vad påverkar en elitishockeyspelares lön i...
TRANSCRIPT
Örebro Universitet
Handelshögskolan
Nationalekonomi C, Uppsats, NA3003
Handledare: Anders Lunander
Examinator: Jörgen Levin
VT2014 2014-05-07
Vad påverkar en elitishockeyspelares lön i
Sverige?
Martin Jörgensen 900523
Abstract
Denna studie skattar en löneekvation för ishockeyspelare i Sverige. Det finns en växande
empirisk litteratur inom detta område men ingen tidigare studie av svenska spelarlöner. Lönedata
är taxerad årsinkomst 2012 för 285 spelare i den högsta svenska ishockeyserien Svenska
Hockeyligan (SHL). Prestations- och egenskapsvariabler hämtades från databasen Eliteprospects
och SHLs officiella hemsida. Faktorer med statistiskt signifikant effekt visade sig vara
spelarposition, antalet mål och assist per SHL-match, seniorlandslagsmatcher och antal spelade
SHL-, KHL- samt NHL-matcher i karriären. Samtliga dessa variabler förutom KHL-matcher
hade positiv effekt. De enskilda variablerna med störst påverkan var mål, assist och
landslagsmatcher.
Nyckelord: Wage equation, sport, empirical, salary determinatio, wage differential
Innehåll 1.Inledning ................................................................................................................................................... 1
2. Yrkesgruppen ishockeyspelare och dess arbetsmarknad .................................................................... 3
3. Teoretisk bakgrund ................................................................................................................................ 4
3.1. Hedonisk prissättningsmodellering .................................................................................................... 4
3.2 Mincerekvationen ............................................................................................................................... 5
4. Tidigare studier ....................................................................................................................................... 6
5. Data .......................................................................................................................................................... 9
5.1 Urval ................................................................................................................................................... 9
5.2 Deskriptiv statistik ............................................................................................................................ 10
6. Empirisk modell och ekonometrisk specifikation .............................................................................. 13
7. Resultat .................................................................................................................................................. 15
8. Diskussion .............................................................................................................................................. 17
8.1. Analys och diskussion om korrelationsresultaten ............................................................................ 17
8.2. Analys och diskussion av regressionsresultaten .............................................................................. 18
8.3. Kritisk diskussion om metod och data ............................................................................................. 20
9. Slutsatser ................................................................................................................................................ 21
9.1. Tips på framtida forskning ............................................................................................................... 21
Referenslista .............................................................................................................................................. 22
Elektroniska källor (internet) .................................................................................................................. 22
Vetenskapliga artiklar ............................................................................................................................. 22
Böcker ..................................................................................................................................................... 23
Appendix med Tabeller ............................................................................................................................ 24
Deskriptiv statistik .................................................................................................................................. 24
1
1.Inledning
I samhället idag förs en diskussion om de allt högre idrottslönerna (Hockeysverige 2013).
Speciellt i de största lagidrotterna omsätts mycket kapital och enligt Idrottens Affärer (2013)
har medellönen i Svenska Hockeyligan på de senaste åren stigit med nästan 30 procent.
Arbetsmarknaden för ishockeyspelare i Sverige är idag oreglerad men enligt Dagens Nyheter
(2014), planeras nu att införa ett lönetak på ca 40-45 miljoner per klubb och säsong. Ur ett
nationalekonomiskt perspektiv blir det således intressant att undersöka vad som driver den här
arbetsmarknaden och empiriskt testa vilka egenskaper hos idrottarna som värdesätts av
arbetsgivarna.
Forskningsfältet Sports Economics blir idag allt större, Heinemann (2005) beskriver hur
forskare undersöker konkurrens i olika idrottsindustrier, hur de gör värderingar av
idrottsklubbar och modellerar idrottares löneekvationer. I nationalekonomisk forskning finns
metoder för att sätta pris på människors värderingar av olika varor och tjänster. Med dessa
metoder mäts utvalda delar som produkters värde kan förklaras av för att se hur variation i
dessa delar kan få oss att förstå variation i preferenser och värdet av produkten.
Marginaleffekten utgör människors preferenser för en egenskap hos en produkt och är
människors betalningsvilja för ytterligare kvalitet eller kvantitet av den egenskapen. På
samma sätt görs även modellering för att värdera människors erfarenhet och kunskap, för att
avgöra hur värdefull en person är på sin arbetsmarknad. Individers arbetskraft, eller
marginalproduktivitet, blir produkten som prissätts. Arbetarnas marginalproduktivitet består
av till exempel år av utbildning, värdet av erfarenhet i arbetslivet, tyst kunskap och andra
personliga egenskaper.
I mikroekonomi är lönespridning en naturlig egenskap hos arbetsmarknader och efter Mincers
(1974) arbete har åtskilliga studier dokumenterat relationer mellan lön och arbetares
egenskaper, exempelvis Audini och Corrado 2010 samt . Forskare försöker förstå de kausala
sambanden mellan dessa empiriska relationer. Den ökade tillgängligheten till matchande data
för arbetare och företag med väsentliga longitudinella dimensioner möjliggör simultana
identifikationer av arbetares och företags heterogenitet och skillnader. Utvecklingen av
ekonometriska metoder anpassade för att utnyttja dessa data introducerades av Abowd et al.
(1999), vilka kom upp med villkorade metoder för att skatta löneekvationer. Deras arbete har
2
bidragit starkt till analyser av lönebildning och den relativa betydelsen av arbetares och
företags karaktäristika.
Lönesättning och löneekvationer är även väl utforskat inom idrott och framförallt på de stora
lagidrotterna. För dessa är, som i de flesta andra branscher, lönerna satta på en arbetsmarknad.
Företagen, i det här sammanhanget klubbarna, vill knyta till sig spelare med en hög
marginalproduktivitet för att öka kvantiteten och kvaliteten på sin produkt som de säljer,
vilket här kan anses vara antal vunna matcher. När forskare skattar marginalproduktiviteten
utgår de ifrån människors ”avslöjade preferenser”, vilket i praktiken betyder att man
utvärderar utifrån hur de tidigare har handlat genom att använda empiriska data. I många fall
när man modellerar löneekvationer använder man sig av hedonisk prissättning och bygger
ofta sin ekvation enligt Mincer’s teori. Olika tvärsnittsmodeller uppmäter marginaleffekten
för att fastställa faktorerna som bestämmer värderingen av professionella atleter.
På samma sätt som en rad studier försöker att skatta löneekvationer för olika yrkeskategorier
inom olika branscher, är det möjligt att försöka förklara observerad variation i lön hos
elitidrottare med hjälp av mått på individuella prestationer och individuella egenskaper. I den
här studien använder vi oss av löneekvationer för att försöka förstå sambandet mellan lön och
individkaraktäristika hos professionella ishockeyspelare. Det övergripande syftet med studien
är att undersöka i vilken utsträckning tillgänglig data om olika ishockeyspelare kan förklara
variationen i observerad lön hos samma spelare. Utgångspunkten är att det existerar ett
kausalt samband mellan observerad prestation i olika dimensioner och erbjuden lön. Givet att
studien skulle påvisa signifikanta skattningar av olika koefficienter, så blir naturligtvis ett
delsyfte med studien att undersöka hur stor marginaleffekt olika individuella egenskaper har
på en ishockeyspelares lön. Eftersom de flesta liknande studier gjorts på nordamerikanska
idrottsligor och marknader så blir denna studie unik, då den är den första i sitt slag som
appliceras på den svenska spelarmarknaden och Svenska Hockeyligan.
Studiens disposition är enligt följande; i kapitel 2 ges en beskrivning av yrkesgruppen
ishockeyspelare och arbetsmarknaden för dessa, i kapitel 3 görs en litteraturgenomgång av
grundläggande ekonomiska teorier och modeller. I kapitel 4 görs en genomgång av
vetenskapliga artiklar inom det specifika forskningsområdet. I kapitel 5 beskrivs studiens
vetenskapliga metod och den insamlade datauppsättningen. Kapitel 6 består av den empiriska
modellen och kapitel 7 av den empiriska specifikationen. I kapitel 8 presenteras och
diskuteras resultaten. Därefter följer kapitel 9 med diskussion och kapitel 10 med slutsatser.
3
2. Yrkesgruppen ishockeyspelare och dess arbetsmarknad
Arbetsmarknaden för ishockeyspelare på elitnivå är global och den svenska spelarmarknaden
är en del av både europeisk och nordamerikansk spelarmarknad, där de två världsledande är
Kontinental Hockey League (KHL) och National Hockey League (NHL). Utöver dessa två
ligor finns ca 40 andra proffsligor runtom i världen. Ishockeyarbetsmarknaden har
traditionellt sett bestått av de nordamerikanska samt de europeiska marknaderna men växer
för varje år och numera finns ligor även i mer hockeyavlägsna länder såsom Sydafrika, Nya
Zeeland, Australien och Japan.
En ishockeyspelare kan bli professionell och leva på sitt idrottsutövande från ca 18-22-års
ålder och därifrån har de oftast en aktiv period till de blir runt 35-40 år gamla. Det betyder att
de har ca 15-20 år som elitaktiva då de har möjligheten att tjäna pengar som de ofta kan leva
på resten av sina liv när de avslutat karriären. En professionell ishockeyspelares vardag består
av mycket resande, fysisk träning och matchning samt stora mediala event, vilket kräver att
spelaren är mycket flexibel i sin arbetstid och inte har några problem med att snabbt förflytta
sig mellan olika geografiska områden, både för matcher och för mindre regelbundna
klubbyten. Arbetsåret är uppdelat mellan tävlingssäsong, där en grundserie på ca 40-82
matcher spelas, plus eventuella slutspel och kval, då spelaren måste finnas tillgänglig för
klubben 24 timmar om dygnet. Efter detta följer en försäsong där spelarna ska göra sig fysiskt
och mentalt redo för en ny tävlingssäsong och ofta får de sköta sin egen träning under
sommaren, för att sedan ansluta till laget runt augusti-september för laguttagningar,
träningsläger och träningsmatcher.
Ishockeyspelare har i sin förhandlingsprocess nästan alltid en spelaragent som företräder
denne vi kontraktsförhandlingar med sportchefer och general managers i de olika klubbarna.
Agenterna har en egen licensiering och de får kontraktera spelare först efter att de fyllt 16 år i
Sverige. Varje klubb har en sportslig enhet med anställda sportchefer eller general managers
som sköter spelarrekryteringen åt laget och har en spelarbudget att hålla sig efter och i vissa
ligor även ett lönetak med ett maximalt belopp som klubben får betala ut till hela laget
och/eller till en enskild spelare. Ett problem som SHL fått på senare år är konkurrensen från
KHL, som grundades år 2008. KHL var från början bara bestående av lag från ryska
Superligan men är idag utbredd över hela Europa och vissa delar av Asien. KHL är bland
annat finansierade av energijätten Gazprom vilket har gjort att ligan kunnat växa otroligt
mycket under sina första år. I KHL har man idag ett mycket högt lönetak som ger klubbarna
4
rätt att spendera 100 miljoner svenska kronor på en grupp med 21 spelare plus 40 miljoner på
fyra stycken stjärnspelare, det vill säga en total spelarbudget per lag om 140 miljoner kronor
per säsong (år). Det finns dessutom ett undantag till den här regeln, om man kontrakterar en
spelare med kontrakt i NHL så räknas inte den spelarens lön in under lönetaket, vilket kan
höja lönebudgeten ännu högre. Denna lönebudgetnivå kan jämföras med SHL där de lag som
ligger högst har en spelarbudget på runt 50-60 miljoner kronor per säsong, men som dock inte
begränsas av något lönetak. Detta är bara en av orsakerna till att spelarlönerna i SHL skjuter i
höjden. Enligt artiklar i Idrottens Affärer (2013) så sägs bruttomånadslönen i snitt per spelare
ligga någonstans runt 90- 100 000 kr, där den bara för några år sedan sades ligga runt 70 000
kr. Vi kan dock se i dataavsnittet i denna studie att utifrån mitt urval så tjänar spelarna ca
52 000 kr i bruttomånadslön. Här finns dock vissa skevheter som att många högavlönade
utländska spelare exkluderats och dessutom att spelarna lägger undan stora delar av sin totala
ersättning i pensionsfonder för att få skattemässiga fördelar.
3. Teoretisk bakgrund
3.1. Hedonisk prissättningsmodellering
Ett exempel på en marknad där hedonisk prissättning används mycket är fastighetsmarknaden.
Där kommer värdet av två olika egenskaper (som kan jämföras) att variera beroende på olika
miljömässiga bekvämligheter som finns tillgängliga i de omkringliggande områdena av dessa
fastigheter. Om det finns en mätbar prissänkning på fastigheter i närheten av en soptipp
(jämfört med andra lägen), pekar skillnaderna i priser på den externa kostnaden av soptippen.
Det är den marginella betalningsviljan (för högre huspriser) för de givna skillnaderna i renhet
och ”lugn och ro” som kommer med fastighetens läge. Hedoniska regressionsmodeller
används för att uppmäta dessa skillnader i pris.
När man applicerar den hedoniska prissättningsmetoden är det första antagandet som görs att
värdet av produkten är påverkad av en särskild kombination av egenskaper som den besitter,
givet att produkter med bättre kvaliteter ”efterfrågar” högre priser jämfört med produkter med
sämre egenskaper. Till exempel priset på en hockeyspelare(produkt) kommer att påverkas av
dess karaktäristika i form av prestationsindikatorer (s1, s2,s3,…,sn), strukturella egenskaper
(n1, n2, n3…) och lagmässiga attribut (e1, e2, e3…).
Prestationsindikatorer utgörs av exempelvis, målsnitt, poängsnitt, antal spelade matcher och
utvisningsminuter. Strukturella egenskaper kan vara alltifrån spelarens kroppslängd, ålder och
5
ursprung. Lagmässiga attribut kan vara exempelvis lagets intäkter, tabellplacering eller
inspelade poäng. Stjärnstatus eller rykte kan också inkluderas i form av exempelvis olika
individuella utmärkelser, selektering till ”Allstar”-lag, tidigare kaptensuppdrag eller
representation i junior- och seniorlandslag. Prisfunktionen blir:
)...,,;...,,;...,,( 321321321 jjj eeeennnnssssfP (1.0)
Denna funktion kan vara linjär eller icke-linjär. Priset kan förändras i en ökande eller
minskande takt när de olika egenskaperna förändras till följd av dess marginella effekter. När
prisfunktionen varieras genom någon av de ovan nämnda egenskaperna så erhåller man den
implicita prisfunktionen för den specifika egenskapen, dess marginaleffekt på priset. Den
anses vara implicit eftersom prisfunktionen är indirekt avslöjad för oss genom vad klubbarna
är villiga att betala för att erhålla högre kvaliteter eller kvantiteter av egenskapen. I en
regressionsanalys kommer förändringar i spelarens värde (lön) att förklaras av en enhets
förändring i varje egenskap/variabel, givet att alla andra egenskaper. Vissa variabler kan dock
vara korrelerade, vilket kommer resultera i liknande förändringar i deras värden.
3.2 Mincerekvationen
Mincer-ekvationen är en humankapital-lönefunktion, namngiven efter Jacob Mincer (Mincer,
1974). Lemieux (2006) menar att den är en av de mest använda modellerna i empirisk
nationalekonomi. En vanlig specifikation är att anta att logaritmen av löner förklaras av antal
år av utbildning och år av arbetslivserfarenhet enligt formeln:
2
210lnln rSyy (2.0)
Där variablerna har följande innebörder; y är lönen (𝑦0 är lönen för någon med ingen
utbildning och ingen erfarenhet); S är antalet skolår av utbildning, X är år av potentiell
arbetslivserfarenhet av arbetsmarknaden. I den här studien är arbetsmarknaden den globala
ishockeyarbetsmarknaden men där endast den svenska spelarmarknaden (SHL) utgör grunden
för analysen. Utbildning, S, utelämnas och olika prestationsvariabler samt spelaregenskaper
och erfarenhetsfaktorer inkluderas i X.
6
4. Tidigare studier
Det har gjorts mycket forskning på lönefaktorer och modellering av löneekvationer inom
professionell idrott. Exempel på tidigare forskning som den här studien bygger på är Vincent
och Eastman (2009). Deras studie inkluderade karriärinformation på 625 NHL-spelare varav
407 forwards och 218 backar. Genom att använda data från perioden före 2004/2005
lockouten, gör de kvartilregression för att estimera en löneekvation för forwards och backar i
NHL. Med OLS erhöll de resultatet att koefficienterna för erfarenhet, poängsnitt, selektering
till Allstar-laget, att ha blivit draftad i de två första rundorna samt spelarens aggressivitet
(mätt som utvisningsminutsnitt) har det förväntade positiva tecknet och de skattade
parametrarna är signifikanta till 95-procentsnivån. De skattade parametrarna för de
bakgrundsvariablerna, vilken liga spelarna kom ifrån till NHL, var inte signifikanta och hade
försumbara koefficienter. Koefficienten för spelarnas längd var inte signifikant medan vikt
hade ett negativt tecken och signifikant till 90-procentsnivån. Genom att kontrollera för
variabeln längd kunde man se att det verkar som att tyngre forwards inte kan vara lika
offensivt produktiva och därför inte lika välavlönade även om marginaleffekten på lönen var
ganska liten. Genom uppmätning med pseudo-𝑅2 för kvartilregressionerna kunde visas att
löneekvationen förklarar 32 procent av variationen vid den 10:e kvartilen och
förklaringskraften ökar stadigt över den villkorade fördelningen till 62 procent vid 75:e och
90:e kvartilerna.
Resultatet från Vincent och Eastman (2009) studie visar att koefficienterna för erfarenhet,
poängsnitt och stjärnstatus har positivt tecken och signifikant effekt på lönen. Samtidigt fann
man att de skattade parametrarna för längd, plusminus och klubbens intäkter inte var
signifikant vid någon av kvartilerna. Koefficienten för spelares vikt hade en negativ och
marginellt signifikant påverkan endast vid medianen. Kvartilregressionerna visade också att
förhållandet mellan utvisningssnitt och lönen är mer komplext än det som föreslås av tidigare
studier (OLS). Även om den skattade parametern för utvisningssnitt är signifikant i tidigare
studier, visar kvartilregressionerna att koefficienten är signifikant enbart för spelarna på den
övre halvan av inkomstfördelningen. Lag betalar alltså tid spenderat i utvisningsbåset för
vissa spelare från medianlön och uppåt men lågavlönade spelare belönas inte för att sätta sitt
lag i numerärt underläge.
Säsongen efter 2004-2005 års lockout, slöts ett nytt kollektivavtal mellan NHL och
spelarfacket NHLPA. I detta avtal skrevs att en spelare under 27 år som har mindre än 7 års
7
erfarenhet i NHL skulle anses vara ”restricted free agent”. Det påverkar vad man har rätt till i
förhandlingar av nya kontrakt och förväntas därför påverka resultatet av regressionen. Peck
(2012) inkluderar data på 710 spelare vilket var alla som uppträdde i mer än 15 av 82
grundseriematcher i NHL säsongen 2011-2012. Peck (2012) fann i sin regressionsanalys fyra
signifikanta skattade parametrar för variabler i form av mål, assist, antal matcher i karriären
och position. Som förväntat var tecknet positivt för mål, assist och spelade matcher. Den
skattade parametern för spelarposition påverkade lönen negativt. Det visade att backar i
medelvärde tjänar mer än forwards. Resultaten stödjer tesen om att grupperna har inbördes
skillnader som separerar dem. Tre koefficienter visade sig vara insignifikanta. Dessa var för
variablerna plusminus, lagets intäkter och Allstar-uppträdande, vilka inkluderats för att se vad
som påverkar marginalintäkten av arbetskraften för klubben.
Resultaten illustrerar att det finns anmärkningsvärda likheter mellan sportarbetsmarknader
och normala arbetsmarknader. Det som skiljer sig är den guldgruva av data som finns
tillgänglig för produktiviteten hos varje enskild spelare. På grund av det här unika faktumet
blir variation i lön lättare att analysera, med erfarenhet, men även prestationsindikatorer, såväl
som mått på marginalintäkt som förklarande variabler.
Jolly och Hill (2012) skriver i sin studie att traditionella fackförbund försöker
institutionalisera betalning(lön) mellan arbetare genom att minska produktivitetsrelaterade
skillnader i löner och ökande betalningsskillnader baserat på högre rang och lång
tjänstgöringstid eller andra icke produktivitetsrelaterade egenskaper. Förändringar som gjorts
av kollektivavtalet i basketligan National Basketball Association (NBA) påverkar
lönefördelningen för spelarna över tid. I studien undersöker man lönebestämmande-processen
i världens bästa basketliga utifrån dessa aspekter.
Jolly och Hill (2012) använder sig av årlig statistik för NBA-spelare mellan 1989 och 2008,
lönedata mellan 1990 och 2008 och biografiska data, vilka består av längd, vikt, födelsedatum
och en dummy-variabel, lika med noll för amerikanska spelare med afrikanskt ursprung och
ett för alla andra. Syftet med denna studie är att analysera hur kollektivavtalet som infördes
1998 alternerade lönefördelningen och erfarenhetens inkomstprofil för basketspelare över tid.
Med fokus på samtliga spelare i urvalet, visade resultaten att ojämlikheten ökade avsevärt till
mitten av 1990-talet oavsett vilken data som användes. Gini-koefficienten är som högst 1997
med ett värde på 0,53 och Theil indexet når en topp på 0,547 år 1996. Efter dessa år avtar och
minskar de båda måtten. Regressionen där lönen är den beroende variabeln visar att alla
8
använda koefficienterna för erfarenhet, produktivitet och draftnummer har förväntat tecken
och är signifikanta till 99-procentsnivån. Koefficienterna för spelarens längd och ursprung
visar att längd har det förväntade positiva tecknet och är signifikant på lägre nivå mellan åren
1995-1997, signifikant på hög nivå över samtliga år och positiv men inte signifikant för
perioden 1998-2004. Koefficienten för dummy-variabeln ursprung är inte signifikant för hela
den undersökta perioden, men positiv och signifikant på 99-procentsnivån för de sista
perioderna. De argumenterar att detta resultat kan bero på korrelationen mellan längd och
ursprung. Även den här studien visar att man kan förklara variationen i löner hos elitidrottare
med hjälp av regressionsmodeller med prestationsindikatorer och egenskaper och få
signifikanta resultat.
Leeds et al. (2011) analyserar förklarande variabler för spelarlöner i Nippon Professional
Baseball (NPB) genom användning av prestationsdata från 2004 till 2006 och kompenserande
data från 2005 till 2007. De finner att lönerna i NPB bestäms av andra faktorer än de som de
som avgör lönerna i Major League Baseball (MLB). De finner även att erfarenhet spelar en
signifikant roll i lönesättningen, vilket betyder att den japanska prioriteringen av äldre spelare
fortfarande existerar i NPB. Slutligen visar de att koefficienten för variabeln ”free agency”,
alltså de spelare som är helt fria att förhandla på en konkurrensutsatt marknad, har relativt
liten påverkan på lönerna i NPB, vilket betyder att spelarna i NPB utsätts för större
monopsoni1 makt än spelare i MLB.
Lönen för professionella basebollspelare är förmodligen det mest studerade ämnet inom sports
economics. Den existerande litteraturen har mestadels fokuserat på effekten av monopsoni
makt, fackföreningar, diskriminering och ”free agency” på lönerna för nordamerikanska
spelare i MLB. Studier för lönesättning i baseboll går tillbaka än till Rottenberg (1956) och
hans analys av effekten av monopsoni makt utövad av ägarna. De mest anmärkningsvärda
studierna på arbetsmarknaden för baseboll har för övrigt gjorts av Scully (1974), Zimbalist
(1992), Krautman (1999) och Krautman et al. (2000). I samtliga dessa studier har de använt
empiriska modeller som designats för att jämföra spelares löner med deras
marginalproduktivitet. Scully (1974) och Zimbalist (1992) har samma ansats. De använder en
tvåstegsmodell där de först mäter hur individuell prestation påverkar lagets prestation, mätt
som vinstprocent. I nästa steg skattar de hur lagets vinstprocent påverkar klubbens intäkter.
1 För förklaring av monopsoni se Appendix sida 26
9
Detta möjliggör att man kan simulera individuella spelares påverkan, marginaleffekt på
klubbens intäkter, vilket blir spelarens marginalproduktivitet av arbetskraft.
5. Data
Till skillnad från en vanlig arbetsmarknad som använder faktorer som ålder, utbildning,
erfarenhet med mera för att bestämma marginalproduktivitet för arbetaren, så är idrottsligorna
unika på det sättet att egenskaper kan tas från förhållandevis lätt insamlande
prestationsindikatorer. Det finns alltså stora fördelar när man ska hitta mått på
förklaringsvariabler för idrottslöner. Lönedata i den här studien har hämtats från Skatteverket,
dels via telefonkontakt, dels via email, och dels via ordinär postgång. Totalt kunde uppgifter
för 285 SHL-spelares taxerade årsinkomst 2012 erhållas. För övrigt datamaterial har tre
databaser använts, dessa är Svenska Ishockeyförbundets, Svenska Hockeyligan samt
Eliteprospects, 2 som innehåller namn, personnummer (6 siffror), längd, vikt, mål, assist,
matcher, utvisningsminuter och plusminus för samtliga spelare. Dessutom fanns tillgänglig
statistik för 147 av de 285 spelarna för istid per match, antal skott och tacklingar per säsong
på SHLs hemsida för säsongen 2010/2011.
5.1 Urval
Spelare som representerat ett SHL-lag i minst fem av de 55 ordinarie omgångarna i
grundserien säsongen 2011-2012 och/eller 2012-2013 och där lönedata funnits tillgänglig har
inkluderats i studien. 285 av totalt 370 utespelare som spelat minst en match i SHL säsongen
2012-2013 har inkluderats, varav 97 backar och 188 forwards. Det betyder att mer än 77
procent av spelarpopulationen är med i urvalet. Av de 85 spelarna som exkluderades var ca 40
procent utländska spelare och 60 procent var juniorer som ännu inte hade ett a-lagskontrakt.
Till följd av bortfallet som inkluderade förhållandevis många utländska spelare, vilka ofta
tillhörde högproducerande spelare så kan vi förvänta oss att den totala lönenivån i
verkligheten ligger något högre än den som anges i denna studie. Dock skall tilläggas att
många av de som exkluderats vilka inte ännu hade fått något a-lagskontrakt, oftast spelade
utan lön. Det gör att lite av effekten som blir av att de högavlönade utländska spelarna
exkluderats, tonas ned av motsatta effekt av de lågavlönade spelarna som exkluderats.
2 Stats.swehockey.se; shl.se; eliteprospects.com
10
5.2 Deskriptiv statistik
Studien inkluderar totalt 285 spelare som spelat mer än fem SHL-matcher, under taxeringsår
2012, d v s säsongen 2011-2012 samt 2012-2013. Lönedata visar att den totala utbetalda
lönen till de 285 spelarna för taxeringsår 2012 var 177 511 884 kr, vilket ger en medellön på
ca 52 000 kr i månaden, enligt Tabell 5.1 och en hypotetisk spelarbudget per lag på ca 20
miljoner kr. Inom urvalet finns en stor spridning mellan lågavlönade, oetablerade juniorer,
och högavlönade, etablerade stjärnor, vilket visar sig tydligt i lönens standardavvikelsen på ca
42 000 kr. Av de undersökta spelarna har ca 32 % representerat seniorlandslaget och ca 74 %
har representerat pojk- eller juniorlandslag. De har i medelvärde spelat ca 117 SHL-matcher, i
medianvärde spelat 50 SHL-matcher med en standardavvikelse på 149 matcher. Spelarna har
ett målsnitt per SHL-match på ca 0,08 med en relativt hög standardavvikelse på ca 0,1.
Spelarna har producerat i medelvärde 0,19 poäng per match, har i medelvärde 0,39
utvisningsminuter per match och plus 2,1 mål i karriären, vilka är de viktigaste (mest
använda) måtten på offensiv produktion, aggressivitet och defensiv kapacitet när man skattar
spelares marginalproduktivitet. Vad gäller spelares strukturella egenskaper finner vi att
spelarnas medelålder i SHL är 26,4 år och medellängd ca 184 cm, medelvikt ca 87 kg vilket
ger att medelvärdet för spelarnas BMI är 25. Antalet spelade KHL- och NHL-matcher skiljer
sig mycket åt inom urvalet vilket speglas av de höga standardavvikelserna på 16 matcher för
KHL-spel och hela 110 matcher för NHL-spel. Detta beskriver faktumet att väldigt många
spelare har ej överhuvud taget spelat i NHL, medan ett fåtal haft långa karriärer i NHL med
flera hundra matcher innan de återgått till SHL-spel.
De övriga prestationsvariablerna istidssnitt, spelade minuter per match samt antal skott och
tacklingar per säsong, ger stora standardavvikelser och visar de stora skillnaderna mellan
stjärnspelare med mycket speltid och oetablerade spelare få spelade minuter per match.
Medelvärdet för samtliga spelare är ca 6,4 minuter, vilket inte är representativt för etablerade
spelare. Antal skott på mål per säsong fick ett medelvärde på ca 59, men även där märker vi
att det finns väldigt stor variation mellan spelare. Tacklingar är jämnare fördelat över urvalet
men har en standardavvikelse på ca 25 tacklingar per säsong.3
Variablerna med starkast positiv korrelation har koefficienter över 0,5, där vi kan se en rad
intressanta samband. Vi ser att beroende variabeln lön, har en stark positiv korrelation med
SHL-matcher, ålder och antalet skott samt mål-, asisst-, poäng- och istidssnitt. Att ha
3 För deskriptiv statistik uppdelat mellan back och forwards se Tabeller och Figurer sida 28-29
11
representerat seniorlandslag har också relativt stark korrelation med lön (0,4534). Vi ser även
att forward har en stark positiv korrelation med målsnitt. Att ha representerat seniorlandslag
korrelerar starkt med erfarenhetsmåtten SHL-matcher, ålder, samt de indirekta
produktivitetsmåtten istidssnitt och skott. Dessutom ser vi att erfarenhet i form av antalet
spelade matcher i SHL samt spelarens ålder samvarierar starkt med lönen. Dessutom
korrelerar SHL-matcher positivt med poäng- och istidssnitt och allra starkast med det andra
erfarenhetsmåttet, d v s spelarens ålder.
Tabell 5.1. Deskriptiv statistik
Variabel Medelvärde Median Std.av Min Max n
Lön 51 904 44 083 41 630 0 235 800 285
Back 0,34 0 0,48 0 1 285
Forward 0,66 1 0,48 0 1 285
Landslag 0,33 0 0,47 0 1 285
Juniorlandslag 0,74 1 0,44 0 1 285
SHL-matcher
Målsnitt
Assistsnitt
Poängsnitt
Utvisningsminutsnitt
Plusminus
Ålder
Längd
Vikt
BMI
KHL-matcher
NHL-matcher
Istidssnitt
Skott
Tacklingar
117
0,08
0,12
0,19
0,40
2,07
26,38
183,56
87,43
25
3,25
26,04
6,43
58,62
25,27
50
0,03
0,07
0,11
0,26
0
26
184
87
25
0
0
15,21
59
20
149,44
0,10
0,13
0,22
0,54
20,41
5,36
5,11
6,61
0
16,15
109,79
8,40
39,45
25,04
0
0
0
0
0
-74
18
168
69
21,45
0
0
0
0
0
744
0,47
0,53
0,85
2,93
131
41
204
107
29,03
196
798
24,05
178
121
285
285
285
285
285
285
285
285
285
285
285
285
147
147
147
Skatteverket, Eliteprospects.com och SHL.se
Att ha spelat många matcher i SHL korrelerar också starkt med att ha representerat
seniorlandslaget. Detsamma gäller även för spelarens ålder, ju äldre spelare ju större chans är
det att denne har representerat sitt landslag i seniorsammanhang. Målsnitt korrelerar starkt
med assistsnitt. Intressant är även att assistsnitt, som är ett mått på offensiv produktivitet, har
en stark positiv korrelation med det defensiva produktivitetsmåttet plusminus. Mål-, assist-
12
och poängsnitt korrelerar alla starkt positivt med ålder. Både assist- och poängsnitt (målsnitt
precis under 0,5) korrelerar starkt med istidssnitt. Desto mer en spelare är på isen desto fler
poäng gör denne. Ännu starkare positivt samband finns mellan antalet skott på mål och
spelarens mål-, assist- och poängsnitt, där målsnitt och skott på mål korrelerar allra starkast
med en positiv korrelation på ca 0,73. Utvisningsminuter korrelerar starkt med tacklingar och
dessutom korrelerar istid och skott starkt positivt med varandra. 4
Tabell 5.2. Korrelation
Lö
n
Fw Land J-l SHL Mål Ass Po Utv P-
M
Å L V BMI KHL NHL
Lön 1,0
0
Forward 0,0
1
1,00
Landslag 0,45
0,00 1,00
J-landslag 0,1
1
-
0,01
0,15 1,00
SHL-
matcher
0,5
3
0,08 0,61 0,02 1,00
Mål 0,55
0,51 0,40 -0,18
0,47 1,00
Assist 0,5
7
0,25 0,42 -
0,22
0,46 0,77 1,00
Poäng 0,60
0,37 0,45 -0,22
0,51 0,92 0,96 1,00
Utvis.min 0,3
1
0,05 0,36 0,04 0,44 0,36 0,28 0,33 1,00
Plusminus 0,25
0,07 0,19 -0,20
0,29 0,39 0,52 0,49 0,17 1,00
Ålder 0,6
3
0,08 0,58 -
0,25
0,79 0,61 0,61 0,65 0,48 0,35 1,00
Längd 0,11
-0,14
0,12 0,00 0,05 -0,05
-0,09
-0,08
0,08 0,03 0,06 1,00
Vikt 0,1
4
-
0,12
0,20 -
0,09
0,18 0,01 -
0,08
-
0,04
0,27 -
0,06
0,23 0,64 1,00
BMI 0,06
0,00 0,13 -0,12
0,19 0,07 0,00 0,04 0,26 -0,11
0,24 -0,20
0,63 1,00
KHL-
matcher
0,0
8
0,04 0,21 -
0,09
0,21 0,21 0,23 0,24 0,07 0,16 0,25 0,06 0,04 -
0,01
1,00
NHL-
matcher
0,29
0,02 0,26 0,03 0,20 0,23 0,26 0,26 0,19 0,23 0,44 0,10 0,07 -0,01
0,09 1,00
Skatteverket, Eliteprospects.com och SHL.se
Intressant är även att forward korrelerar negativt med egenskaperna längd, vikt och BMI.
Forward korrelerar negativt med istid vilket gör att vara forward gör att man jämförelsevis har
mindre speltid än backar. Att ha representerat sitt land i pojk- och/eller juniorlandslaget
korrelerar negativt med alla variabler utom SHL-matcher, utvisningsminuter, NHL-matcher
och tacklingar. Både mål- och assistsnitt har en negativ korrelation med spelarnas längd.
Plusminus har en negativ korrelation med spelarnas vikt och BMI. Intressant är även att
4 För korrelationstabeller uppdelat mellan backar och forwards se Tabeller och Figurer sida 26-27
13
tacklingar korrelerar negativt med plusminus. Dessutom korrelerar spelarens längd negativt
med både istid och skott, vilka kan sägas beskriva hur mycket en spelare används och hur
aktiv spelaren är i sitt offensiva spel.
6. Empirisk modell och ekonometrisk specifikation
Den empiriska modellen består av 13 variabler där lön är den beroende variabeln som
förklaras med hjälp av 12 variabler som ska motsvara spelarnas offensiva produktivitet,
defensiva kapacitet, aggressivitet, kroppsliga egenskaper samt erfarenhet och stjärnstatus.
matcherNHLMatcherKHLBMILängd
usPlusutsnittUtvisningstAssistsnitMålsnitt
matcherSHLslagJuniorlandLandslagBackLÖN
1211109
min8min765
4321
(3)
Dummy-variabeln för back/forward ska visa de olika spelarpositionernas påverkan på
spelarlönen. Referensvariabeln back förväntas få ett positivt tecken även om forward är den
position som oftare får mer medial uppmärksamhet och avgör fler matcher, detta i enlighet
med resultaten i tidigare studier. Landslag är en dummy-variabel där de som spelat i sitt lands
seniorlandslag innan säsongen 2011-2012 fått en etta och alla andra en nolla. Att representera
seniorlandslaget är ett erfarenhetsmått såväl som ett stjärnstatusmått vilket förväntas ha
positivt tecken. Variabeln juniorlandslag fungerar på samma sätt som landslag och är
ytterligare ett mått på erfarenhet och stjärnstatus. Att spelaren representerat något av lagen
eller både pojk- och juniorlandslag från U16 till J20 förväntas höja lönen, speciellt om
spelaren fortfarande är ung och kan anses ha stor utvecklingspotential och vara ett löfte för
framtiden.
SHL-, KHL- och NHL-matcher fångar tidsaspekten som är av stor betydelse för spelares
erfarenhet och tar i viss mån med samma egenskaper som åldern fångar. Dessa
förklaringsvariabler är erfarenhetsmått och kan även inkludera värden som rutin, en spelares
förmåga att hålla sig skadefri eller att ha vunnit många matcher i sin karriär. Dessa
parametrars förväntade tecken är positiva, där varje extra match som spelarna skaffar sig i
erfarenhet värdesätts så att lönen höjs, dock förväntas en avtagande marginalnytta för dessa
tidsbaserade variabler. Dessutom förväntas NHL-matcher ha större positiv påverkan på lönen
än KHL-matcher, samtidigt som KHL-matcher förväntas ha större påverkan än SHL-matcher,
vilket är i enighet med de olika ligornas världsranking.
14
Tabell 6.1. specificerar förväntat tecken för respektive variabel
Oberoende Variabel Förväntat tecken
Back +
Landslag +
Juniorlandslag +
SHL-matcher +
Målsnitt +
Assistsnitt +
Utvisningsminutsnitt -
Plusminus +
Längd +
BMI +
KHL-matcher +
NHL-matcher +
Målsnitt är ett mått på offensiv produktivitet och förväntas ha positiv påverkan på lönen. Att
göra fler mål per match förväntas öka lönen, speciellt för forwards men även för backar.
Assistsnitt är ytterligare ett prestationsmått som mäter hur många målgivande passningar
spelaren har gjort under sin karriär per spelad match. Assistsnitt är det andra huvudsakliga
offensiva produktivitetsmåttet och bildar tillsammans med målsnitt spelarens totala
poängsnitt. För offensiva spelartyper är detta den ultimata estimatorn för offensiv
produktivitet och därför förväntas dessa variabler ha stor positiv påverkan på lönen.
Utvisningsminutsnitt är ett mått på spelarens aggressivitet eller intensitet i spelet, vilket i vissa
studier har haft ett förväntat positivt tecken. Dock är minuter spenderade i utvisningsbåset
ofta en nackdel för det egna laget och förväntas i den här studien ha ett negativt tecken, d v s
ju fler utvisningsminuter per spelad match ju lägre lön. Utvisningsminutsnitt förväntas också
ha mindre negativ påverkan för defensiva spelartyper som ofta sätts i situationer på planen där
det är nödvändigt att ta en utvisning för att förhindra motståndaren från att göra viktiga mål.
Därmed förväntas en mindre negativ påverkan på lönen för backar än för forwards.
Plusminus är ett mått på defensiv produktivitet. Det mäter hur många gånger som spelaren
befunnit sig på isen när det egna laget gjort mål minus när motståndarna gjort mål, vid spel
15
med lika många spelare på planen. Att ha varit på planen vid fler plusmål förväntas ha en
positiv påverkan på lönen. Kroppslängd och kroppssammansättning, mätt som längd i
centimeter och BMI, förväntas ha en positiv påverkan på lönen. Större spelare har i allmänhet
större styrka än mindre spelare, vilket anses positivt för förutsättningarna att prestera, speciellt
i defensiven. Därmed förväntas en positiv påverkan med ökande kroppsstorlek, dock med
avtagande marginalnytta, då en för tung eller överviktig spelare inte kommer att ha fördel av
att bli tyngre. BMI har valts som mått, eftersom det är relaterat till kroppslängden och ger en
bild av spelarens kroppsliga sammansättning. BMI blir för hockeyspelare i regel ett mått på
hur mycket muskelmassa man har och därigenom ett indirekt mått på fysisk styrka. En
starkare spelare förväntas ha fördelar i det defensiva spelet och därmed är det förväntade
tecknet på koefficienten för BMI positiv.
7. Resultat
Studien presenterar resultat från tre olika regressionsmodeller. I Modell 1 inkluderas samtliga
18 förklaringsvariabler. I Modell 2 har de tre variablerna istidssnitt, skott och tacklingar tagits
bort för att kunna få fler observationer på övriga 15 variabler. I Modell 3 har hänsyn tagits till
korrelation mellan dessa 15 variabler och variablerna poängsnitt, ålder och vikt uteslöts på
grund av sin höga korrelation med andra variabler. Resultaten från regressionsanalysen visar
att variablerna; landslag, juniorlandslag, SHL-matcher, poängsnitt, ålder, vikt och NHL-
matcher har positiva koefficienter samt att utvisningsminutsnitt har en negativ koefficient. I
Modell 1 är samtliga signifikanta till 90-procentsnivån utom juniorlandslag och
utvisningsminuter, vilka är signifikanta till 90-procentsnivån i Modell 2 men är inte
signifikanta i Modell 3. De uppmätta p-värdena i Modell 2 visar att fem av 15 är signifikanta
till 95-procentsnivån och 9 av 15 är signifikanta till 90-procentsnivån.
Förklaringsvärdet i form av justerade 𝑅2är 0,43 i Modell 3 och 0,49 i Modell 2, där ytterligare
tre oberoende variabler i form av poängsnitt, ålder och vikt inkluderades. I Modell 1
inkluderades ytterligare tre variabler, vilka var istidssnitt, skott och tacklingar per säsong och
hade en förklaringsgrad på 0,49. De koefficienter som avviker mot det förväntade tecknet i
den slutgiltiga regressionen, Modell 3, är för variablerna back, plusminus och KHL-matcher.
Av dessa är back och KHL-matchers koefficienter signifikanta till 95-procentsnivån medan
plusminus skattade parameter inte är signifikant i någon av modellerna. Genom att utesluta
den oberoende variabeln poängsnitt som är starkt korrelerad med målsnitt och assistsnitt så
16
skiftade koefficientens tecken från negativt till det förväntade positiva och både mål- och
assistsnitt blev signifikanta till 95-procentsnivån.
Tabell 7.1 visar de tre regressionsmodellerna som använts i studien
Modell 1 Modell 2 Modell 3
Variabel Koefficient T-värde Koefficient T-värde Koefficient T-värde
Back 9 043 1,44 9 075*** 2,13 9 604*** 2,15
Landslag -1 612 -0,27 11 815*** 2,16 15 963*** 2,81
Juniorlandslag 2 538 0,39 8 679** 1,95 641 0,14
SHL-matcher 24 0,89 2 0,09 54*** 2,77
Målsnitt 33 000 0,27 -9 714 -0,08 112 011*** 2,60
Assistsnitt -22 873 -0,21 -51 577 -0,41 72 617*** 2,49
Poängsnitt 71 402 0,66 105 604 0,86
Utvisningsminussnitt -3 095 -0,57 -9 128*** -2,05 -7 552 -1,62
Plusminus -95 -0,98 -77 -0,79 -93 -0,90
Ålder 1 346 1,27 3 334*** 5,26
Längd -13 697 -1,30 -10 937** -1,66 141 0,37
Vikt 15 116 1,39 11 394** 1,66
BMI -51 559 -1,41 -39 360** -1,7 1 040 0,77
KHL-matcher -432*** -2,16 -322*** -2,69 -296*** -2,36
NHL-matcher 16 0,71 4 0,23 35** 1,91
Istidssnitt 1 340** 1,69
Skott 42 0,40
Tacklingar -10 -0,08
Konstant* 2 511 722 1,29 1 974 008 1,63 -29 775 -0,37
n= 147 285 285
Justerade R²= 0,49 0,49 0,43
**=P-värde mindre än 0,1 ***=P-värde mindre än 0,05 Skatteverket, Eliteprospects.com och SHL.se
De skattade parametrarna med lägst t-värden i Modell 3 är för juniorlandslag, plusminus,
längd och BMI, vilket delvis är ett resultat av att det finns en stor spridning hos de variablerna
med relativt höga standardfel. Koefficienterna för variablerna back/forward, landslag, SHL-
och KHL-matcher samt mål- och assistsnitt är signifikanta på 95-procentsnivån. Erfarenhets-
och stjärnstatusmåttet NHL-matchers koefficient är signifikant på 90-procentsnivån. Genom
att utesluta den oberoende variabeln ålder och behålla SHL- tillsammans med KHL- och
NHL-matcher som erfarenhetsmått kunde signifikansen höjas till 95-procentsnivån för dessa
skattade parametrar.
17
Storleken på koefficienterna visar att spelarposition, landslagsmeriter, målsnitt och assistsnitt
är de variabler som har störst påverkan på lönen. Dessutom kan vi se att i samtliga tre
modeller har utvisningsminutsnitt en stor negativ påverkan på lönen.
8. Diskussion
8.1. Analys och diskussion om korrelationsresultaten
Hög offensiv produktivitet påverkar lönen starkt positivt, både genom att höja sitt mål- och
assistsnitt så kommer lönen att öka. Eftersom forwards i medelvärde har högre offensiv
produktivitet än backar förväntade vi oss högre lön i medelvärde för forwards. Men eftersom
lagen använder sig av fler forwards än backar så kommer standardavvikelsen för forwards lön
att vara större än backars, även sett över hela ligan, eftersom lönen kommer att skilja sig
mycket mer mellan de mest högavlönade och de lågavlönade forwards jämfört med backarna.
Variabeln landslag korrelerar starkt med erfarenhetsmåtten SHL-matcher och ålder, där
tidsaspekten är av vikt för den underliggande förklaringen. Desto äldre man blir, ju fler
matcher man spelar, desto större är chansen att få representera landslaget. Detta gör att alla de
här erfarenhetsmåtten tillsammans får väldigt stor positiv påverkan på lönen, vilket gör att
äldre spelare får högre lön och ålder blir en signifikant faktor med stor påverkan men
egentligen är det inte den stigande åldern som spelare belönas för. De indirekta
produktivitetsmåtten istidssnitt och skott korrelerar också starkt med landslaget, vilket betyder
att ju fler skott och ju mer istid en spelare har desto större chans är det att denne kommer med
i landslaget. Att ha mycket speltid och därmed synas mycket och få mycket tid på sig att vara
aktiv och produktiv i sitt offensiva spel genom att skjuta mycket och göra mycket poäng
kommer att öka chansen att få representera landslaget.
Målsnitt korrelerar starkt med assistsnitt vilket tyder på att en offensivt produktiv spelare ofta
är produktiv både genom att göra mål själv och passa pucken till sina lagkamrater som gör
mål. Det är också intressant att assistsnitt, har stark positiv korrelation med det defensiva
produktivitetsmåttet plusminus. Kanske har en spelare med bra spelförståelse förmågan att
”läsa spelet” bra i både offensiva och defensiva situationer? Intressant är dessutom att se
positionen forward korrelerar negativt med längd, vikt och BMI, vilket tyder på att spelarens
storlek har mindre betydelse för en forward än för en back. Poängsnitt korrelerar negativt med
storlek och kanske är det så att små spelare måste vara mer offensivt produktiva för att få
18
speltid i SHL medan stora spelare ofta anses ha defensiva fördelar, genom att med sin fysik
kunna sätta stopp i spelet för motståndarna. Tacklingar som tillhör både offensiv och defensiv
produktion beroende på hur de utnyttjas, korrelerar negativt med plusminus. Kanske är det så
att de som tacklas mycket spelar i de lägre rankade ”femmorna”, där istiden är mindre och där
man ofta spelar med mindre offensivt produktiva spelare vilket gör att man inte är inne på lika
många plusmål framåt som de i de högre rankade femmorna.
8.2. Analys och diskussion av regressionsresultaten
Back hade som förväntades en positiv koefficient och påverkan på lönen vilket
överensstämmer med tidigare forskning. Det kan bero på att backar ofta har mer speltid än
forwards, vilket gör att de blir viktiga för laget. Vi kan se att de skattade parametrarna för
samtliga tre offensiva produktivitetsvariabler har stor och signifikant effekt på spelarnas lön,
vilket är i enlighet med tidigare forskningsresultat. Att den skattade koefficienten för offensiv
produktivitet är högre än koefficienten för spelade matcher överrensstämmer med att spelarna
i medelvärde har många fler spelade matcher än mål och assist. Men över tid så ger extra
matchers erfarenhet ändå relativt stor påverkan på lönen, eftersom de samlar på sig fler
matcher än poäng.
En av variablernas koefficienter vars tecken skiljde sig från förväntat tecken och inte var
signifikant var plusminus, vilket är svårt att förklara men troligen så finns en del av
förklaringen i att även denna korrelerar väldigt starkt med mål-, assist- och poängsnitt.
Dessutom kan det finnas andra bakomliggande förklaringar såsom lagets kvalitet och resultat,
som ger väldigt stor effekt på en spelares plusminus, vilket kanske inte alltid speglar hans
individuella defensiva prestationsförmåga eller hur arbetsgivarna ser på denna. Det finns en
logik i att försöka mäta en spelares defensiva kapaciteter som en del av hans lönegrundande
faktorer, men detta är den allra mest svårfångade faktorn. Den skicklighet som för ett tränat
öga kanske är uppenbar, till exempel hos en coach, kanske däremot inte är lika lätt att skriva
ner på papper och göra mätbar. Dessutom som Ashman och Lambrinos (2007) påpekar i sin
studie så är de bästa defensiva spelarna oftast på isen när motståndarna har sina bästa
offensiva spelare ute. Det betyder att de bästa defensiva ofta har de allra tuffaste defensiva
arbetsuppgifterna och därmed blir ett mått där detta inte tagits hänsyn till, såsom plusminus,
svårt att använda för statistiska jämförelser. När man då jämför backar med andra backar rakt
över och inte tar hänsyn till vilka de har matchats med och mot så förstår vi att de kan bli en
jämförelse mellan spelare som har utsatts för helt olika situationer med olika förutsättningar.
19
Detta kan naturligtvis ge ”skeva” eller missvisande resultat när man använder exempelvis
plusminus som mått på defensiv prestation. Som påpekats tidigare så är det också svårt att
fånga defensiv produktivitet med plusminus eftersom det även inkluderar offensiv
produktivitet.
KHL-matcher har också negativ koefficient vilket strider mot det förväntade tecknet och är
svårt att förstå intuitivt men det kan bero på olika faktorer som bör kontrolleras närmare. Till
exempel bör kontrolleras för vilka spelare det är som spelat i KHL och sedan kommit till
SHL. Kan det vara så att i stor utsträckning är det spelare som inte riktigt räckt till i KHL och
kommer till SHL efter att inte ha platsat fullt uti KHL? Att erfarenhet av ett lyckat KHL-spel
skulle ha negativ effekt på lönen är ologiskt och orsakerna till att regressionen visar
signifikant negativ effekt av den skattade parametern bör sökas efter i framtida studier. Det är
tämligen osannolikt erfarenhet av spel i världens näst bästa liga skulle värderas negativt av de
som sätter lönen som spelaren sedan får i SHL. En annan möjlig orsak kan vara att spelaren
tjänat så bra i KHL att denne väljer att avsätta en större del av sin ersättning i pensionsfonder
och istället ha en lägre månadslön när spelaren kommer till SHL. En tredje orsak skulle kunna
vara spelarens ålder, dvs att spelaren har nått sin ”peak” och är på dalande i karriären när de
väljer att spela i SHL efter KHL-spel och därmed inte anses besitta lika stor framtida potential
som en yngre spelare.
Vincent och Eastman (2009) argumenterar för att utvisningsminutsnitt kan fånga upp två olika
effekter. De lågavlönade spelarna kanske i större utsträckning ådrar sig ”onödiga”
hämndutvisningar, vilka inte är associerade med försök att göra mål. Dessa utvisningar skulle
kunna kategoriseras som ”oproduktiva utvisningar”. Högavlönade spelare kanske i större
utsträckning ådrar sig utvisningar medan de pressar motståndarna aggressivt och på det viset
uppvisar mer intensitet i ambition om att erövra och få kontroll på pucken för att kunna göra
mål. Här finns alltså en eventuell skiljande förklaringsmodell för hur utvisningsminuter
påverkar lönen för lågavlönade respektive högavlönade spelare. Något som inte kunnat fångas
in i den här studien.
I den tidigare forskningen har man ofta inkluderat en lagvariabel för att fånga in effekten som
resterande spelarna i laget har på den enskilde spelarens lön. Lagets prestation påverkar alla
delar i en specifik spelares prestation. Likaså hävdar Blair (2012), att en spelare kommer att
ha en högre marginalproduktivitet om han sätts ihop med bättre spelare. Vad gäller
marginalproduktiviteten så kommer naturligtvis ett lag att värdera en spelare med högre
20
marginalproduktivitet högre än en spelare med lägre sådan. Genom att addera ännu mer
begåvade spelare till laget kan man få ut mer av de redan existerande spelarna. Man höjer
”overall utility” på alla sina spelare genom att addera en spelare med högre
marginalproduktivitet. Därmed finns här en källa till mer förståelse och högre förklaringsgrad
som inte utnyttjats i den här studien. Att inkludera lagets inspelade poäng under säsongen, hur
många mästerskap ett lag vunnit eller på något sätt hitta ett mått för den aggregerade
produktiviteten av resten av laget, genom att summera upp ett medelvärde för dessa skulle
kunna hjälpa oss att förstå mer av vad som förklarar lönenivån eller en spelares totala värde
på arbetsmarknaden. Rent intuitivt så känns konceptet med lagets påverkan på spelarens värde
logiskt, ett lag med spelare med hög skicklighet kommer sannolikt att prestera bättre än en lag
som har endast en skicklig spelare som är omringad av mediokra lagkamrater. Eftersom en
spelares värde påverkas så pass mycket av laget som den spelar i så hade det varit intressant
att inkludera en lagvariabel i en liknande framtida studie på SHL.
8.3. Kritisk diskussion om metod och data
Ett antal spelare som inkluderats i studien har 0 i poängsnitt, vilket inkluderar spelare som
inte gjort någon poäng i SHL innan säsongen 2011-2012, ofta oetablerade spelare med
minimal speltid. Det bidrar naturligtvis till en skevhet av de olika skattade parametrarnas
påverkan över hela lönefördelningen i studien vilket hade kunnat skiljas på genom att dela
upp spelarna i grupper, exempelvis så som Vincent och Eastman (2009) gjorde i sin studie där
de delade upp dem i kvartiler utifrån olika grader av lön från lågavlönade spelare till
högavlönade. Då kunde de fånga upp signifikanta skillnader mellan dessa grupper. Att många
av spelarna som utgör bortfallet i den här studien också var utländska spelare, som ofta värvas
in som toppspelare och därmed också ofta är bland de som har de högsta lönerna bidrar till att
siffrorna som studien presenterar kan ligga på en lägre nivå än om dessa spelare hade
inkluderats. Även de utländska spelarna som är med i studien kan mycket väl ha fått en högre
ersättning än de som redovisats som taxerad årsinkomst hos Skatteverket då de kan få ”sign-
on”-bonusar när de skriver på sitt första kontrakt. En annan mycket stor faktor är den att
spelarna ofta lägger en del av sin totala ersättning från klubbarna i olika gynnsamma
pensionsfonder vilka ofta sägs utgöra 30-40 procent av spelarens ersättning. Eftersom
spelarna själva kan välja hur stor del av sin totala ersättning som de vill ta ut i lön respektive
lägga undan i form av pensionsfonder så kommer även detta bidra till en skevhet i bilden av
hur hög total ersättning spelarna har. Generellt sett brukar man också säga att de som tjänar
mer lägger undan mer i pensionsfonder, då de vill hålla sin taxerade årsinkomst under vissa
21
nivåer för att få skattemässiga fördelar. Därmed så kanske de med allra högst ersättning ligger
ännu högre än de siffror som den här studien använder.
Det finns dessutom fler variabler som förklarar och påverkar lönenivån för spelarna i SHL än
de som inkluderats i den här studien. Detta kan vi exempelvis se på förklaringsgraden. Andra
variabler som kan tänkas ha en stor påverkan är klubbens intäkter och lagets prestationer. Det
finns, som nämnts tidigare, visat i tidigare forskning att spela med duktigare lagkamrater höjer
en spelares värde. En annan egenskap som skulle kunna tänkas påverka lönen är fansens
preferenser för spelaren och spelarens rykte och popularitet i media osv. Där har lagen en
potential attraktionskraft och eventuellt ett etablerat namn som man kan tjäna pengar på
genom att sälja matchtröjor och andra souvenirer.
9. Slutsatser
Studien visar i enlighet med tidigare forskning att prestationsindikatorerna mål, assist, poäng
och spelade matcher förklarar variationen i spelarlöner. Studien visar även signifikanta
resultat för andra variabler i form av utvisningsminuter och tidigare erfarenhet av
landslagsspel, selektering i olika stjärnlag eller kroppsliga karaktäristika men dessa är inte lika
enkla att tolka. I den här studien visas att en elitishockeyspelares lön påverkas starkast av
spelarposition (back/forward), landslagsmeriter, målsnitt och assistsnitt.
Hur bestämmer då general managers sitt pris på spelarna när de skriver kontrakt, vad utgår de
ifrån och hur bedöms spelarnas prestation gentemot den lön som de tilldelas varje månad? Att
arbeta fram ekonomiska hjälpverktyg för att bedöma spelare, agenter, sportchefer, klubbägare
och andras arbete blir mer och mer användbart ju mer kapital som idrotten omsätter. Fokus i
den här studien är att applicera statistiska mätningar och nationalekonomisk teori i enlighet
med tidigare forskning och lönebildningsteori på SHL och inte att ta fram några praktiska
verktyg, men modellerna som tagits fram kan ändå anses vara användbara i sådana
sammanhang.
9.1. Tips på framtida forskning
Framtida forskning borde undersöka fler förklaringsvariabler för att fånga in mer av det som
förklarar variationen i spelares löner. Det kan inkludera exempelvis lagmässiga attribut,
såsom inspelade poäng eller klubbens totala intäkter, men även att försöka hitta bättre
prestationsindikatorer. Till exempel att ta fram ytterligare prestationsindikatorer för att fånga
22
spelares defensiva egenskaper där det i nuläget råder brist på bra statistiska mått. Intressant
vore även att inkludera fler bakgrundvariabler som exempelvis vart man spelade som junior
eller vilken nation man kommer ifrån. Ett annan intressant sak hade varit att få tillgång till
data på den totala ersättningsnivån för att inkludera pensionsavsättningar, olika bonusar och
även få med alla utländska spelare som ofta har en annorlunda lönebild jämfört med de
svenska. Det behövs även noggrannare, mer djuptgående studerande av bakomliggande
faktorer till spelarpositionernas marginaleffekt på lönen för att förstå detta, samt varför KHL-
erfarenhet i den här studien visade sig ha signifikant negativ påverkan på lönen.
Referenslista
Elektroniska källor (internet)
Hockeysverige;
http://old.hockeysverige.se/blogg/mikael-mjornberg/14503048/offentliga-loner-vore-bra
2013/06/09
Pucksnack;
http://pucksnack.com/2013/11/22/hockeyloner-och-stolta-svenskar/
Idrottens Affärer;
http://www.idrottensaffarer.se/kronikor/2013/12/hockeylonerna-aktuella-igen
www.dn.se/sport/shl-planerar-lonetak-for-klubbarna/
Vetenskapliga artiklar
Audini, Corrado, “A Dynamic Mincer Equation with an Application to Portuguese Data”,
Applied Economics, June-July 2010, v. 42, iss. 16-18, pp. 2091-98
Vincent, Claude; Eastman, Byron, 2009, ”Determinants of Pay in the NHL: A Quantile
Regression Approach”, Journal of Sports Economics, Juni 2009, v. 10, iss. 3, pp. 256-77
Kahane, Leo H, 2012, “Salary Dispersion and Team Production: Evidence from the National
Hockey League”, The oxford handbook of sport economics, volume 2, Economics through
sports, ISBN 0-19-538778-3, 978-0-19-538778-0, 2012-01-01, pp.153-171.
Peck, Kevin, 2012, “Salary Determination in the National Hockey League: Restricted,
Unrestricted, Forwards, and Defensemen”, Honors Theses. Paper 2327.
23
James R. Hill, Nicholas A. Jolly 2012, “Salary Distribution and Collective Bargaining
Agreements: A Case Study of the NBA”, Volume 51, Issue 2, pages 342–363, April 2012
Lemieux, Thomas, 2006, "The 'Mincer equation' Thirty Years after Schooling, Experience,
and Earnings" in Jacob Mincer: A Pioneer of Modern Labor Economics, Shoshanna
Grossbard, ed., Springer: New York. pp. 127–145.
Mincer, Jacob, 1974, “Schooling, Experience and Earnings”, New York: National Bureau of
Economic Research.
Mincer, Jacob, 1958, "Investment in Human Capital and Personal Income Distribution",
Journal of Political Economy 66 (4): 281–302. JSTOR 1827422
Lambrinos, James, och Thomas Ashman, 2007, "Salary Determination in the National
Hockey League Is Arbitration Efficient?", Journal of Sports Economics 8.207 (2007): n. pag.
Leeds, Michael A.; Sakata, Sumi; von Allmen, Peter, 2012,“Labor Markets and National
Culture: Salary Determination in Japanese Baseball”, Eastern Economic Journal, v. 38, iss.
4, pp. 479-94
Krautmann, Anthony, 1999 “What’s Wrong with Scully-Estimates of a Player’s MRP?”
Economic Inquiry, 37(April): 369–381
Krautmann, Anthony C., Larry Hadley, och Elizabeth Gustafson. 2000, “Who Pays for Minor
League Training Costs?” Contemporary Economic Policy, 18(Januari): 37–47
Krautmann, Anthony C., Peter von Allmen, och David Berri. 2009, “The Underpayment of
Restricted Players in North American Sports Leagues”, International Journal of Sport
Finance, 4(Augusti): 161–175
Rottenberg, Simon, 1956, “The Baseball Players’ Labor Market”, Journal of Political
Economy, 64(Juni): 242–258
Scully, Gerald, 1974, “Pay and Performance in Major League Baseball”, American Economic
Review, 64(December): 915–930
Zimbalist, Andrew, 1992, “Salaries and Performance: Beyond the Scully Model”, Diamonds
are Forever: The Business of Baseball. av Paul M. Sommers, Washington, DC: Brookings
Institute.
Abowd, J, Finer, H, Kramarz, F, 1999, "Individual and Firm Heterogeneity in Compensation:
An Analysis of Matched Longitudinal Employer and Employee Data for the State of
Washington", in J.Haltiwanger, J. Lane, J. Spletzer, K. Troske eds, The Creation and Analysis
of Employer-Employee Matched Data, North-Holland, 3-24.
Böcker
Heinemann, K., 1995, An introduction to sports economics: a handbook, 3-7780-1571-0,
1996180776
24
Blair, Roger D, 2012 “Sports Economics”, New York: Cambridge UP, 2012.
Zimbalist, Andrew, 1992, “Baseball and Billions” New York: Basic Books.
Appendix med Tabeller
Deskriptiv statistik
Tabell A.1. ovan visar deskriptiv statistik för samtliga 97 backar som inkluderades i studien
Variabel Medelvärde Median Std.av Min Max n
Lön 51612 43583 40257 0 171200 97
Landslag 0,75 1 0,47 0 1 97
Juniorlandslag 0,75 1 0,43 0 1 97
SHL-matcher 114,78 39 156,49 0 744 97
Målsnitt 0,04 0 0,05 0 0,19 97
Assistsnitt 0,09 0,06 0,11 0 0,53 97
Poängsnitt 0,12 0,07 0,15 0 0,64 97
Utvisningsminutsnitt 0,40 0,30 0,48 0 2,26 97
Plusminus 1,42 0 19,32 -39 131 97
Ålder 25,96 25 5,6 18 41 97
Längd 184,87 184 5,41 175 204 97
Vikt 88,9 88 7,47 72 107 97
BMI 26 26 1,62 21,50 29,03 97
KHL-matcher 2,86 0 12,85 0 86 97
NHL-matcher 16,17 0 78,34 0 628 97
Istidssnitt 14,89 16,53 6,55 0 24,05 53
Skott 45,02 38 36,5 0 139 53
Tacklingar 22,26 14 25,41 0 99 53
Skatteverket, Eliteprospects.com och SHL.se
25
Figur A.2. ovan visar deskriptiv statistik för samtliga 188 forwards som inkluderades i
studien
Variabel Medelvärde Median Std.av Min Max n
Lön 52 055 45 084 42 426 0 235 800 188
Landslag 0,32 0 0,47 0 1 188
Juniorlandslag 0,73 1 0,45 0 1 188
SHL-matcher 117 53 146,10 0 673 188
Målsnitt 0,10 0,07 0,11 0 0,47 188
Assistsnitt 0,13 0,09 0,14 0 0,52 188
Poängsnitt 0,23 0,16 0,24 0 0,85 188
Utvisningsminutsnitt 0,39 0,22 0,56 0 2,93 188
Plusminus 2,40 0 21 -74 118 188
Ålder 26,59 27 5,24 18 39 188
Längd 182,89 183,5 4,82 168 193 188
Vikt 86,68 87 6,01 69 102 188
BMI 25,9 25,9 1,35 21,45 29 188
KHL-matcher 3,45 0 17,64 0 196 188
NHL-matcher 31,14 0 122,80 0 798 188
Istidssnitt 13,03 14,46 4,72 0 20,18 94
Skott 66,29 65,50 39,16 0 178 94
Tacklingar 26,96 22 24,81 0 121 94
Skatteverket, Eliteprospects.com och SHL.se
Tabell A.2.2. ovan visar fullständig korrelationsdata för samtliga variable för de 97 backarna
i studien
Skatteverket, Eliteprospects.com och SHL.se
26
Tabell A.2.3 visar korrelationskoefficienter för samtliga variabler för de 188 forwards som
inkluderades i studien
Skatteverket, Eliteprospects.com och SHL.se