Produktivita práce a vzdělanost ve vybraných evropských zemích

Produktivita práce a vzdělanost ve vybraných evropských zemích

Abstrakt Příspěvek testuje vztah vzdělání a produktivity práce na panelu 24 evropských zemí v letech 1994-2006. Dává do vztahu zastoupení jednotlivých vzdělanostních skupin na pracovní síle a produktivitu práce vyjádřenou jako HDP na odpracovanou hodinu. Výsledky potvrzují pozitivní vztah mezi zastoupením vysokoškoláků na pracovní síle a produktivitou práce a významný negativní vztah mezi produktivitou práce a zastoupením osob se základním vzděláním na pracovní síle. Klíčová slova produktivita práce, vzdělání, dlouhodobý růst, kvalita pracovní síly, lidský kapitál Abstract This paper tests the relationship between education and labor productivity using panel data for 24 European countries within 1994-2006. It concerns with the labor force educational structure and labor productivity expressed as GDP per hour worked. Results indicate significant positive relation between tertiary educated people participating in the labor force and labor productivity, and significant negative relation between labor force with primary education and labor productivity. Keywords Labor productivity, education, long-run growth, labor force quality, human capital Ing. Rudolf Kubík [email protected] KVF, VŠE Praha

ÚVOD Lidský kapitál a vzdělání jsou považovány za důležité faktory podmiňující dlouhodobý ekonomický růst. Mnozí autoři (Bassanini, Scarpetta, Barro, Lee) a jejich empirické studie kvantitativně dokazují vliv úrovně vzdělání na růst. Existují však také autoři (Soderbom), kteří tento vliv zpochybňují. Zpochybňují tento vztah ne proto, aby vyvraceli důležitost vzdělání, ale proto, aby poukázali na přílišnou vzdálenost obou faktorů a jejich ambivalentní vztah. Jinými slovy nelze jednoznačně určit, zda vzdělání podmiňuje ekonomický růst, nebo naopak růst podmiňuje zvyšování vzdělanosti. O to problematičtější je kvantifikace v jaké výši na sebe vzájemně působí. Tato studie si proto dělá podstatně menší ambice a snaží se vyhnout zejména námitce na přílišnou „vzdálenost“ obou veličin (tedy HDP a úrovně vzdělanosti) a vychází ze základní intuitivní úvahy: Úroveň vzdělání a kvalitnější lidský kapitál se projevuje zejména skrze růst produktivity práce jedince. Vzdělanější člověk znalý více možných postupů a technik by měl mít díky své kvalifikaci lepší pracovní výsledky a k vykonání stejné práce by měl potřebovat kratší dobu. Navíc díky znalostem dokáže lépe zacházet s nástroji (technologiemi), které mu mohou dále pomoci zvyšovat svou pracovní produktivitu. Proto se v této studii zaměřuji na zkoumání vztahu produktivity práce a úrovně vzdělanosti. První část příspěvku komentuje literaturu zabývající se tímto tématem, zejména pak vztahem vzdělání – kvalita pracovní síly – produktivita práce. V druhé části jsou popsány výsledky panelová regrese provedené na vybraných 24 evropských zemích v období 1994-2006.

PRODUKTIVITA A KVALITA PRACOVNÍ SÍLY S produktivitou práce a ekonomickým růstem se lze setkat takřka v každé ekonomické učebnici. Je tomu tak zejména díky Solowovu modelu, který uvažuje tři základní determinanty ekonomického růstu: práce L, kapitál K, a faktor A, který je v mnohé literatuře označován různě: nejčastěji jako technologie, jindy jako takzvaný TFP (total factor of productivity). Dle empirických studií např. Ho, Jorgenson (1999)., kteří prováděli měření na vyspělých zemích v různých obdobích od roku 1948 do 1995, má TFP opravdu nezanedbatelný podíl na celkovém růstu, v průměru 30%1. Zatímco L a K lze poměrně snadno vyjádřit a kvantifikovat, pod TFP si lze představit prakticky cokoliv. Jedná se v podstatě o reziduum vysvětlující zbylou část ekonomického růstu, tedy část nevysvětlitelnou pomocí L a K. Nejdříve se za touto zbylou částí začal hledat technologický pokrok (a to ať už exogenní nebo endogenní). I toto vyjádření začalo být brzy příliš těsné a tak se vysvětlovaný zbytek způsobující do té doby nevysvětlitelnou část růstu produktu rozdělil na další díl a to na lidský kapitál. Zjednodušeně řečeno se jedná o druhou (kvalitativní) dimenzi obou základních vstupů práce a kapitálu. Technologie jsou z tohoto pohledu kvalitativní úrovní fyzického kapitálu a lidský kapitál je kvalitativní stránkou množství pracovní síly respektive počtu odpracovaných hodin, kterých je zapotřebí k vytvořené daného produktu. Asi nejtěžší otázkou pak zůstává, jak tuto kvalitu měřit a kvantifikovat. Při měření lidského kapitálu (kvality vstupu práce) se lze v odborné literatuře nejčastěji setkat s proměnnou průměrný počet let vzdělávání ekonomicky aktivní populace, která je však na první pohled proměnnou spíše kvantitativní a o kvalitě práce vypovídající jen zprostředkovaně za přijmutí dalších zjednodušujících předpokladů. Jedním z prvních, kdo se začal zabývat kvalitativní stránkou vstupu práce, byl Denison (1962) a Jorgenson a Griliches (1967). Ho a Jorgenson (1999) dále na datech za USA rozpracovali strukturu faktorů ovlivňujících kvalitu práce. Jedná se zejména o pohlavní, věk, vzdělání a pracovní status. Růst kvality práce pak počítají jako rozdíl mezi růstem celkového množství práce a růstem počtu odpracovaných hodin.

ln Q 1

ln L

ln H

(1)

Výrazně nižších hodnot dosahoval TFP v období mezi lety 1947-1973, které je známo jako období tzv. productivity slowdown.

,kde Q je kvalita práce, L je celkové agregované množství vstupu práce a H počet odpracovaných hodin. Při měření vlivu jednotlivých faktorů na celkovou kvalitu práce došli k výsledku, že nejdůležitější determinantou kvality práce je vzdělání. Měření kvality pracovní síly vychází ještě z jednoho předpokladu hodného zmínění: Mzda dobře odráží produktivitu práce.2 Na kvalitu pracovní síly má mimo jiné také zásadní vliv hospodářský cyklus. Aaronson a Sullivan (2001) potvrdili klesající kvalitu pracovní síly při ekonomickém růstu, kdy do pracovního procesu vstupuje i více méně-kvalifikovaných pracovníků. Tyto výsledky potvrzuje i studie Evropské centrální banky ECB (2006). Studie měří kvalitu práce ve dvou krocích: (1) Za použití mikrodat jsou získány váhy pro posouzení produktivity jednotlivých pracovních skupin. Tyto váhy zohledňují rozdílnou produktivitu zejména u pracovních skupin s rozdílným vzděláním. (2) Ve druhém kroku jsou pomocí vah vážena data celkového počtu odpracovaných hodin. Ze studie vyplývá několik zajímavých výsledků: a) růst produktivity práce v evropských zemích (1983-2004) lze vysvětlit zhruba z jedné třetiny pomocí růstu v kvalitě lidského kapitálu – zejména pak pomocí vzdělání a pracovních zkušeností (aproximovány pomocí věku) b) kvalita pracovní síly rostla v evropských zemích v průměru o 0,6% ročně c) výrazný růst v kvalitě nastal v začátku devadesátých letech, kdy do pracovní síly začalo vstupovat velké množství osob s s vysokoškolským vzděláním d) ke zpomalení v růstu kvality pracovní síly došlo v druhé polovině devadesátých let zejména díky nárůstu celkové zaměstnanosti, do pracovního procesu se stále více zapojovali i pracovníci s nižší kvalifikací e) zohlednění růstu kvality pracovní síly implikuje snížení vlivu TFP na hospodářský růst, respektive odhaluje dřívější podhodnocení vlivu kvalitativní stránky vstupu práce na růst

2

Tento předpoklad je velice diskutabilní. Mzdový diferenciál jistě nemusí vypovídat o rozdílné produktivitě, a to zejména pokud se bavíme o mzdovém diferenciálu mezi jednotlivými vysokoškoláky. Je těžko prokazatelné, že člověk s humanitním vzděláním je méně produktivní než člověk s technickým zaměřením.

f) slabá negativní korelace mezi LFQ (labor force quality) a GDP, což svědčí o proticyklickém chování LFQ Studie nepostihuje další kvalitativní faktory, které by měly být zohledněny při zkoumání kvality pracovní síly, například kvalitu a typ vzdělávání. Z výsledků lze rovněž usoudit na fakt, že díky stárnutí populace by mělo krátkodobě docházet ke zkvalitňování pracovní síly (věk – pracovní zkušenosti, jsou jednou z determinant růstu kvality pracovní síly). Na druhou stranu bude stále méně lidí v produktivním věku a tak je potřeba aby rostla produktivita práce, resp. aby méně lidí vytvořilo minimálně stejný produkt. Nutno poznamenat, že tyto výsledky nemají vést k závěrům, že čím více vysokoškoláků v pracovní síle, tím lépe, ale vzdělanostní struktura by měla korespondovat s požadavky trhu práce. V rámci klasického přístupu růstového účetnictví Barro, Sala-i-.Martin (2004) lze růst HDP rozdělit na tři složky: růst populace, růst produktivity práce (HDP na odpracovanou hodinu), růst vstupu práce (celkový počet odpracovaných hodin). Produktivitu práce pak lze dále rozdělit na další tři podložky: produktivitu kapitálu (tzv. Capital deepening) neboli růst kapitálu na odpracovanou hodinu, kvalitu pracovní síly (LFQ) a TFP. CHARAKTERISTIKA DAT Použitý panel dat zachycuje vybraných 24 evropských zemí v období 1994-2006. Data byla získána z databáze International labour organisation (KILM 5th edition), dostupné z www.ilo.org. Produktivita práce je měřena jako celkový produkt (GDP) dělený celkovým počtem odpracovaných hodin (GDPph). Data jsou uváděna v USD ve stálých cenách roku 1990. Pracovní síla je definována jako ekonomicky aktivní obyvatelstvo starší 15 let. Vzdělanostní klasifikace využívá dvou metodik ISCED-76 a ISCED-97 a dále rozděluje data do tří skupin – základní vzdělání (primary), středoškolské vzdělání (secondary), vysokoškolské vzdělání (tertiary). Pro účely tohoto testování byly vypočítány koeficienty procentního zastoupení jednotlivých vzdělanostních skupin na celkové pracovní síle. Ke zpracování panelové regrese byl použit statistický SW Gretl (verze 1.7.8).

SPECIFIKACE MODELU Model se zaměřuje na zkoumání vztahu mezi produktivitou práce a vzdělanostní strukturou pracovní síly. Produktivita práce (GDPph) je považována za vysvětlovanou proměnnou, jako vysvětlující proměnné vystupují v modelu tyto veličiny: LF_ths je celková pracovní síla v tisících osob (ekonomicky aktivní obyvatelstvo starší 15 let) Prim_prc je procentní zastoupení osob se základním vzděláním na celkové pracovní síle Sec_prc je procentní zastoupení osob se středoškolským vzděláním na celkové pracovní síle Tert_prc je procentní zastoupení osob s vysokoškolským vzděláním na celkové pracovní síle Pomocí těchto veličin je testováno, zda procentní zastoupení jednotlivých vzdělanostních skupin na celkové pracovní síle v ekonomice má vliv na produktivitu práce. Je testována hypotéza, že větší podíl osob s vysokoškolským vzdělání (Tert_prc) má pozitivní vliv na produktivitu práce. Při analýze jsou rovněž použity logaritmy jednotlivých proměnných (například l_Tert_prc). Při testování byla použita metoda panelové regrese s fixními efekty. Popisná statistika jednotlivých proměnných je uvedena v následující tabulce č. 1. TAB 1: Popisná statistika (275 pozorování) Variable Mean LF_ths 9261 Prim_prc 26,124 Sec_prc 50,008 Tert_prc 22,513 GDPph 20,443 Zdroj: ILO, vlastní výpočty

Median 4220 21,600 52,000 22,900 22,205

Minimum 652,7 7,2000 10,000 8,1000 2,9100

Maximum 47296 71,100 80,500 46,000 37,990

Std. deviation 10468 14,885 16,516 8,9635 9,0920

Největší zastoupení osob se základním vzděláním na pracovní síle vykazuje Portugalsko (za sledované období v průměru 68% pracovní síly) a Španělsko (v průměru 52%). Naopak nejvíce vysokoškoláků měla Litva (37%), kde ale došlo za sledované období k poklesu zastoupení vysokoškoláků z 40,5% v roce 1994 na 30% v roce 2006, a zároveň výraznému

nárůstu počtu středoškoláků na necelých 62% pracovní síly. Opačný trend zaznamenalo Irsko, kde se podíl vysokoškoláků zvýšil z 24,3% v roce 1994 na 42,1% v roce 2006. Středoškoláci si drželi zhruba stále stejný podíl na pracovní síle, zatímco osob se základním vzděláním výrazně ubylo. Česká republika co do zastoupení vysokoškoláků stále významně zaostává za průměrem (v roce 2006 14,2%). Spolu se Slovenskem se ale řadíme mezi země s největším zastoupením osob se středoškolským vzděláním (okolo 78% pracovní síly). Co se týče produktivity práce měřené jako HDP na odpracovanou hodinu, nejnižších hodnot dosahuje Rumunsko (v průměru 3,8 USD). Naopak nejvyšší produktivitu vykazuje Norsko (33,63 USD). GRAF č. 1 Vývoj produktivity práce (HDP na odpracovanou hodinu) ve vybraných zemích 40 35 30 25 20 15 10 5

19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06

0

Zdroj: ILO, vlastní výpočty

Norsko Irsko Litva Slovensko CR Rumunsko Spanelsko Portugalsko

EMPIRICKÉ VÝSLEDKY Empirické výsledky panelové regrese shrnují následující dva modely. První model popisuje závislost mezi závislou proměnnou GDP_ph a vysvětlujícími proměnnými Tert_prc a Prim_prc. Výsledky shrnuje následující tabulka č. 2 TAB 2: Model č. 1 Fixní efekty, 275 pozorování, 24 cross-sectional jednotek, Délka časové řady: minimum 9, maximum 13, Závislá proměnná: GDP_ph

Coefficient Cost 28,4846 Prim_prc -0,349896 Tert_prc 0,0478047 2 Adjusted R = 0,97469 Within R-squared = 0,48922

Std. Error 0,803813 0,0238048 0,018658

t-ratio 35,4368 -14,6986 2,5622

p-value <0,00001 <0,00001 0,01099

*** *** **

Poznámka: *** označuje 99% hladinu významnosti, ** označuje 95% hladinu významnosti Zdroj: ILO, vlastní výpočty

Výsledky modelu poukazují na silnou závislost mezi produktivitou práce vyjádřenou jako HDP na odparovanou hodinu a zastoupením osob se základním a vysokoškolským vzděláním na pracovní síle. V souladu s hypotézou se ukazuje pozitivní závislost procentního zastoupení vysokoškoláků a produktivity a naopak negativní závislost produktivity a osob se základním vzděláním. Druhý model se zabývá závislostí stejných proměnných, jsou však vyjádřeny v logaritmech. Výsledky modelu shrnuje následující tabulka č. 3. TAB 3: Model č. 2 Fixní efekty, 275 pozorování, 24 cross-sectional jednotek, Délka časové řady: minimum 9, maximum 13, Závislá proměnná: l_GDP_ph

Coefficient Cost 4,32606 l_Tert_prc 0,0637414 l_Prim_prc -0,523218 Adjusted R-squared = 0,98454 Within R-squared = 0,65265

Std. Error 0,101707 0,0212482 0,0245511

t-ratio 42,5346 2,9998 -21,3114

p-value <0,00001 0,00298 <0,00001

Poznámka: *** označuje 99% hladinu významnosti, ** označuje 95% hladinu významnosti Zdroj: ILO, vlastní výpočty

*** *** ***

Výsledky druhého modelu modelu rovněž potvrzují původní předpoklad. Na logaritmovaných datech je ale prokázána ještě silnější závislost proměnných. Závislost proměnných se dá vyjádřit jako:

ln GDPph 4,32606 0,0637 ln Tert _ prc 0,52321ln Pr im _ prc

(2)

Dojde-li tedy k růstu procentního zastoupení vysokoškoláků a zároveň k poklesu procentního zastoupení osob se základním vzděláním o 1%, dojde k růstu produktivity práce zhruba o 0,58 USD na odpracovanou hodinu. Z výsledků plyne ještě jeden důležitý závěr a to, že spíše než zastoupení vysokoškoláků má vliv zastoupení osob se základním vzděláním. Jinými slovy by se politiky měly snažit o snižování počtu osob pouze se základním vzděláním. Tento závěr podporuje i příklad České republiky, která ve sledovaném období dosahovala vysokého růstu produktivity práce a to navzdory nízkému počtu vysokoškoláků. Zároveň ale ČR vykazuje poměrně nízké procentní zastoupení osob pouze se základním vzděláním, logicky tedy širokou základnu osob se středoškolským vzděláním. ZÁVĚRY Výsledky provedené panelové regrese jasně potvrdily původní předpoklady a to pozitivní závislost vzdělání a produktivity práce. Konkrétně byla prokázána silná pozitivní závislost mezi procentním zastoupením vysokoškoláků na pracovní síle a produktivity práce měřené jako HDP na odpracovanou hodinu. Zároveň byla prokázána negativní závislost mezi procentním zastoupením osob se základním vzdělání a produktivitou práce. Tato negativní závislost je výrazně silnější než pozitivní závislost mezi vysokoškoláky a produktivitou. Výsledky tak potvrzují úvahy o optimální vzdělanostní struktuře pracovní síly: Politiky by neměly usilovat pouze o zvyšování počtu vysokoškoláků, ale primárně se zaměřit na snižování počtu osob pouze se základním vzděláním. Vzdělanostní struktura pracovní síly by v první řadě měla odrážet požadavky trhu práce.

LITERATURA

AARONSON, D. SULLIVAN, D. Growth in Worker Quality, Economic Perspectives, Federal Reserve Bank of Chicago, 2001 AGHION, P. - HOWITT, P. Endogenous growth theory. Boston: MIT, 1998 BARRO, R. - SALA-I-MARTIN, X.: Economic Growth, second edition, Boston: MIT, 2004 BARRO, R – LEE, J.W. International data on educational attainment: Updates and implications. Center for international development at Harvard University, Working paper 42 DENISON, E.F. The sources of economic growth in the United States and the alternatives before Us, New York, 1962 ECB. Growth in euro area labor quality. Working paper no. 575/2006 HO, M. JORGENSON, D. The quality of the U.S. Workforce – 1948-1998. University, 1999

Harvard

JORGENSON, D. GRILICHES, Z. The Explanation of Productivity Change, Review of Economic Studies 34, pp. 249-280, 1968 LODDE S. Education and growth: Some disaggregate evidence from the Italian regions. University of Cagliari, 1999 LODDE, S. Human capital and growth in the European regions. Does allocation matter? University of Cagliari, 1997 LOENING, J. L. (The World Bank): Effects of primary, secondary and tertiary education on economic growth – Evidence from Guatemala. Working paper no. 3610/1996 SODERBOM, M. Trade and human capital as determinants of growth. University of Oxford, Working paper 10/2001

PŘÍLOHY TAB 3: Přehled testovaných zemí a chybějících dat

Zdroj: ILO, vlastní úpravy