Az inaktívak és aktívak létszámának előrejelzése ágazati és foglalkozási bontásban

1. Az inaktívak és aktívak létszámának előrejelzése ágazati és foglalkozási bontásban Előrejelző modell és előzetes eredmények

2. Az előrejelzési feladat kerete Cél: a munkakínálat előrejelzése 2011-2020 között Keretek: 10 ágazat és 200 foglalkozás szerinti bontás Az előrejelzéshez felhasználható inputok: Tényadatok (LFS) Demográfiai előrejelzés (népesség nem, kor, iskolai végzettség és régió szerinti bontásban rendelkezésre álló létszáma) Munkaképes korú népesség várható létszáma a 200 foglalkozásban GDP előrejelzés Feladat: aktivitási ráta előrejelzés

3. Kiindulópont Egyéni szinten az aktivitási döntés a szabadidő és a fogyasztás közötti döntés eredménye a szakirodalom alapján így összefüggésbe hozható egyéni demográfiai jellemzőkkel (nem, életkor, iskolai végzettség, családi állapot), makrogazdasági és intézményi környezet jellemzőivel Aggregáltan vizsgálva az inaktivitás legjellemzőbb csoportjait a gyermekvállalás, nyugdíj vagy nappali tagozatos tanulmányok miatt távol lévők jelentik Mindezek meglehetősen közvetetten vannak összefüggésben a foglalkozással és az ágazattal

4. Koncepció

5. Az aktivitási ráta becslése LFS alapján egyedi adatokat nem, korcsoport és régió szerint aggregáljuk (168 megfigyelés/időpont) negyedéves gyakoriságú adatfelvételt éves gyakoriságúvá alakítjuk (átlagolás, 1993-2010 évek) Az adatbázis kiegészítjük makrogazdasági és intézményi változókkal, úgymint • GDP • nyugdíjkorhatár • gyermekelhelyezési intézmények elérhetősége

6. Az aktivitási ráta becslése Az aktivitási ráta becslése során a standard megoldás az ún. logisztikus transzformált becslése: a transzformált aktivitási ráta idősora meglehetősen perzisztens, tehát az idősoros vizsgálat és eszközök is szükségesek a strukturális hatásokat magyarázó változókkal próbáljuk megragadni (OLS-el becsüljük), ezek főleg a demográfiai, makrogazdasági és intézményi környezet jellemzői

7. Az egység-gyök tesztek

8. Alapmodell A transzformált aktivitási ráta differenciáját magyarázzuk strukturális tényezőkkel + késleltetett tagok Modellszelekciós eljárás: 1995-2006 adatain megbecsüljük a modellt 2007-2010 adatain előre jelezzük az előrejelzés átlagos standard hibája alapján határozzuk meg a végleges modellspecifikációt

9. Modellváltozatok a modellváltozatok elsősorban a magyarázó változókban és a nemek között különbségek kezelésében térnek el egymástól „Teljes modell” • ugyanazon modellen belül becsüljük meg a férfiak és nők aktivitását, az esetleges különbség egyetlen nem dummy változóban jelenik meg „Vegyes modell” • a két nem esetén a becsült együtthatók eltérhetnek egymástól, de a változólista azonos „Férfi-nő modell” • a két nemre eltérő modellspecifikációk (változók + együttható) lesznek érvényesek

10. Differenciára felírt modellek

11. Differencia vagy szint?

12. Előrejelzés A „Teljes_14” modellel jelzünk előre GDP pálya jön az 1-es alprojektből (makromodell) educ_yrs, eletkor jön a demográfiai előrejelzésből old_pen: a nyugdíjkorhatár változatlanságát feltételezzük a következő ábrákon egy alternatív modellspecifikáció által adott előrejelzést is megmutatunk

13. Aktivitási ráta (átlagos)

14. Nemek szerinti aktivitás

15. Előrejelzési modellváltozat

16. Nyugdíjkorhatár emelés hatása

17. Transzformáció szakma szerinti aktivitássá A szakma szerinti aktivitási ráták meghatározásának alapja az LFS adatbázisban szereplő FEOR kód jelentős adathiány van, az adathiány eltérő mértékben jellemzi a foglalkoztatott, munkanélküli és inaktív személyeket feltehető, hogy az inaktívak FEOR szerinti megoszlása eltérő az aktívakétól adathiány eltérő gyakorisága aktivitás szerint:

18. A transzformáció lépései A 200 szakmát 23 főkategóriába vontuk össze (továbbiakban FEOR23) Az adathiány pótlása: multinomiálislogit becsléssel 23 elemű valószínűségi mezőt rendelünk minden személyhez, amely megmutatja az egyes FEOR23 szakmákhoz tartozás valószínűségeit A becsült valószínűségeloszlásokat nem, korcsoport, régió, aktivitás és évek szerint aggregáljuk A FEOR23 valószínűségeloszlástlétszarányosan szétosztjuk FEOR200 szerinti valószínűségeloszlásra Kiszámítjuk nem,korcsoport és régió szerinti bontásban az aktívak és inaktívak létszámát (ld. előző aktivitási ráta becslés), szétosztjuk a kapott valószínűségi mező szerint szakmák között, majd aggregáljuk A szakma szerinti aktív és inaktív létszámok felhasználásával lesz szakma szerinti aktivitási ráta

19. mlogit FEOR23=1,…,13

20. FEOR23=14,…,23

21. FEOR23: átlagos becsült aktivitás

22. FEOR23: átlagos becsült eloszlás

23. ugyanaz másképp

24. Ágazati aktivitás A munkakínálat ágazat szerinti megoszlása igen gyenge elméleti alapokon áll Az ágazati kapcsolat bizonyos szakmák esetén erősebb, más szakmák esetén gyengébb lehet A megközelítés ezért a szakmából indul ki, amely erősen kapcsolódik az egyén iskolai végzettségéhez (nem fokához, hanem szakirányához!!!) Az ágazati megoszlást ún. átmenetmátrix becsléséből kapjuk meg: TEÁORt = Pt FEORt Az átmenetmátrix elemeit a relatív gyakoriságokkal becsüljük és AR(1) folyamattal jelezzük előre csak az aktívak létszámát

25. Problémás esetek

26. 1. Mezőgazdaság (hal, erdő, vad)

27. 2. Ipar

28. 3. Építőipar

29. 4. Kereskedelem, vendéglátás

30. 5. Szállítás, raktározás, posta, távközlés

31. 6. Pénzügyi tev, ingatlan, gazd. szolgáltatás

32. 7. Közigazgatás, védelem, TB

33. 8. Oktatás

34. 9. Egészségügy

35. 10. Egyéb

36. További tervek szcenáriók készítése (nyugdíjkorhatár, demográfiai előrejelzés) aktivitási előrejelzés iskolai végzettség szerinti bontásának előrejelzése (kiegészítő becsléssel) az előrejelzés hibájának becslése bootstrap eljárással (alapszcenárió) az előrejelzett pálya értelmezése (az exogén tényezők hatásainak nagyságára vonatkozó összehasonlító számítások) ellenőrzés, javítások

37. Köszönöm a figyelmet!