|
|
Multivariační a multikriteriální hodnocení situace na lokálním trhu práceMichal Boroň AbstractThis 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. AbstraktDiplomová 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. ÚvodAnalytici 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. NezaměstnanostKlíčovým 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 dataJako 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:
Data DMÚ 200 byla dodána ve formátu ArcInfo Coverage. Pro samotnou práci byla převedena do formátu Esri Shapefile. Z tohoto zdroje byly použity vrstvy:
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".
Mimoto jsou zde uvedeny i kategorie vzniklé kombinací uvedených kritérií (např. počet uchazečů žen, evidovaných nad 12 měsíců). Stanovení ukazatelů vhodných pro popis situace na trhu práceNa 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:
U jednotlivých ukazatelů je vždy nutno brát v úvahu, jaké geografické vymezení a agregace je pro ně vhodná. Multivariační zhodnoceníZe 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 analýzaFaktorová 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 analýzuV "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.
Provedení faktorové analýzyFaktorová 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 interpretaceNejdříve 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.
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.).
Výsledkem faktorové analýzy bylo zjištění, že v analyzovaných datech se objevují tři významné faktory (jevy) respektive kombinace ukazatelů:
Faktor A
Počet výskytu faktoru k počtu sledovaných období: 10/10
Faktor B
Počet výskytu faktoru k počtu sledovaných období:9/10
Faktor C
Počet výskytu faktoru k počtu sledovaných období:9/10 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 skórePři 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.).
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.
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 práceJednoduchou 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 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 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.
Pokud je hodnota ukazatele nad horní hranicí, považujeme situaci za velmi kritickou a přiřadí se při standardizaci danému záznamu míra kritičnosti 1.
Stanovení vah ukazatelů
Pro stanovení vah ukazatelů nezaměstnanosti byla vybrána Saatyho metoda párového porovnání. 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.
Výpočet kritičnosti, posouzení robustnosti řešeníPo 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. 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.
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. 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: 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
|
Copyright (C) VŠB - TU Ostrava,
Institut geoinformatiky, 2001-3. Všechna práva vyhrazena. |