2 resultados para Nuts
em Universidad de Alicante
Resumo:
En este trabajo se analiza cómo el tiempo de trayecto y las características de los mercados laborales locales influyen en el desajuste puesto de trabajo- nivel educativo del individuo, basado en la hipótesis de que los individuos que tienen un mayor tiempo de trayecto al trabajo y mejores condiciones en mercado laboral se asocian a una menor incidencia de la sobreeducación. La sobreeducación afecta a 17 % de los trabajadores en España, y se eleva al 22,4 % para los trabajadores menores de 35 años. El análisis se basa en los datos individuales de los trabajadores españoles que se refiere al período inicial de la crisis económica mundial (2007-2010). La variable dependiente, desajuste educativo-puesto se mide mediante el método subjetivo, basado en las respuestas del individuo a la pregunta de cómo ajusta su nivel de educación a las necesidades del trabajo que actualmente ocupan. La variable de interés son: (a) el tiempo de trayecto, es decir, el tiempo que tarda el individuo en llegar a su trabajo, y (b) dos variables que tienen en cuenta de las condiciones del mercado local: la tasa regional de desempleo (esta variable se refieren a la división territorial de España a nivel NUTS 2 y desglose por sexo y nivel de educación de cada Comunidad Autónoma sobre la base de las cifras medias anuales de la Encuesta de Población Activa española (EPA) para el período 2007-2010) y el tamaño del municipio. Se incluyen las variables de control habituales relativas al puesto de trabajo y variables dummy de los años de la muestra. Los resultados sugieren que las difíciles condiciones de trabajo regionales en términos de altas tasas de desempleo pueden actuar contra el efecto hipotético de la movilidad en la reducción del desajuste educativo, por lo tanto, se obtiene a una conclusión opuesta a la planteada en algunos trabajos anteriores.
Resumo:
Due to confidentiality considerations, the microdata available from the 2011 Spanish Census have been codified at a provincial (NUTS 3) level except when the municipal (LAU 2) population exceeds 20,000 inhabitants (a requirement that is met by less than 5% of all municipalities). For the remainder of the municipalities within a given province, information is only provided for their classification in wide population intervals. These limitations, hampering territorially-focused socio-economic analyses, and more specifically, those related to the labour market, are observed in many other countries. This article proposes and demonstrates an automatic procedure aimed at delineating a set of areas that meet such population requirements and that may be used to re-codify the geographic reference in these cases, thereby increasing the territorial detail at which individual information is available. The method aggregates municipalities into clusters based on the optimisation of a relevant objective function subject to a number of statistical constraints, and is implemented using evolutionary computation techniques. Clusters are defined to fit outer boundaries at the level of labour market areas.