2

REJTETT LAKOSSÁGI JÖVEDELMEK KISTÉRSÉGI SZINTŰ BECSLÉSE

2013/2

Rejtett lakossági jövedelmek kistérségi szintű becslése

Budapest, 2013. április

2 / 36

Az MKIK Gazdaság- és Vállalkozáskutató Intézet olyan non-profit kutatóműhely, amely elsősorban alkalmazott közgazdasági kutatásokat folytat. Célja, hogy elméletileg és empirikusan megalapozott ismereteket és elemzéseket nyújtson a magyar gazdaság és a magyar vállalkozások helyzetét és kilátásait befolyásoló gazdasági és társadalmi folyamatokról.

MKIK GVI –

Institute for Economic and Enterprise Research Hungarian Chamber of Commerce and Industry

Az elemzést készítette: Bublik Bence (ELTE TTK) Tóth István János (MKIK GVI)

Kutatásvezető: Tóth István János, Ph.D. (tudományos főmunkatárs, MTA KTI, ügyvezető igazgató, MKIK GVI) e-mail: [email protected] Internet: http://www.wargo.hu/tij/index.html

Kézirat lezárva: 2013. április 15. MKIK Gazdaság- és Vállalkozáskutató Intézet Cím: 1034 Budapest, Bécsi út 120. Tel: 235-0584 Fax: 235-0713 e-mail: [email protected] internet: http://www.gvi.hu

3 / 36

Tartalom Ábra- és táblajegyzék ................................................................................................. 5 Bevezetés ................................................................................................................... 6 1. A módszer kiinduló feltételei és leírása ................................................................ 7 2. A modell felépítése............................................................................................. 10 3. Az eredmények bemutatása .............................................................................. 17 4. Következtetések ................................................................................................. 25 Melléklet ................................................................................................................... 26

4 / 36

Ábra- és táblajegyzék 1. ábra: Az egy főre jutó iparűzési adó (ezer Ft) és az egy főre jutó hivatalos jövedelem összege (ezer Ft) közti összefüggés grafikus megjelenítése, 2010* ....... 13 2. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi értékei (ezer Ft), 2010* ................................................................................................................................. 17 3. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi rezidumai (ezer Ft), 2010* ........................................................................................................................ 18 4. ábra: Az egy főre jutó be nem jelentett lakossági jövedelmek aránya az összes jövedelemből (%), 2010*........................................................................................... 19

1. táblázat: A vizsgálat kistérségi szintű eredményei................................................ 20 2. táblázat: A vizsgálat megyei és regionális szintű eredményei .............................. 24

5 / 36

Bevezetés

A rejtett gazdasággal, és az ebből származó jövedelmek becslésével foglalkozó tanulmányok száma könyvtárnyi. Nincs konszenzus sem hazai, sem nemzetközi irodalomban arról, hogy mi tartozik a hivatalos, és mi a nem-hivatalos gazdaságba. A legegyszerűbb, gyakran használ megfogalmazás Tanzi (1980) és Feige (1979) nyomán: „...üzleti alapon nyugvó áru- és szolgáltatás-termelés, amely akár legális, akár illegális, kimarad a hivatalos GDP számításból”1. Jelen tanulmány a továbbiakban ezt a meghatározást veszi alapul.

A témát illetően a legfőbb probléma azonban az, hogy nem áll rendelkezésre megfelelő mennyiségű és minőségű adat a rejtett gazdaság mértékéről. Emiatt a legtöbb kutató saját becslési eljárást dolgoz ki, így próbálva legalább megközelíteni a valós képet. Az így készült kutatások döntő része makroszinten értelmezi a rejtett gazdaságot, annak országos vagy regionális nagyságát becsüli. Magyarországra vonatkozó becslések az 1990-es évek második felétől a rejtett gazdaság GDP-hez viszonyított nagyságának csökkenését mutatják, 34-30%-os értékről 17-18%-ra2.

Az alábbi elemzés célja az, hogy becslést adjon a be nem jelentett jövedelmek területi – kistérségi – arányaira és területi különbségeire. Kiindulásképpen azt feltételezzük, hogy országos szinten a rejtett (be nem jelentett) lakossági jövedelmek az összes (bejelentett és be nem jelentett) jövedelmek 17-18%-át teszik ki. Ezt, valamit

azt

feltételezve,

hogy

a

rejtett

gazdaságból

szerzett

jövedelmek

összefüggenek a teljes gazdasági teljesítménnyel, és ez az összefüggés invariáns a gazdasági teljesítmény nagyságára, lehetőséget ad egy országos átlagot kijelölve, kistérségi szintű becslések megalkotására. 1

Lásd Smith, Philip (1994), “Assessing the Size of the Underground Economy: The Canadian Statistical Perspectives,” Canadian Economic Observer, Catalogue No. 11–010, 3.16–33, at 3.18. A rejtett gazdasággal foglalkozó első kutatások eredményeit pedig : Feige, L. (1979) “How Big is the Irregular Economy?”, Challenge, 22, pp. 5-13.; és Tanzi, V. (1980) “The Underground Economy in the United States: Estimates and Implications”, Banco Nazionnale del Lavoro Quarterly Review, 135, pp. 427-453. 2 Lásd Elek Péter – Scharle Ágota – Szabó Bálint – Szabó Péter András (2009): A feketefoglalkoztatás mértéke Magyarországon. In: Semjén András - Tóth István János (szerk.): Rejtett gazdaság. Be nem jelentett foglalkoztatás és jövedelemeltitkolás – kormányzati lépések és a gazdasági szereplők válaszai. KTI Könyvek- 11. MTA KTI, Budapest, 84-102 oldal. http://econ.core.hu/file/download/ktik11/ktik11_08_feketefoglalkoztatas.pdf

6 / 36

1. A módszer kiinduló feltételei és leírása

A hivatalos lakossági jövedelmekről rendelkezésre áll települési szintű statisztika, ez azonban nem tartalmazza a rejtett gazdaságból származó összegeket. A tanulmány célja megvizsgálni, hogy a be nem jelentett jövedelmek területileg mennyire differenciáltak,

ebből pedig

következtetni

lehet

a

rejtett

gazdaság

területi

különbségeire. Mivel a meghatározó gazdasági és társadalmi folyamatok nem feltétlenül adott települések határain belül zajlanak, érdemesnek tartottuk a kistérségi szinten való vizsgálódást. E területi szint jobban lefedi a hasonló gazdasági és társadalmi folyamatokkal rendelkező területeket. A kistérségi lakossági jövedelem becslésére egy 2003-as tanulmány3 szolgált mintaként. Ebben a szerzők jövedelem alatt a személyijövedelemadó-bevallásokban szereplő összes adóköteles jövedelmet értették, ennek egy főre jutó kistérségi értékei szolgáltak számításaik kiindulópontjának. Jelen becslés egyrészt a NAV 2010-es évi „összevont adóalap” összegére vonatkozó, illetve az állami transzferekre vonatkozó becsült adatokból indul ki. Mint már említettük, kiindulásként elfogadtuk azt a feltételezést, hogy Magyarországon a hivatalos GDP 17-18%-át teszi ki a rejtett gazdaság. Mivel rendkívül erős korreláció van az egy főre jutó GDP és a lakossági jövedelem területi értékei között, ezért azt feltételezzük, hogy átlagosan a lakossági tényleges jövedelem 18%-a lehet a be nem jelentett jövedelem. Ennek értéke azonban kistérségenként jelentősen eltérhet. Épp ezért van szükség a rejtett gazdaságot is számba venni a lakossági jövedelmek meghatározásánál. A már említett tanulmányban mindezt a jövedelemszinttel kapcsolatba hozható naturális adatok alapján regressziós becsléssel határozták meg.

A kistérségi fogyasztási adatok alapján becsülhető a tényleges jövedelmi szint. Jelen becslésünkben ide a következő mutatók tartoznak:

3

Jakobi Ákos – Kiss János Péter (2003): A lakossági jövedelmek kistérségi becslése. Regionális Tudományi Tanulmányok 8. (2003) pp. 55-86

7 / 36

-

Egy főre jutó háztartási villamosenergia-felhasználás: klasszikus fogyasztási

mutató, ám a magasabb jövedelem nem feltétlen jár a magasabb fogyasztással (tudatosság, energiatakarékos eszközök használata), ennek ellenére jól árnyalja a képet4.

-

Személygépkocsi-ellátottság:

szintén

klasszikus

fogyasztási

mutatónak

mondható, megvásárlásához azonban általában több évi jövedelemre is szükség van, az autó megléte alacsonyabb jövedelem mellett sem kiváltság, így inkább az alacsonyabb jövedelemi szintű térségek eltitkolt bevételeire mutat rá jól.

-

Járművek átlagéletkora: a gépjárművek egy minőségi mutatója, mely tükrözi

annak értékét, így a magasabb jövedelmekkel áll szorosabb összefüggésben.

-

Kábeltelevízió hálózatba bekapcsolt lakások aránya: olyan közüzemi jellegű

mutató, mely nem létfenntartási szolgáltatás, hanem a lakások komfortjának egy mérőszáma, kiépítését megelőzően felmérték a fizetőképes keresletet.

A jövedelemmel szintén szoros kapcsolatban állnak a társadalmi-gazdasági adatok, melyek segítségével pontosítható a becslés. Ezek a következők:

-

1000 lakosra jutó adózók száma: a nagyobb adózói arány magasabb

gazdasági aktivitásra utal, ami pedig magasabb jövedelemszintet eredményez.

-

Egy adózóra jutó személyi jövedelemadó: a befizetett SZJA összefügg a

jövedelemszinttel, ám a bevallási hajlandósággal is, így inkább a magasabb jövedelmű kistérségek közti különbségek árnyalására alkalmas

-

Munkanélküliségi ráta: a legáltalánosabb jövedelemforrása utaló mutató.

-

Egy főre jutó iparűzési adó: a helyi vállalkozások által megtermelt

jövedelemmel való kapcsolata révén függ össze a lakossági jövedelmekkel, ráadásul 4

A villamosenergia fogyasztásra alapozódó becslések elterjedtek a rejtett gazdaság becslésében. Magyarul lásd például Lackó Mária: (1995): Rejtett gazdaság nemzetközi összehasonlításban. Becslési módszer a háztartási villamosenergia-fogyasztás alapján. Közgazdasági Szemle, XLII. évf., 1995. 5. sz. (486-510. o.).

8 / 36

a kiemelkedően magas jövedelmi szintű térségek általa jól kirajzolhatók, a társasági nyereségadóval szemben ez telephelyhez kötött.

-

Közgyógyellátási igazolványban részesítettek összes száma 10 000 állandó

lakosra vetítve: mivel rászorultság alapján osztják, az alacsony jövedelmű népesség arányát jól tükrözi.

-

Társas vállalkozások gyakorisága: jövedelemszerzési lehetőség mutatójaként

is felfogható, inkább a magasabb jövedelmű kistérségeket rajzolja ki.

-

Egyéni vállalkozások gyakorisága: szintén lényeges jövedelemszerzési

lehetőségként értelmezhető, ám számos más tényező is befolyásolhatja a mutatót (kényszervállalkozók), inkább az alacsonyabb jövedelmi szint mutatója.

9 / 36

2. A modell felépítése Az általunk alkalmazott modellben – ahogy a valóságban is – a bejelentett (hivatalos) jövedelmek határozzák meg leginkább a valódi jövedelmi szintet. Kiindulópontként azt feltételezzük, hogy 18%-ra tehető a be nem jelentett jövedelmek aránya az összes jövedelemből5. Azaz:

Ténylegese összes jövedelem = Hivatalos jövedelmek (82%) + Rejtett jövedelmek (18%)

A

hivatalos

jövedelmek

is

több

forrásból

származnak.

Ezek

közül

a

legszámottevőbbek az adóalapot növelő jövedelmek. A 2010-es évre rendelkezésre állnak a NAV települési szintű összevont adóalap összegének adatai, ebbe beletartoznak többek között a főállásból, egyéni és társas vállalkozásból, mezőgazdasági kis- és őstermelésből és az egyéb jogcímen kapott jövedelmek.

A 2010-es évre a hatályos jogszabályok alapján az összevont adóalapba nem tartozott bele a gyermekgondozási segély, a nyugdíj összege, gyermeknevelési támogatás, ápolási díj, baleseti járadék, jövedelempótló kártérítés, anyasági támogatás, lakhatási támogatás bizonyos formái, stb. Sajnos ez utóbbiak közül nem mindegyikre áll rendelkezésre kistérségi, vagy település szintű adat. A GYES és a GYET esetében van kistérségi bontású adat, ráadásul ezek összege jogszabályban rögzített. Azonban kétség kívül a legnagyobb mértékű, adóalapot nem befolyásoló transzfer a nyugdíjak, járadékok és nyugdíjszerű ellátások összege, hiszen ez közel három millió embert érint. Az ellátásban részesülők számáról és az összegéről megyei szintű adatok találhatók a KSH oldalán. A nyugdíjak már említett fontossága miatt a megyei adatok kistérségi szintre való dezaggregálására volt szükség. Itt a kivetkező módszer szerint jártunk el.

A kistérségekre rendelkezésre áll a 60-x éves lakosság száma, ennek az adott kistérség megyei értékhez viszonyított aránya alapján becsültük a kistérségben a nyugdíjasok száma, tehát:

5

Azaz feltételezzük, hogy a tényleges jövedelem két komponensből áll: a rejtett jövedelmekből (18%) a hivatalosan mért jövedelmekből (82%).

10 / 36

௞ ௠ 60 ௞ / 60 ௠

(1)

ahol k kistérség m megyében található, és NY a nyugdíjasok számát, 60f pedig a 60 év felettiek számát jelenti. A 60 év felettiek számára azért esett a választás, mivel a nyugdíjban, járadékban és nyugdíjszerű ellátásban részesülők háromnegyede 60 év feletti, a megyei értékek esetében a korreláció értéke 0,65.

Mindezek után pedig az adott megyéhez tartozó átlagnyugdíjakkal felszorzandó a kistérségi nyugdíjasok száma, így megkapva a kistérségben egy hónapban az összes nyugdíj értékét, 12-vel még felszorozva pedig az éves értéket. A módszer gyengesége, hogy elsimítja a megyén belüli egyenlőtlenségeket, de mégis a valósághoz közelítő képet nyújt a kistérségi szintű nyugdíjakról.

Az utolsó rendelkezésre álló transzfer jellegű juttatás az ápolási díj. A modellben tehát:

Hivatalos jövedelem = összevont adóalap összege + GYES összege + GYET összege + nyugdíjak, járadékok és nyugdíjszerű ellátások összege + ápolási díj összege

Az egész évi összegek kerültek összeadásra, így pedig a valósághoz közeli hivatalos kistérségi jövedelmi adatokat sikerült előállítani.

Az első pontban felsorolt mutatók természetesen nem csupán a jövedelemtől függnek, de azzal való kapcsolatuk meghatározó, így a sokféle indirekt jövedelmi mutatóként megbízhatóbb becslés készíthető.

A modell többlépcsős számítási folyamat szerint épül fel. Első lépés a korábban ismertetett mutatókból lineáris regressziós becsléssel előállított jövedelmi értékek – az egy főre jutó becsült hivatalos jövedelem kiszámítása. Mind a tizenegy mutatóhoz tartozó regressziós egyenlet a mellékletben megtalálható, elméleti alapja az alábbi egyszerű képlettel felírható:

(2)

11 / 36

ahol Y az egy főre jutó becsült hivatalos jövedelem, α konsans, X a magyarázó változó, ε a hibatag. Példaként az első ábrán az egy főre jutó iparűzési adó és az egy főre jutó hivatalos jövedelem közti összefüggés, illetve az ebből előállított lineáris regressziós egyenlet jellemzői szerepelnek. A választott példa esetében a Bodrogközi kistérségben legalacsonyabb mind az egy lakosra jutó iparűzési adó és az egy főre jutó hivatalos jövedelem összege is, a Budaörsi kistérségben pedig a legmagasabb az iparűzési adó fajlagos értéke, Budapesten pedig a hivatalos jövedelemé. Az R2 értéke jelen példánál 0,54, ami egyébként viszonylag erős kapcsolatot jelent a két mutató között. Az ábrára tekintve mindez látszik is. Érdemes megjegyezni, hogy a determinációs együttható értékét jelentősen rontja 5-6 kistérség, ahol az egy főre jutó iparűzési adó két-háromszorosa az országos átlagnak (44,3 ezer Ft).

12 / 36

1. ábra: Az egy főre jutó iparűzési adó (ezer Ft) és az egy főre jutó hivatalos jövedelem összege (ezer Ft) közti összefüggés grafikus megjelenítése, 2010*

Adatok forrása: TeIR és NAV, 2012, és saját számítás, Erőforrástérkép *Az olvasó az ábra címére kattintva a grafikon nagyobb felbontásban láthatja az Erőforrástérkép oldalán, amennyiben ott korábban regisztrált, és be van jelentkezve az Erőforrástérkép rendszerébe.

Az így kapott tizenegyféle regressziós egyenlet segítségével tehát az összes kistérségre megbecsülhető a tizenegyféle egy főre jutó hivatalos jövedelem összege: Ŷ௜௝ ௜ ௜ ௜௝

(3)

ahol Ŷ az adott mutatóból becsült hivatalos jövedelmet, i az adott mutatót, j pedig a megfelelő kistérséget jelöli.

Az így kapott eredmények külön-külön akkor lennének reálisak, amennyiben teljes mértékben az alapmutató határozná meg a tényleges jövedelmi szintet, de mint ahogy az előbbi példán is látható, az R2 értéke 0,54, és hasonló az összes mutató

13 / 36

esetében is. Ám ezek összességében a jövedelem kellően sok elemét határozzák meg, véleményünk szerint ezek összesítésével a valósághoz közeli jövedelemi adatok kaphatók. A modell következő lépésében az összesítés a mértani átlagok kiszámításával történik: ௝ ∏ଵଵ ௜ୀଵ Ŷ௜௝ భభ

(4)

ahol i az adott mutatót j a megfelelő kistérséget, B pedig az egy főre jutó becsült jövedelmet, Ŷ az adott mutatóból becsült hivatalos jövedelmet jelöli.

Ez az eljárás csökkenti az esetleges torzítás mértékét, ami egy-egy helyi sajátosságból

fakadó

extrém

magas

mutatóból

származna

(például

a

személygépkocsi ellátottság kiugró értéke). Mivel Budapest már nem rendelkezik kiugró értékkel a felsoroltak közül egyetlen mutató esetében sem, így nem szükséges a fővárosra vonatkozó értékek figyelmi kívül hagyása, és az itteni jövedelmi helyzet utólagos becslése.

A mértani átlagok kiszámítása utáni következő lépés a becsült és valós jövedelmek összevetése. A regresszió sajátossága miatt a becsült értékek fele kisebb lesz, mint a valódi jövedelmi szint. Az azonban biztos, hogy kistérségi szinten sehol sem vallanak

be

több

jövedelmet,

mint

amennyi

a

tényleges

jövedelem.

Ezt

kiküszöbölendő, az összes kistérség becsült jövedelemi értékekeit felszoroztuk egy ezt módosító konstanssal:

஻ೕ ௃

(5)

ೕ

ahol j a megfelelő kistérséget, J az egy főre jutó összevont adóalap összeget, B az egy főre jutó becsült jövedelmet, m pedig a módosító konstanst jelenti.

14 / 36

Az állandó értéke tehát az összes kistérséget figyelembe véve az egy főre jutó hivatalos és becsült jövedelem hányadosának maximuma - jelen esetben a Dunaújvárosi kistérség 1,244-es értéke. Így, a még szintén nem végleges, módosított jövedelmi értékek kaphatók meg: ௝ ௝

(6)

ahol j a megfelelő kistérséget, B az egy főre jutó becsült jövedelmet, M az egy főre jutó módosított becsült jövedelmet, m pedig a módosító állandót jelenti. Az ország egészére a módosított becsült jövedelem 82,7%-ára tehető a becsült tényleges jövedelem, tehát a fenti számítások alapján a becsült be nem jelentett jövedelem a becsült összes jövedelem 17,3%-ára tehető. Ez az érték nem áll távol kiinduló feltételezésünktől. Utolsó lépésként egy korrekciót hajtottunk végre, hogy országos szinten 18%-os becsült be nem jelentett jövedelemarányt kapjunk. Ez a korrekció azonban nem változtatja az eredeti becslés kistérségenkénti eltéréseit. Az összjövedelemhez képest 18 százaléknyi be nem vallott jövedelem arány eléréséhez egy iterációs eljárásra van szükség. Ez gyakorlatilag azt jelenti, hogy a módosított becsült jövedelem országos súlyozott átlagának 82%-a legyen a valós jövedelem országos súlyozott átlaga. Már maga a módosított becsült jövedelem is közel áll ehhez a szinthez – ami megerősíti a kezdetei, a be nem jelentett jövedelem 18%-os szintjére vonatkozó kezdeti feltételezést. A teljesség érdekében (a modell megalkotásakor feltételezett, pontosan 18%-nyi rejtett jövedelmi szinthez) fel kell szorozni ezen értékeket egy korrekciós állandóval:

(7)

ahol k a korrekciós állandót, J az egy főre jutó összevont adóalap összeget, M pedig az egy főre jutó módosított becsült jövedelmet jelenti.

Az egy főre jutó összevont adóalap összegének súlyozott (országos) átlagának, és az egy főre jutó módosított becsült jövedelem súlyozott (szintén országos) átlagának

15 / 36

hányadosa 1,046. Ezzel felszorozva a módosított becsült jövedelmeket számolható ki az egy főre jutó korrigált becsült jövedelem kistérségi értékei, amely a modell végeredménye:

௝ ௝

(8)

ahol j a megfelelő kistérséget, M az egy főre jutó módosított becsült jövedelmet k pedig a korrekciós állandót, K pedig az egy főre jutó korrigált becsült jövedelmet jelenti.

16 / 36

3. Az eredmények bemutatása

A következőkben az eredmények térképes, és táblázatos ismertetésére kerül sor. Előbbiek az Erőforrástérkép program segítségével készültek – http://regionaldata.org – és szabadon letölthetők onnan, illetve a megfelelő mutatót kiválasztva saját térképek is létrehozhatók tetszőleges határértékekkel.

A korrigált becsült jövedelem értékeinek területi képét mutatja be a második ábra:

2. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi értékei (ezer Ft), 2010*

Adatok forrása: Saját számítás, Erőforrástérkép *Az ábra címére kattintva a térkép elérhető nagyobb felbontásban az Erőforrástérkép oldalán, amennyiben korábban regisztrált, és be van jelentkezve.

Mint ahogy már említettük, a korrigált becsült jövedelem és a bevallott jövedelem között erős korreláció áll fent, így a területi különbségeikben is hasonló vonások fedezhetők fel – Budapest környéke, az északnyugati országrész és a nagyvárosok értéke a legmagasabb, a keleti és északkelet országrész kistérségeiben pedig a legalacsonyabb.

17 / 36

Érdekesebb azt megvizsgálni, hogy mennyi az eltérés a korrigált becsült jövedelem és a bevallott jövedelem között. A harmadik ábrán figyelhető meg ennek területi sajátossága.

3. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi rezidumai (ezer Ft), 2010*


A rejtett gazdaságból származó egy főre jutó éves jövedelem értékei tehát 60 és 440 ezer forint között mozognak.

A két ábrát összevetve az a következtetés vonható le, hogy ahol a legmagasabbak a lakossági jövedelmek (mind a hivatalos, mind a becsült), ott a legalacsonyabb a be nem jelentett jövedelmek összege, tehát itt „fehér” leginkább a gazdaság. Az viszont már nem teljesül, hogy ahol a legalacsonyabbak a bevallott jövedelmek, ott a legnagyobbak az eltitkoltak. A térképen is jól látszik, a legsötétebb színezést nem a legszegényebb kistérségek kapták, hanem a vidéki átlaghoz közelebbiek (BácsKiskun, Szabolcs-Szatmár-Bereg nyugati része és a Somogy megye nyugati fele). Ez nevezhető a vizsgálat egyik legfontosabb eredményének.

18 / 36

Az utolsó térkép pedig azt mutatja be, hogy adott kistérségben mekkora a rejtett jövedelmek (a rezidum) részesedése az összes becsült jövedelemből.

4. ábra: Az egy főre jutó be nem jelentett lakossági jövedelmek aránya az összes jövedelemből (%), 2010*


A becslési eljárás során mindezt országos szinten 18%-ra tettük. Mivel ez az egész országra vonatkozó, a népességgel való súlyozott átlag, az ország lakosságának fele olyan kistérségben él, ahol a rejtett gazdaságból származó jövedelmek 18%-nál alacsonyabbak, másik fele pedig olyan helyen, ahol ennél a szintnél magasabbak. A térkép pedig rendkívül jól érzékelteti, hogy sokkal kevesebb az olyan kistérség, ahol 18%-nál kisebb a be nem jelentett jövedelmek aránya – szám szerint 40 kistérség a 174-ből. A fentiekből az is következik, hogy ebben a 40 kistérségben él az ország lakosságának fele. A népesség súlyához képest jelentős arányú be nem jelentett jövedelem tehát inkább a kevésbé népes kistérségekre jellemző.

A számítások részletes, kistérségenkénti adatait az 1. és 2. táblázatokban közöljük.

19 / 36

1. táblázat: A vizsgálat kistérségi szintű eredményei

Kistérség Abai Abaúj-Hegyközi Adonyi Ajkai Aszódi Bácsalmási Bajai Baktalórántházi Balassagyarmati Balatonalmádi Balatonföldvári Balatonfüredi Balmazújvárosi Barcsi Bátonyterenyei Békéscsabai Békési Bélapátfalvai Berettyóújfalui Bicskei Bodrogközi Bonyhádi Budaörsi Budapest Ceglédi Celldömölki Csengeri Csepregi Csongrádi Csornai Csurgói Dabasi Debreceni DerecskeLétavértesi Dombóvári Dorogi Dunakeszi Dunaújvárosi Edelényi Egri Encsi Enyingi

Egy Egy lakosra lakosra jutó jutó A rejtett Eltérés a 18%összevont korrigált gazdaságból os rejtett A rejtett adóalap becsült származó egy jövedelemhez gazdaság összege jövedelem lakosra jutó képest (ezer mértéke (ezer Ft) (ezer Ft) jövedelem (ezer Ft) Ft) (%) (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) 913,5 1224,5 311,0 110,5 25,4% 742,5 1098,4 355,9 192,9 32,4% 1054,2 1293,2 239,0 7,5 18,5% 1017,2 1309,7 292,5 69,2 22,3% 1029,9 1316,0 286,1 60,0 21,7% 777,3 1126,5 349,1 178,5 31,0% 883,1 1246,7 363,6 169,7 29,2% 690,5 1100,5 410,0 258,4 37,3% 1009,5 1241,2 231,6 10,0 18,7% 1134,8 1367,2 232,4 -16,7 17,0% 1018,1 1300,7 282,6 59,1 21,7% 1121,1 1405,0 284,0 37,9 20,2% 807,0 1159,3 352,4 175,2 30,4% 802,5 1158,6 356,1 179,9 30,7% 906,5 1192,5 286,0 87,0 24,0% 1092,3 1276,7 184,4 -55,4 14,4% 864,3 1173,9 309,7 120,0 26,4% 876,4 1171,1 294,8 102,4 25,2% 793,4 1130,7 337,3 163,2 29,8% 1043,7 1306,4 262,7 33,6 20,1% 666,8 1059,3 392,5 246,1 37,1% 930,4 1261,0 330,7 126,5 26,2% 1411,7 1580,4 168,7 -141,2 10,7% 1457,3 1541,4 84,1 -235,8 5,5% 936,3 1245,1 308,8 103,3 24,8% 1044,2 1292,2 248,0 18,8 19,2% 727,5 1067,9 340,4 180,7 31,9% 1033,2 1320,5 287,2 60,4 21,8% 1095,8 1202,1 106,4 -134,1 8,8% 1063,9 1296,3 232,4 -1,2 17,9% 813,2 1172,9 359,6 181,1 30,7% 933,2 1327,0 393,8 189,0 29,7% 1128,8 1381,3 252,6 4,8 18,3% 708,7 937,9 1108,3 1330,3 1329,1 762,5 1165,3 723,6 879,6

1129,9 1234,4 1345,8 1459,9 1389,9 1116,2 1350,2 1084,8 1206,8

20 / 36

421,2 296,5 237,5 129,6 60,8 353,7 185,0 361,2 327,2

265,6 90,6 -5,8 -162,4 -231,0 186,3 -70,8 202,4 134,1

37,3% 24,0% 17,6% 8,9% 4,4% 31,7% 13,7% 33,3% 27,1%

Kistérség Ercsi Érdi Esztergomi Fehérgyarmati Fonyódi Füzesabonyi Gárdonyi Gödöllői Gyáli Gyöngyösi Győri Gyulai Hajdúböszörményi Hajdúhadházi Hajdúszoboszlói Hatvani Hevesi Hévízi Hódmezővásárhelyi Ibrány-Nagyhalászi Jánoshalmi Jászberényi Kadarkúti Kalocsai Kaposvári Kapuvári Karcagi Kazincbarcikai Kecskeméti Keszthely-Hévízi Kisbéri Kiskőrösi Kiskunfélegyházi Kiskunhalasi Kiskunmajsai Kisteleki Kisvárdai Komáromi Komlói Körmendi Kőszegi Kunszentmártoni Kunszentmiklósi Lengyeltóti Lenti Letenyei Makói Marcali Mátészalkai Mezőcsáti Mezőkovácsházi Mezőkövesdi Mezőtúri

(1) 1084,2 1277,6 1186,3 722,2 963,7 872,9 1226,4 1208,5 1012,4 1157,7 1269,7 1029,8 868,7 688,7 998,5 1102,5 788,9 980,6 953,6 712,6 786,4 992,2 755,6 881,1 1019,3 1016,4 863,8 959,3 1022,5 996,7 1096,9 797,2 913,9 878,7 822,7 774,8 832,9 1243,5 921,2 1120,9 1001,0 845,0 863,3 742,9 992,7 892,1 895,8 850,9 754,1 785,7 835,5 1001,1 901,0

(2) 1299,1 1466,4 1398,4 1064,4 1259,6 1181,6 1349,5 1403,5 1383,1 1339,8 1465,4 1265,2 1218,6 1108,5 1293,9 1292,5 1118,6 1330,2 1245,4 1118,9 1141,8 1284,1 1174,4 1232,7 1299,4 1312,2 1168,7 1255,4 1324,6 1341,9 1262,8 1231,6 1243,5 1264,3 1179,6 1163,2 1174,1 1422,4 1236,9 1323,8 1332,0 1151,7 1209,4 1139,5 1278,6 1207,8 1169,2 1201,3 1119,3 1128,4 1127,6 1221,7 1183,9

(3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) 214,9 -23,1 16,5% 188,8 -91,7 12,9% 212,1 -48,3 15,2% 342,2 183,6 32,1% 295,9 84,4 23,5% 308,7 117,1 26,1% 123,0 -146,2 9,1% 195,0 -70,3 13,9% 370,7 148,5 26,8% 182,1 -72,0 13,6% 195,7 -83,0 13,4% 235,4 9,4 18,6% 349,9 159,2 28,7% 419,7 268,5 37,9% 295,4 76,2 22,8% 190,0 -52,1 14,7% 329,7 156,5 29,5% 349,6 134,4 26,3% 291,8 82,4 23,4% 406,3 249,9 36,3% 355,5 182,8 31,1% 292,0 74,2 22,7% 418,8 252,9 35,7% 351,7 158,3 28,5% 280,1 56,4 21,6% 295,8 72,7 22,5% 304,8 115,2 26,1% 296,1 85,5 23,6% 302,1 77,6 22,8% 345,1 126,3 25,7% 165,9 -74,9 13,1% 434,4 259,4 35,3% 329,6 129,0 26,5% 385,6 192,7 30,5% 356,9 176,3 30,3% 388,4 218,3 33,4% 341,3 158,4 29,1% 179,0 -94,0 12,6% 315,7 113,5 25,5% 202,9 -43,2 15,3% 331,0 111,3 24,8% 306,7 121,2 26,6% 346,1 156,6 28,6% 396,5 233,5 34,8% 285,9 68,0 22,4% 315,7 119,9 26,1% 273,4 76,8 23,4% 350,4 163,6 29,2% 365,2 199,6 32,6% 342,7 170,3 30,4% 292,1 108,7 25,9% 220,5 0,8 18,1% 282,9 85,1 23,9%

21 / 36

Kistérség Miskolci Mohácsi Monori Mórahalmi Móri Mosonmagyaróvári Nagyatádi Nagykállói Nagykanizsai Nagykátai Nyírbátori Nyíregyházi Orosházi Oroszlányi Ózdi Őriszentpéteri Pacsai Paksi Pannonhalmi Pápai Pásztói Pécsi Pécsváradi Pétervásári Pilisvörösvári Polgári Püspökladányi Ráckevei Rétsági Salgótarjáni Sárbogárdi Sarkadi Sárospataki Sárvári Sásdi Sátoraljaújhelyi Sellyei Siklósi Siófoki Sopron-Fertődi Sümegi Szarvasi Szécsényi Szegedi Szeghalmi Székesfehérvári Szekszárdi Szentendrei Szentesi Szentgotthárdi Szentlőrinci Szerencsi Szigetvári

(1) 1054,2 952,9 1052,8 811,9 1176,8 1013,6 841,6 724,1 1083,4 914,5 718,2 1045,2 974,1 1179,3 775,6 991,2 829,3 1253,6 1050,1 1003,6 937,6 1158,3 934,2 920,7 1274,6 910,8 836,9 1074,7 1015,8 976,1 935,1 738,7 927,2 1107,6 822,5 943,0 773,4 864,9 1060,6 1056,4 876,6 995,4 820,2 1111,6 866,4 1309,5 1068,7 1268,1 993,7 1048,0 881,5 830,8 836,9

(2) 1294,0 1242,4 1353,4 1174,7 1354,1 1384,9 1193,9 1138,8 1341,1 1261,3 1125,9 1346,1 1209,7 1378,6 1135,6 1203,9 1203,0 1395,6 1285,1 1277,0 1227,8 1379,0 1248,8 1161,9 1420,4 1211,7 1148,8 1390,5 1245,3 1227,6 1221,6 1066,8 1208,3 1339,3 1169,5 1261,2 1092,4 1216,1 1351,6 1393,0 1201,1 1246,1 1161,3 1363,7 1179,6 1440,1 1313,4 1439,4 1240,0 1304,5 1191,5 1163,5 1149,4

(3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) 239,8 8,4 18,5% 289,5 80,3 23,3% 300,6 69,5 22,2% 362,8 184,6 30,9% 177,3 -81,0 13,1% 371,3 148,8 26,8% 352,3 167,6 29,5% 414,7 255,8 36,4% 257,7 19,9 19,2% 346,7 146,0 27,5% 407,7 250,0 36,2% 300,9 71,5 22,4% 235,6 21,7 19,5% 199,3 -59,5 14,5% 360,0 189,7 31,7% 212,8 -4,8 17,7% 373,7 191,7 31,1% 142,1 -133,1 10,2% 235,0 4,4 18,3% 273,5 53,2 21,4% 290,2 84,4 23,6% 220,7 -33,6 16,0% 314,6 109,5 25,2% 241,3 39,2 20,8% 145,8 -134,0 10,3% 300,9 101,0 24,8% 311,8 128,1 27,1% 315,8 79,9 22,7% 229,5 6,5 18,4% 251,5 37,3 20,5% 286,6 81,3 23,5% 328,1 165,9 30,8% 281,0 77,5 23,3% 231,7 -11,5 17,3% 347,0 166,5 29,7% 318,3 111,3 25,2% 319,1 149,3 29,2% 351,2 161,3 28,9% 291,0 58,2 21,5% 336,6 104,7 24,2% 324,5 132,1 27,0% 250,7 32,2 20,1% 341,0 161,0 29,4% 252,2 8,2 18,5% 313,2 123,0 26,6% 130,6 -156,8 9,1% 244,6 10,1 18,6% 171,3 -107,1 11,9% 246,3 28,2 19,9% 256,5 26,5 19,7% 310,1 116,6 26,0% 332,7 150,3 28,6% 312,5 128,8 27,2%

22 / 36

Kistérség Szikszói Szobi Szolnoki Szombathelyi Tabi Tamási Tapolcai Tatabányai Tatai Téti Tiszafüredi Tiszaújvárosi Tiszavasvári Tokaji Törökszentmiklósi Váci Várpalotai Vásárosnaményi Vasvári Veresegyházi Veszprémi Záhonyi Zalaegerszegi Zalakarosi Zalaszentgróti Zirci

(1) 757,6 1029,3 1150,3 1200,1 869,8 856,2 992,8 1205,8 1248,6 1056,3 830,9 1154,8 818,2 897,2 834,8 1138,5 1048,3 759,8 920,1 1180,6 1233,1 789,8 1130,5 820,1 871,1 1040,1

(2) 1119,4 1245,9 1315,2 1388,9 1187,5 1190,5 1298,7 1386,8 1402,8 1257,8 1140,4 1335,6 1186,0 1189,8 1177,8 1387,5 1312,5 1105,2 1231,8 1507,9 1424,2 1101,3 1360,1 1185,7 1226,4 1307,7

(3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) 361,8 195,5 32,3% 216,6 -9,4 17,4% 164,9 -87,6 12,5% 188,8 -74,6 13,6% 317,7 126,7 26,8% 334,3 146,3 28,1% 305,9 88,0 23,6% 181,0 -83,7 13,1% 154,2 -119,8 11,0% 201,5 -30,4 16,0% 309,4 127,0 27,1% 180,8 -72,7 13,5% 367,8 188,2 31,0% 292,6 95,6 24,6% 343,0 159,7 29,1% 248,9 -1,0 17,9% 264,2 34,1 20,1% 345,4 178,6 31,2% 311,7 109,7 25,3% 327,3 68,1 21,7% 191,1 -79,5 13,4% 311,5 138,1 28,3% 229,6 -18,6 16,9% 365,6 185,6 30,8% 355,2 164,0 29,0% 267,6 39,3 20,5%

Adatok forrása: NAV és saját számítás

23 / 36

2. táblázat: A vizsgálat megyei és regionális szintű eredményei

Területegység Fejér Veszprém Komárom-Esztergom Közép-Dunántúl Somogy Tolna Baranya Dél-Dunántúl Vas Győr-Moson-Sopron Zala Nyugat-Dunántúl Dunántúl Borsod-Abaúj-Zemplén Nógrád Heves Észak-Magyarország Bács-Kiskun Békés Csongrád Dél-Alföld Szabolcs-Szatmár-Bereg Hajdú-Bihar Jász-Nagykun-Szolnok Észak-Alföld Észak és Alföld Pest Budapest Közép-Magyarország Magyarország

Egy Egy lakosra lakosra jutó jutó A rejtett Eltérés a 18%összevont korrigált gazdaságból os rejtett adóalap becsült származó egy jövedelemhez összege jövedelem lakosra jutó képest (ezer (ezer Ft) (ezer Ft) jövedelem (ezer Ft) Ft) (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 1353,85 174,1 -84,8 1179,72 1074,92 1334,80 259,9 23,9 1190,32 1381,25 190,9 -70,4 1148,37 1355,37 207,0 -45,1 926,38 1247,34 321,0 117,6 1035,31 1291,93 256,6 29,4 1013,61 1286,27 272,7 50,2 989,27 1274,41 285,1 68,0 1115,22 1342,04 226,8 -18,0 1132,70 1398,62 265,9 17,3 1030,58 1314,84 284,3 58,0 1098,41 1359,41 261,0 19,9 1098,41 1359,41 261,0 19,9 937,96 1223,43 285,5 79,6 958,53 1222,00 263,5 53,1 1050,93 1273,70 222,8 -7,9 970,19 1235,99 265,8 52,8 911,29 1258,28 347,0 147,0 951,03 1207,76 256,7 48,0 1018,98 1283,05 264,1 40,4 956,52 1251,96 295,4 85,5 825,15 1180,09 354,9 173,8 932,12 1248,33 316,2 111,6 972,98 1235,54 262,6 49,0 902,38 1219,18 316,8 118,7 940,44 1234,91 294,5 88,0 1140,02 1392,36 252,3 2,1 1457,29 1541,39 84,1 -235,8 1323,42 1478,51 155,1 -135,4 1094,54 1334,80 240,3 0,0

Adatok forrása: NAV és saját számítás

24 / 36

A rejtett gazdaság mértéke (%) (5)=(3)/(2) 12,9% 19,5% 13,8% 15,3% 25,7% 19,9% 21,2% 22,4% 16,9% 19,0% 21,6% 19,2% 19,2% 23,3% 21,6% 17,5% 21,5% 27,6% 21,3% 20,6% 23,6% 30,1% 25,3% 21,3% 26,0% 23,8% 18,1% 5,5% 10,5% 18,0%

4. Következtetések

Kiindulópontként átlagosan 18%-os be nem jelentett jövedelem arányt feltételeztünk. A számítások eredményeként azt kaptuk, hogy országosan 2010-ben a be nem jelentett jövedelem 17,3%-os arányát tehette ki a becsült tényleges jövedelemnek. Ez alátámasztani látszik az erre vonatkozó eredeti feltételezést, a korrekciós állandó értéke csupán 1,046.

A korrigált becsült jövedelem és a be nem jelentett jövedelem mértékére vonatkozóan több következtetés vonható le. Érdemes kihangsúlyozni, hogy az egy főre jutó összevont adóalap és az egy főre jutó korrigált becsült jövedelem területileg nagyon hasonló képet mutat, a kettő közt erős a korreláció.

Az elemzés alapján az a következtetés vonható le, hogy a magasabb jövedelemmel rendelkező kistérségekben a rejtett gazdaság részesedése kisebb az országos átlagnál. Ez első ránézésre azzal magyarázható, hogy ezen kistérségekben hazai illetve külföldi nagyvállalatok a fő foglalkoztatók, amelyek nagyobb valószínűséggel és súllyal foglalkoztatnak bejelentett módon. Amennyiben egy-két ilyen (főként ipari) vállalat a térség fő foglalkoztatója, extrém alacsony a rejtett gazdaságból származó jövedelmek aránya – a táblázatból Dunaújváros, Paks esetén ez jól látszik.

Másik fontos észrevétel, hogy nem a legszegényebb térségekben a legmagasabbak a rejtett gazdaságból származó jövedelmek. Ennek oka az lehet, hogy az ilyen térségek fő bevételi forrása az állami újraelosztás, ehhez kapcsolódóan pedig nincs lehetőség plusz jövedelemre szert tenni.

Ebből kifolyólag arányaiban a legnagyobb rejtett gazdasággal bíró térségek inkább a vidéki (Budapest értékét figyelmen kívül hagyó) átlaghoz közeli egy főre jutó jövedelemmel rendelkező kistérségek. Ezek közül is kiemelkedik Bács-Kiskun megye.

A fenti eredményeket érdemes további vizsgálatnak alávetni.

25 / 36

Melléklet Regressziós egyenletek és tulajdonságaik:

M1: Becslés az 1000 lakosra jutó adózók száma segítségével:

b

Model Summary

Model

R

1

,782

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,612

,609

101,53308446

a. Predictors: (Constant), a arány b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

2791294,972

1

2791294,972

Residual

1773142,365

172

10308,967

Total

4564437,337

173

Sig.

270,764

,000

a

a. Predictors: (Constant), a arány b. Dependent Variable: jöv

Coefficients

a

Standardized Unstandardized Coefficients Model 1

B (Constant) a arány

Coefficients

Std. Error

Beta

-398,926

83,411

3,196

,194

t

,782

Sig.

-4,783

,000

16,455

,000

a. Dependent Variable: jöv

a

Residuals Statistics Minimum Predicted Value

Maximum

Mean

Std. Deviation

N

668,8115234

1270,4971924

967,7310657

127,02225403

174

-197,43753052

470,39251709

,00000000

101,23921095

174

Std. Predicted Value

-2,353

2,384

,000

1,000

174

Std. Residual

-1,945

4,633

,000

,997

174

Residual


26 / 36

M2: Becslés az egy adózóra jutó személyi jövedelemadó segítségével:

b

Model Summary

Model

R

1

,888

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,788

,787

75,02387790

a. Predictors: (Constant), adózóra jutó adó b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares Regression Residual Total

df

Mean Square

F

3596321,190

1

3596321,190

968116,148

172

5628,582

4564437,337

173

Sig.

638,939

,000

a

a. Predictors: (Constant), adózóra jutó adó b. Dependent Variable: jöv

Coefficients

a


B (Constant)

Std. Error

597,032

15,730

1,598

,063

adózóra jutó adó

Coefficients Beta

t

,888

Sig.

37,956

,000

25,277

,000


a


Maximum

Mean

Std. Deviation

N

782,0556641

1645,9718018

967,7310657

144,18038617

174

-234,31140137

184,00796509

,00000000

74,80673163

174


-1,288

4,704

,000

1,000

174

Std. Residual

-3,123

2,453

,000

,997

174

Residual


27 / 36

M3: Becslés a munkanélküliségi ráta segítségével:

b

Model Summary

Model

R

1

,836

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,700

,698

89,28850857

a. Predictors: (Constant), mnkl r b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

3193178,042

1

3193178,042

Residual

1371259,295

172

7972,438

Total

4564437,337

173

Sig.

400,527

,000

a

a. Predictors: (Constant), mnkl r b. Dependent Variable: jöv

Coefficients

a


B (Constant) mnkl r

Coefficients

Std. Error

Beta

1276,003

16,825

-24,928

1,246

t

-,836

Sig.

75,839

,000

-20,013

,000


a


Maximum

Mean

Std. Deviation

N

591,4891357

1200,4725342

967,7310657

135,85903189

174

-228,26829529

294,70568848

,00000000

89,03007529

174


-2,769

1,713

,000

1,000

174

Std. Residual

-2,557

3,301

,000

,997

174

Residual


28 / 36

M4: Becslés az egy főre jutó iparűzési adó segítségével:

b

Model Summary

Model

R

1

,738

Adjusted R

Std. Error of the

Square

Estimate

R Square a

,544

,541

109,99107955

a. Predictors: (Constant), ip adó egy főre b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

2483574,873

1

2483574,873

Residual

2080862,464

172

12098,038

Total

4564437,337

173

Sig.

205,287

,000

a

a. Predictors: (Constant), ip adó egy főre b. Dependent Variable: jöv

Coefficients

a


B (Constant) ip adó egy főre

Coefficients

Std. Error

825,941

12,941

5,840

,408

Beta

t

,738

Sig.

63,825

,000

14,328

,000


a


Maximum

Mean

Std. Deviation

N

838,6319580

1691,8961182

967,7310657

119,81620977

174

-280,23568726

312,80160522

,00000000

109,67272554

174


-1,077

6,044

,000

1,000

174

Std. Residual

-2,548

2,844

,000

,997

174

Residual


29 / 36

M5: Becslés az egy főre jutó háztartási villamosenergia-felhasználás segítségével:

b

Model Summary

Model

R

1

,414

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,171

,166

148,29588471

a. Predictors: (Constant), e per fő b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares Regression

df

Mean Square

781870,197

1

781870,197

Residual

3782567,140

172

21991,669

Total

4564437,337

173

F

Sig.

35,553

,000

t

Sig.

a

a. Predictors: (Constant), e per fő b. Dependent Variable: jöv

Coefficients

a


B

Coefficients

Std. Error

Beta

(Constant)

498,400

79,511

e per fő

449,055

75,311

,414

6,268

,000

5,963

,000


a


Maximum

Mean

Std. Deviation

N

810,5490723

1184,9532471

967,7310657

67,22708462

174

-354,14370728

451,33551025

,00000000

147,86666272

174


-2,338

3,231

,000

1,000

174

Std. Residual

-2,388

3,043

,000

,997

174

Residual


30 / 36

M6: Becslés a személygépkocsi-ellátottság segítségével:

b

Model Summary

Model

R

1

,476

Adjusted R

Std. Error of the

Square

Estimate

R Square a

,226

,222

143,30766695

a. Predictors: (Constant), 1000 lak szgk b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

1032058,303

1

1032058,303

Residual

3532379,034

172

20537,087

Total

4564437,337

173

Sig.

50,253

,000

a

a. Predictors: (Constant), 1000 lak szgk b. Dependent Variable: jöv

Coefficients

a


B (Constant) 1000 lak szgk

Coefficients

Std. Error

516,663

64,550

1,129

,159

Beta

t

,476

Sig.

8,004

,000

7,089

,000


a


Maximum

Mean

Std. Deviation

N

782,1279297

1315,2192383

967,7310657

77,23765230

174

-398,09802246

467,02645874

,00000000

142,89288267

174


-2,403

4,499

,000

1,000

174

Std. Residual

-2,778

3,259

,000

,997

174

Residual


31 / 36

M7: Becslés a járművek átlagéletkora segítségével:

b

Model Summary

Model

R

1

,700

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,490

,487

116,35410388

a. Predictors: (Constant), szgk kor b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

2235853,609

1

2235853,609

Residual

2328583,728

172

13538,277

Total

4564437,337

173

Sig.

165,151

,000

a

a. Predictors: (Constant), szgk kor b. Dependent Variable: jöv

Coefficients

a


B (Constant) szgk kor

Coefficients

Std. Error

Beta

2066,312

85,939

-82,651

6,431

t

-,700

Sig.

24,044

,000

-12,851

,000


a


Maximum

Mean

Std. Deviation

N

639,7531738

1402,6234131

967,7310657

113,68381284

174

-273,43115234

322,93582153

,00000000

116,01733297

174


-2,885

3,825

,000

1,000

174

Std. Residual

-2,350

2,775

,000

,997

174

Residual


32 / 36

M8: Becslés a közgyógyellátási igazolványban részesítettek aránya segítségével:

b

Model Summary

Model

R

1

,663

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,439

,436

121,97882417

a. Predictors: (Constant), közgy b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

2005277,967

1

2005277,967

Residual

2559159,370

172

14878,834

Total

4564437,337

173

Sig.

134,774

,000

a

a. Predictors: (Constant), közgy b. Dependent Variable: jöv

Coefficients

a


B (Constant) közgy

Coefficients

Std. Error

Beta

1317,073

31,481

-,856

,074

t

-,663

Sig.

41,838

,000

-11,609

,000


a


Maximum

Mean

Std. Deviation

N

685,3872070

1158,8261719

967,7310657

107,66244528

174

-261,39364624

395,79379272

,00000000

121,62577329

174


-2,622

1,775

,000

1,000

174

Std. Residual

-2,143

3,245

,000

,997

174

Residual


33 / 36

M9: Becslés a társas vállalkozások gyakorisága segítségével:

b

Model Summary

Model

R

1

,783

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,613

,611

101,32834986

a. Predictors: (Constant), társas váll b. Dependent Variable: jöv

b

ANOVA Model 1

Sum of Squares

df

Mean Square

F

Regression

2798438,606

1

2798438,606

Residual

1765998,731

172

10267,434

Total

4564437,337

173

Sig.

272,555

,000

a

a. Predictors: (Constant), társas váll b. Dependent Variable: jöv

Coefficients

a


B

Coefficients

Std. Error

Beta

(Constant)

741,994

15,683

társas váll

65,055

3,941

t

,783

Sig.

47,311

,000

16,509

,000


a


Maximum

Mean

Std. Deviation

N

809,6510620

1665,7755127

967,7310657

127,18469129

174

-208,48725891

287,77584839

,00000000

101,03506892

174


-1,243

5,488

,000

1,000

174

Std. Residual

-2,058

2,840

,000

,997

174

Residual


34 / 36

M10: Becslés az egyéni vállalkozások gyakorisága segítségével:

b

Model Summary

Model

R

1

,332

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,110

,105

153,68933453

a. Predictors: (Constant), egyéni v b. Dependent Variable: jöv

b

ANOVA Model 1


df

Mean Square

501726,551

1

501726,551

Residual

4062710,786

172

23620,412

Total

4564437,337

173

F

Sig.

21,241

,000

t

Sig.

a


Coefficients

a


B (Constant) egyéni v

Coefficients

Std. Error

Beta

1112,581

33,519

-12,915

2,802

-,332

33,193

,000

-4,609

,000


a


Maximum

Mean

Std. Deviation

N

759,7398682

1063,3741455

967,7310657

53,85307304

174

-360,68374634

455,77743530

,00000000

153,24450195

174


-3,862

1,776

,000

1,000

174

Std. Residual

-2,347

2,966

,000

,997

174

Residual


35 / 36

M11: Becslés a kábeltelevízió hálózatba bekapcsolt lakások aránya segítségével:

b

Model Summary

Model

R

1

,332

R Square a

Adjusted R

Std. Error of the

Square

Estimate

,110

,105

153,68933453


b

ANOVA Model 1


df

Mean Square

501726,551

1

501726,551

Residual

4062710,786

172

23620,412

Total

4564437,337

173

F

Sig.

21,241

,000

t

Sig.

a


Coefficients

a


B (Constant) egyéni v

Coefficients

Std. Error

Beta

1112,581

33,519

-12,915

2,802

-,332

33,193

,000

-4,609

,000


a


Maximum

Mean

Std. Deviation

N

759,7398682

1063,3741455

967,7310657

53,85307304

174

-360,68374634

455,77743530

,00000000

153,24450195

174


-3,862

1,776

,000

1,000

174

Std. Residual

-2,347

2,966

,000

,997

174

Residual


36 / 36

2

Recommend Documents