Daniele Checchi – Università di Milano

1. Capitale umano ed economia dell’istruzione
Daniele Checchi – Università di Milano
Roma, 17 novembre 2010
1

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
2

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
3

4. 4

5. 5

6. 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
capitale
Scuole Totale capitale Totale capitale umano
Lauree Totale
Corsi di Diplomi dirette a laureati umano Lauree laureati umano complessivo
Anno Lauree specialistiche complessivo
laurea Universitari fini Vecchio vecchio specialistiche Nuovo nuovo (anni
a ciclo unico laureati
speciali Ordinamento ordinamento Ordinamento ordinamento 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
7

8. 180
170
160
150
140 Totale complessivo laureati
130
capitale umano complessivo (anni
120 istruzione terziaria)
110
100
90
80
2001 2002 2003 2004 2005 2006 2007 2008
8

9. COLLEGE ATTAINMENT proportion of population EUSILC 2007, ISSP 2007, IALS 1994
IALS ISSP
.5 .4 .3 .2 .1 0 .1 .2 .3 .4
.5
.5
.4
.4
BE BE
UK DE DE UK
.3
.3
SILC
SILC
SE IE IE FR SE
NL
NO FI FI . LV
AT NO
DK
.2
.2
HU
IT SK
PL PL
SI
CZ CZ SI
.1
.1
.1
CZ DE SI
IE
PL
.2
IALS
FI UK
CH
SE
.3
US
.4
BE
NO
.5
0 .1 .2 .3 .4
ISSP
9

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.
10

11. da Barro-Lee 2010 (nber 15902)
11

12. da Hanushek-Woessman 2010 (nber 16515)
12

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.
13

14. 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]
employment elected
VARIABLES abortions fertility marriages catholic
rates women
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
15

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
16

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]
Lombardia×competenze matematiche -0.001 -0.001
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
17

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) probabilità (log) probabilità (log) probabilità (log) probabilità
retribuzione impiego retribuzione impiego retribuzione impiego retribuzione 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.
18

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).
19

20. 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.
21