Policy implications:

1. CS appears to be large.
- Policies regulating development of new cabins should balance environmental costs against welfare benefits.

2. Demand appears to be inelastic.
- Potential to raise more revenue from cabin owners to offset the environmental degradations cabins cause.

Lastly, we calculate the price elasticity of cabin-based outdoor recreation to be -0.24 (with a 95% confidence interval of [-0.73, −0.05]), indicating inelastic demand.

Since we used aggregate data, we had to conduct a Monte Carlo simulation to get an estimate of the uncertainty:

Using the statistic-sufficient approach and assuming a linear demand function, we are able to calculate the consumer surplus from cabin-based outdoor recreation:

- CS per year per cabin owner: $6,112
- CS per cabin trip: $493
- CS per use-day: $204

Total CS in Norway per year: $2.3 billion

We do a difference-in-differences and find that Strava activities in cabin areas fell by 15% as a result of the electricity price increase. This is robust to a myriad of robustness checks, placebo tests and checks for SUTVA violations.

We use activity traces from the training app Strava which we have merged with the locations of cabins. We look only at trails within 15 kilometers from the border.
- The south of the border experienced the high prices: our treatment group.
- The north of the border did not: our control group.

In late 2021, the electricity prices in three out of five electricity price zones in Norway started to increase fast. A hard border appeared between the south with high prices and the north with normal prices. We utilize this to find the price elasticity of cabin-based outdoor recreation.

Alt i alt vurderer vi det som at det er mer som tyder på at deltakerne er positivt selekterte. Det betyr at vi vurderer den positive sammenhengen på kort sikt som usikker, og den negative sammenhengen på sikt til å sannsynligvis være en effekt av ordningen. Men veldig sikre kan vi ikke være.

Dersom deltakerne er positivt selekterte, har ordningen en negativ effekt på lang sikt. Dersom de er negativt selekterte, har ordningen en liten positiv effekt på kort sikt. Vi finner at deltakerne får økt sykefravær, noe som kan forklare mekanismen til en eventuell negativ effekt.

Vi har ikke et eksperimentelt design, så funnene er vanskelig å tolke. Det kan tenkes at man blir med i ordningen fordi man ønsker å styrke tilknytningen til arbeidslivet (positiv seleksjon). Motsatt kan det tenkes at arbeidsgiverne melder sine sykeste arbeidstakere på ordningen (negativ seleksjon).

Vi sammenligner de som kommer på ordningen med andre arbeidstakere med høyt sykefravær. Vi finner at de som blir med i ordningen har høyere sannsynlighet for å være i arbeid de første to-tre årene. På lengre sikt har de lavere sannsynlighet for å være i arbeid.

Data: Vi har koblet sykefravær med A-meldingen og utbetalinger av helserelaterte trygdeordninger. Vi ser på alle i Norge som enten har hatt et legemeldt sykefravær på minst 25 arbeidsdager eller deltatt i skjermingsordningen mellom 2013 og 2020. Totalt ser vi på 1,7 mill. fordelt på 380K bedrifter.

Samtidig fører ordningen til at forebygging av sykdom og tilrettelegging for syke blir mindre lønnsomt. Noe som kan føre til høyere sykefravær og økt sannsynlighet for å falle ut av arbeidslivet. Nettovirkningen av ordningen er derfor uviss. Det er dette vi prøver å finne ut av i artikkelen.

Når en arbeidstaker er syk må arbeidsgiver betale sykelønnen de første 16 dagene før Nav tar over. Skjermingsordningen fritar arbeidsgiverne fra dette. Målet er at ordningen skal føre til at det er lettere for personer med risiko for mye sykefravær å komme i eller bli stående i jobb.