Zpráva o stavu a rozvoji modelu pro předvídání vzdělanostních potřeb ROA - CERGE v roce 2004

Transkript

1 Zpráva o tavu a rozvoji modelu pro předvídání vzdělanotních potřeb ROA - CERGE v roce 2004 vypracováno pro čát grantového projektu Společnot vědění - nároky na kvalifikaci lidkých zdrojů a na další vzdělávání Olekandr Stupnytkyy Ludvík Michalička VÚPSV Praha 2004

2 Metodika využitá při vypracování prognózy vznikla v rámci mezinárodního projektu Regular Forecating of the Training Need: Comparative Analyi, Elaboration and Application of Methodology - Pravidelné předvídání vzdělávacích potřeb: rovnávací analýza, vypracování a aplikace metodologie, finanční podporou Evropké komie pod vedením Národní obervatoře zamětnanoti a vzdělávání Národního vzdělávacího fondu, o.p.. a za přímé účati CERGE-EI (Centrum pro ekonomický výzkum a potgraduální vzdělávání Univerzity Karlovy), ROA (Výzkumné centrum pro vzdělávání a trh práce) Univerzita Maatricht, Holandko a ESRI (Útav pro ekonomický a ociální výzkum) Irko. Evropká komie neodpovídá za výledky a využití této metodiky. 2

3 Obah 1. Úvod Sekupování do klatrů podle vzdělání a zamětnání V dalším e užívají vzdělanotní klatry dané touto tabulkou: Zamětnanotní klatry Náhradní poptávka Predikce náhradní poptávky Expanzní poptávka Subtituční poptávka Hodnocení napětí na trhu práce Závěr Literatura: Dodatek A - Expanzní poptávka Dodatek B - Náhradní poptávka Dodatek C - Subtituční poptávka Dodatek D - Random coefficient model Dodatek E - Indikátory napětí na trhu práce

4 1. Úvod Tato zpráva popiuje tav vývoje modelu ROA - CERGE v litopadu Zachycuje změny proti minulému roku a klade důraz na potupy a data, která e nacházejí na poptávkové traně bilance trhu práce. Změny proti tavu modelu v roce 2003 jou náledující: Model má změněnou trukturu. Zavedení ubtituční poptávky i vyžádalo změnu v poloupnoti výpočtů. Zatímco v původním modelu potupoval výpočet od předpovědi zamětnanoti v odvětvích k zamětnanoti ve vzdělávacích klatrech, nyní e v prvním kroku potupuje od odhadu zamětnanoti v odvětvích k odhadu zamětnanoti v zamětnanotních klatrech. V druhém kroku e z predikce zamětnanoti v zamětnanotních klatrech predikuje zamětnanot ve vzdělanotních klatrech. Tento potup odpovídá metodologii ROA. Pokytuje také matici četnotí zamětnání krát vzdělání, z níž e vychází při odhadování ubtituční poptávky. Je zahrnut egment ubtituční poptávka. Modeluje e v něm ituace, kdy dochází ke změně poptávky tím, že práci vykonávanou obvykle pracovníky určitým typem vzdělání vykonávají pracovníci odlišným druhem vzdělání. Tím dochází ke změně poptávky po pracovnících e pecifickým vzděláním a mohu e měnit i indikátory budoucí ituace na trhu práce. Model užívá v některých případech pro lineární regrei a extrapolaci metodu náhodných koeficientů (Random coefficient Metod - RCM). Jde o zobecnění klaické metody nejmenších čtverců (Ordinary leat quare OLS). Metoda RCM předpokládá, že regrení koeficient není kontantní, ale je dán třední hodnotou a odchylkou a výhodou e užívá v případech, kdy je počet pozorování v některých kategoriích regreorů malý a metoda OLS elhává. V oučanoti e RCM užívá v případě regree a extrapolace četnotí zamětnání v odvětvích při odhadování expanzní poptávky. Data vtupující do modelu nejou tále vyhovující. Pro predikci náhradní a expanzní poptávky jou k dipozici čaové řady od roku 2000 do roku 2004, když za údaje z poledního roku považujeme průměrná data z první poloviny roku Sledované období je tedy 5 let dlouhé a model je používá pro extrapolaci 5letého odhadovaného období. Taková ituace je nebezpečná hlavně proto, že extrapolace vycházející z malého počtu dat je nepřená a také proto, že změny v poledním roce ledovaného období mají na výlednou regrei nežádoucně ilný vliv a mohou dávat netabilní výledky. Za předpokladu, že data výběrového šetření pracovních il (VŠPS) i zachovají voji trukturu a čaové řady e budou prodlužovat, bude e tato ituace jen vylepšovat. Tato zpráva má technický charakter v tom mylu, že jejím úkolem je demontrovat nové potupy. Je založena na aktuálních datech VŠPS a aktuálních datech o abolventech. Nevychází z aktuální makroekonomické prognózy, tato je nahrazena upravenou prognózou z loňkého roku. Pro prognózování budoucího vývoje na trhu práce proto nelze její výtupy používat. Ve zprávě jou popány ložky celkové nabídky, demontrovány výledky a některé krajní výledky jou podrobněji analyzovány. V dodatcích jou ložky celkové nabídky definovány, aby bylo možné e na ně v příštích publikacích odvolávat. 4

5 2. Sekupování do klatrů podle vzdělání a zamětnání 2.1 V dalším e užívají vzdělanotní klatry dané touto tabulkou: T a b u l k a 1 čílo klatru tupeň popi 1 bez vzdělání 2 základní vzdělání 3 řízení a obluha trojů, trojírentví, hutnictví 4 elektrotech., doprava, poje 5 chemie, potravinářtví 6 textil, oděvnictví, výroba obuvi 7 zpracování dřeva 8 tavebnictví 9 zeměděltví a lení hopodářtví 10 obchod lužby 11 třední bez maturity otatní 12 obecná příprava (gymnázia) 13 přírodní vědy 14 trojírentví 15 elektrotechnika 16 tavebnictví 17 zeměděltví a veterinářtví 18 zdravotnictví 19 ekonomika, obchod 20 právní vědy 21 učiteltví 22 třední maturitou otatní 23 přírodní vědy 24 trojírentví 25 elektrotechnika 26 tavebnictví 27 otatní technické obory 28 zeměděltví a veterinářtví 29 zdravotnictví 30 ekonomika, obchod 31 právní vědy 32 učiteltví 33 otatní polečenké obory 34 vyokoškolké otatní vědy a nauky Proti tavu z roku 2003 došlo ke změně v definici vzdělanotního tupně 6, 7, 17, 18, 28, 29: Výrobci obuvi byli přeunuti z klatru 7 do klatru 6. Veterináři e tředoškolkým vzděláním byly přeunuti z klatru 18 do klatru 17. Veterináři vyokoškolkým vzděláním byly přeunuti z klatru 29 do klatru 28. Změny vyvolala potřeba doáhnout kompatibility klaifikací abolventů. 5

6 2.2 Zamětnanotní klatry Zamětnanotní klatry jou proti klaifikaci z roku 2003 nezměněny: Tabulka 2 čílo klatru KZAM popi 1 1 přílušníci armády 2 11, zákonodárci, vyšší úředníci, vedoucí pracovníci výrobních a provozních dílčích celků velkých organizací, polečnotí, podniků vedoucí, ředitelé, kteří řídí malý podnik, organizaci, polečnot (za pomoci nejvýše jednoho dalšího řídícího pracovníka) 4 21 vědci a odborníci ve fyzikálních a příbuzných vědách, architekti a techničtí inženýři (tvůrčí pracovníci) 5 22 vědci, odborníci a inženýři v biologických, lékařkých a příbuzných oborech 6 23 odborní pedagogičtí pracovníci 7 24 otatní vědci a odborní duševní pracovníci jinde neuvedení technici v průmylu 9 314,316 technici v dopravě ,313, 315 technici otatní technici v biologii a zeměděltví ,324 aitenti v zdravotnictví a veterinářtví odborní ošetřovatelé, zdravotní etry pedagogičtí pracovníci , 342 zprotředkovatelé a agenti , 345 celníci, policité , 346 odborní adminitrativní pracovníci ,348,349 pracovníci v umění a zábavě, profeionálové ve portu, nevyvěcení v náboženkých organizacích ,412 kancelářští pracovníci a pracovníci číelnými údaji ,414,419 pracovníci ve kladech, dopravě, knihovnách, poštách úředníci ve lužbách a obchodě ,512 obluhující pracovníci v dopravě a travování ,514,515 obluhující pracovníci v oobních lužbách, pečovatelé, janovidci ochrana a otraha prodavači, manekýni a předváděči zboží kvalifikovaní dělníci v zeměděltví, lenictví, rybářtví, mylivoti - orientovaní na trh i amozáobitelé kvalifikovaní dělníci - horníci a otatní v dolech ,713,714 kvalifikovaní dělníci ve tavebnictví a pro dokončovací práce ,722 formíři, vářeči, kováři mechanici a opraváři trojů mechanici opraváři a eřizovači elektro výrobci a opraváři přených přítrojů, umělečtí řemelníci, polygrafové a pracovníci v příbuzných oborech (kromě obluhy trojů a zařízení) kvalifikovaní zpracovatelé, výrobci potravinářkých výrobků zpracovatelé dřeva, truhláři a dělníci v příbuzných oborech kvalifikovaní výrobci textilií, oděvů a výrobků z kůží, kožešin a kvalifikovaní dělníci v příbuzných oborech zpracovatelé kůží, kožešin a obuvníci obluha důlního zařízení, razících štítů a zařízení na zpracování nerotů obluha zařízení na zpracování kovů obluha pecí a zařízení na výrobu kla, keramiky a obluha zařízení obluha zařízení na zpracování dřeva a zařízení v papírnách 6

7 obluha zařízení při chemické výrobě obluha elektrárenkých a příbuzných zařízení obluha automatických montážních linek a průmylových robotů obluha trojů na výrobu výrobků z kovů a nerotů obluha trojů na výrobu chemických výrobků obluha trojů na výrobu pryžových a platových výrobků obluha automatických nebo poloautomatických dřevoobráběcích trojů obluha tikárenkých, knihvazačkých trojů obluha trojů na úpravu a výrobu textilních, kožešinových výrobků obluha trojů na výrobu potravin a příbuzných výrobků ,829 montážní dělníci (práce na montážních linkách) řidiči železničních kolejových vozidel v příbuzných oborech řidiči motorových vozidel , 833, 834 obluha zemědělkých, leních, zemních, zdvihacích a podobných zař. lodní poádky a dělníci v příbuzných oborech, obluha trojů a zařízení pro práce na železničním vršku ,913 čitiči bot, pomocníci, uklízeči a pradláci, pouliční prodavači a pracovníci v příbuzných oborech ,915 domovníci, školníci, vrátní, noiči běrači odpadků, metaři a pracovníci v příbuzných oborech pomocní a nekvalifikovaní pracovníci v zeměděltví, lenictví, rybářtví a příbuzných oborech pomocní a nekvalifikovaní pracovníci v dolech a lomech, v průmylu, tavebnictví, v dopravě a v příbuzných oborech 7

8 3. Náhradní poptávka Náhradní poptávka je dána počtem uvolněných pracovních mít. Důvody uvolnění mohou být: odchod do důchodu, změna zamětnání a jiné. Podtatné je, že pracovní míta zůtávají zachována a jou obazována. Míta, která jou po odchodu pracovníka určena ke zrušení, e do náhradní poptávky nezapočítávají. Potup pro tanovení náhradní poptávky pro vzdělanotní i zamětnanecké klatry je hodný. Z důvodů změny metodiky běru dat VŠPS používáme pro odhadování náhradní poptávky ve vzdělanotních a zamětnanotních klatrech data z let 2000 až Za data z roku 2004 považujeme v případě výběrového šetření pracovních il průměrné hodnoty z prvního pololetí roku Za data o počtu abolventů z roku 2004 považujeme jejich kvalifikovaný odhad, protože polední známé údaje jou z konce školního roku 2002/2003. V tabulkách, které obahují četnoti jednotlivých druhů vzdělání či zamětnání a věkové kategorie, ledujeme odtupem 5 let kohorty repondentů věkem let, let, až let (v našem případě jde jen o jedno čtyřleté období z let ). V dané vzdělanotní či zamětnanotní kategorii e pro každou věkovou kohortu tanoví průměrný meziroční růt ve ledovaném období. Dojde-li v mezidobí k pokleu, jde z hledika náhradní poptávky o volná míta. Součet těchto pokleů pro všechny věkové kategorie definuje celkový počet volných mít pro vzdělanotní či zamětnanotní kategorii. Pokud dojde v dané věkové kategorii k nárůtu, tento je pro náhradní poptávku nezajímavý, model předpokládá, že je způoben jiným mechanizmem. 3.1 Predikce náhradní poptávky Při predikování náhradní poptávky e přijímá předpoklad, že trend růtu (nebo pokleu) počtu zamětnaných ve všech věkových kategoriích daného klatru bude zachován i po dobu náledujícího odhadovaného období mezi lety 2005 až 2009, nebude ani korigován odhadem populačního růtu nebo pokleu. Pomocí odhadnutých koeficientů meziročního růtu e tanoví tav zamětnaných na konci odhadovaného období 2005 až 2009, a tím tedy přírůtek či úbytek pro všechny věkové kategorie a vzdělanotní / zamětnanotní kategorie v odhadovaném období. Součet všech úbytků ve všech věkových kategoriích plu četnot nejtarší věkové kategorie v roce 2004 (předpokládá e, že tito nejtarší zamětnanci, kterým bude na konci odhadovaného období let, zcela jitě odejdou během odhadovaného období do důchodu všichni) tvoří náhradní poptávku pro každou vzdělanotní či zamětnanotní kategorii. Celkový počet volných mít pro vzdělanotní nebo zamětnanotní kategorie je ale třeba redukovat o předpokládaný celkový pokle zamětnanoti v klatru v odhadovaném období. Znázornění náhradní poptávky relativně k polední známé zamětnanoti ve vzdělanotních klatrech je na náledujícím grafu: 8

9 G r a f 1 Podíl náhradní poptávky a zamětnanoti v roce vzdělanotní klatr Pro analýzu vzdělanotního klatru 31 (vyokoškolké právnické vzdělání), kde byla zjištěna nejvyšší relativní náhradní poptávka, uvádíme četnoti odpovídajících věkových kategorií na začátku a konci odhadovaného období. Ukazuje e, že k pokleu mezi lety 2000 a 2004 dochází u většiny věkových kategorií. Z těchto rozdílů vzniká predikce náhradní poptávky, jak bylo vyvětleno výše. Přírůtky, k nimž dochází v prvních dvou věkových kategoriích, e v náhradní poptávce neuplatní, tejně tak jako korekce vyplývající ze záporné změny v zamětnanoti ve ledovaném období. G r a f 2 Zamětnanot v klatru 31 (vyokoškolké vzdělání, právní vědy ) mezi lety 2000 a kl. 31v r.2000 kl. 31 v r.2004 Klatr 20 (tředoškolké vzdělání maturitou v právnické oblati) má nulovou náhradní poptávku, tejně tak klatr 1 - bez vzdělání. V obou případech je to způobeno 9

10 úbytkem v zamětnanoti ve ledovaném období. Popaný vývoj zamětnanoti v obou klatrech je na náledujícím grafu. G r a f 3 Vývoj zamětnanoti ve ledovaném a predikovaném období klatr 1 klatr 20 Pokle zamětnanoti pro pracovníky bez vzdělání (klatr 1) e dá vyvětlit odchodem do nezamětnanoti či odchodem tarších ročníků do důchodu, neumíme ale zdůvodnit pokle zamětnanoti pro pracovníky klatru 20 v roce 2002, tito lidé e neobjevili mezi nezamětnanými a jedná e patrně o výběrovou chybu. Tento klatr bude třeba v příštích šetřeních vyputit (zařadit do klatru 22 - tředoškolké vzdělání maturitou, otatní). Znázornění náhradní poptávky relativně k polední známé zamětnanoti v zamětnanotních klatrech je na náledujícím grafu: G r a f Podíl náhradní poptávky a zamětnanoti v roce zamětnanotní klatry 10

11 Pro vyvětlení jedné z nejvyšších relativních náhradních poptávek vyberme klatr 39 - obluha pecí a zařízení na výrobu kla, keramiky, v němž očekáváme, že náhradní poptávka v predikovaném období bude rovna 33 % oučané zamětnanoti v klatru. Z náledujícího grafu je ve ledovaném období patrný úbytek zamětnanoti v některých věkových kohortách a tento pokle model projektuje i do predikovaného období. Zároveň je z grafu 6 patrné, že v tomto klatru nedojde k pokleu celkové zamětnanoti a celková náhradní poptávka e tak nebude redukovat. Náhradní poptávka v klatru 35 kvalifikovaní výrobci textilií, oděvů a výrobků z kůží, kožešin je relativně malá, jen 5% oučaného tavu zamětnanoti. Znamená to, že většina uvolněných mít nebude nahrazována a vědčí o tom predikovaný pokle zamětnanoti v klatru 35, jak je patrné z grafu 6. G r a f 5 Zamětnanot v klatru 39 obluha zařízení na výrobu kla a keramiky, mezi lety 2000 a klatr 39 v r klatr 39 v r G r a f 6 Vývoj zamětnanoti v klatrech 35 a 39 ve ledovaném a predikovaném období klatr 39 klatr 35 11

12 4. Expanzní poptávka Expanzní poptávku model chápe jako změnu poptávky po práci pro danou zamětnanotní či vzdělanotní kategorii. Expanzní poptávka může být kladná nebo záporná podle růtu či pokleu poptávky po práci. Abychom dokázali odhadnout expanzní poptávku pro každou z 34 vzdělanotních či 59 zamětnanotních kategorií, potřebujeme makroekonomickou predikci rozvoje zamětnanoti v co nejpodrobnějším členění. Pro tento účel užíváme makroekonomickou predikci rozvoje zamětnanoti ve 4 agregovaných ektorech: zeměděltví, výroba, lužby a vládní ektor. Pro naše účely muí být predikována zamětnanot v celém odhadovaném období Novou prognózu na toto období jme neměli k dipozici a pro demontrování nových funkcí modelu jme použili prognózu z pololetí roku 2003, když jme jako kutečnot roku 2004 použili průměr prvých dvou čtvrtletí roku 2004 a pro zamětnanot v ektorech v letech 2008 a 2009 jme použili predikci pro rok T a b u l k a 3 Sektory a odvětví odvětví OKEČ Kód ektor zeměděltví, mylivot A A zeměděltví a lenictví lení hopodářtví, rybářtví B A dobývání nerotných urovin C T výroba zpracovatelký průmyl D T výroba elektřiny, plynu a vody E N tržní lužby tavebnictví F N obchod, opravy mot. voz. a potř. zboží G N pohotintví a ubytování H N doprava, kladování, pošty a komunikace I N peněžnictví a pojišťovnictví J N nemovitoti, pronájem, lužby pro podniky K N veřejná práva, obrana, oc.zabezpečení L G vládní ektor (veřejné lužby) školtví M G zdravotnictví, veter. a ociální činnoti N G otatní veřejné a ociální lužby O, P, Q G Sektory tranformujeme do 15 odvětví tak, že předpokládáme, že trend podílů všech odvětví v ektoru zjištěný v ledovaném období bude pokračovat v odhadovaném období. Z dat výběrového šetření pracovních il zjitíme podíly zamětnanoti odvětví v jednotlivých letech, zjitíme trend a extrapolujeme jej do odhadovaného období Podíly odvětví v odhadovaném období znáobíme odhadem zamětnanoti v ektoru z makroekonomické predikce a zíkáme tak odhad zamětnanoti v 15 odvětvích. Podobným způobem e v modelu odhaduje zamětnanot v 59 zamětnanotních klatrech (zamětnáních). Ze ouboru VŠPS ve ledovaném období e odhadnou podíly všech zamětnání v každém z 15 odvětví. Za tím účelem - a jedině na tomto mítě - používáme data VŠPS v období 1995 až 2004, protože e, na rozdíl od klaifikace vzdělání, klaifikace zamětnání v tomto období neměnila. Určí e lineární trend podílů zamětnání a předpokládá e, že bude platit i v budoucnu. Takto extrapolované podíly e znáobí predikovanou velikotí odvětví tak, jak byla počítána výše. Nevýhodou tohoto potupu je, že e dotáváme na doti podrobné třídění a počet jedinců daným zamětnáním v daném odvětví může být malý až nulový. To při užití tandardních potupů výpočtu lineární regree metodou nejmenších čtverců může způobovat výpočetní problémy a odhad podílů může být nepřený až nemožný. Z těchto důvodů je 12

13 v tomto případě odhadování podílů zamětnání v odvětvích použita metoda náhodných koeficientů popaná podrobně v dodatku D. Dále je třeba predikovat vývoj vzdělanotních klatrů (vzdělání) v odhadovaném období. Pro každé zamětnání e určí podíly všech vzdělání. Metodou náhodných koeficientů e provádí lineární interpolace těchto podílů a prodlouží e i na odhadované období. Tyto podíly e znáobí predikovanou velikotí zamětnanotního klatru. T a b u l k a 4 Použitá makroekonomická prognóza ektor ledované období v ti. Oob odhadované období v ti.oob zeměděltví průmyl tržní lužby vláda celkem T a b u l k a 5 Počty zamětnaných v odvětvích odvětví ledované období (čát) v ti. oob odhadované období v ti.oob zeměděltví, mylivot lení hopodářtví, rybářtví dobývání nerotných urovin zpracovatelký průmyl výroba elektřiny, plynu a vody tavebnictví obchod, opravy mot. voz. a potř. zboží pohotintví a ubytování doprava, kladování, pošty a komunikace peněžnictví a pojišťovnictví nemovitoti, pronájem, lužby pro podniky veřejná práva, obrana, oc.zabezpečení školtví zdravotnictví, veter. a ociální činnoti otatní veřejné a ociální lužby celkem

14 G r a f 7 Podíl predikované expanní poptávky a zamětnanoti v roce 2004 ve vzdělanotních klatrech 0,60 0,40 0,20 0,00-0, ,40-0,60-0,80 Výše citovaný problém pokleem zamětnanoti ve ledovaném období v klatru 20 způobuje pokle expanzní poptávky. V modelu ROA - CERGE e expanzní poptávka definuje jako rozdíl mezi zamětnanotí na konci a na začátku vzdělanotního období. Pro názornot uvádíme klatry největším pokleem a růtem zamětnanoti relativně vzhledem k polední známé zamětnanoti: pokle: 20 - třední vzdělání maturitou v oboru právní vědy 2 - pracovníci e základním vzděláním 12 - obecná příprava (gymnázia) růt: 11 - třední bez maturity otatní (např. bezpečnotní činnot, nematuritní vzdělávací programy), 13 - třední vzdělání maturitou v oboru přírodní vědy (například v oboru biologie a chemie) vyokoškolké vzdělání otatní polečenké obory (filozofie, pychologie, jazyky, umění) Průběh zamětnanoti ve ledovaném a predikovaném období v těchto klatrech je na náledujícím grafu (vývoj zamětnanoti v klatru 20 je na grafu 3) : 14

15 G r a f 9 Zamětnanot ve vybraných vzdělanotních klatrech klatr 2 klatr11 klatr12 klatr13 klatr 33 15

16 5. Subtituční poptávka Subtituční poptávka je velikotí nejmenší z námi uvažovaných poptávek po práci. Pro zíkání lepšího přehledu, než jaký vyplývá z abolutních číel, jou velikoti jednotlivých ložek poptávky po práci vztaženy k oučané zamětnanoti ve vzdělanotních klatrech. Zatímco průměrná náhradní poptávka na jeden klatr doáhne v odhadovaném období ai 15 % oučané zamětnanoti, expanzní poptávka, která může být kladná i záporná, doáhne v odhadovaném období (v abolutní hodnotě) cca 18 % oučané zamětnanoti, odhadujeme, že ubtituční poptávka e bude v abolutní hodnotě pohybovat kolem 3 % oučané zamětnanoti v klatru. Subtituční poptávka vytihuje ituaci, kdy e poptávka po pracovnících daným vzděláním naplňuje pracovníky jiným, podobným typem vzdělání. K ubtituci dochází, když exituje převi nabídky určitého typu vzdělání, nebo tehdy, když exituje nedotatek lidí určitým typem vzdělání. V dalším ledujeme ubtituci uvnitř jednoho zamětnanotního klatru a zjišťujeme jak a zdali e lidé podobným vzděláním navzájem nahrazují. Subtituční poptávka e tanovuje pro vzdělanotní klatry. Metodika je podrobně popána v Borghan and Heijke, 1996, De Grip et al., Abychom ji mohli určit (odhadnout), zjišťuje e celková poptávka a celková nabídka po pracovnících daným vzděláním. Jejich rozdíl (gap, mezera) může být kladný či záporný. Pokud je kladný, je poptávka (počet volných mít) vyšší než nabídka a exitují volná míta pro lidi daným vzděláním. Při záporném rozdílu je nabídka vyšší než poptávka a pracovníci daným vzdělání nemohou zíkat míto, pro které e jejich odbornot požaduje, a přebývají. Subtituce je pak možná, exituje-li nedotatek lidí jedním vzděláním a přebytek lidí druhým vzděláním a přitom obě tyto vzdělání mají podobnou trukturu zamětnání. Model tedy pracuje takto: neobazená míta která vyžadují určitý typ vzdělání, mohou být obazena lidmi jiným typem vzdělání, pokud je těchto přebytek a oučaně mohou vykonávat (a někteří již vykonávají) totéž povolání jako lidé prvním typem vzdělání. Velikot ubtituce - přechod pracovníků e vzděláním i na pracovní míta obazená pracovníky e vzděláním k v profei j - je úměrný podílu četnot vzdělání k v profei j krát mezera mezi poptávkou a nabídkou ve vzdělání i krát koeficient nazývaný mzdová elaticita vzdělání typu i v zamětnanotním klatru j. Celková ubtituční poptávka do vzdělanotní kupiny k ze všech zamětnanotních klatrů je dána oučtem ze všech vzdělání a všech zamětnání. O takto vypočítanou ubtituční poptávku e opraví poptávka po vzdělanotní kupině k vypočítaná před ubtitucí. Přený popi takto pojaté ubtituční poptávky je v dodatku C. 16

17 T a b u l k a 6 vzdělanotní klatr poptávka před ubtitucí nabídka gap před ubtitucí ubtitutní poptávka poptávka po ubtituci gap po ubtituci zamětnanot 2004 IFLM po ubtitut -ci IFLM před ubtitut -cí ,08 1, ,03 1, ,98 0, ,99 0, ,07 1, ,99 0, ,96 0, ,99 0, ,20 1, ,04 1, ,74 0, ,96 0, ,74 0, ,91 0, ,95 0, ,97 0, ,92 0, ,95 0, ,01 0, ,20 7, ,02 1, ,96 0, ,93 0, ,98 0, ,92 0, ,86 0, ,93 0, ,99 0, ,09 1, ,06 1, ,17 1, ,99 0, ,04 1, ,01 0,99 V tabulce 6 e prezentují výledky modelu e ubtituční poptávkou: 1. loupec obahuje celkovou poptávku bez ubtituční poptávky, která e ve vzdělanotních klatrech kládá ze oučané zamětnanoti plu expanzní poptávky plu náhradní poptávky; 2. loupec je celková nabídka práce, která e kládá ze oučané zamětnanoti a počtu abolventů v odhadovaném období a počtu krátkodobě nezamětnaných; 3. loupec gap, což je poptávka minu nabídka; kladný gap znamená, že exitují volná míta a negativní gap znamená, že jou k dipozici pracovníci, kteří nemohou najít práci vhodnou pro jejich kvalifikaci; do této chvíle neuvažujeme žádnou ubtituci, tj. žádnou nabídku práce pro míta vyžadující podobnou kvalifikaci; 4. loupec je ubtituční poptávka vypočítaná podle vzorce 2 dodatku C; kladná ubtituční poptávka znamená, že lidé tímto vzděláním mohou nahradit pracovníky jiným vzděláním; negativní ubtituční poptávka znamená, že toto vzdělání může být nahrazeno 17

18 jiným vzděláním a že tedy poptávka po tomto vzdělání e níží. V dalším e budeme zabývat poměry ve vzdělanotních klatrech 6, 29 a 32 podrobněji. Vzdělanotní klatr 6, což je třední vzdělání bez maturity v oboru textil a oděvnictví, má negativní ubtituci, což znamená, že může být nahrazeno jiným vzděláním. Abychom našli ta vzdělání, která mohou ubtituovat vzdělání 6, užijeme matici zamětnanoti podle vzdělání a zamětnání z poledního známého roku V našem případě má tato matice rozměr 34x59. Zjitíme z ní, že většina pracovníků e vzděláním 6 pracuje v zamětnáních 25, 35, 49, 55, 59. V těchto zamětnáních pracuje 54% z celkové četnoti vzdělanotního klatru 6. Dále z této matice zjitíme, že v zamětnanotních klatrech 25, 35, 49, 55, 59 pracují převážně pracovníci e vzděláními 2, 10, 22. Uvážíme - li, že když v tomtéž zamětnanotním klatru pracují lidé e vzděláním 6, 2, 10, 22, můžeme předpokládat, že e mohou tato vzdělání navzájem nahrazovat. Vzdělání 2 a 10 má negativní gap, což znamená, že může ubtituovat vzdělání 6. Na druhé traně vzdělání 22 má gap kladný, což znamená, že lidé z klatru 6 mohou nahrazovat ty e vzděláním 22. A protože je gap ve vzdělání 2 mnohem větší než gap ve vzdělání 22, je celková ubtituce negativní. Podobně zjitíme pro vzdělání 29, že většina pracovníků tímto vzděláním pracuje v zamětnání 5, 12 a 13. Otatní, kteří pracují v těchto klatrech, mají hlavně vzdělání 18, 23 a 28. Každé z těchto vzdělání má kladný gap, což znamená, že potřebují pracovníky a že klatr 29 bude ubtituovat do klatrů 18, 23, 28. Proto je ubtituční poptávka pro vzdělanotní klatr 29 kladná. Vzdělání 32 má negativní ubtituci, což znamená, že může být nahrazeno jinými vzděláními. Z matice zamětnanoti podle vzdělání a zamětnání zjitíme, že většina lidí e vzděláním 32 pracuje v zamětnáních 6 a 14 (celkem 76 %). V těchto klatrech pracují také lidé e vzděláním 21. Vzdělání 21 má negativní gap, což znamená, že je víc lidí než pracovních mít, a tak někteří e vzděláním 21 budou doplňovat či nahrazovat pracovníky e vzděláním 32. Ve všech těchto třech případech má ubtituce opačné znaménko než gap, což znamená že když jou volná míta, na něž mohou natoupit lidé podobným vzděláním a naplnit je a jou-li volní pracovníci, mohou ubtituovat jiné podobným vzděláním. A proto ubtituce pounuje poptávku blíž k nabídce a nový gap po ubtituci, který je ve loupci 6 tabulky 6, je menší. Můžeme také určit novou, o ubtituci upravenou, celkovou poptávku, která je ve loupci 5 a nový koeficient IFLM ve loupci 8. Pro rovnání je ve loupci 9 uveden koeficient IFLM bez ubtituce. Porovnáme-li velikot gapu před ubtitucí a ubtituční poptávky pro všechny vzdělanotní klatry, můžeme zhruba popat, jak e bude klatr v budoucnu vyvíjet. Zjitíme, že ze všech 34 vzdělanotních klatrů je: 16 klatrů, kde je gap > 0 a ubtituce < 0, což je ituace, kdy poptávka převyšuje nabídku, a přitom předpokládáme, že do klatru budou přicházet lidé podobným vzděláním. Původně dobrá ituace pro příchozího na trh práce e zhorší a koeficient IFLM před ubtitucí je menší než IFLM po ubtituci. Tato ituace e týká klatrů 3,6,7,8,11,13, 15, 17, 18, 19, 22, 23, 27, 28, 32, klatrů,kde je gap < 0 a ubtituce < 0. Tento tav popiuje ituaci, kdy je na trhu práce poptávka menší než nabídka a do klatru ještě mají přicházet další lidé. Špatná ituace e z pohledu pracovníka ještě zhoršuje. Tato ituace e týká klatrů 1, 4, 5, 9, 10, 12, 14, 16, 20, 30, 31, klatry, kde je gap < 0 ubtituce > 0. V tomto případě je poptávka menší než nabídka a z klatru budou odcházet lidé. Tato ituace e týká klatrů 2, 21, 24,

19 2 klatry, kde je gap > 0 a ubtituce > 0. V tomto případě je poptávka větší než nabídka, exitují tedy volná míta a z klatru budou ještě odcházet lidé. Takové případy jou jen dva, vyokoškolké vzdělání v oboru elektrotechnika (klatr 25) a taviteltví (klatr 26) a rozah těchto pohybů nepřevyšuje jedno procento oučaného tavu pracovníků. Grafické znázornění ubtituční poptávky a gapu před ubtitucí, oboje vztažené k polední známé zamětnanoti z první poloviny roku 2004, je na grafu 9. G r a f Subtituční poptávka: relativní gap gap a a ubtituce relativní gap před ubtitucí relativní ubtituční poptávka Převaha klatrů negativní ubtituční poptávkou je výledek oučané celkové převahy nabídky nad poptávkou. 19

20 6. Hodnocení napětí na trhu práce Koeficient IFLM je definován v dodatku E. Slovní hodnocení je uvedeno v náledující tabulce 7. Při výpočtu měrodatné odchylky pro tanovení tříd byl vyloučen klatr 20, který vykazuje odlehlou hodnotu koeficientu IFLM. V tabulce jou zvýrazněny klatry, v nichž po započtení ubtituční poptávky došlo ke změně hodnocení napětí na trhu práce. Vliv ubtituční poptávky na koeficient IFLM můžeme ledovat v tabulce 6 a v definici koeficientu IFLM, jak je uveden v dodatku E, vzorci 1. Kladná ubtituce zvyšuje jmenovatel ve vzorci 1 a tedy zmenšuje hodnotu koeficientu. Nižší hodnota koeficientu znamená lepší vyhlídky na pracovním trhu pro přílušníky daného klatru. T a b u l k a 7 vzdělanotní klatr IFLM po ubtituci IFLM před ubtitucí 1 přijatelná přijatelná 2 přijatelná přijatelná 3 dobrá dobrá 4 dobrá dobrá 5 přijatelná přijatelná 6 dobrá dobrá 7 dobrá dobrá 8 dobrá dobrá 9 špatná malá 10 přijatelná přijatelná 11 dobrá dobrá 12 dobrá dobrá 13 dobrá dobrá 14 dobrá dobrá 15 dobrá dobrá 16 dobrá dobrá 17 dobrá dobrá 18 dobrá dobrá 19 přijatelná dobrá 20 špatná špatná 21 přijatelná přijatelná 22 dobrá dobrá 23 dobrá dobrá 24 dobrá dobrá 25 dobrá dobrá 26 dobrá dobrá 27 dobrá dobrá 28 dobrá dobrá 29 přijatelná malá 30 malá malá 31 malá malá 32 dobrá dobrá 33 přijatelná přijatelná 34 přijatelná dobrá 20

21 7. Závěr Model ROA CERGE zaznamenal v roce 2004 některá vylepšení. Na základě metodických návodů vypracovaných v CERGE-EI v minulém roce byl naprogramován a zařazen modul ubtituční poptávky, který vytihuje ituace, kdy jou některá povolání vykonávána pracovníky e vzděláním, které je blízké požadovanému. Subtituční poptávka upřeňuje odhad celkové poptávky po práci v odhadovaném období a přibližuje tak model realitě. Zavedení modulu ubtituční poptávky i vyžádalo změnit potup výpočtů, které tvoří trukturu modelu. Požívaná lineární aproximace čaových řad byla v některých případech zobecněna použitím metody náhodných koeficientů. Tato metoda dává odhady lineární regree i v případech, kdy doud užívaná klaická metoda nejmenších čtverců nepracovala upokojivě. Model bude v budoucnoti tále rozšiřován a upřeňován, aby přeněji odrážel reálné pohyby na trhu práce a pokytoval přenější třednědobé prognózy. Témata, která chceme v náledujícím období dílem ami, dílem v kooperaci pracovištěm CERGE-EI zpracovávat, jou v oučanoti prozkoumávána, zdali je pro ně možné zajitit adekvátní a polehlivá data a potupy pro jejich zpracování. Jde o tato témata: Téma na rok 2005: Ověřování polehlivoti modelu. Vzhledem ke krátkému období pokrytého daty vhodnými pro modelování, nemůžeme nyní provádět formálně předpověď pro minulá, dne již známá období a rovnávat ji reálnými daty. Nabízí e možnot porovnávat dílčí výledky modelu oficiálními tatitikami tak, že budeme provádět krátkodobé předpovědi pomocí modelu a budeme je porovnávat e tatitickými předpověďmi oficiálních údajů. K tomu bude použit aparát forecating metod tatitické analýzy. Zpřeněný výpočet nabídky pracovníků, abolventů škol a odhad vlivu migrace. Model v oučanoti uvažuje podíly abolventů tředních škol, kteří pokračují ve tudiu a kteří jdou na trh práce. Tyto podíly e liší podle typu vzdělání a jou aktualizovány. Tak by tomu mělo být i pro abolventy jiných úrovní vzdělání. Zatím model neuvažuje podobný mechanizmu pro abolventy tředních škol bez maturity a předpokládá o nich, že jdou do praxe všichni. Neledují e ani podobné informace o abolventech vyokoškolkého tudia a neuvažujeme u nich, že někteří pokračují v dalším, například doktorandkém tudiu. Rovněž je třeba zjitit a do modelu zahrnout vliv imigrace a migrace. Zahrnutí demografických prognóz. Tyto prognózy zatím model neuvažuje. Zahrnutí těchto informací ovlivní výpočet náhradní poptávky, kde e zatím pro odhadované období používá lineární projekce. Modifikace modelu pro regionální školtví. Tato modifikace bude závilá na dotupnoti prognóz o ekonomickém vývoji regionu a vývoji školtví v něm. Vyžádá i redukci modelu, například zmenšení počtu vzdělanotních a zamětnanotních klatrů. Zvažovaná úprava modelu pro regionální účely bude také zahrnovat problematiku ekonomické interakce ouedních regionálních pracovních trhů. 21

22 Literatura: Borghan, L., and Heijke, H.: Forecating the Educational Structure of Occupation: A Manpower Requirement Approach with Subtitution. Labour, vol. 10, no. 1, p ROA Reprint No. 83 Borghan, L., van Ei, P., de Grip, A.: (1994) An Evaluation of Labour Market Forecat by Type of Education and Occupation for 1992, ROA, Maatricht De Grip, A., Borghan, L., and Smith, W.: 1998 Future Development in the Job Level and Domain of High-killed Worker. In Toward a Tranparent Labour Market for Educational Deciion, p ROA Reprint No. 126 De Grip, A, and Heijke, H.: Beyond Manpower Planning: ROA Labour Market Model and it Forecat to ROA working paper 1998/6E De Grip A, Groot L.F.M., Heijke J.A.M. Clutering occupational clae by educational tructure ROA-W-1987/2E Maatricht Grip de, A., Heijke, H.: (1998) Beyond Manpower Planning: ROA' Labour Market Model and it forecat to 2002, ROA, Maatricht. Michalička L., Stupnytkyy O.: Aplikace modelu prognózování vzdělanotních potřeb, VUPSV Praha 2003 Willem, E.: (1999) Modelling Replacement Demand: A Random Coefficient Approach, ROA, Maatricht 22

23 Dodatek A - Expanzní poptávka Expanzní poptávka je dána změnou počtu zamětnaných v daném typu vzdělání či zamětnání. Expanzní poptávka může být kladná či záporná, podle růtu či pokleu poptávky. Abychom mohli určit expanzní poptávku ve všech 59 typech zamětnání a 35 typech vzdělání v odhadovaném období, vycházíme z makroekonomické predikce vývoje počtu zamětnaných, v našem případě predikce vývoje zamětnanoti ve 4 ektorech zíkanou z modelu Hermin. Model Hermin predikuje zamětnanot ve 4 agregovaných ektorech: zeměděltví, výroba, lužby a vládní ektor, které dohromady dávají celkovou zamětnanot v ekonomice. V našem případě předpokládáme, že máme k dipozici predikci na roky 2005 až Predikci zamětnanoti v těchto 4 ektorech tranformujeme do 15 odvětví, jejichž definice je v tabulce 3, náledujícím potupem: Každé z 15 odvětví patří právě do jednoho ektoru. Můžeme tak určit podíl každého odvětví v ektoru. Na datech výběrového šetření pracovních il určíme podíl všech odvětví v přílušných ektorech a lineární vývoj těchto podílů v letech 1995 až Zíkáme tak čaové řady podílů, nalezneme lineární trend a předpokládáme, že tento trend bude pokračovat i v odhadovaném období Predikované hodnoty podílů e znáobí; předpokládanou zamětnanotí v ektorech, kterou jme zíkali z modelu Hermin. Tak zíkáme predikci zamětnanoti v odvětvích. 15 predikcí vývoje odvětví e tranformuje do 59 zamětnání podobným způobem. Ze ouborů VŠPS známe zamětnanot v každém z 59 zamětnání ve všech 15 odvětvích. Můžeme tedy určit relativní podíly všech zamětnání v každém z 15 odvětví a také vývoj těchto podílů v poledních 10 letech od roku 1995 do roku Na tomto čaovém intervalu odhadneme trend podílů všech zamětnání v každém odvětví a za předpokladu, že tyto trendy zůtanou v odhadovaném období tejné, zíkáme jejich odhady pro období Zíkáme tak matici predikovaných podílů a tu znáobíme zamětnanotí v 15 odvětvích zíkanou podle potupu z předchozího oddílu. Pro lineární regrei vývoje trendu v daném zamětnání a odvětví užíváme tento vzorec: y oi t = α + βt + ε oi t Zde je každé zamětnání ve všech odvětvích odhadováno eparátně. Nevýhoda tohoto přítupu počívá v tom, že e etkáváme v určitých kombinacích zamětnání a odvětví malými četnotmi a odhadnuté regrení koeficienty mohou být nepřené. Proto aplikujeme metodu náhodných koeficientů (RCM) která dává i v těchto případech přenější odhady. Podrobnější popi RCM je v dodatku D. Ve třetím kroku e predikce četnoti v 59 zamětnáních převádí na 34 vzdělanotních klatrů (dále vzdělání). Toto e provádí obdobně jako v předcházejících čátech. Pro odhadované období predikujeme matici podílů všech vzdělání pro každé zamětnání užitím metody RCM. Matice predikcí podílů pro všech 34 vzdělání a 59 povolání e znáobí predikovanou zamětnanotí v 59 zamětnáních. Tak zíkáme odhady četnotí ve vzdělanotních klatrech. Rozdíl mezi četnotmi v roce 2009 a 2004 je hledaná expanzní poptávka pro všech 35 vzdělání a 50 zamětnání. 23

24 Dodatek B - Náhradní poptávka Náhradní poptávka je dána počtem uvolněných pracovních mít z důvodů odchodu do důchodu, změny zamětnání či odchodem z jiných důvodů. Předpokládá e přitom, že tato míta budou znovu obazena. Náhradní poptávka e tak týká pouze těch volných mít, která jou určena k obazení. Ta míta, nimiž e nadále nepočítá, e do náhradní poptávky nezahrnují. Zaměřme e na náhradní poptávku pro zamětnanotní klatry. Aby e dala počítat, analyzují e změny ve věkovém ložení každého zamětnanotního klatru. Definujme 9 věkových kupin 20-24, 25-29,, Rozborem dat VŠPS můžeme tanovit četnoti v těchto kupinách. Pozorujme tuto zamětnanot v letech 2000 a Během tohoto období e většina lidí přeune například z věkové kupiny let do kupiny let. Srovnáním těchto četnotí odhadneme, kolik lidí z věkové kupiny oputilo míto a tento počet zařadíme do náhradní poptávky. Mladší pracující opouštějí míta hlavně z důvodu změny zamětnání, tarší kvůli odchodu do důchodu. Tuto úvahu můžeme udělat pro všechny věkové kupiny, až na kupinu, které je v roce až 64 let, o níž můžeme předpokládat, že odejde do důchodu celá. Index růtu pro věkovou kupinu a v zamětnání o určíme takto: f L t t o, a+ 5 o, a = 4 t 4 Lo, a 1 t kde L o, a je zamětnanot ve věkové kupině a v zamětnání o v čae t. Potom můžeme užít tytéž indexy růtu pro odhadované období a odhadnout počet mít, která budou uvolněna v každé věkové kategorii ve všech zamětnáních t+ 5 t t t 5 t ( 0, L L ) = min( 0, L (1+ f L ) t+ 5 O o, a = min o, a+ 5 o, a o, a o, a ) o, a Tento počet pracovně nazýváme outflow. Jejich oučet pro všechny věkové kupiny dává celkový outflow pro dané zamětnání. Pochopitelně ne všechna volná míta budou obazena, některá jou určena ke zrušení. Kolik takových bude, odhadneme z rozdílu celkové zamětnanoti v zamětnanotním klatru v letech 2009 a Je-li tento rozdíl záporný, znamená počet zrušených mít. Je-li rozdíl kladný, chápeme to tak, že žádné uvolněné míto nebylo zrušeno. V případě negativní změny v zamětnanoti odečteme tuto změnu od celkového outflow. Vzorec pro náhradní poptávku je potom tento: RD o = 9 a= 1 O t+ 5 o, a + min, t+ 5 { 0 L L } o t o Náhradní poptávka pro vzdělanotní klatry e počítá obdobně. Součet náhradní poptávky a expanzní poptávky je celkový počet volných mít která jou na pracovním trhu k dipozici a pracovně je nazýváme job opening. 24

25 Dodatek C - Subtituční poptávka Subtituční poptávka je druh poptávky po pracovnících daným vzděláním, kteří mohou zaplnit volná míta, která vyžadují jiný typ vzdělání. Subtituci chápeme tak, že natává mezi podobnými vzděláními uvnitř jednoho zamětnanotního klatru. Tam e nahrazují pracovníci podobným typem vzdělání. Subtituční poptávku můžeme určit pouze pro vzdělanotní klatry. Pro její určení je důležitý rozdíl mezi poptávkou a nabídkou pro jednotlivá vzdělání. Rozdíl mezi poptávkou a nabídkou e dále nazývá gap (mezera) a počítá e takto: gi = di i (1) kde: d je poptávka po pracovnících e vzděláním i i i je nabídka pracovníků e vzděláním i Gap může být kladný i záporný. Je-li kladný, poptávka je vyšší než nabídka a pro pracovníky e vzděláním i exitují nenaplněná míta. Pokud je gap záporný, je nabídka vyšší než poptávka a exitují pracovníci, pro něž není práce vyžadující jejich kvalifikaci. Subtituci ze vzdělání, kde jou volní pracovníci do vzdělání kde jou volná míta, považujeme za možnou pouze tehdy, když mají tato dvě vzdělání podobnou zamětnanotní trukturu. Upřeňujeme-li dále zadání, lze říci, že volná míta která vyžadují pracovníky prvním typem vzděláním, mohou být naplněna lidmi druhým, podobným typem vzděláním tehdy, je-li druhých přebytek a pracují-li ve tejném zamětnanotním klatru jako pracovníci prvním typem vzdělání. Předpokládejme, že gap pro každý typ vzdělání e zcela rozputí mezi otatní typy vzdělání. Pak e ubtituce od vzdělání i ke vzdělání k uvnitř zamětnání j dá vyjádřit takto: fckj pkj ( i) = α ijgi (2) d j fcij kde: fc - poptávka po vzdělání i v zamětnání j před ubtitucí ij α ij - mzdová elaticita pro poptávku po vzdělání i v zamětnání j. n d j = fc ij i= 1 O mzdové elaticitě α ij předpokládáme, že je úměrná zamětnanotní truktuře daného vzdělání, čili tomu, jak je vzdělání i v zamětnáních rozloženo. V budoucnoti bude možné natavit i jiná kritéria než četnot vzdělání i ve všech zamětnáních, například podle změny poptávky vzdělání i v důledku mzdového ohodnocení vzdělání i v různých zamětnáních. t 1 a m m ij α ij = t 1, = 1 α ij, i = a ij (4) i j= 1 j= 1 t 1 kde a ij je počet pracovníků e vzděláním i v zamětnání j v minuloti. Součet všech ubtitucí ze všech vzdělání ke vzdělání k pro všechna zamětnání je celková ubtituční poptávka pro vzdělání k. p k = m n j= 1 i= 1 p kj ( i) (5) Přičtením ubtituční poptávky k oučtu náhradní a expanzní poptávky zíkáme celkovou poptávku pro vzdělanotní klatr. (3) 25

26 Dodatek D - Random coefficient model Jelikož model používá podrobnou zamětnanotní trukturu 60 zamětnání v 15 odvětvích, počet pozorování pro dané zamětnání a odvětví může být malý. Potom mohou být odvozené odhady zatíženy chybou, protože jou založeny na málo pozorováních. Abychom tomuto jevu zabránili, užíváme metodu náhodných koeficientů (RC). Tato metoda odhaduje regrei pro dané zamětnání ve všech odvětvích a používá předpoklad, že regrení koeficienty jou jitým způobem vázané. Jinými lovy lze říci, že koeficienty mají polečnou třední hodnotu a jitou odchylku. A proto, že jou všechny regrení rovnice počítány polečně, je počet pozorování vždy dotatečný a přenot odhadů vyoká. RC model je popán takto: o o o o y = β X + ε β t o o = β + v t o t K odhadu parametrů tohoto modelu užíváme zobecněnou metodu nejmenších čtverců (GLS). Předpokládejme, že odhady určujeme pro dané zamětnání a vynechme přílušný index o: ˆ 1 1 β = X φ X X φ y = 1 = 1 2 kde φ = X X +σ I je kovarianční matice chybového členu v 2 σ I je kovarianční matice chybového členu 2 Jelikož variance σ a matice nejou známé, užíváme pro ně tyto tandardní odhady: uˆ uˆ ˆ σ 2 = n k ˆ 1 = n 1 15 = 1 1 b b nbb n 15 = 1 ˆ σ 2 ( X X ) o 1 o ε t kde uˆ = y X b ˆ a b ˆ 1 = ( X X ) X y jou OLS odhady. n=15 je počet regreí a k=2 je počet koeficientů v každé regrei Z výledků RC modelu - třední hodnoty koeficientu βˆ a z výledků individuálních OLS odhadů koeficientů bˆ počítáme jednotlivé koeficienty takto: 1 1 ˆ ˆ 1 2 X X ˆ 1 ˆ 2 1 β = + ˆ σ β + ˆ σ X X bˆ = A ˆ β + ( I A ) bˆ i ( ( ( )) ) ( ) ( ( ) ) Výledné odhady jou váženými oučty průměrných koeficientů RC modelu a koeficientů zíkaných klaickou metodou nejmenších čtverců (OLS). Váhy A každé ložky záviejí na volatilitě přílušné čaové řady, v našem případě zamětnání a vzdělání. Je-li tato množina vyoce volatilní, jou odhady bˆ zatíženy chybou a větší váha e dává odhadům βˆ. Je-li čaová řada málo volatilní, znamená to, že může být dobře vyvětlena klaickou metodou OLS a větší váhu mají koeficienty bˆ. 26

27 Dodatek E - Indikátory napětí na trhu práce Koeficienty IFLM a IFRP vyjadřují podíl kompletní nabídky práce a poptávky po práci. Koeficient IFLM vyjadřuje šanci nově příchozího na trh práce zíkat míto vhodné pro jeho vzdělanotní kategorii. Hodnotí tedy napětí na trhu práce z hledika uchazeče o zamětnání. Vyoké hodnoty IFLM znamenají převahu nabídky práce nad poptávkou po práci a tedy špatné vyhlídky nově příchozího na trh práce. Nízké hodnoty IFLM znamenají dobré vyhlídky pro zíkání míta vyžadujícího dané vzdělání. Identifikátor IFRP hodnotí ituaci na trhu práce z hledika zamětnavatele. Vyoké hodnoty IFRP znamenají dobré vyhlídky pro nábor pracovníků daným vzděláním. Nízké hodnoty IFRP znamenají potíže e zíkáváním takových zamětnanců. Hodnoty obou identifikátorů blízké jedné označují vyrovnanou ituaci na trhu práce, a to jak z hledika uchazeče o zamětnání, tak i z hledika zamětnavatele. Náleduje exaktní definice obou indikátorů: Označíme-li: e vzdělanotní kupina E e04 počet zamětnaných e vzděláním e v první polovině roku 2004, INS e počet abolventů e vzděláním e, kteří přijdou na trh práce v odhadovaném období, U e04 počet krátkodobě nezamětnaných v první polovině roku 2004 e vzděláním e, ED e05-09 odhad expanzní poptávky pro období , RD e05-09 odhad náhradní poptávky pro období , SD e05-09 odhad ubtituční poptávky pro období , potom je indikátor budoucí ituace na trhu práce (Indicator of the future labour market ituation IFLM) pro vzdělanotní kupinu e E + INS + U 04 e05 09 e04 IFLM e = (1) Ee04 + max( 0, EDe05 09 ) + RDe SDe05 09 Obdobně je definován indikátor budoucích problémů najímáním pracovníků (Indicator of future recruitment problem - IFRP), který ituaci na trhu práce hodnotí z hledika zamětnavatele: E + INS + U e04 e05 09 e04 IFRP e = (2) Ee04 + EDe RDe SDe05 09 Ve jmenovateli indikátoru IFRP e může vykytovat i záporná expanzní poptávka. Zamětnavatel může reagovat na rušení mít omezováním přijímání nových uchazečů o práci, a tak e při záporné expanzní poptávce ituace najímáním nových pracovníků e vzděláním e z pohledu zamětnavatele zlepšuje. Z praktických důvodů e užívá lovní hodnocení vyhlídky na zíkání zamětnání danou kvalifikací. Podle zkušenotí ROA je hranicí hodnota 1, což je zhruba průměrná hodnota pro oba koeficienty a měrodatná odchylka zíkaná z množiny koeficientů pro všechny vzdělanotní klatry. 27

28 T a b u l k a 8 hodnota koeficientu IFLM hodnocení vyhlídky na zíkání zamětnání 1 a méně dobrá 1 až 1 + měrodatná odchylka přijatelná 1 + měr. odch. až 1 + 2*měr. odch. malá více než 1 + 2*měrodatná odchylka špatná hodnota koeficientu IFRP hodnocení vyhlídky na zíkání zamětnance 1 a méně špatná 1 až 1 + měrodatná odchylka malá 1 + měr. odch. až 1 + 2*měr. odch. přijatelná více než 1 + 2*měrodatná odchylka dobrá 28