Søgeresultat

Hvor stramt er arbejdsmarkedet?

Overordnet set har beskæftigelsen været stigende og ledigheden faldende siden 2013. Det har i stigende grad rejst spørgsmålet om, hvor stramt arbejdsmarkedet egentlig er, og om vi løber en risiko for, at inflationen stiger mere, end vi bryder os om. Svaret på det spørgsmål har betydning for, hvor stram finanspolitikken bør være og måske også for behovet for reformer, der kan øge arbejdsudbuddet., 20. april 2017 kl. 11:00 , Af , Jørgen Elmeskov, Statistikkerne skal holdes op mod supplerende viden, Når man i den politiske debat fokuserer på arbejdsmarkedets stramhedsgrad, er det selvfølgelig ikke, fordi lav ledighed er noget dårligt. Men ledigheden kan blive så lav, at der kommer øget gang i inflationen og danske virksomheders konkurrenceevne dermed svækkes. Igen er det måske umiddelbart ikke nogen tragedie, når udgangspunktet er en god konjunktursituation og så stærk en konkurrenceposition som den danske - vi har enorme betalingsbalanceoverskud og nettoaktiverne på udlandet oversteg halvdelen af BNP ved udgangen af 2016 - men når sådan en proces først er i gang, kan den vise sig svær at standse igen., På den baggrund er det værd at kigge på ledighedsudviklingen målt ved Danmarks Statistiks forskellige indikatorer., To af indikatorerne - brutto- og nettoledigheden - er baseret på registeroplysninger om udbetaling af dagpenge og kontanthjælp.  De er i udgangspunktet mere statistikker over modtagelse af offentlige ydelser end statistikker over ledighed. Man kan sagtens være uden arbejde, søge arbejde, og være til rådighed for et job (den internationale definition på arbejdsløshed) uden at optræde i registerledigheden. Det gælder for eksempel mange studenter, som modtager SU og samtidig ønsker et deltidsjob ved siden af, eller andre jobsøgende der ikke har ret til dagpenge eller kontanthjælp. I tidligere tider var det nok heller ikke alle, der modtog dagpenge, der var lige meget til rådighed for et job - her er der dog over tid sket betydelige opstramninger., Når de to serier for registerledighed normalt får mest opmærksomhed skyldes det nok, at tallene typisk er ganske sikre. Hertil kommer, at de giver et mål for volumen af ledighed - i den forstand at de korrigerer for, om folk er fuldtids- eller deltidsledige. Arbejdsmarkedet er jo meget strammere, hvis alle de ledige ønsker deltidsbeskæftigelse, end hvis de ønsker fuldtidsbeskæftigelse - i den sidste situation er der mange flere timer at hente fra de ledige., Siden midten af 2016 er bruttoledigheden steget svagt, mens nettoledigheden nærmest har bevæget sig sidelæns (figur 1). Det kan virke overraskende i en periode med pæn vækst i BNP og beskæftigelse. Det skal nok heller ikke tolkes sådan, at arbejdsmarkedet er blevet mindre stramt. Baggrunden for udviklingen i de to registerbaserede ledighedsindikatorer er bl.a., at kommunerne har ændret registreringspraksis for modtagere af integrationsydelse, så de nu i udgangspunktet registreres som jobparate. Det er formentligt et rimeligt gæt, at de personer, der på denne baggrund indregnes blandt de brutto- og nettoledige, ikke har den helt store indflydelse på løndannelsen. Så stigningen i bruttoledigheden siden midten af sidste år kan ikke umiddelbart tages som udtryk for, at arbejdsmarkedet er blevet mindre stramt. Og i stedet for at være konstant havde nettoledigheden formentlig været faldende, hvis der blev korrigeret for den ændrede registreringspraksis., Figur 1. Bruttoledigheden, nettoledigheden og AKU-ledigheden, sæsonkorrigeret, Den forskellige udvikling i brutto- og nettoledigheden afspejler et øget antal ledige i aktivering. Der har historisk været en lang debat blandt (ikke mindst svenske) økonomer om, hvorvidt aktivering af de ledige medførte øget lønpres, eller de aktiverede fortsat holdt lige så meget igen på lønningerne som de åbent ledige, der måles i nettoledigheden. Konklusionen svæver lidt, men argumentet rokker yderligere ved at bruge stigningen i bruttoledigheden som indikation for udviklingen i arbejdsmarkedets stramhedsgrad. , Men hvad så med den tredje indikator, AKU-ledigheden? Den er baseret på at spørge en stikprøve af folk, om de opfylder de internationale kriterier for ledighed, og er generelt mere ustabil. Ikke desto mindre er den også steget siden foråret 2016. Stigningen var koncentreret omkring 2. og 3. kvartal og berørte studenter og såkaldte ”øvrige ledige”. Ledigheden faldt derimod fortsat for modtagere af dagpenge og kontanthjælp. Det viser de detaljerede AKU-tal, som kun offentliggøres på kvartalsbasis på grund af den månedlige stikprøves begrænsede størrelse. Det var altså grupper, der ofte udbyder få timer og normalt ikke betragtes som arbejdsmarkedets kernetropper eller udslagsgivende for løndannelsen, der oplevede en ledighedsstigning. Alt i alt modsiger udviklingen i AKU-ledigheden altså ikke rigtig fornemmelsen af en fortsat tilstramning på arbejdsmarkedet. , Det er også en konklusion, som er i overensstemmelse med virksomhedernes udsagn omkring stigende mangel på arbejdskraft i Danmarks Statistiks konjunkturbarometre, hvor andelen af virksomheder, der oplever arbejdskraftmangel som en begrænsning, er stigende i mange brancher (, se Bag Tallene, 1. marts 2017, ). Andelen af ledige stillinger i den private sektor er også steget de senere år - og specielt siden midten af 2015. , Hvad er det bedste mål for stramhed?, Diskussionen omkring ledighedstallenes udvikling over det seneste års tid rører ved et mere generelt spørgsmål om, hvilket ledighedsbegreb der på den lange bane giver det bedste billede af stramhedsgraden på det danske arbejdsmarked. Svaret på det spørgsmål lettes ikke af, at det ledighedsniveau, som er foreneligt med en stabil inflationsudvikling, må antages at have ændret sig med årene. Det er sket både som resultat af konjunkturtilbageslag, hvor en stigning i ledigheden gradvist har fået et mere strukturelt præg, fordi nogle af de ledige efterhånden er kommet meget langt fra arbejdsmarkedet, og som følge af forskellige arbejdsmarkedsreformer med det formål at reducere den strukturelle ledighed., Ser man på tallenes udvikling (figur 2), er det slående, at AKU-ledigheden og nettoledigheden udviser helt forskellige trends. Tilbage i midten af 1990'erne oversteg nettoledigheden AKU-ledigheden, mens der i de seneste år har været en massiv forskel den anden vej rundt. Set over perioden siden midt-1990erne som helhed har AKU-ledigheden ikke udvist nogen særlig trend. Den langsigtede udvikling i ledigheden er altså massivt forskellig, om man kigger på nettoledighed eller AKU-ledighed (bruttoledigheden har vi kun tal for siden 2007). De to ledighedsbegreber tegner dermed næppe samme historie for arbejdsmarkedets stramhedsgrad (det ville i hvert fald kræve en tilsvarende forskellig opfattelse af udviklingen i strukturel ledighed). , Figur 2. Ledighedsudviklingen 1996-2016, 16-64-årige,  , Ser man på definitionerne bag tallene, har AKU-tallene hele tiden været baseret på den internationale definition af ledighed, omend en ændret opregningsmetode har hævet niveauet noget fra 2007.  En konsistent definition er umiddelbart et plus i forhold til sammenligninger over tid, men gør ikke automatisk AKU-ledigheden til det foretrukne mål for arbejdsmarkedets stramhedsgrad. Hvis, for eksempel, ønskerne om deltids- eller fuldtidsarbejde blandt de ledige ændrer sig over tid, kan det give en skævhed i AKU-ledigheden som et mål for stramhedsgraden af arbejdsmarkedet, fordi AKU-ledigheden måles i personer og ikke fuldtids-personer., Definitionerne bag nettoledigheden har omvendt ændret sig markant over tid - tænk blot på udviklingen i den maksimale dagpengeperiode, som er blevet forkortet adskillige gange. Hver gang har det haft den effekt, at nogle ledige er faldet ud af dagpengesystemet, og hvis de ikke i stedet modtager kontanthjælpsydelser (og vurderes jobparate), viser de sig ikke i tallene. Hvis de ledige, som er faldet ud af statistikken, fortsat har en indflydelse på løndannelsen, så kan nettoledigheden give et mere og mere skævt indtryk af arbejdsmarkedets stramhedsgrad.  Den kortere dagpengeperiode og andre reformer kan samtidig have reduceret tendensen til lønpres generelt og dermed også sænket den strukturelle ledighed, hvilket kan forstærke skævheden i den trendmæssigt faldende nettoledighed som et mål for arbejdsmarkedets stramhedsgrad., Til syvende og sidst er det et empirisk spørgsmål, hvilket ledighedsbegreb der bedst fanger arbejdsmarkedets stramhedsgrad og dermed bedst forklarer lønudviklingen. Man kan måske undre sig over, at det spørgsmål ikke har været genstand for mere analyse, end tilfældet har været. I regi af arbejdet med ADAM-modellen har Danmarks Statistik foretaget nogle begrænsede forsøg på at undersøge spørgsmålet. De pegede mest i retning af AKU-ledigheden som det bedste mål for stramhedsgrad, men var helt klart for begrænsede til at drage stærke konklusioner. Så hermed en opfordring til det fagøkonomiske miljø om at se lidt nøjere på dette emne. 

https://www.dst.dk/da/presse/rigsstat-klumme/2017/2017-04-20-hvor-stramt-er-arbejdsmarkedet

Rigsstatistikerens klumme

Anden teknisk dokumentation

På denne side findes baggrundsmaterialer af teknisk karakter for både nuværende og tidligere modelversioner., Formelfilerne viser alle modellens ligninger. For hver modelversioner er der listefile, som giver et overblik over hvilke ADAM variabler der er endogene og hvilke der er eksogene. Der er lister, som viser nye og udgåede variabler i forhold til den forrige modelversion. Variabellisten og ligningsbrowsersen knytter label og kilde til modellens variabler. Ligningsbrowsersen er i html-format. De øvrige filer er typisk tekstfiler.  , I flere tilfælde er der tale om filer som er ændret og opdateret i forbindelse med brugen af modelen.,  , ADAM marts 2024, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Ligningsbrowser, Ligningsbrowser - mar24, Diverse lister, Nye og udgåede variabler - mar24, Eksempelsamling, Eksempelsamling til Adam Mar24 (pdf), Eksempelsamling til Mar24 - let navigerbar, Eksempelsamling Mar24 (kode), Mar24gap - med strukturelle niveauer, Formelfiler, Formelfil - mar24gap, Normaliseret formelfil - mar24gap, Inverteret formelfil - mar24gap, Ligningsbrowser, Ligningsbrowser - mar24gap, Diverse lister, Nye og udgåede variabler - mar24gap, LMar24lang - med strukturelle niveauer som tabelvariable, Formelfiler, Formelfil - Mar24lang, Normaliseret formelfil - mar24lang, Inverteret formelfil - mar24lang, Ligningsbrowser, Ligningsbrowser - mar24lang, Diverse lister, Nye og udgåede variabler - mar24lang, ADAM april 2023, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Diverse lister, Nye endogene variable i apr23, Nye eksogene variable i apr23, Udgående endogene variable i apr23, Udgående eksogene variable i apr23, Eksempelsamling, Eksempelsamling til Adam April 2023 (pdf), Eksempelsamling til Apr23 - let navigerbar, Eksempelsamling til Apr23 (kode), Ligningsbrowser - standard Apr23, Ligningsbrowser23, Ligningsbrowser - Apr23gap - med strukturelle niveauer, Ligningsbrowser23gap, Ligningsbrowser - Apr23lang - med strukturelle niveauer som tabelvariable, Ligningsbrowser23lang, ADAM oktober 2020, Oktober20 - standard Okt20, Formelfil, Formelfiler, Normaliseret formelfil, Inverteret formelfil, Ligningsbrowser, ligningsbrowser20, Diverse lister, Nye endogene, Nye eksogene, Udgåede endogene, Udgåede eksogene, Eksempelsamling, Eksempelsamling, Eksempelsamling kode, Oktober20gap - Okt20 med strukturelle niveauer, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Ligngingsbrowser, Ligningsbrowser20gap, diverse lister, Nye endogene, Nye eksogene, Udgåede endogene, Udgåede eksogene, Oktober20lang - Okt20 med strukturelle niveauer som tabelvariable, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, ligningsbrowser, Ligningsbrowser20lang, diverse lister, Nye endogene, Nye eksogene, Udgåede endogene, Udgåede eksogene, ADAM juni 2019, Formelfil, Formelfil, Inverteret formelfil, Ligningsbrowser, Lb19, Diverse lister, Nye endogene, Nye eksogene, Udgående variabler, Multiplikatorer, Eksempelsamling, ADAM oktober 2018, Formelfil, Formelfil, Inverteret formelfil, Ligningsbrowser, Ligningsbrowser, Diverse lister, Nye endogene, Nye eksogene, Udgåede variabler, Multiplikatorer, Eksempelsamling, ADAM juli 2017x, Formelfiler, Formelfil, Inverteret formelfil, Ligningsbrowser, Ligningsbrowser, Diverse lister, Nye endogene, Nye eksogene, Udgåede variabler, Multiplikatorer, Eksempelsamling, ADAM juli 2017, Formelfiler, Formelfil, Inverteret formelfil, Ligningsbrowser, Ligningsbrowser, Diverse lister, Nye endogene, Nye eksogene, Udgåede variabler, Multiplikatorer, Standardmultiplikatorer, Eksempelsamling, Vedrørende modelversion Jul17, ADAM oktober 2016, Formelfiler, Formelfil, Inverteret formelfil, Ligningsbrowser, Ligningsbrowser, Diverse lister, Nye endogene, Nye eksogene, Udgåede variabler, Multiplikatorer, Standard multiplikatorer, Eksempelsamling, Vedrørerende modelversion Okt16, ADAM oktober 2015, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Ligningsbrowser, Ligningsbrowser, Diverse lister, Nye endogene, Nye eksogene, Udgåede variabler, Multiplikatorer, Standardmultiplikatorer Okt15, Sammenligning af Okt15 og Okt14, ADAM oktober 2014, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Browser, Ligningsbrowser, Diverse lister, Nye endogene, Nye eksogene, Udgåede variabler, Multiplikatorer, Om Adam Oktober 2014, Eksempelsamling Oktober 2014, ADAM juni 2014, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Browser, Ligningsbrowser jun14, diverse lister, nye endogene variabler, nye eksogene variabler, udgåede variabler, Multiplikatorer, Standardmultiplikatorer jun14, e-bog, Standardmultiplikatorer jun14, html, Standardmultiplikatorer jun14, pdf, Om Adam Juni 2014, ADAM juli 2013, Formelfiler, Formelfil, Nomaliseret formelfil, Inverteret formelfil, Browsere, Ligningsbrowser, Omdøbningsbrowser, Okt12 til Jul13, Diverse lister, Nye endogene variabler, Nye eksogene variabler, Udgåede variabler, Jul13 til Okt12, Okt12 til Jul13, Multiplikatorer, Muleks13 - let navigérbar version, Muleks13 - e-bog, Muleks13 - printervenlig udgave, Om Adam Juli 2013, ADAM oktober 2012, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Browsere, Ligningsbrowser, Omdøbningsbrowser, Dec09 til Okt12, Diverse lister, Nye eksogene variabler, Nye endogene variabler, Udgåede variabler, Dec09 til Okt12, Okt12 til Dec09, Om Adam Oktober 2012, ADAM december 2009, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret variabelliste, Browsere, Ligningsbrowser, Omdøbningsbrowser, Apr08 til Dec09, Diverse lister, Nye endogene variabler, Nye eksogene variabler, Udgåede variabler, Apr08 til Dec09, Dec09 til Apr08, Om Adam December 2009, ADAM april 2008, Formelfil, Formelfil, Normaliseret formelfil, Ligningsbrowser, Ligningsbrowser, Variabellister, Variabelliste, Inverteret variabelliste, Nye endogene variabler, Nye eksogene variabler, Udgåede variabler, Eksempelsamlling, PCIM hjælp, Om Adam April 2008, ADAM april 2007, Formelfil, Formelfil, Normaliseret formelfil, Ligningsbrowser, Ligningsbrowser, Variabellister, Variabelliste, Inverteret variabelliste, Nye endogene variable, Nye eksogene variable, Udgåede variable, ADAM juli 2005, Formelfil, Formelfil, Ligningsbrowser, Ligningsbrowser, Variabellister, Variabelliste, Inverteret variabelliste, Variabelliste i pdf-format, Indekseret variabelliste, Nye endogene variable, Nye eksogene variabler, Udgåede variable, ADAM april 2004, Formelfil, Formelfil, Normaliseret formelfil, Andre moduler, for- og eftermodeller, Ligningbrowser, Model til omdøbning af variable, Model til beregning af RAS branchefordelt beskæftigelse, Variabellister, Variabelliste, Inverteret variabelliste, Udfoldet variabelliste, Indekseret variabelliste, Variabelliste i pdf-format, Nye endogene variabler, Nye eksogene variabler, Udgåede variable, ADAM februar 2002 patch version, Formelfil, Formelfil, Normaliseret formelfil, Ligningsbrowser, Ligningsbrowser, Variabellister, Variabelliste, Inverteret variabelliste, Udfoldet variabelliste, Variabelliste i pdf-format, Indekseret variabelliste, Nye endogene variable, Nye eksogene variable, ADAM februar 2002, Formelfil, Formelfil, Normaliseret formelfil, Ligningsbrowser, Ligningsbrowser, Variabellister, Variabelliste, Inverteret variabelliste, Udfoldet variabelliste, Indekseret variabelliste, Nye endogene variable, Nye exogene variable, Udgåede variable, ADAM april 2000, Formelfil, Formelfil, Normaliseret formelfil, Ligningsbrowser, Ligningsbrowser, variabellister, Variabelliste, Variabelliste i pdf-format, Inverteret variabelliste, ADAM december 1999, Formelfiler, Formelfil, Normaliseret formelfil, Inverteret formelfil, Browser, Ligningsbrowser, ADAM marts 1995, Formelfil, MAR95 - formelfil, Browser, Ligningsbrowser, Diverse downloads:, Introduktion til omdøbning af variabler, Modul til omdøbning af variabler, PCIM version 9, Introduktion til PCIM version 9.07, Hjælpefil til PCIM version 9, Windows hjælpefil til PCIM version 9, PCIM version 7, Hjælpefiler til PCIM version 7, Tabelmenusystem til PCIM version 7, (opdateret september 2002), Tabeldefinitionskort til PCIM version 7, (opdateret september 2002)

https://www.dst.dk/da/Statistik/ADAM/Modellen-ADAM/Download

Danske boligpriser steg næstmest i EU under COVID-19

De danske boligpriser steg 15,3 procent fra første kvartal 2020 til første kvartal 2021. Det er næsten tre gange så meget som gennemsnittet af EU-landene. Kun Luxembourg havde større prisstigninger i samme periode. , 27. juli 2021 kl. 8:00 , Af , Presse, Boligpriserne stiger, og det gør de ikke kun i Danmark. Alligevel havde Danmark de næsthøjeste prisstigninger i EU i 2020. , Det viser de nyeste tal fra det internationale boligprisindeks House Prices Indeks (HPI), som opgøres af medlemslandene og offentliggøres af EU’s statistikorganisation , Eurostat., I første kvartal 2021 steg boligpriserne med 6,1% i EU i gennemsnit sammenlignet med samme kvartal året før. Det er den højeste årlige stigning for EU siden tredje kvartal 2007. I Danmark steg priserne i samme periode med 15,3 pct. , ”Boligpriserne steg markant i Danmark fra 1. kvartal 2020 til 1. kvartal 2021 sammenlignet med de resterende EU-lande. Kun Luxembourg havde større prisstigninger. Lande, som vi normalt sammenligner os med, havde mindre stigninger end Danmark. For eksempel steg boligpriserne i Sverige med 7,2 pct. i perioden, mens Norge havde stigninger på 9,7 pct.,” siger Jakob Holmgaard, der er fuldmægtig i Danmarks Statistik., Figur 1: EU-harmoniserede boligprisindeks i EU-lande samt andre udvalgte lande, årlig procentvis ændring fra 2020K1 til 2021K1, Note: Ovenstående viser EU-lande, gennemsnittet for EU + EFTA-landene Island, Norge og Schweiz. Grækenland er som det eneste EU-land ikke med i opgørelsen, men til beregning af EU-aggregatet (EU-27) beregner Eurostat et skøn for Grækenland baseret på oplysninger fra den nationale centralbank. Kilde: , Eurostat database, ., Faktaboks: Boligprisindekset (House Price Index, HPI), Boligprisindekset viser prisændringer på boligejendomme købt af husholdninger (lejligheder, huse, rækkehuse, sommerhuse), både nybyggede og eksisterende, uafhængigt af deres endelige brug og uafhængigt af deres tidligere ejere., Boligprisindekset beregnes i regi af det EU-harmoniserede forbrugerprisindeks. , Kilde: Eurostat, ., Boligpriserne steg mest i Luxembourg, EU-landet med de største stigninger fra 1. kvartal 2020 til 1. kvartal 2021 var Luxembourg med stigninger på 17 pct., ”Stigningen i Luxembourg hænger især sammen med lokale markedsforhold, såsom høj boligefterspørgsel, lavt boligudbud, stigning i befolkningstallet samt stor købekraft blandt befolkningen,” siger Jakob Holmgaard., Cypern havde som det eneste land et fald i boligpriserne i perioden, mens lande som Spanien, Rumænien, Italien og Slovakiet så stigninger på 1-2 pct. , Udviklingen i boligpriserne i Danmark har længe været højere end i EU , I årene umiddelbart efter finanskrisen fra 2010 til 2013 fulgtes udviklingen i de danske boligpriser pænt ad med EU-gennemsnittet. Men det ændrede sig: , ”Siden 2013 er de danske boligpriser steget mere end EU-gennemsnittet. Specielt under COVID-19 er de danske boligpriser steget markant mere end i EU-gennemsnittet”, siger Jakob Holmgaard., Figur 2: EU-harmoniserede boligprisindeks i EU og Danmark, indeks (2010 = 100) ,   , Kilde: , Eurostats database, Antallet af bolighandler steg i mange lande, En anden måde at belyse situationen på boligmarkedet under COVID-19 på er ved at se på antallet af bolighandler. Her viser tallene fra Eurostat også en øget aktivitet. , Eurostat opgør kun antallet af bolighandler for 12 EU-lande. Antallet af boligtransaktioner steg i 9 ud ad 11 lande i 1. kvartal 2021 sammenlignet med 1. kvartal 2020. Polen har endnu ikke har indset data for 1. kvartal 2021., Antallet af handler faldt kun i Slovenien (-11,2 pct.) og Irland (-6,9 pct.) i 1. kvartal 2021 sammenlignet med 1. kvartal 2020, mens Irland, Portugal, Ungarn, Luxembourg, Bulgarien, Finland og Frankrig oplevede stigninger i perioden. Stigningerne var størst i Belgien med 54,1 pct. og i Danmark med 47,5 pct. sammenlignet med samme kvartal året før., ”Danmark og Holland havde som de eneste af landene stigninger i antallet af transaktioner i alle fire kvartaler i 2020 sammenlignet med året før, mens Slovenien og Belgien havde fald i alle fire kvartaler i 2020 sammenlignet med året før,” siger Jakob Holmgaard., Belgien ændrede reglerne for beskatning af realkreditlån i januar 2020, og det kan ifølge Eurostat delvist forklare stigningen i 4. kvartal 2019 efterfulgt af et kraftigt fald på 29,3 pct. i første kvartal 2020. Den årlige stigning på 54,1 pct. i første kvartal 2021 er også relateret til det meget lave tal for første kvartal 2020., Tabel 1: Udvikling i antallet af boligtransaktioner, årlig procentvis ændring i forhold til samme kvartal året før. Sorteret efter udviklingen i 2021Q1, Anm. Eurostat opgør antallet af bolighandler for 12 EU-lande, dog har Polen endnu ikke indsendt data for 2021Q1. , Kilde: , Eurostats database,  , Læs mere om udviklingen på det danske boligmarked i 2020 her, . , Forskellig sæson i boligsalget blandt udvalgte EU-lande, Ud af de 12 lande, som har leveret data om antallet af transaktioner, er der forskel på i hvilket kvartal boligsalget topper, når vi kigger på gennemsnittet for perioden fra 2015-2020. , Salget er ofte højest i enten andet, tredje eller fjerde kvartal. I Danmark, Finland, Frankrig og Ungarn er salget højest i andet og tredje kvartal. I Irland, Luxembourg, Nederlandene, Portugal og Slovenien er salget højest i fjerde kvartal. Kun i Polen topper salget om vinteren i 1. kvartal. , Se andelen af boligtransaktioner i figuren herunder: , Figur 3: Andel boligtransaktioner for hvert kvartal, gennemsnit 2015 – 2020., Anm: Figuren viser et gennemsnit over andelen af boligtransaktioner i hvert kvartal for perioden 2015-2020. For eksempel blev 28 pct. af Nederlandenes samlede bolighandler foretaget i 4. kvartal gennemsnitligt fra 2015-20. På grund af afrunding summer tallene ikke nødvendigvis helt til 100 inden for hvert land., * Gns for 2016 – 2020., ** Gns for 2017 – 2020., Kilde: , Eurostats database, ., Du kan læse mere om sæson på det danske boligmarkedet i denne , DST-analyse, ., Data til denne artikel er leveret af Jakob Holmgaard, som du kan kontakte på , JHO@dst.dk, eller 39 17 31 24, hvis du har spørgsmål til artiklen.

https://www.dst.dk/da/Statistik/udgivelser/bagtal/2021-07-27-danske-boligpriser-steg-naestmest-i-EU-under-COVID-19

Bag tallene

18.000 studerende flytter ved deres studiestart på videregående uddannelser

Flest nye studerende flytter til hovedstad og storby, mens land og provins mister flere studerende, end de modtager., 22. juli 2021 kl. 8:00 , Af , Presse, Når pladsen på et af Danmarks universiteter, erhvervsakademier eller professionsskoler er sikret, indleder tusindvis af danske studerende jagten på en egnet studiebolig i den by, hvor deres fremtidige studieplads ligger., I 2020 flyttede rundt regnet 18.000 kommende studerende til ny bolig i månederne omkring studiestarten på en videregående uddannelse. Det svarer til 30 pct. af alle studerende, som startede på videregående uddannelser det år., For at en flytning tælles med som en studieflytning i denne opgørelse, skal den flyttende person være startet på en videregående uddannelse og være flyttet i perioden fra 1. august 2020 til 31. oktober 2020., ”På den måde mener vi at kunne give et kvalificeret bud på, hvor mange der flytter i forbindelse med studiestart. Når det er sagt, kan vi jo ikke vide med sikkerhed, at de unge er flyttet på grund af optag på videregående uddannelse,” forklarer fuldmægtig i Danmarks Statistik Mikkel Jonasson Pedersen.  , ”Det er blot sandsynligt, da vi også kan se, at langt de fleste af disse flytninger faktisk bringer de studerende tættere på deres kommende studie. Dog er der også 13 pct. af de flyttende, som øger afstanden til det kommende studie.”, Mange af nye studerende flytter mere end 50 kilometer, 6.900 af de studerende, som flyttede i forbindelse med studiestarten, flyttede mere end 50 kilometer tættere på studiet. Det svarer til 38 pct. af alle de flytninger, studerende foretog omkring studiestart., Den næststørste gruppe flyttede mellem 11-50 kilometer. Det gjorde rundt regnet 2.700 nye studerende, hvilket svarer til 15 pct. af alle flytningerne. Rundt regnet 2.300 af flytningerne bragte den studerende længere væk fra studiet, end før flytningen fandt sted, svarende til 13 pct. af flytningerne., Afstandene er beregnet på baggrund af Kraks kort. I nogle tilfælde er der ikke overensstemmelse mellem disse kort og de registrerede adresser. Det kan både skyldes nybyggerier som ikke er med på kortene, men også at adressen fra sidste år ikke længere findes., Det betyder, at ved ca. 3.500 af flytningerne i forbindelse med studiestart, er det ikke muligt at beregne forskelle i afstand. Tallene om flytteafstande er derfor behæftet med en vis usikkerhed., Antal flytninger og flytteafstand, nye studerende på videregående uddannelser. 2020, Kilde: Danmarks Statistik, særkørsel på baggrund af flytteregisteret og elevregisteret, Flest nye studerende flytter til København, Den kommune, som flest nye studerende på videregående uddannelser flyttede til i 2020, var Københavns Kommune, dog meget tæt efterfulgt af Aarhus Kommune., Knap 4.100 studerende flyttede til Københavns Kommune, mens knap 4.000 flyttede til Aarhus Kommune. Dette svarer hhv. til 23 og 22 pct. af alle studieflytningerne omkring studiestart på videregående uddannelser i 2020. Tallet inkluderer alle flytninger foretaget af nye studerende på videregående uddannelser, både flytninger inden for samme kommune og tilflytninger fra andre kommuner., Kommunen med tredje flest studietilflytninger i 2020 var Aalborg med rundt regnet 2.200 flytninger svarende til 12 pct. af alle studieflytninger omkring studiestart. Herefter følger Odense Kommune med 2.000 studieflytninger svarende til 11 pct. af flytningerne., Tilflyttende studerende til de største danske kommuner. 2020, Kilde: Danmarks Statistik, særkørsel på baggrund af flytteregisteret og elevregisteret, Anm: Figuren viser kun tilflytning til Danmarks fire største kommuner, Land- og provinskommuner mister flere studerende end de modtager, Trækker man de fraflyttende studerende fra de tilflyttende studerende, får man den såkaldte nettotilflytning, altså om de forskelige kommuner går i ’plus eller minus’, når alle de nye studerendes flytninger er foretaget., Netto modtog danske storbykommuner (Odense, Aalborg og Aarhus) 5.015 kommende studerende på videregående uddannelser i 2020, hvilket var den største nettotilflytning blandt alle kommunetyperne., Den næststørste tilflytning skete til kommunerne grupperet som ”hovedstadskommuner” i , Danmarks Statistiks klassificering af danske kommunetyper, , som dækker over København og en række omkringliggende kommuner. Hovedstadskommunerne endte med en nettotilflytning på knap 1.900., Alle andre kommunetyper i landet, herunder landkommuner, provinskommuner og oplandskommuner endte med at have negativ nettotilflytning i 2020. Der var altså flere kommende studerende, som flyttede fra disse kommuner end til dem., Fakta: Hvad menes der med land og provinskommuner?, Danmarks Statistik har grupperet Danmarks 98 kommuner i 5 overordnede kommunetyper, som hedder Hovedstadskommuner, Storbykommuner, Provinsbykommuner, Oplandskommuner og Landkommuner., Denne opdeling er lavet med udgangspunkt i oplysninger om tilgængelighed til arbejdspladser og antallet af indbyggere i den største by i kommunen., Opdelingen kan anvendes til analyser af geografiske forskelle i Danmark., Se oversigt over alle danske kommuner og deres klassificering , her, Den største nettofraflytning af studerende skete i landets landkommuner, hvor omtrent 2.600 forlod kommunegruppen til fordel for andre kommunegrupper., Dernæst følger de danske oplandskommuner, som mistede knap 2.200 studerende (netto), efter flytteregnestykket var gjort op. Disse følges af provinskommunerne, hvor 2.100 studerende (netto) endte med at forlade kommunerne., Se flere tal om til- og fraflytning i tabellerne i bunden af artiklen., Nettotilflytning, nye studerende på videregående uddannelser. 2020, Kilde: Danmarks Statistik, særkørsel på baggrund af flytteregisteret og elevregisteret, Størstedelen af de flyttende studerende halverer deres afstand til studiet, Mange af de nye studerende fik markant kortere afstand til studiet, efter de var flyttet. Således mere end halverede rundt regnet 10.100 studerende deres afstand til deres kommende studie, hvilket svarer til 55 pct. af alle flytningerne omkring studiestart., ”Kigger man udelukkende på gruppen, som halverer deres afstand til studiet, kan vi se, at ret mange af dem har gjort dette ved at flytte relativt langt,” forklarer Mikkel Jonasson Pedersen., ”Fx har knap 7.000 studerende mere end halveret deres afstand ved at flytte over 50 kilometer tættere på studiet.” , Studerende som efter flytning har halveret afstanden til studiet. 2020, Kilde: Danmarks Statistik, særkørsel på baggrund af flytteregisteret og elevregister, Har du spørgsmål til tallene i denne artikel, kan du kontakte fuldmægtig Nikolaj Kær Schrøder Larsen på 3917 3259 eller , NKL@dst.dk, eller fuldmægtig Mikkel Jonasson Pedersen på 3917 3752 eller , MPS@dst.dk, Tabel: Brutto- og nettotilflytning fordelt på kommunetyper. 2020,  , Hovedstadskommuner, Landkommuner, Oplandskommuner, Provinsbykommuner, Storbykommuner, Bruttotilflytning, 6.047, 1.052, 474, 2.410, 8.236, Nettotilflytning, 1.884, -2.583, -2.178, -2.138, 5.015,  ,  

https://www.dst.dk/da/Statistik/udgivelser/bagtal/2021-07-22-Studerende-flytter-efter-uddannelse-i-forbindelse-med-studiestart

Bag tallene

Hver tredje beskæftigede under 18 år er ansat i et supermarked

Med 32 pct. er supermarkeder suverænt den branche, flest i alderen 13-17 år arbejdede i i 2021. Ser man udelukkende på de 13-15-årige har flest et arbejde som avis- eller reklamebud., 2. februar 2023 kl. 7:30 , Af , Sigrid Friis Neergaard, Er du under 18 år og har et fritidsjob, er der god sandsynlighed for, at din lønseddel kommer fra et supermarked eller et varehus. Hver tredje lønmodtager mellem 13 og 17 år, svarende til 38.000, arbejdede nemlig i denne branche i 2021. Det gør det til den mest populære blandt de unge medarbejdere. Restauranter var den næstmest populære branche., Det er især de 16-17-årige, der fylder op på hylderne og scanner varer i kassen, for ser man udelukkende på de 13-15-årige ligger supermarkeder på andenpladsen. Den yngre aldersgruppes arbejdsliv består hovedsageligt i at gå med aviser eller reklameblade. Med 15,6 pct. af de beskæftigede var post- og kurertjeneste den branche, hvor flest i denne aldersgruppe arbejdede i 2021., ”Fordelingen på typer af brancher, hvor de unge har et arbejde, har ikke ændret sig væsentligt de seneste år. Job på restauranter, i supermarkeder og som avisbud er gennemgående typiske fritidsjob blandt børn og unge,” siger Pernille Stender, chefkonsulent i Danmarks Statistik., Om unges beskæftigelse, I denne artikel ses der på gruppen af 13-17-årige og deres beskæftigelse., Man er beskæftiget, når man normalt arbejder mindst én time i referenceugen. , Der findes ingen international definition af et ”fritidsjob”, men ofte forbindes et fritidsjob med et job, som man har ved siden af sin skolegang/uddannelse. Langt hovedparten i gruppen 13-17 år er i gang med en uddannelse, samtidig med at de har et fritidsjob. Blandt de 13-15-årige, der havde et fritidsjob i 2020, var 99,5 pct. under uddannelse. Blandt de 16-17 årige drejede det sig om 93,9 pct. Nogle af de unge i aldersgruppen 16-17 år (6,0 pct.) var desuden i gang med et hovedforløb på en erhvervsuddannelse, og deres ”fritidsjob” kan derfor være et job som elev eller lærling. Disse tal refererer til situationen ultimo november 2020, idet uddannelsesoplysningerne ultimo november 2021 endnu ikke forefindes., Top 10 brancher med flest beskæftigede 13-17-årige i 2021, Kilde: Særkørsel fra Danmarks Statistik på baggrund af den registerbaserede arbejdsstyrkestatistik., Anm.: Beskæftigelsen er opgjort ultimo november., Børn og unge uden for de store byer har oftest fritidsjob, Andelen af børn og unge, som har et arbejde, varierer meget kommunerne imellem. Særligt i kommunerne i Vestjylland er andelen af beskæftigede børn og unge høj, mens den er lavest i og omkring København., Andelen af 13-17-årige med et arbejde var i 2021 højest i kommunerne Varde (46,3 pct.), Ringkøbing-Skjern (45,5 pct.) og Ærø (43,9 pct.). I 12 kommuner var andelen af børn og unge med et arbejde over 40 pct. Ingen af disse 12 kommuner ligger på Sjælland. Ser man på de 20 kommuner med højest beskæftigelsesfrekvens for børn og unge i 2021, er kun én af kommunerne, Solrød (39 pct.), på Sjælland., Andelen af børn og unge, der brugte noget af fritiden på arbejde i 2021, var lavest i kommunerne Gentofte (26,4 pct.), Frederiksberg (28,0 pct.), og København (28,8 pct.). Alle 20 kommuner med den laveste andel af børn og unge i arbejde i 2021 ligger på Sjælland. Aarhus Kommune havde, når der ses bort fra kommuner på Sjælland, med 32,5 pct. den laveste andel af beskæftigede børn og unge., ”Vi kan konstatere, at der er markante geografiske forskelle på, hvor stor andelen af unge med et arbejde er. I kommuner som Varde og Ringkøbing-Skjern, hvor andelen er størst, er det lidt under hver anden af de unge, der har et arbejde, mens det i Gentofte og Frederiksberg Kommune er lidt over hver fjerde,” fortæller Pernille Stender., Andel beskæftigede 13-17 årige 2021,  , Kilde: Særkørsel fra Danmarks Statistik på baggrund af den registerbaserede arbejdsstyrkestatistik., Anm.: Beskæftigelsen er opgjort ultimo november., Her kan du finde en , tabel med beskæftigelsesfrekvenser i kommunerne, ., Flere børn og unge havde et fritidsjob i 2021, I 2021 havde 34,9 pct. af børn og unge fra 13 til 17 år et arbejde. Det svarer til 119.500 af alle i aldersgruppen, hvilket er ca. 10.000 flere end i 2020. Af dem var 47.200 i alderen 13-15 år, mens 72.300 var 16-17 år. , ”For de 13-17 årige steg beskæftigelsesfrekvensen 2,7 procentpoint i 2021 sammenlignet med 2020. Det afspejler meget godt udviklingen i beskæftigelsen generelt. For befolkningen i alderen 16-65-årige steg beskæftigelsesfrekvensen med 2,6 procentpoint,” siger Pernille Stender., Selvom beskæftigelsesfrekvensen er steget, er den dog lavere end i 2008, hvor 38,2 pct. af de 13-17-årige havde et arbejde., Fra 2008 og frem til 2014 faldt andelen af unge med et arbejde ganske markant, men den har derefter været stigende med undtagelse af et lille dyk under COVID-19 i 2020., ”Faldet i beskæftigelsen for dem under 18 år efter 2008 følger et generelt fald i beskæftigelsen efter finanskrisen. Stigningen i børn og unges beskæftigelsesfrekvenser efter krisen fulgte også de voksnes, selvom den kom lidt senere for børn og unge,” siger Pernille Stender., I alle årene har der været flere piger end drenge, som har et arbejde. I 2021 var beskæftigelsesfrekvensen for piger 36,7 pct. i alderen 13-17 år, mens den var på 33,1 pct. for drenge. Det er en stigning siden 2020 for begge køn., Andel beskæftigede 13-17-årige, 2008-2021, Kilde: Særkørsel fra Danmarks Statistik på baggrund af den registerbaserede arbejdsstyrkestatistik., Anm.: Beskæftigelsen er opgjort ultimo november., Børn og unge arbejder i kortere tid i forhold til 2008, Der er regler for, hvor mange timer en arbejdsuge må bestå af, når man stadig går i skole, men i forhold til 2008 arbejdede beskæftigede børn og unge i gennemsnit kortere tid i 2021. Den gennemsnitlige arbejdstid er faldet for alle årgange – mest for de 17-årige, som i 2021 arbejdede 1,9 timer mindre om ugen end i 2008. Det er dog samtidig 0,3 timer mere end i 2020., De 17-årige var dem, der arbejdede flest timer i både 2008 og 2021., ”Generelt stiger arbejdstiden med alderen. Blandt dem med fritidsjob i 2021 arbejdede de 17-årige med 10,3 timer i gennemsnit næsten dobbelt så mange timer som de 15-årige, der i gennemsnit brugte 5,5 timer på arbejde om ugen, ” siger chefkonsulent Pernille Stender og tilføjer:, ”Men sammenligner man 2008 med 2021, så arbejder de unge gennemsnitligt mindre i 2021”., 13-17-åriges gennemsnitlige ugentlige arbejdstid fordelt på alder. 2008 og 2021, Kilde: Særkørsel fra Danmarks Statistik på baggrund af den registerbaserede arbejdsstyrkestatistik., Anm.: Arbejdstiden opgjort som det antal timer, man normalt arbejder i sit hovedjob. Beskæftigelsen er opgjort ultimo november.

https://www.dst.dk/da/Statistik/udgivelser/bagtal/2023-02-02-beskaeftigede-boern-og-unge

Bag tallene

Lønstatistik - forberedelse

Her kan I læse om, :, Start opsamling af løndata fra årets start – for at lette jeres indberetning, De forskellige indberetningsmåder, som I kan vælge imellem:, Indberetning via et eksternt lønbureau, Indberetning via udtræk og upload af data fra et internt lønsystem (indkøbt eller selvudviklet), Indberetning via manuel indtastning eller udfyldelse og upload af regneark, Hvordan I kan skifte indberetningsmåde i løbet af året, Start opsamling af løndata fra årets start – for at lette jeres indberetning, I november måned modtager nye indberettere til Lønstatistik et brev med information om forberedelse til indberetning af lønoplysninger for det følgende år., Adviseringen skal sikre, at virksomheder kan vælge indberetningsmåde, forberede deres indberetning og opsamle relevante data fra årets start – det vil sige 1. januar – så indberetningen kan foregå så let som muligt., Hvis virksomheden kommer sent i gang med opsamling af data og/eller opsætning af systemer, så bliver indberetningen mere tidskrævende., Bemærk, : Virksomheder, der allerede indberetter løn til DA, Finans Danmark og F&P Arbejdsgiver, Apotekerforeningen eller Økonomistyrelsen/KRL, skal ikke foretage sig yderligere, da organisationerne varetager indberetning til Danmarks Statistik på vegne af deres indberetningspligtige medlemsvirksomheder., Læs mere nedenfor om de forskellige indberetningsmåder, som I kan vælge imellem, og om hvordan I opsamler relevante oplysninger og opsætter relevante systemer, så jeres indberetning foregår så let som muligt., Indberetning via et eksternt lønbureau, Virksomheder, der anvender et eksternt lønbureau (lønservicebureau), fx DanLøn, Visma DataLøn eller ProLøn, kan i mange tilfælde få indberetningen foretaget automatisk via lønbureauet., OBS, : Det er ikke alle serviceaftaler, der dækker indberetning til Danmarks Statistik., Før jeres lønbureau kan indberette på jeres vegne, skal I sikre følgende:, Jeres lønbureau skal oplyses om, at jeres virksomhed skal tilmeldes automatisk indberetning til Lønstatistik. Processen varierer og kan fx være:, Log på jeres system, og sæt markering ved Danmarks Statistik som indberetningsmodtager. , Eller kontakt jeres lønbureau, og oplys dem om, at I skal indberette til Lønstatistik, så vil de åbne jeres statistikmodul , Kontakt altid jeres lønbureau, hvis I også skal indberette til den kvartalsvise lønstatistik., Læs vejledning til Lønstatistik nedenfor., Da nogle lønbureauer opsamler oplysningerne løbende, er det vigtigt, at I opdaterer lønsystemet inden indberetningsperiodens start og løbende ved nye medarbejdere eller stillingsskift., OBS: Hvis I ikke klargør systemet fra start og opdaterer oplysninger løbende, skal I indtaste data manuelt., Bemærk, , , at ovenstående er en generel beskrivelse af de nødvendige trin, men proceduren kan variere afhængig af lønbureauet. I bedes derfor kontakte jeres udbyder, hvis I har spørgsmål., Vejledninger, Vejledning: Lønstatistik 2026 (PDF), Vejledning: Lønstatistik 2025 (PDF), Hjælp til DISCO-koder, Søg arbejdsfunktioner (DISCO-koder) til indberetning til Lønstatistik, Vejledning til DISCO-08 i lønstatistikken (PDF), Indberetning via udtræk og upload af data fra et internt lønsystem (indkøbt eller selvudviklet), Virksomheder, der anvender et internt lønsystem (indkøbt eller selvudviklet), vil i mange tilfælde kunne udtrække de nødvendige oplysninger fra systemet og uploade dem via , indberetningens startside, ., OBS, : Man skal have , MitID Erhverv, og en særlig , Virk-rettighed til at indberette lønoplysninger til Danmarks Statistik, via IDEP. Læs mere om rettigheden nedenfor., Generelt bedes I sikre følgende:, Læs "Vejledning - Lønstatistik" nedenfor., Opdatér jeres lønsystem med oplysninger, jf. seneste vejledning til Lønstatistik, da der kan være ændringer fra år til år., Før I kan indberette lønstatistik via udtræk fra jeres lønsystem, skal I sørge for at opdatere systemet med personoplysninger på medarbejderkortet og sikre jer, at de forskellige lønarter, der benyttes og opsamles til lønstatistikken, følger standarder og formater i "Vejledning Lønstatistik"., Da nogle lønsystemer opsamler oplysningerne løbende, er det vigtigt, at I opdaterer lønsystemet inden indberetningsperiodens start og løbende i forhold til nye medarbejdere og stillingsskifte. , Når det er tid til indberetning, kan I trække en fil fra jeres lønsystem (Excel eller ESI-fil), sikre at den overholder indberetningens formatkrav og uploade den på , indberetningens startside, . , OBS: Hvis I ikke opdaterer fra start og løbende, skal I indtaste data manuelt. , Bemærk, , at ovenstående er en generel beskrivelse af de nødvendige trin, men proceduren kan variere afhængig af lønsystemet., Find mere vejledning til Lønstatistik og IDEP nedenfor., Vejledninger, Vejledning: Lønstatistik 2026 (PDF), Vejledning: Lønstatistik 2025 (PDF), Vejledning: Upload af fil via IDEP, ESI-standard: Indberetning via lønsystem (PDF), Vejledning: Import af fil fra lønsystem eller regneark til IDEP, Tredjepartsindberetning via IDEP, Hjælp til DISCO-koder, Søg arbejdsfunktioner (DISCO-koder) til indberetning til Lønstatistik, Vejledning til DISCO-08 i lønstatistikken (PDF), Hvor skal I indsende data?, Vi kontakter jer, når det er tid til at indsende data, men husk at opsamle data løbende for hele året. , Læs eventuelt mere på oplysningssiden for Lønstatistik., Om rettigheder til indberetning via IDEP, Du skal bruge , MitID Erhverv, samt en særlig , Virk-rettighed til at indberette lønoplysninger til Danmarks Statistik, for at kunne indberette via IDEP., Hvis du ikke kan se Lønstatistik i IDEP, skal du anmode om Virk-rettigheden via den lokale Virk-administrator i din virksomhed. , Vi anbefaler, at medarbejdere, der skal indberette Løn, får tildelt den særlige virk-rettighed i god tid før indberetningsfristen, :, Skal du indberette Løn via IDEP?, Hvordan anmoder du om Virk-rettigheden? , Er du Virk-administrator?, Hvordan tildeler du Virk-rettigheden?, Tredjepartsindberetning via IDEP, Indberetter du på vegne af andre virksomheder (tredjepartsindberetning), skal du tildeles rettigheder til at indberette lønstatistik på virk.dk for den virksomhed, du arbejder i., Tredjepartsindberetning via IDEP, Indberetning via manuel indtastning eller udfyldelse og upload af regneark, Hvis jeres virksomhed , ikke , benytter et lønbureau eller lønsystem, skal I indberette de nødvendige oplysninger manuelt via indberetningsløsningen IDEP. Læs mere om valg af indberetningsmåde nedenfor., OBS, : Man skal have , MitID Erhverv, og en særlig , Virk-rettighed til at indberette lønoplysninger til Danmarks Statistik, via IDEP. Læs mere om rettigheden nedenfor., I kan indberette Løn via IDEP på to måder:, 1) Udfyld og upload standard regneark i IDEP , Første gang I indberetter til Lønstatistik skal I hente et standard regneark under ”Vejledninger” nedenfor. , Hvis I tidligere har indberettet til Lønstatistik, sender vi et præudfyldt regneark til jeres virksomhed via Digital Post, når det er tid til at indberette. Regnearket indeholder oplysninger om medarbejdere, som I tidligere har indberettet, så de ikke skal indtastes igen., Udfyld regnearket (A eller B) og gem det på din PC., Vælg , START INDBERETNING, øverst på , indberetningens startside, ., Log på med , MitID Erhverv, (HUSK, at du også skal have den særlige Virk-rettighed)., Vælg: , [+] Dan en indberetning, . , Vælg indberetning: , Løn, ., Vælg indberetningstype: , Dataimport fra fil, . , Vælg importformat: , Løn i EXCEL-format, ., Vælg regnearket på din PC og vælg , Upload, ., Bekræft/vælg , statistisk periode, ., Din fil valideres., Hvis status er Kan godkendes – vælg: , Kan godkendes, ., Vælg: , Gå til indberetningslisten, ., Vælg: , Godkend og fortsæt, ., Vælg: , Send indberetningen, . , Find mere vejledning til Lønstatistik, IDEP, standard regneark m.m. nedenfor., 2) Indtast oplysninger manuelt i IDEP, Vælg , START INDBERETNING, øverst på , indberetningens startside, ., log på med , MitID Erhverv, (HUSK at du også skal have den særlige  Virk-rettighed) , Vælg: , [+] Dan en indberetning, .  , Vælg indberetning: , Løn, ., Vælg indberetningstype: , Manuel indtastning, ., Vælg periode., Vælg: , Opret, ,, og indtast oplysninger for hver enkelte medarbejder., Vælg: , Gem og videre til poster, ., Vælg: , Send indberetningen, . , Find mere vejledning til Lønstatistik og IDEP nedenfor., Vejledninger, regneark m.m., Vejledning: Lønstatistik 2026 (PDF), Vejledning: Lønstatistik 2025 (PDF), Regnearksløsning vedrørende 2026 (Excel), Regnearksløsning vedrørende 2025 (Excel), Lønoplysninger, der skal indberettes (PNG – billede-eksempel), Vejledning: Import af fil fra lønsystem eller regneark til IDEP, Tredjepartsindberetning via IDEP, Hjælp til DISCO-koder, Søg arbejdsfunktioner (DISCO-koder) til indberetning til Lønstatistik, Vejledning til DISCO-08 i lønstatistikken (PDF), Om rettigheder til indberetning via IDEP, Du skal bruge , MitID Erhverv, samt en særlig , Virk-rettighed til at indberette lønoplysninger til Danmarks Statistik, for at kunne indberette via IDEP., Hvis du ikke kan se Lønstatistik i IDEP, skal du anmode om Virk-rettigheden via den lokale Virk-administrator i din virksomhed. , Vi anbefaler, at medarbejdere, der skal indberette Løn, får tildelt den særlige virk-rettighed i god tid før indberetningsfristen, :, Skal du indberette Løn via IDEP?, Hvordan anmoder du om Virk-rettigheden?, Er du Virk-administrator?, Hvordan tildeler du Virk-rettigheden?, Tredjepartsindberetning via IDEP, Indberetter du på vegne af andre virksomheder (tredjepartsindberetning), skal du tildeles rettigheder til at indberette lønstatistik på virk.dk for den virksomhed, du arbejder i., Tredjepartsindberetning via IDEP, Hvordan kan I skifte indberetningsmåde i løbet af året?, Kontakt jeres nye lønbureau eller systemudbyder hurtigst muligt for at sikre en fortsat opsamling – og eventuel indsendelse – af de nødvendige oplysninger. , Hjælp til indberetning, Brug for hjælp?, Vores supportteam kan svare jer via e-mail eller ringe jer op., Support til indberetning

https://www.dst.dk/da/Indberet/oplysningssider/loenstatistik/loenstatistik-forberedelse

Ejendomssalg

Beskrivelse, Formålet med ejendomssalgsstatistikken er at belyse udviklingen i antal, omsætning og priser på fast ejendom. Statistikken offentliggøres månedligt, kvartalsvist og årligt og benyttes primært til vurderinger af den økonomiske konjunkturudvikling. Statistikken efterspørges bredt af finanssektoren, politikere og nyhedsmedier., Der offentliggøres prisindeks for 9 ejendomskategorier i Statistikbanken samt prisindeks for yderligere 5 ejendomskategorier i Betalingsdatabanken. Der offentliggøres ikke et samlet prisindeks for alle ejendomskategorier. Statistikken er baseret på oplysninger fra det elektroniske tinglysningssystem. I den månedlige statistik offentliggøres kun tal for salg i almindelig fri handel. I den kvartalsvise og årlige statistik offentliggøres tal for salg i almindelig fri handel, familieoverdragelse og anden overdragelse., I forbindelse med tinglysningen af handel med fast ejendom oversendes oplysninger fra det elektroniske skøde i det elektroniske tinglysningssystem til SKAT. Siden 2012 modtager Danmarks Statistik på ugebasis en kopi af disse oplysninger fra SKAT med oplysninger om de enkelte tinglyste handler. Data kommer således fra et administrativt register. Før 2012 modtog Danmarks Statistik ligeledes oplysninger om de enkelte tinglyste handler fra SKAT, dog kun på kvartalsbasis. Samtidigt lå opsætningen af beregnede variable (STYPE og PRIS_BEREGN_KD) hos SKAT indtil 2012. Siden 2012 genereres disse variable på baggrund af andre variable hos Danmarks Statistik efter de samme principper som hidtil. , De data der er tilgængelige i Forskningsservice opdateres én gang årligt i forbindelse med offentliggørelsen af årstallene i ejendomssalgsstatistikken, hvilket typisk sker i marts måned år t + 2. Registreret findes fra og med år 1992 og er stadig aktivt., Populationen omfatter som udgangspunkt alle tinglyste handler af fast ejendom, dog kan nogle hemmeligholdte handler før introduktionen af digital tinglysning mangle, hvorfor dækningsgraden er forskellig over tid - se mere under afsnittet om digital tinglysning. Selskabshandler der indeholder fast ejendom tinglyses ikke, hvorfor populationen ikke omfatter enhver overdragelse af fast ejendom., Vedrørende datasæt der udleveres i Forskningsservice, Da den samme ejendom kan handles flere gange over tid, skal der skelnes mellem hvad der er en "ejendom" og hvad der er et "salg af en ejendom". De to definitioner er vist nedenfor:, Ejendomsdefinition:, KOM_KD (kommunekode), EJD_NR (ejendomsnummer), For eksempel KOM_KD = 101 og EJD_NR = xxxxxx er en unik ejendom., Ejendomssalgsdefinition:, KOM_KD, EJD_NR, KONT_OMREGN_DATO (kontantomregningsdato), SALG_LB_NR (salgsløbenummer) , For eksempel KOM_KD = 101, EJD_NR = xxxxxx, KONT_OMREGN_DATO = 20101021 og SALG_LB_NR = 1 er et unikt ejendomssalg., I datasættet kan den samme ejendomshandel optræde flere gange, typisk med forskellige ejendomsvurderingsår (AAR_VURD), og dermed forskellige ejendomsvurderinger. Dette skyldes, at prisindekset beregnes på baggrund af forholdet mellem KOEBESUM (købesumbeløb) og EJD_VAERDI (ejendomsværdi) også kaldet afstandsprocenten og ved skift af ejendomsvurdering har man brug for et overlap med perioden før, for at kunne beregne prisindekset (for yderligere informationer om beregningen af prisindeks henvises til vedhæftede notat "Beregning af prisindeks for ejendomssalg"). Disse overlap er ikke konsekvent bevaret i datasættet, hvorfor det ikke er muligt at genskabe prisindeksene i Statistikbanken ud fra datasættet. , AAR_VURD (vurderingsår) blev først indført i datasættet i 2013 og angiver hvilket vurderingsår EJD_VAERDI, GRUNDVAERDI og VURD_BENYT_KD knytter sig til. I årene 1998, 1999, 2000, 2002 og 2003 optræder den samme ejendomshandel med forskellige EJD_VAERDI og GRUNDVAERDI uden angivelse af vurderingsår (AAR_VURD). Dette gælder ikke for de øvrige år., EJD_VAERDI og GRUNDVAERDI er i datasættet opgjort på salgstidspunktet og ikke vurderingstidspunktet for ejendomshandlen. Typisk svarer EJD_VAERDI og GRUNDVAERDI opgjort på salgstidspunktet til værdien opgjort på vurderingstidspunktet, men der kan forekomme forskelle, fx ved omvurderinger. , I Statistikbanken er anvendt følgende vurderingsår:, Ejendomshandel Vurderingsår, 1992 1992, 1993 1992, 1994 1992, 1995 1992, 1996 1996, 1997 1996, 1998 1998, 1999 1998, 2000 2000, 2001 2001, 2002 2002, 2003 2002, 2004 2003, 2005 2004, 2006 2006, 2007 2006, 2008 2008, 2009 2009, 2010 2010, 2011 2010, 2012 2011, 2013 2012, 2014 2013, 2015 2014, 2016 2015, 2017 2016, 2018 2017, 2019 2018, Det kan forekomme, at en ejendomshandel først tinglyses meget sent efter den er blevet solgt og at den derfor ikke når at komme med i den endelige opgørelse i Statistikbanken. I datasættet findes der lidt flere ejendomshandler end i forhold til opgørelsen i Statistikbanken, hvilket også skyldes, at såkaldte bunkesalg af ejerlejligheder og grunde ikke opgøres i Statistikbanken. Variablen SKAT_MODTAG_DATO (YYYYWW) kan bruges til at fjerne ejendomshandler, der er modtaget efter et bestemt ugenummer i et givet år., Afgrænsning af data til graf og tabel, Data til figurerne er blevet afgrænset således, at hver ejendomshandel kun indgår én gang. I tilfælde af dubletter, er den ejendomshandel med den nyeste (højeste) KOERSEL_DATO (kørselsdato) bibeholdt. Antallet af unikke ejendomshandler er vist i tabellen nedenfor:, År for ejendomshandel Antal ejendomshandler, 1992 115.240, 1993 112.050, 1994 121.808, 1995 127.767, 1996 132.496, 1997 135.463, 1998 133.457, 1999 130.203, 2000 123.776, 2001 119.464, 2002 125.383, 2003 131.036, 2004 149.512, 2005 160.225, 2006 140.114, 2007 131.388, 2008 101.647, 2009 81.903, 2010 108.500, 2011 87.873, 2012 86.675, 2013 86.194, 2014 95.664, 2015 112.728, 2016 112.796, 2017 124.041, 2018 121.912, 2019 127.336, Kommunalreform, For perioden 2006 og frem er KOM_KD og EJD_NR baseret på den nuværende kommunalreform, der blev indført 1. januar 2007. Ejendomssalgsstatistikken følger dermed ikke kommunalreformens kodning som den foregår i andre ejendomsfiler i 2006, hvilket skyldes at man har tilbageregnet kommunalreformen med et år for at kunne beregne udviklingen for 2006 til 2007 baseret på den nye kommunalreform., For perioden 1992-2005 er variablene KOM_KD og EJD_NR baseret på den gamle kommunalreform, der blev indført 1. april 1974. , For en unik identifikation af ejendomsnumre og kommunenumre henover kommunalreformen i 2007 henvises til en nøgle for ejendomsnumre før og efter kommunalreformen, som er tilgængelig via Forskningsservice. Det bemærkes, at der sker skift i ejendomsnumrene hele tiden og ikke kun nødvendigvis i forbindelse med en kommunalreform. En unik identifikation af en ejendom hen over tid har ikke betydning for udarbejdelsen af Ejendomssalgsstatistikken, da man ikke benytter sig af matchede produkter, sådan som man gør i et traditionelt prisindeks som eksempelvis Forbrugerprisindekset. En unik identifikation af en ejendom hen over tid ligger derfor uden for rammerne af Ejendomssalgsstatistikken., For yderligere oplysninger henvises til Statistikdokumentationen for Ejendomssalg:, http://www.dst.dk/da/Statistik/dokumentation/statistikdokumentation/ejendomssalg, Digital tinglysning, Det digitale tinglysningssystem blev indført 8. september 2009 og har muliggjort en hyppigere dataindsamling. Tidligere modtog Danmarks Statistik data om de tinglyste ejendomshandler på kvartalsbasis fra SKAT, men fra og med 2011 sker dataindsamlingen på en ugentlig basis. Dette har muliggjort, at Danmarks Statistik siden 2011 kan offentliggøre månedlig ejendomssalsstatistik. Denne serie starter i januar 2006., Det bemærkes, at tinglysningsdatoen (dato for hvornår adgangen er tinglyst, som angivet i tingbogen over fast ejendom) ikke anvendes i ejendomssalgsstatistikken, hvorfor SKAT og Danmarks Statistik ikke har fundet denne dato interessant i ejendomssalgsregistret. Det er købsaftaledatoen (SLUTSEDDEL_DATO), der anvendes som periodisering i statistikken., Før den 13. januar 2010 var salgspriserne ikke fuldt offentlige se eventuelt hjemmesiden "https://boligejer.dk/om-offentlige-salgspriser". Man kunne angive i skødet, at købesummen ikke ønskedes offentliggjort. Mange advokater gjorde dette som standard for at beskytte køber mod offentliggørelse af salgspriser over for tredjepartssteder (fx Statstidende og ugebreve) - det har dog altid været muligt, at se købesummen på tinglysningskontoret. Nogle af disse ejendomshandler mangler i ejendomssalgsstatistikken. Det vides ikke hvor stor en andel af samtlige ejendomshandler, der mangler. Efter introduktionen af digital tinglysning er alle salgspriser fuldt tilgængelige og der er ingen mulighed for at frabede sig visning af salgspriser for en ejendom. Muligheden for at vælge, at købesummen ikke må offentliggøres, knyttede sig alene til en gammel ordning. , Læs om usikkerhed i Ejendomssalgsstatistikken i Statistikdokumentationens kapitel 5. Se link ovenfor., Bilag, Beregning af prisindeks for ejendomssalg, Variable, AKTIV_PASSIV_KD, Aktiv passiv kode, DELSALG, Delsalg, EJERFORH_EFTER_SALG, Ejerforholdskode efter salg, EJERFORH_FOR_SALG, Ejerforholdskode før salg, FRIHED_KD, Frihedskode for ejerlejligheder, GRUNDVAERDI, Grundværdi, KOEBESUM, Købesumsbeløb, KONT_OMREGN_DATO, Kontantomregningsdato, OVERDRAG_KD, Overdragelseskode, OVERTAG_DATO, Overtagelsesdato, PRIS_BEREGN_KD, Prisberegningskode, SALG_FLERE_EJD, Salg af flere ejendomme, SALG_TYPE, Salgstype, SKOEDE_DATO, Skødedato, SLUTSEDDEL_DATO, Slutseddeldato

https://www.dst.dk/da/TilSalg/data-til-forskning/generelt-om-data/dokumentation-af-data/hoejkvalitetsvariable/ejendomssalg

Ny analyse nuancerer frafald på erhvervsuddannelserne

Der har i længere tid været fokus på, at der er et større frafald på erhvervsuddannelserne end på andre uddannelser. Og at frafaldet er stigende. Med skræddersyet statistik fra DST Consulting i hånden, kan Danske Erhvervsskoler og -Gymnasier belyse, hvad der frafaldes til, så organisationen bedre kan bidrage til en mere nuanceret debat om frafald og kvalificere rådgivning til skoler og politikere., 20. juni 2023 kl. 9:00 ,  , I marts viste nye tal fra Danmarks Statistik, at 38 pct. af dem, der startede en erhvervsuddannelse i 2017, var droppet ud af uddannelsen inden for fem år. Det overordnede billede på området er, at frafaldet på erhvervsuddannelserne generelt er stigende, og det er noget, der fylder på Christiansborg, i de uddannelsesfaglige miljøer og i samfundsdebatten., Det kan nemlig komme til at betyde, at vi i fremtiden kommer til at mangle tømrere på byggepladserne, SOSU’er på plejehjemmene, administrationsmedarbejdere på kontorerne, og kokke i kantinerne. Derfor er det et vigtigt område at belyse, mener Danske Erhvervsskoler og -Gymnasier (DEG), der har kontaktet Danmarks Statistik for at få viden og statistik om netop de elever, der afbryder en uddannelse, før de får deres svendebrev eller uddannelsesbevis i hånden., Denne viden, som DEG efterfølgende har bygget en analyse på, mener Benjamin Schou Ilsøe, analysekonsulent i DEG, er vigtig for den politiske dagsorden., ”Vores uddannelser bliver ofte associeret med højt frafald. Hvis man sammenligner med gymnasierne, er det rigtigt, men hvis man sammenligner med mange videregående uddannelser er det ikke tilfældet. Derfor er der brug for, at der bliver sat lys på frafald, og at det bliver nuanceret. Hvad består frafaldet af? Hvad frafalder de til?” spørger Benjamin Schou Ilsøe., ”Med hjælp fra DST Consulting hos Danmarks Statistik har vi nu skræddersyet statistik i en detaljegrad, der gør, at vi kan gøre vores skoler klogere på frafaldsområdet. Det kan give en bedre forudsætning for at få flere til at gennemføre en erhvervsuddannelse, og det er blandt andet et af de indsatsområder, vi som organisation arbejder for: At kunne understøtte vores skoler og give dem de bedst mulige vilkår for i sidste ende at få flere faglærte ud i samfundet. Med analysen giver vi et helikopterperspektiv på frafaldet, som i høj grad har manglet,” tilføjer Benjamin Schou Ilsøe., Blev selv overrasket over tallene, Da Benjamin Schou Ilsøe først kontaktede DST Consulting, arbejdede DEG med en hypotese om, at det eleverne kom fra inden studiet, også var det, de frafaldt til. Kommer man fx fra ledighed og falder fra, så vil man i højere grad ryge tilbage i ledighed igen., ”Den hypotese, viser analysen, er korrekt. Det samme gælder de elever, der kommer fra beskæftigelse og uddannelse. Det kan være folk, der kommer fra arbejdsmarkedet, som vil opkvalificeres og starter på en uddannelse, hvor for eksempel lønnen fra arbejdsmarkedet trækker dem tilbage igen. For dem, der kommer fra uddannelse, har de måske bare ikke ramt rigtigt,” siger Benjamin Schou Ilsøe., Selvom tallene langt hen ad vejen understøtter den oprindelige hypotese, er det ikke alt, Benjamin Schou Ilsøe og DEG har gættet sig til på forhånd., ”Jeg blev positivt overrasket over, at det kun er 15 pct., der frafalder til ledighed. Der er et narrativ om, at erhvervsskolerne er laveste fællesnævner, og det er jeg ked af. Der er mange dygtige elever, der brænder for, hvad de laver. Når medierne og politikerne siger, at der er for højt frafald, så man får et billede af, at alle sidder fast i systemet og ikke kommer nogen vegne, men 57 pct. af dem, der frafalder, går faktisk videre på en anden uddannelse eller kommer i arbejde. 57 pct. frafalder altså med et perspektiv og finder en uddannelse eller et job, der er mere rigtigt for dem,” understreger Benjamin Schou Ilsøe., I alt går 37 pct. af de elever, der falder fra, videre til en anden uddannelse. 17 pct. går videre til en anden erhvervsfaglig uddannelse og ender dermed muligvis alligevel med en erhvervsuddannelse, selvom de i nogle tilfælde også vil tælle med i statistikken over frafald., ”Der er nogle, som ikke har fundet den rette hylde i første omgang, og det er okay. Hvor mange faglærte kommer ud i sidste ende? Det er det, der er det vigtigste,” siger Benjamin Schou Ilsøe., Et tæt samarbejde, Når Lonnie Graversgaard Jensen, datakonsulent i DST Consulting, går i gang med en bestillingsopgave som DEG’s er der stor forskel på, hvor tæt dialog med kunden, opgaven kræver. I dette tilfælde har dialogen dog været meget tæt, og den er gået begge veje., ”Opgaven har været en af de større opgaver. Vi har haft en god, tæt dialog undervejs, hvor jeg også er blevet klogere. Det har fx været lidt svært for mig at finde rundt i de mulige veje gennem erhvervsuddannelserne, men det har Benjamin haft meget viden om, som han bidrog med,” siger Lonnie Graversgaard Jensen., Det er en dialog, Benjamin har været glad for og følt sig tryg i., ”Jeg har snakket mere i telefon med Lonnie end med nogen andre i en lang periode. Jeg har nærmest haft hende på speed dial, og hun har været enormt dygtig og hurtig til at svare. Der har været stor forståelse for, at det er en vigtig opgave for os at løse,” siger Benjamin Schou Ilsøe., Hvorfor tal fra DST Consulting?, DEG har sine egne talstærke analytikere, så hvorfor bede DST om hjælp?, ”Der er mange offentligt tilgængelige data på området, men vores interesse gik på, hvad de elever, der falder fra, laver bagefter, og koble det med forskellige variable. Det er kernen i undersøgelsen, og det er ikke offentligt tilgængeligt. Det havde vi brug for Danmarks Statistik til,” siger Benjamin Schou Ilsøe., Lonnie Graversgaard Jensen forklarer, at Benjamin Schou Ilsøe henvendte sig med et ønske om at se en specifik, afgrænset population – frafaldselever på bestemte uddannelser – og herefter at koble andre variable på populationen for at kunne lave det efterfølgende analysearbejde., ”Det er netop kernen i mange af vores opgaver for kunderne hos DST Consulting. I denne opgave har vi med udgangspunkt i elevregistret koblet andre variable på såsom alder, køn, og om man er forælder. Sammen har vi fundet ud af, hvordan datasættet skulle afgrænses, og hvad der kunne lade sig gøre både inden for tidsrammen og inden for vores data. Vi har også efterfølgende haft en dialog om tallene,” forklarer Lonnie Graversgaard Jensen om opgaven., Ifølge Benjamin Schou Ilsøe har DEG ikke tidligere bedt Danmarks Statistik om hjælp til opgaver, men organisationen har nu fået adgang til Danmarks Statistiks Forskningsservice og har allerede bestilt en ny opgave hos DST Consulting.,  , Fakta #1, "Der er nogle, som ikke har fundet den rette hylde i første omgang...", 15% frafalder til ledighed, 37% går videre på en anden uddannelse og 20 % frafalder til arbejde. , Benjamin Schou Ilsøe ,  , Analysekonsulent, Danske Erhvervsskoler og -Gymnasier, Mobil: 22 78 89 54, bsi@deg.dk, Foto: Danske Erhvervsskoler og -Gymnasier ,  , Lonnie Graversgaard Jensen,  , Fuldmægtig , DST Consulting, Danmarks Statistik, Mobil: 30 55 72 92, lnj@dst.dk,  , Foto: , Danmarks Statistik

https://www.dst.dk/da/TilSalg/perspektiv/2023/2023-06-21-ny-analyse-nuancerer-frafald-paa-erhvervsuddannelserne

Danske børn kommer tidligst i institution

I Danmark går 18 procent af alle børn under et år i daginstitution. Dermed er de danske poder de børn i Norden, der kommer tidligst i institution. Barselsregler er bare én af forklaringerne, mener professor., 19. december 2011 kl. 0:00 , Af , Helle Harbo Holm, En mor går med hastige skridt mod vuggestuen, hvor hun parkerer klapvognen og løfter sit barn op. Hun bærer barnet ind, for med sine bare ti måneder er det for lille til selv at kunne gå. , Situationer som denne er helt almindelig hverdag ved de danske daginstitutioner, og sådan har det været i mange år. Men retter man blikket mod vores nordiske naboer Norge, Sverige og Finland, vil situationer som denne høre til de absolutte sjældenheder. Her er der nemlig stort set ingen børn under et år, der bliver passet i institution., I Danmark er det 18 procent af alle børn under et år, der er i daginstitution eller dagpleje uden for hjemmet, mens det er 4 procent i Norge, 1 procent i Finland og 0 procent i Sverige., Også for de etårige børn er der en markant forskel mellem Danmark og de andre nordiske lande. 86 procent af de danske etårige går i institution, mens det er 71 procent af de norske etårige, 49 procent af de svenske og bare 30 procent af de finske. , Denne nordiske sammenligning fremgår af , Nordisk Statistisk Årbog 2011, ., Barselsregler forklarer ikke alt, En helt oplagt forklaring på, hvorfor danske børn starter så tidligt i institution i forhold til de andre nordiske lande, kunne være forskelle i barselsreglerne., "Men barselsreglerne er kun en god forklaring i forhold til Sverige," understreger Jens Wamsler. Han er fuldmægtig i Beskæftigelsesministeriet og har et indgående kendskab til barselsreglerne., I Sverige er den betalte barselsperiode væsentlig længere end i Danmark, men i Norge ligger reglerne tæt på de danske, og i Finland er den betalte barselsorlov faktisk en smule kortere., Andel af 1-årige børn i daginstitution, Institutioner eller orlov - et spørgsmål om ideologi, Som professor ved Aalborg Universitet forsker Anette Borchorst blandt andet i ligestilling, barselsorlov og arbejdsmarkedet. Hun er ikke i tvivl om, at forklaringen også ligger andre steder end i reglerne. , "Jeg tror, den historiske udvikling i daginstitutionspolitiken og barselsorlovsreglerne har stor betydning, for den situation, vi ser i dag," siger hun., I Danmark startede udviklingen af daginstitutionerne, som vi kender dem i dag, for alvor i 1964, hvor alle Folketingets partier vedtog en reform, der udløste en storstilet udbygning af børneinstitutionerne., "Det skete med børnene i centrum. Det havde mindre med behovet for kvindelig arbejdskraft at gøre. Det handlede om pædagogik og børnenes udvikling. Man mente simpelthen det var godt for børnene," siger Anette Borchorst. , I Sverige havde man en anden type opfattelse., "Her siger normen, at du er en dårlig mor, hvis du kommer dit barn i institution, inden det er fyldt et år. Der er en meget stærk norm om, at børn under et år hører hjemme i familien," forklarer Anette Borchorst., For at imødekomme den holdning udbyggede man allerede i 1974 barselsorloven i Sverige i takt med, at kvinderne trådte ind på arbejdsmarkedet. Udvidelsen af orloven skete først senere i Danmark og i et mindre omfang., "Danmark har fra starten prioriteret institutionerne i stedet for den lange barsel, og det er ikke noget, man bare lige laver om på," vurderer Anette Borchorst., Finnere vælger hjemmet frem for institution, Finland er det land i Norden, hvor færrest små børn er i institution. Også her har der op gennem tiden været politiske diskussioner om, hvorvidt man skulle udbygge institutionerne eller kvindernes mulighed for at gå hjemme. I første omgang valgte man i 1973 at give alle børn ret til en institutionsplads, men senere blev loven udbygget, så det også blev muligt at få et tilskud til selv at passe sine børn eller få nogen til det i ens private hjem. , Den sidste ordning vandt ind i starten af 90'erne, hvor der var høj arbejdsløshed. Men efterhånden som arbejdsløsheden igen blev mindre, fortsatte mange kvinder med at blive hjemme hos børnene. Det fortæller Anneli Anttonen, der er professor i social policy på Tampera Universitet i Finland., "Den generelle holdning har gradvist ændret sig, så det i dag er meget almindeligt, at folk mener, at børn under tre år skal passes hjemme af forældrene. En grund er, at man mener, det er godt for børnene, en anden er, at arbejdslivet er blevet så krævende, at alle pauser fra det er velkomne," fortæller hun., Anneli Anttonen mener ikke, at Finlands geografi med de store tyndt befolkede områder har direkte indflydelse på, at færre finske børn er i institution. Indirekte mener hun dog, det har betydet, at der har været nogle stærke politiske kræfter, som har arbejdet for muligheden for, at børnene kunne blive i hjemmet de første år., Færre finske kvinder vælger arbejdsmarkedet, I dag ligger de finske kvinders beskæftigelsesfrekvens således lidt lavere end i de øvrige nordiske lande. Kun 68 procent af de finske kvinder mellem 15 og 64 år, der står til rådighed for arbejdsmarkedet, er i arbejde. I Danmark er det 71 procent, i Sverige 72 procent og i Norge 74 procent., Et andet aspekt, som Anette Borchorst peger på, er, at finnerne har et mere traditionelt kvindesyn og mere traditionelle familiemodeller. De finske mænd er også dem, der holder mindst barsel i Norden. I 2010 tog finske mænd 7 procent af den samlede barselsorlov. De danske mænd ligger lidt højere med 8 procent, mens det i Norge er 15 procent og i Sverige hele 24 procent. Det fremgår ligeledes af , Nordisk Statistisk Årbog, ., Norge ligner Danmark mest, Det land, der ligger nærmest Danmark i forhold til tidlig pasning af de mindste, er Norge. Anette Borchorst mener endda, at ligheden er endnu større end det, tallene viser:, "Norge kom senere i gang med at få kvinderne ud på arbejdsmarkedet og med at udbygge institutionerne, men de seneste ti år er udbygningen af daginstitutionerne gået stærkt. Når andelen af de yngste, der er i institution, er noget lavere i Norge end i Danmark, skyldes det nok primært den kontantstøtteordning, Norge har, hvor man kan få penge for at få børnene passet i hjemmet.  Det er imidlertid ikke primært mødrene selv, der passer børnene," siger hun., Andel af børn i daginstitution fordelt på alder, årstal og lande, Hvilken løsning er mest hensigtsmæssig?, Stærke ideologier understøttet af lovgivning, forskelle i familiemønstre og udviklingen af velfærdsstaten er altså ifølge Anette Borchorst alle faktorer, som spiller ind på, hvor tidligt de nordiske børn starter i institution. Men hvilken af modellerne er så den mest hensigtsmæssige?, Det spørgsmål mener Anette Borchorst ikke har et entydigt svar. Det kommer nemlig an på gennem hvilken optik, man anskuer det., Ud fra et børnesynspunkt påpeger hun, at der er analyser, som viser, at det er godt for børnene at komme i institutioner. Det styrker deres sproglige udvikling og kan være med til at bryde den sociale arv., "Men man kan spørge sig selv, om det også gælder for børn under et år, og det er jeg ikke længere sikker på. Jeg har altid været fortaler for institutionerne, men gennem de seneste årtier er kvaliteten blevet væsentlig ringere," siger hun., En anden optik er den samfundsøkonomiske., "Vi står overfor et samfund med flere ældre og færre til at arbejde, og set i den optik er det godt for samfundet, at kvinderne kommer tidligt tilbage til arbejdsmarkedet," siger hun., En tredje vinkel handler om ligestilling. Her kan der ifølge Anette Borchorst være det problem, at vi i Danmark og Finland kun har øremærket ganske få uger af barselsorloven til fædrene, som holdes sammen med moren. Derfor bliver det ofte kvinderne, der tager langt det meste af orloven, hvilket kan give en skævvridning - blandt andet i forhold til opsparing af pension., Om den ene model er bedre end den anden, kan professoren ikke afgøre. Men hun har ikke længere lige så stor tiltro til den danske, som hun har haft. , "Børnevinklen er blevet markant nedtonet, og i dag lægges der først og fremmest vægt på, at kvinderne skal tilbage på arbejdsmarkedet. Det er ikke et frit valg, men et pres," mener hun. ,  ,  , Fakta:, Køb eller download gratis , Nordisk Statistisk Årbog 2011, Eurostat, er kilde til tal om beskæftigelsesfrekvensen.,  

https://www.dst.dk/da/Statistik/udgivelser/bagtal/2011-11-21-daginstitutioner

Bag tallene

ANSXFREM

Navn, ANSXFREM , Beskrivende navn, Ansættelsesændring frem til året efter , Gyldighed, Gyldig fra: 01-01-1980, Gyldig til: Gælder stadig, Databrud, Inden for variabel: Ja, På tværs af variable: Nej, Kvalitetssikring foretaget af, Danmarks Statistik: Ja, Eksterne bedømmere udpeget af KOR: Ja, Generel beskrivelse, Variablen angiver ændringen i status for henholdsvis hoved- eller bibeskæftigede, arbejdsgivere, medhjælpende ægtefæller og selvstændige med hensyn til placering pr. november året efter., Detaljeret beskrivelse, Variablen informerer om en eventuel ansættelsesændring fra det forrige år til det aktuelle år for den enkelte ansatte. Variablen ser således fremad i tid til november året efter. Der kan eksempelvis være tale om en ændring til arbejdsløshed fra ansættelse eller til et helt andet arbejdssted i det samme firma. Uændrede ansættelser registreres ligeledes. For alle muligheder henvises til værdisættet., Variablen er relevant for alle ansatte, selvstændige, medhjælpende ægtefæller og arbejdsgivere. For de sidstnævnte tre grupper undersøges det, om status har ændret sig, eller om denne er uændret fremad i tid til det aktuelle år. De enkelte populationer (hovedbeskæftigede og bibeskæftigede lønmodtagere, selvstændige etc.) kan specificeres ved hjælp af vairablen TYPE. Se denne for mere information. , Når koden er BLANK angiver det, at der er tale om ansatte/arbejdsgivere med et uoplyst arbejdssted i det pågældende år samt generelt for året 1980. Et uoplyst arbejdssted angiver for ansatte, at der er tale om et fiktivt arbejdssted. Et fiktivt arbejdssted angiver, at de ansatte arbejder i nærheden af deres hjemadresse, men ikke i hjemmet, at man arbejder ud fra sin egen adresse, eller at man arbejder i hjemmet. Ansættelsen kan i sådanne tilfælde ikke henføres til et registreret arbejdssted og henføres derfor til såkaldte fiktive arbejdssteder. For arbejdsgivere med mere end et arbejdssted er der ikke angivet nogen af arbejdsstederne, og dermed er det uoplyst. , Variablen opdateres for det foregående år ved offentliggørelse af et nyt IDA-år. Det betyder, atved offentliggørelsen af eksempelvis IDA2006 dannes ANSXFREM for 2005, og ved offentliggørelse af IDA2007 dannes ANSXFREM for 2006 osv. Dette skyldes, at variablen indeholder oplysninger set fremad i tid og derfor kun kan dannes, når et nyt år foreligger., I værdisættet betyder * for værdi A1 og A2: Det firma (arbejdsgivernr.), som det bevarede arbejdssted tilhører i år 2 (året efter)., Kategorierne A1-A3 (samt U) er kun defineret for bevarede arbejdssteder (B1, B2). (Se evt. IDFREM (identitet for arbejdssted fremad i tid) for yderligere information om dette.) Koden A9 = død, angiver, at der er tale om en person, der er død året efter, og der er derfor ingen ansættelse., Fra 1994 er kode A7 mulig., Kommentar til graf og tabel., Anvendelsen af fiktive arbejdssteder blev indført i 1991, hvilket forklarer stigningen i kode A2 (A2= Til uoplyst arbejdssted i samme firma) for året 1990. Stigningen forekommer året før indførelsen, da variablen angiver, hvor man er ansat året efter., I 2006 mere end tredobles antallet af ansættelser til anden beskæftigelse fra nedlagt arbejdssted (kode A4). Dette er forårsaget af kommunalreformen pr. 1. januar i 2006. Denne medførte, at de eksisterende 271 kommuner blev slået sammen til 98 nye storkommuner. Som konsekvens har mange adressekoder skiftet kommune og/eller vejnummer. , I IDA betyder ovenstående, at arbejdsstederne i de berørte kommuner har fået ny ejer i form af nyt arbejdsgivernummer og ny adresse i form af ny adressekode. I forhold til det eksisterende regelsæt vedrørende samme arbejdssted i IDA betyder det, at ingen af de tre regler (se LBNR - arbejdsstedets løbenummer) er overholdt, og derfor nedlægges de pågældende arbejdssteder. Arbejdsstederne genopstår efterfølgende, for de flestes vedkommende, men med et nyt løbenummer, dvs. de oprettes som et nyt arbejdssted. , Hvor mange arbejdssteder der præcist berøres af dette kan ses i dokumentationen af variablene IDFREM og IDTILB , der henholdsvis angiver identiteten af arbejdssteder frem i tid (nedlagte) og tilbage i tid (oprettede)., Antallet af nedlagte arbejdssteder i IDA2006 er således højere end de øvrige år i tidsserien, hvilket bevirker, at antallet af ansættelser til anden beskæftigelse fra nedlagte arbejdssteder ligeledes er højt i forhold til tidligere år (kode A4). Over halvdelen af disse ansættelsesændringer forekommer i kommunalt regi og er derfor forårsaget af kommunalreformen. Der kan dog imellem disse nedlæggelser forekomme reelle nedlæggelser af arbejdssteder som ikke er forårsaget af kommunalreformen - disse kan blot ikke udskilles fra de øvrige., Udviklingen i ansættelsesændringerne i 2007 skyldes at datagrundlaget for lønmodtagerbeskæftigelsen ændres til eIndkomst fra og med IDA2008. For yderligere information om eIndkomst se emnegruppen Beskæftigelse og herunder statistikområdebeskrivelsen "Befolkningens tilknytning til arbejdsmarkedet (RAS)"., Bilag, Tabel, Graf, Populationer:, Ansættelser i IDA, I ansættelsespopulationen er indeholdt alle ansættelser der forekommer i løbet af et år. Ansættelserne kan forekomme som en af følgende hovedtyper; beskæftiget som lønmodtager, arbejdsgiver, selvstændig eller medarbejdende ægtefælle. Lønmodtageransættelsen kan underopdeles som hovedbeskæftiget, bibeskæftiget, en øvrig novemberansættelse, en ej-november ansættelse eller en vigtigste ej-november ansættelse. Ansættelserne hovedbeskæftiget lønmodtager, arbejdsgiver, selvstændig eller medarbejdende ægtefælle defineres alle i den Registerbaserede Arbejdsstyrkestatistik som værende den vigtigste tilknytning til arbejdsmarkedet pr. ultimo november. Bibeskæftigede lønmodtagere defineres ligeledes i den Registerbaserede Arbejdsstyrkestatistik. Oplysningerne om øvrige novemberansættelser, ej-november ansættelser og vigtigste ej-november ansættelser opgøres i IDA, som supplerende ansættelser til en af de 4 hovedtyper. Øvrige novemberansættelser og ej-november ansættelser forekommer først i IDA fra og med 2004. Ansættelserne medtages kun hvis den enkelte lønmodtager har fået en løn i løbet af året der overstiger en fastsat løngrænse. Løngrænsen ændres hvert år. Før 2008 har det udelukkende været lønmodtagere, der havde en summeret årsløn svarende til ca. 10.000 kr., der blev klassificeret som lønmodtagere. Dette krav blev indført fordi datagrundlaget for lønmodtagerbeskæftigelsen var årsbaseret og periodeangivelserne var usikre. Som følge af de mere sikre periodeangivelser i det nye datagrundlag fra 2008 er kravet reduceret meget kraftigt og erstattet med et krav om, at en lønmodtager som minimum skal have en løn, der svarer til 4 timers beskæftigelse til garantiløn for at blive klassificeret som ultimo november beskæftiget. For at optræde i populationen skal personen have bopæl i Danmark ultimo året. , Værdisæt, U131313.TXT_ANSXFREM - Ansættelsesændring frem til året efter, Kode, tekst, Fra dato, Til dato, A1, Til andet arbejdssted i samme firma *, 01-01-1980, 31-12-3000, A2, Til uoplyst arbejdssted i samme firma *, 01-01-1980, 31-12-3000, A3, Til andet firma (anden beskæftigelse), 01-01-1980, 31-12-3000, A4, Til anden beskæftigelse fra nedlagt arbejdssted, 01-01-1980, 31-12-3000, A5, Til arbejdsløshed, 01-01-1980, 31-12-3000, A6, Til uden for arbejdsstyrken incl. efterløn, 01-01-1980, 31-12-3000, A7, Til orlov (både fra ledighed og fra beskæftigelse), 01-01-1994, 31-12-3000, A8, Udvandret, 01-01-1980, 31-12-3000, A9, Død (inkl. "forsvundet"), 01-01-1980, 31-12-3000, I2, Fra hovedbeskæftiget på arbejdsstedet, 01-01-1980, 31-12-3000, I3, Anden tilgang til arbejsstedet, 01-01-1980, 31-12-3000, I9, Irrellevant ( ikke-bevaret arbejdssted), 01-01-1980, 31-12-3000, U, Uændret, 01-01-1980, 31-12-3000, 02, Til selvstændig el. arbejdsgiver, 01-01-1980, 31-12-3000, 03, Til medhjælpende ægtefælle, 01-01-1980, 31-12-3000, 04, Til lønmodtager, 01-01-1980, 31-12-3000

https://www.dst.dk/da/TilSalg/data-til-forskning/generelt-om-data/dokumentation-af-data/hoejkvalitetsvariable/beskaeftigelsesoplysninger-der-vedroerer-ida-ansaettelser/ansxfrem