UPPSATSER: Kulturgeografiska institutionen
Högskolans effekt på gymnasieelevers studieresultat
En kvantitativ undersökning om en högskolas effekt på gymnasieelevers betyg i olika socioekonomiska
områdestyper
Maéva Hachem
2
ABSTRACT
Hachem, M. 2017. Högskolans effekt på gymnasieelevers studieresultat – En kvantitativ undersökning om en
högskolas effekt på gymnasieelevers betyg i olika socioekonomiska områdestyper. Kulturgeografiska
institutionen, Uppsatser, Uppsala universitet.
A university has been shown to have a positive effect on society and has led to greater awareness of the social
problems found in our towns today and a willingness to openly discuss and resolve them. Universities have a
social and civic role that improves the social living conditions in the areas surrounding them. A university also
improves the local economy by creating jobs and attracting new businesses which in turn lead to an improved
infrastructure and a subsequent decrease in residence segregation.
Residential segregation is a growing phenomenon in Sweden where students living in disadvantaged areas are less
likely to succeed in school than students living in more advantaged areas, as is often shown by their school results.
The purpose of this study is to analyze a university’s effects on high school student’s grades in different
socioeconomic living areas in Sweden. Is there a correlation between the student’s grades in these areas and the
presence of a university in the region? To analyze these effects, a multilevel regression model in two scales has
been used.
This thesis shows that a direct correlation exists between high school students’ grades and the presence of a
university in the region. A university has a strong improving effect on the grades of students from highly
resourceful areas. The study further illustrates that although a new university will lead to an improvement of the
general standard of education of a region, the introduction of more universities does not result in an increase in the
number of people with a university education.
Keywords: university effects, residential segregation, education, grades, school results
Handledare: Lina Hedman, filosofie doktor i kulturgeografi.
3
INNEHÅLLSFÖRTECKNING
1. INLEDNING 4
1.1 Syfte och frågeställningar 5
1.2 Disposition 6
1.3 Begreppsanvändning 6
2. TEORETISKA UTGÅNGSPUNKTER 6
2.1 Universitetets effekt på samhället 6
2.2 Boendesegregation och utbildning 9
3. METOD OCH DATA 12
3.1 Data 12
3.2 Analys 15
4. RESULTAT 16
4.1 Områdesindelning 16
4.2 Betygsgenomsnitt för olika områdestyper 18
4.3 Högskoleutbildade och en högskolas närvaro 20
4.4 Regressionsanalys 22
5. AVSLUTANDE DISKUSSION 26
KÄLL- OCH LITTERATURFÖRTECKNING 29
4
1. INLEDNING
Högskolestudier är ett allt vanligare val bland ungdomar idag. Statistiska Centralbyrån (SCB)
visar i en undersökning att antalet utfärdade examina på kandidatnivå har fördubblats på tio år
och antalet utfärdade examen på denna nivå är högre än någonsin. Samtidigt är de examinerade
allt yngre (SCB, 2014, ss. 2 – 3). En undersökning från Universitetskanslersämbetet (UKÄ,
2016a) visar att antalet ungdomar som väljer en högskoleutbildning har ökat kraftigt sedan
1980-talet, men återigen minskat under det senaste året. Undersökningen visar vidare att viljan
hos gymnasieelever för eftergymnasiala studier har ökat.
Förutom ett ökande antal studenter och examinerade på grund- och avancerad nivå har
Sverige också sett en stor ökning av antalet universitet och högskolor i de svenska kommunerna
som en följd av forskningspolitikens framväxt. I Sverige finns idag 16 universitet och ett stort
antal högskolor vars uppgift är att utbilda, forska och samverka med det omgivande samhället
(UKÄ, 2016b). Vissa universitet är betydligt äldre, mer prestigefyllda och därmed mer
etablerade än andra. De äldre universiteten har alltid konkurrerat med varandra men för de nya
och yngre universiteten och högskolorna är konkurrensen stark då de konkurrerar med andra
nyetablerade universitet men också med de större universiteten. På grund av den starka
konkurrensen om ansökningarna till studieplatserna, har universiteten och högskolorna, stora
som små, satsat mer och mer på sin marknadsföring. (Larsson & Wood, 2005). Faure (2009)
visar att ett ökat antal universitet och en ökad geografisk utbredning leder till en större tillgång
till den akademiska världen för ungdomar som i andra fall inte hade ansökt till
högskoleutbildning på grund av universitetets eller högskolans läge. En av faktorerna som är
avgörande för valet av högre utbildning är den lokala och regionala arbetsmarknaden
(Skolverket, 2004). Näringslivets har också ett ökat behov av specialutbildad arbetskraft som
högskoleutbildningar genererar (Pierre, 2014).
Med tanke på den ökade andelen högskoleutbildade och de ökade möjligheterna till
högskolestudier i närheten av hemmet, väcks frågan om denna ökade akademiska närvaron har
någon effekt på elevers ambitioner och studieprestationer i gymnasieskolan och på deras
gymnasiebetyg vilka har en avgörande roll om ungdomen kan söka vidare till högskolestudier
eller inte.
Universitet har enligt Fernández-Esquinas & Pinto (2014) en stor utvecklande effekt på
staden. Förutom utbildning, forskning och ett tätt samarbete med kommunen bidrar ett
universitet med högutbildad arbetskraft, ekonomisk utveckling, utveckling av den fysiska
infrastrukturen i staden vilket leder till bland annat ett större samhällsengagemang. Alla dessa
samhällsaspekter påverkar varandra och bidrar tillsammans till utvecklingen av staden och
kommunen, med universitetet som drivkraft. Följderna av utvecklingen blir ett samhälle som är
medvetet om och förmöget att påverka de sociala orättvisor och problem som finns i
kommunen.
Boendesegregation är ett växande fenomen i Sverige och ett ökande antal områden kan
karaktäriseras som socioekonomiskt ”utsatta”. Utbildningsnivån i denna typ av områden med
låg socioekonomisk status är ofta låg och ungdomarna har i genomsnitt lägre betyg och en lägre
ansökningsfrekvens till högskoleutbildningar efter gymnasiet jämfört med ungdomar från
5
välbärgade områden (Skolverket, 2004; Sundlöf, 2008. s. 32). Många forskare är eniga om att
bostadsområdet kan påverka individens val av utbildning och karriär men kan också påverka
en människas attityder och värderingar till exempelvis skolan och högre utbildning (Sundlöf,
2008; Lindvall, 2009; Andersson et al., 2010). Omgivningens betydelse för individens val av
utbildning och karriär har behandlats i flera studier, bland annat av Gregory (2009) som
konstaterat att den typ av område en person bor i kan ha betydelse för huruvida han eller hon
kommer att utbilda sig vidare vid en högskola eller universitet. Bostadsområdet är också
betydelsefullt för hur väl en elev kommer att prestera där skillnader har setts i skolresultaten
beroende på hur välbärgat ett område är. Detta har enligt flera forskare, bland andra Kölegård
Stjärne et al. (2007) en koppling till sociala nätverk där personer av samma sociala härkomst
har en tendens att påverka varandra, till exempel genom att efterlikna varandras värderingar,
handlingar och beteenden. En elev vars sociala nätverk inte lägger mycket vikt på skola och
studieresultat kan själv komma att få liknande värderingar och inställningar till, i detta fall
utbildning.
Närhet till en högskola påverkar alltså enligt Faure (2009) huruvida gymnasieelever söker
vidare till högskoleutbildningar. Samtidigt som det finns tecken på att universitet är positiva för
stadsutvecklingen och förbättrar villkoren för socialt utsatta grupper i staden genom att bidra
med forskning och kunskap, växer boendesegregationen i de svenska städerna. Det finns även
tecken på att universiteten påverkar utbildningsnivån i kommunen men också på områdesnivå
där högutbildade väljer att bosätta sig i anslutning till universitet (Kölegård Stjärne et al., 2007).
Alla dessa faktorer som påverkar boendesegregation, vilka i sin tur påverkar ungdomars
studieresultat väcker frågan om ett universitet eller högskola påverkar gymnasieelevers
studieresultat och därmed chanser att söka vidare till högskolestudier i jämförelse med områden
som inte har samma tillgång till universitet inom samma kommungräns. En del forskning har
gjorts kring universitetens roll i samhället och påverkan på regionen de befinner sig i. Det har
även gjorts en hel del forskning om hur ett område påverkar ungdomarnas studieresultat. Såvitt
författaren är medveten om saknas dock forskning som knyter dessa två forskningsfält, om
vilken effekt ett universitet har på studieresultat i olika områden. Rimligtvis påverkar
gymnasiebetygen sannolikheten att söka vidare till en högskoleutbildning efter gymnasiet där
ett högre betyg ökar elevens chanser att komma in på en högskoleutbildning. Denna uppsats
ämnar därför att studera sambanden mellan gymnasiebetyg och olika områdens sociala karaktär
och förekomsten av ett universitet eller högskola.
1.1 Syfte och frågeställningar
Studien undersöker sambanden mellan en akademisk närvaro i de svenska kommunerna och de
genomsnittliga gymnasiebetygen för olika områden indelade efter deras socioekonomiska
karaktär. Syftet med denna studie är att undersöka en högskolas effekt på den allmänna
utbildningsnivån men också den effekt som högskolan har på gymnasiebetygen på
områdesnivå.
Frågeställningarna lyder:
1. Hur skiljer sig elevers gymnasiebetyg på områdesnivå åt beroende på om det finns en
högskola i kommunen eller inte?
6
2. På vilka sätt påverkar en högskola i kommunen gymnasiebetygen i de olika
områdestyperna?
3. Hur påverkas andelen högutbildade i kommunen av en eller flera högskolors närvaro i
kommunen?
1.2 Disposition
Uppsatsen består av fem kapitel med ett första introducerande kapitel där uppsatsens syfte och
tillhörande frågeställningar presenteras. Därefter följer ett teoretiskt kapitel där de mest
relevanta teorier beskrivs tillsammans med den tidigare forskningen om ämnet. Kapitlet
fungerar som en teoretisk utgångspunkt för uppsatsens analys och är uppdelat i två delar. Första
delen presenterar forskning om universitets påverkan på kommunen och staden som de befinner
sig i medan den andra delen ger en introduktion om forskning som berört boendesegregation
och utbildning.
Vidare följer ett metodavsnitt där tillvägagångsättet för analysen presenteras. Här
presenteras material, förklaras val av analysmetod, vilka variabler som använts till analysen och
varför, men behandlar också viktiga begrepp. Detta metodkapitel följs av ett resultatkapitel där
analyserna presenteras och förklaras tillsammans med tolkning av resultaten. Uppsatsen
avslutas med ett sammanfattande diskussionskapitlet där resultaten kopplas med studiens syfte
och frågeställningar.
1.3 Begreppsanvändning
I uppsatsen används både ordet universitet och ordet högskola. Skillnaden mellan en högskola
och ett universitet är enligt UKÄ (2016b) att universitet har tillstånd att utfärda examen på
forskarnivå. Författare till olika studier som presenteras i kommande kapitlen ser dock en
skillnad mellan de olika begreppen. Därför används de begrepp som författaren till studien själv
använder i de teoretiska delarna av uppsatsen. Med högskola menas, i uppsatsens egna
analysdel och resultatdel både universitet och högskola.
2. TEORETISKA UTGÅNGSPUNKTER
Många forskare har intresserat sig för boendesegregation i kombination med utbildning och hur
de påverkar varandra. I följande kapitel presenteras en del av forskningen som gjorts om
universitetets påverkan på samhället men också om boendesegregation och utbildning samt de
grundläggande teorier kring ämnet som använts som utgångspunkter i studien.
2.1 Universitetets effekt på samhället
Ett universitets etablering i en stad kan påverka stadens utvecklingsgrad. Fernández-Esquinas-
Esquinas och Pinto (2014) har undersökt hur staden och universitetet påverkar varandra på olika
platser. De har fokuserat på städer vars ambitioner är att tillhöra det akademiska samhället med
en hög andel högutbildad arbetskraft och ett centrum för forskning. I studien visas att
lågutvecklade städer som strävar till att konkurrera med mer utvecklade städer har stor nytta av
en tillgång till ett universitets resurser som innebär bland annat forskning och urban utveckling.
7
2.1.1 Universitets effekt på stadsutvecklingen
Enligt Fernández-Esquinas et al. (2014) lyfter många författare problemen med att mäta
universitets inverkan på samhället och platsen som de befinner sig på. Problemen grundar sig i
att flera aspekter måste tas i beaktande beroende på vilken nivå analysen ligger på. Vissa
aspekter är relevanta på lokalnivå men inte på regional- och globalnivå samtidigt som huruvida
universitetet påverkar på lokal-, regional- eller globalnivå har tydliga samband med hur
framgångsrikt universitet är. Ju mer framgångsrikt universitetet är, desto mer globalorienterat
och mindre lokalorienterat är det. Det som efterfrågas på lokalnivå är dock inte besvarat av
forskningen som riktar sig på en global nivå och de forskningsresultaten är svåra att tillämpa
på lokalnivå. Därför syns inte heller alltid universitetets delaktighet i stadens
utvecklingsprocess som kan vara tätt kopplad till universitetet (Fernández-Esquinas et al., 2014,
s.1468). Problemen i att mäta universitetens effekter på olika nivåer kan vara en förklaring till
varför det är svårt att hitta forskning om ett universitets effekt på utsatta områden.
Universitetets roll är större än att fungera som en utbildnings- och forskningsenhet utan
bidrar med utvecklingen av, som Fernández-Esquinas et al. (2014, s.1479) tar upp, fyra viktiga
samhällsfunktioner: fysisk infrastruktur, ekonomisk utveckling, arbetskraft och
samhällsengagemang som i sin tur samverkar och påverkar varandra. Ju större andel
högutbildade, desto bättre kunskap finns i staden. Detta leder i sin tur till bättre infrastruktur
som har en stark koppling till den kommunala ekonomiska förutsättningen men kunskapen
skapar också bättre lösningar för sociala orättvisor, ett större ansvar från samhället för att lösa
sociala orättvisor och ett mer jämlikt samhälle. Törnqvist (2009, s. 108) tillägger att forskningen
idag är ofta ett samarbete med företag vars modeller utvecklas och effektiviseras av den
akademiska världen. Den högutbildade arbetskraften lockar företag att etablera sig i
kommunen, vilket leder till fler arbetstillfällen, en förbättrad infrastruktur och ekonomisk
utveckling i kommunen (Fernández-Esquinas et al. 2014, ss. 1460 – 1470).
Universitet och städer har ofta ett samarbete där universitetet påverka stadsutvecklingen
genom att bidra med kompetent arbetskraft som staden i andra fall inte hade lyckats få fram
utan universitet. Pierre (2014, s. 189) påpekar att kommunens nära samarbete med en högskola
är självklar eftersom en högskola direkt och indirekt erbjuder nya arbetstillfällen och därmed
en naturlig utveckling av kommunen. Universitetets forskning och antal examinerade påverkar
på ett positivt sätt den urbana utvecklingen, dels genom att påverka stadens sociala struktur (det
vill säga att man genom forskning och kunskap främjar social rättvisa), dels den urbana
utvecklingen och företagandet i staden. Universitet har också en betydelse för hur staden
utformas spatialt och socialt, men kan också ha en inverkan på det ekonomiska och politiska
styret (Fernández-Esquinas et al., 2014, s. 1463). Massey et al. (1992) och Fernández-Esquinas
et al. (2014) är eniga om att universitet och Science Parks för med sig, med utbildning och
forskning, en stor drivkraft i stadens ekonomi. Särskilt de äldre universiteten som är direkt
kopplade till staden och regionen de befinner sig i där hela regionen blir en stark symbol för
forskning och expertis. Universitet som Uppsala, Oxford eller Cambridge påverkar starkt
regionens marknadsföring vilket i sin tur främjar regionutvecklingen (Power & Malmberg,
2008, s. 242). Universitet har också en direkt inverkan på sociala problem i deras absoluta
omgivning såsom exempelvis bostadssegregation, social exkludering eller utbildning hos
socialt utsatta grupper. De bidrar även med aktiviteter som främjar medborgarna till kollektivt
8
handlande (Fernández-Esquinas et al., 2014). Watson (2007 se också Fernández-Esquinas et
al. 2014, s.1466;) anser att universiteten borde bidra med mer för att förbättra de sociala
förhållandena i staden som de befinner sig i och att begreppet social commitment borde vara
universitetens grundpelare. Med social commitment menas universitetens engagemang i att
bekämpa social utsatthet och exkludering men ska också driva viktiga frågor rörande hälsa och
utbildning i utsatta områden (Goddard, 2009, s.9).
Sedan 1990-talet har det blivit aktuellt att universiteten kopplas samman med den lokala
befolkningen genom ett större politiskt samarbete som i sin tur påverkar stadens sociala
hållbarhet. Detta speciellt hos mer prestigefyllda universitet som exempelvis Harvard som
marknadsför sig och staden i ett. Resultatet av den starka marknadsföringen och samarbetet
mellan stad och universitet är en större kunskap och ett större engagemang hos medborgarna
(Fernández-Esquinas et al. 2014, s.1466). Fernández-Esquinas et al. (2014, s. 1475) menar att
ett samhälle som har en högre andel högutbildade människor också har bättre kognitiv förmåga
att förstå och lösa sociala problem. Fernández-Esquinas et al. (2014) menar vidare att
medborgarna har ett större politiskt engagemang vilket återspeglas i kommunalpolitiken som i
sin tur är mer lyhörda och kan föra en mer öppen dialog om sociala problem som finns i staden
jämfört med politiker som inte är högutbildade i samma grad. Genom att större engagemang
hos medborgarna och ett aktivt och medvetet samhälle som universitetet är med att skapa borde
rimligtvis även denna inställning speglas på skolprestationerna i de olika mer eller mindre
socialt utsatta områdena i staden. Dock finns ingen forskning som kan stödja detta påstående.
2.1.2 Universitetets effekt på infrastrukturen
Ett universitet kan enligt Fernández-Esquinas et al. (2014, s. 1471) ha en positiv inverkan på
stadens fysiska infrastruktur och främjar en god stadsutveckling i de områdena som
universitetet etablerar sig på.
Genom att lokalisera universitetets olika campus på strategiska platser har man på vissa
ställen lyckats förbättra livskvalitén i området och bidragit till ett mer blandat boende. I vissa
fall etableras campus i områden med hög social status, men i andra fall har de etablerats i
problemområden och områden med låg social status vilket har förändrat den sociala dynamiken
i området. I vissa fall har campus även använts som korridorer som ska minska segregationen i
staden och jämnar ut sociala ojämnheter mellan två områden (Fernández-Esquinas, et al., 2014,
s.1472). Massey, Quintas & Wield (1992, s.115 – 168) talar om science parks påverkan på
sociala klasser. De håller dock inte med Fernàndez et al. (2014) utan menar att en akademisk
närvaro snarare ökar de sociala skillnaderna genom att utse en teknisk elit i samhället vilket
leder till större separatism mellan de sociala klasserna.
Eftersom universitetet har en direkt effekt på samhället skulle det vara intressant att veta
hur denna effekt speglar sig på ungdomars skolprestationer. Dock finns ingen forskning om
elevers studieresultat på liknande sätt förändras beroende på var skolan befinner sig, i
förhållande till ett universitet.
2.1.3 Universitet och lokal utbildningsnivå
Individers val att fortbilda sig efter gymnasiet är inte endast beroende av sociala faktorer utan
är också relaterade till spatiala faktorer och närhet till högre utbildning. Att fler människor
9
väljer att utbilda sig vidare efter gymnasiet är enligt Faure (2009, s. s.93 – 108) kopplat till den
spatiala närheten till universitet och högskolor. Exempelvis har antalet franska universitet
fördubblats och fördelats över både mellanstora och stora franska städer de senaste 50 åren.
Ökningen av antalet universitet och deras strategiska placering har lett till en stor ökning av
antalet individer som väljer en eftergymnasial utbildning (Faure, 2009, s.93 – 108). Närheten
till högre utbildning lockar även den sociala grupp som med hög sannolikhet inte hade sökt sig
vidare efter gymnasiet om universitetet inte fanns placerat i närheten av hemmet. Den spatiala
tillgången till universitet leder därför till en minskad social ojämlikhet. Däremot påpekar Faure
(2009) att utbildningssegregationen finns kvar där personer från högre sociala grupper väljer
att utbilda sig i de prestigefyllda universiteten med naturvetenskapliga inriktningar medan
grupper av låg social status väljer humanistiska inriktningar i nyare och mindre prestigefyllda
universitet. Convert (2003, ss.68 – 70) bekräftar att de nya universiteten som är placerade på
strategiska platser så att de kan nå hela befolkningen i mellanstora städer har lett att fler
gymnasieelever, inklusive ungdomar från socialt utsatta områden söker sig vidare till en
högskoleutbildning i högre utsträckning. Valet av universitet och högskola blir som ett så kallat
desperadoval där känslan finns att man inte har något att förlora eftersom möjligheten finns att
studera nära hemmet. Valet att studera vidare nära hemmet lockar främst kvinnor och personer
från socialt utsatta områden, särskilt de elever som fått mediokra skolresultat under gymnasiet
(Convert, 2003, ss. 68 – 70). Pierre (2014) menar att valet av universitet varierar beroende på
landet ungdomen bor i. Hos svenska ungdomar är valet av utbildningsort varierat men närheten
till universiteten kan vara ett sätt att sänka kostnaderna för studierna.
2.2 Boendesegregation och utbildning
Med boendesegregation menas att åtskillnaden sker efter boende där en grupp människor bor
åtskilda från andra grupper. Kategoriseringen av grupper brukar grunda sig på etnicitet,
socioekonomisk status eller demografi (Andersson et al. 2015, s.8). Boendesegregation har varit
ett växande fenomen de senaste trettio åren samtidigt som en hög migration och
flyktinginvandring tagit fart de senaste årtionden med en ökning av utomeuropeiskt födda
invånare från 4 procent 1960 till 13,8 procent 2008 (Andersson et al. 2010; Hedman &
Andersson, 2015, s.15). Sundlöf (2008, s. 38) menar att ökningen av boendesegregation kan
förklaras av bland annat polariseringsteorin. Polariseringsteorin går ut på att de rika
samhällsgrupperna blir rikare och de fattiga fattigare till följd av den ekonomiska
strukturförändringen som blir alltmer inriktad mot en serviceekonomi (Sundlöf, 2008, s.39).
Denna typ av ekonomi kräver en alltmer utbildad arbetskraft. Den ökade efterfrågan för utbildad
arbetskraft ledde enligt Sassen (1991, se Sundlöf 2008, s.39) till en tillväxt av välbetalda arbeten
och lågbetalda arbeten medan medelklassarbeten minskade. Sassen (1991) tror att det är det
fenomenet som lade grunden till polariseringen. Vidare anser hon att polariseringen i
inkomstfördelningen och yrkesförändringen har lett till en starkare boendesegregation där
människor blir fast till vissa bostadsområden på grund av deras inkomst.
Antalet högutbildade är färre i utsatta områden jämfört med andra områden med högre
socioekonomisk status samtidigt som att studieresultaten är sämre i utsatta områden. Burgess
et al (2005 se Gregory 2009 s. 674) bekräftar att barn från utsatta områden har en mer
problematisk skolgång, detta även på universitetsnivå utanför deras hemstäder, än individer från
10
mer resursstarka områden. Skolverket (2004, ss. 64 – 70) argumenterar vidare att barn och
ungdomar födda utomlands, men även svenskfödda ungdomar med utländsk bakgrund, har
lägre betyg än ungdomar med svensk bakgrund. Detta gäller både grundskolebetygen och
gymnasiebetygen. Skolverket (2004, ss. 64 – 70) påpekar att skillnaderna mellan
gymnasiebetygen ökar i gymnasiet eftersom de elever som har låga resultat i grundskolan får
sämre resultat i den relativa betygspositionen i gymnasiet. Gymnasiebetygen var också färre för
ungdomar med utländsk bakgrund eller med föräldrar av utländsk bakgrund jämfört
gymnasiebetygen hos svenskfödda med svensk bakgrund. De låga gymnasiebetygen påverkar i
sin tur deras möjligheter att söka till högskoleutbildning (Skolverket, 2004, ss. 64 – 70).
2.2.1 Boendesegregation och studieresultat
Människors levnadssätt, normer, värderingar och beteenden formas i deras närmaste omgivning
vilket leder till så kallade grannskapseffekter. Manski (1993, se Sundlöf 2008, s. 44) skiljer på
tre typer av mekanismer för hur grannskapseffekter överförs: endogena, exogena och
korrelerade. En endogen effekt går ut på att en människa i ett bostadsområde påverkar en annan
människas attityder, värderingar och beteende i samma bostadsområde. En exogen effekt är
effekten en människa har på en annan människa utan att han eller hon kan påverka den. Ett
exempel på en sådan effekt är hur en persons hudfärg eller kulturmönster påverkar en annan
persons handlingar. I en exogen effekt anpassas beteendet efter trygghetskänslan. Personer
känner sig mer eller mindre trygga bland personer som är likasinnade (Sundlöf 2008, s.49). En
korrelerad effekt beror på områdets förutsättningar som gynnar eller missgynnar det. Här
handlar det bland annat om områdets geografiska läge, om det är långt ifrån arbetsplatser
(spatial mismatch), hur god tillgången till samhällsfaciliteter som sjukhus och skolor är; men
också allmänna kommunikationer och stigmatiseringen i ett område vars rykte kan försämra
den boendes möjlighet till exempelvis arbete eller ny bostad (Sundlöf 2008, s. 50).
Många forskare tar stöd av Manskis (1993) teori om endogena effekter av
bostadssegregation på ungdomars studieresultat. Sundlöf (2008) kommer fram till i sin studie
som behandlar bostadsområden och grannskapseffektens påverkan på individens utbildnings-
och karriärval senare i livet, att boende i resurssvaga områden har en negativ effekt på
individens utbildningsval och att individens utbildningsnivå är starkt kopplat till individens
sociala näromgivning. Bergsten (2010) bekräftar att bostadsområdet är en avgörande faktor där
individen har större sannolikhet att gå vidare efter gymnasiet om hen kommer från ett
välfungerande område. Lindvall (2009, s. 20 – 25) argumenterar vidare att nyexaminerade
gymnasieelevers tendenser att söka vidare till högskole- eller universitetsutbildning skiljer sig
åt mellan bostadsområdena beroende på vilken grupp det handlar om. Han kommer fram till att
en individ med svensk bakgrund bosatt i ett område med hög andel personer med annan etnisk
bakgrund än svensk ansöker i högre utsträckning till högskoleutbildning. Även ungdomar med
annan etnisk bakgrund tenderar att ansöka till högskolestudier i högre grad ju högre andel
personer med utländsk bakgrund som finns i bostadsområdet. Han finner också att
ansökningsfrekvenserna till högskolestudier är lägre ju lägre andelen högutbildade är i
bostadsområdet. Kölegård Stjärne et al. (2007, s. 157) tror därför att om få personer i en
människas näromgivning har arbete eller utbildning, blir också antalet positiva förebilder färre.
Detta bekräftas av Lindvall (2009, s. 5) som menar att ett bostadsområde formar en viss
11
inställning och särskilda normer och värderingar som skapas av förebilderna i bostadsområdet.
Han menar vidare att antalet förebilder i ett bostadsområde kommer att ha en inverkan på hur
ungdomarna värderar skola och utbildning och vilka målsättningar de har i framtiden. I ett
område med färre förebilder är det mindre troligt att ungdomarna förstår vikten med utbildning
och hur skolan och studieresultat ligger till grunden för framtida inkomster.
Kölegård Stjärne et al. (2007, ss.156 - 170) trycker även på vikten av sociala nätverk som
påverkar en persons utgångsläge på marknaden. En arbetslös person missgynnas av att vara
omgiven av andra personer med samma arbetsstatus eftersom de sociala nätverken är då svagare
än i resursstarka områden där de flesta har ett arbete. En individ som står inför ett utbildningsval
kommer att basera sina val inte bara utifrån sina egna preferenser men kommer också bli direkt
påverkad av sin närmaste omgivning, sin referensgrupp. Ungas sociala nätverk har också en
stor effekt på deras framtidsambitioner eftersom de påverkar varandra genom varandras
erfarenheter. Om deras föräldrar är arbetslösa och saknar utbildning, förs den inställningen
vidare till barnen. Om flera barn vars föräldrar delar en mindre gynnsam socioekonomisk
situation interagerar och blir del av varandras sociala nätverk, blir effekterna på
framtidsambitionerna negativa (Kölegård Stjärne et al., 2007, ss. 156 – 170). Denna negativa
effekt speglas på ungdomarnas studieresultat (Lundqvist, 2010, s.28).
En annan anledning till lägre studieresultat i socialt missgynnade områden kan istället bero
på en korrelerad effekt som Manski (1993) behandlar. I detta fall kan, enligt Kölegård Stjärne
et al. (2007, ss. 151 – 171) en låg kunskap om det svenska utbildningssystemet1 och möjliga
karriärvägar leda till sämre prestationsambitioner och lägre studieresultat. En annan orsak kan
vara skolornas lokalisering där valet av skolor kan vara begränsat i bostadsområdets närområde
och därmed påverka studieresultaten.
2.2.2 En förändrad arbetsmarknad
Dagens utbildningskrav på arbetsmarknaden ser enligt Lundqvist (2010, s. 151) annorlunda ut
än för föregående generation och gapen mellan två generationer kan vara mycket stora. Enligt
henne innebär det att individerna själva måste planera sina karriärvägar där en bred allmän
utbildning är att föredra. Även utbildningsmöjligheterna ser annorlunda ut idag. De är både
större och bredare.
Trots en ökad individualisering i valet av utbildning och karriär är de individuella valen
påverkade av individens socioekonomiska situation, etnisk bakgrund och kön vilka utgör ett
sämre utgångsläge än andra individer med svensk bakgrund. Lundqvist (2010, s.50 – 60) menar
vidare att ungdomar från socialt utsatta områden blir osäkra inför valet av utbildning eftersom
det finns tecken på en svår etablering på arbetsmarknaden för personer med utländsk bakgrund
och därför ökar riskerna för att de investeringar de gjort på sina utbildningar går till spillo. Om
man ser till gymnasieelever är ambitionerna om fortsatta studier hos ungdomar med annan
etnisk bakgrund höga för de flesta. En anledning till att dessa ambitioner inte speglar realiteten
kan enligt skolverket (2004) bero på att betygen inte räcker till. Däremot har skolverket (2004)
kommit fram till i sina undersökningar att elevernas socioekonomiska bakgrund är mer
1 Enligt svenska Kungörelse 2 kap 18 § har alla barn skolplikt. Alla barn ska ha samma tillgång till gratis utbildning
oavsett kön, etnicitet, adress eller socioekonomisk situation. Detta gäller även för statlig eftergymnasial utbildning
som också är gratis. Detta innebär att föräldrar inte behöver lägga ner några resurser för sina barns utbildning, för
varken skolmaterial eller skolmat, till skillnad från andra länder (Brännström 2008, s. 466)
12
avgörande än den etniska bakgrunden, därför kan sociala skillnader som är nära kopplade till
boendesegregation förklara de låga skolresultaten. De ungdomar från en lägre socioekonomisk
grupp som väljer att utbilda sig vidare efter gymnasiet väljer mindre prestigefyllda universitet
och högskolor än studenter tillhörande medelklassen (Reay et al. 2005:162).
2.2.3 Sammanfattning
Sammanfattningsvis kan boendesegregation påverka ett barns prestationer och skolresultat
(Sundlöf, 2008; Lindvall, 2009; Bergsten 2010). Detta kan dels vara en effekt av Manskis
(1993) teorier om grannskapseffekter där beteendet på de personer som ingår i en ungdoms
nätverk speglar sig på ungdomens värderingar om skolan och därmed på skolbetygen. Även
ambitionsnivån kan påverka gymnasiebetygen. De lägre betygen kan även bero på att det låga
antalet förebilder som enligt Lindvall (2009) har effekt på gymnasieelevers ambitioner att söka
vidare till högskoleutbildning. Likaså kan arbetsmarknaden ha en liknande effekt på
gymnasieelevers ambitioner vilket också kan vara en anledning till de lägre betygen (Lundqvist,
2010, s. 30 – 35).
3. METOD OCH DATA
I detta avsnitt redogörs tillvägagångsättet från uppsamling av data, bearbetning och analys av
datamaterialet samt beskrivning av metoderna som använts för att mäta datamaterialet där
förklaringar finns om varför just denna metod använts. Analysen görs på områdesnivå med hjälp
data som mäts i SAMS-områdena i Sveriges kommuner år 2014 och på kommunnivå med data från
Sveriges kommuner år 2014.
3.1 Data
De data som använts till analysen är datauppgifter från Institutet för bostads- och
urbanforsknings (IBF), Uppsala Universitet, databas GeoSweden, som ursprungligen hämtats
från Statistiska Centralbyråns olika register. Datamaterialet innefattar detaljerad demografisk,
socio-ekonomisk och geografisk information och täcker hela Sveriges befolkning mellan åren
1990 – 2014. De data som använts i uppsatsens analys är från 2014. Individdatat i GeoSweden
har aggregerats till områdes- och kommunnivå2. Samtliga variabler kommer från ovannämnda
databas, inklusive data för SAMS-områdena.
3.1.1 SAMS-områden
För att kunna utföra en analys på områdesnivå användes Statistiska centralbyråns
områdesindelning SAMS (Small Area Market Statistics). De så kallade SAMS-områdena är en
geografisk indelning av svenska kommunerna i delområden. Den ursprungliga tanken med
SAMS-områdena var att de skulle utvecklas av SCB till företag i försäljningssyfte. Idag
används områdesindelningen flitigt inom forskningen om bland annat sociala skillnader,
grannskapseffekter och segregation (Sundlöf 2008, s.67; Amcoff, 2012, s. 93). Kommunerna
har själva delat in sina kommuner i homogena delområden som sedan används av SCB som tar
fram befolkningsdata för de olika områdena (Sundlöf 2008, s.67). Kommunerna använder
2 Detta på grund av sekretess och regler kring användning.
13
denna indelning som verktyg för planering av exempelvis barnomsorg eller
infrastrukturplanering på olika sätt.
Ett problem som finns med användningen av SAMS-områdesindelningen för att jämföra
bostadsområden med varandra är att befolkningen kan ha andra uppfattningar och mentala
kartor om hur deras bostadsområde ser ut och vilka gränser det har. Det finns andra metoder
som använts av forskare för att avgränsa bostadsområden, exempelvis genom att rita ett område
som en individ uppfattar som sitt område runt varje individ och genom den rumsliga
utformningen kan man dela in invånarna i bostadsområden som är nära deras egen adress
(Sundlöf, 2009, ss. 67 – 68). Denna metod lämpar sig dock inte för denna studie eftersom
studien ser till hela Sverige och en sådan indelning skulle vara orimligt tidskrävande.
Undersökningsområdet utgörs av totalt 8128 av de sammanlagda 9400 SAMS-områdena
fördelade på Sveriges alla 290 kommuner. Alla områden med mer än 100 invånare är med i
studien. Anledningen till att inte alla områden finns med i datamaterialet är för att bevara
anonymiteten. SAMS-områdena skiljer sig storleksmässigt från varandra eftersom
kommunerna själva har delat in områdena (Amcoff 2012, s.104). Stockholms kommun är
exempelvis uppdelad i 180 SAMS-områden medan Göteborgs kommun är indelad i 703 olika
områden.
3.1.2 Beskrivning av variabler
Härnäst presenteras de variabler som utgör datamaterialet och som legat till grund för samtliga
analyser i studien. Samma variabler finns på områdes- och kommunnivå. Anledningen till att
samma variabler finns på kommun- och områdesnivå är att de kan mätas mot varandra och
användas i en regressionsanalys för att se om det finns samband mellan variablerna och hur de
påverkar varandra i båda nivåer. Alla kalkyler och statistiska analyser har gjorts med hjälp av
statistikprogrammet SPSS.
Variabler för kartläggning av boendesegregation
Kategoriseringen av områdestyper utgår från variablerna som rör medborgarnas födelseland,
andel ej sysselsatta samt disponibel medelinkomst. Födelseland delas in i fyra grupper:
svenskfödd, Väst, Öst och Icke väst. Till gruppen ”Öst” hör Östeuropa och Ryssland. I Gruppen
”icke väst” ingår länderna i Afrika, Asien eller Latinamerika. Till analysen skapades variabeln
andel utlandsfödda där antalet med födelseland från grupperna ”Öst” och ”icke väst” räknades
till variabeln andel utlandsfödda3.
Disponibel medelinkomst är en variabel som mäter en individs inkomst efter skatt och
transfereringar. I denna variabel ingår alltså också sociala bidrag (SCB 2009, s.274). Den
disponibla medelinkomsten utgörs av områdets medelvärde. Endast personer i arbetsför ålder
(20 – 64) har inkluderats i beräkningen.
Antal sysselsatta är en variabel som mäts i november månad, i detta fall november 2014, där
varje individ som finns med i skatteregistret som aktiv eller som förvärvsarbetande räknas som
sysselsatt (SCB 2009, s. 74). Utifrån den variabeln skapades variabeln andel ej sysselsatta som
3 Anledningen till att grupperna Öst och Ickeväst använts till att beräkna andelen utlandsfödda för att fastställa
boendesegregationen är på grund av att det är dessa två grupper har varit de största migrationsgrupperna i Europa
sedan 1980-talet (Hedman & Andersson, 2015).
14
är andelen individer som under november månad 2014 inte var sysselsatta enligt skatteregistret.
Även här inkluderas endast personer i arbetsför ålder.
Det finns givetvis flera variabler som kan användas för att kartlägga segregation, som
exempelvis bostadsform, utbildningsnivå med flera. För analysen ansågs det räcka med de
ovannämnda tre variabler för att avgöra områdets socioekonomiska status eftersom
socioekonomisk status bestäms av ekonomiska tillgångar som påverkas av sysselsättningen och
boendesegregation är kopplad till invandrartäthet (Hedman & Andersson, 2015).
Med hjälp av en klusteranalys skapades variabeln områdestyp som utgår från medelvärden
för socioekonomiska förutsättningar för varje område. Variabeln är indelad i fyra olika
områdestyper. Dessa representeras i form av dummyvariabler4 för varje områdestyp.
Variabler för att mäta utbildningsnivå
Variabeln andel högskoleutbildning är andelen individer som har fullgjort en kandidatexamen,
alltså tre års universitets- eller högskolestudier. Det hade varit intressant att se om andelen
högutbildade i utsatta områden skiljer sig åt beroende på om det finns en högskola i kommunen
eller inte. En högre eftergymnasialutbildning innebär bättre arbetsmöjligheter och därmed
högre socioekonomisk status. Tyvärr är det stor risk att eventuella skillnader beror på
omflyttning och inte på var människor växte upp. Som Sundlöf (2008) nämner att personer med
låg social status tenderar att bosätta sig i områden med människor av likvärdig socioekonomisk
situation. Personer med hög utbildningsnivå bor därför nödvändigtvis inte kvar i områden med
lägre socioekonomisk status och områden med hög arbetslöshet trots att de är uppväxta i dessa
utsatta områden. De kommer sannolikt att söka sig till områden som motsvarar deras sociala
tillhörighet. Att använda variabeln andel högutbildade som en jämförande variabel mellan olika
områden skulle därför missvisa det rätta antalet högutbildade som kommer från ett visst område.
En annan orsak till att användandet av variabeln andel högutbildade på områdesnivå inte
är nödvändigtvis representativ är på grund av att ungdomar och unga vuxna som läser på
högskola eller universitet inte heller nödvändigtvis bor kvar i familjehemmet utan snarare
bosätter sig i anslutning till campus eller i studentbostäder. Studentbostadsområden kan därför
få en mycket hög andel högskolestudenter men de boende är endast bosatta där under en kortare
period. Att endast se till andelen högutbildade i olika områden kan därför vara missvisande.
Variabeln andel högutbildade jämförs istället på kommunnivå, och på SAMS-nivå i jämförelse
med kommunnivå.
För att jämföra utbildningsnivån mellan SAMS-områdena används istället variabeln
gymnasiebetyg som är de sammansatta betygen för gymnasieelever i årskurs 3 i
hundratalspoäng år 2014. Gymnasiebetyg används eftersom ungdomar i gymnasiet är för det
mesta under 18 år och är sannerligen bosatta hos föräldrarna. Personer från utsatta områden har,
som grundligt beskrivits i kapitel 2.2, sämre förutsättningar att lyckats lika bra i skolan som
personer från områden med högre socioekonomisk status. Gymnasiebetygen borde därför
spegla områdets socioekonomiska status. Gymnasiebetyget är också till stor betydelse för en
persons förutsättningar att komma in på en högskola eller ett universitet efter gymnasiet. Genom
4 En dummyvariabel är en binär kategorisk variabel på intervallskala som används vid regressionsanalyser.
Variabeln kan delas in i två värden, 0 och 1 där analysenheten får värdet 1 om den tillhör en kategori som man är
intresserad av; och tilldelas värdet 0 om den inte gör det (Upton & Cook, 2014).
15
att använda variabeln gymnasiebetyg kan områdena jämföras på ett mer representativt sätt
eftersom man då kan jämföra studieresultaten mellan socialt utsatta områden och övriga
områden men kan också mäta det mot samma variabel på kommunnivå.
Övriga variabler
Variabeln Folkmängd har använts som bas för andelsuträkningarna på övriga variabler: andel
utlandsfödda, andel sysselsatta och andel högutbildade. Vidare har befolkningen delats in i
olika ålderskategorier: Ålder 0 – 19, Ålder 20 – 24, Ålder 25 – 29, Ålder 30 – 64 och Ålder
65+. De olika ålderskategorierna valdes för att dela in folkmängden i undersökningsbara
åldersspann som motsvarar antalet unga som är i en utbildningsålder och antalet vuxna som är
i en arbetsålder samt antalet pensionärer.
Variablerna Högskola i kommun och Antal högskolor är variabler som indikerar om det
finns en högskola, ett universitet eller campus i kommunen eller inte, men också antalet
högskolor, universitet eller campus i kommunen om sådana finns. Anledningen till att antalet
högskolor är en enskild variabel är för att mäta ifall antalet valmöjligheter inom en kommun
påverkar antalet högskoleutbildade på områdesnivå. Variabeln Högskola i kommun är en så
kallad dummyvariabel där 1 representerar en högskola och 0 betyder att ingen högskola finns.
Data för dessa variabler utgår ifrån en lista över Sveriges universitet, högskolor och campus
som finns tillgänglig på Universitetskanslersämbetet (2016b). Listan ställdes mot en lista över
Sveriges kommunkoder som sammanställts av SCB (2016). Resultatet av sammanföringen
utgör datamaterialet i variablerna om antalet högskolor i varje kommun och dummyvariabeln
som indikerar om det finns en högskola i kommunen eller inte.
3.2 Analys
I följande kapitel presenteras de olika analysmetoderna som använts för att besvara syftet med
uppsatsen och dennes frågeställningar som ställdes i kapitel 1.
3.2.1 Klusteranalys
För att svara på frågeställningarna som ställdes i kapitel 1, gjordes först en klusteranalys där
variablerna inkomst, andel icke sysselsatta och andelen utlandsfödda användes som
grundvariabler för att särskilja olika områdestyper. En klusteranalys är en analysmetod där data
från olika variabler jämförs med varandra och grupperas till den grupp av data de närmast
tillhör, vilket bildar olika kluster som grupperar data med liknande egenskaper (Upton & Cook,
2014).
Klusteranalysen är nödvändig för att bestämma fördelningen av SAMS-områdena i olika
grupper baserade på de socioekonomiska variablerna. Antalet kluster bestämdes utifrån det
klusterantalet som datamaterialet fördelades bäst på. Antalet kluster som skapades av
datamängden är baserat på dataförutsättningarna.
3.2.2 Regressionsanalys
En regressionsanalys är en analysmetod vars syfte är att visa samband mellan en beroende
variabel och en eller flera oberoende variabler (Upton & Cook, 2014). För att besvara
uppsatsens syfte och frågeställningar om vilka samband som finns mellan betygen och en
16
högskolas närvaro är därför en regressionsanalys en lämplig metod för ändamålet. I analysen
användes en flerstegs multivariat regressionsanalys där den beroende variabeln ställdes mot
flera oberoende variabler. Oberoende variabler är de variabler som kan komma att påverka den
beroende variabeln (Upton & Cook, 2014).
I regressionsanalysen agerade variabeln gymnasiebetyg på områdesnivå som beroende
variabel eftersom det är gymnasiebetygen som är den centrala undersökningsvariabeln i studien.
Alla variabler som kan tänkas påverka gymnasiebetygen är de oberoende variablerna. Dessa
variabler är klusterindelningen och högskolenärvaron i kommunen.
I första fallet gjordes först en regressionsanalys med dummyvariabler, detta för att se om
det finns samband mellan gymnasiebetygen och områdets socioekonomiska indelning som
bestämdes av klusteranalysen. Genom att skapa dummyvariabler för varje kluster kan man mäta
samband mellan områdets egenskaper och gymnasiebetygen. Tre av de fyra dummyvariablerna
användes sedan i regressionsanalysen och den fjärde dummyvariabeln fungerade som en
referensgrupp som jämfördes med de andra grupperna. I detta fall var dummyvariablerna för
kluster 1, utsatt område, kluster 2, något utsatt område, och 3, medelresursstarka områden
oberoende variabler i analysen och kluster 4, resursstarka områden var referensgrupp.
Därefter skapades fyra interaktionsvariabler som användes i den andra
regressionsanalysen. En interaktionseffekt är när en variabels effekt varierar mellan olika
grupper. I detta fall finns en misstanke om att områdesindelningens potentiella samband med
gymnasiebetygen påverkas av en högskolenärvaro i kommunen. Interaktionsvariablerna
skapades genom att multiplicera antalet högskolor med dummyvariabeln för varje kluster.
4. RESULTAT
I kommande kapitel redovisas resultaten från de olika kalkylerna som gjorts för att besvara
syftet och frågeställningarna som ställdes i kapitel 1. Resultaten inleds av ett delkapitel med
beskrivande statistik över de variabler som använts. Därefter följer redovisningen av
klusteranalysen, jämförandeanalysen över medelvärden och resultaten av
regressionsanalyserna.
4.1 Områdesindelning
Klusteranalysen genomfördes i statistikprogrammet SPSS för att hitta och gruppera de SAMS-
områdena vars värden liknar varandra och skapa kluster utifrån dessa grupperingar (Sundlöf
2008, s.92), detta för att mäta graden av boendesegregation och kunna skilja mellan de olika
områdestyperna. Klusteranalysen är grunden till övriga analyser som gjorts, bland annat
regressionsanalyserna.
4.1.1 Deskriptiv statistik
För att skapa sociogeografiska typområden har tre variabler på SAMS-nivå legat till grund i
analysen: disponibel medelinkomst, andel icke sysselsatta och andel utlandsfödda. På detta sätt
kan man på ett säkert sätt särskilja olika områdestyper. Målet är att få kluster, som Sundlöf
(2008, s.92) beskriver det, som är internt homogena och externa heterogen.
Tabell 1 visar deskriptiv statistik över de variabler som använts i klusteranalysen.
17
Variabel N Medelvärde Standardavvikelse Min Max
Andel utlandsfödda 8127 0,09 0,10 0 0,82
Andel ej sysselsatta 8127 0,15 0,12 0 1
Medelinkomst
disponibel
(i kronor)
8127 25 487,5 654 802,3 129 774
Tabell 1: Deskriptiv statistik över variablerna som använts vid klusteranalysen.
I ovanstående tabell redovisas antalet observationer i populationen (N), medelvärdet,
standardavvikelse, det vill säga hur mycket de olika värdena avviker från medelvärdet (Upton
& Cook, 2014), och extremvärden (minimum och maximum) för de olika variablerna som
använts till klusteranalysen.
4.1.2 Fyra socioekonomiska områdestyper
När variablerna ställdes mot varandra i klusteranalysen kunde man dela in värdena i fyra kluster
som fick kategorierna ett till fyra: 1: utsatt område, 2: Något resurssvagt område, 3:
medelresursstarkt område och 4: Resursstarkt område.
Klustren redovisas i tabell 2 som visar den procentuella fördelningen av variablerna för
andelen sysselsatta, andel utlandsfödda och medelinkomst disponibel för varje kluster. Den
sistnämnda variabeln är en genomsnittlig månadsinkomst i kronor för varje kluster.
18
Kluster 1 2 3 4
Andel av samtliga
områden
5,7 % 26,2 % 60,4 % 7,7 %
Andel ej sysselsatta 47 % 23 % 9 % 8 %
Andel utlandsfödda 40 % 14 % 4 % 6 %
Medelinkomst
disponibel (i kronor)
16 192 21 879 25 861 41 191
Tabell 2: Klusterfördelning av områdena baserad på variablerna ”andel sysselsatta”, ”andel
utlandsfödda” och ”medelinkomst disponibel”.
Utsatta områden utgör 5,7 procent av SAMS-områdena och är den gruppen som har högst andel
ej sysselsatta med 47 procent, högst andel utlandsfödda med 40 procent och lägsta disponibla
medelinkomst som ligger på i genomsnitt 16 192 kronor.
Kluster nummer två som utgör de något resurssvaga områdena har ett relativt högt antal ej
sysselsatta med 23 procent i jämförelse med nästa kluster som har en betydligt lägre andel ej
sysselsatta på 9 procent. Andelen utlandsfödda är 14 procent vilket är högre än medianen som
ligger på 5 procent och en lägre genomsnittlig disponibel inkomst, 21 879 kronor, i jämförelse
med medianen som ligger på 24 422. De något resurssvaga områdena utgör 26,2 procent av
SAMS-områdena.
De områden som kategoriserats i kluster tre är medelresursstarka områden. Dessa områden
har som tidigare nämnt i genomsnitt 9 procent som inte är sysselsatt och ligger i underkant i
förhållande till medianen som är 12 procent. Andelen utlandsfödda är lågt med 4 procent och
medelinkomsten är 25 861 kronor vilket är en inkomst som är medelhög medelinkomst. Klustret
medelresursstarka är det största klustret och omfattar 60,4 procent av SAMS-områdena.
Det sista klustret inrymmer 7,7 procent av SAMS-områdena och grupperar de resursstarka
områden. Denna grupp är den mest välmående gruppen som utmärker sig med en hög
disponibel medelinkomst som ligger långt över medianen med i genomsnitt 41 191 kronor.
Andelen utlandsfödda är 6 procent och andelen ej sysselsatta är 8 procent vilket är två värden
som ligger nära motsvarande värden för de medelresursstarka områdena och de något
resurssvaga områden.
4.2 Betygsgenomsnitt för olika områdestyper
Följande diagram visar de genomsnittliga gymnasiebetygen för varje kluster. Genom ett
stapeldiagram kan man se hur medelvärdet skiljer sig åt mellan områdeskategorierna.
19
Tabell 3: stapeldiagram över de genomsnittliga gymnasiebetygen fördelade i varje kluster.
Här syns en tydlig trend där betygen är högre ju högre socioekonomisk status området har. Det
lägsta betygsgenomsnittet återfinns i klustret för utsatta områden medan det högsta
betygsgenomsnittet finns i klustret för de resursstarka områdena.
En intressant jämförelse är att se hur de genomsnittliga gymnasiebetygen skiljer sig åt för de
områden som har en högskola i kommunen. Denna jämförelse visas i ett stapeldiagram i
följande tabell, tabell 4.
20
Tabell 4: Stapeldiagram jämförande de genomsnittliga gymnasiebetygen för de olika områdena
beroende på om det finns en högskola i kommunen eller inte.
Värdena som motsvarar de genomsnittliga gymnasiebetygen fördelade mellan områdena där
det inte finns någon högskola skiljer sig inte mycket ifrån de värden för genomsnittliga
gymnasiebetygen mellan områdena där det finns en högskola i kommunen. Men en tydlig trend
syns där gymnasiebetygen är i genomsnitt högre för varje områdeskluster om det finns en
högskola i kommunen. Den största betygspåverkan är på de något resurssvaga områdena som
presterar högre med i genomsnitt 40 högre poäng om det finns en högskola i kommunen jämfört
med om det inte finns någon högskolas närvaro. Betygen för utsatta områden påverkas också
positivt av att det finns en högskola i kommunen eftersom de får en ökning med 25 poäng.
Liknande inverkan får de resursstarka områdena med en ökning med 26 poäng. Det området
som påverkas minst men vars värden fortfarande ökas om det finns en högskola i kommen är
de medelresursstarka områdena vars genomsnittliga gymnasiebetyg var 12 poäng högre än det
genomsnittet för betygen i området utan högskolenärvaro.
4.3 Högskoleutbildade i kommunen och en högskolas närvaro
För att undersöka hur den allmänna utbildningsnivån ser ut i olika kommuner och om denna
varierar beroende på om det finns en högskola i kommunen eller inte gjordes en jämförelse av
medelvärden med andelen högskoleutbildade på kommunnivå och om det finns en högskola i
kommunen eller inte.
21
Tabell 5 visar den genomsnittliga andelen högutbildade i kommunen beroende på om det finns
en högskolenärvaro i kommunen eller inte.
Tabell 5: Genomsnittlig andel högskoleutbildade i kommunerna där det finns respektive inte finns
någon högskolenärvaro.
Tabell 5 visar att det är skillnad på andelen högskoleutbildade i kommunen beroende på om det
finns en högskola i kommunen eller inte. Andelen högskoleutbildade i en kommun där det inte
finns någon högskola är 3 procent lägre än andelen högskoleutbildade i kommuner där en
högskolenärvaro finns.
I två regressionsanalyser (tabell 6 och 7) undersökts om antalet högskolor har en effekt på
andelen högutbildade i kommunen.
Variabler B-värde Signifikansnivå
(Konstant) ,168 ,000
Dummyvariabel högskola finns i
kommunen eller inte
,030 ,000
R-Square värde ,290
Beroende variabel: Andel högskoleutbildade i kommunen
Tabell 6: regressionsanalys över effekten av en högskolas närvaro i kommunen på andelen
högskoleutbildade i kommunen.
22
Andelen högskoleutbildade kan dock förklaras med hög säkerhet av att det finns en
högskolenärvaro i kommunen. R-Square värdet för regressionen är 29 procent. Ett R-
Squarevärde är ett statistiskt mått som mäter den förklarade variansen mellan de oberoende
variablerna och den beroende variabeln (Upton & Cook, 2014). I ovanstående fall visar R-
Square värdet att 29 procent av variationen i andelen högskoleutbildade mellan kommuner kan
förklaras av att det finns en högskola i kommunen eller inte. B-värdet 0,030 visar att en
högskola har en positiv effekt på andelen högskoleutbildade i kommunen.
Tabell 7 visar resultaten av regressionsanalysen som visar om antalet högskolor i
kommunen har en betydelse för andelen högskoleutbildade i kommunen.
Variabler B-värde Signifikansnivå
(Konstant) ,178 ,000
Antal högskolor ,004 ,000
R-Square värde ,097
Beroende variabel: Andel högskoleutbildade i kommunen
Tabell 7: Regressionsanalys över antalet högskolors effekt på andelen högskoleutbildade i kommunen.
R-Square värdet är lågt och förklarar med 9,7 procent de sambanden som finns i regressionen.
Sambandet mellan antalet högskolor och andelen högutbildade i kommunen är positivt men
svagt. En högskola i kommunen påverkar alltså andelen högutbildade i kommunen men antalet
högskolor påverkar inte andelen högskoleutbildade i kommunen.
4.4 Regressionsanalys
I en regressionsanalys kan man jämföra sambanden mellan grupperna och se om det finns några
effekter som påverkar variablernas värden (Upton & Cook, 2014). I följande tabell redovisas
resultatet av en multipel regressionsanalys i en flerstegsanalys. En flerstegsanalys är användbar
för att undersöka om vissa variabler inverkar mer eller mindre på den beroende variabeln.
Beroende variabeln i samtliga regressionsanalyser är gymnasiebetygen på områdesnivå.
Sammanlagt analyserades två modeller där bakgrundsvariablerna analyserades stegvis, först
variabler rörande utbildningsnivå och studieresultat på kommunnivå och antalet högskolor i
kommunerna, därefter tillades tre interaktionsvariabler om en högskolas närvaro i kommunen
och ett enskilt område.
4.4.1 Deskriptiv statistik
Nedanstående tabell visar en sammanställning av de variabler som användes i
regressionsanalysen där medelvärdet, extremvärden och standardavvikelse visas för varje
variabel.
23
Variabel: N Medelvärde Standardavvikelse Min Max
Antal högskolor i
kommunen
8127 0,88 2,177 0 17
Andel
högskoleutbildade på
kommunnivå
8127 18 % 0,03 11 % 24 %
Genomsnittliga
gymnasiebetyg på
kommunnivå
8127 1278,53 58 1089,42 1473,56
Tabell 8: Tabell över deskriptiv statistik som användes till regressionsanalysen.
I ovanstående tabell redovisas antalet observationer i populationen (N), medelvärdet,
standardavvikelse, det vill säga hur mycket de olika värdena avviker från medelvärdet (Upton
& Cook, 2014), och extremvärden (minimum och maximum) för de olika variablerna som
använts till regressionsanalysen.
4.4.2 Resultat av multipla regressionsanalysen i två steg
Följande tabell visar den sammanlagda multipla regressionsanalysen uppdelad i de två olika
stegen, modell ett och två. I första modellen ställds gymnasiebetygen på områdesnivå,
regressionens beroende variabel, mot kontrollvariablerna för områdestyp, för andel
högskoleutbildade, antal högskolor och betyg på kommunnivå. I andra modellen fortsätter
samma regressionsanalys, dock läggs interaktionsvariabler för områdestyp tillsammans med
antalet högskolor och universitet i kommunen.
24
Tabell 9: Redovisning av regressionsanalys av variablers olika effekt på gymnasiebetyg på
områdesnivå.
Beroende variabel:
Gymnasiebetyg på områdesnivå Modell 1 Modell 2
Oberoende variabler B Signifikans B Signifikans
(konstantvärde (a)) 452,913 ,000 408,166 ,000
Högskola i kommun 1,561 ,141 63,536 ,000
Andel högskoleutbildade på
kommunnivå
-70,953 ,457 -258,802 ,022
Genomsnittligt
gymnasiebetyg på
kommunnivå
,733 ,000 ,735 ,000
Resursstarka områden Referens Referens Referens Referens
Utsatt område -217,571 ,000 -199,457 ,000
Något resurssvaga områden -136,560 ,000 -129,467 ,000
Medelresursstarka områden -74,800 ,000 -52,237 ,000
Utsatta områden beroende
på om det finns en högskola
i kommunen eller ej
-46,347 ,092
Något resurssvaga område
beroende på om det finns en
högskola i kommunen eller
ej
-24,100 ,204
Medelresursstarka områden
beroende på om det finns en
högskola i kommunen eller
ej
-55,079 ,002
N 8127 8127
R-Square värde ,109 ,112
25
Regressionsanalysen i den första modellen har ett R-Square värde på 10,9 %. Det innebär att
10,9 % av skillnaden i gymnasiebetyg mellan områden kan förklara av de oberoende
variablerna.
Signifikansnivån för de olika variablerna varierar. Variablerna som står för om det finns en
högskola eller inte och andelen högskoleutbildade i kommunerna kan uteslutas som variabler
som kan ha effekt på hur gymnasiebetygen på områdesnivå, detta på grund av deras
signifikansnivå som är över 0,05. En signifikansnivå anger sannolikheten för att göra ett typ 1
fel5 där en låg signifikans innebär låg sannolikhet för fel. De övriga variablerna,
gymnasiebetygsgenomsnitten för kommunerna och områdesindelningen har en signifikansnivå
på 0,000 vilket innebär att sambanden som finns mellan variablerna är fullständiga. Om man
ser till dessa variablers B-koefficientvärde6 kan man se att de genomsnittliga gymnasiebetygen
för kommunen som har B-värdet 0,733 har en positiv effekt på gymnasiebetygen på
områdesnivå. Kort sagt, är de genomsnittliga gymnasiebetygen höga på kommunnivå kommer
gymnasiebetygen på områdesnivå att vara i genomsnitt högre och tvärtom, om
gymnasiebetygen på kommunnivå är lägre är också betygen lägre på områdesnivå.
De olika områdesindelningarna har, som tidigare sagt, en signifikant effekt på
gymnasiebetygen i områdena. Däremot är dessa negativa vilket innebär att medelbetygen i
utsatta, något resurssvaga och medelstarka områden har i genomsnitt är lägre betyg än
medelbetygen i resursstarka områden. Effekten är dock störst i utsatta områden. I de
medelstarka områdena är skillnaden mot de resursstarka områdena betydligt lägre (-74,8
jämfört med -217,6 för utsatta områden). Områdets effekt på gymnasiebetygen på områdesnivå
är alltså linjär utifrån vilken socioekonomisk status området har, med högst betyg i resursstarka
områden och lägst i utsatta områden.
I följande modell, modell 2, har interaktionsvariablerna lagts in i regressionsanalysen. I
detta fall är målet att testa om antalet högskolor i en viss områdestyp påverkar
gymnasieelevernas genomsnittliga betyg. Därför används dummyvariablerna för utsatta-, något
resurssvaga-, och medelresursstarka områden tillsammans med variabeln som visar om det
finns en högskola i kommunen eller inte. Genom att multiplicera variabelvärdet för de olika
områdestyperna med antalet högskolor i kommunen får man variablernas interaktionseffekt.
Denna interaktionseffekt plockas sedan in i regressionsanalysen där vi kan se om
interaktionsvariablerna har någon effekt på gymnasiebetygen.
R-Square värdet har förändrats från modell 1 till 2, från ,109 till ,112. Värdets ökning
innebär att analysen blir bättre med interaktionsvariablerna och förklarar ytterligare variation
mellan de olika områdestyperna och gymnasiebetygen. Även B-värdena för de variabler som
använts även i första modellen har ändrats. Variabeln vars värde anger om det finns en högskola
i kommunen eller ej har fått en fullständig signifikans och B-värdet har fått en rejäl ökning (från
1,561 till 63,536). Det finns alltså ett positivt samband mellan en högskolas närvaro och
gymnasiebetyg på områdesnivå, med andra ord påverkas gymnasiebetygen överlag positivt av
5 Ett typ 1 fel är ett statistiskt fel som kan visa att ett samband inte finns trots att det egentligen finns (Upton &
Cook, 2014) 6 B-koefficient är sannolikhetsmått för att någon variabel ska påverka den beroendevariabeln. Ju närmare 1, desto
högre sannolikhet att variabeln påverkar medan ett värde närmare 0 indikerar på att variabeln med liten sannolikhet
kommer att påverka utfallet för den beroende variabeln (Upton & Cook, 2014).
26
att det finns en högskola i kommunen. Även signifikansnivån för andelen högskoleutbildade på
kommunnivå och gymnasiebetygen på områdesnivå har sänkts till ,022, vilket innebär att det
nu finns ett signifikant samband mellan dessa två variabler. B-värdet för denna variabel har
också sänkts från -70,953 till - 258,802 vilket innebär att andelen högskoleutbildade i
kommunen har en negativ effekt på gymnasiebetygen i områdena. Även värdena för
områdesindelningarna har sänkts av att lägga in interaktionsvariablerna i regressionsmodellen.
Gällande interaktionsvariablernas värden kan B-värdet för de något resurssvaga områden i
kombination med om det finns en högskola i kommunen eller inte förkastas eftersom sambandet
inte är signifikant. Däremot finns ett starkt signifikant samband mellan medelresursstarka
områden som har en högskola i kommunen och gymnasiebetygen. Intressant nog är sambandet
negativt. Det innebär att medelstarka områden har lägre betyg än resursstarka områden om det
finns en högskola i kommunen. Elever från medelresursstarka områden som har en högskola i
kommunen presterar alltså sämre än elever från medelstarka områden som inte har någon
högskola i kommunen. Vid kombinerad effekt mellan värdet för högskolan i kommunen 63,536
och värdet för medelstarka områden i kombination med en högskolas närvaro -55,079 blir
visserligen sambandet positivt men svagt. Liknande effekt syns på det negativa B-värdet -
46,347 för interaktionsvariabeln utsatta områden där det finns en högskola i kommunen. Detta
negativa samband innebär alltså att ungdomars gymnasiebetyg i utsatta områden påverkas i
liten grad av en högskolas närvaro vid kombinerande av värdena med högskolans påverkan på
gymnasiebetygen. Sambandet kan dock ifrågasättas på grund av dess något lägre
signifikansnivå. Effekten som en högskolenärvaro i utsatta områden har på gymnasiebetygen i
området har en säkerhetsnivå på 90,8%.
De starkt negativa B-värdena för medelstarka områden och utsatta områden, i kombination
med en högskola i kommunen, visar att det finns ett starkt positivt samband mellan en högskolas
närvaro och gymnasiebetyg på områdesnivå men bara för resursstarka områden som är
regressionsanalysens referensgrupp. En högskolas effekt är alltså mycket stark på
gymnasiebetygen hos elever i resursstarka områden.
5. AVSLUTANDE DISKUSSION
Denna studie har haft till syfte att undersöka en högskolas effekt på den allmänna
utbildningsnivån men också den effekt som högskolan har på gymnasiebetygen på
områdesnivå.
Den första frågan som ställdes var hur gymnasiebetygen skiljer sig åt beroende på om det
finns en högskola i kommunen eller inte?
En ökad tillgång till en högskola innebar enligt Faure (2009) och Convert (2003) ett ökat
sökande till högskolestudier, även hos ungdomar i utsatta områden. Med en förändrad
arbetsmarknad (Lundqvist, 2010) och ett ökat antal universitet (UKÄ, 2016b) borde rimligtvis
gymnasieelever i olika områden, särskilt i utsatta områden komma närmare den akademiska
världen och nå högre studieresultat än områden som inte har samma tillgång till högskola.
Betygsmedelvärdena är som förväntat högre i områden vars kommun har en högskola. Trenden
syns tydligt i tabell 4 som illustrerar att betygen är högre ju högre socioekonomisk status ett
område har och betygen blir också högre om det finns en högskola i kommunen. Skillnaden var
27
dock inte högst i utsatta områden utan i de något utsatta områdena. Skillnaden var minst i de
medelresursstarka områdena. Oavsett områdestypen presterar gymnasieelever i genomsnitt
bättre i kommuner med en högskolenärvaro. Områdets effekt på gymnasiebetygen är lineär
utifrån områdets socioekonomiska status. Ju lägre socioekonomisk status ett område har, desto
lägre gymnasiebetyg och tvärtom, ju starkare socioekonomisk status, desto högre är elevernas
gymnasiebetyg. Detta var ett förväntat resultat eftersom ungdomar i utsatta områden förväntas
prestera sämre än ungdomar i andra områden, vilket var en del av Manskis (1993) endogena
mekanismer.
Genom regressionsanalysen i två steg (se tabell 9) kunde den andra frågeställningen som
ställdes i kapitel 1 besvaras: På vilka sätt påverkar en högskola i kommunen gymnasiebetygen
i de olika områdestyperna?
Ett universitet har enligt flera forskare (Fernández-Esquinas et al., 2014; Pierre 2014;
Massey et al. 1992) en effekt på stadens utvecklingsgrad och därmed på hela samhället. Ju fler
högutbildade, desto mer kunskap vilket ger bättre förutsättningar på många plan med en
förbättrad infrastruktur, ekonomi, minskade sociala skillnader och ett medvetet samhälle.
Utifrån de positiva effekterna som ett universitet har på samhället och staden borde
boendesegregationen rimligtvis minska, samtidigt som gymnasieelevers tankar kring utbildning
och skola borde påverkas positivt. Samtidigt borde en högskolas effekter på samhället speglas
på områdesnivå, även i utsatta områden där boendesegregationen är mindre kraftig och
förebilderna är kanske fler än i samma socioekonomiska områdestyper utan en högskolas
närvaro i kommunen vilket borde visa en effekt på ungdomars studieprestationer och ambitioner
att söka vidare till högskolestudier. Analysen visade först och främst att gymnasiebetygen på
områdesnivå påverkas positivt av ett högre genomsnittligt gymnasiebetyg på kommunnivå som
i sin tur påverkas av om det finns en högskola i kommunen eller inte. Vidare finns det ett starkt
signifikant samband mellan medelstarka områden som har en högskola i kommunen och
gymnasiebetygen. Dock är sambandet negativt vilket innebär att gymnasieelever i
medelresursstarka områden där det finns en högskola klarar sig sämre än ungdomar i
medelresursstarka områden där det inte finns en högskola. Om man kombinerar den effekten
med värdet för effekten av en högskola i kommunen på gymnasiebetygen på områdesnivå är
effekten av en högskola på betygen positiv men mycket liten. Däremot är effekten av en
högskola på gymnasiebetygen mycket stor för gymnasieelevers betyg i resursstarka områden.
Resultatet kan tolkas som att gymnasieelevers betyg påverkas i mycket hög grad av att det finns
en högskola i kommunen. En högskolas närvaro i kommunen har alltså endast en tydlig effekt
på vissa ungdomar, de som tillhör bostadsområden av hög socioekonomisk typ och leder
därmed till en ökad segregation där de som tillhör en stark socioekonomisk grupp påverkas i
högre utsträckning av en akademisk närvaro. Resultatet bekräftar det som Massey et al (1991)
menade om att en akademisk närvaro ökar de sociala skillnaderna i samhället.
Eftersom andelen högskoleutbildade på områdesnivå, som annars hade varit en bra variabel
att mäta utbildningsnivån i olika områden, skulle bli missvisande kunde samma variabel fast på
kommunnivå användas för att testa om det finns samband mellan en högskolas närvaro och
andelen högutbildade i kommunen. Genom att jämföra de olika medelvärdena för olika
kommuner mot variabeln som indikerar om det finns en högskola i kommunen eller inte kunde
28
den tredje frågeställningen besvaras: Hur påverkas andelen högutbildade i kommunen av en
eller flera högskolors närvaro i kommunen?
Det finns skillnader hos den allmänna utbildningsnivån mellan kommunerna. De
kommuner som har en högskolenärvaro har en i genomsnitt högre andel högutbildade än
kommuner som saknar en högskola. Detta var ett förväntat resultat eftersom universitet, som
bland annat Pierre (2014) och Fernández-Esquinas et al. (2014) menar, drar till sig en
arbetsmarknad som är ute efter en specialutbildad arbetskraft. Dock påverkade antalet
universitet inte andelen högskoleutbildade i kommunen utan den allmänna utbildningsnivån i
kommunen påverkas av om det överhuvudtaget finns ett universitet eller inte i kommunen.
Sammanfattningsvis har en högskola en tydlig effekt på studieresultaten i vissa områden.
Gymnasiebetygen är i genomsnitt högre ju högre socioekonomisk status ett område har, detta
även när det finns en högskola i kommunen. Om man ser till områdestyperna för sig påverkas
medelresursstarka områden i liten grad av att det finns en högskola i kommunen. Däremot har
en högskola i kommunen en mycket stark effekt på resursstarka områden vilket tyder på att en
högskolas närvaro ökar segregationen eftersom den har effekt endast för vissa, som är den
resursstarka populationen av samhället. Mer forskning behövs om hur högskolor kan påverka
boendesegregationen i staden men också hur högskolor påverkar ungdomar och deras
studieprestationer i olika områden och vad de positiva och negativa effekterna en högskola har
på områden beror på.
29
KÄLL- OCH LITTERATURFÖRTECKNING
Litteraturförteckning
Amcoff, J. (2012) Hur bra fungerar SAMS-områdena i studier av grannskapseffekter?: En
studie av SAMS-områdenas homogenitet. Socialvetenskaplig tidskrift. Vol. 19 (2), s.93 –
115.
Andersson, E., Östh, J., Malmberg, B. (2010) Ethnic segregation and performance inequality in
the Swedish school system: A regional perspective. Environment and Planning A, vol. 42
(11), s.2674 – 2686.
Andersson, R., Bengtsson B., Myrberg G. (red) (2015) Mångfaldens dilemman –
boendesegregation och områdespolitik. Gleerups Utbildning, Malmö.
Bergsten, Z. (2010) Bättre framtidsutsikter? Blandade bostadsområden och
grannskapseffekter: en analys av visioner och effekter av blandat boende, Department of
Social and Economic Geography, Uppsala University.
Brännström, L. (2008) Making their mark: the effects of neighbourhood and upper secondary
school on educational achievement. European Sociological Review. Vol. 24 (4), 2008
s.463–478.
Burgess, S., Wilson, D., Lupton, R. (2005) Parallel lives? Ethnic segregation in schools and
neighbourhoods. Urban Studies (42), 1027 – 56.
Convert B. (2003) Des hiérarchies maintenues, Espace des disciplines, morphologie de l'offre
scolaire et choix d'orientation en France, 1987-2001. Actes de la recherche en sciences
sociales. Vol. 149, s.61-73.
Faure L. (2009) Les effets de la proximité sur la poursuite d'études supérieures : le cas de
l'Université de Perpignan. Education et sociétés, 2/2009 (24), 93-108.
Fernández-Esquinas-Esquinas, M. & Pinto, H. (2014) The Role of Universities in Urban
Regeneration: Reframing the Analytical Approach, European Planning Studies, vol. 22
(7), 1462-1483.
Goddard, J. (2009) Reinventing the Civic University. NESTA. London.
Gregory, D. (2009) The dictionary of human geography, 5ed;5. Aufl.;5; edn, Blackwell,
Malden, MA.
Hedman, L., Andersson, R. (2015) Etnisk segregation och inkomstsegregation i Sveriges tio
största arbetsmarknadsregioner 1990 – 2010. Ingår i: Mångfaldens dilemman –
boendesegregation och områdespolitik, Andersson, R., Bengtsson B., Myrberg G. (red),
Malmö, s. 15 – 38.
Kölegård Stjärne, M., Ritzell, J., Brännström, L., Estrada, F. och Nilsson, A. (2007).
Boendesegregationens utveckling och konsekvenser. Residential segregation: trends and
consequences. Socialvetenskaplig tidskrift, 2–3, 153–178.
Lag om Kungörelse om beslutad ny regeringsform (1974). Stockholm. SFS 1974:152
Larsson, A., Wood, A. (2005) Marknadsföring och varumärkesbyggande: universitet och
högskolor i konkurrens, Högskoleverket, Stockholm.
Lindvall, L. (2009) Neighbourhoods, economic incentives and post compulsory education
choices. IFAU – Institute for market policy evaluation. Uppsala.
30
Lundqvist, C. (2010) Möjligheternas horisont: etnicitet, utbildning och arbete i ungas
berättelser om karriärer, Institutionen för samhälls- och välfärdsstudier, Linköpings
universitet.
Manski, C.F. (1993) Identification Problems in the Social Sciences, Sociological Methodology
(23), ss. 1-56.
Massey, D., Quintas, P., Wield, D. (1992) Academic-industry links and innovation: questioning
the science park model. Technovation, vol. 12 (3), s. 161-175.
Massey, D., Quintas, P., Wield, D. (1991) High-Tech Fantasies: Science Parks in Society,
Science and Space. Routledge: New York and London.
Pierre, J. (2014) Universiteten, tillväxten och nätverken. Göteborgs universitet.
Power, D., Malmberg, A. (2008) The contribution of universities to innovation and economic
development: in what sense a regional problem?. Cambridge Journal of Regions, Economy
and Society, vol. 1 (2), s. 233-245.
Reay, D., David, M.E. & Ball, S.J. (2005) Degrees of choice: social class, race and gender in
higher education, Trentham
Sassen, S. (1991) The global city: New York, London, Tokyo. Prinston universitet.
Skolverket (2004) Elever med utländsk bakgrund. Dnr 75-2004:545. Skolverket.
SCB (2009) Longitudinell Integrationsdatabas för Sjukförsäkrings- och
Arbetsmarknadsstudier (LISA) 1990–2007.
SCB (2014) Statistisk rapport. Universitet och högskolor Studenter och examinerade på
grundnivå och avancerad nivå 2012/13, Stockholm. Statistiska centralbyrån.
Sundlöf, P. (2008) Segregation och karriärposition: en studie av bostadsomgivningens
betydelse för utbildning, sysselsättning och inkomst bland yngre i stockholmsregionen.
Uppsala University.
Törnqvist G. (2009) Kreativitet i tid och rum. Stockholm: SNS förlag.
Universitetskanslersämbetet, UKÄ (2016a) Statistisk analys 2016. Färre påbörjar högre
utbildning – rekrytering till högre utbildning från Sveriges län och kommuner. Stockholm.
Upton & Cook, G.J.G. & Cook, I. (2014) A dictionary of statistics, Third edn, Oxford
University Press, Oxford.
Elektroniska källor SCB (2016) Län och kommuner i kodnummerordning.
http://www.scb.se/sv_/Hitta-statistik/Regional-statistik-och-kartor/Regionala-
indelningar/Lan-och-kommuner/Lan-och-kommuner-i-kodnummerordning/ [Hämtad den
17 december 2016].
Universitetskanslersämbetet, UKÄ (2016b) Fakta om högskolan. Universitet och högskolor.,
http://www.uka.se/fakta-om-hogskolan/universiteten-och-hogskolorna.html. [Hämtat den
6 december 2016].