Transcript A foglalkoztatás-szerkezet előrejelzése Magyarországon

A foglalkoztatás-szerkezet
előrejelzése Magyarországon
Antal Gábor
MTA KRTK-KTI
Szirák, 2012. november 10.
MTA Közgazdaság- és Regionális Tudományi
Kutatóközpont
Közgazdaság-tudományi Intézet
Bevezetés (1)
TÁMOP - 2.3.2-09/1 kiemelt projekt
„Munkaerő-piaci előrejelzések készítése, szerkezetváltási
folyamatok előrejelzése”
6. alprojekt: A foglalkoztatás előrejelzése foglalkozások, nem,
iskolai végzettség és régiók szerint
(John Earle, Telegdy Álmos, Antal Gábor)
• Az alprojekt célja: Foglalkoztatási struktúra előrejelzése 2020-ig
o Makrogazdasági modell és iparági szerkezet alapján iparági
kibocsátás előrejelzése
o Munkaerő-keresleti modell alapján iparági foglalkoztatás
előrejelzése
o Iparági foglalkoztatás felbontása foglalkozások szerint; és
foglalkozások szerinti foglalkoztatás felbontása nemek, iskolai
végzettség és régiók szerint
MTA Közgazdaság- és Regionális Tudományi
Kutatóközpont
Közgazdaság-tudományi Intézet
Bevezetés (2)
• Keresleti oldalon alapuló, de nem munkaerő kereslet, hanem
foglalkoztatás előrejelzés
• Két szakmai termék (mérföldkő):
o Előzetes – 2012.06.15.
o Végső – 2012.11.15.
• Előrejelzési horizont:
o Középtávú előrejelzés: 2015-ig
o Hosszútávú előrejelzés: 2020-ig
MTA Közgazdaság- és Regionális Tudományi
Kutatóközpont
Közgazdaság-tudományi Intézet
Milyen adatokat használ a projekt? (1)
Első mérföldkő – előzetes szakmai termék (2012.06.15.)
• Éves aggregált ágazati adatok (KSH Évkönyvek)
o Ágazati kibocsátás és ágazati foglalkoztatás
o Teljes nemzetgazdaság
o 1992-2010
• Cégszintű adatok (NAV)
o Versenyszféra, kettős könyvelést végző vállalkozások
o Teljes üzleti beszámoló
 érdekes: kibocsátás, létszám, iparág
o 1992-2009
• Dolgozói adatok (KSH Bértarifa)
o Verseny- és közszféra, reprezentatív intézményi és dolgozói minta
o Bérek, dolgozói jellemzők, kevés cégadat
 érdekes: iparág, foglalkozás, nem, iskolai végzettség, régió
o 1994-2009
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Milyen adatokat használ a projekt? (2)
Második mérföldkő – végső szakmai termék (2012.11.15.)
• Mint az előzetes szakmai terméknél + új adatok
• Cégszintű adatok (NAV) és dolgozói adatok (KSH
Bértarifa) 2010-es hulláma
o Még egy válságév: válság hatása jobban becsülhető
o Hosszabb időszak az iparági keresleti modell becslésére
• Dolgozói adatok új adatforrásból (ONYF)
o Minta elaprózódás kezelésére a struktúra előrejelzéséhez
o Bejelentett dolgozók 50%-os mintája, havi frekvencia
o Problémák:
 Egyszeri mintavétel az időszak elején, lemorzsolódás
 Hiányos változók: TEÁOR nincs; FEOR hiányzik egyéni vállalkozóknál;
iskolai végzettség, régió minősége is elmarad a Bértarifától
o 2000-2008
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés fő lépései? (1)
• A módszertan nagy vonalakban a nemzetközi foglalkoztatáselőrejelzési gyakorlatot követi
• Legközelebb az alábbi három ország eljárásához áll:
o Egyesült Államok (Lockard és Wolf 2012)
o Kanada (Policy Research Directorate 2008)
o Írország (Behan és Shelly 2010)
• Korábbiaknál nagyobb, átfogóbb országos foglalkoztatás
előrejelzési projekt
• Fő probléma: több adatbázis összefésülése; egyenként is
hiányosak
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés fő lépései? (2)
I. Iparági kibocsátás előrejelzése 2020-ig
• 1. Ágazati kibocsátás előrejelzése 2020-ig
o
o
o
o
Strukturális makromodell (1. és 5. alprojekt)
Nemzetgazdaság 10 ágazatra bontva (7 verseny- és 3 közszféra)
KSH aggregált adatok alapján
Szcenáriók az export várható alakulása szerint
• 2. 7 versenyszféra ágazat felbontása 16 iparágra
o Kompromisszum 2 versengő cél között:
 Szoros korreláció iparági kibocsátás és iparági munkaerő kereslet között
 Mintaaprózódás elkerülése a további jellemzők szerinti tagolás során
o Cégszintű tényadatok (NAV) 1992-2008, majd ez alapján
előrejelzés egyszerű trenddel
o 3 közszféra iparág: ugyanaz mint makromodellben (részletesen
később)
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés fő lépései? (3)
II. Iparági foglalkoztatás előrejelzése (16+3 iparág)
• 1. Iparági munkaerő-keresleti modell kiválasztása és
becslése
o 4 versengő modell: legjobb kiválasztása próba-előrejelzéssel
 Becslés 1992-2002, “előrejelzés” 2003-2008
 MAPE számítás iparáganként, legalacsonyabb átlag nyer
 Győztes modell magyarázó változói: egyidejű iparági kibocsátás + trend
o Legjobb modellel létszám-kibocsátás kapcsolat becslése 16
iparágra, 1992-2009
o Cégszintű adatokon (NAV)
• 2. Iparági foglalkoztatás előrejelzése 2020-ig
o Becsült munkakeresleti modell együtthatói és előrejelzett iparági
kibocsátás segítségével a 16 versenyszféra iparágra
o Közszféra: makromodellből
o Cégszintű adatok (NAV)
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés fő lépései? (4)
III. A foglalkoztatás-szerkezet előrejelzése
• 1. Foglalkoztatottak létszáma foglalkozások szerint (200
foglalkozásra)
o Áttérés dolgozói adatokra (Bértarifa)
o 2000-2008 között foglalkozások szerinti iparági létszám
részarányok számítása
o 200x19 cella: túl sokat várunk a mintától => alacsony elemszámú,
hasonló iparághoz tartozó cellák összevonása
o Előrejelzés egyszerű trenddel foglalkozás-iparág cellánként, majd
cellák aggregálásával foglalkozások szerinti foglalkoztatás, 20102020
• 2. Foglalkoztatottak létszáma nem, iskolai végzettség és
régiók szerint
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés fő lépései? (4)
III. A foglalkoztatás-szerkezet előrejelzése
• 1. Foglalkoztatottak létszáma foglalkozások szerint (200
foglalkozásra)
• 2. Foglalkoztatottak létszáma nem, iskolai végzettség és
régiók szerint
o Foglalkozások szerinti létszám felbontása részarányokra a fenti
jellemzők szerint, 2000-2008
o A részarányok alakulásának előrejelzése egyszerű trenddel
cellánként, 2010-2020
o 5 kategória iskolai végzettség szerint:





kevesebb, mint 8 általános
8 általános
szakiskola (érettségi nélkül)
érettségi
felsőfokú végzettség
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés korlátai? (1)
• Szakértők vs algoritmusok
o Számos környezetben bizonyították, hogy egyszerű algoritmusok
jobban teljesítenek, mint a szakértő előrejelzők
emberi viselkedés előrejelzése (Meehl 1954)
Bordeaux-i borok ára (Ashenfelter 2008)
pénzügyi termékek (Odean-Barber 2002)
többváltozós regresszió vs egyszerű, súlyozatlan lineáris kombinációk:
pl. (szeretkezés gyakorisága – viták gyakorisága) => házasság
tartóssága (Dawes 1979)
 …




o Egyszerű módszertani eszközök létjogosultsága
• Strukturális törések
o Előrejelzésük szinte lehetetlen (lásd jelenlegi válság)
o Válságot előre “tudó”: sokszor téved, egyszer igaza van
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Melyek az előrejelzés korlátai? (2)
• Adatok
o Különböző célsokaságok
 alkalmazottak vs foglalkoztatottak (EV, szöv. tag, segítő családtag,…)
 mikrovállalkozások hiányoznak
o Kis minta – bizonytalan becslés
o Rövid idősorok – módszertani korlátok
• Közszféra
o Ágazati kibocsátás mérése nehéz
o Kibocsátás és munkakereslet közötti kapcsolat gyenge (politikai
ciklusok)
o Ezért: Kibocsátás és létszám előrejelzése a makromodellből, csak a
struktúra előrejelzése mikroadatok segítségével
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (1)
• A legnépesebb foglalkozások
Actual / Predicted Number of
Employed
Occupation
Share in Total
Employment
Rank
2009
2015
2020
2009
2015
2020
Managers of Enterprises and Budgetary
Institutions
332 057
291 437
262 813
8,80
7,65
6,67
1
1
2
Shop Assistants
190 894
249 496
306 966
5,06
6,55
7,79
2
2
1
Cleaners and Related Elementary Occupations
156 011
143 742
135 351
4,14
3,77
3,44
3
5
7
Vehicle Drivers
151 300
172 280
193 639
4,01
4,52
4,92
4
3
3
Metal Processing, Shaping, Forming and Surface
Treatment Workers
127 146
109 927
102 647
3,37
2,88
2,61
5
8
9
Other Office Clerks
125 704
137 085
147 998
3,33
3,60
3,76
6
7
6
Other Processing Machine Operators, Production
Line Workers
106 535
138 008
164 655
2,82
3,62
4,18
7
6
5
Laborers and Helpers, nec
104 724
148 653
190 927
2,78
3,90
4,85
8
4
4
Clerks, nec
89 093
106 593
122 384
2,36
2,80
3,11
9
9
8
Repairmen, Mechanics
84 281
77 209
71 308
2,23
2,03
1,81
10
11
14
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
2009 2015 2020
Néhány érdekes eredmény (2)
• A legdinamikusabban növekedő/csökkenő foglalkozások
Employment Employment Change in
in 2009
in 2020
Employment
Occupations
Largest Growth
Shop Assistants
190 894
306 966
116 072
Laborers and Helpers, nec
104 724
190 927
86 203
Other Processing Machine Operators, Production Line Workers
106 535
164 655
58 120
Vehicle Drivers
151 300
193 639
42 339
89 093
122 384
33 291
Clerks, nec
Largest Decline
Analytic Accounting Clerks
39 885
18 333
-21 552
Dressmakers, Pelt Dressers, Furriers
27 037
2 682
-24 355
127 146
102 647
-24 499
47 378
14 749
-32 629
332 057
262 813
-69 244
Metal Processing, Shaping, Forming and Surface Treatment Workers
Crop Growing, Gardening and Animal Husbandry Workers
Managers of Enterprises and Budgetary Institutions
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (3)
• Foglalkoztatottak foglalkozások szerint
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (4)
• Foglalkoztatottak foglalkozások szerint
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (5)
• Foglalkoztatottak foglalkozások szerint
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (6)
• Foglalkoztatottak nemek szerint (ezer fő)
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (7)
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (8)
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (9)
• Foglalkoztatottak iskolai végzettség szerint (ezer fő)
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (10)
• Foglalkoztatottak végzettség szerint: “skill upgrading”
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (11)
• Foglalkoztatottak végzettség szerint: “skill upgrading”
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (12)
• Foglalkoztatottság régiók szerint
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Néhány érdekes eredmény (13)
• Foglalkoztatottság régiók szerint
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet
Változások a végső szakmai
termékben
• 2010-es év hozzáadása (NAV és Bértarifa)
o Már 2 válságév, ezért módszertani változás:
 Alapbecslések 2000-2010, 2000-2008 helyett
 2009 és 2010: válság dummy becslése
 Feltevés: válság dummy “bekapcsolva” (=1) 2013-ig
• ONYF adatok bevonása
o Regionális becslés/előrejelzés javítása
 Ott aprózodik fel leginkább a minta
o Teljes előrejelzés nem lehetséges
 Nincs iparági azonosító
 FEOR nincs egyéni vállalkozókra
 Iskolai végzettség csak a munkanélküliekre
2015.04.06.
MTA Közgazdaság- és Regionális Tudományi Kutatóközpont
Közgazdaság-tudományi Intézet