Foglalkoztatáspolitika és munkaerőpiac

Szakmai mélység

FO1 — Foglalkoztatási adatplatform

• Mechanizmus: A platform három adatfolyamot integrál valós időben: (1) a NAV-ból érkező foglalkoztatási bejelentések (anonymizált, járási aggregátum); (2) az NFSZ-ből az álláskereső-nyilvántartás és a betöltetlen álláshelyek; (3) az online álláshirdetési portálokról (Profession.hu, LinkedIn, Indeed) scrapelt kereslet-adatok NLP-elemzéssel. A platform gépi tanulási modellel 6-12 hónapos foglalkoztatási előrejelzést ad járási szinten, skill-kategóriánként. Az előrejelzést az átképzési programok (FO3) tervezéséhez használjuk.
• Számszerű cél: 2028-ra a 174 járás mindegyikére havi frissítésű munkaerőpiaci dashboard; az előrejelzési pontosság >75% (6 hónapos horizonton); a képzési kínálat és a munkaerőpiaci kereslet közötti mismatch 30%-os csökkentése.
• Nemzetközi precedens: Szingapúr — a SkillsFuture rendszer a munkaerőpiaci keresleti adatokat közvetlenül összeköti a képzési kínálattal, és a munkavállalóknak egyéni „skills credit"-et ad, amit csak a keresett szakterületi képzésekre válthatnak be. Az eredmény: a képzési részvétel megduplázódott 5 év alatt, a relevancia javult.
• Trade-off / kockázat: Az online álláshirdetési adatok torzítottak: a magasan képzett, formális szektorbeli állásokat felülreprezentálják, míg a vidéki, informális és fizikai munkákat alulreprezentálják. A modell emiatt a hátrányos helyzetű járásokra pontatlanabb előrejelzést ad — kompenzáló adatforrások (NFSZ helyi irodák manuális adatgyűjtése) szükségesek.

FO2 — Közmunka-rendszer adatalapú átalakítása

• Mechanizmus: A közmunka-rendszer (~80-100.000 fő) fokozatos átalakítása három lépcsőben: (1) Hatásvizsgálat: járási szinten mérjük, hogy a közmunkások hány százaléka lépett ki az elsődleges munkaerőpiacra 1 és 3 éven belül (jelenlegi becslés: <10%). (2) A „produktív közmunka" arányának növelése: a közmunkát az önkormányzati szolgáltatások és a helyi szövetkezetek számára végzett valódi munkává alakítjuk (pl. önkormányzati épületek felújítása, erdőgazdálkodás, szociális szolgáltatás). (3) Kilépési ösztönzők: 6 hónapos „átmeneti bérpótlék" (a közmunkabér és a piaci minimálbér közötti különbség 50%-a) a magánszektorba kilépők számára.
• Számszerű cél: A közmunkások elsődleges munkaerőpiacra való kilépési aránya <10%-ról 25%-ra nő 2030-ra; a közmunkások száma 80.000-ről 40.000-re csökken, a fennmaradó program produktív tevékenységekre fókuszál.
• Nemzetközi precedens: India — a MGNREGA (Mahatma Gandhi National Rural Employment Guarantee Act) a világ legnagyobb közmunka-programja (~50 millió háztartás). Az értékelések vegyes képet mutatnak: a szegénységcsökkentő hatás mérhető, de a munkaerőpiaci integrációs hatás gyenge. A tanulság: a közmunka szociális védőhálóként működhet, de foglalkoztatáspolitikai eszközként nem hatékony — a két funkciót explicit szét kell választani.
• Trade-off / kockázat: A közmunka-rendszer lebontása az érintett települések számára rövid távon jövedelemvesztést jelent, különösen ott, ahol az önkormányzat a legnagyobb „munkáltató". A gyors leépítés szociális válságot okozhat — a fokozatosság és a piaci alternatíva egyidejű építése kritikus. Politikailag a közmunka a helyi polgármesterek hatalmi bázisa, az átalakítás ellenállásba ütközik.

FO3 — Célzott átképzési program

• Mechanizmus: Regionálisan differenciált átképzési program, ahol a képzési tartalmat a foglalkoztatási adatplatform (FO1) kereslet-előrejelzése határozza meg. A képzés moduláris: 3-6 hónapos intenzív szakmai modulok + 1-2 hónapos munkahelyi gyakorlat. A képzés alatt megélhetési támogatás (a minimálbér 80%-a). A képzőintézményeket eredményalapú finanszírozás ösztönzi: a díj 50%-át a képzés befejezésekor, 50%-át 6 hónappal a képzés után kapják, ha a résztvevő dolgozik. Kiemelt szakterületek: egészségügy (ápolók, asszisztensek), IT (alapszintű programozás, rendszerüzemeltetés), építőipar (energetikai korszerűsítés), szociális gondozás.
• Számszerű cél: Évi 20.000 átképzett munkavállaló; a képzést befejezők 60%-a 6 hónapon belül foglalkoztatott; a képzési tartalom és a helyi kereslet közötti mismatch éves csökkentése 10%-kal.
• Nemzetközi precedens: Dánia — a „flexicurity" modell lényege, hogy a könnyű elbocsátás magas munkanélküli-ellátással és intenzív átképzéssel párosul. Az aktív munkaerőpiaci kiadások a GDP ~2%-a (EU-átlag: ~0,5%). Eredmény: az egyik legalacsonyabb hosszú távú munkanélküliség az EU-ban, de a rendszer rendkívül drága.
• Trade-off / kockázat: Az eredményalapú finanszírozás ösztönzi a „lefölözést" (creaming): a képzőintézetek a legkönnyebben elhelyezhető résztvevőket választják ki a jobb mutatók érdekében, a leghátrányosabb helyzetűeket pedig kiszűrik. A megoldás: differenciált díjazás, ahol a hátrányos helyzetű résztvevő után magasabb díj jár.

FO4 — Munkaerőpiaci diszkrimináció mérése

• Mechanizmus: Éves párosított audit-kutatások (correspondence testing) három területen: (1) álláspályázatok (roma/nem-roma nevű, idős/fiatal, férfi/nő fiktív önéletrajzok beküldése azonos képzettséggel); (2) lakásbérlés (hasonló módszerrel); (3) hitelkérelem (banki mystery shopping). A kutatást független akadémiai intézet végzi (MTA TK / CEU), az eredményeket éves „Diszkriminációs Jelentés"-ben publikálják. A jelentés nem szankcionál, hanem mérhető bázisértéket teremt.
• Számszerű cél: 2028-ra éves diszkriminációs audit lefedi a 10 legnagyobb várost; a roma-származású álláspályázók „callback gap"-je (a behívási arány különbsége) mérhető és nyilvános; a gap 5 éves csökkentési cél: −20%.
• Nemzetközi precedens: Svédország — 2006-tól rendszeres correspondence testing vizsgálatokat végeznek, amelyek kimutatták, hogy arab nevű pályázók ~50%-kal alacsonyabb behívási rátát kapnak. Az eredmények nyilvánosságra hozása társadalmi vitát indított és a „névtelen pályázat" (anonymous application) kísérleti bevezetéséhez vezetett — vegyes eredménnyel.
• Trade-off / kockázat: A diszkriminációs audit közzététele politikailag érzékeny, különösen az etnikai dimenzióban. A „névtelen pályázat" megoldásként intuitív, de a svéd tapasztalat szerint a kiválasztási folyamat későbbi fázisaiban (interjú) a diszkrimináció újra megjelenik — a strukturális probléma nem oldható meg egyetlen technikai eszközzel.

FO5 — Szociális gazdaság és szövetkezetek

• Mechanizmus: Három pillér: (1) Jogi keret: a szociális vállalkozás jogállásának törvényi rendezése (jelenleg nincs önálló jogi forma Magyarországon) — meghatározott társadalmi cél, korlátozott profitelosztás, demokratikus irányítás. (2) Pénzügyi támogatás: dedikált szociális vállalkozási alap (évi 5 Mrd Ft), amely kedvezményes hitelt és garanciadíj-támogatást nyújt. (3) Piacteremtés: a közbeszerzési törvény módosítása — fenntartott közbeszerzési eljárások szociális vállalkozások számára (az EU közbeszerzési irányelv lehetővé teszi).
• Számszerű cél: 2032-re 500 bejegyzett szociális vállalkozás (jelenlegi: informálisan ~50-100); a szociális gazdaságban foglalkoztatottak száma 5.000 fő; a fenntartott közbeszerzések aránya 3%.
• Nemzetközi precedens: Olaszország — az 1991-es 381. törvény (cooperativa sociale) a szociális szövetkezetek két típusát hozta létre: A-típus (szociális szolgáltatások nyújtása) és B-típus (hátrányos helyzetűek foglalkoztatása). Olaszországban ma ~15.000 szociális szövetkezet működik, ~400.000 foglalkoztatottal. A siker kulcsa: a szociális szövetkezet önálló, egyértelmű jogi státuszt kapott, nem a hagyományos szövetkezeti jog alá sorolták.
• Trade-off / kockázat: A szociális vállalkozások hajlamosak az állami támogatástól való függőségre: ha a piaci bevétel nem elegendő, a vállalkozás tartósan szubvenció-igényes marad. Az olasz modellben is a B-típusú szövetkezetek ~30%-a küzd a fenntarthatósággal. A megoldás: degresszív támogatás (évente csökkenő szubvenció) és piaci bevétel-arány minimum (a 3. évtől a bevétel ≥50%-a piaci forrásból).

FO6 — Demográfiai válaszstratégia

• Mechanizmus: Az EU munkaképes korú népessége (20-64 év) a csúcsról (272M, 2009) 258M-re csökken 2030-ra — Magyarországon hasonló tendencia, a foglalkoztatási ráta további növelése korlátozott. Négy pillér: (1) Irányított munkaerő-migráció: hiányszakmák listája (IT, egészségügy, építőipar) és célzott vízumprogram a munkavállalók számára — évi 20 000+ munkavállaló bevonzása. (2) Női munkaerőpiaci részvétel növelése: bölcsődei férőhelyek 30%-os bővítése, rugalmas munkaidő ösztönzése, a gyermekgondozási szabadság utáni visszatérés támogatása (6 hónapos „reintegrációs mentoring"). (3) Aktív idősödés: az egészségben eltöltött évek növelése, a munkavégzés rugalmasítása 60+ korban (részmunkaidő, mentor-szerepek), a nyugdíjkorhatár rugalmasítása (nem emelés, hanem ösztönzés). (4) Bölcsődei-óvodai kapacitásbővítés: a 0-3 éves korosztály intézményes ellátási aránya 17%-ról 33%-ra emelkedik (EU Barcelona-cél).
• Számszerű cél: A női foglalkoztatási ráta (25-54 év) 78%-ról 85%-ra nő 2032-re; az irányított munkaerő-migrációval évi 20 000+ hiányszakma-munkavállaló érkezik; a 60-64 éves korosztály foglalkoztatási rátája 40%-ról 55%-ra nő; a bölcsődei férőhelyek száma 50 000-ről 70 000-re emelkedik.
• Nemzetközi precedens: Kanada Express Entry rendszere: pontalapú munkavállalói migrációs program, amely a gazdasági szükségletekhez igazítja a bevándorlást — évi 300 000+ gazdasági bevándorló, akiknek 90%-a 6 hónapon belül foglalkoztatott. Svédország: a gyermekgondozási rendszer (förskola) univerzális, a női foglalkoztatási ráta 80%+ — a bölcsődei kapacitás és a munkaerőpiaci részvétel összefüggése empirikusan igazolt. Japán: az „Abenomics" harmadik pillére a „womenomics" volt — a női foglalkoztatási ráta 60%-ról 72%-ra nőtt 2013-2023 között.
• Trade-off / kockázat: A munkaerő-migráció politikailag érzékeny, különösen Magyarországon. Az adatvezérelt megközelítés segít: nem ideológiai vita, hanem munkaerőpiaci adat alapján — hol van hiány, onnan vonzzuk be a munkaerőt. A női munkaerőpiaci részvétel növelése csak akkor sikeres, ha a háztartási terhek (gyermekgondozás, idősgondozás) is újraelosztódnak — ez kulturális változást is igényel, amit a politika csak ösztönözni tud, nem kikényszeríteni. 📖 Forrás: EC: 2025 Euro Area Report (IP304)

FO7 — Anticiklikus foglalkoztatási alap

• Mechanizmus: Keynes: az effektív kereslet hiánya okozza a munkanélküliséget. Anticiklikus foglalkoztatási alap: a GDP-arányos foglalkoztatási kiadás automatikusan emelkedik recesszióban (zöld beruházások, infrastruktúra, közösségi fejlesztések) és csökken fellendülésben. A multiplikátor-hatás maximalizálása: a kiadások a legmagasabb fogyasztási hajlandóságú rétegekhez jussanak.
• Számszerű cél: Az alap mérete GDP 0,5-1%; recesszióban 6 hónapon belül aktiválódik; a multiplikátor-hatás mérése és nyilvános publikálása; 50.000+ átmeneti munkahely recessziós időszakban. 📖 Forrás: Keynes: The General Theory (10., 24. fejezet)

FO8 — Humántőke-befektetési keret (szakképzési garancia)

• Mechanizmus: Smith: „a munkás ügyessége éppúgy tőke, mint egy gép" — az ember képzésére fordított kiadás befektetés. Lee Kuan Yew: Szingapúr sikerének kulcsa a célzott munkaerő-képzés. Minden 18-55 éves magyar állampolgár számára garantált évi 1 átképzési lehetőség (40-120 órás modulok). Eredményalapú finanszírozás: a képző csak akkor kap teljes díjat, ha a résztvevő 6 hónapon belül munkába áll.
• Számszerű cél: Évi 100.000+ átképzési részvétel; a 6 hónapos elhelyezkedési arány 70%+; a képzési kiadások ROI-ja nyilvánosan mért. 📖 Forrás: Smith: A nemzetek gazdagsága (II/1); Lee Kuan Yew: From Third World to First

FO9 — Produktivitási mozgalom — munkahelyi innovációs ösztönzők

• Mechanizmus: Lee Kuan Yew: a japán mintájú produktivitási mozgalom és minőségi körök (QCC) növelték a termelékenységet Szingapúrban. Nemzeti Produktivitási Program: munkahelyi innovációs javaslattételi rendszer KKV-k számára, állami díjjal és adókedvezménnyel a bevezetett fejlesztésekért. Évi 5.000 vállalkozás bevonása.
• Számszerű cél: 5.000 bevont vállalkozás évente; évi 10.000+ bevezetett fejlesztési javaslat; a résztvevő KKV-k termelékenysége mérhetően 5%+ emelkedik. 📖 Forrás: Lee Kuan Yew: From Third World to First; Smith: A nemzetek gazdagsága (I/1)

FO10 — Béralku-modernizáció — háromoldalú béregyeztető fórum

• Mechanizmus: Lee Kuan Yew: Szingapúr 1972-ben hozta létre a National Wages Council-t — évente bérirányelveket ad ki a termelékenységi adatokhoz kötve. Smith: „a munkás bére az ország gazdagodásával nő." Nemzeti Bérvizsgáló Fórum: éves bérirányelvek a termelékenységi és megélhetési adatok alapján, szektoronként differenciált ajánlásokkal.
• Számszerű cél: Éves bérirányelv publikálása; a reálbér-termelékenység rés 2 százalékpont alá szűkül; a munkaügyi viták száma 15%-kal csökken. 📖 Forrás: Lee Kuan Yew: From Third World to First; Smith: A nemzetek gazdagsága (I/8)

FO11 — Önfenntartási ösztönzők — jóléti függőség megelőzése

• Mechanizmus: Lee Kuan Yew: „amikor a kormányzat átvette a családfő alapvető kötelezettségeit, az emberek motivációja meggyengült." A szociális ellátórendszerbe beépített „kilépési ösztönzők": degresszív támogatás (fokozatos csökkentés a jövedelem növekedésével, nem ugrásszerű elvesztés), munkavállalási bónusz az első 12 hónapban, és egyéni megtakarítási ösztönzés.
• Számszerű cél: A szociális ellátásból munkába állók aránya 20%-kal nő; a degresszív támogatás 100%-ban kiváltja az ugrásszerű elvesztést; a munkavállalási bónusz évi 20.000+ embert ér el. 📖 Forrás: Lee Kuan Yew: From Third World to First; Keynes: The General Theory (24. fejezet)

FO12 — AI munkaerőpiaci hatáselemzés és felkészülési program

• Mechanizmus: Az OECD 2026-os Economic Outlook kimutatta: az AI-beruházások már mérhető termelékenységi hatást generálnak, de ez egyben munkahelyek átalakulását is jelenti. Program: (1) Félévenkénti „AI Munkaerőpiaci Hatásjelentés": szektoronkénti és foglalkozásonkénti elemzés — mely munkakörök automatizálhatók, melyek alakulnak át, melyek keletkeznek? (2) A FO1 (Foglalkoztatási adatplatform) bővítése AI-hatás indikátorokkal. (3) Célzott „AI-átképzési program": a leginkább érintett munkakörökben (adatrögzítés, könyvelés, ügyfélszolgálat, gyártási ellenőrzés) proaktív átképzés az AI-vel kiegészített munkavégzésre. (4) AI-készségfejlesztési hitel: munkáltatóknak, akik AI-oktatást biztosítanak dolgozóiknak.
• Számszerű cél: Félévenkénti AI Hatásjelentés 2027-től; évi 10 000+ AI-átképzés; az AI által leginkább fenyegetett munkakörökben dolgozók 50%-a 3 éven belül átképzett; az AI-készségfejlesztési hitelt évi 1 000+ vállalkozás veszi igénybe.
• Trade-off / kockázat: Az AI munkaerőpiaci hatásának előrejelzése bizonytalan — a prognózisok gyakran túl- vagy alulbecsülnek. A rugalmasság a kulcs: a program adaptív, nem determinisztikus. Az „AI elveszi a munkádat" narratíva felesleges pánikot okozhat — a kommunikáció az átalakulásra, nem a megszűnésre kell fókuszáljon. 📖 Forrás: OECD: Economic Outlook, Interim Report — Testing Resilience (2026. március)

FO13 — Kereskedelmi átrendeződés munkaerőpiaci programja

• Mechanizmus: Az IMF WEO 2025 dokumentálta: a vámháborúk és a kereskedelmi átrendeződés „egy évszázada nem látott szintre" emelték a vámokat — a hatás nem egyenletes, egyes szektorok és régiók aránytalanul érintettek. Az iparpolitika visszatérése új foglalkoztatási mintákat hoz: a helyi ellátási láncok építése munkahelyeket teremt, de a korábban exportra termelő szektorok munkavállalói kiszorulhatnak. Magyar program: (1) „Kereskedelmi Átrendeződés Hatásjelentés" — éves elemzés: mely magyar szektorokat érinti leginkább a globális kereskedelem átrendeződése (autóipar, elektronika, mezőgazdaság)? (2) Célzott átképzés: az érintett szektorok munkavállalóinak FO3-típusú program, de a kereskedelmi átrendeződés specifikus kompetenciaigényeire szabva. (3) Regionális mobilitás támogatása: költözési hozzájárulás, távmunka-ösztönzés, hogy a munkavállalók ne ragadjanak meg a szektorálisan hanyatló régiókban.
• Számszerű cél: Éves Kereskedelmi Átrendeződés Hatásjelentés 2027-től; az érintett szektorok munkavállalóinak 40%-a átképzett 3 éven belül; regionális mobilitási támogatást évi 5 000+ munkavállaló vesz igénybe.
• Trade-off / kockázat: A kereskedelmi átrendeződés iránya bizonytalan — a geopolitika gyorsan változik. A program nem válhat protekcionista iparpolitikává; az adatvezérelt célzás a kulcs. 📖 Forrás: IMF: World Economic Outlook 2025 — Global Economy in Flux, Prospects Remain Dim (3. fejezet, Box 1.1)