Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Sběr dat pro CIE Oto Potluka IREAS a VŠE Praha

Podobné prezentace


Prezentace na téma: "Sběr dat pro CIE Oto Potluka IREAS a VŠE Praha"— Transkript prezentace:

1 Sběr dat pro CIE Oto Potluka IREAS a VŠE Praha

2 Tři datové soubory pro CIE Výzva Vzdělávejte se! firem Grantové výzvy – 1481 podpořená firma Kontrolní skupina – 3000 – 4000 firem Odmítnutí žadatelé (obdobný sběr jako u grantových výzev)

3 Dostupnost a sběr dat Data má již evaluační tým k dispozici (2007 – 2010) Data jsou k dispozici, ale ještě nejsou sebrána (2007 – 2010) Data určená pro sběr šetřením (a z nich vypočtená) (2007 – 2010) X Příslušná proměnná není pro danou skupinu sledována

4

5 Databáze Albertina (sběr pro všechny tři skupiny dat) Údaje z účetní rozvahy Počet zaměstnanců (rozsah) OKEČ / NACE Právní forma podniku Region působnosti Doba existence firmy Tržby

6 Monit 7+ (Grantové výzvy) Počet podpořených (vzdělávaných) osob z podpory OP LZZ Rozpočet na projekt (bohužel bez rozklíčování na administrativní a vzdělávací aktivity) Typ vzdělávání (viz dále) Údaje k hodnocení žádostí (počty bodů + identifikace)

7 Monit 7+ (Vzdělávejte se!) Počet vzdělávaných osob z podpory OP LZZ Rozpočet na konkrétní vzdělávání Typ vzdělávání (viz dále) Pozn. U výzvy Vzdělávejte se! byla data poskytnuta přímo ŘO OP LZZ

8 Sběr šetřením (2007 – 2012) ProměnnáPopis proměnné Počet zaměstnanců (přesný údaj) Průměrný přepočtený počet zaměstnanců, zaokrouhlený na celé číslo Údaj uváděný v přiznání k dani z příjmů právnických osob v části K, řádek 2. Počet zaměstnaných žen (přesný údaj) Průměrný přepočtený počet zaměstnanců - žen, zaokrouhlený na celé číslo Počet pracujících v podniku celkem Jde o celkový počet osob, které byly zaměstnány v dané firmě, bez ohledu na to, jak velký pracovní úvazek měli, nebo jak tým úvazku měli (pracovní smlouva, DPČ, DPP,…) Rozpočet na vzdělávání Celková částka prostředků vyplacených na vzdělávání zaměstnanců Počet vzdělávaných osob celkem Celkový počet osob, který v daném podniku prošel vzděláváním.

9 Způsob šetření Zdroje dat a možnosti: 1.Data od ČSÚ: VŠE a ČSÚ mají rámcovou dohody (řešila by kontrolní skupinu, případně i podpořené podniky). 2.Kombinace 1. s přímým oslovením podpořených podniků. 3.Sběr u Svazu průmyslu a dopravy ČR (1600 členů pro kontrolní skupinu) + další svazy. 4.Přímé oslovení všech podniků.

10 Typ vzdělávání „Vzdělávejte se!“ Jde o základní rozdělení typů na 6 okruhů: ICT (součet MsOffice a ICT + ostatní): Obsluha počítače (kód 11); MsOffice (kód 12); ICT – ostatní (např. programování CAD) (kód 13) Jazykové vzdělávání (kód 2) Měkké dovednosti – psychologie (např. komunikační dovednosti, leadership, proškolení dílenských mistrů, apod.) (kód 3)

11 Typ vzdělávání – pokračování „Vzdělávejte se!“ Výuka dovedností – manuální dovednosti (např. sváření, obrábění, obsluha CNC strojů, řízení specifických strojů apod.) (kód 4) Legislativní vzdělávání (zákoník práce, BOZP, daňová a účetní legislativa) (kód 5) Ostatní (kód 6) – /hlavně kvůli kontrole/

12 Poznámky k typu vzdělávání „Vzdělávejte se!“ Pokud jde o jazykové vzdělávání, má přednost před tím, o čem vzdělávání je. Data jsou členěna dle dohod o vzdělávání, tudíž víme i částku a počet účastníků konkrétního vzdělávání Vzdělání není specifické a obecné ve vztahu k firmě, tj. použitelné jen u jedné firmy (spec.) a použitelné kdekoli (obec.). Je dělitelné na specifické dle oboru a obecné napříč obory.

13 Typ vzdělávání grantové výzvy Informace z Monit7+ v žádosti v kapitole 2. Identifikace projektu, v části Stručný obsah projektu; 8. Klíčové aktivity. Je nutné pročíst všechny žádosti. Typ vzdělávání je ve formě dummy proměnné, tj. zda daný typ byl (1), či nebyl realizován (0).

14 Typ vzdělávání Grantové výzvy Informaci o vzdělávání naleznete jednak v kapitole 2-Identifikace projektu, v části Stručný obsah projektu. Ne vždy to tam je ale popsáno. Pak vám pomůže část 8. Klíčové aktivity. Tam už by to mělo být určitě.

15 Propensity score matching Pro probit regresi bude použito následujících proměnných: Pohledávky za upsaný základní kapitál (A) (aktiva) Dlouhodobý majetek (B) (aktiva) Oběžná aktiva (C) (aktiva) Časové rozlišení (D.I.) (aktiva) Vlastní kapitál (A) (pasiva) Cizí zdroje (B) (pasiva) Časové rozlišení (C.I.) (pasiva)

16 Propensity score matching Počet zaměstnanců (jde o rozsah), lepší by byl Počet zaměstnanců (přesný údaj) Počet pracujících v podniku celkem – zatím ho nemáme, případně ho vyřadíme z PSM. OKEČ / NACE (kategoriální proměnná) Právní forma podniku (kategoriální proměnná) Region působnosti (NUTS II) (kategoriální proměnná) Doba existence firmy (od založení) – v letech.

17 Propensity score matching Plánováno je použití „Přiřazení k nejbližšímu sousedu bez vyřazování“ (Nearest Neighbour Matching without replacement“ Pro diskusi o kvalitě odhadů plánujeme vyzkoušet i další metody (s vyřazováním; Radius Matching a Kernel Matching) Pozn.: Ostatně i Evalsed zmiňuje pragmatické vyzkoušení všech možných metod.

18 Metoda instrumentálních proměnných (1) Metoda vyžaduje instrumentální proměnnou, která: 1.ovlivňuje pravděpodobnost získání podpory (testovatelný předpoklad) -Pokud instrument je špatným (nevýrazným) prediktorem získání podpory, pak jsou výsledky nespolehlivé (vysoké směrodatné odchylky parametrů) 2. ale neovlivňuje ekonomický dopad podpory (netestovatelný předpoklad „assumption“ -Pokud není k dispozici více instrumentů -Pokud neplatí předpoklad 2, pak jsou výsledky chybné V tomto projektu chceme primárně využít identifikátory hodnotitelů jako instrumentu Možná budeme uvažovat i alternativy (znečištění ovzduší v den setkání hodnotící komise?)

19 Metoda instrumentálních proměnných (2) Kromě instrumentu jsou datové nároky podobné jako u ostatních regresních metod - Závislá proměnná (zaměstnanost, zisk, tržby) - Nejlépe v relativním vyjádření (% změna) - Vysvětlující proměnné, typicky: Region, odvětví (kategoriální); Stáří firmy (v letech); Právní forma (kategoriální); Výše podpory Metodu lze aplikovat: - parametricky: Předpokládá se funkční (např. lineární) vztah mezi indikátorem a vysvětlujícími proměnnými - neparametricky: Robustní vůči funkční specifikaci, ale je potřeba hodně dat, aby byly výsledky spolehlivé

20 Děkuji za pozornost Oto Potluka


Stáhnout ppt "Sběr dat pro CIE Oto Potluka IREAS a VŠE Praha"

Podobné prezentace


Reklamy Google