Löneskillnader mellan kvinnor och män i staten
Arbetsgivarverket redovisar årligen löneskillnader mellan kvinnor och män i staten. På den här sidan kan du ta del av den årliga utvecklingen och analyser av faktorer som kan påverka löneskillnader.
Uppdaterad: 2025-06-24
Diagram på denna sida
Löneskillnader - Utbetald lön och HeltidslönLöneskillnader - regressionsmodellerBakgrund och syfte
Undersökningen genomförs varje vår på uppdrag av regeringen.
Ett av regeringens delmål för statliga arbetsgivare är att löneskillnaderna mellan kvinnor och män ska minska. Syftet med denna undersökning är att med hjälp av den partsgemensamma lönestatistiken följa upp utvecklingen för myndigheter under regeringen inom detta delmål och analysera de faktorer som denna skillnad statistiskt består av.
Data, urval och begrepp
I analysen används statistik från den partsgemensamma lönestatistiken inom det statliga avtalsområdet tillsammans med statistik från Statistiska centralbyrån över bakgrundsfaktorer, exempelvis utbildning, för att analysera löneskillnaden mellan kvinnor och män samt hur stor andel som kvarstår i en så kallad oförklarad löneskillnad.
Urvalet till denna undersökning bygger på myndigheter under regeringen som lämnar partsgemensam statistik. I denna undersökning ingår anställda som arbetar hos en statlig myndighet under regeringen. Arbetsgivarverkets frivilliga medlemmar eller myndigheter som sorterar under riksdagen ingår inte i det statistiska materialet.
Materialet omfattar endast månadsavlönade med en arbetstidsomfattning över 39 procent. Om en anställd har mer än en deltidsanställning med minst 40 procent arbetstidsomfattning vid olika myndigheter räknas personen som anställd vid varje myndighet och förekommer således två gånger i materialet.
Deltidsanställdas lön har också omräknats till heltidslön vilket analyseras i undersökningen.
Utbetald lön: Grundlön + fasta tillägg (tillägg som betalas ut med ett fast belopp varje månad) reducerat med arbetstidsomfattning.
Heltidslön: Grundlön + fasta tillägg utan reducering för arbetstidsomfattning.
BESTA-systemet och COFOG
Den partsgemensamma lönestatistiken bygger på klassificeringssystemet BESTA, befattningsgruppering för statistik i staten. BESTA skiljer sig från den yrkesklassificering som är generell för hela arbetsmarknaden, SSYK, standard för svensk yrkesklassificering. BESTA-systemet för statliga befattningar är mer detaljerat och ger mer information om skillnader i befattningar än vad SSYK gör.
En stor del av de variabler som undersöks kommer från BESTA-systemet. Arbetsområde anger huvudsaklig inriktning på arbetsuppgifternas innehåll. Det finns 64 arbetsområden, där exempel på några vanliga arbetsområden är olika typer av utredningsarbete, arbete med utbildning och forskning, IT-arbete samt ekonomiarbete.
Grupperingsnivåerna anger arbetsuppgifternas omfång och komplexitet samt det ansvar, den självständighet, de kunskaper och de erfarenheter som krävs för att utföra dem. De flesta arbetsområdena har sex grupperingsnivåer för medarbetare. Chefer klassas sedan 2019 i stället med en bokstav motsvarande deras position i organisationsstrukturen. En chefs grupperingsnivå bestäms utifrån ifall de är direkt underställd myndighetschefen eller inte samt om de är chef över andra chefer eller chef över medarbetare. En chef kan vara klassad med bokstaven A, B, Q eller C.
De olika verksamhetsinriktningarna i denna undersökning är uppdelade på COFOG. (Classification of the Functions of Government), en internationell standard för klassificering av offentlig verksamhet.
Löneskillnader i procent
Diagram 1 visar löneskillnader, både för utbetald lön och heltidslön, mellan kvinnor och män i staten från 2013 till 2024. Skillnaden uttrycks i procent och räknas ut genom följande formel: 100 minus kvinnors lön i procent av mäns lön. Heltidslön innebär att utbetald lön har omvandlats till motsvarande heltidslöner för att bli mer jämförbara.
Diagram 1. Löneskillnader mellan kvinnor och män i procent. Utbetald lön och Heltidslön åren 2013-2024.
Löneskillnader - Utbetald lön och Heltidslön
2024 var mäns genomsnittliga heltidslön 2101 kronor högre än kvinnornas. Den skillnaden uttryckt i procent är 4,67 procent. 2013 var löneskillnaden 7,76 procent. Skillnaden i utbetald lön år 2024 är 2267 kronor, vilket motsvarar 5,13 procent. Att skillnaden är större för den utbetalda lönen beror på att fler kvinnor än män arbetar deltid.
Löneskillnaderna mellan kvinnor och män 2024 ska inte tolkas som en effekt av osaklig lönesättning på grund av kön. I stället kan löneskillnaderna till stor del förklaras av strukturella faktorer. Det statistiska underlaget visar att könssammansättningen varierar mellan olika typer av arbeten och verksamheter, vilket i sin tur påverkar lönen. De olika sakliga faktorer som påverkar löneskillnaden analyseras i nästa avsnitt.
Vad beror löneskillnaderna på?
I den här delen av undersökningen analyseras olika faktorer som påverkar lön.
I denna analys används den partsgemensamma lönestatistiken inom det statliga avtalsområdet tillsammans med statistik från Statistiska centralbyrån.
Analysmetoden vi har använt
Hur mycket olika faktorer påverkar lön har vi beräknat med hjälp av en multipel regressionsanalys, vilket är en vanlig statistisk metod för att beräkna påverkanseffekter. I modellen kan vi beräkna hur olika oberoende variabler påverkar den beroende variabeln lön och dessutom hur stor förklarad varians i den beroende variabeln lön som hela vår modell kan förklara. Regressionsanalysen bygger på logaritmerade värden vilket gör att resultatet lätt kan uttryckas i procent. Dessutom ger logaritmerade värden en tydligare normalfördelad profil där extremvärden får en mindre påverkan och gör datan mer anpassad till regressionsanalysen. Att använda logaritmerade värden i regressionsanalyser avseende lön är en etablerad metod.
Vi har tagit fram två olika modeller, vilket motsvarar två olika regressionsanalyser. Resultatet som presenteras i diagram 2 går att tolka som vad som händer med den beroende variabeln lön när den oberoende variabeln kön går från kvinna till man i de statistiska modellerna.
I den första modellen är kön den enda oberoende variabeln. Den första modellen visar resultatet av den ovägda löneskillnaden. I den andra modellen ingår alla de elva oberoende variabler som är listade nedan. Resultatet i den andra modellen är vad som händer med variabeln lön när variabeln kön går från kvinna till man och modellen kontrollerar för andra faktorer som har strukturell påverkan på lön. Resultatet i modell två är den oförklarade löneskillnaden. Alltså den löneskillnad mellan kön som i den här modellen inte bättre förklaras av en annan variabel.
Vidare har vi även gjort en partiell R-kvadrat för modell två för att analysera vilka variabler som bidrar med mest förklarad varians i modellen.
Faktorer som vi analyserar
- Kön
- Grupperingsnivå i BESTA
- Arbetsområde
- Utbildningsinriktning
- Utbildningsnivå
- Erfarenhet (antal år sedan examen)
- Ålder
- Anställningstid på myndigheten
- Arbetstidsomfattning (deltid)
- Tjänstledigheter
- COFOG (verksamhetsinriktning)
Diagram 2. Löneskillnader mellan kvinnor och män i procent. Regressionsmodeller åren 2013-2024.
Löneskillnader - regressionsmodeller
Resultat och kommentar
I diagram 2 ser vi två olika modeller av regressionsanalyser. I modell 1 ser vi hur stor effekt som variabeln kön har på variabeln lön när kön är den enda oberoende variabeln i modellen. I modell 2 ser vi i stället effekten som variabeln kön har på variabeln lön när alla 11 oberoende variabler är med i modellen.
Resultatet i modell 2 är det vi benämner som den oförklarade löneskillnaden. Alltså den effekt som kön har på lön och som inte förklaras av de andra variablerna i modellen. För 2024 uppgår den oförklarade löneskillnaden mellan kvinnor och män till 0,78 procent. Det är 0,09 procent lägre än 2023.
I en regressionsanalys får man ett värde som heter justerad R2. Justerad R2 står för förklarad varians. Den förklarade variansen visar hur mycket av förändringarna i den beroende variabeln som förklaras av modellen. Om den förklarade variansen är 0 finns det ingen korrelation alls mellan oberoende och beroende variabler. Om den förklarade variansen är 1 har vi en perfekt modell. Totalt visar modell 2 80,8 procent förklarad varians. Det betyder att de oberoende variablerna i modellen som helhet tillsammans kan förklara cirka 80 procent av förändringarna i lön. Det betyder att vi har en väldigt stark modell som i hög grad kan förklara variansen i variabeln lön. Men det finns faktorer som påverkar lönen som den partsgemensamma statistiken och modell 2 inte fångar upp.
Den variabel som påverkar lönen mest i modell 2 är grupperingsnivå. Övriga faktorer som också har betydande påverkan på lönen i modellen är arbetsområde, utbildningsinriktning, utbildningsnivå och erfarenhet.
Resultatet i modell 1 visar 3,82 procent. Det är den ovägda löneskillnaden. Resultatet i modell 1 ska inte förväxlas med de siffror som vi ser i diagram 1 med utbetald lön och heltidslöner eftersom diagram 1 inte baseras på någon regressionsmodell utan enbart på medellöner.
Metodförändringar i modellen 2025
I årets löneskillnadsundersökning har vi genomfört vissa metodförändringar jämfört med tidigare år.
I årets undersökning har vi utgått ifrån perspektivet att vara så träffsäkra som möjligt i årets beräkning. Tidigare har vissa data anpassats för att likna hur det sett ut historiskt, men med den här metodförändringen ändrar vi perspektivet och anpassar modellen för att få den bästa tänkbara mätningen idag. Det innebär att modellen har anpassats gällande variablerna COFOG och grupperingsnivå för chefer. Eftersom vi har uppdaterat chefsklassningen i variabeln grupperingsnivå finns inte längre behovet av variabeln chef som var med tidigare.
Metodförändringarna gör att modellen blir skarpare och mer träffsäker.
Vi har valt att starta tidsserien 2013 för att ha jämförbar statistik genom hela tidsserien.
Det är värt att notera att det statistiska underlaget har genomgått förändringar vid två tillfällen under tidsserien. 2016 genomfördes en förändring av BESTA då nya arbetsområden infördes och fler grupperingsnivåer lades till i vissa befintliga arbetsområden. 2019 infördes nya grupperingsnivåer i BESTA för chefer. Före 2019 klassades chefer enligt samma grupperingsnivåer mellan 1 och 6 som medarbetare. Efter 2019 klassas chefer i stället med bokstaven A, Q, B eller C. Effekten det får på modellen är att regressionsanalysen i modell 2 är mer precis efter 2019.
Läs mer om den statistiska metoden
En regressionsanalys syftar till att undersöka om det förekommer några former av statistiska korrelationer eller samvariationer mellan variabler. Utöver korrelationen kan regressionen användas för att studera en eller en grupp variablers påverkan på en annan variabel.
Regressionsanalysen tillhör en av de vanligaste metoderna som tillämpas inom vetenskapliga studier av skillnader i utfall mellan olika individer och sociala grupper.
En regressionsmodell består av minst två variabler. Begreppet variabel är ett samlingsnamn för olika objekt, som i sin tur består av olika värden, som till exempel lön eller kön. Vår basmodell har följande utseende:
log(Lön) = β0 + β1 kön + ε
I basmodellen ställer vi upp heltidslön som en funktion av kön. Med modellen vill vi studera om kön har en direkt påverkan på lön. Den variabel som är föremål för undersökningen, i detta fall lön, kallas normalt för beroende variabel. Variabeln som ska hjälpa oss att förklara lönen, i detta fall kön, kallas oberoende variabel. Det kan endast finnas en beroende variabel, medan det inte finns någon begränsning för antalet oberoende variabler.
I basmodellen visas lönen i form av logaritmen, log(lön). Genom att lönen transformeras till logaritmen kan vi med fördel redovisa löneskillnader mellan kvinnor och män i form av procentsatser.
Dessutom ger transformationen log(lön) en betydligt tydligare normalfördelad profil där extremvärden inte får lika stor påverkan. Detta gör log(lön) mer anpassad till regressionsanalysen.
Föremålen för regressionsanalysen är β-värden för oberoende variabler, eller koefficienter. Koefficienten β1 från basmodellen signalerar könets påverkan på lönen. Till koefficienten medföljer ett testvärde som signalerar om koefficienten är statistiskt signifikant. Icke-signifikant koefficient saknar statistisk relevans.
Β0 kallas konstant och kan likställas med medelvärde för den beroende variabeln. Regressionens ekvation avslutas med en felterm, ε, som symboliserar övriga faktorer eller effekter som inte fångas upp av oberoende variabler i modellen. Normalt studerar man varken konstanten eller feltermen vid regressionsanalyser. Dessutom vet vi, med hjälp av en lång rad tidigare vetenskapliga studier, att löner i högsta grad påverkas av andra faktorer än bara kön. I regressionen har vi utökat vår modell med ytterligare ett antal variabler, se ekvationen nedan.
log(lön) = β0 + β1 kön + β2 arbetstidsomfattning + β3 ålder + β4 anställningstid på myndigheten + β5 tjänstledigheter + β6 arbetsområde + β7 grupperingsnivå + β8 cofog + β9 utbildningsinriktning + β10 utbildningsnivå + β11 erfarenhet+ ε
I regel finns det inga begränsningar för hur många kontrollvariabler man kan ha i en regression. Dock kan man säkerställa att kontrollvariabler tillför relevant information till regressionen genom att kontrollera att koefficienter till kontrollvariablerna är statistiskt signifikanta och studera värdena på korrelationskoefficienten R2.
R2 får man efter varje regressionsberäkning och värdet visar hur mycket av variationen i den beroende variabeln som kan förklaras av de oberoende variablerna. Om R2 är 0, då finns det ingen korrelation mellan beroende och oberoende variabler. Om R2 är 1, då har vi en perfekt modell.
Tillsammans med kontrollvariablerna i regressionen mäter man det så kallade ceteris paribus, det vill säga allt annat lika, på kön. Det innebär att vi får veta könets påverkan på lönen givet att personerna har samma arbetsuppgifter, arbetstidsomfattning och utbildning och så vidare.