az inaktívak és aktívak létszámának előrejelzése ágazati és foglalkozási bontásban

MTA Közgazdaság- és Regionális Tudományi Kutatóközpont

Közgazdaság-tudományi Intézet

Az inaktívak és aktívak létszámának előrejelzése

ágazati és foglalkozási bontásbanElőrejelző modell és előzetes eredmények

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

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

23.04.21.MTA Közgazdaság- és Regionális Tudományi Kutatóközpont

Koncepció

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

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

Az egység-gyök tesztek

A transzformált aktivitási ráta, 𝒂𝒏𝒌𝒓𝒕𝒍 Im-Pesaran-Shin panel-egységgyök tesztjeinek eredménye

Trend Egyéni fix-hatás

p-érték

1%-os szignifikancia elvethe-tő a nullhipotézis?

Van néhány eleme a panelnak, amely stacionárius?

Nincs Nincs 0,0034 Igen Van

Van Nincs 0.0000 Igen Van

Nincs Van 0.0592 Nem Nincs

Van Van 0.0000 Igen Van

A Hadri teszt eredménye a transzformált aktivitási ráta panel-egységgyök teszteléséről

Trend Egyéni fix-hatás

p-érték

1%-os szignifikancia elvethető a nullhipotézis?

A panel minden eleme sta-cionárius?

Nincs Nincs 0.0000 Igen Nem

Van Nincs 0.0000 Igen Nem

Nincs Van 0.0000 Igen Nem

Van Van 0.0000 Igen Nem

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

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

Differenciára felírt modellek

Differencia vagy szint?

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

Aktivitási ráta (átlagos)

Nemek szerinti aktivitás

Előrejelzési modellváltozat

Nyugdíjkorhatár emelés hatása

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:

aktív inaktív összesen

Feor adat van 510 544 147 271 657 815

Feor adat nincs 11 023 377 479 388 502

Összesen 521 567 524 750 1 046 317

A transzformáció lépései

1. A 200 szakmát 23 főkategóriába vontuk össze (továbbiakban FEOR23)

2. Az adathiány pótlása: multinomiális logit becsléssel 23 elemű valószínűségi mezőt rendelünk minden személyhez, amely megmutatja az egyes FEOR23 szakmákhoz tartozás valószínűségeit

3. A becsült valószínűségeloszlásokat nem, korcsoport, régió, aktivitás és évek szerint aggregáljuk

4. A FEOR23 valószínűségeloszlást létszarányosan szétosztjuk FEOR200 szerinti valószínűségeloszlásra

5. 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

6. A szakma szerinti aktív és inaktív létszámok felhasználásával lesz szakma szerinti aktivitási ráta

mlogit FEOR23=1,…,131 2 3 4 5 6 7 8 9 10 11 12 13

iyear 0.02*** -0.02*** -0.01 0.02*** -0.04*** -0.02*** -0.02*** 0 -0.03*** 0.00* 0.01*** -0.03*** -0.02***-9.04 (-5.03) (-1.31) -4.59 (-17.06) (-6.03) (-5.44) -0.37 (-13.68) -2.11 -8.1 (-5.79) (-10.94)

sex -0.78*** -0.21*** -0.37*** -2.38*** -2.75*** -1.68*** -1.54*** 0.03 -0.92*** -2.48*** -2.07*** -1.45*** -1.50***(-48.29) (-5.34) (-7.91) (-64.16) (-114.28) (-59.35) (-41.14) -0.61 (-41.06) (-126.51) (-111.81) (-32.83) (-81.78)

elv_oszt 1.22*** 2.26*** 1.47*** 0.86*** 2.73*** 1.29*** 1.80*** -0.56*** 0.84*** 0.46*** 0.85*** 1.45*** 0.43***-58.7 -49.51 -34.44 -22.93 -105.49 -44.73 -48.81 (-9.47) -28.04 -18.41 -36.86 -31.91 -13.72

lemp_kat -0.04*** -0.02 -0.11*** -0.05** -0.05*** -0.09*** -0.06** 0 -0.03** -0.05*** -0.04*** -0.01 -0.03** (-5.30) (-1.22) (-3.61) (-2.73) (-4.78) (-5.73) (-2.93) (-0.14) (-2.96) (-6.49) (-4.55) (-0.53) (-3.25)

fs tat -0.06*** -0.02* 0.01 -0.02* -0.03*** 0 0.03*** -0.01 0 0 -0.01* 0.09*** 0.05***(-14.33) (-2.27) -0.66 (-2.25) (-5.17) -0.3 -3.38 (-1.70) (-0.28) -0.36 (-2.42) -9.23 -11.27

educH -0.71*** -1.00*** -0.56*** 1.37*** -2.36*** -0.14* -1.16*** 2.30*** -0.37*** 0.20*** -0.28*** -1.38*** -0.35***(-19.52) (-14.18) (-6.69) -18.89 (-51.12) (-2.37) (-16.01) -22.5 (-7.06) -4.77 (-6.90) (-15.93) (-6.49)

mpstatH -0.15*** -0.10*** -0.16*** -0.28*** -0.10*** -0.13*** -0.18*** -0.05* -0.05*** -0.15*** -0.12*** -0.07* -0.01(-14.27) (-3.80) (-4.47) (-10.29) (-6.93) (-6.29) (-6.32) (-2.07) (-3.43) (-14.06) (-10.72) (-2.22) (-1.22)

htgyesz0_6 -0.03 -0.07* -0.07 0.19*** 0.06** -0.05 -0.02 -0.18*** -0.13*** 0.10*** -0.16*** -0.11* -0.13***(-1.89) (-2.01) (-1.72) -5.34 -2.84 (-1.77) (-0.61) (-4.33) (-5.46) -6.02 (-8.27) (-2.08) (-7.10)

htgyesz7_18 -0.04** -0.15*** -0.09** -0.04 0.06*** -0.15*** -0.06* -0.13*** -0.10*** 0.04*** -0.14*** -0.17*** -0.15***(-3.28) (-6.55) (-2.97) (-1.57) -4.21 (-7.21) (-2.08) (-5.14) (-6.18) -3.38 (-12.02) (-4.81) (-11.62)

s zul_ev -0.05*** -0.01*** 0.01*** -0.05*** -0.03*** 0 -0.02*** -0.02*** -0.01*** -0.01*** -0.01*** 0.02*** 0.03***(-54.16) (-7.54) -4.38 (-25.41) (-25.49) -0.13 (-10.01) (-12.18) (-4.75) (-9.52) (-9.41) -7.92 -26.78

ht_szemelyek -0.10*** 0.02 -0.10*** -0.12*** -0.10*** -0.15*** -0.16*** -0.04* -0.05*** -0.07*** -0.11*** -0.07*** -0.02* (-12.58) -1.02 (-5.07) (-6.47) (-9.39) (-10.76) (-8.21) (-2.25) (-4.37) (-9.29) (-13.67) (-3.45) (-2.03)

KozepDt -0.44*** -0.46*** -0.98*** -0.20*** -0.19*** -0.87*** -1.25*** -0.41*** -0.37*** -0.41*** -0.65*** -1.06*** -0.44***(-17.35) (-9.33) (-15.40) (-3.52) (-5.80) (-20.03) (-19.82) (-7.87) (-10.83) (-14.67) (-24.01) (-15.47) (-14.10)

NyugatDt -0.64*** -0.67*** -1.48*** -0.28*** -0.20*** -0.98*** -1.32*** -0.74*** -0.56*** -0.44*** -0.79*** -1.05*** -0.13***(-24.03) (-12.62) (-18.34) (-4.71) (-5.75) (-20.86) (-19.55) (-12.59) (-14.80) (-15.13) (-27.48) (-14.76) (-4.50)

DelDt -0.26*** -0.48*** -0.97*** 0.26*** 0.20*** -0.64*** -1.05*** -0.37*** -0.50*** -0.02 -0.50*** -0.90*** -0.05(-9.34) (-7.87) (-11.45) -4.25 -5.47 (-12.08) (-13.66) (-5.90) (-11.90) (-0.81) (-16.34) (-10.95) (-1.68)

EszakMo -0.44*** -0.65*** -1.16*** -0.12* -0.03 -0.78*** -1.27*** -0.50*** -0.58*** -0.20*** -0.68*** -1.14*** -0.38***(-17.98) (-12.69) (-17.50) (-2.18) (-0.87) (-18.47) (-21.41) (-9.68) (-16.34) (-7.50) (-25.70) (-16.29) (-12.66)

EszakAl f -0.42*** -0.71*** -1.12*** 0.06 0.14*** -0.85*** -1.07*** -0.60*** -0.52*** -0.03 -0.54*** -1.23*** -0.29***(-16.84) (-13.62) (-16.37) -1.11 -4.43 (-19.27) (-18.85) (-10.58) (-14.37) (-1.09) (-20.68) (-16.43) (-9.81)

DelAl f -0.45*** -0.79*** -1.02*** 0.16** 0.08* -0.67*** -0.85*** -0.50*** -0.49*** -0.07* -0.54*** -1.10*** -0.21***(-17.18) (-13.96) (-13.72) -2.97 -2.33 (-15.06) (-14.91) (-8.33) (-13.04) (-2.57) (-19.59) (-15.22) (-6.81)

gyed -0.03 0.08 0.22 0.39** 0.07 0.31** 0.35* -0.03 0.15 0.28*** 0.08 0.1 -0.1(-0.33) -0.47 -0.99 -2.85 -1 -2.99 -2.43 (-0.11) -1.63 -4.82 -1.19 -0.63 (-1.45)

nyugdi j 0.30*** 0.66*** 0.86*** 0.47*** 0.61*** 0.65*** 0.58*** 0.53*** 0.58*** 0.66*** 0.48*** 0.66*** 0.33***-8.89 -9.68 -8.82 -6.98 -13.56 -10.23 -7.2 -7.84 -11.62 -17.53 -12.83 -5.91 -7.29

munkanelkul i -0.52*** -0.56** -0.23 -0.55* -0.81*** -0.48*** -0.41 -0.39** -0.07 -0.68*** -0.25*** -0.29 -0.18** (-7.49) (-3.02) (-1.06) (-2.13) (-6.87) (-3.46) (-1.95) (-2.65) (-0.97) (-9.18) (-3.82) (-1.69) (-3.09)

_cons 46.72*** 33.72*** -25.09** 40.41*** 108.90*** 19.35*** 63.44*** 36.13*** 69.55*** 2.79 -21.25*** 5.84 -12.66***-14.5 -5.2 (-2.92) -5.83 -26.22 -3.49 -8.61 -5.27 -14.45 -0.84 (-6.26) -0.65 (-3.36)

Pseudo R-squared 0.21 Model chi -square 2.30E+05 N 6.60E+05

FEOR23=14,…,23

14 15 16 17 18 19 21 22 23iyear -0.04*** -0.01*** 0.01*** 0.02*** 0.02*** 0.01*** 0.04*** 0.03*** -0.09***

(-23.33) (-9.02) -10.9 -11.41 -9.05 -6.25 -22.95 -19.74 (-26.88) sex -3.70*** -2.02*** 1.60*** 0.24*** -2.57*** -0.10*** -1.88*** 0.53*** 0.55***

(-141.23) (-149.12) -79.6 -10.34 (-87.96) (-6.59) (-125.23) -29.93 -12.28elv_oszt 0.62*** 0.48*** -0.60*** 0.18*** 0.16*** -0.12** -0.49*** -0.67*** 1.58***

-27.4 -22.21 (-19.34) -4.22 -3.74 (-2.95) (-14.65) (-17.01) -42.34lemp_kat -0.01 -0.02** -0.02*** -0.03*** -0.02 -0.04*** -0.03*** -0.04*** 0.02

(-1.14) (-3.01) (-4.56) (-3.50) (-1.68) (-7.53) (-7.05) (-6.88) -1.51fs tat 0 -0.01*** -0.04*** 0.01** 0.01 0.03*** 0.06*** 0.11*** -0.11***

(-0.25) (-3.97) (-12.32) -2.96 -1.31 -9.4 -17.18 -33.96 (-11.66) educH -0.08* -0.35*** 0.86*** -0.04 0.03 -0.02 0.32*** 0.13 -1.61***

(-2.00) (-9.42) -16.61 (-0.64) -0.36 (-0.26) -5.39 -1.85 (-23.71) mpstatH -0.07*** -0.07*** -0.10*** -0.12*** -0.17*** -0.08*** -0.04*** 0.19*** -0.02

(-7.95) (-8.55) (-12.29) (-8.42) (-11.68) (-8.69) (-5.28) -23.92 (-0.74) htgyesz0_6 -0.11*** -0.06*** 0.03** 0.06** -0.05* 0.18*** 0.07*** 0.17*** -0.09**

(-6.26) (-4.80) -2.75 -3.09 (-2.21) -13 -4.55 -14.37 (-2.88) htgyesz7_18 -0.10*** -0.06*** 0.07*** 0.02 -0.11*** 0.09*** 0.10*** 0.15*** 0.10***

(-9.25) (-6.75) -8.61 -1.51 (-6.83) -9.19 -10.92 -17.13 -4.92szul_ev -0.01*** 0.02*** -0.02*** 0.00*** 0 -0.03*** -0.03*** 0.01*** 0.05***

(-14.28) -26.33 (-30.26) -3.68 -0.74 (-35.51) (-41.83) -11.13 -25.7ht_szemelyek -0.07*** -0.06*** -0.05*** -0.03** -0.07*** 0.01 -0.02** 0.02** -0.14***

(-8.98) (-9.56) (-8.46) (-3.23) (-6.80) -0.89 (-2.86) -2.75 (-8.43) KozepDt -0.71*** -0.56*** -0.08*** -0.50*** -0.71*** 0.44*** -0.46*** -0.11*** -0.38***

(-28.29) (-26.17) (-3.82) (-15.65) (-18.44) -13.47 (-19.46) (-3.76) (-7.03) NyugatDt -0.81*** -0.52*** -0.14*** -0.67*** -0.52*** 0.56*** -0.40*** 0.02 -0.33***

(-31.23) (-23.53) (-6.26) (-19.07) (-13.40) -17.17 (-16.23) -0.82 (-6.08) DelDt -0.56*** -0.27*** 0.06** -0.45*** -0.35*** 1.09*** -0.12*** 0.46*** -0.44***

(-20.33) (-11.93) -2.59 (-12.62) (-8.87) -35.04 (-5.02) -16.41 (-6.73) EszakMo -0.77*** -0.45*** -0.04 -0.37*** -0.54*** 0.41*** -0.05* 0.51*** -0.37***

(-32.06) (-22.23) (-1.79) (-12.20) (-14.66) -12.51 (-2.27) -20.09 (-7.13) EszakAl f -0.51*** -0.30*** -0.01 -0.42*** -0.27*** 1.10*** -0.09*** 0.58*** -0.04

(-21.59) (-15.05) (-0.53) (-13.36) (-7.98) -37.79 (-4.00) -23.58 (-0.83) DelAl f -0.50*** -0.19*** 0.01 -0.54*** -0.40*** 1.53*** -0.20*** 0.20*** 0.17***

(-20.46) (-9.41) -0.63 (-15.54) (-10.85) -54.08 (-8.68) -7.2 -3.45gyed 0.15** -0.09 0.24* -0.29* -0.08 -0.47*** -0.44*** -0.81*** -0.68**

-2.91 (-1.86) -2.06 (-1.96) (-0.87) (-4.17) (-6.23) (-7.84) (-3.20) nyugdi j 0.49*** 0.28*** 0 0.81*** 0.20*** 0.10*** -0.16*** -0.65*** 2.34***

-15.06 -9.05 -0.09 -16.44 -3.83 -3.43 (-6.35) (-19.97) -31.38munkanelkul i -0.04 -0.18*** -0.15*** -0.30*** -0.69*** -0.06 0.03 0.16*** -1.21***

(-0.79) (-4.40) (-3.82) (-4.27) (-7.34) (-1.44) -0.75 -4.65 (-6.63) _cons 94.65*** -13.54*** 9.75*** -60.62*** -47.56*** 34.71*** -4.36 -78.09*** 68.28***

-29.68 (-5.25) -3.86 (-15.32) (-10.44) -11.63 (-1.51) (-25.67) -10.65

FEOR23: átlagos becsült aktivitás

FEOR23: átlagos becsült eloszlás

ugyanaz másképp

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

Problémás esetek

1. Mezőgazdaság (hal, erdő, vad)

2. Ipar

3. Építőipar

4. Kereskedelem, vendéglátás

5. Szállítás, raktározás, posta, távközlés

6. Pénzügyi tev, ingatlan, gazd. szolgáltatás

7. Közigazgatás, védelem, TB

8. Oktatás

9. Egészségügy

10. Egyéb

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

Köszönöm a figyelmet!

az inaktívak és aktívak létszámának előrejelzése ágazati és foglalkozási bontásban

Documents

a volatilitás előrejelzése és a visszaszámított...

cciikkkk--llaappoozz · cikk-lapozÓ – 2014.oktÓber...

az uv-sugárzás mérése és előrejelzése az országos...

cciikkkk--llaappoozz...cikk-lapozÓ – 2012.november...

fizikai alapismeretek gefit021-b fit/21v /3kredit ·...

c. mellÉklet szerinti bontásban · jakabszállás kecsk...

a városról és a vírusról hogy vagy?...– l. s.), hogy...

2004. január8. - pte...

tárgytematika -...

be/sfphpm01-13119/2016/mlsz2017-12-19 16:40 3 / 24...

miskolci napló...bÚÉk miskolc 2017! fergeteges...

olvasott író, drámaíró, misima jukió (1925—1970)...

sasadi Óvoda - Újbuda...a sasadi Óvoda engedélyezett...

programok havi bontásban - szarcsaiskola.hu · szeptember...

kelet-közép-európai devizaárfolyamok előrejelzése...

a fiatalok munkaerő-piaci...

szerb állampolgárok magyarországon · 2012. 12. 8. ·...

a foglalkoztatás-szerkezet előrejelzése magyarországon

sportolási szokásainak, és a szabadidősport...

a nemzetközi energiaügynökség előrejelzése a...