Tarkentuva kuva työkyvyttömyyseläkkeelle siirtyneistä

Työkyvyttömyyseläkkeiden määrä on laskenut jo muutaman vuoden ajan. Tämä on positiivinen asia. Myös Kevassa on huomattu, että työkyvyn menettämiseen johtavat syyt ovat muuttumassa, ja että työkyky on erilainen ilmiö julkisen sektorin eri työnantajilla, puhumattakaan yksityisestä sektorista. Tämä on merkille pantava asia. Mitä muuta eläkkeelle siirtyneistä tiedetään, erityisesti ennakoinnin näkökulmasta?

Tämän kirjoituksen on tarkoitus analysoida työkyvyttömyyseläkkeelle siirtyneiden tilannetta viiden henkilöä kuvaavan mittarin avulla.

Tarkastelu perustuu tilastolliseen analyysiin, jonka perusta on sekoitettujen jakaumien teoriassa. Sekoitettujen jakaumien analyysitekniikoita on useita. Niitä yhdistää kyky tunnistaa mittareiden jakaumasta osajoukot, joita ei etukäteen muilla keinoilla ole helppoa löytää. Valittu näkökulma tuottaa uutta tietoa työkyvyttömyyseläkkeelle siirtyneiden piirteistä ja siirtyvien osaryhmistä.

Läpivalaisussa kunta-alalla vuonna 2017 työkyvyttömyyseläkkeelle siirtyneet

Käytännössä tarkastelu kohdistuu vuonna 2017 kunta-alalta täydelle- tai osatyökyvyttömyyseläkkeelle siirtyneisiin (ml. kuntoutustuki). Henkilöistä poimitaan tilastolliseen malliin tietoa seuraavasti:

• kunta-alan palvelun kesto ennen eläkkeelle siirtymistä,
• ikä eläkkeen alkaessa,
• pitkäaikaisen sairauspoissaolon kesto (summa päivistä vuosina 2005‒2017,
• ansiotaso ennen eläkkeelle siirtymistä ja
• kunta-alan työkyvyttömyyseläkkeen määrä.

Mallissa edellä mainittuja viittä muuttujaa analysoidaan samanaikaisesti ja tuloksena saadaan väestöryhmiä, joilla on erilaiset ominaisuudet. Taulukosta 1 nähdään analyysin lopputulos kuuden ryhmän tapauksessa.

Taulukko 1. Vuonna 2017 työkyvyttömyyseläkkeelle siirtyneiden ryhmät ja keskiarvoestimaatit (otos=4160 henkilöä).

Lähde: Nummi ym (2022).

Mallinnus paljastaa yllättäviä ryhmiä

Ryhmiin 1, 3 ja 4 paikantuu yli puolet siirtyneistä. Näissä ryhmissä pitkä kunta-alan palvelus on katkennut, mutta eläketasoa voidaan pitää kohtuullisena.

Ryhmiä 5 ja 6 voisi luonnehtia siten, ettei niissä ole ollut erityisen vahvaa kiinnittymistä kunta-alan tehtäviin, joka heijastuu myös matalana eläkkeenä. Näissä ryhmissä henkilöt ovat luultavasti tehneet työuraa muualla julkisella tai yksityisellä sektorilla. Myös Kelan eläkkeillä on oma roolinsa näiden henkilöiden toimeentulon turvaamisessa.

Ryhmä 2 on suurin (26 %). Sitä luonnehtii varsin vahva kiinnittyminen kunta-alan palvelukseen, mutta verrattain varhainen työkyvyn menettäminen pitkän sairastamisen jälkeen. Eläketaso jää verrattain pieneksi (793 euroa).

Ryhmää 1 (12 %) voidaan pitää ansiosidonnaisen työeläkejärjestelmän positiivisena esimerkkinä. Ryhmässä yhdistyy pitkä palvelushistoria, kelvollinen palkkataso tai vaihe työuraa, varhainen työkyvyn menettäminen ja kohtalainen eläketaso. Tämä ryhmä ilmentää työeläkejärjestelmän ja työkyvyttömyyseläkkeen sääntöjen toimivuutta henkilöasiakkaan toimeentulon turvaajana.

Ryhmä 6 on verrattain suuri (8 %) ja erikoinen. Analyysiä toistettaessa nousi esiin tämä ryhmä suunnilleen samansuuruisena ja erillisenä osajoukkona. Siinä Kunta-alan palvelus jää pieneksi ja sairastaminen on pitkällistä. Kunta alan ansiot ja eläke jäävät hyvin pieniksi. Tämän ryhmän henkilöillä on oletettavasti palvelusta ja eläkekarttumaa muualta.

Mitä voidaan ennakoida?

Keva on nyt käynnistänyt Kestävää työelämää -hankkeen, jossa tehdään myös työkyvyn tukemiseen ja työkyvyttömyyden ehkäisemiseen tähtäävää selvitys- ja analyysityötä.

Eräs keskeinen hankkeessa analysoitava asia on se, miten sairauspoissaolot, muiden tekijöiden ohella, ennustavat tulevaa työkyvyttömyyseläkkeen hakemista.

Tämän tarkastelun tulosten perusteella riskianalyysillä on hyvät edellytykset onnistua. Tarkastelussa paljastuneet ryhmät ovat piirteiltään sen kaltaisia, että työkyvyttömyysriskiä ennakoivat tekijät ovat löydettävissä.

Mutta, riskianalyysin onnistumista haastaa kaksi asiaa.

Ensinnäkin, ryhmä 6 (8 %) ja oletettavasti ryhmä 5 (12 %) koostuvat henkilöistä, joilla olennaiset työkyvyn katoamista vauhdittaneet asiat ovat tapahtuneet muualla kuin julkisen sektorin työnantajien palveluksessa. Tällaisiin tapauksiin on luonnollisesti vaikeaa vaikuttaa ennakoivasti.

Toiseksi, sairauspoissaoloista nähdään, ettei niissä ole ilmiselvää yhtäläisyyttä ryhmien kesken. Osalla työkyky katoaa hyvin nopean sairastamisen seurauksena (vrt. ryhmä 4, 21 %), osalla sairastelu pitkittyy (vrt. ryhmä 5, 12 %). Sairastaminen, lyhyt- tai pitkäaikainen, ei pelkästään ennakoi työkyvyn menettämistä.

Miksi tilastollinen mallinnus?

Voidaan kysyä, lisäävätkö tällaiset tarkastelut ymmärrystä työkyvyttömyydestä ilmiönä.

Olemme tottuneet lukemaan tilastoista tunnuslukuja yksittäisistä ilmiöistä useimmiten etukäteen päätetyissä ryhmissä (esim. sukupuolen tai ikäryhmän mukaan). Työkyvyttömyys on kuitenkin ilmiönä monimutkainen ja sen havainnollistamista voi helpottaa tämänkaltaisten tekniikkojen avulla. Saadaan tarkentuva kuva, miten ilmiö paikantuu eri väestöryhmiin.

Tämä tarkastelu rajautui havainnollistamaan työkykyilmiötä suppein tiedoin. Sitä voidaan laajentaa tarkasteltavien ulottuvuuksien suhteen ja pohtimalla käytettäviä mittareita pidemmälle.

Analyytikoille on jo selvää, että nykyistä kattavammat rekisteritiedot, esimerkiksi lyhyistä sairauspoissaoloista, parantaisivat huomattavasti analyysin ja erityisesti työkyvyttömyysriskin ennustamisen onnistumisen edellytyksiä.

Lähteet:

Tapio Nummi, Jyrki Möttönen, Janne Salonen and Timothy E. O’Brien (2022) Some Applications of Mixture Regression Modelling Techniques. Gujarat Journal of Statistics and Data Science Vol. 1, pp. 11–25, 2022. (hyväksytty julkaistavaksi)

Kestävää työelämää -hanke