Mobilita mezi zaměstnaností a nezaměstnaností u starších pracovníků v ČR*

Mobilita mezi zaměstnaností a nezaměstnaností u starších pracovníků v ČR* LADA ŽELEZNÁ, MARTIN KREIDL** Fakulta sociálních studií, Masarykova univerzita, Brno

Transitions between Employment and Unemployment among Older Workers in the Czech Republic Abstract: There is a sharp discrepancy between the emphasis being placed on active ageing and labour market participation in older age and the high unemployment rates observed among older workers. Cross-sectional data in the Czech Republic consistently present evidence of job insecurity and employment vulnerability in older age groups. Aggregated data and statistical indices do not, however, offer a sufficiently detailed picture of the social processes (e.g. exit from the labour market, duration of unemployment, and exit from unemployment) behind the numbers. This article takes a dynamic look at the position of older workers in the labour market by investigating transitions between employment and unemployment using a sub-sample of older workers (50 year and over) from the Czech EU-SILC, who were interviewed repeatedly in a panel survey between 2004 and 2009. The authors use survival analysis methods to study the time-dependence of transitions into and out of unemployment and both with and without covariates. The results suggest that older workers are not at a higher risk of exiting the labour market (compared to other age groups), but once they are unemployed, their odds of getting back into employment are significantly lower. Even when controls (such as education level) are included in the model this disadvantage persists. Interestingly, while education generally protects people from labour market exit, this protective effect is weaker among older workers. Keywords: employment, unemployment, older workers, survival analysis, Czech Republic Sociologický časopis / Czech Sociological Review, 2016, Vol. 52, No. 4: 505–533 DOI: http://dx.doi.org/10.13060/00380288.2016.52.4.270

* Práce na článku byla podpořena grantovým projektem GAČR „Dynamika změny v české společnosti“ (č. 14-36154G). ** Veškerou korespondenci posílejte na adresu: Mgr. Lada Železná, Fakulta sociálních studií, Masarykova univerzita, Joštova 10, 602 00 Brno, e-mail: [email protected]. © Sociologický ústav AV ČR, v.v.i., Praha 2016 505

Sociologický časopis / Czech Sociological Review, 2016, Vol. 52, No. 4

Distribuce pracovních příležitostí je v moderních společnostech jednou ze základních dimenzí sociální stratifikace. Některé studie prokázaly [viz např. Ashenfelter, Ham 1979; Katrňák, Mareš 2007], že pravděpodobnost zaměstnanosti a nezaměstnanosti je více či méně diferencována napříč společenskými skupinami, které jsou utvářeny věkovými, vzdělanostními, genderovými, profesními či regionálními charakteristikami. Aby bylo na rostoucí nezaměstnanost možné adekvátně reagovat, je třeba tyto rozdílnosti zkoumat a nespokojit se s pouhou analýzou vývoje míry (ne)nezaměstnanosti a velikosti pracovní síly, případně počtu neobsazených pracovních míst na agregované úrovni. Je nutné zabývat se procesy, které stojí za stávající mírou nezaměstnanosti, jako jsou například míry přílivu a odlivu nezaměstnaných a jejich struktura. Zkoumání těchto procesů umožňuje lepší vhled do existujících rizik, jejich (ne)proměnlivosti, strukturace a závažnosti. Na základě dosavadních zjištění z ČR i ze zahraničí se zdá, že pracovníci ve věku nad 50 let jsou z hlediska zaměstnanosti skupinou rizikovou [viz např. STEM 2006; MPSV 2009; Taylor, Walker 1998; Chiu et al. 2001]. Riziko se zvyšuje zejména v situacích, kdy na trhu práce narůstá poptávka po vyšší dynamice a flexibilitě pracovní síly. Zvýšená pozornost věnovaná postavení starších osob na trhu práce ale vyplývá i z postupného stárnutí populace [United Nations 2013; ČSÚ 2013a], prodlužování věku pro odchod do důchodu a důrazu na aktivní stárnutí. Společně se stárnoucí společností stárne také pracovní síla, přičemž v budoucnu bude – podle současných demografických prognóz – klesat podíl ekonomicky aktivní populace [Bijak et al. 2007]. V reakci na tento vývoj evropské instituce i řada národních států zavádí reformy důchodových a sociálních systémů, jejichž stěžejní součástí je prodloužení participace starších osob na trhu práce. Současný trh práce však starším pracovníkům klade četné překážky a vyžaduje tak nové přístupy v oblasti řízení, celoživotního vzdělávání a pracovního výcviku. Realita rostoucího důrazu na delší dobu strávenou na trhu práce a nízkých zaměstnaneckých příležitostí je jedním z paradoxů současné politiky aktivního stárnutí a vede k potřebě lépe pochopit, jakým rizikům starší osoby na trhu práce čelí. Intenzivnější participace na trhu práce dále koliduje s dalšími rolemi starších osob, například s rolí pečovatelskou. Pracovníci staršího věku tak mnohdy předčasně opouštějí pracovní trh, aby pečovali o potomky svých dětí [Gray 2005], partnera nebo o své stárnoucí rodiče [Lilly, Laporte, Coyte 2007]. Nezaměstnanost v předdůchodovém věku má obvykle negativní ekonomické důsledky, které se promítají jednak do okamžitého zhoršení životní úrovně, ale i do výše budoucí penze. Nezaměstnanost však ohrožuje i samotný nárok na její získání, protože se pouze částečně započítává do počtu let odvodů na sociální pojištění. Společně s psychosomatickými důsledky spojenými s fyzickou a duševní neaktivitou [Aichberger et al. 2010], sociální izolací [Abu-Rayya 2006] a ekonomickou nejistotou [Adena, Myck 2014] může být situace dlouhodobé nezaměstnanosti pro starší pracovníky (a jejich okolí) výrazně ohrožující.

506

L. Železná, M. Kreidl: Mobilita mezi zaměstnaností a nezaměstnaností u starších pracovníků v ČR

Cílem této stati je popsání vzorců mobility mezi zaměstnaností a nezaměstnaností u pracovníků starších 50 let v České republice. Analýza je časově ohraničena lety 2004–2009, pro která máme k dispozici data z panelového výzkumu „Životní podmínky“ (EU-SILC). Využitím analýzy historie události (event history analysis) bude možné vytěžit časovou dimenzi panelových dat na úrovni jednotlivce (délka epizody zaměstnanosti, respektive nezaměstnanosti) a částečně i na úrovni vlivu strukturálních faktorů (historický čas). Většina studií nezaměstnanosti (respektive zaměstnanosti) pracuje pouze se statickými údaji, které revidují celkové počty nezaměstnaných v určitém časovém bodě a nesledují tak individuální zaměstnanecké dráhy. Využití panelových dat a dynamický pohled na fenomén (ne)zaměstnanosti – pomocí analýzy přechodů na trhu práce – je proto pro tento účel žádoucí a může nabídnout přesněji zacílený vhled do procesů, které ke konkrétní úrovni nezaměstnanosti v celé populaci a v jednotlivých zaměstnaneckých skupinách vedou. Protože nesledujeme jen aktuální stav (výskyt nezaměstnanosti), ale analyzujeme míry přílivu (do skupiny nezaměstnaných) a odlivu (ze skupiny nezaměstnaných), můžeme například ukázat, zda je vyšší míra nezaměstnanosti v určité věkové skupině způsobena spíše zvýšeným přílivem nebo naopak sníženým odlivem z nezaměstnanosti. Tato analýza je tak doplněním dřívějších rozborů vnitrogenerační zaměstnanecké mobility na českém trhu práce [např. Hamplová, Kreidl 2006; Katrňák et al. 2011], které se však zaměřovaly na jinou cílovou skupinu (např. muže, mladé absolventy atd.). Přechod mezi zaměstnaností a nezaměstnaností představuje nicméně pouze jeden ze segmentů mobility na trhu práce. Vyčerpávající popis této mobility by vyžadoval zahrnutí také přechodů mezi zaměstnaností a nezaměstnaností a různými typy pracovní neaktivity (mateřská či rodičovská dovolená, invalidní důchody, předčasné a řádné starobní důchody atd.) a dále by bylo třeba zohlednit individuální motivace, které k těmto přechodům vedly (tedy především míru dobrovolnosti). Vzhledem k šíři tématu, které by výrazně přesáhlo rozsah tohoto textu, a charakteru dat, které podrobněji nezkoumají motivační pozadí určitých změn v individuálních drahách, předkládaná analýza zohledňuje pouze přechod mezi zaměstnaností a nezaměstnaností. Výzvu pro další analýzu tak představují další typy individuální mobility na trhu práce, u starších pracovníků především přechody z trhu práce do starobního důchodu, zejména předčasného, a podrobnější popis příčin těchto přechodů.

Struktura nezaměstnanosti Jednotlivé segmenty ekonomicky aktivní populace se liší mírou rizika (i šancí) při pohybu na trhu práce. Riziko nezaměstnanosti je například stratifikováno věkem; předpokládá se však jeho nelineární efekt, kdy nezaměstnanost je nejvyšší mezi nejmladší věkovou skupinou ekonomicky aktivní populace, s rostoucím věkem rizika – až do určitého bodu – klesají, aby později (ke konci pracovní dráhy) zase na-

507


rostla [viz např. Vyhlídal, Mareš 2006; Chan, Stevens 2001]. U starších pracovníků se projevuje především dlouhodobý efekt ztráty zaměstnání: v zahraničních studiích je u této skupiny pozorována zejména dlouhodobá nezaměstnanost s nízkou pravděpodobností nalezení nového zaměstnání [Dixon 2003; Chan, Stevens 2001]. Jedním z nejvýraznějších faktorů, který pracovní sílu diferencuje, je vzdělání. Úroveň vzdělání je spojována s výší lidského kapitálu, který má jednotlivec k dispozici a který zvyšuje jeho šanci na uplatnění v konkurenčním prostředí tržní ekonomiky. Vyšší vzdělání snižuje u zaměstnaných riziko nezaměstnanosti. Dále vyšší vzdělání redukuje i délku nezaměstnanosti, pokud už k ní dojde [Mincer 1991].1 Protože je ale vzdělání silně korelováno s věkem (starší lidé jsou v průměru méně vzdělaní), není možné na základě agregovaných měr nezaměstnanosti (např. ve věkových skupinách) jednoznačně usuzovat na roli vyššího věku jako klíčového faktoru způsobujícího vyšší nezaměstnanost mezi staršími osobami. Korelace mezi věkem a nezaměstnaností může být nepravým vztahem způsobeným třetí (intervenující) proměnnou, právě vzděláním. Rozdíly lze také pozorovat v míře zaměstnanosti a nezaměstnanosti mužů a žen. V této oblasti však dochází k poměrně výraznému vývoji a ve většině zemí se rozdíl mezi pohlavími snižuje nebo zcela mizí. V Evropské unii byla v roce 2000 nezaměstnanost žen okolo 10 % a u mužů byla zhruba o dvě procenta nižší. Už v roce 2008 však nezaměstnanost mužů a žen konvergovala a v roce 2009 byla míra nezaměstnanosti mužů vyšší [viz Eurostat 2014]. Rozdíl v míře nezaměstnanosti mužů a žen je nižší v zemích, ve kterých na trh práce vstupuje vysoké procento žen [Azmat, Güell, Manning 2006].2 Rozdíl v obecné nezaměstnanosti mužů a žen bývá nejčastěji spojován s nižším lidským kapitálem žen, který je dán zejména nižší úrovní vzdělání a částečně (díky rodičovství) také nižší předchozí pracovní zkušeností. Protože však v posledních letech v evropských zemích mizí rozdíl ve vzdělání žen a mužů [DiPrete, Buchmann 2013], lze předpokládat, že tento faktor bude postupně na ústupu. V českém prostředí však zejména ve vyšších věkových skupinách může být stále relevantní. Rozdíly v rizicích a šancích na trhu práce byly pozorovány také mezi lidmi svobodnými (respektive ovdovělými či rozvedenými) a lidmi žijícími v manželství. Ze statistik vyplývá, že svobodní vykazují větší riziko nezaměstnanosti ve 1 Brunello [2001] však na základě analýzy panelových dat zjistil, že nezaměstnanost je sice s rostoucím vzděláním méně pravděpodobná, ale její výskyt má větší efekt na následný výdělek. 2 Autoři používají pojem „labour market attachment“, kterým se rozumí širší pojetí trhu práce, než je pouhá míra nezaměstnanosti. Pak lze do neaktivní části populace v ekonomicky aktivním věku zahrnout nejen nezaměstnané, tedy ty, kteří momentálně nemají zaměstnání, jsou schopní a ochotní pracovat a aktivně hledají zaměstnání, viz definice ILO. Například Eurostat tak k doplnění míry nezaměstnanosti využívá další tři indikátory, které umožňují zahrnout i osoby, které definici nezaměstnanosti nesplňují: osoby hledající práci, které však nejsou okamžitě dostupné, osoby dostupné pro práci, ale aktivně ji nehledající a nedobrovolně podzaměstnané osoby [viz de la Fuente 2011].

508


srovnání s lidmi ženatými/vdanými [Hraba et al. 1997; Choi, Valladares-Esteban 2013]. Vysvětlení tohoto fenoménu není jednoznačné, lze však předpokládat, že částečně se promítá efekt věku, kdy mezi svobodnými je větší procento mladších lidí, kteří nemají stabilní pozici na trhu práce. Choi a Valladares-Esteban také zjistili, že rozdíl mezi ženatými/vdanými a svobodnými je odlišný v případě mužů a žen. V případě žen například platí, že pokud opouští trh práce (zaměstnání), tak svobodné ženy výrazně častěji mění svůj status na nezaměstnanost, zatímco ženy vdané přechází do nějaké formy neaktivity (např. zůstávají v domácnosti), tedy práci aktivně nehledají. Jedním z vysvětlení proto může být rozdílná motivace osaměle žijících a těch, kteří žijí v páru, a mohou tedy spoléhat na finanční podporu od partnera. I proto je nutné v mnohorozměrné analýze kontrolovat i rodinný stav. Často diskutovaným tématem je také vztah mezi zdravotními problémy a ztrátou zaměstnání. Většina studií se zaměřuje především na důsledky nezaměstnanosti, kdy byly prokázány psychosomatické zdravotní důsledky periody nezaměstnanosti [srov. Mathers, Schofield 1998]. Strully [2009] zjistila, že špatný zdravotní stav zvyšuje pravděpodobnost ztráty zaměstnání, a to jak jeho dobrovolného opuštění, tak riziko výpovědi. Zdravotní stav je nutnou kontrolní proměnnou, a to zejména při analýze, která se (podobně jako naše) zaměřuje na starší osoby. Míra nezaměstnanosti je dále významně formována regionálně, tedy velikost rizika či šance na získání nového zaměstnání u jednotlivce závisí také na místě jeho bydliště. V této oblasti byl například prokázán vztah mezi nezaměstnaností a velikostí měst, respektive počtem jejich obyvatel [viz např. Vipond 1974; Sirmans 1977]. Lze předpokládat, že ve větších městech existuje více pracovních příležitostí. S ohledem na nízkou pracovní mobilitu v ČR by místo bydliště mohlo také sehrávat roli v případě přechodů mezi zaměstnaností a nezaměstnaností.

Postavení starších pracovníků na trhu práce – další okolnosti V oblasti analýzy pracovního trhu lze vysledovat vícero faktorů popisujících, proč jsou pracovníci ve věku vyšším než 50 let3 považováni za skupinu marginalizovanou, ohroženou četnými riziky a proč je momentálně obecně vysoký věk při pohybu na trhu práce považován za hendikep [STEM 2006; MPSV 2009; Taylor, Walker 1998; Chiu et al. 2001]. Jedním z těchto faktorů může být vzdělání, kdy se na českém i zahraničním pracovním trhu významně projevuje souvis3

Rozhodnutí použít hranici 50 let pro kategorii starších pracovníků není jednoznačné, protože v západních zemích bývá často tato skupina vymezena věkem 55–64 let, nicméně je třeba vzít ohled na regionální zvyklosti. V České republice bývá používána hranice 50 let pro vymezení marginalizované skupiny pracovníků, u které se například prodlužuje období nároku na podporu v nezaměstnanosti a soustřeďuje se na ni aktivní politika zaměstnanosti.

509


lost mezi vzděláním starších pracovníků a tendencí setrvat na pracovním trhu [Petrová Kafková, Rabušic 2010; Munnell 2009]. Vztah vzdělání a zaměstnanosti lze považovat za jednu z obecných charakteristik trhu práce, jež se s postupnou modernizací ekonomiky spíše posiluje. Například v ČR lze vazbu nízkého vzdělání a vyšší nezaměstnanosti pozorovat již od počátku devadesátých let [Mareš, Rabušic 1994]. Zároveň je však třeba vzít v úvahu, že tento faktor musí být hodnocen v kontextu dalších charakteristik, protože nízká kvalifikace by sama o sobě neznamenala marginalizaci v rámci trhu práce, pokud by nebyla doprovázena nízkou poptávkou po nekvalifikované pracovní síle [Sirovátka 1997]. Spojení marginalizace na trhu práce s nižší kvalifikací je však pouze jedním z faktorů, které zvyšují rizika u starších pracovníků. Jak upozorňuje například Mareš [2004], eufemismem pro marginalizaci často bývá flexibilita. Ve skutečnosti se však právě flexibilita podílí na marginalizaci určitých segmentů pracovní síly [viz např. Dudová 2008]. Požadavek flexibility je jednou z charakteristik současného trhu práce, jež bývá spojována právě se znevýhodněním starších pracovníků, kteří tento požadavek dostatečně nemohou naplňovat s ohledem na zdravotní stav, pracovní i životní návyky i úzké zaměření kvalifikace a pracovní zkušenosti. Zaměstnavatelé pak preferují mladší věkové skupiny, které zvyšující se nároky na flexibilitu naplňují lépe [Yeatss, Folts, Knapp 2000; Muffels 1998]. Flexibilitu lze tedy vedle nízké kvalifikace považovat za jeden z faktorů působících na marginalizaci starších pracovníků na trhu práce.4 Na pomezí mezi faktorem kvalifikace a flexibility leží také faktor modernizace, spojený s růstem počtu pracovních pozic, na kterých je nutné umět pracovat s novými technologiemi. Starší pracovníci v této oblasti postrádají nejen znalosti a pracovní návyky, ale často především schopnost přizpůsobit se vývoji a podstoupit nutné rekvalifikace pro výkon svého dosavadního zaměstnání. Výzkumy ukazují, že starší pracovníci bez znalosti počítačových technologií odcházejí dříve do důchodu, zvyšování kvalifikace v této oblasti pak působí jako faktor setrvání na trhu práce i v předdůchodovém a důchodovém věku5 [viz např. Bartel, Sicherman 1993; Friedberg 2003]. Znevýhodněné postavení starších pracovníků na trhu práce nelze však spatřovat pouze v jejich individuálních charakteristikách, ale zejména v obecném vývoji, kterým trh práce v současnosti prochází. Český trh práce prošel po roce 1989 více vývojovými etapami. Zvyšující se nároky na zaměstnance jsou obecně sdíleným trendem, který je nicméně značně segmentován, mimo jiné podle od4 Flexibilita sama o sobě ovšem není pro trh práce negativním jevem a pro určité segmenty pracovní síly je nahlížena jako vítaná charakteristika zaměstnanosti. Pro vyjádření této ambivalence se proto vžil pojem „flexicurity“, tedy snaha o rovnováhu mezi flexibilitou a ochranou trhu práce [viz Nekolová 2008; Mildeová, Potužáková 2011]. 5 Ačkoli se rekvalifikace starších pracovníků stala jednou z centrálních činností aktivní politiky zaměstnanosti, je třeba vzít v úvahu, že jednotliví pracovníci se také liší ve schopnosti percepce nových znalostí a schopností a úspěšnost intervence je tedy značně individuální charakteristikou [viz Hanson et al. 1997].

510


větví či profese. Zejména dochází k úpadku a deregulaci těch segmentů pracovního trhu, jež byly do konce osmdesátých let z politických důvodů subvencovány a upřednostňovány. Jedná se především o oblast těžkého průmyslu, hornictví a hutnictví, ale i dalších odvětví vyznačující se poptávkou po nízce kvalifikované pracovní síle [Mareš, Sirovátka, Vyhlídal 2002; Chiva, Manthorpe 2008]. Tento jev je provázen nejen marginalizací jednotlivých segmentů pracovní síly, ale vedl rovněž ke zvýraznění regionálních rozdílů. Celkově lze shrnout, že současná struktura českého pracovního trhu není pro setrvání v zaměstnání i v pozdějším věku příliš příhodná, a to zejména vzhledem k omezeným pracovním příležitostem pro starší pracovníky. Cílem následující analýzy je porovnání míry rizika ztráty zaměstnání a setrvání v nezaměstnanosti napříč věkovými skupinami mezi lety 2004 a 2009. Budeme analyzovat dva přechody (tranzice, události) na trhu práce: (1) mobilitu mezi zaměstnaností (počáteční stav) a nezaměstnaností (koncový stav), (2) mobilitu mezi nezaměstnaností (počáteční stav) a zaměstnaností (koncový stav). Předpokládáme, že riziko přechodu do nezaměstnanosti je vyšší u starších osob než u osob mladších. Předpokládáme zároveň, že pravděpodobnost opětovného zaměstnání je vyšší u mladších osob než u osob starších.

Data Analýza rizik na trhu práce může profitovat z dynamické analýzy (studium přechodů/mobility) založené na mnohorozměrných statistických technikách. Proto je třeba využít dat longitudinálních či dat s retrospektivním způsobem mapování pracovní dráhy, protože jen ta zachycují dynamické tranzice namísto statických stavů. Ze skupiny potenciálně využitelných dat jsme se rozhodli použít data z výzkumu EU-SILC (EU Statistics of Income and Living Conditions). Data EU-SILC využívají čtyřletý rotační panel, kdy je každý rok zhruba jedna čtvrtina výběrového souboru nahrazena novými domácnostmi. Výběr probíhá jako dvoustupňový stratifikovaný náhodný výběr. V prvním stupni jsou náhodně vybrány sčítací obvody a následně v rámci těchto obvodů určitý počet domácností [viz ČSÚ 2013c]. V České republice je výzkum prováděn od roku 2004 pod názvem „Životní podmínky“. Terénní šetření je organizováno každý rok. Pro analýzu byla využita data z let 2004–2009.6 Datové soubory získané v jednotlivých letech výzkumu byly tedy pro účely analýzy spojeny, čímž bylo dosaženo většího počtu respondentů a delšího časového období. Historicky tak analýza pokrývá šest let, z hlediska individuálních dat jsou pak pro každého respondenta pokryty maximálně čtyři roky, po které byl v průběhu výzkumu konkrétní respondent sledován. 6

Z hlediska realizace výzkumu se fakticky jedná o roky 2005 až 2010, ve kterých bylo prováděno terénní šetření. Respondenti nicméně na otázky ohledně zaměstnání odpovídali retrospektivně, tedy vypovídali o předcházejícím kalendářním roce. Proto se jedná o události let 2004 až 2009. 511


Protože výzkum probíhal v domácnostech, přičemž data byla sbírána zvlášť pro každého člena rodiny včetně dětí, bylo před provedením samotných analýz třeba některých úprav datového souboru. V úvodu byli vyloučeni respondenti, kteří v průběhu sledování nebyli ekonomicky aktivní, tedy například děti, studenti, důchodci nebo rodiče na mateřské či rodičovské dovolené. Po provedení této úpravy datový soubor čítal 14 800 respondentů, kteří mohli v době trvání výzkumu projít několika epizodami zaměstnanosti či nezaměstnanosti.

Použité metody a jejich zhodnocení Protože výzkumná otázka vyžaduje sledování respondentů v průběhu delšího časového období, a to pomocí mnohorozměrných statistických metod, byla pro analýzu zvolena metoda analýzy přežití.7 Její princip spočívá ve sledování výskytu událostí a jejich načasování. Událostí se rozumí změna sledovaného stavu subjektu: zde jde o tranzici ze zaměstnanosti do nezaměstnanosti (a zpět). Základním faktorem této tranzice je sledování času, který jedinec stráví v určitém stádiu [Jenkins 2005]. V případě analýzy zaměstnanosti tak tedy například sledujeme, zda (a po jaké době) respondent ztratil zaměstnání. Jednotlivé modely pak mohou odkrývat vztah mezi délkou času přežití a jedním či více prediktory, které se obvykle označují jako kovariáty [Fox 2002]. Základní metodou analýzy bude Coxova regrese, která je založena na modelu proporcionálních rizik (proportional hazard models) a patří v analýze přežití k nejčastěji využívaným metodám s univerzálními možnostmi. Zjednodušeně lze říci, že tato metoda vychází z předpokladu, že závislost rizika na čase má stejnou základní formu pro všechny jedince, nicméně konkrétní velikost rizika variuje napříč jednotlivci podle hodnot vysvětlujících proměnných [Allison 2010: 421]. Jinými slovy se předpokládá, že efekt nezávislých (predikčních) proměnných je stejný ve všech okamžicích (a neexistuje tedy interakce s analytickým časem). Tento předpoklad však může být opominut, pokud jsou tyto interakce signifikantní a jakožto takové jsou do modelu zahrnuty. V takovém případě může být Coxův model použit i pro neproporcionální rizika [viz Allison 2010: 422]. Ke grafickému dokreslení bude použit odhad Kaplan-Meierovy funkce přežití, který bude aplikován na celý soubor a dále na podskupiny subjektů, kdy tyto skupiny jsou definovány určitou kombinací pozorovatelných charakteristik [viz Jenkins 2005: 55], v našem případě půjde primárně o věkové skupiny. Kaplan-Meierova funkce přežití je pro tento typ dat vhodná, protože je možné její využití i pro data cenzorovaná zprava, tj. například pro respondenty, kteří během sledovaného období žádnou tranzicí neprojdou [viz Norušis 2009].

7 V sociálních vědách bývá taktéž používán pojem analýza historie událostí – event history analysis.

512


Operacionalizace klíčových proměnných Východiskem pro analýzu je mobilita přechodů mezi zaměstnaností8 a nezaměstnaností. Tuto mobilitu lze tedy rozdělit na dva typy, kdy první z nich je přechod ze zaměstnanosti do nezaměstnanosti a druhý přechod z nezaměstnanosti do zaměstnanosti. Pro každý z těchto přechodů bude provedena samostatná analýza. Data z šetření „Životní podmínky“ umožňují operacionalizovat přechody ze zaměstnanosti do nezaměstnanosti a různých forem ekonomické neaktivity (např. rodičovská dovolená, starobní důchod atd.) prostřednictvím proměnné „hlavní pracovní činnost“, která definuje ekonomickou aktivitu jedince v jednotlivých kalendářních měsících.9 Z této proměnné lze stanovit začátek a konec epizody a dále proměnnou „event“, která určuje, zda nastala či nenastala sledovaná událost (tedy přechod ze zaměstnanosti do nezaměstnanosti nebo naopak). Počátkem epizody pak je tedy buď měsíc, kdy bylo zahájeno pozorování respondenta, nebo měsíc, ve kterém zahájil (respektive opustil) zaměstnání. Následně bylo sledováno, zda mezi jednotlivými měsíci respondent změnil svůj status ekonomické aktivity. Pokud ano, pak buď nastala sledovaná událost (respondent opustil zaměstnání), nebo dochází k cenzorování. To může nastat buď proto, že se již respondent dále neúčastní výzkumu, nebo z důvodu přechodu do ekonomické neaktivity (tedy například odchod do důchodu nebo na mateřskou/rodičovskou dovolenou). Na základě definování začátku a konce epizody tak můžeme určit její délku (v měsících) a dále u každého respondenta známe skutečnost, zda u něj nastala či nenastala sledovaná událost. Analogický postup pak byl využit pro přechody z nezaměstnanosti do zaměstnanosti. Cenzorování pozorování v okamžiku, kdy nastane jiná než pozorovaná událost (např. odchod do důchodu při analýze přechodů do nezaměstnanosti), by se mohlo zdát problematickým, protože v principu jde o „konkurující riziko“ (competing risk). Odhadnutí plného modelu s konkurujícími si riziky je v principu možné, nevede však k lepším odhadům efektů použitých kovariát: odhadnutí modelu na cenzorovaných datech je považováno za „perfektně validní“ analytickou strategii [Stata Corp. 2011: 204], pouze Kaplan-Meierovy křivky mohou být zkreslené. Pro výstavbu modelů pak bylo na základě teorie a z dosavadních zjištění empirických studií nezaměstnanosti (viz kapitola „Struktura nezaměstnanosti“) zvoleno několik nezávislých proměnných, jejichž efekt na pracovní mobilitu je

8

Zaměstnáním se v tomto případě rozumí nejen zaměstnanecký poměr, ale jakákoliv ekonomická aktivita, tedy také samostatně výdělečná činnost (nikoliv však studium, důchod či mateřská/rodičovská dovolená). Zahrnuta je práce na plný i částečný úvazek, dohody o pracovní činnosti a dohody o provedení práce. 9 Tento údaj ČSÚ běžně výzkumníkům nedává k dispozici, my jsme podrobné měsíční záznamy o ekonomické aktivitě získali díky vstřícnosti RNDr. Jaromíra Kalmuse, kterému tímto děkujeme.

513


možné předpokládat. Ve vztahu k výzkumné otázce se jedná především o proměnnou věk. Ta byla transformována z původně spojité proměnné do tří kategorií, přičemž byli vyloučeni respondenti mladší 15 let. Věkové skupiny pak byly určeny následovně: 15–30 let, 31–50 let, 51 let a více.10 Do analýzy byla dále zahrnuta proměnná pohlaví (kódována: muž = 1, žena = 0) a proměnná vzdělání, která byla transformována do čtyř kategorií (1 = ZŠ, 2 = vyučení/SŠ bez maturity, 3 = SŠ s maturitou, 4 = VŠ). Dále byl zkoumán efekt proměnné rodinný stav (1 = svobodní, 2 = ženatí/vdané, 3 = rozvedení, 4 = ovdovělí). V případě zaměstnání byl také ve výzkumech prokázán efekt zdravotního stavu, který je ve výzkumu „Životní podmínky“ zkoumán prostřednictvím subjektivního hodnocení zdraví (1 = velmi dobrý či dobrý, 2 = přijatelný, 3 = špatný nebo velmi špatný). Do modelu byla zahrnuta také proměnná velikost bydliště, která byla pojata jako proměnná kategoriální (1 = do 50 tisíc obyvatel, 2 = do 100 tisíc, 3 = nad 100 tisíc). Analýza přechodů mezi zaměstnaností a nezaměstnaností vyžadovala ponechání pouze epizod, na jejichž začátku byl respondent zaměstnaný. Obdobně byly v případě přechodů mezi nezaměstnaností a zaměstnaností zahrnuty pouze epizody začínající nezaměstnaností. Před samotnou analýzou pak byli z obou datových souborů vyloučeni respondenti, u kterých byl zaznamenán chybějící údaj pro některou z nezávislých proměnných. Charakter analýzy dále vyžadoval rozdělení (splitting) epizod dle délky trvání na epizody starší než jeden rok a epizody delší než jeden rok. U epizod delších než jeden rok je možné předpokládat, že v některých případech dochází v jejich průběhu ke změně nezávislých proměnných, které chceme sledovat. Příkladem může být několik let trvající nezaměstnanost, v jejímž průběhu dochází ke zhoršení zdravotního stavu, což může vést ke snížení šancí návratu do zaměstnání či naopak může dojít ke zvýšení šancí návratu do zaměstnání zvýšením kvalifikace. Aby bylo možné tyto změny do analýzy zahrnout, bylo třeba epizody rozdělit na maximální délku jednoho kalendářního roku a této epizodě přiřadit hodnoty nezávislých proměnných, které byly u respondenta v tomto roce zaznamenány.11 Epizody jsou pak pro účely analýzy přežití spojeny prostřednictvím jednoznačného identifikátoru, který byl každému respondentovi na začátku sledování přidělen. Po provedení těchto úprav vstupovalo do analýzy přechodů ze zaměstnanosti do nezaměstnanosti celkově 12 979 respondentů, u nichž bylo zaznamenáno 10

Horní věková hranice nebyla určena, avšak ekonomicky neaktivní respondenti staršího věku (v důchodu) byli z analýzy vyloučeni, pokud u nich nebyla v průběhu sledování zaznamenána ekonomická aktivita ani v jednom měsíci. 11 Lepším řešením by bylo rozdělení epizod na dobu jednoho kalendářního měsíce, pro který máme záznam o ekonomické aktivitě. Výzkum však probíhal pouze jednou ročně a většinu změn, ke kterým mohlo dojít (zvýšení vzdělání, změna zdravotního stavu atd.), je tak možné sledovat pouze v průběhu předcházejícího roku.

514


49 615 epizod a nastalo – v době sledování – 1113 událostí (ztráta zaměstnání). Do analýzy přechodů z nezaměstnanosti do zaměstnanosti vstoupilo 1810 respondentů, celkový počet epizod byl 4760 a ke sledované události došlo u 1373 z nich.

Analýza přechodů ze zaměstnanosti do nezaměstnanosti Analýzu zahájíme odhadem Kaplan-Meierových funkcí přežití, a to s využitím grafických metod zobrazení výsledků. Primárním účelem je explorace tendencí v datech s ohledem na hlavní nezávislé proměnné, přičemž se tedy bude jednat pouze o jednorozměrnou analýzu, kdy usilujeme o základní ilustraci některých trendů v datovém souboru. První graf (Graf 1) zobrazuje funkci přežití pro celý datový soubor. Čas analýzy je 48 měsíců, což odpovídá čtyřem letům šetření, po které může nejdéle trvat jedna epizoda. Jak je patrné, během tohoto času bylo nezaměstnaností ukončeno zhruba 12 % celkového počtu sledovaných epizod zaměstnanosti. Křivka má poměrně pravidelný tvar, s určitými výkyvy na konci jednotlivých epizod.

0,95 0,89 0,85 0,80

Pravděpodobnost přežití

1,00

Graf 1. Kaplan-Meierova funkce přežití: přechody ze zaměstnanosti do nezaměstnanosti (ČR, 2004–2009)

0

12

24

36

48

Čas analýzy (měsíce)

Poznámka: N = 12 979, počet událostí = 1113.

515


0,95 0,90 0,84 0,75


1,00

Graf 2. Kaplan-Meierova funkce přežití: přechody ze zaměstnanosti do nezaměstnanosti: věkové skupiny (ČR, 2004–2009)

0

12

24

36

48

Čas analýzy (měsíce) 15−30 let

31−50 let

51 let a více


V dalším grafu (Graf 2) je zobrazen odhad Kaplan-Meierovy funkce přežití pro věkové skupiny. Respondenti byli dle věku rozděleni do tří skupin, přičemž první z nich zahrnuje mladé ekonomicky aktivní osoby do 30 let věku, druhá je vymezena věkem mezi 30 a 50 lety a poslední skupina zahrnuje nejstarší respondenty nad 50 let věku. Nejvyšší riziko přechodu do nezaměstnanosti mají nejmladší pracovníci, následovaní střední věkovou skupinou s lidmi od 31 do 50 let. Nejstarší věková skupina pak vykazuje nejnižší míru rizika ve srovnání se zbylými dvěma skupinami (viz Graf 2). Formální statistický test shodnosti křivek přežití potvrzuje, že se věkové skupiny v míře rizika statisticky významně odlišují (log rank test vede k chi2 = 71,16 při 22 stupních volnosti; p < 0,00005). Graf 3 zobrazuje jednotlivé křivky funkce přežití pro vzdělanostní skupiny, kdy první označuje respondenty se základním vzděláním, následují vyučení pracovníci, osoby se středoškolským vzděláním či vyšší odbornou školou a poslední skupina jsou zaměstnanci s vysokoškolským vzděláním. Z grafu je dobře patrné, že křivka funkce přežití výrazně nejstrměji klesá u osob se základním vzděláním, kdy kumulovaná úmrtnost na konci časového období dosahuje 25 %. Pro středoškoláky a vyučené má již křivka jiný tvar, úmrtnost na konci období je 516


0,95 0,85 0,75


1,00

Graf 3. Kaplan-Meierova funkce přežití: přechody ze zaměstnanosti do nezaměstnanosti: vzdělání (ČR, 2004–2009)

0

12

24

36

48

Čas analýzy (měsíce) ZŠ

Vyučení

SŠ

VŠ


zhruba o 15 procentních bodů nižší. Ještě výraznější rozdíl pak můžeme pozorovat u vysokoškoláků, kdy je po 48 měsících kumulovaná úmrtnost jen přibližně 5 % (viz Graf 3). Rovněž výsledky statistického testu shody křivek přežití potvrzují silný efekt vzdělání na riziko přechodu do nezaměstnanosti (chi2 = 202,06 se třemi stupni volnosti; p < 0,00005). V další části analýzy budeme chtít zahrnout vliv většího množství proměnných, a to prostřednictvím Coxovy regrese. Protože se jedná o metodu semiparametrickou, jsou minimalizovány požadavky na předpoklady analýzy. Jediným předpokladem Coxovy regrese, který je obvykle před provedením analýzy testován, je proporcionalita rizik. Proporcionalitu rizik je možné zkoumat graficky (odhadem Kaplan-Meierových funkcí přežití pro jednotlivé proměnné), přesnější vyhodnocení pak umožňuje test Schoenfeldových reziduí, který vyhodnocuje celý model. Při prověření předpokladů bylo zjištěno, že k narušení předpokladů dochází u proměnné věk a rok výzkumu. V případě proměnné rok výzkumu bylo narušení předpokladů nevyhnutelné, protože se jedná o časovou proměnnou, jejíž jednotlivé hodnoty tedy nebyly v průběhu pozorování rovnoměrně zastoupeny. Problematičtější je narušení předpokladů u proměnné věk. Pro řešení tohoto problému se nabízí tři možná řešení. Nejjednodušší a nejvyužíva517


nější možností je stratifikace celého modelu proměnnou, u níž byly předpoklady narušeny. V našem případě však není možné toto řešení využít, protože při stratifikaci nelze vyhodnotit vliv proměnné, kterou je model stratifikován [Fox 2002]. Další možností je použití oddělených modelů pro odlišné časové intervaly [Box-Steffensmeier, Zorn 2001]. Ani toto řešení se však nejeví vhodným, zejména s ohledem na skutečnost, že čas analýzy v tomto případě není příliš dlouhý a při jeho zkrácení se značně omezí počet událostí. Poslední možností pak je zahrnutí interakce funkce času a proměnné, u níž byl předpoklad narušen [Allison 1995]. Při tomto způsobu řešení je však obtížné z výsledného modelu provést interpretaci hlavního efektu původní proměnné, jejíž efekt nás v tomto případě nejvíce zajímá. Vzhledem ke grafickému testu výchozího předpokladu můžeme usuzovat, že předpoklad proporcionality nebyl narušen výrazně, protože křivky funkcí přežití pro jednotlivé věkové kategorie jsou paralelní a v žádném bodě analýzy nedochází k jejich křížení. Efekty jednotlivých proměnných budou tedy zkoumány v modelu bez interakce, s vědomím toho, že se nemusí jednat o lineární efekt přítomný po celý čas pozorování.12 Postupným přidáváním proměnných byly vytvořeny čtyři modely, jejichž výsledky jsou shrnuty v Tabulce 1. První model testoval pouze vliv hlavní proměnné věk, kdy se potvrdilo především výrazně vyšší riziko nejmladší věkové kategorie, přičemž rozdíl mezi střední a nejstarší věkovou skupinou je poměrně nevýrazný. Ve druhém modelu byl testován vliv věku při kontrole úrovně vzdělání. Zahrnutím této proměnné se vliv věku ještě dále prohlubuje (viz Tabulku 1). To indikuje, že mladí lidé jsou (ve srovnání se staršími) před rizikem nezaměstnanosti částečně chráněni svou (v průměru) vyšší vzdělaností. Efekt věku zůstává zachován i po přidání dalších proměnných (pohlaví a rodinný stav) ve třetím modelu. Konečně čtvrtý model testuje efekt všech zvolených proměnných: věk, vzdělání, pohlaví, rodinný stav, rok (výzkumu), velikost místa bydliště a zdravotní stav. Dle výsledků třetího a čtvrtého modelu vliv středního věku (31–50 let) klesá, zatímco vliv nejstarší věkové skupiny zůstává zachován či se ještě zvyšuje. Můžeme tedy usuzovat, že vliv věku na snižování rizika nezaměstnanosti je výrazný zejména po dosažení hranice 50 let. Pro další interpretaci byl využit poslední, nejpodrobnější model.13

12 V Coxově modelu proporcionálních rizik jsou tato rizika odhadována pro každý čas, ve kterém nastala sledovaná událost. Vzhledem k předpokladu proporcionality rizik jsou dány stejné váhy časným poměrům rizika (hazard ratio), které zahrnují téměř všechny respondenty, stejně jako pozdním, které zahrnují pouze ty respondenty, kteří „přežili“ do konce sledování [Bellera et al. 2010]. Poměr rizika je tak zprůměrován pro všechny časy událostí. Výsledek je tak pouze průměrem, který lépe predikuje pro kovariáty splňující předpoklad proporcionality rizik. Pokud předpoklad není splněn, část informace se ztrácí. Grafické zobrazení však umožňuje zjistit významnější odchylky od průměru. 13 K porovnání vhodnosti jednotlivých modelů byl použit test věrohodnostním poměrem (likelihood-ratio test), kterým byly postupně srovnány jednotlivé (vnořené) modely. Srovnáním třetího a čtvrtého modelu bylo ověřeno, že zahrnutí všech proměnných zvyšuje

518


Tabulka 1. Model Coxovy regrese pro přechody ze zaměstnanosti do nezaměstnanosti (ČR, 2004–2009) Model 1

Model 2

Model 3

Model 4

Poměr rizika (hazard ratio) Věk

Vzdělání

15–30 let

ref.

ref.

ref.

ref.

31–50 let

0,59***

0,57***

0,65***

0,63***

51 let a více

0,53***

0,47***

0,54***

0,44***

ref.

ref.

ref.

vyučení

0,49***

0,53***

0,61***

SŠ

0,33***

0,35***

0,45***

VŠ

0,14***

0,15***

0,21***

1,24***

1,29***

ref.

ref.

ženatý/vdaná

0,71***

0,63***

rozvedení

1,05

0,98

ovdovělí

0,80

0,62**

ZŠ

Pohlaví

žena

Rodinný stav

svobodní

Rok

Bydliště

Zdravotní stav

2004

ref.

2005

0,14***

2006

0,09***

2007

0,03***

2008

0,03***

2009

0,03***

do 50 tisíc obyvatel

ref.

do 100 tisíc

0,87

nad 100 tisíc

0,64***

dobrý

ref.

přijatelný

1,63***

špatný

3,04***

Poznámka: Počet respondentů = 12 979, počet událostí = 1113, P > |z| (* = 0,1; ** = 0,05, *** = 0,001). AIC (Model 1: 20 327; Model 2: 20 119; Model 3: 20 082; Model 4: 19 357).

519


Nejvyšší riziko opuštění zaměstnání má tedy nejmladší věková skupina. Střední věková skupina (31–50 let) má o 37 % nižší riziko ztráty zaměstnání a nejstarší věková skupina (nad 50 let) má riziko přechodu do nezaměstnanosti o 66 % nižší než nejmladší zaměstnanci. Tato zjištění o věkové stratifikaci rizika nezaměstnanosti tak přetrvávají i při kontrole vzdělání, rodinného stavu, pohlaví, zdraví, místa bydliště a roku. Vyšší věk tedy není sám o sobě faktorem, který by u starších zaměstnanců zvyšoval riziko přechodu do nezaměstnanosti, naopak, zdá se, že vyšší věk sám o sobě riziko přechodu do nezaměstnanosti výrazně snižuje. Nejvyšší riziko přechodu do nezaměstnanosti bylo zaznamenáno u respondentů se základním vzděláním. Výuční list snižuje riziko o 39 %, středoškolské vzdělání s maturitou o 55 % a riziko přechodu do nezaměstnanosti u vysokoškoláků je ve srovnání s lidmi s nejnižší mírou vzdělání nižší o 79 % (viz Tabulku 1). Míra rizika ztráty zaměstnání je nerovnoměrně distribuována také mezi muži a ženami, kdy ženy mají při kontrole věku, rodinného stavu, zdraví, roku, místa bydliště a vzdělání o 29 % vyšší riziko, že práci opustí. Faktor rodinného stavu vypovídá o signifikantně vyšším riziku ztráty zaměstnání u svobodných respondentů ve srovnání s lidmi žijícími v manželství či ovdovělými. Vliv zůstává zachován – poněkud překvapivě – i při kontrole věku (viz Tabulku 1). Vývoj rizika ztráty zaměstnání podle proměnné rok odpovídá vývoji nezaměstnanosti v ČR podle výsledků Výběrového šetření pracovních sil i registrované zaměstnanosti. V roce 2004 je nezaměstnanost na maximu, poté postupně klesá až do roku 2008. V datech se tedy příliš neprojevuje efekt ekonomické krize, která se v ČR začíná projevovat teprve v průběhu roku 2009. Riziko opuštění zaměstnání je vyšší v případě menších měst (do 50 000 obyvatel). Ve srovnání s velkými městy nad 100 000 obyvatel je riziko o 36 % vyšší. Jak jsme očekávali, riziko ztráty zaměstnání stoupá také se zhoršujícím se zdravotním stavem, kdy deklarovaný špatný zdravotní stav poměrně výrazně zvyšuje riziko ztráty zaměstnání.14 Do posledního modelu (Tabulka 2) byla dále zařazena interakce věku a vzdělání, aby bylo možné sledovat, zda úroveň vzdělanosti působí jinak uvnitř jednotlivých věkových skupin, nebo je její vliv homogenní. Jde o dílčí test hypotézy o kumulativních rizicích, podle které lze očekávat, že se rizika spojená s vyšším věkem a nižším vzděláním budou násobit. Tabulka 2 zobrazuje část tohoto vhodnost modelu (L2 = 758,89, d.f. = 9; p < = 0,00005). Srovnání jednotlivých modelů bylo dále ověřeno prostřednictvím statistik AIC a BIC, které výsledky potvrzují. Model 1: AIC = 20 327; BIC = 20 345; Model 2: AIC = 20 119; BIC = 20 163; Model 3: AIC = 20 082; BIC = 20 162; Model 4: AIC = 19 324; BIC = 19 500. 14 Výsledek je třeba interpretovat s ohledem na skutečnost, že byly zkoumány pouze přechody ze zaměstnání (respektive samostatně výdělečné činnosti) do nezaměstnanosti. Proměnná zdravotní stav by tedy neměla být ovlivněna např. přechody do starobního či invalidního důchodu.

520


Tabulka 2. Model Coxovy regrese pro přechody ze zaměstnanosti do nezaměstnanosti. Model 4 s interakcemi věku a vzdělání (ČR, 2004–2009) Model 5 Multiplikativní efekt (poměr rizika) Věk

Vzdělání

Věk * vzdělání

15–30 let

ref.

31–50 let

0,62**

51 let a více

0,23***

(15–30 let)

ZŠ

(15–30 let)

Marginální efekt

ref.

0,17***

vyučení

0,49***

0,08***

(15–30 let)

SŠ

0,34***

0,05***

(15–30 let)

VŠ

0,15***

0,02**

(31–50 let)

ZŠ

ref.

0,10***

(31–50 let)

vyučení

1,05

0,04***

(31–50 let)

SŠ

1,14

0,03***

(31–50 let)

VŠ

0,89

0,01**

(51 let a více)

ZŠ

ref.

0,05***

(51 let a více)

vyučení

1,69**

0,03***

(51 let a více)

SŠ

1,99**

0,02***

(51 let a více)

VŠ

3,31**

0,01**

Poznámka: Počet respondentů = 12 979, počet událostí = 1113, P > |z| (* = 0,1; ** = 0,05, *** = 0,001). AIC (Model 1: 20 327; Model 2: 20 119; Model 3: 20 082; Model 4: 19 357; Model 4 s interakcemi: 19 352,51).

modelu,15 tedy koeficienty multiplikativního a marginálního efektu interakcí. Formální statistický test interakce mezi věkem a vzděláním indikuje, že interakci nelze z modelu vyloučit (test hypotézy, že jsou všechny elementy interakce souhrnně rovny nule, vede k L2 = 16,82, což při šesti stupních volnosti implikuje p = 0,01). Interakce je i substantivně zajímavá. Význam vzdělání je výrazný ze15 Z důvodu přehlednosti tabulka nezobrazuje všechny ostatní nezávislé proměnné Modelu 4, jejichž koeficienty se po zahrnutí interakcí změnily pouze zanedbatelným způsobem.

521


jména u nejmladší věkové skupiny, kdy rostoucí vzdělání výrazněji než u zbývajících dvou skupin snižuje riziko nezaměstnanosti. Skupinou s nejnižším rizikem ztráty zaměstnání jsou osoby s vysokoškolským vzděláním ve středním věku, následovány osobami s vysokoškolským vzděláním ve vyšším věku. Teprve poté následují vysokoškoláci nejmladšího věku. Zdá se tedy, že ačkoli vyšší vzdělání obecně pravděpodobnost ztráty zaměstnání snižuje, rozhodující pravděpodobně bude také délka zaměstnání, praxe a další faktory, které by bylo vhodné v dalších analýzách zkoumat.

Analýza přechodů z nezaměstnanosti do zaměstnanosti Ve druhé části analýzy zkoumáme opačný směr přechodů, tedy přechody z nezaměstnanosti do zaměstnanosti. Předpokladem pro analýzu a tvorbu výchozího datového souboru je tedy nezaměstnanost na počátku epizody. Nevyhnutelným aspektem modelu pro tento typ mobility na trhu práce je nižší počet subjektů (respektive pozorování). Do analýzy vstupují pouze respondenti, kteří byli

0,75 0,50 0,25 0,00


1,00

Graf 4. Kaplan-Meierova funkce přežití: přechody z nezaměstnanosti do zaměstnanosti (ČR, 2004–2009)

0

12

24 Čas analýzy (měsíce)

Poznámka: Počet jedinců = 1810, počet událostí = 1373.

522

36

48


0,75 0,50 0,25 0,00


1,00

Graf 5. Kaplan-Meierova funkce přežití: přechody z nezaměstnanosti do zaměstnanosti: věkové skupiny (ČR, 2004–2009)

0

12

24

36

48

Čas analýzy (měsíce) 15−30 let

31−50 let

51 a více let


v průběhu pozorování nezaměstnaní, což představuje výrazně nižší procento než v případě respondentů v předcházející části analýzy, kde výchozí datový soubor tvořili všichni respondenti, kteří měli v průběhu pozorování alespoň jednu epizodu zaměstnanosti. Analýzu opět zahájíme odhadem Kaplan-Meierových funkcí přežití pro celý datový soubor a hlavní nezávislé proměnné. V prvním grafu (Graf 4) je zobrazena křivka přežití pro celý datový soubor. Podíl návratů na trh práce se v tomto případě v horizontu 48 měsíců blíží hranici 100 %. Do jednoho roku (12 měsíců) je ukončeno téměř 50 % epizod nezaměstnanosti, do dvou let pak zhruba 75 % epizod. I v tomto případě je distribuce míry rizika16 závislá na věku respondenta (Graf 5). Směr závislosti je však v tomto případě opačný, než tomu bylo v případě pravděpodobnosti opuštění trhu práce. Nezaměstnanost je ukončována v nejkratší době u příslušníků nejmladší věkové skupiny (15–30 let). Křivka rizika u nejstarší věkové skupiny nad 51 let je naopak nejméně strmá, tedy 16

V případě návratů na trh práce by se lépe hodilo použití pojmu „šance“, nicméně v dalším textu bude zachováno pojmosloví analýzy přežití, které využívá pojem „riziko“.

523


0,75 0,50 0,25 0,00


1,00

Graf 6. Kaplan-Meierova funkce přežití: přechody z nezaměstnanosti do zaměstnanosti: vzdělání (ČR, 2004–2009)

0

12

24

36

48

Čas analýzy (měsíce) ZŠ

vyučení

SŠ

VŠ


návraty do zaměstnání jsou pro tuto věkovou skupinu pozvolnější. Tvar křivky je však u nejstarší věkové skupiny ovlivněn také skutečností, že větší procento epizod je cenzorováno, protože část respondentů ukončuje epizodu nezaměstnanosti přechodem do starobního důchodu. Statistický test shodnosti křivek přežití potvrzuje vliv věku na přechody z nezaměstnanosti do zaměstnanosti (log rank test vede k chi2 = 80,00; při dvou stupních volnosti to implikuje p < 0,00005). Graf 6 ilustruje souvislost mezi dosaženým vzděláním a dobou trvání epizody nezaměstnanosti. Nejnižší šance rychlého návratu do zaměstnání pozorujeme u skupiny se základním vzděláním, nejvyšší u vysokoškoláků. Do jednoho roku jsou ukončeny téměř tři čtvrtiny epizod nezaměstnanosti vysokoškolsky vzdělaných osob, avšak pouze polovina epizod osob vyučených a do 12 měsíců je ukončeno pouze přibližně 20 % epizod nezaměstnanosti respondentů se základním vzděláním.17 Pro vysokoškolsky vzdělané osoby pak všechny epizody nezaměstnanosti končí nejpozději na konci třetího roku, pro osoby se základním vzděláním naproti tomu platí, že do čtyř let, kdy byli respondenti sledováni, ně17

Test rovnosti funkcí přežití pro jednotlivé kategorie vzdělání (Log-rank test) nasvědčuje zamítnutí hypotézy o rovnosti funkcí (chi2(3) = 86,49; p < 0,00005).

524


které epizody dále přetrvávají. Toto zjištění potvrzuje skutečnost, že osoby s nízkým vzděláním jsou častěji ohroženy dlouhodobou nezaměstnaností. Tabulka 3 prezentuje modely Coxovy regrese přechodů z nezaměstnanosti do zaměstnanosti.18 V prvním modelu byl testován pouze efekt proměnné věk a je zřejmé, že s rostoucím věkem klesají šance návratu do zaměstnání. Zajímavé je, že při zahrnutí proměnné vzdělání (Model 7) se efekt věku téměř nemění, stejně jako při kontrole dalších proměnných v osmém a devátém modelu. V dalším textu bude interpretován poslední model, který byl vyhodnocen jako nejvhodnější.19 V případě proměnné věk se potvrzuje tendence, o které nasvědčoval graf Kaplan-Meierovy funkce přežití, tedy že v tomto případě jsou rozdíly mezi jednotlivými věkovými skupinami o něco méně výrazné. Přesto můžeme říci, že s rostoucím věkem klesá šance rychlého přechodu z nezaměstnanosti do zaměstnanosti. Šance nejmladší věkové skupiny je ve srovnání s nejstarší věkovou skupinou téměř o 50 % vyšší. Toto zjištění přetrvává i při kontrole vzdělání a zdraví (a dalších proměnných) – věk je tedy zřetelně rizikovým faktorem sám o sobě a pozorované vyšší agregované míry nezaměstnanosti u starších osob nejsou vysvětlitelné poukazem na jejich v průměru nižší vzdělání a horší zdravotní stav. V případě vzdělanostních skupin jsou rozdíly mezi jednotlivými kategoriemi výraznější. Každý další stupeň vzdělání zvyšuje přibližně o 50 % šanci na včasný přechod do zaměstnanosti. Šance jsou strukturovány i podle pohlaví, přičemž rychleji zaměstnání nachází muži. Obdobně jako v předchozím případě vykazují vyšší šance přechodu do zaměstnanosti lidé žijící v manželství ve srovnání se skupinou svobodných (viz Tabulku 3). Efekt velikosti místa bydliště se v tomto případě výrazně neprojevuje, efekt zdravotního stavu se projevuje statisticky významně pouze u deklarovaného špatného zdravotního stavu. Interpretovat efekt roku výzkumu je v tomto případě obtížné, ačkoli jsou rozdíly mezi jednotlivými lety statisticky významné. Ze získaných výsledků však není možné vyčíst jednoznačný trend. Stejně jako v předcházející části ana18

I v tomto případě bylo testováno splnění předpokladu proporcionality rizik. Stejně jako v předchozí části analýzy dvě proměnné v modelu předpoklad narušují. Opět se jedná o časovou proměnnou rok a dále není předpoklad částečně splněn u proměnné vzdělání. I v tomto případě bude však interpretován model bez interakce vzdělání a času, a to především s ohledem na grafický test prostřednictvím odhadu Kaplan-Meierovy funkce přežití, který v případě vzdělání nenasvědčuje vážnějšímu narušení proporcionality rizik, vzhledem k tomu, že jsou křivky jednotlivých kategorií souběžné a v žádném bodě nedochází k jejich křížení. 19 K porovnání vhodnosti jednotlivých modelů byl použit test věrohodnostním poměrem, kterým byly postupně srovnány jednotlivé vhnízděné modely. Srovnáním třetího a čtvrtého modelu bylo ověřeno, že zahrnutí všech proměnných zvyšuje vhodnost modelu (LR2 = 42,48; d.f. = 9, p < 0,00005). Srovnání jednotlivých modelů bylo dále ověřeno prostřednictvím statistik AIC a BIC. Model 1: AIC = 18 024; BIC = 18 037; Model 2: AIC = 17 987; BIC = 17 987; Model 3: AIC = 17 952; BIC = 18 010; Model 4: AIC = 17 928; BIC = 18 044.

525


Tabulka 3. Model Coxovy regrese pro přechody z nezaměstnanosti do zaměstnanosti (ČR, 2004–2009). Model 6

Model 7

Model 8

Model 9

Poměr rizika (hazard ratio) Věk

Vzdělání

15–30 let

ref.

ref.

ref.

ref.

31–50 let

0,71***

0,71***

0,67***

0,71***

51 let a více

0,51***

0,52***

0,48***

0,54***

ref.

ref.

ref.

vyučení

1,52***

1,50***

1,47***

SŠ

1,96***

1,97***

1,96***

VŠ

2,60***

2,61***

2,54**

0,89**

0,89**

ref.

ref.

ženatý/vdaná

1,18**

1,16*

rozvedení

1,05

1,06

ovdovělí

0,76

0,76

ZŠ

Pohlaví

žena

Rodinný stav

svobodní

Rok

Bydliště

Zdravotní stav

2004

ref.

2005

0,77**

2006

0,64***

2007

0,62***

2008

0,70**

2009

0,56***

do 50 tisíc obyvatel

ref.

do 100 tisíc

0,88

nad 100 tisíc

0,88

dobrý

ref.

přijatelný

0,97

špatný

0,65***

Poznámka: Počet respondentů = 4760, počet událostí = 1373, P > |z| (* = 0,1; ** = 0,05, *** = 0,001). AIC (Model 1: 18 024; Model 2: 7955; Model 3: 17 952; Model 4: 17 928).

526


Tabulka 4. Model Coxovy regrese pro přechody ze zaměstnanosti do nezaměstnanosti. Model 4 s interakcemi věku a vzdělání (ČR, 2004–2009). Model 10 Multiplikativní efekt (poměr rizika) Věk

Vzdělání

Věk * vzdělání

15–30 let

ref.

31–50 let

0,85

51 let a více

0,79

(15–30 let)

ZŠ

(15–30 let)

Marginální efekt

ref.

0,63***

vyučení

1,58**

1,06***

(15–30 let)

SŠ

2,59***

1,65***

(15–30 let)

VŠ

3,13***

1,95***

(31–50 let)

ZŠ

ref.

0,54***

(31–50 let)

vyučení

0,94

0,84***

(31–50 let)

SŠ

0,68*

0,91***

(31–50 let)

VŠ

0,75

1,32***

(51 let a více)

ZŠ

ref.

0,45***

(51 let a více)

vyučení

0,77

0,59***

(51 let a více)

SŠ

0,53**

0,69***

(51 let a více)

VŠ

0,62

1,01**

Poznámka: N = 4760, N (failures) = 1373, P > |z| (* = 0,1; ** = 0,05, *** = 0,001). (AIC Model 1: 18 024; Model 2: 17 955; Model 3: 17 952; Model 4: 17 928 Model 4 s interakcemi: 17 929,37).

lýzy musíme konstatovat, že efekt historického období není možné smysluplně vyhodnotit – přesto je však třeba efekt této proměnné v modelu kontrolovat. Při interpretaci výsledků analýzy přechodů z nezaměstnanosti do zaměstnanosti je však třeba vzít v úvahu jejich nižší validitu než v případě opačného typu mobility. Vzhledem k charakteru vstupních dat má datový soubor v případě návratů na trh podstatně menší počet respondentů (1810), epizod (4760) a událostí (1373). Tím je způsobeno, že některé kategorie jsou poměrně řídce zastoupeny.

527


Stejně jako v případě přechodů do nezaměstnanosti byla i do modelu opačného typu přechodů přidána interakce vzdělání a věku, viz Tabulku 4. Interakční efekt je však v tomto případě na hranici obvyklé statistické významnosti (srovnání modelu s interakcí a modelu bez interakce vede k L2 = 10,73 se šesti stupni volnosti; p = 0,097). Pohled na odhadnuté parametry této interakce nicméně naznačuje určité substantivně zajímavé závislosti. Rostoucí vzdělání zvyšuje šanci na pracovní uplatnění ve všech věkových kategoriích. U nejmladší věkové skupiny má nejvýraznější vliv zejména vysokoškolské vzdělání, zatímco u nejstarší věkové kategorie nejvyšší stupeň vzdělání šance ve srovnání se středoškolským vzděláním výrazně nemění. To odpovídá situaci, kdy u starších osob některé jiné (zde neměřené) charakteristiky – jako například předchozí pracovní zkušenost – výrazně determinují mobilitu z nezaměstnanosti a vzdělání je (například pro potenciální zaměstnavatele) méně důležitým hodnotícím kritériem uchazečů o zaměstnání.

Závěr Cílem této stati bylo vyhodnocení pohybů a mobility na trhu práce mezi lety 2004–2009 se zaměřením na skupinu starších pracovníků, která bývá z hlediska politiky zaměstnanosti považována za skupinu rizikovou. Na základě využití panelových dat z výzkumu „Životní podmínky“ (EU-SILC) byly analyzovány dva mobilitní přechody – přechod ze zaměstnání do nezaměstnanosti a přechod z nezaměstnanosti zpět do zaměstnání. Ukázalo se, že věk sehrává v těchto dvou tranzicích odlišnou roli. Rizika starších pracovníků při přechodu ze zaměstnanosti do nezaměstnanosti se jeví jako nižší ve srovnání s nejmladší věkovou skupinou (a podobně také ve srovnání se střední věkovou skupinou). Pracovníci starší 50 let však vykazují ve srovnání s mladšími věkovými skupinami značně nižší pravděpodobnost, že po období nezaměstnanosti v krátkém čase zahájí zaměstnání nové. Tato skutečnost přetrvává i při kontrole pro zdravotní stav či nižší vzdělání, což jsou faktory typicky přisuzované starší věkové skupině a chápané jako jeden z vysvětlujících faktorů problematického postavení starších pracovníků na trhu práce. Vyšší agregovaná nezaměstnanost starších pracovníků tedy dominantně vyplývá z jejich omezené schopnosti návratu do zaměstnání po ztrátě práce. Předložená analýza může indikovat obecné vzorce zaměstnanosti a nezaměstnanosti různých věkových skupin, je však třeba poznamenat, že rozdíly nemusí být dány pouze hendikepy, které jsou s určitým věkem spojeny. Lze tak předpokládat, že riziko ztráty zaměstnání je vyšší u mladších pracovníků, kteří nemají dostatek pracovních zkušeností a jejich pozice je ve srovnání se staršími zaměstnanci méně stabilní. Zároveň lze ale také předpokládat, že mladší pracovníci mohou být méně motivováni k udržení zaměstnání vzhledem k tomu, že jejich šance při hledání nové pracovní příležitosti jsou vysoké a navíc se ve značné části případů jedná o bezdětné jedince. U starších pracovníků pak naopak

528


můžeme předpokládat, že jejich motivace k hledání nového zaměstnání po ztrátě zaměstnání předchozího je snížena, pokud zaměstnání ztratili v období krátce před nástupem do předčasného či řádného důchodu nebo pokud je například vyžadována jejich pomoc při péči o potomky svých dětí. Lze tedy obecně shrnout, že pravděpodobnost ztráty či zanechání zaměstnání je u starší věkové skupiny ve srovnání zejména s nejmladší věkovou skupinou nižší a stejně tak existuje u této skupiny nižší pravděpodobnost včasného návratu do zaměstnání. Na příčinu tohoto stavu však lze usuzovat pouze z dostupné literatury, která naznačuje, že minimálně část těchto rozdílů mezi různými věkovými skupinami může být vysvětlena hendikepy spojené s vysokým, respektive nízkým věkem. Naše modely neindikují, že by v pozdějším věku docházelo ke zvýraznění některých obecných rizik (například těch spojených s nižším formálním vzděláním). Vzdělání je obecně výrazným diferenciačním faktorem rizika mobility, to ale platí silněji zejména u nejmladší věkové skupiny, zatímco u nejstarší věkové skupiny význam vzdělání při vyhodnocení rizika či šance pro ztrátu či zahájení zaměstnání klesá. Tento klesající diferenciační potenciál vzdělání naznačuje, že vyšší věk by mohl být sám o sobě poměrně výrazným hendikepem, bez ohledu na lidský kapitál, který mají starší pracovníci k dispozici. Nelze tak proto například očekávat, že problém zaměstnávání starších osob bude postupně vyřešen tím, že budou stárnout generace, které mají v průměru vyšší vzdělání. Vzhledem k relativně nízkému vlivu vzdělání na riziko nezaměstnanosti u starších osob se zdá, že potenciál celoživotního učení (neustálé aktualizace znalostí a adaptace na využívání nových technologií) je v této věkové skupině jen omezený. Důraz na celoživotní učení – jakkoli opodstatněný – by proto měl být doprovázen systematickou motivací zaměstnavatelů k využívání potenciálu starších zaměstnanců a celospolečenskou změnou přístupu ke stárnoucím lidem. Zároveň by měly být zkoumány další bariéry zaměstnanosti starších osob, spočívající například ve využívání prarodičů v péči o vnoučata vzhledem k nedostupnosti veřejných zařízení poskytujících tyto služby. Jak již bylo řečeno v úvodu, mobilita mezi zaměstnaností a nezaměstnaností tvoří pouze malý segment mobility na pracovním trhu. Pro komplexní pokrytí tématu by bylo vhodné vzít do úvahy i další typy přechodů, jako jsou například počátky starobního či invalidního důchodu nebo přechody mezi zaměstnaností a podzaměstnaností (tedy například nedobrovolné částečné úvazky), jednotlivými typy pracovních smluv a další. Jakkoli jsou bodové odhady jednotlivých parametrů našich modelů statisticky korektní, nemohou poskytnout komplexní pohled na situaci starších osob na trhu práce. Další dostupné tranzice mohou například ovlivňovat motivaci k hledání nového zaměstnání či udržení si zaměstnání stávajícího. Pro mladší věkové skupiny (v ČR v současnosti především ženy) se tak nabízí alternativa přechodu ze zaměstnanosti či nezaměstnanosti na rodičovskou dovolenou, starší věkové skupiny pak mohou období nezaměstnanosti zkrátit přechodem do předčasného starobního důchodu, řádného starobního důchodu nebo důchodu invalidního.

529


Nedostatkem využitých dat je především jejich cenzorovaný charakter, kdy nebyly přesně známy počátky epizod zaměstnanosti, protože respondenti nebyli dotazováni na počátek svojí zaměstnanosti či nezaměstnanosti a byli sledováni pouze po čtyři roky. Pro další zkoumání této problematiky by tedy bylo vhodné zařadit otázku, která by umožnila zkoumat epizody zaměstnanosti či nezaměstnanosti retrospektivně v celé jejich šíři, případně využít panelová data z výzkumných šetření, která respondenty sledují po delší časové období.

LADA ŽELEZNÁ vystudovala obor sociologie na Filozofické fakultě Univerzity Karlovy v Praze a Fakultě sociálních studií Masarykovy univerzity, kde pokračuje v doktorském studijním programu sociologie. Zaměřuje se na sociologii rodiny, fertility a mezigeneračních vztahů. MARTIN KREIDL vystudoval postgraduálně sociologii na Kalifornské univerzitě v Los Angeles (M.A. 2001, Ph.D. 2005) a na Fakultě sociálních věd Univerzity Karlovy v Praze (Ph.D. 2003). Zabývá se výzkumem sociálních nerovností a mobility, sociální demografií, sociologií zdraví a kvantitativními aplikacemi v sociálních vědách.

Literatura Abu-Rayya, H. M. 2006. „Depression and Social Involvement among Elders.“ The Internet Journal of Health [online] 5 (1), dostupné z: http://ispub.com/IJH/5/1/10692. Adena, M., M. Myck. 2014. „Poverty and Transitions in Health in Later Life.“ Social Science & Medicine 116: 202–210, http://dx.doi.org/10.1016/j.socscimed.2014.06.045. Aichberger, M. C., M. A. Busch, F. M. Reischies, A. Ströhle, A. Heinz, M. A. Rapp. 2010. „Effect of Physical Inactivity on Cognitive Performance after 2.5 Years of Follow-Up.“ GeroPsych: The Journal of Gerontopsychology and Geriatric Psychiatry 23 (1): 7–15, http://dx.doi.org/10.1024/1662-9647/a000003. Allison, P. D. 1995. Survival Analysis Using SAS: A Practical Guide. Cary, NC: SAS Institute Inc. Ashenfelter, O., J. Ham. 1979. „Education, Unemployment, and Earnings.“ Journal of Political Economy 87 (5): 99–116, Part 2: Education and Income, http://dx.doi.org/10.1086/260824. Azmat, G., M. Güel, A. Manning. 2006. „Gender Gaps in Unemployment Rates in OECD Countries.“ Journal of Labor Economics 24 (1): 1–37, http://dx.doi.org/10.1086/497817. Bartel, A. P., N. Sicherman. 1993. „Technological Change and Retirement Decisions of Older Workers.“ Journal of Labor Economics 11 (1): 162–183, Part: 1: Essays in Honor of Jacob Mincer, http://dx.doi.org/10.1086/298321. Bellera, C. A., G. MacGrogan, M. Debled, C. de Lara, V. Brouste, S. Mathoulin-Pélissier. 2010. „Variables with Time-Varying Effects and the Cox Model: Some Statistical Concepts Illustrated with a Prognostic Factor Study in Breast Cancer.“ BMC Medical Research Methodology 10 (1): 20, http://dx.doi.org/10.1186/1471-2288-10-20. Bijak, J., D. Kupiszewska, M. Kupiszewski, K. Saczuk, A. Kicinger. 2007. „Population and Labour Force Projections for 27 European Countries, 2002–052: Impact of International

530


Migration on Population Ageing.“ European Journal of Population 23 (1): 1–31, http://dx.doi.org/10.1007/s10680-006-9110-6. Box-Steffensmeier, J. M., C. J. W. Zorn. 2001. „Duration Models and Proportional Hazards in Political Science.“ American Journal of Political Science 45 (4): 972–988, http://dx.doi.org/10.2307/2669335. Brunello, G. 2001. „Unemployment, Education and Earnings Growth.“ IZA Discussion Paper Series 311. ČSÚ. 2013a. Projekce obyvatelstva České republice (Projekce 2013). Praha: Český statistický úřad. ČSÚ. 2013b. Zaměstnanost a nezaměstnanost podle výsledků VŠPS – 3. čtvrtletí 2013. Praha: Český statistický úřad. ČSÚ. 2013c. Postavení českého trhu práce v rámci EU. Praha: Český statistický úřad. Dixon, S. 2003. „Implications of Population Ageing for the Labour Market.“ Labour Market Trends 112 (2): 76–66. de la Fuente, A. 2011. „New Measures of Labour Market Attachment.“ Eurostat: Statistics in Focus 57. DiPrete, T. A., C. Buchmann. 2013. „Gender Disparities in Educational Attainment in the New Century: Trends, Causes and Consequences.“ The US2010 Project. NY: Russel Sage Foundation. Dudová, R. (ed.). 2008. Nové šance a rizika. Flexibilita práce, marginalizace a soukromý život u vybraných povolání a sociálních skupin. Praha: Sociologický ústav AV ČR, v.v.i. Eurostat. 2014. „Unemployment Statistics.“ Eurostat [online]. Luxembourg: Eurostat [cit. 14. 6. 2014]. Dostupné z: http://epp.eurostat.ec.europa.eu/statistics_explained/ index.php/Unemployment_statistics#. Fox, J. 2002. „Cox Proportional-Hazards Regression for Survival Data.“ Pp. 1–18 (Appendix) in An R and S-Plus Companion to Applied Regression. California: Sage Publications, Inc, Thousand Oaks. Friedberg, L. 2003. „The Impact of Technological Change on Older Workers: Evidence from Data on Computer Use.“ Industrial and Labor Relations Review 56 (3): 511–529, http://dx.doi.org/10.2307/3590922. Gray, A. 2005. „The Changing Availability of Grandparents as Carers and Its Implications for Childcare Policy in the UK.“ Journal of Social Policy 34 (4): 557–577, http://dx.doi.org/10.1017/S0047279405009153. Hamplová, D., M. Kreidl. 2006. „The Winners in a Globalizing World. Mid-career Men in the Czech Republic.“ Pp. 269–296 in H.-P. Blossfeld, M. Mills, F. Bernardi (eds.). Globalization, Uncertainty and Men’s Careers. An International Comparison. Cheltenham, UK; Northampton, MA, USA: Edward Elgar. Hanson, R. O., P. D. DeKoekkoek, W. M. Neece, D. W. Patterson. 1997. „Successful Ageing at Work: Annual Review, 1992–1996: The Older Worker and Transitions to Retirement.“ Journal of Vocational Behavior 51 (2): 202–223, http://dx.doi.org/10.1006/jvbe.1997.1605. Hraba, J., A. L. McCutcheon, J. Večerník. 1997. „Životní šance mužů a žen v období transformace.“ Sociologický časopis 33 (4): 405–421. Chan, S., A. H. Stevens. 2001. „Jobs Loss and Employment Patterns of Older Workers.“ Journal of Labor Economics 19 (2): 484–521, http://dx.doi.org/10.1086/319568. Chiu, W. C. K., A. V. Chan, E. Snape, T. Redman. 2001. „Age Stereotypes an Discriminatory Attitudes towards Older Workers: An East-West Comparison.“ Human Relations 54 (5): 629–661, http://dx.doi.org/10.1177/0018726701545004. Chiva, A., J. Manthorpe. 2008. Older Workers in Europe. New York: Open University Press. Choi, S., A. Valladares-Esteban. 2013. „Unemployment Heterogenity Across Households and Time.“ Mimeo.

531


Jenkins, S. P. 2005. Survival Analysis. Unpublished manuscript, Institute for Social and Economic Research, Colchester: University of Essex. Katrňák, T., M. Kreidl, V. Kulhavý, T. Sirovátka. 2011. „Factors Influencing the Position of Young People on the Labor Market and Changes in Mobility Opportunities in the Czech Republic.“ Pp. 239–263 in Youth on Globalised Labour Markets: Rising Uncertainty and its Effects on Early Employment and Family Lives in Europe. Opladen & Farmington Hills: Barbara Budrich Publishers. Katrňák, T., P. Mareš. 2007. „Segmenty zaměstnaných a nezaměstnaných v České republice v letech 1998 až 2004.“ Sociologický časopis / Czech Sociological Review 43 (2): 281–303. Lilly, M. B., A. Laporte, P. Coyte. 2007. „Labor Market and Home Care’s Unpaid Caregivers: A Systematic Review of Labor Force Participation Rates, Predictors of Labor Market Withdrawal, and Hours of Work.“ Milbank Quarterly 85 (4): 641–690, http://dx.doi.org/10.1111/j.1468-0009.2007.00504.x. Mareš, P. 2004. „Od práce emancipující k práci mizející.“ Sociologický časopis / Czech Sociological Review 42 (1–2): 37–48. Mareš, P., L. Rabušic 1994. „Nezaměstnanost v České republice na počátku devadesátých let v regionálním pohledu.“ Sociologický časopis 30 (4): 475–498. Mareš, P., T. Sirovátka, J. Vyhlídal. 2002. Nezaměstnaní na trhu práce. Praha: VÚPSV. Mathers, C. D., D. J. Schofield. 1998. „The Health Consequences of Unemployment: The Evidence.“ The Medical Journal of Australia 168 (4): 178–182. Mildeová, S., Z. Potužáková, 2011. „Systémový přístup ke konceptu flexicurity.“ Politická ekonomie 2: 224–241. Mincer, J. 1991. Education and Unemployment. Cambridge: National Bureau of Economic Research, http://dx.doi.org/10.3386/w3838. MPSV. 2009. BOZP a rizikové faktory pracovníků nad 50 let – uplatnění starších osob v pracovním procesu s návrhy na opatření na úrovni odvětví a podniku. Číslo úkolu VÚBP, v.v.i.: 6033, číslo projektu MPSV: HR 177/08. Muffels, R. J. A. 1998. „Ageing and Flexibilisation.“ Sociologický časopis 34 (3): 283–302. Munnell, A. H. 2009. Recessions and Older Workers. Center for Retirement Research at Boston College 9–2. Nekolová, M. 2008. Flexicurity – hledání rovnováhy mezi flexibilitou a ochranou trhu práce v České republice. Praha: VÚPSV. Norušis, M. J. 2009. PASW Statistics 18 Statistical Procedures Companion. New Jersey: Prentice Hall, Upper Saddle River. Petrová Kafková, M., L. Rabušic. 2010. „Význam práce v životě českých a slovenských starších pracovníků.“ Sociológia 42 (4): 316–338. Sirmans, C. F. 1977. „City Size and Unemployment: Some New Estimates.“ Urban Studies 14 (1): 99–101, http://dx.doi.org/10.1080/00420987720080111. Sirovátka, T. 1997. „Sociální a ekonomické faktory marginalizace na pracovním trhu v České republice.“ Sociologický časopis 33 (2): 169–188. Stata Corp. 2011. Stata Survival Analysis and Epidemiological Tables Reference Manual: Release 11. College Station, TX: Stata Corp. STEM. 2006. Postavení zaměstnanců nad padesát let na trhu práce. Praha: STEM. Strully, K. W. 2009. „Job Loss and Health in the U.S. Labor Market.“ Demography 46 (2): 221–246, http://dx.doi.org/10.1353/dem.0.0050. Taylor, P., A. Walker. 1998. „Employers and Older Workers: Attitudes and Employment Practices.“ Ageing and Society 18 (6): 641–658, http://dx.doi.org/10.1017/ S0144686X98007119. United Nations, Department of Economic and Social Affairs, Population Division. 2013.

532


World Population Prospects: The 2012 Revision, Key Findings and Advance Tables. Working Paper No. ESA/P/WP.227. Vipond, J. 1974. „City Size and Unemployment.“ Urban Studies 11 (1): 39–46, http://dx.doi.org/10.1080/00420987420080041. Vyhlídal, J., P. Mareš. 2006. Měnící se rizika a šance na trhu práce. Analýza postavení a šancí vybraných rizikových skupin na trhu práce. Praha: Výzkumný ústav práce a sociálních věcí. Yeatts, D. E., W. E. Folts, J. Knapp. 2000. „Older Worker’s Adaptation to a Changing Workplace: Employment Issues for the 21st Century.“ Education Gerontology 26 (6): 565–582, http://dx.doi.org/10.1080/03601270050133900.

533

Mobilita mezi zaměstnaností a nezaměstnaností u starších pracovníků v ČR*

Recommend Documents