer er eksemplerne:

    Laveste niveau Kan forstå enkle forklaringer af statistiske metoder
    Mellemste niveau Kan forstå mundtlige og skriftlige forklaringer af mere komplekse analyseprocesser
    Højeste niveau Kan forstå og granske mundtlige og skriftlige forklaringer af mere komplekse analyseprocesser

    Rammen kan således anvendes for alle uddannelsesniveauer.

    Referencer:
    Katharina Schüller, Paulina Busch & Carina Hindinger: “Future Skills: Ein Framework für Data Literacy Kompetenzrahmen und Forschungsbericht”,  Hochschulforum Digitalisierung Nr 47/august 2019 (link)

  • Trusted Smart Statistics

    Et nationalt statistikinstitut, som f.eks. Danmarks Statistik, indsamler og bearbejder data, og offentliggør de bearbejdede data i form af statistik. Kontrollen med både indsamlingen og bearbejdningen er en hjørnesten i institutternes bestræbelser på at opbygge tillid hos brugerne. Garantien for anvendelse af anerkendte metoder og for åbenhed om både metoder og prioritering bygger bl.a. på, at institutterne har fuld kontrol over hele processen. Denne kontrol over data kan fungere så længe indsamling af data er kostbar og ofte afhængig af lovhjemmel, f.eks. i form af krav om at virksomheder skal besvare statistikinstituttes spørgeskemaer. Men den teknologiske udvikling har medført, at de traditionelt indsamlede datas rolle er blevet mindre. Til gengæld er de data, der mere eller mindre automatisk opstår i forbindelse med f.eks. nethandel, aktivitet på sociale medier og overvågning af trafiksikkerhed — de såkaldte organiske data — blevet meget omfangsrige.

    I modsætning til de indsamlede data, der ofte ejes og kontrolleres af officielle statistikinstitutter, så er de organiske data ofte ejet og kontrolleret af private virksomheder som Google, Nets og teleselskaberne. De private ejere er meget bevidste om værdien af deres organiske data og udnytter dem i høj grad forretningsmæssigt. Men de organiske data rummer også megen information, der kan være af samme almene interesse som den traditionelle officielle statistik, og de giver i mange tilfælde muligheder for billigere og/eller bedre statistik, end de traditionelle metoder. Der kan også ligge store muligheder i kombination af et organisk datasæt med traditionelle datasæt eller med andre organiske datasæt. De private ejere vil sjældent have økonomisk interesse i udnyttelse af disse muligheder, og hvis de har, så vil databeskyttelseslovgivningen oftest forhindre det.

    Men der er intet i vejen for, at de nationale statistikinstitutter kan udnytte disse muligheder, selv om der naturligvis er en række etiske spørgsmål om omfang af og grænser for anvendelsen, som skal være afklaret. Faktisk har institutterne taget hul på sådanne anvendelser. For Danmarks Statistiks vedkommende kan nævnes anvendelse af stregkodedata i forbrugerprisindekset.

    I Eurostat, EU’s officielle statitstikinstitut, er man meget opmærksom på de nye muligheder og på den rolle statistikinstitutterne kan komme til at spille. Som samlet betegnelse for disse processer og deres resultater har Eurostat introduceret begrebet Trusted Smart Statistics(TSS).  

    Et centralt træk i TSS er at ejerskabet til data ikke længere ligger hos statistikinstituttet, men instituttet kan gennem kontrol med og ejerskab af de redskaber i form af programmel, der anvendes ved bearbejdningen, sikre kvalitet og åbenhed. Da de organiske data kan have en langt større detaljeringsgrad end traditionelt indsamlede data, kan det være en del af datasikkerheden, at ejerskab og kontrol er fordelt på mange aktører. Det bliver så de officielle statistikintitutters opgave gennem TSS at opbygge systemer og redskaber, der gør forsvarlig og pålidelig anvendelse mulig. 

    Referencer:
    CROS: “Trusted Smart Statistics in a nutshell”, (link)
    Fabio Ricciato & Albrecht Wirthmann: “Trusted Smart Statistics: how new data will change official statistics”, 20/5-2019 DOI:10.5281/zenodo.3066061 (link)

     

  • Måling af livskvalitet og bæredygtighed i den økonomiske statistik

    Det har, siden nationalregnskabet blev introduceret i midten af den 20. århundrede, været en kendt sag, at opgørelsen af værdien af den samlede produktion, bruttonationalproduktet (BNP), ikke er en særlig velegnet indikator for livskvalitet, og at opgørelsen ikke siger noget om produktionens bæredygtighed. Ikke desto mindre har netop BNP pr. capita ofte været tolket som et mål for livskvalitet, og den manglende hensynstagen til bæredygtighed  har ofte været ignoreret. Producenterne af den økonomiske statistik har i de senere år arbejdet med at finde egnede mål for livskvalitet og bæredygtighed, og i den forbindelse har OECD spillet en vigtig rolle. Peter van de Ven — OECD’s nationalregnskabschef  — har i en artikel i tidskriftet Eurona leveret et overblik over OECD’s hidtidige bestræbelser.

    Nationalregnskabet er et omfattende statistisk system, der belyser mange sider af den økonomiske aktivitet, og BNP er blot et enkelt af de mange størrelser, der opgøres. Et naturligt første skridt er derfor at overveje, hvad der kan gøres inden for nationalregnskabets rammer. OECD har i den forbindelse bl.a. valgt at øge fokus på husholdningerne, fremfor den samlede økonomi der bl.a. også omfatter selskaber, og på den disponible indkomst, dvs. indkomst efter skat. Det foretrukne indkomstbegreb omfatter også de indkomster, husholdningerne har i form af gratis ydelser fra det offentlige, f.eks. i forbindelse med sundhed og uddannelse, og kaldes i nationalregnskabet for korrigeret disponibel indkomst. Men da langt fra alle lande kan levere de nødvendige data har OECD som udgangspunkt valgt begrebet disponibel indkomst, der ikke omfatter de de offentlige gratisydelser.

    Men livskvalitet kan ikke analyseres udelukkende ud fra nationalregnskabets totalstørrelser, de såkaldte makrodata. Makrodata må suppleres med data for forskellige grupper af husholdninger og personer (f,eks fordeling efter køn, alder og erhverv), de såkaldte mikrodata. Begreberne i og teorien bag nationalregnskabet er forberedt for håndteringen af mikrodata, men i praksis er der store problemer i implementeringen. Problemet har været behandlet bl.a. i arbejdsgrupper i OECD og EU, uden at man endnu er kommet til fuld klarhed, men mange lande er begyndt at udarbejde og offentliggøre mikro-opgørelser, der er konsistente med nationalregnskabets makro-opgørelser.   

    Der er dog grænser for, hvor langt man kan komme indenfor de rammer, der sættes af nationalregnskabet. Et af problemerne er den ubetalte husholdningproduktion, dvs. den produktion af f.eks. rengøring og børnepasning, der udføres direkte af en husholdnings egne medlemmer. Denne produktion indgår ikke i nationalregnskabets opgørelser. Købes sådanne ydelser på markedet, eller stilles de til rådighed af det offentlige, vil de derimod indgå. Der er derfor brug for at supplere de nationalregnskabsmæssige opgørelser med skøn over husholdningernes egen produktion. Desværre er det lettere sagt end gjort. 

    Et andet problem er husholdningernes forbrug af gratis internettjenester som Google og Facebook. Leverandørerne har indtægter i form af annonceindtægter, som i en eller anden grad må afspejle sig i de priser, forbrugerne betaler for de forbrugsgoder, de køber på markedet. Men præcis hvordan og i hvilket omfang, man herved får afspejlet den værdi, forbruget af tjenesterne har for husholdningerne, er uafklaret. Endnu mere problematisk er forbruget af produkter, der udvikles og stilles til rådighed af frivillige, uden at der overhovedet er involveret betalinger. Styresystemet Linux og kontorpakken OpenOffice er eksempler på sådanne produkter. Husholdningernes forbrug af disse ydelser er slet ikke afspejlet i nationalregnskabet.

    Når det drejer sig om  bæredygtighed er det begrænset, hvor meget nationalregnskabet i sin  nuværende form kan bidrage. Men der arbejdes med i tilknytning til nationalregnskabet at opbygget en række supplerende systemer, de såkaldte satellitregnskaber, der skal bidrage til at belyse de områder, de er underbelyst i det egentlige nationalregnskab (kernen). I satellitregnskaberne anvendes i videst muligt omfang de samme begreber og klassifikationer som i nationalregnskabet, således at opgørelserne kan sammenholdes. Der står dog mange problemer tilbage at løse, og endnu er satellitregnskaber kun implementeret i begrænset omfang.

    Referencer
    Peter van de Ven:     “Measuring economic well-being and sustainability: a practical agenda for the present and the future”, Eurona 1/2019 (link)

  • Er de officielle statistikbureauers monopol truet?

    Engang, for ikke så længe siden, havde Danmarks Radio monopol på distribution af radio og TV. Telefonvæsenet og postvæsenet er andre eksempler på offentlige monopoler, der har mistet deres monopolstatus. Fra de andre nordiske lande er monopolet på salg af alkohol et godt eksempel. I modsætning hertil er den officielle statistik et eksempel på et offentligt monopol der indtil videre har overlevet.

    Men det er måske kun et spørgsmål om tid! Ulrik Rongved Amundsen — webredaktør for Norges officielle statistikbureau (SSB) — har i et et indlæg til  Nordisk Statistikermøde i Helsingfors præsenteret nogle overvejelser om statistikbureauernes fremtidige rolle i lyset af en tekniske og samfundsmæssig udvikling. Udviklingen kan på lidt længere sigt udfordre for den hidtidige monopolstatus.

    Som Amundsen ser det, har statistikbureauernes rolle først og fremmest været, at tjene statens regerende elite med nødvendig information. Bureauernes funktion var (og er) at indsamle data, og ved anvendelse af statistiske teknikker at omforme de indsamlede rå data til nyttig og nødvendig indformation. Uden den statistiske information om samfundet vil det ikke være muligt at regere. Da statistikproduktion er kostbar og dataindsamling i mange tilfælde er afhængig af lovhjemmel, har statistikproduktionen været et naturligt statsmonopol. Men it-udviklingen er ved ændre vilkårene. Moderne kommunikation skaber data — oftest i form af såkaldte big data — der er kontrolleret af private virksomheder som Google og Facebook, og adgangen til teknikker til omformning af data til information, typisk i form af computerprogrammel, er blevet billigere. Statistikproduktion kræver ikke længere en solid skattefinansieret statskasse. Staten og dens eksperter ikke længere er så afhængige af statistikbureauerne og det betyder selvfølgelig en trussel mod deres eksistens.

    Nu kan kan jo sige, at hvis statistikbureaerne ikke længere er nødvendige, så er de en helt natulig udvikling, at de forsvinder eller indskrænkes betydeligt. Men Amundsens ærinde er at vise, hvordan statikstikbureuerne kan overleve, ved at tilpasse sig udviklingen. Det betyder i praksis, at fokus skal flyttes fra betjening af eksperter til betjening af almindelige borgere.   

    Den omstilling kan vise sig at blive vanskelig. Kulturen i statistikbureaerne er konservativ, og de ansatte er vænnet til samarbejdet med eksperterne. Amundsen frygter, at det bliver noget af en overvindelse for bureauerne at at skulle opbygge respekt og imødekommenhed overfor almindelige menneskers informationsbehov. Det er baggrunden for at artiklens titel taler om frygt og afsky (fear and loathing). Frygt for at blive overhalet af udviklingen og afsky for udsigten til at skulle flytte fokus fra eksperter til lægfolk.

    Heldigvis for bureauerne er der erfaringer der viser, at en sådan omstilling er mulig. Som forbilleder ser Amundsen det norske statsfjernsyn NRK og Vinmonopolet, der begge med stort held har formået at omforme sig fra at være politikerstyrede redskaber for hhv., kultur- og alkoholpolitik til at være forbrugerorienterede leverandører af underholdning og nydelsesmidler. Statistikbureauerne må ifølge Amundsen indstille sig på en tilsvarende omstilling. Først og fremmest ser han en mulighed og en opgave i at gøre statistikken let at finde, for det kan ikke forventes at brugeren vil bruge mange kræfter på søgeprocessen og at den er let at forstå, for det kan ikke forventes at bruger har forudgående viden om statistik. Ikke nogen nem opgave!

    Referencer
    Ulrik Rongved Amundsen:     “Fear and loathing in official statistics(or: The death of the expert as a target audience)” , Nordic Statistical Meeting, Helsinki 26-28/8 2019 (link)

  • EU’s finanser, konsekvenser af Brexit

    Brexit nærmer sig. Næsten alle økonomer og politiske kommentatorer forudser store negative økonomiske følger for både EU og UK. En samlet økonomisk vurdering af konsekvenserne forudsætter overvejelser om mange aspekter af de økonomiske mekanismer, og i den forbindelse også stillingtagen til ukendte og uforudsigelige forhold og sammenhænge. Hertil kommer, at en samlet vurdering naturligvis  skal omfatte mere end de økonomiske konsekvenser. I dette indlæg ser jeg udelukkende på de helt umiddelbare konsekvenser for EU’s indtægter og udgifter.

    Som altid er den officielle statistik et godt udgangpunkt den slags overvejelser, og når det drejer sig om økonomien er nationalregnskabet det naturlige udgangspunkt. I tabellen nedenfor er de umiddelbare konsekvenser for EU’s, UK’s og de øvrige medlemslandes finanser illustreret i en nationalregnskabsmæssig opgørelse. Tabellen viser hvordan EU’s indtægter optræder som udgifter for UK og de øvrige medlemslande, og tilsvarende hvordan EU’s udgifter viser sig som indtægter i landene. Indtægter er vis med blå skrift, udgifter med rød

    EU’s indtægter og udgifter, 2018, mia. euro

    Indtægt for EU
    		 Udgift for
    UK Øvrige EU-lande Resten af verdenen
    Told mm 27,0 3,9 23,1 0,0
    Moms 17,6 3,3 14,3 0,0
    BNI-afgift (minus UK-rabat) 104,5 10,3 94,2 0,0
    Øvrige løbende overførsler 15,8 0,5 13,0 2,3
    I alt 164,9 18,0 144,6 2,3
    Udgift for EU
    		 Indtægt for
    UK Øvrige EU-lande Resten af verdenen
    Subsidier 56,5 3,8 52,7 0,0
    Forbrug 25,7 1,9 22,5 1,2
    Løbende internationalt samarbejde 32,8 1,3 23,7 7,8
    Øvrige løbende overførsler 2,7 0,1 2,5 0,1
    Investeringstilskud mv. 41,1 1,0 40,0 0,1
    I alt 158,7 8,1 141,5 9,2
    Overskud (Nettofordringserhvervelse) 6,2 9,9 3,2 6,9

    Kilde: Eurostats databank/bop_euins6_a (link) 

    Som det fremgår af tabellen bidrager UK med omkring 11 pct. af EU’s indtægter. Den vigtigste indtægtspost er BNI-afgiften, som landene i princippet betaler i forhold til størrelsen af deres bruttonationalindkomst (BNI). Fulgte man princippet slavisk skulle UK for 2018 betale ca. 15,2 mia euro i BNI-afgift, men gennem en særlig aftale — UK-rabatten — er dette beløb nedbragt til de 10,3 mia. euro, der er vist i tabellen. Enkelte andre lande, herunder Danmark, er omfattet af tilsvarende rabatordninger, men de er af væsentlig mindre omfang.

    På EU’ udgiftside står UK som modtager af ca. 5,1 pct af subsidier mm. Opgjort på denne måde betyder Brexit således, et tab for EU på omkring 10 mia. euro. Skal status quo bevares, skal de øvrige lande øge deres samlede bidrag med op mod 7 pct. Lægges hele byrden på BNI-afgiften skal denne øges med omkring 10 pct. Nedskæringer på udgiftssiden er naturligvis også mulige. Under alle omstændigheder bliver noget at diskutere for de tilbageblivende lande!

    De økonomiske fordele og ulemper ved EU-medlemskabet kan ikke belyses udelukkende ud fra EU’s regnskaber. F.eks. udgøres en del af landbrugsstøtten af kunstigt høje fødevarepriser, der betales direkte af EU’s forbrugere, men ikke indgår i EU-institutionernes regnskaber. Og de dynamiske virkninger af de åbne markeder, der er en væsentlig del af EU-samarbejdet, afspejles slet ikke i disse regnskaber.

  • Eurostats koncernregister

    Erhvervsregistre spiller en central rolle for den økonomiske statistik i alle EU-landene. Et lands erhvervsregister indeholder en række centrale oplyser som adresse, branche antal ansatte og virksomhedsform for alle virksomheder, der er registreret i landet. For statistikmyndighederne tjener erhvervsregistrene først og fremmest som lister over de virksomheder, der skal indberette til statistikkerne, enten ved totaltællinger, hvor alle virksomher skal indberette, eller ved stikprøveundersøgelser, hvor registet tjener som den ramme, hvorfra stikprøven trækkes. Det danske erhvervsregister kaldes det Centrale Virksomhedsregister (CVR) og føres af Erhvervsstyrelsen. Det anvendes af mange offentlige myndigheder, ikke mindst Danmarks Statistik, men alle har gratis adgang til registrets data.

    For multinationale koncerner, vil det nationale erhvervsregister normalt kun indeholde oplysninger om kocernens aktivitet i indenlandske enheder, men ikke i filialer, datterselskaber og eventuelt hovedselskab i udlandet. Det betyder, at ingen nationale myndigheder har fuldt overblik over en multinational koncerns aktiviteter, og der er ingen garanti for konsistens i koncernens indberetninger til forskellige landes myndigheder. Det vanskeliggør opbygning af statistikker, der afspejler globaliseringen. Som svar på den udfordring har Eurostat opbygget et fælleseuropæisk koncernregister: EuroGroups Register eller ERG.

    ERG omfatter multinationale koncerner, der har aktivitet i mindst et af EU’s eller EFTA’s medlemslande. Registret kan benyttes af landenes statistikmyndigheder og centralbanker, men  der er ikke offentlig adgang til registret. 

    Hovedkilden til ERG er erhvervsregistrene i de deltagende lande, suppleret med data fra en kommerciel dataudbyder.  Eurostat vurderer og konsoliderer kildedata, således at resultatet bliver et konsistent register, der giver et samlet overblik over hver multinational koncerns aktivitet.

    Registret er under opbygning, og kvaliteten er endnu ikke er helt tilfredsstillende. Eurostat har dog fundet det forsvarligt, at udarbejde en eksperimentel rapport om multinationale koncerner i EU. Rapporten beskriver bl.a koncernernes antal, beskæftigelse, kompleksitet (aktivitet i flere brancher) og geografiske udbredelse.    

    Referencer:
    Erhvervsstyrelsen: “Om CVR – det Centrale Virksomhedsregister” (link)
    August Götzfried, Zsolt Völfinger & Agne Bikauskaite: “The EuroGroups Register”, Paper prepared for the 16th Conference of IAOS, 2018 (link)
    Eurostat:  “    Structure of multinational enterprise groups in the EU”  (link)

  • Nationernes statistiske kapacitet

    For brugere af officiel statistik er det afgørende at kunne stole på, at statistikproducenten har viljen og evnen til at levere statistik af tilstrækkelig høj kvalitet. FN’s “Fundamentale Principper for Officiel Statistik” stiller krav om, at statistikproducenterne skal oplyse om deres kilder, metoder og procedurer, således at en bruger kan vurdere, om kvaliteten er tilstrækkelig til hans formål. For de fleste brugere vil det dog, selvom den nødvendige information er tilgængelig, være en stor og uoverskuelig opgave, selv at skulle foretage en grundig vurdering.

    Heldigvis kan brugerne finde støtte i de vurderinger centrale statistikbrugere som EU og Verdensbanken stiller til rådighed. For EU-landene har EU’s statistiske kontor — Eurostat —  offentliggjort detaljerede rapporter, de såkaldte peer reviews, for alle medlemslande, og verdenbanken har beregnet og offentliggjort et kapacitetsindeks (Statistical Capacity Index, SCI) for en række lande.

    Eurostats peer reviews er baseret på en grundig gennemgang af hvert lands statistiske system, hvor en lille gruppe eksperter, i samarbejde med landets statistiske myndigheder, undersøger og vurderer alle væsentlige aspekter af systemet. De resulterende rapporter er grundige, men systemet er kostbart og tidskrævene, så der går flere år mellem hver vurdering. Den seneste række af landerapporter er udarbejdet i perioden 2013-2015, og erstatter rapporter fra perioden 2006-2008.

     Verdensbankens SCI-indeks er baseret på en simplere metode, baseret på offentligt tilgængelige data. Det muliggør beregning af indeks hvert år, således at indekset kan anvendes som indikator for den løbende udbygning af et lands statistiske kapacitet, hvilket også er et af formålene. I teorien kunne indekset beregnes for alle lande, men er i praksis kun beregnet for 146  fortrinsvis lav- og mellemindkomstlande.

    SCI blev udviklet i 2004. Siden da har kravene til den officielle statistikproduktion ændret sig, bl.a som følge af globalisering og fremkomsten af nye datakilder, nye beregningsmetoder og nye præsentationsformer. Det har ført til overvejelser om en revision af SCI, og i et arbejdsnotat fra Verdensbanken præsenteres et forslag til et nyt indeks, Statistical Performance Index (SPI). Det planlagte nye SPI-indeks adskiller sig fra det hidtidige SCI-indeks bl.a. ved at  inddrage flere dimensioner og omfatte flere lande, herunder også højindkomstlande.  

    Referencer:
    Michael M. Lokshin, Hai-Anh H. Dang, James Foster, Mustafa Dinc og Grant J. Cameron: “    Measuring the Statistical Capacity of Nations”, WORLD BANK…BLOGS, 5/2-2019 (link)
    Grant J. Cameron, Hai-Anh H. Dang, Mustafa Dinc, James Foster og Michael M. Lokshin:     “Measuring the Statistical Capacity of Nations”, World Bank Group, Policy Research Working Paper 8693, januar 2019 (link)
    UN Statistics Division: “Fundamental Principles of Official Statistics”, E/RES/2013/21 (link)
    Eurostat: “Peer Reviews in the European Statistical System”, (link)
    The World Bank: “Data on Statistical Capacity”, (link)

     

  • USA’s statistiske system

    USA’s statistiske system er stærkt decentraliseret, med en produktion af officiel statistik, der er fordelt på mere end 100 forskellige enheder. Udviklingen er tydeligvis sket ved knopskydning — når et behov er opstået, har man etableret ny enhed — uden særlig fokus på fordelene ved koordinering. Det har naturligvis skabt problemer, og kongressen har da også gennem lovgivning søgt at skabe lidt mere overblik. Den vigtigste lov omhandlende den federale statistikproduktion blev oprindeligt vedtaget i 1980, men revideret 1995. Lovens officielle navn: “Lov om Begrænsning af Papirarbejde” (Paperwork Reduction Act”) antyder, at irritation over, at skulle indberette samme oplysninger til flere myndigheder har været en drivkraft bag loven. Yderligere rammer for den officielle statistik er fastlagt i andre love som “Lov om Beskyttelse af Fortrolig Information og om Statistisk Effektivitet” (Confidential Information Protection and Statistical Efficiency Act, CIPSEA) fra 2002, og  “Lov om Evidensbaseret Politisk Beslutningstagning” (Evidence-Based Policymaking Act) fra 2018 .

    Der er stor variation i størrelse og betydning af de mange officielle statistikprodu­center. En væsentlig del af den officielle statistikproduktion — 43 pct. målt ud fra de størrelsen af den finanslovbevillingen til statistikproduktion i 2016 — varetages af 13 såkaldte statistiske hovedmyndigheder (principal statistical agencies). De statistiske hovedmyndigheder er karakteriseret ved, at deres hovedformål er indsamling, behandling og analyse mm. af statistiske oplysninger. Langt den vigtigste er Folketællingebureaet (Bureau of the Census). Andre vigtige hovedmyndigheder er Det Nationale Center for Uddannelsesstatistik (National Center for Education Statistics), Det Nationale Center for Sundhedsstatistik (National Center for Heath Statistics),  Bureauet for Arbejdsmarkedsstatistik (Bureau of Labor Statistics) og Det Økonomiske Analysebureau (Bureau of Economic Analysis). De resterende 57 pct. af finanslovbevillingerne er fordelt mere end 90 institutioner, der ikke har statistikproduktion som hovedopgave, men som på finansloven modtager en bevilling øremærket til statistik. Hertil kommer produktion officielle statistikker som ikke har deres eget punkt på finansloven og statistikker produceret af enheder uden for den egentlige regering (executive branch), f.eks. Nationalbanken  (Federal Reserve).

    Folketællingerne, der som fastlagt i forfatningen afholdes hvert 10 år, spiller en helt grundlæggende rolle i den amerikanske statistik, og har været behandlet i en række tidligere indlæg((14/5-2019, 12/6-2018, 19/9-2917 og 23/5-2017). Næste folketælling afholdes i 2020.

    Lovgivningen etablerer tre vigtige værktøjer til koordinering og kvalitetssikring af den officielle statistik: et embede som chefstatistiker, et fællesråd for planlægningen af den officielle statistik (Interagency Council on Statistical Policy, ICSP) og en ramme for beskyttelse af den statistiske fortrolighed. Chefstatistikeren har det overordnede ansvar for og myndigheden til at koordinere og overvåge den officielle statistik. Hun (Nancy Potok) er formand for ICSP, der herudover som medlemmer har cheferne for de tretten statistiske hovedmyndigheder og  en enkelt repræsentant for de øvrige officielle statistikproducenter.

    I forbindelse med Donald Trumps tiltræden som USA’s præsident blev der fra nogle statistikere og statistikbrugere udtrykt bekymring for, at den nye administration ville svække kvaliteten af den officielle statistik, og måske ligefrem søge at manipulere den (se tidl. indlæg). Den debat kører stadig. Catherine Rampell, kommentator ved The Washington Post, mener at vigtige statistikproducenter som Bureauet for Arbejdsmarkedsstatistik og Det Økonomiske Analysebureau endnu har deres uafhængighed og troværdighed i behold, men at at andre områder, f.eks. miljøstatistikken og fattigdomsstatistikken, er truet.

    Referencer:
    Office of Management and Budget: “Statistical Programs of the United States Government, fiscal year 2018”  (link)
    National Academies of Sciences, Engineering, and Medicine: “Principles and Practices for a Federal Statistical Agency” : Sixth Edition. Washington, DC: The National Academies Press. 2017 (link)
    US Government: “Strengthening Federal Statistics”, Kapitel 18 i Analytical Perspectives, Budget of the US Government Fiscal Year 2020, (link)
    Catherine Rampell: “The Trump Administration’s War on Statistics isn’t Slowing Down”, The Washington Post 23/5-2019 (link)

  • Danske husholdningers gæld

    I internationale opgørelser, f.eks. fra  OECD og EU, præsenteres danske husholdninger som verdens mest forgældede. Det billede er korrekt, men ufuldstændigt, fordi der udelukkende fokuseres på gælden (bruttogæld), uden hensyn til at husholdningerne også har formue. Ser men i stedet på nettogælden — dvs. forskellen mellem formueposterne og gældsposterne — ser billedet anderledes ud, fordi de husholdningerne har betydelige formuer, der modsvarer gælden. Danmarks Statistik har i en analyse søgt at give et mere nuanceret billede af husholdningernes formueforhold. I analysen anvendes familier, og ikke husholdninger, som tællingsenhed, men den forskel påvirker ikke de gundlæggende resultater.

    Analysens hovedkonklusion  er, at danske familiers finansielle stilling  ganske er solid, når man ser på det samlede billede, dvs. inddrager både aktiver og passiver i analysen. Forskellen mellem værdien af aktiverne og passiverne udgør nettoformuen, og her står danske familier som helhed ganske stærkt med en gennemsnitlig nettoformue på næsten 2 mio. kr. En summarisk opgørelse af af familiernes aktiv- og gældsposter er vist nedenfor.

     Danske familiers formue og gæld, 2017 (Gennemsnitlige beløb i 1000 kr.)

    Aktiver     Gæld  
    Ejerboliger 1.194   Prioritetsgæld 685
    Pensionsformue 903   Lån i pensinstitutter 136
    Indstående i pengeinstitut 232   Anden gæld 34
    Værdipapirer 211      
    Andre aktiver 291      
    I alt 2.831   I alt 855
    Nettoformue 1.976      

    Kilde: Danmarks Statistik, www.statistikbanken.dk/FORMUE1

    Som det fremgår af oversigten er det prioritetsgælden — først og fremmest lån med pant i ejerboliger — der dominerer på gældsiden. Men som det også ses, så er værdien af ejerboligerne på aktivsiden langt større end prioritetsgælden. Dertil kommer en betydelig pensionsformue. Det er på den baggrund, at analysen konkluderer, at familiernes økonomiske stilling ikke er helt så dyster, som en fokusering udelukkende på bruttogælden kunne antyde.

    Analysen påpeger dog også, at den store bruttogæld kan være et problem. I en krisesituation kan ejerboligerne falde i værdi og være vanskellige at sælge, men der skal stadigvæk betales renter og afdrag på gælden. Og pensionsformuen kan der ikke trækkes på i en sådan situation.

    Den gennemsnitlige nettoformue op ca. 2 mio. kr dækker over betydelige forskelle familierne imellem.  Den tiendedel af familierne, der har de højeste indkomster har en gennemsnitlig nettoformue på over 7 mio. kr og tiendedelen med de laveste indkomster har en gennemsnitlig formue på 0,2 mio. For familier midt i indkomstfordelingen (medianen) ligger den gennemsnitlige nettoformue omkring 1,3 mio. kr.

    Under 5 pct af alle familier har en nettogæld på 100.000 kr. eller mere, men andelen noget større blandt familierne med de laveste indkomster. Analysen omfatter en lidt dybere redegørelse for denne gruppes arbejdsmarkedstilknytning og familietype (alder og antal børn). Der leveres også nogle overvejelser om den tidsmæssige mobilitet i formue og gæld, f.eks. i hvilket omfang familierne over tiden kommer ud af gammel gæld.

    Referencer:
    Danmarks Statistik:  “Er de danske familier dybt forgældede?”, DSTAnalyse, 11/6-2019 (link) 

  • Den globale indkomstfordeling

    Gini-koefficienten er det mest udbredte (men ikke det eneste) mål for ulighed i indkomstfordelinger (se tidl. indlæg). Oftest angives Gini-koefficienten i procent således at en kvotient på 0 angiver fuldstændig lighed, dvs at alle har samme indkomst, og en kvotient på 100 angiver fulstændig ulighed, dvs. at al indkomst tilfalder en indkomstmodtager. I paksis ligger værdien naturligvis et sted derimellem. I EU-landende ligger koefficienten mellem 23 og 40. Danmark ligger i den lave ende med en Gini-koefficient omkring 28.

    Traditionelt opgøres og sammenlignes Gini-koefficienter for lande, som f.eks i tabel ilc_di12 i Eurostats statistikbank. EU opgør også en Gini-koefficient for EU som helhed — den er omkring 40 — og der forekommer også opgørelser af Gini-koefficienten for verden som helhed. Verdens samlede indkomstulighed kan dels tilskrives forskelle i indkomstniveau mellem rige og fattige lande og dels ulighed indenfor de enkelte lande. Der kan bo meget rige mennesker i meget fattige lande, og fattigdom forekommer også i rige lande. Økonomen Jørgen Modalsli — forskningsleder i det norske statistikbureau — har i en artikel (Modalsli 2017) søgt at opdele  Gini-koefficienten for hele verden i de komponenter, der kan tilskrives indkomstforskelle mellem lande, og de komponenter, der kan tilskrives ulighed inden for de enkelte lande. 

    Modalslis beregninger vedrører året 2005, hvor han opgør Gini-koefficienten for verden som helhed til 69,7. I hans samlede beregninger indgår 188 lande. I tabellen neden for er resultatene aggregeret på syv regioner. Diagonalen i tabellen viser hvor stor en andel (i pct.) af den samlede Gini-koefficent på 69,7, der kan tiskrives indkomstforskelle mellem indkomstmodtagere indenfor hver af de syv regioner. Tallene uden for diagonalen angiver andelen, der kan tilskrives forskelle mellem regionerne indbydes. De indbyrdes forskelle afspejler både forskelle i de regionale Gini-koefficienter, dvs.  graden af ulighed i de enkelte regioner,  og forskelle i gennemsnitsindkomst mellem regionerne. 

    Global Gini-koefficient dekomponeret på regioner (pct. af samlet koefficient1)

      Afrika Latin-amerika2 Nord-amerika Europa Asien, vest Asien, øst Oceanien
    Afrika 0            
    Latinamerika1 1 1          
    Nordamerika 5 3 1        
    Europa 5 3 3 2      
    Asien, vest 2 3 10 11 2    
    Asien, øst 5 4 10 11 10 7  
    Oceanien 0 0 0 0 0 1 0

    Noter: 1Tallene i tabellen summer op til 100   2Inklusiv Caribien

    Som det  fremgår af tabellen, så er det forskellene mellem Nordamerika og Europa på den ene side og Asien på den anden og mellem det vestlige og østlige Asien, der bidrager mest til den samlede ulighed. Også de interne forskelle i det østlige Asien, der både omfatter et stort rigt land som Japan og et stort fattigt land som Kina, bidrager betydeligt. Selv om Afrika og Latinamerika er fattige regioner med en høj grad af ulighed i indkomstfordelingen, indgår de kun med forholdsvis beskedne andele i den samlede verdensulighed. Det skyldes, at de to regioners folketal er lavt i forhold til Asiens.

    Ser man på de detaljerede landeresultater, så er det naturligt nok forskellen mellem verdens største rige økonomi, USA, og verdens største fattige økonomier, Kina og Indien, der dominerer. Ulighederne mellem Kina og USA tegner sig for for 6,0 pct af den globale ulighed, og forskellene mellem USA og Indien for 5,5 pct.  

    Referencer:
    Jørgen Modalsli:     “Decomposing Global Inequality”, Review of Income and Wealth Ser 3 Nr 3 september 2017

Seneste Indlæg

Arkiv

Kategorier

År

Få en e-post , når bloggen opdateres
Tilmeldingen kan nårsomhelst tilbagekaldes