Vroege loopbaan van jongeren op een nieuwe manier in kaart gebracht

Het begin van een loopbaan is sterk bepalend voor het verdere verloop ervan. Een goede start vergroot de kans op een positief vervolg, bij een moeizamer begin is de kans groter dat de loopbaan perioden van werkloosheid en instabiliteit kent (Brzinsky-Fay, 2007).

Om een beeld te krijgen van het verloop van (vroege) loopbanen wordt vaak gekeken naar welke arbeidsmarktposities jongvolwassenen op één of meerdere tijdstippen in die periode hebben: vinden ze werk, hoe lang duurt het voordat ze werk vinden, en hebben ze dan een tijdelijk contract, vast contract, of zijn ze aan de slag als zelfstandige? Hierbij worden dan vaak verdelingen weergegeven die een beeld geven over de hele groep, of opgesplitst naar bijvoorbeeld geslacht en opleidingsniveau (CBS, 2021a, 2021b).

Hoewel deze verdelingen interessante inzichten geven in het verloop van vroege loopbanen, is het beeld dat ze kunnen geven ook beperkt. Een belangrijk aspect dat verloren gaat bij percentering - bijvoorbeeld bij het bepalen van aandelen werkenden met een vaste of flexibele arbeidsrelatie - is de diversiteit binnen loopbanen. Percentages suggereren vaak een eenduidig en rechtlijnig beeld, bijvoorbeeld dat het percentage jongeren met een vast contract toeneemt naarmate de tijd verstrijkt. Individuele loopbanen verlopen echter lang niet altijd zo eenduidig en rechtlijnig (Brzinsky-Fay, 2014). Zo is het zeker geen regel dat jongeren die op hun 25e een vast contract hebben een jaar later die baan nog steeds hebben. Evenmin maakt iedereen met een tijdelijk contract de overstap naar een vaste arbeidsrelatie. Sommigen zullen meerdere keren van baan wisselen, op zoek naar een goede match, terwijl anderen lang blijven zitten waar ze zitten. Kortom: de dynamiek van de individuele vroege loopbaan verdwijnt in beschrijvende statistieken over de arbeidspositie en -relatie op een bepaald tijdsmoment.

Dit artikel beschrijft een methode waarmee de dynamiek van loopbanen nog beter in kaart kan worden gebracht, namelijk sequentieanalyse (Abbott & Forrest, 1986). Sequentieanalyse is een methode die oorspronkelijk is ontwikkeld om DNA-strengen te analyseren, maar steeds meer in sociaalwetenschappelijk onderzoek wordt toegepast om longitudinale fenomenen te analyseren, zoals levenslopen en loopbanen. Met sequentieanalyse worden deze longitudinale fenomenen als één geheel geanalyseerd. Hierdoor kunnen alle ontwikkelingen in individuele loopbanen worden meegenomen, zodat de diversiteit binnen al die loopbanen zichtbaar wordt. Zeker wanneer sequentieanalyse wordt aangevuld met loopbaan- of sequentiestatistieken, ontstaat er een duidelijk beeld van de dynamische loopbanen.

Om te laten zien welke nieuwe inzichten sequentieanalyse kan bieden ten opzichte van meer traditionele methoden, worden de loopbanen van 23- tot en met 32-jarigen die zijn geboren in de periode 1983-1985 in kaart gebracht met percentages, met loopbaanstatistieken en met sequentieanalyse. In deze analyses wordt ook onderscheid gemaakt tussen jongeren op basis van opleidingsniveau en geslacht om zo groepsverschillen in kaart te kunnen brengen. Tot slot wordt door middel van sequentieanalyse en clusteranalyse een typologie gemaakt van vroege loopbanen.

2.1 Sequentieanalyse

Sequentieanalyse is een statistische methode waarmee een reeks opeenvolgende staten als één geheel kan worden beschreven en geanalyseerd (Cornwell, 2015). Sequentieanalyse werd oorspronkelijk gebruikt om DNA-strengen – lange reeksen van vier soorten nucleotiden (A, T, G en C) – te analyseren en verschillende soorten te kunnen onderscheiden. DNA-sequencing wordt bijvoorbeeld gebruikt om verschillende varianten van het COVID-19-virus te onderscheiden. Sequentieanalyse kan echter ook worden toegepast in sociaalwetenschappelijk onderzoek. Veel longitudinale fenomenen, zoals levenslopen of carrières, kunnen ook worden gezien als reeksen van opeenvolgende staten. Om een loopbaan als voorbeeld te nemen: iemand begint als student (S), vindt daarna een eerste flexibele baan (F), krijgt na een jaar een vast contract (V), raakt na een jaar werkloos (W) en gaat daarna weer op een flexibel contract aan de slag (F). Een reeks van opeenvolgende staten S-F-V-W-F dus, die op eenzelfde manier geanalyseerd kan worden als een DNA-streng van A-T-G-C. Sequentieanalyse wordt daarom ook steeds meer gebruikt om longitudinale sociale fenomenen te analyseren.

Ten opzichte van traditionele tabellen, maar ook ten opzichte van meer geavanceerde methoden voor longitudinale analyses zoals survival analysis, heeft sequentieanalyse het belangrijke voordeel dat alle gebeurtenissen gedurende de geobserveerde periode op individueel niveau kunnen worden meegenomen. In tabellen worden vaak alleen geaggregeerde percentages op een bepaald tijdsmoment zichtbaar en is niet duidelijk hoe individuele loopbanen verlopen. Degene die in jaar t bij de groep met een vast contract hoort, zit in jaar t+1 niet per se in diezelfde groep, maar dat valt uit deze tabellen niet af te leiden. In geavanceerdere methoden staat vaak één bepaalde uitkomst of transitie centraal en wordt gekeken na hoeveel tijd die uitkomst zich voordoet, bijvoorbeeld hoelang het duurt totdat iemand een vast contract heeft. Dat is relevante informatie, maar deze methode laat niet zien wat er in de tussentijd gebeurt, terwijl dat juist van invloed kan zijn op de uitkomst of het tijdstip waarop die plaatsvindt. Ook wordt alles wat er ná die eventuele uitkomst gebeurt niet meer meegenomen in de analyse. Sequentieanalyse behandelt in principe alle gebeurtenissen in de periode gelijkwaardig en laat het volledige loopbaanverloop zien. Het resultaat is een veel completer beschrijvend beeld van de meest voorkomende typen van (in dit geval) individuele loopbanen, gebruikmakend van longitudinale statistische samenhangen binnen die loopbanen, dan een reeks van opeenvolgende dwarsdoorsneden van de hele populatie.

Sequentieanalyse biedt nog een aantal voordelen. In de eerste plaats kunnen de resultaten zo in beeld worden gebracht dat inzichtelijk wordt hoe individuele loopbanen verlopen en hoe divers of stabiel deze zijn. De figuren die hiervoor worden gebruikt heten index plots (Scherer, 2001). Deze figuren hebben een x-as die de tijd weergeeft, in dit geval de leeftijd van de jongere die begint bij 23 en eindigt bij 32. De individuele loopbanen worden weergegeven als horizontale lijnen. De y-as bestaat dus uit de stapel van deze loopbanen. De kleuren in de figuur geven aan in welke arbeidsmarktpositie iemand zich op enig moment bevindt. Deze figuren worden ook gebruikt om de uitkomsten van de sequentieanalyse te laten zien.

Daarnaast bestaat er een arsenaal aan statistische maten waarin de aard van de sequenties kan worden uitgedrukt (zie voor een gedetailleerd overzicht Ritschard (2021)). Sommige hiervan werden ook al los van sequentieanalyse gebruikt om meer inzicht te geven in het verloop van loopbanen, maar sluiten in de kern goed aan bij het principe van sequentieanalyse. Deze maten houden op verschillende manieren rekening met het aantal verschillende staten in een sequentie, de duur van een bepaalde staat, het aantal overgangen in een sequentie, het aantal subsequenties, de voorspelbaarheid van zowel de staten als de duur ervan en soms zelfs de wenselijkheid van de verschillende staten. In de resultaten worden de volgende loopbaanstatistieken gerapporteerd:

• Het aantal verschillende staten binnen een sequentie. Dit geeft een beeld van de variatie in een loopbaan. Een loopbaan waarin iemand veel verschillende soorten staten doorloopt is dynamischer dan een loopbaan met maar één of twee verschillende staten.
• Duur van de staat. Dit is een indicator die ook buiten de context van sequentieanalyse gebruikt wordt. Deze geeft aan hoeveel (procent van de) tijd iemand in een bepaalde staat heeft doorgebracht in de onderzochte periode. In aanvulling op de vorige indicator geeft dit type indicator ook een beeld van de verdeling van de tijd over de verschillende staten, in hoeverre die gelijkmatig was of juist erg scheef verdeeld.
• Het aantal transities. Deze indicator geeft aan hoe vaak er binnen een sequentie van staat gewisseld wordt. Dit geeft een beeld van de stabiliteit van de loopbaan. Een loopbaan met veel wisselingen is dynamischer dan een loopbaan waarin weinig of geen transities plaatsvinden. Deze indicator is positief, maar niet perfect gecorreleerd met het aantal verschillende staten.
• Entropie. Deze indicator geeft weer hoe groot de verscheidenheid is in het aantal staten binnen een sequentie en hoe die zich tot elkaar verhouden (Elzinga & Liefbroer, 2007). Deze maat geeft aan hoe gelijk de staten over een sequentie zijn verdeeld en hoe voorspelbaar een sequentie is. Als alle mogelijke staten even vaak voorkomen in de sequentie, is de entropie maximaal, want de kans op iedere mogelijke staat is even groot. Als er slechts één staat voorkomt in de sequentie, is de entropie minimaal, want de kans op die ene staat is 100 procent. Als er twee staten binnen een sequentie zijn die even vaak voorkomen, is de entropie hoger, en de sequentie dus moeilijker te voorspellen, dan wanneer één staat meer voorkomt dan de andere staat. Entropie wordt gemeten op een schaal van 0 tot 1.
• Complexiteit. Deze indicator combineert het aantal transities met de entropie (Gabadinho et al., 2011). Op deze manier houdt deze maat, in tegenstelling tot die van het aantal transities, rekening met het aantal verschillende staten in de sequentie. Zo hebben de sequenties ABBA en ABBC hetzelfde aantal transities, maar de tweede heeft een hogere complexiteit dan de eerste. Daarnaast houdt complexiteit, in tegenstelling tot entropie, wel rekening met het aantal transities dat plaatsvindt binnen een sequentie. Zo krijgen sequenties ABAB en AABB dezelfde score op entropie, maar krijgt de eerste een hogere complexiteit dan de tweede. Ook complexiteit wordt gemeten op een schaal van 0 tot 1.

Tot slot is sequentieanalyse bij uitstek geschikt voor het maken van typologieën met behulp van clusteranalyse. Bij de oorspronkelijke toepassing van sequentieanalyse op DNA kunnen op deze manier bijvoorbeeld verschillende soorten dieren of varianten van virussen worden onderscheiden. Een clusteranalyse van een sequentieanalyse van loopbanen kan een beter beeld opleveren van de soorten loopbanen die in de populatie voorkomen door de loopbanen die het meest op elkaar lijken bij elkaar te groeperen.

Om de gelijkenis van loopbanen vast te stellen kunnen verschillende methoden worden gebruikt. Een veelvoorkomende methode is optimal matching (Abbott & Forrest, 1986). Deze methode telt het aantal substituties en permutaties dat nodig is om de ene sequentie te veranderen in de andere sequentie. Bijvoorbeeld: om de sequentie AAAA te veranderen in AABC zijn er twee wijzigingen nodig. Om de sequentie AAAA te veranderen in ABBC zijn 3 wijzigingen nodig. De sequentie AAAA lijkt dus meer op de sequentie AABC dan op de sequentie ABBC. Ieder type wijziging kan ’geprijsd’ worden, waarbij bepaalde wijzigingen ‘duurder’ zijn dan andere. Bijvoorbeeld: wijziging van A in B is ‘goedkoper’ te maken dan de wijziging van A in C, bijvoorbeeld omdat A en C inhoudelijk verder van elkaar verwijderd zijn dan A en B.

Hoewel optimal matching de meest voorkomende methode is, bestaan er ook veel variaties hierop die gebruikt kunnen worden om de gelijkenis van sequenties vast te stellen. Optimal matching is bijvoorbeeld redelijk ongevoelig voor verschillen in timing, omdat het invoegen en weglaten van staten is toegestaan. In onderzoek naar loopbanen is timing echter vrij belangrijk, omdat het nogal kan uitmaken of iemand snel een vaste baan vindt of pas laat. De Hamming distance (Hamming, 1950) kan beter rekening houden met verschillen in timing, omdat dit algoritme geen invoegingen en weglatingen toestaat (Studer & Ritschard, 2016). In dit artikel wordt daarom de Hamming distance gebruikt om de gelijkenis tussen sequenties te berekenen.

Wanneer de gelijkenis tussen alle sequenties onderling is berekend, kan die informatie gebruikt worden om de sequenties te clusteren op basis van die gelijkenis. Waar er verschillende manieren bestaan om de gelijkenis tussen sequenties te berekenen, bestaan er ook talloze methoden om clusteranalyses uit te voeren. In dit artikel wordt de Ward clustering (Ward, 1963) gebruikt. Dit is een agglomeratieve hiërarchische clusteringmethode. Dit betekent dat het algoritme de verzameling sequenties paarsgewijs (of groepsgewijs) samenvoegt, zodanig dat steeds zo min mogelijk informatie verloren gaat.

Om het aantal clusters van de typologie te bepalen, kan gebruikgemaakt worden van kwaliteitsmaatstaven (Studer, 2013). Deze zijn vaak gebaseerd op de verhouding tussen de homogeniteit binnen clusters en de heterogeniteit tussen clusters. Bij een hoge heterogeniteit in sequenties kan het echter voorkomen dat deze maatstaven minder goed bruikbaar zijn (Mattijssen & Pavlopoulos, 2019). Dat is in dit artikel helaas ook het geval. Daarom is het aantal clusters kwalitatief bepaald. Hierbij is bekeken in hoeverre een extra cluster substantieel nieuwe informatie toevoegt aan de typologie.

2.2 Data

In dit onderzoek wordt gebruikgemaakt van informatie uit het Stelsel van Sociaal-statistische Bestanden (SSB) (Bakker et al., 2014) en specifiek demografische gegevens, opleidingsgegevens en arbeidsloopbanen uit de Polisadministratie. De Polisadministratie vormt de basis voor statistieken over banen en werknemers en bevat gegevens uit de periodieke aangiftes loonheffingen van inhoudingsplichtigen als werkgevers, pensioenfondsen en uitkeringsinstanties. In de Polisadministratie wordt (geanonimiseerd) op persoonsniveau de aard en hoogte van loon en uitkeringen vastgesteld. Tevens bevat de Polisadministratie informatie over onder andere gewerkte uren en dienstverbanden. Het opleidingsniveau komt uit het SSB-Opleidingsniveaubestand en demografische kenmerken komen uit de Basisregistratie Personen (BRP).

De doelpopulatie van dit onderzoek zijn jongeren die zijn geboren in de periode 1983-1985. Voor deze groep is jaarlijkse informatie over hun arbeidsmarktposities vanaf hun 23e levensjaar tot en met hun 32e levensjaar meegenomen in de analyse. Jongeren bij wie informatie over hun arbeidsmarktposities ergens in deze periode ontbreekt, bijvoorbeeld omdat zij een periode in het buitenland doorbrachten, zijn niet meegenomen in de analyse. Dit geldt voor 7,5 procent van de populatie.

Er wordt onderscheid gemaakt tussen de volgende categorieën:

• een vast contract
• een flexibel contract (een contract voor bepaalde tijd, een oproepcontract of een uitzendcontract)
• zelfstandige
• onderwijsvolgend en
• niet werkend.

Die laatste categorie bevat mensen die werkloos zijn, om een andere reden niet kunnen werken of die niet actief zijn op de arbeidsmarkt.

Tot slot nemen we twee achtergrondkenmerken mee in de analyse waarmee groepsverschillen kunnen worden getoond, namelijk geslacht en opleidingsniveau. Opleidingsniveau is gemeten aan het eind van de onderzoeksperiode. Voor een deel van de jongeren is het opleidingsniveau helaas niet bekend. Deze groep (10 procent) is daarom niet meegenomen in de analyses.

In totaal bestaat de populatie van dit onderzoek uit 468 026 personen. Onder hen zijn 237 302 mannen (50,7 procent) en 230 724 vrouwen (49,3 procent). Het hoogst behaalde opleidingsniveau is voor 45 procent minstens hbo- of wo-bachelor, voor 42,3 procent de bovenbouw van havo/vwo, de basisberoepsopleiding (mbo-2), de vakopleiding (mbo-3) en de middenkader- en specialistenopleidingen (mbo-4), en voor 12,7 procent maximaal mbo1 of havo/vwo onderbouw.

3.1 Loopbanen van jongeren

3.1.1 Traditionele methode

De traditionele methode om naar loopbanen te kijken is aan de hand van percentages. In de eerste plaats kan er dan gekeken worden naar de groep in zijn geheel. Deze resultaten staan in figuur 3.1.1.1.

Deze figuur toont dat gedurende de levensloop het aandeel jongeren met een vast contract toeneemt van 28,2 procent naar 51,4 procent. Het aandeel flexibele contracten neemt juist af van 31,9 procent naar 24,3 procent en ook het aandeel jongeren dat onderwijs volgt daalt van 28,6 procent naar slechts 0,6 procent bij de 32-jarigen. Gedurende de loopbaan kiezen steeds meer jongeren ervoor om als zelfstandige aan de slag te gaan: waar slechts 1,9 procent van de jongeren op 23-jarige leeftijd als zelfstandige werkt, neemt dit aandeel toe tot 8,6 procent bij 32-jarigen. Het aandeel niet-werkende jongeren stijgt voornamelijk naarmate ze ouder worden. Vanaf de leeftijd van 30 jaar daalt het aandeel niet-werkende jongeren licht.

3.1.2 Loopbaanstatistieken

Hoewel de figuur uit de vorige paragraaf al veel inzicht geeft in het verloop van de vroege loopbanen van jongeren, blijft het beeld beperkt. Zo wordt bijvoorbeeld niet duidelijk in hoeverre jongeren die op hun 32e een flexibel contract hebben hun gehele voorafgaande loopbaan in flexibele contracten hebben gewerkt, of dat zij hun flexbaan hebben afgewisseld met periodes van werkloosheid, of juist een vast contract vaarwel hebben gezegd om weer op een flexibel contract aan de slag te gaan. Loopbaanstatistieken kunnen hier een eerste inzicht in geven.

Tabel 3.1.2.1 toont de loopbaanstatistieken voor de totale populatie. Hieruit blijkt dat de jongeren gemiddeld 73 procent van hun vroege loopbaan werkend doorbrengen, waarvan 42,8 procentpunt in een vast contract. Jongeren zijn gemiddeld 13,3 procent van hun vroege loopbaan niet werkzaam. Het gemiddeld aantal verschillende arbeidsmarktposities (staten) in een loopbaan is 2,43 en jongeren maken gemiddeld 2,25 transities gedurende hun loopbaan. 14,9 procent van de jongeren heeft een loopbaan zonder enige transitie. Van deze 14,9 procent heeft 63,7 procent de hele periode een vast contract (dit is tevens de meest voorkomende loopbaan); 11,8 procent de hele tijd een flexibel contract; is 4,8 procent de hele periode zelfstandige; en werkt 19,1 procent de hele periode niet. Een verwaarloosbaar aantal jongeren studeert de gehele periode. Voor de overige 85,1 procent van de jongeren geldt dat er minstens één transitie van arbeidsmarktpositie plaatsvindt gedurende de loopbaan. Er zijn zelfs een paar jongeren die ieder jaar een andere arbeidsmarktpositie hebben. De entropie van de sequenties is 0,407 en de complexiteit is 0,313. Op zichzelf zeggen deze laatste twee gevallen echter niet zoveel: deze worden met name interessant bij het bekijken van verschillende subgroepen.

3.1.3 Sequentieanalyse

De loopbaanstatistieken geven al een beter beeld van de gemiddelde individuele loopbaan, maar de diversiteit in de loopbanen, en ook de dynamiek ervan, blijft nog altijd onzichtbaar. Jongeren zijn gemiddeld 78,2 procent van hun loopbaan aan het werk, maar is dat aaneengesloten met een periode van niet werken ervoor of erna? Of worden de werkzame periodes onderbroken door kortere niet-werkzame periodes? En is dat anders voor mensen met een flexibel contract dan voor mensen met een vast contract?

Om een beter inzicht te verkrijgen in de dynamiek in de loopbanen van jongeren, is er de sequentieanalyse. Voor de sequentieanalyse van de totale groep jongeren wordt een indexplot gemaakt voor hun loopbanen (figuur 3.1.3.1). Iedere horizontale lijn toont een loopbaan vanaf het 23e levensjaar tot en met het 32e levensjaar. Een lijn die bijvoorbeeld van donkerblauw naar lichtblauw loopt toont een loopbaan die begint met een flexibel contract en overgaat naar een vast contract. De loopbanen zijn gesorteerd op de eerste arbeidsmarktpositie, en vervolgens op de laatste arbeidsmarktpositie, waardoor de relatie tussen het begin van de loopbaan en het eind van de loopbaan duidelijker wordt.

De figuur toont dat de loopbanen van jongeren veel meer diversiteit vertonen dan af te leiden is uit de standaardtabel. In de 468 026 loopbanen komen 63 732 verschillende loopbanen voor, waarvan 41 326 loopbanen slechts één keer. Zoals enigszins was af te leiden uit figuur 3.1.1.1, zijn er vrij veel loopbanen die beginnen met een flexibel contract en die na een aantal jaar worden vervolgd door een vast contract. Figuur 3.1.3.1 laat echter ook zien dat dit lang niet altijd een rechttoe-rechtaantraject is: veel jongeren die beginnen met een flexibel contract wisselen nog enkele keren van arbeidsmarktpositie voordat zij langere tijd in een vast contract werken. Er zijn ook veel jongeren die beginnen met een vast contract, maar na verloop van tijd ook van arbeidsmarktpositie wisselen: sommigen krijgen weer een flexibel contract, anderen werken enige tijd niet. Wel valt op het eerste gezicht op dat een groter deel van de jongeren die beginnen met een flexibel contract op het 32^e levensjaar niet werkt dan van de jongeren die beginnen met een vast contract.

Ook de jongeren die niet werkzaam zijn op hun 23^e blijven niet per definitie gedurende de gehele gemeten periode zonder werk. Een substantieel deel vindt gedurende de loopbaan een plek op de arbeidsmarkt: zij hebben ook periodes flexibel of soms ook vast werk, of volgen een opleiding. Voor een deel van hen heeft dit geresulteerd in stabiel werk, of in ieder geval in het hebben van werk op hun 32^e. Een ander deel verlaat de arbeidsmarkt na verloop van tijd weer: zij werken op hun 32^e niet meer. Ook is er een substantiële groep jongeren die gedurende de hele periode niet gewerkt heeft.

De jongeren die op hun 23e nog studeren zijn daar op hun 32e in het algemeen inmiddels wel klaar mee. Veel van deze jongeren vinden werk, en een substantiële groep maakt na een flexibel contract de transitie naar vast werk. Ook voor deze groep geldt echter dat veel jongeren eerst nog enkele keren van arbeidsmarktpositie wisselen voordat zij in een bestendiger arbeidsmarktpositie belanden.

3.2 Loopbanen van jongeren naar geslacht

3.2.1 Traditionele methode

De resultaten gesplitst naar geslacht volgens de gebruikelijke methode kunnen worden gevonden in figuur 3.2.1.1 en 3.2.1.2. Deze tonen dat de verschillen tussen mannen en vrouwen op 23-jarige leeftijd beperkt zijn: de voornaamste verschillen zijn dat mannen vaker dan vrouwen als zelfstandige werken, terwijl vrouwen vaker dan mannen niet werken. Deze verschillen blijven bestaan naarmate de leeftijd toeneemt. Vrouwen hebben verder iets vaker een flexibel contract dan mannen, terwijl mannen iets vaker een vast contract hebben of nog studeren. Naarmate de leeftijd stijgt, hebben mannen ten opzichte van vrouwen vaker een flexibel contract, en hebben vrouwen ten opzichte van mannen juist vaker een vast contract.

3.2.2 Loopbaanstatistieken

In de loopbaanstatistieken (tabel 3.2.2.1), zijn de verschillen, op een aantal uitzonderingen na, vrij beperkt. Het gemiddeld aantal doorlopen staten per sequentie voor mannen en vrouwen is praktisch gelijk. Ook het aantal transities is vrijwel identiek. De entropie en de complexiteit van de sequenties lijken op het eerste oog ook minimaal te verschillen tussen mannen en vrouwen. Doordat de onderzoekspopulatie echter zeer groot is, zijn de verschillen in alle sequentiekenmerken wel significant (p<0,001). Iets grotere verschillen zien we in de tijd die wordt doorgebracht in de verschillende arbeidsmarktposities: vrouwen zijn gemiddeld langere tijd niet werkzaam, terwijl mannen gemiddeld langere tijd doorbrengen als zelfstandige.

3.2.3 Sequentieanalyse

Tot slot bekijken we de resultaten van de sequentieanalyses voor mannen en vrouwen apart. De indexplots zijn te vinden in figuur 3.2.3.1. De figuren vertonen op het oog vrij veel overeenkomsten, wat niet heel verrassend is, gezien de grote overeenkomsten die tabel 3.2.2.1 eerder liet zien. Wel zien we weer dat de loopbanen niet zo lineair verlopen als die figuren 3.2.1.1 en 3.2.1.2 suggereren. Vrouwen zijn iets vaker dan mannen de gehele periode niet werkzaam, en raken ook vaker vanuit een werkende situatie zonder werk. Dit heeft mogelijk te maken met het feit dat vrouwen hun loopbaan vaker onderbreken zodra er kinderen komen. Deze figuren laten goed zien hoe de indexplots en de loopbaanstatistieken elkaar aanvullen: waar deze indexplots op het oog niet zoveel van elkaar verschillen, kunnen de loopbaanstatistieken laten zien waar die beperkte verschillen toch nog zitten. De loopbaanstatistieken missen echter, zoals we eerder ook al constateerden, de dynamiek die in de loopbanen zit, maar die in dit geval voor mannen en vrouwen redelijk overeenkomt.

3.3 Loopbanen van jongeren naar opleidingsniveau

3.3.1 Traditionele methode

Na de vergelijking tussen mannen en vrouwen, gaan we hier na in hoeverre de loopbanen van jongeren verschillen naar opleidingsniveau.

Figuur 3.3.1.1 tot en met 3.3.1.3 tonen dat de verschillen in loopbaanverloop tussen opleidingsniveaus veel groter zijn dan de verschillen tussen mannen en vrouwen. Het grootste verschil zit hem in het aandeel niet-werkende jongvolwassenen. Zo werkt maar liefst 31,4 procent van de laagopgeleide jongeren op 23-jarige leeftijd niet, en neemt dit toe tot 42,1 procent als zij 30 zijn. Onder hoogopgeleide jongeren is het percentage niet-werkenden op 23-jarige leeftijd slechts 3,3 en neemt dit toe tot maximaal 7,2 op 30-jarige leeftijd. Middelbaar opgeleiden zijn ook behoorlijk minder vaak niet-werkzaam dan laagopgeleiden: slechts 9,1 procent van de middelbaar opgeleide jongeren werkt op 23-jarige leeftijd niet, en dit percentage loopt op tot 17,2 procent op 30-jarige leeftijd.

Op 23-jarige leeftijd hebben hoogopgeleiden relatief vaak een flexibel contract en relatief minder vaak een vast contract. Naarmate de jongeren ouder worden, veranderen deze verhoudingen snel: op 25-jarige leeftijd hebben hoogopgeleiden al vaker dan laagopgeleiden een vast contract, en op 28-jarige leeftijd hebben zij ook vaker dan middelbaar opgeleiden een vast contract. Laagopgeleiden beginnen relatief het vaakst op jonge leeftijd al te werken als zelfstandige, maar naarmate de jongvolwassenen ouder worden, gaan middelbaar opgeleiden en hoogopgeleiden ook steeds vaker aan de slag als zelfstandige.

3.3.2 Loopbaanstatistieken

Volgens de loopbaanstatistieken (tabel 3.3.2.1) zijn de verschillen naar opleidingsniveau groter dan de verschillen die we eerder hebben gezien tussen mannen en vrouwen. Laagopgeleiden zijn gemiddeld een groter deel van hun loopbaan niet-werkzaam dan middelbaar en hoogopgeleiden. Middelbaar opgeleiden brengen gemiddeld de meeste tijd werkend door, vaak ook in een vast contract. Hoogopgeleiden brengen echter nog een groot deel van hun loopbaan in onderwijs door.

Bij de resterende maten zien we dat hoogopgeleiden gemiddeld het hoogst scoren: zij bezoeken het hoogste aantal verschillende staten, maken de meeste transities, hebben de minst voorspelbare loopbanen (hoge entropie) en ook de meest complexe loopbanen. Laagopgeleiden scoren op alle indicatoren het laagst, en middelbaar opgeleiden zitten ertussenin, hoewel hun scores dichter bij die van de laagopgeleiden liggen dan bij die van de hoogopgeleiden. Hoewel deze uitkomsten technisch gezien kloppen, kunnen ze echter niet geïnterpreteerd worden als een teken dat de loopbanen van hoogopgeleide jongeren minder stabiel zijn dan de loopbanen van laagopgeleiden. Een belangrijke verklarende factor voor de hogere scores van hoogopgeleide jongeren is namelijk dat zij gedurende de geobserveerde periode vaak nog de transitie van onderwijs naar werk maken. Deze onderwijsfase ligt bij lager en middelbaar opgeleiden vóór de geobserveerde periode, en telt dus niet mee in deze statistieken. Onderwijs is echter nog een extra arbeidsmarktpositie, wat dus het aantal bezochte staten verhoogt, en de transitie van onderwijs naar werk verhoogt dus ook het aantal transities. Als gevolg hiervan stijgen ook de entropie en complexiteit. Het is dus ook belangrijk om die inhoudelijke blik mee te nemen in de interpretatie van de uitkomsten.

3.3.3 Sequentieanalyse

Figuur 3.3.3.1 toont de indexplots van de loopbanen van jongeren naar opleidingsniveau. De figuren tonen duidelijk de verschillen die ook al naar voren kwamen in tabel 5. Zo is niet-werken een veel vaker voorkomende arbeidsmarktpositie onder laagopgeleiden dan onder middelbaar en vooral hoogopgeleiden, terwijl relatief veel hoogopgeleiden nog enige tijd doorbrengen in het onderwijs. Wat deze figuren verder tonen is dat relatief veel laagopgeleide jongeren langdurig niet werken, en dat het vaak niet lukt voor langere tijd toe te treden tot de arbeidsmarkt. Ook valt op dat van de laagopgeleide jongeren die op hun 23e een vast of een flexibel contract hebben een betrekkelijk grote groep uiteindelijk alsnog uitstroomt naar een situatie zonder werk. Onder middelbaar en hoogopgeleiden komt dit veel minder vaak voor.

Hoogopgeleide jongeren die op hun 23e nog studeerden, vinden op termijn werk in flexibele en vaste banen. Wat opvalt is dat hoogopgeleide jongeren die op hun 23e een tijdelijk of vast contract hadden toch nog regelmatig, en vaker dan middelbaar en laagopgeleide jongeren, voor een korte periode weer onderwijs gaan volgen. Een reden hiervoor kan zijn dat de terugkeer naar onderwijs kan resulteren in het hogere opleidingsniveau dat pas gemeten wordt op 32-jarige leeftijd.

3.4 Loopbanen van jongeren naar geslacht en opleidingsniveau

3.4.1 Traditionele methode

Tot slot kunnen de percentages ook worden opgesplitst naar zowel geslacht als opleidingsniveau. Op die manier worden zowel de verschillen zichtbaar tussen mannen en vrouwen naar opleidingsniveau, als die tussen opleidingsniveaus naar geslacht. Deze uitkomsten staan in de figuren 3.4.1.1 t/m 3.4.1.6.

3.4.2 Loopbaanstatistieken

Bij de analyse van de loopbaanstatistieken (tabel 3.4.2.1) valt iets bijzonders op: waar de verschillen tussen mannen en vrouwen als zodanig nog zeer beperkt waren (zie sectie 3.2.2), zijn de verschillen tussen mannen en vrouwen, opgesplitst naar opleidingsniveau, vaak groter. Bij lager en middelbaar opgeleiden zien we dat mannen meer tijd van hun loopbaan werkend besteden dan vrouwen, terwijl hoogopgeleide vrouwen meer tijd aan het werk zijn dan hoogopgeleide mannen. Hoogopgeleide mannen brengen meer tijd door in onderwijs. Bij lager en middelbaar opgeleiden brengen vrouwen meer tijd niet-werkzaam door dan mannen.

Bij laagopgeleiden geldt dat vrouwen minder verschillende staten en minder transities hebben dan mannen, en hierdoor ook voorspelbaardere (lage entropie) en minder complexe loopbanen. Dit hangt mogelijk samen met het feit dat deze vrouwen een groot deel van hun loopbaan niet-werkzaam doorbrengen. Al deze verschillen zijn significant. Bij de middelbaar opgeleiden blijkt juist het omgekeerde en hebben vrouwen meer verschillende staten en vooral ook meer transities, en hierdoor minder voorspelbare (hogere entropie) en complexere loopbanen dan mannen. Dit hangt waarschijnlijk samen met het feit dat deze vrouwen meer tijd niet werkzaam doorbrengen dan mannen. Bij hoogopgeleiden hebben mannen echter meer verschillende staten, resulterend in minder voorspelbare en complexere loopbanen. Opvallend is dat het gemiddelde aantal transities niet significant verschilt tussen hoogopgeleide mannen en vrouwen, terwijl mannen wel gemiddeld meer verschillende staten hebben. Mogelijk komt dit doordat mannen relatief meer tijd in onderwijs doorbrengen dan vrouwen.

3.4.3 Sequentieanalyse

Wanneer we sequentieanalyse gebruiken om de groepsverschillen op basis van geslacht en opleidingsniveau te visualiseren, worden de verschillen die we in figuren 3.4.1.1 tot en met 3.4.1.6 en tabel 3.4.2.1 zagen in één oogopslag duidelijk. Waar de plots van laagopgeleide mannen en vrouwen behoorlijk van elkaar verschillen, zijn die verschillen veel moeilijker te zien in de figuren voor hoogopgeleide mannen en vrouwen. Zo zien we dat langdurig niet-werken met name veel voorkomt onder laagopgeleide vrouwen, en in mindere mate bij laagopgeleide mannen. Bovendien zien we dat het vaker laagopgeleide vrouwen dan laagopgeleide mannen zijn die vanuit een werkzame situatie met een vast of flexibel contract doorstromen naar een niet-werkzame situatie.

3.5 Typologie van vroege loopbanen

Tot slot hebben we een typologie gemaakt van de verschillende soorten vroege loopbanen in deze populatie. In dit proces liepen we tegen het praktische probleem aan dat we door het grote aantal individuen in onze populatie niet alle loopbanen tegelijkertijd konden analyseren. Om dit probleem te omzeilen hebben we eerst een sequentieanalyse gedaan voor alle sequenties die minstens twee keer voorkwamen in de data. Dit was het geval voor 22 406 verschillende sequenties, die in totaal 426 700 individuen vertegenwoordigden. Voor deze groep hebben de we gelijkenis van de sequenties berekend met de Hamming-distance, en de sequenties vervolgens op basis van hun gelijkenis geclusterd met een Ward-clustering. We hebben kwalitatief bepaald hoeveel clusters de typologie moest hebben, en zijn uitgekomen op zes clusters. Bij zeven clusters zou er een splitsing ontstaan tussen een cluster met langdurig in onderwijs blijven en een cluster met een kortdurende periode van onderwijs, gevolgd door een transitie naar flexibel werk. Ook omdat het cluster met loopbanen met langdurig onderwijs relatief klein zou worden ten opzichte van de andere clusters, leek dat onderscheid ons geen substantiële toevoeging.

Vervolgens hebben we voor ieder van deze zes clusters de representatieve (medoid) sequentie genomen, en de resterende 41 326 eenmalig voorkomende sequenties gekoppeld aan de meest overeenkomende representatieve sequentie (ook weer berekend met de Hamming-distance). Als een sequentie evenveel leek op meer dan één van de representatieve sequenties, werd die sequentie random bij één van die meest lijkende representatieve sequenties ingedeeld.

De zes clusters worden weergegeven in tabel 3.5.1. Hierin staan indexplots van de clusters en beschrijvende statistieken over de verdeling naar geslacht, opleidingsniveau, en de combinatie tussen geslacht en opleidingsniveau. Ook heeft ieder cluster een (allitererende) naam gekregen die past bij de typen vroege loopbanen in dat cluster (Mattijssen, Pavlopoulos & Smits, 2018). We bespreken de clusters één voor één.

Het eerste cluster van de typologie, Voornamelijk Vast, bestaat uit vroege loopbanen die voornamelijk gekenmerkt worden door vast werk. Dit is het grootste van de zes clusters, 34,5 procent van de jongvolwassenen zit in deze groep. Gemiddeld brengen zij in dit cluster bijna 9,5 jaar van hun loopbaan werkend door. Een deel van de jongvolwassenen in dit cluster heeft de hele periode een vast contract, terwijl een ander deel eerst nog studeert of een flexibel contract heeft alvorens de overstap naar een vast contract te maken. Gemiddeld hebben deze jongvolwassenen bijna 8 jaar van hun loopbaan een vast contract. Vrouwen zijn licht oververtegenwoordigd in dit cluster, net als mensen met een middelbare opleiding. Laagopgeleiden, en met name laagopgeleide vrouwen, zijn redelijk ondervertegenwoordigd in dit cluster. Het aantal doorlopen staten en transities is in dit cluster het laagst, met als gevolg dat de entropie en de complexiteit van dit cluster ook het laagst zijn. Dit zijn dus de meest stabiele vroege loopbanen.

In het tweede cluster, Tragere Transitie, vinden we vroege loopbanen die gekenmerkt worden door latere transities naar vast werk. Veel jongvolwassenen in dit cluster beginnen hun vroege loopbaan nog in onderwijs of in een flexibel contract, maar zij maken rond hun 28e levensjaar de transitie naar een vast contract. Sommige jongeren hebben op hun 23e al een vast contract, maar wisselen dat vrij snel om voor een flexibel contract (bij een andere werkgever), en stappen daarna weer over naar een vast contract. 22,5 procent van de jongvolwassenen zit in dit cluster, waarvan iets meer mannen dan gemiddeld. Ook hoogopgeleiden zijn oververtegenwoordigd, terwijl laagopgeleiden juist minder vaak dit type vroege loopbaan meemaken. Gemiddeld brengen de jongvolwassenen in dit cluster ruim 8,5 jaar van hun loopbaan werkend door, waarvan gemiddeld bijna 5 jaar in een vast contract. Jongvolwassenen in dit cluster maken relatief veel transities en hebben hier door ook hogere scores op entropie en complexiteit.

De vroege loopbanen in het derde cluster, Telkens Tijdelijk, bestaan hoofdzakelijk uit het werken in flexibele contracten. Sommigen hebben aan het begin of het eind van hun vroege loopbaan een vast contract, maar de rest van hun vroege loopbaan brengen zij door in een flexibel contract. Gemiddeld brengen de jongvolwassenen in dit cluster 71,2 procent van hun loopbaan in een flexibel contract door. 12,5 procent van de jongvolwassenen heeft een loopbaan die past bij dit cluster. Hoewel laagopgeleiden licht oververtegenwoordigd zijn, zijn vooral de middelbaar opgeleiden sterk oververtegenwoordigd in dit cluster. Hoogopgeleiden zijn daarentegen sterk ondervertegenwoordigd. Wel valt op dat bij vrouwen de laagopgeleiden niet oververtegenwoordigd zijn, en bij de mannen juist wel. Hoewel ook in dit cluster één soort arbeidsmarkpositie centraal staat, zijn de vroege loopbanen in dit cluster minder stabiel dan in Voornamelijk Vast: het aantal doorlopen staten en het aantal transities ligt hoger, wat resulteert in een hogere entropie en complexiteit. Aangezien flexibele contracten minder zekerheid bieden dan vaste contracten, is dit verschil niet geheel verrassend.

Jongvolwassenen die gaan werken als zelfstandige staan centraal in cluster vier, Zelfbedruipende Zelfstandigen. Dit is met 7,2 procent van de loopbanen het kleinste cluster. Hoewel een deel van hen gedurende de hele vroege loopbaan als zelfstandige werkt, geldt voor de meerderheid dat zij eerst in een flexibele of vaste baan hebben gewerkt voordat zij de transitie naar zelfstandigheid maakten. Een kleinere groep maakt vanuit school de transitie naar werk als zelfstandige. Gemiddeld brengen deze jongvolwassenen 55,1 procent van hun loopbaan als zelfstandige door. In dit cluster zijn mannen sterk oververtegenwoordigd, evenals middelbaar opgeleiden. Hoewel het aantal verschillende staten in dit cluster vrij hoog is, is het aantal transities vrij laag. Hierdoor is dit cluster stabieler dan Tragere Transitie.

Dit artikel heeft laten zien hoe sequentieanalyse genuanceerde inzichten kan geven in het verloop van longitudinale fenomenen, zoals loopbanen en vroege loopbanen. Door de vroege loopbanen van een aantal cohorten jongvolwassenen in Nederland in kaart te brengen, hebben we laten zien dat deze periode in de loopbaan veel dynamischer is dan op te maken is uit traditionele tabellen of loopbaanstatistieken. Jongeren wisselen regelmatig tussen verschillende arbeidsmarktposities en maken ook transities die minder gebruikelijk zijn, bijvoorbeeld van vast naar flexibel werk, of vanuit werk terug naar onderwijs.

Sequentieanalyse kan niet alleen laten zien welke dynamische typen vroege loopbanen er zijn, maar ook inzicht geven in de vraag welke groepen vaker bepaalde typen loopbanen hebben. Zo is duidelijk geworden dat langdurig werken in een vast contract eigenlijk onder alle groepen ongeveer even vaak voorkomt, maar ook dat laagopgeleide vrouwen een behoorlijk grotere kans hebben om een vroege loopbaan te hebben die wordt gekenmerkt door niet werken.

In dit artikel hebben we een relatief simpele sequentieanalyse uitgevoerd. Er zijn echter nog talloze mogelijkheden om de sequentieanalyse uit te breiden. In de eerste plaats zouden de vroege loopbanen op een gedetailleerder niveau in kaart kunnen worden gebracht, bijvoorbeeld door meer verschillende arbeidsmarktposities te onderscheiden of door naar maandelijkse in plaats van jaarlijkse informatie te kijken. Op die manier kan de dynamiek in vroege loopbanen nog beter worden onthuld.

Een tweede mogelijkheid is om meer aspecten van de levensloop in de analyse mee te nemen door middel van multichannel sequentieanalyse (Pollock, 2007). Dat houdt in dat er per individu niet alleen een sequentie van arbeidsmarktposities kan worden geanalyseerd, maar bijvoorbeeld ook een simultaan lopende sequentie van de burgerlijke staat van het individu (bijvoorbeeld of iemand alleen is, getrouwd is of kinderen heeft) om te zien in hoeverre deze twee aspecten van de levensloop met elkaar samenhangen (Aisenbrey & Fasang, 2017). Een ander aspect dat simultaan in kaart gebracht zou kunnen worden is de inkomenspositie van het individu, waarmee de kwaliteit van vroege loopbanen in termen van werk- en inkomenszekerheid geduid zou kunnen worden (Mattijssen & Pavlopoulos, 2019).

Een derde optie is om andere sequentiestatistieken toe te passen om de stabiliteit en kwaliteit van de vroege loopbanen te duiden. In dit artikel hebben we ons beperkt tot een viertal statistieken, maar er bestaan er veel meer. Er zijn bijvoorbeeld ook sequentiestatistieken die rekening proberen te houden met de inhoud van de sequenties. Zo zagen we dat de vroege loopbanen in Uiteindelijk Uitstroom relatief stabiel waren, omdat zij een lage score hadden op entropie en complexiteit. Deze stabiliteit kan echter niet gelijk worden gesteld aan een positieve uitkomst, omdat langdurig niet-werkzaam zijn in het algemeen beschouwd wordt als een slechtere positie dan langdurig een vast contract hebben. De precarity index (Ritschard et al., 2018) en de normatieve volatiliteitsindex (Brzinsky-Fay, 2018) kunnen de inhoudelijke kwaliteitsverschillen of –verhoudingen tussen staten meenemen.

Tot slot kan sequentieanalyse gecombineerd worden met andere analysetechnieken. Op zichzelf is sequentieanalyse namelijk geen causale analyse. Typologieën die verkregen zijn uit sequentieanalyse kunnen echter wel gebruikt worden als afhankelijke variabele in multinomiale analyses om relaties tussen individuele kenmerken en de typen sequenties vast te stellen. Ook zijn ze bruikbaar als verklarende variabele voor uitkomsten uit vervolgonderzoek dat later in de tijd is gedaan. Zo zouden de typen vroege loopbanen uit dit artikel gelinkt kunnen worden aan bijvoorbeeld het inkomensniveau, het opgebouwde vermogen of welzijn op 33-jarige leeftijd.

Kortom, sequentieanalyse is een veelzijdige methode waarmee veel bestaande onderzoeksvragen op een nieuwe manier kunnen worden beantwoord en die ook de mogelijkheid biedt om veel nieuwe vragen te stellen en te beantwoorden.

Abbott, A., & Forrest, J. (1986). Optimal Matching methods for historical sequences. The Journal of Interdisciplinary History, 16(3), 471–494. 

Aisenbrey, S., & Fasang, A. (2017). The interplay of work and family trajectories over the life course: Germany and the United States in comparison. American Journal of Sociology, 122(5), 1448–1484.

Bakker, B. F. M., Van Rooijen, J., & Van Toor, L. (2014). The System of social statistical datasets of Statistics Netherlands: An integral approach to the production of register-based social statistics. Statistical Journal of the IAOS, 30(4), 411–424.

Brzinsky-Fay, C. (2007). Lost in transition? Labour market entry sequences of school leavers in Europe. European Sociological Review, 23(4), 409–422. 

Brzinsky-Fay, C. (2014). The measurement of school-to-work transitions as processes. European Societies, 16(2), 213–232. 

Brzinsky-Fay, C. (2018). Unused Resources: Sequence and Trajectory Indicators. International Symposium on Sequence Analysis and Related Methods.

CBS. (2021a). Uitstromers ho; arbeidsmarktpositie na verlaten onderwijs. Statline.

CBS. (2021b). Uitstromers mbo; arbeidsmarktpositie na verlaten onderwijs. Statline. 

Cornwell, B. (2015). Social sequence analysis: Methods and applications. Cambridge University Press.

Elzinga, C. H., & Liefbroer, A. C. (2007). De-standardization of family-life trajectories of young adults: A cross-national comparison using sequence analysis. European Journal of Population, 23, 225–250. 

Gabadinho, A., Ritschard, G., Mueller, N. S., & Studer, M. (2011). Analyzing and visualizing state sequences in R with TraMineR. Journal of Statistical Software, 40(4), 1–37. 

Hamming, R. W. (1950). Error detecting and error correcting codes. Bell System Technical Journal, 29(2), 147–160. 

Mattijssen, L., & Pavlopoulos, D. (2019). A multichannel typology of temporary careers: Identifying traps and stepping stones in terms of career and income security. Social Science Research, 77, 101–114. 

Pollock, G. (2007). Holistic trajectories: a study of combined employment, housing and family careers by using multiple-sequence analysis. Journal of the Royal Statistical Society. Series A: Statistics in Society, 170(1), 167–183. 

Ritschard, G. (2021). Measuring the Nature of Individual Sequences. Sociological Methods and Research. 

Ritschard, G., Bussi, M., & O’Reilly, J. (2018). An index of precarity for measuring early employment insecurity. In G. Ritschard & M. Studer (Eds.), Sequence analysis and related approaches (pp. 279–295). Springer. 

Scherer, S. (2001). Early career patterns: A comparison of Great Britain and West Germany. European Sociological Review, 17(2), 119–144.

Studer, M. (2013). WeightedCluster library manual (No. 24; LIVES Working Papers). LIVES Working papers, 24. 

Studer, M., & Ritschard, G. (2016). What matters in differences between life trajectories: A comparative review of sequence dissimilarity measures. Journal of the Royal Statistical Society. Series A: Statistics in Society, 179(2), 481–511. 

Ward, J. H. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58(301), 236–244.