Af flere grunde er jeg blevet bedt om at opsummere tingenes tilstand med den danske indvandring. Emnet er lettere kompliceret og ville kræve en bog at gå i detaljer med. Mit nål er her i stedet at give et relativt letlæst overblik med mange tal og figurer som gør forståelsen nemmere.

Definitioner

De fleste rapporter om indvandring og Danmarks Statistik (DST) grupperer personer som bor lovligt i Danmark ind i 5 grupper:

  • Etniske danskere (ED)
  • Indvandrere fra vestlige lande/mere udviklede lande (V1)
  • Indvandrere fra ikke-vestlige/mindre udviklede lande (IV1)
  • Efterkommere fra vestlige lande/mere udviklede lande (V1+)
  • Efterkommere fra ikke-vestlige lande/mindre udviklede lande (IV1+)

Kategoriseringen er primært juridisk og foregår således:

  • Er personen født i udlandet? Så er personen indvandrer, hhv. vestlig eller ikke-vestlig alt efter oprindelsesland.
  • Er personen født i Danmark og har mindst 1 forælder som er født i Danmark, har dansk statsborgerskab, og ikke har udenlandsk statsborgerskab? Hvis ja, så er personen etnisk dansker.
  • Hvis nej, så er personen efterkommer. I tilfælde af forskelligt oprindelsesland for forældrene, så bruges morens.

Det viser sig at personer også kan skifte kategori hvis deres forældre skifter statsborgerskab. Hvis X’s forældre er født i Danmark men ikke har dansk statsborgerskab da X bliver født, men får det senere, så skifter X status fra efterkommer til etnisk dansker. (Denne tolkning blev bekræftet af DST i en email til mig.) Det betyder at det ikke er en permanent kategori og det er derfor svært at fortolke ændringer i antallet af personer i denne gruppe år for år. Et fald på en person kunne skyldes at personen skiftede kategori til etnisk dansker, forlod Danmark eller døde.

Siden at det er væsentligt at skelne mellem personer af genetisk dansk afstamning og personer i DSTs etniske danskere kategori, så vil jeg bruge termen ED til den sidste. For at gøre det kort, så giver jeg også forkortelser til de andre kategorier som følgende: V1, V2+, IV1, IV2+. 1-tallet dækker over at der nødvendigvis er tale om første generation, mens de andre godt kan være 2., 3. eller 4. generation alt efter hvis personernes forældre fik dansk statsborgerskab.

Hvad dækker vestlige lande over? DST skriver:

Vestlige lande omfatter EU, Andorra, Australien, Canada, Island, Liechtenstein, Monaco, New Zealand, Norge, San Marino, Schweiz, USA og Vatikanstaten. Ikke-vestlige lande omfatter alle øvrige lande.

Her ses også et andet problem, nemlig EU. Hvilke lande der er med i EU ændrer sig med tiden, og det betyder at tal fra gamle kilder ikke længere er sammenlignelige fordi nogle lande er flyttet fra ikke-vestlige til vestlige kategorien grundet EU’s østudvidelse. (DST informerer mig om, at de opdaterer deres tabeller bagud så de er konsistente med ændringer i definitionerne.)

Endvidere er der ingen garanti for at de lande som en given ikke-dansk kategori består af ikke ændrer sig med tiden. Ændringer i fx arbejdsløsheden for V1/V1+ kunne skyldes at sammensætningen af gruppen ændrede sig, fx ved en større indvandring eller udvandring et givet år. Tal baseret på disse kategorier er derfor altid forbundet med et fortolkningsproblem. Løsningen er at bruge data som er baseret på oprindelsesland.

Antal

Vi starter med de simple: hvor mange er der og hvor mange børn får de. DST udgiver hvert år en rapport om indvandrere i Danmark. Vi citerer de primære figurer fra 2016 udgaven.:

fertilitet

opholdelsesgrund

population

(Samlet fertilitet er antal børn per kvinde, på DSTs figur ganget med 1000.)

Det kan ses at der er en kraftig stigning i antallet, særligt i 2015-2016. Ser man på opholdsgrundlaget, så ser man at en temmelig stor del er her enten pga. asyl eller familiesammenføring. I 2015 kom der 20,000 personer ind alene på disse 2 grundlag.

For fertilitet ser vi at V1 altid har lagt på cirka samme nivo som EDerne. Anderledes ser det ud for IV1 som startede med at lægge på omtrent 3.2 men er faldet til cirka 1.9. EDerne ligger på cirka 1.65.

Her skal man huske på at for at opretholde en befolkning ved egen reproduktion så skal fertiliteten være på lidt over 2, alt andet lige. Er den ikke det, så må befolkningstallet nødvendigvis falde med tiden selvom dette kan være forsinket pga. stigninger i levealderen. Vi ser derfor at antallet af EDere ikke kan være konstant gennem tiden grundet egen reproduktion da fertiliteten i perioden 1995-2016 altid var markant under 2. DSTs figur inkluderer ikke antallet af personer i ED kategorien, måske fordi antallet er en størrelsesorden større end den næststørste gruppe. Men det er muligt at hente tallene selv og lave en figur (FOLK2):

folketal

Bemærk at y-aksen er logaritmisk (base 10), dvs. at den ikke stiger 1, 2, 3, …, men 10, 100, 1000. Det er nødvendigt for at have alle 5 grupper på samme figur. Det vigtigste at notere sig er blot at ED ligger konstant på cirka 5 millioner, på trods af at vi ved at dette ikke kan skyldes egen reproduktion. Derfor må personer fra de andre kategorier nødvendigvis blive konverteret til ED således at denne forbliver konstant.

Det er muligt at lave en antagelse om hvor hurtigt dette sker på flere måder. En simple måde er se på hvor mange generationer der har været med under 2 fertilitet. Hertil er det nødvendigt at bruge flere fertilitetstal, og de ses herunder, igen fra DSTs database (FERT1):

fertilitet

Her kan vi se at fertiliteten for ED har været under 2.00 i hvert fald siden 1986 hvor dataene starter. Gennemsnittet over perioden er 1.71. Der er gået 30 år siden 1986. Den gennemsnitlige generation for ED er tæt på 30 år, lad os sige 33. Derfor er der gået 0.91 generationer med en gennemsnitlig fertilitet på 1.71. Det betyder at alt andet lige må befolkningen falde med 16.7% (1 – (1.71/2.05)). I 1986 var der lige knap 5 millioner EDere (4.942 millioner). Hvor mange ville der være i 2016 hvis gruppen kun blev vedligeholdt ved egen reproduktion og alt andet er lige? Her skal vi blot gange med ændring per generation gennemsnitlige opløftet i antal generationer (.833^.090), og så får man tallet 4.184 millioner.

Hvad er ‘alt andet lige’? Det er primært ændringer i levealderen som har betydning og denne har været stigende gennem perioden. Dette betyder at vores estimat bliver for lavt. Dertil kommer ind og udrejser, men det er nok næppe en positiv effekt. Her er det ikke muligt at få tal direkte for ED men der er tal for personer med dansk statsborgerskab (INDVAN og UDVAN). Tallene viser:

indud

Det ser ud til at ind- og udvandringer følges meget godt ad, men der er lidt flere udvandringer. Den samlede nettoindvandring gennem perioden er på -74.4 tusind.

Det er ikke nemt at tage både nettoudvandringen og den stigende levealder med i en model, men det må nok konstateres at der ville være sket et temmelig stort fald i antal EDere hvis ikke der blev tilføjet personer til denne fra andre grupper løbende. Hvis vi tænker på den oprindelige — fra 1980 for vores tal går ikke længere tilbage — gruppe EDere og deres efterkommere, så må deres antal nødvendigvis være et sted mellem 4.184 og 5 millioner, og nok tættere på det første tal end det sidste. Hvis vi er agnostiske og bruger midten, så er estimatet på 4.594 millioner, eller godt 400 tusind færre end DSTs tal umiddelbart viser. Hvorfor estimere dette tal? Fordi den oprindelige gruppe EDere med rimelighed kan antages at udgør en næsten ren dansk genetisk gruppe. Vi er interesseret i genetisk baggrund fordi at forskning viser at dette er vigtigt (fx Putterman & Weil 2010, Fuerst & Kirkegaard 2016, Spolaore & Wacziarg 2015).

Formåen – grove grupper

Efter at have besvaret spørgsmålet om antallet i lidt deltaljer går vi nu videre til formåen. Hvordan klarer de førnævnte grupper sig i samfundet? DST har 4 primære figurer for arbejde:

arbejde mændarbejde kvinderarbejde tidsserie arbejde tidsserie kvinder

Der er to forskellige mål: beskæftigelsesfrekvens og beskæftigelsesindeks. Forskellen består i at:

Den samlede beskæftigelsesfrekvens for alle 16-64-årige er ikke altid en god indikator for beskæftigelsesforskelle mellem personer med dansk oprindelse sammenlignet med indvandrere og efterkommere. Det skyldes, at grupperne er meget forskelligt sammensat med hensyn til alder. Det kan være et problem, når man ser på hele gruppen af 16-64-årige, idet der er store forskelle i beskæftigelsesfrekvens mellem de enkelte alderstrin i aldersgruppen 16-64-årige, som det fremgik af afsnit 2.1. De yngste og ældste har lavere beskæftigelse, mens beskæftigelsen er højest blandt de 30-50-årige.

Problemet er især relevant, når det gælder de ikke-vestlige efterkommere. Her er det decideret misvisende at se på 16-64-åriges beskæftigelsesfrekvens, da gruppen er meget ung. Blandt de 16-64-årige ikke-vestlige efterkommere er 80 pct. under 30 år i 2015, hvor den tilsvarende andel blandt personer med dansk oprindelse kun er 27 pct. De ikke-vestlige efterkommere er altså klart overrepræsenterede på alderstrin, som har relativt lav beskæftigelse. Derfor vil en simpel angivelse af deres beskæftigelsesfrekvens for hele gruppen af 16-64-årige ikke-vestlige efterkommere være misvisende og klart undervurdere deres egentlige beskæftigelse.

Løsningen er derfor at lave en justeret for alder således at grupperne sammenlignes som om at de havde samme aldersfordeling. Gøres dette opnår man et beskæftigelsesindeks hvor ED gruppen er sat til 100. Ser man på tallene ser man at IV1 klarer sig markant ringere end alle andre grupper, med et index på omkring 70% for mændene og 60% for kvinderne. Der skete en stor forbedring fra 1995 til 2008 (finanskrisen), men siden da er der sket en svagt fald. For mændenes vedkommende ligger alle grupperne undtagen IV1 på 80-85%, mens der for kvinderne er større forskelle ved at IV1+ og V1 ligger på omkring 80%.

Personer som lever af statens eller kommunens penge er den modsatte side af folk der er i beskæftigelse. Tallene for offentlig forsørgelse overrasker derfor ikke:

off forsørg

Uddannelse

Uddannelse betragtes generelt som en af de bedste indikatorer på hvordan fremtiden vil gå på arbejdsmarkedet osv., så det er vigtigt at se på det hvordan tingene står til. En ide er at se på hvilken procentdel som har færdiggjort en uddannelse:

uddannelse tidsserie

Hvad er en ‘kompetencegivende uddannelse? Hvad som helst over grundskole og gymnasiet. Det er at sætte baren ret lavt fordi en læge ville tælle lige så meget som en SOSU-assistent. Alligevel ser man nogle tydelige forskelle, særligt når man ser indenfor et køn. Der er lidt over 20%points forskel hos mændene og lidt over 10%points hos kvinderne. Det er ikke smart at sammenligne på tværs af køn da kønnene har forskellige erhvervsmønstre, primært ved at mændene ofte at arbejde sig op uden at have nogen formel uddannelse (fx programmører). I dette tilfælde kan vi se at selvom IV1+ kvinderne har fået en del flere uddannelser siden 2012 har der ikke været nogen ændring i deres beskæftigelsesindeks eller offentlig forsørgelse siden omkring 2008. De bruger tilsyneladende ikke de ekstra uddannelser de tager til noget.

Det giver mening at se på forskellige nivoer af uddannelser:

uddannelse type mænd uddannelse type kvinder

Generelt kan der ses en bekræftelse af ideen om at IV1+erne ikke tager de samme uddannelser som EDerne. Deres andel af lang videregående er mindre. Her skal det nævnes at disse kategorier er temmelig simple og at der er stor forskel på hvilke lange videregående uddannelser folk vælger. Det vides fra USA, at sorte (Afroamerikanere) vælger de nemmere linjer på universitetet, og i øvrigt også falder fra på de sværere linjer når man lukker dem ind via biaset indgangstests. Altså, selvom to grupper har samme rate en fx lange videregående uddannelser betyder det ikke at de er lige brugbare.

En anden måde at se tingene på, er at se på personer der hverken er i uddannelse eller i arbejde. På engelsk kaldes det passende for NEET, not in education, employment or training (lyder som NEED). Danske tal:

ikke uddannelse-arbejde

Og her ser man mange af de samme mønstre som før. Man kan også se at de danske mænds relativt manglende uddannelse ikke er noget problem for dem ifht. at finde arbejde: fra 24 år og frem er mænd oftere i arbejde end kvinder, og der var stort set ingen kønsforskel i perioden 16-24 år. Omvendt stiger andelen af IV1+ere som er i NEET kategorien med tiden.

Der er en tidligere uddannelsesindikator end hvem der er under uddannelse, nemlig skolekarakterer:

karakterer

Igen bliver man ikke blive overrasket. Der sker en forbedring fra IV1 til IV1+, som nok skyldes at IV1+ er vokset op i Danmark mens IV1 ikke er og derfor har flere sprogproblemer. Den samme effekt ses for V1 til V1+, dog større. Ingen af grupperne formår dog at nå samme nivo som EDerne.

Skyldes forskellen en sprogbarriere hos IV1+erne? Man kan se på forskellene på de enkelte prøvefag for at få en ide om det:

karakterer fag karakterer fag piger

For drengene stemmer sprogbarriere-hypotesen ikke godt overens med dataene for forskellen til EDerne er størst på de matematiske fag. For pigerne er der ingen særligt mønster i resultaterne, skønt at de er længst bagefter på dansk læsning, så er de relativt mindre bagefter når det kommer til mundtligt dansk.

Kriminalitet

Siden at mænd står for omtrent 85-90% af al kriminalitet (der dømmes for), og næsten al voldelige kriminalitet, så giver det mening at kun se på deres tal. Tallene for kvinderne vil være ustabile givet kvindernes lave kriminalitetsrate.

Ligesom med beskæftigelse giver det mening at justere for alder og derfor udregner DST et kriminalitetsindeks. I stedet for at sætte EDerne til 100, så er befolkningen som helhed sat til 100. Givet at EDerne udgør langt den største del af befolkningen vil deres tal derfor være tæt på 100.

Uheldigvis laver DST den sociologiske fejlslutning og justerer også for socioøkonomisk status i deres figur. Det gør dog ikke meget forkskel (fx Libanon indeks 389 vs. 359). IV1+erne er meget kriminelle end EDerne — over dobbelt så kriminelle — og det lader endda til at være stigende i perioden 2013-2015.

kriminalitet

kriminalitet justeret

Det er bemærkelsesværdigt at V1 har et indeks på omkring 50% og IV1 kun ligger på omkring 110%. På trods af at IV1+erne er bedre uddannede, arbejder mere, klarer sig bedre i skolen osv., så er denne gruppe langt mere kriminelle end sin forgænger. Ingen ved mig bekendt hvorfor.

Formåen – nationale grupper

Som nævnt så er det ikke nemt at tolke tal for de grupper DST m.fl. bruger. Hvad har japanere, indere, chilenere og somaliere med hinanden at gøre? Ikke så meget, men de er alle ikke-vestlige. DST udgiver begrænsede tabeller med gruppers formåen på oprindelsesland i deres rapporter, men jeg købte i 2014 nogle ret detaljerede tal for de 70 største grupper. Tallene blev også fordelt på aldersgrupper således at det er muligt at kontrollere for ulige aldersfordelinger på en simpel måde.

Som sammenligningsgrundlag har jeg valgt at sammenligne med kriminalitet af flere grunde: der findes flest internationale data for dette mål, omkostningerne ved kriminalitet er meget store, og mange forståeligt nok er meget interesserede i dette emne af hensyn til eget ve og vel. Resultaterne for udvalgte aldersgrupper ses nedenfor:

dk_krim_indkomst dk_krim_off_forsørg dk_krim_udd_høj dk_krim_udd_lavdk_krim_skolekarakterer

(Data fra: Kirkegaard & Fuerst 2014, Educational attainment, income, use of social benefits, crime rate and the general socioeconomic factor among 70 immigrant groups in Denmark)

De første 4 figurer er lavet med tal købt fra DST. Det sidste er lavet med blandede tal fra to kilder og dækker derfor ikke så mange lande. Dog er mønstret meget klart: nogle lande klarer sig generelt bedre end andre, uanset hvilke indikatorer man ser på. Det derfor muligt at tale om en generel formåen for en gruppe, hvad jeg har kaldt for den generelle socioøkonomiske faktor, eller S. Statistisk set udregnes denne ved at se på hvordan alle de forskellige indikatorer hænger sammen — kriminalitet, andel på offentlig forsørgelse, skolekarakterer, indkomst og uddannelse — og derefter konstruere en optimal vægtning således at den bedst opfanger det underliggende mønster (faktoranalyse).

Det gode ved at bruge et samlet mål er at denne vil være forbundet med færre  målefejl. Derudover tillader det også at simplificere vores analyse således at man kun behøver se på en enkelt indikator i stedet for 5 eller 20.

Formåen – kriminalitet i Danmark og i udlandet

Før at vi går videre til forklaringsmodeller, så er det værd at se på data fra andre lande. Måske det mønster vi ser i figurerne er specifikt til Danmark. Nedenfor ses en række sammenligninger med andre landes tal, som jeg har kunnet finde.

krim_dk_de

(Data fra: Kirkegaard & Becker 2017, Immigrant crime in Germany 2012-2015)krim_dk_fi

(Data fra Skardhamar et al 2014, Immigrant crime in Norway and Finland)krim_dk_no

(Samme kilde som ovenfor.)krim_dk_nl

(Data fra: Kirkegaard 2015, Crime among Dutch immigrant groups is predictable from country-level variables)krim_dk_se

(Data fra her.)

Dataene er ikke altid så gode som de danske, enten ved at være gamle, dække et mindre antal lande, være baseret på færre personer eller år, eller ved at være baseret på statsborgerskab. Trods begrænsningerne er der tydelige mønstre, i intet tilfælde er korrelationen under .54. Brugen af de ældre data for Sverige skyldes at de tilsyneladende har nægtet at udlevere nyere data.

I det ovenstående har jeg simplificeret tingene ved at kun se på kriminalitet, men bruger man flere indikatorer og kombinerer dem til en S faktor, så ville sammenhængen på tværs af lande generelt blive mere konsistent. Nedenfor ses S målt i både Danmark og Norge som begge er baseret på en række indikatorer.

S_dk_no

(Norske data fra: Kirkegaard 2014, Crime, income, educational attainment and employment among immigrant groups in Norway and Finland)

De bedste data findes fra Danmark, men de norske data er også udmærkede (dog begrænsede mht. kriminalitet). Jeg har gang i flere projekter om at finde data fra flere lande og flere/bedre data fra lande vi allerede har data for.

Økonomiske konsekvenser

Det er klart at der er meget store forskelle mellem grupperne, hvad enten man ser på DSTs grove inddelinger eller på enkelte oprindelseslande. Det er ligeledes klart at når en så stor del af indvandrerne klarer sig dårligt, så må det give store omkostninger, på samme måde som når en mindre del af den normale danske befolkning klarer sig dårligt.

Direkte økonomiske omkostninger

Det er svært at estimere de økonomiske udgifter præcist. Der findes en række danske rapporter om emnet. I 2011 blev der skrevet en opsummering af diverse danske estimater som findes i rapporten Indvandringens økonomiske konsekvenser. For at forstå det basale i sådanne estimater, så skal man forstå hvordan velfærdssamfundet bliver finansieret, hvilket relativt nemt kan gøres ved at se på følgende tre figurer:

dream 2005 a dream 2005 b dream 2005 c

(fra Fremtidens velfærd kommer ikke af sig selv, 2004)

Kort fortalt, så ser vi at personer under 25 år er en nettoudgift for samfundet og det samme gælder personer over 65 år. Velfærdssamfundet virker ganske enkelt ved at flytte penge fra personerne i kategorien 25-65 år til de andre to grupper. Stigningen i andelen af ældre personer som følge af lav fertilitet gør derfor modellen uholdbar da der ikke er nok personer på 25-65 år til at betale for dem på >65 år. Dette kaldes ældrebyrden. Det ses også at kvinder giver underskud i sig selv, hvilket viser at skønt de virker uafhængige i disse feministiske tider, så lever de som gruppe på mændenes bekostning, ganske som for 1000vis af år siden.

Essentielt estimerer man det nuværende bidrag fra en given gruppe enten ved at se på deres nuværende aldersfordeling og summerede nettobidrag. Dette betyder at grupper med mange unge eller mange ældre personer vil give meget røde tal, mens at grupper med mange personer på 25-65 vil give overskud. Disse nutidige tal kan være relevante, men på sigt er man interesseret i personers nettobidrag over et helt liv. Dette tal udregnes ganske enkelt ved at tage summen af området mellem kursen og 0 på figuren ovenfor (integration). Tallene under 0 tælles negativt. Tallet vægtes derefter med den aldersfordeling man mener er realistisk for gruppen, nok ved at antage at gruppen har samme fordeling som den danske.

Det er nemt at se hvordan IV1 gruppen giver underskud, for der er kun et lille nettobidrag i aldersgruppen 35-55, og alle andre aldre giver underskud. Det er mindre klart at sige per øjemål hvor skidt situationen er med fx IV1+, men det er klart at denne har et lavere nettobidrag end ED.

Resultaterne fra den ovenstående model, som er fra 2004, er som følger:

  • ED: -0.7 millioner
  • V1: +0.4 millioner
  • V1+: -0.8 millioner
  • IV1: -1.0 millioner
  • IV1+: -1.6 millioner

Det er åbenlyst at man ikke kan forbedre Danmarks økonomiske tilstand på sigt ved at hente flere personer ind i kategorierne IV1 og IV1+. Hvis man har permanent indvandring via V1, så vil dette blive ved med at give overskud. Såfremt at de får børn (V1+), så kan disse dog forventes at være en smule værre end EDerne. Overskuddet fra V1 skyldes at denne gruppe klarer sig næsten så godt som EDerne, men at personerne typisk ankommer til Danmark efter (delvist) endt uddannelse hvilket derfor betyder at omkostninger til deres opvækst ikke betales af den danske stat.

I 2009 fik CEPOS kørt en ny beregning på samme model (DREAM-modellen), og det gav følgende resultater:

  • ED: -5.5 tusind per år
  • V1: 13.5 tusind per år
  • V1+: -8.5 tusind per år
  • IV1: -29.6 tusind per år
  • IV1+: -28.9 tusind per år

Resultaterne stemmer nogenlunde fint overens med dem ovenfor hvis man ganger med det forventede antal leveår. Hvis vi bruger 75 år for alle grupperne fås:

  • ED: – 0.412 millioner
  • V1: + 1.012 millioner
  • V1+: -0.638 millioner
  • IV1: -2.220 millioner
  • IV1+: -2.168 millioner

Tallene er mere ekstreme end dem ovenfor, måske fordi tallene blev udregnet omkring finanskrisen eller fordi de ikke har antaget at grupperne lever lige lang tid.

Den nyeste udgivne modellering via DREAM-modellen blev lavet af Rockwool Fonden. De fandt frem til følgende figur:

dream 2013

(Rockwool Fonden, 2014, Indvandrere og danskeres nettobidrag til de offentlige finanser)

Hvilket gav følgende estimater i per år form:

  • ED: -5,180 per år
  • V1: +18,990 per år
  • V1+: +350 per år
  • IV1: -16,690 per år
  • IV1+: -7,980 per år

Det noget lavere tal for IV1+ skyldes, som kan ses på figuren, at man antager at disse er markant billigere end EDerne i de første 20 år og efter 75 år. IV1 antages næsten at være gratis i barndommen. Der er ingen nærmere forklaring angivet på hvordan dette skulle være tilfældet. Det stemmer ikke overens med de tidligere analyser.

Da figuren er angivet i totale udgifter er den temmelig svær at fortolke, idet grupperne ikke er lige store. Men det ligner at de har lavet nogle antagelser som gør ikke-EDerne en del billigere i de første 20 år og efter 75.

Forfatterne konkluderer blandt andet:

I 2014 forventes ikke- vestlige indvandrere og efterkommere i Danmark at bidrage med et underskud på 16,6 mia. kr. til de offentlige kasser. De samlede beløb, der modtages i forskellige former for offentlig service og indkomstoverførelser, er altså 1 6,6 mia. kr. højere, end det som betales i skatter og afgifter. I 2050 vil den ikke -vestlige indvandring stadig bidrage med et underskud, som dog er faldet til 6,0 mia. kr. Og indvandring fra ikke-vestlige lande kommer ikke til at bidrage med et overskud i en overskuelig fremtid, med den kurs indvandring og integration er på i dag.

På trods af en markant forbedring af integrationen de seneste 15- 20 år og en kraftig drejning af indvandringsmønstret i retning af forholdsvis mere arbejdskraft og uddannelsesindvandring, så har den ikke-vestlige indvandring altså stadig ikke udsigt til at give et overskud til de offentlige kasser. Selv om 35 år vil den ikke-vestlige indvandring ikke netto bidrage til at løse velfærdssamfundets finansieringsproblem, som bl.a. følger af den demografiske udvikling med flere ældre og færre i den arbejdsdygtige alder. Indvandring fra ikke-vestlige lande som helhed vil tværtimod øge finansieringsproblemet, med mindre integrationen bliver forbedret.

Indirekte økonomiske omkostninger

DREAM-modellen er baseret på en direkte, men relativ simpel model for hvordan samfundet virker:

Det såkaldte DREAM-modelsystem består af en befolkningsfremskrivning, en uddannelsesfremskrivning, et befolkningsregnskab og den makroøkonomiske model DREAM. Formålet med dette system er fortrinsvis at kunne analysere problemstillinger i relation til finanspolitisk holdbarhed.

Altså, men forsøger at modellere hvordan befolkningssammensætningen vil se ud, hvordan denne vil blive uddannet, og derefter som følge af det, hvordan den vil arbejde, betale skatter og modtage offentlige ydelser. Modellen virker kun på ydelser som det er muligt at spore tilbage til individer, såsom et lægebesøg og skolegang. Modellen inkluderer ikke udgifter som ikke kan spores til specifikke individer, disse fordeles i stedet jævnt på alle grupper. Nogle udgifter som kan spores tilbage til individer inkluderes ikke af uvisse årsager (så vidt jeg kan se I hvert fald). Udgifter som ikke tælles med inkluderer:

  • Retsvæsen, herunder politi, domstole, advokater og fængsler.
  • Brandvæsen (der er ofte brand i ghettoerne, typisk i andres biler).
  • Kriminalitet:
    • direkte: tabt arbejdsfortjeneste som følge af skader ved overfald, tyverier/indbrud/røverier
    • indirekte: større forsikringspræmier som følge af flere indbrud/tyverier m.v.
  • Ghettobyggerier/-projekter. Disse projekter er ofte på lokalt nivo og er derfor svære at tælle, og det er ikke klart om man ville have bygget om hvis der ikke var problemindvandrer.
  • Sprogrelaterede udgifter til danskskoler og tolke. Bemærk at tolke er relativt ubrugelige hvis man ikke skulle oversætte fx arabisk, og det kan ikke garanteres at de ville kunne finde andet arbejde hvis der ikke var personer der talte arabisk i Danmark.
  • Velkomstprogrammer, inkl. jobkurser og deslige.
  • Ineffektive politiske løsninger til andre problemer som bliver indført eller ikke fjernet pga. stridigheder om indvandringsspørgsmålet/signalpolitik.
  • Sjældne sygdomme som kræver specialbehandling og ikke normalt ses i Danmark.
  • Bederum i det offentlige.
  • ‘etniske konsulenter’/rollemodeller.
  • Meget andet!

De indirekte udgifter er temmelig svære at optælle, men der findes en 2012 rapport Udgifter til særforanstaltninger til udlændinge fra KORA som har forsøgt at estimere nogle af udgifterne på kommunalt plan:

Ved særforanstaltninger forstås tiltag, der er specifikt målrettet udlændinge, som afgrænset ovenfor, og som der er en offentligt finansieret udgift forbundet med. Særforanstaltningen kan være opstået som følge af sprogvanskeligheder eller som følge af udlændinges særlige kultur eller levevis. Særforanstaltninger er altså tiltag, som alene eksisterer, fordi der bor borgere med udenlandsk baggrund i Danmark, og som ligger ud over de generelle tilbud til borgerne.

Undersøgelsen har skullet afdække udgifter til særforanstaltninger, som ikke kan hentes fra registeroplysninger vedrørende finansloven og de kommunale og regionale regnskaber, fordi de indgår som en del af en større udgiftspost. Undersøgelsen opgør således ikke alle de udgifter, en kommune kan have som følge af, at der er borgere med udenlandsk baggrund bosat i kommunen.

Undersøgelsen har omfattet særforanstaltninger i kommuner, uddannelsesinstitutioner ud over kommunale, somatiske sygehuse og statsfængslerne og er baseret på indsamling af oplysninger gennem spørgeskemaer til de nævnte myndigheder og institutioner. Der indkom mere eller mindre fuldstændige besvarelser fra 52 kommuner (53%), 12 af 14 statsfængsler og fra sygehusadministrationer, som dækker 85% af de somatiske sengepladser. Desuden blev alle landets universiteter kontaktet telefonisk.

Fremgangsmetoden er essentielt set et spørgeskema med let modellering ovenpå. Konklusionen blev at de kunne finde godt 1.14 milliarder ekstraudgifter i 2010. Disse bestod primært af udgifter til kommunerne, og kun beskedne udgifter til fx sygehusene. Af udgifterne til kommunerne bestod halvdelen af udgifterne til “Ekstra normering til undervisning i dansk som andetsprog eller særlig støtte til tosprogede elever” (565 millioner), 14% gik til modtagerklasser og -hold (164 millioner), og 6% til tolke (70.5 millioner).

Det er muligt at estimere de direkte omkostninger til retsvæsenet hvis man kan estimere hvor mange flere domme/sager der er som følge af mange indvandrergruppers overrepræsentation. Derefter kan man estimere dette som del af blandt andet politiets budget. Politiet har cirka 14,000 ansatte og et årligt budget på cirka 9.5 milliarder (2015). Det er nok ikke urimeligt at tænke at 1-3 milliarder af politiets budget går til overrepræsentation af ikke-danskere bosat i Danmark, primært IV1+.

Økonomiske omkostninger i internationalt perspektiv

I alle andre vesteuropæiske lande har man ligeledes lavet estimater for udgifterne til indvandring. Særligt høje tal målt per person høres ofte fra Norge, måske fordi at de bruger deres oliefond til at finansiere omkostningerne og derfor har råd til flere af dem end fx Danmark har. Eksempelvis estimeres det i 2017 rapporten Integrasjon og tillit at en mandlig IV1er koster 94 tusind om året (Tabell 8.1), hvorimod tallet for Danmark ‘kun’ er estimeret til cirka minus 17-30 tusind.

Ikke inkluderet i de ovenstående estimater er udgifter til personer som ikke har lovlig fast bopæl i Danmark, primært asylansøgere og turister. Hvad angår den første gruppe, så giver disse temmelig massive udgifter. En nylig rapport — The Refugee Surge in Europe : Economic Challenges (2016) — estimerede udgifterne i en række europæiske lande til den nye migrantbølge. Nogle resultater ses herunder:

migrants per capitamigrant costs

Altså, det estimeres at Sverige brugte 1% af deres GDP i 2016 — 40 milliarder danske kroner — på migranterne, på et år. Danmark estimeredes at have brugt 13.5 milliarder, eller godt det samme som vores direkte estimerede udgift til indvandrere som allerede lever i landet.

Hvad med turister? 2016 rapporten Omrejsende kriminelle i Danmark har forsøgt at estimere omfanget af kriminalitet begået af turister. Det er ret stort, og handler primært om økonomisk kriminalitet begået af personer fra øst og sydøst EU, særligt Rumænien. Det er svært at estimere netop fordi meget få indbrud bliver opklaret og at man derfor som regel ikke kan vide hvem gerningsmændene var. Der blev dog produceret denne tabel:

turister tabel

turister andel turister rumænien

Her kan det tydeligt ses at andelen af sigtelser til ‘turister’ er stærkt stigende, primært til rumænere. Dette er nok i høj grad pga. landets romaer, en særlig kriminel gruppe som dog ikke optælles for sig selv fordi den ikke har et land noget sted (samme gælder palæstinensere).

I sammenligning med andre EU lande er der rigtig mange indbrud i Danmark. Figuren nedenfor viser tallene for 2012:

indbrudtiltaler

(Indbrud i Danmark og vores nabolande, 2014)

I under 10% af tilfældet tiltaler politiet nogen. De samlede erstatninger til indbrud udgør næsten 1% af Danmarks BNP, så den samlede udgift til Schengen m.v. må antages at være meget stor, i milliardklassen.

Forklaringer

Jeg vil fremsætte en ganske enkel men givetvis kontroversiel forklaringsmodel som relativt simpelt forklarer det meget af variationen man ser på tværs af individer, og det meste på tværs af grupper indenfor lande og på tværs af lande. Det er nemmest grafisk:

dk_IQ_S

(Kirkegaard & Fuerst 2014, Educational attainment, income, use of social benefits, crime rate and the general socioeconomic factor among 70 immigrant groups in Denmark)

Fra årtiers forskning ved vi at mennesker varierer meget i deres intelligens, og at dette har stor betydning for hvordan de klarer sig i livet når det gælder mere eller mindre alting: kriminalitet, uddannelse, indkomst, helbred, offentlig forsørgelse osv. Gottfredson 1997 og Gordon 1997 er fine steder at starte for de uindviede. En mindre teknisk introduktion findes fx hos Ritchie 2016.

Grupper er essentielt set samlinger af individer, og gruppernes formåen er primært en funktion af gennemsnittet af individerne i grupperne. Dette gælder uanset om grupperne bor i det samme land, eller grupperne selv er nationale befolkninger. Et stort antal nylige studier viser at sammenhængen mellem intelligens og gode udfald ses både på tværs og indenfor lande, uanset hvilket nivo man måler på. Nedenfor ses fx resultater for 404 local authorities i Storbritannien, som svarer til de danske kommuner:

uk local authority

(Carl 2016, IQ and socio-economic development across local authorities of the UK)

Nedenfor ses godt 3100 counties i USA, som igen svarer til kommuner:

us_counties_iq_S

(Kirkegaard 2016, Inequality across US counties: an S factor analysis)

På verdensplan ses billedet endnu tydeligere:

world_iq_S

(Kirkegaard 2014, The international general socioeconomic factor: Factor analyzing international rankings)

Der er visse ikke-overraskende lande som passer dårligt ind i mønstret, særligt Kina. Kina er dog stærkt på vej frem da de er ved at kaste kommunismen fra sig, og om et par årtier vil Kina nok ligge på nivo med fx Sydkorea. På figuren mangler et antal lande, primært afrikanske lande (og Nordkorea). Disse lande er i så dårlig forfatning at de slet ikke producerer statistik nok til at man kan udregne en S faktor. I stedet for må man bruge nogle færre indikatorer, fx ved at bruge Human Development Index (som kun bruger 3):

world_iq_hdi

Mønstret er lidt mindre tydeligt her, men det skyldes primært en række små øer som klarer sig bedre end de ‘burde’ (over den gule linje IQ 60-80), hvilket nok primært kan forklares med turisme.

Her skal det siges, at det ingen større forskel gør om man måler national IQ med traditionelle IQ tests, med PISA data eller andre skolastiske tests. Dette blev diskuteret i et tidligere indlæg.

Der er god grund til at tro at intelligensforskellene på tværs af individer, grupper i Danmark og lande er delvist eller primært genetiske. Fx kan det nævnes at man generelt ikke ser store IQ stigninger hos IVere når de flytter til vestlige lande. Det ses i både PISA data (Rindermann & Thompson 2016) og i data fra den danske sessionsprøve (Kirkegaard, 2013).

Islam

Givet den uperfekte sammenhæng i figuren med Danmark, så lader det til at IQ ikke er hele forklaringen. Del to ses nedenfor:

dk_muslim_S

Når nationalister, kristne, m.fl. påstår at der er noget særligt ved muslimerne, så har de givetvis ret. Disse grupper klarer sig meget dårligt i Danmark. Modsat med intelligensforskningen, så findes der ikke en stor videnskabelige litteratur om islams kausale effekter eller mangel på samme. Det er derfor svært at forklare hvorfor at man ser den stærke sammenhæng man ser. Sammenhængen ses også i andre lande, herunder Norge og Sverige:

no_muslim_S

no_muslim_S

En mulig forklaring på muslimernes ringe præstation i vestlige, nominelt kristne lande kunne være denne gruppes store mistro og antipati til ikke-muslimer. Det ses i utallige meningsmålinger lavet blandt muslimer mere eller mindre uanset hvilket lande de bor i. Nedenfor ses resultaterne af et stort studie som adspurgte et stort antal tyrkere og marokkanere bosat i en række europæiske lande: Tyskland, Frankrig, Holland, Belgien, Østrig og Sverige:

muslim opinionmuslim opinion 3muslim opinion 2 muslim opinion 4

Da studiet søgte at sammenligne kristne og muslimer, så blev alle ikke-religiøse ekskluderet. Dette har stor betydning fordi det betød at 30% af de indfødte blev ekskluderet mens kun 3% af indvandrerne blev. Uanset hvordan man ser på tingene er muslimerne ret ekstreme når det kommer til deres religion og udviser ofte fjendtlige holdninger overfor kristne, jøder og homoseksuelle. Som den sidste figur viser, så ser man samme antipati mod jøder og homoseksuelle hos ikke særligt religiøse muslimer som hos meget religiøse kristne. Det ses også at anden generation kun er lidt mindre fanatiske end første generation, noget man også har fundet i Danmark. Siden at koranen fx indeholder bud om at man gerne må lyve overfor ikke-muslimer og ikke skal underkaste sig lokale styrer, så forklarer det formentlig en del af muslimernes adfærd. Imamer bliver også systematisk taget i at opfordre til den slags adfærd, hvilke skjulte optagelser viser. Her er en fra Danmark:

https://youtu.be/8H0ph3oyMtU

Det skal siges, at det godt kan være at muslimernes ringe præstation skyldes noget andet end deres religion som så, nogle andre psykologiske træk som blot har en stor sammenhæng med religionen. Det er muligt og måske plausibelt, men det er ikke muligt at finde ud af før at man samler de nødvendige data. Der kræves store — fx 5000 personer — detaljerede familiestudier af muslimer således at man kan se forskel på genetiske årsager og miljøårsager, samt at finde ud af hvilke miljøårsager der er tale om hvis nogen.

Selektion

Både intelligens og andelen af grupperne som er muslimer virker kun som forklaringer i den grad, at de personer som ankommer til og bliver i Danmark er repræsentative for landet de kom fra. Er dette ikke tilfældet taler man om selektion. Selektion kan ske både ved udvandringen af deres hjemland (emigrantselektion) og ved indvandringen til en andet land (immigrantselektion). Derudover kan der være komplekse juridiske regler som gør det sværere for nogle at komme ind i et andet, men ikke andre.

Uheldigvis er det ikke nemt at måle eller justere for selektionseffekter. Der findes et enkelt studie (Fuerst & Kirkegaard, 2014) hvor dette blev gjort fordi man havde de rigtige data, og det viste at kontrollerede man for selektion, så blev forudsigelsen baseret på national IQ bedre. Der er brug for flere studier for at finde ud af hvor meget selektion som findes, hvordan det måles mest effektivt og hvordan man bedst justerer for det. Det kræver at man samler data fra en lang række lande til sammenligning.

Mere?

Denne post har opsummeret det meste af den relevante forskning mht. indvandrere i Danmark, og en god del af den europæiske forskning. Som sagt er der mere forskning på vej, men en række andre studier kan findes her.

Der findes oceaner af forskning om intelligens, personlighed og adfærdsgenetik som den nysgerrige læser kan give sig i kast med.

R koden som mange figurer m.v. er lavet fra kan ses her: http://rpubs.com/EmilOWK/indvandring_TP_feb2017

Published by Emil

Forsker, alt-mulig-mand