Aszegénységvizsgálata

Forrás

XLS

A tervezett alkalmazás/megoldás címe

Mely országok és időszakok esetében vélelmezhető egyensúlytalanság a szegénységben a felsőoktatási végzettség szempontjából?

A feladat előtörténete

Személyes kötődés

A téma engem is érdekelt, mivel mindig is tudni akartam, hogy Magyarországon a sokat szidott bérezési rendszer és színvonal valójában mennyire is korrekt, avagy lehetséges-e, hogy bár számunkra rosszak a munkapiaci lehetőségek, de az oktatási szinthez mérve a többi Uniós országhoz hasonlítva mégis jobb lehetőségük van a magyaroknak, mint a külföldieknek.

Szakértői javaslatok

Elemzésemben az egy bizonyos oktatási szintet elvégzők munkanélküliségi és szegénységi arányát vizsgálom európai kitekintéssel az EU 27 tagországában, a 2009-2011-es időszakban. A feldolgozott adatok az Eurostat adatbázisából származnak, és azt mutatják, hogy a 25 és 64 év közötti népesség milyen részben munkanélküli, aktív vagy inaktív dolgozó, milyen az arányuk a NUTS II-es régiókban (az Európai Unió elmaradottabb, fejlesztésre szoruló országai), továbbá milyen a népesség szegénységi rátája. Az időszak kezdete azért a 2009-es év, hogy a legalább 3 évet felölelő elemzés révén az időbeli változásokat is lássuk és tanulmányozhassuk. Így tudjuk meg például, hogy Olaszországban csak az utóbbi időben (2011-ben) volt kiemelkedően nagy a szegénységi arány az oktatás szempontjából, korábban ez még a statisztikai különbségnek volt tekinthető.

A feladat megoldás jelenlegi helyzete és ennek értékelése

A legtöbb országban a szegénységi rátát egyszerűen annak függvényében mérik, hogy a népesség hányad része ér el havonta egy megadott szintnél levesebb jövedelmet. Így azonban nem vonható kapcsolat a szegénység és az oktatás közé. A bizonyos oktatási szintet elvégzők körében az elégedettséget, vagyis azt, hogy jobbnak érzik-e helyzetüket annál, mint amire számítottak az oktatás megkezdése előtt, sajnos csak kérdőívekkel van lehetőség felmérni. Azok az elemzések is amelyek Eurostat vagy OECD foglalkoztatottsági adatokkal dolgoznak, hagyományos megoldásokat alkalmaznak, az adatokból levont következtetéseket kimutatásdiagramokkal támasztják alá, vagy statisztikai módszereket alkalmaznak a változók közötti összefüggések modellezésére (pl. regressziószámítás). A feladat megoldásának első körben én is így kezdtem volna hozzá. Az Eurostat adatai azonban egyrészt pontosabbak, mint egy kérdőíves felmérésből nyerhető adatok, másrészt pl. egy dinamikus Y0 modell esetén hasonlóságelemzéssel meg lehet találni azt az országot, ahol a szegénység az oktatási szint függvényében a legalacsonyabb, vagyis a legvonzóbb országot. Fontos még megemlíteni, hogy az elemzésben a munkapiaci sajátosságok vizsgálatakor különválasztottam a nők és férfiak, továbbá mindkettő együttes helyzetét, ugyanis rengeteg országban még mindig teljesen más a nők megítélése a munkahelyen, mint a férfiaké, míg máshol pont hogy jobb arányban vannak jelent az oktatásban, például a Magyarországi felsőoktatásban a nemek megoszlása durván 70-30% a szebbik nem javára.

A tervezett megoldás adatvagyonának bemutatása (ANYAG)

Az Eurostat adatbázisából, az oktatásra vonatkozó adatok közül azokat választottam, amelyek megmutatják az adott országban a megadott korosztály munkapiaci sajátosságait és anyagi helyzetét, ezeket lebontva nemek szerint. Az alábbiakban részletezett attribútumokkal összehasonlítható az egyes országok helyzete a munkanélküliség, a tanuló népesség, a dolgozó népesség, és a szegénység rátáiban. Mivel maga a szegénységi ráta kevés lenne ahhoz, hogy oktatási szempontból figyeljük a helyzetet, ezért van szükség csak a tanuló népesség arányának megadására is: hiszen ha egy országban többen vesznek részt a felsőoktatásban, akkor nagyobb versenyt szül, vagyis nehezebb lesz az elhelyezkedés. Az is igaz viszont, hogy a fejlettebb felsőoktatási rendszer innovációt, idegen tőkét vonz az országba, megkönnyítve így a friss diplomások helyzetét, de szerintem ebben az esetben az előző példa a nagyobb hatású.

Objektumok (sorok)

Az EU 27 országa:

• Austria
• Belgium

• Bulgaria • Cyprus • Czech Republic • Denmark • Estonia • Finland • France • Germany • Greece • Hungary • Ireland • Italy • Latvia • Lithuania • Luxembourg • Malta • Netherlands • Poland • Portugal • Romania • Slovakia • Slovenia • Spain • Sweden • United Kingdom

Attribútumok (X, Y oszlopok)

• Participation in education and training by sex and age (Oktatásban részt vevők aránya nem és kor szerint csoportosítva) (irány: 1) • Participation in education and training by sex and labour status - Active persons (Aktív munkavállalók oktatásban részt vett aránya nem és kor szerint) (irány: 1) • Participation in education and training by sex and labour status - Employed persons (Dolgozó munkavállalók oktatásban részt vett aránya nem és kor szerint) (irány: 1) • Participation in education and training by sex and labour status - Inactive persons (Inaktív munkavállalók oktatásban részt vett aránya nem és kor szerint) (irány: 0) • Participation in education and training by sex and labour status – Population (Összes munkavállaló oktatásban részt vett aránya nem és kor szerint) (irány: 1) • Participation in education and training by sex and labour status - Unemployed persons (Munkanélküli munkavállalók oktatásban részt vett aránya nem és kor szerint) (irány: 0) • Participation of adults aged 25-64 in education and training by NUTS 2 regions (from 2000) (25-64 évesek oktatásban részt vevők aránya a NUTS 2-es régiókban) (irány: 1) • People at risk of poverty (Szegénységben élő személyek aránya) (irány: 0)

Mutatóink esetében változnak az irányok, hiszen van, ami kedvezően hat a szegénységi/felsőoktatási rátára, és van, ami növeli azt. A 0 értékűek azok, amelyeknek növekedésekor ez a végső eredmény is nőni fog, vagyis amikor a szegénység – és az abban élők helyzete – rosszabb lesz, és 1-es az érték, amikor annak a tényezőnek a növekedése csökkenti a szegénységi rátát.

Kapcsolódó, ill. konkurens megoldások, dokumentumok

nyilatkozat és kitöltési segédlet