Hur kan man mäta sociala utfall?

I offentlig sektor, bland idéburna företag och bland sociala entreprenörer diskuteras flitigt hur svårt det är att mäta sociala utfall. Att det finns en uppsjö metoder men ingen tydlig standard. Att det faktiskt inte går att mäta välmående, lycka eller trygghet i kvantitativa termer. Att alla utfall inte går att mätas i socioekonomiska effekter.

På Prosper tror vi på att undvika orimliga ambitioner kring att mäta det icke-mätbara med vetenskaplig exakthet. Sätter vi sådana krav kommer vi aldrig att göra om, göra nytt och göra bättre för att lösa de stora och viktiga samhällsproblemen. Då kommer vi att fastna i gamla lösningar, som för övrigt sällan har behövt bevisa sin socioekonomiska överlägsenhet.

Vi tror i stället på att fastställa rimliga hypoteser kring kostnader nu och besparingar i framtiden samt att räkna på dessa enligt modellen Social Return On Investment (SROI).

Låt oss ta ett förenklat men konkret exempel: Vi föreställer oss en insats som syftar till att hjälpa nyanlända unga till arbete i en viss kommun. Vi börjar med att titta på utgångsläget i gruppen:

  • Hur många unga nyanlända mellan 18-24 år bor i kommunen?
  • Hur många av dessa arbetar eller studerar?
  • Hur många av dessa uppbär försörjningsstöd, aktivitetsstöd eller liknande?
  • Vilka andra kostnader bär samhället för dessa individer som följd av att de inte arbetar?

När vi vet vad arbetslösheten i gruppen kostar samhället, tittar vi på vad det är som hindrar att dessa individer arbetar, och detta för att kunna applicera eller designa en så effektiv insatsmodell som möjligt.

  • Hur är det med det deras kunskaper i svenska språket?
  • Hur är det med gymnasiekompetens och betyg?
  • Hur ser deras familjesituation och sociala kontext ut?
  • Hur är det med deras psykiska och fysiska hälsa?
  • Vilka yrken är individerna i målgruppen lämpade och motiverade för?
  • Finns det möjligheter till praktikplatser inom dessa yrken?

Utifrån analysen av målgruppen tittar vi på vilka beprövade eller innovativa insatsmodeller som skulle kunna hjälpa ungdomarna till arbete och räknar då på vad denna insats skulle kosta.

Genom forskning, utvärderingar och erfarenhet kan vi etablera rimliga hypoteser kring hur många i målgruppen som kommer in på arbetsmarknaden genom insatsen. Kan man inte vid slutet av insatsen mäta exakt minskad arbetslöshet, kan man använda sig av s k proxys eller indikatorer på hur mycket närmare arbetsmarknaden målgruppen står. Kanske visar erfarenhet att X% av liknande målgrupper kommer i arbete inom två år efter framgångsrikt avslutad praktik eller att en viss nivå på svenska språket ökar chanserna för jobb med Y%.

Vi kan nu, genom att kombinera förväntat faktiskt utfall (antal unga i arbete) med förväntat utfall (proxys som indikerar högre anställningsbarhet) göra en hypotes kring hur många som kommer vara i arbete vid 1, 3 och kanske 5 år efter insatsens slut.

Genom att arbetslösheten minskar i målgruppen har samhället också sparat pengar, genom att målgruppen har minskat behov av försörjningsstöd och andra insatser. Men förmodligen är det inte uteslutande insatsens förtjänst, och detta ska vi korrigera för enligt SROI-modellen.

Vi kan delvis uppskatta hur stor del av ungdomarna som, även utan denna riktade insats hade fått arbete på egen hand. Detta kallas för Deadweight, uttrycks i % av målgruppen och räknas bort från de besparingar som insatsens kostnader ska jämföras med.

Vidare kanske målgruppen har fått annan hjälp, som inte ingick i den riktade insatsen, och som bidragit till utfallet – det vi kallar för Attribution. Vi gör en uppskattning vikten av dessa åtgärder i utfallet och räknar bort även denna del.

Detta ger en rättvisande bild av de besparingar vår insats faktiskt har lett till och vi kan fördela dem över åren 1-5 efter insatsens avslut. Besparingarna nuvärdesberäknas för att kunna jämföras med kostnaden för insatsen.

Om vi nu jämför den totala kostnaden för insatsen med de nuvärdesberäknade besparingarna ser vi vilket socioekonomiskt utfall insatsen skapat. I de allra flesta fall blir det oerhört tydligt att det är både billigare och effektivare att investera nu för att slippa höga kostnader för målgruppen senare.

De effekter som vi inte kan mäta med siffror; lycka, trygghet och självkänsla till exempel, är såklart oerhört viktiga utfall de med. Men hade vi envisats med att försöka sätta siffror på dessa utfall, hade vi aldrig kunnat bevisa modellens värde med trovärdighet och därför sannolikt inte genomfört den heller.

Genom att fokusera på att mäta det som är mätbart, att ärligt räkna bort för utfall som inte insatsen kan antas ha bidragit till  och  jämföra kostnader nu med besparingar längre fram, kan vi bevisa värdet i att implementera en viss modell i stället för att fortsätta som vi gör idag eller ännu värre – inte göra något alls.

Lämna ett svar

E-postadressen publiceras inte. Obligatoriska fält är märkta *