Anexo metedológico _
classificações e informações adicionais
Anexo metedológico _
classificações e informações adicionais
A.1 _ CLASSIFICAÇÃO DOS NÍVEIS DE ESCOLARIDADE
A maioria dos indicadores no presente documento, com exceção dos indicadores de salários, classifica o nível de escolaridade em 3 categorias: _ Ensino básico - agrupa todos os indivíduos com o nível de escolaridade completo até ao 3º ciclo do ensino básico, ou seja, indivíduos que não completaram o 12º ano de escolaridade (ISCED 0-2). _ Ensino secundário - agrupa os indivíduos com o ensino secundário ou ensino pós-secundário não superior completos (ISCED 3-4). _ Ensino superior - agrupa todos os indivíduos com educação terciária, ou seja, inclui CTeSP (Curso Técnico Superior Profissional), Licenciatura, Mestrado e Doutoramento (ISCED 5-8).
Nos indicadores de salários, o nível de escolaridade foi classificado em quatro categorias: ‘Ensino básico’, ‘Ensino secundário’, ‘Pós-secundário não superior’ e ‘Ensino superior’, ou seja, o nível secundário foi desagregado (ISCED 3 e 4).
Tabela A.1.1 – Classificação dos níveis de escolaridade
Nota: ISCED - Classificação Internacional Normalizada da Educação
A.2 _ CLASSIFICAÇÃO DOS SETORES DE ATIVIDADE
As atividades económicas são agrupadas em três setores: _ Primário: inclui agricultura, floresta, caça, pesca e extração mineral (CAE A) _ Secundário: inclui indústria, construção, energia e água (CAE B-F) _ Terciário: inclui os serviços, tais como comércio, transportes, administração pública, educação e saúde (CAE G-U)
A tabela A.3 apresenta a classificação dos setores de atividade de forma mais desagregada, incluindo a classificação por nível de intensidade tecnológica e de conhecimento. A tabela A.4 e isola os setores de atividade classificados como indústria de média-alta e alta tecnologia, com base na classificação do Eurostat. A tabela A.5 isola os setores de atividade classificados como serviços intensivos em conhecimento, com base na classificação do Eurostat.
Tabela A.2.1 – Classificação dos setores de atividade
Nota: CAE – Classificação das atividades económicas, Revisão 3
Tabela A.2.2 – Setores classificados como indústria de média-alta e alta tecnologia
Nota: CAE – Classificação das atividades económicas, Revisão 3
Tabela A.2.3 – Setores classificados como setores intensivos em conhecimento
Nota: CAE – Classificação das atividades económicas, Revisão 3
A.3 _ Modelo econométrico Capítulo 1.1 - A EDUCAÇÃO TRAZ MUITAS VANTAGENS AOS INDIVÍDUOS E AO PAÍS
Com base nos micro dados do Inquérito Nacional de Saúde de 2019, foi estimado um modelo de equações estruturais que permite discriminar e medir as vias pelas quais a educação e a saúde mental afetam o bem-estar individual, mediados pela participação no mercado de trabalho e rendimento. Os dados incluem 8234 observações. Foram consideradas como variáveis independentes: Educação (Ensino superior vs não superior e, num modelo alternativo, com ensino secundário vs básico); Idade (8 escalões etários dos 25 aos 64 anos); Sexo; Região (7 NUTS-II) e Grau de urbanização (3 níveis). Foram consideradas como variáveis endógenas independentes: Saúde mental (média ponderada de 8 indicadores, num intervalo de 0 a 10); Emprego (indicador de situação profissional, empregado ou não empregado); Rendimento (indicador se pertence aos dois quintis superiores de rendimento ou não). A variável dependente é o nível de bem-estar (média ponderada de 5 indicadores, num intervalo de 0 a 10).
Foram estimadas as seguintes equações: Educação - Emprego - Bem-estar Educação - Emprego - Rendimento - Bem-estar Educação - Rendimento - Bem-estar Educação - Saúde mental - Bem-estar Educação - Saúde mental - Emprego Educação - Saúde mental - Rendimento Educação - Bem-estar A medida de “Saúde Mental” corresponde à média das respostas às variáveis seguintes, transformada numa escala de 0 a 10. As respostas possíveis são: 1- Nunca; 2 - Vários dias; 3 - Mais do que metade dos dias; 4 - Quase todos os dias; -1 - Sem resposta. Não foram consideradas na média as respostas com o valor “-1 - Sem resposta”.
Tabela A.3.1 – Componentes da variável compósita “Saúde Mental”
A medida de “Bem-estar” é a média das respostas às variáveis seguintes, transformada numa escala de 0 a 10. As respostas possíveis são: 1- Totalmente em desacordo; 2 - Em desacordo; 3 - Mais ou menos em desacordo; 4 - Nem de acordo nem em desacordo; 5 - Mais ou menos de acordo; 6 - De acordo; 7 - Totalmente de acordo; -1 - Sem resposta. Não foram consideradas na média as respostas com o valor “-1 - Sem resposta”.
Tabela A.3.2 – Componentes da variável compósita “Bem-estar”
No texto apresenta-se o resultado da medida de Educação que compara indivíduos com e sem o ensino superior. A figura seguinte apresenta os resultados quando comparados os indivíduos com o ensino secundário e o ensino básico.
Tabela A.3.3 – Efeitos diretos e indiretos da educação de nível secundário em comparação ao ensino básico
FONTES: Inquérito Nacional de Saúde (INE) e FJN NOTAS: Dados do Inquérito Nacional de Saúde de 2019. Resultados da estimação de um modelo de equações estruturais. Como variáveis endógenas foram consideradas um indicador do nível de escolaridade (ensino secundário vs educação básica), o sexo do indivíduo, a sua idade, a região e grau de urbanização. Como variáveis endógenas foram consideradas um indicador da situação profissional (empregado ou não), um indicador para os dois quintis mais elevados de rendimento; um índice sobre saúde mental (escala de 0 a 10) e um índice para bem-estar geral (escala de 0 a 10).
A.4 _ Modelo econométrico Capítulo 2.2 - AS QUALIFICAÇÕES DE TRABALHADORES E EMPREGADORES SÃO ESSENCIAIS PARA A PRODUTIVIDADE DAS EMPRESAS
O modelo econométrico tem como unidade de análise as empresas. São incluídas empresas com dados nos Quadros de Pessoal e no Sistema de Contas Integradas das Empresas (SCIE) entre 2010 e 2019 e com informação para todas as variáveis incluídas no modelo. No total são 290.113 empresas. O modelo econométrico, que inclui efeitos fixos ao nível da empresa e do ano, tem como variável dependente a produtividade do trabalho, medida pelo valor acrescentado bruto por trabalhador. As principais variáveis independentes cujos resultados são reportados no relatório são as seguintes:
Modelos (A), (B) e (C): - Escolaridade dos trabalhadores (Esc_Trab_média): média do número de anos de escolaridade dos trabalhadores da empresa. - Dispersão da escolaridade (Esc_Trab_disp): desvio-padrão do número de anos de escolaridade dos trabalhadores da empresa. - Escolaridade da equipa de gestão (Esc_Empr_média): média do número de anos de escolaridade dos trabalhadores da CPP 1, exceto Representantes do poder legislativo e de órgãos executivos, dirigentes superiores da Administração Pública e de Organizações especializadas. Quando não há ninguém classificado numa destas categorias, o dono da empresa é incluído na equipa de gestão e é o seu único elemento.
Modelo (D) - Adequação entre educação e profissões: - Escolaridade adequada (Esc_adeq): média do número de anos de escolaridade dos trabalhadores cuja escolaridade é adequada à profissão que desempenham, por empresa. - Sobrequalificação (Sobrequal): média do número de anos de escolaridade acima da escolaridade da profissão, por empresa - Subqualificação (Subqual): média do número de anos de escolaridade abaixo da escolaridade da profissão, por empresa - Nota: A medida da escolaridade da profissão é o número de anos modal de cada profissão no conjunto de 3 anos formado pelo próprio ano e pelos dois anos anteriores.
Modelo (E) - Estrutura etária da empresa: - Escolaridade dos jovens (Esc_16-34): média do número de anos de escolaridade dos trabalhadores entre os 16 e 34 anos. - Proporção dos jovens (Prop_16-34): proporção dos trabalhadores entre os 16 e 34 anos no total de trabalhadores da empresa. - Escolaridade dos adultos (Esc_35-49): média do número de anos de escolaridade dos trabalhadores entre os 35 e 49 anos. - Proporção dos adultos (Prop_35-49): proporção dos trabalhadores entre os 35 e 49 anos no total de trabalhadores da empresa. - Escolaridade dos mais velhos (Esc_50+): média do número de anos de escolaridade dos trabalhadores com 50 ou mais anos. - Proporção dos mais velhos (Prop_50+): proporção dos trabalhadores com 50 ou mais anos no total de trabalhadores da empresa. O modelo inclui um conjunto de variáveis binárias para controlar para os seguintes aspetos da empresa: idade, dimensão (de acordo com número de trabalhadores, volume de negócios e balanço total da empresa), setor de atividade económica, região de atividade (NUTS II), empresa de fronteira e empresa exportadora. Controla ainda para a antiguidade média dos trabalhadores na empresa.
Tabela A.4.1 – Efeitos da escolaridade dos trabalhadores e dos empregadores
NOTAS: (1) O coeficiente da variável Esc_Trab_média, por exemplo, no modelo (B) diz que se a escolaridade média dos trabalhadores de uma empresa aumentar em 1 ano, a sua produtividade aumentará em 0,22%, tudo o resto constante. Considerem-se duas empresas cuja educação média dista em um desvio-padrão (cerca de 3 anos). Neste caso, em média, a mais escolarizada terá uma produtividade 0,7% superior à menos escolarizada. (2) Erros-padrão robustos (agrupados ao nível da empresa).
Tabela A.4.2 – Efeitos da escolaridade de acordo com grau de adequação à profissão
NOTA: Erros-padrão robustos (agrupados ao nível da empresa).
Tabela A.4.3 – Efeitos da escolaridade por faixa etária dos trabalhadores
NOTA: Erros-padrão robustos (agrupados ao nível da empresa).
A.5 _ Clusters de emprego - Capítulo 4
Os clusters de profissões são construídos a partir das profissões detalhadas da ESCO. Usando a metodologia de clustering, a NESTA agrupou as profissões em 14 clusters que têm requisitos, competências e características de trabalho semelhantes (Kanders et al. 2020). A tabela seguinte apresenta os 14 clusters e 54 sub-clusters e as profissões mais relevantes em termos de número de trabalhadores em cada sub-cluster.
Tabela A.5.1 – Efeitos da escolaridade por faixa etária dos trabalhadores
Fonte: Kanders et al. (2020), NESTA
Para obter estatísticas de emprego e salário dos clusters, as profissões detalhadas da ESCO são mapeadas para as profissões de 5 dígitos da CPP. Neste processo, se um grupo de profissões ESCO são mapeados a uma única profissão CPP (N:1 ou N:N), os dados são divididos proporcionalmente pelo número de profissões nesse grupo e posteriormente agregados ao nível do cluster. Os dados referentes ao emprego e salário dos clusters são dos Quadros de Pessoal e, portanto, dizem respeito às pessoas ao serviço em empresas do setor privado ou do setor empresarial do estado com pelo menos um trabalhador por conta de outrem. Os trabalhadores independentes, de serviço doméstico e do setor público administrativo não integram os dados originais. As transições de profissões podem ocorrer entre profissões do mesmo cluster ou de clusters diferentes. É considerada uma transição quando um trabalhador desempenha uma profissão detalhada diferente da do ano anterior. Nesse sentido, são apenas considerados trabalhadores que constam nos dados em dois anos consecutivos, no período de 2015 a 2019. O perfil de competências de cada cluster é construído a partir do perfil de competências de cada profissão detalhada que o compõe, obtido a partir da ESCO - a classificação de competências, qualificações e profissões, que descreve, identifica e classifica as ocupações e competências profissionais relevantes para o mercado de trabalho, educação e formação da União Europeia. As aptidões (ESCO) mais relevantes em cada cluster são identificadas do seguinte modo. Primeiro, a partir da taxonomia da ESCO, é identificada a lista de aptidões essenciais de cada profissão. As aptidões são agrupadas em aptidões mais agregadas, para as quais é construída uma medida da importância relativa da aptidão na profissão, por comparação com a sua importância nas restantes profissões, convertida numa escala de 0 a 100. Segundo, foi calculado um indicador de relevância de cada competência em cada cluster com base na média ponderada da sua relevância em cada uma das profissões que o integram. Valores mais elevados do indicador significam maior relevância da competência no cluster. A tabela abaixo apresenta ordenadamente as 10 aptidões da ESCO-3dígitos mais relevantes em cada cluster, bem como a aptidão de ESCO-2 dígitos correspondente.
Tabela A.5.2 – Aptidões mais relevantes em cada cluster de profissões
Fontes: Kanders et al. (2020), NESTA e FJN
A.6 _ SIGLAS
CAE – Classificação Portuguesa de Atividades Económicas CPP – Classificação Portuguesa das Profissões CTEM – Ciência, Tecnologia, Engenharia e Matemática CTeSP – Cursos Técnicos Superiores Profissionais DGEEC – Direção-Geral de Estatísticas da Educação e da Ciência ESCO - European Skills, Competences, Qualifications and Occupations GEP – Gabinete de Estratégia e Planeamento FJN – Fundação José Neves IAVE – Instituto de Avaliação Educativa INE – Instituto Nacional de Estatística ISCED – Classificação Internacional Normalizada da Educação MTSSS – Ministério do Trabalho, Solidariedade e Segurança Social NESTA – UK Innovation Agency for Social Good OCDE – Organização para a Cooperação e Desenvolvimento Económico PISA – Programme for International Student Assessment TIC – Tecnologias de Informação e Comunicação UE – União Europeia
A.7 _ REFERÊNCIAS
[1] Figueiredo, H. et al (2017), Benefícios do Ensino Superior, Estudos da Fundação, Fundação Francisco Manuel dos Santos
[2] Martins, P. S. (2021), A Equidade Intergeracional no Trabalho em Portugal, Future Forum, Fundação Calouste Gulbenkian
[3] Hanushek, E. A. e Woessmann, L. (2020), Education, knowledge capital and economic growth, The Economics of Education: A Comprehensive Overview, Academic Press
[4] A Produtividade da Economia Portuguesa, Conselho Para a Produtividade, 2019
[5] Alexandre, F. et al. (2022), Human capital and structural transformation: the productivity puzzle of the Portuguese economy, mimeo, NIPE/Universidade do Minho.
[6] Cima, J. et al. (2022), Workforce skills and firm productivity, Banco de Portugal Economic Studies, Vol. 8(1) Cima, J. et al. (2022), Qualificações dos trabalhadores e produtividade das empresas, Banco de Portugal
[7] Martins, P. (2021), Employee training and firm performance: Evidence from ESF grant applications, Labour Economics (72)
[8] Hanushek, E. A. & Woessmann, L. (2020), The Economic Impacts of Learning Losses, OECD
[9] Educação em tempo de pandemia: Problemas, respostas e desafios das escolas, Conselho Nacional de Educação
[10] Freitas, P. “Dois anos depois”, Jornal Observador https://observador.pt/opiniao/dois-anos-depois/
[11] Sá, C., et al. (2021), Estudantes nacionais e internacionais no acesso ao ensino superior: Quem são, que escolhas fazem e como acedem ao mercado de trabalho, Edulog, Fundação Belmiro de Azevedo
[12] Nedelkoska, L. E G. Quintini (2018). Automation, skills use and training. OECD Social, Employment and Migration Working Papers nº 202
[13] World Economic Forum, The Future of Jobs Report 2020
[14] Kanders K., Djumalieva, J., Sleeman, C. and Orlik, J. (2020), Mapping Career Causeways: Supporting workers at risk, London: Nesta
saber mais _