GISáček


Multivariační a multikriteriální hodnocení situace na lokálním trhu práce

Michal Boroň
Institut geoinformatiky
VŠB - Technická univerzita Ostrava
tř. 17. Listopadu
708 33 Ostrava - Poruba
E - mail: michal.boron@volny.cz

Abstract

This thesis deals with multivariation and multicriteria evaluation of the situation on labour market. The introduction concentrates on the current tools used by analytical departments of employment services to describe and analyse unemployment. Theoretical introduction to unemployment and a wider list of indicators for its description are also provided. Further, this thesis focuses on factor analysis of data granted by employment service and interpretation of ascertained issues. The selection of indicators suitable for multicriteria evaluation of situation on labour market by method called weight linear combination follows. In the end of this thesis an evaluation of the situation on labour market from 31.12.1999 till 31.12.2002 is performed.

Abstrakt

Diplomová práce se zabývá multivariačním a multikriteriálním hodnocením situace na lokálním trhu práce. V úvodních částech jsou popsány současné nástroje analytických oddělení úřadů práce pro popis a analýzu jevu nezaměstnanosti. Je zde uveden i teoretický úvod do studie nezaměstnanosti a širší seznam ukazatelů pro její popis. Dále se práce věnuje provedení faktorové analýzy dat poskytnutých úřadem práce a interpretaci zjištěných výsledků. Následuje výběr ukazatelů vhodných pro multikriteriální hodnocení situace na trhu práce metodou vážené lineární kombinace. V závěru práce je provedeno vyhodnocení vývoje situace na trhu práce od 31.12.1999 do 31.12.2002 v obcích okresu Frýdek-Místek.

Úvod

Analytici trhu práce na ÚP v současné době mají k dispozici větší počet údajů a ukazatelů, které mohou využít pro hodnocení situace na trhu práce a sledování jeho vývoje. Přestože základním ukazatelem zůstává míra nezaměstnanosti (dále jen MN), na kterou jsou vázány některé ekonomické nástroje, není možné situaci hodnotit jen z pohledu jednoho ukazatele. Výrazné zvýšení počtu sledovaných ukazatelů však způsobuje problémy jak při samotném hodnocení tak při zobrazování situace na trhu práce. Jedním z cílů diplomové práce bylo navržení komplexního ukazatele, který by umožňoval situaci hodnotit z více aspektů. Výsledný vypočtený komplexní ukazatel má tedy sloužit k základnímu (komplexnímu) popisu celkové situace na trhu práce a má pomoci nalézt pracovníkům ÚP oblasti, které jsou nebo mohou být z hlediska nezaměstnanosti problémové. Pracovníci by poté tyto oblasti měli podrobit podrobnějším průzkumům a analýzám, a také by do takových míst mohla směřovat i další cílená opatření.

Nezaměstnanost

Klíčovým problémem na makroekonomické úrovni, který ekonomická teorie analyzuje je nezaměstnanost včetně jejího vztahu k jiným jevům (např. k inflaci, hospodářskému růstu atd.) Jedná se v podstatě o nerealizovanou (neuspokojenou) nabídku práce na trhu práce. Obecně za nezaměstnanou pracovní sílu lze považovat tu část ekonomicky aktivního obyvatelstva, která není odpovídajícím způsobem (především časově a kvalifikačně) využita. Nezaměstnanost je také jedním z hlavních sociálních problémů společnosti. Má aspekty funkční (pohotová rezerva pracovních sil) a disfunkční (zatěžování státního rozpočtu v oblasti sociálních dávek a podpor, devastace pracovního potenciálu ztrátou kvalifikace i motivace, zvyšování sociální nestability). Zejména dlouhodobá nezaměstnanost přináší jednotlivcům řadu negativních důsledků: ztrátu pozice a ekonomického statusu, prestiže, často i sociální identity [7].

Použitá data

Jako geografický podklad pro provádění analýz byly vedoucím diplomové práce poskytnuty tyto datové zdroje:

Digitální model území 200 (DMÚ 200)

Jedná se o digitální vektorové mapové dílo dodávané Vojenským topografickým ústavem (VTOPÚ) se sídlem v Dobrušce. Přesnost a obsah dat odpovídá mapám v měřítku 1:200 000 (polohová přesnost 50-100 m). DMÚ 200 je členěno do 7 logických vrstev:

  1. terénní reliéf
  2. vodstvo
  3. sídla
  4. komunikace
  5. vedení (elektrické vedení, plynovody, dálkové přivaděče atd.)
  6. rostlinný a půdní kryt
  7. hranice (okresů)

Data DMÚ 200 byla dodána ve formátu ArcInfo Coverage. Pro samotnou práci byla převedena do formátu Esri Shapefile. Z tohoto zdroje byly použity vrstvy:

  • sídla, typ vrstvy: polygon
  • komunikace (silnice, železnice), typ vrstvy: linie

Data z Regionálního informačního systému (RIS)

Regionální informační systém je budován od roku 1995 ve spolupráci s Agenturou pro regionální rozvoj Ostrava, Akademií Jana Á. Komenského Ostrava a Vysokou školou báňskou - Technickou univerzitou Ostrava (dále jen VŠB-TUO). RIS poskytuje informace o území šesti okresů Moravskoslezského kraje. V roce 1995 byla koupena data od firmy TERPLAN (vzniklé digitalizací z map 1:50000) a od té doby jsou pravidelně aktualizována pomocí Územně identifikačního registru základních sídelních jednotek (UIR-ZSJ). Z tohoto zdroje byla použita digitální data administrativních území obcí spolu s popisem a identifikací obcí v systému veřejné správy. Sloučením obcí jednotlivých mikroregionů byly následně získány hranice mikroregionů okresu Frýdek-Místek.

„GIS statistika" - export ze systému „OKpráce"

Úřadem práce ve Frýdku-Místku byla pro účely této práce poskytnuta „GIS statistika", jenž je exportem vybraných ukazatelů nezaměstnanosti z databáze ÚP - systému „OKpráce".
Export se provádí do souborů formátu MS Excel. V rámci projektu "Implementace nástrojů prostorové analýzy trhu práce v činnosti úřadů práce" byla vybrána skupina primárních dat (32 položek, později 34) exportovaných ze systému „OKpráce". Z nich se pak provádí výpočet doporučené sady ukazatelů (38) vhodných pro sledování situace na trhu práce.
Primární data udávají počet uchazečů v jednotlivých kategoriích nezaměstnaných, které dělí uchazeče např. podle:

  • věku
  • dosaženého vzdělání
  • délky evidence
  • pohlaví
  • dalších kritérií (absolvent, mladistvý, uchazeč se změněnou pracovní schopností, uchazeč požadující pracovní místo vyžadující minimální vzdělání či kvalifikaci atd.)

Mimoto jsou zde uvedeny i kategorie vzniklé kombinací uvedených kritérií (např. počet uchazečů žen, evidovaných nad 12 měsíců).
Ukazatele vypočítávané z primárních dat udávají zejména podíl jednotlivých kategorií na celkovém počtu nezaměstnaných.
Poskytnutá data se vztahovala k okresu Frýdek-Místek a časovému období od 31.12.1999 do 31.12.2001 s časovým intervalem 3 měsíce. V konečné fázi projektu byla ještě poskytnuta data od 31.03.2002 do 31.12.2002. Základní územní jednotkou těchto dat bylo území obce.

Stanovení ukazatelů vhodných pro popis situace na trhu práce

Na začátku této práce bylo nutno určit širší seznam ukazatelů popisujících situaci na trhu práce, který by sloužil jako podklad pro diskusi s pracovníky na úřadu práce pro stanovení ukazatelů vhodných pro provádění multikriteriálního vyhodnocování. Je zřejmé, že existuje celá řada ukazatelů, které mají přímou či nepřímou spojitost se situací na trhu práce. Přímo popisuje situaci na trhu práce např. ukazatel „počet nezaměstnaných". Naopak nepřímo ukazatel „dopravní dostupnost obcí", který může v souvislosti se situací na trhu práce vyjadřovat jistou překážku, kterou musí uchazeč o zaměstnání překonat, aby se mohl vůbec o zaměstnání ucházet. Většina vhodných ukazatelů vyplynula z diskusí na úřadu práce. Dalšími zdroji pro výběr ukazatelů byly zejména ukazatele nezaměstnanosti z GIS statistiky a ukazatele uvedené v [9].

Při výběru ukazatelů bylo hlavním kritériem, aby ukazatel umožňoval co nejlepší popis dominantních jevů a celkové situace na trhu práce. Pro přehlednost byl širší seznam ukazatelů rozdělen do 4 tématických částí na ukazatele:

  • geografického charakteru - dlouhodobé ukazatele

    Příkladem ukazatelů zahrnutých do této části může být ukazatel dopravní obslužnost obcí veřejnou dopravou. Špatná dopravní obslužnost někdy přímo znemožňuje získání pracovního místa a jistě má značný vliv na zaměstnanost v určitých oblastech.
    Ukazatel by bylo možno vyjádřit např. počtem spojení během pracovního dne do zvoleného místa (např. centra mikroregionu), za zvolených podmínek. Jako podmínku by bylo možno sledovat např. čas cestování nebo cenu cestování, popřípadě by bylo možno použít kombinaci těchto podmínek.

  • demografického charakteru (dlouhodobějšího charakteru)

    Mezi tyto ukazatele byl zařazen například ukazatel popisující rozvinutost školství ve sledované oblasti, který zachycuje existenci školských zařízení a jejich profil vzhledem k současné poptávce na trhu práce.
    Vyjádřit ukazatel popisující rozvinutost školství lze například jako počet škol (podle typu) ve sledované oblasti, nebo počet studentů končící studium (podle oboru).

  • demografického charakteru (krátkodobějšího charakteru)

    Množství odvedeného sociálního pojištění je spojeno s výši příjmů obyvatelstva, která může indikovat ekonomickou sílu sledované oblasti.
    Ukazatel vhodný pro popis ekonomické síly oblasti by mohl být vyjádřen například jako suma plateb sociálního pojištění (dle bydliště).

  • databáze ÚP - krátkodobé ukazatele

    Zde byly vybírány zejména ukazatele popisující ohrožené skupiny na trhu práce (dlouhodobě nezaměstnaní, absolventi apod.).

U jednotlivých ukazatelů je vždy nutno brát v úvahu, jaké geografické vymezení a agregace je pro ně vhodná.
Část ukazatelů nelze vyjádřit obecným vzorcem. Proto by bylo nutné provádět jejich kvalifikovaný odhad založený na znalosti konkrétní situace v oblasti a následné tvorbě jednoduché škály hodnocení.
Pro analytickou činnost by bylo také vhodné, aby měl analytik k dispozici další pomocná geodata (např. vrstva komunikací, zastávek hromadné dopravy), sloužící jako podklad při vyhodnocování hlavních ukazatelů.

Multivariační zhodnocení

Ze skupiny metod multivariační analýzy byla zvolena faktorová analýza, protože tato vícerozměrná statistická metoda umožňuje rozbor struktury vzájemných závislostí proměnných, popis struktury dat a umožňuje určit významné faktory (jevy) a souvislosti, které je těžko určit analýzou jednotlivých ukazatelů či jejich dvojic.

Faktorová analýza

Faktorová analýza (FA) je vícerozměrná statistická metoda, jejíž podstatou je rozbor struktury vzájemných závislostí proměnných za předpokladu, že tyto závislosti jsou důsledkem působení určitého menšího počtu v pozadí stojících nezměřitelných veličin. Tyto veličiny jsou označovány jako společné faktory. Cílem FA je na základě závislostí pozorovaných proměnných charakterizovat strukturu společných faktorů stojících za vzájemně korelovanými proměnnými. Snahou je odvodit povahu společných faktorů tak, aby tyto (hypotetické) veličiny objasňovaly pozorované závislosti co nejjednodušeji a aby počet nalezených faktorů byl co nejmenší [11].

Faktorovou analýzu nemá smysl provádět tam, kde jsou vstupní proměnné nekorelované. V tomto případě neexistují závislosti mezi proměnnými a faktorová analýza poté nemá co objasňovat [8].

Výběr dat pro faktorovou analýzu

V "GIS statistice" je uvedeno asi 70 ukazatelů nezaměstnanosti. Pro faktorovou analýzu bylo zvoleno použití 31 extenzitních ukazatelů (z důvodu srovnatelnosti údajů mezi obcemi o různé velikosti populace). Seznam použitých ukazatelů je uveden v tabulce 1.


Tabulka 1. : Přehled ukazatelů zpracovaných při faktorové analýze pro okres Frýdek-Místek.

Provedení faktorové analýzy

Faktorová analýza vyžaduje na vstupu standardizovaná data do normovaného normálního rozdělení. Standardizace byla provedena pomocí Z-skóre. Analýza byla provedena v prostředí statistického programového vybavení SPSS 11.0.0 firmy SPSS Inc.

Při provádění FA v prostředí SPSS byla zvolena extrakce metodou hlavních komponent. Pro výpočet byly vybrány jen faktory s vlastním číslem větším 1. Pro lepší interpretaci výsledků byla zvolena rotace metodou varimax (metoda ortogonální rotace, která minimalizuje počet proměnných majících vysoké váhy v jednotlivých faktorech. Faktorová analýza byla provedena pro každé období zvlášť (9 období) a byla také provedena pro sumarizovaná data (All).

Výsledkem analýzy v prostředí SPSS 11.0.0 byla základní popisná statistika vstupních ukazatelů, vypočtené komunality vstupních ukazatelů, vypočtená vlastní čísla a množství vysvětleného rozptylu pro jednotlivé faktory doprovozené také grafem. Dále faktorová matice vah a rotovaná faktorová matice vah obsahující faktorové váhy u jednotlivých vstupních ukazatelů. Pomocí těchto údajů bylo provedeno vyhodnocení výsledků faktorové analýzy.

Výsledky faktorové analýzy a jejich interpretace

Nejdříve byly zhodnoceny údaje z tabulky vlastních čísel a množství vysvětleného rozptylu jednotlivých faktorů (komponent). Z této tabulky bylo možno zjistit, u kolika faktorů je hodnota vlastního čísla větší než 1 a tedy kolik významných faktorů se v datech nachází. Následný výpočet komponentní matice a rotované komponentní matice byl prováděn pouze pro tyto faktory. Dále bylo možno z této tabulky zjistit hodnotu vysvětleného rozptylu jednotlivých faktorů. Ten udává, kolik procent původní informace v sobě faktor nese.


Obr. 1.: Počet faktorů v jednotlivých obdobích a sumarizovaná míra vysvětleného rozptylu.

Počet faktorů se v jednotlivých obdobích pohyboval mezi 8-9 (viz. obr. 1.). Počet zjištěných faktorů je relativně vysoký. To můžeme interpretovat tak, že data z „GIS statistiky" nesou informaci o řadě jevů projevujících se na nezaměstnanosti, a že má cenu je tedy shromažďovat (data tedy nejsou duplicitní). O tom vypovídá i nízká míra vysvětleného rozptylu u jednotlivých faktorů (po rotaci pro 1. faktor max. 19% z celkového rozptylu). Hodnota celkového vysvětleného rozptylu se pohybovala v rozmezí 76-83%. Tento výsledek lze brát jako přijatelný a lze tedy prohlásit, že byl brán v úvahu dostatečný počet faktorů (vynecháním ostatních faktorů bylo ztraceno malé množství informace). Obr 1. udává počet faktorů a celkovou míru vysvětleného rozptylu (všemi faktory v období) v jednotlivých obdobích.

Základem pro zjištění a specifikaci dominantních faktorů (jevů) ve zkoumaných datech byla zvláště rotovaná komponentní matice (viz. Obr. 2.).
V této matici jsou zobrazeny pro jednotlivé faktory vypočtené hodnoty faktorových (komponentních) vah příslušné k jednotlivým ukazatelům. Tuto matici následně interpretujeme tak, že faktor je charakterizován těmi ukazateli, u nichž faktorové váhy nabývají vysokých hodnot. Jelikož ukazatel může faktor ovlivňovat pozitivně i negativně, v úvahu byly brány absolutní hodnoty komponentních vah ukazatelů o hodnotě větší než 0,5.


Obr. 2.: Rotovaná matice faktorových vah v prostředí SPSS.

Výsledkem faktorové analýzy bylo zjištění, že v analyzovaných datech se objevují tři významné faktory (jevy) respektive kombinace ukazatelů:

Faktor A

Ukazatele s významnými hodnotami faktorových vah:

  • podíl evidovaných uchazečů absolventů (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání
  • podíl uchazečů absolventů evidovaných déle než 6 měsíců (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání
  • často: podíl evidovaných uchazečů věkové skupiny 18-24 let (celkem i ženy) a podíl evidovaných uchazečů věkové skupiny 17 let a méně (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání

Počet výskytu faktoru k počtu sledovaných období: 10/10
Možná interpretace: mladí lidé do 24 let včetně
Ukazatel odpovídající interpretaci: podíl evidovaných uchazečů věkové skupiny 24 let a méně na celkovém počtu evidovaných uchazečů o zaměstnání (PC0024)

Faktor B

Ukazatele s významnými hodnotami faktorových vah:

  • podíl evidovaných uchazečů se základním stupněm vzdělání (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání
  • podíl evidovaných uchazečů požadujících primárně KZAM9 (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání
  • často: míra nezaměstnanosti a záporné váhy ukazatele podíl evidovaných uchazečů s maturitou (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání

Počet výskytu faktoru k počtu sledovaných období:9/10
Možná interpretace: lidé s nízkým vzděláním
Ukazatel odpovídající interpretaci: podíl evidovaných uchazečů se základním stupněm vzdělání na celkovém počtu evidovaných uchazečů o zaměstnání (PCVABC_U)

Faktor C

Ukazatele s významnými hodnotami faktorových vah:

  • podíl uchazečů evidovaných déle než 6 měsíců (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání
  • podíl uchazečů evidovaných déle než 12 měsíců (celkem i ženy) na celkovém počtu evidovaných uchazečů o zaměstnání

Počet výskytu faktoru k počtu sledovaných období:9/10
Možná interpretace: dlouhodobě nezaměstnaní
Ukazatel odpovídající interpretaci: podíl uchazečů evidovaných déle než 12 měsíců na celkovém počtu evidovaných uchazečů o zaměstnání (PCE12_U)

Obecně lze o výsledcích faktorové analýzy říci, že první faktory bývají zřetelně a jasně vymezeny a mohou být tedy i takto interpretovány, s rostoucím (pořadovým) číslem faktoru však tato zřetelnost a jasnost klesá.

Vyhodnocení vypočteného faktorového skóre

Při provádění faktorové analýzy program SPSS zároveň automaticky vypočetl faktorové skóre jednotlivých faktorů a uložil k původním datům. Faktorové skóre je hodnota faktoru pro jednotlivé záznamy (v tomto případě obce).

Pro rok 2000 byly následně vyhotoveny kartogramy zobrazující hodnoty jednotlivých faktorů. Při srovnání kartogramů faktorů a kartogramů jim odpovídajících ukazatelů bylo zjištěno, že ve většině případů mají v hrubých rysech podobný průběh. Příkladem může být situace k 31.03.2000 kdy se vývoj podílu uchazečů evidovaných nad 12 měsíců blížil vývoji faktoru „dlouhodobě nezaměstnaní" (viz.Obr 3.).


Obr. 3.: Porovnání vývoje podílu uchazečů evidovaných nad 12 měsíců a faktorového skóre dlouhodobé nezaměstnanosti.

Rozdíly jsou způsobeny tím, že faktorové skóre vzniká lineární kombinací několika ukazatelů (v tomto případě: podíl uchazečů evidovaných nad 12 měsíců, podíl uchazečů žen evidovaných nad 12 měsíců, podíl uchazečů evidovaných nad 6 měsíců, podíl uchazečů žen evidovaných nad 6 měsíců, pozn.: podíly jsou na celkovém počtu evidovaných uchazečů o zaměstnání). Faktorové skóre by tedy mělo komplexněji popisovat vývoj jevu dlouhodobé nezaměstnanosti.

Výběr ukazatelů pro multikriteriální hodnocení situace na trhu práce

Základem pro výběr ukazatelů multikriteriálního hodnocení se stal vytvořený širší seznam ukazatelů a dále především výsledek faktorové analýzy, který zjistil hlavní faktory (jevy) projevující se v nezaměstnanosti a ukazatele, kterými je možno tyto jevy popisovat.
Závěry faktorové analýzy a širší seznam ukazatelů byl poskytnut k seznámení pracovníkům ÚP FM a následně proběhly diskuse o vhodných ukazatelích pro provádění multikriteriálního hodnocení trhu práce.
Na základě výsledků faktorové analýzy a expertního posouzení Ing. Patáčika (Úřad práce Frýdek-Místek) byly stanoveny tři varianty (kombinace) ukazatelů (viz. tabulka 2.).


Tabulka 2.: Varianty ukazatelů pro výpočet kritičnosti (X: použití ukazatele).

Varianta A1 plně koresponduje s návrhem Ing. Patáčika, varianta A2 zase s výsledky faktorové analýzy. Varianta A3 je kompromisním řešením. Byl v ní použít ukazatel PC5099_U, protože je zaměřen na jednu z nejvíce ohrožených skupin na trhu práce.

Multikriteriální hodnocení situace na trhu práce

Jednoduchou variantou multikriteriálního ocenění je vážená lineární kombinace. Jednotlivé faktory mají přiděleny svou váhu wi, která vyjadřuje míru významnosti faktoru. Všechny faktory jsou standardizovány do stejného číselného rozsahu (xi). Výsledný ukazatel bývá zvykem označovat jako vhodnost (suitability), v tomto případě příhodněji jako „kritičnost" (K) [4].

K - kritičnost
wi - váha ukazatele
xi - hodnota ukazatele

Aby výsledná vypočtená „kritičnost" nabývala hodnot v intervalu [0,1] je nutné před provedením multikriteriálního hodnocení vstupní hodnoty ukazatelů standardizovat do stejné škály hodnot, do intervalu [0,1]. Hodnota 0 pak vyjadřuje nejnižší míru kritičnosti, 1 znamená nejvyšší míru kritičnosti. Standardizace byla provedena podle tohoto vzorce:

x - standardizovaná hodnota
xorig - původní hodnota
xmin - minimální hodnota
xmax - maximální hodnota

Na základě konzultací byly stanoveny dolní a horní hranice ukazatelů, které vymezují interval, ve kterém je vývoj hodnot jednotlivých ukazatelů pravděpodobný (běžný), a který byl použit pro provedení standardizace (viz.Tabulka 3. ). Dolní a horní hranice ukazatelů byly použity jako minimální a maximální hodnoty pro standardizaci.


Tabulka 3.: Dolní, horní a indikační hranice ukazatelů.

Pokud je hodnota ukazatele nad horní hranicí, považujeme situaci za velmi kritickou a přiřadí se při standardizaci danému záznamu míra kritičnosti 1.
Na základě konzultací byla také stanovena hodnota indikační (limitní) hranice jednotlivých ukazatelů (viz.Tabulka 3.). Pro současné zobrazení příslušného ukazatele či kritičnosti a překročení indikační hranice lze doporučit použití kombinace kartogramu s kartodiagramem. Analytik tak může být upozorněn na nepříznivý vývoj určitého ukazatele ve sledované oblasti (viz. obr. 4).


Obr. 4.: Zobrazení překročení mezních hranic ukazatelů.

Stanovení vah ukazatelů

Pro stanovení vah ukazatelů nezaměstnanosti byla vybrána Saatyho metoda párového porovnání.
Technika párového porovnání, vyvinutá Thomasem Saathym v 70. a 80. letech v souvislosti s multikriteriální rozhodovací metodou zvanou Analytický Hierarchický Proces (Analytical Hierarchy Process - AHP), reprezentuje teoreticky založený přístup k výpočtu vah, reprezentovaných relativní důležitostí kritérií. Váhy nejsou přidělovány přímo, ale reprezentují nejvhodnější sadu vah získaných z vlastních vektorů čtvercové reciproké matice využité k porovnání všech možných párů kritérií. Výhodou této metody je, že k posouzení vzájemné významnosti faktorů může být použito údajů v literatuře, výsledků regresních analýz nebo může být požádán expert o ohodnocení či seřazení jednotlivých faktorů [14].
Při konstrukci vah tedy vycházíme z matice párových porovnání. V ní je zachycena intenzita významnosti kritéria vůči ostatním respektive poměry významnosti (poměry vah) kritéria vůči ostatním kritériím. Pro popis intenzity (poměru) významnosti je nutno použít hodnot v intervalu 1 - 9 respektive 1 - 1/9. Na diagonále čtvercové matice jsou hodnoty 1. Matice je symetrická podél této diagonály.

U sestavené matice párových vah se vypočte vlastní vektor největšího vlastního čísla této matice. Z tohoto vektoru se pak určí soustava vah.

Návrh modelu párových vah není nikdy dokonalý, protože jednotlivé váhy nemusí odpovídat celkovému modelu. Konzistentnost návrhu se určuje výpočtem poměru konzistence. Pokud je jeho hodnota nižší než 0.1, je navrhovaný model považován za konzistentní. Pokud je jeho hodnota vyšší, je nutné návrh párových vah zrevidovat.

Ing. Patáčik a RNDr. Šimek byli požádáni o návrh párové matice vah ukazatelů. Z obou návrhů byly vypočteny váhy pro jednotlivé kombinace ukazatelů (A1, A2, A3). Poměr konzistence byl vždy roven 0.01, takže modely byly považovány za konzistentní.
Výsledek byl následně konzultován na společné schůzce. Na základě poznatků z této diskuse byl vypracován kompromisní návrh matice párového porovnání a byly (pro jednotlivé varianty ukazatelů) vypočteny příslušné váhy (viz. tabulka 4.). Při návrhu bylo konstatováno, že význam jednotlivých faktorů se s časem mění a že návrh odpovídá současné situaci.


Tabulka 4.: Vypočtené váhy ukazatelů pro variantu A1, A2 a A3.

Výpočet kritičnosti, posouzení robustnosti řešení

Po standardizaci a určení vah ukazatelů byl tedy vypočtena kritičnost pro jednotlivé varianty ukazatelů a pro celé sledované období. Mimo to bylo provedeno zjištění překročení indikačních hranic ukazatelů.

Dále bylo nutno ověřit, jak se projeví změna vah ukazatelů na výsledné vypočtené kritičnosti. Posouzení robustnosti bylo provedeno na datech k 31.12.2002.
Kromě kritičnosti obcí vypočtené z kompromisního návrhu vah byly vypočteny kritičnosti podle návrhu vah Ing. Patáčika a RNDr. Šimka. Vznikly tedy 3 datové soubory obsahující název obce a vypočtenou kritičnost. Robustnost řešení se následně zkoumala na základě porovnání rozdílů v pořadí obcí jednotlivých datových souborů.
Jako nejrobustnější byl shledán ukazatel A1. Naopak nejhorších výsledků bylo dosaženo u ukazatele kritičnosti A2 .

Byl také testován vliv nastavení horních a dolních hranic ukazatelů použitých jako limitních bodů při standardizaci. Také bylo testováno, jak se projeví nahrazení zvolených limitních bodů minimálními a maximálními hodnotami datového souboru.

Porovnáváním rozdílů v pořadí obcí byla také testována podobnost výsledků mezi jednotlivými ukazateli. Bylo zjištěno, že výsledky ukazatelů A1 - A3 jsou značně rozdílné.

Dále byly vyhotoveny kartogramy zachycující vývoj jednotlivých ukazatelů kritičnosti, míry nezaměstnanosti a podílu uchazečů evidovaných nad 12 měsíců ve sledované období.

Na situaci k 31.12.2002 (viz. obr. 5) můžeme pozorovat pozvolný nárůst MN od severozápadu území (oblast hraničící s Ostravou) směrem na jihovýchod (oblast Beskyd). Oproti tomu ukazatel kritičnosti A1 ukazuje, že situace na severovýchodu okresu není příliš dobrá.


Obr. 5.: Situace na trhu práce v obcích okresu Frýdek-Místek k 31.12.2002.

Při porovnávání vývoje mezi jednotlivými ukazateli kritičnosti a nezaměstnanosti bylo zajímavým zjištění, že u vývoje ukazatelů kritičnosti může docházet k paradoxnímu jevu, když na klesající MN může ukazatel kritičnosti reagovat obráceně svým růstem. To je způsobeno tím, že při klesající MN roste procentuální podíl skupin ohrožených na trhu práce. To se následně projeví rostoucí hodnotou ukazatele kritičnosti, který je právě na ohrožené skupiny orientován.

Na základě sledování a testování vlastností jednotlivých ukazatelů kritičnosti lze doporučit jako nejvhodnější ukazatel kritičnosti A1.

Závěr

Byl proveden návrh ukazatelů vhodných pro popis situace na trhu práce.
Dále byla provedena faktorová analýza dat poskytnutých Úřadem práce ve Frýdku-Místku s cílem zjištění významných faktorů projevujících se na trhu práce a jim odpovídajících ukazatelů nezaměstnanosti. Byly identifikovány tyto tři hlavní faktory: mladí lidé do 24 let, dlohodobě nezaměstnání, lidé s nízkým vzděláním.
Na základě výsledků faktorové analýzy a následných diskusí byly vytvořeny tři varianty kombinací ukazatelů nezaměstnanosti respektive tři varianty hodnocení kritičnosti pro následné multikriteriální vyhonocení.
Následně byla navržena stoustava vah ukazatelů.

Na základě sledování a testování vlastností jednotlivých ukazatelů kritičnosti byl doporučen jako nejvhodnější ukazatel kritičnosti A1. Ukazatel A1 lze vypočíst jako:

A1 = (0,434 · MN) + (0,073 · PC0024_U) + (0,062 · PCVABC_U) + (0,278 · PCE12_U) + (0,153 · PC5099_U)

kde:
MN - míra nezaměstnanosti,
PC0024_U - podíl evidovaných uchazečů věkové skupiny 24 let a méně na celkovém počtu evidovaných uchazečů o zaměstnání,
PCVABC_U - podíl evidovaných uchazečů se základním stupněm vzdělání na celkovém počtu evidovaných uchazečů o zaměstnání,
PCE12_U - podíl uchazečů evidovaných déle než 12 měsíců na celkovém počtu evidovaných uchazečů o zaměstnání,
PC5099_U - podíl uchazečů starších 50 let na celkovém počtu uchazečů o zaměstnání

Multikriteriální hodnocení umožňuje hodnotit situaci na trhu práce jedním komplexním ukazatelem, což usnadňuje vyhodnocování i zobrazování situace na trhu práce. Výsledný vypočtený komplexní ukazatel kritičnosti lze použít k základnímu (komplexnímu) popisu celkové situace na trhu práce a má pomoci nalézt pracovníkům ÚP oblasti, které jsou nebo mohou být z hlediska nezaměstnanosti kritcké. Pracovníci poté mohou tyto oblasti podrobit podrobnějším průzkumům a analýzám, a mohou do takových míst směřovat i další cílená opatření.

Literatura

  1. Hančlová J., Křivý I., Gottvald J., Šimek M., Tvrdík J., Tvrdý L.: Modelování vývoje regionálních trhů práce, VŠB-Technická univerzita Ostrava 2001, 113 s., ISBN 80-248-0056-X.
  2. Hebák P., Hustopecký J.: Vícerozměrné statistické metody s aplikacemi. SNTL Praha 1987.
  3. Helísek, M.: Makroekonomie. Základní kurs. Slaný, Melandrium, 2000, 320 s., ISBN 80-86175-10-3.
  4. Horák J., Šimek M.: Územní analýza nezaměstnanosti na příkladu okresu Nový Jičín. Sborník vědeckých prací VŠB-TU Ostrava, řada HGF, ročník 46, 2000, s. 25-36, ISBN 80-7078-853-4.
  5. Kaňok, J.: Tématická kartografie. Skriptum, Ostrava, Ostravská univerzita, fakulta přírodovědecká, 1999, 318 s., ISBN 80-7042-781-7.
  6. Lukasová A., Šarmanová J.: Metody shlukové analýzy, Praha, SNTL 1985, 210 s.
  7. Mareš P.: Nezaměstnanost jako sociální problém (druhé rozšířené vydání). Sociologické nakladatelství Praha 1998.
  8. Meloun, M., Militký, J.: Kompendium statistického zpracování dat. Praha, Academia, 2002, 764 s., ISBN 80-200-1008-4.
  9. Pealinck J. H., Nijkamp P.: Operational theory and method in regioal economics, Saxon House Studies
  10. Ramík J.: Analytický hierarchický proces (AHP) a jeho využití v malém a středním podnikání. Slezská univerzita v Opavě - Obchodně podnikatelská fakulta v Karviné, 2000, 217 s., ISBN 80-7248-088-X.
  11. Turčan M.: Statistické metody, Skripta pro DGS GIS, 2002, 166s.
  12. WWW stránky projektu "Implementace nástrojů prostorové analýzy trhu práce v činnosti úřadů práce" (http://gis.vsb.cz/pan).
  13. WWW stránky ÚP Frýdek-Místek (http://fm.uradprace.cz)
  14. WWW stránky věnované Multikriteriálnímu vyhodnocování v GIS: Idaho Geospatial Data Center, University of Idaho (http://geolibrary.uidaho.edu/courses/Geog427/)

Copyright (C) VŠB - TU Ostrava, Institut geoinformatiky, 2001-3. Všechna práva vyhrazena. 
V případě, dotazů, komentářů, připomínek kontaktujte www-gis.hgf@vsb.cz
Tato stránka byla naposledy aktualizována: 29.03.2006 16:16
Stránky jsou optimalizovány pro Microsoft Internet Explorer v. 5.0 a vyšší.
Jsou vytvářeny v programovém prostředí FrontPage 2003.

NAVRCHOLU.cz