Profilafklaring af dagpengemodtagere

Møde SAS

3/9-2019

P

r

æ

s

e

n

t

a

t

i

o

Specialkonsulent, Viden og Analyse Carsten S Nielsen, PhD

Præsentationstitel

2

Præsentationstitel

3

4

5

6

• Kontanthjælpsreformen 2013 – uddannelsesydelsesmodtagere - ”Til understøttelse

af visitationen udvikles et digitalt screeningsværktøj”

• Beskæftigelsesreformen 2014 - Dagpengemodtagere - ”Der udvikles et

landsdækkende afklaringsværktøj”

• Første statistiske model – 2014

• Eksisterende statistiske model – 2017

• Gen-kalibrering ifm. LAB – [primo 2020]

Præsentationstitel

7

Hvor kommer det fra?

Eksisterede statistiske model

Præsentationstitel

8

Præsentationstitel

9

Datagrundlag

Statistisk

vurdering

Registerdata

Spørgeskema

Præsentationstitel

10

Spørgeskema

Præsentationstitel

11

Registerdata

Præsentationstitel

12

Registerdata

Præsentationstitel

13

Registerdata

• Analyse af ca. 112.000 ledighedsforløb (april 2014 – april 2016) blandt nyledige,

der har udfyldt det forberedende spørgeskema

• Hvem blev langtidsledige? Hvilke karakteristika går igen?

• Subjektive informationer vigtige statistiske prædiktorer:

• ‘Hvor hurtigt tror du, at du får et arbejde?’

• ‘Er der noget, der gør det svært for dig at få et arbejde?’

Præsentationstitel

14

Den statistiske model (1.1)

Præsentationstitel

15

Statistisk beslutningstræ: Eksempel

Alle

Risiko: 45 pct.

Hvor hurtigt tror du, at du får et arbejde?

‘Der går mere end 6 mdr./ved ikke’

Risiko: XX pct.

Er der noget, der gør det svært for dig at få

et arbejde? ‘Ja’

Risiko : 70,3 pct.

Præsentationstitel

16

Risikogruppen

Præsentationstitel

17

Risikogruppen

Præsentationstitel

18

Performancemål

Gen-kalibrering ifm. LAB

Præsentationstitel

19

Præsentationstitel

20

Hvor står vi nu?

ImplementeringUdvikling

• Analyse af ca. 151.914 ledighedsforløb

(Maj 2016 – Juni 2018) blandt nyledige,

der har udfyldt det forberedende

spørgeskema

Præsentationstitel

21

Gen-kalibreringDen statistiske model 1.1.1

Alle

Risiko: 45 pct.

Hvor hurtigt tror du, at du får et arbejde?

‘Der går mere end 6 mdr./forventer snart at gå

på barsel eller efterløn’

Risiko: 83,1 pct.

Præsentationstitel

22

Risikogruppen

Præsentationstitel

23

Performancemål

0,45

0,70

0,38

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

Alle nyledige Nyledige som udskilles i

modellen

Nyledige som ikke udskilles i

modellen

Præsentationstitel

24

Andre performancemål

74.755(49,2%)

9.318(6,1%)

46.188(30,4%)

21.653(14,3%)

Fakti

sk

Forudsigelse

RisikoIkke risiko

Ikke r

isik

oRis

iko

Classification accuracy:

• Andelen af korrekte identificeret er

63,5% [(74.755+21.653)/151.914]

Precision:

• Andelen af nyledige udskilt i gruppen

"risiko for langtidsledighed" der blev

korrekt identificeret er 70%

[21.653/(21.653+9.318)]

Recall:

• Andelen af faktisk langtidsledige der

blev identificeret korrekt er 32%

[21.653/(21.653+46.188)]

Præsentationstitel

25

Model overvågning

Udfordringer der skal løses

Præsentationstitel

26

Præsentationstitel

27

Hvor står vi nu?

ImplementeringUdvikling

Drift

Databehandling

Drift

Databehandling

Forskellige modeller Nye spørgsmål

Præsentationstitel

28

Mulig løsning

DriftUdvikling

Forespørgsel

Risiko / Ikke Risiko

Forskellige modeller

Databehandling

Nye spørgsmål

Slut

Præsentationstitel

29