Μέθοδοι SAE, μοντέλο Fay-Herriot, φτώχεια, ανεργία, EU-SILC, απογραφή SAE methods, Fay-Herriot model, EBLUP, poverty, unemployment, EU-SILC, Census
Ημερομηνία Έκδοσης:
2021
Εκδότης:
Πάντειο Πανεπιστήμιο Κοινωνικών και Πολιτικών Επιστημών
Περίληψη:
Τις τελευταίες δεκαετίες η καταπολέμηση της φτώχειας και της ανεργίας αποτελεί μία από τις κυριότερες προκλήσεις της Ευρώπης και όχι μόνο. Η Ευρωπαϊκή Επιτροπή στα πλαίσια της στρατηγικής «Ευρώπη 2020» έθεσε το παραπάνω πρόβλημα ως έναν από τους βασικούς στόχους της. Για την εκτίμηση χαρακτηριστικών όπως η φτώχεια και η ανεργία τα κράτη έχουν σχεδιάσει ειδικές έρευνες οι οποίες δίνουν μεν αξιόπιστες πληροφορίες σε εθνικό επίπεδο, αλλά λόγω σχεδιασμού και μεγέθους των δειγμάτων δεν μπορούν να δώσουν αντίστοιχες αξιόπιστες εκτιμήσεις σε μικρότερες γεωγραφικές περιοχές όπως π.χ. οι νομοί (NUTS 3) και οι δήμοι. Για τη διαχείριση και επίλυση του παραπάνω προβλήματος, δηλαδή την επίτευξη στατιστικών εκτιμήσεων κοινωνικών και οικονομικών δεικτών σε μικρές γεωγραφικές περιοχές, προτείνεται ο συνδυασμός των παραπάνω τύπων δεδομένων (ετήσιες έρευνες και απογραφικά δεδομένα). Ο συνδυασμός αυτός μπορεί να επιτευχθεί με τη χρήση προηγμένων στατιστικών μεθόδων που παράγουν εκτιμήσεις σε μικρές γεωγραφικές περιοχές και έχουν τη γενική ονομασία «Small Area Estimation» (SAE). Στην Ελλάδα το μικρότερο γεωγραφικό επίπεδο για το οποίο δίνονται εκτιμήσεις της φτώχειας και της ανεργίας είναι αυτό των περιφερειών. Ο κύριος στόχος αυτής της διατριβής είναι να αναπτύξει και να παράσχει αξιόπιστες εκτιμήσεις για τη φτώχεια και την ανεργία στην Ελλάδα σε μικρότερο γεωγραφικό επίπεδο από αυτό των περιφερειών, δηλαδή σε επίπεδο Νομών (NUTS 3) χρησιμοποιώντας τις μεθόδους SAE. Τα υπό εκτίμηση χαρακτηριστικά είναι το ποσοστό της φτώχειας, το χάσμα της φτώχειας καθώς και το ποσοστό της ανεργίας του ελληνικού πληθυσμού σε δύο διαφορετικές χρονικές στιγμές, το 2009 (λίγο πριν από την έναρξη της ελληνικής χρηματοπιστωτικής κρίσης) και το 2013 (κατά τη διάρκεια της κρίσης)). Για την επίτευξη των παραπάνω υιοθετήθηκε ο εκτιμητής EBLUP με βάση το μοντέλο Fay and Herriot, συνδυάζοντας δεδομένα από την έρευνα EU-SILC 2009 και 2013 με βοηθητικά δεδομένα από την εθνική απογραφή του 2001 και 2011, αντίστοιχα. Συγκεκριμένα εξετάσθηκαν και αναλύθηκαν 19 βοηθητικές μεταβλητές από την απογραφή του 2001 και 32 βοηθητικές μεταβλητές από την απογραφή του 2011. Προκειμένου να κατασκευαστεί το βέλτιστο μοντέλο μικρής περιοχής (small area model) για κάθε ένα από τα υπό εκτίμηση χαρακτηριστικά, χρησιμοποιήθηκε μια διαδικασία τριών φάσεων για την επιλογή των τελικών βοηθητικών μεταβλητών. Έπειτα διάφοροι διαγνωστικοί έλεγχοι εφαρμόστηκαν με σκοπό την αξιολόγηση της καταλληλόλητας και απόδοσης των επιλεγμένων SAE μοντέλων καθώς και της αξιοπιστίας των αποτελεσμάτων. Τα αποτελέσματα αυτών των διαγνωστικών ελέγχων έδειξαν ότι τα επιλεγμένα μοντέλα παρέχουν καλή προσαρμογή στα δεδομένα καθώς και αξιόπιστες εκτιμήσεις. Τα αποτελέσματα της έρευνας ήταν ιδιαίτερα ενθαρρυντικά καθώς η εφαρμογή των μεθόδων SAE πέτυχε ένα στατιστικά σημαντικό συνολικό κέρδος απόδοσης τόσο για την εκτίμηση της φτώχειας όσο και της ανεργίας έναντι των άμεσων εκτιμητών. Συγκεκριμένα, τα αποτελέσματα έδειξαν μία στατιστικά σημαντική μείωση τόσο των τιμών του συντελεστή μεταβλητότητας (CV) όσο και των τιμών του μέσου τετραγωνικού σφάλματος (MSE) του EBLUP εκτιμητή με βάση το μοντέλο F-H έναντι των άμεσων εκτιμητών σχεδόν σε όλους τους νομούς. Η μείωση ήταν αισθητά μεγαλύτερη στους νομούς με μικρό μέγεθος δείγματος. Επίσης, τα αποτελέσματα των εκτιμήσεων τόσο της φτώχειας όσο και της ανεργίας έδειξαν σημαντικές διαφορές στο χάρτη της Ελλάδας τις χρονιές 2009 και 2013. Η παρούσα μελέτη συμβάλλει στην ολοένα και αυξανόμενη ζήτηση για εκτιμήσεις κοινωνικών χαρακτηριστικών σε μικρές γεωγραφικές περιοχές αναπτύσσοντας κατάλληλα SAE μοντέλα και δίνοντας εκτιμήσεις για τη φτώχεια και την ανεργία στην Ελλάδα για πρώτη φορά σε επίπεδο νομών. Οι εκτιμήσεις αυτές μπορούν να συμβάλουν στη διαμόρφωση και στόχευση πολιτικών για τη σωστή κατανομή των δημόσιων κονδυλίων σε μικρές γεωγραφικές περιοχές.
Abstract:
Fighting poverty and unemployment are two of the goals of the European Commission, which is clearly emphasized in the “Europe 2020” strategy. Τhe surveys carried out for these social characteristics provide very reliable information at national level but due to the design and the sample size they cannot give reliable estimates in smaller geographical areas of the country, such as the prefectures (NUTS 3) and municipalities. The key solution in order to produce reliable estimates in small areas is to combine data from administrative, Census and survey sources using Small Area Estimation methods (SAE). In Greece the lowest geographical level for which estimates of poverty and unemployment are given is the NUTS 2 level (perifereies). The main goal of this thesis is to develop and produce reliable estimates for the poverty and unemployment in Greece at a lower level of spatial aggregation than the one used so far, that is at the level of sub regions-NUTS 3 (Nomoi), using SAE methods. The target parameters to be estimated are headcount ratio, poverty gap index and unemployment rate of the Greek population at two different times, in 2009 (shortly before the start of the Greek financial crisis) and 2013 (during the crisis)). Τo achieve the above objectives the EBLUP estimator based on the Fay and Herriot (F-H) small area model was adopted, combining survey data from the EU-SILC 2009 and 2013 with auxiliary data derived from the 2001 and 2011 national Greek Census, respectively. Specifically, 19 auxiliary variables from the Greek Census of 2001 and 32 auxiliary variables from the Greek Census of 2011 were considered and analyzed. In order to build the optimal small area model a variable selection process was performed for each of the target parameters. Then, different diagnostic tools applied to assess the fit and the performance of the selected small area models as well as to check the reliability of the results. These diagnostics showed that the final selected models provide a good fit to the data and produce reliable estimates. Τhe research results were particularly encouraging as the application of small area estimation approaches achieved an overall significant efficiency gain both for estimating poverty and unemployment instead of direct estimators. Specifically, results showed a significant reduction in coefficient of variation (CV) of the EBLUP F-H estimators over direct estimators for most domains. The reduction tended to be greater for domains with small sample sizes. Also, the results of estimates of both poverty and unemployment showed significant differences in the map of Greece in 2009 and 2013. The present study contributes to the growing demand for estimates of social characteristics in small geographical areas by developing appropriate SAE models and giving estimates for poverty and unemployment in Greece for the first time at the level of sub-regions-NUTS 3 (nomoi). These estimates allow governments to formulate and target policies and thus allocate funds properly to small areas.
Περιγραφή:
Διατριβή (διδακτορική). Πάντειο Πανεπιστήμιο, Τμήμα Κοινωνικής Πολιτικής, 2021