693
© Sociologický ústav AV ČR, v.v.i., Praha 2017
Finanční a nefinanční návratnost vzdělání
v době vzdělanostní expanze v České republice*
Tomáš Doseděl, Tomáš Katrňák**
Fakulta sociálních studií, Masarykova univerzita, Brno
Economic and Non‑economic Returns to Higher Education during
a Period of Educational Expansion in the Czech Republic
Abstract: The article explores returns to education during a period of educa‑
tional expansion in the Czech Republic. The authors analyse the consequences
of the educational expansion that occurred between 2000 and 2014 and its ef‑
fect on economic and non‑economic returns to education. The number of peo‑
ple with a university degree almost doubled between 2000 and 2014 in the
Czech Republic. It is analysed whether this caused an inflation of education
at the Czech labour market, or whether highly educated people are still em‑
ployable in prestigious and well‑paid jobs due to technological changes. The
data used in the analysis are drawn from the Czech Labour Force Survey and
the Survey of Average Earnings in the Czech Republic. Both sources support
the theory of technological change over the theory of inflation of education.
In the Czech Republic, returns to education did not decrease but slightly in‑
creased during the period analysed. The Czech labour market is undergo‑
ing technological changes. It is therefore not yet sufficiently saturated with
university‑educated employees and it was capable of offering them jobs with
appropriate socioeconomic status, adequate job security, and a substantially
higher salary both during and after the period of educational expansion.
Keywords: returns to education, educational expansion, inflation of educa‑
tion, technological change, human capital
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5: 693–718
https://doi.org/10.13060/00380288.2017.53.5.361
Terciární část českého vzdělávacího systému od roku 2000 výrazně expanduje.
V současné době získává maturitní vzdělání většina mladých lidí (více jak dvě
třetiny ze všech absolventů středního školství). Do vysokoškolského vzdělání
přechází asi 90 % maturantů a vysokou školu dokončí více jak 60 % z nich [OECD
*  Práce na článku byla podpořena grantovým projektem GAČR: Dynamika změny v čes‑
ké společnosti (č. GB14‑36154G).
**  Veškerou korespondenci posílejte na adresu Mgr. Ing. Tomáš Doseděl, doc. PhDr. To‑
máš Katrňák, Ph.D., Katedra sociologie, Fakulta sociálních studií, Masarykova univerzita,
Joštova 10, 602 00 Brno, e‑mail: dotomas@mail.muni.cz, katrnak@fss.muni.cz.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
694
2014]. V populaci roste podíl lidí s vyšším stupněm vzdělání a průměrná vzděla‑
nost se zvyšuje.1
V tomto textu se zabýváme návratností terciárního vzdělání na českém trhu
práce. Návratnost vzdělání (return to education) je koncept, který označuje pří‑
nos vzdělání jak jeho držiteli, tak širší společnosti. Ze sociologických výzkumů je
známo, že vzdělanější lidé jsou nejen zdravější, ale mají také vyšší naději dožití
[Ross, Wu 1995]. Práci berou jako formu seberealizace, nikoli jako rutinní činnost
nezbytnou k získání finančních prostředků [Halman, Müller 2006]. Liší se vzorci
manželského párování [Katrňák, Kreidl, Fónadová 2004; Katrňák 2008a, 2008b],
jejich politické názory jsou poměrně stabilní, bez výkyvů k extrémistickým stra‑
nám [Kam, Palmer 2008] a subjektivně jsou také šťastnější než lidé s nižším vzdě‑
láním [Stevenson, Wolfers 2008].2
Sociálně stratifikační výzkumy navíc ukazují, že
vzdělání je jednou z nejsilnějších determinant pozic na trhu práce [Blau, Duncan
1967; Breen 2004; Erikson, Goldthorpe 1992]. Investují‑li tedy vlády národních
států do expanze vyšších vzdělanostních stupňů, investují nejen do vyšší kvali‑
ty života populace, ale také ovlivňují obsazování pozic na trhu práce [Bernardi,
Ballarino 2014]. Otázkou pak je, jak se mění role vzdělání v získávání zaměstnání
neboli jak vzdělání funguje při obsazování pozic na trhu práce.
Návratnost vzdělání se dělí na sociální a individuální [Harmon 2011; Hout
2012; Mazouch, Fischer 2011]. Sociální návratnost označuje přínosy vzdělání pro
společnost, jako je nižší kriminalita, vyšší HDP, zdravější populace nebo vyš‑
ší sociální koheze. Individuální návratnost vzdělání pak zahrnuje přínosy pro
jednotlivce spojené s trhem práce, jako je vyšší ekonomický příjem, prestižnější
a kvalitnější zaměstnání nebo nižší riziko nezaměstnanosti. V tomto textu se vě‑
nujeme individuální návratnosti vzdělání. V souladu s Harmonem [2011] ji dě‑
líme na návratnost finanční (economic return to education), která je vyjádřena pří‑
jmem za práci, a nefinanční (non‑economic nebo non‑monetary return to education),
která zahrnuje kvalitu a jistotu zaměstnání.
Nefinanční přínosy vzdělání zkoumáme na datech Výběrového šetření pra‑
covních sil (VŠPS) z let 2000 až 2014, která jsme získali od Českého statistického
úřadu. Finanční přínosy analyzujeme na datech Šetření o průměrném výdělku
(ISPV) ze stejného období (2000 až 2014), která jsme ve formě korelačních matic
získali od firmy Trexima (data jsou sbírána pro Ministerstvo práce a sociálních
věcí ČR). Jedná se o data ze statistických hlášení zaměstnavatelů; netrpí tedy
1
  V roce 1950 mělo střední vzdělání s maturitou 5 % lidí, v roce 1980 17 % a v roce 2011 to
bylo 31 % [ČSÚ 2012]. Se započtením nematuritních oborů sekundárního vzdělávání do‑
sáhl podíl osob se sekundárním vzděláním 14,9 % v roce 1950, 49,5 % v roce 1980 a 64,2 %
v roce 2011. Ve stejných letech evidoval ČSÚ v české populaci 0,9 % (v roce 1950), 5 % (v ro‑
ce 1980) a 12,5 % (v roce 2011) lidí s vysokoškolským vzděláním (jedná se o údaje za celou
populaci starší 18 let včetně seniorů, kteří už trh práce opustili).
2
  Podrobné srovnání přínosů vyššího vzdělání přináší např. Harmon [2011], Hout [2012]
nebo Pallas [2006].
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
695
nízkou relevancí příjmových dat, která je obvyklá u dotazníkových šetření mezi
zaměstnanci.
Jelikož v minulých patnácti letech na českém pracovním trhu výrazně
vzrostl počet vysokoškolsky vzdělaných osob, testujeme, zda pro český pracovní
trh platí inflační teorie (pokles návratnosti vzdělání v důsledku převisu vysoko‑
školáků), nebo teorie technologické změny (stabilita, nebo dokonce růst návrat‑
nosti vzdělání v důsledku technologických změn na trhu práce). Naše výzkumné
otázky zní: Mění se finanční a nefinanční návratnost vzdělání v letech 2000 až
2014, kdy český vzdělávací systém prochází výraznou vysokoškolskou expanzí?
Devalvuje hodnota vyššího vzdělání? Přestává být vysokoškolské vzdělání jisto‑
tou odpovídajícího zaměstnání a adekvátního příjmu?
Stať má následující strukturu: Nejprve se zabýváme expanzí terciárního
stupně vzdělávacího systému v České republice. Poté představujeme dvě teorie
vývoje návratnosti vyššího vzdělání – teorii predikující inflaci hodnoty vzdě‑
lání a teorii technologické změny na trhu práce. Obě teorie vedou k odlišným
předpokladům, které v analytické části testujeme. Naše závěry ukazují, že ani
přes nárůst počtu absolventů vysokých škol nedochází k inflaci vysokoškolské‑
ho vzdělání. Vysokoškoláci po celé sledované období zastávali v průměru stejně
„kvalitní“ zaměstnání; ve srovnání s jinými vzdělanostními skupinami mají vý‑
razně nižší míru nezaměstnanosti a finanční návratnost jejich vzdělání ve sledo‑
vaném čase mírně roste. Inflační teorii zamítáme. Naše zjištění podporují platnost
teorie technologické změny: návratnost vzdělání v letech 2000 až 2014 neklesá,
protože český trh práce se proměňuje a zvyšující se počet vysokoškoláků velmi
dobře absorbuje.
Expanze českého vzdělávacího systému po roce 1989
Před rokem 1989 omezovaly přístup k vysokoškolskému vzdělání třídní a politic‑
ká příslušnost rodičů [Kreidl 2008; Simonová 2011; Zelenka, Koucký, Kovařovic
2011] a nízká kapacita vysokých škol. Studium na vysoké škole navíc podléhalo
(stejně jako zbytek společnosti) centrálnímu plánování. Po pádu komunistického
režimu došlo k uvolnění většiny omezení, počet studentů vysokých škol však
nijak zásadně nevzrostl.
I když podíl vysokoškoláků v české společnosti od roku 1989 kontinuál‑
ně roste, výraznější změna nastává až na přelomu tisíciletí, kdy byla podepsána
Boloňská deklarace,3
která doporučila signatářským zemím rozdělit vysokoškol‑
ské vzdělání na tři stupně: široce dostupný bakalářský, selektivnější magisterský
(stupeň 5 mezinárodní klasifikace vzdělání ISCED) a vědecký postgraduální (stu‑
3
 Evropský vzdělávací prostor: Společné prohlášení ministrů školství evropských zemí
v Bo­loni 19. června 1999.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
696
peň 6 ISCED).4
Rozdělení pětiletých magisterských oborů na dva stupně umožni‑
lo vysokým školám výrazně otevřít vzdělávací systém širšímu okruhu zájemců.
Kogan [2012] uvádí jako další důvod vzdělanostní expanze vznik nových obo‑
rů a nových univerzit (soukromých a zejména menších regionálních). Zatímco
v akademickém roce 1993/1994 bylo na českých vysokých školách necelých 110
tisíc studujících, v roce 2000/2001 to bylo 160 tisíc a v roce 2011/2012, kdy ex‑
panze vysokoškolského studia vrcholí, to bylo více jak 280 tisíc studujících (srov.
graf 1). S podobnou intenzitou roste počet každoročně přihlášených a zapsaných
do vysokoškolského studia. V akademickém roce 2000/2001 se hlásilo na vysoké
školy asi 100 tisíc uchazečů a zapsalo se o něco více jak 40 tisíc studujících, v aka‑
demickém roce 2011/2012 se hlásilo více jak 140 tisíc uchazečů a zapsalo se téměř
100 tisíc studujících. Počet maturantů se přitom mezi roky 2000 až 2006 výrazněji
4
  Uvedená klasifikace vychází z ISCED verze 1997, tedy před Boloňskou deklarací. Nová
verze ISCED 2011 rozlišuje jednotlivé stupně terciárního vzdělávání (Bc. – ISCED 6, Mgr. –
ISCED 7, Ph.D. – ISCED 8), do empirického výzkumu ale proniká až po roce 2014.
Graf 1. Maturanti, přihlášení a zapsaní na VŠ a studenti VŠ ve školních letech 1993 až
2014 v ČR (absolutní počet)
0
20 000
40 000
60 000
80 000
100 000
120 000
140 000
160 000
180 000
200 000
220 000
240 000
260 000
280 000
300 000
počet
93/94
94/95
95/96
96/97
97/98
98/99
99/00
00/01
01/02
02/03
03/04
04/05
05/06
06/07
07/08
08/09
09/10
10/11
11/12
12/13
13/14
14/15
školní rok
maturanti přihlášení na VŠ zapsaní na VŠ studenti VŠ
Graf 1. Maturanti, p?ihlá?ení a zapsaní na V? a studenti V
Zdroj dat: MŠMT 2002, 2006, 2010, 2015.
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
697
neměnil, od roku 2007 navíc postupně klesá, a to především v důsledku demo‑
grafických změn, k nimž došlo po roce 1989.5
Zvýšení nabídky vysokoškolského studia se setkalo se zvýšenou poptávkou
ze strany maturantů. Vysokoškolské vzdělání získalo na atraktivitě zejména jako
alternativní náplň života mladých dospělých a jako nezbytná kvalifikace usnad‑
ňující vstup na rychle se proměňující trh práce. V rámci ekonomické transformace
došlo k rozvoji sektoru služeb, příchodu poboček zahraničních společností, zavá‑
dění výpočetní techniky, což vedlo ke zvýšeným nárokům na přípravu pracov‑
ní síly. Zatímco v devadesátých letech 20. století variovala úspěšnost přechodu
do denního studia vysoké školy mezi 40 a 50 % (viz graf 2, počítáno jako poměr
přihlášení versus zapsaní na VŠ), od roku 2000 tato úspěšnost roste a v akademic‑
kém roce 2014/2015 dosahuje téměř 70 %.
Expanze českého vzdělávacího systému vede k proměně vzdělanostní
struktury české populace [ČSÚ 2015a]. Graf 3 ukazuje, že zatímco v roce 1994
5
  Skokové snížení počtu maturantů ve školním roce 2000/2001 je způsobeno zavedením
povinné deváté třídy základní školy v roce 1996/1997.
Graf 2. Úspěšnost uchazečů o studium na VŠ (%) v období 1993 až 2014 v ČR
0
10
20
30
40
50
60
70
80
%
93/94
94/95
95/96
96/97
97/98
98/99
99/00
00/01
01/02
02/03
03/04
04/05
05/06
06/07
07/08
08/09
09/10
10/11
11/12
12/13
13/14
14/15
školní rok
v období 1993 a? 2014 v ?R
Graf 2. Úsp??nost uchaze?? o studium na V? (%)
Zdroj dat: MŠMT 2002, 2006, 2010, 2015.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
698
bylo v ČR 10 % obyvatel ve věku 25–64 let s vysokoškolským vzděláním (stupeň
ISCED 5 a 6), v roce 2014 byl podíl vysokoškoláků v této věkové skupině téměř
22 % (srov. graf 3). Ženy zasáhla vzdělanostní expanze výrazněji než muže, což
znamená změnu poměru mužů a žen s vysokoškolským vzděláním. Zatímco po‑
díl vysokoškolsky vzdělaných mužů se v populaci 25–64 let zvýšil asi 1,7krát
(z 12,3 % v roce 1994 na 20,5 % v roce 2014), u vysokoškolsky vzdělaných žen
vzrostl téměř 3krát (ze 7,8 % v roce 1994 na 23,1 % v roce 2014). Podíl vysokoško‑
laček tedy ve sledovaném období rostl 1,76krát rychleji než podíl vysokoškoláků.
Lze předpokládat, že se podíl vysokoškoláků bude na trhu práce zvyšovat
i nadále, dokud se Česká republika nepřiblíží vzdělanostním strukturám eko‑
nomicky vyspělých zemí Evropské unie. Zpráva Eurostatu například uvádí, že
ve věkové skupině 24–29 let má v české populaci vysokoškolské vzdělání 24,3 %
obyvatel, zatímco tento podíl napříč zeměmi Evropské unie činí 31,6 %. Ve vyš‑
ších věkových skupinách je z důvodu pozdější expanze českého vzdělávacího
systému rozdíl ještě markantnější (např. věková skupina 35–39 let: podíl v ČR
15,9 %; podíl v EU 30,1 % [Eurostat 2012]).
Ukončením formálního vzdělávání navíc vzdělávací trajektorie nekončí. Jak
ukázaly Simonová a Hamplová [2016], zapojení se do celoživotního vzdělávání
Graf 3. Absolventi vysokoškolského studia (25–64 let) v období 1994 až 2014 v ČR (%)
0
2
4
6
8
10
12
14
16
18
20
22
24
%
1994 95 96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11 12 13 2014
rok
celkem muži ženy
v období 1994 a? 2014 v ?R (%)
Graf 3. Absolventi vysoko?kolského studia (25−64 let)
Zdroj dat: VŠPS 2016.
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
699
silně závisí na původním vzdělání; celoživotního vzdělávání se účastní výrazně
více absolventi vysokých škol (28,8 % mužů, 26,8 % žen) než absolventi matu‑
ritních oborů středních škol (20,9 % mužů, 22,9 % žen) a učebních oborů (8,1 %
mužů, 6,0 % žen). Vysokoškoláci tak v průběhu života svůj vzdělanostní náskok
prostřednictvím celoživotního vzdělávání ještě zvyšují.
Inflace vzdělání, nebo technologická změna?
Všechny sociálně stratifikační modely prokazují souvislost mezi dosaženým
vzděláním a pozicí na trhu práce [Matějů 2005]. Sociální badatelé rozlišují mezi
certifikační a signalizační funkcí vzdělání. Certifikační funkce vzdělání znamená,
že jeho nositel je vybaven určitými naučenými znalostmi a dovednostmi. Signa‑
lizační funkce vzdělání odkazuje k hlubším kognitivním schopnostem, jako je
sledování určitého cíle po dobu několika let, dlouhodobější plánování si práce
nebo orientace v mezinárodním prostředí [Brožová 2003; Harmon, Oosterbeek,
Walker 2003; Hout 2012; Jackson, Goldthorpe, Mills 2005].
V sedmdesátých letech 20. století západoevropské země začínají procházet
masivní vzdělanostní expanzí. Jako reakce na tuto situaci vznikají dvě sociologic‑
ké teorie – teorie inflace vzdělání a teorie technologické změny [k oběma přístu‑
pům srov. Bernardi, Ballarino 2014].
Teorie předpokládající inflaci vzdělání (credential inflation) je založena na
ekonomických zákonech. Pokud je na některém trhu přebytek zboží, v našem
případě přebytek vysokoškoláků na trhu práce, dochází k poklesu jeho hodnoty.
Aby příslušníci nové kohorty absolventů získali stejně kvalitní zaměstnání jako
reprezentanti kohort předchozích, musí dosáhnout buď vyššího vzdělání, nebo
ke vzdělání získat další (jinou) kompetitivní výhodu oproti ostatním [Bourdieu,
Passeron 1990; Bourdieu 1996; Keller, Tvrdý 2008; Van de Werfhorst 2005]. Ti,
kterým se to nepovede, pak přijímají kvůli vysoké konkurenci místa určená pů‑
vodně méně kvalifikovaným zaměstnancům, která nejsou příliš prestižní a jsou
také hůře finančně ohodnocená [Burris 1983; Kivinen, Ahola 1999; Morrison Paul,
Siegel 2001; Nelson, Phelps 1966; Welch 1970].
Kontradiktorní teorie poukazuje na probíhající technologickou změnu,
která pracovní trh proměňuje směrem ke zvýhodňování kvalifikovanějších pra‑
covníků (skill‑biased technological change). Zavádění moderních technologií vyža‑
duje zaměstnance, kteří díky své vyšší kvalifikaci s těmito technologiemi umějí
pracovat. Berman, Somanathan a Tan [2005] vidí technologie jako hlavní důvod
zvýšené poptávky po absolventech vysokých škol. Acemoglu [2002] uvádí, že
technologická změna probíhá přinejmenším od dob průmyslové revoluce, rozdě‑
luje ji ale na dvě období. Nejprve docházelo prostřednictvím fordizace výrobního
procesu ke zvýšení poptávky po nekvalifikovaných dělnících do pásové výroby
a teprve v druhé polovině 20. století, zejména vlivem zavádění výpočetní techni‑
ky, dochází opět k poptávce po vysoce kvalifikovaných zaměstnancích. Počítač
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
700
už nedokáže obsluhovat zaučený dělník, zaměstnavatel musí najmout alespoň
středoškoláka, lépe však absolventa vysoké školy. Technologické změny na trhu
práce prospívají absolventům vyšších stupňů vzdělání; na druhé straně vzděla‑
nostního spektra však dochází k útlumu. Práce nekvalifikovaných dělníků je nej‑
prve nahrazena stroji, s rozvojem levné dopravy a globalizace světové ekonomiky
se pak navíc přesunuje do zemí s levnou pracovní silou [Ábrahám 2008; Card,
Dinardo 2002; Morrison Paul, Siegel 2001]. Oesch [2013] k tomu dodává, že nejví‑
ce nejsou ohroženi nekvalifikovaní zaměstnanci – ti nacházejí práci v rozvíjejícím
se sektoru služeb –, ale zaměstnanci vykonávající rutinní práci, která je snadno
nahraditelná stroji.6
I když by se mohlo zdát, že teorie technologické změny v současném soci‑
ologickém i ekonomickém diskursu dominuje, některé studie její platnost zpo‑
chybňují. Aamodt a Arnesen [1995] předpokládají, že expanze vysokoškolské
části vzdělávacího systému slouží především jako ochrana středoškoláků před
nezaměstnaností. Na trhu práce není dostatek pracovních pozic pro středoško‑
láky, což znamená, že jejich nezaměstnanost by byla bez vzdělanostní expanze
velmi vysoká. Kivinen a Ahola [1999] poukazují na fakt, že nemalé procento
absolventů vysokých škol zaměstnává stále více rozbujelý sociální stát. V tomto
případě se jedná spíše o změnu byrokratickou, kdy stát v roli zaměstnavatele sta‑
noví povinnou vysokoškolskou kvalifikaci i pro pozice, kde není nutná z důvodu
technologické změny. Baranowska‑Rataj a Unt [2012] na polských a estonských
datech ukázaly, že v postsocialistických zemích není pracovní trh absolventy vy‑
sokých škol zatím natolik saturován, aby návratnost vzdělání více závisela na ab‑
solvovaném oboru než na jeho stupni, jako je tomu například v Norsku. Štefánik
[2014] porovnával finanční návratnost vysokoškolského vzdělání v zemích vise‑
grádské čtyřky s návratností v zemích západní Evropy. Jeho analýza dat EU‑SILC
ukázala, že zatímco zaměstnavatelé v zemích visegrádské čtyřky nerozlišují, kdy
bylo vzdělání získáno, v západoevropských zemích má vzdělání získané po roce
1995 asi o 15 % vyšší hodnotu než vzdělání získané předtím.
Obě teorie mohou být v českém prostředí platné. Vzdělanostní expanze ter‑
ciárního stupně byla v minulých letech u nás velmi podobná té, na jakou před
čtyřiceti lety reagovali sociologové formulující teorii inflace vzdělání. Z tohoto
důvodu by hodnota vysokoškolského vzdělání měla v české společnosti oslabo‑
vat. Současně se ale po roce 1989 těžký socialistický průmysl začal výrazně pro‑
měňovat díky zavádění do té doby nedostupných technologií a inovací. Vývoj
akceleroval vstupem České republiky do Evropské unie, kdy již nic nebránilo
působení nadnárodních společností na českém trhu práce. Všechny tyto okolnos‑
ti by měly naopak zvýšit poptávku po absolventech vysokých škol a hodnota
vysokoškolského vzdělání by měla růst.
6
  Například dříve početnou skupinu bankovních úředníků vytlačuje internetové bankov‑
nictví nebo práci sekretářek zastanou ředitelé se stolními počítači.
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
701
Na základě obou teorií formulujeme dvě protichůdné hypotézy, které v ana‑
lytické části testujeme. První hypotéza vychází z inflační teorie a předpokládá, že
vzhledem k výraznému zvýšení počtu absolventů vysokých škol na českém trhu
práce dojde ke snížení hodnoty jejich vzdělání. Druhá hypotéza vychází z teo‑
rie technologické změny. Podle ní v důsledku strukturálních změn na trhu práce
a díky novým technologiím se hodnota vysokoškolského vzdělání nemění, nebo
dokonce roste. Obě hypotézy zní následovně:
H1:	Návratnost vysokoškolského vzdělání na trhu práce v době vzdělanostní expanze kle‑
sá. Jeho hodnota se přibližuje hodnotám nižších stupňů vzdělání.
H2:	Návratnost vysokoškolského vzdělání na trhu práce v době vzdělanostní expanze zů‑
stává konstantní nebo se ještě zvyšuje.
Data, jejich charakteristika a analytický postup
Abychom mohli otestovat naše dvě hypotézy, analyzujeme data ze dvou socio‑
logických šetření. Jednak Výběrové šetření pracovních sil (VŠPS) a jednak Šetření
o průměrném výdělku (ISPV).
Z Výběrového šetření pracovních sil jsme vybrali čtvrtá čtvrtletí každého ka‑
lendářního roku za období 2000 až 2014.7
Respondenty jsme omezili věkovým
rozpětím 25–64 let, které se v sociálně stratifikační literatuře obvykle používá pro
osoby pohybující se na pracovním trhu [srov. Breen 2004; Erikson, Goldthorpe
1992]. Z VŠPS jsme využili informace o vzdělání, zaměstnání a jistotě zaměst‑
nání respondentů. Zaměstnání je v datech indikováno pomocí mezinárodní
čtyřmístné klasifikace zaměstnání ISCO (International Standard Classification of
Occupation).8
Z této proměnné jsme zkonstruovali mezinárodní socioekonomic‑
ký index zaměstnání ISEI (International Socioeconomic Index of Occupational Status)
[Ganzeboom, De Graaf, Treiman 1992; Ganzeboom, Treiman 1996], který ukazuje
postavení respondenta na trhu práce. Jistotu zaměstnání indikujeme obecnou mí‑
rou zaměstnanosti a nezaměstnanosti, počítanou jako poměr lidí bez práce k cel‑
kové populaci na trhu práce. Výsledný soubor VŠPS, který analyzujeme, obsahuje
424 279 respondentů s vyrovnaným podílem mužů a žen. V posledním sledova‑
ném roce 2014 výběr tvoří 7 % respondentů se základním vzděláním, 37 % vyuče‑
ných, 35 % s maturitním vzděláním, 5 % bakalářů a 16 % respondentů s úplným
vysokoškolským vzděláním.
7
  Výběrové šetření pracovních sil je longitudinální šetření prováděné ČSÚ od roku 1993
ve čtvrtletních intervalech. Respondenti jsou ve výběru obměňováni formou rotujícího pa‑
nelu; pro výběr je použita metoda dvoustupňového výběru [ČSÚ 2015b]. Data zahrnují
nejen osoby pohybující se aktivně na trhu práce, ale také důchodce, osoby na rodičovské
dovolené nebo studenty.
8
  Do roku 2010 se jedná o ISCO88, od roku 2011 o ISCO08 [více ke konceptu ISCO srov.
ILO 2008].
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
702
Druhým datovým souborem je Šetření o průměrném výdělku (ISPV),9
které re‑
alizuje Ministerstvo práce a sociálních věcí ČR od roku 1993.10
Příjmová data jsou
rozdělena na platovou a mzdovou sféru. Platová sféra zahrnuje zaměstnance,
kteří jsou odměňováni platem, do mzdové sféry spadají zaměstnanci pobírající
mzdu. Do roku 2011 byly tyto sféry pojmenovány jako nepodnikatelská (platová)
a podnikatelská (mzdová). Protože však tyto názvy nepokrývaly skutečné insti‑
tucionální dělení na státní a soukromou pracovní sféru, byly změněny. V obou
případech se jedná o příjmová data poskytovaná zaměstnavatelem v rámci po‑
vinného statistického vykazování. Netrpí tedy nízkou reliabilitou, která je obvyk‑
lá pro dotazníková průřezová šetření o příjmech v domácnostech nebo u ekono‑
micky aktivní populace.11
Z Šetření o průměrném výdělku (ISPV) jsme opět využili
informace z let 2000 až 2014. Výsledný datový soubor obsahoval 24 061 634 re‑
spondentů ve věku 15 až 90 let, z toho 29 % v platové a 71 % v mzdové sféře. Podíl
mužů a žen byl vyrovnaný (51 % versus 49 % ve prospěch mužů). V posledním
sledovaném roce 2014 bylo v souboru 6 % respondentů se základním vzděláním,
31 % vyučených, 37 % s maturitou, 6 % bakalářů a 20 % s úplným vysokoškol‑
ským vzděláním.
Analytický postup jsme rozdělili na dvě části. V první části se zabýváme
nefinanční návratností vzdělání: jednak z hlediska postavení na trhu práce a jed‑
nak z hlediska nezaměstnanosti. K tomu využíváme první datový soubor (VŠPS).
Konkrétně analyzujeme, jak se ve sledovaném období vyvíjí průměrná hodnota
ukazatele ISEI a obecná míra nezaměstnanosti podle dosaženého vzdělání (věko‑
vé omezení 25–64 let).
Ve druhé části analýzy se zabýváme finanční návratností vzdělání. K tomu
využíváme druhý datový soubor (ISPV). Neměli jsme však k dispozici původní
individuální data ISPV, která Trexima neuvolňuje ani pro potřeby akademického
zkoumání, ale pracujeme s tzv. artificiálními daty. Ta jsou sice odlišná od původ‑
ních (pro nás nedostupných) dat, vykazují nicméně stejné statistické vlastnosti.
Spojité proměnné mají totožný průměr a směrodatnou odchylku a jejich vzájem‑
né korelace jsou také totožné s původními daty. Celkové N artificiálních a pů‑
vodních dat je rovněž stejné (24 061 634). Artificiální data se liší pouze rozptylem
spojitých proměnných.
Artificiální data jsme generovali následujícím způsobem: Od Treximy jsme
zakoupili Pearsonovy korelační koeficienty pro spojitou závisle proměnnou (při‑
rozený logaritmus hodinového příjmu zaměstnance) a spojitou nezávisle pro‑
9
  Korektní označení používané ČSÚ, MPSV i firmou Trexima [2015] je Čtvrtletní šetření
o průměrném výdělku. Data jsou zveřejňována na webu Informační systém o průměrném
výdělku (www.ispv.cz), proto se pro šetření vžila zkratka ISPV.
10
  Data sbírá a spravuje společnost Trexima. Kromě provádění pravidelného statistického
šetření průměrných mezd se firma Trexima již od roku 1991 zabývá konzultační činností
v oblasti lidských zdrojů.
11
  Podrobnější informace o konstrukci výběru viz Trexima [2015].
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
703
měnnou věk (15–90 let), které byly doplněné o celkový počet respondentů (N),
arit­metické průměry a směrodatné odchylky (SD) obou proměnných. Korelační
koeficienty, N, aritmetické průměry a SD jsme si nechali spočítat pro všechny
podsoubory vymezené kombinacemi variant dalších kategorizovaných nezávisle
proměnných, jimiž jsou roky (2000–2014), vzdělání (základní, vyučen, maturita,
bakalář, vysokoškolské), pohlaví (muž, žena) a sféra (platová, mzdová). Jednalo
se o 300 korelačních koeficientů (15 roků × 5 stupňů vzdělání × 2 varianty pohlaví
× 2 va­rianty sféry) a statistických charakteristik obou proměnných (N, aritme‑
tický průměr, SD). Z těchto korelačních matic jsme pak rekonstruovali artificiál‑
ní data.12
Validitu artificiálních dat jsme ověřovali jak interně, tak externě. Interní test
validity spočíval v tom, že jsme na artificiálních datech odhadli koeficienty zá‑
kladního regresního modelu (srov. model M1 v tabulce 1 v části Analýza finanč‑
ní návratnosti vysokoškolského vzdělání). K tomu jsme zakoupili od Treximy
koeficienty toho samého regresního modelu, odhadnutého ovšem na primárních
datech. Koeficienty z artificiálních dat byly totožné s koeficienty odhadnutými
na individuálních datech s přesností na čtyři desetinná místa.
Test externí validity jsme provedli za pomocí dat VŠPS [VŠPS 2016]. Na těch‑
to datech jsme nejprve odhadli jednoduchý regresní model pro vybranou spoji‑
tou závisle proměnnou ISEI a nezávisle proměnné věk, rok, pohlaví a vzdělání.
Dále jsme odhadli ten samý model, který však obsahoval navíc interakci mezi ro‑
kem a vzdělanostním stupněm, abychom zjistili proměnu efektu vzdělání na ISEI
podle roků. Poté jsme z dat VŠPS podle stejného postupu jako u údajů poskyt‑
nutých Treximou vygenerovali artificiální data VŠPS‑A.13
Na těchto datech jsme
pak odhadli stejné regresní modely (bez interakce a s interakcí mezi vzděláním
a roky) jako na primárních datech VŠPS. Odchylka mezi regresními koeficienty
12
  Data jsme generovali ve statistickém programu Stata. Použili jsme proceduru corr2da‑
ta, která generuje artificiální data ze zadané korelace. Například pro rok 2000, variantu
vzdělání 1, variantu pohlaví 1 a variantu sféra 1 byl použitý tento příkaz: corr2data lnpri‑
jem vek, n (44 726) means (4,225542 43,20389) sds (0,3694006 12,36445) corr (1, −0,0472 \
−0,0472, 1). Výsledkem bylo generování 44 726 případů pro proměnné lnprijem a věk se
zadanými aritmetickými průměry a směrodatnými odchylkami, mezi nimiž byla korelace
−0,0472. Tuto proceduru jsme zopakovali 300krát a dostali jsme 300 datových souborů, kte‑
ré jsme sloučili do jedné datové matice (N = 24 061 634). Z důvodu časové proveditelnosti
vícerozměrné analýzy a odhadu modelových predikcí, jsme všechny analýzy realizovali
na náhodném výběru z těchto dat o velikosti 10 % (analyzovali jsme tedy náhodný výběr
z těchto dat o velikosti N = 2 406 182). Ke generování dat pomocí příkazu corr2dat srov.
Stata‑Data Managment Manual [2015]; ke generování dat se specifickou korelační struktu‑
rou mezi proměnnými srov. Cappellari, Jenkins [2006].
13
  Abychom to mohli udělat, museli jsme nejprve spočítat Pearsonovy korelační koefici‑
enty mezi závisle proměnnou ISEI a nezávisle proměnnou věk pro všechny kombinace
variant kategorizovaných nezávisle proměnných. Poté jsme je doplnili o N, aritmetické
průměry a SD obou korelovaných proměnných. A teprve pak jsme z těchto údajů pomocí
Stata procedury corr2data generovali artificiální data VŠPS‑A.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
704
odhadnutými na původních datech VŠPS a těmi samými koeficienty odhadnu‑
tými však na artificiálních datech VŠPS‑A byla v řádu čtvrtých a vyšších desetin‑
ných míst, a to jak pro model bez interakce, tak pro model s interakcí. Nejen tedy
test interní, ale také test externí validity artificiálních dat prokázal oprávněnost
jejich použití pro naši analýzu.
Analýza nefinanční návratnosti vysokoškolského vzdělání
Podle řady autorů zastávajících inflační teorii [Burris 1983; Morrison Paul, Siegel
2001; Nelson, Phelps 1966; Welch 1970] je vyšší jistota zaměstnání u vysokoškolá‑
ků do značné míry dána jejich vyšší adaptabilitou. V případě, že nenaleznou za‑
městnání, které odpovídá jejich kvalifikaci, přijmou zaměstnání nižší kvality. Pro
ověření tohoto předpokladu jsme zjišťovali, jak se mění průměrná hodnota mezi‑
národního socioekonomického indexu zaměstnání (ISEI) v závislosti na vzdělání
respondenta (ISEI je spojitá škála 16 až 90 skórů, pro kterou platí, čím vyšší hod‑
nota, tím také vyšší socioekonomické postavení na trhu práce).14
Bernardi a Ballarino [2014] ukázali, že dosažením vysokoškolského vzdě‑
lání se zvýší hodnota pracovní pozice o 24–28 ISEI skórů. Noelke, Gebel a Ko‑
gan [2012] se zabývali středoevropskými zeměmi a odhadli zvýšení ISEI oproti
středoškolákům pro absolventy bakalářského stupně o 7 a úplného vysokoškol‑
ského stupně o 19 skórů. Zelenka, Koucký a Kovařovic [2011] vypočetli průměr‑
né ISEI v Česku pro absolventy gymnázií 43,8; absolventy bakalářského stupně
49,6; a absolventy vysokoškolského stupně 60,7. Oproti středoškolákům tak mají
absolventi pětiletého vysokoškolského vzdělání přibližně o 16 ISEI skórů lépe
hodnocené zaměstnání.
Analýza dat VŠPS potvrzuje existenci rozdílů ISEI skórů podle vzdělání
(viz graf 4). Vysokoškoláci mají po celé námi sledované období v průměru o 18,5
ISEI skórů lepší pracovní pozici než středoškoláci, pro bakaláře je průměrný od‑
stup od středoškoláků 8,0 ISEI skórů. Rozdíl mezi pracovní pozicí vysokoškolá‑
ků a vyučených je v průměru 21,8 ISEI skórů, pro bakaláře je průměrný odstup
od vyučených 13,7 ISEI skórů. Získané výsledky odpovídají zjištěním Noelkeho,
Gebela a Kogan [2012] nebo Zelenky, Kouckého a Kovařovice [2011]. Průměrné
ISEI podle vzdělání se po celé sledované období takřka nemění.15
14
  Filozofie ISEI vychází z předpokladu, že zaměstnání je aktivita, která zprostředkovává
vztah mezi vzděláním a příjmem – přesněji řečeno, která konvertuje vzdělání na příjem.
Nejnižší skóry ISEI odkazují k nejjednodušším profesím, naopak ISEI skóre 90 dosahují
zákonodárci, vysocí úředníci a manažeři.
15
  Změnu mezi lety 2010 až 2011 u všech vzdělanostních skupin interpretujeme jako struk‑
turální posun způsobený změnou kódování pracovních pozic z ISCO88 na ISCO08 v da‑
tech. Vzdálenost mezi dvěma nejvyššími a dvěma nejnižšími vzdělanostními stupni se
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
705
Zelenka, Koucký a Kovařovic [2011] zkoumali přechod absolventů na český
pracovní trh a ukázali, že vysokoškoláci si obvykle najdou práci během několi‑
ka měsíců po absolvování. Po 12 měsících je bez práce asi 15 % bakalářů a 17 %
absolventů magisterských oborů; mezi středoškoláky je po téže době bez práce
58 % absolventů gymnázií, 24 % absolventů technických středních škol a 39 %
absolventů učebních oborů. Podle statistik OECD míra nezaměstnanosti v ČR
klesá nepřímo úměrně s rostoucím vzděláním [více k tomu srov. také Kleňho‑
vá 2012; Müller 2005]. Noelke, Gebel a Kogan [2012] sice pro český pracovní trh
potvrdili rozdílné míry nezaměstnanosti, dospěli ale k závěru, že mezi rychlostí
získání prvního zaměstnání není pro absolventy magisterských a bakalářských
stupňů vysokoškolského vzdělání významný rozdíl. Tyto závěry potvrzují Bara‑
nowska‑Rataj a Unt [2012], když ukazují, že v postkomunistických zemích není
Graf 4. ISEI (průměr) podle vzdělání (25–64 let) v období 2000 až 2014 v ČR
10
20
30
40
50
60
70
80
90
ISEI
2000 01 02 03 04 05 06 07 08 09 10 11 12 13 2014
rok
základní vyučen maturita bakalář vysokoškolské
v období 2000 a? 2014 v ?R
Graf 4. ISEI (pr?m?r) podle na vzd?lání (25−64 let)
Zdroj dat: VŠPS 2016.
sice touto změnou zvětšila, nicméně protože v dalších letech (2011–2014) se již tato vzdále‑
nost nemění, neinterpretujeme tento odskok jako růst rozdílů mezi pracovními pozicemi
podle vzdělání, ale jako efekt nového kódování pracovních pozic.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
706
ještě pracovní trh vysokoškoláky saturován natolik, aby měly jejich dílčí skupiny
(v citovaném článku absolventi inženýrských oborů) výraznou výhodu.
Graf 5 ukazuje na základě dat z VŠPS rozdíly v obecné míře nezaměstna‑
nosti podle vzdělání (věkové omezení 25–64 let). Absolventi vyšších vzdělanost‑
ních stupňů mají nejnižší nezaměstnanost. V roce 2014 bylo nezaměstnaných 3 %
vysokoškoláků, 4 % maturantů, 8 % držitelů výučních listů a 25 % absolventů
základní školy. U nižších vzdělanostních stupňů je patrný zlom mezi lety 2008
až 2009, kdy na českou společnost dolehly důsledky celosvětové finanční krize.
Míra nezaměstnanosti vysokoškoláků však zůstává prakticky beze změny po celé
sledované období.
Na základě obou analýz nefinančních přínosů vyššího vzdělání lze kon‑
statovat, že vysokoškoláci po celé sledované období vykazují výrazně nižší míru
nezaměstnanosti, přičemž tato míra se výrazněji neproměňuje. Stejně tak prů‑
měrná „kvalita“ zaměstnání (indikováno ISEI skóry) vykonávaného absolventy
vysoké školy se nesnižuje. V rovině nefinanční návratnosti tedy zamítáme hy‑
potézu H1 o inflaci vysokoškolského vzdělání. Data naopak naznačují platnost
hypotézy H2, podle níž hodnota vysokoškolského vzdělání v rovině nefinančních
přínosů nedevalvuje.
Graf 5. Nezaměstnanost podle vzdělání (25–64 let) v období 2000 až 2014 v ČR (%)
0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
%
2000 01 02 03 04 05 06 07 08 09 10 11 12 13 2014
rok
základní vyučen maturita bakalář vysokoškolské
v období 2000 a? 2014 v ?R (%)
Graf 5. Nezam?stnanost podle vzd?lání (25−64 let)
Zdroj dat: VŠPS 2016.
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
707
Analýza finanční návratnosti vysokoškolského vzdělání
K analýze finanční návratnosti vzdělání jsme zvolili lineární regresi. Analyzuje‑
me artificiální data z Šetření o průměrném výdělku (ISPV). Konkrétně pracujeme
s informacemi o příjmu, vzdělání, věku, pohlaví, sféře placené práce a roku sběru
dat. Jiné proměnné, například informace o oboru studia nebo oboru ekonomic‑
kých činností, nebyly v datech k dispozici. Při návrhu modelů jsme vyšli z kla‑
sické Mincerovy regresní rovnice, jejíž platnost ověřila řada autorů [Chase 1998;
Lemieux 2006; Polachek 2008; Trostel, Walker, Woolley 2002; Večerník 2001].
Závisle proměnnou je přirozený logaritmus (ln) hodinového příjmu za‑
městnance, což umožňuje porovnávat příjmy zaměstnanců s různými úvazky.
Logaritmováním příjmu dojde ke zlepšení normality rozložení a linearity vztahu.
První nezávisle proměnnou je informace o dosaženém vzdělání, která se
modeluje buď jako počet let strávených studiem, nebo jako kategorizovaná infor‑
mace o nejvyšším dosaženém stupni. Harmon, Oosterbeek a Walker [2003] a Selz,
Thélot [2004] ukazují, že jednotlivé stupně studia mají odlišnou návratnost; rok
studia základní školy se na výsledném příjmu projeví slaběji než rok studia střed‑
ní nebo vysoké školy. Z tohoto důvodu pojímáme vzdělání jako kategorizovanou
proměnnou a návratnost každého stupně vzdělání analyzujeme odděleně.
Druhou nezávisle proměnnou je informace o délce praxe. V našich datech
nebyla tato proměnná přítomná a stejně tak jsme neměli k dispozici informaci
o roce získání nejvyššího vzdělání. Délka pracovních zkušeností nicméně silně
koreluje s aktuálním věkem respondenta. V našem modelu jsme proto použili
věk. Jelikož závislost příjmu na věku není lineární, ale spíše konkávní [srov. např.
Polachek 2008; Lemieux 2006], používá se spolu s věkem i jeho druhá mocnina.
Naše data nicméně vycházejí z předpokladu lineárního vztahu mezi věkem a pří‑
jem (základem dat je korelace mezi těmito dvěma proměnnými v jednotlivých
skupinách vymezených kombinacemi variant dalších kategorizovaných nezávis‑
le proměnných). Z tohoto důvodu modelujeme efekt věku na příjem v naší ana‑
lýze jako lineární.
Pracovní příjem se výrazně liší podle pohlaví a sféry (platová a mzdová).
Z tohoto důvodu efekt obou těchto proměnných v naší analýze zohledňujeme.
A konečně, protože naším primárním zájmem je proměna finanční návrat‑
nosti vzdělání v čase, jsou nedílnou součástí naší analýzy jednotlivé roky (2000
až 2014).
Odhadli jsme dva modely lineární regrese (tabulka 1). Model M1 obsahuje
hlavní efekty jednotlivých nezávisle proměnných, model M2 obsahuje navíc in‑
terakci mezi vzděláním a roky, která ukazuje proměnu efektu vzdělání na příjem
v době vzdělanostní expanze. V obou modelech pojímáme čas jako kategorizo‑
vaný, jelikož všechny modelové statistiky indikují preferenci kategorizovaného
času před spojitým.
Hlavní efekty vysvětlujících proměnných zůstávají v obou modelech prak‑
ticky totožné. Na základě modelu M2 můžeme konstatovat, že v čase hodinové
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
708
Tabulka 1. Koeficienty modelů lineární regrese pro přirozený logaritmus hodinového
příjmu v letech 2000 až 2014 v ČR – první část
Nezávisle
proměnné
Model M1 Model M2
Kategorie koef. P > |t| koef. P > |t|
rok 2000 ref. ref. ref. ref.
2001 0,11 0,00 0,10 0,00
2002 0,16 0,00 0,14 0,00
2003 0,24 0,00 0,23 0,00
2004 0,29 0,00 0,31 0,00
2005 0,33 0,00 0,30 0,00
2006 0,43 0,00 0,38 0,00
2007 0,46 0,00 0,42 0,00
2008 0,47 0,00 0,43 0,00
2009 0,51 0,00 0,47 0,00
2010 0,51 0,00 0,48 0,00
2011 0,55 0,00 0,52 0,00
2012 0,55 0,00 0,51 0,00
2013 0,55 0,00 0,52 0,00
2014 0,57 0,00 0,54 0,00
věk 0,01 0,00 0,01 0,00
pohlaví muž ref. ref. ref. ref.
žena −0,23 0,00 −0,23 0,00
vzdělání základní ref. ref. ref. ref.
vyučen 0,12 0,00 0,12 0,00
maturita 0,45 0,00 0,40 0,00
bakalář 0,61 0,00 0,44 0,00
vysokoškolské 0,84 0,00 0,77 0,00
Sféra platová ref. ref. ref. ref.
mzdová 0,14 0,00 0,14 0,00
rok * vzdělání 2000 * základní ref. ref. ref. ref.
2001 * vyučen 0,00 0,86
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
709
Nezávisle
proměnné
Model M1 Model M2
Kategorie koef. P > |t| koef. P > |t|
2001 * maturita 0,01 0,01
2001 * bakalář 0,03 0,09
2001 * vysokoškolské 0,06 0,00
2002 * vyučen 0,01 0,12
2002 * maturita 0,04 0,00
2002 * bakalář 0,16 0,00
2002 * vysokoškolské 0,09 0,00
2003 * vyučen −0,01 0,07
2003 * maturita 0,02 0,00
2003 * bakalář 0,13 0,00
2003 * vysokoškolské 0,07 0,00
2004 * vyučen −0,04 0,00
2004 * maturita 0,01 0,03
2004 * bakalář 0,11 0,00
2004 * vysokoškolské −0,03 0,00
2005 * vyučen 0,01 0,04
2005 * maturita 0,07 0,00
2005 * bakalář 0,17 0,00
2005 * vysokoškolské 0,06 0,00
2006 * vyučen 0,01 0,25
2006 * maturita 0,08 0,00
2006 * bakalář 0,23 0,00
2006 * vysokoškolské 0,10 0,00
2007 * vyučen 0,01 0,01
2007 * maturita 0,06 0,00
2007 * bakalář 0,20 0,00
2007 * vysokoškolské 0,09 0,00
2008 * vyučen 0,02 0,00
2008 * maturita 0,07 0,00
2008 * bakalář 0,19 0,00
2008 * vysokoškolské 0,09 0,00
2009 * vyučen 0,01 0,19
Tabulka 1. Koeficienty modelů lineární regrese pro přirozený logaritmus hodinového
příjmu v letech 2000 až 2014 v ČR – druhá část
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
710
Nezávisle
proměnné
Model M1 Model M2
Kategorie koef. P > |t| koef. P > |t|
2009 * maturita 0,07 0,00
2009 * bakalář 0,20 0,00
2009 * vysokoškolské 0,10 0,00
2010 * vyučen 0,01 0,11
2010 * maturita 0,05 0,00
2010 * bakalář 0,17 0,00
2010 * vysokoškolské 0,05 0,00
2011 * vyučen 0,01 0,01
2011 * maturita 0,04 0,00
2011 * bakalář 0,16 0,00
2011 * vysokoškolské 0,07 0,00
2012 * vyučen 0,02 0,00
2012 * maturita 0,04 0,00
2012 * bakalář 0,17 0,00
2012 * vysokoškolské 0,08 0,00
2013 * vyučen 0,02 0,00
2013 * maturita 0,03 0,00
2013 * bakalář 0,15 0,00
2013 * vysokoškolské 0,07 0,00
2014 * vyučen 0,02 0,00
2014 * maturita 0,04 0,00
2014 * bakalář 0,17 0,00
2014 * vysokoškolské 0,08 0,00
Konstanta 3,85 0,00 3,87 0,00
N = 2 406 182 N = 2 406 182
R2
= 0,448 R2
= 0,449
BIC = 2 110 792 BIC = 2 108 603
Zdroj dat: ISPV 2015.
Tabulka 1. Koeficienty modelů lineární regrese pro přirozený logaritmus hodinového
příjmu v letech 2000 až 2014 v ČR – dokončení
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
711
příjmy rostou, nicméně nelineárně. Za zlomové považujeme období kolem roku
2008. Zatímco v roce 2008 vzrostl hodinový příjem ve srovnání s rokem 2000
o 43 %, mezi lety 2008 až 2014 tempo růstu zpomaluje (hodinový příjem v tomto
období vrostl o 11 %).16
Bez ohledu na čas se příjem za každý rok praxe zvýší
o 1 %. Ženy získávají při stejném vzdělání a věku o 23 % nižší příjem než muži
pracující ve stejné sféře placené práce. Ve srovnání se zaměstnanci se základním
vzděláním získávají absolventi učebních oborů (bez ohledu na pohlaví, věk a sfé‑
ru) o 12 % vyšší příjem, absolventi středních škol s maturitou o 40 % vyšší příjem,
bakaláři o 44 % a absolvování úplného vysokoškolského vzdělání zvýší příjem
ve srovnání se základním vzděláním o 77 %. A konečně ve mzdové sféře je příjem
v průměru o 14 % vyšší než ve sféře platové.
16
 V případě, že je závisle proměnná logaritmovaná a všechny nezávisle proměnné
nelogaritmované, lze odhadnutý regresní koeficient interpretovat jako procentní změnu
závisle proměnné, když se nezávisle proměnná zvýší o jednotku [více k tomu srov. Benoit
2011; Princeton 2015].
Graf 6. Hodinový příjem podle vzdělání a sféry placené práce v letech 2000 až 2014
(predikce na základě modelu 2)
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
230
240
250
2000 01 02 03 04 05 06 07 08 09 10 11 12 13 14 2000 01 02 03 04 05 06 07 08 09 10 11 12 13 14
základní vyučen maturita bakalář vysokoškolské
hodinovýpříjemvKč
rok
v letech 2000 a? 2014 (predikce na základ? modelu 2)
Graf 6. Hodinový p?íjem podle vzd?lání a sféry placené práce
platová sféra mzdová sféra
Zdroj dat: ISPV 2015.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
712
Graf 6 ukazuje predikci hodinového příjmu (kvůli smysluplné interpretaci
v českých korunách) podle vzdělání a sféry placené práce mezi lety 2000 až 2014
na základě modelu M2.17
Finanční návratnost úplného vysokoškolského vzdělá‑
ní v platové sféře kontinuálně roste ze 110 Kč/h v roce 2000 na 210 Kč/h v roce
2014, ve mzdové sféře je to ze 130 Kč/h na 240 Kč/h. Výjimku z tohoto trendu
představují roky 2004 a 2010. V roce 2004 se na pracovním trhu začali objevovat
první absolventi bakalářských studijních programů, v roce 2010 se zřejmě jedná
o důsledek doznívající ekonomické krize.
Zatímco v roce 2001 se finanční návratnost bakalářských stupňů blížila fi‑
nanční návratnosti střední školy s maturitou, s přibývajícím počtem bakalářů
na pracovním trhu se odstup mezi středním a bakalářským vzděláním zvyšuje
a počínaje rokem 2006 se ustaluje ve své současné pozici a dále kopíruje vývoj
návratnosti úplného vysokoškolského vzdělání.
Rozdíl mezi finanční návratností vysokoškolského a středoškolského ma‑
turitního vzdělání se zvětšuje. Zatímco v roce 2000 byl tento rozdíl v hodinové
mzdě asi 30 Kč, v roce 2014 to bylo asi 70 Kč. Finanční návratnost vysokoškolské‑
ho vzdělání tedy neklesá; vysokoškolské vzdělání v době vzdělanostní expan‑
ze nedevalvuje, ale spíše naopak. Stejně jako u nefinanční návratnosti vyššího
vzdělání také u jeho finanční návratnosti proto zamítáme hypotézu H1. Teorii
inflace vysokoškolských diplomů naše data nepotvrzují. I když je pracovní trh
v posledních 15 letech sycen rostoucím počtem vysokoškoláků, zdá se, že stále
ještě nedosáhl stavu saturace, absorbuje vzdělané pracovníky a nabízí jim ade‑
kvátně finančně ohodnocené pozice. Hypotézu H2 o technologické změně na čes‑
kém trhu práce tudíž nezamítáme.
Dřívější analýzy ukázaly velmi podobné výsledky. Podle Večerníka [2013]
se v letech 1996 až 2009 návratnost vyučení pohybovala ve srovnání se základ‑
ním vzděláním mezi 13–17 % (v našem modelu M2 12 %), návratnost maturitního
vzdělání mezi 36–39 % (v našem modelu M2 40 %) a návratnost vysokoškolského
vzdělání mezi 70–73 % (v našem modelu M2 44 % pro bakalářské a 77 % pro úpl‑
né vysokoškolské studium). Mysíková a Večerník [2015] pracovali s daty EU SILC
a použili Heckmanův model. Ukázali, že návratnost vysokoškolského vzdělání
je v České republice v letech 2004 až 2011 stabilní (nárůst návratnosti mezi zmí‑
něnými roky byl o 0,5 %). Ke stejným výsledkům dospěli pro Slovensko (pokles
návratnosti o 1,8 %), zatímco v Německu návratnost vysokoškolského vzdělání
roste (mezi lety 2004 a 2011 vzrůst o 16,4 % se skokem v době finanční krize)
a v Rakousku a Polsku dokonce v dlouhodobé perspektivě klesá (pokles návrat‑
nosti o 30,9 %, respektive 21,5 %). Spolu s Mysíkovou a Večerníkem lze tedy kon‑
17
  Predikované hodnoty (neboli marginal effects) jsou průměrné hodnoty závisle proměnné
ve variantách (a jejich kombinacích) nezávisle proměnných. Predikované hodnoty uka‑
zují změnu závisle proměnné, pokud se změní nezávisle proměnná o jednotku, zatímco
všechny ostatní nezávisle proměnné jsou drženy na konstantní úrovni [více k tomu srov.
Mitchel 2012].
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
713
statovat, že návratnost vyššího vzdělání je v zemích bývalého sovětského bloku,
kde je stále nedostatek vysokoškoláků, vysoká, zatímco původní kapitalistické
země jsou již absolventy vysokých škol nasyceny do takové míry, že návratnost
vyššího vzdělání je v nich nižší a také více podmíněná oborem studia. K témuž
závěru došel v nedávné analýze i Štefánik [2014].
Závěry a diskuze
V této stati jsme odpovídali na otázku, zda finanční a nefinanční návratnost vyš‑
šího vzdělání v České republice roste, nebo klesá v situaci, kdy se výrazně zvy‑
šuje podíl vysokoškolsky vzdělaných zaměstnanců na trhu práce. Ptali jsme se,
zdali platí pro český pracovní trh teorie inflace vzdělání, nebo teorie technologic‑
ké změny. K odpovědi na tuto otázku jsme analyzovali data z Výběrového šetření
pracovních sil a z Šetření o průměrném výdělku za léta 2000 až 2014. Na základě teo‑
rie inflace vzdělání a teorie technologické změny jsme formulovali dvě hypotézy.
Hypotéza H1 předpokládá, že vzhledem ke zvýšení počtu vysokoškoláků bude
hodnota jejich vzdělání devalvovat. Hypotéza H2 oproti tomu očekává, že díky
technologickým změnám trhu práce bude hodnota vyššího vzdělání zůstávat
konstantní nebo ještě poroste.
Analýza nefinanční návratnosti vzdělání ukázala, že absolventi vysokoškol‑
ského i bakalářského stupně získávají ve srovnání s absolventy ostatních vzděla‑
nostních stupňů po celé sledované období lepší zaměstnání a vykazují nižší míru
nezaměstnanosti. Pracovní trh není absolventy vysokých škol natolik saturován,
aby se nefinanční přínosy vyššího vzdělání snižovaly. Tyto závěry korespondu‑
jí s podobnými zjištěními z Polska nebo Estonska [srov. Baranowska‑Rataj, Unt
2012] a také jdou ruku v ruce se statistikami Eurostatu, podle nichž má Česká
republika nižší podíl vysokoškoláků v ekonomicky aktivní populaci, než je běžné
v západních zemích Evropské unie [Eurostat 2012, 2015].
Prostřednictvím vícerozměrné analýzy jsme ukázali, že finanční návratnost
vysokoškolského vzdělání je nižší v platové a vyšší v mzdové sféře. Po celé sle‑
dované období návratnost terciárního vzdělání v obou sférách mírně roste a také
mírně roste odstup od nižších vzdělanostních stupňů. Znamená to, že nedochází
k inflaci vysokoškolského vzdělání. Jeho hodnota z hlediska finanční návratnosti
v době vzdělanostní expanze naopak mírně roste.
V provedených analýzách nebyly zohledněny nepříjmové přínosy spojené
se zaměstnáním, ať už se jedná o nejrůznější bonusy (stravenky, dovolená nad
zákonný rámec, příspěvky na rekreaci či různé formy spoření) nebo nevykazo‑
vané příjmy (spropitné, výplata nezdaněných peněz). Tyto přínosy mohou sa‑
mozřejmě mírně vychýlit návratnost zejména v některých sektorech trhu práce,
ale na základě dostupných dat je není možno zařadit do analýzy. Dále musíme
připomenout, že se jedná o analýzu návratnosti vzdělání na trhu práce, analyzu‑
jeme tedy data týkající se zaměstnanců. Získané výsledky tak nelze vztáhnout
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
714
na podnikatele (pokud nejsou současně zaměstnanci vlastní firmy) ani na osoby
samostatně výdělečně činné. Srovnávat finanční návratnost vzdělání pro OSVČ
je vzhledem k odlišnému sociálnímu zabezpečení a širším možnostem daňové
optimalizace prakticky nemožné. To bude do budoucna činit nemalé problémy,
protože pracovní trh se proměňuje směrem k větší flexibilizaci práce a podíl za‑
městnanců vykonávajících práci (třeba pro více zaměstnavatelů) formou OSVČ
roste.
Na českém pracovním trhu zatím k inflaci vysokoškolského vzdělání nedo‑
chází, i když se počet absolventů vysokých škol v posledních patnácti letech vý‑
razně zvýšil. Česká republika sice nepatří k průmyslově nejvyspělejším ani k vě‑
decky nejvíce inovativním zemím, přesto dokáže nově produkované absolventy
vysokých škol zaměstnat na odpovídajících pozicích s odpovídajícím příjmem,
a to i v období celosvětové finanční krize. Vzhledem k tomu, že počet studentů
vysokých škol aktuálně klesá v souladu s poklesem demografické křivky, bude
tomu tak pravděpodobně i nadále.
Tomáš Doseděl vystudoval informatiku na Vysokém učení technickém v Brně a sociolo‑
gii na Masarykově univerzitě. V současné době působí jako doktorský student sociologie
na Fakultě sociálních studií Masarykovy univerzity. Zaměřuje se na problematiku ná‑
vratnosti vyššího vzdělání na pracovním trhu v době vzdělaností expanze.
Tomáš Katrňák je docentem na Fakultě sociálních studií Masarykovy univerzity. Za‑
měřuje se na sociální stratifikaci, sociální statistiku a metody analýzy dat. Je autorem
několika knih, např. Návrat k sociálnímu původu: Vývoj sociální stratifikace české
společnosti v letech 1989 až 2009 (Brno: CDK, 2010, spoluautor Petr Fučík). Publiko‑
val v Sociologickém časopise / Czech Sociological Review, International Sociolo‑
gy, Sociological Theory and Methods a European Sociological Review.
Literatura
Aamodt, P. O., C. A. Arnesen. 1995. „The Relationship between Expansion in Higher
Education and the Labour Market in Norway.“ European Journal of Education 30 (1):
65–76, https://doi.org/10.2307/1503568.
Ábrahám, Á. 2008. „Earnings Inequality and Skill‑Biased Technological Change with
Endogenous Choice of Education.“ Journal of the European Economic Association 6 (2–3):
695–704, https://doi.org/10.1162/JEEA.2008.6.2‑3.695.
Acemoglu, D. 2002. „Technical Change, Inequality, and the Labor Market.“ Journal of
Economic Literature 40 (1): 7–72, http://doi.org/10.1257/jel.40.1.7.
Baranowska‑Rataj A., M. Unt. 2012. „Is it Worth Becoming an Engineer in Central and
Eastern Europe? The Evidence from Poland and Estonia.“ European Sociological Review
28 (6): 717–728, https://doi.org/10.1093/esr/jcs054.
Benoit, K. 2011. Linear Regression Models with Logarithmic Transformations. [online].
London: London School of Economics [cit. 8. 5. 2016]. Dostupné z:
http://www.kenbenoit.net/courses/ME104/logmodels2.pdf.
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
715
Berman, E., R. Somanathan, H. W. Tan. 2005. „Is Skill‑Biased Technological Change
Here Yet? Evidence from Indian Manufacturing in the 1990‘s.“ Annales d’Economie
et de Statistique 79/80: 299–321, https://doi.org/10.2307/20777579.
Bernardi, F., G. Ballarino. 2014. „Participation, Equality of Opportunity and Returns
to Tertiary Education in Contemporary Europe.“ European Societies 16 (3): 422–442,
https://doi.org/10.1080/14616696.2012.750729.
Blau, P. M., O. D. Duncan 1967. The American Occupational Structure. New York: Wiley.
Bourdieu, P. 1996. Distinction: a Social Critique of the Judgement of Taste. London:
Routledge.
Bourdieu, P., J. C. Passeron. 1990. Reproduction in Education, Society, and Culture.
Newbury: Sage.
Breen, R. (ed.). 2004. Social Mobility in Europe. Oxford: Oxford University Press,
https://doi.org/10.1093/0199258457.001.0001.
Brožová, D. 2003. Společenské souvislosti trhu práce. Praha: Sociologické nakladatelství
(SLON).
Burris, V. 1983. „The Social and Political Consequences of Overeducation.“ American
Sociological Review 48 (4): 454–467, https://doi.org/10.2307/2117714.
Cappellari, L., S. P. Jenkins. 2006. „Calculation of multivariate normal probabilities by
simulation, with applications to maximum simulated likelihood estimation.“ Stata
Journal 6: 156–189.
Card, D., J. E. Dinardo. 2002. „Skill‑Biased Technological Change and Rising Wage
Inequality: Some Problems and Puzzles.“ Journal of Labor Economics 20 (4): 733–783,
https://doi.org/10.1086/342055.
ČSÚ. 2012. Obyvatelstvo podle dosaženého vzdělání [online]. Praha: Český statistický úřad
[cit. 8. 11. 2015]. Dostupné z:
https://www.czso.cz/csu/czso/souhrnna_data_o_ceske_republice.
ČSÚ. 2015a. Vzdělání obyvatelstva ve věku 15 a více let podle výsledku „Výběrového šetření
pracovních sil“ (1993–2014) [online]. Praha: Český statistický úřad [cit. 6. 8. 2015].
Dostupné z: https://www.czso.cz/documents/10180/20551237/32018115_0104.xlsx.
ČSÚ. 2015b. Výběrové šetření pracovních sil [online]. Praha: Český statistický úřad
[cit. 23. 7. 2015]. Dostupné z:
https://www.czso.cz/csu/vykazy/vyberove_setreni_pracovnich_sil.
Erikson, R., J. H. Goldthorpe. 1992. The Constant Flux. A Study of Class Mobility in
Industrial Societies. Oxford: Clarendon Press.
Eurostat. 2012. Key Data on Education in Europe. Brussels: Eurydice. Dostupné z:
http://doi.org/10.2797/77414.
Eurostat. 2015. Women Earned on Average 16% Less than Men in 2013 in the EU. [online].
Brusseles: Eurostat [cit. 10. 8. 2015]. Dostupné z:
http://ec.europa.eu/eurostat/documents/2995521/6729998/3‑05032015‑AP‑EN.pdf.
Ganzeboom, H. B. G., D. J. Treiman. 1996. „Internationally Comparable Measures
of Occupational Status for the 1988 International Standard Classification of
Occupations.“ Social Science Research 25 (3): 201–239,
https://doi.org/10.1006/ssre.1996.0010.
Ganzeboom, H. B., P. M. De Graaf, D. J. Treiman. 1992. „A Standard International
Socio‑Economic index of Occupational Status.“ Social Science Research 21 (1): 1–56,
https://doi.org/10.1016/0049‑089X(92)90017‑B.
Halman, L., H. Müller. 2006. „Contemporary Work Values in Africa and Europe.“
International Journal of Comparative Sociology 47 (2): 117–143,
https://doi.org/10.1177/0020715206065381.
Harmon, C. 2011. Economic Returns to Education [online]. Bonn: IZA [cit. 3. 12. 2013].
Dostupné z: http://ftp.iza.org/pp29.pdf.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
716
Harmon, C., H. Oosterbeek, I. Walker. 2003. „The Returns to Education:
Microeconomics.“ Journal of Economic Surveys 17 (2): 115–156,
https://doi.org/10.1111/1467‑6419.00191.
Hout, M. 2012. „Social and Economic Returns to College Education in the United States.“
Annual Review of Sociology 38 (1): 379–400,
https://doi.org/10.1146/annurev.soc.012809.102503.
Chase, R. S. 1998. „Markets for Communist Human Capital: Returns to Education and
Experience in the Czech Republic and Slovakia.“ Industrial and Labor Relations Review
51 (3): 401–423, https://doi.org/10.2307/2525115.
ILO. 2008. ISCO – International Standard Classification of Occupations [online]. Genève:
International Labour Organization [cit. 12. 9. 2017]. Dostupné z:
http://www.ilo.org/public/english/bureau/stat/isco/isco08.
ISPV. 2015. Šetření o průměrném výdělku [datový soubor] [cit. 15. 9. 2015].
Jackson, M., J. H. Goldthorpe, C. Mills. 2005. „Education, Employers and Class Mobility.“
Research in Social Stratification and Mobility 23: 3–33,
https://doi.org/10.1016/S0276‑5624(05)23001‑9.
Kam, C., C. Palmer. 2008. „Reconsidering the Effects of Education on Political
Participation.“ The Journal of Politics 70 (3): 612–631,
https://doi.org/10.1017/S0022381608080651.
Katrňák, T., M. Kreidl, L. Fónadová. 2004. „Has the Post‑Communist Transformation
Led to an Increase in Educational Homogamy in the Czech Republic after 1989?“
Sociologický časopis / Czech Sociological Review 40 (3): 297–318.
Katrňák, T. 2008a. Spříznění volbou: Homogamie a heterogamie manželských párů v České
republice. Praha: Sociologické nakladatelství (SLON).
Katrňák, T. 2008b.„Educational Assortative Mating in the Czech Republic, Slovakia
and Hungary between 1976 and 2003.“ Sociológia / Slovak Sociological Review 40 (3):
236–257.
Keller, J., L. Tvrdý. 2008. Vzdělanostní společnost? Chrám, výtah a pojišťovna. Praha:
Sociologické nakladatelství (SLON).
Kivinen, O., S. Ahola. 1999. „Higher Education as Human Risk Capital: Reflections on
Changing Labour Markets.“ Higher Education 38 (2): 191–208,
https://doi.org/10.1023/A:1003788929925.
Kleňhová, M. 2012. „Jaký vliv má dosažené vzdělání na účast na trhu práce?“ a „Jaký
bonus v podobě výše výdělku přináší dosažené vzdělání?“ Pp. 26–32 in M. Kleňhová.
České školství v mezinárodním srovnání: Stručné seznámení s ukazateli publikace
OECD Education at a Glance 2012 [online]. Praha: Ministerstvo školství, mládeže
a tělovýchovy [cit. 26. 6. 2013]. Dostupné z: http://www.msmt.cz/file/24198.
Kogan, I. 2012. „Tertiary Education Landscape and Labour Market Chances of the Highly
Educated in Central and Eastern Europe.“ European Sociological Review 28 (6): 701–703,
https://doi.org/10.1093/esr/jcs062.
Kreidl, M. 2008. Cesty ke vzdělání: vzdělanostní dráhy a vzdělanostní nerovnosti v socialismu.
Plzeň: Západočeská univerzita v Plzni.
Lemieux, T. 2006. „The ‘Mincer equation’ thirty years after schooling, experience, and
earnings.“ Pp. 127–145 in S. Grossbard (ed.). Jacob Mincer A Pioneer of Modern Labor
Economics. New York: Springer US, https://doi.org/10.1007/0‑387‑29175‑X_11.
Matějů, P. 2005. „Ke kořenům sociálně psychologického modelu sociální stratifikace.“
Sociologický časopis / Czech Sociological Review 41 (1): 7–30.
Mazouch, P., J. Fischer. 2011. Lidský kapitál: měření, souvislosti, prognózy. Praha:
C. H. Beck.
Mitchel, M. N. 2012. Interpreting and Visualizing Regression Models Using Stata. College
Station, TX: Stata Press.
T. Doseděl, T. Katrňák: Finanční a nefinanční návratnost vzdělání v době vzdělanostní expanze
717
Morrison Paul, C. J., D. S. Siegel. 2001. „The Impacts of Technology, Trade and
Outsourcing on Employment and Labor Composition.“ Scandinavian Journal of
Economics 103 (2): 241–264, https://doi.org/10.1111/1467-9442.00243.
MŠMT. 2002. Vývojová ročenka školství v České republice 1989/90–2000/01. Praha: Ústav
pro informace ve vzdělávání.
MŠMT. 2006. Vývojová ročenka školství v České republice 1995/96–2004/05. Praha: Ústav
pro informace ve vzdělávání.
MŠMT. 2010. Vývojová ročenka školství v České republice 2003/04–2008/09 [online] Praha:
Ministerstvo školství, mládeže a tělovýchovy ČR [cit. 7. 11. 2015]. Dostupné z:
http://www.msmt.cz/vzdelavani/skolstvi-v-cr/statistika-skolstvi/vyvojova-rocenka-
skolstvi-2003-04-2012-13.
MŠMT. 2015. Vývojová ročenka školství v České republice 2004/05–2014/15 [online]. Praha:
Ministerstvo školství, mládeže a tělovýchovy ČR [cit. 7. 11. 2015]. Dostupné
z: http://www.msmt.cz/vzdelavani/skolstvi-v-cr/statistika-skolstvi/vyvojova-
rocenka-skolstvi-2004-05-2014-15.
Müller, W. 2005. „Education and Youth Integration into European Labour Markets.“
International Journal of Comparative Sociology 46 (5–6): 461–485,
https://doi.org/10.1177/0020715205060048.
Mysíková, M., J. Večerník. 2015. „Returns to Education in Transition and Advanced
European Countries: The Role of an Expansion of Higher Education“ [online].
XXIV Meeting of the Economics of Education Association [cit. 23. 11. 2015]. Dostupné z:
http://2015.economicsofeducation.com/user/pdfsesiones/046.pdf.
Nelson, R., E. Phelps. 1966. „Investment in Humans, Technological Diffusion, and
Economic Growth.“ The American Economic Review 56: 69–75.
Noelke, C., M. Gebel, I. Kogan. 2012. „Uniform Inequalities: Institutional Differentiation
and the Transition from Higher Education to Work in Post‑socialist Central and
Eastern Europe.“ European Sociological Review 28 (6): 704–716,
https://doi.org/10.1093/esr/jcs008.
OECD. 2014. Education at a Glance 2014: OECD Indicators. Paris: OECD Publishing.
Oesch, D. 2013. Occupational Change in Europe: How Technology and Education Transform the
Job Structure. Oxford: Oxford University Press,
https://doi.org/10.1093/acprof:oso/9780199680962.001.0001.
Pallas, A. 2006. „The Effects of Schooling on Individual Lives.“ Pp. 499–525 in
A. Hallinan (ed.). Handbook of the Sociology of Education. Berlin: Springer,
https://doi.org/10.1007/0-387-36424-2_23.
Polachek, S. W. 2008. „Earnings Over the Life Cycle: The Mincer Earnings Function and
Its Applications.“ Foundations and Trends in Microeconomics 4 (3): 165–272,
https://doi.org/10.1561/0700000018.
Princeton. 2015. „Log Transformation.“ Data and Statistical Services [online]. Princeton:
Princeton University Library [cit. 18. 12. 2015]. Dostupné z:
http://dss.princeton.edu/online_help/stats_packages/stata/log.html.
Ross, C., Ch. Wu. 1995. „The Links Between Education and Health.“ American Sociological
Review 60 (5): 719–745, https://doi.org/10.2307/2096319.
Selz M., C. Thélot. 2004. „The Returns to Education and Experience: Trends in France
over the Last Thirty‑Five Years.“ Population 59 (1): 9–47,
https://doi.org/10.2307/3654927.
Simonová, N. 2011. Vzdělanostní nerovnosti v české společnosti: vývoj od počátku 20. století
do současnosti. Praha: Sociologické nakladatelství (SLON).
Simonová, N., D. Hamplová. 2016. „Další vzdělávání dospělých v České republice – kdo
se ho účastní a s jakými důsledky?“ Sociologický časopis / Czech Sociological Review
52 (1): 3–26, https://doi.org/10.13060/00380288.2016.52.1.240.
Sociologický časopis / Czech Sociological Review, 2017, Vol. 53, No. 5
718
Stevenson, B., J. Wolfers. 2008. „Happiness Inequality in the United States.“ The Journal
of Legal Studies 37 (S2): S33–S79, https://doi.org/10.1086/592004.
Stata‑Data Managment Reference Manual (Release 14). 2015. College Station, Stata Press.
Štefánik, M. 2014. „European Comparison of Intergenerational Differences in
Private Returns to Education in the Context of Tertiary Education Expansion.“
Sociológia / Slovak Sociological Review 46 (3): 243–260.
Trexima. 2015. Informační systém o průměrném výdělku – Metodika [online]. Zlín: Trexima
[cit. 24. 7. 2015]. Dostupné z:
http://www.ispv.cz/cz/Vysledky‑setreni/Metodika.aspx.
Trostel, P., I. Walker, P. Woolley. 2002. „Estimates of the Economic Return to Schooling
for 28 Countries.“ Labour Economics 9 (1): 1–16,
https://doi.org/10.1016/S0927-5371(01)00052-5.
Van de Werfhorst, H. G. 2005. „Social Background, Credential Inflation and Educational
Strategies.“ Acta Sociologica 48 (4): 321–340,
http://doi.org/10.1177/0001699305059945.
Večerník, J. 2001. Mzdová a příjmová diferenciace v České republice v transformačním období.
Praha: Sociologický ústav AV ČR.
Večerník, J. 2013, „The Changing Role of Education in the Distribution of Earnings and
Household Income.“ Economics of Transition 21: 111–133,
https://doi.org/10.1111/ecot.12002.
VŠPS. 2016. Výběrové šetření pracovních sil 1993–2014 [datový soubor]. [cit. 11. 2. 2017].
Welch, F. 1970. „Education in Production.“ The Journal of Political Economy 78 (1): 35–59,
https://doi.org/10.1086/259599.
Zelenka, M., J. Koucký, J. Kovařovic. 2011. „Education and Labor Market Entry in Czech
Republic.“ Pp. 85–109 in I. Kogan, C. Noelke, M. Gebel (eds.). Making the Transition:
Education and Labor Market Entry in Central and Eastern Europe. Stanford: Stanford
University Press, https://doi.org/10.11126/stanford/9780804775908.003.0004.