NOREG 2 fyller et udekket behov

NOREG 2 fyller et udekket behov for analyser av norsk økonomi. Modellene som benyttes av Finansdepartementet er alle nasjonale, uten regional inndeling. Modellene som ofte brukes for å studere regionale effekter (ringvirkningsmodeller mm.) mangler egenskapene som hensyntar likevekten i økonomien. NOREG 2 kombinerer det generelle likevektsperspektivet med det regionale perspektivet i ett konsistent rammeverk. Modellen fyller dermed et hittil udekket behov for regionale analyser som hensyntar hvordan etterspørselen etter knappe ressurser påvirker prisene og samvirkninger mellom regioner.

Finansdepartementet benytter KVARTS til framskrivninger og politikkanalyser på kort og mellomlang sikt. KVARTS brukes også av SSB til konjunkturanalyser. I tillegg er NORA (NORwegian fiscal policy Analysis model) en makroøkonomisk modell som kan brukes til å analysere hvordan finanspolitikken påvirker sentrale makroøkonomiske størrelser på mellomlang sikt. DEMEC brukes for å studere langsiktige sammenhenger mellom demografi, makroøkonomisk utvikling og offentlige finanser. De langsiktige anslagene i Perspektivmeldingen er basert på DEMEC. DEMEC har imidlertid ganske få næringer. SNOW er en generell likevektsmodell av samme type som NOREG 2, men er først og fremst tilpasset for å analysere klimaspørsmål (Rosnes mfl., 2019). Ingen av disse modellene har regional inndeling.^{#Tidligere har MODAG vært benyttet for studier av regional utvikling, ved enten å spre makroeffektene etter regionenes sysselsettingsandeler, eller ved å koble seg på andre modeller, som SSBs tidligere REGARD-modell. Verken MODAG eller REGARD er i bruk lenger.}

NOREG 2 avløser en tidligere modell, NOREG 1 (Bruvoll mfl., 2015) og er modellert etter de samme prinsippene som SCGE-modellen PINGO, utviklet ved TØI (Hansen og Johansen, 2016, 2017). Mens PINGO hadde fokus på transport og infrastrukturutbygging, muliggjør NOREG 2 regionale analyser i et langt bredere perspektiv. REMES (Regional Equilibrium Model for Norway with focus on the Energy System) er en annen CGE-modell med regional oppløsning (Werner mfl., 2017). REMES ligner i prinsippet på NOREG 2, men har et annet datagrunnlag og vekt på modellering av energisystemet, og er mindre egnet til å studere generelle regional- og strukturpolitiske virkemidler.

Både NOREG 2, REMES og PINGO er en del av en europeisk familie av SCGE-modeller med utspring i den nederlandske RAEM-modellen (Ivanova mfl., 2007), hvor modellprinsippene blant annet er videreført i de regionale- og multinasjonale modellene RHOMOLO (Mercenier mfl., 2016) som er EU- kommisjonens SCGE-modell på NUTS 2 nivå.^{#NUTS (nomenclature des unités territoriales statistiques) er en standardkode for regioninndeling i Eurostat, se https://ec.europa.eu/eurostat/web/nuts/background.}

Panda-modellen^{#Panda-modellen ble utviklet av Sintef. Den første versjon av modellen ble utviklet i 1989–1991. Modellen driftes av foreningen Panda analyse, bestående av fylkeskommunene og Kommunal- og distriktsdepartementet. https://www.pandaanalyse.no/pandamodellen/} er en regional modell for Norge, som brukes til analyser og framskrivinger innenfor demografi, befolkning og næringsliv, og omstillings- og konsekvensanalyser av tiltak. Modellen inneholder en kryssløpsmodell for leveranser mellom norske næringer, og beregner regional utvikling basert på forutsetninger om nasjonal og regional ressurstilgang, men tar ikke hensyn til markedsbaserte tilpasninger og begrensninger på tilbudssiden. Panda-modellen er i hovedsak en partiell modell som benyttes til analyser av enkeltregioner på kort og mellomlang sikt, i motsetning til NOREG 2, som analyserer de langsiktige regionale likevektseffektene av endringer i politikkvariabler.

Aktører, atferd og markeder i NOREG 2^{#En mer detaljert omtale av modellen finnes i Hansen mfl. (2023).}

NOREG 2 framstiller økonomien ved hjelp av representative husholdninger, bedrifter og offentlig sektor.

Husholdninger er modellert som fire representative husholdninger i hver region, differensiert etter utdanningsnivå: ufaglærte/lav utdanning (grunnskole og videregående skole utenom fagutdanning), faglærte med fagutdanning (yrkesfaglige retninger i videregående skole), lavere grads universitets- og høyskoleutdanning (bachelor og tilsvarende), og høyere grads universitets- og høyskoleutdanning (over bachelor). Husholdningene tilbyr arbeidskraft til bedriftene og mottar lønn lik med verdien av sin grenseproduktivitet. Husholdningene og det offentlige eier realkapitalen, som de leier ut mot renteinntekter.^{#Utenlandsk eierskap og norsk eierskap i utlandet ser vi bort fra i modellen. Overføringer til og fra utlandet og sparing i utlandet er imidlertid tatt hensyn til.} Husholdningenes inntekt består derfor av netto lønnsinntekt og kapitalinntekt (etter skatt), og overføringer fra myndighetene i form av barnetrygd, alderstrygd med videre. Husholdningene maksimerer nytte gitt sitt tilgjengelige budsjett. Det er antatt en Stone-Geary nyttefunksjon, som gir hver husholdningstype i hver region et lineært utgiftssystem (LES).

I hver region er det profittmaksimerende bedrifter som representerer ulike næringer (24 næringer i denne modellversjonen). Hver bedrift i hver region produserer én vare. Produksjonsteknologiene har konstant skalautbytte, og er modellert som CES-funksjoner der kapital (K), ulike typer arbeidskraft (L), energi (E) og ulike innsatsvarer (M) (til sammen KLEM) er substituerbare (Figur 2). Det er separate substitusjonselastisiteter for hver næring. Substitusjonselastisitetene er basert på internasjonal forskningslitteratur. Vi bruker særlig estimatene fra Koesler og Schymura (2015), som benytter i hovedsak samme KLEM-struktur og lignende næringsinndeling som i NOREG 2. Elastisitetene i Koesler og Schymura (2015) er estimert basert på World Input-Output Database (WIOD), som inneholder data for 40 land (inkl. 27 EU-land). Det pågår et arbeid med å beregne elastisitetene på norske data og tilpasset NOREG 2.

Kapitalen er låst til en næring på kort sikt, men flyttbar på lang sikt. Arbeidskraft kan flytte mellom næringene og regionene. Dette innebærer at størrelsen på næringene i hver region, og nasjonalt er endogen, men stiavhengig.

Offentlig sektor er modellert som én nasjonal aktør som mottar alle skatteinntektene og betaler ut subsidier til bedrifter og overføringer til husholdninger. Offentlig sektors etterspørsel etter varer og tjenester er eksogen.

Regional inndeling og handel

For å representere regioner antar NOREG 2 at den norske økonomien er summen av regionenes økonomi. Hver region er slik sett å sammenlikne med et «land» preget av fri bevegelse av faktorer, varer og tjenester til og fra «utlandet».^{#Noen lesere kan spørre seg hvor det blir av handelsbalansen til et slikt «land». Den vil være summen av individuelle budsjettbetingelser og vil derfor ikke løpe løpsk. Det samme gjelder for øvrig nasjonen som helhet.} Den regionale inndelingen i modellen er fleksibel: den minste enheten er kommuner, som kan aggregeres til større enheter etter behov, f.eks. til fylker, økonomiske soner eller landsdeler. Det er også mulig å kombinere inndelingen, f.eks. analysere ett fylke inndelt i kommuner, mens resten av landet er inndelt i fylker. I modellanvendelsen her er den regionale enheten fylke.

Økonomien er liten og åpen, med omfattende handel med utlandet og mellom regionene. I en liten åpen økonomi er verdensmarkedsprisene eksogent gitt. Utenrikshandelen er modellert ved Armington-forutsetningen, som antar at importerte og hjemmeproduserte varer er imperfekte substitutter. Handelen mellom regioner i Norge er modellert på samme måte, men verdiene for elastisitetene er forskjellige ved at det er langt lettere å substituere mellom innenlandskproduserte varer fra ulike steder i Norge enn med varer fra utlandet. Det er også enklere å handle med eller transportere enkelte varer og tjenester enn andre, noe som gjenspeiles i handelselastisitetene. Det er lavere handelselastisitet for tradisjonelt offentlige tjenester enn for varer, som betyr at slike tjenester forbrukes i større grad i samme region som de produseres.

Flytting er endogen

Arbeidskraften kan flytte mellom regionene. Flytteelastisiteter til NOREG 2 er estimert i en modifisert versjon av Kornstad mfl. (2023), som modellerte brutto innenlands flytting mellom 89 økonomiske soner. I deres modell fører lønnsforskjeller til flytting mellom de økonomiske sonene. I den modifiserte versjonen, Skjerpen mfl. (2023), modelleres derimot netto flytting til en økonomisk sone. Det har også blitt foretatt noen modifikasjoner av inndelingen etter utdanning (dvs. hvilke utdanningskoder som inngår i de fire aggregerte gruppene). Skjerpen mfl. (2023) gjennomførte separat estimering for de fire utdanningskategoriene basert på data for perioden 2001–2014 for de 89 observasjonsenhetene. Modellspesifikasjonen med fokus på effekten av endring av relativ realtimelønn er gitt under. Virkningsparameteren er den samme for alle de økonomiske sonene.

$\frac{{\text{MIGRASJON}}_{re,t+1}}{{\text{BEFOLKNING}}_{re,t+1}}={\beta }_e\left(\log \left(W_{ret}\right)-\log \left({\stackrel{-}{W}}_{ret}\right)\right)+X\gamma +{\epsilon }_{re,t+1}$

der

• ​ $W_{ret}$ : Gjennomsnittlig timelønn i region r for utdanningsgruppe e i år t

• ${\stackrel{-}{W}}_{ret}$​​ : Gjennomsnittlig befolkningsveid timelønn i alle andre regioner

• $X$ : Andre kontrollvariabler (arbeidsledighet, regionale og trendeffekter, etc.)

Skjerpen mfl. (2023) finner at elastisitetene for flytting som følge av endring i reallønn er rundt 0,01. Det betyr at en ti prosents økning i reallønn i en region øker tilflyttingen med 0,1 prosent, og må karakteriseres som en svært lav respons. Husholdningene i vår modell har med andre ord sterke stedspreferanser, og det er de mest høyest utdanning som har sterkest stedspreferanse (lavest elastisitet), mens de ufaglærte har noe høyere tilbøyelighet til å flytte utfra lønnsforskjeller.

Nasjonalregnskapet og Nasjonal Godsmodell gir datagrunnlag

Datagrunnlaget til modellen er kryssløpstabeller fra nasjonalregnskapet, fordelt på modellens regioner.^{#https://www.ssb.no/en/nasjonalregnskap-og-konjunkturer/metoder-og-dokumentasjon/supply-and-use-and-input-output-tables} Handelen mellom regionene i basisåret beregnes ved bruk av matriser for regionale varestrømmer og transportkostnader hentet fra Nasjonal Godsmodell (NGM).^{#NGM beregner transportkostnader for godstransport innenfor en rekke produktkategorier mellom alle norske kommuner.}

Viktige drivere bak resultatene

Styrken med en generell likevektsmodell er at «alt henger sammen med alt», akkurat som i den faktiske økonomien. Men en viktig driver bak etterutdanningstiltak vil typisk handle om hvordan tiltaket påvirker arbeidsmarkedet. Opphavet ligger på tilbudssiden i arbeidsmarkedet, men virksomhetenes appetitt på å ansette ulike former for kompetanse (etterspørselssiden) er også viktig. Appetitten varierer mellom næringer, slik at næringsstrukturen også er viktig. Tilbuds- og etterspørselssiden av arbeidsmarkedet skaper utslaget på relative lønninger, siden lønnsdannelsen ligger i «markedskrysset». Utslaget på relative lønninger genererer i neste omgang flytting inn og ut av regionen.

Økt fagutdanning i Trøndelag styrker Trøndelags økonomi

I mange fylker er det behov for arbeidstakere med fagutdanning (Myklathun, 2023). Fagutdanning er yrkesfaglige retninger i videregående skole, for eksempel bygg- og anlegg, elektrofag, frisør, helse- og oppvekst, IKT og medieproduksjon. Vi analyserer en økning i antall studieplasser innen yrkesfag i Trøndelag. Tiltaket kan også tolkes som en økning i antallet som fullfører sin fagutdanning. Det er en del frafall i fagutdanningen (Utdanningsdirektoratet, 2023) og fylkene arbeider for å få ned frafallet. Man kan forstå tiltaket som at dette arbeidet lykkes i Trøndelag.

Konkret antar vi at antallet fagutdannede i Trøndelag øker med én prosent per år i perioden 2025–2035 (11 år). Det tilsvarer om lag 700 nyutdannede per år og om lag 7800 flere fagutdannede totalt. Til sammenlikning arbeider det ifølge SSB snaue 250 000 personer i Trøndelag. 7800 utgjør om lag tre prosent av dette.

Vi ønsker å undersøke virkninger på tilflytting og utflytting av et tiltak som hever kompetansen til befolkningen. Modellteknisk betyr det at vi ikke ønsker at en økning i antall fagutdannede skal påvirke tilflytting eller utflytting på en eksogen måte. Økningen i antall fagutdannede i Trøndelag må derfor motsvares av en like stor nedgang i en annen gruppe. Vi forutsetter at det er gruppa med lav utdanning som blir mindre, mao. at 7800 personer går fra å ha lav utdanning til å ha fagutdanning. Tiltaket handler altså om å opprette studieplasser, slik at om lag tre prosent av arbeidsstyrken går fra å være lavt utdannede til være fagutdannede.

Fagutdannede flytter ut, lavt utdannede flytter inn

Kompetansehevingen til de lavt utdannede i Trøndelag fører til endringer i relative lønninger for ulike arbeidstakerkategorier, som igjen fører til endringer i etterspørsel etter arbeidskraft i næringer og til endogen flytting til og fra fylket.

Tiltaket fører til at om lag 1000 fagutdannede flytter ut av Trøndelag, som en endogen respons til lønnsendringer, sammenliknet med referansebanen (se Figur 6). Det kan ikke sies å være en stor lekkasje sammenliknet med økningen i antallet fagutdannede på 7800. Samtidig er lekkasjen større enn null, som betyr at tiltaket i seg selv er uegnet til å lokke flere til fylket.

Som følge av kompetanseøkningen blir det over ti år blir 7800 færre med lav utdanning i fylket. Det fører til tilflytting av slike arbeidstakere fra andre fylker å fylle hullet etter de 7800 som fikk økt kompetanse. Denne tilflyttingsstrømmen er nesten like stor som utflyttingsstrømmen av fagarbeidere (snaue 1000 personer). I tillegg skjer det en liten utflytting i gruppa med lavere universitetsutdanning. Samlet sett fører tiltaket til at sysselsetting og befolkning i Trøndelag er omtrent uendret (se den stiplede linjen på Figur 6). I sum sitter økonomien i Trøndelag igjen med langt flere fagutdannede i næringslivet.

Det er verdt å merke seg at driveren bak innflytting til Trøndelag ikke er de fagutdannede som det blir flere av internt i fylket, men de lavt utdannede som det blir færre av internt i fylket. Det er en generell likevektseffekt som så langt ikke er særlig vektlagt i norsk distriktsdebatt.

Relative lønninger følger inn- og utflytting

I regionale analyser i Norge snakkes det mye om ringvirkninger, der endringer i ulike næringspolitiske motorer fører til flere arbeidsplasser enn dem man opprinnelig hadde. I en generell likevektsanalyse må en fysisk endring, for eksempel tilflytting, motsvares av en korresponderende prisendring. For eksempel må lønnsnivået for faglærte øke for at den opprinnelige økningen fra tiltaket skal gi ringvirkninger i form av at enda flere faglærte strømmer til fylket. Det er lite sannsynlig at økt tilbud skulle gi høyere lønnsnivå, og dermed er det et viktig hull i ringvirkningsteorien.

I vår modellanalyse bidrar økt tilbud av faglærte til at det relative lønnsnivået for faglærte i Trøndelag går ned (Figur 7). En slik lønnsnedgang er nødvendig for å skape flere arbeidsplasser for faglærte – i en generell likevektsanalyse er det ikke rom for å ansette mange flere til nøyaktig samme lønn. Den relative lønnsnedgangen er samtidig årsaken til at noen av de faglærte flytter ut av fylket. Dette er personer som overvinner sin stedspreferanse for å få høyere lønn andre steder.

Den andre siden av saken er at lønnsnivået for personer med lav utdanning øker. Det er en følge av økt knapphet på slike personer i Trøndelag. Bedriftene slåss om dem på en annen måte enn før. Den høyere relative lønnen for de med lav utdanning fører til innflytting til fylket.

For oss er det en troverdig mekanisme modellen peker på: Man vil ikke få tilflytting uten noe høyere lønninger, og det vil ikke skapes flere arbeidsplasser uten noe lavere relative lønninger i forhold til sammenlikningsgrunnlaget. I en gruppe hvor lønnsnivået går ned, vil noen flytte ut. I en gruppe hvor lønnsnivået går opp, vil noen flytte inn fra andre steder.

Produktiviteten i næringslivet i Trøndelag går opp

Resonnementet over kan få noen til å tro at økt fagutdanning har null virkning på gjennomsnittlige lønninger. Det er ikke riktig. Selv om lønna for fagutdannede går omtrent like mye ned som lønna for lavt utdannede går opp, så blir det flere fagutdannede og færre med lav utdanning. Det vektede gjennomsnittet går derfor opp. Siden fylket tjener det det skaper, innebærer dette at Trøndelag produserer mer med omtrent like mye ressurser. Økningen i bruttoprodukt per person er om lag 0,65 prosent på lang sikt. Det er kanskje ikke så mye, men vi må huske at det stammer fra en beskjeden overgang på tre prosent av arbeidsstokken fra lavt utdannet til fagutdannet kategori.

Man kunne tenke at den økte inntekten på 0,65 prosent per person ville utløse økt etterspørsel, mer kjøp og omsetning i butikkene, som i neste omgang ville øke sysselsettingen i Trøndelag. Denne effekten er til stede i vår analyse, men det er viktig å huske at opphavet til etterspørselen er økt produktivitet. Dermed er det i makro ikke behov for flere sysselsatte for å dekke økt etterspørsel. Alt som står igjen av påstanden om økt sysselsetting som følge av økt etterspørsel er sammensetningseffekter. Sammensetningseffekter kan oppstå dersom etterspørselen retter seg mot andre næringer enn de som får økt produktivitet. Mellomlegget her er handel med andre regioner, som modellen tar hensyn til og holder styr på.

Disse betraktningene antyder at endringer på næringsnivå som følger av tiltaket er en sum av mange underliggende drivkrefter. Figur 8 viser samlet utfall på næringsnivå.

Kjemisk industri og kraftkrevende industri er næringene som vokser mest som følge av tiltaket. I hovedsak er det én næring som går ned i omsetning, nemlig reiseliv. For å forklare disse endringene på en systematisk måte er det nyttig å starte med kostnadsendringene: En næring vil oppleve at kostnadene går ned om man er intensiv i faglærte og opp om man er intensiv i ufaglærte. Det driver omsetningen opp i næringer som får en kostnadsfordel. Eksempelvis kommer nesten 60 prosent av arbeidsinnsatsen i kraftkrevende industri fra faglærte, og nesten 25 prosent fra ufaglærte. I næringen reiseliv er bildet motsatt, med 55 prosent av arbeidsinnsatsen fra ufaglærte og 23 prosent fra faglærte.

Samtidig er det en annen mekanisme som har betydning i modellen: Etter utflytting og innflytting sitter vi igjen med at det er flere faglærte og færre ufaglærte i Trøndelag. Til gitte priser og kostnader (altså når vi ignorerer momentet vi nettopp diskuterte) tilpasser økonomien seg ved at næringer som bruker relativt mye faglært arbeidskraft ekspanderer og næringer som bruker relativt lite reduseres. Dette er en generell likevektsmekanisme vi kjenner fra handelsteorien som Rybczynski-teoremet.

Bred satsing på etterutdanning forsterker presset på Oslo

Skiftende regjeringer har ønsket å satse bredt på etterutdanning (Hurdalsplattformen, 2021). Det er lett å tro at etterutdanningstilbud over hele landet vil bremse sentraliseringen på samme måte som lokale utdanningstilbud. Ved et slikt program kan man ta etterutdanningen der man bor, som binder en fastere til bostedet, stedspreferansene blir sementert, og man kan etterpå bidra å utvikle kompetansearbeidsplasser over hele landet.

Poenget med etterutdanning er å bli mer produktiv. Vi illustrerer effekten av en bred satsing på etterutdanning ved å anta at etterutdanning er et tilbud til arbeidstakere med lavere grads universitetsutdanning. I dette tiltaket ser vi for oss et bredt lansert etterutdanningsprogram som øker produktiviteten jevnt over i hele denne utdanningsgruppen. Eksempler på slike program kan være bredt anlagte kurs og videreutdanning innen digitalisering, eller mer fagrettet fornyelse og ajourføring av oppdatert kunnskap. Etterutdanningsprogrammet er modellert som et program som ikke gir formell kompetanseheving ved at folk flyttes til en høyere utdanningskategori, men som gir produktivitetsøkning til den kategorien man allerede tilhører. Vi antar at tilstrekkelig mange benytter seg av tilbudet til at arbeidsproduktiviteten i gruppa lavere grads universitetsutdanning øker med 0,5 prosent i året i 11 år, og omtrent 5,5 prosent til sammen. Den økte arbeidsproduktiviteten fører til en langsiktig økning i fastlands-BNP på om lag to prosent.

Tiltaket viser seg å gi moderate virkninger på flyttemønsteret, men fortegnet på virkningen går i retning større befolkning i Oslo og Viken. Over hele perioden er det snakk om omtrent 320 flere sysselsatte i Oslo og Viken, og kanskje dobbelt så mange når man inkluderer de sysselsattes familiemedlemmer.

For å forklare fortegnet på tilflyttingen må man se på de samme faktorene som bidrar til tilflytting i referansebanen. I begge tilfeller er det generell økonomisk vekst som er drivkraften. Generell økonomisk vekst fører til at etterspørselen vrir seg mot næringer som befinner seg sentralt. Det driver opp lønnsnivåene i disse næringene og fører til tilflytting.

For å forklare styrken i tilflyttingen, må en huske på at arbeidstakerne i modellen har forholdsvis sterke stedspreferanser. Selv om lønningene øker Oslo og Viken, reagerer arbeidstakerne moderat. Svakere stedspreferanser vil innebære økt flytting.