1

Capitale umano ed economia dell’istruzione

Daniele Checchi – Università di Milano

Roma, 17 novembre 2010

2

Capitale umano utile astrazione per analizzare l’impatto delle determinanti economiche (costi e benefici) nella scelta di istruirsi. Non spiega perché le retribuzioni siano correlate positivamente con l’istruzione, se non supponendo che

trascorrere tempo a scuola comporti maggior conoscenza la conoscenza accresce la produttività individuale le aziende osservano la produttività individuale in un mercato competitivo la conoscenza ottiene come remunerazione il valore della sua produttività marginale.

Esistono aspetti normalmente poco analizzati seguendo questo approccio

indivisibilità dell’investimento complementarietà/sostituibilità tra diversi livelli di competenze learning by doing

3

Esistono spiegazioni alternative, centrate sull’effetto selettivo delle scuole sulle caratteristiche non osservabili (credenzialismo). I due approcci hanno implicazioni diverse sulla possibile misurazione del capitale umano. Se prendiamo il tempo trascorso a scuola (years of education) e lo trattiamo come una misura dello stock di conoscenza, esso diventa equivalente al reddito permanente degli individui. Questo permette analisi di * diseguaglianza cross-country e cross-age cohorts * mobilità intergenerazionale

4

5

6

7

Tuttavia questa contabilità è indebita, in quanto il contenuto della formazione differisce

per indirizzo scolastico per livello scolastico

Utilizzare però i dati sul massimo risultato scolastico ottenuto rende poco comparabili le analisi inter-temporali o cross-country. Esempio: come confrontare laureati quadriennali, triennali e magistrali ?

Vecchio ordinamento Nuovo ordinamento

Anno Corsi di laurea

Diplomi Universitari

Scuole dirette a

fini speciali

Totale laureati Vecchio

Ordinamento

capitale umano vecchio

ordinamento Lauree Lauree

specialistiche Lauree

specialistiche a ciclo unico

Totale laureati Nuovo

Ordinamento

capitale umano nuovo

ordinamento

Totale complessivo

laureati

capitale umano

complessivo (anni

istruzione terziaria)

2001 153 976 16201 355 170532 665217 1267 1 6 1274 3833 171806 669050 2002 164531 13012 355 177898 697870 22304 99 817 2322 71195 201118 769065 2003 164375 78 221 172396 658176 53747 2971 5825 62543 196308 234939 854484 2004 161050 3829 92 164971 655871 92304 4247 7299 10385 321901 268821 977772 2005 142993 1625 64 144682 576975 138307 10454 7855 156616 475104 301298 1052079 2006 100078 784 26 100888 402716 161445 2962 9423 200488 537374 301376 940090 2007 63864 433 13 64310 256781 173671 50538 11616 235825 680169 300135 936950 2008 40863 225 2 41090 164131 171413 65347 15234 251994 721103 293084 885234

8

80

90

100

110

120

130

140

150

160

170

180

2001 2002 2003 2004 2005 2006 2007 2008

Totale complessivo laureati

capitale umano complessivo (anniistruzione terziaria)

9

COLLEGE ATTAINMENT proportion of population EUSILC 2007, ISSP 2007, IALS 1994

BE

CZ

DE

DKFI

HU

IE

IT

NO NL

PLSI

SE

UK.1

.2.3

.4.5

SIL

C

.1.2.3.4.5IALS

AT

BE

CZ

DE

FIFRIE

LV NO

PLSKSI

SE

UK

.

.1.2

.3.4

.5S

ILC

0 .1 .2 .3 .4ISSP

BE

CH

CZ DE

FI

IE

NO

PLSI

SE

UK

US

.1.2

.3.4

.5IA

LS

0 .1 .2 .3 .4ISSP

10

Il sistema ISCED proposto da OECD non risolve il problema di omogeneizzazione, in quanto permangono ambiguità sugli indirizzi (3A-3B e 5A-5B). Manca una dimensione qualitativa del livello di competenze conseguito. Apparentemente persino le competenze misurate nella popolazione giovane sembrano impattare sulla performance di crescita di un paese, addirittura meglio degli anni di istruzione.

11

da Barro-Lee 2010 (nber 15902)

12

da Hanushek-Woessman 2010 (nber 16515)

13

Ovviamente quantità e qualità del capitale umano sono tra loro correlate, non fosse altro perche la seconda è condizionata dalla prima (difficile acquisire competenza senza istruzione formale). Inoltre probabilmente opera un canale familiar-ambientale.

14

15

Evidenza di impatto della istruzione formale e dell’ambiente familiare (ma non esperienza lavorativa) sulla formazione di competenze in età adulta.

DETERMINANTS OF QUANTITATIVE COMPETENCES (NUMERACY AND PROBLEM SOLVING) SAME SAMPLE SIZE – OLS – ALL 2003

[1] [2] [3] [4] [5] [6]

VARIABLES employment rates

elected women abortions fertility marriages catholic

Female 26.01 -0.508 14.63 4.71 -0.0516 8.775 [33.16] [6.092] [10.06] [12.36] [6.374] [11.46] Years of schooling 4.907*** 4.933*** 4.981*** 4.899*** 4.956*** 5.015*** [0.580] [0.584] [0.611] [0.566] [0.596] [0.580] Currently employed 1.439 2.34 2.942 1.371 2.777 3.457 [2.179] [2.171] [2.156] [2.179] [2.159] [2.143] Mother primary education -10.94* -11.44** -11.40** -10.90* -10.89* -11.48** [5.798] [5.779] [5.646] [5.768] [5.814] [5.639] Mother secondary education -11.38** -11.98** -10.47** -11.13** -10.77** -10.92** [5.288] [5.209] [5.232] [5.281] [5.372] [5.175] Father primary education -13.10** -12.80** -14.20** -13.26** -13.62** -13.72** [5.781] [5.653] [5.848] [5.702] [5.928] [5.694] Father secondary education -4.403 -4.029 -5.042 -4.47 -4.649 -4.459 [5.232] [5.086] [5.223] [5.191] [5.325] [5.119] Urban area 2.827 2.641 2.625 2.887 2.331 2.463 [2.122] [2.136] [2.225] [2.124] [2.174] [2.172] Regional female employment rate 2.241** [0.893] Regional male employment rate -2.764* [1.479] Female×Regional female employment rate 0.493 [0.485] Female×Regional male employment rate -0.685

16

[0.721] Fraction elected women regional government 160.3*** [60.96] Female×Fraction elected women regional govern. 5.893 [60.91] Voluntary abortion (1000 women 15-49) -1.791 [1.393] Female×Voluntary abortion (1000 women 15-49) -1.367 [0.930] Fertility rate (1000 women 15-49) -0.0236** [0.00984] Female×Fertility rate (1000 women 15-49) -0.00365 [0.00952] Share of non religious marriages 43.07* [25.15] Female×Share of non religious marriages -1.174 [28.43] Share baptisms total born 9.772 [10.97] Female×Share baptisms total born -10.41 [12.64] Observations 2514 2514 2514 2514 2514 2514 R-squared 0.256 0.253 0.247 0.257 0.248 0.245 Log likelihood -12640 -12646 -12656 -12640 -12655 -12659 Birth year 1969-88 1969-88 1969-88 1969-88 1969-88 1969-88

Robust standard errors in brackets - weighted by sample weights - *** p<0.01, ** p<0.05, * p<0.1 – Region, cohort and household composition controls included - for parental education the excluded category is tertiary education

17

Questo sarebbe poco importante se non si rilevasse una significativa correlazione tra livelli di competenza e livelli retributivi, al netto della istruzione formale.

Determinanti delle retribuzioni lorde mensili (logs) – OLS – ALL 2003 1 2 3 4 5 6 7 8 9 10 Italia (senza Lombardia) Lombardia Italia

-0.231 -0.227 -0.23 -0.26 -0.256 -0.252 -0.235 -0.235 -0.231 -0.232 donna [8.81]*** [8.86]*** [9.14]*** [4.15]*** [4.14]*** [3.96]*** [9.61]*** [9.60]*** [9.66]*** [9.74]*** 0.04 0.039 0.04 0.006 0.005 0.006 0.03 0.03 0.029 0.03 età (anni) [5.15]*** [4.97]*** [5.16]*** [0.36] [0.28] [0.34] [4.17]*** [4.18]*** [3.99]*** [4.24]***

0 0 0 0 0 0 0 0 0 0 età (anni al quadrato) [4.67]*** [4.37]*** [4.51]*** [0.43] [0.37] [0.43] [3.78]*** [3.78]*** [3.50]*** [3.72]*** 0.023 0.021 0.021 0.015 0.015 0.015 0.022 0.022 0.021 0.021 anzianità lavorativa [6.08]*** [5.80]*** [5.81]*** [1.47] [1.44] [1.44] [6.35]*** [6.34]*** [6.10]*** [6.12]***

0 0 0 0 0 0 0 0 0 0 anzianità lavorativa (quadrato) [3.66]*** [3.50]*** [3.53]*** [0.47] [0.48] [0.48] [3.71]*** [3.69]*** [3.55]*** [3.57]*** 0.038 0.028 0.026 0.033 0.026 0.025 0.037 0.038 0.027 0.025 anni di istruzione [8.72]*** [6.27]*** [6.02]*** [3.37]*** [2.50]** [2.36]** [9.38]*** [8.60]*** [6.11]*** [5.89]***

0.002 0.002 0.001 0.001 0.002 0.002 competenze matematiche ALL [6.02]*** [5.94]*** [1.70]* [1.50] [6.03]*** [5.98]*** 0.044 0.017 0.037 istruzione padre [1.58] [0.38] [1.60] 0.053 -0.003 0.049 istruzione madre [1.65]* [0.04] [1.71]* 0.116 0.134 0.273 0.301 Lombardia [3.52]*** [1.12] [1.54] [1.70]* -0.002 0.003 0.003 Lombardia×anni di istruzione [0.16] [0.32] [0.28] -0.001 -0.001 Lombardia×competenze matematiche

ALL [1.09] [1.22] Observations 1743 1743 1734 262 262 262 2005 2005 2005 1996 R² 0.26 0.28 0.29 0.2 0.22 0.22 0.24 0.24 0.26 0.27

Valore assoluto della statistica t in parentesi quadra - * significativo a 10%; ** significativo a 5%; *** significativo a 1% regressioni pesate con i pesi degli studenti

18

Determinanti delle retribuzioni lorde mensili (logs), correggendo per autoselezione nell’occupazione – Heckman - 2003 1 2 3 4 5 6 7 8 Italia (senza Lombardia) Lombardia

(log)

retribuzione probabilità

impiego (log)

retribuzione probabilità

impiego (log)

retribuzione probabilità

impiego (log)

retribuzione probabilità

impiego donna -0.157 -0.374 -0.161 -0.361 -0.193 -0.11 -0.177 -0.108 [5.69]*** [8.44]*** [6.08]*** [8.00]*** [3.89]*** [1.09] [3.53]*** [1.06] età (anni) 0.038 0.123 0.04 0.122 -0.011 0.124 -0.011 0.123 [4.53]*** [10.74]*** [4.70]*** [10.51]*** [0.72] [4.85]*** [0.67] [4.83]*** età (anni al quadrato) 0 -0.002 0 -0.002 0 -0.002 0 -0.002 [3.89]*** [11.15]*** [3.91]*** [10.90]*** [0.79] [6.03]*** [0.69] [6.00]*** anzianità lavorativa 0.018 0.016 0.014 0.014 [4.87]*** [4.48]*** [1.66]* [1.73]* anzianità lavorativa (quadrato) 0 0 0 0 [2.72]*** [2.52]** [0.75] [0.85] part-time -0.403 -0.397 -0.422 -0.447 [8.89]*** [8.61]*** [6.49]*** [6.83]*** anni di istruzione 0.034 0.035 0.022 0.027 0.032 0.002 0.023 -0.003 [7.17]*** [5.66]*** [4.83]*** [3.75]*** [4.24]*** [0.15] [2.78]*** [0.18] competenze matematiche ALL 0.002 0.001 0.001 0.001 [5.56]*** [2.21]** [2.19]** [0.72] istruzione padre 0.047 0.014 [1.62] [0.39] istruzione madre 0.049 0.008 [1.55] [0.16] presenza di figli 0.201 0.208 0.26 0.25 [3.62]*** [3.65]*** [1.93]* [1.88]* numerosità famiglia -0.081 -0.076 -0.053 -0.051 [3.86]*** [3.54]*** [1.17] [1.12] Observations 5490 5490 5481 5481 847 847 847 847 Log likelihood -3918.6 -3870.4 -643.15 -639.05

Valore assoluto della statistica t in parentesi quadra - * significativo a 10%; ** significativo a 5%; *** significativo a 1% regressioni pesate con i pesi degli studenti - selezione basata su numerosità famiglia e presenza di figli.

19

Tuttavia tali misure sono esposte al rischio di endogeneità, a causa della difficoltà di controllo per le caratteristiche non osservabili. L’istruzione formale può essere strumentata (per esempio con riforme nazionali o con variabilità territoriale), le competenze no (salvo shocks inattesi per l’individuo). Difficile quindi misurare il contributo relativo delle due variabili (quantità e qualità del capitale umano). Alcuni autori correggono per la dotazione delle risorse scolastiche disponibili (assumendo, ma non dimostrando che esista correlazione positiva tra livello delle competenze e numero di insegnanti, dimensione delle classi, livello della spesa).

20

21

In ogni caso la misura del capitale umano basata su anni di istruzione andrebbe corretta per tener conto della diversa qualità → un anno di istruzione al Sud varrebbe meno capitale umano “quality adjusted” di un anno di istruzione al Nord. Se il “quality adjusted” è basato sulle risorse disponibili (livello di spesa, qualità degli edifici), il Sud riceve meno risorse, e quindi potrebbe associare maggior (e non minor) capitale umano per anno di scuola. Se invece il “quality adjusted” è basato sulle competenze misurate, allora il Sud ha livelli molto più bassi di competenze tra gli studenti, e quindi potrebbe associare minor (e non maggior) capitale umano per anno di scuola. Appare quindi fondamentale capire cosa governi la formazione delle competenze, negli studenti e tra gli adulti.