VYSOKÁ ŠKOLA HOTELOVÁ V PRAZE 8, SPOL. S R. O.

VYSOKÁ ŠKOLA HOTELOVÁ V PRAZE 8, SPOL. S R. O. Bc. Petr Mička Problematika nezaměstnanosti v novodobé historii České republiky Diplomová práce 2015

Problematika nezaměstnanosti v novodobé historii České republiky Diplomová práce Bc. Petr Mička Vysoká škola hotelová v Praze 8, spol. s r. o. katedra managementu Studijní obor: Management hotelnictví a lázeňství Vedoucí bakalářské práce: Dr. Ing. Sylva Skupinová Datum odevzdání bakalářské práce: 2015-05-07 Datum obhajoby bakalářské práce: E-mail: micka-petr@seznam.cz Praha 2015

Master s Dissertation The Issues of Unemployment in Modern History of the Czech Republic Bc. Petr Mička The Institute of Hospitality Management in Prague 8, Ltd. Department of Management Major: Hotel and Spa Management Thesis Advisor: Dr. Ing. Sylva Skupinová Date of Submission: 2015-05-07 Date of Thesis Defense: E-mail: micka-petr@seznam.cz Prague 2015

Čestné prohlášení P r o h l a š u j i, ţe jsem diplomovou práci na téma Problematika nezaměstnanosti v novodobé historii České republiky zpracoval samostatně a veškerou pouţitou literaturu a další podkladové materiály, které jsem pouţil, uvádím v seznamu pouţitých zdrojů a ţe svázaná a elektronická podoba práce je shodná. V souladu s 47b zákona č. 111/1998 Sb., o vysokých školách v platném znění souhlasím se zveřejněním své diplomové práce, a to v nezkrácené formě, v elektronické podobě ve veřejně přístupné databázi Vysoké školy hotelové v Praze 8, spol. s r. o. V Praze dne 07. 05. 2015... Petr Mička

Chtěl bych poděkovat především vedoucí své diplomové práce, paní Dr. Ing. Sylvě Skupinové, za cenné rady, ochotu a vţdy přítomnou trpělivost.

Abstrakt MIČKA, Petr. Problematika nezaměstnanosti v novodobé historii České republiky.[diplomová práce] Vysoká škola hotelová. Praha: 2015. 83 s. Diplomová práce se zabývá problematikou nezaměstnanosti. Cílem diplomové práce je na základě statistických údajů zanalyzovat hodnoty nezaměstnanosti ve všech krajích České republiky v letech 2001 aţ 2013. Dalším cílem práce je zjistit, zda změny v nezaměstnanosti vyvolávají změny v hrubém domácím produktu. Teoretická část se zabývá charakteristikou a vývojem nezaměstnanosti, specifikací ekonomických pojmů a statistických analýz. Analytická část obsahuje zpracovanou analýzu rozptylu, regresní a korelační analýzu časových řad. Součástí je rovněţ charakteristika zdrojových dat, popis metody a průběhu analýz, vyhodnocení analýz a hypotéz. Poslední je část návrhová, ve které jsou uvedeny tři hlavní zjištěné problémy a návrhy na jejich řešení. Klíčová slova: nezaměstnanost, druhy nezaměstnanosti, masová nezaměstnanost, hrubý domácí produkt, ANOVA, regresní a korelační analýza, ekonomická časová řada, trend Abstract MIČKA, Petr. The Issues of Unemployment in Modern History of the Czech Republic.[Master s Dissertation] The institute of hospitality management in Prague: 2015. p 83. This thesis deals with the issues of unemployment. The aim of the thesis is based on statistical data to analyze the values of unemployment in all regions of the Czech Republic between years 2001 and 2013. Another goal is to determine whether changes in unemployment will bring about changes in gross domestic product. The theoretical part deals with the characteristics and evolution of unemployment, specifications, economic terms and statistical analyzes. The analytical part contains an analysis of variance, regression and correlation analysis of time series. Included is also characteristic of the source data, a description of the method and process analysis, evaluation analysis and hypotheses. The last part contains the designs for the three main issues that were identified and also proposals for their solution. Keywords: unemployment, types of unemployment, mass unemployment, gross domestic product, ANOVA, regression and correlation analysis, economic time series, trend

Obsah 1 Úvod... 9 2 Teoretická část... 11 2.1 Nezaměstnanost... 11 2.1.1 Co je to nezaměstnanost a kdo je nezaměstnaný?... 11 2.1.2 Druhy nezaměstnanosti... 13 2.1.2.1 Frikční nezaměstnanost... 13 2.1.2.2 Strukturální (a technologická) nezaměstnanost... 14 2.1.2.3 Cyklická a sezónní nezaměstnanost... 15 2.1.2.4 Skrytá nezaměstnanost... 15 2.1.2.5 Neúplná zaměstnanost, nepravá zaměstnanost a job stagnation... 16 2.1.2.6 Dlouhodobá a opakovaná nezaměstnanost... 17 2.1.3 Zjišťování rozsahu a míry nezaměstnanosti... 18 2.1.4 Problém plné zaměstnanosti a přirozené míry nezaměstnanosti... 20 2.1.5 Cesta k masové nezaměstnanosti... 20 2.1.5.1 Vynoření se masové nezaměstnanosti... 21 2.1.5.2 Československo a krize 30. let... 22 2.1.5.3 Vývoj nezaměstnanosti v poválečné Evropě... 22 2.1.5.4 Fenomén masové nezaměstnanosti... 23 2.1.5.5 Vývoj nezaměstnanosti v České republice po roce 1990... 24 2.2 Hrubý domácí produkt... 25 2.3 Český statistický úřad... 28 2.4 Statistické analýzy... 29

2.4.1 Analýza rozptylu (Analysis of variance ANOVA)... 29 2.4.2 Regresní a korelační analýza časových řad... 30 2.4.3 Statistické testování... 31 2.4.4 Ekonomické časové řady a trend... 32 3 Analytická část... 34 3.1 Cíl práce... 34 3.2 Metodika... 34 3.2.1 Charakteristika zdrojových dat... 34 3.2.2 Popis metody analýzy rozptylu... 35 3.2.2.1 Vyhodnocení hypotéz... 36 3.2.2.2 Popis výsledných tabulek analýzy rozptylu... 36 3.3 Výsledky analýzy rozptylu... 37 3.3.1 ANOVA pro třídící kritérium,,věk... 37 3.3.2 ANOVA pro třídící kritérium,,vzdělání... 42 3.4 Vyhodnocení analýzy rozptylu... 46 3.5 Výsledky regresní a korelační analýzy časových řad... 46 3.6 Vyhodnocení regresní a korelační analýzy časových řad... 49 3.7 Diskuze výsledků... 50 4 Návrhová část... 56 5 Závěr... 62 6 Literatura... 64 7 Seznam grafů a tabulek... 67 8 Přílohy... 69

1 Úvod,,Nezaměstnanost není jednoduchým problémem s jednoduchým řešením. G. Mankiw Nezaměstnanost představuje historicky i v současnosti jeden z nejdiskutovanějších a nejsledovanějších jevů trţních ekonomik. Ztráta zaměstnání je pro většinu lidí nepříjemnou událostí. Jednak znamená pokles ţivotní úrovně a ekonomickou nejistotu do budoucnosti, ale i ztrátu vztahů a kontaktů. Pro některé jedince není práce jen zdrojem osobního důchodu, ale i smysluplnou činností naplňující část jejich ţivota. Vyřazení z pracovního procesu mohou někteří vnímat jako zpochybnění svých vlastních schopností uplatnit se ve sloţitých společenských vztazích, a být tak plnohodnotným členem společnosti. Nutno poznamenat, ţe v moderních společnostech je nezaměstnanost ústředním problémem a její závaţnost neustále roste. Diplomová práce se zabývá, jak jiţ bylo z části nastíněno, problematikou nezaměstnanosti. Hlavní pozornost je věnována vývoji nezaměstnanosti v novodobé historii České republiky, a to konkrétně v letech 2001 aţ 2013. Cílem práce je na základě statistických údajů z Českého statistického úřadu (dále jen ČSÚ) zanalyzovat hodnoty nezaměstnanosti ve všech krajích České republiky v letech 2001 aţ 2013 pouţitím vícenásobné analýzy rozptylu, jejímţ cílem je zjistit, zda existuje alespoň jedna dvojic průměrů, které se na zvolené hladině významnosti statisticky průkazně liší. Zároveň byla stanovena nulová hypotéza, která předpokládá, ţe neexistují dvojice průměrů, které se statisticky průkazně liší a alternativní hypotéza, která naopak tvrdí, ţe existuje alespoň jedna dvojice průměrů, která se statisticky průkazně liší. Dalším cílem práce je zjistit na základě aplikace základní regresní a korelační analýzy v časových řadách, zda změny v nezaměstnanosti vyvolávají změny v hrubém domácím produktu. Práce je členěna do tří tematických částí, a to teoretické, analytické a návrhové. Teoretická část obsahuje dvě kapitoly. První kapitola se zabývá vymezením pojmu nezaměstnanost a specifikací nezaměstnanosti z hlediska jejího rozdělení a rovněţ vývojem od přelomu 19. a 20. století do roku 2002. Druhá kapitola se zabývá charakteristikou hrubého domácího produktu, vymezením činnosti Českého statistického 9

úřadu a charakteristikou jednotlivých statistických analýz a pojmů. Základem odborné literatury, které bylo k zpracování této části potřeba, jsou publikace P. Mareše (Nezaměstnanost jako sociální problém), D. Broţové (Společenské souvislosti trhu práce), B. Buchtové (Nezaměstnanost: psychologický, ekonomický a sociální problém) a S. Skupinové (Aplikovaná statistika). Následuje část analytická, která obsahuje zpracovanou analýzu rozptylu, regresní a korelační analýzu časových řad. Součástí je rovněţ charakteristika zdrojových dat, popis metody a průběhu analýz, vyhodnocení analýz a stanovených hypotéz. V návrhové části této diplomové práce jsou uvedeny 3 hlavní negativní zjištění, která vyplynula z vyhodnocených analýz. Zároveň jsou k těmto zjištěním navrţena doporučení, která by mohly vést k pozitivní změně zjištěného stavu. 10

2 Teoretická část 2.1 Nezaměstnanost 2.1.1 Co je to nezaměstnanost a kdo je nezaměstnaný? Nezaměstnanost je často definována jako důsledek nerovnováhy na trhu práce. Halásková (2001, s. 16) zdůrazňuje, ţe snahou je dosáhnout únosné úrovně nezaměstnanosti, bojovat s ní a redukovat její výskyt. K nezaměstnanosti je moţné přistoupit z různých hledisek. Můţe být povaţována za výraz toho, jak je organizováno a řízeno zaměstnávání lidí v zemi, lze ji povaţovat za odraz nepersonálních trţních sil, kterými je ovládán lidský faktor. Nezaměstnanost je moţné povaţovat i za důsledek určitých schopností, dispozic a postojů jedinců. Nic z toho samo o sobě neumoţňuje pochopit problém nezaměstnanosti a najít přijatelné řešení, neboť nezaměstnanost je zřejmě důsledkem toho všeho. Nezaměstnanost nelze hodnotit pouze globálně. K jejímu řešení je třeba mít celé mnoţství informací, potřebných dat a údajů, např. o tom, koho se nezaměstnanost týká, kde se vyskytuje, jak dlouho trvá, jaká je její míra apod. Ne kaţdý, kdo pracuje, je zaměstnaný a na druhé straně také ne kaţdý, kdo nepracuje, je nezaměstnaný. Tímto problémem se zabývá Mareš ve své publikaci Nezaměstnanost jako sociální problém (2002, s. 16). Tato problematika souvisí s odlišením práce, především práce konané pro vlastní potěšení či v rámci domácnosti, od zaměstnání (v anglické literatuře se s tím můţe čtenář setkat jako s rozlišením mezi,,work a,,job ). Zaměstnání se vztahuje k práci na smluvním základě, zahrnujícím i materiální odměnu za její výkon. Toto zpřesnění dovoluje vyloučit z úvah o nezaměstnanosti domácí práce, sebezaměstnávání, vzájemnou výpomoc, dobrovolnou práci pro dobročinné účely a další práce nevykonávané pro ekonomické cíle (např. hobby). Jejich ztráta nemá za následek nezaměstnanost. Nejedná se tedy o to,,nemít práci, ale o to,,nemít placen zaměstnání a tedy,,nemít příjem ze zaměstnání. Mareš také zdůrazňuje, ţe mezi nezaměstnané neřadíme osoby, které sice nemají zaměstnání, ale nejsou schopny o ně soutěţit (často jsou zabezpečeny dávkami sociálního státu) a taktéţ mezi nezaměstnané nepočítáme ty, které volí alternativní ţivotní strategii (často jsou zabezpečeny jinými příjmy např. zisk, renta). Mareš dále zdůrazňuje, ţe nemít příjem z trhu práce ovšem neznamená nutně nemít na tento trh přístup. Stejně tak být nezaměstnaný neznamená být mimo trh práce, ale 11

znamená to nemoci se na něm prosadit a zůstat tak na straně nerealizované nabídky. Jaká kritéria máme vlastně pro zařazení osob mezi nezaměstnané? Mareš (2002, s.18) uvádí, ţe podle obecné definice, platné v zemích EU, jsou za nezaměstnané povaţovány osoby: 1. bez placeného zaměstnání, které jsou za 2. registrované na úřadech práce, za 3. hledají práci a za 4. jsou schopny a ochotny do ní ihned nastoupit. Jisté odlišnosti v tom, jak vymezují nezaměstnanost jednotlivé členské země EU, se týkají zejména typu hledaného zaměstnání (plný či částečný úvazek). Rozdíly jsou i v započítávání osob, které se účastní rekvalifikačních programů, osob hledajících jen dočasnou práci či ve věkovém limitu pro registraci mezi nezaměstnané (obvyklé rozpětí je od 16-64 let a pro ţeny jsou v některých zemích stanoveny limity zvlášť). Specifický je pro jednotlivé země také přístup k registraci osob hledajících svoje první zaměstnání. Ve většině zemí EU jsou zahrnuty mezi nezaměstnané, jestliţe se registrují na úřadech práce. Mareš (2002, s.17) ještě podotýká, ţe podmínkou pro udrţení statusu nezaměstnaného bývá pravidelná návštěva úřadu práce jako projev snahy o získání zaměstnání. Za známku zájmu o práci je často povaţována i jedna návštěva potenciálního zaměstnavatele nebo jedna písemná ţádost či odpověď na inzerát v měsíci. Společnost očekává, ţe kaţdý jedinec bude usilovat o udrţení svého stálého zaměstnání a v případě jeho ztráty o získání nového zaměstnání v co nejkratší moţné době aktivním hledáním. Broţová (2003, s. 77) ještě podotýká, ţe zaměstnaní i nezaměstnaní dohromady tvoří ekonomicky aktivní obyvatelstvo, tzn. pracovní sílu. Lidé, kteří nepatří ani do jedné z těchto skupin, např. studenti, důchodci či ţeny v domácnosti, jsou označováni jako ekonomicky neaktivní obyvatelstvo. I kdyţ si takto nezaměstnanost v hrubých rysech vymezíme, bude uţitečné rozlišit její různé stavy jak podle příčin, tak i podle některých dalších charakteristik. 12

2.1.2 Druhy nezaměstnanosti 2.1.2.1 Frikční nezaměstnanost V kaţdém okamţiku se na trhu práce vyskytuje, v důsledku mobility pracovníků, na straně nabídky práce řada osob bez placeného zaměstnání. Mareš (2002, s. 18) uvádí, ţe mezi pracovními místy běţně dochází k přesunům osob. Přesuny jsou často motivovány vlastními nebo ekonomickými potřebami těchto osob. Jedná se především o běţné změny zaměstnání a doba nezaměstnanosti je ve většině těchto případů jen krátkou epizodou, během níţ si hledají nové uplatnění. V případě osob, které nově vstupují na trh práce, se jedná o dobu, ve které nacházejí své první zaměstnání. V angličtině jsou tyto osoby označovány jako,,lidé mezi dvěma zaměstnáními, čímţ se zdůrazňuje přechodnost toho stavu, nazývaného,,frikční nezaměstnanost. Tuleja a kol. (2008, s. 135) připomíná, ţe taková to přechodná situace můţe nastat u osob, které dokončili studium a nepředpokládá se u nich, ţe si ihned najdou práci (pokud ji nemají zajištěnou jiţ během studia) a nebo si nástup na pracovní místo posunou o několik dnů či týdnů. Frikční nezaměstnanost je také někdy označována jako nezaměstnanost dobrovolná. Mareš (2002, s. 20) upozorňuje, ţe změny ve frikční nezaměstnanosti mohou být způsobeny dobrovolnými změnami doby strávené hledáním zaměstnání, které jsou nezaměstnaní ochotni akceptovat. Mohou být ovlivněny i strukturou pracovního trhu či podmínkami nezaměstnanosti. Čím přijatelnější je systém podpor sociálního státu v nezaměstnanosti, tím více se prodluţuje čas hledání práce. Doba průměrného trvání jednotlivých případů frikční nezaměstnanosti roste i s růstem obecných aspirací pracovníků nejen na výši mzdy, ale i na charakter práce, pracovní prostředí, dobu dojíţdění do zaměstnání apod. Prodluţování případů frikční nezaměstnanosti můţe být také způsobeno vzájemným nesouladem mezi strukturou nabídky práce a strukturou poptávky po práci např. malá vzájemná informovanost mezi subjekty na straně poptávky (zaměstnavatelů o volných osobách) a nabídky (pracovníků o volných pracovních místech). 13

2.1.2.2 Strukturální (a technologická) nezaměstnanost Řada pracovníků, jak zmiňuje Mareš (2002, s. 20), ztrácí své zaměstnání kvůli zániku neefektivních institucí a podniků, ale také i celých starých odvětví (zároveň mohou náhle zaniknout i povolání spojená s těmito odvětvími). Lidé, kteří se takovýmto způsobem stávají nezaměstnanými, se vyznačují určitým věkem, kvalifikací, dovednostmi, zkušenostmi, jsou rozdílného pohlaví a mají své bydliště. Jak se mění struktura ekonomiky (územně i odvětvově), nemusí tyto osobní a kvalifikační charakteristiky propouštěných osob korespondovat s poţadavky nových pracovních míst. Dochází ke změně struktury poptávky po práci, které se struktura nabídky jen někdy obtíţně přizpůsobuje. Pak se hovoří o nezaměstnanosti strukturální jako o výsledku nerovnováhy mezi pracovní silou pohotovou pro práci a poţadavky zaměstnavatelů po určitém typu práce. Vyznačuje se přetrvávajícím nepoměrem mezi kvalifikační strukturou nabídky práce a kvalifikační strukturou poptávky po ní na pracovním trhu. Především pak vyšší nezaměstnaností osob s určitou kvalifikací, které není schopen trh práce pojmout, a naopak vyšší poptávkou po kvalifikaci, která není na trhu práce nabízena v dostatečném rozsahu. Mareš podotýká, ţe část strukturální nezaměstnanosti je dána pohybem pracovních míst mezi odvětvími, kterým se musí struktura pracovní síly přizpůsobovat. Jsou-li rušena pracovní místa v některém odvětví, přechází část pracovní síly do nových a dynamičtěji se rozvíjejících odvětví. Není to však jednoduché. Kaţdé odvětví vyţaduje rozdílné poţadavky na kvalifikaci pracovníků. Přesun práce z odvětví do odvětví je v prvé řadě ovlivněn poklesem poptávky po určité struktuře zboţí a tím pádem i po mnoţství pracovníků, kteří dané zboţí vyrábějí. Jinou část strukturální nezaměstnanosti tvoří osoby, jejichţ práce (ţivá práce) byla nahrazena technikou (někdy se tato nezaměstnanost označuje jako technologická). Je tedy dána poklesem poptávky po pracovnících v důsledku technologického a technického vývoje. Dalším problémem dle Mareše (2002, s. 21) je skutečnost, ţe do strukturální nezaměstnanosti mohou upadnout i vysoce kvalifikovaní pracovníci, neboť v důsledku změn výroby jiţ není jejich kvalifikace nadále potřebná. Často se jedná o osoby s dlouholetou pracovní kariérou ve svém oboru a s bohatými zkušenostmi, o které ale najednou nemá nikdo zájem. Někteří autoři konstatují, ţe strukturální nezaměstnanost 14

(zejména tedy technologická) je často typická pro vyspělé průmyslové země na jejich přechodu k postindustriální informační společnosti. 2.1.2.3 Cyklická a sezónní nezaměstnanost O cyklické nezaměstnanosti hovoříme dle Tulejeho a kol. (2008, s. 137) v případě, ţe se jedná o nezaměstnanost způsobenou nedostatkem pracovních míst na trhu a je důsledkem nedostatečné úrovně agregátní poptávky po statcích a tedy i po pracovní síle. Dá se říci, ţe mezi agregátní poptávkou a cyklickou nezaměstnaností existuje nepřímá úměra, protoţe pokud dochází k poklesu agregátní poptávky, cyklická nezaměstnanost roste. Cyklická nezaměstnanost se nejvíce projevuje v období recese, kdy je spojena s podzaměstnaností, ale můţe se objevit i v případě, ţe ekonomika roste, a to konkrétně tehdy, zvětšuje-li se pracovní síla. Tuleje a kol. (2008, s. 138) ještě upozorňuje, ţe pokud nově vstupující na trh práce mají nalézt práci a má se zabránit cyklické nezaměstnanosti, musí ekonomika růst alespoň tak rychle, jak roste pracovní síla. Pokud ekonomický růst nedosahuje této úrovně, míra nezaměstnanosti se začne zvyšovat. Z pohledu Mareše (2002, s. 21) se jedná vlastně o klasický model nezaměstnanosti, který je charakteristický zejména pro 19. a počátek 20. století. Pokud je cyklická nezaměstnanost pravidelná a je spojená s přírodním cyklem, hovoří se o ní jako o nezaměstnanosti sezónní. Tuleja a kol. (2008, s. 135) přímo uvádí, ţe je to tedy taková nezaměstnanost, která vzniká v důsledku sezónních změn v nabídce zaměstnání nebo nabídce práce. 2.1.2.4 Skrytá nezaměstnanost Existuje i tzv. skrytá nezaměstnanost. V této souvislosti Mareš (2002, s. 21) hovoří i o tzv. skryté pracovní síle, čili o skutečně nezaměstnaných, kteří nejsou nikde jako nezaměstnaní registrováni, i kdyţ nemají zaměstnání a byli by schopni při dostatečné nabídce práci přijmout. Skrytá nezaměstnanost je tedy formou nezaměstnanosti, kdy si 15

nezaměstnaný jedinec nehledá práci a ani se jako nezaměstnaný nikde neregistruje. Značnou část této nezaměstnanosti tvoří především vdané ţeny a mladiství. Obvykle se jedná o osoby, které na hledání práce rezignovaly (např. z důvodu, ţe unikly do jiného statusu mateřství, práce v domácnosti, studia) nebo si práci vyhledávají neformální cestou či přímo u zaměstnavatelů bez registrace na pracovním úřadě. Skrytá nezaměstnanost je dána i tím, ţe z údajů o nezaměstnaných jsou často vyřazovány osoby, které jsou zařazeny do různých programů pro nezaměstnané (rekvalifikace, veřejně prospěšné práce apod.). Mareš (2002, s. 22) připomíná, ţe o skryté nezaměstnanosti se také hovoří v případě osob s vysokým věkem, nízkou rekvalifikací či jiným handicapem, kteří pro tyto své charakteristiky nemohou získat práci a jsou tak odsunuty mimo trh práce (např. předčasné odchody do důchodu). 2.1.2.5 Neúplná zaměstnanost, nepravá zaměstnanost a job stagnation Vedle nezaměstnanosti existuje i to, co někteří autoři nazývají neúplná zaměstnanost. Podle Mareše (2002, s. 22) se jedna o pracovníky, kteří musejí přijmout práci na sníţený úvazek nebo při své práci nevyuţívají plně své schopnosti a kvalifikaci. Tento typ neúplné zaměstnanosti se dá povaţovat jako za jeden ze způsobů, jak čelit masové nezaměstnanosti. Nejčastěji se jedná o zkrácenou pracovní dobu či o sdílení jednoho pracovního místa (i příjmu z něho) dvěma osobami (pro zaměstnavatele to znamená sníţení mzdových nákladů a větší flexibilita ohledně propuštění a najímání pracovníků). Specifickou formou jsou pokusy o zavedení čtyřdenního pracovního týdne a sníţení počtu pracovních hodin tak, aby trh práce pojal především mladé nezaměstnané. Mareš upozorňuje, ţe část takto zaměstnaných osob se však ocitá bez pracovní ochrany a sociálního zabezpečení a neúplná zaměstnanost je někdy chápána jako vnucení horších pracovních podmínek zaměstnancům ze strany zaměstnavatelů a v podstatě porušení zaměstnaneckých práv. Slovy Mareše (2002, s. 22) se v případě nepravé nezaměstnanosti jedná o osoby, které jsou nezaměstnanými, ani nehledají práci nebo jí i odmítají přijmout, ale spíše se snaţí vyčerpat v plném rozsahu nárok na podporu v nezaměstnanosti. Patří sem i osoby, které jsou registrované jako nezaměstnané, ale zároveň pracují nelegálně v šedé 16

ekonomice. V souvislosti s nezaměstnaností je třeba se zmínit o tzv. job stagnation. Podle Mareše (2002, s. 23) se jedná o jev, kdy vysoká míra nezaměstnanosti brzdí profesionální i prostorovou mobilitu. Lidé, kteří jsou silně nespokojení se svojí prací, nechtějí v době vysoké nezaměstnanosti riskovat problémy s hledáním jiného pracovního místa a jsou tak nuceni setrvávat ve svém, pro ně často frustrujícím, zaměstnáním. 2.1.2.6 Dlouhodobá a opakovaná nezaměstnanost Mareš (2002, s. 25) zdůrazňuje, ţe cenná je informace o délce trvání nezaměstnanosti s důrazem na tzv. dlouhodobou nezaměstnanost, která můţe být různě definována (nezaměstnanost trvající déle neţ 1 či déle neţ 2 roky apod.). Doba trvání nezaměstnanosti, která je velmi důleţitá pro určení poměru frikční a dlouhodobé nezaměstnanosti, se obvykle vypočítává dvěma odlišnými způsoby. V prvním případě je doba trvání aktuální nezaměstnanosti totoţná s dobou mezi registrací nezaměstnané osoby na úřadu práce a datem provedení výpočtu (tato metoda má sklony dlouhodobou nezaměstnanost nadhodnocovat, neboť nezachytí řadu krátkodobé nezaměstnanosti, které byly ukončeny ještě před rozhodujícím datem). V druhém případě je trvání nezaměstnanosti chápáno jako období od registrace dané osoby mezi nezaměstnanými na úřadě práce po její vyřazení z registrace. Tato metoda poskytuje relevantnější údaje o poměru krátkodobé a dlouhodobé nezaměstnanosti, ale je i významným zdrojem informací pro účely sociální politiky, zejména slouţí jako podklad pro rozhodování o poskytování podpor konkrétním nezaměstnaným osobám. Broţová (2003, s. 87) upozorňuje, ţe dlouhodobá nezaměstnanost představuje závaţný problém. Pokud se lidem dlouhou dobu nedaří nalézt vhodné pracovní místo, mohou se dostat do ekonomických potíţí, které způsobí propad ţivotní úrovně a někdy vedou aţ k existenčním problémům celé rodiny. To má za následek řadu dalších sociálních a psychologických problémů (např. ztráta společenských a sociálních vztahů, ztráta schopnosti komunikace, ztráta důvěry ve vlastní schopnosti a naděje na změnu situace), ale 17

i ekonomických problémů, zejména sníţení produktu, niţší úspory, niţší daně či sníţení hodnoty lidského kapitálu. Mareš (2002, s. 26) dodává, ţe dlouhodobá nezaměstnanost je spojena ještě s jedním významným jevem, a to s velkým výskytem období opakované nezaměstnanosti v průběhu pracovní kariéry jedince. Tato tendence se jeví jako vyšší riziko nezaměstnanosti příslušníků některých sociálních kategorií (např. nekvalifikovaní dělníci či imigranti). Tak jako existují sociální kategorie či regiony s rizikem vyššího výskytu dlouhodobé nezaměstnanosti, existují i sociální kategorie a regiony s vyšším rizikem opakované nezaměstnanosti (jsou pro ně charakteristické jak dlouhodobá nezaměstnanost, tak i nesouvislé, nezaměstnaností přerušované, pracovní kariéry). 2.1.3 Zjišťování rozsahu a míry nezaměstnanosti Mareš (2002, s. 23) zastává názor, ţe je důleţité, zejména z praktických důvodů, se snaţit měřit nezaměstnanost. K tomu se poţívá především míry nezaměstnanosti, která je podílem nezaměstnaných v celku práce schopné populace, přičemţ i zde se přihlíţí k ochotě této populace pracovat. Samotná míra nezaměstnanosti můţe být obecná, ale také specifická (jen pro určité kategorie osob). Obecná míra závisí na faktorech ovlivňující celou ekonomiku (např. ceny ropy, ekonomický cyklus atd.). Specifické míry nezaměstnanosti pro jednotlivé sociální kategorie závisí vţdy na faktorech, které ovlivňují především tyto kategorie osob (muţe, ţeny, mládeţ, příslušníky etnických menšin atd.). Existuje snaha sjednotit vymezení těchto měr nezaměstnanosti, aby byly umoţněny jak prostorová (zejména mezi státy), tak i časová srovnání. Statistiky z různých zemí ale nejsou nikdy zcela srovnatelné, protoţe obsah ukazatelů nezaměstnanosti je stále v řadě zemí odlišný. V různých zemích se dle Mareše pro zjišťování počtu nezaměstnaných a míry nezaměstnanosti pouţívá různých přístupů. V zásadě však existují dva hlavní postupy zjišťování. V prvním z nich se vychází z počtu ţadatelů o práci, kteří jsou zaregistrovaní na úřadu práce. V druhém případě se vychází z výběrových šetření, která se provádějí pravidelně v populaci. Ta mají za úkol zahrnout celou populaci daného státu, která ţije ve vlastních domácnostech. Jednotkou měření jsou jedinci a domácnosti. Definice domácnosti 18

není jednotná, nicméně drobné rozdíly nemají vliv na konečné výsledky. Důleţité je ale sjednocení metodiky, aby byly zjišťovány stejné údaje, pouţívány stejné definice, stejná klasifikace (např. druhu ekonomické aktivity) atd. Mareš (2002, s. 24) dále uvádí, ţe výhodou výběrových šetření je skutečnost, ţe dokáţí zachytit jak registrované na úřadech práce, tak i nezaměstnané neregistrované. Skrytá nezaměstnanost se dá odhadovat i z dalších údajů o nezaměstnanosti, především analýzou časové řady, která vyplívá z porovnání dvou po sobě jdoucích období a výsledkem je počet rezignovaných osob ty, které opustili trh. Běţná míra nezaměstnanosti (tj. procentní podíl počtu nezaměstnaných osob k celkové pracovní síle, tedy ekonomicky aktivnímu obyvatelstvu) představuje jen globální pohled na stav nezaměstnanosti. Teprve porovnávání nezaměstnanosti uvnitř populace poskytuje hrubou představu o jejich specifických rysech. Dle Mareše existují tzv. speciální míry nezaměstnanosti a jsou to zejména: Míra dlouhodobé nezaměstnanosti Míra propuštěných z práce Míra nezaměstnaných dospělých osob Míra nezaměstnaných hledajících si zaměstnání na plný úvazek Míra zahrnující lidi pracující z ekonomických důvodů na zkrácenou pracovní dobu Míra zohledňující rezignované pracovníky Tuleja a kol. (2008, s. 132) upozorňuje, ţe měření nezaměstnanosti je spojeno s problémy zahrnutí určitých skupin do kategorie nezaměstnaných. Jedná se zejména o: odrazené pracovníky, coţ jsou lidé, kteří se nezapočítávají do pracovní síly kvůli své rezignaci na hledání nového pracovního místa (převáţně se jedná o dlouhodobě nezaměstnané, podzaměstnané, tzn. osoby, které nemohou zůstat bez příjmu a jsou nuceny pracovat na částečný pracovní úvazek nebo s nízkým finančním ohodnocením (tyto osoby se započítávají mezi zaměstnané), 19

fiktivní nezaměstnané, kteří buď práci skutečně nehledají (nechtějí to ale přiznat z důvodu ztracení dávek), nebo jsou zaměstnaní na,,černo. 2.1.4 Problém plné zaměstnanosti a přirozené míry nezaměstnanosti Plná zaměstnanost, jak uvádí Mareš (2002, s. 25), je většinou chápána jako stav, kdy ten, kdo chce pracovat a akceptovat přitom mzdu, kterou mu zaměstnavatelé za daných podmínek mohou nabídnout, zaměstnání vţdy najde. Za míru odpovídající plné zaměstnanosti je povaţována přibliţně její 2-6% úroveň (tato hranice není fixní, po druhé světové válce roste). Překročení této hranice (jak směrem dolů, tak i nahoru) bývá většinou poţadováno za neţádoucí. Někdy se také hovoří o přirozené nezaměstnanosti, coţ je taková její úroveň, která odráţí strukturální charakteristiky trhu práce a zboţí, náklady shromaţďování informací o volných pracovních místech a pracovních moţnostech a náklady na mobilitu pracovních sil. 2.1.5 Cesta k masové nezaměstnanosti Podoba nezaměstnanosti, stejně jako její vnímání společností, se v průběhu historie měnily. Kde ale tato historie začíná? Touto otázkou se zabývá Mareš (2002, s. 37) a zdůrazňuje, ţe o nezaměstnanosti má smysl hovořit jen tam, kde jsou práce a pracovní vztahy široce zaloţeny na konceptu zaměstnanosti a prací se chápe placené zaměstnání jakoţto produkt vývoje kapitalistických ekonomických vztahů. Tam, kde takovéto pojetí zaměstnanosti neexistuje, tam nejsou nepracující osoby chápány jako nezaměstnané. Tak tomu bylo po celý středověk, v jehoţ průběhu se nemluvilo o nezaměstnaných, ale o chudých. Mareš (2002, s. 37) dále poznamenává, ţe v tradiční společnosti produkující pro naturální spotřebu, ani v otrokářské společnosti, ve které otroci nemohli ztratit svou práci a naopak k ní byli nuceni, ani ve feudální společnosti, kde nevolníci byli přimknuti ke svému feudálnímu pánovi řadou povinností (ty ale na druhé straně zajišťovali jejich nároky na 20

ochranu ze strany feudálního pána), ani v centrálně plánované ekonomice není masová nezaměstnanost myslitelná. Všechna dostupná pracovní síla je v principu do výrobních jednotek přidělována mimotrţními mechanizmy. Pojem nezaměstnanosti jako masového fenoménu je v myšlení západních zemí relativně novým pojmem, který je spojený s rozvojem trţního hospodářství. Důleţitým bodem byla v tomto ohledu průmyslová revoluce, která způsobila, ţe v podstatě celý příjem je získáván pouze na trhu práce a většina zboţí a sluţeb je rozdělována prostřednictvím trhu. Současně vedla k rozeznávání významné a odměňované práce s formálním zaměstnáním. To mělo za následek, ţe úspěch či neúspěch na trhu práce se stal hlavním existenciálním problémem a ve spojitosti k všudypřítomnému trhu i problémem masovým. 2.1.5.1 Vynoření se masové nezaměstnanosti Od počátku průmyslové revoluce se nezaměstnanost stává problémem trvalým. Mareš (2002, s. 38) podotýká, ţe zkušenost s masovou nezaměstnaností jako významným společenským jevem se soustředí zejména do období 1890 aţ 1930 a znovu se objevuje v průmyslově vyspělých zemí Evropy a v USA počátkem 70 let. Poprvé se staly nezaměstnanost a sociální důsledky nezaměstnanosti hlavními společenskými problémy na přelomu 19. a 20. století. V tomto období však není nezaměstnanost ještě chápána jako jev celkově patřící k trţní ekonomice. Je povaţována spíše za problém lokálního charakteru. Přesto dochází ke konci 19. století k prvním váţným politickým a veřejným diskuzím na téma nezaměstnanost. Byl to také čas začátků státních institucí zprostředkujících práci i celonárodních a státem zaručených systémů pojištění pro případ nezaměstnanosti. Zlomový bod nastal především v období první světové války. Ta sice v podstatě nezaměstnanost odstranila, ale po jejím ukončení následoval růst nezaměstnanosti v letech 1920-1921, který znamenal počátek deprese, která se dramaticky opakovala a vyvrcholila v třicátých letech. 21

2.1.5.2 Československo a krize 30. let Slovy Mareše (2002, s. 38) krize a nezaměstnanost 30. let vyvolaly kulturní šok, s kterým se ještě mnoho let vyrovnávaly politické a ekonomické systémy ve všech průmyslových zemí. Nezaměstnanost během krize 30. let udeřila Československo plnou silou. Z pohledu Mareše (2002, s. 39) zasáhla československou ekonomiku tvrdě a postihla celý její průmysl. Podle dobových údajů byla těţba a zpracování dřeva spolu s chemickým a keramickým průmyslem v roce 1932 omezeny oproti předchozímu roku o 30%, sklářský průmysl pracoval dokonce jen na 25% své výrobní kapacity. V letech 1928-1929 bylo v Československu přibliţně 50 tisíc nezaměstnaných, ale jejich počet se v roce 1930 zčtyřnásobil a v roce 1933 přesáhl 700 tisíc osob. Odhaduje-li se tehdejší počet dělníků asi na 3,25 milionu osob, pak z nich byla bez zaměstnání prakticky pětina. Prostřednictvím jejich rodin se nezaměstnanost dotýkala asi 3 milionů osob (přibliţně 20% populace). Mareš dále poznamenává, ţe geograficky byl výskyt nezaměstnanosti v tehdejším Československu nerovnoměrně rozdělen. Nejlépe vycházely zemědělské okresy (méně postiţeny krizí anebo vysoký výskyt skryté nezaměstnanosti), naopak nejhůře na tom byly pohraniční české a moravské okresy s převahou průmyslu zaměřeného na vývoz. Specifickým rysem nezaměstnanosti v 30. letech bylo také to, ţe nejen klesal počet zaměstnaných osob, ale klesaly i jejich mzdy. Nezaměstnanost tak znamenala výrazný pokles ţivotní úrovně, často na hranici strádání. Dávky sociálního státu byly tehdy malé a za daného stavu mohla být podporována pouhá čtvrtina nezaměstnaných. 2.1.5.3 Vývoj nezaměstnanosti v poválečné Evropě V poválečné Evropě se dle Mareše (2002, s. 40) poměrně dlouhou dobu dařilo udrţovat stav plné zaměstnanosti. Prakticky aţ do 60. let nepřesáhla míra nezaměstnanosti v průmyslově rozvinutých zemích 3-4%, coţ bylo tehdy chápáno jako normální frikční či přirozená nezaměstnanost. V této situaci nepředstavovala dlouhodobá nezaměstnanost ţádný problém, neboť počet dlouhodobě nezaměstnaných byl tehdy zanedbatelný. Tento stav byl dán řadou faktorů, zejména poválečnou rekonstrukcí ekonomik těchto zemí, 22

technologickým rozvojem, rychle se rozvíjejícím sektorem sluţeb. Růst sluţeb měl velkou absorpční schopnost a zejména v 60. letech napomáhal předcházet problémům s přesunem pracovní síly z průmyslu. Z hlediska zaměstnanosti a nezaměstnanosti měla velký význam také historická změna váhy jednotlivých sektorů, jejich podílu na zaměstnávání ekonomicky aktivních osob a na rozsahu a struktuře nabízených pracovních míst. Docházelo tedy ke změně ve struktuře nezaměstnanosti. Mareš (2002, s. 43) dále konstatuje, ţe ve většině průmyslově vyspělých zemích se dařilo v letech 1948-1966 udrţovat plnou zaměstnanost, ale jiţ od 60. let začala nezaměstnanost pozvolna růst a při kaţdé nové recesi byl vrchol nezaměstnanosti vyšší neţ v předcházející. V recesi v letech 1970-1972 překročila nezaměstnanost hranici povaţovanou za stav plné zaměstnanosti a stále rostla. Poválečný sen o plné zaměstnanosti tak skončil krizí 70. let a celkově se masová nezaměstnanost stala běţným jevem průmyslově vyspělých zemí. Vysoká nezaměstnanost měla ovšem v 70. a 80. letech menší dopad na populaci neţ ve 30. letech, a to díky rozvinutějšímu systému sociálního státu s podporami, které zajišťovali minimální příjem. Nezaměstnanost je i dnes tíţivý problém, ale neznamená ţivotní ohroţení, jaké zaţila 30. léta. Mareš (2002, s. 44) dodává, ţe situace je lepší díky zvýšenému ţivotnímu standardu, zapojování ţen na pracovní trh, ale také díky mnoha programům pro vytváření nových pracovních míst a programům rekvalifikace. 2.1.5.4 Fenomén masové nezaměstnanosti Zaměstnanost v Evropě i v mimoevropských průmyslově vyspělých zemích, jak uvádí Mareš (2002, s. 44), byla v 90. letech ovlivňována především díky šíření nových technologií, expanzi světového trhu a s růstu významu světové konkurence. Navzdory růstu produkce a ţivotního standardu většiny populace se zvýšil počet nezaměstnaných. Růst masové nezaměstnanosti je způsoben ekonomickou depresí vedoucí k poklesu produkce, zaměstnanosti a kupní síly (zpětně i odbytu). Po dlouhém poválečném období rychlého růstu došlo k menší ekonomické aktivitě, coţ vytvořilo v určitých odvětvích a regionech přebytek pracovní síly. Mareš ještě podotýká, ţe někteří autoři poukazují na to, ţe pracovní síla se v tomto období stává méně flexibilní, coţ způsobuje vznik nerovnováhy 23

mezi strukturou poptávky a nabídky práce na trhu, a to vyústí v masovou nezaměstnanost. Dobou zlomu byla v Evropě i v USA 70. léta. Hlavním impulsem byla ropná krize, ale i další faktory, které ve svém konečném důsledku zavrhly sen o plné zaměstnanosti a vyvolali masovou nezaměstnanost s velkým podílem, téměř polovinou, dlouhodobě nezaměstnaných. Slovy Mareše (2002, s. 45) celkově prohlubují nezaměstnanost takové trendy jako úpadek průmyslové výroby, zavádění nových technologií, které v přímé výrobě dělají člověka v podstatě nadbytečného. Dále pokles podílu na světovém obchodu, růst nadnárodních společností (upřednostňují rozdělování zdrojů z globálních, nikoliv národních hledisek), růst nových silných národních ekonomik a jejich vstup na světový trh či nasycení národního trhu zboţím dlouhodobé spotřeby. 2.1.5.5 Vývoj nezaměstnanosti v České republice po roce 1990 Nezaměstnanost v České republice byla, dle Mareše (2002, s. 50), v první polovině 90. let nad očekávání nízká. Ve srovnání se zeměmi bývalé RVHP (Slovensko, Polsko, Maďarsko či NDR) nikdy nepřekročila roční míra nezaměstnanosti v České republice po roce 1990 dvoucifernou hranici a dokonce ani hranici, která vymezuje přirozenou míru nezaměstnanosti. Existují ekonomická i mimoekonomická vysvětlení. Skutečností je, ţe v tzv. první vlně nezaměstnanosti se česká ekonomika zbavila jen některých kategorií pracovníků (pracující důchodci, zahraniční pracovníci). Broţová (2003, s. 89) ještě dodává, ţe v roce 1991 míra nezaměstnanosti činila 4,13%, poté začala pomalu klesat a postupem času se ustálila. V letech 1992-1996 pak kolísávala kolem úrovně 3% a patřila k nejniţším v Evropě. Toto období lze proto charakterizovat jako období relativní stability s nízkou mírou nezaměstnanosti, která se pohybovala v rozmezí od 2,57% v roce 1992 aţ k 3,52% v roce 1996. K takovému vývoji přispěl zejména terciární sektor, který dovedl absorbovat uvolňované pracovníky převáţně z primárního a sekundárního sektoru. Tzv. druhá vlna nezaměstnanosti znamenala koncem 90. let silný nárůst míry nezaměstnanosti za celou Českou republiku. Na trhu práce došlo k jistým změnám a ve struktuře nezaměstnaných ke konci 90. let nezadrţitelně stoupal podíl dlouhodobé 24

nezaměstnanosti. Druhá vlna nezaměstnanosti dle Broţové (2003, s. 89) nejvíce zasáhla privatizující se podniky a banky, které se zbavovaly nadbytečných pracovníků. Největší pokles nezaměstnanosti zaznamenal sekundární sektor. Poptávka po práci se dostala pod úroveň nabídky práce a to víceméně ve všech oborech a regionech. Míra nezaměstnanosti vzrostla plošně na 5.2% za rok 1997, coţ znamenalo jiţ skoro 270 tisíc pracovníků bez zaměstnání. V letech 1998 a 1999 se tento trend ještě prohluboval. Česká ekonomika procházela obdobím růstu míry nezaměstnanosti, která v roce 1999 přesáhla hranici 9% a zaměstnanost v primárním a sekundárním sektoru se stále sniţovala, na rozdíl od terciárního sektoru, kde zaměstnanost rostla. Z územního hlediska byla nezaměstnanost rozprostřena nerovnoměrně. Mareš (2002, s. 51) udává, ţe pro období 1991-1996 byly tehdy povaţovány okresy hlavně na severní Moravě (Bruntál, Nový Jičín, Karviná, Přerov atd.), Třebíč a Znojmo na jiţní Moravě a Louny v Čechách. Koncem 90. let byly nezaměstnaností výrazně postiţeny i severočeské průmyslové okresy, zejména Most, Chomutov a další, ale také i okresy ostravského regionu (kombinace útlumu těţby a sociálních problémů). Jsou to příznaky toho, ţe část nezaměstnanosti se stává strukturální. Broţová (2003, s. 92) podotýká, ţe nezaměstnanost ke konci roku 2000 poprvé od roku 1994 klesala (v červnu roku 2001byla 8,1%, ovšem v prosinci uţ byla nezaměstnanost opět vyšší 8.9%). Růst míry nezaměstnanosti se zastavil a od roku 1999 se nezaměstnanost pohybuje těsně pod hranicí 9%. Koncem roku 2001 a počátkem roku 2002 (leden 2002 9,4%, únor 2002, 9,3%) se ovšem nezaměstnanost opět zvýšila. Slovy Broţové (2003, s. 93) je pravděpodobně příčinou omezení sezonních pracovních míst ve stavebnictví, zemědělství či cestovním ruchu, a jednak také odrazem sníţení výkonu světové, resp. zejména německé ekonomiky. 2.2 Hrubý domácí produkt Dle Vlčka (2009, s. 262) je hrubý domácí produkt HDP základní veličinou pouţívanou k celkovému měření výkonnosti ekonomiky. Z věcného hlediska představuje HDP souhrn finálních ekonomických statků (spotřební a kapitálové statky) vyprodukovaných za určité časové období (nejčastěji jeden rok) výrobními faktory na 25

území daného státu, bez ohledu na to, kdo je jejich vlastníkem. Hrubý domácí produkt vychází z územního principu a informuje o celkovém výsledku produktivní činnosti rezidentských ekonomických subjektů. Na věcné úrovni ovšem nedokáţeme vyjádřit celkový produkt jednou veličinou, protoţe není moţné sčítat nesrovnatelné vyrobené televizory, rohlíky, automobily, byty apod. Pro vyjádření souhrnu celkové produkce proto vyuţíváme peněţní vyjádření hodnoty (trţní ceny), které získávají jednotlivé ekonomické statky na trhu finální produkce. Do finálních statků, které jsou určeny ke konečnému uţití (tzn. na spotřebu nebo investice), zahrnujeme všechny výrobky a sluţby určené: ke spotřebě domácností (soukromá spotřeba); k nákupu hmotných a nehmotných investičních aktiv ze strany podnikatele (soukromé investice); k nákupu zboţí a sluţeb prováděného státem z veřejných prostředků (veřejná či vládní spotřeba). Vlček (2009, s. 263) zdůrazňuje, ţe objem finálních statků v kaţdé ekonomice je ovlivňován také exportem a importem zboţí a sluţeb. V případě, ţe daná země má větší export neţ import, znamená to, ţe více statků vyváţí (resp. i produkuje), neţ dováţí. Tento rozdíl je třeba přičíst k celkové produkci země a v opačném případě, kdy je menší export neţ import, odečíst. Do hodnoty HDP nesmí být zahrnuty čistě peněţní transakce, které sice jsou součástí trţního prostředí ekonomiky, ovšem nesouvisejí s konečnou produkcí, například hodnota obchodů s cennými papíry. Obdobně do HDP nevstupují směnné transakce jiţ existujícího majetku, tedy majetku, který nebyl součástí finální produkce sledovaného období, například peněţní transakce spojené s převody nemovitostí, hodnota pouţitého zboţí prodávaného v bazarech apod. V těchto případech je jedná jen o změnu ve struktuře aktiv a vlastníka. Skutečnost, ţe do HDP započítáváme pouze finální statky, znemoţňuje zahrnout některé statky duplicitně, coţ by sníţilo vypovídací schopnost tohoto agregátu. Hrubý domácí produkt proto neobsahuje hodnotu meziproduktů, to jsou dodávky mezi firmami uskutečněné v daném roce, které jsou v tomtéţ roce pouţity k další výrobě (například obilí 26

a z něho vyrobená mouka představují meziprodukt, který je spotřebován při výrobě chleba, ale do HDP se započítává jen hodnota chleba). Mnohonásobné započítávání meziproduktů znemoţňujeme tím, ţe sčítáme pouze tzv. přidané hodnoty, o které se zvětšovala hodnota daného statku v jednotlivých etapách jeho výroby. Přidanou hodnotu dané firmy zjistíme, kdyţ od jejích celkových trţeb odečteme náklady spojené s nákupem meziproduktů (suroviny, energie, sluţby) od jiných firem. Za nejjednodušší způsob výpočtu HDP lze proto dle Vlčka (2009, s. 264) povaţovat součet hodnoty jen těch trţních transakcí, které se týkají prodeje finálních produktů. Při praktickém pouţití této metody je důleţité mít k dispozici informace o tom, kdo a k jakému pouţití koupil kaţdé jednotlivé zboţí nebo sluţbu, protoţe jedině tak je moţné vyloučit všechny nákupy statků, které jsou pouţity jako vstupy do výroby. Princip přidané hodnoty umoţňuje vypočítat výstup ekonomiky tzv. výrobní metodou, která vyplývá z definice HDP jako součtu hrubé přidané hodnoty jednotlivých institucionálních sektorů nebo jednotlivých odvětví a nepřímých daní sníţených o dotace na produkty (získáme HDP v trţních cenách). HDP, jako celková suma hodnoty přidané zpracováním, poskytuje rovněţ informace o vyspělosti jednotlivých ekonomik, neboť zachycuje stupeň zpracování výchozích vstupů. Vlček (2009, s. 265) dále zmiňuje, ţe základní metodou zjišťování HDP je tzv. výdajová (neboli spotřební) metoda, jejímţ východiskem je uţití výstupu ekonomiky u subjektů, které jednotlivé části HDP nakupují. Jak se v České republice vyvíjel hrubý domácí produkt od roku 1990 do roku 2013 zobrazuje graf č. 1. Klíčové jsou hodnoty HDP z let 2001 aţ 2013 z důvodu pouţití těchto hodnot v analytické části. 27

Graf 1 Objem HDP v miliardách Kč (běţné ceny) Zdroj: http://www.financninoviny.cz 2.3 Český statistický úřad Český statistický úřad (ČSÚ) je ústřední orgán státní správy České republiky, který byl zřízen dne 8. ledna 1969 na základě zákona č. 2/1969 Sb., o zřízení ministerstev a jiných ústředních orgánů státní správy. Působnost ČSÚ je vymezena zákonem č. 89/1995 Sb., o státní statistické sluţbě. Jako hlavní orgán státní statistické sluţby koordinuje sběr a zpracování statistických údajů, které provádějí jednotlivá ministerstva. ČSÚ hospodaří jako rozpočtová organizace se sídlem v Praze. ČSÚ zajišťuje zpracování i zveřejňování údajů, sestavuje souhrnné statistické charakteristiky vývoje národního hospodářství, zpracovává různé analýzy, projekce demografického vývoje, datové sady, časové řady, tiskové zprávy či on-line publikace. Sleduje dodrţování povinností v oblasti státní statistické sluţby, vytváří a spravuje statistické klasifikace, číselníky a registry. ČSÚ také poskytuje statistické informace do zahraničí a spolupracuje s mezinárodními organizacemi. Český statistický úřad dále shromaţďuje zahraniční statistické informace, zejména pro účely porovnání úrovně sociálního, ekonomického, demografického a ekologického vývoje státu se zahraničím. Získané informace i výsledky porovnání poskytuje státním orgánům i veřejnosti. Veškerá 28

data v různých podobách jsou zdarma dostupná na webových stránkách www.czso.cz. (http://cs.wikipedia.org, 2015). Statistická data o zaměstnanosti a nezaměstnanosti se v rámci ČSÚ publikují hlavně z výsledků tzv. Výběrového šetření pracovních sil (VŠPS). Hlavním cílem tohoto šetření je získávání pravidelných informací o situaci na trhu práce, umoţňujících její analýzu z různých hledisek, a to především z ekonomických, sociálních a demografických. (http://notes.czso.cz, 2013). 2.4 Statistické analýzy 2.4.1 Analýza rozptylu (Analysis of variance ANOVA) Jestliţe dle Svatošové (2004, s. 86) řešíme problém, zda rozdíly mezi m disponibilními soubory jsou jen náhodné, nebo zda se mezi nimi vyskytují nějaké systematické odchylky, se většinou provádí ve dvou etapách. V první etapě pomocí analýzy rozptylu globálně testujeme nulovou hypotézu. V případě, ţe dojde k zamítnutí nulové hypotézy, řešíme ve druhé etapě otázku, které soubory se od sebe významně liší. Analýza rozptylu představuje zobecnění dvouvýběrového t-testu na případ více neţ dvou výběrů. Uţíváme jí tehdy, pokud sledujeme vliv jednoho nebo několika faktorů na zkoumaný kvantitativní statistický znak X. V případě, ţe zkoumáme vliv pouze jediného faktoru na daný statistický znak, hovoříme o analýze rozptylu při jednoduchém třídění (jednoduchá nebo jednofaktorová analýza rozptylu). Svatošová (2004, s. 89) dále zdůrazňuje, ţe pokud je nezbytné, aby výsledky analýzy rozptylu byly doplněny o podrobnější hodnocení, kterým bychom zjistili strukturu nestejnorodosti středních hodnot (resp. zjistili, které z dvojic výběrových průměrů se liší statisticky významně nebo pouze náhodně), pouţijeme metody mnohonásobných porovnávání. Všeobecně pouţitelná je Scheffého metoda (krátce S-metoda). Tukeyova metoda (T-metoda) je citlivější na rozdíly mezi středními hodnotami a je silnější neţ S- metoda. Průkaznost rozdílů mezi rozptyly se hodnotí pomocí F-testu a jeho výpočet je základní částí výpočtu analýzy rozptylu. 29

2.4.2 Regresní a korelační analýza časových řad Regresní a korelační analýza se dle Skupinové (2012, s. 37) zabývá zkoumáním tzv. statistických závislostí číselných proměnných. Jsou to závislosti, kdy stejným hodnotám jedněch proměnných mohou odpovídat různé hodnoty jiných proměnných. Například závislosti výdajů domácnosti za určité zboţí na měsíčním příjmu domácnosti. Je zřejmé, ţe výše měsíčního příjmu má vliv na výši těchto výdajů. Výše výdajů ale nezávisí jen na velikosti příjmu, ale i na řadě dalších činitelů, jakými jsou například počet členů domácnosti, její věková struktura a další. V důsledku toho mívají domácnosti se stejnými příjmy různě velké výdaje za dané zboţí. Při zkoumání závislostí číselných proměnných se často setkáváme s tzv. jednostrannými závislostmi. Taková je i závislost uvedená v předchozím odstavci. Různou velikost příjmu lze povaţovat za jednu z příčin různě velkých výdajů za dané zboţí, zatímco různě velké výdaje za dané zboţí nelze povaţovat za příčinu různě velkých příjmů. V takovémto případě má smysl vysvětlovat různě velké výdaje různě velkými příjmy, ovšem nemá smysl vysvětlovat různě velké příjmy různě velkými výdaji za dané zboţí. Jedná se tedy o proměnné, z nichţ měsíční příjem je tzv. vysvětlující proměnnou a měsíční výdaje za dané zboţí tzv. vysvětlovanou proměnnou. V literatuře se většinou o vysvětlující proměnné hovoří jako o nezávisle proměnné a o vysvětlované proměnné jako o závisle proměnné. O zkoumání jednostranných závislostí se často hovoří jako o regresní analýze. V případě, ţe existuje jen jedna vysvětlující proměnná, jedná se o jednoduché regresi, pokud je více vysvětlujících proměnných, jedná se o vícenásobné regresi. Kromě jednostranných závislostí se setkáváme i s takovými závislostmi číselných proměnných, kdy je moţné za vysvětlovanou proměnnou zvolit jakoukoli z těchto proměnných. Jedná se o tzv. vzájemné závislosti, o jejichţ zkoumání se často hovoří jako o korelační analýze. V případě dvou proměnných se jedná o jednoduchou korelaci, v případě rozsáhlejšího počtu proměnných hovoříme o vícenásobné korelaci. Při zjišťování statistických závislostí se soustředí pozornost především na dva problémy. Nejdříve se hledají vhodné matematické funkce, pomocí nichţ by bylo moţné odhadovat průměrné hodnoty vysvětlované proměnné, odpovídající zvoleným hodnotám jedné nebo několika vysvětlujících proměnných. Tyto funkce se nazývají regresní funkce a je moţné je získat z tzv. bodového diagramu, v němţ je kaţdá dvojice hodnot x i,y i 30

znázorněna bodem v pravoúhlé souřadnicové soustavě. Druhým problémem je změření síly, resp. intenzity či těsnosti, závislosti. K měření síly závislosti se pouţívají různé statistické charakteristiky, například korelační koeficienty. Skupinová (2012, s. 45) dodává, ţe korelační koeficient nabývá hodnot z intervalu -1; 1. V případě, ţe obě proměnné jsou závislé nepřímo (kdyţ roste hodnota jedné proměnné, průměrné hodnoty druhé proměnné klesají, je korelační koeficient záporný. Kladný je při přímé závislosti, kdyţ při růstu hodnot jedné proměnné rostou i průměrné hodnoty druhé proměnné. Pokud jsou obě proměnné nezávislé (při růstu průměrných hodnot jedné proměnné se hodnoty druhé proměnné nemění), je korelační koeficient roven nule. V případě tzv. perfektní lineární závislosti, kdy stejným hodnotám jedné proměnné odpovídají stejné hodnoty druhé proměnné a kdy závislost obou proměnných vyjadřuje přímka, je korelační koeficient rovný -1 nebo 1. Lineární závislost obou proměnných je tedy povaţována za tím silnější, čím je hodnota korelačního koeficientu bliţší -1 nebo 1 a za tím slabší, čím je hodnota korelačního koeficientu bliţší 0. 2.4.3 Statistické testování Při běţně pouţívaných testech se proti sobě dle Skupinové (2012, s. 8) staví dvě hypotézy testovaná (nulová) hypotéza (značí se H 0 ) a alternativní hypotéza (značí se H 1 popř. H A ). Testovaná hypotéza něco tvrdí a alternativní hypotéza to popírá. Výsledkem statistického testu je pak buď přijetí testované hypotézy, nebo její zamítnutí, resp. přijetí alternativní hypotézy. Je důleţité si uvědomit, ţe se při kaţdém výběru usuzuje na základní soubor, tj. z části na celek. Při takovýchto úsudcích je vţdy nezbytné počítat s moţností chyby. Chybně můţe být přijata jak alternativní hypotéza, tak i testovaná. Pravděpodobnost chybného přijetí alternativní hypotézy se nazývá hladina významnosti a značí se obvykle symbolem α. Většinou se volí α = 0,05 a hovoří se o 5% hladině významnosti. V takovémto případě volíme 5% riziko, ţe na základě výběrových dat chybně přijmeme alternativní hypotézu. Toto riziko je povaţováno za velmi malé, takţe v podstatě se dá předpokládat, ţe nedojde k chybnému přijeti alternativní hypotézy. Pokud je tedy výsledkem testu přijetí alternativní hypotézy, je moţné říci, ţe test prokázal její platnost. 31

U většiny testů nelze volit pravděpodobnost chybného přijetí testované hypotézy. Zejména při menších výběrech bývá několikrát výsledkem testu přijetí testované hypotézy, přestoţe je správná hypotéza alternativní. Z toho plyne, ţe z přijetí testované hypotézy je rozumné vyvozovat pouze závěr, ţe ji test nevyvrátil, ne však závěr, ţe test dokázal její platnost. Zkoumá-li se se například to, ţe existuje závislost dvou proměnných, staví se proti sobě hypotéza o nezávislosti (jako testovaná hypotéza H 0 ) a hypotéza o závislosti (jako alternativní hypotéza H 1 ). Při zvolené 5%, popřípadě niţší hladině významnosti, lze příslušným testem prokázat nebo neprokázat, ţe jsou obě proměnné závislé. Ovšem nelze jím prokázat, ţe jsou nezávislé. K rozhodování o tom, která z obou hypotéz bude přijata, slouţí při kaţdém testu určitá proměnná, jejíţ hodnotu je moţné vypočítat z výběrových dat a která má při platnosti testované hypotézy určité pravděpodobnostní rozdělení. Tato proměnná se nazývá testové kritérium. Obor hodnot, jejichţ můţe testové kritérium nabývat, se pak pomocí tzv. kritických hodnot dělí na tzv. obor přijetí a kritický obor. Vypočítá-li se pak z výběrových dat hodnota testového kritéria a padne-li do kritického oboru, přijme se alternativní hypotéza. V opačném případě dojde k přijetí testované hypotézy. Je důleţité si uvědomit, ţe výsledek testu závisí mimo jiné také na zvolené hladině významnosti. Za jinak stejných podmínek vede sniţování hladiny významnosti k rozšiřování oboru přijetí a tedy k zuţování kritického oboru. Můţe tedy nastat situace, ţe testovaná hypotéza, která byla zamítnuta při pouţití 5% hladiny významnosti, nemusela být zamítnuta při pouţití například 1% hladiny významnosti. Aby se předešlo nedorozumění, je vhodné u kaţdého testu uvést zvolenou hladinu významnosti. 2.4.4 Ekonomické časové řady a trend Dle Artla a Artlové (2009, s. 11) je důleţitým úkolem statistických analýz ekonomických jevů zkoumání jejich dynamiky. Empirická pozorování v ekonomické sféře jsou často uspořádána do časové řady. Ekonomickou časovou řadou se rozumí řada hodnot jistého věcně a prostorově vymezeného ekonomického ukazatele, která je uspořádána v čase směrem od minulosti do přítomnosti. Ekonomické časové řady lze klasifikovat podle typu ukazatele podle typu 32

ukazatele, který se sleduje, na intervalové a okamţikové. Intervalové časové řady jsou řadami ukazatelů, jejichţ hodnoty jsou závislé na délce časového intervalu sledování. Typickými intervalovými ukazateli jsou extenzitní ukazatele, jejichţ příkladem můţe být objem výroby, spotřeba surovin atd. Okamţikové časové řady jsou řadami ukazatelů, jejichţ hodnoty se vztahují k určitým časovým okamţikům. Hodnoty takových ukazatelů nezávisí na délce časového intervalu sledování. Příkladem okamţikového ukazatele je počet neumístěných uchazečů o zaměstnání evidovaných na úřadu práce k určitému datu. Klasifikaci ekonomických časových řad lze provést rovněţ podle délky intervalu sledovaných hodnot. Dlouhodobé časové řady mají hodnoty sledované v ročních či delších časových úsecích, hodnoty krátkodobých časových řad se sledují v úsecích kratších, neţ je jeden rok, a vysokofrekvenční časové řady mají hodnoty sledované v úsecích kratších, neţ je jeden týden. Artl a Artlová (2009, s. 12) dodávají, ţe lze pozorovat, ţe zejména s druhou klasifikací souvisí tvar ekonomických časových řad, např. čím je interval sledování delší, tím jsou časové řady vyhlazenější. Tato skutečnost však vyplývá z typického rysu časových řad časové,,svázanosti jejich jednotlivých hodnot. Naopak od průřezových dat, má u časových řad pořadí hodnot zásadní význam. Způsob, jakým na sebe jednotlivé hodnoty v časových řadách navazují, určuje jejich tvar a charakteristické vlastnosti. Ekonomické časové řady jsou charakteristické např. trendem. Trend odráţí dlouhodobé změny v průměrném chování časové řady resp. obecnou tendenci vývoje zkoumaného jevu za delší období. Je výsledkem faktorů, které dlouhodobě působí ve stejném směru jako je např. technologie výroby, demografické podmínky či podmínky trhu v dané oblasti. Trend můţe mít rozdílný charakter, můţe být rostoucí, klesající, strmý, mírný, v průběhu času se můţe měnit, takţe jej lze pokládat spíše za cyklus. Můţe být hladší neţ je vlastní časová řada, nebo také variabilnější. 33

3 Analytická část 3.1 Cíl práce Cílem diplomové práce je: 1) získání zdrojových dat o nezaměstnanosti z období 2001 aţ 2013 2) statistické zpracování dat a jejich následné roztřídění do charakteristických skupin pro potřeby analýzy rozptylu 3) zpracování analýzy rozptylu 4) vyhodnocení analýzy rozptylu s cílem určit, zda-li mezi posuzovanými kategoriemi existuje alespoň jedna dvojice průměrů, které se na zvolené hladině významnosti α=0,05 statisticky průkazně liší. Bude-li přijatá alternativní hypotéza (H A ), bude přistoupeno k podrobnějšímu vyhodnocení podle T-metody. 5) statistické zpracování dat pro potřeby regresní a korelační analýzy 6) zpracování regresní a korelační analýzy v časových řadách 7) vyhodnocení regresní a korelační analýzy v časových řadách s cílem zjistit, zda změny v nezaměstnanosti vyvolávají změny v hrubém domácím produktu. 3.2 Metodika 3.2.1 Charakteristika zdrojových dat Veškerá pouţitá data (kromě HDP) v této diplomové práci jsou k dispozici na stránkách ČSÚ ve veřejné databázi. Data jsou zpracovaná ve formě tabulek v programu Excel nebo PDF. Kaţdá tabulka obsahuje procentuální vyjádření míry nezaměstnanosti v daném kraji v letech 2001 aţ 2013. Nejdříve je uvedená celková míra nezaměstnanosti za kaţdý rok, následuje míra nezaměstnanosti podle věkových skupin (15 aţ 24 let; 25 aţ 49 let; 50 a více let) za kaţdý rok a poslední řádky tabulky obsahují vyjádřenou míru 34

nezaměstnanosti podle úrovně dosaţeného vzdělání, které je rozdělené do 4 skupin (základní vzdělání a bez vzdělání; střední bez maturity; střední s maturitou; vysokoškolské). Pro účely této práce však musely být tabulky z části upraveny. Zejména kategorie,,věková skupina byla původně rozdělena do 11 kategorií. Následně byly hodnoty těchto kategorií upraveny pomocí aritmetického průměru a sloučeny do konečných 3 věkových kategorií. Některé hodnoty v tabulkách nebyly uvedené a bylo nutné je dopočítat pomocí aritmetického průměru. Hodnoty HDP byly převzaty z grafu č. 1,,Objem hrubého domácího produktu (HDP) v miliardách Kč (běţné ceny), který je dostupný na internetové stránce - Finanční noviny.cz. Graf obsahuje vývoj HDP od roku 1990 po rok 2013. 3.2.2 Popis metody analýzy rozptylu Byla zvolena analýza rozptylu dvojného třídění, neboť nezaměstnanost byla zkoumána z různých hledisek, respektive dle různých třídících kategorií. Konkrétně se jedná o třídící kritéria z hlediska tří věkových kategorií a čtyř úrovní vzdělání. Analýze rozptylu byly podrobeny hodnoty míry nezaměstnanosti ze všech 14 krajů z let 2001 aţ 2013. Analýza rozptylu byla prováděna pomocí statistického programu STATGRAPHICS 4.0, který funguje na základě kódování. Aby mohla být analýza uskutečněna, musela být data předem převedena do poţadovaného tvaru. Kaţdému roku se přidělilo určité číslo, např. rok 2001 byl označen jako 1, 2002 jako 2 atd. To samé platilo i pro kraje, věkové skupiny a kategorie vzdělání. Takto upravená data byla posléze zadávána do statistického programu. Nejdříve byla provedena analýza rozptylu hodnot nezaměstnanosti dle jednotlivých věkových skupin. Poté následovala analýza rozptylu hodnot nezaměstnanosti dle jednotlivých úrovní dosaţeného vzdělání. Obě tyto analýzy nemohly být sloučeny do jedné, neboť mezi věkovými kategoriemi a úrovní vzdělání není v tomto případě ţádná závislost, ale slouţí jen jako třídící kritéria. 35

3.2.2.1 Vyhodnocení hypotéz V rámci analýzy rozptylu proti sobě stojí dvě hypotézy: 1) nulová hypotéza (H 0 ), která předpokládá, ţe neexistují dvojice průměrů, které se statisticky průkazně liší 2) alternativní hypotéza (H A ), která naopak tvrdí, ţe existuje alespoň jedna dvojice průměrů, která se statisticky průkazně liší. Byla zvolena hladina významnosti α=0,05. To znamená, ţe existuje 5% riziko, ţe bude chybně přijata alternativní hypotéza, respektive existuje 95% pravděpodobnost (P), ţe přijetí alternativní hypotézy bude správné. Bude-li zamítnuta nulová hypotéza (H o ) a dojde-li k přijetí hypotézy alternativní (H A ), lze předpokládat, ţe mezi posuzovanými kategoriemi existuje alespoň jedna dvojice průměrů, která se na zvolené hladině významnosti statisticky průkazně liší. V případě, ţe bude přijata alternativní hypotéza, bude přistoupeno k podrobnějšímu vyhodnocení dat podle T-metody. 3.2.2.2 Popis výsledných tabulek analýzy rozptylu Nejdříve je potřeba uvést a vysvětlit, jak vypadá výstup analýzy rozptylu, získaný uţitím statistického programu. Jak popisuje Svatošová (2004, s. 92), pokud chceme provést jednoduchou analýzu rozptylu, je nutné ze skupiny procedur Analysis of Variance zvolit proceduru One Way Analysis of Variance. Po vyplnění všech potřebných dat a jejich následném zpracování obdrţíme výslednou tabulku. Tabulka uvádí součty čtverců (Sum of Squares) součty čtverců uvnitř tříd (Between Groups), reziduální součet čtverců téţ se někdy označuje jako součet čtverců uvnitř tříd (Within Groups), stupně volnosti (d.f.), rozptyl (Mean square) a testové kritérium F (ve sloupci F-ratio). Ve sloupci, který je označen jako Sig. level, je uvedená vypočtená hladina významnosti, která je ve statistických programech běţně uţívána a je v nich označována několika způsoby. Nejvíce se pouţívá označení p-value, probability 36

level, significance level případně significance, česky téţ p-hodnota. Vypočítaná hladina významnosti představuje minimální hladinu významnosti, na které je ještě moţné danou nulovou hypotézu zamítnout (orientačně můţe být vykládána jako stupeň důvěry v platnost nulové hypotézy. Velké p-hodnoty svědčí ve prospěch nulové hypotézy, velmi malé vypočítané hodnoty hladiny významnosti naopak svědčí v neprospěch nulové hypotézy. Obecně lze říci, ţe pokud je vypočítaná hladina významnosti menší neţ zvolená hladina významnosti α, bude se nulová hypotéza zamítat a alternativní hypotéza se bude přijímat. Pro vícenásobné porovnávání nabízí statistický program několik nástrojů, nejčastěji se z nich vyuţívají S-metoda nebo T-metoda, která byla v tomto případě pouţita. Při pouţití T-metody je ve výsledné tabulce uveden sloupec Count, ve kterém jsou vyjádřeny rozsahy porovnávaných výběrů, dále sloupec Average uvádí aritmetické průměry těchto výběrů a výsledek porovnávání je zobrazen ve sloupci Homogeneous Groups. Ty průměry, u nichž krížky, respektive hvězdičky, nejsou zapsány ve sloupci pod sebou, se liší statisticky významně. 3.3 Výsledky analýzy rozptylu 3.3.1 ANOVA pro třídící kritérium,,věk Jako první byla provedena analýza rozptylu, kde třídícím kritériem byla věková kategorie, přičemţ byla zvolena hladina významnosti α=0,05. F-test se ukázal v tomto případě jako průkazný (viz. tabulka č. 1). Tabulka 1 Průkazný F-test vícenásobné analýzy rozptylu pro třídící kritérium,,věk Zdroj: vlastní výpočet 37

Protoţe byl F-test průkazný, neboť α vypočítaná = 0,0000 < α zvolená = 0,05, bylo přistoupeno k podrobnějšímu vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,věk z hlediska krajů. (viz. tabulka č. 2). Tabulka 2 Podrobnější vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,věk z hlediska krajů Zdroj: vlastní výpočet Legenda: 1 - Středočeský kraj 2 - Jihočeský kraj 3 - Plzeňský kraj 4 - Jihomoravský kraj 5 - Kraj Vysočina 6 - Moravskoslezský kraj 7 - Ústecký kraj 8 - Olomoucký kraj 9 - Královehradecký kraj 10 - Pardubický kraj 11 - Zlínský kraj 12 - Karlovarský kraj 13 - Liberecký kraj 14 - Hlavní město Praha 38

Tabulka č. 2 zobrazuje průměrné hodnoty nezaměstnanosti (Average) v jednotlivých krajích ČR (Level) podle třídícího kritéria,,věk. Průkazně se statisticky liší Hlavní město Praha od Ústeckého kraje. V Hlavním městě Praze se průměrné hodnoty nezaměstnanosti pohybovaly kolem 7,9%, v Ústeckém kraji byly hodnoty téměř 2,5x větší. Rovněţ průkazně se statisticky liší také Středočeský kraj (8,3%) a Moravskoslezský kraj (18%), stejně tak jako Jihočeský kraj (9,3%) a Olomoucký kraj (16,4%). Naopak kraje Pardubický, Královehradecký a Zlínský se jeví jako velmi statisticky blízké, neboť průměrné hodnoty nezaměstnanosti se v těchto krajích pohybují v rozmezí od 11,76% do 12%. Podobně statisticky blízké jsou povaţovány i kraje Plzeňský (9,6%) a Vysočina (10,5%). Dále bylo přistoupeno k podrobnějšímu vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,věk z hlediska let (viz. tabulka č. 3). Tabulka 3 - Podrobnější vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,věk z hlediska let Zdroj: vlastní výpočet 39

Legenda: 2001-1 2002-2 2003-3 2004-4 2005-5 2006-6 2008-8 2009-9 2010-10 2011-11 2012-12 2013-13 2007-7 Tabulka č. 3 zobrazuje průměrné hodnoty nezaměstnanosti (Average) v jednotlivých letech (Level) podle třídícího kritéria,,věk. Průkazně se od sebe statisticky liší rok 2008 a 2012, kdy se hodnoty nezaměstnanosti pohybovaly na 7,3% a 14,4%. Rok 2007 se celkově statisticky liší od ostatních let (kromě roku 2008), protoţe v tomto roce se hodnoty nezaměstnanosti blíţily k 9,5%. Během ostatních let se hodnoty nezaměstnanosti pohybovaly mezi 12,2% aţ 14,4%. Rovněţ bylo přistoupeno k podrobnějšímu vyhodnocení ANOVA pomocí T- metody pro třídící kritérium,,věk z hlediska věku (viz. tabulka č. 4). Tabulka 4 - Podrobnější vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,věk z hlediska věku Zdroj: vlastní výpočet 40

Legenda: Věková skupina: 15-24 1 25-49 2 50 a více let 3 Tabulka č. 4 zobrazuje průměrné hodnoty nezaměstnanosti (Average) v jednotlivých věkových kategoriích (Level) podle třídícího kritéria,,věk. Je zcela evidentní, ţe věková kategorie 15-24 let, kde průměrné hodnoty nezaměstnanosti dosahují téměř 25%, se průkazně statisticky liší od ostatních kategorií. Z toho vyplývá, ţe věkové kategorie 25-49 let a 50 a více let jsou si statisticky blízké. Hodnoty nezaměstnanosti se v těchto dvou kategoriích pohybují kolem 6,5% a 6,2%. 41

3.3.2 ANOVA pro třídící kritérium,,vzdělání Jako druhá byla provedena analýza rozptylu, kde třídícím kritériem byly tři úrovně vzdělání, přičemţ byla zvolena hladina významnosti α=0,05. F-test se ukázal v tomto případě jako průkazný (viz. tabulka č. 5). Tabulka 5 - Průkazný F-test vícenásobné analýzy rozptylu pro třídící kritérium,,vzdělání Zdroj: vlastní výpočet Protoţe byl F-test průkazný, neboť α vypočítaná = 0,0000 < α zvolená = 0,05, bylo přistoupeno k podrobnějšímu vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,vzdělání z hlediska krajů (viz. tabulka č. 6). Tabulka 6 Podrobnější vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,vzdělání z hlediska krajů Zdroj: vlastní výpočet 42

Legenda: 1 - Středočeský kraj 2 - Jihočeský kraj 3 - Plzeňský kraj 4 - Jihomoravský kraj 5 - Kraj Vysočina 6 - Moravskoslezský kraj 7 - Ústecký kraj 8 - Olomoucký kraj 9 - Královehradecký kraj 10 - Pardubický kraj 11 - Zlínský kraj 12 - Karlovarský kraj 13 - Liberecký kraj 14 - Hlavní město Praha Tabulka č. 6 zobrazuje průměrné hodnoty nezaměstnanosti (Average) v jednotlivých krajích ČR (Level) podle třídícího kritéria,,vzdělání. Průkazně se statisticky liší Hlavní město Praha spolu se Středočeským krajem od Moravskoslezského kraje a Ústeckého kraje. V Hlavním městě Praze dosahovaly průměrné hodnoty nezaměstnanosti necelých 6%. Podobná situace byla i ve Středočeském kraji, kde se průměrné hodnoty nezaměstnanosti pohybovaly kolem 6,4%. Podstatně vyšší hodnoty, téměř dvojnásobné, se vyskytovaly v Moravskoslezském kraji (14,1%) a Ústeckém kraji (13,7%). Naopak velmi statisticky blízké si jsou kraje Královehradecký a Liberecký, kde průměrné hodnoty nezaměstnanosti dosahovaly 8,6% a 8,8%. Rovněţ za statisticky blízké mohou být povaţovány i kraje Pardubický, Zlínský a Jihomoravský, neboť průměrné hodnoty nezaměstnanosti se v těchto krajích pohybovaly v intervalu od 9,2% a 9,8%. 43

Dále bylo přistoupeno k podrobnějšímu vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,vzdělání z hlediska jednotlivých let (viz. tabulka č. 7). Tabulka 7 - Podrobnější vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,vzdělání z hlediska let Zdroj: vlastní výpočet Legenda: 2001 1 2008-8 2002 2 2009-9 2003 3 2010-10 2004 4 2011-11 2005 5 2012-12 2006 6 2013-13 2007 7 Tabulka č. 7 zobrazuje průměrné hodnoty nezaměstnanosti (Average) v jednotlivých letech (Level) podle třídícího kritéria,,vzdělání. Průkazně se statisticky 44

od sebe liší rok 2008 a 2012, kdy se v těchto letech pohybovaly průměrné hodnoty nezaměstnanosti kolem 6,8% a 10,9%. Poměrně statisticky blízké jsou si roky, ve kterých průměrné hodnoty nezaměstnanosti dosahovaly přibliţně 9,1% aţ 9,5% (jedná o roky 2003, 2001, 2006, 2009 a 2005). V podstatě to samé můţeme soudit o rocích 2011, 2004, 2010 a 2013, protoţe v těchto letech se průměrné hodnoty nezaměstnanosti pohybovaly v rozmezí od 9,8% aţ 10,4%. Rovněţ bylo přistoupeno k podrobnějšímu vyhodnocení ANOVA pomocí T- metody pro třídící kritérium,,vzdělání z hlediska jednotlivých kategorií vzdělání (viz. tabulka č. 8). Tabulka 8 - Podrobnější vyhodnocení ANOVA pomocí T-metody pro třídící kritérium,,vzdělání z hlediska jednotlivých kategorií vzdělání Zdroj: vlastní výpočet Legenda: základní vzdělání a bez vzdělání 1 střední bez maturity 2 střední s maturitou 3 vysokoškolské 4 Tabulka č. 8 zobrazuje průměrné hodnoty nezaměstnanosti (Average) v jednotlivých kategoriích vzdělání (Level) podle třídícího kritéria,,vzdělání. V tomto případě si nejsou ţádné kategorie statisticky blízké. Zcela jednoznačně se průkazně statisticky liší kategorie číslo 1, do níţ spadají lidé se základním vzděláním nebo bez vzdělání. V této kategorii dosahují průměrné hodnoty nezaměstnanosti aţ 22,1%, coţ je 45

oproti ostatním kategoriím výrazně převyšující hodnota. Naopak nejmenší průměrné hodnoty nezaměstnanosti jsou zaznamenány v kategorii, do které spadají lidé s vysokoškolským vzděláním (necelá 3%). Dále následuje kategorie lidí se středoškolským vzděláním s maturitou (necelých 5%) a bez maturity (7,4%). 3.4 Vyhodnocení analýzy rozptylu Z výsledků obou zpracovaných vícenásobných analýz rozptylu vyplynula následující zjištění: 1) Průkazně statisticky se liší Hlavní město Praha a Středočeský Kraj od Ústeckého a Moravskoslezského kraje (jak z hlediska zjištěných průměrných hodnot nezaměstnanosti dle třídícího kritéria,,věk, tak rovněţ i dle třídícího kritéria,,vzdělání ) 2) Průkazně statisticky se liší rok 2008 a rok 2012 (jak z hlediska zjištěných průměrných hodnot nezaměstnanosti dle třídícího kritéria,,věk, tak rovněţ i dle třídícího kritéria,,vzdělání ) 3) Věková kategorie 15-24 let se průkazně statisticky liší od ostatních věkových kategorií 4) Vzdělanostní kategorie,,základní vzdělání a bez vzdělání se průkazně statisticky liší od ostatních kategorií. 3.5 Výsledky regresní a korelační analýzy časových řad Regresní a korelační analýza časových řad vychází hodnot celkové míry nezaměstnanosti (závisle proměnná) ze všech 14 krajů za daný rok v období 2001 aţ 2013 a z hodnot hrubého domácího produktu (nezávisle proměnná) v témţ období. Před provedením samotné regresní a korelační analýzy časových řad bylo nutné 46

provést následující dílčí výpočty. Aby mohla být analýza uskutečněna, bylo nutné nejdříve pomocí aritmetického průměru upravit hodnoty celkové míry nezaměstnanosti z kaţdého kraje dle daného roku. Takto upravené hodnoty znázorňuje tabulka č. 9 ve sloupci označeném. Tabulka 9 Aritmetický průměr hodnot celkové míry nezaměstnanosti (%) všech krajů ČR za daný rok Rok 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 7,8 7 7,4 8,1 7,8 7,1 5,4 4,5 7 7,6 6,9 7,3 7,3 Zdroj: vlastní výpočet Zjištěné korelační koeficienty a opačné trendy v časových řadách upozornily na nutnost korelovat odchylky od trendu jednotlivých proměnných nezaměstnanosti a HDP. Odchylky od trendu znázorňuje tabulka č. 10. 47

Tabulka 10 Odchylky od trendu nezaměstnanosti a HDP Nez. HDP y=-0,05t+7,369 yt nez ys ys-yt y=139,6t+2541 xt HDP xs xs-xt 2001 7,32 7,8 0,48 2680,6 2563-117,6 2002 7,27 7-0,27 2820,2 2675-145,2 2003 7,22 7,4 0,18 2959,8 2801-158,8 2004 7,17 8,1 0,93 3099,4 3058-41,4 2005 7,12 7,8 0,68 3239 3258 19 2006 7,07 7,1 0,03 3378,6 3507 128,4 2007 7,02 5,4-1,62 3518,2 3832 313,8 2008 6,97 4,5-2,47 3657,8 4015 357,2 2009 6,92 7 0,08 3797,4 3922 124,6 2010 6,87 7,6 0,73 3937 3954 17 2011 6,82 6,9 0,08 4076,6 4022-54,6 2012 6,77 7,3 0,53 4216,2 4048-168,2 2013 6,72 7,3 0,58 4355,8 4086-269,8 Zdroj: vlastní výpočet Legenda: (nez.= nezaměstnanost) y= -0,05t+7,369 regresní rovnice nez. y= -139,6t+2541 regresní rovnice HDP yt odhadované hodnoty nez. nez ys.skutečné hodnoty nez. ys-yt.reziduum xt..odhadované hodnoty HDP HDP xs..skutečné hodnoty HDP xs-xt...reziduum Základní korelační koeficienty z časových řad nezaměstnanosti a HDP zjišťované v korelaci času (čas je nezávisle proměnná) neodhalují, zda HDP je příčinou změn nezaměstnanosti. Z těchto důvodů byla pouţita metoda korelace časových řad, kdy byly korelovány odchylky od trendu studovaných proměnných. Korelace odchylek od trendu je znázorněna v grafu č. 4. 48

Graf 4 Uspořádané dvojice odchylek od trendu proměnné nezaměstnanost a HDP Zdroj: vlastní výpočet Z výpočtu korelačního koeficientu odchylek R= -0,76 je moţné povaţovat změny v HDP za příčinu změn v nezaměstnanosti. 3.6 Vyhodnocení regresní a korelační analýzy časových řad Byla provedena regresní a korelační analýza v časových řadách pro proměnnou HDP a nezaměstnanost v časové řadě (2001 aţ 2013), kdy zjištěné korelační koeficienty a opačné trendy v časových řadách upozornily na nutnost korelovat odchylky od trendu jednotlivých proměnných. Základní korelační koeficienty z časových řad nezaměstnanosti a HDP zjišťované v korelaci času (čas je nezávisle proměnná) neodhalují, zda HDP je příčinou změn nezaměstnanosti. Z těchto důvodů byla pouţita metoda korelace časových řad, kdy byly korelovány odchylky od trendu studovaných proměnných. Korelace odchylek od trendu je znázorněna v grafu č. 4. Z výpočtu korelačního koeficientu R= -0,76 je moţné povaţovat změny v HDP za příčinu změn v nezaměstnanosti. V případě, ţe se nezaměstnanost zmenšuje, roste HDP, naopak pokud se nezaměstnanost zvyšuje, HDP klesá. 49

3.7 Diskuze výsledků Nyní se vraťme k jednotlivým zjištěním a zkusme na základě dostupných informací jednotlivá stanoviska prodiskutovat. To, ţe se Hlavní město Praha vyznačuje nízkou nezaměstnaností, potvrzují i výsledky studie MasterCard, kterou zpracoval tým odborníků z Vysoké školy ekonomické v Praze v roce 2013. Hlavní město Praha potvrdila roli ekonomické jedničky v České republice a zároveň bylo zjištěno, ţe metropole dominuje ve všech ekonomických ukazatelích kromě počtu vydaných stavebních povolení na jeden tisíc obyvatel. V roce 2013 se odborníci zaměřili na socioekonomickou úroveň krajů. Ze srovnání socioekonomické situace krajů v roce 2013 s rokem 2001 vyplynulo, ţe situace ve většině regionů v zemi je dlouhodobě stabilní, jak je vidět i na přikladu hlavního města. Praha si udrţela statut lídra, stejně jako v roce 2001. Kromě nejniţší míry nezaměstnanosti a nejvyššího hrubého domácího produktu vykazuje Praha také jednoznačně nejvyšší mzdovou úroveň. V roce 2001 dosahovala průměrná mzda v Praze 20 800 Kč, ovšem v roce 2012 se zvýšila na 34 420 Kč. Praha rovněţ vykazuje nejmenší počet uchazečů na jedno pracovní místo na jednu volnou pozici připadá 3,7 uchazečů. Výrazné zlepšení jako jediný zaznamenal Plzeňský kraj, který se v celkovém hodnocení posunul ze sedmé na třetí pozici za Prahu a Jihočeský kraj. (http://zpravy.e15.cz/, 17/09/2013). Nízkou nezaměstnanost v Praze ovlivňují také zahraniční firmy, které zde působí. Přinášejí s sebou nová pracovní místa a příleţitosti. Na nezaměstnanost má také pozitivní vliv cestovní ruch, který se právě v Praze neustále rozvíjí. Velký význam se dá rovněţ přisoudit i výhodné geografické poloze Prahy, respektive České republiky, hlavně z hlediska Evropské Unie. Například v roce 2012 přinesla potěšující údaje pro české hlavní město nejnovější publikace evropského statistického úřadu Eurostat. Průměrná míra nezaměstnanosti v Praze v roce 2012 dosáhla 3,1 %, coţ českou metropoli zařadilo na osmé místo s nejniţší nezaměstnaností v Evropské unii. Kromě Prahy se ještě poměrně dobře umístily střední Čechy, které měly průměrnou míru nezaměstnanosti 4,6 %. Zařadily se tak mezi 53 oblastí s nejniţší mírou nezaměstnanosti v Evropě. Severní Morava a Slezsko a Severozápadní Čechy ovšem s 10,7 % zaujímají místa v poslední třetině evropského ţebříčku. Průměrná míra nezaměstnanosti v celé EU byla 10,4 %. (www.tyden.cz, 27/05/2013). Zcela jiná je ale situace v Ústeckém a Moravskoslezském kraji. V Ústeckém kraji je 50

velkým problémem nezaměstnanost a stále nízká vzdělanost. To vše pak vede k vysokému čerpání sociálních dávek, narůstající potřebě sociálního bydlení a často dokonce aţ sociálním vyloučením. Koncem února roku 2014 evidoval Úřad práce ČR v České republice celkem 625 390 lidí bez práce, z toho jich v Ústeckém kraji bylo 67 977. Nejvíce pak v Mostě, kde se jednalo o 11 030 uchazečů o zaměstnání. (www.ekonomika.eurozpravy.cz, 21/03/2014). Moravskoslezský kraj, jako tradiční průmyslový region České republiky, má za sebou dvacet let restrukturalizace ekonomiky a hluboké společenské proměny. Masivní sniţování počtu zaměstnanců v tradičních průmyslových odvětvích vedlo k tomu, ţe se Moravskoslezský kraj dlouhodobě potýká s vysokou mírou nezaměstnanosti, která podle statistik ČSÚ v posledních 15 letech převyšovala národní průměr o 3 7 %. Palčivým problémem je rovněţ podíl dlouhodobě nezaměstnaných na celkovém počtu nezaměstnaných, který je v Moravskoslezském kraji výrazně vyšší neţ celorepublikový průměr. (www.mspakt.cz, 2011-2013). Na zvýšení nezaměstnanosti měla rovněţ vliv i světová finanční krize, která propukla v roce 2008. Firmy buď přestaly nabírat nové pracovníky anebo v rámci úsporných opatření přistoupily i k propouštění zaměstnanců. Dále bylo v rámci analýzy zjištěno, ţe věková kategorie, do které spadají lidé ve věku 15-24 let, se potýká s největším podílem nezaměstnaných. Nezaměstnanost mladých se začíná v Evropě rozrůstat, coţ můţe vyústit ve významný sociální problém. Ve Španělsku a Řecku uţ je v nejmladší skupině bez práce více neţ polovina lidí. Čísla v Česku zatím nejsou zdaleka tak hrozivá, ale podle odborníků se problémy začínají projevovat i v tuzemsku. Školy totiţ dostatečně nepomáhají absolventům s uplatněním. Pro firmy je přijímání mladých kvůli nastaveným pravidlům často příliš rizikové. Právě vysoká nezaměstnanost mladých v Evropě můţe být do jisté míry povaţována za aktuální hrozbu. Pokud se čerství absolventi různých škol rychle nedostanou na trh práce a nezačnou být aktivní, je docela pravděpodobné, ţe se to s nimi bude nést poměrně velmi dlouho. Velké nárůsty nezaměstnanosti mladých byly vidět i během krize. Ta totiţ stavila absolventy na trhu práce do mnohem horší pozice, neţ mají ti starší a zkušenější. Nikdo z absolventů totiţ nemá na čele napsáno, jak je produktivní nebo jak bude úspěšný. Zaměstnavatelé mají velmi málo informací o skutečné kvalitě absolventa. V době krize se jejich situace ještě zhoršuje, protoţe firmy, kdyţ mají potíţe s odbytem, tak jejich prvotní reakcí je, ţe začnou 51

šetřit. A v momentě, kdy začnou šetřit, nezačnou hned propouštět, ale jako první přestanou nabírat nové lidi. A právě absolventi jsou tou největší skupinou, která pravidelně přitéká na trh práce. V Česku byla v roce 2013 nezaměstnanost mladých zhruba na 20 procentech. Před vypuknutím krize v roce 2007 byla ale hodnota na poloviční úrovni. V uplynulých zhruba patnácti letech byla situace konkrétně pro vysokoškoláky nesmírně výhodná. Díky probíhající transformaci vznikala pracovní místa převáţně v oblasti práva, financí, ve státní správě, zvedaly se nároky třeba i u policie či v armádě. Naopak nabídka manuálních a nekvalifikovaných profesí ubývala. Nutné je také podotknout, ţe podíl vysokoškolsky vzdělaných se zvětšuje ohromným tempem, coţ má ale za důsledek, ţe mezi nimi navzájem poroste konkurence. (http://zpravy.e15.cz/, 25/05/2013). Pokud se podíváme na níţe přiloţený graf (viz. graf č. 2) můţeme vidět, ţe míra nezaměstnanosti absolventů podle jednotlivých kategorií vzdělání je nejniţší v rámci středního odborného vzdělání s maturitní zkouškou a ve vyšším odborném vzdělání. Nejvyšší míra nezaměstnanosti byla v dubnu 2014 zaznamenána v rámci učebních oborů a nástavbového vzdělání. Graf 2 - Míra nezaměstnanosti čerstvých absolventů hlavních skupin oborů (s počtem absolventů převyšujícím 3 500) v dubnu 2014 Zdroj: http://www.infoabsolvent.cz V oborové struktuře připravovaných absolventů vykazují jedny z nejniţších hodnot míry nezaměstnanosti zdravotnické obory. Zdravotnické obory patří mezi obory poptávané zaměstnavateli, protoţe v jejich rámci dochází v posledních několika letech k souvislému poklesu počtu absolventů v důsledku niţší atraktivity těchto povolání (poměrně vysoká náročnost studia i zaměstnání s nepříliš vysokým finančním ohodnocením) a 52

demografického stárnutí populace. Niţší míra nezaměstnanosti byla v dubnu 2014 zaznamenána také v případě strojírenských oborů. Míra nezaměstnanosti dosahovala nízkých hodnot především v rámci maturitních oborů (ať jiţ s odborným výcvikem nebo bez něj) a vyššího odborného vzdělání, kde je po absolventech strojírenských oborů ze strany zaměstnavatelů vysoká poptávka. Z pohledu uplatnitelnosti je situace horší v rámci učebních oborů. Jestliţe však srovnáme poptávku po vyučených v ostatních skupinách oborů, situace pro vyučené absolventy strojírenských oborů zůstává stále poměrně příznivá. V případě elektrotechnických oborů je situace příznivější především v oblasti průmyslu. V rámci středního vzdělání s výučním listem dosahuje míra nezaměstnanosti v elektrotechnických oborech dohromady se zdravotnickými obory nejniţších hodnot. Uplatnitelnost absolventů elektrotechnických oborů je nicméně příznivá také v rámci maturitních oborů. Vysoká míra nezaměstnanosti v případě elektrotechnických oborů byla a zůstává patrná především u absolventů nástavbového a vyššího odborného vzdělání. Vyšší míra nezaměstnanosti je zaznamenávána v oblasti stavebnictví, geodézie a kartografie, zejména u absolventů učebních oborů. Moţnost uplatnění absolventů do značné míry zhoršuje najímání levné a nekvalifikované pracovní síly ze zahraničí. Svou roli hraje také pokles ve stavební činnosti v důsledku ekonomické recese a nepříznivých ekonomických podmínek. Z hlediska pracovního uplatnění se nicméně ukazuje situace příznivější u absolventů maturitních oborů z hlediska celkové míry nezaměstnanosti absolventů maturitního vzdělání je míra nezaměstnanosti ve stavebních oborech lehce podprůměrná. Ke skupinám oborů dlouhodobě vykazujících vyšší míru nezaměstnanosti absolventů patří Zemědělství a lesnictví a to jak na úrovni učebních, tak i maturitních oborů. V rámci vyššího odborného vzdělání dosahuje míra nezaměstnanosti absolventů zemědělských oborů nejvyšších hodnot. K nárůstu nezaměstnanosti došlo v meziročním srovnání převáţně v rámci nástavbového vzdělání a vyššího odborného vzdělání. V těchto kategoriích vzdělání však nejsou absolventi zemědělských oborů příliš zastoupeni. V ekonomických oborech nabývá míra nezaměstnanosti absolventů maturitních oborů a vyššího odborného vzdělání lehce nadprůměrných hodnot. U absolventů maturitních oborů míra nezaměstnanosti v dubnu 2014 dosáhla 12,7 %, v případě vyššího odborného vzdělání 12 %. Ekonomické obory vykazovaly v posledních několika letech 53

pozvolný nárůst míry nezaměstnanosti, který byl pravděpodobně způsoben nárůstem a nadprodukcí absolventů ekonomických oborů. Ve srovnání se situací v dubnu 2013 byl zaznamenán mírný pokles a příznivější podmínky pro uplatnění absolventů na pracovním trhu. Skupiny oborů Gastronomie, hotelnictví a turismus zaznamenaly v dubnu 2014 v rámci sledovaných kategorií vzdělání lehce nadprůměrnou míru nezaměstnanosti. Problém s uplatněním mají především absolventi učebních oborů a nástavbového vzdělání. Příznivější je situace mezi absolventy středního odborného vzdělání s maturitní zkouškou a vyšších odborných škol. Z dlouhodobého hlediska je problematická situace také v rámci skupin oborů Textilní výroba a oděvnictví, kde jsou moţnosti uplatnění absolventů velmi omezené. Obecně dochází v této oblasti průmyslu k útlumu, a to zejména v důsledku dovozu levného textilu z jihovýchodní Asie, kterému tuzemští výrobci nejsou schopni z hlediska ceny konkurovat. Zároveň zde dochází i k výrazným poklesům v počtech absolventů v důsledku nízkého a obtíţného uplatnění na pracovním trhu a nízké atraktivity oborů. Mezi další skupiny oborů s vyšší mírou nezaměstnanosti můţeme zařadit Potravinářství a potravinářská chemie, Zpracování dřeva a výroba hudebních nástrojů, Ekologie a ochrana ţivotního prostředí a Osobní a provozní sluţby. (http://www.infoabsolvent.cz, 2011 2015) Z analýzy lze rovněţ stanovit závěr, ţe velký podíl nezaměstnaných tvoří lidé se základním vzděláním nebo bez vzdělání. Nejvyšší pravděpodobnost nezaměstnanosti po ukončení studia z pohledu nejvyššího dosaţeného vzdělání mají mladí lidé právě v této kategorii. Pravděpodobnost nezaměstnanosti u osob ve věku 15 aţ 34 let 3 aţ 12 měsíců po ukončení studia (viz. graf č. 3) se zde pohybuje okolo 78 %, vysoká je téţ u středoškolsky vzdělaných bez maturity. Na rozdíl od ostatních stupňů vzdělání se zde ukázaly výrazné genderové rozdíly, které mohou být důsledkem lepšího uplatnění muţů v řemeslných profesích (muţi 31,9 %, ţeny 43,5 %). (http://finexpert.e15.cz, 20/04/2015). 54

Graf 3 - Pravděpodobnost nezaměstnanosti dle vzdělání (průměr období 2009-2013 v %) Zdroj: http://finexpert.e15.cz 55