ANALÝZA DOPADŮ PROGRAMU PODPORY PODNIKÁNÍ PRO NEZAMĚSTNANÉ V ČESKÉ REPUBLICE Ondřej Dvouletý , Ondřej Hora Abstract Analysis of the Start-up Subsidy for Unemployed in the Czech Republic The article aims to analyse the effects of the start-up subsidy programme for unemployed in the Czech Republic, which is provided by the Ministry of Labour and Social Affairs. We explored to what extent participants in the programme in 2014 returned to unemployment three years after the end of the programme, i.e., 2014-2017. Methodologically, we conducted counterfactual impact analysis, where we matched participants in the programme with those who were not supported by any measures of active labour market policy. The results show that participants in the programme return to unemployment to a lesser extent. In total, they spent fewer days in unemployment during the follow-up period, and they returned to unemployment fewer times when compared with non-participants. Overall, 91.3% of participants never returned to unemployment during the analysed period. These results can be interpreted as a positive outcome of the programme. The article also offers implications for targeting the programme and for future research. Keywords: active labour market policy, start-up subsidy, unemployment, self-employment policy, Czech Republic JEL Classification: J08, L53, L26 Úvod Finanční podpora začínajících podnikatelů je politicky významným a v mnoha zemích užívaným nástrojem (Acs a kol., 2016; Kersten a kol., 2017). V tomto článku se specificky zabýváme podporou samostatně výdělečné činnosti a podnikání u osob registrovaných na Úřadu práce. Mezi aktivní politiky zaměstnanosti (APZ) v České republice patří i příspěvky na založení samostatně výdělečné činnosti (SVC), tj. finanční podpory pro zahájení podnikání a opouštění evidence Úřadu práce. Cílem článkuje diskutovat a Vysoká škola ekonomická v Praze, Fakulta podnikohospodářská, Praha, Česká rapublika b Výzkumný ústav práce a sociálních věcí, v. v. i., Masarykova univerzita v Brně, Fakulta sociálních studií, Brno, Česká republika E-mail: ondrej .dvoulety@vse, ondrej.hora@vupsv.cz. * Článek vznikl v rámci projektu ESF OPZ „Vyhodnocování účinnosti a efektivity realizace APZ" (CZ.03.1.54/0.0/0.0/15_122/0006089). 142 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 jejich přínos a empiricky zhodnotit dopady tohoto opatření. Opatření APZ mají za cíl integrovat nezaměstnané na pracovní trh a případně též minimalizovat negativní dopady nezaměstnanosti a sociální exkluze. Hlavním úkolem tzv aktivačních opatření je tedy pomoci nezaměstnaným hledat pracovní uplatnění, motivovat je, udržovat jejich pracovní návyky, případně zlepšovat jejich schopnosti, dovednosti a kvalifikaci (Krebs, 2010). Teoretické důvody pro poskytování podpory (příspěvku) pro zahájení podnikání vychází z následujících argumentů. V počátcích podnikání musí mít budoucí podnikatelé, mimo dobrého podnikatelského nápadu, dovedností a znalostí, také dostatek potřebných zdrojů. Jedním z klíčových zdrojů potřebných pro rozjezd podnikání je i počáteční finanční kapitál. Nedostatek finančních prostředků tak může některé zájemce o vstup do podnikání odradit (Beck a kol., 2006; Evans a Jovanovič, 1989). V případě absence vlastních zdrojů financování mohou podnikatelé usilovat o úvěrové financování, což nemusí být vždy jednoduché z důvodu existence informační asymetrie na finančních trzích (Gai a kol., 2016). O zlepšení přístupu k financování usiluje stát prostřednictvím politik podpory podnikání. Nejčastější formy veřejné finanční podpory jsou dotace, granty, příspěvky, zvýhodněné bankovní úvěry a finanční záruky (Pergelova a Angulo-Ruiz, 2014). Příspěvek na založení samostatně výdělečné činnosti, tak jak je v České republice nastaven, pak může nezaměstnaným pomoci překonat zejména nedostatek finančních zdrojů pro rozjezd podnikání, ale též i bariéry spočívající v nedostatku znalostí a podnikatelského sebevědomí. Dále je třeba podotknout, že různé skupiny osob mají různé důvody pro zahájení podnikatelské činnosti. Obecně lze říci, že podnikatelé jsou značně heterogenní skupinou. Na rozhodnutí vstupu do podnikání mají vliv individuální osobnostní charakteristiky, lidský kapitál a zdravotní stav, rodinné zázemí a pracovní uplatnění rodičů, ale i prostředí, ve kterém se jedinci pohybují (Simoes a kol., 2016; Edelman a kol., 2016). U nezaměstnaných osob se může jednat o podnikání z nutnosti, kdy zejména při vyšší míře nezaměstnanosti někteří nezaměstnaní mohou v podnikání najít možnost, jak se uplatnit na trhu práce, zajistit si osobní příjem a uchovat pracovní návyky. Příspěvek na zahájení podnikatelské aktivity může být ale rovněž příležitostí pro nezaměstnané, jak dělat to, co je baví, jak získat větší nezávislost a jak se stát svým vlastním pánem. Tyto motivy jsou totiž podle Lukeše a kol. (2014) nejčastějšími důvody pro zahájení podnikání v České republice. Protože u programů podpory podnikání očekáváme vysokou míru sebevýběru do programu ze strany uchazečů, můžeme očekávat též specifickou cílenost toho programu a také různou úspěšnost účastníků programu, která se projeví v různosti dopadu mezi dílčími skupinami účastníků. Dvouletý a Lukeš (2016) provedli systematickou rešerši osmnácti empiricky orientovaných článků, které se věnovaly vyhodnocení dopadů programů podpory podnikání pro nezaměstnané. Z této literární rešerše vyplývá, že tato aktivační opatření pomáhají podpořeným účastníkům snižovat pravděpodobnost další nezaměstnanosti. Ke stejnému Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 143 závěru dochází ve studiích zaměřených na Českou republiku i Hora a kol. (2009) a Hora a Sirovátka (2012). Je ale nutné poznamenat, že dopady programů se mohou lišit napříč časem i jednotlivými regiony, a proto je nesmírně důležité analyzovat dopady aktivačních opatření kontinuálně (Caliendo a Kůnn, 2015; Wolff a kol., 2016; Zoellner a kol., 2018). V našem případě pracujeme s vyhodnocením programů v období let 2014-2017, tedy době celkového ekonomického oživení a snižování celkové i dlouhodobé nezaměstnanosti (viz statistiky Českého statistického úřadu, 2014; 2015; 2016; 2017). Dvouletý (2017a) pak dále ukazuje, že v porovnání s našimi sousedními státy (Slovenskem, Německem, Polskem i Rakouskem) jsou v České republice programy na podporu SVČ využívány nejméně často (podpořeno je méně než 1 % nezaměstnaných) a je na ně vynakládáno i nejméně finančních prostředků. Kupříkladu mezi lety 2012-2015 bylo na podporu SVČ vynaloženo v průměru 2,4 % z celkových výdajů na APZ. Nej-vyšší podíl výdajů na podporu SVČ byl pak v roce 2012 a činil 3 % z celkových výdajů na APZ (Ministerstvo práce a sociálních věcí, 2017b). Podle statistické ročenky trhu práce bylo ke konci prosince 2014 podpořeno 3 054 osob, celkově pak od počátku roku 2014 bylo podpořeno 2 383 osob (Ministerstvo práce a sociálních věcí, 2015). S relativně nízkým využitím tohoto nástroje může například souviset i strach nezaměstnaných z neúspěchu v SVČ (Zambochová, 2013) nebo i relativně smíšené vnímání statutu podnikatele a podnikání jakožto kariérní volby u nás (Lukeš, 2017). Prezentovaný článek si klade za cíl nejprve zmapovat program podpory SVČ v České republice, dále pak popsat a charakterizovat účastníky, na které je program cílen, a na závěr vyhodnotit jeho dopady na délku setrvání v evidenci Úřadu práce. Výstupy jsou tedy založeny na individuálních administrativních datech uchazečů o zaměstnání a účastníků APZ pocházejících ze systému OKpráce, který spravuje společnost OKsystem. Záměrem autorů je přispět do akademické diskuse věnované podpoře podnikání jako východisku z nezaměstnanosti. Prezentované výstupy mohou pomoci představitelům Úřadu práce a Ministerstva práce a sociálních věcí lépe cílit program na nej vhodnější skupiny nezaměstnaných. 1. Příspěvek na zřízení společensky účelného pracovního místa za účelem výkonu samostatně výdělečné činnosti Příspěvek na zřízení společensky účelného pracovního místa (SÚPM) zřízeného uchazečem o zaměstnání za účelem výkonu SVČ je v České republice poskytován od roku 2004 a je právně upraven zákonem o zaměstnanosti č. 435/2004 Sb., § 113. Nezaměstnaní mají možnost získat příspěvek na založení SVČ v maximální výši šesti průměrných měsíčních platů v kraji, kde je nezaměstnanost vyšší, než je celonárodní průměr, a do maximální výše čtyř průměrných měsíčních platů v kraji, kde je míra nezaměstnanosti nižší, než je celostátní průměr. Osoby, které se rozhodnou vytvořit ještě další pracovní místa, mohou získat příspěvek v maximální výši až osmi průměrných měsíčních platů. 144 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 O finální výši příspěvku pak rozhoduje příslušná pobočka Úřadu práce na základě zhodnocení písemné žádosti o příspěvek. Výše příspěvku se mimo regionální situaci na trhu práce odvíjí také od předpokládaných kalkulovaných nákladů a charakteristiky zřizovaného místa. Náklady pak musí vzniknout až po uzavření dohody mezi žadatelem a Úřadem práce. Poskytnutý příspěvek je účelově vázán a může být použit výhradně za účelem uvedeným v dohodě (Ministerstvo práce a sociálních věcí, 2017c; 2017d; zákon o zaměstnanosti, 2004). Nezaměstnaní uchazeči pak k žádosti o příspěvek musí přiložit získání oprávnění k podnikání, potvrzení o bezdlužnosti, o zřízení bankovního účtu, o zdravotní způsobilosti k výkonu SVC, vypracovaný podnikatelský plán a ekonomickou rozvahu. Po získání příspěvku si pak musí podpoření účastníci udržet podnikatelskou aktivitu alespoň po dobu 365 dní, jinak jsou nuceni (mimo zdravotní důvody) poskytnutý příspěvek vrátit (Ministerstvo práce a sociálních věcí, 2017c; 2017d; zákon o zaměstnanosti, 2004). Specifikem tohoto aktivačního opatření, tak jak je realizováno v ČR, je to, že v momentě, kdy dochází k založení podnikatelské aktivity, dochází obdobně jako u jiných typů společensky účelných pracovních míst také k opuštění evidence Úřadu práce. Tento odchod z evidence je tedy, až na výjimky, nedílnou součástí, a tím i výsledkem designu uvedeného opatření. Již zmíněným charakteristickým znakem opatření je podmínka udržitelnosti pracovního místa. Dalším specifikem programu pak je, že samotné založení podnikání může vést k zaměstnání i dalších osob, a tedy k tzv. dvojí dividendě, o které hovoří například Caliendo a Kúnn (2014). 2. Cílenost programu V první části empirického zkoumání se zaměříme na osoby podpořené SÚPM SVC a porovnáme jejich charakteristiky s ostatními nezaměstnanými v roce 2014. V rámci cílenosti opatření APZ můžeme očekávat, že určitě charakteristiky u podpořených osob převažují, a proto se lze domnívat, že účastníci nejsou vybíráni pracovníky Úřadu práce do programu náhodně (viz např. Hora a kol., 2009). Prezentované výstupy jsou založeny na individuálních administrativních datech uchazečů o zaměstnání a účastníků APZ pocházejících ze systému OKpráce. Tato databáze vzniká vkládáním dat jednotlivými pracovníky kontaktních pracovišť Úřadu práce a byla použita již v předchozích studiích zaměřených na vyhodnocení opatření APZ v ČR (viz např. Sirovátka a Kulhavý, 2007; Hora a Sirovátka, 2012). Datový soubor obsahuje informace o 990 694 nezaměstnaných v roce 2014. Cílenost programu vzhledem k vybraným charakteristikám (pohlaví, věku, zdravotnímu stavu, vzdělání, počtu dětí, regionu a předchozí evidenci) je podrobně prezentována v příloze 1. V této části textu se zaměřujeme na vybraná zjištění pocházející Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 145 z vypočtené popisné statistiky a tzv. indexu cílenosti, který je počítán jako poměr mezi podílem podpořených SUPM SVC a podílem populace nezaměstnaných. Ze struktury účastníků programu a z indexu cílenosti, který slouží k porovnání proporcí v obou skupinách, je patrné, že častěji byli účastníky programu SUPM S VC ženy než muži. Nejčetněji jsou v programu zastoupeny věkové skupiny 25-30 let, 31-36 let a 37-42 let. Index cílenosti pak ukazuje, že právě tyto věkové kategorie jsou v programu proporcionálně zastoupeny častěji v porovnání s ostatními nezaměstnanými. Z hlediska zdravotního stavu lze pak dovodit, že program byl cílen převážně na osoby bez zdravotního omezení. Pokud se podíváme na nejvyšší dosažené vzdělání, nejméně zastoupenými účastníky jsou osoby s nižším než středním vzděláním. Obecně lze účastníky programu rozdělit do tří vzděláno síních skupin. Nejčetnější skupinu tvoří osoby se středním vzděláním ukončeným maturitou, která je následována skupinou osob se středním odborným vzděláním ukončeným výučním listem a se středním vzděláním ukončeným maturitou. Třetí nejčetnější skupinu pak tvoří osoby s bakalářským a vyšším vzděláním. Rovněž můžeme pozorovat z jakých vzděláno srních oborů získali účastníci programu vzdělání. Index cílenosti nepoukazuje na významné rozdíly mezi oběma skupinami. Nejčetněji jsou pak v programu zastoupeny osoby s technickým vzděláním a vzděláním v oboru společenských věd v porovnání s osobami, které získali vzdělání z jiných oborů (například z přírodních věd). Nejčetněji jsou v programu zastoupeni účastníci bez dětí, nicméně index cílenosti poukazuje na to, že proporce účastníků s jedním a více dětmi jsou u účastníků programu vyšší v porovnání s ostatními nezaměstnanými. Nejčetněji byli programem podpořeni nezaměstnaní v krajích Jihomoravském, Moravskoslezském a Vysočina, nejméně pak v kraji Karlovarském. V porovnání se skupinou nezaměstnaných jsou v programu četněji zastoupeni účastníci rekvalifikačního kurzu „Základy podnikání", nicméně drtivá většina účastníků tento kurz neabsolvovala. Zajímavým zjištěním bylo, že v porovnání se skupinou nezaměstnaných menší procento účastníků programu mělo předchozí zkušenost se SVC. Vzhledem k předchozí evidenci tvoří účastníky programu nejčastěji osoby buď s žádnou, nebo jednou či dvěma předchozími evidencemi na Úřadu práce. Analýza realizovaného rozsahu, struktury a cílenosti uvedeného opatření v roce 2014 tedy celkově potvrdila, že se jedná o poměrně malé, a přitom z hlediska zaměření na určité skupiny uchazečů specifické opatření. Je zaměřeno především na osoby ve středním věku, osoby s určitou vyšší úrovní kvalifikace a na osoby v dobrém zdravotním stavu. Nejedná se tedy zjevně o opatření, které by bylo z hlediska pracovního uplatnění cíleno k nejvíce znevýhodněným uchazečům. V tomto ohledu se zaměření programu tolik neodlišuje od cílenosti jiných programů, jako jsou rekvalifikace nebo ostatní typy společensky účelných pracovních míst (pro srovnání viz Hora a kol., 2018). Připouštíme ovšem, že realizace SUPM SVC může sledovat i jiné cíle než tyto programy zaměřené na vznik zaměstnání, tak jak to bylo naznačeno v úvodu tohoto příspěvku. 146 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 3. Analýza dopadů programu V rámci analýzy dopadů programu SÚPM SVC nejprve provádíme kontrafaktuální do-padovou analýzu a zjišťujeme, do jaké míry se účastníci programu vrátili do evidence Úřadu práce. Ve druhé fázi se ještě podrobněji zaměřujeme na účastníky programu a rozdílnost dopadu mezi skupinami. 3.1 Kontrafaktuální dopadová analýza Pro zjištění vlivu účasti v programu na následný návrat do evidence Úřadu práce následujeme kvaziexperimentální evaluační přístup a dopady programu odhadujeme za pomoci tzv. kontrafaktuální dopadové analýzy. Hlavním principem kontrafaktuální analýzy je porovnání dvou skupin osob na základě nejvíce možných přibližných charakteristik v době před intervencí a následné srovnání jejich účasti v evidenci Úřadu práce po vstupu do programu SÚPM SVC. Samotné párování obou skupin pak probíhá různými technikami na základě tzv. pravděpodobnostního skóre, které se odhaduje nejčastěji za pomoci logistického regresního modelu (viz např. Rosenbaum a Rubin, 1983). Po spárování obou skupin potom můžeme odhadovat dopady programu na následný návrat do evidence Úřadu práce. K dispozici máme informace o jednotlivcích od 1. 1. 2014 do 31. 3. 2017, tedy až tři roky po ukončení programu. Návrat do evidence pak kvantifikujeme jednak jako: • součet délek následujících evidencí (ve dnech), • počet následujících evidencí na Úřadu práce. Prvním krokem pro spárování obou skupin je odhadnutí logistického regresního modelu, jehož závislá proměnná je binárního charakteru (0/1) a značí, zda byl daný jedinec účastníkem programu SÚPM SVC, či nikoli. Pro párování využíváme všechny charakteristiky, které byly představeny v předchozí kapitole, a doplňujeme je ještě o některé další dostupné proměnné. Konkrétně se jedná o pohlaví, věk, vzdělání, zdravotní stav, národnost, místo bydliště, předchozí zkušenost se SVC, součet délky předchozích evidencí, předchozí pracovní aktivitu za poslední tři roky a situaci na trhu práce v době vstupu do evidence (vyjádřenou počtem pracovních míst a mírou nezaměstnanosti v měsíci vstupu do evidence). Klíčovou proměnnou je pak datum vstupu do sledované evidence (číselná proměnná)1, která nám dává možnost obě skupiny postavit na relativně stejný počátek, neboť právě v rámci sledované evidence v roce 2014 mohli nezaměstnaní vstoupit do programu SÚPM SVC. Účast v programu pak znamenala pro 1 Autoři převedli získaná data ze systému OKpráce na číselné údaje tak, aby s nimi šlo počítat. Převod proběhl tak, že datum 1.1. 1990 je rovno číslu 1 a od tohoto data plyne čas lineárně do budoucna. Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 147 účastníky odchod z evidence za účelem zahájení podnikatelské aktivity (SVČ). Z tohoto důvodu se nezaměřujeme na porovnání celkové doby evidence na Úřadě práce, nicméně zkoumáme pouze návraty do evidence po vstoupení do programu, resp. dobu následné evidence až do 31. 3. 2017. Odhadnuté parametry logistické regrese pak prezentujeme v příloze 2. Směrodatné chyby parametrů modelu byly odhadnuty robustním způsobem. Výsledný model je jako celek statisticky významný na 1% hladině významnosti (dle Waldovy statistiky chí-kvadrát testu). Odhadnuté regresní parametry pak podporují hypotézu, že účastníci programu nejsou vybíráni pracovníky Úřadu práce náhodně, neboť všechny původní proměnné představující jednotlivé charakteristiky nezaměstnaných se ukázaly být v modelu jako statisticky významné, a to ve smyslu, že alespoň jeden z regresních koeficientů skupiny dummy proměnných pro danou původní proměnnou je statisticky významný. Odhadnutý model nám umožňuje podpořit většinu prvotních zjištění, prezentovaných v předchozí části věnované cílenosti programu. Celkově lze pak usoudit, že výše uvedené proměnné mají vliv na rozhodnutí účastníků pro participaci v programu. Po odhadu logistického regresního modelu jsme provedli výpočet pravděpodobnostního skóre (pravděpodobnosti účasti v programu) a následně jsme posoudili kvalitu párování. To jsme provedli na základě grafického testu kvality párování, testů shody středních hodnot a zhodnocením tzv. průměrného a mediánového vychýlení obou skupin (viz např. Caliendo a Kopeinig, 2008). Parametrické testování neukázalo žádné významné rozdíly mezi oběma skupinami (všechny výsledky jsou na vyžádání u autorů). Dále je důležité zmínit, že došlo k významnému snížení průměrného i mediánového vychýlení. Celkově lze tedy usoudit, že v rámci dostupných charakteristik nejsou obě skupiny statisticky odlišné, a můžeme tedy přistoupit k odhadu průměrného vlivu účasti v programu na následný návrat do evidence Úřadu práce. V rámci zvýšení robustnosti výsledků pak odhadujeme dopady programu třemi párovacími technikami. Konkrétně využíváme základní odhad na základě pravděpodobnostního skóre (PSM), dále kernel matching (KM) a techniku párování nejbližšího souseda (nearest neighbour matching -NNM). Pro podrobnější diskusi nad jednotlivými párovacími technikami odkazujeme například na Abadieho a kol. (2004) a Heckmana a kol. (1998). Všechny odhady byly 5x replikovány za účelem získání stabilnějších odhadů. Výsledný dopad účasti v programu na následnou účast v evidenci kvantifikujeme jako tzv. průměrný efekt programu na účastníky (z angl. Average Treatment Effect on the Treated - ATET). Výsledky jsou vyobrazeny v tabulce 1. 148 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 Tabulka 1 | Odhadnutý dopad programu SÚPM SVČ na následnou účast v evidenci ÚP Proměnná Pérovací technika Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování Součet délek následujících evidencí (do 31. 3. 2017) PSM -98,41*** 5,90 874 497 Součet délek následujících evidencí (do 31. 3. 2017) KM -140,70*** 10,70 874 497 Součet délek následujících evidencí (do 31. 3. 2017) NNM (1) -81,81*** 12,49 879 375 Počet následujících evidencí (do 31. 3. 2017) PSM -0,24*** 0,02 874 497 Počet následujících evidencí (do 31. 3. 2017) KM -0,31*** 0,01 874 497 Počet následujících evidencí (do 31. 3. 2017) NNM (1) -0,21*** 0,02 879 375 Poznámka: Data byla 5x replikována za účelem získání stabilnějších odhadů. Statistická významnost odhadů je označena následovně: *** P-hodnota < 0,001. Zdroj: data ze systému OKpráce za rok 2014-2017 Výsledky analýzy jednoznačně prokazují, že účastníci programů SÚPM SVČ měli v průměru kratší celkovou délku součtu následujících evidencí a v evidenci Úřadu práce se následně objevili méněkrát v porovnání s těmi, kteří se žádného programu APZ nezúčastnili. Toto zjištění lze považovat za pozitivní a zamýšlený dopad tohoto aktivačního opatření. 3.2 Podrobná analýza účastníků programu Prezentované výsledky kontrafaktuální dopadové analýzy je ale vhodné rozšířit o hlubší analýzu zaměřenou pouze na účastníky programu SÚPM SVČ. Z tabulky 2 vyplývá, že drtivá většina účastníků (91,3 %) se do evidence Úřadu práce v průběhu analyzovaného období nevrátila. Celkově se do evidence vrátilo 115 účastníků programu z celkových 2 264 účastníků. Protože základní podpořené období zde můžeme definovat jako jeden rok (po který by se nezaměstnaní neměli vrátit do evidence), můžeme konstatovat, že hlediska přítomnosti v evidenci (vždy za více než dva roky) měl tedy program zpravidla výrazně delší očekávaný/chtěný výsledek, a tudíž tento efekt nelze spojovat jen s poskytnutou dotací. Naopak zde můžeme uvažovat o určitém startovacím či tranzitním efektu. Je rovněž zajímavé, že pokud se účastníci do evidence vrátili, tak to bylo již zpravidla na dobu delší než jeden rok (až na výjimky). Prezentovaná statistika také Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 149 ukazuje, že 88 účastníků programu (7 %), kteří se do evidence vrátili, v ní setrvalo celkově déle než dva roky. To ukazuje na to, že jejich návrat do evidence nebyl jen přechodného charakteru, a proto o nich můžeme v jisté perspektivě uvažovat jako o účastnících, kteří program nedokončili, nebo v něm nebyli úspěšní. Tabulka 2 | Návrat podpořených SÚPM SVČ do evidence mezi lety 2014-2017 Délka následné evidence Počet následujících evidencí Indikátor Počet pozorování % Indikátor Počet pozorování % Bez návratu do evidence 2 068 91,34 Žádná následující evidence 2 068 91,34 Kratší než 360 dní 10 0,58 Jedna následující evidence 165 7,29 361-540 dní 8 0,32 Dvě následující evidence 25 1,10 541-720 dní 9 0,41 Tři následující evidence 5 0,22 720 dní a delší 164 6,96 Čtyři následující evidence 1 0,04 Celkem 2 264 100 Celkem 2 264 100 Zdroj: data ze systému OKpráce za rok 2014-2017 Může být tedy přínosné podívat se blíže na to, jestli se charakteristiky těch, kteří se do evidence vrátili, a těch, kteří se do ní nevrátili, nějak liší. Za tímto účelem odhadneme logistický regresní model, jehož úkolem bude posoudit vliv námi dostupných proměnných na pravděpodobnost návratu do evidence Úřadu práce po absolvování programu SÚPM SVČ. Výsledky provedené analýzy shrnuje příloha 3. Směrodatné chyby parametrů modelu byly odhadnuty robustním způsobem. Výsledný model je jako celek statisticky významný na 1% hladině významnosti (dle Waldovy statistiky chí-kvadrát testu). Prezentované odhady nepotvrzují vliv pohlaví, věku, zdravotního stavu, občanství, kraje bydliště, ani účasti na rekvalifikačním kurzu základů podnikání na následný návrat do evidence. Za nej významnější charakteristiky lze označit dobu předchozí evidence před vstupem do programu a nejvyšší dosažené vzdělání. Zaměříme se proto na tyto dva faktory podrobněji. 150 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 Tabulka 3 | Odhadnutý dopad programu SÚPM SVČ na následnou účast v evidenci ÚP napříč jednotlivými stupni vzdělání (odhady na základě PSM) Odhadnuté dopady na součet délek následujících evidencí (do 31.3. 2017) Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování A Bez vzdělání Nedostatečný počet pozorování pro provedení odhadu. B Neúplné základní Nedostatečný počet pozorování pro provedení odhadu. C Základní + praktická škola -83,72*** 31,19 200 904 D Nižší střední Nedostatečný počet pozorování pro provedení odhadu. E Nižší střední odborné -292,50*** 96,57 20 220 H Střední odborné (vyučen) -144,47*** 12,41 329 501 J Střední nebo střední odborné bez maturity a bez vyučení Nedostatečný počet pozorování pro provedení odhadu. KÚSV -152,47** 73,08 25 146 L ÚSO (vyučení s maturitou) -192,01*** 34,24 44 594 M ÚSO s maturitou (bez vyučení) -70,37*** 26,62 160044 N Vyšší odborné Nedostatečný počet pozorování pro provedení odhadu. P Vyšší odborné v konzervatoři Nedostatečný počet pozorování pro provedení odhadu. R Bakalářské -107,19* 66,53 20 076 T Vysokoškolské -78,34*** 25,37 54 636 V Doktorské (vědecká výchova) Nedostatečný počet pozorování pro provedení odhadu. Odhadnuté dopady na počet následujících evidencí (do 31.3. 2017) Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování A Bez vzdělání Nedostatečný počet pozorování pro provedení odhadu. B Neúplné základní Nedostatečný počet pozorování pro provedení odhadu. C Základní + praktická škola -0,20* 0,11 200 903 D Nižší střední Nedostatečný počet pozorování pro provedení odhadu. E Nižší střední odborné -0,41* 0,23 20 220 H Střední odborné (vyučen) -0,33*** 0,02 329 475 J Střední nebo střední odborné bez maturity a bez vyučení Nedostatečný počet pozorování pro provedení odhadu. KÚSV -0,26** 0,12 25 141 L ÚSO (vyučení s maturitou) -0,36*** 0,05 44 576 M ÚSO s maturitou (bez vyučení) -0,19*** 0,01 160 014 N Vyšší odborné Nedostatečný počet pozorování pro provedení odhadu. P Vyšší odborné v konzervatoři Nedostatečný počet pozorování pro provedení odhadu. R Bakalářské -0,14** 0,07 20 074 T Vysokoškolské -0,19*** 0,05 54 622 V Doktorské (vědecká výchova) Nedostatečný počet pozorování pro provedení odhadu. Poznámka: Data byla 5x replikována za účelem získání stabilnějších odhadů. Statistická významnost odhaduje označena následovně:" P-hodnota < 0,05,"" P-hodnota < 0,01, ™ P-hodnota < 0,001. Zdroj: data ze systému OKpráce za rok 2014-2017 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 151 Tabulka 4 | Odhadnutý dopad programu SÚPM SVČ na následnou účast v evidenci ÚP napříč předchozí délkou evidence na ÚP (odhady na základě PSM) Odhadnuté dopady na součet délek následujících evidencí (do 31.3.2017) Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování Odní -85,42*** 22,65 206 059 1-30 dní Nedostatečný počet pozorování pro provedení odhadu. 31-90 dní -95,86** 46,37 45 086 91-180 dní -54,27** 23,52 62 906 181-360 dní -101,13** 43,26 109 470 361-720 dní -122,13*** 28,58 143 601 721 a více dní -158,95*** 20,10 283 587 Odhadnuté dopady na počet následujících evidencí (do 31.3.2017) Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování Odní -0,18*** 0,02 206 059 1-30 dní Nedostatečný počet pozorování pro provedení odhadu. 31-90 dní -0,23*** 0,06 45 089 91-180 dní -0,14* 0,08 62 906 181-360 dní -0,23*** 0,08 109 470 361-720 dní -0,31*** 0,01 143 601 721 a více dní -0,36*** 0,05 283 587 Poznámka: Data byla 5x replikována za účelem získání stabilnějších odhadů. Statistická významnost odhadů je označena následovně: * P-hodnota < 0,05, ** P-hodnota < 0,01, *** P-hodnota < 0,001. Zdroj: data ze systému OKpráce za rok 2014-2017 Za tímto účelem tedy provádíme znovu odhady za pomoci kontrafaktuální dopa-dové analýzy na základě metodického postupu popsaného v předchozí kapitole. Zásadním rozdílem oproti předchozímu odhadu (viz tabulka 1) je ale skutečnost, že nyní odhadujeme separátně dopady programu (ATET) pro jednotlivé stupně dosaženého vzdělání a také pro jednotlivé skupiny podle délky předchozí evidence na ÚP. Výsledky pak prezentujeme v tabulkách 3 (pro jednotlivé kategorie vzdělání), 4 (podle délky předchozí evidence) a 5 (podle počtu předchozích evidencí). Pro jednoduchost reportujeme výsledky jen na základě jedné párovací techniky (PSM). Musíme rovněž zmínit, 152 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 že z důvodu malého rozsahu programu některé kategorie účastníků neměly dostatečné zastoupení, a proto pro ně nemohly být samostatné odhady provedeny. Z tabulky 3 vyplývá, že největší dopady měl program na účastníky s nižším středním odborným vzděláním, na vyučené s maturitou a vyučené bez maturity. Naopak nejnižší dopady můžeme pozorovat u účastníků s ukončeným středním vzděláním bez vyučení a u vysokoškoláků. Ještě zajímavější jsou pak dopady napříč délkou předchozí evidence, které uvádí tabulka 4. Prezentované odhady ukazují, že efekty na následnou účast v evidenci se zvyšují s rostoucí délkou předchozí evidence na Úřadu práce. Podobný obrázek poskytují i výsledky v tabulce 5, kdy jsou efekty nejsilnější mezi účastníky, kteří v evidenci před účastí v programu byli nejčetněji a strávili v ní nejdelší čas. Tabulka 5 | Odhadnutý dopad programu SÚPM SVČ na následnou účast v evidenci ÚP napříč předchozím počtem evidencí na ÚP (odhady na základě PSM) Odhadnuté dopady na součet délek následujících evidencí (do 31.3.2017) Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování Bez předchozí evidence -84,28*** 20,38 204 856 1 předchozí evidence -78,68*** 14,57 148 870 2 předchozí evidence -119,37*** 28,89 122 544 3 předchozí evidence -119,06*** 21,16 98 629 4 předchozí evidence -118,44*** 65,33 77 353 5 a více předchozích evidencí -179,51*** 16,25 222 245 Odhadnuté dopady na počet následujících evidencí (do 31.3. 2017) Průměrný efekt programu na účastníky (ATET) Směrodatná chyba Počet pozorování Bez předchozí evidence -0,18*** 0,06 204 856 1 předchozí evidence -0,19*** 0,06 148 870 2 předchozí evidence -0,23*** 0,05 122 544 3 předchozí evidence -0,30*** 0,07 98 629 4 předchozí evidence -0,17*** 0,08 77 353 5 a více předchozích evidencí -0,49*** 0,07 222 245 Poznámka: Data byla 5x replikována za účelem získání stabilnějších odhadů. Statistická významnost odhadů je označena následovně: *** P-hodnota < 0,001. Zdroj: data ze systému OKpráce za rok 2014-2017 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 153 Získané výsledky ukazují, že výše dosaženého vzdělání coby měření úrovně lidského kapitálu má vliv na následnou účast v evidenci. Co je ale zajímavé, že splní-li nezaměstnaní požadavky pro účast v programu a program dokončí (de facto založí si SVC), tak může dojít k ukončení i jejich dlouhodobé předchozí nezaměstnanosti, a to i v případě, že v předchozí evidenci strávili relativně dlouhou dobu a ocitli se v ní několikrát. Obdobný efekt se objevil i u ostatních typů programů nástroje SÚPM (viz Hora a kol., 2018). Závěr Cílem článku bylo zhodnotit dopady aktivačního opatření Ministerstva práce a sociálních věcí (MPSV), poskytovaného jako příspěvek na založení samostatně výdělečné činnosti (SUPM SVC). Provedená evaluace si kladla za cíl zjistit, do jaké míry se účastníci tohoto programu v roce 2014 vrací zpět do evidence Úřadu práce ve sledovaném období (2014-2017) až tři roky po ukončení programu. Součástí analýzy bylo i zhodnocení cílenosti programu a zjištění, pro jaké skupiny dříve nezaměstnaných účastníků je tento málo využívaný program vhodným nástrojem pro opuštění evidence Úřadu práce. Analýza cílenosti programu ukázala, že účastníci programu nejsou vybíráni pracovníky Úřadu práce náhodně. Ukázalo se, že častěji byli účastníky programu SÚPM SVC ženy než muži. Z hlediska dosaženého vzdělání jsou nejčetnějšími skupinami účastníků programu osoby se středním odborným vzděláním ukončeným výučním listem a se středním vzděláním ukončeným maturitou. Další skupinu pak tvoří osoby s bakalářským a vyšším vzděláním. Vezmeme-li v potaz počet dětí, tak největší podíl tvořili účastníci bez dětí, nicméně se ukázalo, že se v programu objevuje i významný podíl těch, kteří mají jedno až dvě děti. Účastníky programu byli nejčetněji nezaměstnaní bez zdravotních komplikací a občané České republiky. Z hlediska předchozí evidence tvořily účastníky programu nejčastěji osoby s jednou nebo dvěma předchozími evidencemi na Úřadu práce. Vliv programu na následný návrat do evidence Úřadu práce byl testován prostřednictvím kontrafaktuální dopadové analýzy, kdy byli účastníci programu spárováni na základě nejbližších možných charakteristik (pohlaví, věk, vzdělání, zdravotní stav, národnost, místo bydliště, předchozí zkušenost se SVC, součet délky předchozích evidencí, předchozí pracovní aktivity za poslední tři roky a situace na trhu práce v době vstupu do evidence) s těmi, kteří nebyli podpořeni žádným nástrojem APZ. Výsledky kontrafaktuální dopadové analýzy ukázaly, že účastníci programů SÚPM SVC měli v průměru podstatně kratší celkovou délku součtu následujících evidencí a v evidenci Úřadu práce se následně objevili méněkrát v porovnání s těmi, kteří se žádného programu APZ nezúčastnili. Toto zjištění lze považovat za pozitivní a zamýšlený dopad tohoto aktivačního opatření. Následné rozšíření analýzy o detailní pohled na účastníky programu ukázalo, že drtivá většina z nich (91,3 %) se do evidence Úřadu práce v analyzovaném období 154 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 nevrátila. Pokud se ale již účastníci do evidence Úřadu práce vrátili, tak se jednalo nejčastěji o dlouhodobý návrat (v rozsahu delším než dva roky). Empirická analýza dále ukázala, že mezi nej významnější charakteristiky determinující návrat do evidence ve sledovaném období patří doba předchozí evidence před vstupem do programu a nejvyšší dosažené vzdělání. Z toho důvodu jsme odhadli samostatně efekty napříč jednotlivými kategoriemi vzdělání a napříč dobou a počtem předchozích evidencí na Úřadu práce před vstupem do programu. Výsledky kontrafaktuální dopadové analýzy ukázaly, že největší dopady (ve smyslu návratu do evidence Úřadu práce) měl program na účastníky s nižším středním odborným vzděláním, na vyučené s maturitou a vyučené bez maturity. Naopak nejnižší dopady můžeme pozorovat u účastníků s ukončeným středním vzděláním bez vyučení a u vysokoškoláků. Dále se ukázalo, že nejsilnější efekty jsou mezi účastníky, kteří v evidenci před účastí v programu byli nejčetněji a strávili v ní nejdelší čas. Toto zjištění je jednoznačným přínosem provedené analýzy a ukazuje, že i pro nezaměstnané s delší dobou strávenou na Úřadu práce a větším počtem předchozích evidencí může být program vhodným nástrojem k opuštění evidence. Tato informace může být přidanou hodnotu pro pracovníky na Úřadech práce a přispět k další diskusi o cílenosti programu SÚPM SVC. Jednou z cílových skupin účastníků programu mohou být na základě provedené analýzy absolventi učebních oborů zakončených výučním listem, a to s maturitou i bez maturity. Přesto je ale zapotřebí mít na paměti, že nezaměstnaní, pro něž jsou typické některé charakteristiky nižší zaměstnatelnosti (nízké vzdělání nebo neadekvátní úroveň kvalifikace), mohou mít též častěji problémy plně/úspěšně využít potenciál uvedeného programu, své podnikání udržet po dostatečně dlouhou dobu a mohou se s větší pravděpodobností vrátit do evidence Úřadu práce. Klíčový je ale odhad potenciálu podnikání u jednotlivých osob pracovníky Úřadu práce a poskytování vhodného poradenství, které může vést k realistickému sebehodnocení situace z hlediska přínosů a rizik podnikání a v některých případech také pomoci při volbě jiného typu aktivačního opatření. Prezentované i předchozí zhodnocení tohoto programu ukázalo, že program může být vhodnou alternativou pro jistou skupinu nezaměstnaných, a to nejen z hlediska návratu do evidence, ale i z pohledu ekonomické efektivity. Účastníci musí totiž udržet nově vytvořené pracovní místo alespoň po dobu jednoho roku, jinak musí příspěvek na jeho zřízení vrátit. Je rovněž vhodné podotknout, že založením SVC musí noví podnikatelé platit sociální pojištění (a případně i daň z příjmu), které jsou příjmem státního rozpočtu. Uvedené závěry tedy umožňují empiricky podpořit teorii podnikání z nutnosti, kdy může podpora podnikání umožnit jisté skupině (i dříve dlouhodobě) nezaměstnaných zajistit si pracovní uplatnění na trhu práce formou samostatně výdělečné činnosti a ukončit tak jejich pobyt v evidenci Úřadu práce. Podnikání této skupině nezaměstnaných pak umožní nejen získání pracovního uplatnění a zajištění osobního příjmu, ale Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 155 je pro ně i příležitostí k rozšíření jejich dosavadních znalostí a dovedností a podnětem k získání nových zkušeností. Nezaměstnaní se tak stanou svými vlastními pány a mohou dělat to, co je baví. Jejich ekonomická činnost pak může posloužit jako motivace k tomu, aby se již nevrátili do evidence Úřadu práce a zůstali aktivní na trhu práce. Nicméně je třeba podotknout, že v rámci provedené evaluace nejsme schopni říci nic o ekonomickém statutu a výdělcích nezaměstnaných, o výši tržeb z nově založeného podnikání, ani o počtu zaměstnanců. Tyto veličiny by jednoznačně měly být předmětem další analýzy, neboť by mohly dokreslit celkové dopady tohoto aktivačního opatření. Rovněž je třeba zmínit, že prezentované empirické výsledky nejsou bez omezení. Vypovídací schopnost analýzy je snížena o limity využitého kvaziexperimentálního designu, a to především z důvodu existence proměnných, které nemůžeme pozorovat a jejichž vliv proto nelze kontrolovat (jako je např. talent, inteligence, schopnosti a dovednosti). Dalším významným omezením je i skutečnost, že pro část nezaměstnaných se nepodařilo získat data za postintervenční období. Vypovídací schopnost provedené analýzy je tedy snížena o nezaměstnané a účastníky programu, pro které se nepodařilo data získat a spárovat. Dále je třeba zmínit, že předmětem analýzy byli účastníci programu v roce 2014. Analýza účastníků, kteří se programu účastnili v následujících letech, bude jistě vhodným námětem budoucích evaluací. 156 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.18267/j.polek.1267 Přílohy Příloha 1 | Charakteristiky nezaměstnaných a účastníků SÚPM SVČ v roce 2014 Pohlaví (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Muži 51,50 48,50 0,94 Ženy 48,50 51,50 1,06 Celkem N (=100%) 990 694 2 264 Věkové skupiny (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Do 18 let 1,35 0,27 0,20 19-24 let 17,36 12,06 0,69 25-30 let 15,63 19,26 1,23 31-36 let 13,97 21,69 1,55 37-42 let 14,44 21,73 1,50 43-47 let 9,25 10,64 1,15 48-53 let 11,09 9,98 0,90 54-59 let 12,27 4,01 0,33 Nad 59 let 4,62 0,04 0,01 Celkem N (=100%) 990 694 2 264 Zdravotní stav (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Bez zdravotního omezení 78,47 88,43 1,13 Jiné zdravotní omezení 8,99 4,99 0,56 OZP - zdravotně znevýhodněná 0,73 0,40 0,55 ZPS + TZP 0,29 0,27 0,93 OZP + částečně invalidní 0,01 0,00 0,00 OZP + plně invalidní 0,00 0,00 Osoba uznaná za dočasně neschopnou práce 0,01 0,00 0,00 Osoba invalidní- 1. stupeň invalidity 5,51 2,25 0,41 Osoba invalidní- II. stupeň invalidity 2,74 0,84 0,31 Osoba invalidní- III. stupeň invalidity 0,17 0,09 0,53 Nezjištěno 3,08 2,74 0,89 Celkem N (=100%) 990 694 2 264 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 157 Příloha 1 j Pokračování Vzdělání (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti A Bez vzdělání 0,36 0,04 0,11 B Neúplné základní 0,37 0,00 C Základní + praktická škola 22,65 5,34 0,24 D Nižší střední 0,06 0,00 E Nižší střední odborné 2,33 0,53 0,23 H Střední odborné (vyučen) 37,27 30,87 0,83 J Střední nebo střední odborné bez maturity a bez vyučení 0,59 0,31 0,53 KÚSV 2,90 3,98 1,37 L ÚSO (vyučení s maturitou) 5,15 12,06 2,34 M ÚSO s maturitou (bez vyučení) 18,55 27,34 1,47 N Vyšší odborné 1,08 1,77 1,64 P Vyšší odborné v konzervatoři 0,01 0,04 4,00 R Bakalářské 2,32 4,11 1,77 T Vysokoškolské 6,15 12,90 2,10 V Doktorské (vědecká výchova) 0,21 0,71 3,38 Celkem N (=100%) 990 694 2 264 Obor vzdělání (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Přírodní vědy a nauky 0,96 1,47 1,53 Technické vědy a nauky (skupina A) 23,97 21,86 0,91 Technické vědy a nauky (skupina B) 22,38 22,06 0,99 Zemědělsko-lesnické a veterinární vědy 6,89 6,71 0,97 Zdravotnictví, lékařské a farmaceutické 1,98 1,98 1,00 Společenské vědy, nauky a služby (A) 31,50 31,77 1,01 Společenské vědy, nauky a služby (B) 11,12 10,88 0,98 Vědy a nauky o kultuře a umění 1,01 3,10 3,07 Vojenské vědy a nauky 0,20 0,15 0,75 Celkem N (=100%) 671 099 1 967 158 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 Příloha 1 j Pokračování Děti (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Bez dětí 79,13 67,54 0,85 Jedno dítě 10,87 14,18 1,30 Dvě děti 7,93 15,59 1,97 Tři a více dětí 2,07 2,69 1,30 Celkem N (=100%) 990 694 2 264 Kraj (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Praha 10,70 3,14 0,29 Středočeský kraj 9,77 5,39 0,55 Jihočeský kraj 6,10 4,77 0,78 Plzeňský kraj 4,98 9,41 1,89 Karlovarský kraj 3,39 2,65 0,78 Ústecký kraj 10,82 8,70 0,80 Liberecký kraj 4,70 5,34 1,14 Královéhradecký kraj 5,07 4,55 0,90 Pardubický kraj 4,87 4,77 0,98 Kraj Vysočina 3,79 8,70 2,30 Jihomoravský kraj 10,22 15,90 1,56 Olomoucký kraj 6,73 7,73 1,15 Zlínský kraj 4,17 4,02 0,96 Moravskoslezský kraj 14,69 14,93 1,02 Celkem N (=100%) 990 694 2 264 Rekvalifikační kurz Základy podnikání (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Ne 99,90 95,63 0,96 Ano 0,10 4,37 43,70 Celkem N (=100%) 990 694 2 264 Předchozízkušenost se SVČ (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Ne 93,11 95,23 1,02 Ano 6,89 4,77 0,69 Celkem N (=100%) 990 694 2 264 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 159 Příloha 1 J Pokračování Počet předchozích evidencí na ÚP(v%) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Bez předchozí evidence 23,12 24,16 1,04 1 předchozí evidence 16,94 21,69 1,28 2 předchozí evidence 14,01 16,83 1,20 3 předchozí evidence 11,32 12,06 1,07 4 předchozí evidence 8,90 8,57 0,96 5 a více předchozích evidencí 25,72 16,70 0,65 Celkem N (=100%) 990 694 2 264 Suma délky všech evidencí před sledovanou evidencí na ÚP (v %) Populace nezaměstnaných Podpoření SÚPM SVČ Index cílenosti Odní 23,26 24,25 1,04 1-30 dní 2,68 4,02 1,50 31-90 dní 5,06 6,98 1,38 91-180 dní 7,07 9,32 1,32 181-360 dní 12,39 16,12 1,30 361-720 dní 16,37 16,87 1,03 721 a více dní 33,19 22,44 0,68 Celkem N (=100%) 990 694 2 264 Poznámka: Index cílenosti je počítán jako poměr mezi podílem podpořených SÚPM SVČ a podílem populace nezaměstnaných. Zdroj: data ze systému OKpráce za rok 2014 160 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 Příloha 2 I Odhady parametrů a směrodatných chyb získaných pomocí logistické regrese sloužící k odhadům pravděpodobnostního skóre (vysvětlovaná proměnná -podpořen(a) SÚPM SVČ; 1 = Ano, 0 = Ne) Vysvětlující proměnné Odhadnutý parametr Směrodatná chyba Poměr šancí exp (odhad) Žena -0,228"" 0,0489 0,796 Věk do 18 0 1 Věk 19-24 0,261 0,463 1,298 Věk 25-30 0,560 0,463 1,750 Věk 31-36 0,838 0,466 2,312 Věk 37-42 0,903 0,466 2,467 Věk 43-47 0,751 0,468 2,118 Věk 48-53 0,539 0,468 1,714 Věk 54-59 -0,445 0,476 0,641 Věk nad 59 -2,105"" 0,585 0,122 B Neúplné základní 0 1 C Základní + praktická škola 0,508 1,007 1,663 D Nižší střední 0 1 E Nižší střední odborné 0,234 1,044 1,264 H Střední odborné (vyučen) 1,496 1,006 4,463 J Střední nebo střední odborné bez maturity a bez vyučení 1,171 1,085 3,226 KÚSV 2,092" 1,011 8,102 L ÚSO (vyučenís maturitou) 2,430" 1,007 11,363 M ÚSO s maturitou (bez vyučení) 2,183" 1,006 8,872 N Vyšší odborné 2,201" 1,019 9,031 P Vyšší odborné v konzervatoři 3,426" 1,436 30,740 R Bakalářské 2,396" 1,011 10,975 T Vysokoškolské 2,568" 1,008 13,041 V Doktorské (vědecká výchova) 2,983" 1,040 19,741 Bez zdravotního omezení 0 1 Jiné zdravotní omezení -0,430""" 0,110 0,651 OZP - zdravotně znevýhodněná -0,420 0,343 0,657 Z PS + TZP 0,259 0,419 1,296 Osoba invalidní-1. stupeň invalidity -0,636""" 0,153 0,530 Osoba invalidní-II. stupeň invalidity -0,970""" 0,241 0,379 Osoba invalidní-III. stupeň invalidity 0,277 0,716 1,319 Občanství ČR 0 1 Občanství-EU -0,735" 0,245 0,479 Občanství evropského státu mimo EU -0,0423 0,270 0,959 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 161 Příloha 2 j Pokračování Občanství-mimo Evropu -0,547 0,580 0,579 Praha 0 1 Středočeský kraj -5,235"" 0,423 0,005 Jihočeský kraj -4,750"" 0,437 0,009 Plzeňský kraj -3,546""" 0,417 0,029 Karlovarský kraj -4,604""" 0,432 0,010 Ústecký kraj -4,843""" 0,410 0,008 Liberecký kraj -4,127""" 0,417 0,016 Královéhradecký kraj -4,752""" 0,436 0,009 Pardubický kraj -4,324""" 0,415 0,013 Kraj Vysočina -3,873""" 0,424 0,021 Jihomoravský kraj -4,194""" 0,402 0,015 Olomoucký kraj -4,625""" 0,414 0,010 Zlínský kraj -5,379""" 0,438 0,005 Moravskoslezský kraj -4,646""" 0,401 0,100 Bez dětí 0 1 Má 1 dítě 0,228""" 0,069 1,256 Má 2 dítě 0,419""" 0,069 1,521 Má 3 a více dětí 0,254 0,140 1,290 Předchozí zkušenost se SVČ -0,699""" 0,103 0,497 Suma délky předchozích evidencí -0,000 374""" 0,000 041 0,999 Odpracováno za poslední3 roky méně než 360 dní -0,477""" 0,0547 0,621 Míra nezaměstnanosti v měsíci vstupu do evidence 0,0845""" 0,0143 1,088 Počet volných pracovních míst v měsíci vstupu do evidence -0,000 934""" 0,000 072 0,999 Datum vstupu do sledované evidence -0,000 228""" 0,000 022 0,999 Konstanta -1,493 1,204 0,225 Počet pozorování 874 497 Pseudokoeficient determinace (Pseudo R2) 0,090 Waldova statistika chí-kvadrát 2 403,1""" Akaikeho informační kritérium (AIC) 27 704,0 Bayesovo informační kritérium (BIC) 28 334,8 Poznámka: Pro skupinu dummy proměnných nula představuje referenční kategorii, případně kategorii bez dostatečného počtu pozorování. Referenční kategorie: Muž, Věkdo 18, B Neúplné základní, Bez zdravotního omezení, ObčanstvíČR, Praha, Bezdětí, Neabsolvoval rekvalifikační kurz SVČ. Statistická významnost parametrů modeluje označena následovně: * P-hodnota < 0,05, " P-hodnota < 0,01, *** P-hodnota < 0,001. Zdroj: data ze systému OK Práce za rok 2014-2017 162 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 Příloha 3 I Odhady parametrů a směrodatných chyb získaných pomocí logistické regrese sloužící ke zjištění vlivu charakteristik účastníků SÚPM SVČ na následný návrat do evidence (vysvětlovaná proměnná - vrátil se do evidence; 1 = Ano, 0 = Ne) Vysvětlující proměnné Odhadnutý parametr Směrodatná chyba Poměr šancí exp (odhad) Žena -0,0122 0,0874 0,988 Věk do 18 0 1 Věk 19-24 -0,0271 0,549 0,973 Věk 25-30 -0,230 0,552 0,795 Věk 31-36 -0,481 0,556 0,618 Věk 37-42 -0,440 0,554 0,644 Věk 43-47 -0,480 0,560 0,619 Věk 48-53 -0,261 0,558 0,770 Věk 54-59 -0,0692 0,572 0,933 Věk nad 59 0 1 B Neúplné základní 0 1 C Základní + praktická škola -5,838"" 0,414 0,003 D Nižší střední 0 1 E Nižší střední odborné -5,725"" 0,704 0,003 H Střední odborné (vyučen) -5,841""" 0,393 0,003 J Střední nebo střední odborné bez maturity a bez vyučení 0 1 KÚSV -5,932""" 0,434 0,003 L ÚSO (vyučenís maturitou) -6,017""" 0,406 0,002 M ÚSO s maturitou (bez vyučení) -5,761""" 0,391 0,003 N Vyšší odborné -5,589""" 0,473 0,004 P Vyšší odborné v konzervatoři 0 1 R Bakalářské -6,107""" 0,450 0,002 T Vysokoškolské -6,075""" 0,413 0,002 V Doktorské (vědecká výchova) 0 1 Bez zdravotního omezení 0 1 Jiné zdravotní omezení -0,296 0,196 0,744 OZP - zdravotně znevýhodněná 0,0459 0,538 1,047 Z PS + TZP 0 1 Osoba invalidní-1. stupeň invalidity -0,789 0,434 0,454 Osoba invalidní-II. stupeň invalidity 0 1 Osoba invalidní-III. stupeň invalidity 0 1 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 163 Příloha 3 j Pokračování Občanství ČR 0 1 Občanství-EU -0,115 0,495 0,891 Občanství evropského státu mimo EU 0,370 0,412 1,448 Občanství-mimo Evropu 0 1 Praha 0 1 Středočeský kraj 0,264 0,317 1,302 Jihočeský kraj -0,028 0,345 0,972 Plzeňský kraj 0,239 0,302 1,270 Karlovarský kraj 0,524 0,337 1,689 Ústecký kraj 0,081 0,304 1,084 Liberecký kraj 0,212 0,316 1,236 Královéhradecký kraj 0,304 0,317 1,355 Pardubický kraj 0,380 0,312 1,462 Kraj Vysočina 0,244 0,303 1,276 Jihomoravský kraj 0,198 0,288 1,219 Olomoucký kraj 0,113 0,311 1,120 Zlínský kraj -0,096 0,369 0,908 Moravskoslezský kraj 0,418 0,287 1,519 Bez dětí 0 1 Má 1 dítě 0,162 0,120 1,176 Má 2 děti 0,247" 0,124 1,280 Má 3 a vice dětí 0,140 0,237 1,150 Absolvoval rekvalifikační kurz SVČ 0,154 0,210 1,166 Suma délky předchozích evidencí 0,000 249"" 0,000 062 1 Konstanta 4,424""" 0,723 83,429 Počet pozorování 2 202 Pseudo koeficient determinace (Pseudo R2) 0,049 Waldova statistika chí-kvadrát 716,690""" Akaikeho informační kritérium (AIC) 1 341,900 Bayesovo informační kritérium (BIC) 1 581,200 Poznámka: Pro skupinu dummy proměnných nula představuje referenční kategorii, případně kategorii bez dostatečného počtu pozorování. Referenční kategorie: Muž, Věk do 18, B Neúplné základní, Bez zdravotního omezení, ObčanstvíČR, Praha, Bez dětí, Neabsolvoval rekvalifikační kurz SVČ. Statistická významnost parametrů modeluje označena následovně: * P-hodnota < 0,05, ** P-hodnota < 0,01, *** P-hodnota < 0,001. Zdroj: data ze systému OKpráce za rok 2014-2017 164 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 Literatura Acs, Z., Ástebro, T., Audretsch, D., Robinson, D. T. (2016). Public Policy to Promote Entrepreneurship: a Call to Arms. Small Business Economics, 47(1), 35-51, https://doi.Org/10.1007/sl 1187-016-9712-2 Abadie, A., Drukker, D., Herr, J. L, Imbens, G. W. (2004). Implementing Matching Estimators for Average Treatment Effects in Stata. Stata Journal, 4(3), 290-311, https://d0i.0rg/l 0.1177/1536867x0400400307 Beck, T., Demirguc-Kunt, A. (2006). Small and Medium-size Enterprises: Access to Finance as a Growth Constraint. Journal of Banking & Finance, 30(11), 2931-2943, https://d0i.0rg/l 0.1016/j.jbankfin.2006.05.009 Caliendo, M., Kopeinig, S. (2008). Some Practical Guidance for the Implementation of Propensity Score Matching. Journal of Economic Surveys, 22(1), 31-72, https://doi.Org/10.1111/j.l 467-6419.2007.00527.x Caliendo, M., Kúnn, S. (2014). Regional Effect Heterogeneity of Start-up Subsidies for the Unemployed. Regional Studies, 48(6), 1108-1134, https://d0i.0rg/l 0.1080/00343404.2013.851784 Caliendo, M., Kúnn, S. (2015). Getting Back into the Labor Market: The Effects of Start-up Subsidies for Unemployed Females. Journal of Population Economics, 28(4), 1005-1043, https://d0i.0rg/l 0.1007/sOOI 48-015-0540-5 Český statistický Úřad (2014). Postavení českého trhu práce v rámci EU - 4. čtvrtletí 2014. [Cit. 2018-06-27] Dostupné z: https://www.czso.cz/csu/czso/cri/ postaveni-ceskeho-trhu-prace-v-ramci-eu-4-ctvrtleti-2014 Český statistický Úřad (2015). Postavení českého trhu práce v rámci EU - 4. čtvrtletí 2015. [Cit. 2018-06-27] Dostupné z: https://www.czso.cz/csu/czso/cri/ postaveni-ceskeho-trhu-prace-v-ramci-eu-4-ctvrtleti-2015 Český statistický Úřad (2016). Postavení českého trhu práce v rámci EU -4. čtvrtletí 2016. [Cit. 2018-06-27] Dostupné z: https://www.czso.cz/csu/czso/cri/ postaveni-ceskeho-trhu-prace-v-ramci-eu-4-ctvrtleti-2016 Český statistický Úřad (2017). Postavení českého trhu práce v rámci EU - 4. čtvrtletí 2017. [Cit. 2018-06-27] Dostupné z: https://www.czso.cz/csu/czso/cri/ postaveni-ceskeho-trhu-prace-v-ramci-eu-4-ctvrtleti-2017 Dvouletý, O. (2017a). Does the Self-employment Policy Reduce Unemployment and Increase Employment? Empirical Evidence from the Czech Regions. Central European Journal of Public Policy, 11(2), 11-22, https://doi.org/10.1515/cejpp-2016-0032 Dvouletý, O. (2017b). Relationship Between Unemployment and Entrepreneurship Dynamics in the Czech Regions: A Panel VAR Approach. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 65(3), 987-995, https://doi.0rg/IO.l 1118/actaun142 201765030987 Dvouletý, O., Lukeš, M. (2016). Review of Empirical Studies on Self-employment out of Unemployment: Do Self-employment Policies Make a Positive Impact? International Review of Entrepreneurship, 14(3), 361-376. Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 165 Edelman, L. R, Manolova, T., Shirokova, G., Tsukanova, T. (2016). The Impact of Family Support on Young Entrepreneurs'Start-up Activities. Journal of Business Venturing, 31 (4), 428-448, https://doi.Org/10.1016/j.jbusvent.2016.04.003 Evans, D. S., Jovanovic, B. (1989). An Estimated Model of Entrepreneurial Choice under Liquidity Constraints. Journal of Political Economy, 97(4), 808-827, https://d0i.0rg/l 0.1086/261629 Gai, L, lelasi, R, Rossolini, M. (2016). SMEs, Public Credit Guarantees and Mutual Guarantee Institutions. Journal of Small Business and Enterprise Development, 23(4), 1208-1228. https://d0i.0rg/l 0.1108/jsbed-03-2016-0046 Heckman, J., Ichimura, H., Todd, P. (1998). Matching As An Econometric Evaluation Estimator. Review of Economic Studies, 65(2), 261-294, https://doi.Org/10.1111/1467-937X.00044 Hora, O., Sirovátka, T. (2012). Srovnání efektů aktivní politiky zaměstnanosti v České republice v období růstu (2007) a během první fáze krize (2009). Výzkumná zpráva. Brno: Výzkumný ústav práce a sociálních věcí. Hora, O., Sirovátka, T., Tomešová Bartáková, H., Vyhlídal, J. (2009). Hodnocení programů aktivní politiky zaměstnanosti realizovaných v roce 2007 se zaměřením na rekvalifikace {struktura, cílenost, krátkodobé a střednědobé efekty na opuštění evidence). Výzkumná zpráva. Brno: Výzkumný ústav práce a sociálních věcí. Hora, O., Suchanec, M., Horáková, et al. (2018). Zhodnocení krátkodobých a střednědobých dopadů vybraných programů APZ realizovaných v roce 2014 s důrazem na situaci dlouhodobě nezaměstnaných. Brno: Výzkumný ústav práce a sociálních věcí. Kersten, R., Harms, J., Liket, K., Maas, K. (2017). Small Firms, Large Impact? A Systematic Review of the SME Finance Literature. World Development, 97, 330-348, https://d0i.0rg/l 0.1016/j.worlddev.2017.04.012 Krebs,V. (2010). Sociální politika. Praha: Wolters Kluwer. ISBN 978-80-7357-585-4. Lukeš, M. (2017). Entrepreneurship Development in the Czech Republic, in Sauka, A., Chepurenko, A., eds., Entrepreneurship in Transition Economies. Cham: Springer, pp. 209-224. ISBN 978-3-319-57341-0, https://doi.org/10.1007/978-3-319-57342-7_12 Lukeš, M., Zouhar, J., Jakl, M. (2014). Raná podnikatelská aktivita v ČR a doporučení pro její podporu. Dostupné z: https://www.mpo.cz/assets/dokumenty/54010/61647/639000/ prilohaOOl .pdf Ministerstvo práce a sociálních věcí (2015). Statistická ročenka trhu práce v České republice 2014. [Cit. 2017-12-06] Dostupné z: https://www.mpsv.cz/files/clanky/20862/MPSV_ rocenka_2014.pdf Ministerstvo práce a sociálních věcí (2017a). Aktivní politika zaměstnanosti. [Cit. 2017-12-06] Dostupné z: https://portal.mpsv.cz/sz/zamest/dotace/apz Ministerstvo práce a sociálních věcí (2017b). Výdaje na státní politiku zaměstnanosti. [Cit. 2017-12-06] Dostupné z: https://portal.mpsv.cz/sz/stat/vydaje Ministerstvo práce a sociálních věcí (2017c). Společensky účelná pracovní místa. [Cit. 2017-12-06] Dostupné z: https://portal.mpsv.cz/upcr/kp/jhm/apz 166 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.Org/10.18267/j.polek.1267 Ministerstvo práce a sociálních věcí (2017d). Příspěvek na zřízení společensky účelného pracovního místa pro uchazeče o zaměstnání za účelem výkonu samostatné výdělečné činnosti. [Cit. 2017-12-06] Dostupné z: https://portal.gov.cz/portal/podnikani/ situace/243/253/6160.html Pergelova, A., Angulo-Ruiz, F. (2014). The Impact of Government Financial Support on the Performance of New Firms: the Role of Competitive Advantage as an Intermediate Outcome. Entrepreneurship & Regional Development, 26(9-10), 663-705, https://doi.Org/10.1080/08985626.2014.980757 Rosenbaum, P. R., Rubin, D. B. (1983). The Central Role of the Propensity Score in Observational Studies for Causal Effects. Biometrika, 70(1), 41-55, https://d0i.0rg/l 0.2307/2335942 Simoes, N., Crespo, N., Moreira, S. B. (2016). Individual Determinants of Self-employment Entry: What Do We Really Know? Journal of Economic Surveys, 30(4), 783-806, https://doi.0rg/IO.l 111/joes.12111 Sirovátka,T., Kulhavý, V. (2007). Programy aktivní politiky zaměstnanosti v ČR v roce 2005: Hodnocení efektů na nezaměstnanost v roce 2006. Brno: Výzkumný ústav práce a sociálních věcí. Wolff, J., Nivorozhkin, A., Bernhard, S. (2016). You Can Go Your Own Way! The Long-term Effectiveness of a Self-employment Programme for Welfare Recipients in Germany. International Journal of Social Welfare, 25(2), 136-148, https://d0i.0rg/l 0.1111/ijsw.l 2176 Zákon č. 435/2004 Sb., o zaměstnanosti. In: Sbírka zákonů. 13. 5. 2004. Žambochová, M. (2013). A Statistical Analysis of the Support for Small Business as a Solution for Unemployment in the Region Ústí nad Labem, in Kocourek, A., ed., Liberec Economic Forum 2013: Proceedings of the 11th International Conference. Liberec: Technical University of Liberec, pp. 642-651. ISBN 978-80-7372-953-0. Zoellner, M., Fritsch, M., Wyrwich, M. (2018). An Evaluation of German Active Labour Market Policies: a Review of the Empirical Evidence. Journal of Entrepreneurship and Public Policy, 7(4), 377-410, https://d0i.0rg/l 0.1108/jepp-d-18-00023 Politická ekonomie, 2020, 68 (2), 142-167, https://doi.org/10.182677j.polek.1267 167