Sběr dat pro CIE

1. Oto Potluka IREAS a VŠE Praha HTTP://CIE.VSE.CZ Sběr dat pro CIE

2. Tři datové soubory pro CIE • Výzva Vzdělávejte se! - 3357 firem • Grantové výzvy – 1481 podpořená firma • Kontrolní skupina – 3000 – 4000 firem • Odmítnutí žadatelé (obdobný sběr jako u grantových výzev)

3. Dostupnost a sběr dat

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)

9. Způsob šetření • Zdroje dat a možnosti: • Data od ČSÚ: VŠE a ČSÚ mají rámcovou dohody (řešila by kontrolní skupinu, případně i podpořené podniky). • Kombinace 1. s přímým oslovením podpořených podniků. • Sběr u Svazu průmyslu a dopravy ČR (1600 členů pro kontrolní skupinu) + další svazy. • 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: • 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 • HTTP://CIE.VSE.CZ