Tilvejebringelsen af stadig større og mere detaljerede mængder statistisk data har i en årrække været en central målsætning på beskæftigelsesområdet. Fra den spæde begyndelse med oprettelsen af CRAM (Det Centrale Register for Arbejdsmarkedsstatistik) i 1979 til nutidens væsentligt mere detaljerede DREAM-register (Den Registerbaserede Evaluering Af Marginaliseringsomfanget) har Beskæftigelsesministeriet løbende udvidet datamængden – både i dybden og bredden. 

Udvidelsen af datamængden er sket i en sådan grad, at Danmark pt. indtager en international førerposition, hvad angår både detaljegraden og omfanget af tilgængelig registerdata omhandlende ledige og den indsats, de får. Særligt fra ministeriets side anskues brugen af kvantitative data som det columbusæg, der kan sikre større overensstemmelse mellem politiske målsætninger og lokal implementering, mere individualiserede og proaktive indsatser, og at politik og indsats har de ønskede effekter.

I dag udgør dataindsamlingen således fundamentet for overvågningen af jobcentrenes indsats, udarbejdelsen af evidensbaserede effektmålinger og den kontinuerlige udvikling af nye digitale hjælpeværktøjer, såsom arbejdsmarkedsbalancen, jobevidens.dk og dagpengetælleren.

Der er ingen tvivl om, at udbygningen af den statistiske datamængde har gjort både offentligheden, politikere, forskere og beskæftigelsesmedarbejdere klogere på beskæftigelsesindsatsen og dens virkninger. Der er dog samtidig grund til at mane til besindighed, når tilvejebringelsen og brugen af registerdata i stigende grad bliver anskuet som en mirakelløsning på snart sagt enhver udfordring på beskæftigelsesområdet. 

En sådan ukritisk tilgang til data slører nemlig det banale, men ofte oversete faktum, at data ikke giver et én-til-én billede af virkeligheden. Den centrale udfordring har i hele den statistiske videnskabs historie været at skabe (målemæssig) lighed mellem grundlæggende forskelligartede objekter eller subjekter. Ved hjælp af klassifikationer og tildeling af numerisk værdi kan man i statistikken gøre unikke individer og indsatser sammenlignelige og målbare, men i virkelighedens verden fjerner det dog ikke deres grundlæggende forskellighed. 

Statistisk data udgør et nyttigt og unikt udgangspunkt for at blive klogere på virkelighedens beskaffenhed, men hvis det får lov at stå alene, er der risiko for, at der tegnes et stærkt afgrænset og forsimplet billede af en virkelighed, der er langt mere kompleks. Den basale erkendelse synes dog ofte at gå tabt i den praktiske brug af registerdata, ikke mindst på beskæftigelsesområdet.

Data som tilskæring af virkeligheden

Et aktuelt eksempel på, at brugen af statistisk data kan give et skævt billede af virkeligheden, er Beskæftigelsesministeriets nye benchmarkingsystem. Med aftalen om en forenkling af beskæftigelsesindsatsen, som blev vedtaget i 2018, er der oprettet et nyt benchmarkingsystem af kommunerne. 

Ud fra demografiske og økonomiske rammevilkår udregnes et forventet ydelsesomfang for hver kommune. Den forventede værdi sammenlignes med kommunens reelle ydelsesomfang for at afgøre, hvorvidt kommunen har klaret sig bedre eller dårligere end forventet. Herpå rangeres alle landets kommuner ud fra den procentvise positive eller negative afvigelse fra det forventede resultat, så man får en samlet og offentlig tilgængelig rangliste over, hvor godt alle landets kommuner klarer sig. 

Det er åbenlyst, at der allerede er en markant usikkerhed forbundet med selve udregningen af et hypotetisk ydelsesomfang, men her skal først og fremmest fremhæves valget af ydelsesgrupper. Ranglisten måler nemlig udelukkende på det forventede og faktuelle ydelsesomfang for kontanthjælps-, dagpenge- og sygedagpengemodtagere. Hermed illustreres en grundlæggende tendens ved den nuværende brug af data på beskæftigelsesområdet, hvor virkeligheden tilskæres, så bestemte aspekter fremhæves, og andre træder i baggrunden. 

Det samme er tilfældet med Beskæftigelsesministeriets løbende tæller på ministeriets hjemmeside, der viser faldet i kontanthjælpsmodtagere siden 2016. Sådanne afgrænsede opgørelser er naturligvis brugbare og nødvendige i en ren deskriptiv optik for at have overblik over andelen på de forskellige former for ydelsestyper. Men disse fragmenterede opgørelser bliver mere problematiske, når de benyttes som sandhedsvidne for effekterne af den førte beskæftigelsespolitik eller de individuelle kommuners tilgang og indsatser. 

Problemet er, at den statistiske opgørelse af separate ydelsestyper dækker over en mere dynamisk virkelighed, hvor de enkelte ledige ofte bevæger sig på tværs af ydelsestyper og –kategorier i løbet af et ledighedsforløb. Det, som ser fast og statistisk ud i et øjebliksbillede, udgør tæt forbundne kar, hvor et fald af ledige i én ydelsestype ofte modsvares af en stigning i en anden ydelsestype. 

I det konkrete eksempel med den nye benchmarkingmåling bevirker det, at nogle af de lavest rangerede kommuner er placeret der, fordi det er lykkes at bibeholde ledige i kontanthjælpssystemet frem for at overføre dem til passiv og permanent forsørgelse på førtidspension. Benchmarkingsystemets tilskæring af virkeligheden kan derfor medføre, at tildelingen af førtidspension bliver et succeskriterium i sig selv. 

Der er naturligvis ikke tvivl om, at tildelingen af førtidspension ofte kan være den rette og bedste beslutning ud fra borgernes behov og udfordringer. Men forskningen om brug af benchmarking og resultatmålingssystemer er rig på eksempler på, at der kan opstå såkaldte "perverse effekter", hvor jobcentrene får stærke incitamenter til at parkere de mest sårbare borgere på passive ydelser, så de ikke tæller med i resultatopgørelserne.

Problemet med at tilskære virkeligheden ud fra de enkelte ydelsesgrupper er dog mere omfattende end uhensigtsmæssige incitamentsstrukturer. Potentielt kan den form for databrug hindre en forståelse af ledighedsproblemets reelle karakter, som i sidste ende kan mindske muligheden for at tilrettelægge de rette løsninger. 

Hvis vi løfter blikket fra de enkelte ydelser og kommuner, kan vi se, at den langsigtede udvikling i forsørgelsesydelsesmodtagere tegner et billede af en mere systemisk udfordring. Mens antallet af dagpengemodtagere er blevet reduceret markant siden højdepunktet i 1994, har den resterende gruppe af forsørgelsesydelsesmodtagere stort set været stabil i de sidste 25 år. Det er korrekt – som Beskæftigelsesministeriet igen og igen fremviser – at udvalgte ydelsesgrupper såsom kontanthjælpsmodtagerne er blevet reduceret ganske mærkbart i de senere år. Men hvis den udvikling sammenholdes med udviklingen i antallet af borgere på andre ydelsesgrupper, såsom ressourceforløb, jobafklaring og førtidspension, er antallet stort set konstant i en 25-årig periode – på tværs af både høj og lavkonjunkturer. 

Det bredere og mere holistiske billede på ledighedsproblemet indikerer, at beskæftigelsespolitikken og –indsatsen er lykkes med at nedbringe ledigheden blandt de stærkeste og mest arbejdsmarkedsparate ledige, men at det samme ikke kan siges om gruppen af borgere længere fra arbejdsmarkedet. Den nogenlunde konstante andel af ikke-forsikrede borgere uden for arbejdsmarkedet peger på et systemisk problem, der går på tværs af politiske regeringskonstellationer, økonomiske konjunkturer og individuelle kommunale indsatser – og som for øvrigt også kan genfindes i mange andre sammenlignelige lande. 

Den nuværende opsplitning af data og fiksering på kommunernes kortsigtede outputmål kan derfor potentielt hæmme en mere retvisende erkendelse af ledighedsudfordringen. En erkendelse, som må udgøre første skridt i retning af at forsøge at nærme sig en løsning af det komplekse problem.

Data som forsimpling af virkeligheden

Udfordringerne ved en forsimplet brug af data rækker ud over forståelsen af ledighedsproblemet. Også de mulige løsninger kan antage skæve og uhensigtsmæssige former, hvis data forveksles med virkeligheden. Det er en særlig udfordring på beskæftigelsesområdet, hvor der længe har været et stærkt fokus på at gøre det, der virker – som er lig med indsatser med dokumenterede beskæftigelseseffekter.

Den tilsyneladende logiske målsætning rammer nemlig også ind i den omtalte statistiske udfordring med at skabe målelig lighed mellem grundlæggende forskelligartede objekter. Beskæftigelsesindsatsen udmøntes altid i en specifik kontekst, hvorfor to indsatser aldrig kan være fuldstændig ens. I modsætning til fx en medicinsk kur, kan vi ikke på beskæftigelsesområdet præcist vægte og duplikere det virksomme "stof" i en indsats. Men for at tilvejebringe evidens for en indsats' effekter må vi have en tilpas stor stikprøve, der medtager indsatsen, hvorfor løsningen bliver at klassificere individuelle og unikke indsatser under samme kategori. 

Fordelen er, at der skabes solid viden, der indikerer hvilke klassificeringsmæssige beskæftigelsesindsatser, der virker, men ikke meget om, hvad det så er, der virker i dem. Fx er der vist evidens for, at aktivering i virksomheder er det mest virksomme, hvilket er vigtig viden. Ulempen er dog – ligesom det var tilfældet med benchmarkingsystemet – at der nemt skabes et forsimplet billede af virkeligheden, som i værste fald kan fremme decidere kontraproduktive tilgange. 

Eksemplet med virksomhedsrettet aktivering er her særligt illustrativt. Siden starten af 00'erne er kommunerne blevet målt på deres brug af virksomhedspraktik og løntilskud, samtidig med at der har været forskellige incitamenter, som har skullet øge brugen af disse redskaber. Det lykkedes i særlig grad, efter at refusionssystemet blev ændret i 2010, hvor kommunerne havde økonomisk fordel ved at aktivere ledige i virksomhederne frem for i egne kommunale projekter. 

Siden er refusionssystemet endnu engang ændret, så den økonomiske favorisering af virksomhedsrettet aktivering er frafaldet, hvilket også har ført til et mindre fald i brugen af redskabet. Kommunerne måles dog stadig på deres anvendelse af redskabet, og med det nye benchmarkingsystem er incitamentet til at bruge virksomhedsrettet aktivering fortsat til stede. 

Det er blevet indskrevet i lovgivningen, at kommuner, der ikke lever op til de forventede resultater, kan få besøg af en task-force fra ministeriet og i sidste ende potentielt blive sat under administration. Ideen med disse tiltag er, at ministeriet får mulighed for – via enten vejledning eller tvang – at omlægge indsatsen i de dårligst præsterende kommuner, så den bliver mere effektfuld. I en sådan omlægning vil en promovering af virksomhedsrettet aktivering naturligt stå højt på listen over tiltag.

Kommunerne er derfor særdeles opmærksomme på, at andelen af ledige i virksomhedspraktik skal være så høj som muligt. I dataindsamlingens logik bliver virksomhedspraktik anskuet som en klart afgrænset og let definerbar mirakelkur, der kan masseproduceres. Et nærmere blik på det konkrete indhold af virksomhedspraktikkerne viser dog en anden og mere kompleks virkelighed, hvor der kan være kæmpestor forskel på indholdet i en virksomhedspraktik, herunder mulighederne for at det fører den ledige tættere på beskæftigelse. 

Vi er stødt på eksempler på virksomhedspraktikforløb helt ned til to timer om ugen, hvor opgaverne primært har bestået i at rette varer til, så de flugter med hyldekanten. Det er tvivlsomt, at sådanne forløb giver deltagerne bedre forudsætninger for at få et arbejde. I hvert fald ifølge de pågældende borgere selv, men de kan alligevel klassificeres i den mere velsete kategori af virksomhedspraktik, netop fordi de foregår i et privat supermarked. Overdreven opmærksomhed på det billede, som tegnes af statistisk data, kan på den måde fjerne fokus fra det, der reelt har betydning.

Data som udgangspunkt ikke endemål

Mine eksempler skal ikke devaluere vigtigheden af at have omfattende, solid og detaljeret statistisk data til rådighed på beskæftigelsesområdet. Tværtimod er data helt afgørende for offentlighedens mulighed for at kigge forvaltningen efter i kortene, politikernes og beskæftigelsesmedarbejdernes mulighed for at tilrettelægge den mest hensigtsmæssige politik og indsats og endelig forskernes mulighed for at foretage nyskabende undersøgelser. Problemet er blot, når data i sig selv kommer til at udgøre det endegyldige sandhedsudsagn om ledighedsproblemets og beskæftigelsesindsatsens beskaffenhed. I stedet for burde de statistiske data i højere grad bruges til at kvalificere vores forståelse af virkeligheden, så de virkelig interessante spørgsmål kan stilles.  

De spørgsmål er udgangspunktet i forskningsprojektet LISES (Local Innovation in Social and Employment Services). I LISES er vi en gruppe forskere fra Aalborg Universitet, der, i samarbejde med seks udvalgte kommunale jobcentre, forsøger at udvikle nye og innovative tilgange til at øge arbejdsmarkedsdeltagelsen blandt de mest udsatte ledige. Her forsøger vi at udvide den viden, som de kvantitative data giver ved også at gøre brug af dybdegående etnografiske feltstudier i kommunerne, samtidig med at projektet er rodfæstet i en holistisk tilgang til ledighedsudfordringen. 

Det betyder helt konkret, at projektet ikke alene forsøger at finde det klassificeringsmæssige bedste redskab eller indsats, men også studerer, hvordan succes eller fiasko for den enkelte ledige i sidste ende afhænger af politisk opbakning, ledelsesmæssige strategier, organisatorisk opbygning, borgerens møde og forhold til sagsbehandleren, samarbejdet med det lokale arbejdsmarked osv.

For at nytænke indsatsen og potentielt komme nærmere en løsning er det derfor nødvendigt at studere indsatsens indlejring i den bredere kontekst. Tilgangen bevirker også, at målgruppen ikke studeres ud fra de administrativt afgrænsede ydelsestyper eller –kategorier. I stedet studeres borgernes rejse igennem forskellige afdelinger, ydelsestyper og –kategoriseringer for netop at få indblik i, hvordan de forbundne kar reelt hænger sammen i den konkrete praksis.

Projektet forsøger at gå spadestikket dybere end det billede, som tegnes af benchmarkingmålinger, jobindsats.dk osv. Det belyser den komplekse virkelighed i jobcentrene, hvor forskellen mellem højt eller lavt rangerede kommuner ofte skyldes et kompliceret miks af tilfældigheder, ledelsesprioriteringer, sagsbehandlernes coping-strategier, forandringer i borgernes privatliv og tilgængelighed af de rette redskaber. Det blik på beskæftigelsesindsatsen får naturligvis ikke udfordringerne til at fremstå mindre eller løsningerne til at virke mere åbenbare – tværtimod. Men kun ved at bibeholde opmærksomheden på afstanden mellem data og virkelighed kan vi gøre os forhåbninger om at opnå en mere grundlæggende forståelse for potentielle løsninger.