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.

A feladat által érintett célcsoportok

• Külföldi tanulmányokat tervezők.
• Felsőoktatást kutató intézmények.
• Felsőoktatásért felelős intézmények, és döntéshozók.
• Munkapiacon részt vevő vállalatok, HR-es cégek.
• Külföldön munkát keresők
• Statisztikai vállalatok, országok PR-jáért felelős szervek (ország jó hírnevét lehet növelni ilyen elemzésekkel)

A feladat megválaszolása kapcsán várható hasznosság

Hagyományos megoldás:

Költsége:

• Adatok beszerzése: 0 Ft
• Számításokhoz szükséges szoftvereszköz díja (Office 365 Home Premium előfizetés 1 hónapra): 2499 Ft Office 365
• Szakértői díj: 20*2500 Ft/óra = 50000 Ft

Piaci értéke: 52500 Ft

Hasonlóságelemzés szerinti megoldás:

Költsége:

• Adatok beszerzése: 0 Ft
• Számításokhoz szükséges szoftvereszköz díja (Office 365 Home Premium előfizetés 1 hónapra): 2499 Ft Office 365
• Elemzéshez szükséges szoftvereszköz díja: 0 Ft
• Szakértői díj: 4*2500 Ft/óra = 10000 Ft

Piaci értéke: 12500 Ft

Tehát a költségkülönbözet, (40000 Ft) szól a második megoldás alkalmazása mellett.

A saját megoldás bemutatása (MÓDSZER)

A módszer a következő lépésekből áll:

• 1. Az Eurostat adatbázisból leszűrt adatok értékoszlopos táblázatba rendezése (Egyértékoszlopos munkalap).
• 2. Következő lépésben a kimutatásokat készítettem el az Excel kimutatáseszközeinek segítségével összeg és darab nézetben (Kimutatás munkalap). A darab nézet az adatgyűjtés teljességének ellenőrzésére szolgál. Az összeg nézetű kimutatás a rangsormátrixok elkészítéséhez szükséges, amelyek a COCO Y0 elemzések bemeneteként szolgálnak majd. A kimutatásokban a rész illetve a végösszegeket átlagra állítottam, de mivel a vizsgálat időszakokra is és nemcsak országokra vonatkozik, ezért ezeket kikapcsoltam.
• 3. Rangsormátrixok elkészítése (Rangsor munkalap). Az irányok meghatározása az Attribútumok részben leírtak szerint történt. Az A Coco Y0 elemzéshez szükség van az Y értékének megállapítására, itt az Y, Y=10000 lett. Az irányok meghatározása után elkészítettem a rangsormátrixokat (normál és inverz) a Sorszám() függvény felhasználásával. A rangsormátrix megmutatja az országok adott mutató szerinti, adott évben elért, adott irány szerinti, egymáshoz viszonyított helyezéseit.
• 4. COCO YO elemzések (COCO Y0 és COCO Y0 Inverz munkalapok). A COCO elemzés bemenete a rangsormátrix az Y értékével együtt. A COCO elemzést mind a normál, mind az inverz rangsorokra elvégeztem.
• 5. Hitelesség ellenőrzés (COCO Y0 munkalap AE256:AE336 cellák). A HA() függvény segítségével történik. Akkor lesz a becslésünk hiteles, ha a normál és az inverz rangsormátrixból készített futtatásban ellentétes eredmény jön ki az adott objektumra. A hitelesség ellenőrzését a COCO Y0 és a COCO Y0 Inverz delta oszlopaira végezzük el.
• 6. Ország*Évek OAM létrehozása kimutatásvarázslóval annak elemzésére, hogy az egyes országok felsőoktatása milyen irányban és milyen gyorsan fejlődött az évek során. A dinamikus Y0 modellünk becsült értékeinek, azok meredekségének, szórásának, maximum és minimum értékeinek meghatározása után ezek felhasználásával újra elkészítjük a rangsormátrixokat. A becslési értékek és ezek meredeksége, maximuma, minimuma minél nagyobb, annál jobb, míg ezek szórása minél kisebb annál jobb, így a szórás kivételével az irány 0, a szórásra pedig 1. Ezek után újra COCO elemzések jönnek, majd újra a hitelesség megállapítása (XLS OAM munkalap).

Kapcsolódó, ill. konkurens megoldások, dokumentumok

nyilatkozat és kitöltési segédlet