empirijska analiza utjecaja izdataka za obrazovanje na gospodarski rast...

SVEUČILIŠTE U RIJECI

EKONOMSKI FAKULTET

JOSIPA TOLJANIĆ

EMPIRIJSKA ANALIZA UTJECAJA IZDATAKA ZA OBRAZOVANJE NA

GOSPODARSKI RAST ZEMALJA EU

DIPLOMSKI RAD

RIJEKA, 2015.

SVEUČILIŠTE U RIJECI EKONOMSKI FAKULTET

EMPIRIJSKA ANALIZA UTJECAJA IZDATAKA ZA OBRAZOVANJE NA

GOSPODARSKI RAST ZEMALJA EU1

DIPLOMSKI RAD

PREDMET: Statističke metode za poslovno odlučivanje

MENTOR: doc. dr. sc. Ana Štambuk

STUDENT: Josipa Toljanić

STUDIJSKI SMJER: Poduzetništvo

JMBAG: 0081133364

RIJEKA, srpanj 2015.

1 Ovaj rad je financiralo Sveučilište u Rijeci projektom 13.02.1.2.04. (Ljudski potencijali i ekonomski razvoj Hrvatske).

SADRŽAJ:

1. UVOD ................................................................................................................. 1

1.1. PROBLEM I PREDMET ISTRAŽIVANJA ................................................ 1

1.2. RADNA HIPOTEZA ................................................................................... 1

1.3. SVRHA ISTRAŽIVANJA ........................................................................... 2

1.4. STRUKTURA RADA .................................................................................. 2

2. PREGLED DOSADAŠNJIH ISTRAŽIVANJA ............................................. 3

3. ZNAČAJ OBRAZOVANJA ZA GOSPODARSKI RAST U EU .................. 7

3.1. OBRAZOVANJE U EU ............................................................................... 7

3.2. TRAJANJE OBVEZNOG OBRAZOVANJA U EU ................................... 8

3.3. ULAGANJA U OBRAZOVANJE ............................................................... 11

3.3.1. PRIMARNO OBRAZOVANJE .......................................................... 13

3.3.2. SEKUNDARNO OBRAZOVANJE ................................................... 15

3.3.3. TERCIJARNO OBRAZOVANJE ...................................................... 17

3.4. EKONOMSKI RAST U EU......................................................................... 22

3.5. ANALIZA BDP-a PO STANOVNIKU U ZEMLJAMA EU ...................... 24

4. PODACI I METODOLOGIJA ........................................................................ 26

4.1. MODEL I PRIKUPLJENI PODACI ............................................................ 26

4.2. REZULTATI MODELA .............................................................................. 28

4.2.1. TEST JEDINIČNOG KORIJENA ...................................................... 28

4.2.2. MODEL VIŠESTRUKE LINEARNE REGRESIJE ........................... 41

4.2.3. TEST NORMALNOSTI GREŠAKA RELACIJE .............................. 45

4.2.4. HETEROSKEDASTIČNOST ............................................................. 46

4.2.5. AUTOKORELACIJA ......................................................................... 48

4.2.6. MULTIKOLINEARNOST ................................................................. 51

5. ZAKLJUČAK .................................................................................................... 55

LITERATURA ........................................................................................................ 57

POPIS GRAFIKONA I TABLICA ........................................................................ 60

POPIS PRILOGA .................................................................................................... 62

1

1. UVOD

U ovom radu, posebno mjesto zauzima obrazovanje kao najznačajniji faktor formiranja

ljudskog kapitala. Zemlje u kojima postoji visokoobrazovana radna snaga mogu poticati

ulaganje u nove tehnologije i na taj način brže premošćivati jaz u odnosu na tehnološki

razvijenije zemlje (Ekonomski institut, 2014).

Europska Unija je prepoznala značaj obrazovanja za ekonomski rast zemalja EU, te je

2010. godine donijela Strategiju za pametan, održiv i uključiv rast, poznatu pod

nazivom Europa 2020. Prema toj Strategiji, ciljevi u području obrazovanja odnose se na

problem ranog napuštanja obrazovanja smanjenjem stope s trenutnih 15% na 10%, te

istovremeno povećanje udjela stanovništva u dobi od 30 – 34 godine koji završavaju

tercijarno obrazovanje s 31% na najmanje 40% u 2020. g. Povećanje razine obrazovanja

povećava zapošljivost, dok napredak u povećanju stope zapošljavanja pomaže da se

smanji stopa siromaštva (Europska komisija, 2010).

1.1.PROBLEM I PREDMET ISTRAŽIVANJA

Problem istraživanja je istražiti utjecaj obrazovanja na ekonomski rast na razini

zemalja članica Europske Unije, primjenjujući ekonometrijske metode i modele. Iako je

obrazovanje jedan od faktora koji pozitivno utječe na ekonomski rast, smanjenje

nezaposlenosti i poboljšanje životnog standarda, ono još uvijek nije cijenjeno i

prepoznato, te se u njega nedovoljno ulaže.

Predmet istraživanja se odnosi na obrazovanje kao determinantu ekonomskog rasta u

zemljama Europske Unije.

1.2.RADNA HIPOTEZA

S obzirom na problem i predmet istraživanja hipoteza glasi: zemlje koje više ulažu u

svoj obrazovni sustav (primarno, sekundarno i tercijarno obrazovanje), su u prosjeku

ekonomski razvijenije i imaju veće stope gospodarskog rasta.

2

1.3.SVRHA ISTRAŽIVANJA

Svrha istraživanja je specificirati obilježja i stanje obrazovanja i ekonomskog rasta u

zemljama EU, te primjenom ekonometrijskih metoda analizirati njihovu povezanost i

značajnost.

1.4.STRUKTURA RADA

Diplomski rad se sastoji od 5 poglavlja. U prvom poglavlju su definirani problem,

predmet i svrha istraživanja. Drugo poglavlje sadrži pregled ranijih istraživanja u

području obrazovanja, te na koji način je ono povezano sa gospodarskim rastom.

U trećem poglavlju analizira se obrazovanje u EU, koliko zemlje članice izdvajaju za

obrazovanje prema razinama obrazovanja, trajanje obrazovanja u EU. Također se

analizira razvijenost zemalja EU prema veličini BDP-a po stanovniku i stopi

nezaposlenosti, te se daje kratak osvrt na Strategiju Europa 2020. – za pametan, održiv i

uključiv rast koja definira ciljeve i smjernice za budući rast i razvoj zemalja EU.

U četvrtom poglavlju prezentiraju se podaci i varijable koji će biti korišteni u analizi. U

istom poglavlju se daju rezultati dobiveni analizom. Peto poglavlje sadrži zaključak i

sintezu rada.

3

2. PREGLED DOSADAŠNJIH ISTRAŽIVANJA

Na temu povezanosti obrazovanja i gospodarskog rasta nastala su brojna empirijska

istraživanja koja su na različite načine, uzimajući u obzir različite varijable, pokušala

objasniti tu povezanost.

Pregledom literature na temu gospodarskog rasta, uočavaju se 3 značajke preko kojih

obrazovanje ima utjecaj na gospodarski rast (Hanushek, Wößmann, 2010):

1. Obrazovanje povećava ljudski kapital svojstven radnoj snazi, što povećava

produktivnost rada i na taj način raste razina outputa.

2. Obrazovanje može povećati razinu inovativnosti i znanje o novim

tehnologijama, proizvodima i procesima koji potiču rast.

3. Obrazovanje može olakšati rasprostranjenost i prijenos znanja potrebnog za

razumijevanje i prenošenje novih informacija, te uspješne implementacije novih

tehnologija, što opet potiče gospodarski rast.

U radovima E. A. Hanusheka i L. Wößmanna (2007, 2010 i 2012) naglasak je stavljen

na važnost kvalitete obrazovanja koja utječe na gospodarski rast. Kvaliteta obrazovanja

se mjeri međunarodnim testovima koji se provode među studentskom populacijom.

Međutim, neke zemlje nisu sudionice u takvim testiranjima, te se ne može istražiti

utjecaj kvalitete obrazovanja na gospodarski rast. Nadalje, autori su u svojim radovima

istraživali i utjecaj broja godina školovanja na gospodarski rast.

Grafikon 1 prikazuje dijagram rasipanja u kojem je prikazana jaka pozitivna veza

između kvalitete obrazovanja mjerene rezultatima međunarodnih testova i gospodarskog

rasta mjerenog BDP-om po stanovniku. Vidljivo je da veći rezultati postignuti na

međunarodnim testovima, utječu na rast BDP-a po stanovniku.

4

Grafikon 1: Utjecaj rezultata testova na ekonomski rast

Izvor: Hanushek, Wößmann, 2007., str. 7.

Grafikon 2 prikazuje dijagram rasipanja u kojem je vidljiv utjecaj godina školovanja na

ekonomski rast, te je vidljivo da se povećanjem broja godina školovanja blago povećava

i BDP po stanovniku.

5

Grafikon 2: Utjecaj godina školovanja na ekonomski rast

Izvor: Hanushek, Wößmann, 2007., str. 7.

Autori Požega, Crnković i Sučić su u svojem radu (2012) istraživali utjecaj izdataka za

obrazovanje na gospodarski rast, te su postavili slijedeće hipoteze:

1. „Investicija u obrazovanje ima pozitivan i signifikantan utjecaj na ekonomsku

razvijenost zemalja

2. Ljudi sa višom razinom obrazovanja, postižu više stope povrata kroz svoje plaće

i ta investicija u obrazovanje pozitivno utječe na razinu njihove plaće.“

Analiza podataka je imala obuhvat od 36 zemalja svijeta i njihovih statističkih podataka

o bruto domaćem proizvodu po stanovniku, dohodak od zaposlenog stanovništva prema

razini obrazovanja u 3 kategorije: više sekundarno obrazovanje, završeno sekundarno

obrazovanje (bez tercijarnog) i tercijarno obrazovanje. Na temelju statističke analize

navedenih podataka, potvrdili su obje hipoteze.

6

Novije istraživanje o doprinosu obrazovanja ekonomskom rastu istraživale su i

Ghergina i Duca (2013) koje ukazuju na sve veću ulogu obrazovanja u gospodarskom

razvoju. Kvaliteta obrazovanja ovisi o stupnju razvijenosti neke zemlje. U istraživanju

su primjenjivale statističke metode i ekonometrijske modele, te pomoću njih analizirale

povezanost:

1) BDP-a po stanovniku i razine obrazovanja

2) izdataka za obrazovanje i obrazovanje prema razinama (primarno, sekundarno i

tercijarno)

3) stope nezaposlenosti i izdataka za obrazovanje

4) indeksa ljudskog razvoja i indeksa obrazovanja, BDP-a po stanovniku

7

3. ZNAČAJ OBRAZOVANJA ZA GOSPODARSKI RAST U EU

Obrazovanje i osposobljavanje ključni su za gospodarski i socijalni napredak, a pritom

ključnu ulogu ima usklađivanje vještina s potrebama tržišta rada. Kako bi odgovorila na

gospodarsku krizu, Europska unija je postavila sljedeće ciljeve (Europska komisija,

2010):

1) smanjenje broja osoba koje prekidaju školovanje na manje od 10 %

2) povećanje broja osoba s visokoškolskom diplomom na najmanje 40 % do 2020.

U gospodarstvu koje se sve više temelji na znanju, te je sve više globalizirano, Europi je

potrebna dobro obučena radna snaga radi konkurentnosti s obzirom na produktivnost,

kvalitetu i inovacije. Obrazovanjem i osposobljavanjem potiču se osobni razvoj i

aktivno građanstvo te se promiču jednakost, socijalna uključenost i kohezija.

3.1. OBRAZOVANJE U EU

Svaka zemlja u EU je odgovorna za svoj sustav obrazovanja i osposobljavanja, ali u

poticanju suradnje i razmjene dobre prakse među zemljama članicama, ključnu ulogu

ima EU koja podupire i dopunjava nacionalne napore i reforme.

Europska komisija ima glavnu ulogu u politici školstva. Ona provodi i analize po

državama, te na taj način pruža podršku članicama EU-a kako bi one razvile što

kvalitetniji obrazovni sustav, tj. obrazovnu politiku i osposobljavanje. Europska

komisija podržava nacionalne napore na 2 načina:

1. bliskom suradnjom s nacionalnim vladama zemalja članica radi pružanja pomoći

i podrške u razvoju njihovih politika i sustava obrazovanja, prikupljanjem i

dijeljenjem informacija i analiza, i naposljetku, poticanja razmjene dobre

političke prakse vezane uz školsku politiku

2. ulaganjem u razne projekte vezane uz školske razmjene, razvoj škola,

obrazovanje školskog osoblja, asistenata i sl. putem programa Erasmus +

8

U području obrazovanja utvrđene su sljedeće referentne vrijednosti EU-a za 2020. g.

(Europska komisija, 2010):

· „najmanje 95% djece (od 4. godine pa do početka obveznog školovanja) treba

sudjelovati u predškolskom obrazovanju

· udio petnaestogodišnjaka s nedovoljnim vještinama u čitanju, matematici i

znanosti treba iznositi manje od 15%

· udio mladih ljudi koji prekidaju obrazovanje i osposobljavanje treba iznositi

najmanje 40%

· udio odraslih osoba koje sudjeluju u programu cjeloživotnog učenja treba

iznositi najmanje 15%

· udio osoba s visokoškolskom diplomom, odnosno osoba s početnom

strukovnom kvalifikacijom u dobi 18 – 34 godine koje su provele neko vrijeme

na studiju ili osposobljavanju u inozemstvu, treba iznositi najmanje 20%

(odnosno 6%)

· udio zaposlenih diplomanata, tj. osoba u dobi 20 – 34 godine koje su uspješno

dovršile srednje ili visoko obrazovanje, koji su završili obrazovanje prije 1 – 3

godine, trebao bi iznositi barem 82%“

Napredak u pogledu tih referentnih vrijednosti procjenjuje se u okviru godišnje analize

u svakoj državi članici EU-a, a EU daje i preporuke.

3.2. TRAJANJE OBVEZNOG OBRAZOVANJA U EU

U Europskoj uniji obrazovanje traje najmanje osam godina, iako u velikoj većini

zemalja ono traje između devet i deset godina. Izuzetak su Latvija, Luksemburg, Malta i

Ujedinjeno Kraljevstvo (Engleska, Škotska i Wales) gdje obvezno obrazovanje traje

jedanaest godina, u Portugalu i Ujedinjenom Kraljevstvu (Sjeverna Irska) dvanaest

godina, a u Mađarskoj i Nizozemskoj trinaest godina.

Obvezno obrazovanje u većini zemalja počinje na primarnoj razini, uglavnom za djecu

u dobi od pet do šest godina. U nekim zemljama poput Bugarske, Grčke, Cipra, Latvije,

9

Luksemburga, Mađarske i Poljske, obvezno obrazovanje se odnosi i na predškolski

odgoj koji ima za cilj djeci približiti školsko okruženje. U Nizozemskoj, Malti i

Ujedinjenom Kraljevstvu, obvezno obrazovanje počinje u dobi od četiri ili pet godina i

djeca se odmah uključuju u obrazovne programe primarne razine.

Grafikon 3 prikazuje trajanje obveznog obrazovanja u Europi po pojedinim zemljama za

izabrane školske / akademske godine.

Grafikon 3: Trajanje obveznog obrazovanja u Europi 1980./1981., 2006./2007. i

2010./2011. g.

Izvor: Eurydice, 2012.

10

U većini zemalja, kraj obveznog obrazovanja često se podudara s prelaskom s nižeg na

više sekundarno obrazovanje. U nekim zemljama (Belgija, Bugarska, Francuska, Italija,

Irska, Nizozemska, Austrija, Slovačka, Ujedinjeno Kraljevstvo (Engleska, Wales i

Sjeverna Irska) i Lihtenštajn) prijelaz iz nižeg na više sekundarno obrazovanje nastupa

jednu ili dvije godine prije završetka obveznog redovitog školovanja. U Mađarskoj,

Nizozemskoj i Portugalu obvezno školovanje uključuje cijelu višu sekundarnu razinu.

Isto vrijedi i za Belgiju, Njemačku i Poljsku, ali je razlika u tome da djeca u dobi od 15

ili 16 godina su obvezna dvije ili tri godine pohađati neki od izvanrednih programa

osposobljavanja.

S obzirom na 1980. godinu, zabilježen je opći trend sve dužeg trajanja obveznog

obrazovanja u svim obrazovnim sustavima. Razlog tome je da se osigura stjecanje

ključnih kompetencija, smanjenje stopa ranog napuštanja školovanja, te da svi učenici

steknu svjedodžbu osnovnog obrazovanja. U Belgiji, Njemačkoj i Poljskoj je obvezno

obrazovanje duže za tri ili četiri godine u odnosu na 1980. g.

U deset zemalja početak obveznog obrazovanja je pomaknut na jednu godinu prije (u

Latviji na dvije godine prije), dok je trinaest zemalja produžilo trajanje obveznog

obrazovanja za jednu ili dvije godine, a Portugal za tri (Eurydice, 2012).

Obvezno obrazovanje u Hrvatskoj traje 8 godina i među najkraćim je u Europi. Djeca u

Hrvatskoj u školu mogu krenuti ako su do 1. travnja tekuće godine napunili šest godina

života, a u suprotnom kreću s navršenih sedam, što znači da osnovnu školu završavaju s

14 – 15 godina. U Hrvatskoj se najavljuje produljenje obveznog obrazovanja na devet

ili deset godina, ali se ne zna kada će se provesti ta reforma. S obzirom na duljinu

obveznog obrazovanja, Hrvatska se može mjeriti jedino s Turskom čije obvezno

obrazovanje također traje 8 godina, ali djeca u obrazovni sustav ulaze sa šest, a izlaze s

14 godina (Cvrtila, 2009).

11

3.3. ULAGANJA U OBRAZOVANJE U EU

Izdvajanja prema razinama obrazovanja razlikuju se od zemlje do zemlje, dijelom i

zbog razlika u njihovim obrazovnim sustavima. Izdvajanja za obrazovanje ovise i o

trajanju svake razine obrazovanja, o ukupnom trajanju obveznog obrazovanja i stopi

uključenosti u obrazovanje nakon završetka obveznog obrazovanja.

Drugi čimbenici koji utječu na izdvajanje za obrazovanje, uključuju demografske

promjene koje utječu na sve razine obrazovanja, od predškolskog nadalje, budući da se

promjene događaju kroz učeničku / studentsku populaciju.

Grafikon 4 prikazuje izdatke za sve razine obrazovanja po zemljama članicama EU kao

% BDP-a u 2011. g. U grafikonu nisu prikazani Grčka i Luksemburg zbog nedostupnih

podataka.

12

Grafikon 4: Izdaci za obrazovanje u zemljama EU kao % BDP-a u 2011. g.

Izvor: izrada studentice prema podacima EUROSTAT-a (tablica educ_figdp)

Napomena: za Grčku i Luksemburg nisu dostupni podaci.

Prema podacima iz 2011. g., na razini EU, izdvajanja za obrazovanje su iznosila 5,25%

BDP-a. Zemlje koje su najviše ulagale u obrazovanje su Danska (8,75% BDP-a), Malta

(7,96% BDP-a) i Cipar (7,87% BDP-a). Iza njih slijede Belgija, Irska, Finska, Švedska i

Ujedinjeno Kraljevstvo, čija su ulaganja oko 6% BDP-a.

3,07

3,82

4,06

4,21

4,29

4,51

4,71

4,82

4,94

4,96

4,98

5,16

5,17

5,25

5,27

5,68

5,68

5,80

5,93

5,98

6,15

6,55

6,76

6,82

7,87

7,96

8,75

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00

RUMUNJSKA

BUGARSKA

SLOVAČKA

HRVATSKA

ITALIJA

ČEŠKA

MAĐARSKA

ŠPANJOLSKA

POLJSKA

LATVIJA

NJEMAČKA

ESTONIJA

LITVA

EU 28

PORTUGAL

FRANCUSKA

SLOVENIJA

AUSTRIJA

NIZOZEMSKA

UK

IRSKA

BELGIJA

FINSKA

ŠVEDSKA

CIPAR

MALTA

DANSKA

13

Hrvatska je u 2011. g. za obrazovanje izdvojila 4,21% BDP-a, što je manje od razine

EU-a. Zemlje koje su izdvojile manje od Hrvatske su Bugarska i Rumunjska (oko 3%

BDP-a).

3.3.1. PRIMARNO OBRAZOVANJE

Ciljevi primarnog obrazovanja su stjecanje osnovnih vještina poput čitanja, pisanja i

računanja. Svrha primarnog obrazovanja je da učenici uspostave čvrste temelje za

učenje i razumijevanje osnovnih područja znanja, te osobnog i društvenog razvoja.

Grafikon 5 prikazuje izdatke kao % BDP-a za primarnu razinu obrazovanja po

pojedinim zemljama EU.

14

Grafikon 5: Izdaci za primarnu razinu obrazovanja kao % BDP-a u zemljama EU u

2011. g.


Napomena: za Grčku nisu dostupni podaci

Kao što se vidi na grafikonu 5, na razini EU-28 izdaci za primarno obrazovanje iznosili

su 1,19% BDP-a. Pri samom vrhu izdvajanja za primarno obrazovanje nalazi se Cipar sa

2,27% BDP-a, potom slijede Irska (2,2%), Danska (1,89%), Ujedinjeno Kraljevstvo

0,49

0,66

0,71

0,73

0,76

0,77

0,79

0,99

1,06

1,18

1,18

1,19

1,23

1,26

1,35

1,37

1,41

1,46

1,52

1,53

1,60

1,65

1,72

1,75

1,84

1,89

2,20

2,27

0,00 0,50 1,00 1,50 2,00 2,50

RUMUNJSKA

NJEMAČKA

BUGARSKA

ČEŠKA

MAĐARSKA

SLOVAČKA

LITVA

AUSTRIJA

ITALIJA

FRANCUSKA

MALTA

EU 28

ŠPANJOLSKA

ESTONIJA

FINSKA

LATVIJA

NIZOZEMSKA

PORTUGAL

POLJSKA

BELGIJA

SLOVENIJA

ŠVEDSKA

LUKSEMBURG

HRVATSKA

UK

DANSKA

IRSKA

CIPAR

15

(1,84%), Hrvatska (1,75%) i Luksemburg (1,72%). Najmanje izdatke za primarno

obrazovanje (manje od 1% BDP-a i ispod razine EU-28) imaju Rumunjska, Njemačka,

Bugarska, Češka, Mađarska, Slovačka i Litva.

Hrvatska je u 2011. g. za primarnu razinu obrazovanja izdvojila 1,75% BDP-a, što je

veće od razine EU-28. Manje izdatke za primarno obrazovanje od Hrvatske imaju

Luksemburg, Rumunjska, Njemačka, Bugarska, Češka, Mađarska, Slovačka i Litva.

3.3.2. SEKUNDARNO OBRAZOVANJE

Sekundarno obrazovanje se sastoji od:

a) nižeg i višeg sekundarnog obrazovanja (ISCED2 2 i 3)

b) post-sekundarnog i ne-tercijarnog obrazovanja (ISCED 4)

Na nižoj sekundarnoj razini obrazovanja se nadopunjuju znanja stečena u primarnom

obrazovanju. Nastava je uglavnom predmetna te se završetkom te razine završava

obvezno obrazovanje. Kod višeg sekundarnog obrazovanja nastava je uže predmetno

usmjerena nego na prethodnoj razini, te učenici stječu znanje kao pripremu za daljnje

obrazovanje, pružaju im se vještine potrebne za zapošljavanje ili oboje.

Programi post-sekundarne, ne-tercijarne razine namijenjeni su onim osobama koje su

završile više sekundarno obrazovanje, ali im njihove stečene kvalifikacije na toj razini

ne omogućavaju daljnji upis, odnosno prijelaz na tercijarno obrazovanje.

Na grafikonu 6 su prikazani izdaci za sekundarno obrazovanje izraženi kao % BDP-a za

pojedine zemlje EU u 2011. g.

2 ISCED (International Standard Classification of Education) ili međunarodna standardna klasifikacija obrazovanja je instrument za prikupljanje podataka o obrazovanju na međunarodnoj razini.

16

Grafikon 6: Izdaci za sekundarno obrazovanje kao % BDP-a u zemljama EU u 2011. g.


Napomena: za Grčku nisu dostupni podaci

Prema grafikonu 6, za sekundarno obrazovanje najviše je izdvojila Malta (5,25% BDP-

a), potom slijedi Cipar (3,09%), te nešto manje od 3% BDP-a su izdvojili Finska,

Danska i Belgija. Većina zemalja EU-a je za sekundarno obrazovanje uložila manje od

razine EU-a (2,23% BDP-a). Najmanje izdatke za ovu razinu obrazovanja je imala

Hrvatska sa samo 0,86% BDP-a.

0,86

1,07

1,53

1,59

1,75

1,76

1,79

1,81

1,96

1,96

1,96

2,07

2,17

2,21

2,23

2,30

2,37

2,39

2,47

2,49

2,52

2,54

2,66

2,80

2,81

2,84

3,09

5,25

0,00 1,00 2,00 3,00 4,00 5,00 6,00

HRVATSKA

RUMUNJSKA

LUKSEMBURG

BUGARSKA

LATVIJA

POLJSKA

ŠPANJOLSKA

SLOVAČKA

ČEŠKA

ITALIJA

MAĐARSKA

SLOVENIJA

ESTONIJA

LITVA

EU 28

PORTUGAL

NJEMAČKA

NIZOZEMSKA

ŠVEDSKA

UK

IRSKA

FRANCUSKA

AUSTRIJA

BELGIJA

DANSKA

FINSKA

CIPAR

MALTA

17

3.3.3. TERCIJARNO OBRAZOVANJE

Tercijarno obrazovanje je razina obrazovanja koju nude sveučilišta, veleučilišta,

tehnološki instituti i ostale ustanove koje dodjeljuju akademske titule i potvrde o višem

stručnom obrazovanju. Za pristup visokom obrazovanju obično je potrebno uspješno

završiti program višeg srednjeg obrazovanja i / ili visokog obrazovanja koje nije

tercijarno obrazovanje (EUROSTAT, 2014.).

Tercijarno obrazovanje se odnosi na:

· programe akademske orijentacije koji su uglavnom usmjereni na teoretska

znanja

· programe stručne orijentacije koji su obično kraći od programa akademske

orijentacije i usmjereni na ulazak na tržište rada

U tercijarno obrazovanje ulaze i studijski programi koji vode do napredne znanstvene

kvalifikacije (doktorata).

Grafikon 7 prikazuje izdatke za tercijarnu razinu obrazovanja za zemlje EU u 2011. g.

18

Grafikon 7: Izdaci za tercijarno obrazovanje kao % BDP-a u zemljama EU u 2011. g.


Napomena: za Grčku i Luksemburg nisu dostupni podaci

Prema grafikonu 7, najviši izdatak za tercijarno obrazovanje je imala Danska (2,44%

BDP-a), dok su nešto manje izdatke imali Finska (2,17%) i Cipar (2,11%). Najmanja

ulaganja imale su Bugarska, Italija, Rumunjska i Slovačka (manje od 1% BDP-a).

Hrvatska je za tercijarno obrazovanje izdvojila 0,93% BDP-a, što je manje od razine

EU-28. Zemlje koje su izdvojile manje od Hrvatske su Rumunjska, Italija i Bugarska.

0,65

0,83

0,85

0,93

0,95

1,01

1,04

1,10

1,11

1,13

1,13

1,16

1,27

1,29

1,29

1,32

1,34

1,37

1,40

1,44

1,47

1,56

1,72

1,98

2,11

2,17

2,44

0,00 0,50 1,00 1,50 2,00 2,50 3,00

BUGARSKA

ITALIJA

RUMUNJSKA

HRVATSKA

SLOVAČKA

LATVIJA

PORTUGAL

MAĐARSKA

MALTA

ŠPANJOLSKA

POLJSKA

ČEŠKA

EU 28

ESTONIJA

FRANCUSKA

UK

IRSKA

SLOVENIJA

NJEMAČKA

BELGIJA

LITVA

AUSTRIJA

NIZOZEMSKA

ŠVEDSKA

CIPAR

FINSKA

DANSKA

19

Grafikon 8 prikazuje usporedbu izdataka za sve razine obrazovanja, te se može

zaključiti da su zemlje EU najviše izdvajale za sekundarno obrazovanje, dok se ulaganja

u primarno i tercijarno obrazovanje razlikuju od zemlje do zemlje.

Grafikon 8: Izdaci za primarno, sekundarno i tercijarno obrazovanje kao % BDP-a u

zemljama EU u 2011. g.

Izvor: izrada studentice prema podacima EUROSTAT-a (educ_figdp)

Napomena: za Grčku i Luksemburg nisu dostupni podaci

1,84

1,65

1,23

1,60

0,77

0,49

1,46

1,52

0,66

1,41

1,18

0,76

1,72

0,79

1,37

1,06

2,20

1,75

1,18

1,35

1,19

1,26

1,89

0,73

2,27

0,71

1,53

0,99

2,49

2,47

1,79

2,07

1,81

1,07

2,30

1,76

2,37

2,39

5,25

1,96

1,53

2,21

1,75

1,96

2,52

0,86

2,54

2,84

2,23

2,17

2,81

1,96

3,09

1,59

2,80

2,66

1,32

1,98

1,13

1,37

0,95

0,85

1,04

1,13

1,40

1,72

1,11

1,10

0

1,47

1,01

0,83

1,34

0,93

1,29

2,17

1,27

1,29

2,44

1,16

2,11

0,65

1,44

1,56

UK

ŠVEDSKA

ŠPANJOLSKA

SLOVENIJA

SLOVAČKA

RUMUNJSKA

PORTUGAL

POLJSKA

NJEMAČKA

NIZOZEMSKA

MALTA

MAĐARSKA

LUKSEMBURG

LITVA

LATVIJA

ITALIJA

IRSKA

HRVATSKA

FRANCUSKA

FINSKA

EU 28

ESTONIJA

DANSKA

ČEŠKA

CIPAR

BUGARSKA

BELGIJA

AUSTRIJA

PRIMARNO SEKUNDARNO TERCIJARNO

20

Udio BDP-a koji se izdvaja za primarno obrazovanje kreće se od 0,49 do 2% BDP-a,

dok je taj postotak veći od 2% samo u Cipru i Irskoj. Udio BDP-a koji se izdvaja za

tercijarno obrazovanje kreće se od 0,65 do 2,44% BDP-a.

Na grafikonu 8 je vidljivo da je Hrvatska najviše izdvojila za primarno obrazovanje

(1,75% BDP-a) što je više od razine EU-28, a nešto manje za sekundarno i tercijarno

obrazovanje (ispod razine EU-28). Dok su druge zemlje najviše izdvajale za sekundarno

obrazovanje, Hrvatska je jedina zemlja koja je najviše ulagala u primarno obrazovanje.

Prema novijim podacima EUROSTAT-a za 2014. g., broj građana Europske unije koji

su završili tercijarno obrazovanje povećao se u svim zemljama.

Grafikon 9 prikazuje % osoba između 30 i 34 godine koje su završile tercijarno

obrazovanje u 2014. g. Za svaku zemlju članicu EU preciziran je cilj Strategije EU 2020

koji pokazuje za koliko se postotak osoba sa završenim tercijarnim obrazovanjem mora

povećati do 2020. g.

21

Grafikon 9: Osobe od 30 do 34 godine sa završenim tercijarnim obrazovanjem u zemljama EU (%) u 2014. g.

Izvor: Izrada studentice prema podacima EUROSTAT-a (edat_lfse_07)

Napomena: za Grčku, Luksemburg i Ujedinjeno Kraljevstvo nisu dostupni podaci

43,8 30,9 28,2 44,1 31,4 46,6 52,2 42,3 44,1 32,2 23,9 52,5 39,9 53,3 34,1 26,6 44,6 40 42,1 31,3 25 41 26,9 45,3 49,9 37,9

47

36

32

4042

40

60

44

50

35

26

46

34

48,7

30,333

4038

45

40

26,7

40 4042

40 40

0

10

20

30

40

50

60

70

2014. CILJ DO 2020.

22

U Europskoj uniji 37,9% osoba između 30 i 34 godine je završilo tercijarno obrazovanje

u 2014. g. Cilj Strategije EU 2020 je povećati broj osoba s tercijarnim obrazovanjem u

EU na najmanje 40%. Najveći postotak je zabilježen u Litvi (53,3%), Cipru (52,5%) i

Irskoj (52,2%). Najmanje ih je u Italiji (23,9%), Rumunjskoj (25%) i Slovačkoj

(26,9%).

U Hrvatskoj je 2014. g. bilo 32,2% osoba u dobi od 30 do 34 godine sa završenim

tercijarnim obrazovanjem. Prema preporukama Europske komisije za Hrvatsku, cilj je

povećati broj osoba s tercijarnim obrazovanjem u EU na najmanje 35%, te se iz

grafikona može zaključiti da se u Hrvatskoj broj osoba sa završenim tercijarnim

obrazovanjem povećava.

3.4. EKONOMSKI RAST U EU

Europska unija prati mnoga ekonomska kretanja, pokazatelje i politike povezane s

rastom, radnim mjestima, reformama i javnim financijama.

Gospodarstvo Europe je 2009. g. zahvatila najdublja recesija od kraja Drugog svjetskog

rata, te je došlo do pada BDP-a za 4%, pada industrijske proizvodnje na razinu iz 1990.-

tih godina i povećanja nezaposlenih (10% radno aktivnog stanovništva). U nekim

zemljama su stope nezaposlenosti, posebno među mladim ljudima, značajno narasle.

Kretanje stope nezaposlenosti u Europskoj uniji u razdoblju od 2008. do 2014. g.

prikazuje grafikon 10.

23

Grafikon 10: Stopa nezaposlenosti na razini EU u razdoblju od 2008. do 2014. g.

Izvor: izrada studentice prema podacima EUROSTAT-a (une_rt_a)

Prema grafikonu 10, na razini EU je prije ekonomske krize stopa nezaposlenosti

iznosila 7%, te je u 2009. g. pojavom ekonomske krize, počela rasti, a najveća stopa

nezaposlenosti je zabilježena 2013. g. (10,9%). U 2014. g. nezaposlenost se smanjuje, te

se uočava blag oporavak.

Gospodarstvo EU izašlo je iz recesije 2013. g., ali mnoge države članice se i dalje bore s

visokom nezaposlenošću, osobito među mladima. Za ponovno zapošljavanje ljudi i

poboljšanje životnog standarda ključan je snažan i održiv rast, što predstavlja jedan od

prioriteta EU-a. Stoga su EU i države članice 2010. g. pokrenule strategiju održivog

rasta za iduće desetljeće pod nazivom Europa 2020, kako bi Unija postala pametna,

održiva i uključiva ekonomija. Strategija ima 5 glavnih ciljeva koji se moraju postići do

2020. g. u 5 područja: zapošljavanje, istraživanje i razvoj, klimatske promjene /

energija, obrazovanje i socijalna uključenost.

7,0

9,0

9,6 9,7

10,510,9

10,2

0,0

2,0

4,0

6,0

8,0

10,0

12,0

2008 2009 2010 2011 2012 2013 2014

Sto

pa

nez

ap

osl

eno

sti

(%)

24

Na nacionalnoj se razini u svih pet ciljnih područja provode detaljne gospodarske

reforme koje tijekom godine prati Europska komisija, te svakog proljeća izdaje

preporuke za svaku zemlju članicu kojoj naglašava koje su reforme najpotrebnije.

EU je odredila 3 cilja u području zapošljavanja, inovacija i obrazovanja:

1) „osigurati stopu zaposlenosti od 75% za osobe u dobi između 20. i 64. godine

2) ulagati 3% BDP-a EU u istraživanje i razvoj

3) smanjiti stopu prekida školovanja na manje od 10%, te osigurati da najmanje

40% osoba između 30. i 34. godine završi tercijarno obrazovanje“

3.5. ANALIZA BDP-a PO STANOVNIKU U ZEMLJAMA EU

Bruto domaći proizvod (BDP) je mjera ukupne gospodarske aktivnosti države ili

skupine država. Općenito se koristi za analizu gospodarskih rezultata i ciklusa (kao što

su recesije, oporavci i skokovi u razvoju).

BDP po stanovniku (BDP per capita) se dobije dijeljenjem ukupnog BDP-a neke zemlje

u određenoj godini s njezinim brojem stanovnika u toj istoj godini. Često se smatra

pokazateljem općeg standarda života, ali je potrebno napomenuti da ne uzima u obzir

vanjske čimbenike kao što su ekološka održivost ili društvena uključenost kao važni

pokretači kvalitete života. S obzirom na navedeno, ipak se koristi jer, budući da uzima u

obzir broj stanovnika neke države, prikazuje realniju sliku što je jako bitno kod

uspoređivanja dviju država koje se značajno razlikuju po broju stanovnika.

Grafikon 11 prikazuje kretanje BDP-a po stanovniku u EU u razdoblju od 2004. do

2014. g.

25

Grafikon 11: BDP po stanovniku na razini EU (u €) u razdoblju od 2004. do 2014. g.

Izvor: izrada studentice prema podacima EUROSTAT-a (nama_10_pc)

Prema grafikonu 11, najveći BDP po stanovniku na razini EU od 2004. do 2014. g. je

zabilježen u 2014. g. te iznosi 27.300 € po stanovniku. Od 2004. do 2008. g. BDP po

stanovniku se postupno povećavao, dok je u 2009. g. pao za 6,18% u odnosu na 2008.

g., što se može pripisati pojavi ekonomske krize koja je 2009. g. zahvatila Europu. U

2010. g. BDP po stanovniku se povećao za 4,12%, te svake godine postupno raste. U

2014. g. u odnosu na 2009., BDP po stanovniku se povećao za 12,35%, te se iz

navedenog može zaključiti da se gospodarstvo EU polako oporavlja od krize.

22.30023.200

24.40025.800 25.900

24.30025.300 26.000 26.500 26.600 27.300

0

5.000

10.000

15.000

20.000

25.000

30.000

2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

BD

P p

o s

tan

ovn

iku

(u

€)

26

4. PODACI I METODOLOGIJA

4.1. MODEL I PRIKUPLJENI PODACI

U ovom radu biti će analizirani podaci vremenske serije na razini Europske unije (28

zemalja). Analizirat će se utjecaj pojedinih razina obrazovanja na gospodarski rast, a

kao mjera gospodarskog rasta uzeta je varijabla BDP po stanovniku. Nezavisne

varijable koje će se koristiti u analizi su LN_ED_PRIM (izdaci za primarno

obrazovanje), LN_ED_SEC (izdaci za sekundarno obrazovanje) i LN_ED_TER (izdaci

za tercijarno obrazovanje). Kao zavisna varijabla uzet je GDP_PC (BDP po

stanovniku).

Podaci se odnose na razdoblje od 2001. do 2011. g. Za analizu podataka je korišten

računalni program EViews 7, a podaci za analizu dati su u slijedećim tablicama.

Tablica 1: Bruto domaći proizvod po stanovniku u EU-28 (u €) i njegov prirodni

logaritam u razdoblju od 2001. do 2011. g.

GODINE BDP PO

STANOVNIKU

ln BDP PO

STANOVNIKU

2001. 20300 9,918376165

2002. 21000 9,952277717

2003. 21300 9,966462352

2004. 22300 10,01234196

2005. 23200 10,05190756

2006. 24400 10,10233841

2007. 25800 10,15812977

2008. 25900 10,16199825

2009. 24300 10,09823163

2010. 25300 10,13855967

2011. 26000 10,16585182

Izvor: Izrada studentice prema podacima EUROSTAT-a (nama_10_pc)

27

Tablica 2: Izdaci za obrazovanje u EU-28 (u €) u razdoblju od 2001. do 2011. g.

GODIN

E

UKUPNI

IZDACI ZA

OBRAZOVANJ

E

PRIMARNO

OBRAZOVANJ

E

SEKUNDARN

O

OBRAZOVANJ

E

TERCIJARNO

OBRAZOVANJ

E

2001. 475.592,0 110.235,5 216.587,5 102.667,9

2002. 505.460,1 113.828,4 229.358,6 113.125,2

2003. 517.734,0 118.340,4 235.772,2 114.280,7

2004. 534.765,1 122.841,2 241.170,6 118.962,3

2005. 555.912,9 127.408,4 248.212,4 126.710,2

2006. 586.669,3 136.948,1 259.760,2 130.903,7

2007. 610.557,3 142.559,4 269.319,2 136.990,3

2008. 630.539,4 146.853,8 277.884,3 142.075,4

2009. 635.930,1 146.684,3 282.807,2 142.826,1

2010. 662.028,3 151.413,9 291.598,4 153.057,8

2011. 663.029,3 150.910,7 282.722,7 160.329,2

Izvor: izrada studentice prema podacima EUROSTAT-a (educ_figdp)

Tablica 3: Logaritmirani izdaci za obrazovanje u EU-28 od 2001. do 2011. g.

GODINE ln UKUPNI

IZDACI

ln PRIMARNO

OBR.

ln SEKUNDARNO

OBR.

ln TERCIJARNO

OBR.

2001. 13,07231562 11,61037427 12,2857499 11,53925479

2002. 13,13322438 11,64244733 12,343042 11,63625045

2003. 13,15721688 11,6813205 12,3706214 11,64641298

2004. 13,18958286 11,71864774 12,3932598 11,68656192

2005. 13,22836691 11,75515295 12,4220401 11,74965787

2006. 13,28221657 11,8273573 12,4675142 11,78221722

2007. 13,32212743 11,86751403 12,5036526 11,8276654

2008. 13,35433092 11,89719281 12,5349601 11,86411318

2009. 13,36284393 11,89603794 12,5525207 11,86938309

2010. 13,40306358 11,92777243 12,5831328 11,93857091

28

GODINE ln UKUPNI

IZDACI

ln PRIMARNO

OBR.

ln SEKUNDARNO

OBR.

ln TERCIJARNO

OBR.

2011. 13,40457446 11,92444355 12,5522218 11,98498448

Izvor: izračun studentice prema podacima EUROSTAT-a

4.2. REZULTATI MODELA

4.2.1. TEST JEDINIČNOG KORIJENA

Testovi jediničnog korijena (engl. Unit Root Test) su namijenjeni testiranju reda

integriranosti varijable, te se provode u koracima. U prvom koraku se analizira niz Yt i

ispituje njegova stacionarnost. Ako je niz Yt stacionaran, znači da nema jedinični

korijen i s obzirom da je primjeren i pogodan za analizu, te se kao takav može koristiti u

empirijskim istraživanjima. Ako Yt nije stacionaran, znači da ima jedinični korijen, te

da bi postao stacionaran, on se diferencira, tj. potrebno je izračunati njegovu prvu

diferenciju (drugi korak). Ako niz Yt nije stacionaran niti sa prvom diferencijom, onda

se ispituje njegova druga diferencija, pa treća i tako redom sve dok Yt ne postane

stacionaran. U praksi se najčešće koriste diferencije prvog i drugog reda (Bahovec,

Erjavec, 2009).

Među testovima jediničnog korijena najpoznatiji su Dickey-Fullerov DF test koji je

najjednostavniji i najzastupljeniji u praksi, zatim prošireni Dickey-Fullerov ADF test,

Dickey-Fullerovi skupni F-testovi jediničnog korijena i dr.

Primjenom ADF testa (engl. Augmented Dickey Fuller Test) testirat će se zavisna

varijabla LN_GDP_PC i nezavisne varijable LN_ED_PRIM, LN_ED_SEC i

LN_ED_TER i ispitati jesu li one stacionarne i imaju li jedinični korijen.

Tablica 4 prikazuje rezultate ADF testa za izvornu vrijednost varijable LN_GDP_PC.

29

Tablica 4: ADF test za izvornu vrijednost varijable LN_GDP_PC

Izvor: izrada studentice u programu EViews 7

Hipoteze za provođenje ADF testa:

H0: γ = 0 à varijabla nije stacionarna (ima jedinični korijen)

HA: γ < 0 à varijabla je stacionarna (nema jedinični korijen)

Da bi se ADF testom utvrdila stacionarnost varijable i ima li jedinični korijen,

uspoređuje se ADF t-test sa kritičnim vrijednostima t-testa prema razinama

signifikantnosti od 1%, 5% i 10%. Ako su kritične vrijednosti t-testa veće od ADF t-

testa, odbacuje se H0, te se zaključuje da je varijabla stacionarna i nema jedinični

korijen. Diferenciranje svih varijabli u ovom modelu će se testirati pri razini

signifikantnosti od 5%.

30

Iz računalnog ispisa se iščitavaju podaci za ADF t-test, te on iznosi 2,221140.

Kritična vrijednost t-testa za razinu 5% signifikantnosti iznosi -1,982344, što je manje

od ADF t-testa, ne odbacuje se H0 hipoteza i zaključuje da varijabla LN_GDP_PC ima

jedinični korijen i nije stacionarna. Da bi varijabla postala stacionarna, potrebno je

testirati diferenciranje te varijable.

Tablica 5 prikazuje rezultate ADF testa za prvu diferenciju varijable LN_GDP_PC.

Tablica 5: ADF test za prvu diferenciju varijable LN_GDP_PC


31

Iz računalnog ispisa je vidljivo da je provedena prva diferencija varijable LN_GDP_PC,

te su poznati podaci:

ADF t-test = -1,919994

Kritična vrijednost t-testa za razinu 5% signifikantnosti = -1,988198 < ADF t-test

Budući da je kritična vrijednost t-testa prema razini signifikantnosti od 5% manja od

ADF t-testa, ne odbacuje se H0 hipoteza i zaključuje da prva diferencija varijable

LN_GDP_PC ima jedinični korijen i nije stacionarna, te je potrebno testirati njezinu

drugu diferenciju. Rezultati ADF testa za drugu diferenciju varijable LN_GDP_PC

prikazani su u tablici 6.

Tablica 6: ADF test za drugu diferenciju varijable LN_GDP_PC


32

ADF t-test = -2,974239

Kritična vrijednost za razinu 5% signifikantnosti = -2,006292 > ADF t-test

Kritična vrijednost t-testa prema razini signifikantnosti od 5% je veća od ADF t-testa,

odbacuje se H0 hipoteza i zaključuje da druga diferencija varijable LN_GDP_PC nema

jedinični korijen i da je stacionarna, te se kao takva može koristiti u empirijskim

istraživanjima.

U nastavku se testira varijabla LN_ED_PRIM. Rezultati ADF testa za njezinu izvornu

vrijednost prikazani su u tablici 7.

Tablica 7: ADF test za izvornu vrijednost varijable LN_ED_PRIM


33

ADF t-test = 4,587534

Kritična vrijednost za razinu 5% = -1,982344 < ADF t-test

Kritična vrijednost t-testa pri razini signifikantnosti od 5% je manja od ADF t-testa, ne

odbacuje se H0 hipoteza i zaključuje da varijabla LN_ED_PRIM ima jedinični korijen i

nije stacionarna, te je potrebno testirati njezinu prvu diferenciju.

Tablica 8: ADF test za prvu diferenciju varijable LN_ED_PRIM


ADF t-test = -1,150434

Kritična vrijednost za razinu 5% = -1,988198 < ADF t-test

34

Kritična vrijednost prema razini signifikantnosti od 5% je manja od ADF t-testa i ne

odbacuje se H0 hipoteza, te se zaključuje da prva diferencija varijable LN_ED_PRIM

ima jedinični korijen i nije stacionarna, te je potrebno testirati njezinu drugu diferenciju.

Rezultati druge diferencije varijable prikazani su u tablici 9.

Tablica 9: ADF test za drugu diferenciju varijable LN_ED_PRIM


ADF t-test = -4,447932

Kritična vrijednost za razinu 5% signifikantnosti = -1,995865 > ADF t-test

35

Kritična vrijednost prema signifikantnosti od 5% je veća od ADF t-testa, što znači da se

odbacuje H0 hipoteza i zaključuje da druga diferencija varijable LN_ED_PRIM nema

jedinični korijen, stacionarna je i može se koristiti u analizi.

Tablica 10 prikazuje rezultate ADF testa za izvornu vrijednost varijable LN_ED_SEC.

Tablica 10: ADF test za izvornu vrijednost varijable LN_ED_SEC


ADF t-test = 3,599126

Kritična vrijednost za razinu signifikantnosti od 5% = -1,982344 < ADF t-test

36

Kritična vrijednost t-testa pri razini signifikantnosti od 5% je manja od ADF t-testa, ne

odbacuje se H0 hipoteza i zaključuje da izvorna vrijednost varijable LN_ED_SEC ima

jedinični korijen, što znači da nije stacionarna, te je potrebno testirati njenu prvu

diferenciju koja je prikazana u tablici 11.

Tablica 11: ADF test za prvu diferenciju varijable LN_ED_SEC


ADF t-test = -1,646605

Kritična vrijednost t-testa za razinu 5% signifikantnosti = -1,988198 < ADF t-test

Kritična vrijednost t-testa je manja od ADF t-testa, ne odbacuje se H0 hipoteza i

zaključuje da prva diferencija varijable LN_ED_SEC ima jedinični korijen, što znači da

37

nije stacionarna i potrebno je testirati njezinu drugu diferenciju. Rezultati testiranja

druge diferencije varijable LN_ED_SEC dati su u tablici 12.

Tablica 12: ADF test za drugu diferenciju varijable LN_ED_SEC


Iz računalnog ispisa iščitavaju se podaci za drugu diferenciju varijable LN_ED_SEC, te

su poznati podaci:

ADF t-test = -2,478244

Kritična vrijednost t-testa (signifikantnost od 5%) = -1,995865 > ADF t-test

38

Pri razini signifikantnosti od 5%, kritična vrijednost t-testa je veća od ADF t-testa,

odbacuje se H0 hipoteza i zaključuje da druga diferencija varijable LN_ED_SEC nema

jedinični korijen, što znači da je stacionarna i može se koristiti u analizi.

Analizira se stacionarnost izvorne vrijednosti posljednje varijable u modelu

LN_ED_TER čiji su rezultati prikazani u tablici 13.

Tablica 13: ADF test za izvornu vrijednost varijable LN_ED_TER


Iz računalnog ispisa iščitavaju se podaci za izvornu vrijednost varijable LN_ED_TER,

te su poznati podaci:

ADF t-test = 4,569137

39

Kritična vrijednost t-testa = -1,988198 < ADF t-test

Pri razini signifikantnosti od 5%, kritična vrijednost t-testa je manja od ADF t-testa, ne

odbacuje se H0 hipoteza i zaključuje da izvorna vrijednost varijable LN_ED_TER ima

jedinični korijen, što znači da nije stacionarna i potrebno je testirati njezinu prvu

diferenciju.

Tablica 14 sadrži rezultate testiranja stacionarnosti za prvu diferenciju varijable

LN_ED_TER.

Tablica 14: ADF test za prvu diferenciju varijable LN_ED_TER


40

ADF t-test = -0,251853

Kritična vrijednost t-testa = -1,995865 < ADF t-test

Pri razini signifikantnosti od 5%, kritična vrijednost t-testa je manja od ADF t-testa, te

se ne odbacuje H0 hipoteza i zaključuje da prva diferencija varijabla LN_ED_TER ima

jedinični korijen. Drugim riječima, prva diferencija varijable LN_ED_TER nije

stacionarna i potrebno je testirati njenu drugu diferenciju, čiji su rezultati prikazani u

tablici 15.

Tablica 15: ADF test za drugu diferenciju varijable LN_ED_TER


41

ADF t-test = -5,937216

Kritična vrijednost t-testa = -2,006292 > ADF t-test

Kritična vrijednost t-testa pri razini od 5% signifikantnosti je veća od ADF t-testa,

odbacuje se H0 hipoteza i zaključuje da druga diferencija varijable LN_ED_TER nema

jedinični korijen, što znači da je stacionarna i može se koristiti u analizi.

4.2.2. MODEL VIŠESTRUKE LINEARNE REGRESIJE

Model višestruke linearne regresije istražuje povezanost jedne zavisne varijable (Y) i

više nezavisnih varijabli (X) koje utječu na promjenu zavisne varijable. Putem ovog

modela analizirat će se zavisna varijabla DD_LN_GDP_PC (BDP po stanovniku) i

nezavisne varijable DD_LN_ED_PRIM (izdaci za primarno obrazovanje),

DD_LN_ED_SEC (izdaci za sekundarno obrazovanje) i DD_LN_ED_TER (izdaci za

tercijarno obrazovanje). U analizi će biti korištene druge diferencije navedenih varijabli,

kao što je prikazano u tablici 16.

Tablica 16: Računalni ispis modela višestruke linearne regresije


Napomena: DD ispred naziva varijable označava drugu diferenciju.

42

Prema računalnom ispisu, ocijenjena funkcija glasi:

DD_ln GDP_PC = 0,001 + 1,655 DD_ln ED_PRIM – 1,228 DD_ln ED_SEC + 0,920

DD_ln ED_TER

Iz ocijenjene funkcije se zaključuje:

· ako se druga diferencija varijable izdaci za primarno obrazovanje poveća za 1%,

druga diferencija varijable BDP po stanovniku će se povećati za 1,655%, uz

uvjet da druge diferencije ostalih varijabli u modelu ostanu nepromijenjene

· ako se druga diferencija varijable izdaci za sekundarno obrazovanje poveća za

1%, druga diferencija varijable BDP po stanovniku će se smanjiti za 1,228%, uz


· ako se druga diferencija varijable izdaci za tercijarno obrazovanje poveća za 1%,

druga diferencija varijable BDP po stanovniku će se povećati za 0,920%, uz


Koeficijent determinacije (R2) je mjera uspješnosti prilagodbe ocijenjene funkcije

empirijskim podacima. Prema računalnom ispisu, R2 = 0,852929 = 85,29%, te se

zaključuje da je modelom objašnjeno 85,29% varijacija zavisne varijable, što znači da je

prilagođenost modela empirijskim opažanjima izuzetno dobra prema kriteriju koji

vrijedi za podatke vremenske serije da R2 mora biti veći od 80%, što je i postignuto

(96,36% > 80%).

Korigirani koeficijent determinacije ( ) je stroža mjera prilagođenosti funkcije.

Njegova vrijednost se smanjuje ako se u model uvodi varijabla koja nije značajna za

model. Na taj način on uklanja nedostatke koeficijenta determinacije koji se povećava

dodavanjem varijabli u model bez obzira jesu li one značajne za model ili nisu (Lovrić,

2005). U računalnom ispisu = 0,764687 = 76,47%.

Standardna pogreška (S) predstavlja sposobnost modela da objasni kako se zavisna

varijabla ponaša i ocjenjuje se na osnovi greške (reziduala) tog modela. U računalnom

ispisu, S = 0,024164, što znači da se ocijenjena vrijednost zavisne varijable (BDP po

stanovniku) razlikuje od stvarne vrijednosti zavisne varijable u prosjeku za 0,024164%.

43

Tablica 17 prikazuje analizu varijance u regresiji ili ANOVA (engl. Analysis of

Variance) u kojoj su prikazani zbrojevi kvadrata (SS), stupnjevi slobode (df), sredine

kvadrata (MS) i F-omjer.

Tablica 17: Analiza varijance – ANOVA

IZVOR

VARIJACIJE

SUMA

KVADRATA (SS)

STUPNJEVI

SLOBODE (df)

SREDINA KVADRATA

(MS) F vrijednost

objašnjena regresijom

k

neobjašnjena (rezidualna)

odstupanja n-k-1

UKUPNA n-1

Izvor: Lj. Lovrić, 2005.

Testiranje se provodi na razini signifikantnosti α, usporedbom empirijskog F-omjera

(dobivenog analizom) i teorijskog F-omjera (u tablici kritičnih vrijednosti F distribucije,

Fc). Nul hipoteza (H0) se ne odbacuje kad je empirijski F-omjer manji od teorijskog (F

< Fc), a u suprotnom se odbacuje (F > Fc). Tablica 18 prikazuje dobivene rezultate

temeljem gore navedene regresijske jednadžbe (tablica 16).

Tablica 18: ANOVA temeljem modela višestruke linearne regresije

Izvor: izrada studentice u programu Excel

Hipoteze: H0: β1, β2, β3 = 0

HA: H0 nije točna

Razina signifikantnosti = 5%

α = 0,05

F = 13,5223

Fc = 4,35

44

13,5223 > 4,35 à odbacuje se H0

Izračunata vrijednost F-testa je veća od teorijskog F-testa. Uz 95% vjerojatnosti (uz 5%

signifikantnosti) odbacuje se H0 i zaključuje da je model statistički značajan.

Za testiranje pouzdanosti ocijenjenog parametra koristi se t-test (studentov t-pokazatelj).

Test hipoteze o značajnosti parametra u regresijskom modelu može biti dvostran i

jednostran. Dvostrani test služi u testiranju hipoteze o pretpostavljenoj vrijednosti, a

jednostranim testom se testira predznak parametra.

Testiranje parametara primjenom dvostranog testa se provodi na način da se vrijednost

dobivenog t-testa uspoređuje sa vrijednošću teorijskog t-testa (tablica kritičnih

vrijednosti t-razdiobe, tc). Ako je vrijednost dobivenog t-testa veća od teorijskog t-testa

odbacuje se H0, te je parametar statistički značajan za model. U suprotnom se ne

odbacuje H0 i parametar nije statistički značajan za model.

Hipoteze:

H0: β1 = 0 H0: β2 = 0 H0: β3 = 0

HA: β1 ≠ 0 HA: β2 ≠ 0 HA: β3 ≠ 0

α = 0,05

tc = 2,365

à odbacuje se H0

à ne odbacuje se H0

à odbacuje se H0

Za parametre β1 i β3 uz 95% vjerojatnosti odbacuje se H0 te se zaključuje da su

statistički značajni za model. Za parametar β2, uz 95% vjerojatnosti ne odbacuje se H0 i

zaključuje se da parametar nije statistički značajan za model.

45

Provođenjem t-testa dolazi se do zaključka da izdaci za primarno i tercijarno

obrazovanje imaju signifikantan utjecaj na rast BDP-a po stanovniku, dok izdaci za

sekundarno obrazovanje nemaju značajan utjecaj na razini signifikantnosti α = 0,05.

4.2.3. TEST NORMALNOSTI GREŠAKA RELACIJE

Normalnost grešaka relacije može se testirati provođenjem Jarque-Beraovog testa koji

koristi koeficijent asimetrije i koeficijent zaobljenosti reziduala procijenjenih metodom

najmanjih kvadrata. Jarque-Beraovim testom se ispituje odstupanje procijenjenih

veličina od vrijednosti mjera za normalnu distribuciju (Bahovec, Erjavec, 2009).

Pri testiranju se postavljaju hipoteze:

H0: = greške relacije su normalno distribuirane

H1: greške relacije nisu normalno distribuirane

H0 se odbacuje ako je test veličina Jarque-Bera veća od kritičnih vrijednosti χ2-

distribucije pri razini signifikantnosti α, ili ako je empirijska vrijednost p manja od

teorijske vrijednosti p pri razini signifikantnosti α. Rezultati Jarque-Bera testa i

histogram rezidualnih odstupanja prikazani su u tablici 19.

Tablica 19: Histogram rezidualnih odstupanja i rezultati Jarque-Bera testa


46

α = 0,05

JB = 0,108685 < 7,81473

χ2 = 7,81473

Pri razini signifikantnosti od 5%, empirijska vrijednost Jarque-Bera testa je manja od

kritične vrijednosti χ2-distribucije, ne odbacuje se H0 te se zaključuje da su greške

relacije normalno distribuirane.

α = 0,05

p = 0,947107 > 0,05

Pri razini signifikantnosti od 5%, empirijska p-vrijednost je veća od teorijske, te se ne

odbacuje H0 i zaključuje se da su greške relacije normalno distribuirane

4.2.4. HETEROSKEDASTIČNOST

Problem heteroskedastičnosti iskazuju one varijable u regresijskom modelu čije

varijance nisu stalne (konstantne) tijekom vremena. Heteroskedastičnost ima primjenu u

podacima vremenskog presjeka i vremenske serije (Greene, 2002).

Heteroskedastičnost je moguće otkriti:

· grafičkim putem

· postupcima testiranja

Grafičkim putem se heteroskedastičnost može uočiti na dijagramima rasipanja na

kojima se kao varijable odabiru kvadrirani reziduali, i zavisna, odnosno nezavisne

varijable (Bahovec, Erjavec, 2009).

Za otkrivanje heteroskedastičnosti najčešće se koriste 3 vrste statističkih testova:

Goldfeld-Quant test, Breusch-Pagan test i Whiteov test.

Whiteovim testom se nultom hipotezom pretpostavlja homoskedastičnost, tj.

nepromjenjivost varijance. Test se provodi usporedbom procjena varijanci dobivenih

47

metodom najmanjih kvadrata u slučaju homoskedastičnosti i heteroskedastičnosti. Ako

je H0 istinita, nije prisutan problem heteroskedastičnosti. U tablici 20 je prikazan

Whiteov test putem kojeg će se otkriti je li prisutan problem heteroskedastičnosti.

Tablica 20: Heteroskedastičnost putem Whiteovog testa


Postavljaju se hipoteze:

H0: β1 = β2 = β3 = β4 = 0 à homoskedastičnost

HA: H0 nije točna à heteroskedastičnost

Test veličina Whiteovog testa: W = nR2

n – broj opservacija

R2 – koeficijent determinacije

48

U računalnom ispisu je prikazana vrijednost umnoška Obs*R-squared koja se

uspoređuje s teorijskom vrijednosti (tablica kritične vrijednosti za χ2 distribucije).

α = 0,05

df = 3

χ2 = 7,81473

W = 1,480600 < 7,81473 à ne odbacuje se H0

Uz 95 % vjerojatnosti, ne odbacuje se H0, te se zaključuje da u modelu nije prisutna

heteroskedastičnost.

4.2.5. AUTOKORELACIJA

Autokorelacija je problem koji se često pojavljuje u podacima koji imaju vremensku

dimenziju, tj. u podacima vremenske serije. Autokorelacija nije pogodna za podatke

vremenskog presjeka koji se temelje na slučajnim uzorcima populacije u određenom

trenutku u vremenu jer oni nemaju svoj tijek koji bi mogao uzrokovati prisustvo

korelacije (Andren, 2007).

Mogući uzroci autokorelacije grešaka relacije:

· pogrešno specificiran model

· pogrešno specificirana svojstva slučajnih varijabli

· transformacije izvornih vrijednosti varijabli izraženih u obliku vremenskih

nizova

Problem autokorelacije se može uočiti na temelju dijagrama rasipanja ili korelograma3

rezidualnih odstupanja. U nastavku je prikazan grafikon 12 koji prikazuje postojanje

autokorelacije pomoću dijagrama rasipanja.

3 korelogram – grafički prikaz autokorelacijske funkcije

49

Grafikon 12: Autokorelacija pomoću dijagrama rasipanja

Izvor: T. Andren, 2007.

Korelogram ili grafički prikaz autokorelacijske funkcije reziduala, koristi se kad se

pretpostavlja da postoji autokorelacija višeg reda. Grafikon 13 prikazuje

autokorelacijsku funkciju reziduala.

Grafikon 13: Autokorelacijska funkcija reziduala

Izvor: Izrada studentice u programu EViews 7

Test veličina (Q-Stat) iznosi 8,3417, a pridružena empirijska razina iznosi 0,401. Uz

razinu signifikantnosti od α = 0,05 se ne odbacuje H0, te se zaključuje da ne postoji

autokorelacija.

50

Autokorelacija se može ispitati i provođenjem testova kao što su Durbin-Watsonov test

i Breusch-Godfreyjev test. Durbin-Watsonov test se provodi kod ispitivanja

autokorelacije prvog reda, ali se u ovom radu ne može primijeniti jer su u modelu

vrijednosti varijabli diferencirane, te je proveden Breusch-Godfreyjev test koji prikazuje

tablica 21.

Tablica 21: Autokorelacija putem Breusch-Godfreyjevog testa


Test veličina: LM = nR2 i pripada χ2 distribuciji.

Postavljaju se hipoteze:

H0: β1 = β2 = β3 = β4 = β5 = 0 à autokorelacija nije prisutna

HA: H0 nije točna à autokorelacija je prisutna

α = 0,05

51

df = 4

χ2 = 9,48773

Obs*R-squared = 1,462848 < 9,48773 à ne odbacuje se H0

Zaključak: s obzirom da je vrijednost LM-a iz računalnog ispisa manja od kritične

vrijednosti χ2 distribucije, uz 95 % vjerojatnosti ne odbacuje se H0 i na temelju toga se

zaključuje da u modelu nije prisutna autokorelacija.

4.2.6. MULTIKOLINEARNOST

Problem multikolinearnosti je prisutan ako su barem dvije varijable u modelu linearno

zavisne ili približno linearno zavisne. Postoje 2 tipa multikolinearnosti (Bahovec,

Erjavec, 2009):

1) savršena multikolinearnost

2) nesavršena (približna) multikolinearnost

Savršena multikolinearnost je pojava kod koje se varijacije jedne nezavisne varijable

mogu potpuno objasniti varijacijama druge nezavisne varijable.

Nesavršena (približna) multikolinearnost je u praksi češća, te se pojavljuje u slučaju

kada veza među varijablama nije potpuna, već uključuje i odstupanja. Drugim riječima,

varijacije jedne nezavisne varijable mogu se objasniti varijacijama druge nezavisne

varijable, ali ne u potpunosti.

Otkrivanje multikolinearnosti (Lovrić, 2005):

1) Visok R2 i niske t-vrijednosti – ako je R2 visok (viši od 0,8), F-testom će se

odbaciti H0 da su svi parametri u funkciji jednaki nuli.

2) Visok koeficijent korelacije između eksplanatornih varijabli – pomoću

korelacijske matrice među varijablama modela.

3) Pomoćne regresije – ocjenjuje se regresija za svaku od nezavisnih varijabli i

računa njihov R2. Postavlja se hipoteza R2 = 0, te se ispituje kolinearnost između

jedne i preostalih nezavisnih varijabli u modelu koristeći F-test.

52

4) Inflacijski faktor varijance (VIF)

Postupci uklanjanja multikolinearnosti (Bahovec, Erjavec, 2009):

§ povećanje broja podataka (povećanje uzorka) jer multikolinearnost predstavlja

problem uzorka

§ transformacija vrijednosti varijabli u oblik diferencija ili omjera, čime se

eliminira linearni ili eksponencijalni trend varijable koja najviše pridonosi

multikolinearnosti

§ isključivanjem jedne ili više varijabli u modelu koje su uzrok multikolinearnosti

Korelacijska matrica pruža uvid u linearnu povezanost varijabli i sadrži koeficijente

linearne korelacije nultog reda, tj. koeficijente jednostavne linearne korelacije između

svih parova varijabli uključenih u regresijski model. Jedinica na glavnoj dijagonali

matrice pokazuje da su varijable savršeno korelirane između samih sebe. Ako su

koeficijenti korelacije među varijablama visoki (iznad 0,8), to može biti znak visoke

koreliranosti među varijablama. Tablica 22 prikazuje korelacijsku matricu za

diferencirane varijable BDP po stanovniku i izdatke po razinama obrazovanja.

Tablica 22: Korelacijska matrica za varijable BDP po stanovniku i izdatke prema

razinama obrazovanja


Iz tablice 22 je vidljivo da je varijabla DD_LN_GDP_PC (BDP po stanovniku)

pozitivno korelirana sa svakom varijablom, te je veza među tim pojavama srednje jaka.

Prisutnost multikolinearnosti putem korelacijske matrice, utvrdit će se i putem 1.

Kleinovog kriterija. Prema tom kriteriju problem multikolinearnosti postoji ako je

barem jedan od koeficijenata korelacije nultog reda između nezavisnih varijabli po

apsolutnoj vrijednosti veći od koeficijenata višestruke linearne korelacije R.

53

Koeficijent determinacije procijenjenog regresijskog modela (tablica 16) je R2 =

0,852929, pa je koeficijent višestruke linearne korelacije .

Koeficijent linearne korelacije između varijabli ED_PRIM i ED_SEC iznosi r =

0,671780, te prema 1. Kleinovom kriteriju ne postoji problem multikolinearnosti

(0,671780 < 0,923542).

Inflacijski faktor varijance (engl. VIF, Variance Inflation Factor) je jedan od načina

otkrivanja multikolinearnosti između nezavisnih varijabli u modelu. Njegova svrha je

pokušati izraziti određenu varijablu Xk linearnim modelom na temelju svih ostalih

nezavisnih varijabli. Ako izračunati model pokazuje visoku pouzdanost (tj. ocjena

prilagodbe je visoka), testirana varijabla Xk će vjerojatno biti kolinearna s obzirom na

jednu ili više drugih varijabli.

Općenito, VIF se izračunava za sve nezavisne varijable u modelu. U drugom koraku

varijable koje pokazuju najveće vrijednosti su izbačene iz modela. Prema pravilu, VIF

svih varijabli bi trebao biti manji od 10 kako bi se izbjegle teškoće sa stabilnošću

parametara (Lohninger, 2012).

U tablici 23 su navedene smjernice prema kojima se otkriva prisustvo

multikolinearnosti putem inflacijskog faktora varijance (VIF-a), a u tablici 24 je

prikazan rezultat multikolinearnosti putem VIF-a.

Tablica 23: Smjernice kod interpretacije VIF-a

VIF POVEZANOST VARIJABLI

VIF = 1 nema

1 < VIF < 5 umjerena

VIF > 5-10 jaka, visoka

Izvor: Minitab Inc.

54

Tablica 24: Multikolinearnost putem VIF-a


LN_ED_PRIM = 1,939644 < 5

LN_ED_SEC = 2,484033 < 5

LN_ED_TER = 1,404665 < 5

Prema inflacijskom faktoru varijance, sve vrijednosti varijabli su manje od 5, što

upućuje na umjerenu povezanost između varijabli. Problem multikolinearnosti je

prisutan, ali u umjerenim granicama.

55

5. ZAKLJUČAK

Obrazovanje je najznačajniji faktor formiranja ljudskog kapitala kao pokretača

dugoročnog ekonomskog rasta. Brojna istraživanja u području obrazovanja ukazuju na

pozitivnu povezanost između ljudskog kapitala i gospodarskog rasta. Zemlje u kojima

postoji visokoobrazovana radna snaga mogu poticati investiranje u nove tehnologije i

time premošćivati jaz u odnosu na tehnološki razvijenije zemlje. Istraživanja također

potvrđuju da obrazovanje jednog radnika pozitivno utječe na proizvodnost drugih

radnika.

Za međunarodno konkurentno gospodarstvo je važno da građani prepoznaju važnost

ulaganja u obrazovanje kako bi unaprijedili svoje vještine. Na važnost ulaganja u

obrazovanje i osposobljavanje za promicanje održivog gospodarskog rasta potiče i

Europska unija u okviru Strategije Europa 2020. U toj Strategiji, EU ističe kako su

visokokvalitetno obrazovanje i razvoj vještina preduvjeti za rast, inovativnost,

konkurentnost i radna mjesta.

U diplomskom radu istražen je utjecaj pojedinih razina obrazovanja na gospodarski rast

EU-28 u razdoblju od 2001. do 2011. g. Kao mjera gospodarskog rasta uzeta je varijabla

BDP po stanovniku, te nezavisne varijable: izdaci za primarno, sekundarno i tercijarno

obrazovanje.

Prvi korak u analizi podataka, bio je provođenje testa jediničnog korijena (engl. Unit

Root Test) kojim se utvrđuje red integriranosti varijabli. U prvom koraku su testirane

izvorne vrijednosti varijabli BDP po stanovniku i izdaci za primarno, sekundarno i

tercijarno obrazovanje, te se je zaključilo da varijable imaju jedinični korijen i nisu

stacionarne, stoga je bilo potrebno diferencirati varijable sve dok ne postanu

stacionarne. Varijable su postale stacionarne nakon provođenja diferencije drugog reda,

te su kao takve zadovoljavajuće za daljnju analizu.

Drugi korak u analizi bio je istražiti povezanost između zavisne i nezavisnih varijabli i

to modelom višestruke linearne regresije. Iz ocijenjene funkcije se zaključuje da će

56

povećanje izdataka za primarno i tercijarno obrazovanje povećati BDP po stanovniku,

dok će povećanje izdataka za sekundarno obrazovanje smanjiti BDP po stanovniku.

Prema provedenom t-testu, izdaci za primarno obrazovanje imaju značajan utjecaj na

rast BDP-a po stanovniku, dok izdaci za sekundarno i tercijarno obrazovanje nemaju

značajan utjecaj.

Heteroskedastičnost je bio treći korak u analizi, te se u svrhu njezinog otkrivanja

primijenio Whiteov test. Whiteovim testom se uz 95 % vjerojatnosti ne odbacuje nul

hipoteza, što znači da u modelu nije prisutna heteroskedastičnost. U svrhu otkrivanja

autokorelacije karakteristične za podatke vremenske serije, provedena je

autokorelacijska funkcija reziduala i Breusch-Godfreyjev test. Na temelju tih testova

dolazi se do zaključka da u modelu nije prisutna autokorelacija.

Prisustvo multikolinearnosti je ispitano pomoću korelacijske matrice, 1. Kleinovog

kriterija i inflacijskog faktora varijance (VIF). Prema korelacijskoj matrici, povezanost

među varijablama je srednje jaka, dok prema 1. Kleinovom kriteriju ne postoji problem

multikolinearnosti. Putem inflacijskog faktora varijance, utvrđena je umjerena

povezanost među varijablama, tj. multikolinearnost je prisutna, ali umjerenog karaktera.

Svaka zemlja članica EU je u potpunosti odgovorna za svoj sustav obrazovanja i

osposobljavanja, ali isto tako surađuje sa Europskom komisijom u cilju poboljšanja

kvalitete svojeg obrazovnog sustava. Zemlje EU najviše su ulagale u sekundarno

obrazovanje, dok se ulaganja za primarno i tercijarno obrazovanje razlikuju od zemlje

do zemlje. Ulaganja u obrazovanje ovise o tome koliko neka zemlja potiče i cijeni

obrazovanje, koliku važnost pridodaje znanju “danas“ kako bi ostvarivala visoke stope

gospodarskog rasta “sutra“.

57

LITERATURA:

KNJIGE:

· Bahovec V., Erjavec N.: Uvod u ekonometrijsku analizu, I. izdanje, Element

d.o.o., Zagreb, 2009.

· Lovrić Lj.: Uvod u ekonometriju, Ekonomski fakultet Sveučilišta u Rijeci,

Rijeka, 2005.

E-KNJIGE:

· Andren T.: Econometrics, Bookboon.com, 2007.

(http://bookboon.com/en/econometrics-ebook)

· Greene W. H.: Econometrics Analysis, 5. izdanje, Pearson Education Inc. New

Jersey, 2002.

(http://stat.smmu.edu.cn/DOWNLOAD/ebook/econometric.pdf)

· Hanushek E. A., Woessmman L.: Education Quality and Economic Growth,

World Bank, 2007.

(http://siteresources.worldbank.org/EDUCATION/Resources/278200-

1099079877269/547664-1099079934475/Edu_Quality_Economic_Growth.pdf)

PUBLIKACIJE:

· Europska komisija: Ključni podaci o obrazovanju u Europi 2012., Eurydice,

2012.

(http://eacea.ec.europa.eu/education/eurydice)

· Hanushek E. A., Woessmman L.: Education and Economic Growth,

International Encyclopedia of Education, volume 2 - pp. 245 - 252, Oxford,

2010.

(http://hanushek.stanford.edu/sites/default/files/publications/Hanushek%2BWoe

ssmann%202010%20IntEncEduc%202.pdf)

· Hanushek E. A., Woessmman L.: The Economic Benefit of Educational Reform

in the European Union, Oxford University Press, 2012.

(http://hanushek.stanford.edu/sites/default/files/publications/Hanushek%2BWoe

ssmann%202012%20CESifoEStu%2058%281%29.pdf)

58

· Klub Ekonomskog instituta: Kako pobuditi rast hrvatskoga gospodarstva?,

Ekonomski institut Zagreb, travanj 2014.

(http://www.google.hr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&ved=0

CCcQFjAC&url=http%3A%2F%2Fwww.eizg.hr%2FDownload.ashx%3FFileID

%3Dd3b8ecab-23cb-4837-a167-96f4d680834f&ei=M-

9pVcevFoWS7Aa0ioDYCA&usg=AFQjCNGJdctEOirS170U5_hgGVp0ZD_6C

g&sig2=-y5gRLreDOeUAKDIe_rcSg)

INTERNET:

· Europa 2020. - Europska strategija za pametan, održiv i uključiv rast, Europska

komisija, 2010.

(http://www.mobilnost.hr/prilozi/05_1300804774_Europa_2020.pdf)

· Expenditure on education as % of GDP or public expenditure, Eurostat, 2014.

(http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=educ_figdp&lang=en)

· Gross domestic product at market prices, Eurostat, 2015.

(http://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&language=en&pco

de=tec00001&plugin=1)

· Lohninger H.: Fundamentals of Statistics, 2012.

(http://www.statistics4u.info/fundstat_eng/ee_mlr_vif.html)

· Main GDP aggregates per capita, Eurostat, 2015.

http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=nama_10_pc&lang=en

· Obrazovna statistika na regionalnoj razini, Eurostat, 2014.

(http://ec.europa.eu/eurostat/statistics-

explained/index.php/Education_statistics_at_regional_level/hr)

· Potpora obrazovanju i izobrazbi u Europi i šire, Europska komisija

(http://ec.europa.eu/education/policy/strategic-framework/growth-jobs_hr.htm)

· Strateški okvir - Obrazovanje i osposobljavanje 2020., Europska komisija

(http://ec.europa.eu/education/policy/strategic-framework/index_hr.htm)

· Tertiary educational attainment by sex, age group 30-34, Eurostat, 2015.

(http://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&language=en&pco

de=t2020_41&plugin=1)

· Unemployment rate by sex and age groups - annual average %, Eurostat, 2015.

59

(http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=une_rt_a&lang=en)

· What is a variance inflation factor (VIF)?, Minitab Inc, 2015.

(http://support.minitab.com/en-us/minitab/17/topic-library/modeling-

statistics/regression-and-correlation/model-assumptions/what-is-a-variance-

inflation-factor-vif/)

ČLANCI:

· Gherghina R., Duca I.: The Contribution of Education to the Economic

Development Process of the States, Journal of Knowledge Management,

Economics and Information Technology, Issue 1, February 2013.

(http://www.scientificpapers.org/wp-

content/files/1353_The_Contribution_of_Education_to_the_Economic_Develop

ment_Process_of_the_States.pdf)

· Marijana Cvrtila: Hrvatska ima najkraće obvezno obrazovanje u Europi,

Slobodna Dalmacija, 2009.

(http://www.slobodnadalmacija.hr/Hrvatska/tabid/66/articleType/ArticleView/ar

ticleId/72849/Default.aspx)

· Požega Ž., Crnković B., Sučić G.: Analysis of economic benefits of education,

Međunarodni znanstveni skup Na putu ka dobu znanja, Srijemski Karlovci,

2012.

(http://www.academia.edu/10219034/Analysis_of_economic_benefits_of_educa

tion)

60

POPIS GRAFIKONA I TABLICA

GRAFIKONI: STR.

1. Utjecaj rezultata testova na ekonomski rast .................................................. 4

2. Utjecaj godina školovanja na ekonomski rast ............................................... 5

3. Trajanje obveznog obrazovanja u Europi 1980./1981., 2006./2007. i 2010./2011.

g. .................................................................................................................... 9

4. Izdaci za obrazovanje u zemljama EU kao % BDP-a u 2011. g. .................. 12

5. Izdaci za primarnu razinu obrazovanja kao % BDP-a u zemljama EU u 2011. g.

....................................................................................................................... 14

6. Izdaci za sekundarno obrazovanje kao % BDP-a u zemljama EU u 2011. g. 16

7. Izdaci za tercijarno obrazovanje kao % BDP-a u zemljama EU u 2011. g. .. 18

8. Izdaci za primarno, sekundarno i tercijarno obrazovanje kao % BDP-a u

zemljama EU u 2011. g. ................................................................................ 19

9. Osobe od 30. do 34. godine sa završenim tercijarnim obrazovanjem u zemljama

EU (%) u 2014. g. .......................................................................................... 21

10. Stopa nezaposlenosti na razini EU u razdoblju od 2008. do 2014. g. ........... 23

11. BDP po stanovniku na razini EU (u €) u razdoblju od 2004. do 2014. g. ..... 25

12. Autokorelacija pomoću dijagrama rasipanja ................................................. 51

13. Autokorelacijska funkcija reziduala .............................................................. 51

TABLICE:

1. Bruto domaći proizvod po stanovniku u EU-28 i njegov prirodni logaritam u

razdoblju od 2001. do 2011. g. ...................................................................... 26

2. Izdaci za obrazovanje u EU-28 u razdoblju od 2001. do 2011. g.................. 27

3. Logaritmirani izdaci za obrazovanje u EU-28 od 2001. do 2011. g. ............. 27

4. ADF test za izvornu vrijednost varijable LN_GDP_PC ................................ 29

5. ADF test za prvu diferenciju varijable LN_GDP_PC ................................... 30

6. ADF test za drugu diferenciju varijable LN_GDP_PC ................................. 31

7. ADF test za izvornu vrijednost varijable LN_ED_PRIM ............................. 32

8. ADF test za prvu diferenciju varijable LN_ED_PRIM ................................. 33

9. ADF test za drugu diferenciju varijable LN_ED_PRIM ............................... 34

61

10. ADF test za izvornu vrijednost varijable LN_ED_SEC ................................ 35

11. ADF test za prvu diferenciju varijable LN_ED_SEC ................................... 36

12. ADF test za drugu diferenciju varijable LN_ED_SEC ................................. 37

13. ADF test za izvornu vrijednost varijable LN_ED_TER ................................ 38

14. ADF test za prvu diferenciju varijable LN_ED_TER ................................... 39

15. ADF test za drugu diferenciju varijable LN_ED_TER ................................. 40

16. Računalni ispis modela višestruke linearne regresije .................................... 41

17. Analiza varijance – ANOVA ......................................................................... 43

18. ANOVA temeljem modela višestruke linearne regresije .............................. 43

19. Histogram rezidualnih odstupanja i rezultati Jarque-Bera testa .................... 45

20. Heteroskedastičnost putem Whiteovog testa ................................................. 47

21. Autokorelacija putem Breusch-Godfreyjevog testa ...................................... 50

22. Korelacijska matrica za varijable BDP po stanovniku i izdatke prema razinama

obrazovanja .................................................................................................... 52

23. Smjernice kod interpretacije VIF-a ............................................................... 53

24. Multikolinearnost putem VIF-a ..................................................................... 54

62

POPIS PRILOGA

T – TEST

VRSTA TESTA HIPOTEZE ODLUKA

DVOSTRANI H0: β = 0

HA: β ≠ 0

Odbaciti nul hipotezu, te se uz razinu signifikantnosti

α tvrdi da je parametar statistički značajan za model

LIJEVOSTRANI H0: β ≥ 0

HA: β < 0



DESNOSTRANI H0: β ≤ 0

HA: β > 0 t < tc



Napomena: tc predstavlja vrijednost u tablici kritičnih vrijednosti t razdiobe

KRITIČNE VRIJEDNOSTI t RAZDIOBE

STUP.

SLOB.

DVOSTRANI TEST

α = 0,10 α = 0,05 α = 0,02 α = 0,01

1 6,314 12,706 31,821 63,657

2 2,920 4,303 6,965 9,925

3 2,353 3,182 4,541 5,841

4 2,132 2,776 3,747 4,604

5 2,015 2,571 3,365 4,032

6 1,943 2,447 3,143 3,707

7 1,895 2,365 2,998 3,499

8 1,860 2,306 2,896 3,355

9 1,833 2,262 2,821 3,250

10 1,812 2,228 2,764 3,169

11 1,796 2,201 2,718 3,106

12 1,782 2,179 2,681 3,055

13 1,771 2,160 2,650 3,012

14 1,761 2,145 2,624 2,977

15 1,753 2,131 2,602 2,947

63

STUP.

SLOB.

DVOSTRANI TEST

16 1,746 2,120 2,583 2,921

17 1,740 2,110 2,567 2,898

18 1,734 2,101 2,552 2,878

19 1,729 2,093 2,539 2,861

20 1,725 2,086 2,528 2,845

21 1,721 2,080 2,518 2,831

22 1,717 2,074 2,508 2,819

23 1,714 2,069 2,500 2,807

24 1,711 2,064 2,492 2,797

25 1,708 2,060 2,485 2,787

26 1,706 2,056 2,479 2,779

27 1,703 2,052 2,473 2,771

28 1,701 2,048 2,467 2,763

29 1,699 2,045 2,462 2,756

30 1,697 2,042 2,457 2,750

40 1,684 2,021 2,423 2,704

60 1,671 2,000 2,390 2,660

120 1,658 1,980 2,358 2,617

1,645 1,960 2,326 2,576

α = 0,05 α = 0,025 α = 0,01 α = 0,005

JEDNOSTRANI TEST

F – TEST

HIPOTEZA H0: β0 = β1 = β2 = βn = 0

HA: β0 ≠ β1 ≠ β2 ≠ βn ≠ 0

(k, n-k-1) Odbaciti nul hipotezu, te se uz razinu signifikantnosti α tvrdi da

je model statistički značajan (pouzdan).

(k, n-k-1) Prihvatiti alternativnu hipotezu, te se uz razinu signifikantnosti

α tvrdi da model nije statistički značajan (pouzdan).

Napomena: Fc predstavlja vrijednost u tablici kritičnih vrijednosti F razdiobe

64

KRITIČNE VRIJEDNOSTI F RAZDIOBE

65

KRITIČNE VRIJEDNOSTI ZA χ2 TEST

66

IZJAVA

kojom izjavljujem da sam diplomski rad s naslovom EMPIRIJSKA ANALIZA

UTJECAJA IZDATAKA ZA OBRAZOVANJE NA GOSPODARSKI RAST

ZEMALJA EU izradila samostalno pod voditeljstvom doc. dr. sc. Ane Štambuk. U radu

sam primijenila metodologiju znanstvenoistraživačkog rada i koristila literaturu koja je

navedena na kraju diplomskog rada. Tuđe spoznaje, stavove, zaključke, teorije i

zakonitosti koje sam izravno ili parafrazirajući navela u diplomskom radu na uobičajen,

standardan način citirala sam i povezala s fusnotama s korištenim bibliografskim

jedinicama. Rad je pisan u duhu hrvatskog jezika.

Suglasna sam s objavom diplomskog rada na službenim stranicama Fakulteta.

Studentica

empirijska analiza utjecaja izdataka za obrazovanje na gospodarski rast...

Documents