Ponieważ przedmiotem zainteresowania w niniejszym badaniu jest wykreślenie
3
bezrobotnego z rejestru, to stanowi ono obserwację pełną i zostało oznaczone
4
wartością 1. Pozostałe przypadki stanowią tu obserwacje cenzurowane i przyjęto
5
dla nich wartość 0 [Hosmer, Lemeshow 1999]. Wśród badanych bezrobotnych
6
przeważają mężczyźni (56%), osoby w wieku 25-34 lata (33%), osoby
7
z najniższym wykształceniem, czyli co najwyżej gimnazjalnym (23%), rejestrujące
8
się po raz kolejny (75%) oraz posiadające już doświadczenia zawodowe (66%).
9
Udział bezrobotnych wykreślonych z rejestru jest stosunkowo wysoki,
10
wynosi 41% wszystkich rejestrujących się w 2013 roku w PUP w Szczecinie.
11
Udział ten według poszczególnych wariantów analizowanych zmiennych
12
zaprezentowano na rysunku 1. Wykreślenie, jako sposób wyjścia z rejestru
13
przeważał (ponad 50%) w następujących wariantach cech: S1 – wykształcenie co
14
najwyżej gimnazjalne, D0 – brak stażu pracy, W1 – wiek 18-24 lata.
15
Rysunek 1. Udział zarejestrowanych bezrobotnych w PUP w Szczecinie w 2013 roku
16
i wykreślonych do końca 2014 roku według cech (%)
17
Analizie poddano czas pozostawania w rejestrze osób bezrobotnych, stąd
21
wykorzystano wybrane metody analizy trwania: model regresji (hazardu) Coxa
22
i funkcję hazardu jako jeden z elementów tablicy trwania. Metody te można
23
stosować w przypadku występowania danych cenzurowanych. Tak właśnie jest
24
w omawianym badaniu. Wszystkie osoby bezrobotne zarejestrowane w 2013 roku
25
Rozkład czasu pozostawania w rejestrze bezrobotnych może być wyrażony
1
za pomocą funkcji hazardu h(t). Jest ona stosunkiem funkcji gęstości
2
prawdopodobieństwa f(t) i funkcji przetrwania S(t) [Balicki 2006]. Funkcja hazardu
3
określa ryzyko wystąpienia określonego zdarzenia w krótkim przedziale czasu
4
(t; t + Δt), pod warunkiem, że nie wystąpiło ono do czasu t [Bieszk-Stolorz,
5
Markowicz 2012].
6
Omawiane metody służą właśnie do wyznaczenia funkcji hazardu. Analizy
7
intensywności wykreśleń bezrobotnych według ich cech dokonano przy
8
zastosowaniu modelu Coxa [Cox, Oakes 1984], nazywanego modelem
9
proporcjonalnego hazardu [szerzej na temat zastosowania modelu czasu trwania
10
w naukach ekonomicznych: Bieszk-Stolorz 2013, Markowicz 2012, Landmesser
11
2013, Frątczak, Gach-Ciepiela, Babiker 2005, Gruszczyński 2012, Ostasiewicz
12
2000]. Model ten można zapisać następująco:
13
h
t:x1,x2,...,xn
h0
texp β1x1β2x2...βnxn
(1)Parametry tego modelu są wyznaczane przez maksymalizację funkcji
17
częściowej wiarygodności [Cox 1972, Cox 1975, Cox, Oakes 1984]. Jest to model
18
semiparametryczny, ponieważ funkcja hazardu jest iloczynem
19
niewyspecyfikowanej parametrycznie bazowej funkcji hazardu i funkcji zmiennych
20
objaśniających, dla których szacowane są parametry.
21
Zdarzeniem początkowym była rejestracja osoby bezrobotnej w 2013 roku,
22
a zdarzenie końcowe to wykreślenie tej osoby z rejestru. Jeżeli wykreślenie nie
23
nastąpiło, to taką obserwację uznano za cenzurowaną.
24
Zastosowany sposób definiowania (kodowania) 0-1 zmiennych (dla
25
przekształconych zmiennych dychotomicznych) , pozwala na wyznaczenie n – 1
26
parametrów dla n zmiennych (uniknięcie współliniowości) [Bieszk-Stolorz,
27
Markowicz 2012]. Jedna, wybrana zmienna staje się punktem odniesienia.
28
W przeprowadzonej analizie jako grupę referencyjną w przypadku poszczególnych
29
cech przyjęto: mężczyzn, bezrobotnych w wieku od 18 do 24 lata, bezrobotnych
30
z wykształceniem co najwyżej gimnazjalnym, zarejestrowanych po raz pierwszy
31
i nie posiadających doświadczenia zawodowego. Wartość exp(β) jest zatem
32
Funkcję hazardu jako jeden z elementów tablicy trwania, można zapisać
narażonych w przedziale, wt – liczba bezrobotnych wykreślonych w przedziale, at –
5
długość przedziału czasu trwania (przyjęto miesięczne przedziały).
6
WYNIKI BADAŃ 7
W celu identyfikacji determinant ryzyka wykreślenia z rejestru bezrobotnych
8
zastosowano funkcje hazardu: w modelu Coxa (wskazanie ryzyka względnego)
9
oraz w tablicach trwania (miesięczna stopa hazardu). W tabeli 2 przedstawiono
10
wyniki estymacji modelu Coxa dla badanych bezrobotnych ogółem (χ2 = 2241,19;
11
p = 0,0000; p(βi)<0,05). Elementami wykorzystywanymi w niniejszej analizie są
12
hazard względny oraz jego przedział ufności. Zostały one przedstawione na
13
rysunku 2. Dla wszystkich zmiennych pierwszy wariant stanowi grupę referencyjną
14
(tabela 1). Zatem należy stwierdzić, że ryzyko wykreślenia z rejestru dla kobiet jest
15
mniejsze o 34% niż dla mężczyzn (wartość hazardu poniżej 1). Uwzględniając
16
wiek i wykształcenie, grupą o największym ryzyku są bezrobotni najmłodsi oraz
17
najsłabiej wykształceni. Częściej wykreślani są bezrobotni rejestrujący się po raz
18
kolejny oraz mający doświadczenie zawodowe (posiadający staż pracy).
19
Model regresji Coxa wyznaczono także dla kobiet (χ2 = 604,80; p = 0,0000;
20
p(βi)<0,05; p(S2)>0,05) i mężczyzn (χ2 = 1246,46; p = 0,0000; p(βi)<0,05). Wyniki
21
przedstawiono na rysunkach 3 i 4. Wnioski są w zasadzie podobne jak w analizie
22
ogółem, z małymi wyjątkami. Parametr przy zmiennej S2 dla kobiet jest nieistotny,
23
co oznacza, że ryzyko wykreślenia dla kobiet z wykształceniem zasadniczym
24
zawodowym nie różni się istotnie od ryzyka dla kobiet z wykształceniem co
25
najwyżej gimnazjalnym. Mężczyźni w wieku 60-64 lata (brak kobiet w tej grupie
26
wieku) stanowią drugą grupę ryzyka wykreślenia zaraz po najmłodszych
27
mężczyznach.
28
Tabela 2. Wyniki estymacji modelu (1) dla bezrobotnych ogółem
29
względny Hazard względny przedział ufności 95%
Zmienna Ocena parametru
Błąd standardowy
Statystyka
Walda Poziom p Hazard względny
Hazard względny przedział ufności 95%
S2/S1 -0,1126 0,0288 15,2948 0,0001 0,8935 0,8444 0,9454 S3/S1 -0,2408 0,0347 48,1913 0,0000 0,7860 0,7343 0,8413 S4/S1 -0,3394 0,0330 105,6640 0,0000 0,7122 0,6675 0,7598 S5/S1 -0,7029 0,0366 368,1418 0,0000 0,4952 0,4609 0,5320 D1/D0 -0,3481 0,0242 206,9950 0,0000 0,7060 0,6733 0,7403 Źródło: opracowanie własne (oznaczenia jak w tabeli 1)
1
Rysunek 2. Hazard względny wykreślenia z rejestru dla bezrobotnych ogółem
2
3
Źródło: opracowanie własne
4
Rysunek 3. Hazard względny wykreślenia z rejestru dla bezrobotnych kobiet
5
6
Źródło: opracowanie własne
7
0,00 0,20 0,40 0,60 0,80 1,00 1,20
K/M W2/W1 W3/W1 W4/W1 W5/W1 W6/W1 S2/S1 S3/S1 S4/S1 S5/S1 Z1/Z0 D1/D0
0,00 0,20 0,40 0,60 0,80 1,00 1,20
W2/W1 W3/W1 W4/W1 W5/W1 W6/W1 S2/S1 S3/S1 S4/S1 S5/S1 Z1/Z0 D1/D0
Rysunek 4. Hazard względny wykreślenia z rejestru dla bezrobotnych mężczyzn
1
2
Źródło: opracowanie własne
3
Rysunek 5. Intensywność wykreśleń z rejestru bezrobotnych ogółem oraz według płci
4
5
Źródło: opracowanie własne
6
Rysunek 6. Intensywność wykreśleń z rejestru bezrobotnych według wieku
7
8
Źródło: opracowanie własne
9
0,00 0,20 0,40 0,60 0,80 1,00 1,20
W2/W1 W3/W1 W4/W1 W5/W1 W6/W1 S2/S1 S3/S1 S4/S1 S5/S1 Z1/Z0 D1/D0
0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Intensywność wykreśleń
czas (m-ce)
Ogółem K M
0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Intensywność wykreśleń
czas (m-ce)
W1 W2 W3
W4 W5 W6
Drugim etapem badania była budowa tablic trwania w bezrobociu dla
1
bezrobotnych ogółem oraz bezrobotnych według płci, wieku, wykształcenia,
2
kolejności rejestracji w urzędzie pracy oraz posiadania stażu pracy. Utworzono
3
tablice dla miesięcznych przedziałów czasu. Wyznaczona funkcja hazardu pozwala
4
na porównanie ryzyka wykreślenia danej grupy bezrobotnych z inną grupą oraz na
5
obserwację zmian ryzyka wykreślenia wraz z upływem czasu od rejestracji.
6
Wyniki przedstawiono na rysunkach 5-7 (na osi czasu podano początek przedziału
7
czasu trwania bezrobocia). Szczególnie wysoka intensywność wykreśleń miała
8
miejsce w pierwszym (przedział 0-1) i czwartym miesiącu trwania bezrobocia. Jest
9
to początek okresu posiadania statusu bezrobotnego i okres wezwań do urzędu
10
pracy. Niestawianie się na wezwania już na początku trwania bezrobocia sugeruje
11
brak gotowości do podjęcia pracy. Większe ryzyko wykreśleń w całym badanym
12
okresie dotyczyło mężczyzn niż kobiet. Biorąc pod uwagę wiek i wykształcenie
13
bezrobotnych, można stwierdzić, że ryzyko wykreśleń maleje wraz ze wzrostem
14
wieku i wykształcenia. Zatem to osoby młode i słabo wykształcone rejestrują się
15
w urzędzie, ale nie oczekują pomocy w znalezieniu zatrudnienia czy uczestniczenia
16
w szkoleniu, stażu. W przypadku grup wieku szczególnie wysoka intensywność
17
wykreśleń dotyczy osób młodych (18-24 lata). W przypadku wykształcenia należy
18
podkreślić stosunkowo wysoką intensywność osób z wykształceniem
19
ogólnokształcącym (często wyższą niż osób z niższym wykształceniem –
20
zasadniczym zawodowym).
21
Rysunek 7. Intensywność wykreśleń z rejestru bezrobotnych według wykształcenia
22
23
Źródło: opracowanie własne
24
Funkcje hazardu wyznaczono również dla grup bezrobotnych według
25
kolejności zgłoszenia oraz posiadanego doświadczenia zawodowego. Intensywność
26
wykreśleń dla osób rejestrujących się pierwszy i kolejny raz były dość podobne.
27
0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Intensywność wykreśleń
czas (m-ce)
S1 S2 S3
S4 S5
Natomiast intensywność wykreśleń dla osób bez stażu pracy była w całym okresie
1
wyższa niż dla osób posiadających już staż.
2
PODSUMOWANIE 3
Przeprowadzona analiza dotyczyła osób zarejestrowanych jako bezrobotne
4
w 2013 roku w PUP w Szczecinie, ale które nie zgłosiły się w urzędzie
5
w wyznaczonym terminie lub nie przyjęły propozycji pracy i zostały pozbawione
6
statusu osoby bezrobotnej. Stąd podjęto próbę identyfikacji cech wpływających na
7
ryzyko wykreślenia z rejestru (płeć, wiek, wykształcenie, kolejność
8
zarejestrowania i staż pracy). Wyniki badań wskazują na następujące wnioski:
9
1. bezrobotni wykreśleni z rejestru stanowili 41% wszystkich rejestrujących się,
10
2. ponad 50% udział wykreśleń dotyczył grup: z wykształceniem co najwyżej
11
gimnazjalnym (57%), rejestrujących się pierwszy raz (56%) i w wieku 18-24
12
wykształcone (co najwyżej gimnazjalne),
19
6. częściej wykreślani są bezrobotni rejestrujący się po raz kolejny oraz mający
20
doświadczenie zawodowe (posiadający staż pracy),
21
7. z analizy funkcji hazardu dla miesięcznych przedziałów czasu trwania
22
bezrobocia (tablice trwania) wynika, że szczególnie wysoka intensywność
23
wykreśleń miała miejsce w pierwszym i trzecim miesiącu trwania bezrobocia;
24
jest to początek okresu posiadania statusu bezrobotnego i okres wezwań do
25
urzędu pracy (brak gotowości do podjęcia pracy),
26
8. większe ryzyko wykreśleń w całym badanym okresie dotyczyło mężczyzn niż
27
kobiet,
28
9. ryzyko wykreśleń maleje wraz ze wzrostem wieku i wykształcenia,
29
wyższa niż dla osób posiadających już staż.
33
Zatem to przede wszystkim mężczyźni, osoby młode, słabo wykształcone
34
i bez doświadczeń zawodowych rejestrują się w urzędzie pracy, ale nie oczekują
35
pomocy w znalezieniu zatrudnienia czy udziału w szkoleniu, stażu.
36
37
BIBLIOGRAFIA 1
Balicki A. (2006) Analiza przeżycia i tablice wymieralności. PWE, Warszawa.
2
Bieszk-Stolorz B. (2013) Analiza historii zdarzeń w badaniu bezrobocia. Volumina.pl
3
of Economic Studies, 61, 417-434.
8
Cox D. R., Oakes D. (1984) Analysis of Survival Data. Chapman and Hall, London.
9
Fratczak E., Gach-Ciepiela U., Babiker H. (2005) Analiza historii zdarzeń. Elementy teorii,
10
wybrane przykłady zastosowań. SHG, Warszawa
11
Gruszczyński M. (red.) (2012) Mikroekonometria. Modele i metody analizy danych
12
indywidualnych. Oficyna Wolters Kluwer S. A., Warszawa.
13
Hosmer D. W., Lemeshow S. (1999) Applied Survival Analysis. Regression Modeling
14
of Time to Event Data. John Wiley & Sons, Inc., New York.
15
Landmesser J. (2013) Wykorzystanie metod analizy czasu trwania do badania aktywności
16
ekonomicznej ludności w Polsce. Wydawnictwo SGGW, Warszawa.
17
Markowicz I. (2012) Statystyczna analiza żywotności firm. Wydawnictwo Naukowe
18
Uniwersytetu Szczecińskiego.
19
Markowicz I., Stolorz B. (2009) Model proporcjonalnego hazardu Coxa przy różnych
20
sposobach kodowania zmiennych. Przegląd Statystyczny, (56) 2, 106-115.
21
Ostasiewicz S. red. (2000) Metody oceny i porządkowania ryzyka w ubezpieczeniach
22
życiowych. Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we
23
METHODS OF DURATION ANALYSIS IN IDENTIFICATION
27
OF DETERMINANTS OF RISK OF ERASURE FROM THE
28
UNEMPLOYMENT REGISTRY
29
Abstract: The unemployment registry may be the database for analysis of the
30
situation on the regional labour market. In this case there are important both
31
the cause of unemployment and the deregistration reason. The lack of clearly
32
defined cause of erasure from the labour office registry makes analyses
33
difficult. Therefore the authors tried to identify the features of these persons
34
unemployment registry was analysed, selected methods of duration analysis
38
DOI: 10.22630/MIBE.2017.18.4.61
WSPÓŁODDZIAŁYWANIE WYBRANYCH DOPŁAT NA WZROST WYDAJNOŚCI PRACY W POLSKICH
GOSPODARSTWACH ROLNYCH
Aleksandra Pawłowska (ORCID: 0000-0001-8964-3624) Zakład Zastosowań Matematyki w Ekonomice Rolnictwa Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej – PIB
e-mail: aleksandra.pawlowska@ierigz.waw.pl
Streszczenie: Wydajność czynnika pracy w rolnictwie stanowi jeden z podstawowych wskaźników oddziaływania przy ocenie skuteczności instrumentów wdrażanych w ramach WPR. Celem pracy jest próba identyfikacji i pomiaru efektów wspólnego oddziaływania dopłat do inwestycji oraz rolnośrodowiskowymi i ONW na przyrost wydajności czynnika pracy w polskich gospodarstwach rolnych. W badaniu wykorzystano dane Polskiego FADN dla lat 2007-2015 dotyczące indywidualnych gospodarstw rolnych. Narzędziem badawczym jest metoda Propensity Score Matching.
Słowa kluczowe: gospodarstwa rolne, wydajność pracy, polityka rolna, propensity score matching
WSTĘP
Wydajność czynnika pracy odgrywa szczególną rolę w procesach wzrostu, bowiem „wzrost jej produktywności jest kluczowym czynnikiem dla postępu i przyjęcia przez producentów nowych technologii” [Sielska i in. 2015, s. 8, za:
Patra, Nayak 2012]. Pozytywny wpływ może mieć tutaj polityka, w szczególności rozważane w pracy instrumenty Wspólnej Polityki Rolnej (WPR).
Jak wskazuje Rembisz [2007], wzrost wydajności czynnika pracy kształtowany jest przez przyrost oszczędności, wynikających ze wzrostu wynagrodzenia tegoż czynnika. Zmiana oszczędności wpływa z kolei na przyrost inwestycji, a następnie zwiększenie zaangażowania czynnika kapitału rzeczowego u producentów rolnych, prowadząc do przyrostu technicznego uzbrojenia pracy.
W rezultacie daje to podstawę w ujęciu per capita do wzrostu wydajności czynnika
pracy. Dla producenta maksymalizującego swoją funkcję celu, wzrost wydajności czynnika wytwórczego prowadzić powinien do wzrostu wynagrodzenia danego czynnika, a w konsekwencji również dochodów producenta [por. np. Krugman, Wells 2012].
Obok generowanego wzrostu oszczędności, źródło wzrostu wydajności czynnika pracy stanowią również transfery budżetowe, w szczególności płatności realizowane w ramach WPR. Zewnętrzny strumień dopływu pieniędzy wpływa, poprzez zwiększenie dochodów producentów rolnych, na przyrost oszczędności będących podstawą inwestowania [Rembisz 2007]. Przyjmując zatem, że typową sytuacją dla producentów rolnych w Polsce jest [por. np. Rembisz, Sielska 2014]:
t
t I
S1 , (1)
wskazane zależności zapisać można zatem jako:
t t t
t t
t
t L
y L
I K B
S 1 , (2)
gdzie: S – oszczędności, B – transfery, I – inwestycje, K – czynnik kapitału, L – czynnik pracy, y – produkcja, t – indeks czasu.
Pozytywne implikacje wzrostu wydajności czynnika pracy znajdują swoje odzwierciedlenie również w konstrukcji instrumentów polityki, w szczególności – w przypadku rolnictwa – w mechanizmach Wspólnej Polityki Rolnej. Działaniami wspierającymi inwestycje w polskich gospodarstwach rolnych jest, przykładowo, poddziałanie 4.1 realizowane w ramach PROW 2014-2020 pt. „Wsparcie na inwestycje w gospodarstwach rolnych”, w szczególności operacja typu
„Modernizacja gospodarstw rolnych”. Warunkiem kwalifikowalności otrzymania przez gospodarstwa rolne wsparcia jest utrzymanie wzrostu wartości dodanej brutto o co najmniej 10% przez okres 5 lat od dnia przyznania pomocy. Realizacja tego celu nastąpić może poprzez m.in. wzrost wartości dodanej produktu, poprawę jakości produktu czy zmianę struktury produkcji [PROW 2014-2020]. Skala wydatków, tj. przydzielenie na tę operację ok. 18% ogółu środków przeznaczonych na PROW 2014-2020, oraz zainteresowanie beneficjentów świadczą o istotności podejmowanych działań.
Celem badawczym pracy jest zatem pomiar efektu oddziaływania wybranych płatności na wzrost wydajności czynnika pracy. Przedmiotem zainteresowania jest kwantyfikacja wpływu wsparcia dla inwestycji podejmowanych w gospodarstwach rolnych w kontekście korzystania, dodatkowo, z dopłat o charakterze środowiskowym1.
1 W pracy uwzględniono, zgodnie z podziałem stosowanym w Polskim FADN, dopłaty rolnośrodowiskowe i dopłaty do obszarów o niekorzystnych warunkach gospodarowania (ONW).