DE IMPACT VAN HOGER ONDERWIJS OP LONEN

KATHOLIEKE UNIVERSITEIT LEUVEN FACULTEIT ECONOMISCHE WETENSCHAPPEN MASTEROPLEIDING BELEIDSECONOMIE

DE IMPACT VAN HOGER ONDERWIJS OP LONEN EEN VERGELIJKENDE ANALYSE VAN VERSCHILLENDE STUDIERICHTINGEN

Promotor Prof. dr. L. SELS

Masterproef ingediend door

Begeleider Prof. dr. P. VAN ROMPUY

JONAS BOONEN & SARAH STROOBANTS

Leuven 2009-2010

“The most valuable of all capital is that invested in human beings.” Alfred Marshall, Principles of Economics

DANKWOORD Het schrijven van deze thesis was voor ons beide een zeer leerrijke en aangename ervaring. Komende

uit

twee

zeer

diverse

studierichtingen,

namelijk

geschiedenis

en

ingenieurswetenschappen, hadden we een heel andere kijk op de zaken. Deze verschillen bleken erg verruimend en complementair te zijn. Daarnaast leerden we de interessante wereld van de economie een beetje beter kennen. Deze opleiding bleek een nuttige aanvulling op onze eerdere competenties. Professor Van Rompuy, we zijn erg dankbaar dat u ons een eigen onderwerp heeft laten uitwerken en dat u respect had voor ons persoonlijk tijdschema. Ook willen we u bedanken voor de interessante invalshoeken en de sturing waar nodig. Professor Sels, ook u bedanken we graag voor de begeleiding en het aanreiken van de nodige gegevens. Daarnaast appreciëren wij de ruimte die u ons gelaten heeft om een eigen invulling te geven aan ons werkstuk terwijl u ons wel de nodige richtlijnen gaf. Ook de mensen van LOKO mogen hier zeker niet vergeten worden. Zonder studentenvertegenwoordiging hadden we nooit voor dit onderwerp geopteerd en dit soort invalshoeken onderzocht. Bedankt iedereen voor het ongelooflijke jaar en om ons af en toe even met rust te laten. Daarnaast willen we ook Michel Van Loo van Argenta en Bart Van Buggenhout van KBC bedanken voor de nuttige informatie rond consumentenkrediet. Als laatste verdienen Lies, Wim, Benjamien en Karen een bedankje voor het nalezen. Om te besluiten wensen we ook nog al onze andere familie en vrienden, met Jolijn in het bijzonder, te bedanken voor hun steun. Aan diegenen die dit werkstuk in handen krijgen, veel leesplezier gewenst! Jonas en Sarah

INHOUDSTAFEL Introductie ...................................................................................................................................... 1 I.

Lonen in relatie tot onderwijs: de literatuur ............................................................. 3 1.1

Onderwijs als menselijk kapitaal .................................................................................................... 3

1.2

De Mincer vergelijking ......................................................................................................................... 5

1.3

Uitdieping naar studierichtingen.................................................................................................... 9

1.4

De Belgische ‘case’ .............................................................................................................................. 10

II.

Data – Vacature Enquête 2008 .................................................................................... 12 2.1

Selectieve steekproef ......................................................................................................................... 12

2.2

Basisgegevens ....................................................................................................................................... 13

III.

Modellering ...................................................................................................................... 17

3.1

Model voor bruto maandloon........................................................................................................ 17

3.2

Interpretatie van de regressie: algemeen ................................................................................ 20

3.3

Interpretatie van de regressie: diploma- en anciënniteits-effecten ........................... 22

IV.

Vergelijking van standaardprofielen ........................................................................ 25

4.1

Standaardprofielen ............................................................................................................................. 26

4.2

Berekening gewogen brutoloon ................................................................................................... 26

4.3

Gewogen nettoloon............................................................................................................................. 31

4.4

Opgebouwd kapitaal .......................................................................................................................... 32

4.5

Evaluatie en vergelijking.................................................................................................................. 33

V.

Beleidsadviezen .............................................................................................................. 39

VI.

Conclusie ........................................................................................................................... 40

Bibliografie .................................................................................................................................. 41 Bijlagen ......................................................................................................................................... 43

1

INTRODUCTIE In a paper that appeared in 1961, the American economist Schultz observed that “economists have long known that people are an important part of the wealth of nations”. No one could argue with that … . What economists were less willing to acknowledge, Schultz pointed out, is that individuals consciously invest in themselves to improve their own, personal economic returns. A student studies medicine to heal people, but also because doctors earn more than street-sweepers … .1 Theodore Schultz, één van de grondleggers van de ‘human capital theory’, wees er 50 jaar geleden reeds op dat personen investeren in onderwijs vanuit de idee dat die investering na het afstuderen een hoger loon zal opleveren. Daar waar Schultz’ inzicht een halve eeuw geleden verdeeldheid zaaide, is deze zienswijze vandaag de dag tot vanzelfsprekendheid geworden in een maatschappij die zich steeds meer wenst te definiëren als kenniseconomie. Zoals geformuleerd in de Lissabon-doelstellingen van de EU, zullen economieën die de meeste informatie en kennis produceren, in de toekomst ook de meest effectieve zijn.2 Of zoals het in een recente OECD publicatie over menselijk kapitaal wordt verwoord: “The upshot is that brains, not brawn, are increasingly valuable, which is helping to widen the gap in earnings between those who have high levels of education and those who don’t”.3 Zonder uit het oog te verliezen dat ‘geldelijke beloning’ niet de enige en vaak niet de beslissende factor is bij het kiezen van een opleiding, is het redelijk aan te nemen dat individuen zich inlaten met wat ze financieel winnen bij het doorlopen van het door hen gekozen onderwijstraject. Loonsverschillen vormen een niet te onderschatten ‘incentive’ voor individuen om te investeren in een bruikbaar pakket aan kwalificaties via het volgen van (hoger) onderwijs.4 Hoewel er consensus over bestaat dat personen met een hoger niveau van onderwijs ook hogere inkomsten genereren, is het niet eenvoudig dit te kwantificeren. Toch is het exact die kwantificering waar deze paper zich mee inlaat. B. KEELEY (2007), Human Capital - How what you know shapes your life, Parijs, 31. A. SCHLEICHER (2006), The Lisbon Council Policy Brief - The economics of knowledge: Why education is key for Europe’s success, Brussel, 2. 3 KEELEY (2007), Human Capital - How what you know shapes your life, 14. 4 OECD (2009), Education at a Glance 2009: OECD Indicators, Parijs, 138. 1 2

2 Uiteraard is het ‘meten’ van de relatie tussen lonen en onderwijs geen nieuw idee. De vorige decennia verscheen een overweldigende hoeveelheid aan publicaties die focussen op het onderzoek naar het rendement van scholing; zelfs in die mate dat dit waarschijnlijk het meest geëxploreerde ‘topic’ is binnen het domein van ‘labour economics’.5 Keer op keer geven auteurs aan dat het de moeite waard is te studeren; door iedere auteur wordt onderkend dat de beslissing om hoger onderwijs te genieten wel degelijk opbrengt. Zoals de econoom Psacharopoulus opmerkt, nemen slechts weinig auteurs echter de moeite om het effect van de verscheidene opleidingsniveaus op het loon te schatten.6 Nog schaarser zijn studies die zich verdiepen tot op het niveau van afzonderlijke studierichtingen binnen specifieke opleidingsniveaus van het hoger onderwijs. Dit werkstuk wil, wat België betreft, een aanzet vormen in het wegwerken van die lacune. De vraag staat centraal in hoeverre de studiekeuze van een achttienjarige impact heeft op de loonsevolutie van dat individu gedurende zijn loopbaan. Daarnaast wordt onderzocht op welke leeftijd de opportuniteitskosten en de studiekosten van een diploma hoger onderwijs effectief zijn terugbetaald. Uitgaande hiervan, wordt bekeken of het mogelijk is leningen aan te bieden aan studenten met een minder gunstige financiële situatie om het ook voor hen mogelijk te maken te participeren aan hoger onderwijs. In hoofdstuk I wordt het theoretisch kader uitgezet. Vervolgens gaan hoofdstuk II en III in op de beschikbare data en op het model dat wordt vooropgezet om het verband tussen de data en het verwachte loon zo zorgvuldig mogelijk te simuleren. De resultaten hiervan worden voorgelegd in hoofdstuk IV waarna een aantal beleidsaanbevelingen en conclusies worden geformuleerd in hoofdstuk V en VI.

R. BLUNDELL, L. DEARDEN en B. SIANESI (2005), “Measuring the Returns to Education”, S. MACHIN en A. VIGNOLES eds., What’s the Good of Education – The Economics of Education in the UK, New Jersey, 117. 6 G. PSACHAROPOULOS (1993), “Returns to Investment in Education – A Global Update”, World Bank Policy Research Working Paper Series, No. 1067, Washington, 4. 5

3

I. 1.1

LONEN IN RELATIE TOT ONDERWIJS: DE LITERATUUR

ONDERWIJS ALS MENSELIJK KAPITAAL

Zoals aangegeven in de introductie, is het rendement dat individuen uit scholing halen een veel bediscussieerd onderwerp. Onmiddellijk kunnen we de vraag stellen hoe dat te verklaren valt. In een recente publicatie getiteld ‘Education Matters’ geeft de economist Alan B. Krueger aan waarom onderwijs in het middelpunt van de belangstelling is komen te staan van het economisch onderzoek. Een eerste reden heeft te maken met diegenen die het economisch onderzoek initiëren. Het is niet meer dan logisch dat studenten in hogescholen en universiteiten zich de vraag stellen waarom zij in de eerste plaats op de schoolbanken zitten en welke directe consequenties dat heeft voor hun latere loopbaan. De voornaamste reden die Krueger naar voor schuift is echter dat ‘human capital’ de belangrijkste productiefactor is geworden in de moderne economie van vandaag. Krueger merkt daarbij terecht op dat, wanneer men naar slechts één aspect zou kunnen peilen van een individu’s achtergrond om zijn economisch succes te voorspellen, men er goed aan zou doen te vragen naar diens behaalde studieniveau.7 Als derde reden haalt Krueger de robuustheid van de standaard ‘human capital theory’ aan. Het is zonder meer frappant dat onderwijs en inkomen in zowat elke dataset die ooit werd bestudeerd een positieve correlatie vertonen.8 Vooraleer dieper in te gaan op de relatie tussen menselijk kapitaal en inkomens lichten we kort toe wat menselijk kapitaal omvat. In de late jaren 1950 verhoogde de aandacht voor de kwaliteit van arbeid en meer specifiek voor de opleiding van arbeidskrachten. Dit gaf aanleiding tot het lanceren van de theorie van het menselijk kapitaal in de vroege jaren 1960 door Schultz, Gary S. Becker en Jacob Mincer. Deze economen erkenden voor het eerst de cruciale rol die menselijke competenties en kennis te vervullen hebben in het economisch succes van zowel individuen als naties. De OECD (Organisation for Economic Co-operation and Development) definieert menselijk kapitaal als de kennis, vaardigheden, competenties en andere eigenschappen A.B. KRUEGER, red. (2000), Education Matters – Selected Essays by Alan B. Krueger, Cheltenham, xii. R. MILLER (1996), Measuring what people know: human capital accounting for the knowledge economy, Parijs, 19. 7 8

4 belichaamd in individuen die de creatie van persoonlijk, sociaal en economisch welzijn faciliteren.9 De idee die achter de theorie schuilt, is dat mensen in zichzelf investeren om daar later de vruchten van te plukken in de vorm van meer inkomen en verhoogd welzijn. De pioniers van de theorie gingen nog verder door te poneren dat een moderne economie onmogelijk groei kan genereren zonder goed opgeleide arbeidskrachten. Hoewel menselijk kapitaal snel wordt begrepen als ‘onderwijs’, is het belangrijk te onderkennen dat het betrekking heeft op veel meer dan dat. Menselijk kapitaal omvat meer dan het puur economische; een toename in menselijk kapitaal brengt een stijging teweeg van kansen op tewerkstelling, van gezondheid en van engagement in de gemeenschap. 10 Bovendien worden competenties niet enkel gevormd tijdens het schoollopen, maar ook door het opdoen van ervaring gedurende de loopbaan; in de literatuur vaak ‘on-the-job training’ genoemd.11 Het onderscheid tussen onderwijs en ervaring is erg belangrijk aangezien

de

factor

‘ervaring’

eveneens

een

verstrekkende

impact

heeft

op

loonsverschillen. Hoe meer anciënniteit een werkkracht bezit, hoe zwaarder de factor ‘ervaring’ kan doorwegen in het inkomen. Die nuanceringen in acht nemend, gaan we er hier verder van uit dat ‘onderwijs’ de determinant bij uitstek is in de vorming van menselijk kapitaal. Het is dan ook de relatie tussen onderwijs en inkomen die dit werkstuk wenst te belichten, en niet de meer algemene relatie tussen menselijk kapitaal en inkomen. Deze relatie houdt echter een inherent probleem in. Zijn de loonpremia die hoger opgeleiden in de wacht slepen een direct resultaat van hun scholing? Of functioneert het volgen van een opleiding als een selectiemechanisme dat werkgevers toelaat werkkrachten te alloceren naar jobs die een hogere productiviteit vereisen?12 Men kan zich dus afvragen of werkgevers hogere lonen betalen omdat personen academische waardemerken kunnen voorleggen eerder dan dat ze beschikken over kwaliteiten die de productiviteit verhogen. Deze problematiek wordt in de Engelstalige werken als ‘signalling’ en in de Nederlandstalige literatuur als ‘de OECD (1998), Human capital investment: An international comparison, OECD, Paris, 10. KEELEY (2007), Human Capital - How what you know shapes your life, 3. 11 G.S. BECKER (1964), Human Capital – A theoretical and empirical analysis, with special reference to Education, New York en Londen, 30. 12 OECD (1998), Human capital investment: An international comparison, Parijs, 58. 9

10

5 filtertheorie’ betiteld. Enerzijds bewijzen Nonneman en Cortens voor Belgische cijfers dat de filtertheorie wel degelijk invloed uitoefent.13 Anderzijds werd de impact van de filtertheorie door verscheidene auteurs gerelativeerd. Algemeen wordt aangenomen dat de signaalfunctie en academische kwalificaties slechts een zeer klein aandeel van de loonsverschillen geassocieerd met onderwijs verklaren.14 Hoewel de filtertheorie klaarblijkelijk niet substantieel bijdraagt tot het verklaren van loonsverschillen, doen andere componenten dat uiteraard wel. Bepaalde van die componenten, zoals gender, zullen in het eigen onderzoek in rekening gebracht worden. Andere factoren, zoals bijvoorbeeld in welke sector men tewerk gesteld wordt, zullen niet meegenomen worden in de analyse gezien net de impact van onderwijs centraal staat. Belangrijk is vooral in het achterhoofd te houden dat onderwijs slechts gedeeltelijk een verklaring biedt, wat ook valt af te leiden uit de onderzoeksresultaten van studies betreffende het rendement van onderwijs. Om op die resultaten te kunnen focussen, stellen we in dit werk een theoretisch model voor, dat de basis vormt voor de interpretatie van empirische gegevens.

1.2

DE MINCER VERGELIJKING

In 1974 stelde Mincer zijn ‘human capital earnings function’ voor vanuit een poging het causale verband bloot te leggen tussen scholing, ervaring en lonen. Dit model werd al gauw een hoeksteen van empirisch economisch onderzoek. Mincer toonde aan dat het model van menselijk kapitaal een leeftijd-loon profiel genereert van volgende vorm: ln 𝑤 𝑠, 𝑥

= 𝛼0 + 𝜌𝑠 𝑠 + 𝛽0 𝑥 + 𝛽1 𝑥 2 + 𝜀

Waarbij w(s,x) het inkomen voorstelt, s overeenkomt met het aantal jaren scholing, x het aantal jaren werkervaring aangeeft uitgedrukt in leeftijd en ε de foutterm betreft.15 Mincer modelleerde het natuurlijke logaritme van inkomsten dus als een functie van het aantal W. NONNEMAN en I. CORTENS (1995), “De correlatie tussen opleiding en inkomen: de filtertheorie versus de theorie van het menselijk kapitaal”, Economisch en Sociaal Tijdschrift, 49 (1) , 113-139. 14 R. LAYARD en G. PSACHAROPOULOS (1974), “The screening hypothesis and the returns to education”, Journal of Political Economy, 83, 985-998. 15 J. MINCER (1974), Schooling, Experience and Earnings, Londen, 83-91. 13

6 jaren scholing en het potentieel aantal jaren werkervaring. Met dit model werd aangetoond dat het natuurlijk logaritme van inkomsten lineair gecorreleerd is aan aantal jaren onderwijs, in de veronderstelling dat tijd de opportuniteitskost is van onderwijs en dat de proportionele ‘payoff’ van een jaar scholing constant is. 16 Volgens het Mincer model kan de helling van de relatie tussen de natuurlijke logaritme van inkomsten en scholing ρs dan geïnterpreteerd worden als het rendement uit het investeren in onderwijs. In het oorspronkelijke model werd ρs dus, onder bepaalde voorwaarden, gezien als de ‘rate of return’ van de investering. Dit werd in de voorbije decennia onder vuur genomen door heel wat economisten. In hun evaluatie van ‘Fifty Years of Mincer Earnings Regressions’ geven Heckman, Lochner en Todd aan dat het met Mincers dataset inderdaad mogelijk bleek op eenvoudige wijze het rendement te schatten via de Mincer vergelijking. De voorwaarden eigen aan Mincers data, zijn echter zelden aanwezig bij andere datasets. De auteurs concluderen dat het Mincer model niet ideaal is om op recente data geldige schattingen te maken van het rendement uit scholing.17 Er is reeds heel wat inkt gevloeid over het aandragen van correcties en alternatieven. Hoewel deze materie boeiend is, wenst deze studie niet bij te dragen tot de bestaande polemiek. Die is immers niet relevant voor dit werkstuk aangezien het geïnitieerd werd vanuit een uitvalshoek die werkt met kapitaal en niet met ‘rates of return’. Verder in dit werkstuk zal ρs dan ook beschouwd worden als regressieparameter zonder er de problematische definiëring ‘rendement’ aan te koppelen. Hoewel de kritiek ter sprake gebracht in de vorige alinea zeker terecht is, blijft het Mincer model één van de meest populaire modellen in empirisch economisch onderzoek vandaag. Een mogelijke verklaring voor die populariteit is dat Mincer een uiterst eenvoudig verklaringsmodel construeerde dat zowel scholing als werkervaring in rekening brengt en, toegepast op datasets, vrijwel steeds goede resultaten oplevert.18 Het model plaatst inkomsten in functie van scholing en registreert op die manier dat met scholing ook het inkomen toeneemt. Het inbrengen van potentiële ervaring, of zo men wil anciënniteit, KRUEGER, red. (2000), Education Matters, xi. J.J. HECKMAN, L.J. LOCHNER en P.E. TODD (2003), “Fifty Years of Mincer Earnings Regressions”, NBER working paper, No. 9732, 3. 18 T. LEMIEUX (2006), “The Mincer Equaton – Thirty Years after Schooling, Experience and Earnings”, Jacob Mincer – A pioneer of modern Labor Economics, New York, 129. 16 17

7 binnen de inkomsten regressie, kan gezien worden als Mincers belangrijkste contributie. Vooraleer een aantal specifieke problemen van het model aan te kaarten, evalueren we kort de manier waarop het model is opgebouwd. Opvallend is dat de afhankelijke variabele het natuurlijk logaritme van het loon is en niet gewoon het absolute loon. De assumptie van log-lineariteit blijkt de meest aangewezen te zijn voor vergelijking met andere studies.19 Deze keuze is sterk theoretisch onderbouwd en dat laat zich ook voelen in de resultaten. Deels valt dit te verklaren doordat continue gegevens zoals lonen nu eenmaal beter door middel van logaritmes in verband gebracht kunnen worden met discrete gegevens. Een tweede zaak die in het oog springt in de Mincer vergelijking, is de kwadratische functie in aantal jaren van potentiële ervaring (𝑥 2 ). Deze kwadratische term is in alle onderzoeken negatief omdat de loonstijging met de jaren afzwakt ten gevolge van het verouderen van de ervaring. Dit wordt het ‘vastroesteffect’ genoemd.20 In studies van de jaren ‘90 werd geconcludeerd dat men met de kwadratische functie een ontoereikende schatting bekomt van de empirische relatie tussen ervaring en loon.21 Later in dit werkstuk komt naar voor dat een ‘fine tuning’ van het model door het toevoegen van veeltermen van hogere orde een mogelijke oplossing biedt voor dit probleem. Wanneer we het model in zijn totaliteit in beschouwing nemen, ligt de grootste zwakte in een problematiek die in de literatuur aangeduid wordt met de term ‘ability bias’. De correlatie tussen scholing en inkomsten bij werknemers, kan gehypothekeerd worden door verschillen in de bekwaamheid van individuen. Met andere woorden, de keuzes die een individu maakt op het vlak van onderwijs, zijn deels ingegeven door persoonlijke karakteristieken die mee bepalend zijn in de keuze. Zo is het aannemelijk te veronderstellen dat de meest gemotiveerde en getalenteerde studenten opteren voor hoger onderwijs. Dit impliceert dat de individuen die in de data de hoogste niveaus van onderwijs hebben, inherent ook productiever zijn dan diegenen met lagere scholingsgraad. Die meer getalenteerde individuen zouden dus, zelfs indien zij geen extra scholing genoten, hoe dan LEMIEUX (2006), “The Mincer Equation Thirty Years after Schooling, Experience, and Earnings”, 130. L. SPRINGAEL, et al (1998), “Bezoldigingen van alumni Toegepaste Economische Wetenschappen en Handelsingenieur”, Economisch en sociaal tijdschrift, 52 (3), 599. 21 K.M. MURPHY en F. WELCH (1990), ‘Empirical Age-Earnings Profiles’, Journal of Labor Economics, 8 (2), 202. 19 20

8 ook meer inkomen hebben gegenereerd.22 ‘Ability bias’ duidt dus op het problematische onderscheid tussen de impact van inherente hogere productiviteit (eigen aan studenten die hoger onderwijs genieten) en de impact van onderwijs zelf op inkomen. Talrijke studies hebben geprobeerd een antwoord te formuleren op die uitdaging. Vaak worden ongeobserveerde verschillen in talent onderzocht door gebruik te maken van samples van identieke tweelingen, zoals ook in de studie van Ashenfelter en Krueger. Uit dergelijke studies valt af te leiden dat het effect van niet enkel talent, maar ook ras, sociale klasse en de familiale afkomst op inkomens wel degelijk substantieel is. Dit zou leiden tot overschatting van de link tussen onderwijs en lonen. 23 De meeste auteurs concluderen echter dat de ‘ability bias’ relatief klein is in ‘Ordinary Least Square’ schattingen. Bovendien genereren alternatieve methoden resultaten die eveneens systematische fouten bevatten.24 De Mincer vergelijking bevat dus inderdaad een aantal moeilijk te overwinnen problemen. Er zijn tot nog toe echter geen alternatieven te vinden in de literatuur die een beter model onderschrijven. We kunnen concluderen dat Mincer’s model een vrij accurate manier is om de relatie tussen inkomens, scholing en ervaring te modelleren, weliswaar mits een aantal aanpassingen.25 Vele auteurs adapteren in hun onderzoek daarom niet het oorspronkelijke Mincer model maar een variatie erop. In de volgende paragraaf wordt de variatie van het Mincer model waarop het door ons gebruikte model is gebaseerd, kort toegelicht.

BLUNDELL, DEARDEN en SIANESI, “Measuring the Returns to Education”, 126. O. ASHENFELTER en A. KRUEGER (1994), “Estimates of the Economic Return to Schooling from a New Sample of Twins”, American Economic Review, 84 (5), 1157-1173. 24 D. CARD (1999), “The causal effects of education on earnings”, ASHENFELTER en CARD, eds., Handbook of Labor Economics, 3B, 1801 – 1863. 25 LEMIEUX (2006), “The Mincer Equation – Thirty Years after Schooling, Experience and Earnings”, 144. 22 23

9

1.3

UITDIEPING NAAR STUDIERICHTINGEN

Niet enkel de beslissing om al dan niet een universitaire opleiding te volgen, maar ook de specifieke studiekeuze, heeft een significante invloed op de inkomsten die een persoon gedurende zijn leven verwerft. Hoewel het rendement uit scholing enorm kan schommelen in relatie tot studierichting, zijn slechts weinig werken bekend die deze factor in rekening brengen.26 Uitzonderingen hierop zijn de talrijke publicaties die in Canada verschenen. Daar heeft men reeds een rijke collectie uitgebouwd gericht op specifieke opleidingen en opleidingsniveaus. In een onderzoek naar rendement van Canadees onderwijs, specificeerde François Vaillancourt een variatie op het Mincer model die studierichting in rekening brengt. 27 Met zijn werk ‘Which Fields Pay, Which Fields Don’t’ gaf Alan Stark bekendheid aan het model en maakte hij er gebruik van op een meer extensieve manier. Starks model ziet er als volgt uit: ln 𝑒𝑎𝑟𝑛𝑖𝑛𝑔𝑠 = 𝛽0 + 𝛽1 𝐴𝑔𝑒 + 𝛽2 𝐴𝑔𝑒 2 +

𝛽0𝑖 𝐹𝑖𝑒𝑙𝑑 +

𝛽1𝑖 𝐹𝑖𝑒𝑙𝑑 × 𝐴𝑔𝑒

Binnen dit model werden dummy variabelen opgenomen voor de specifieke studierichting. Het opnemen van die dummy variabelen maakt het mogelijk de vaste term te laten variëren volgens studierichting. Daarnaast nam Stark dummy variabelen op voor studierichtingen die interageren met leeftijd.28 Deze variabelen geven aan dat de invloed van leeftijd ook kan variëren naar gelang de studierichting. De kwadratische Age term heeft de restrictie constant te zijn over de studierichtingen heen.29 Zoals zal blijken laat deze specificatie de constructie van loon profielen naar studierichting toe. In dit werkstuk maken we gebruik van een eigen variatie op Stark, die wordt verduidelijkt in hoofdstuk III ‘Modellering’.

J. OLIVIERA MARTINS, et al., (2007), « The Policy Determinants of Investment in Tertiary Education”, OECD Economics Department Working Papers, No. 576, 19. 27 F. VAILLANCOURT (1995), “The Private and Total Returns to Education in Canada, 1985”, The Canadian Journal of Economics, 28 ( 3), 540. 28 A. STARK (2007), “Which Fields Pay, Which Fields Don’t? An Examination of the Returns to University Education in Canada by Detailed Field of Study”, Department of Finance, Canada, 11. 29 STARK, “Which Fields Pay, Which Fields Don’t?”, 12. 26

10

1.4

DE BELGISCHE ‘CASE’

Zoals reeds vermeld zijn publicaties met betrekking tot België eerder schaars; zeker als het aankomt op het in rekening brengen van studierichtingen. Toch mag niet zomaar voorbij gegaan worden aan wat reeds gerealiseerd is. In eerste instantie dient het werk van Walter Nonneman en Isabelle Cortens vermeld te worden. Het duo onderzocht de correlatie tussen opleiding en inkomen in eerste instantie vanuit theoretisch perspectief. Zo plaatsten zij de filtertheorie, waarvan eerder sprake, tegenover de theorie van het menselijk kapitaal. Daarnaast werkten zij ook empirisch, zo onderzochten zij de rendabiliteit van het onderwijs in België, gebaseerd op ‘representatieve huishoudenquêtes’ in opeenvolgende studies gepubliceerd begin jaren ’90.30 Hoewel zij in hun studies tot zeer algemene conclusies komen en vooral toespitsen op individueel versus maatschappelijk rendement van onderwijs, een problematiek die hier niet aan de orde is, gaven zij de aanzet tot verder onderzoek naar de relatie tussen lonen en scholing in België. In een publicatie uit 1998 spitst een onderzoeksteam van de Universiteit Antwerpen toe op ‘bezoldigingen van alumni TEW en Handelsingenieur’. Dit onderzoek sluit nauw aan bij wat in deze paper wordt gepresenteerd; met de restrictie dat slechts twee studierichtingen werden geëxamineerd. Binnen het opzet van de publicatie aangevuld met bijkomende variabelen;

werd de Mincer functie

waaronder ook een aantal

significante

determinanten die in ons model niet zijn opgenomen, zoals de behaalde graad en de vraagfactoren sector en bedrijfsgrootte.31 De behaalde graad werd opgenomen door de onderzoekers om de vertekening door talent te corrigeren. Wij twijfelen er echter sterk aan of dit een degelijke parameter is om talent te meten; bovendien zijn daar in de dataset die wij gebruiken voor ons onderzoek geen gegevens over terug te vinden. Wel interessant is dat de studie de formulering ‘leeftijd’ binnen het Mincer model vervangt door ‘anciënniteit’. Ook in het model dat wij naar voor schuiven werd geopteerd voor anciënniteit aangezien dit een betere benadering is van de beroepservaring. Een studie uit 1995 door De

W. NONNEMAN en I. CORTENS, (1997) “A note on the rate of return to investment in education in Belgium”, Applied Economics Letters, 4, 167-171. 31 L. SPRINGAEL, et al. (1998), “Bezoldigingen van alumni Toegepaste Economische Wetenschappen en Handelsingenieur”, Economisch en sociaal tijdschrift, 52 (3), 429-457. 30

11 Meulemeester werkt breder aangezien de relatie tussen vorming en het salaris van alle universiteitsstudenten in België onder de loep wordt genomen.32 Een laatste studie die het vermelden waard is, betreft een bijdrage van Dumont uit 2008, getiteld “Wages and employment by level of education and occupation in Belgium”. De opzet van de studie is te verifiëren of de evolutie van lonen en werkgelegenheid in recente jaren in België eerder wordt verklaard door opleidingsniveau of door de functie van werknemers. Hoewel een significant deel van loonhoogte door onderwijs- niveau verklaard wordt, concludeert Dumont dat de sector waarin een persoon tewerkgesteld is ook een significant deel van de loonhoogte verklaard. Uiteraard wordt deze conclusie door deze studie onderkend, maar wordt de factor niet meegenomen in ons model aangezien er hier net getoetst wordt op de impact van onderwijs. Hoewel reeds een aanzet werd gegeven en er met betrekking tot opleidingsniveaus al empirische resultaten werden gepubliceerd, is specifieker gericht onderzoek zeer schaars voor België.

J.-L. DE MEULEMEESTER (1995), “Analyse de la relation formation-salaire pour les universitaires belges », Cahiers économiques de Bruxelles, 37 (3), 327-380. Jammer genoeg hadden we niet de mogelijkheid de volledige tekst van dit artikel te ontsluiten. 32

12

II.

DATA – VACATURE ENQUÊTE 2008

Het opzet van dit werk is de impact van studiekeuze op het verworven kapitaal gedurende de arbeidsloopbaan te onderzoeken. Hiertoe wordt gebruik gemaakt van de gegevens van de salarisenquête van 2008 die Vacature in samenwerking met de Faculteit Economie en Bedrijfswetenschappen aan de Katholieke Universiteit Leuven uitvoerde33. Deze enquête voorziet natuurlijk slechts in doorsnedegegevens, maar uit de literatuur blijkt dat deze aanpak zowel onvermijdelijk als betrouwbaar is. 34 Deze bevraging wordt om de twee jaar afgenomen en peilt naar gegevens inzake studies, loon, sector, positie, tevredenheid en dergelijke. In 2008 werd de enquête afgenomen van 86.782 werkende personen in België. Het betreft 1 op 20 van de werkende bevolking in Vlaanderen. We kunnen stellen dat deze dataset representatief is voor de situatie in België, al dient opgemerkt te worden dat de responsgraad in Wallonië heel wat lager lag. Gezien niet alle gegevens in de databank onmiddellijk relevant zijn voor dit onderzoek, wordt gewerkt met een afgeleide dataset. In dit hoofdstuk worden de data van de selectieve steekproef voorgesteld en gaan we in op een aantal basiskarakteristieken. De data van de steekproef worden getoetst met gegevens die betrekking hebben tot de gehele populatie, met name alle Belgische volwassenen.

2.1

SELECTIEVE STEEKPROEF

Bij het interpreteren van de gegevens moet natuurlijk rekening gehouden worden met een zekere vorm van selectie. Het betreft geen zuivere toevalssteekproef aangezien het gaat om een online enquête waarvoor respondenten worden aangetrokken via verschillende media.35 Er kan aangenomen worden dat personen die tevreden zijn over hun loon een dergelijke enquête eerder zullen invullen dan anderen. Bovendien geldt voor online bevragingen dat jongeren en hooggeschoolden hier doorgaans meer door aangetrokken worden. In het onderzoek dat hier wordt voorgesteld zal toegewerkt worden naar de vergelijking van standaardprofielen, bijvoorbeeld een vergelijking tussen individuen die

Grote Salarisenquête 2008. (http://www.vacature.com/scripts/indexpage.asp?headingID=35333) VAILLANCOURT (1995), “The Private and Total Returns to Education in Canada, 1985”, 541. 35 G. THEUNISSEN en L. SELS (2006), Waarom vrouwen beter verdienen (maar mannen meer krijgen) – Een kritisch essay over de sekseloonkloof, Leuven, 14. 33 34

13 tertiair onderwijs genoten enerzijds en die maximaal secundair onderwijs genoten anderzijds. De oververtegenwoordiging van individuen van bepaalde leeftijdsgroepen of met

bepaalde

diplomaniveaus

zal

echter

geen

invloed

hebben

op

dergelijke

standaardprofielen. Daarom worden hiervoor geen correcties doorgevoerd. Een andere vertekening die wél van groot belang is en meegenomen wordt, is werkloosheid. Hier wordt in hoofdstuk IV, bij het vergelijken van verschillende standaardprofielen, dieper op ingegaan

2.2

BASISGEGEVENS

Geslacht Van de 86.782 deelnemers is een meerderheid (57%) mannelijk. In werkelijkheid zijn slechts 48,9% van de populatie mannen.36 Een mogelijke verklaring van de hoge mannelijke respons, die door De Preter et al. wordt bevestigd, is dat mannen meer gedreven worden door loon en zich ook buiten de werkuren meer met hun job bezighouden.37 100% 80% 60%

Vrouw

40% 20%

57,05%

48,95%

Steekproef

Populatie

Man

0%

Figuur 1: Geslacht van de steekproef

FOD Economie, Bevolking en huishoudens totale en Belgische bevolking, op 1 januari 2007. (http://statbel.fgov.be/nl/binaries/Totale%20en%20belgische%20bevolking%20op%201-12007%20NL_tcm325-75739.pdf) 37 DE PRETER, W., NONNEMAN, W. en LAMOTE, K. (2006), « Loonsverwachtingen van universiteitsstudenten », Kwartaalschrift Economie, 3 (2), 84. 36

14 Leeftijd De leeftijd van de bevraagden is gemiddeld 37 jaar. Uiteraard neemt het aantal respondenten zeer snel toe bij de jonge leeftijdscategorieën gezien de meeste jongeren rond eenzelfde leeftijd de arbeidsmarkt betreden. Naarmate we ons begeven in hogere leeftijdscategorieën, daalt het aantal respondenten. Een verklaring hiervoor is dat oververtegenwoordiging van jongeren typerend is voor online enquêtes.38 25% Steekproef Populatie

20%

15%

10%

5%

0% 15

20

25

30

35

40

45

50

55

60

65

Figuur 2: Leeftijd van de steekproef

Bruto maandloon en startloon Interessant om te bekijken is het bruto startloon van de participanten. Dit bedrag moet natuurlijk geïndexeerd worden om de actuele waarden te kunnen vergelijken. Het geïndexeerde gemiddelde startloon is €1.983, zoals valt af te leiden uit Figuur 3. Ook gegevens over de verdeling van het bruto maandloon worden getoond in deze figuur. Deze is afgeknot op €10.000 om het overzicht te behouden. Enkele outliers, die niet werden opgenomen, geven aan dat een aantal individuen van de steekproef zeer hoge brutoinkomsten verwerven. Verder komt uit de grafiek naar voor dat het gemiddeld bruto maandloon €2.960 bedraagt. THEUNISSEN en SELS (2006), Waarom vrouwen beter verdienen (maar mannen meer krijgen) – Een kritisch essay over de sekseloonkloof,13. 38

15 STARTLOON_INDEX

BRUTO_MAAND

.0012

.0010

.0010

.0008

Density

Density

.0008 .0006

.0006

.0004

.0004 .0002

.0002 .0000

.0000 0

2,000

4,000

6,000

8,000

0

2,000

4,000

6,000

8,000

10,000

Figuur 3: Startloon en brutoloon van de steekproef

Diplomaniveau Een zeer belangrijke parameter in dit onderzoek is het diploma behaald door de participanten. Naast individuele gegevens over elk van de studierichtingen is ook het diplomaniveau beschikbaar en van groot belang. De populatiegegevens betreffen een uitsplitsing naar diplomaniveau van de Belgische bevolking vanaf 15 jaar in 2008. 39 45%

Steekproef

40%

Werkelijk

35%

30% 25% 20% 15% 10%

5% 0% Primair (max lager secundair)

Secundair onderwijs

Professionele bachelor

Ac. Ba&Ma op hogeschool

Ac. Ba&Ma op universiteit

Figuur 4: Diplomaniveau van de steekproef

FOD Economie, Onderwijsniveau van de Belgische bevolking vanaf 15 jaar, 2003 – 2008. (http://statbel.fgov.be/nl/statistieken/cijfers/arbeid_leven/opleiding/niveau/index.jsp) 39

16 Uit deze vergelijking valt af te leiden dat de selectie waar in het begin van het hoofdstuk werd op gewezen strookt met de realiteit: hoger geschoolden zijn in de Vacature bevraging, die elektronisch gebeurde, sterk oververtegenwoordigd. Problemen met de gegevens De gegevens vertonen enkele tekortkomingen die hier dienen aangehaald te worden. Zo zijn werklozen niet gerepresenteerd in de gegevens, zoals al eerder werd opgemerkt. Daarnaast kan niet uit de gegevens worden afgeleid of de persoon een zevende jaar middelbaar gevolgd heeft, evenals het onmogelijk is te achterhalen welke personen een doctoraat hebben behaald. Een laatste opmerking is dat ook de pensioenleeftijd niet geënquêteerd kan worden doormiddel van doorsnedegegevens. Deze factor zal echter wel relevant blijken voor de toepassing van het hier vooropgestelde model. Verder in de paper zal naar voor komen hoe we met dit probleem omgaan.

17

III.

MODELLERING

Om in kaart te brengen wat individuen met een bepaald profiel verdienen, is een goede schatting nodig. Personen worden gegroepeerd volgens verschillende typerende karakteristieken zoals studierichting, geslacht en leeftijd. Verder in deze paper gebruiken we de term standaardprofiel voor deze groepen. In dit hoofdstuk wordt een model opgesteld en worden de standaardprofielen opgebouwd. In het volgende hoofdstuk zullen de standaardprofielen met elkaar vergeleken worden. Om een goede schatting te kunnen maken, moet overwogen worden welke parameters in de regressie opgenomen moeten worden. Het is logisch dat voor een zo verklarend mogelijke regressie de functie van een individu een erg belangrijke factor is. Maar zoals in sectie 1.4 reeds aangehaald werd, kan deze niet opgenomen worden in een standaardprofiel dat een vergelijking op basis van studiekeuzes maakt.

3.1

MODEL VOOR BRUTO MAANDLOON

Zoals reeds in de hoofdstuk I naar voor kwam, zijn de modellen van Stark opgebouwd zodat de gevolgde studierichting in kaart gebracht kan worden. De regressie-formule van Stark is de volgende:40 ln 𝑏𝑟𝑢𝑡𝑜𝑙𝑜𝑜𝑛 = 𝛽0 + 𝛽1 . 𝑙𝑒𝑒𝑓𝑡𝑖𝑗𝑑 + 𝛽2 . 𝑙𝑒𝑒𝑓𝑡𝑖𝑗𝑑2 +

𝛾𝑖 . 𝑠𝑡𝑢𝑑𝑖𝑒𝑟𝑖𝑐𝑕𝑡𝑖𝑛𝑔𝑖 𝑖

+

𝛿𝑖 . 𝑠𝑡𝑢𝑑𝑖𝑒𝑟𝑖𝑐𝑕𝑡𝑖𝑛𝑔𝑖 . 𝑙𝑒𝑒𝑓𝑡𝑖𝑗𝑑 + 𝜀 𝑖

De natuurlijke logaritme wordt geschat door een som van leeftijd, een kwadratische term voor leeftijd, een dummy voor elke studierichting (studierichtingi is 1 als een persoon diploma i gehaald heeft en 0 indien niet), een product voor het interactie-effect van studierichting en leeftijd en een foutterm 𝜀. De coëfficiënt van de dummies van studierichting 𝛾𝑖 noemen we het diploma-effect: het effect van het al dan niet hebben van een bepaald diploma. Dit effect is sterk gecorreleerd

40

STARK, “Which Fields Pay, Which Fields Don’t?”, 11.

18 met het startloon gezien het het intercept mee bepaalt. De interactie-term coëfficiënten 𝛿𝑖 noemen we het anciënniteits-effect: het extra effect van anciënniteit wanneer men het diploma in kwestie heeft behaald. Het model dat in dit onderzoek gebruikt wordt, is een afgeleide van de formule van Stark, aangepast zodat het het best bij onze gegevens aansluit. Dit model ziet er uit als volgt: ln 𝑏𝑟𝑢𝑡𝑜𝑙𝑜𝑜𝑛 = 𝛽0 + 𝛽1 . 𝑎𝑛𝑐𝑖ë𝑛𝑛𝑖𝑡𝑒𝑖𝑡 + 𝛽2 . 𝑎𝑛𝑐𝑖ë𝑛𝑛𝑖𝑡𝑒𝑖𝑡 2 + 𝛽3 . 𝑎𝑛𝑐𝑖ë𝑛𝑛𝑖𝑡𝑒𝑖𝑡 3 + 𝛽4 . 𝑎𝑛𝑐𝑖ë𝑛𝑛𝑖𝑡𝑒𝑖𝑡 4 + 𝛽5 . 𝑣𝑟𝑜𝑢𝑤 +

𝛼𝑖 . 𝑑𝑖𝑝𝑙𝑜𝑚𝑎𝑛𝑖𝑣𝑒𝑎𝑢𝑖 + 𝑖

+

𝛾𝑖 . 𝑠𝑡𝑢𝑑𝑖𝑒𝑟𝑖𝑐𝑕𝑡𝑖𝑛𝑔𝑖 𝑖

𝛿𝑖 . 𝑠𝑡𝑢𝑑𝑖𝑒𝑟𝑖𝑐𝑕𝑡𝑖𝑛𝑔𝑖 . 𝑎𝑛𝑐𝑖𝑒𝑛𝑛𝑖𝑡𝑒𝑖𝑡 + 𝜀 𝑖

De achterliggende idee is dezelfde als bij Stark; er werden vier belangrijke wijzigingen doorgevoerd. (1) Zoals reeds in sectie 1.4 aangehaald werd, geeft anciënniteit betere resultaten dan leeftijd. (2) De kwadratische anciënniteitsterm zal negatief zijn en geeft het vastroesteffect aan, zoals reeds werd vermeld in sectie 1.2. De 3e en 4e graadstermen van anciënniteit zijn extra correctoren ten opzichte van het model van Stark om fouten in hogere leeftijden te onderdrukken. Er wordt verwacht dat deze respectievelijk positief en negatief zullen zijn om de fout van vorige graad te neutraliseren.41 (3) Ook werd een dummy toegevoegd die 1 is wanneer de proefpersoon vrouwelijk is en 0 als hij mannelijk is. Verder in het onderzoek zal blijken dat de coëfficiënt van deze term wel degelijk significant is. (4) Als laatste verschil met het model van Stark wordt het diplomaniveau als aparte term opgenomen. Dit is in een opsplitsing van de diploma-effecten gezien de studierichtingen volledig gecorreleerd zijn met de diplomaniveaus. Toch is deze opsplitsing relevant gezien ze een algemene vergelijking van diplomaniveaus mogelijk maakt. Op basis van de vorige formule bekomt men met de kleinste kwadraten-methode (Ordinary Least Squares) de regressiecoëfficiënten in Tabel 1. Van de 86.782 respondenten werden slechts 63.421 individuen weerhouden. Bij de overblijvende respondenten misten bepaalde gegevens of traden er fouten op. De coëfficiënten van de termen worden getoond met tussen haakjes de standaardfout voor die term. De determinatiecoëfficiënt R² geeft weer in

41

MURPHY en WELCH (1990), “Empirical Age-Earnings Profiles”, 216-222.

19 hoeverre de gegevens verklaard worden door de regressie. 42 De Standard Error of Regression (S.E.R.) geeft aan hoe ver de schatting gemiddeld van de werkelijke gegevens afwijkt. Tabel 1: Regressie van bruto maandloon (* buiten 5%, ** buiten 10% significantieniveau)

Regressand

Ln(brutoloon)

n

63.421

Regressoren

Coefficient

Regressoren

Coefficient

Constante

7,255 (0,016)

Diploma lager onderwijs

0,037 (0,020) *

Vrouw

-0,130 (0,002)

Lager secundair onderwijs

0,083 (0,015)

Anciënniteit

0,060 (0,001)

Hoger secundair onderwijs

0,192 (0,015)

Anciënniteit²

-0,003 (2E-04)

Professionele bachelor

0,393 (0,017)

Anciënniteit³

8E-05 (6E-06)

Ac. Bach op hogeschool

0,385 (0,021)

Anciënniteit4

-8E-07 (7E-08)

Ac. Master op hogeschool

0,499 (0,020)

Diploma-effecten

-0,152 – 0,201 (0,01 – 0,06)

Ac. Bach op univ

0,409 (0,024)

Anciënniteits-effecten

-0,002

Ac. Master op univ

0,581 (0,018)

–

0,022

(0,001 – 0,007)

R²

0,429

S.E.R.

0,2795

Wanneer de derde en vierde-graadsterm worden weggelaten haalt de regressie een determinatiecoëfficiënt van R² = 0,425 en een S.E.R. van 0,2805. Als ook het geslacht niet in rekening gebracht wordt is dat nog slechts R²=0,399 en S.E.R=0,2868. Vertrekkende van de gegevens die gebruikt mogen worden, blijkt dit model na uitgebreide vergelijking met andere modellen een vrij optimale schatter. Gelijkaardige studies bekomen meestal een determinatiecoëfficiënt R² die kleiner is dan deze in dit model.

Determinatiecoëfficiënt: percentage van variatie verklaard door de regressie. Hoe dichter deze nadert bij 100%, hoe beter de regressie. 42

20 Bij de diploma- en anciënniteits-effecten zijn voor elke studierichting de minima en maxima gegeven, hierop wordt bij de interpretatie teruggekomen. In bijlage A is een volledige tabel bijgevoegd waarin alle loonseffecten opgenomen zijn.

3.2

INTERPRETATIE VAN DE REGRESSIE: ALGEMEEN

Tabel 2: Procentueel effect van niveau’s

Diplomaniveau

Effect

Diploma lager onderwijs

(3,8%)

Lager secundair onderwijs

8,7%

Hoger secundair onderwijs

21,2%

Professionele bachelor (HKT)

48,1%

Ac. Bach op hogeschool (HLT)

47,0%

Ac. Master op hogeschool (HLT)

64,7%

Ac. Bach op univ (UN)

50,5%

Ac. Master op univ (UN)

78,8%

In

deze

sectie

eigenschappen

worden

van

de

enkele

regressie

algemene aangehaald.

Driejarige professionele bachelors vallen onder de term hogeschool korte type (HKT), academische opleidingen

aan

een

hogeschool

noemen we

hogeschool lange type (HLT) terwijl academische opleidingen aan een universiteit gewoon universitair genoemd worden (UN). Aangezien het linkerlid van de regressie de

natuurlijke logaritme beschrijft, geven de coëfficiënten van de regressoren ongeveer het relatieve effect in loon weer van een absolute verandering van een parameter.43 Het hebben van een bepaald type diploma heeft dus een bepaald effect. Zo verdienen personen met een universitair masterdiploma bruto 78,8% (= 𝑒 0,581 − 1 ) meer dan gelijkaardige personen zonder zulk diploma. Verder blijkt dat een jaar extra werken door de term Anciënniteit met coëfficiënt 0,060 het loon doet stijgen met 6,0%. Dit wordt dan natuurlijk weer afgevlakt door de term Anciënniteit² die een effect van -0,3% heeft en sterker doorweegt naarmate de anciënniteit groeit. Er wordt in principe steeds vergeleken met een individu zonder diploma lager onderwijs. Vooral de relatieve vergelijking is echter interessant, bijvoorbeeld professionele bachelor ten opzichte van universitaire master waarbij laatstvermelde 20,7% ( = 78,8% 48,1%) meer verdient. Deze cijfers verschillen een beetje van de resultaten die Vacature zelf vooropstelt. Een term in de regressie wordt door de logaritme een vermenigvuldiging (𝑒 𝑥+𝑦 = 𝑒 𝑥 . 𝑒 𝑦 ). Verder geldt 𝑒 ≅ 1 + 𝑥 voor 𝑥 ≅ 0 (de fout is kleiner dan 1% voor 𝑥 < 0,15). Dus is het relatief effect van een dergelijke term ongeveer gelijk aan de exponent van de regressiecoëfficiënt – 1. 43

𝑥

21 Vacature geeft aan dat een universitaire master 50% meer verdient dan iemand zonder diploma (hierbij is het niet duidelijk wat er precies met iemand ‘zonder diploma’ bedoeld wordt; het verschil tussen secundair en universitaire master is bij deze gegevens 47,5%) en dat hoger secundair slechts 7% meer opbrengt dan lager secundair (deze regressie geeft 11,4% aan).44 Het is echter niet te achterhalen hoe dit te verklaren valt, gezien de modellen gebruikt door Vacature ons niet bekend zijn. Waarschijnlijk zijn deze verschillen in loon in werkelijkheid nog onderschat, om redenen aangehaald in sectie 2.1. Het bruto-maandloon van vrouwen ligt volgens de gegevens 13% lager dan dat van mannen. Het loonkloofrapport van 2010 geeft aan dat, berekend naar bruto-maandloon, vrouwen in 2007 12% minder verdienden dan mannen, wat dus sterk overeenkomst met het bekomen resultaat.45 Dit geeft aan dat de ‘gender pay gap’ nog lang niet weggewerkt is. We gaan kort in op de redenen hiervoor. Zoals naar voor komt in een recente publicatie van Gert Theunissen en Luc Sels, speelt het diplomaniveau amper nog een rol in de loonkloof tussen mannen en vrouwen maar dragen de verschillen in de studierichting die vrouwen verkiezen wel bij tot de verklaring ervan. In zowat alle gevallen kunnen studierichtingen die jongens verkiezen gekoppeld worden aan beter betaalde jobs na het afstuderen. 46 Dit wordt echter genuanceerd door onze regressie, gezien de verschillende studierichtingen apart opgenomen zijn. Daarnaast blijkt uit eigen regressies, die tijdens het verkennen van de gegevens gemaakt werden, vrouwen veel minder vaak in topfuncties terecht komen dan mannen. Ook deze ondervertegenwoordiging van vrouwen in kaderposities draagt bij tot de verklaring van de loonsverschillen tussen mannen en vrouwen. In het kader van deze studie dient vooral meegenomen te worden dat gender een belangrijke factor is in het kijken naar loonverschillen.

Vacature, De Resultaten van de Grote Salarisenquête 2008, 2010. (http://www.vacature.com/scripts/indexpage.asp?headingID=35333) 45 Instituut voor de gelijkheid van vrouwen en mannen, De loonkloof tussen vrouwen en mannen in België – Rapport 2010, Brussel, 2010, 71. 46 THEUNISSEN en SELS (2006), Waarom vrouwen beter verdienen (maar mannen meer krijgen) – Een kritisch essay over de sekseloonkloof, 32-35. 44

22

3.3

INTERPRETATIE VAN DE REGRESSIE: DIPLOMA- EN ANCIËNNITEITS-EFFECTEN

In Tabel 1 staan de minima en maxima van diploma- en anciënniteits-effecten opgetekend. In de regressie werden natuurlijk alle verschillende diploma’s opgenomen. Zoals duidelijk wordt bij het bekijken van Tabel 1, werden niet alle studierichtingen apart uitgesplitst. Studierichtingen binnen eenzelfde niveau waarvan de diploma- en anciënniteits-effect dicht bij elkaar aanleunden werden samengenomen om overzicht te bewaren in de resultaten. Zo bijvoorbeeld werden de universitaire opleidingen filosofie, theologie en geschiedenis samengevoegd. Richtingen met niet significante effecten werden weggelaten. De effecten worden verduidelijkt in de volgende paragrafen, waar er verder ingegaan wordt op een aantal specifieke cases die tot voorbeeld dienen. Voor de diploma-effecten in Figuur 5, dus de impact van het hebben van een bepaald diploma, werd de coëfficiënt van het diplomaniveau (zie Tabel 1) bij de coëfficiënt van elk van de studierichtingen opgeteld. Voor geneeskunde is zo bijvoorbeeld het effect van het universitair diploma opgeteld bij dat van het geneeskunde-diploma: 𝑒 0,58+0,20 . 𝑒 𝑜𝑣𝑒𝑟𝑖𝑔𝑒 = 2,19. 𝑒 𝑜𝑣𝑒𝑟𝑖𝑔𝑒 .47 Dit komt overeen met een effect van 119%. Mensen met een diploma geneeskunde halen dus een brutoloon dat meer dan tweemaal zo hoog is als dat van personen zonder diploma lager onderwijs. Afstuderende farmaceuten volgen met 116% gevolgd door masters in de rechten en burgerlijk- en handelsingenieurs. De niet-universitaire masters (HLT) met het hoogste loon als gevolg van hun diploma zijn architecten (69%), industrieel ingenieurs (62%) en handelswetenschappers (60%). Dit zijn de enige diploma’s behaald aan een hogeschool die een hoger effect hebben ten aanzien van een aantal universitaire diploma’s (filosofie, theologie, geschiedenis, criminologie, sociale wetenschappen, sport en logopedie en audiologie).48 Onder de driejarige professionele bachelors (HKT) staan de industriële wetenschappen op één met een effect van 46% gevolgd door bedrijfsmanagement met 41%.

Overige duidt op alle andere termen van de regressie. Vanaf 2012 zullen deze niet-universitaire academische masters waarschijnlijk in de universiteiten integreren als gevolg van het academiseringsproces. 47 48

23

0%

20%

40%

60%

80%

100%

120%

140%

Hoger secundair onderwijs Architectuur HKT Architectuur HLT Geneeskunde Bedrijfsmanagement HKT Bio. Ingenieur Wetenschappen (+BMW) Bouw HKT Burg. / Handelsingenieur Crimin + Soc. Wet. + Sport + Logo (T)EW Handelswetenschappen HLT Farmaceutische Wet. Filo + Theo + Gesch etc Ind. Ingenieur Ind. Wetenschappen HKT Informatica Informatica HKT Leerkracht/regent Psych/Ped. + Medisoc Rechten Secretariaat + Sociale HKT Talen Tolk HLT Figuur 5: Totaal diploma-effect

Bovenop het diploma-effect, heeft het volgen van een specifieke studierichting ook gevolgen voor de groei van het loon met jaren ervaring. In Figuur 6 worden deze anciënniteitseffecten verduidelijkt. Hier zijn andere interessante bevindingen te zien, los van het diploma-effect. Merk op dat het vaste anciënniteits-effect dat elk individu heeft, onafhankelijk van zijn of haar diploma (6%), niet in deze cijfers is opgenomen. De cijfers wijzen uit dat aan elk diploma een positief effect verbonden is per extra jaar anciënniteit, met uitzondering van architectuur HLT en farmaceutische wetenschappen. Vooral de farmaceuten zijn interessant gezien zij net degenen waren met een erg hoog diploma-effect. Een mogelijke verklaring is dat veel farmaceuten in een apotheek werken en daar een relatief vlakke carrière met weinig promotiemogelijkheden doorlopen. Daar waar het diploma-effect van masters geneeskunde en rechten in vorige paragraaf zeer hoog bleek te zijn, doen zij nu onder voor de ingenieurs en de economisten. Ook handels-

24 wetenschappers scoren hier heel hoog. Het loon van burgerlijk ingenieurs, handelsingenieurs en bio-ingenieurs groeit met een stevige voorsprong het snelst. De anciënniteits-effecten zijn veel minder gecorreleerd met diplomaniveau dan de diplomaeffecten. Ze geven daarentegen veel sterker weer met welke diploma’s er carrière te maken valt. 0,00%

0,20%

0,40%

0,60%

0,80%

1,00%

1,20%

Architectuur HKT Architectuur HLT Geneeskunde Bedrijfsmanagement HKT Bio. Ingenieur Wetenschappen (+BMW) Bouw HKT Burg. / Handelsingenieur Crimin + Soc. Wet. + Sport + Logo (T)EW Handelswetenschappen HLT Farmaceutische Wet. Filo + Theo + Gesch etc Ind. Ingenieur Ind. Wetenschappen HKT Informatica Informatica HKT Leerkracht/regent Psych/Ped. + Medisoc Rechten Secretariaat + Sociale HKT Talen Tolk HLT

Figuur 6: Anciënniteits-effect. Negatieve effecten zijn rood, positieve blauw

1,40%

1,60%

25

IV.

VERGELIJKING VAN STANDAARDPROFIELEN

In dit hoofdstuk worden de loonsevolutie en het opgebouwd kapitaal berekend van de verschillende standaardprofielen. Om opgebouwd kapitaal over de tijd te simuleren, wordt op basis van het brutoloon het verwachte nettoloon in functie van leeftijd berekend. Deze nettolonen worden vervolgens gesommeerd om het opgebouwd kapitaal te bekomen. Verschillende factoren moeten in rekening gebracht worden bij deze berekeningen:    

De belastingsvoet is hoger naarmate het brutoloon hoger is. Werkloosheid is groter bij bepaalde categoriën mensen (lager geschoolden, hogere leeftijden). Bepaalde categoriën gaan vroeger op pensioen dan anderen. Langer studeren betekent ook later beginnen werken én studiegeld betalen tijdens de studies.

De verschillende stappen worden in onderstaande figuur weergegeven en vervolgens uitgewerkt.

Startleeftijd op basis van scholingsniveau en studierichting Studiekost Brutoloon op basis van coëfficiënten uit regressie

Werkenden

Werkloosheids-

Pensioens-

nettoloon

uitkering

uitkering

Gewogen som o.b.v. demografische gegevens

Gewogen nettoloon Opgebouwd kapitaal

26

4.1

STANDAARDPROFIELEN

Het is interessant om bepaalde standaardprofielen te vergelijken. Zo is een vaak gestelde vraag wat, kijkend naar inkomen, het verschil is tussen industriëel en burgerlijk ingenieurs of tussen handelswetenschappers en economische wetenschappers. Voor de berekeningen in dit hoofdstuk wordt op een generieke manier gewerkt waardoor standaardporfielen op een efficiënte en makkelijke manier gedefinieerd kunnen worden. Dit vereenvoudigt het vergelijken.

4.2

BEREKENING GEWOGEN BRUTOLOON

Brutoloon op basis van coëfficiënten uit de regressie De regressie levert coëfficiënten op voor elk van de standaardprofielen. Zo zijn de hogeregraadscoëfficiënten van anciënniteit simpelweg dezelfde als aangegeven in Fout! Verwijzingsbron niet gevonden. Het diploma-effect zit daarentegen ingerekend in de vaste term en het anciënniteits-effect in de eerstegraadscoëfficiënt van anciënniteit. Een voorbeeld voor een mannelijke burgerlijk- of handelsingenieur is te zien in Tabel 3. Tabel 3: Berekening coëfficiënten ln(brutoloon) voor een mannelijke ingenieur

Constante

Constante = 𝜷𝟎

Standaard

Ac. Master Burg./Handels-

anciënniteit

op univ

ingenieur

0,581

0,023

7,859

0,014

0,074

7,255

Totaal

Anciënniteit = 𝜷𝟏

0,060

Anciënniteit ² = 𝜷𝟐

-0,003

-0,003

Anciënniteit³ = 𝜷𝟑

8E-05

8E-05

Anciënniteit4 = 𝜷𝟒

-8E-07

-8E-07

Deze coëfficiënten worden vervolgens in Vergelijking 1 ingevuld waarbij 𝐴 = 𝐿𝑒𝑒𝑓𝑡𝑖𝑗𝑑 − 𝑆𝑡𝑢𝑑𝑖𝑒𝑑𝑢𝑢𝑟 − 18: Vergelijking 1: Berekening van brutoloon

𝑏𝑟𝑢𝑡𝑜𝑙𝑜𝑜𝑛 = exp 𝛽0 + 𝛽1 . 𝐴 + 𝛽2 . 𝐴2 + 𝛽3 . 𝐴3 + 𝛽4 . 𝐴4

27 Zo bekomt men een reeks getallen die het brutoloon weergeven in functie van de leeftijd, voor elk van de standaardprofielen. Deze formule wordt vervolgens voor elk standaardprofiel uitgerekend. Startleeftijd op basis van diplomaniveau en studierichting Om te bepalen wanneer een standaardprofiel begint te verdienen, moet de studieduur geschat worden. Voor

Leeftijd Ancienniteit Weging 20

-1,2

0

standaardprofielen zonder hogere studies, wordt als

21

-0,2

0,8

startleeftijd 18 jaar gebruikt. Voor de standaardprofielen

22

0,8

1

met

23

1,8

1

een

diploma gelden

het

aantal

bijkomende

studiejaren bovenop 18 jaar waarbij de gemiddelde studieduur per standaardprofiel in rekening gebracht wordt. Om dit in te rekenen wordt het berekende brutoloon gewogen wanneer de persoon met het standaardprofiel nog studeert. Bijgevoegde tabel geeft bijvoorbeeld de weging weer voor een profiel met studieduur van 3,2 jaar. De weging wordt bepaald door middel van volgende formule: min(max 𝐴 + 1, 0 , 1). Voor het berekenen van de studieduur wordt de gemiddelde studieduur voor elke studierichting bekeken op basis van de regressieformule: 𝑠𝑡𝑢𝑑𝑖𝑒𝑑𝑢𝑢𝑟 =

𝛽𝑖 . 𝑠𝑡𝑢𝑑𝑖𝑒𝑟𝑖𝑐𝑕𝑡𝑖𝑛𝑔𝑖 + 𝜀 𝑖=𝑠𝑡𝑢𝑑𝑖𝑒𝑟𝑖𝑐 𝑕𝑡𝑖𝑛𝑔𝑒𝑛

In deze vergelijking geeft de coëfficiënt 𝛽𝑖 de studieduur van richting i weer. In de bijlage B wordt een overzicht gegeven van de studieduur voor de verschillende opleidingen. Bij deze werkwijzen moeten we een aantal kanttekeningen plaatsen. Zo worden alle profielen vergeleken vanaf een leeftijd van 18 jaar. De gemiddelde secundair geschoolde gaat echter niet al op zijn 18de aan het werk maar is vaak nog bezig met het afronden van zijn studies. De studieduur van tertiair geschoolden wordt echter wel vergeleken ervan uitgaand dat zij op hun 18de beginnen te studeren. Het is onmogelijk om hier een correctie op door te voeren. Enerzijds omdat de dataset dit niet toelaat en anderzijds omdat we de keuze van het individu op een leeftijd van 18 jaar willen evalueren, er van uitgaand dat een

28 diploma secundair onderwijs dan reeds werd behaald. Bovendien wordt er een fout geïntroduceerd gezien jongeren, afhankelijk van hun geboortedatum in het jaar, vroeger of later klaar horen te zijn met hun secundair. Zo zal iemand die in januari geboren is volgens deze werkwijze steeds een langere studieduur hebben dan zijn collega die in december is geboren. In het opbouwen van de vergelijking tussen standaardprofielen werd studieduurverlenging in rekening gebracht. Er werd evenwel geen rekening gehouden met slaagkansen over de gehele lijn. Dit is belangrijk aangezien men, bij het motiveren van afgeschoolde scholieren om verder te studeren, het vooruitzicht op een hoger loon benadrukt. Dit terwijl men niet met zekerheid kan stellen of de scholier een bepaalde studie ook daadwerkelijk met succes zal kunnen afronden. Een beter oriënteringsbeleid is dus van onschatbare waarde zodat aan scholieren beter gegarandeerd kan worden dat zij in staat zullen zijn de beoogde studies af te ronden mits het leveren van voldoende inspanningen. Studiekost Voor de kost van een jaar studeren werd, op basis van schattingen van de Universiteit Gent, een gemiddelde van €1.767,80 gebruikt.49 Dit behelst enkel de studiekost, de kost van cursussen en de uitgaven voor socio-culturele activiteiten. Grotere kosten voor studenten zijn vaak huisvesting, mobiliteit en voeding maar dat zijn kosten die ook door werknemers worden gemaakt en deze zijn dus niet mee opgenomen. Tewerkstelling Om de gemiddelde verdiensten te berekenen, is het belangrijk werkloosheid in te rekenen. Het uiteindelijk gehanteerde nettoloon zal zo een gewogen som zijn van werkelijk loon, werkloosheidsuitkering en pensioensuitkering, afhankelijk van de tewerkstelling. Waarbij de percentages het aandeel van de bevolking aanduiden dat onder die bepaalde categorie valt.

Universiteit Gent, Raming van de studiekosten 2009-2010. (http://www.ugent.be/nl/voorzieningen/financiering/Studie/raming.pdf) 49

29 Vergelijking 2: Gewogen nettoloon

𝑔𝑒𝑤𝑜𝑔𝑒𝑛 𝑛𝑒𝑡𝑡𝑜𝑙𝑜𝑜𝑛 = %𝑡𝑒𝑤𝑒𝑟𝑘𝑔𝑒𝑠𝑡𝑒𝑙𝑑. 𝑛𝑒𝑡𝑡𝑜𝑙𝑜𝑜𝑛 + %𝑤𝑒𝑟𝑘𝑙𝑜𝑜𝑠. 𝑤𝑒𝑟𝑘𝑙𝑜𝑜𝑠𝑕𝑒𝑖𝑑𝑠𝑢𝑖𝑡𝑘𝑒𝑟𝑖𝑛𝑔 + %𝑝𝑒𝑛𝑠𝑖𝑜𝑒𝑛. 𝑝𝑒𝑛𝑠𝑖𝑜𝑒𝑛𝑠𝑢𝑖𝑡𝑘𝑒𝑟𝑖𝑛𝑔

De tewerkstelling wordt weergegeven in Figuur 7, de figuur geeft duidelijk weer dat er een sterk verband te zien is tussen diplomaniveau en tewerkstelling.50 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%

Primair Secundair Tertiair

18

23

28

33

38

43

48

53

58

63

Figuur 7: Tewerkstelling ifv leeftijd voor verschillende diplomaniveaus

In de laagste leeftijdscategorie moeten er schattingen gemaakt worden voor secundair en tertiair geschoolden gezien de gegevens opgedeeld zijn in leeftijdsgroepen van vijf jaar en de tewerkstelling binnen deze categorie van jaar tot jaar sterk variëert. We gaan er vanuit dat een 18-25 jarige evenveel kans op tewerkstelling zal hebben als iemand met hetzelfde diplomaniveau in de categorie 25-29 jaar. Voor primair geschoolden wordt er van uit gegaan dat zij vanaf hun 18de geleidelijk beginnen te werken. De grafiek toont dat de tewerkstelling zeer sterk daalt vanaf 50 jaar en ouder. Het is ook opmerkelijk dat deze daling zich voor minder hooggeschoolden vroeger inzet. Jammer genoeg zijn er weinig of geen betrouwbare gegevens beschikbaar over welke van deze ouderen reeds een pensioensuitkering genieten en welke recht hebben op een werkloosheidsuitkering. Ook het bedrag van de uitkering zelf is moeilijk te berekenen. Er Eurostat, Employment rates by sex, age groups and highest level of education attained (%), 1995 – 2008. (http://epp.eurostat.ec.europa.eu/portal/page/portal/employment_unemployment_lfs/data/database) 50

30 wordt daarom besloten om de pensioensuitkering achterwege te laten en vanaf hier slechts rekening te houden met de cijfers tot en met de leeftijd van 55 jaar. De term pensioensuitkering uit Vergelijking 2 is dus 0. Het is jammer dat dit niet opgenomen kan worden gezien bij hogere leeftijden nog duidelijke verschillen op te merken zijn tussen de diplomaniveaus. Werkenden nettoloon Op basis van de brutolonen, wordt het nettoloon berekend, waarmee gewerkt zal worden om het gewogen nettoloon te bekomen. Hiervoor geldt de regressieformule in Tabel 4 als een vrij correcte benadering om nettomaandlonen te berekenen. Dit levert nettoloon uit Vergelijking 2 op. Tabel 4: Nettoloon ifv Brutoloon

Regressand

Nettoloon

120%

n

84.845

100%

Regressoren

Coefficient

S.E.

80%

C

594,58

9,17

60%

BRUTO_MAAND

0,406

0,004

40%

BRUTO_MAAND³

1,5E-09

1,3E-10

-6,0E-14

5,6E-15

7600

7000

6400

5800

5200

4600

4000

3400

262,7

2800

S.E.R.

0% 2200

0,856057

1600

R²

20%

1000

BRUTO_MAAND

4

Figuur 8: Netto % in functie van brutoloon

Werkloosheidsuitkering De gegevens gebruikt voor dit werkstuk zijn enkel van toepassing op personen met een job. Personen die leven van een werkloosheidsuitkering moeten apart opgenomen worden en zoals eerder is aangetoond is er een correlatie tussen tewerkstellingsgraad en diplomaniveau. Voor de parameter werkloosheidsuitkering uit Vergelijking 2 wordt de uitkering gehanteerd die een alleenstaande zou verdienen die al middellang werkloos is (6 maanden tot 1 jaar), gezien middellange werkloosheid als gemiddelde genomen wordt. Deze uitkering bedraagt 60% van het laatst verdiende brutoloon, met een wettelijk bepaald

31 maximum van 60% van €2.056,46.51 Op deze manier wordt van de verwachte brutolonen uit Vergelijking 1 de respectievelijke werkloosheidsuitkering afgeleid.

4.3

GEWOGEN NETTOLOON

Na de berekeningen in vorige secties, zijn alle gegevens voor handen om het nettoloon van de verschillende standaardprofielen over de tijd te berekenen. We geven in onderstaande figuur een overzicht van de loonevolutie voor een aantal standaardprofielen, met name industriële wetenschappen (HKT), burgerlijk ingenieurs (UN) en industrieel ingenieurs (HLT). Dit is enkel een voorbeeld en het model is eenvoudig aanpasbaar voor andere standaardprofielen. In Figuur 9 is te zien dat het loon van degenen die opteren voor hoger onderwijs steeds hoger is dan dat van personen zonder tertiair diploma op dezelfde leeftijd. Secundair geschoolden blijven bovendien gedurende hun hele loopbaan een lager nettoloon binnenhalen dan hun tertiaire tegenhangers. € 3.500

Secundair € 3.000

Ind. Wetensch. € 2.500

Burgerlijk Ind. IR

€ 2.000 € 1.500 € 1.000 € 500 €0 18

23

28

33

38

43

-€ 500 Figuur 9: Nettoloon ifv leeftijd

Jobat, Hoeveel bedraagt de werkloosheidsuitkering?, 4 mei 2010. (http://content.jobat.be/nl/artikels/hoeveel-bedraagt-de-werkloosheidsuitkering) 51

48

53

32

4.4

OPGEBOUWD KAPITAAL

De sommatie van alle nettolonen levert het opgebouwd kapitaal op en wordt weergegeven in Figuur 10. Bedachtzaamheid is geboden bij het interpreteren van deze figuur. Er werd immers enkel rekening gehouden met directe studiekosten en opbrengsten terwijl belangrijke vaste kosten als huisvesting en voeding niet werden opgenomen. Dit is dus niet het bedrag dat iemand kan sparen en betreft louter de som van alle inkomsten. Er is uitgegaan van een jaarlijkse inflatie van 2,09%, het Belgische gemiddelde tussen 2000 en 2007.52 Om dat kapitaal te berekenen, zou de levenskost van het loon afgetrokken moeten worden, wat niet het opzet van dit onderzoek is. In de grafiek is te zien dat de voorsprong die secundair geschoolden opgebouwd hebben door te werken terwijl de anderen studeren, ingehaald wordt vanaf een leeftijd van 40 jaar. Daarbij wordt voorlopig aangenomen dat de kost van kapitaal (rentevoet) 0% is. € 700.000 € 600.000

Secundair Ind. Wetensch.

€ 500.000

Burgerlijk Ind. IR

€ 400.000 € 300.000 € 200.000 € 100.000 €18 20

22 24 26 28 30

32 34 36

38 40 42 44 46

48 50 52 54

€ -100.000 Figuur 10: Opgebouwd kapitaal in functie van leeftijd (inflatie 2,09%) 52

Unizo, Koopkracht neemt toe, 20 augustus 2008. (http://www.unizo.be/viewobj.jsp?id=337602)

33

4.5

EVALUATIE EN VERGELIJKING

De berekeningen die in vorige secties gemaakt werden, worden hier geëvalueerd. De resultaten van deze evaluatie zullen gebruikt worden om beleidsadviezen te formuleren. Verder studeren impliceert het ontlopen van een potentieel loon, de opportuniteitskost van studeren. Bovendien brengt studeren extra kosten met zich mee. We zoeken in dit werkstuk uit wanneer de investering van studeren zichzelf heeft terugbetaald. Dit met het oog op het uitwerken van een systeem van leningen voor personen die een financiële drempel ondervinden bij het instromen in het hoger onderwijs.

Figuur 11: Verduidelijkende grafiek opbrengsten ifv tijd

In de theoretische benadering die vanaf hier wordt ontwikkeld, bieden we een 18-jarige die gaat studeren steeds een uitkering aan die gelijk is aan wat hij zou verdienen indien hij meteen zou gaan werken verhoogd met de studiekosten. De opportuniteitskost wordt dus vergoed. Tijdens zijn studiejaren krijgt hij dus een virtueel loon door middel van een lening. Zo gauw zijn studies afgerond zijn en hij een echt loon trekt, begint de afbetaling van de lening. Het afgelost bedrag is steeds gelijk aan het loonpremium dat de gediplomeerde persoon trekt ten opzichte van een secundair geschoolde van dezelfde leeftijd. Deze afbetalingen zorgen er dan voor dat zijn resterend loon gelijk is aan wat hij als secundair geschoolde zou verdienen. De wiskundige benadering die hier vooropgesteld wordt,

34 gebeurt dus op dezelfde manier als het berekenen van de waarde van een financiële investering, zoals dat ook gebruikelijk is in de literatuur.53 Figuur 11 verduidelijkt dit. Het verschil tussen studeren en werken wordt uitgedrukt in cash flows (bijvoorbeeld voor industriële wetenschappen met een studieduur van 4,62 jaar: -€ 16.618, -€ 17.152, -€ 17.659, -€ 18.136, -€ 7.658, € 90, € 345, € 598, € 845, € 1.084, …). Tijdens de studies is deze cash flow

negatief en betreft dit de som van de opportuniteitskost en de studiekost. Na de studies is dit het loonpremium voor een tertiair gediplomeerde. De Internal Rate of Return (IRR) van al die cash flows geeft weer bij welke rentevoet de actuele waarde (Net Present Value) van de reeks 0 is en het kantelpunt in de investering bereikt is.54 Zo is de IRR op het einde van het 40ste jaar voor de vergelijking van een burgerlijk ingenieur met een secundair geschoolde ongeveer 1%. Dat wil zeggen dat wanneer een lening aan 1% wordt afgesloten, deze na het 40ste levensjaar is terugbetaald. Op dat moment zijn de kosten van studeren dus afgeschreven en begint het diploma hoger onderwijs te renderen. Dit is te zien in Figuur 12. 7% 6% Burgerlijk 5% Ind. IR 4%

Ind. Wetensch.

3% 2% 1% 0% 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 Figuur 12: Rentevoet in functie van terugbetalingsleeftijd

STARK, “Which fields pay, which fields don’t?”, 5. Net Present Value is de actuele waarde van een toekomstige geldstroom. Bij een intrestvoet r is een geldstroom van F die over t jaar binnenkomt momenteel 𝑁𝑃𝑉 = 𝐹 (1 + 𝑟)𝑡 . 53 54

35 Een meer realistische rentevoet is 5%. Met die rentevoet heeft een burgerlijk ingenieur zijn lening terugbetaald in de loop van zijn 51ste levensjaar. Er bestaan leningen, bijvoorbeeld een groene lening, waarbij de bank uitleent aan 5% en de staat hier 1,5% van betaalt, zodat de ontlener slechts een intrest van 3,5% betaalt.55 Een dergelijke formule zou ook hier ingevoerd kunnen worden. Randvoorwaarden Deze theoretische benadering is nog niet onmiddellijk realistisch. Een financiële instelling houdt onder andere ook rekening met volgende punten waarvoor een oplossing gezocht moet worden: 

Probability of Default (PD) geeft aan wat de kans is dat de ontlener het bedrag niet zal kunnen terugbetalen.



Loss Given Default (LGD) geeft het uitstaand risico voor de bank op het moment dat de studies mislopen.

Om de PD te minimaliseren is een degelijk oriënteringsbeleid cruciaal zodat de slaagkansen van een aspirant-student voldoende hoog liggen. Zoals reeds opgemerkt is in dit onderzoek, kan die slaagkans momenteel niet afdoende gegarandeerd worden aan een afstuderende in het secundair onderwijs. Het oriënteren en optimaliseren van de slaagkansen van studenten is echter een actueel dossier op de Vlaamse politieke agenda, wat dit risico in de toekomst zou kunnen verkleinen. Daarnaast geldt de LGD als een hefboom: wanneer het mogelijke verlies klein genoeg is, zal de bank minder risico lopen bij het niet slagen van de student. De LGD kan beperkt worden door in maandelijkse schijven uit te lenen zodat het uitstaande bedrag minimaal is en door een degelijke afbetalingsclausule op te nemen in het contract. Indien een student niet slaagt, zal hij hoe dan ook een job moeten gaan zoeken waarna de afbetaling van start kan gaan. Eventueel kan hier een onderpand gegeven worden of zouden de ouders kunnen ontlenen in plaats van de student. Daarnaast dient opgemerkt te worden dat er wettelijk gelimiteerde maximale looptijden zijn voor consumentenkrediet.56 Voor een krediet van bijvoorbeeld 37.000 euro is de maximale

55 56

Argenta, Groene lening, 2009-2010. (www.argenta.be/nl/lenen/hypotecairkrediet/groenelening.aspx) Axa, Consumentenkredieten prospectus nr. 3, 2007. (www.axa.be/pdfs/tarief_loa_nl.pdf)

36 looptijd 120 maanden. De totale som die bij onze studenten geleend wordt is steeds groter dan dit bedrag, maar het geeft aan dat dit geen triviale lening is. Gedurende de studiejaren wordt er bovendien niets terugbetaald, wat opnieuw een risico voor de bank met zich meebrengt. Vanuit het oogpunt van de ontlener zijn er evenzeer bemerkingen. Ten eerste starten afgestudeerde studenten die gebruik maken van dit model met een erg hoge schuld aan hun loopbaan. Ten tweede is de loonevolutie gedurende alle jaren van afbetaling gelijk aan deze van een secundair geschoolde. De ontlener zal niet gemotiveerd zijn om sterk op te klimmen in zijn carrière ten gevolge van deze nulgroei. Varianten Bij vorige vergelijking werd er van uit gegaan dat een student een toelage wordt gegarandeerd die zijn loon als werkende zou compenseren. Dit is natuurlijk een erg hoog bedrag dat op kan lopen tot €20.000 op jaarbasis. Een student heeft echter nooit zo’n bedrag nodig om van te leven. Indien we dit in rekening brengen en de student een uitkering van €750 per maand of €9.000 per jaar aanbieden, wordt het systeem meer haalbaar. Deze uitkering is al behoorlijk hoog voor een student en maakt de terugbetalingsperiode een stuk lager, zoals te zien is in Figuur 13. 10%

9%

Burgerlijk

8% 7% 6%

Ind. IR Ind. Wetensch.

5% 4% 3% 2% 1% 0% 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55

Figuur 13: Rentevoet ifv terugbetalingsleeftijd met studietoelage van 750 euro per maand

37 Terugbetalingsleeftijd voor verschillende richtingen In vorige sectie werden enkel industriële richtingen vergeleken. In Tabel 5 wordt een overzicht gegeven van de terugbetalingsleeftijd van verschillende andere richtingen aan verschillende rentevoeten. De waarden in Figuur 12 en Figuur 13 zijn in deze tabel terug te vinden. De lege vakken wijzen erop dat de terugbetalingsleeftijd buiten de grenzen van onze gegevens vallen en dus hoger dan 57 jaar zijn. Deze lonen verschillen weinig van wat men als secundair geschoolde zou verdienen. We bestuderen de situatie waarbij een toelage van €750 gegeven wordt aan een rentevoet van 3,5% in detail. Tabel 5: Leeftijd bij terugbetaling van verschillende richtingen met verschillende opties

Leeftijd bij terugbetaling Volle kost

Sorteer op

€750 toelage studies

3,5%

0% 3,5% 5%

0%

3,5%

HKT Industriële wetenschappen

53

44

57

HLT

Industrieel ingenieur

44

57

38

43

47

10

UN

Burgerlijk/handelsingenieur

39

45

51

34

37

39

2

UN

Bio-ingenieur

41

49

56

36

39

42

6

42

51

36

40

HKT Informatica

49

UN

42

Wetenschappen

53

HKT Secretariaat-Talen

5%

toelage en

15

14 43

47

HLT

Vertaler - tolk

48

UN

Talen

43

UN

Filo/Theo/Geschiedenis

7 16

41

48

55

12

37

42

46

8

49

41

49

56

13

HKT Bedrijfsmanagement

53

45

HLT

Handelswetenschappen

43

55

UN

TEW

40

47

UN

Geneeskunde

40

UN

Farmaceutische Wetensch

UN UN

56

16

37

42

45

8

54

34

37

39

2

48

56

35

38

40

4

38

46

55

33

36

37

1

Rechten

40

48

55

35

38

40

4

Sport/Logo/Sociale Wetensch

45

38

43

47

10

38 Opvallend is dat professionele bachelors, met uitzondering van informatica, nooit voor hun 55ste de lening terugbetaald hebben wat erg laat is ten opzichte van andere diplomaniveaus. Voor deze categorie blijkt het niet de moeite waard een dergelijk systeem toe te passen. Toch willen we dit nuanceren. Enerzijds is er vermoedelijk sprake van een overschatting van de studieduur gezien de studieduurverlenging in het secundair onderwijs bij deze categorie hoger ligt.57 Anderzijds ligt het loon wel degelijk hoger ten opzichte van secundair onderwijs en de lening kan, zij het op zeer late leeftijd, wel terugbetaald worden. Bovendien hebben personen met een professionele bachelor een streepje voor op de arbeidsmarkt en dragen ze bij tot de kenniseconomie. Het andere uiterste is de farmaceut, die door het hoge startloon al op 36-jarige leeftijd op gelijke voet komt te staan met een secundair geschoolde. In het meest extreme geval, namelijk zonder toelage en aan een intrestvoet van 5%, zien we dat het anciënniteits-effect doorweegt. In dat geval moeten de farmaceuten hun eerste plaats afstaan. Ook de burgerlijk ingenieur en alle economische masters aan de universiteit hebben een relatief lage terugbetalingsleeftijd van 37 jaar. Daar waar geneeskundigen het hoogste startloon hebben, scoren zij hier iets minder goed. Dit is te wijten aan hun lange studieloopbaan. Over de vrije beroepen kan in het algemeen worden gezegd dat zij relatief snel terugbetalen. De geesteswetenschappen (taal- en letterkunde, filosofie, theologie, geschiedenis en sociale wetenschappen) zijn de enige studierichtingen aan de universiteit die er niet in slagen de lening voor hun 40ste volledig afgelost te hebben. Opmerkelijk is dat de opleidingen industrieel ingenieur en handelswetenschappen aan de hogeschool even snel of zelfs sneller van hun lening verlost zijn. Dit indiceert, in het kader van de academisering, dat de waardering van deze studierichtingen evolueert naar deze van een volwaardig academisch masterdiploma.

FOD Sociale Zekerheid, Nationaal actieplan sociale inclusie 2001-2003, 20. (http://www.socialezekerheid.fgov.be/docs/nl/publicaties/socinc_rap/plan_inc_01-03_nl.pdf) 57

39

V.

BELEIDSADVIEZEN

Op basis van vorige analyses worden een aantal beleidsadviezen geformuleerd. Zoals reeds werd opgemerkt vormen loonsverschillen een belangrijk ‘incentive’ voor afstuderenden aan het secundair onderwijs om voor hogere studies te opteren. De informatie voorhanden in deze studie kan gebruikt worden om 18-jarigen beter te informeren over hun toekomstmogelijkheden. Met een tertiair diploma is het inkomen immers steeds hoger dan zonder. De startlonen zijn voor alle opleidingen hoger dan het loon dat een secundair geschoolde zou verdienen op dezelfde leeftijd (zie Figuur 5). Zoals blijkt uit recent onderzoek hebben universiteitsstudenten geen goed zicht op hun latere inkomen. Daarnaast maken studenten de afweging tussen hun slaagkansen en het hogere loon ten gevolge van hun opleiding. Recent Belgisch onderzoek toont aan dat studenten van ongunstige sociale afkomst meer risico-avers zijn en daardoor kiezen voor minder risicovolle en dus ook minder renderende studierichtingen.58 De bevindingen geformuleerd in dit onderzoek kunnen bijdragen tot een betere oriënteringsbeleid waar de overheid nog een belangrijke taak in te vervullen heeft, zoals eerder al werd vermeld. In het huidige Belgische onderwijslandschap worden studietoelagen aangeboden maar deze zijn geen voldoende incentive om afgestudeerde scholieren met minder gunstige sociale afkomst te stimuleren tertiair onderwijs aan te vatten. 59 Deze studie draagt een mogelijkheid aan om studieleningen in te voeren die deze personen een voldoende levensstandaard aanbieden en hen garanderen dat zij in staat zijn hun lening binnen afzienbare tijd terug te betalen. Tabel 5 geeft aan dat het moeilijk is de volledige kost van studeren (studiekost en opportuniteitskost) te vergoeden aan een realistische rentevoet. Met een studietoelage van €750 vallen echter veel meer studierichtingen binnen de grenzen. Indien de overheid een dergelijk systeem zou stimuleren en, in samenwerking met de banksector, de studenten een rentevoet van bijvoorbeeld 3,5% zou garanderen, zijn de terugbetalingsleeftijden voor alle studierichtingen van het lange type lager dan 50 jaar.

J.-L. DE MEULEMEESTER en D. ROCHAT (2001), “Rational choice under unequal constraints : the example of Belgian higher education”, Economics of Education Review, 20, 15-16. 59 FOD Sociale Zekerheid, Nationaal actieplan sociale inclusie 2001-2003, 20. (http://www.socialezekerheid.fgov.be/docs/nl/publicaties/socinc_rap/plan_inc_01-03_nl.pdf) 58

40

VI.

CONCLUSIE

In dit werkstuk werden de gegevens van de Vacature salarisenquête 2008 geanalyseerd met het oog op het vergelijken van de impact van verschillende studierichtingen op het latere loon. Er wordt gezocht naar een zo optimaal mogelijk verband tussen studies en nettoloonevolutie. Hiertoe werd eerst een eigen model ontwikkeld op basis van de ‘human capital earnings function’ van Mincer en de correcties hierop door Stark en Dumont. Hun aanvullingen maakten het mogelijk het effect van specifieke studierichtingen in rekening te brengen. Het model dat werd ontwikkeld en waar een regressieanalyse mee uitgevoerd werd, toont duidelijke correlatie tussen lonen, diplomaniveaus en studierichtingen. Het effect van het hebben van een diploma was voor alle tertiaire diplomaniveaus significant en ook binnen de niveaus zelf zijn er sterke verschillen waar te nemen. Bovendien geeft elke studierichting aanleiding tot een specifieke loonsgroei in relatie tot anciënniteit. Dit versterkt het effect van het hebben van een diploma voor alle studierichtingen, op enkele uitzonderingen na. Op deze manier werd brutoloonevolutie in kaart gebracht. Om het nettoloon te simuleren werden vervolgens correcties aangebracht die de studiekost, belastingen en werkloosheid in rekening brengen. Hierbij werd abstractie gemaakt van verschillen in pensioenen. Het was niet mogelijk vertekeningen inzake studieduur en slaagkansen te corrigeren. Vooral dit laatste legt een sterke verantwoordelijkheid bij beleidsmakers binnen de overheid en het onderwijslandschap. De resultaten werden gebruikt om een systeem van studieleningen uit te werken dat afgestudeerde scholieren kan stimuleren om voor hoger onderwijs te opteren, ook wanneer zij los van ouderlijke steun een degelijke levensstandaard willen aanhouden. Zo formuleerden we een concrete ‘tool’ om de democratisering van het hoger onderwijs te bewerkstelligen.

41

BIBLIOGRAFIE ASHENFELTER, O. en A. KRUEGER (1994), “Estimates of the Economic Return to Schooling from a New Sample of Twins”, American Economic Review, 84 (5), 1157-1173. BECKER, G.S. (1964), Human Capital – A theoretical and empirical analysis, with special reference to Education, New York en Londen. BLUNDELL, R., L. DEARDEN en B. SIANESI (2005), “Measuring the Returns to Education”, S. MACHIN en A. VIGNOLES eds., What’s the Good of Education – The Economics of Education in the UK, New Jersey, 117-143. CARD, D. (1999), “The causal effects of education on earnings”, O. ASHENFELTER en D. CARD, eds., Handbook of Labor Economics, 3B, 1801 – 1863. DE MEULEMEESTER, J.-L. en D. ROCHAT (2001), “Rational choice under unequal constraints : the example of Belgian higher education”, Economics of Education Review, 20, 15-26. DE MEULEMEESTER, J. L. (1995), “Analyse de la relation formation-salaire pour les universitaires belges », Cahiers économiques de Bruxelles, 37 (3), 327-380. DE PRETER, W., W. NONNEMAN en K. LAMOTE (2006), “Loonsverwachtingen van universiteitsstudenten”, Kwartaalschrift Economie, 3 (1), 84-104. DUMONT, M. (2008), “Wages and employment by level of education and occupation in Belgium”, Federaal Planbureau Working Papers, No. 22-08, Brussel. Eurostat, Employment rates by sex, age groups and highest level of education attained (%), 1995 – 2008. (http://epp.eurostat.ec.europa.eu/portal/page/portal/employment_ unemployment_lfs/data/database) FOD Economie, Bevolking en huishoudens totale en Belgische bevolking, 1 januari 2007. (http://statbel.fgov.be/nl/binaries/Totale%20en%20belgische%20bevolking%20 op%201-1-2007%20NL_tcm325-75739.pdf) FOD Economie, Onderwijsniveau van de Belgische bevolking vanaf 15 jaar, 2003-2008. (http://statbel.fgov.be/nl/statistieken/cijfers/arbeid_leven/opleiding/niveau/index.jsp) FOD Sociale Zekerheid, Nationaal actieplan sociale inclusie 2001-2003. (http://www.socialezekerheid.fgov.be/docs/nl/publicaties/socinc_rap/plan_inc_0103_nl.pdf) Grote Salarisenquête, 2008. (http://www.vacature.com/scripts/indexpage.asp?headingID=35333) HECKMAN, J.J., L.J. LOCHNER en P.E. TODD (2003), “Fifty Years of Mincer Earnings Regressions”, NBER working paper, No. 9732. KEELEY, B. (2007), Human Capital - How what you know shapes your life, Parijs. KRUEGER, A.B., ed. (2000), Education Matters – Selected Essays by Alan B. Krueger, Cheltenham.

42 LAYARD, R. en G. PSACHAROPOULOS, (1974), “The screening hypothesis and the returns to education”, Journal of Political Economy, 83, 985-998. LEMIEUX, T. (2006), “The Mincer Equaton – Thirty Years after Schooling, Experience and Earnings”, Jacob Mincer – A pioneer of modern Labor Economics, New York. MILLER, R. (1996) Measuring what people know: human capital accounting for the knowledge economy, Parijs. MINCER, J. (1974) Schooling, Experience and Earnings, Londen, 1974. MURPHY, K.M. en F. WELCH (1990), “Empirical Age-Earnings Profiles”, Journal of Labor Economics, 8 (2), 202-229. NONNEMAN, W. en I. CORTENS (1995), “De correlatie tussen opleiding en inkomen: de filtertheorie versus de theorie van het menselijk kapitaal”, Economisch en Sociaal Tijdschrift, 49 ( 1), 113-139. NONNEMAN, W. en I. CORTENS (1997), “A note on the rate of return to investment in education in Belgium”, Applied Economics Letters, 4, 167-171. OECD (2009), Education at a Glance 2009: OECD Indicators, Parijs. OECD (1998), Human capital investment: An international comparison, Parijs. OLIVIERA MARTINS, J., et al (2007), « The Policy Determinants of Investment in Tertiary Education”, OECD Economics Department Working Papers, No. 576. SCHLEICHER, A. (2006), The Lisbon Council Policy Brief - The economics of knowledge: Why education is key for Europe’s success, Brussel. SPRINGAEL, L. et al (1998), “Bezoldigingen van alumni Toegepaste Economische Wetenschappen en Handelsingenieur”, Economisch en sociaal tijdschrift, 52 (3), 429-457. STARK, A. (2007), “Which Fields Pay, Which Fields Don’t? An Examination of the Returns to University Education in Canada by Detailed Field of Study”, Department of Finance, Canada. THEUNISSEN, G. en L. SELS (2006), Waarom vrouwen beter verdienen (maar mannen meer krijgen) – Een kritisch essay over de sekseloonkloof, Leuven. VAILLANCOURT, F. (1995) “The Private and Total Returns to Education in Canada, 1985”, The Canadian Journal of Economics, 28 (3), 532-554.

43

BIJLAGEN A. VOLLEDIGE REGRESSIE Tabel 6: Volledige regressie. Coëfficiënten van de eerste kolom bij diploma’s zijn diploma-effecten, in de 2e kolom zijn anciënniteits-effecten.

Regressand

Ln(brutoloon)

N

63.421

Regressoren

Coefficient

S.E.

Constante

7,255

0,016

Ancienniteitseffect

S.E.

Vrouw

-0,130

0,002

Ancienniteit

0,060

0,001

Ancienniteit^2

-0,003

0,000

Ancienniteit^3

0,000

0,000

Ancienniteit^4

0,000

0,000

Diploma lager onderwijs Lager secundair onderwijs

0,037 0,083

0,020 0,015

Hoger secundair onderwijs

0,192

0,015

Professionele bachelor

0,393

0,017

Ac. Bach op hogeschool

0,385

0,021

Ac. Master op hogeschool

0,499

0,020

Ac. Bach op univ

0,409

0,024

Ac. Master op univ

0,581

0,018

Architectuur HKT

-0,151

0,026

0,003

0,002

**

Architectuur HLT

0,029

0,031

-0,001

0,003

**

Geneeskunde

0,201

0,052

0,008

0,004

Bedrijfsmanagement HKT

-0,048

0,010

0,004

0,001

Bio. Ingenieur

-0,030

0,019

**

0,014

0,002

Wetenschappen (+BMW)

-0,029

0,015

*

0,007

0,001

Bouw HKT

-0,077

0,031

0,004

0,002

Burgerlijk / Handelsingenieur

0,023

0,013

0,014

0,001

Crimin. + Soc. Wet. + Sport + Logo

-0,109

0,012

0,007

0,001

(T)EW

-0,039

0,012

0,012

0,001

Handelswetenschappen HLT

-0,029

0,015

0,010

0,001

Farmaceutische Wet.

0,189

0,032

-0,002

0,003

Filo + Theo + Geschiedenis etc

-0,152

0,017

0,004

0,002

Gezondheidszorg HKT

-0,008

0,017

0,000

0,001

**

Horeca/toerisme HKT

-0,068

0,021

0,000

0,002

**

Ind. Ingenieur

-0,015

0,014

**

0,008

0,001

Ind. Wetenschappen HKT

-0,013

0,012

**

0,002

0,001

Informatica

-0,044

0,018

0,008

0,002

*

**

*

*

**

**

44 Informatica HKT

-0,048

0,012

0,007

0,001

Leerkracht/regent

-0,084

0,011

0,002

0,001

Kunsten HLT

-0,143

0,021

0,002

0,002

**

Media HKT

-0,059

0,029

0,003

0,003

**

Psych/Ped, + Medisoc

-0,063

0,014

0,004

0,001

Overige HKT

-0,020

0,013

**

-0,002

0,001

Overige HLT

-0,018

0,010

*

-0,001

0,001

**

Overige Universiteit

0,029

0,016

*

-0,002

0,002

**

Rechten

0,053

0,018

0,007

0,002

Secretariaat + Sociale HKT

-0,053

0,010

0,001

0,001

Talen

-0,099

0,016

0,006

0,001

Tolk HLT

-0,074

0,019

0,008

0,002

Dierengeneeskunde

-0,056

0,060

**

0,022

0,007

Verpleegkunde HKT

-0,016

0,015

**

0,003

0,001

R² S.E.R.

0,429 0,2795

* buiten 5% significant, ** buiten 10% significant

B. STUDIEDUUR 8,00 7,00 6,00 5,00 4,00 3,00 2,00 1,00 0,00

Figuur 14: Studieduur in jaren ifv studierichting