Hodnocení vzdělávacích systémů v EU prostřednictvím studií o mzdách a úrovni vzdělávání

Mendelova univerzita v Brně Provozně ekonomická fakulta

Hodnocení vzdělávacích systémů v EU prostřednictvím studií o mzdách a úrovni vzdělávání Bakalářská práce

Vedoucí práce: doc. Ing. Lubor Lacina, Ph.D.

Kamila Kukačková

Brno 2015

Poděkování Ráda bych touto cestou poděkovala vedoucímu mé bakalářské práce panu doc. Ing. Luboru Lacinovi, Ph.D. za jeho cenné rady, odborné vedení a trpělivost při vzniku předkládané práce. Poděkovat bych také chtěla panu Ing. et Ing. Martinu Cupalovi, Ph.D. za jeho konzultace k výsledkům ekonometrického modelu a Mgr. Janu Hučínovi ze společnosti Scio, s.r.o. za odborné rady z oblasti testování žáků českých škol. Poděkování patří i vedení základních škol – Základní škola Brno, Bakalovo nábřeží 8 a Základní škola T. G. Masaryka, Bystřice pod Hostýnem, Nádražní 56 – za podnětné rady a možnost seznámit se s poměry na jejich škole.

Čestné prohlášení Prohlašuji, že jsem tuto práci: Hodnocení vzdělávacích systémů v EU prostřednictvím studií o mzdách a úrovni vzdělávání vypracovala samostatně a veškeré použité prameny a informace jsou uvedeny v seznamu použité literatury. Souhlasím, aby moje práce byla zveřejněna v souladu s § 47b zákona č. 111/1998 Sb., o vysokých školách ve znění pozdějších předpisů, a v souladu s platnou Směrnicí o zveřejňování vysokoškolských závěrečných prací. Jsem si vědoma, že se na moji práci vztahuje zákon č. 121/2000 Sb., autorský zákon, a že Mendelova univerzita v Brně má právo na uzavření licenční smlouvy a užití této práce jako školního díla podle § 60 odst. 1 Autorského zákona. Dále se zavazuji, že před sepsáním licenční smlouvy o využití díla jinou osobou (subjektem) si vyžádám písemné stanovisko univerzity o tom, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity, a zavazuji se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla, a to až do jejich skutečné výše. V Brně dne 22. května 2015

_______________________________

Abstract KUKAČKOVÁ, K. Evaluation of education systems in the EU by means of studies about salaries and level of education. Bachelor thesis. Brno: Mendel University, 2015. This bachelor thesis deals with the quality of education and teachers’ salaries in countries of the European Union. The aim of the thesis is to identify the relationship between teachers’ salaries and level of education. The literature review summarizes the main finding of the international comparative studies of education, teachers’ salaries and selected economic factors affecting the quality of education. At the conclusion of this work are proposed recommendations for economy policy makers in the Czech Republic. Keywords Quality of education, evaluation of education, international comparative studies, PISA, TIMSS, PIRLS, teachers’ salaries, parts of teachers’ salaries, comparison of teachers’ salaries in European Union countries, the relationship between the teachers’ salaries and quality of education.

Abstrakt KUKAČKOVÁ, K. Hodnocení vzdělávacích systémů v EU prostřednictvím studií o mzdách a úrovni vzdělávání. Bakalářská práce. Brno: Mendelova univerzita v Brně, 2015. Tato bakalářská práce se zabývá problematikou kvality vzdělávání a platů učitelů v zemích Evropské unie. Cílem práce je identifikovat vztah mezi platy učitelů a úrovní vzdělávání. V literární rešerši jsou shrnuty hlavní poznatky o mezinárodních srovnávacích šetřeních vzdělávání, platech učitelů a vybraných ekonomických faktorech ovlivňujících kvalitu vzdělávání. Na závěr této práce jsou navrhnuta doporučení pro tvůrce hospodářské politiky v České republice. Klíčová slova Kvalita vzdělávání, hodnocení vzdělávání, mezinárodní srovnávací výzkumy, PISA, TIMSS, PIRLS, platy učitelů, složky platů učitelů, komparace platů učitelů v zemích Evropské unie, vztah mezi platy učitelů a kvalitou vzdělávání.

Obsah

5

Obsah 1

2

3

Úvod a cíl práce

9

1.1

Úvod.......................................................................................................................................... 9

1.2

Cíl a metodika práce ........................................................................................................ 10

Literární rešerše

12

2.1

Evaluace ............................................................................................................................... 12

2.2

Mezinárodní srovnávací výzkumy ............................................................................. 13

2.3

Platy učitelů ........................................................................................................................ 23

2.4

Vybrané ekonomické faktory (ne)ovlivňující kvalitu vzdělávání.................. 30

2.5

Dílčí závěr ............................................................................................................................ 32

Zjišťování vztahu mezi platy učitelů a výsledky žáků

33

3.1

Statická kauzalita.............................................................................................................. 33

3.2

Dynamická kauzalita ....................................................................................................... 42

3.3

Dílčí závěr zjišťování vztahu mezi platy učitelů a kvalitou vzdělávání ....... 47

4

Doporučení tvůrcům hospodářské politiky v České republice

49

5

Závěr

53

6

Literatura

54

A

6.1

Knižní publikace ............................................................................................................... 54

6.2

Elektronické zdroje ......................................................................................................... 54

6.3

Právní předpisy ................................................................................................................. 59

Přehled nejvýznamnějších mezinárodních srovnávacích výzkumů od roku 1995

62

B

Úrovně způsobilosti – matematika

63

C

Výsledky PISA 2012 zúčastněných zemí Evropské unie – matematika

65

D

Výsledky PISA 2012 zúčastněných zemí Evropské unie – přírodní vědy

66

Obsah

6

E

Výsledky PISA 2012 zúčastněných zemí Evropské unie – čtení

67

F

Výsledky TIMSS 2011 zúčastněných zemí Evropské unie – matematika

68

G

Výsledky TIMSS 2011 zúčastněných zemí Evropské unie – přírodní vědy

69

H

Výsledky PIRLS 2011 zúčastněných zemí Evropské unie

70

I

Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe

71

J

Hodnoty pro statickou kauzalitu

72

K

Výsledky žáků z šetření PISA z let 2003 a 2012 a jejich rozdíly

73

L

Hodnoty pro dynamickou kauzalitu – vybrané země Evropské unie

74

M

Hodnoty pro srovnání grafů v roce 2000

75

N


76

O


77

P


78

Q


79

R

Srovnání vybraných základních škol

80

Seznam obrázků

7

Seznam obrázků Obr. 1 Zastoupení českých žáků na úrovních způsobilosti mezi roky 2003 až 2012 v matematice v šetření PISA 2012

21

Obr. 2 Zastoupení žáků různých druhů škol na úrovních způsobilosti v letech 2003 a 2012 v matematice v šetření PISA 2012

22

Obr. 3 Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe ve vybraných zemích EU, vyjádřeny jako poměr platu k HDP na obyvatele

25

Obr. 4

Bodový XY diagram pro rok 2012

36

Obr. 5

Proložení bodů v grafu pomocí 95% konfidenční elipsy

37

Obr. 6

Výstup z metody OLS pro lineární funkční formu

38

Obr. 7 Intervaly spolehlivosti pro regresní parametry pro lineární funkční formu

39

Obr. 8

LM test specifikace – mocninný pro lineární funkční formu

40

Obr. 9

LM – test specifikace – logaritmický pro lineární funkční formu

40

Obr. 10

Ramseyho RESET test pro lineární funkční formu

41

Obr. 11

Whiteův test pro lineární funkční formu

41

Obr. 12

Shapiro-Wilkův test pro lineární funkční formu

42

Obr. 13


45

Obr. 14


45

Obr. 15


46

Obr. 16


46

Obr. 17


47

Seznam tabulek

8

Seznam tabulek Tab. 1 Skóre vybraných zemí Evropské unie v šetření PISA 2012 – matematická gramotnost

16

Tab. 2 Skóre vybraných zemí Evropské unie v šetření PISA 2012 – gramotnost přírodních věd

17

Tab. 3 Skóre vybraných zemí Evropské unie v šetření PISA 2012 – čtenářská gramotnost

17

Tab. 4 Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe ve vybraných zemích EU, vyjádřeny jako poměr platu k HDP na obyvatele

25

Tab. 5 Skupiny platů podle počtu odučených let a zvýšení platu během kariéry

26

Tab. 6 Změny platů učitelů ve vybraných zemích Evropské unie mezi lety 2009 a 2012

27

Tab. 7 Stupnice platových tarifů podle platových tříd a platových stupňů pro učitele základních škol

29

Tab. 8

34

Popisné charakteristiky proměnných

Tab. 9 Párové koeficienty korelace a t-statistiky pro vybrané země Evropské unie

43

Úvod a cíl práce

9

1 Úvod a cíl práce 1.1

Úvod

Negramotnost lidí je v některých koutech světa přímo alarmující. Má negativní vliv nejen pro samotného jedince, ale znamená i obrovské náklady pro společnost. V rozvojových zemích jsou tyto náklady vyčísleny na 500 miliard eur ročně (Evropská komise, 2014, s. 4). V Evropské unii nedosahuje v základních dovednostech, jako je čtení, matematika a přírodní vědy, ani minimální úrovně přibližně 20 % studentů (Evropská komise, 2014, s. 4). Tito žáci mají velmi omezené vědomosti, které mohou použít při řešení pouze malého počtu běžných situací. Někteří žáci neumí rozpoznat hlavní myšlenku textu a propojit ji se zkušenostmi z každodenního života (Palečková et al., 2007, s. 22, Palečková, Tomášek, Basl et al., 2010, s. 43). V České republice má špatné výsledky každý pátý žák (Evropská komise, 2014, s. 9). Nejvíce zaostáváme ve čtení, průměrné výsledky mají žáci v oblasti matematiky a nejlepší výsledky vykazují v oblasti přírodních věd (Straková, 2009, s. 108). Mnoho lidí netuší, jak je v dlouhodobém horizontu důležitá vazba mezi školstvím a ekonomikou. Ekonomové z CERGE-EI vedeni Danielem Münichem spočítali, že pokud by se čeští studenti dostali na stejnou vzdělanostní úroveň jako žáci z Finska, kteří vládnou žebříčkům v mezinárodních šetřeních zjišťujících vzdělanost žáků, vzrostlo by HDP v ČR o 335 mld. Kč ročně. Tj. pro porovnání přibližně dva a půl násobek ročních výdajů v resortu Ministerstva školství, mládeže a tělovýchovy v ČR (Rychlík, 2014). Zvýšení kvality vzdělávání je tedy důležité pro obnovení dlouhodobého hospodářského růstu a vytváření pracovních míst v Evropě. Vysoká kvalita vzdělávání je zásadní pro zaměstnanost, sociální soudržnost a celkový ekonomický a společenský úspěch Evropy (Eurydice, 2015a, s. 3). Dle výsledků různých studií je zřejmé, že vysoce kvalifikovaní pracovníci mají dvakrát vyšší šanci získat práci a je zde téměř třikrát větší pravděpodobnost, že dosáhnou nadprůměrného příjmu oproti lidem s nízkou kvalifikací (Evropská komise, 2014, s. 3). A co ovlivňuje samotnou kvalitu vzdělávání? Existuje zde velmi mnoho indikátorů a je obtížné je specifikovat. Touto otázkou se v poslední době zabývají různí odborníci a instituce na mezinárodní i národní úrovni. Z projektu Talis vyplývá, že nejdůležitějším školním faktorem ovlivňujícím studijní výsledky žáků je kvalita učitele (ČŠI, [2013]). Učitel by měl být dle jeho kvality adekvátně finančně ohodnocen. Většina zemí Evropské unie ale nedává učitelům plat, jaký si zaslouží. Je nutné motivovat nejlepší učitele a absolventy, aby neodcházeli do jiných oborů a nabídnout jim zejména lepší platy a pracovní podmínky (Kleknerová, 2011). Vzdělanější a zkušenější učitelé v Evropské unii dostávají vyšší platy a tudíž se očekává, že jsou vyšší platy zárukou kvalitnějšího vzdělávání (Hanushek, Rivkin, 2007, s. 78 – 80).

Úvod a cíl práce

10

Předkládaná práce si pokládá výzkumnou otázku, zda by zvýšení platu přineslo zlepšení výsledků žáků v zemích Evropské unie. Touto otázkou se už někteří odborníci zabývají, ale většinou porovnávají vzdělávací systémy z různých koutů světa, což není vždy srovnatelné. Tato práce se proto zaměřuje na užší geografické vymezení, a to na země Evropské unie. Ve většině evropských zemí jsou nástupní platy učitelů nižší než HDP na obyvatele a za celou kariéru se nezvýší ani na dvojnásobek. Je zde veliká propast mezi platy učitelů jednotlivých členských zemí. Nástupní platy učitelů jsou vyšší než HDP na obyvatele pouze v Německu, Španělsku a Portugalsku (Evropská komise, 2015). Řadí se ale tyto státy mezi země s nejlepšími výsledky žáků v šetření PISA?

1.2 Cíl a metodika práce Cílem této práce je identifikace vztahu mezi platy učitelů a úrovní vzdělávání v zemích Evropské unie. Konkrétně se jedná o platy učitelů nižšího sekundárního vzdělávání po 15 letech zkušeností, což v českém školství odpovídá druhému stupni základních škol. Pro vyjádření kvality vzdělávání budou pro tuto práci zvoleny výsledky patnáctiletých žáků v šetření PISA. K identifikaci tohoto vztahu bude využita jednoduchá regresní analýza a korelační analýza. V předkládané práci se pokusím odpovědět na výzkumnou otázku a to, zda platy učitelů ovlivňují kvalitu vzdělávání. Bude využit program Gretl a údaje ze studií zemí EU. Pro vykreslení 95% konfidenční elipsy do bodového grafu budu pracovat i s programem Statistica. Na základě vypracované literární rešerše a výsledků regresní a korelační analýzy budou navržena nová opatření pro tvůrce hospodářské politiky. Nemá smysl dělat obecná doporučení pro všechny země Evropské unie, protože každý stát má ve své vzdělávací politice specifické podmínky. Závěrečná doporučení tedy budou navržena pouze pro Českou republiku. Tato práce je rozdělena na dvě části, a to na literární rešerši a část zjišťující vztah mezi platy učitelů a výsledky žáků. Literární rešerše se dále dělí na podkapitoly věnující se kvalitě vzdělávání, platům učitelů a vybraným ekonomickým faktorům ovlivňujících kvalitu vzdělávání. Část o kvalitě vzdělávání se zaměřuje na dostupné zdroje poskytující informace o mezinárodních srovnávacích výzkumech, organizacích, které je pořádají a nejznámějších šetřeních. Dále popisuje výsledky žáků jak ze zemí Evropské unie, tak i podrobněji žáků z České republiky. Další kapitola, věnující se platům učitelů, se zabývá platovými podmínkami v zemích Evropské unie a detailněji i v České republice. Praktická část je zaměřená na jednoduchou regresní analýzu, korelační analýzu a výzkumnou otázku, zda souvisí výše platů učitelů s kvalitou vzdělávání. Provedené výpočty jsem si rozdělila do 2 částí – statická kauzalita pro země EU a dynamická kauzalita pro vybrané země Evropské unie (Česká republika, Polsko, Portugalsko, Německo, Itálie a Irsko).

Úvod a cíl práce

11

V regresní analýze jsem si jako vysvětlovanou proměnnou zvolila znalosti žáků z šetření PISA a jako vysvětlující platy učitelů. Kvalitu vzdělávání jsem si určila pomocí znalostí žáků. Použila jsem hodnoty z mezinárodního šetření PISA, které zkoumá znalosti patnáctiletých a koná se nejčastěji, a to v tříletém intervalu. Data jsem čerpala konkrétně z publikace od OECD – PISA 2012 Results: What Students Know and Can Do. Pracovala jsem s daty z roku 2012. Zaměřila jsem se na oblasti matematiky, čtenářské gramotnosti a vědy. Je to z toho důvodu, že jsou tyto oblasti pravidelně sledovány již od roku 2000. Tyto hodnoty jsou vyjádřeny v bodech, které žáci v testech získali. Já jsem použila aritmetický průměr bodů těchto tří oblastí. Platy učitelů jsou použity z každoročně vydávané publikace od OECD – Education at a Glance 2014, která pracuje s daty z roku 2012. Jedná se o platy učitelů nižšího sekundárního vzdělávání po 15 letech zkušeností ze zemí Evropské unie. Platy jsou vyjádřeny jako poměr platu k HDP na obyvatele. V korelační analýze jsem zkoumala kauzalitu mezi platy učitelů a výsledky žáků z šetření PISA v čase, a to v letech 2000, 2003, 2006, 2009 a 2012. Testovala jsem kauzalitu pro Českou republiku a vybrané země Evropské unie. Zvolila jsem země, které měly mezi lety 2003 a 2012 nejvýraznější zlepšení ve výsledcích žáků. V těchto letech byla jako hlavní oblast zvolena matematická gramotnost. Pro tuto dynamickou kauzalitu jsem opět využila data z publikací OECD – Education at a Glance a studie k šetření PISA v jednotlivých letech. Platy byly také vyjádřeny v poměru k HDP na obyvatele a výsledky žáků vyjadřovaly průměrný počet bodů, které žáci získali v šetřeních PISA. Pro Českou republiku jsem hledala četnější výsledky žáků a zvažovala jsem výstupy z celostátního testování společnosti Scio, s.r.o. konaného každoročně. Dle této společnost ale zatím data nejsou srovnatelná v čase. Na závěr jsem si pro doplnění nechala vykreslit bodové grafy zkoumaných veličin pro roky 2000, 2003, 2006, 2009 a 2012.


12

2 Literární rešerše Tato kapitola je literární rešerší českých i zahraničních zdrojů. Je rozdělena do čtyř hlavních podkapitol. První se zabývá pojmem evaluace vzdělávacího systému, další se zaměřuje na mezinárodní srovnávací výzkumy, zainteresované organizace a výsledky z šetření žáků ze zemí Evropské unie i z České republiky. Další podkapitola se nejprve věnuje platovým podmínkám zemí Evropské unie a poté podrobněji i v České republice. Poslední část literární rešerše je zaměřena na vybrané ekonomické faktory ovlivňující výsledky žáků ve škole.

2.1 Evaluace Průcha (2013, s. 190) definuje obecně pojem evaluace jako hodnocení. V oblasti pedagogiky je to proces zahrnující zjišťování a následné porovnávání a vysvětlování dat charakterizujících stav, kvalitu, fungování, efektivnost škol, částí nebo celku vzdělávacího systému. Pedagogická evaluace (dále jen „evaluace“) hraje důležitou roli v úpravách a inovacích vzdělávacího systému, slouží pro strategii plánování jeho rozvoje, priorit, atd. Za hlavní část evaluace je považováno hodnocení vzdělávacích výsledků. Jedná se o vyhodnocování vzdělávacích výsledků žáků či jiných subjektů vzdělávání. Pro školství jsou zvlášť důležité mezinárodní komparativní evaluace vzdělávacích výsledků (Průcha, 1996, s. 24). 2.1.1

Externí a interní evaluace škol

Hlavní typy evaluace škol Eurydice (2015a, s. 7) definuje jako externí a interní. Externí hodnocení provádějí hodnotitelé, kteří nejsou přímo zapojeni do školních aktivit. U interní evaluace hodnotí školu její zaměstnanci. Externí hodnocení škol je v Evropě velmi rozšířené, uskutečňuje se ve většině zemí EU. Není prováděno v Bulharsku, Finsku, Chorvatsku, Lucembursku, Řecku a na Kypru (ISCED 1). Nově je zavedeno v Itálii a Maďarsku (Eurydice 2015a, s. 17). V externím hodnocení se na školu pohlíží jako na jeden subjekt a cílem je sledovat a zlepšovat její kvalitu. Hodnotí se široká škála školních aktivit, jako jsou vzdělávací a řídící úloha, výsledky studentů, kvalita výuky a dodržování předpisů. Oblasti monitorování se v zemích Evropské unie liší. Průběh této evaluace probíhá v jednotlivých zemích velmi podobně. Můžeme ho rozdělit do tří fází, a to předběžná analýza, návštěva školy a závěrečná hodnotící zpráva (Eurydice, 2015b, s. 2). Nejčastějším výstupem externího hodnocení jsou nápravná opatření (Eurydice, 2015a, s. 31). Interní školní evaluaci provádí zaměstnanci školy. V některých případech školy spolupracují s dalšími stranami zapojenými do procesu vzdělávání, jako jsou studenti, rodiče nebo členové místní komunity. Ve většině zemí EU je toto hodnocení povinné, jinde doporučené nebo dobrovolné. Mezi země, ve kterých je interní


13

evaluace pouze dobrovolná, patří Belgie (vlámská komunita), Česká republika, Finsko, Francie (ISCED 2, 3), Kypr (ISCED 1), Lucembursko (ISCED 2, 3), Malta, Nizozemsko a Velká Británie (Anglie). Plně dobrovolné to mají školy ve Francii (ISCED 1) a Bulharsku (Eurydice, 2015a, s. 41.) Vnitřní hodnocení se zabývá všemi aspekty života školy od pedagogického přístupu až ke školní administrativě. Všechny země, s výjimkou Bulharska, využívají jeden nebo více podpůrných opatření, která školám pomáhají provádět evaluaci. Patří mezi ně pokyny a příručky, odborné školení interního hodnocení, využívání externích hodnotících rámců, indikátory porovnání s ostatními školami, on-line fóra, poradenství specialistů a finanční podpora. Ideální je pro evaluaci škol kombinace externího a interního hodnocení (Eurydice, 2015b, s. 3 – 4).

2.2 Mezinárodní srovnávací výzkumy Mezinárodní komparativní analýzy srovnávají vzdělávací jevy a systémy zúčastněných zemí. Složitost a různorodost jevů někdy neumožňuje jejich přímé srovnání, a proto jsou často vyhledávány jevy ekvivalentní. Existuje pět typů mezinárodních srovnávacích výzkumů, a to studie o jednotlivých zemích, studie o více zemích bez společných kritérií srovnání, studie založené na společných znacích, studie založené na předem vymezených společných kategoriích a studie, které chápou národní odlišnosti jako varianty jevů obecných, globálních (Průcha, 2013, s. 281 – 282). Složení zemí zúčastňujících se těchto výzkumů se v průběhu času měnilo. I v cílových skupinách a koncepcích výzkumů byly zaznamenány určité odlišnosti. Zkoumané oblasti vzdělávání ale zůstaly pořád stejné. Odhlédneme-li však od různých specifik daných výzkumů a drobných výkyvů ve výsledcích, získáme dosti stabilní obrázek o vzdělávacích systémech dané země (Straková, 2009, s. 108). Mezi nejpoužívanější evaluační nástroje v rámci mezinárodních šetření patří písemné testy a dotazníky. Dotazníky doplňují řadu údajů o vzdělávání v dané zemi. Jsou určeny zvlášť pro žáky, školy, ředitele škol, rodiče a učitele žáků. Dotazník pro žáky a rodiče pomáhá identifikovat rodinné zázemí žáků, vztah rodiny ke škole a učení. V učitelských dotaznících se dozvídáme informace o způsobu výuky a používaných materiálech (Tomášek et al., 2012, s. 4). Dále se formou dotazníků mohou vyjádřit absolventi škol a metodou rozhovoru zástupci spolupracujících firem. Jako evaluační nástroj může být zvoleno i vlastní hodnocení školy (Kekule, 2011, s. 33). Hlavními organizátory mezinárodních srovnávacích výzkumů v Evropské unii jsou dle Strakové (2009, s. 1) Mezinárodní asociace pro hodnocení výsledků vzdělávání (IEA) a Organizace pro hospodářskou spolupráci a rozvoj (OECD). Česká republika se do těchto aktivit zapojila počátkem 90. let minulého století, kdy se stala členem Mezinárodní asociace pro hodnocení výsledků vzdělávání. Do té doby naše země měla k dispozici jen informace o výsledcích jednotlivců v mezinárodních soutěžích, poté však již i objektivní informace o výsledcích vzdělávacího systému jako celku (Straková, 2009, s. 1).


14

V České republice se srovnáváním výsledků žáků intenzivně zabývá také společnost Scio, s. r. o (Scio, 2008 – 2015). 2.2.1

OECD

Organization for Economic Co-operation and Development (Organizace pro ekonomickou spolupráci a rozvoj) je mezinárodní organizace sdružující 34 členů z celého světa a s dalšími 100 zeměmi je v úzké spolupráci. OECD bylo založeno v roce 1961 a Česká republika do něj vstoupila v polovině 90. let minulého století jako první postkomunistická země. Členství v této organizaci umožňuje jejím členům a spolupracujícím zemím mnohostrannou spolupráci v oblasti vzdělávání (Kursa, 2005-15, OECD, 2011a, s. 8). Organizace poskytuje fórum, díky kterému vlády spolupracují, sdílí své zkušenosti, zkoumají faktory hospodářských, sociálních a environmentálních změn a hledají řešení společných problémů. Dále tvoří kvalitní mezinárodně srovnatelné údaje a ukazatele, analyzuje a porovnává data, zkoumá, zda vzdělávací systémy připravují mladé lidi na moderní život a předvídá budoucí trendy. Dává vládám doporučení, která jsou nezávislá a jejichž cílem je lepší život pro obyčejné lidi (OECD, 2011a, s. 8). Dle MŠMT (2013 – 2015a) výbory zabývající se oblastí vzdělávání spadají pod Direktorát pro vzdělávání. Česká republika má své zástupce ve Výboru pro vzdělávací politiku (EDPC), v Řídící radě Centra pro inovace ve vzdělávání (GB CERI) a v Řídící radě programu institucionálního řízení vysokých škol (GB IMHE). Dále se účastníme zasedání Řídící rady projektu PISA (GB PISA) a Řídící rady projektu PIAAC (GB PIAAC). 2.2.2

Nejvýznamnější šetření OECD

Organizace OECD vydává jednorázové i pravidelné dokumenty a materiály k oblastem, kterým se věnuje (Euroskop, 2005-15). Nejdůležitějším výstupem její práce v oblasti vzdělávání je každoroční publikace Education at a Glance (MŠMT, 2013 – 2015a). Mezi nejvýznamnější šetření patří PISA, TALIS, SIALS, PIAAC. Projekt PISA testuje oblasti čtenářské, matematické a přírodovědné gramotnosti žáků. Zkoumaným vzorkem jsou patnáctiletí žáci. Šetření běží od roku 2000 v pravidelném tříletém cyklu. V roce 2015 bude probíhat nejnovější testování (ČŠI, 2014, Potužníková, Lokajíčková, Janík, 2014, s. 191). Výzkum TALIS se zaměřuje na pedagogické pracovníky, konkrétně na učitele nižšího sekundárního vzdělávání. V České republice jsou k dispozici pouze data z roku 2013. Šetření SIALS a PIAAC se zaměřilo na testování gramotnosti dospělých. Jednalo se o populaci od 15 – 65 let. PIAAC je navazující verzí SIALS, nejnovější data pocházejí z roku 2011 (Potužníková, Lokajíčková, Janík, 2014, s. 191). Detailnější informace o jednotlivých šetřeních od roku 1995 jsou k dispozici v Přílohách v části A.


2.2.3

15

Šetření PISA

Projekt PISA je největší a nejdůležitější mezinárodní výzkum v oblasti měření výsledků vzdělanosti. Hlavní součástí je testování patnáctiletých žáků ve čtenářské, matematické a přírodovědné gramotnosti (ČŠI, 2011). Záměrem šetření je zjistit, jak žáci dovedou v různých situacích běžného života využít toho, co se doposud naučili. Cílem tedy není zkoumat množství nabytých vědomostí, ale jejich aplikaci (Palečková, Tomášek et al., 2013, s. 4). Šetření bylo poprvé zorganizováno v roce 2000 a od té doby se uskutečňuje v pravidelném tříletém intervalu. Každý cyklus zkoumá všechny tři zmíněné oblasti gramotnosti a navíc se postupně detailně zaměřuje na jednu z nich. První rok 2000 a rok 2009 podrobněji zkoumal čtenářskou gramotnost. Šetření v roce 2003 a doposud poslední projekt 2012 se soustředil na znalosti a dovednosti z matematiky. Dále byly navíc poprvé testovány schopnosti žáků řešit problémové úlohy mezipředmětového charakteru. Rok 2006 byl zaměřen na poslední zbývající oblast, a to vědu. Právě probíhající šetření PISA 2015 bude tedy opět zaměřen na gramotnost v přírodních vědách (ČŠI, 2011). Projekt PISA mimo uvedené oblasti zjišťuje i vliv školy a rodinného zázemí na žáky, postoje žáků k předmětům, škole a učitelům. Šetření mají buď písemnou, nebo elektronickou podobu. V rámci posledního výzkumu byla zavedena pouze elektronická forma, a to u testování oblasti řešení problémů (ČŠI, 2011). Testy zaměřené na matematickou, čtenářskou a přírodovědnou gramotnost dohromady trvají přibližně 2 hodiny. Testové úlohy mají na začátku úvodní materiál (text, tabulka, graf, obrázek aj.), ke kterému se vracejí a odpovídají podle něj na položené otázky. Úlohy jsou buď s více možnostmi a jednou správnou odpovědí nebo jde o otevřené otázky, kde musí žáci odpověď vymyslet sami (Palečková, Tomášek et al., 2013, s. 9). Problémem výzkumu PISA, ve srovnání s výzkumy IEA, je skutečnost, že jsou žáci testováni dle věkových kategorií, což ne vždy koresponduje s navštěvovanou třídou a probíranou látkou žáků. Zkoumaným vzorkem jsou žáci ZŠ i víceletých gymnázií. V ČR to navíc mohou být i studenti škol odborných a speciálních, díky čemuž mohou být výsledky šetření zkreslené (Pelikán, 2011). 2.2.4

Výsledky šetření PISA 2012

Do šetření PISA 2012 se celkem zapojilo 65 zemí včetně členských zemí OECD. Ze zemí Evropské unie se šetření zúčastnily všechny členské země kromě Malty, tj. 27 členů. Jedná se tudíž o nejnovější a, co se počtu zemí týče, nejrozsáhlejší hodnocení úrovně kvality vzdělávání dle výsledků žáků v Evropské unii (OECD, 2014a, s. 19). Výsledky jsou vyhodnocovány průměrným počtem bodů, které žáci získali za splnění jednotlivých úloh a dále jsou žáci zařazeni do úrovní způsobilosti daných počtem bodů. Toto řazení do úrovní je vždy jen pro hlavní oblast testování. Tou byla v roce 2012 matematika. Výstupem je potom procento žáků dané země, kteří spadají do jednotlivých úrovní (OECD, 2014a, s. 60):  6. úroveň – 669 a více bodů


16

 5. úroveň – 607 – 668 bodů  4. úroveň – 545 – 606 bodů  3. úroveň – 482 – 544 bodů  2. úroveň – 420 – 481 bodů  1. úroveň – 358 – 419 bodů Charakteristika jednotlivých úrovní je popsána v Přílohách v části B. Matematická gramotnost Matematická gramotnost je vymezena jako „schopnost jedince poznat a pochopit roli, jakou hraje matematika ve světě, dělat dobře podložené úsudky a proniknout do matematiky tak, aby splňovala jeho životní potřeby jako tvořivého, zainteresovaného a přemýšlivého občana“ (Palečková, Tomášek, Basl et al., 2010, s. 22). V oblasti matematické gramotnosti se nejlepší země Evropské unie umístily v tomto pořadí: Nizozemsko, Estonsko, Finsko, Polsko a Belgie. Průměr OECD byl stanoven na 494 bodů. Česká republika měla sice o něco vyšší skóre, než byl průměr, ale tento výsledek byl vyhodnocen jako statisticky nevýznamná odlišnost (OECD, 2014a, s. 19). Tab. 1

Skóre vybraných zemí Evropské unie v šetření PISA 2012 – matematická gramotnost

Pořadí 1. 2. 3. 4. 5. 11. Průměr OECD

Země Nizozemsko Estonsko Finsko Polsko Belgie Česká republika

Získané body 523 521 519 518 515 499 494

Zdroj: OECD, 2014a

V hlavní oblasti posledního testování PISA – matematice – mají žáci českých škol srovnatelné výsledky například s žáky z Rakouska, Dánska a Francie. Výrazně lepší výsledky mají žáci ze sousedního Polska a Německa. Slovenští žáci za těmi našimi zaostávají (Palečková, Tomášek et al., 2013, s. 12). Přírodovědná gramotnost Přírodovědná gramotnost je definována jako „schopnost využívat přírodovědné vědomosti, klást otázky a z daných skutečností vyvozovat závěry, které vedou k porozumění světu přírody a pomáhají v rozhodování o něm a o změnách působených lidskou činností“ (Palečková, Tomášek, Basl et al., 2010, s. 26). Skóre v oblasti vědy dosahovalo průměrně nejvyšších výsledků ze všech tří kategorií. Opět nejlepší zemí bylo Finsko, dále pak Estonsko, Polsko, Německo, Irsko a Nizozemsko. Průměr OECD byl v oblasti vědy 501 bodů. Česká republika


17

měla v této sekci také nejlepší výsledek ze všech kategorií a dosáhla statisticky významně vyššího hodnocení, než byl průměr OECD (OECD, 2014a, s. 19). Tab. 2

Skóre vybraných zemí Evropské unie v šetření PISA 2012 – gramotnost přírodních věd

Pořadí 1. 2. 3. 4. 5. – 6. 5. – 6. 9. Průměr OECD

Země Finsko Estonsko Polsko Německo Irsko Nizozemsko Česká republika

Získané body 545 541 526 524 522 522 508 501

Zdroj: OECD, 2014a

Čtenářská gramotnost Čtenářská gramotnost je definována jako „schopnost porozumět psanému textu, zabývat se jím, přemýšlet o něm a používat ho k dosažení vlastních cílů, k rozvoji vlastních vědomostí a potenciálu a k aktivní účasti ve společnosti“ (Palečková, Tomášek, Basl et al., 2010, s. 12). Sekce čtení byla nejúspěšnější pro Finsko, Irsko, Polsko, Estonsko a Nizozemsko. Průměrný výsledek OECD je 496 bodů. České republice se tuto hranici nepodařilo překročit, ale tento výsledek opět není statisticky významně odlišný od průměru (OECD, 2014a, s. 19). Tab. 3

Skóre vybraných zemí Evropské unie v šetření PISA 2012 – čtenářská gramotnost

Pořadí 1. 2. 3. 4. 5. Průměr OECD 11.

Země Finsko Irsko Polsko Estonsko Nizozemsko Česká republika

Získané body 524 523 518 516 511 496 493

Zdroj: OECD, 2014a

Srovnatelné výsledky mají s českými žáky například v Rakousku a Maďarsku. Slováci mají výsledky opět významně horší (Palečková, Tomášek et al., 2013, s. 20). Země se statistiky významně lepším výkonem než je průměr OECD alespoň v jedné testované oblasti, byly mimo nejlepších zemí také Slovinsko, Spojené království, Česká republika, Francie, Rakousko a Dánsko (OECD, 2014a, s. 19).


18

Výsledky žáků z šetření PISA všech zúčastněných zemí Evropské unie jsou uvedeny v Přílohách v části C až E. 2.2.5

IEA

International Association for the Evaluation of Educational Achievement (Mezinárodní asociace pro hodnocení výsledků vzdělávání) je nevládní nezisková organizace založená v roce 1958. Sdružuje 68 institucionálních členů po celém světě včetně všech členských zemí Evropské unie a téměř 100 zemí se účastní na jejich projektech. Většinu z nich reprezentují národní vzdělávací systémy a některé země mají zastoupení pro více než jeden vzdělávací systém. IEA provádí rozsáhlé srovnávací studie dosaženého vzdělání a dalších aspektů vzdělávání (IEA, 2011a). IEA má za cíl (IEA, 2011a):  Poskytovat mezinárodní srovnávací ukazatele, díky nimž bude snadnější určování silných a slabých stránek vzdělávacích systémů  Dát k dispozici vysoce kvalitní data, která budou sloužit k lepšímu pochopení školních a mimoškolních faktorů ovlivňujících výuku a učení se  Poskytovat vysoce kvalitní data sloužící jako zdroj pro určení oblastí zájmů a činností a pro přípravu a hodnocení vzdělávacích reforem  Podporovat rozvoj a zdokonalovat schopnost vzdělávacích systémů podílet se na národních strategiích pro sledování a zlepšování výkonnosti vzdělávání  Přispět k rozvoji celosvětového společenství výzkumných pracovníků v hodnocení vzdělávání 2.2.6

Nejvýznamnější šetření IEA

Organizace doposud vypracovala 30 mezinárodních srovnávacích studií. Mezi nejvýznamnější studie patří šetření – TIMSS, RLS, PIRLS, CIVED, ICCS, ICILS a SITES (MŠMT, 2013-2015b). Oblasti čtenářské gramotnosti se věnují šetření RLS a pozdější PIRLS, které na něj navázalo. V současné době testuje žáky 4. ročníků. V roce 2016 bude spuštěno již čtvrté testování PIRLS, které má pravidelný pětiletý cyklus. Česká republika se do něj zapojila v letech 2001 a 2011. Šetření TIMSS se zaměřuje na oblast matematiky a přírodních věd. Také testuje žáky 4. ročníků a navíc i žáky 8. ročníků. Jeho cyklus je čtyřletý. V ČR se žáci 4. ročníků zapojili v roce 1995, 2007 a 2011. Čeští žáci 8. ročníků se tohoto testování zúčastnili v letech 1995, 1999 a 2007. Nejbližší plánované testování bude v roce 2015 (IEA, 2011b, Potužníková, Lokajíčková, Janík, 2014, s. 191). Oblastí občanské výchovy se v roce 1996 a 1999 zabývalo šetření CIVED a poté na něj navázalo ICCS v roce 2009. Tato testování se zaměřují na žáky 8. ročníků. Na rok 2016 je připraveno pokračování. Šetření SITES se zabývalo školami stupně ISCED 1, ISCED 2 a ISCED 3. Proběhlo v letech 1998 a 2001. Oblastí zájmu byly informační technologie používané ve výuce. Poměrně nově se oblastí informatiky, a to počítačovými a informačními dovednostmi žáků, zabývají studie z šetření


19

ICILS testující žáky 8. ročníků. Testování proběhlo v roce 2013 a další bude uskutečněno v roce 2018 (IEA, 2011b, Potužníková, Lokajíčková, Janík, 2014, s. 191). Podrobnější informace o jednotlivých šetřeních mezinárodní organizace IEA od roku 1995 jsou umístěny v Přílohách v části A. 2.2.7

Výsledky šetření PIRLS a TIMSS 2011

Nejaktuálnější výsledky z těchto šetření jsou k dispozici z roku 2011, kdy se sešly cykly obou šetření. Šetření PIRLS se zúčastnilo 45 zemí včetně 23 členských zemí Evropské unie (mimo Estonsko, Kypr, Lotyšsko, Lucembursko a Řecko). Do šetření TIMSS se zapojilo 52 zemí včetně 21 členských zemí Evropské unie (mimo Bulharsko, Estonsko, Francie, Kypr, Lotyšsko, Lucembursko, Řecko). Země, které se angažovaly v obou projektech, tak měly jedinečnou možnost zjistit znalosti a dovednosti žáků ze všech uvedených oblastí (čtenářská gramotnost, matematika a přírodní vědy) na stejném vzorku žáků (IEA, 2011b, Tomášek et al., 2012, s. 3). Výsledky studií jsou prezentovány jednak pomocí skórů (počtů bodů) vyjadřujících úspěšnost žáků na škálách výsledků a jednak podle čtyř úrovní dovedností určených počtem bodů (IEA, 2011b, Tomášek et al., 2012, s. 5 – 7):  Velmi vysoká úroveň – 625 – 550 bodů,  Vysoká úroveň – 550 – 475 bodů  Střední úroveň – 475 – 400 bodů  Nízká úroveň – do 400 bodů Matematická gramotnost Do šetření TIMSS se zapojilo v rámci hodnocení 4. ročníků ZŠ 21 zemí Evropské unie (22 institucionálních). V oblasti matematiky dopadli nejlépe žáci Severního Irska, dále pak Belgie, Finsko, Anglie a Nizozemsko. Průměr byl stanoven na 500 bodů. Česká republika se ze zemí Evropské unie umístila na 12. místě. Kromě šesti zemí (Slovensko, Švédsko, Malta, Španělsko, Rumunsko, Polsko) měly všechny země svůj průměrný výsledek v matematice statisticky významně lepší než průměr škály TIMSS. K největšímu zlepšení oproti minulému testování došlo u Portugalska. Česká republika se oproti minulým výsledkům významně zlepšila, ale stále nedosáhla vysokých čísel, která byla zaznamenána u úplně prvního měření (Kramplová et al., 2012, s. 6). Přírodovědná gramotnost V testování gramotnosti přírodních věd se nejlépe umístilo Finsko. Jejich výsledek byl na podstatně lepší úrovni než výsledky ostatních evropských zemí. Na 2. místě se umístila Česká republika, dále pak Maďarsko, Švédsko a Rakousko se Slovenskem. Průměr byl opět vyhodnocen na 500 bodů. Většina zemí Evropské unie měla v přírodovědě nadprůměrně lepší výsledek než průměr škály TIMSS. Tohoto průměru nedosáhly Rumunsko, Španělsko, Polsko a Malta (Kramplová et al., 2012, s. 8).


20

Při porovnání výsledků přírodovědy v čase na tom byla Česká republika podobně jako v matematice. Mezi prvním a druhým šetřením došlo k významnému zhoršení žáků, za to mezi druhým a třetím se výsledky zlepšily nejvíc ze všech zemí Evropské unie. Byl to doposud náš největší úspěch (Kramplová, 2012, s. 8). Čtenářská gramotnost Ve výsledcích PIRLS byl ve čtenářské gramotnosti mezi nejvyšším a nejnižším skóre výsledků zúčastněných zemí značný rozsah. Z členských zemí Evropské unie (zapojených zemí 23, institucionálních 24) nejlépe dopadly Finsko, Severní Irsko, Dánsko, Chorvatsko a Irsko. Průměr škály PIRLS byl vyhodnocen také na 500 bodů. Česká republika se umístila na 8. místě ze zapojených evropských států. Všechny země Evropské unie s výjimkou Malty a Rumunska dosáhly statisticky významně lepšího výsledku než je průměr škály PIRLS. Co se týče vývoje výsledků od roku 2001, k největšímu zlepšení došlo ve Slovinsku a na Slovensku, naopak k největšímu zhoršení došlo v Bulharsku, ve Švédsku a v Litvě (Kramplová, 2012, s. 6 - 7). Celkově ve všech kategoriích se nejlépe vedlo Finsku a nejhůř dopadla Malta, poté Rumunsko a Španělsko (Tomášek et al., 2012, s. 6 – 7, Kramplová et al., 2012, s. 6 – 8). Výsledky a umístění všech zapojených států Evropské unie z šetření TIMSS 2011 a PIRLS 2011 jsou k nalezení v Přílohách, část F až H. 2.2.8

Hlavní zjištění z mezinárodních výzkumů v České republice

Česká odborná veřejnost se stále více zajímá o výstupy mezinárodních srovnávacích šetření, avšak příliš se nesnaží tyto vzájemně izolované informace skloubit a celkově zhodnotit (Potužníková, Lokajíčková, Janík, 2014, s. 185). Dle Strakové (2009, s. 108) čeští žáci celkově vykazují nejlepší výsledky v přírodovědných předmětech, průměrné výsledky v matematice a podprůměrné v čtenářské gramotnosti. Čeští žáci dovedou relativně dobře matematicky uvažovat a používat matematické pojmy a postupy. Problémovými oblastmi jsou pro ně v oblasti matematiky interpretace, aplikace a hodnocení výsledků a také matematická formulace situací (Palečková, Tomášek et al., 2013, s. 18). Následující graf zobrazuje zastoupení žáků v jednotlivých úrovních způsobilosti z testování v matematice. Za nejvyšší úroveň je považována úroveň 6. Charakteristika jednotlivých úrovní je popsána v Přílohách v části B.


21

Obr. 1 Zastoupení českých žáků na úrovních způsobilosti mezi roky 2003 až 2012 v matematice v šetření PISA 2012 Zdroj: Palečková, Tomášek et al., 2013

Oblast přírodních věd je pro české žáky nejúspěšnější. Mezi roky 2006 – 2009 sice byl malý výkyv ve výsledcích, ale žáci se zase zlepšili a jejich výsledek je srovnatelný s úspěšným výsledkem z roku 2006 (Palečková, Tomášek et al., 2013, s. 24). Ve čtenářské gramotnosti žáci dosáhli podprůměrných výsledků. Výrazně stouplo zastoupení českých žáků s nedostatečnou úrovní kompetencí, kteří by mohli mít problémy při uplatnění v dalším životě. Významně se zhoršují žáci klasických základních škol. Dále se prokázalo, že za zhoršení výsledků v této oblasti mohou především špatné výsledků chlapců (Palečková, Tomášek, Basl et al., 2010, s. 7). Rozdíly mezi výsledky různých skupin žáků V mezinárodních šetřeních se mimo jiné zjišťují rozdíly mezi výsledky různých skupin žáků. Časté je zkoumání rozdílů mezi chlapci a dívkami, výsledky různých typů škol a národnostních či etnických menšin (Potužníková, Lokajíčková, Janík, 2014, s. 200). Pravidelně zjišťované kompetence chlapců a dívek ukazují, že dívky jsou úspěšnější ve čtení a mají k němu lepší vztah. Chlapci naopak vládnou matematice a přírodním vědám (Potužníková, Straková, 2006, s. 704). V ČR se objevují velké rozdíly mezi výsledky žáků různých typů škol. Dle očekávání nejlépe dopadly gymnázia a nejhůře žáci středoškolského studia bez maturity. Výzkumy PISA ukazují, že třetina žáků učňovských oborů dosahují pouze základní úrovně způsobilosti, což predikuje problémy s plněním běžných úkolů ze života (Palečková, Tomášek et al., 2013, str. 37).


22

Obr. 2 Zastoupení žáků různých druhů škol na úrovních způsobilosti v letech 2003 a 2012 v matematice v šetření PISA 2012 Pozn.: ZŠ – Základní škol, Gv – Víceletá gymnázia, G4 – Čtyřletá gymnázia, SŠmat – SŠ s maturitou, SŠnem – SŠ bez maturity, Spec. – Speciální školy Zdroj: Palečková, Tomášek et al., 2013

Součástí výzkumu PISA 2009 proběhlo v České republice i národní rozšíření zaměřené na výsledky romských žáků. Romské děti dosahují ve všech zkoumaných oblastech horších výsledků než děti většinové populace bez ohledu na to, jaký typ školy navštěvují. Tento rozdíl přibližně odpovídá rozdílu mezi žáky z gymnázií a středních odborných škol, anebo mezi žáky středních odborných škol s maturitou a bez maturity (Straková, Tomášek, 2013, s. 46 – 52). Rozdíly mezi žáky prohlubuje i rostoucí diferenciace podmínek na školách. Čím dál tím víc výsledky žáků ovlivňuje celkové klima školy a kvalita pedagogického sboru. Vznikají výběrové školy či třídy s různým zaměřením. Cílem je získat více žáků nebo jen ty nejlepší. Souběžně s tím se vytvářejí tzv. „zbytkové“ školy, které nabírají žáky, co jsou méně motivovaní a jejich výsledky se zhoršují. Právě tito žáci na diferenciaci nejvíce doplácejí (Straková, 2010, s. 21 – 37). Hodinové dotace sledovaných předmětů Mezinárodní výzkumy zjistili, že úroveň výsledků žáků v jednotlivých oblastech odpovídá hodinovým dotacím sledovaných předmětů. Mezinárodní průměr každé


23

oblasti jsou přibližně 4 hodiny. Čeští žáci mají v průměru 5 hodin týdně přírodovědné předměty, matematiku 3,7 hodin a český jazyk jen 3,6 hodin (Straková et al., 2002, s. 39 – 40). Sociálně ekonomický statut rodiny Šetření PISA pravidelně provádí detailnější analýzy o domácím zázemím žáků. Výstup z PISA 2000 říká, že má Česká republika nadprůměrně silnou závislost výsledků žáků na sociálně ekonomickém statusu jejich rodiny. Je to závažné zjištění, které říká, že se vzdělávací systém obtížně vyrovnává se vstupními předpoklady žáků, které vychází z jejich rodinného prostředí (Straková et al., 2002, s. 69 – 77). České děti z lépe situovaných rodin většinou studují na výběrových školách, ať už na gymnázií nebo základních školách s rozšířenou výukou, děti ze sociálně slabších rodin navštěvují běžné základní školy a poté méně náročné střední odborné školy nebo učiliště. Vliv rodinného zázemí na výsledky žáků je v rámci jedné školy relativně malý (Straková et al., 2002, s. 69 – 77). Víceletá gymnázia výrazně kvalitnější vzdělávání neposkytují, ani na nich nestudují ti nejtalentovanější. Chodí na ně ale děti ze vzdělanějších a lépe situovaných rodin. Děti, které jdou po základní škole na gymnázium, jsou po absolvování střední školy na relativně stejné úrovni jako děti, co absolvují víceletá gymnázia (Straková et al., 2002, s. 69 – 77). Socioekonomické zázemí škol Výsledky českých žáků také ovlivňuje socioekonomické zázemí samotných škol. Školy s nižším zázemím mají například problémy s nedostatkem pedagogických pracovníků a jsou tedy nucené zaměstnat i méně kvalifikované učitele. Další problémy se objevují v oblasti materiálního zabezpečení vzdělávání, jakou jsou prostory školy, nedostatek tříd, učebnice a jiné školní pomůcky. Učitelé mají na žáky nižší nároky a častěji se objevují problémy s kázní žáků (Ryška, 2008, s. 59). Postoje Bylo zjištěno, že dalším důležitým faktorem ovlivňujícím výsledky českých žáků jsou jejich postoje k vyučovacím předmětům. Ve srovnání s jinými testovanými zeměmi je postoj našich žáků poměrně negativní a v průběhu času se zhoršuje (Palečková, Tomášek et al., 2013, s. 199).

2.3 Platy učitelů Následující kapitola vysvětluje platové podmínky v zemích Evropské unie a zaměřuje se na základní školy. Je to z toho důvodu, že má práce za cíl zjistit vztah mezi platy učitelů a výsledky žáků v šetření PISA a tyto testy jsou určeny pro patnáctileté. Ve většině zemí Evropské unie to odpovídá školám základního stupně vzdělávání. V České republice se jedná o druhý stupeň základních škol.


2.3.1

24

Význam platů pedagogických pracovníků

Zvláštní pozornost by se měla věnovat platům učitelů. Jak říká významný mezinárodní dokument Charta učitelů z roku 1966, platy učitelů by měly odrážet význam učitelů a pedagogické práce ve společnosti. Očekává se, že učitelům přinesou takové prostředky, které jim zajistí přijatelnou životní úroveň, umožní investice do dalšího vzdělávání a jejich zapojování do kulturních aktivit. Tyto zkušenosti a dovednosti pak předávají svým žákům (Šolar, 2004, s. 12 – 13). Charta učitelů také říká, že plat je jeden z důležitých faktorů ovlivňujících postavení učitelů ve společnosti (Šolar, 2004, s. 12). Dle Zákoníku práce ČR (2006) je plat peněžité plnění poskytované zaměstnanci zaměstnavatelem za jeho práci, kterým je především stát a územní samosprávný celek. Atraktivní platy, potenciál vydělávat dodatečné příplatky a dobré pracovní podmínky jsou velkou motivací pro vstup talentovaných lidí do učitelské profese. Dále také zajišťují vysokou úroveň spokojenosti a další motivace učitelů. To je zejména obtížné v době, kdy se obchodní svět stává stále větší konkurencí vzdělávacímu sektoru (Eurydice, 2014 s. 6). 0Dle Charty učitelů mají platy zohledňovat, že některé pozice požadují vyšší kvalifikaci, bohatší zkušenosti a větší zodpovědnost. Měly by být srovnatelné s platy v jiných povoláních požadujících podobnou kvalifikaci (Šolar, 2004, s. 12 – 13). 2.3.2

Platové podmínky v zemích Evropské unie

Existuje mnoho ukazatelů, pomocí kterých se dají porovnávat úrovně platů. Hodně využívaným ukazatelem je poměr výše platu učitele k průměrnému HDP (hrubému domácímu produktu) na obyvatele. Ukazuje, jak velkou část skutečně vyprodukované hodnoty země společnost rozděluje přes veřejné rozpočty na platy učitelům a jak společnost oceňuje práci učitelů (Koucký et al., 2003, s. 28). Při porovnání platů učitelů k HDP na obyvatele však nemusí vždy pozitivní změna ukazatele znamenat zvýšení reálné kupní síly pedagogů. To se stalo například v zemích, kde HDP na obyvatele kleslo kvůli rozpočtové a finanční krizi, zatímco zákonné platy zůstaly beze změny nebo klesaly nižším tempem než HDP na obyvatele. Dále může být plat vyjádřen například v absolutních hodnotách (Eurydice, 2014, s. 9). Ve všech zemích Evropské unie jsou zákonné platy (dále jen „platy“) učitelů podobně jako v České republice založeny na platové stupnici. Učitelé se pohybují mezi jednotlivými úrovněmi díky kritériím, jako jsou délka služby, zásluhy, další kvalifikace aj. (Eurydice, 2014, s. 6). V téměř všech zemích Evropské unie rozhoduje o výši základního platu učitelů základních škol orgán nejvyšší úrovně, tím je většinou ústřední vláda. Jinak je to v Německu, kde jsou za stanovení těchto platů zodpovědné regionální vlády každé spolkové země. Ve Španělsku je tato odpovědnost rozdělena mezi centrální a regionální úroveň. Ve Finsku a Švédsku nemají zákonné platy v pravém slova smyslu. O základním platovém ohodnocení učitelů rozhodují odbory a orgány obcí v rámci kolektivních smluv (Eurydice, 2014, s. 7 – 8).


25

Následující tabulka a graf ukazují poměry platu k HDP na obyvatele v zemích Evropské unie. Tab. 4 Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe ve vybraných zemích EU, vyjádřeny jako poměr platu k HDP na obyvatele

Pořadí 1. 2. 3. 4. – 5. 4. – 5. 20. Průměr EU

Země Španělsko Lucembursko Portugalsko Německo Finsko Česká republika

Poměr platu k HDP na obyv. 1,32 1,26 1,23 0,97 0,97 0,54 0,85

Zdroj: OECD, 2014b

Všechny dostupné hodnoty platů zemí Evropské unie jsou k nalezení v Přílohách v části I. 1,4 1,2

1 0,8 0,6 0,4 0,2 0

Obr. 3 Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe ve vybraných zemích EU, vyjádřeny jako poměr platu k HDP na obyvatele Zdroj: OECD, 2014b

Zvýšení platů během kariéry Rozdíl mezi minimálním a maximálním ročním platem je ukazatel zvýšení platu, které může učitel očekávat na základě počtu odučených let. Tento rozdíl se v zemích EU značně liší. Eurydice dělí státy do 6 skupin podle počtu odučených let (k dosažení maximálního platu) a zvýšení platu (Eurydice, 2014, s. 16).


26

Rozpětí nástupního a maximálně dosažitelného platu v jednotlivých zemích tedy představuje možný prostor pro kariérní růst v průběhu profesionální dráhy učitelů (Koucký et al., 2003). Tab. 5

Skupiny platů podle počtu odučených let a zvýšení platu během kariéry

Skupina

Počet odučených let

Zvýšení platu

1.

6 – 20 let

4 – 33 %

2.

6 – 20 let

58 – 106 %

3.

20 – 27 let

60 – 70 %

4.

27 – 39 let

16 – 75 %

5.

33 – 42 let

90 – 115 %

6.

22 let

114 – 120 %

Příklady zemí Dánsko, Estonsko, Lotyšsko, Malta, Finsko, VB (Skotsko) VB (Anglie, Wales, Severní Irsko), Litva, Nizozemsko Belgie, Lucembursko, Polsko, Slovinsko Česká republika, Španělsko, Francie, Chorvatsko, Itálie, Slovensko Řecko, Maďarsko, Rakousko, Portugalsko, Rumunsko Kypr, Irsko

Zdroj: Eurydice, 2014

Ve většině zemí je rozdíl minimálního a maximálního platu pozitivně korelován s délkou služby. Mezi země s největším rozdílem platů a zároveň nejvyšším počtem potřebných let k získání maximálně možného platu se řadí Maďarsko, Rakousko a Rumunsko. Jinak je to ve Švédsku, kde jsou mzdy stanoveny na jednáních nezávisle na počtu let praxe (Eurydice, 2014, s. 16 – 17). Příspěvky učitelům Evropské unie V zemích Evropské unie se základní platy učitelů většinou navyšují vlivem délky trvání pracovního poměru. K základnímu platu mohou učitelé navíc dostat příplatky, které někdy tvoří značnou část odměny pro učitele. Dodatečné příplatky jsou poskytovány za vyšší kvalifikaci, odvedenou práci z rozhodnutí řízení školy, za výsledky žáků, plnění dalších úkolů, výuku v náročných podmínkách, práci s žáky se speciálními vzdělávacími potřebami, za výuku v odlehlých nebo drahých oblastech, za účast na mimoškolních aktivitách a za práci přesčas (Eurydice, 2014, s. 22). Mimoškolní aktivitou může být myšleno například vedení sportovního a dramatického kroužku. Nejčastější důvody uváděné ve všech zemích Evropské unie jsou dodatečné povinnosti a práce přesčas (OECD, 2014b, s. 462). Ve velké většině zemí Evropské unie je CPD (Continuing professional development, Celoživotní profesní doškolování) považováno za profesionální povinnost pro učitele. V některých zemích, například v Litvě, Polsku, Rumunsku a Slovinsku, je účast na CPD dokonce podmínkou pro kariérní postup a zvýšení platu. Jen asi čtvrtina zemí poskytuje učitelům finanční příspěvky pro získání další CPD kvalifikace (Eurydice, 2014, s. 22).


27

Ve více než třetině zemí Evropské unie mohou být učitelé odměněni za kvalitu a hodnotu jejich práce v návaznosti na hodnocení výkonu a výsledků žáků. Například v České republice tvoří tento příspěvek obvykle 2,9 % platu a ve Slovinsku se pohybuje mezi 2 – 5 %. Ve Velké Británii každá škola hodnotí výkon učitelů, a pokud je uspokojivý, zařadí učitele do dalšího stupně platových tarifů. V případě mimořádného výkonu se učitel může posunout až o 2 body na škále (Eurydice, 2014, s. 22). Učitelé téměř všech zemí EU jsou ochotní převzít další úkoly, aby dostávali vyšší finanční ohodnocení. Mezi činnosti navíc patří dohled nad žáky po vyučování, účast na vedení školy, poskytování podpory ostatním učitelům, být vedoucím oddělení, výběr učebních materiálů atd. (Eurydice, 2014, s. 22). Vliv poslední hospodářské krize na platy učitelů Finanční a hospodářská krize, která zasáhla světovou ekonomiku v posledních měsících roku 2008, významně ovlivnila platy pro zaměstnance ve veřejném sektoru. Tlak na snížení vládních výdajů má v rostoucím počtu zemí za následek snížení platů učitelů (OECD, 2014b, s. 461 – 462). Následující tabulka uvádí změny reálně vyjádřených platů učitelů mezi lety 2009 a 2012 ve vybraných zemích Evropské unie. Tab. 6

Změny platů učitelů ve vybraných zemích Evropské unie mezi lety 2009 a 2012

Změna Pokles je nižší než 3 % Pokles je mezi 5 – 10 % Pokles 13 – 17 % Pokles 40 % Zvýšení pod 5 % Nárůst 5 – 10 % Nárůst 22 %

Příklady zemí Dánsko, Litva, Lucembursko, Rakousko, Finsko Kypr, Itálie, Nizozemsko, Portugalsko, Velká Británie Irsko, Španělsko Řecko Belgie, Německo, Francie, Lotyšsko, Malta, Slovensko Estonsko, Polsko, Norsko Česká republika

Zdroj: Eurydice, 2014

2.3.3

Platové podmínky v České republice

Otázku platů v České republice řeší zákon č. 262/2006 Sb., Zákoník práce, ve znění pozdějších předpisů, v souladu s nařízením vlády č. 564/2006 Sb., o platových poměrech zaměstnanců ve veřejných službách a správě, ve znění pozdějších předpisů, nařízením vlády č. 567/2006 Sb., o minimální mzdě, o nejnižších úrovních zaručené mzdy, o vymezení ztíženého pracovního prostředí a o výši příplatku ke mzdě za práci ve ztíženém pracovním prostředí, ve znění pozdějších předpisů a nařízením vlády č. 222/2010 Sb., o katalogu prací ve veřejných službách a správě, ve znění pozdějších předpisů (MPSV, 2015). Zákoník práce (2006) se platy učitelů věnuje ve své šesté části – Odměňování za práci, odměna za pracovní pohotovost a srážky z příjmu ze základního pracovněprávního vztahu. Tyto platy se poskytují „podle složitosti, odpovědnosti a namá-


28

havosti práce, podle obtížnosti pracovních podmínek, pracovní výkonnosti a dosahovaných pracovních výsledků“. Platy pedagogických pracovníků se skládají z nárokové a nenárokové složky. Nároková složka je ta část platu, na kterou má zaměstnanec nárok po splnění stanovených podmínek a předpokladů. Tato složka platu nejčastěji obsahuje (MŠMT, 2013):  Platový tarif – je určen platovými tabulkami dle platových tříd a platových stupňů  Příplatek za vedení u vedoucích pracovníků (včetně zastupování) – slouží k ocenění řídící práce  Zvláštní příplatek – je stanoven podle míry neuropsychické zátěže nebo s jiným možným rizikem ohrožení zdraví nebo života  Příplatek za přímou pedagogickou činnost nad stanovený rozsah – příplatek ve výši dvojnásobku průměrného hodinového výdělku  Specializační příplatek pedagogického pracovníka – k jejich výkonu jsou požadovány další kvalifikační předpoklady O nenárokové části rozhoduje ředitel školy dle vlastního uvážení. Jedná se o (MŠMT, 2013):  Osobní příplatek – obdrží učitel za velmi dobré pracovní výsledky nebo nadstandartní výkonnost a kvalitu práce  Odměny – jsou za úspěšné splnění mimořádného pracovního úkolu, odměny při životních a pracovních výročích Základní platy pedagogických pracovníků se tedy v ČR určují podle platových tarifů. Ty stanoví platovou třídu a platový stupeň, do kterých je učitel zařazen. Platových tříd je 16 a jsou tříděny podle druhu práce. Pedagogičtí pracovníci spadají do rozpětí 8. – 14. platové třídy. Učitel je do platové třídy zařazen podle kvalifikačních předpokladů a do platového stupně na základě délky započitatelné praxe. Co se kvalifikačních předpokladů týče, je ve většině platových tříd požadováno vysokoškolské vzdělání (NV č. 222, NV č. 564).

Literární rešerše Tab. 7 škol

29

Stupnice platových tarifů podle platových tříd a platových stupňů pro učitele základních

Počet let Platový započitat. stupeň praxe 1 Do 6 let 2 Do 12 let 3 Do 19 let 4 Do 27 let 5 Nad 27 let

Platová třída 8

9

10

11

12

13

14

16100 16750 17600 18600 19700

20200 20500 20980 21630 22550

20350 20730 21250 22080 23100

20650 21050 21680 22630 23900

21000 21700 22800 24280 26350

21450 22350 23980 26030 28500

22200 23630 25600 28230 31250

Zdroj: Nařízení vlády č. 224/2014 Sb., Příloha č. 8

Průměrná nenároková složka platu pedagogických pracovníků je v České republice ve výši 2 347 Kč. Tj. zhruba 10 % z celkového platu učitele (MŠMT, 2013 – 2015c). V mezinárodním srovnání mají učitelé z České republiky jedny z nejnižších platů. Hodnoty stěží dosahují poloviny průměrného platu v zemích OECD. Příjem českého učitele navíc patří mezi nejnižší v porovnání s podobně vzdělanými lidmi v jiných profesích. Průměrný plat všech vzdělávacích stupňů činí 53 % průměrného ročního příjmu pracovníka s terciálním vzděláním pracujícího na plný úvazek (OECD, 2014b, s. 2). Rozvojový program – Zvýšení nenárokových složek platů učitelů Každý rok MŠMT vyhlašuje rozvojové programy, které jsou zaměřeny na různé oblasti spojené se vzděláváním. V letech 2008 a 2009 byl vyhlášen rozvojový program za účelem zvýšení nenárokových složek platů a motivačních složek mezd (dále jen „motivační složky platů a mezd“) pedagogických pracovníků regionálního školství s ohledem na kvalitu jejich práce. Cílem rozvojového programu bylo umožnit ředitelů škol ocenit učitele za jejich dlouhodobě kvalitní výsledky v jejich profesi bez ohledu na počet odučených let. Finanční prostředky byly poskytnuty formou dotace (Gabriel 2008, Řehořková, 2008). Jako kritéria pro zvýšení motivačních složek platů a mezd byly zejména (Gabriel, 2008, Řehořková, 2008):  Míra účasti na tvorbě, inovaci, koordinace nebo evaluaci školního vzdělávacího programu  Míra účasti na tvorbě, koordinaci nebo řízení vzdělávacích projektů vedoucích k dosahování klíčových kompetencí žáků  Uplatnění moderních a efektivních metod ve výuce  Výkon činnosti výchovného poradce  Výkon činnosti ředitele Na tento rozvojových program s cílem ocenit učitele za jejich kvalitní výsledky bylo vyčleněno 500 mil. Kč v roce 2008 a 3 mld. Kč v roce 2009 (Gabriel, 2008, Řehořková, 2008).


30

2.4 Vybrané ekonomické faktory (ne)ovlivňující kvalitu vzdělávání V případě, že by můj výzkum neprokázal vztah mezi platy učitelů a výsledky žáků v šetření PISA v zemích Evropské unie, bude nutné hledat jiné faktory, které by mohly kvalitu vzdělávání zlepšit. Existuje zde celá řada ekonomických, politických a kulturních faktorů, které ovlivňují kvalitu vzdělávání a je velmi obtížné je stanovit (Janoušková, Maršák, 2008, s. 315). V předkládané práci je z důvodu omezeného rozsahu uveden jen malý výčet z nich. Faktory ovlivňující kvalitu vzdělávání se mohou dělit různými způsoby do mnoha kategorií. Indikátory mohou být členěny na kvantitativní a kvalitativní. Mezi kvantitativní řadíme například procentní zastoupení gramotných osob v různých zemích, procentní zastoupení osob mající terciální vzdělávání, finanční náklady na vzdělávání přepočtené na jednoho studenta v dané zemi, počet učitelů a množství finančních prostředků investovaných do školství. Časté podněty k diskuzi přináší také výsledky mezinárodních srovnávacích studií. Za kvalitativní můžeme například uvést slovní vyjádření postojů žáků k určitým podmínkám či situacím ve škole (Janoušková, Maršák, 2008, s. 316 – 317). Platy učitelů Na to, zda je nějaký vztah mezi platy učitelů a kvalitou vzdělávání mají různí autoři různé názory. Vzhledem k tomu, že vzdělanější a zkušenější učitelé dostávají vyšší platy, očekává se, že jsou vyšší platy zárukou kvalitnějšího vzdělávání (Hanushek, Rivkin, 2007, s. 78 – 80). Podle odborů učitelů obecně platí, že jsou vyšší platy učitelů nezbytné pro zlepšení výsledků žáků (The Ecconomist, 2014). Loeb a Page zjistili, že mezi vyššími platy a lepší úrovní vzdělávání studentů významný vztah existuje. Konkrétně odhadli, že zvýšení platu učitelů o 10 %, sníží počty studentů předčasně opouštějících střední školy o 3 až 4 %. Došli tedy k závěru, že je mezi platy učitelů a výsledky žáků pozitivní vztah (Valencia, 2015). Eric Hanushek a Steven Rivkin zkoumali, jaké mají platy a pracovní podmínky učitelů vliv na kvalitu výuky ve třídě. Pracovali se vzorkem amerických učitelů z Texasu. Zjistili, že kvalita výuky není ovlivňována přímo platy a pracovními podmínkami učitelů, ale spíš závisí na školní personální politice, konkrétně na najímání a udržení nejefektivnějších učitelů a na omezení překážek vstupu do této profese. Ve svých výzkumech došli k závěru, že celkové zvýšení platu učitelů by bylo neefektivní a drahé. Nejlepší způsob, jak zlepšit výuku by tedy bylo snížit bariéry vstupu do profese učitele a těsněji propojit kariérní postup učitele s jeho výkonem a kvalitou (Hanushek, Rivkin, 2007, s. 69). S tvrzením, že vyšší platy učitelů zajistí lepší výsledky žáků, úplně nesouhlasí Adam Still z GEMS. Domnívá se, že existuje „bod účinnosti“, ve kterém více peněz přináší klesající výnosy. Andreas Schleicher, autor PISA, se domnívá, že rozdíly ve výdajích vysvětlují méně než pětinu změn ve výsledcích zemí. Podle něj má mnohem jasnější dopad kvalita učitelů. Důležitější a zároveň levnější je pokračovat


31

ve vzdělávání učitelů po celou dobu jejich kariéry (The Economist, 2014). Důležitost kvality učitele potvrzuje i odborník Eric Hanushek (Rychlík, 2014). Výdaje spojené s počtem žáků na jednoho učitele Celkové výdaje na vzdělávání ovlivňuje i počet žáků na jednoho učitele. Čím méně bude žáků v jedné třídě, tím více učitelů bude potřeba. V mnoha zemích se snaží snížit počty žáků na učitele v naději, že se budou děti více učit. Tento očekávaný důsledek ale data nepodporují (The Economist, 2014). Například Finsko má vysoký poměr žáků na učitele a přitom se jejich žáci umisťují na předních příčkách mezinárodních srovnávacích šetřeních. Portugalsko má naopak jen polovinu žáků na učitele než ve Finsku, a přitom je jedna z evropských zaostávajících zemí v šetření PISA. I Francie, ačkoli má ve třídách jen několik žáků na učitele, v žebříčku výkonnosti žáků se vyskytuje spíše v dolních příčkách. Vezmeme-li v úvahu velikost třídy, učitelský plat a skóre žáků z šetření PISA, jsou vysoce efektivní země bývalého sovětského bloku, zejména Česká republika a Maďarsko (The Economist, 2014). Výdaje na žáka Globální ekonomika začíná být čím dál více založená na znalostech, a pokud se v ní země chystá konkurovat, musí investovat do zlepšení vzdělávání a dovedností. Svět už dlouho není rozdělen na bohaté vzdělané země a chudé špatně vzdělané země. Úspěch vzdělávacích systémů neovlivňuje, kolik peněz se utratí, ale jak se utratí (Schleicher, 2015). Vzdělávací výdaje na studenta vysvětlují méně než 20 % změny ve výkonu studentů. Například student na Slovensku, za kterého se utratí asi 53 000 dolarů (1,3 mil. Kč) za jeho studium (ve věku 6 – 15 let), má po škole v průměru stejnou úroveň vzdělání jako student ze Spojených států, za kterého se utratí více než 115 000 dolarů (2,8 mil. Kč) (Schleicher, 2015). Česká republika se se svými 45 000 dolary (1,1 mil. Kč) na žáka nachází na pátém místě od konce v řebříčku zemí Evropské unie (Pelikán, 2011, s. 3). Investice do technologií V dnešní době musí být každý žák schopen efektivně používat počítač. Školy tedy musí zajistit dostatek počítačů pro své žáky, aby se s nimi mohli naučit pracovat. Na druhou stranu se technologie neustále vyvíjejí a je nutná jejich častá výměna. Proto je vhodné, aby investice do počítačového vybavení byly ekonomicky zajímavé. Školy někdy raději volí menší počet počítačů, které často obměňují (Eurydice, 2006). Velmi důležitý je internet, který umožňuje celoživotní vzdělávání. Můžeme tam najít spoustu informací, digitalizovaných publikací, podkladů k výuce nebo případně si na něm zjistit, kde je hledat (Schleicher, 2015). Investice do vzdělávání a odborné přípravy učitelů V Evropských zemích je velká poptávka po kvalitních učitelích. Ti se musejí vypořádat s neustále se měnícími potřebami a očekáváními žáků. Proto je potřeba,


32

aby se průběžně vzdělávali. V současné době je například nutnost umět používat nové technologické nástroje v oblasti informačních a komunikačních technologiích. Celoživotní profesní vzdělávání bylo v této práci již zmíněno výše (Eurydice, 2006).

2.5 Dílčí závěr Literární rešerše měla za úkol shrnout poznatky o mezinárodních srovnávacích šetřeních v oblasti vzdělávání, o platech učitelů v zemích Evropské unie a vybraných ekonomických faktorech ovlivňujících kvalitu vzdělávání. V další části práce budu zjišťovat, jestli v zemích Evropské unie platy učitelů ovlivňují výsledky žáků. Zjistila jsem, že nejčastějším mezinárodním srovnávacím šetřením je výzkum PISA, tudíž z tohoto šetření získám největší počet dat týkající se výsledků žáků. Mezi nejčastěji testované oblasti patří matematická, přírodovědná a čtenářská gramotnost. Šetření testuje patnáctileté žáky, což v zemích Evropské unie nejčastěji odpovídá žákům nižšího sekundárního vzdělávání, tedy v ČR druhému stupni základních škol. Z tohoto důvodu jsem pro další část práce zvolila platy učitelů právě z nižšího sekundárního stupně vzdělávání. Ve většině zemí dostávají učitelé příplatky za kvalitní práci. Nejvyššího platu dosahují učitelé, kteří za sebou mají nejvíce let zkušeností, vysoké vzdělání a pomocí příplatků jsou vyhodnoceni jako kvalitní učitelé. Očekávám tedy, že vyšší platy jsou zárukou kvalitnějšího vzdělávání. V podkapitole dynamické kauzality vyberu pět zemí, které měly nejvýraznější zlepšení v šetření PISA mezi roky 2003 a 2012. Tyto roky jsem zvolila z toho důvodu, že po 9 letech výzkumy PISA testují stejnou hlavní oblast, v tomto případě matematiku.


33

3 Zjišťování vztahu mezi platy učitelů a výsledky žáků Tato kapitola se zabývá určením vztahu mezi platy učitelů a úrovní vzdělávání v zemích Evropské unie. Předkládaná práce zpracovává platy učitelů nižšího sekundárního vzdělávání po 15 letech zkušeností a hodnoty jsou vyjádřeny jako platy k HDP na obyvatele. Kvalitu vzdělávání jsem si určila jako výsledky žáků z mezinárodního srovnávacího šetření PISA. Je to z toho důvodu, že se do tohoto šetření se zapojilo nejvíce zemí z Evropské unie a je konané v nejkratším časovém intervalu – tříletém. Data byla vybrána s ohledem na jejich dostupnost a kvalitu. Práce využívá postupů a teoretických poznatků z učebního textu a cvičebnice k předmětu Ekonometrie I na Provozně ekonomické fakultě Mendelovy univerzity. Provedené výpočty jsem si rozdělila na 2 části – statická kauzalita pro země EU a dynamická kauzalita pro vybrané země Evropské unie (Česká republika, Polsko, Portugalsko, Německo, Itálie a Irsko). Tyto země, vyjma České republiky, prezentují nejvýraznější zlepšení ve výsledcích šetření PISA mezi lety 2003 a 2012. Pro dynamickou kauzalitu jsem chtěla pro Českou republiku použít četnější výsledky žáků, a to od společnosti Scio, s.r.o., která organizuje celostátní srovnávací testy každý rok. Dle této společnosti ale tyto hodnoty zatím nejsou srovnatelné v čase. Použila jsem tedy také výsledky z šetření PISA.

3.1 Statická kauzalita Statická kauzalita se zabývá vztahy mezi platy učitelů a výsledky žáků v šetření PISA v roce 2012. Jedná se o nejaktuálnější data z tohoto šetření. Je zde využita jednoduchá regresní analýza, program Gretl a pro vykreslení 95% konfidenční elipsy v bodovém grafu program Statistica. Cílem bylo zvolit správnou funkční formu a provést kompletní regresní analýzu závislosti zvolených veličin. Postup lze rozdělit do čtyř etap: 1. Specifikace ekonometrického modelu 2.

Kvantifikace ekonometrického modelu

3. 4.

Verifikace ekonometrického modelu Interpretace a komentář k výsledkům

3.1.1

Specifikace ekonometrického modelu

V této části jsem si zvolila vysvětlovanou a vysvětlující proměnnou. Pro lepší představu o datech, se kterými jsem pracovala, jsem si pomocí Gretlu vyčíslila popisné charakteristiky proměnných. Dále jsem si vykreslila bodový graf a odhadla nejvhodnější funkční formu pro sestavení modelu.


34

Zvolení vysvětlované a vysvětlující proměnné Jako vysvětlovanou proměnnou jsem si zvolila znalosti žáků, které v této práci vyjadřují kvalitu vzdělávání. Použila jsem hodnoty z mezinárodního šetření PISA, které zkoumá znalosti patnáctiletých žáků a koná se nejčastěji, v tříletém intervalu. Data jsem čerpala konkrétně z publikace PISA 2012 Results: What Students Know and Can Do od organizace OECD. Zaměřila jsem se na nejčastěji testované oblasti, a to matematiku, čtenářskou gramotnost a vědu. Znalosti žáků jsou vyjádřeny v bodech, které v testech získali. Já jsem použila aritmetický průměr bodů těchto tří oblastí. Jako vysvětlující proměnná byly zvoleny platy učitelů ze zemí EU z roku 2012. Platy jsou použity z každoročně vydávané publikace od OECD - Education at a Glance, 2014, která pracuje s údaji z roku 2012. Jedná se o platy učitelů nižšího sekundárního vzdělání, to je v ČR druhý stupeň základních škol, po 15 letech zkušeností. Platy jsou vyjádřeny jako poměr platu k HDP na obyvatele. Použitá data můžeme označit za průřezová data, což je nejčastější typ dat. Jedná se o hodnoty získané pozorováním (měřením) v jednom časovém okamžiku nebo intervalu. Tato data můžeme označit i jako prostorová data, je to podtyp průřezových dat a nazývají se tak, protože obsahují informace o různých regionech (zemích). Zvolená data jsou uvedena na konci práce v Přílohách v části J. Popisné charakteristiky vysvětlované a vysvětlující proměnné Nejprve jsem si vyhodnotila popisné charakteristiky použitých dat, abych měla lepší představu o datech, se kterými pracuji. Hodnoty jsem získala pomocí programu Gretl. Pro přehlednost jsem je uvedla v následující tabulce. Tab. 8

Popisné charakteristiky proměnných

Popisné charakteristiky X a Y Střední hodnota Medián Minimum Maximum Směrodatná odchylka Variační koeficient Šikmost Stand. špičatost

Y – znalosti žáků 499,86 499,67 465,67 (EL) 529,33 (FI) 17,08 0,03 -0,07 -0,64

X – platy učitelů 0,85 0,84 0,43 (SK) 1,32 (ES) 0,23 0,27 0,29 -0,11

Zdroj: Program Gretl, vlastní zpracování

Znalosti žáků v zemích Evropské unie jsou vyčísleny v průměru na 499,86 bodů. Medián znalostí žáků je 499,67. Nejhoršího výsledku v mezinárodních srovnávacích šetřeních dosáhlo Řecko se svými 465,67 body a nejlepšího výsledku Finsko. Ti získali 529,33 bodů.


35

Průměrný poměr platů učitelů k HDP na obyvatele zvoleného datového souboru v roce 2012 je 0,85. Medián je vyčíslen na 0,84. Nejnižší poměr platů k HDP na obyvatele ze zkoumaných dat je 0,43 a jedná o Slovensko. Nejvyšší platy k HDP na obyvatele mají ve Španělsku, a to 1,32. Směrodatná odchylka lze vyjádřit jako druhá odmocnina z rozptylu. Obě popisné charakteristiky vyjadřují, jak moc jsou jednotlivé hodnoty vzdáleny od průměru. Čím větší jsou, tím víc jsou vzdálené. Směrodatná odchylka u bodů žáků z šetření PISA vyšla 17,08 a u platů vyšla 0,23. Žáci tedy většinou dostali počet bodů v rozmezí 482,78 až 516,94. Poměry platů k HDP na obyvatele zemí Evropské unie se nejčastěji pohybují od 0,62 do 1,08. Variační koeficient udává, z kolika procent se podílí směrodatná odchylka na aritmetickém průměru. Slouží k porovnání variability více souborů. Variační koeficient vysvětlované proměnné vyšel 0,03 a vysvětlující proměnné 0,27. Šikmost a špičatost ukazuje, jaké má datový soubor rozdělení. Hodnoty týkající se kvality vzdělávání mají pravostranné rozdělení, koeficient šikmosti totiž vyšel záporný. Na rozdíl od něj koeficient pro platy učitelů vyšel kladný a říká, že dané rozdělení je levostranné. Špičatost má zjistit, zda je dané rozdělení špičatější nebo plošší. Špičatost vyšla u vysvětlované i vysvětlující proměnné kladná, tzn., že jsou oba datové soubory špičatější a rozdělení dat je poněkud strmější než klasická Gaussova křivka. Bodový XY diagram Dále jsem si vykreslila bodový diagram. Na ose x jsou platy učitelů k HDP na obyvatele ze zkoumaných zemí a jedná se o vysvětlující proměnnou. Na ose y mám vysvětlovanou proměnnou, tedy získané body žáků.


Obr. 4 Pozn.: Zdroj:

36

Bodový XY diagram pro rok 2012 Performance – znalosti žáků, Salaries – platy učitelů Program Gretl, vlastní zpracování

Dále jsem se zamyslela nad znaménkem směrnice. Znaménko jsem očekávala kladné, protože s narůstajícím platem učitele, by měla být kvalita vzdělávání, tedy výsledky žáků, lepší. Tzn., že při zvýšení platů učitelů budou růst výsledky žáků. Odhad vhodné funkční formy Dále jsem se pokusila sama odhadnout vhodnou funkční formu. Podle vizuálně nepravidelně rozmístěných bodů na grafu odhaduji, že zde není žádná závislost. Odhadovanou nezávislost podporuje i skutečnost, že po vykreslení 95% konfidenční elipsy vidíme, že se její tvar blíží tvaru kružnice. Tvar kružnice potvrzuje nezávislost proměnných.


Obr. 5 Zdroj:

37

Proložení bodů v grafu pomocí 95% konfidenční elipsy Program Statistica, vlastní zpracování

Nejde jednoznačně říci, která funkční forma je pro data nejvhodnější, a proto jsem se rozhodla otestovat všechny základní funkční formy, a to lineární, polynomickou (kvadratickou a kubickou), inverzní, logaritmicko-lineární, lineárně-logaritmickou a dvojitou logaritmickou. Testy vyšly nejlépe po odstranění 4 extrémů z výběrového souboru. Nejlépe mi vyšla lineární funkční forma. Podrobnější postup ke zjištění tohoto výsledku je popsán v následujícím textu. Následující postup byl proveden pro všechny základní funkční formy, ale z důvodu omezeného rozsahu práce uvádím pouze výsledky a výstupy z programu Gretl pro lineární funkční formu. Je to z toho důvodu, že tato funkční forma byla na závěr vyhodnocena jako nejvhodnější. 3.1.2

Kvantifikace modelu na datech

Z výstupů metody nejmenších čtverců jsem pomocí softwaru Gretl vytvořila rovnice pro jednotlivé funkční formy. Na následujícím obrázku můžeme vidět výstup z metody OLS pro lineární funkční formu.


Obr. 6 Zdroj:

38

Výstup z metody OLS pro lineární funkční formu Program Gretl, vlastní zpracování

Rovnice pro lineární funkční formu má po dosazení parametrů tvar: 𝑌 = 453,446 + 65,2252𝑋1 3.1.3

(1)

Verifikace ekonometrického modelu

Postupně jsem ověřila správnost modelů pomocí ekonomické, statistické a ekonometrické verifikace. Ověřovala jsem znaménka směrnic, pro jednotlivé funkční formy jsem si vyčíslila koeficienty determinace a adjustované koeficienty determinace, provedla jsem t-test, F-test, ověřila intervaly spolehlivosti, udělala LM-testy specifikace, RESET test, Whiteův test a na závěr Shapiro-Wilkův test. Ekonomická verifikace V zemích Evropské unie jsou základní platy učitelů ovlivněny např. délkou praxe a další kvalifikací. Učitelé mohou k základní platům navíc dostat příplatky. Tyto finanční bonusy někdy tvoří značnou část odměny pro učitele a jsou poskytovány mimo jiné i za kvalitu jejich práce v návaznosti na hodnocení výkonu a výsledků žáků. Vyplývá z toho tedy, že nejvyššího platu dosahují učitelé, kteří jsou nejvíce zkušení, mají vysoké vzdělání a jsou vyhodnoceni jako kvalitní. Jak již bylo zmíněno výše, mnoho studií zjistilo, že kvalitu vzdělávání ovlivňuje kvalita učitelů. Z toho tedy vyplývá, že vysoké platy by měly odpovídat vysokým výsledkům žáků. Předpokládané kladné znaménko směrnice nám model lineární formy potvrdil.


39

Statistická verifikace V této části jsem si nejprve vyčíslila koeficienty determinace a adjustované (neboli korigované) koeficienty determinace funkčních forem. Tyto hodnoty říkají, jak moc model popsal proměnlivost vysvětlované proměnné. Běžný koeficient determinace R2 se může zvýšit i v případě přidání nesmyslné proměnné do modelu. Proto se používá tzv. upravený (adjustovaný) koeficient R2adj., jehož hodnota se zvýší pouze tehdy, přidáme-li statisticky významnou vysvětlující proměnnou do modelu. Pro logaritmicko-lineární formu a dvojitou logaritmickou funkční formu jsem si vypočítala kvazi koeficient determinace. Pouze ten jde totiž porovnat s běžným koeficientem determinace. Koeficienty determinace jsem získala opět z výstupu z metody OLS. Pro lineární formu jsou uvedeny na obrázku č. 6. Koeficient determinace vyšel 0,437729 a adjustovaný koeficient determinace je 0,400244. Dále jsem zkontrolovala statistickou významnost jednotlivých parametrů regresních modelů pomocí t-testu a celkovou významnost modelů pomocí F-testu. Nulová hypotéza obou testů říká, že regresní parametry jsou nulové. Pokud jsou p-hodnoty menší než zvolená hladina významnosti (0,05), nulovou hypotézu zamítáme a přijímáme alternativní hypotézu o statistické průkaznosti regresních parametrů a celého modelu. Oba tyto testy také vyhodnocuje metoda OLS. Pro lineární funkční formu jsou zobrazeny na obrázku č. 6. P-hodnoty vyšly menší než 0,05, tudíž jsem nulovou hypotézu zamítla. Interval spolehlivosti pro regresní koeficient představuje obor hodnot na spojité stupnici. V případě, že interval nezahrnuje 0, nulová hypotéza o statisticky nevýznamných regresních koeficientech se zamítá a platí alternativní hypotéza, tedy statisticky významné parametry, které jsou různé od 0. U lineární funkční formy ani jeden interval neobsahuje nulu, což je dobře. Výstup z Gretlu pro nejvhodnější formu je zobrazen na obrázku č. 7.

Obr. 7 Zdroj:

Intervaly spolehlivosti pro regresní parametry pro lineární funkční formu Program Gretl, vlastní zpracování

Jako další jsem zvolila LM testy specifikace v mocninné a logaritmické variantě, které přidávají do modelu čtverce vysvětlujících proměnných a přirozené logaritmy vysvětlujících proměnných. Nulová hypotéza u těchto testů vyjadřuje, že zvolená funkční forma je správná. Pokud je p-hodnota obou testů větší než zvolená hladina významnosti (0,05), nezamítáme nulovou hypotézu o správné specifikaci mo-


40

delu. Z obrázku č. 8 a č. 9 můžeme vidět, že p-hodnoty pro lineární funkční formu jsou větší než 0,05.

Obr. 8 Zdroj:

LM test specifikace – mocninný pro lineární funkční formu Program Gretl, vlastní zpracování

Obr. 9 Zdroj:

LM – test specifikace – logaritmický pro lineární funkční formu Program Gretl, vlastní zpracování

Ramseyho RESET test slouží k detekci opomenuté proměnné v modelu nebo nekorektní funkční formy, tedy testuje správnost specifikace modelu. Test do modelu k původním proměnným přidává pomocné regrese. Nulová hypotéza o správnosti specifika se nezamítá, pokud je p-hodnota větší než hladina významnosti (0,05). V obrázku č. 10 můžeme vidět, že p-hodnota lineární funkční formy vyšla větší než 5 %.


Obr. 10 Zdroj:

41

Ramseyho RESET test pro lineární funkční formu Program Gretl, vlastní zpracování

Ekonometrická verifikace V poslední části verifikace jsem použila Whiteův test a Shapiro-Wilkův test. Whiteův test slouží k testování heteroskedasticity chybového členu. Testovaná nulová hypotéza říká, že se v chybovém členu vyskytuje homoskedasticita a alternativní hypotéza ukazuje na heteroskedasticitu chybového členu. Pokud je p-hodnota větší než zvolená hladina významnosti, a to 5 %, nezamítáme nulovou hypotézu, tedy konstantní rozptyl chybového členu. V případě lineární funkční formy je p-hodnota větší než hladina významnosti.

Obr. 11 Zdroj:

Whiteův test pro lineární funkční formu Program Gretl, vlastní zpracování

Na závěr jsem provedla test normality. Konkrétně se jednalo o Shapiro-Wilkův test, který jsem zvolila z důvodu malého datového souboru - méně než 30. Tento test zjišťuje, zda má chybový člen normální rozdělení či nikoli. Jestliže je p-hodnota


42

větší než 0,05, nezamítáme nulovou hypotézu a předpokládáme, že chybový člen má normální rozdělení. Na obrázku č. 12 je vidět, že p-hodnota u lineární funkční formy vyšla větší než 0,05.

Obr. 12 Zdroj:

Shapiro-Wilkův test pro lineární funkční formu Program Gretl, vlastní zpracování

3.1.4

Interpretace a komentář k výsledkům

Výsledky verifikace jednotlivých funkčních forem vyšly hodně podobně. Jako nejvhodnější model jsem vyhodnotila lineární funkční formu. Její adjustovaný koeficient determinace má ale pouze hodnotu 0,400244. Nejlepší model tedy popsal jen 40 % proměnlivosti vysvětlované proměnné, tj. velmi malý podíl variability dat. Vidíme tedy, že nelze mezi proměnnými vyvozovat nějaký vztah. Do bodového grafu ani nemá smysl vykreslit křivku, protože koeficienty determinace byly pro všechny funkční formy podobně nízké. Tento model je v různých funkčních formách velmi špatně podpořen daty.

3.2 Dynamická kauzalita Tato podkapitola se zabývá dynamickou kauzalitou mezi platy učitelů a kvalitou vzdělávání v zemích EU – v čase. Vztah se zjišťuje pomocí korelační analýzy, kterou lze chápat jako doplňkový ukazatel kvality regresní funkce. V korelační analýze se odhaduje Pearsonův párový korelační koeficient, který vyjadřuje směr a těsnost lineární závislosti mezi dvěma veličinami Y a X. Tato analýza neuvažuje členění veličin na závislé (stochastické) a nezávislé, ale obě veličiny považuje za stochastické. V této části jsem počítala párové korelační koeficienty pro vybrané země Evropské unie – Českou republiku a pět zemí, které měly nejvýraznější zlepšení ve výsledcích srovnávacích testů mezi lety 2003 a 2012. Jednalo se opět o aritmetické průměry zkoumaných oblastí (matematická, přírodovědná a čtenářská gramotnost). Hodnoty byly z publikací OECD pro šetření PISA a Education at a Glance. S ohledem na výsledky a dostupnost dat jsem zvolila tyto země – Polsko, Portugalsko, Německo, Itálie a Irsko. Roky 2003 a 2012 byly zvoleny záměrně, v obou rocích byla totiž hlavní testovanou oblastí matematika. Průměrné výsledky žáků z šetření PISA 2003 a 2012 a jejich rozdíly jsou uvedeny v Přílohách v části K. Na konec jsem si vykreslila grafy zkoumaných veličin. Každý graf znázorňuje rok, ve kterém se šetření PISA konalo. Grafy vykreslují vztahy mezi veličinami v letech 2000, 2003, 2006, 2009 a 2012.


3.2.1

43

Zvolená data pro dynamickou kauzalitu

Datový soubor vyjadřující počet bodů, které žáci získali v šetření PISA, jsem opět vypočítala jako aritmetický průměr nejčastěji testovaných oblastí (matematika, přírodní vědy, čtení). Platy učitelů jsou opět vyjádřeny jako poměr platu k HDP na obyvatele dané země. Použité hodnoty jsou z let 2000, 2003, 2006, 2009 a 2012. Tyto roky korespondují s roky, ve kterých se uskutečnilo nejčastější mezinárodní srovnávací výzkum vzdělávání – PISA. Pro dynamickou kauzalitu jsem získané body žáků v šetření PISA použila ze studií OECD publikované k výzkumům PISA vydané v letech 2003, 2004, 2007, 2010 a 2014. Poměry platu k HDP na obyvatele jsem čerpala z každoročně vydávaných publikací Education at a Glance od OECD z let 2002, 2005, 2008, 2011 a 2014. Ve studiích se vždy pracuje s údaji získanými zpětně. Publikace se zpracovávají dodatečně až po získání všech dat. Pro Českou republiku jsem chtěla použít četnější výsledky žáků, a to od společnosti Scio, s.r.o., která organizuje každoročně celostátní srovnávání žáků pomocí jejich testů. Dle této společnosti ale tyto výsledky zatím nejsou srovnatelné v čase. Data pro dynamickou kauzalitu pro vybrané země Evropské unie jsou k dispozici v Přílohách v části L. 3.2.2

Pearsonův párový koeficient korelace

Pomocí vzorců jsem si spočítala párové koeficienty korelace pro jednotlivé země a také t-statistiky. Testovací statistika má pro Portugalsko, Německo, Itálii, Irsko a Českou republiku Studentovo t-rozdělení s 3 stupni volnosti a pro Polsko s 1 stupněm volnosti. Polsko má menší počet stupňů volnosti z důvodu menšího rozsahu dat. Přehled výsledků zobrazuje následující tabulka: Tab. 9

Párové koeficienty korelace a t-statistiky pro vybrané země Evropské unie

Párový koeficient korelace -0,23205 -0,30925 -0,57300 -0,62062 -0,78795 0,20693

Země Polsko Portugalsko Německo Itálie Irsko Česká republika

Testovací statistika -0,23857 -0,56325 -1,21098 -1,37090 -2,21647 0,36634

Zdroj: Vlastní zpracování

Pro Portugalsko, Německo, Itálii, Irsko a Českou republiku je kritický obor: 𝑊 = (−∞; −3,182⟩ ∪ ⟨3,182; ∞)

(2)


44

Pro Polsko je kritický obor: 𝑊 = (−∞; −12,706⟩ ∪ ⟨12,706; ∞)

(3)

Nulová hypotéza říká, že je párový korelační koeficient nulový, tedy že je mezi veličinami Y a X lineární nezávislost. Žádná z vypočtených t-statistik nespadá do zjištěných kritických oborů, a proto jsem nezamítla nulovou hypotézu o nezávislosti veličin na hladině významnosti 5 %. 3.2.3

Interpretace a komentář k výsledkům

Zjištěné t-statistiky nespadaly do vypočítaných kritických oborů. Nulovou hypotézu o nezávislosti veličin na hladině významnosti 5 % jsem nezamítla. Z výsledků můžu usuzovat, že párové koeficienty korelace nejsou statisticky významné, tudíž zde není žádný významný vztah mezi platy učitelů a výsledky žáků v šetření PISA u zvolených zemí Evropské unie. Opět jsem došla ke stejnému výsledku jako u regresní analýzy. 3.2.4

Srovnání bodových grafů pro jednotlivé roky

Na závěr jsem si pro doplnění nechala v programu Gretl vykreslit bodové grafy zkoumaných veličin – na ose Y jsou výsledky žáků v šetření PISA a na ose X jsou platy učitelů zemí Evropské unie. Každý graf znázorňuje platy a výsledky žáků z jednotlivých let. Grafy jsou vykresleny pro roky, ve kterých se výzkum PISA konal – 2000, 2003, 2006, 2009, 2012. Data jsou opět čerpána z publikací OECD. Platy z Education at a Glance z let 2002, 2005, 2008, 2011 a 2014. A výsledky žáků z publikací pro šetření PISA jsou z let 2003, 2004, 2007, 2010 a 2014. Data jsou uvedena v Přílohách v částích M- Q.


Rok 2000

Obr. 13 Zdroj:

Bodový XY diagram pro rok 2000 Program Gretl, vlastní zpracování

Rok 2003

Obr. 14 Zdroj:


45


Rok 2006

Obr. 15 Zdroj:


2009

Obr. 16 Zdroj:


46


47

Rok 2012

Obr. 17 Zdroj:


3.2.5

Interpretace a komentář výsledků

Už při porovnání grafů pouhým okem vidíme, že jsou body rozmístěny nahodile, a tudíž nepředpokládám, že by mezi platy učitelů a výsledky žáků byl v průběhu času nějaký významný vztah.

3.3 Dílčí závěr zjišťování vztahu mezi platy učitelů a kvalitou vzdělávání V kapitole č. 3 jsem zjišťovala vztah mezi platy učitelů a výsledky žáků v šetření PISA v zemích Evropské unie. Výpočty jsem rozdělila do dvou částí na statickou a dynamickou kauzalitu. Předkládaná práce zpracovává data ze studií mezinárodní organizace OECD ze šetření PISA a každoročně vydávané publikace Education at a Glance. Kvalitu vzdělávání zastupuje průměr bodů, které patnáctiletí žáci získali v mezinárodním šetření PISA v nejčastěji testovaných oblastech, a to matematice, přírodních vědách a čtení. Platy učitelů jsou vyjádřeny jako poměr platu k HDP na obyvatele v dané zemi. Jedná se o platy učitelů nižšího sekundárního vzdělávání po 15 letech zkušeností. Statickou kauzalitu jsem zjišťovala pomocí regresní analýzy. Na začátku jsem si vykreslila bodový graf. Podle vizuálně nepravidelně rozmístěných bodů a vykreslené 95% konfidenční elipsy, která připomíná tvar kružnice, jsem odhadla, že mezi proměnnými není žádná závislost. Ověřování správnosti modelů jsem postupně dělala pomocí ekonomické, statistické a ekonometrické verifikace. Postupně jsem v ekonomické verifikaci ověřila znaménka směrnic, ve statistické verifikaci jsem si vyčíslila koeficienty determinace, adjustované koeficienty determinace a kvazi koeficienty determinace, provedla


48

jsem t-testy, F-testy, ověřila jsem intervaly spolehlivosti, udělala jsem LM-testy a RESET test. Součástí ekonometrické verifikace byl Whiteův test a Shapiro-Wilkův test. Nejlepší model odpovídal lineární funkční formě, ale model vysvětloval malý podíl variability, pouze 40 %. Z toho tedy vyplývá, že nelze mezi zvolenými proměnnými vyvozovat nějaký významný vztah. Při zkoumání dynamické kauzality jsem se zaměřila na vybrané země Evropské unie – Českou republiky a pět zemí, které vykazovaly největší zlepšení ve výsledcích žáků mezi roky 2003 a 2012. Tyto roky byly zvoleny z toho důvodu, že hlavní testovanou oblastí byla matematika. Jednalo se o Polsko, Portugalsko, Německo, Itálii a Irsko. Pro dynamickou kauzalitu pro Českou republiku jsem chtěla zvolit data od společnosti Scio, s.r.o., která pořádá každoročně srovnávací testy žáků a každá škola se do něj může zapojit. Dle společnosti ale tyto data zatím nejsou srovnatelná v čase. V dynamické kauzalitě jsem si spočítala pro každou zemi párový korelační koeficient a t-statistiku. Žádná t-statistika nespadala do zjištěných kritických oborů, tedy jsem nezamítla nulovou hypotézu o nezávislosti veličin na hladině významnosti 5 %. Z výsledků tedy můžu usuzovat, že mezi veličinami není žádný významný vztah. Na závěr jsem si udělala srovnání grafů zvolených veličin v letech konaných šetření PISA – 2000, 2003, 2006, 2009, 2012. Při pohledu na grafy už pouhým okem můžeme vidět, že mezi veličinami není očekáváný vztah v závislosti na čase. Všechny výpočty prokázaly, že mezi zvolenými veličinami není žádný vztah. Kvalita vzdělávání se tedy v zemích Evropské unie nezlepší při zvyšování platu učitelům. Bude potřeba se zaměřit na jiné faktory, které by kvalitu výuky mohly ovlivnit.


49

4 Doporučení tvůrcům hospodářské politiky v České republice V této kapitole jsou uvedeny návrhy nových opatření pro tvůrce hospodářské politiky v České republice. Doporučení jsou myšlena pro všechny školy a pedagogické pracovníky základních i středních škol. Pro tuto část využiji informace shrnuté v podkapitole Literární rešerše. Užitečná pro mě bude i podkapitola 2.4 Vybrané ekonomické faktory (ne)ovlivňující kvalitu vzdělávání. Výkonové ukazatele českého školství (počet základních škol, počet středních škol, počet učitelů, počet začínajících učitelů aj.) jsem čerpala ze Statistické ročenky školství 2014/2015 a dokumentu Údaje o počtech a platové úrovni zaměstnanců RgŠ územních samosprávných celků za 1. – 4. čtvrtletí 2014 od MŠMT. Abych si lépe představila poměry na českých školách, vybrala jsem si dvě základní školy, u kterých jsem zjišťovala situaci ve škole. První školou byla Základní škola v Brně, Bakalovo nábřeží 8 a druhou byla Základní škola T. G. Masaryka v Bystřice pod Hostýnem, Nádražní 56. V Přílohách v části R uvádím vybrané ukazatele ze zkoumaných škol. Porovnání uvedených ukazatelů mi pomohlo v rozhodnutí, jaké kroky ke zlepšení vzdělanosti žáků navrhnout. Údaje ze škol jsem získala buď z jejich výročních zpráv, nebo přímo od jejich zaměstnanců. Zvýšení platu kvalitním učitelům V předkládané práci v kapitole 3 jsem zamítla teorii, že zvýšení platů učitelů přinese zlepšení kvality vzdělávání v zemích Evropské unie. Také jsem ale v literární rešerši zmínila, že zajímavé platové ohodnocení a dobré pracovní podmínky jsou velkou motivací pro vstup talentovaných lidí do učitelské profese i pro udržení kvalitních učitelů ve školství. Celkové zvýšení platů všech učitelů s cílem zvýšení kvality vzdělávání by tedy nebylo efektivní. Myslím si, že by bylo vhodné zvýšit platy pouze kvalitním učitelům. Nenároková část platu, kterou učitel dostává podle svého výkonu, tvoří pouze 10 %. Toto bych chtěla změnit. Na mnoha školách se stává, že by ředitelé školy rádi odměnili učitele na základě jejich výkonu, ale nemají dostatek finančních prostředků, aby odlišili platy jednotlivých pedagogických pracovníků, a rozdělí je víceméně rovnoměrně. Chtěla bych tedy, aby měl ředitel větší možnost diferenciace platů učitelů v závislosti na jejich výkonu. Líbí se mi myšlenka výše zmíněného rozvojového programu z let 2008 a 2009, jehož cílem bylo ocenit dlouhodobě kvalitní výsledky učitelů. Po oslovení MŠMT a několika škol, co se do rozvojového programu zapojily, jsem ale zjistila, že nejsou žádné závěrečné ani zpětné zprávy o tom, jestli byl program naplněn podle očekávání. Zvýšení platů učitelů bych udělala formou projektu, do kterého se mohou školy zapojit. Před výplatou finančních prostředků musí být nejprve vidět, za co daný učitel peníze dostane. Bude to formou hlášení podle předepsané šablony na inter-


50

netu a přiložením vhodné dokumentace (např. fotky z akce, podklady pro akci), důvodu možnosti kontroly. Jako monitorovací ukazatele pro zvýšení platů učitelů bych zvolila:  Uplatňování moderních a efektivních metod ve výuce (aktivizační metody, výuka mimo školu aj.)  Organizování a účast na mimoškolních aktivitách (kroužky, soutěže, akce pro rodiče s dětmi, koncerty aj.)  Účast na tvorbě, řízení a evaluaci školního vzdělávacího programu  Dobrovolný profesní a osobní rozvoj pedagogických pracovníků  Prezentace školy a komunikace s veřejností (regionální tisk, články v odborných časopisech, tvorba internetových stránek aj.) Tento finanční příspěvek by učitelé nemohli dostat za aktivity, za které už byli ohodnoceni v rámci osobního ohodnocení, o kterém rozhoduje ředitel školy. I tato situace se totiž na školách často vyskytuje. Každému učiteli bych dala 2 000 Kč, což bude po odečtení daně, sociálního a zdravotního pojištění za zaměstnance minimálně 1 375 Kč v závislosti na slevách na dani a daňových zvýhodnění jednotlivých pedagogických pracovníků a při předpokladu, že nejnižší možný plat učitele (8. platová třída a 1. platový stupeň) je 16 100 Kč (NV č. 224/2014 Sb., Příloha č. 8). Tato částka byla učiteli základní školy T. G. Masaryka vyhodnocena jako motivující pro zvýšení jejich pracovního výkonu. Zaměstnavatel za zaměstnance zaplatí ještě sociální a zdravotní pojištění ve výši 34 % ze zaměstnancovy mzdy. Za jednoho učitele tedy stát zaplatí 2 680 Kč. Dle MŠMT (2013 – 2015c) bylo v roce 2014 v České republice 147 129 pedagogických pracovníků. Učitelé by měli možnost tento finanční příspěvek získat každý měsíc po celý rok. Na tento projekt bych tedy vyčlenila až 4,7 mld. Kč ročně. Neočekávám ale, že budou všechny tyto finanční prostředky vyčerpány. Mentoring pro začínající učitele Každého studenta čeká velká změna při ukončení studia a vstupu na pracovní trh. Výjimkou nejsou ani absolventi pedagogických fakult, případně pedagogických středních škol. Cílem společnosti by tedy mělo být pomoct začínajícím učitelům při začlenění do učitelského sboru, práci ve třídě, práci s žáky a vyhledáváním materiálů – tedy mentoring učitelů. V dnešní době je mentoring učitelů ve světě vcelku populární. Hodně využíván je například v anglosaských zemích, jako je Kanada a Austrálie. I v České republice se vyskytují aktivity směřující k pomoci začínajícím učitelům nebo učitelům přecházejících na jinou školu. Na některých školách se tyto aktivity vyskytují například v podobě, kdy je novému učiteli přiřazen zkušenější kolega, za kterým se může nováček kdykoli přijít poradit. Začínajícím učitelům bych ale dopřála intenzivnější výpomoc. Většina škol má v záloze učitele, kteří odešli do důchodu a jdou učit nějakou třídu v případě dlouhodobé absence učitele nebo při absenci více učitelů najednou.


51

Já navrhuji, aby tito bývalí zaměstnanci byli přiřazeni začínajícím pedagogickým pracovníkům po dobu prvních tří měsíců. Učitelé, co jsou v důchodu, jsou zkušení v oblasti práce se žáky, znají poměry a vztahy na pracovišti. U seniorů je také známo, že jsou vděční za rozptýlení, mají větší pocit seberealizace a jsou ochotni pracovat i za nižší plat, protože dostávají starobní důchod. Tito učitelé by chodili mladým pedagogům pomáhat každý den. Úvazek by byl případně upraven dle individuální domluvy. Přírůstek učitelů mezi roky 2013 a 2014 byl vyčíslen na 1 165 pedagogických pracovníků (MŠMT, 2013 – 2015c). To tedy znamená, že bude potřeba 1 165 bývalých učitelů, kteří jsou nyní v důchodovém věku a pomohly by začínajícím pedagogům. Pro zkušené bývalé pedagogy navrhuji po dobu výpomoci plat, který koresponduje s platovou tabulkou – 8. platová třída, 1. platový stupeň, tedy 16 100 Kč za měsíc (NV č. 224/2014 Sb., Příloha č. 8). Toto mentorování by probíhalo po dobu tří měsíců. Stát navíc za zaměstnance odvede sociální a zdravotní pojištění, a to ve výši 34 % z platu učitele. Tento návrh jsem tedy vyčíslila na 75 mil. Kč za rok. Celoživotní vzdělávání učitelů Jak si můžeme přečíst výše v literární rešerši, dle projektu Talis a dalších odborníků zabývajících se oblastí vzdělávání má největší dopad na kvalitu výuky kvalita učitelů. Důležité a zároveň relativně levné je vzdělávání učitelů po celou dobu jejich kariéry. Proto bych se i já chtěla navrhnout nějaké změny v oblasti celoživotního vzdělávání učitelů. Učitelé mají dle zákona o pedagogických pracovnících (2004) povinnost dalšího vzdělávání během své pedagogické činnosti. Zákon však už neříká, jak často by se mělo obnovení, udržení a doplnění kvalifikace uskutečňovat. Další vzdělávání pedagogických pracovníků organizuje ředitel školy s příslušným odborovým orgánem podle plánu dalšího vzdělávání. V Příloze v části R můžeme vidět, že na různých školách probíhá různě často. Já navrhuji, aby byla povinnost se zúčastňovat DVPP minimálně každý rok, mimo povinných školení (BOZP, první pomoc aj.). Je třeba se DVPP účastnit častěji než je realizováno na některých školách, protože jedna tato akce pokryje velmi malou oblast, ve které se učitelé potřebují zdokonalovat. Nejvíce to jde vidět u učitelů základních škol, kteří v průběhu školního roku učí minimálně šest různých předmětů a dále se potřebují zdokonalit ve vedení žáků a v různých speciálních metodách výuky. Tyto akce jsou také vhodné z toho důvodu, že zde mají učitelé možnost podělit se o své zkušenosti s kolegy z jiných škol. Akce DVPP probíhají buď zadarmo, nebo za účastnický poplatek. Průměrný poplatek jsem si vyčíslila na 350 Kč (Příloha R, ZŠ TGM) a počet učitelů v roce 2014 byl v ČR 147 129 (MŠMT, 2013 – 2015c). Ročně by tedy další vzdělávání učitelů vyšlo na 51 mil. Kč.


52

Nové počítače do škol V dnešní době je nutností, aby žáci uměli pracovat s novými technologiemi, především s počítačem. Škola by měla pro žáky zajistit dostatečné množství počítačů, na druhou stranu se technologie stále vyvíjejí a je potřeba počítače měnit. Jako další možnost pro zlepšení kvality vzdělávání navrhuji pokračovat v nákupu vybavení počítačů do škol. Vzhledem k tomu, že se ale technologie stále mění, není třeba kupovat drahé počítače. Doporučila bych kupovat notebooky namísto klasických stolních počítačů. Vhodné by bylo dlouhodobé partnerství s výrobcem, který bude nabízet množstevní slevy. Doporučuji například notebook Lenovo IdeaPad G50-30 Black za 8 999 Kč včetně DPH. Při počtu 4 106 základních škol a 1 310 středních škol (MŠMT, 2013 2015d), tedy dohromady 5 416 škol a vybavení každé školy 15 novými počítači by tato investice vyšla na 731 mil. Kč. Neočekávám, že budou tyto finanční prostředky využity najednou. Chtěla jsem spíš poukázat na to, že není nutné kupovat drahé technické vybavení, které je stejně potřeba za pár let inovovat. Jako příklad uvedu projekt iPad pro učitele, kdy pedagogičtí pracovníci dostali tablet pro pestřejší a zábavnější výuku ve škole a pro lepší přípravu na hodiny. Jeden tablet iPad mini 32 GB RETINA stojí 6 000 Kč včetně DPH (24U, 2015). V současné době se dá kvalitní tablet sehnat i pod 4 000 Kč. Sami učitelé uznali, že by jim pro školní potřeby levnější tablet stačil.

Závěr

53

5 Závěr Cílem práce bylo zjistit, zda v zemích Evropské unie ovlivňují platy učitelů kvalitu vzdělávání. Tento cíl byl splněn. V předkládané práci je kvalita vzdělávání vyčíslena v podobě výsledků žáků v mezinárodních šetřeních. V průběhu času v těchto výzkumech sice docházelo k určitých odlišnostem, pokud ale odhlédneme od různých specifik a drobných výkyvů, dostaneme dosti stabilní obrázek o vzdělávacích systémech zemí Evropské unie. Proto byl zvolen tento ukazatel kvality vzdělávání. Uvědomuji si, že je možné tento vztah zjišťovat i jinak. Může to být předmětem dalšího zkoumání. Z mezinárodních výzkumů bylo vybráno šetření PISA od organizace OECD. Země z Evropské unie se do těchto aktivit zabývajících se kvalitou vzdělávání zapojovaly postupně a není k dispozici stejný počet získaných dat o jednotlivých zemích. Také jsem si vědoma toho, že práce pracuje s kratšími časovými řadami. Přesto ale toto šetření poskytuje nejvíce dostupných dat o žácích a hlavně o těch ze zemí Evropské unie. Pro Českou republiku jsem chtěla zvolit data od společnosti Scio, s.r.o., která u nás každoročně organizuje testování žáků z různých ročníků a má tedy k dispozici větší množství dat z této oblasti. Dle této společnosti ale jejich data zatím nejsou srovnatelná v čase. V práci byla postupně provedena regresní analýza, korelační analýza a srovnání grafů proměnných (platů učitelů a výsledků žáků) v čase. Regresní analýza zjistila, že platy učitelů nižšího sekundárního vzdělávání nemají vliv na výsledky patnáctiletých žáků z šetření PISA. Za nejlepší model byla vyhodnocena lineární funkční forma, ale tento model vysvětloval pouze malý podíl variability, a to 40 %. Korelační analýza zkoumala vztah platů učitelů a výsledků žáků v čase. Zaměřila se na vybrané země Evropské unie – Českou republiku, Polsko, Portugalsko, Německo, Itálii a Irsko. Žádná t-statistika zvolených zemí nespadala do zjištěných kritických oborů, proto se opět došlo k výsledku, že mezi zvolenými veličinami není žádný významný vztah. Na závěr bylo provedeno srovnání grafů zvolených veličin a při pohledu na grafy se dalo opět usuzovat, že jsou body rozmístěny nahodile, a tudíž mezi nimi nebyl v průběhu času nějaký významný vztah. Oblast vzdělávání mi přijde velice zajímavá a hlavně důležitá pro ekonomiku naší země, proto bych ve výzkumech ráda pokračovala i ve svých dalších pracích.

Literatura

54

6 Literatura 6.1 Knižní publikace ADAMEC, VÁCLAV, LUBOŠ STŘELEC A DAVID HAMPEL. 2013. Ekonometrie I: učební text. Vyd. 1. Brno: Mendelova univerzita v Brně, 162 s. ISBN 978-80-7375703-8. ADAMEC, VÁCLAV A LUBOŠ STŘELEC. 2013. Ekonometrie I: cvičebnice. Vyd. 1. Brno: Mendelova univerzita v Brně, 138 s. ISBN 978-80-7375-706-9. KEKULE, MARTINA. 2011. Rámec pro vlastní hodnocení školy: metodický průvodce. Praha: Národní ústav odborného vzdělávání, 31 s. Evaluační nástroje. ISBN 978-80-87063-48-4. KRAMPLOVÁ, IVETA, VLADISLAV TOMÁŠEK A MARTINA VERNEROVÁ. 2012. Národní zpráva PIRLS 2011. 1. vyd. Praha: Česká školní inspekce, 32 s. ISBN 978-80905370-3-3. PRŮCHA, JAN. 1996. Pedagogická evaluace: hodnocení vzdělávacích programů, procesů a výsledků. Vyd. 1. V Brně: Masarykova univerzita, 166 s. ISBN 80-2101333-8. PRŮCHA, JAN, ELIŠKA WALTEROVÁ A JIŘÍ MAREŠ. 2013. Pedagogický slovník. 7., aktualiz. a rozš. vyd. Praha: Portál, 395 s. ISBN 978-80-262-0403-9. RYCHLÍK, MARTIN. 2014. Špatné vzdělávání obírá stát o miliardy. Lidové noviny. XXVII(224). RYŠKA, RADIM. 2008. Kvalita škol a hodnocení výsledků vzdělávání. 1. vyd. V Praze: Vydavatelství Pedagogické fakulty, Univerzita Karlova, 90 s. ISBN 978-807290-368-9. TOMÁŠEK, VLADISLAV, IVETA KRAMPLOVÁ A JANA PALEČKOVÁ. 2012. Národní zpráva TIMSS 2011. 1. vyd. Praha: Česká školní inspekce, 35 s. ISBN 978-80-9053704-0. ZÁKLADNÍ ŠKOLA T. G. MASARYKA. 2014. Výroční zpráva: školní rok 2013/2014. Bystřice pod Hostýnem.

6.2 Elektronické zdroje 24U. 2015. Školství - 24U s.r.o. [online]. [cit. 2015-04-30]. Dostupné z: http://skolstvi.24u.cz/ ČŠI. 2011. O PISA. PISA 2012 [online]. [cit. 2015-01-15]. Dostupné z: http://pisa2012.cz/?a=podrobny_popis_vyzkumu ČŠI. [2013]. Mezinárodní šetření o vyučování a učení, metoda a respondenti. TALIS 2013 [online]. [cit. 2015-02-06]. Dostupné z: http://www.talis.cz/zamer-procvliv-osobnosti.html

Literatura

55

ČŠI. 2014. Česká školní inspekce provede pilotáže PISA 2015 a TIMSS 2015. Česká školní inspekce ČR [online]. [cit. 2015-02-11]. Dostupné z: http://www.csicr.cz/cz/Aktuality/Ceska-skolni-inspekce-provede-pilotazePISA-2015-A EURYDICE. 2006. Ukazatele kvality školního vzdělávání. EUROPA - Oficiální internetové stránky Evropské unie [online]. [cit. 2015-03-11]. Dostupné z: http://europa.eu/legislation_summaries/education_training_youth/lifelong_l earning/c11063_cs.htm EURYDICE. 2014. Teachers' and School Heads' Salaries and Allowances in Europe, 2013/14 [online]. [cit. 2015-02-25]. Dostupné z: http://eacea.ec.europa.eu/EDUCATION/EURYDICE/documents/facts_and_fig ures/salaries.pdf EURYDICE. 2015a. Assuring Quality in Education: Policies and Approaches to School Evaluation in Europe [online]. [cit. 2015-02-10]. ISBN 978-92-9201-655-5. Dostupné z: http://eacea.ec.europa.eu/education/eurydice/documents/thematic_reports /178EN.pdf EURYDICE. 2015b. Assuring Quality in Education: Policies and Approaches to School Evaluation in Europe, Eurydice Highlights [online]. [cit. 2015-02-10]. ISBN 978-92-9201-717-0. Dostupné z: http://eacea.ec.europa.eu/education/eurydice/documents/thematic_reports /178EN_HI.pdf EVROPSKÁ KOMISE. 2014. Politiky Evropské unie: Vzdělávání, odborná příprava, mládež a sport [online]. [cit. 2015-02-06]. ISBN 978-92-79-42092-4. Dostupné z: http://europa.eu/pol/pdf/flipbook/cs/education_training_youth_and_sport_c s.pdf EVROPSKÁ KOMISE. 2015. Zpráva o platech učitelů v Evropě: nástupní podmínky nejsou atraktivní. EUROPA - Oficiální internetové stránky Evropské unie [online]. [cit. 2015-02-14]. Dostupné z: http://europa.eu/rapid/press-release_IP11-1153_cs.htm GABRIEL, ONDŘEJ. 2008. Zvýšení nenárokových složek platů a motivačních složek mezd pedagogických pracovníků regionálního školství s ohledem na kvalitu jejich práce. MŠMT ČR [online]. [cit. 2015-03-15]. Dostupné z: http://www.msmt.cz/vzdelavani/skolstvi-v-cr/ekonomika-skolstvi/zvyseninenarokovych-slozek-platu-a-motivacnich-slozek-mezd-pedagogickychpracovniku-regionalniho-skolstvi-s-ohledem-na-kvalitu-jejich-prace HANUSHEK, ERIC A. A STEVEN G. RIVKIN. 2007. Pay, Working Conditions, and Teacher Quality. The Future of Children: Excellence in the Classroom [online]. 17(1): 69-86 [cit. 2015-03-10]. Dostupné z: https://cepa.stanford.edu/sites/default/files/ExcellenceClassroom.pdf

Literatura

56

IEA. 2011. IEA: About us. IEA [online]. [cit. 2015-02-12]. Dostupné z: http://www.iea.nl/about_us.html IEA. 2011. IEA Studies. IEA [online]. [cit. 2015-02-12]. Dostupné z: http://www.iea.nl/studies.html JANOUŠKOVÁ, SVATAVA A JAN MARŠÁK. 2008. Indikátory kvality vzdělávání. Pedagogika [online]. 58(4): 315-326 [cit. 2015-03-10]. Dostupné z: http://pages.pedf.cuni.cz/pedagogika/files/2014/01/P_2008_4_02_Indikator y_315_326.pdf KLEKNEROVÁ, ZUZANA. 2011. Nový žebříček platů učitelů. Česko v EU propadlo. Zprávy - Aktuálně.cz [online]. [cit. 2015-02-15]. Dostupné z: http://zpravy.aktualne.cz/zahranici/novy-zebricek-platu-ucitelu-cesko-v-eupropadlo/r~i:article:716612/ KOUCKÝ, JAN et al. 2003. Příloha Učitelských novin 22–23/2003: Evropská unie a vzdělávání. Učitelské noviny [online]. 2003(22–23): 1-32 [cit. 2015-02-25]. Dostupné z: http://www.hluchak.cz/ssp/prilohy/eu_a_vzdelavani.pdf KURSA, DAVID. 2005-15. OECD. Euroskop.cz - Zpravodajství [online]. [cit. 2015-0214]. Dostupné z: https://www.euroskop.cz/9144/sekce/oecd/ MPSV. 2015. Příručka pro personální a platovou agendu. MPSV.CZ: Ministerstvo práce a sociálních věcí [online]. [cit. 2015-02-27]. Dostupné z: http://www.mpsv.cz/ppropo.php MŠMT. 2013. Metodický výklad k odměňování (č. j. MSMT-11705/2013-201). MŠMT ČR [online]. [cit. 2015-02-22]. Dostupné z: http://www.msmt.cz/dokumenty/metodicky-vyklad-k-odmenovani-c-jmsmt-11705-2013-201 MŠMT. 2013 – 2015a. OECD. MŠMT ČR [online]. [cit. 2015-02-14]. Dostupné z: http://www.msmt.cz/mezinarodni-vztahy/organizace-pro-ekonomickouspolupraci-a-rozvoj-oecd MŠMT. 2013 – 2015b. Mezinárodní průzkumy IEA. MŠMT ČR [online]. [cit. 201502-12]. Dostupné z: http://www.msmt.cz/vzdelavani/skolstvi-v-cr/statistikaskolstvi/mezinarodni-pruzkumy-iea MŠMT. 2013 – 2015c. Údaje o počtech a platové úrovni zaměstnanců RgŠ územních samosprávných celků za 1. - 4. čtvrtletí 2014. MŠMT ČR [online]. [cit. 2015-0420]. Dostupné z: http://www.msmt.cz/vzdelavani/skolstvi-v-cr/ekonomikaskolstvi/udaje-o-poctech-a-platove-urovni-zamestnancu-rgs-uzemnich-6 MŠMT. 2013 – 2015d. Statistická ročenka školství – Výkonové ukazatele 2014/15. MŠMT ČR [online]. [cit. 2015-04-28]. Dostupné z: http://www.msmt.cz/vzdelavani/skolstvi-v-cr/statistika-skolstvi/statistickarocenka-skolstvi-vykonove-ukazatele-2014-15 OECD. 2002. Education at a Glance: OECD indicators 2002 [online]. OECD Publishing [cit. 2015-03-11]. Dostupné z: http://www.keepeek.com/DigitalAsset-Management/oecd/education/education-at-a-glance-2002_eag-2002en#page1

Literatura

57

OECD. 2003. Literacy Skills for the World of Tomorrow: Further results from PISA 2000 [online]. [cit. 2015-03-10]. Dostupné z: http://www.oecd.org/edu/school/programmeforinternationalstudentassess mentpisa/33690591.pdf OECD. 2004. Learning for Tomorrow’s World: First Results from PISA 2003 [online]. [cit. 2015-03-10]. Dostupné z: http://www.oecd.org/education/school/programmeforinternationalstudenta ssessmentpisa/34002216.pdf OECD. 2005. Education at a Glance: OECD indicators 2005 [online]. OECD Publishing [cit. 2015-03-11]. Dostupné z: http://www.keepeek.com/DigitalAsset-Management/oecd/education/education-at-a-glance-2005_eag-2005en#page1 OECD. 2007. PISA 2006 Science Competencies for Tomorrow's World: Volume 1: Analysis [online]. Paris [cit. 2015-03-10]. ISBN 978-926-4040-014. Dostupné z: http://www.keepeek.com/Digital-Asset-Management/oecd/education/pisa2006_9789264040014-en#page1 OECD. 2008. Education at a Glance: OECD indicators 2008 [online]. OECD Publishing [cit. 2015-03-11]. Dostupné z: http://www.keepeek.com/DigitalAsset-Management/oecd/education/education-at-a-glance-2008_eag-2008en#page1 OECD. 2010. PISA 2009 Results: What Students Know and Can Do - Student performance in reading, mathematics and science (Volume I) [online]. Paris: OECD [cit. 2015-03-10]. ISBN 978-926-4091-450. Dostupné z: http://www.oecd.org/pisa/pisaproducts/48852548.pdf OECD. 2011a. Better policies for better lives: The OECD at 50 and beyond [online]. [cit. 2015-02-14]. Dostupné z: http://www.oecd.org/about/47747755.pdf OECD. 2011b. Education at a Glance 2011: OECD indicators [online]. Paris: OECD Publishing [cit. 2015-03-11]. ISBN 978-926-4117-051. Dostupné z: http://www.keepeek.com/Digital-AssetManagement/oecd/education/education-at-a-glance-2011_eag-2011en#page1 OECD. 2014a. PISA 2012 Results: What Students Know and Can Do [online]. Rev. ed. Paris: OECD Publishing [cit. 2015-01-14]. ISBN 978-926-4208-780. Dostupné z: http://www.oecd.org/pisa/keyfindings/pisa-2012-results-volume-I.pdf OECD. 2014b. Education at a Glance 2014: OECD indicators [online]. OECD Publishing [cit. 2015-03-11]. ISBN 978-92-64-21505-4. Dostupné z: http://www.oecd.org/edu/Education-at-a-Glance-2014.pdf PALEČKOVÁ, JANA, et al. 2007. Hlavní zjištění výzkumu PISA 2006: Poradí si žáci s přírodními vědami? [online]. 1. vyd. Praha: Ústav pro informace ve vzdělávání [cit. 2015-02-06]. ISBN 978-80-211-0541-6. Dostupné z: http://www.csicr.cz/getattachment/cz/O-nas/Mezinarodni-setreniarchiv/PISA/PISA-2006/Narodni-zprava.pdf

Literatura

58

PALEČKOVÁ, JANA, VLADISLAV TOMÁŠEK, JOSEF BASL, et al. 2010. Hlavní zjištění výzkumu PISA 2009: Umíme ještě číst? [online]. 1. vyd. Praha: Ústav pro informace ve vzdělávání [cit. 2015-02-06]. ISBN 978-80-211-0608-6. Dostupné z: http://www.csicr.cz/getattachment/cz/O-nas/Mezinarodni-setreniarchiv/PISA/PISA-2009/narodni-zprava.pdf PALEČKOVÁ, JANA, VLADISLAV TOMÁŠEK, et al. 2013. Hlavní zjištění PISA 2012: Matematická gramotnost patnáctiletých žáků [online]. Praha [cit. 2015-02-06]. ISBN 978-80-905632-0-9. Dostupné z: http://www.pisa2012.cz/articles/files/Hlavni_zjisteni_PISA2012.pdf PELIKÁN, JIŘÍ. 2011. Klesá úroveň vzdělávání na našich školách?: Zamyšlení nad výsledky mezinárodního výzkumu PISA. EDUin [online]. [cit. 2015-02-20]. Dostupné z: http://www.eduin.cz/clanky/klesa-uroven-vzdelavani-na-nasichskolach/ POTUŽNÍKOVÁ, EVA A JANA STRAKOVÁ. 2006. Rozdíly ve vědomostech a dovednostech českých chlapců a děvčat na základě zjištění mezinárodních výzkumů. Sociologický časopis [online]. 42(4): 701-117 [cit. 2015-02-03]. Dostupné z: http://sreview.soc.cas.cz/uploads/70e3c0728a3e782ef67b2e0524e5d5a493 04ff9d_219_06potuznikova18.pdf POTUŽNÍKOVÁ, EVA, VERONIKA LOKAJÍČKOVÁ A TOMÁŠ JANÍK. 2014. Mezinárodní srovnávací výzkumy školního vzdělávání v České republice: zjištění a výzvy. Pedagogická orientace [online]. 24(2) [cit. 2015-02-15]. Dostupné z: https://journals.muni.cz/pedor/article/view/618/597 ŘEHOŘKOVÁ, JANA. 2008. Zvýšení nenárokových složek platů a motivačních složek mezd pedagogických pracovníků s ohledem na kvalitu jejich práce. MŠMT ČR [online]. [cit. 2015-03-15]. Dostupné z: http://www.msmt.cz/vzdelavani/skolstvi-v-cr/ekonomikaskolstvi/vyhlaseni-i-etapy-rozvojoveho-programu-msmt-na-rok-2009 SCIO. 2008 – 2015. Scio - Cíle a vize. Scio - Oficiální stránky [online]. [cit. 2015-0210]. Dostupné z: https://www.scio.cz/o-spolecnosti/cile-a-vize/ SCHLEICHER, ANDREAS. 2015. Seven big myths about top-performing school systems. BBC News [online]. [cit. 2015-03-11]. Dostupné z: http://www.bbc.com/news/business-31087545 STRAKOVÁ, JANA et al. 2002. Vědomosti a dovednosti pro život: Čtenářská, matematická a přírodovědná gramotnost patnáctiletých žáků v zemích OECD [online]. Praha: Ústav pro informace ve vzdělávání, 111 s. [cit. 2015-02-20]. ISBN 80211-0411-2. Dostupné z: http://www.csicr.cz/getattachment/cz/Onas/Mezinarodni-setreni-archiv/PISA/PISA2000/vedomosti_a_dovednosti_pro_zivot-publikace.pdf STRAKOVÁ, JANA. 2009. Vzdělávací politika a mezinárodní výzkumy výsledků vzdělávání v ČR. ORBIS SCHOLAE, 2009/1 [online]. (3) [cit. 2015-02-10]. ISSN 1802-4637. Dostupné z: http://www.orbisscholae.cz/archiv/2009/2009_3_05.pdf

Literatura

59

STRAKOVÁ, JANA. 2010. Dopad diferenciace vzdělávacích příležitostí v povinném vzdělávání na vývoj nerovností ve výsledcích žáků v ČR po roce 2000. Pedagogika [online]. 55(1): 21 - 37 [cit. 2015-02-20]. Dostupné z: http://pages.pedf.cuni.cz/pedagogika/?p=954&lang=cs STRAKOVÁ, JANA A VLADISLAV TOMÁŠEK. 2013. Měření vědomostí a dovedností romských žáků v rámci šetření PISA 2009. Pedagogika [online]. (04): 41-53 [cit. 2015-02-20]. Dostupné z: http://pages.pedf.cuni.cz/pedagogika/files/2013/04/Pedag_13_1_Mereni_Str akova.pdf ŠOLAR, ONDŘEJ. 2004. Charta učitelů. Organizace OSN pro výchovu, vědu a kulturu (UNESCO). Zkola: Informační a vzdělávací portál Zlínského kraje [online]. [cit. 2015-02-21]. Dostupné z: http://www.zkola.cz/pedagogove/Stranky/Chartau%C4%8Ditel%C5%AF--Organizace-OSN-pro-v%C3%BDchovu,v%C4%9Bdu-a-kulturu-%28UNESCO%29.aspx THE ECONOMIST. 2014. Efficiency in education: New school values: Higher teacher pay and smaller classes are not the best education policies. The Economist World News, Politics, Economics, Business & Finance [online]. [cit. 2015-03-11]. Dostupné z: http://www.economist.com/news/international/21616978higher-teacher-pay-and-smaller-classes-are-not-best-education-policies-newschool VALENCIA, RICHARD R. 2015. Students of color and the achievement gap: systematic challenges, systematic transformations [online]. [cit. 2015-03-11]. ISBN 978-1315-77663-7. Dostupné z: https://books.google.cz/books?id=JRjwBgAAQBAJ&pg=PT254&lpg=PT254&d q=loeb+and+page+higher+salaries+improve+students%E2%80%99+educati onal+attainment.&source=bl&ots=v6y3z6T3Yd&sig=xZpprUX_wJd_tZQYWUC bu6NyyzA&hl=cs&sa=X&ei=PNhNVcWKJ4XxUIGJgegG&ved=0CC4Q6AEwAQ# v=onepage&q=loeb%20and%20page%20higher%20salaries%20improve%2 0students%E2%80%99%20educational%20attainment.&f=false ZÁKLADNÍ ŠKOLA BRNO. 2014. Výroční zpráva: školní rok 2013/2014 [online]. [cit. 2015-04-15]. Brno. Dostupné také z: http://www.bakalka.cz/sites/default/files/users/user25/vyrocni_zprava_20 13-2014.pdf

6.3 Právní předpisy Zákon č. 262/2006 Sb., Zákoník práce, ve znění pozdějších předpisů. Zákon č. 563/2004 Sb., o pedagogických pracovnících, ve znění pozdějších předpisů. Nařízení vlády č. 222/2010 Sb., o katalogu prací ve veřejných službách a správě, ve znění pozdějších předpisů. Nařízení vlády č. 224/2014 Sb.

Literatura

60

Nařízení vlády č. 564/2006 Sb., o platových poměrech zaměstnanců ve veřejných službách a správě, ve znění pozdějších předpisů. Nařízení vlády č. 567/2006 Sb., o minimální mzdě, o nejnižších úrovních zaručené mzdy, o vymezení ztíženého pracovního prostředí a o výši příplatku ke mzdě za práci ve ztíženém pracovním prostředí, ve znění pozdějších předpisů.

Přílohy

61

Přílohy

Přehled nejvýznamnějších mezinárodních srovnávacích výzkumů od roku 1995

62

A Přehled nejvýznamnějších mezinárodních srovnávacích výzkumů od roku 1995 Zaměření Matematika vědy

a

Výzkum přírodní

TIMSS

Rok sběru dat 1995 1999 (v ČR i videostudie) 2003 (bez ČR) 2007 2011 1995 2001 2006 (bez ČR) 2011

Věková kategorie v ČR 3., 4., 7., 8. roč. ZŠ, konec SŠ 8. ročník ZŠ

Čtenářská gramotnost

RLS PIRLS

Občanská výchova

CivEd

1999

Informační technologie

ICCS SITES

2009 1998 2001 2006 (bez ČR) 2013

4., 8. ročník ZŠ 4. ročník ZŠ 3., 8. ročník ZŠ 4. ročník ZŠ 4. ročník ZŠ 8. ročník ZŠ, 3. ročník SŠ 8. ročník ZŠ ZŠ, SŠ ZŠ, SŠ 8. ročník ZŠ

2000 (čtení)

15letí žáci, 3. ročník SŠ

Počítačová gramotnost ICILS Čtenářská, matematická a PISA přírodovědná gramotnost

Výzkum učitelů

TALIS

Gramotnost dospělých

SIALS PIAAC

Zdroj: Potužníková, Lokajíčková, Janík, 2014

2003 (matematika) 2006 (přírodní vědy) 2009 (čtení) 2012 (matematika) 2008 (bez ČR) 2013 1998 2011

15letí žáci 15letí žáci 15letí žáci 15letí žáci učitelé 2. stupně ZŠ 15 – 65 let 16 – 65 let


63

B Úrovně způsobilosti – matematika Úroveň

6

5

4

3

2

Charakteristika úloh na dané úrovni Na úrovni 6 jsou žáci schopni konceptualizovat, zobecnit a použít informace, které získali vlastním zkoumáním a modelováním komplexní problémové situace. Dovedou propojit různé zdroje informací a různé reprezentace i flexibilně překládat z jedné formy reprezentace do druhé. Žáci ovládají pokročilé matematické myšlení a uvažování, jsou schopni využít vhled a porozumění, ovládají symbolické a formální matematické operace a vztahy. To vše využívají k vytváření nových přístupů a strategií pro řešení nových situací. Žáci jsou na této úrovni schopni formulovat, jak postupují, umějí reflektovat svá zjištění, výsledky, interpretace, argumenty a dovedou posoudit vhodnost těchto výsledků z hlediska původní situace. Na úrovni 5 žáci umějí vytvářet modely komplexních situací a s těmito modely dále pracovat, dovedou určit omezující podmínky a formulovat předpoklady. Umějí také vybírat, porovnávat a vyhodnotit strategie řešení vhodné pro práci s komplexními úlohami, které z modelů vyplývají. Na této úrovni žáci umějí postupovat jak strategicky, tak využívat bohaté a rozvinuté myšlení a uvažování, jsou schopni vhodné, navzájem propojené reprezentace a symbolické i formální charakteristiky situací a vhledu do nich. Umějí reflektovat své jednání a formulovat a sdělovat své interpretace a závěry. Na úrovni 4 žáci dovedou efektivně pracovat s explicitními modely komplexních konkrétních situací, které mohou obsahovat omezující podmínky nebo vyžadovat vyslovení předpokladů. Umějí zvolit a integrovat různé reprezentace včetně symbolických a jsou schopni je přiřadit k prvkům situací z reálného světa. Žáci na této úrovni využívají rozvinuté dovednosti a umějí v kontextech z reálného světa flexibilně uvažovat, někdy dokonce proniknout hluboko do situace. Dovedou zformulovat a sdělovat vysvětlení a argumenty, přičemž vycházejí z vlastních interpretací, argumentace a činnosti. Na úrovni 3 žáci umějí realizovat jasně definované postupy, včetně těch, které vyžadují sekvenční rozhodování. Dovedou zvolit a aplikovat jednoduché řešitelské strategie. Žáci na této úrovni jsou schopni interpretovat a využívat data pocházející z různých zdrojů informací a vyvozovat z nich závěry. Umějí krátce sdělit své interpretace, výsledky a dedukce. Na úrovni 2 žáci umějí interpretovat a poznat situace v kontextech, které nevyžadují víc než přímé úsudky. Dovedou vybrat podstatné informace z jednoho zdroje a využívají jednu formu reprezentace. Žáci na této úrovni umějí používat základní algoritmy, vzorce, postupy a konvence. Jsou schopni přímé dedukce a umějí doslovně interpretovat výsledky.


1

64

Na úrovni 1 žáci umějí odpovědět na otázky ze známého kontextu, pokud otázky obsahují všechny relevantní údaje a jsou jednoznačně definovány. Jsou schopni najít informace a provést rutinní postupy podle přesných instrukcí v explicitních situacích. Dovedou realizovat činnosti, které jsou nasnadě a přímo plynou ze zadání.

Zdroj: Palečková, Tomášek et al., 2013

Výsledky PISA 2012 zúčastněných zemí Evropské unie – matematika

65

C Výsledky PISA 2012 zúčastněných zemí Evropské unie – matematika Pořadí 1. 2. 3. 4. 5. 6. 7. 8. – 9. 8. – 9. 10. 11. 12. 13. Průměr OECD 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. Zdroj: OECD, 2014a

Země Nizozemsko Estonsko Finsko Polsko Belgie Německo Rakousko Irsko Slovinsko Dánsko Česká republika Francie Velká Británie Lotyšsko Lucembursko Portugalsko Itálie Španělsko Slovensko Litva Švédsko Maďarsko Chorvatsko Řecko Rumunsko Kypr Bulharsko

Získané body 523 521 519 518 515 514 506 501 501 500 499 495 494 494 491 490 487 485 484 482 479 478 477 471 453 445 440 439

Výsledky PISA 2012 zúčastněných zemí Evropské unie – přírodní vědy

66

D Výsledky PISA 2012 zúčastněných zemí Evropské unie – přírodní vědy Pořadí 1. 2. 3. 4. 5. – 6. 5. – 6. 7. – 8. 7. – 8. 9. 10. 11. 12. Průměr OECD 13. 14. 15. – 16. 15. – 16. 17. – 18. 17. – 18. 19. – 20. 19. – 20. 21. 22. 23. 24. 25. 26. 27. Zdroj: OECD, 2014a

Země Finsko Estonsko Polsko Německo Nizozemsko Irsko Slovinsko Velká Británie Česká republika Rakousko Belgie Lotyšsko Francie Dánsko Španělsko Litva Itálie Maďarsko Lucembursko Chorvatsko Portugalsko Švédsko Slovensko Řecko Bulharsko Rumunsko Kypr

Získané body 545 541 526 524 522 522 514 514 508 506 505 502 501 499 498 496 496 494 494 491 491 489 485 471 467 446 439 438

Výsledky PISA 2012 zúčastněných zemí Evropské unie – čtení

67

E Výsledky PISA 2012 zúčastněných zemí Evropské unie – čtení Pořadí 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Průměr OECD 11. 12. – 13. 12. – 13. 14. 15. – 18. 15. – 18. 15. – 18. 15. – 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. Zdroj: OECD, 2014a

Země Finsko Irsko Polsko Estonsko Nizozemsko Belgie Německo Francie Velká Británie Dánsko Česká republika Rakousko Itálie Lotyšsko Lucembursko Portugalsko Španělsko Maďarsko Chorvatsko Švédsko Slovinsko Litva Řecko Slovensko Kypr Rumunsko Bulharsko

Získané body 524 523 518 516 511 509 508 505 499 496 496 493 490 490 489 488 488 488 488 485 483 481 477 477 463 449 438 436

Výsledky TIMSS 2011 zúčastněných zemí Evropské unie – matematika

68

F Výsledky TIMSS 2011 zúčastněných zemí Evropské unie – matematika Pořadí 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. – 15. 14. – 15. 16. 17. Průměr TIMSS 18. 19. 20. – 21. 20. – 21. 22. Zdroj: Tomášek et al., 2012

Země VB – Severní Irsko Belgie (vlámská) Finsko VB – Anglie Nizozemsko Dánsko Litva Portugalsko Německo Irsko Maďarsko Slovinsko Česká republika Rakousko Itálie Slovensko Švédsko Malta Chorvatsko Španělsko Rumunsko Polsko

Průměr 562 549 545 542 540 537 534 532 528 527 515 513 511 508 508 507 504 500 496 490 482 482 481

Výsledky TIMSS 2011 zúčastněných zemí Evropské unie – přírodní vědy

69

G Výsledky TIMSS 2011 zúčastněných zemí Evropské unie – přírodní vědy Pořadí 1. 2. 3. 4. 5. – 6. 5. – 6. 7. 8. 9. – 10. 9. – 10. 11. 12. 13. 14. 15. – 16. 15. – 16. 17. 18. 19. – 21 19. – 21. 19. – 21. Průměr TIMSS 22. Zdroj: Tomášek et al, 2012

Země Finsko Česká republika Maďarsko Švédsko Slovensko Rakousko Nizozemsko VB - Anglie Dánsko Německo Itálie Portugalsko Slovinsko VB – Severní Irsko Chorvatsko Irsko Litva Belgie (vlámská) Rumunsko Španělsko Polsko Malta

Průměr 570 536 534 533 532 532 531 529 528 528 524 522 520 517 516 516 515 509 505 505 505 500 446

Výsledky PIRLS 2011 zúčastněných zemí Evropské unie

70

H Výsledky PIRLS 2011 zúčastněných zemí Evropské unie Pořadí 1. 2. 3. 4. 5. – 6. 5. – 6. 7. 8. 9. 10. – 12. 10. – 12. 10. – 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. Průměr PIRLS 24. Zdroj: Kramplová et al., 2012

Země Finsko VB – Severní Irsko Dánsko Chorvatsko Irsko VB - Anglie Nizozemsko Česká republika Švédsko Itálie Německo Portugalsko Maďarsko Slovensko Bulharsko Slovinsko Rakousko Litva Polsko Francie Španělsko Belgie (fr.) Rumunsko Malta

Průměr 568 558 554 553 552 552 546 545 542 541 541 541 539 535 532 530 529 528 526 520 513 506 502 500 477

Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe

I Platy učitelů nižšího sekundárního vzdělávání po 15 letech praxe Země Španělsko Lucembursko Portugalsko Německo Finsko Řecko Dánsko Velká Británie Francie Belgie Průměr EU Estonsko Polsko Nizozemsko Švédsko Irsko Slovinsko Itálie Rakousko Česká republika Maďarsko Slovensko Zdroj: OECD, 2014b

Plat/HDP na obyvatele 1,32 1,26 1,23 0,97 0,97 0,93 0,92 0,89 0,86 0,85 0,85 0,84 0,83 0,82 0,82 0,81 0,79 0,65 0,60 0,54 0,53 0,43

71

Hodnoty pro statickou kauzalitu

72

J Hodnoty pro statickou kauzalitu Země AT – Rakousko BE – Belgie CZ – Česká republika DE – Německo DK – Dánsko EE – Estonsko FI – Finsko FR – Francie HU – Maďarsko IE – Irsko IT – Itálie NL – Nizozemsko PL – Polsko SE - Švédsko SI – Slovinsko SK – Slovensko UK – Velká Británie Zdroj: OECD, 2014a, OECD, 2014b

Výsledky žáků (Performance) 500,67 509,67 500,00 515,33 498,00 526,00 529,33 499,67 486,33 515,33 489,67 518,67 520,67 482,00 498,67 472,00 502,33

Platy (Salaries) 0,60 0,85 0,54 0,97 0,92 0,84 0,97 0,86 0,53 0,81 0,65 0,82 0,83 0,82 0,79 0,43 0,89

Výsledky žáků z šetření PISA z let 2003 a 2012 a jejich rozdíly

73

K Výsledky žáků z šetření PISA z let 2003 a 2012 a jejich rozdíly Země PL – Polsko PT – Portugalsko DE – Německo IT – Itálie IE – Irsko LV - Lotyšsko ES – Španělsko AT – Rakousko LU – Lucembursko DK – Dánsko EL – Řecko BE – Belgie HU – Maďarsko FR – Francie NL – Nizozemsko CZ – Česká republika SK – Slovensko FI – Finsko UK – Velká Británie SE - Švédsko Zdroj: OECD 2004, OECD 2014a

2003 495,00 470,67 498,67 476,00 507,67 487,67 484,33 496,00 485,00 493,67 466,00 515,00 491,67 506,00 525,00 509,33 487,33 545,00 528,00 509,67

2012 520,67 488,00 515,33 489,67 515,33 494,00 489,33 500,67 489,67 498,00 465,67 509,67 486,33 499,67 518,67 500,00 472,00 529,33 502,33 482,00

Rozdíl 25,67 17,33 16,67 13,67 7,67 6,33 5,00 4,67 4,67 4,33 -0,33 -5,33 -5,33 -6,33 -6,33 -9,33 -15,33 -15,67 -25,67 -27,67

Hodnoty pro dynamickou kauzalitu – vybrané země Evropské unie

74

L Hodnoty pro dynamickou kauzalitu – vybrané země Evropské unie Země Polsko Portugalsko

Německo

Itálie

Irsko

Česká republika

Rok 2003 2009 2012 2000 2003 2006 2009 2012 2000 2003 2006 2009 2012 2000 2003 2006 2009 2012 2000 2003 2006 2009 2012 2000 2003 2006 2009 2012

Výsledky žáků 495,00 501,00 520,67 461,00 470,67 470,67 489,67 488,00 487,00 498,67 505,00 510,00 515,33 474,00 476,00 468,67 486,00 489,67 514,33 507,67 508,67 497,00 515,33 500,33 509,33 502,00 490,33 500,00

Zdroj: OECD 2002, 2003, 2004, 2005, 2007, 2008, 2010, 2011b, 2014a, 2014b

Platy 0,82 0,96 0,83 1,52 1,81 1,58 1,67 1,23 1,63 1,80 1,61 1,71 0,97 1,13 1,18 1,10 1,16 0,65 1,25 1,22 1,19 1,47 0,81 0,65 1,06 1,11 0,95 0,54


75

M Hodnoty pro srovnání grafů v roce 2000 Země AT – Rakousko BE – Belgie CZ – Česká republika DE – Německo DK – Dánsko EL – Řecko ES – Španělsko FI – Finsko FR – Francie HU – Maďarsko IE – Irsko IT – Itálie PT – Portugalsko SE – Švédsko UK – Velká Británie Zdroj: OECD 2002, OECD 2003

Výsledky žáků (Perfomance) 513,67 507,67 500,33 487,00 497,33 460,67 486,67 540,00 507,33 488,00 514,33 474,00 461,00 512,67 528,00

Platy (Salaries) 1,07 1,27 0,65 1,63 1,16 1,52 1,65 1,18 1,26 0,71 1,25 1,13 1,52 1,05 1,47


76

N Hodnoty pro srovnání grafů v roce 2003 Země AT – Rakousko BE – Belgie CZ – Česká republika DE – Německo DK – Dánsko EL – Řecko ES – Španělsko FI – Finsko FR – Francie HU – Maďarsko IE – Irsko IT – Itálie LU – Lucembursko NL – Nizozemsko PL – Polsko PT – Portugalsko SE – Švédsko SK – Slovensko UK – Velká Británie Zdroj: OECD 2004, OECD 2005

Výsledky žáků (Performance) 496,00 515,00 509,33 498,67 493,67 466,00 484,33 545,00 506,00 491,67 507,67 476,00 485,00 525,00 495,00 470,67 509,67 487,33 528,00

Platy (Salaries) 1,13 1,26 1,06 1,80 1,21 1,38 1,59 1,29 1,21 0,98 1,22 1,18 1,50 1,42 0,82 1,81 1,03 0,56 1,43


77

O Hodnoty pro srovnání grafů v roce 2006 Země AT – Rakousko BE – Belgie CZ – Česká republika DE – Německo DK – Dánsko EE – Estonsko EL – Řecko ES – Španělsko FI – Finsko FR – Francie HU – Maďarsko IE – Irsko IT – Itálie LU – Lucembursko NL – Nizozemsko PT – Portugalsko SE – Švédsko SI – Slovinsko UK – Velká Británie Zdroj: OECD 2007, OECD 2008

Výsledky žáků (Performance) 502,00 510,33 502,00 505,00 501,00 515,67 464,00 476,33 552,67 493,33 492,33 508,67 468,67 485,00 521,00 470,67 504,00 505,67 501,67

Platy (Salaries) 1,10 1,19 1,11 1,61 1,13 0,52 1,18 1,47 1,17 1,09 0,82 1,19 1,10 1,16 1,27 1,58 0,91 1,26 1,37


78

P Hodnoty pro srovnání grafů v roce 2009 Země AT – Rakousko BE – Belgie CZ – Česká republika DE – Německo DK – Dánsko EE – Estonsko EL – Řecko ES – Španělsko FI – Finsko FR – Francie HU – Maďarsko IE – Irsko IT – Itálie LU – Lucembursko NL – Nizozemsko PL – Polsko PT – Portugalsko SE – Švédsko SI – Slovinsko SK – Slovensko UK – Velká Británie Zdroj: OECD 2010, OECD 2011b

Výsledky žáků (Performance) 486,67 509,33 490,33 510,00 499,00 513,67 473,00 484,00 540,67 497,00 495,67 497,00 486,00 481,67 518,67 501,00 489,67 495,33 498,67 488,00 500,00

Platy (Salaries) 1,13 1,24 0,95 1,71 1,41 0,76 1,16 1,61 1,21 1,06 0,73 1,47 1,16 1,28 1,44 0,96 1,67 0,96 1,25 0,61 1,37


79

Q Hodnoty pro srovnání grafů v roce 2012 Země AT – Rakousko BE – Belgie CZ – Česká republika DE – Německo DK – Dánsko EE – Estonsko EL – Řecko ES – Španělsko FI – Finsko FR – Francie HU – Maďarsko IE – Irsko IT – Itálie LU – Lucembursko NL – Nizozemsko PL – Polsko PT – Portugalsko SE – Švédsko SI – Slovinsko SK – Slovensko UK – Velká Británie Zdroj: OECD, 2014a, OECD, 2014b

Výsledky žáků (Performance) 500,67 509,67 500,00 515,33 498,00 526,00 465,67 489,33 529,33 499,67 486,33 515,33 489,67 489,67 518,67 520,67 488,00 482,00 498,67 472,00 502,33

Platy (Salaries) 0,60 0,85 0,54 0,97 0,92 0,84 0,93 1,32 0,97 0,86 0,53 0,81 0,65 1,26 0,82 0,83 1,23 0,82 0,79 0,43 0,89

Srovnání vybraných základních škol

80

R Srovnání vybraných základních škol Ukazatel ZŠ Bakalka Výsledky mezinárodních Výborné srovnávacích testů Poloha školy Brno – 400 tis. obyv. S rozšířenou výukou Druh školy cizích jazyků Žáci Výběroví Počet žáků 705 Průměrný počet žáků na 27,11 třídu DVPP – průměrně 1 učitel Každého půl roku Průměrná cena DVPP Počítačové učebny, Počet počítačů na škole v každé třídě jeden Počet interaktivních tabulí V každé třídě jedna

ZŠ TGM Průměrně dobré Bystřice p. Host. – 8 tis. obyv. Klasická Všechny sociální skupiny 445 23,86 Každého 2,5 roku 350 Kč Počítačové učebny 2

Zdroj: Základní škola Brno, 2014, Základní škola T. G. Masaryka, 2014

Hodnocení vzdělávacích systémů v EU prostřednictvím studií o mzdách a úrovni vzdělávání

Recommend Documents