JELENTÉS A SEM ALKALMAZÁSRÓL

HELYI GAZDASÁGFEJLESZTÉS REPÜLŐTEREK VONZÁSKÖRZETÉBEN STATISZTIKAI MODELL – JELENTÉS A „SEM” ALKALMAZÁSRÓL BUDAPEST XVIII. KERÜLET ÉS VECSÉS

STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL

JELENTÉS A „SEM” ALKALMAZÁSRÓL

BUDAPEST, XVIII. KERÜLET, VECSÉS

VÉGSŐ VÁLTOZAT

BUDAPEST, 2014 1


BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS VÁROS ÖNKORMÁNYZATA

STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL

JELENTÉS A „SEM” ALKALMAZÁSRÓL

VÉGSŐ VÁLTOZAT

BUDAPEST, 2014

2


“airLED Helyi gazdaságfejlesztés repülőterek vonzáskörzetében” project No.4CE485P4. CENTRAL EUROPE PROJECT.

A jelentést készítette: DR.HAJDU OTTÓ DSc. DISK-COUNTÍR BT.

3


TARTALOMJEGYZÉK I.

AZ ELŐZŐ MUNKAFÁZIS EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA ............................................ 5

II.

KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE A 96 INDIKÁTORON ................................... 9

III. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE AZ 58 INDIKÁTORON ............................... 14 IV. KANONIKUS VÁLTOZÓ-PÁROK ELEMZÉSE ..................................................................................... 26 V.

A KONFIRMATÍV SEM MODELL ...................................................................................................... 31 Az X1_Y1 „SEM” modell..................................................................................................................... 32 Az X2_Y2 „SEM” modell..................................................................................................................... 36 Az X1_Y1_X2_Y2 „SEM” modell......................................................................................................... 39

VI. ÖSSZEFOGLALÁS, AZ EREDMÉNYEK ÉRTELMEZÉSE ....................................................................... 43 VII. KAPCSOLÓDÁS A REPÜLŐTÉR GAZDASÁGI-TÁRSADALMI HATÁSÁHOZ – A PREDIKTÍV MODELL MEGALAPOZÁSA, TERVEZETE ................................................................................................................ 47 VIII. FÜGGELÉK .– AZ INDULÓ INDIKÁTOR-SZETT VÁLTOZÁSAI ............................................................ 50

4


I.

I. AZ ELŐZŐ MUNKAFÁZIS EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA Annak érdekében, hogy a modellalkotás könnyebben követhető legyen folyamatában, a megelőző munkafázis eredményeit az alábbiakban összefoglaljuk. Az induló adatállomány előzetes szűrése, tisztítása a megelőző munkafázisban megtörtént, melynek eredményeként egyrészt a nagy számosságú, 10 dimenzióba tömörített indikátor-szettet 96 manifeszt indikátort tartalmazó adatbázisra csökkentettük, másrészt a statisztikai tesztek (Leíró statisztikák, Főkomponens analízis, Faktor analízis) ezen indikátorokat homogén csoportokba (faktorok) rendezték. Az adatok tisztítása során számolnunk kell azokkal a veszteségekkel, melyek az adat (információ) vesztésből adódnak, ugyanakkor célunk a veszteségek minimalizálása, a végső cél – az oksági modell megalkotása – érdekében. A tesztelés elején előzetesen kiszűrésre kerültek azok az adatok, amelyekhez a további hozzáférés nehezen biztosított (pl. csak a 10 évente tartott népszámlálásból érhető el az adat), hiányos az adatbázis vagy duplikáltan tartalmaz adatokat, illetve a valamilyen szempont alapján részletezett adatok helyett a továbbiakban csak az összesen adattal dolgoztunk, vagy a naturáliában megadott adatok helyett fajlagos mutatót számoltunk. A táblákban sárgával jelöltük a kihagyott változókat és zölddel az újonnan bevont vagy összesített változókat, illetve a számított mutatókat. Az induló manifeszt indikátor-szett változói közül az előzetes szűrés, összevonás illetve a tesztelés alapján kihagyott és bennmaradt változókat a függelék tartalmazza. A táblázatot úgy kell értelmezni, hogy amelyik sorban egyik oszlopban sincs sárga jelzés, az bennmaradt a 96 elemű adatbázisban a szűrések, tesztelések után. A statisztikai munka iteratív jellegű, tehát a tesztelések eredményeit, tapasztalatait újra és újra felhasználva, az adatbázis folyamatos tisztításával, szükség esetén új változók utólagos bevonásával folyamatosan közelítünk a modellhez. A tesztelés eredményeként megmaradt 96 manifeszt indikátor rövid neveit tartalmazó változólistát a faktorokkal együtt az 1. tábla mutatja.

5


1. tábla Indikátor-szett tesztelés után megmaradt 96 manifeszt változó és faktorok Faktor FAC1_1 FAC2_1 FAC3_1 FAC4_1 FAC1_2 FAC2_2

FAC1_3

FAC2_3 FAC3_3 FAC4_3

FAC1_4

FAC2_4 FAC3_4 FAC4_4 FAC5_4

FAC6_4 FAC7_4

FAC1_5

FAC2_5 FAC3_5

Manifeszt változó rövid neve Lakónépesség1 Vándorlási különbözet oda_el1 Kor 18-64 éves aktív1 Népsűrűség1 Száz aktívra jutó gyermekkorú1 Száz aktív korúra jutó időskorú1 Terület1 Éven túli álláskeresők2 Álláskeresők száma_2 Foglalkoztatottak2 Saját folyó bev3 Helyi adó bev3 Áteng gépjárm adó3 Tárgyévi bev3 Iparűzési adó3 Idegenforg adó3 Önk lakóház ktg3 Bérbevétel3 Lakásbérbev3 Nemszak boltivegyes4 Élelmiszer ital dohány4 Informhírtech4 Egyéb háztart cikk4 Kulturális szabadidő4 Egyéb mns4 Fogycikk nagyker rakt4 Vegyesic nagyker rakt4 Élelm nagyker rakt4 Gépjármű nagyker rakt4 Motorker alkatr nagyker rakt4 Gépjárműszaküzl4 Gépjárműalkszaküzl4 Motorkalkatrészszaküzl4 Üzemanyagtöltő4 Gép ber nagyker rakt4 Gépjalkatr nagyker rakt4 Inform telekom nagyker rakt4 Egy szak nagyker rakt 4 Mezőgazd nagyker rakt4 Gázfogy5 Villenergfogy5 Fajllakáster5 Fajllakasszam5 Lakásszám_5 Összkomfarány5 Lakásép5 Lakásépter5

Faktor

FAC1_6

FAC2_6

FAC3_6


FAC1_7


FAC1_8

FAC2_8 FAC1_9


Manifeszt változó rövid neve Áruszálltgk6 Áruszállforghely6 Személyszállforghely6 Személyszállító6 Szgkforg6 Közlbalesetsérült6 Közlekbaleset6 Kiépítetlenút6 Beltkiépítettség6 Idoptkm6 Idoptper6 Útoptkm6 Útoptperc6 Közútikapcs6 Vasútikapcs6 Kiépítettút6 Kerékpárút6 SZJALMalatt7 SZJALM ÁTLJÖV7 SZJAÁTLJÖVfelett7 AdófizLMalatt7 AdófizLM ÁTLJÖV7 AdófizÁTLJÖVfelett7 JövLMalatt7 JövLM ÁTLJÖV7 JövÁTLJÖVfelett7 Szocsegélyátl7 Fajlbűncselekm7 Ápolásidíjátl7 Közgyógyigátl7 Vendégekszáma8 Külföldi vendégek száma8 Vendégéjszakák száma8 Külföldi vendégéjszakák8 Szállásférőhely8 Szálláshelyek8 Vendéglátóhely8 FizetettTAO10 ÁtllétszámTAO10 Brtermérték10 Brhozzáadottérték10 TŐKEARADÓZERED10 ESZKÖZHATÉKONYSÁG10 ESZKÖZJÖVEDELMEZŐSÉG10 LIKVIDITÁS10 BEFESZKFEDEZETT10 Regvállszám_9 EVAbevétel10 EVAadó10

A 96 manifeszt indikátort a statisztikai tesztek kiindulásként az egyes dimenziókból kiszűrt (extrahált) faktorokba rendezték, szám szerint 36 faktort (FAC#_#) definiáltunk. Az információsűrítés mutatójaként az extrahált 36 faktor első 13 komponense a totális információtartalom 90.881 %-át megőrizte. A 2. tábla a második lépcsős komponensek és az első lépcsős FAC#_# komponensek közötti korrelációs értékeket mutatja. Példaként kiemelve a 13 komponensből a legelső, így legfontosabb korrelációkat, alapvető konklúzió, hogy a fenti komponensek által összefogott manifeszt változók szorosan korrelálnak csoportközi összevetésben, ahol pl. a FAC5_4 Gépjárművekkel kapcsolatos kiskereskedelmi üzleteket és üzemanyagtöltő egységek (-0.814) illetve aFAC3_6 Elérhetőségi távolságok és idők, közúti kapcsolatok (-0.599) negatívan korrelálnak a többi csoport manifeszt változóival. 6


Első komponens faktorok tartalma FAC1_7 SzJA jövedelem, adó és adófizető (LM alatt, LM, Átlagjöv között, Átlagjöv fölött)

Első komponens korrelációs értékei 0.832

FAC1_2 Álláskeresők száma ; Éven túli álláskeresők

0.820

FAC5_4 Gépjárművekkel kapcsolatos kisker üzletek és üzemanyagtöltő

-0.814

FAC1_1 A lakónépesség aktivitása, vándorlása

0.803

FAC1_3 Önkormányzati helyi adók, bevételek

0.789

FAC5_6 Kiépített utak

0.762

FAC1_5 Lakásszám, lakók, alapterület és gáz,villanyfogy

0.749

FAC4_9 EVA bevétel és adó

0.687

FAC1_4 Lakossági szükségletek kielégítését szolgáló kisker. egys

0.681

FAC3_6 Elérhetőségi távolságok és idők Budapestig, közúti kapcsolatok

-0.599

FAC2_8 Vendéglátóhelyek

0.629

FAC1_6 Járművek, új forgalombahelyezés, közlek.balesetek

0.608

2. tábla Második lépcsős komponensek és első lépcsős faktorok struktúra mátrixa Structure Matrix

FAC1_7 SzJA jövedelem, adó és adófizető (LM alatt, LM, Átlagjöv között, Átlagjöv fölött) FAC1_2 Álláskeresők száma ; Éven túli álláskeresők FAC5_4 Gépjárművekkel kapcsolatos kisker üzletek és üzemanyagtöltő FAC1_1 A lakónépesség aktivitása, vándorlása FAC1_3 Önkormányzati helyi adók, bevételek FAC5_6 Kiépített utak FAC1_5 Lakásszám, lakók, alapterület és gáz,villanyfogy FAC4_9 EVA bevétel és adó FAC1_4 Lakossági szükségletek kielégítését szolgáló kisker. egys FAC3_6 Elérhetőségi távolságok és idők Budapestig, közúti kapcsolatok FAC2_3 Idegenforgalmi adó FAC1_8 Szálláshelyszolgáltatás FAC2_7 Szociális segély, regisztrált bűncselekmények 1000 lakosra FAC1_9 Értékteremtés, társasági adó, átlaglétszám FAC2_1 Gyermekkorúak és népsűrűség FAC2_8 Vendéglátóhelyek FAC2_4 Iparcikk nagyker, egyéb mns FAC3_5 Lakásépítések (száma és épített terület) FAC3_3 Önkormányzati lakóházak összes felúj, jav, karbant ktg FAC3_7 Ápolási díjban részesítettek 1000 főre jutó átlagos száma FAC3_9 Likviditás, eszközfedezettség FAC3_4 Élelmiszer, gépjármű nagyker FAC7_4 Mezőgazdasági nagyker FAC6_6 Kerékpárút FAC2_6 Belterületek kiépítettsége, kiépítetlen terület FAC4_1 Terület FAC2_9 Jövedelmezőségi mutatók FAC4_6 Vasúti kapcsolatok FAC2_5 Összkomfort-arány FAC4_4 Motorkerékpár és alkatrész nagyker FAC3_1 Elöregedés FAC2_2 Foglalkoztatottak FAC6_4 Egyéb nagyker FAC4_3 Lakás és egyéb bérbevételek FAC1_6 Járművek állománya, új forgalomba helyezés, közúti balesetek FAC4_7 Közgyógyellátási igazolvánnyal rendelkezők 1000 főre vetített száma

1 0.832

2 -0.230

3 -0.416

4 -0.244

5 0.106

0.820 -0.814

-0.265

-0.625 0.193

-0.190

0.153 -0.230

0.803 0.789 0.762 0.749 0.687 0.681

-0.254 -0.329

-0.228 -0.183

-0.488 -0.393 -0.591

-0.548 -0.465 -0.139 -0.462 -0.414 -0.579

-0.231 -0.296 -0.306

0.175

-0.599

0.421

0.391

0.426

-0.471

0.223

-0.966 -0.965 -0.925

-0.178 -0.307 -0.163

-0.257 -0.301 -0.118

-0.776 0.707 -0.678 0.246 0.146 -0.387

-0.394 0.381 -0.584 0.934 0.892 -0.763

-0.169 0.231 -0.309 0.199 -0.252

0.205

0.236

0.178

0.838

0.144

0.832

-0.256 0.835

0.383 -0.500 0.629 -0.229 -0.377

-0.172 0.235 0.192 -0.186 -0.164

0.438 0.236

-0.220 -0.103 0.263 0.327 0.412

0.136

-0.168 0.144 -0.163

0.417 0.485

0.251

-0.188

-0.268

-0.127 -0.181

0.454 -0.418 0.163

0.308 0.293 0.471 -0.429

0.318 -0.229

-0.202

0.211 0.244 0.436

0.132 -0.125

0.553 0.525 0.262 0.457 0.471 0.330

0.278 0.297 0.404 0.349 0.382

0.193 0.162 0.205 0.184 0.174 0.148

-0.246

-0.486

-0.175

0.124

0.292 0.408 0.194

-0.324 -0.378 -0.384

0.481 -0.123 0.376

0.388 -0.450 0.391 -0.189 -0.165 0.260

-0.115

0.344 0.938 -0.568

-0.250

0.133

0.369

0.308 0.200

-0.216

-0.389

0.115 -0.362

-0.237

-0.200 -0.112

9 0.277

0.218 -0.111

0.112 0.228 0.353 -0.336 -0.507 0.608

8 0.189

0.414 -0.343

0.173

0.492 0.188 0.174 0.101 -0.265

Component 6 7 0.477 0.255

0.373 -0.316 -0.338 0.603 0.106

0.160 -0.183

0.113 0.231 -0.140 0.128

10

-0.113

0.130 0.546 -0.114 0.234 -0.341

0.359

-0.124 -0.204 0.243 0.418 -0.887 -0.753

0.181 0.142 0.231 -0.173 -0.341 0.304

0.131 0.149 -0.681 0.648

12 0.706

0.341 -0.373

0.730 -0.425

0.334 0.494 0.658 0.468 0.655 0.303

0.747 0.734 0.202 0.722 0.686 0.612

-0.459

-0.490

0.138 0.226 0.165

0.125 0.283

0.324 -0.175 0.385 0.107 -0.108 0.120

0.538 -0.385 0.646 -0.204 -0.420 0.473

-0.108

-0.167

-0.278

-0.315

-0.163 0.133

0.317 0.248 -0.126 -0.219 -0.173

0.187 0.164

0.494 0.139

0.935 0.620 -0.198 -0.383 0.431

0.157 0.380 -0.921 -0.829 0.817

0.222 0.137 -0.301 0.109 0.191 0.118 0.959

-0.307 -0.189 -0.102 0.323

13 0.110

0.127

-0.129

-0.124

-0.248

0.117 0.330 -0.199

11 0.593

-0.191

0.151 -0.310 -0.126 -0.107 -0.234 -0.165 -0.239 0.182

0.920 0.495 -0.150 0.136

0.218

-0.155

0.178

0.199

0.944

7


A második lépcsős komponensek korrelációs mátrixát a 3. tábla mutatja. A táblában kiemeltük a nem elhanyagolható korrelációkat. 3. tábla Második lépcsős komponensek korrelációs mátrixa Kom ponens korrelációs m átrix Komponens 1

1

2

3

4

1.000 -0.144 -0.293 -0.092

5

6

7

8

9

10

11

12

13

0.088

0.328

0.145

0.136

0.185

0.012

0.358

0.404

0.010 0.020

2

-0.144

1.000

0.238

0.259 -0.049 -0.118 -0.313 -0.027

0.330 -0.029 -0.165 -0.208

3

-0.293

0.238

1.000

0.136 -0.111 -0.148 -0.169 -0.034

0.146 -0.092 -0.027 -0.365 -0.010

4

-0.092

0.259

0.136

1.000 -0.072 -0.011 -0.139 -0.115 -0.083 -0.013 -0.082 -0.154 -0.131

5

0.088 -0.049 -0.111 -0.072

6

0.328 -0.118 -0.148 -0.011 -0.027

7

0.145 -0.313 -0.169 -0.139

0.145 -0.052

0.063

8

0.136 -0.027 -0.034 -0.115

0.157

0.102 -0.018

1.000

0.045

0.117

9

0.185

0.146 -0.083

0.000

0.193 -0.062

0.045

1.000

0.023

0.145

0.059

10

0.012 -0.029 -0.092 -0.013

0.067

0.090

0.063

0.117

0.023

1.000 -0.057

11

0.358 -0.165 -0.027 -0.082

0.016

0.128

0.131

0.103

0.145 -0.057

1.000

0.279

0.001

12

0.404 -0.208 -0.365 -0.154

0.107

0.377

0.232

0.133

0.059

0.130

0.279

1.000

0.012

13

0.010

0.020 -0.010 -0.131 -0.211

0.054

0.125 -0.007

0.108 -0.011

0.001

0.012

1.000

0.330

1.000 -0.027

0.145

0.157

0.000

0.067

0.016

0.107 -0.211

1.000 -0.052

0.102

0.193

0.090

0.128

0.377

0.054

0.131

0.232

0.125

0.103

0.133 -0.007

1.000 -0.018 -0.062

0.108

0.130 -0.011

8


II.

II. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE A 96 INDIKÁTORON

Jelen munkafázisban Megbízóval történt előzetes egyeztetések alapján elkülönítjük a tesztelt adatállományból az oksági modell potenciális CÉL (EREDMÉNY) és (MAGYARÁZÓ) változóit. A továbbiakban elemzésünk célja az oksági modell e két változócsoportja közötti ok-okozati kapcsolatok irányának és intenzitásának számszerűsített elemzése az airLED projekt számára kiemelt repülőtéri vonzáskörzetek tekintetében. A kanonikus korrelációelemzés változók két csoportja között keresi a kapcsolatot. Elemzésünkben a változók a „FAC#_#” komponensek, ahol a második számjel a dimenziót, az első számjel a dimenzión belüli sorszámot jelöli, és a változók két csoportja a „CÉLVÁLTOZÓK” csoportja és a „MAGYARÁZÓ” változók csoportja (jelölés szerint Set-1 és Set-2). A statisztikai terminológiában használt jelölésrendszernek megfelelően a CÉLVÁLTOZÓK csoportját Y, a potenciális MAGYARÁZÓ változók csoportját X jelöli a továbbiakban. A 2. táblában definiált 36 faktorból 5 eredményjellegű célváltozót és 31 magyarázó változót különítünk el a célkitűzés szerint, úgymint:

SET-1, a célváltozók „Y” csoportja: 4. tábla SET-1: a CÉLVÁLTOZÓK SET-1: Célváltozók FAC1_2: Álláskeresők FAC2_2: Foglalkoztatottak FAC1_3: Önkormányzati bevételek, adók FAC2_3: Idegenforgalmi adó FAC4_3: Bérbevétel, lakás bérbevétel

9


SET-2, a magyarázó változók „X” csoportja: 5. tábla SET-2: a MAGYARÁZÓ VÁLTOZÓK SET-2: Magyarázó változók FAC1_1: Lakónépesség aktivitása, mobilitása FAC2_1: Gyermekkorúak, népsűrűség FAC3_1: Elöregedés FAC4_1: Terület FAC3_3: Önkormányzati lakóházak összes felúj.,jav.,karb.ktg. FAC1_4: Lakossági szükségletek kielégítését szolg.kisker.egy. FAC2_4: Iparcikk nagyker, egyéb mns. FAC3_4: Élelmiszer, gépjármű nagyker. FAC4_4: Motorkerékpár és alkatrész nagyker. FAC5_4: Gépjárművekkel kapcsolatos kisker üzletek és üzemanyagtöltő FAC6_4: Egyéb nagyker.egys. FAC7_4: Mezőgazdasági nagyker.egys. FAC1_5: Lakásadatok,lakók, alapterület, gáz,villanyfogy. FAC2_5: Összkomfort-arány FAC3_5: Lakásépítések (száma és épített terület) FAC1_6: Járművek állománya, új forgalombahelyezés, közúti balesetek FAC2_6: Belterületek kiépítettsége, kiépítetlen terület FAC3_6: Elérhetőségi idők és távolságok Budapestig, közúti kapcsolatok FAC4_6: Vasúti kapcsolatok FAC5_6: Kiépített utak FAC6_6: Kerékpárút FAC1_7: SZJA jövedelem,adó és adófizetői adatok(LM alatt, LM és Átlagjöv.között, Átlagjöv.fölött) FAC2_7: Szociális segély, regisztrált bűncselekmények 1000 lakosra FAC3_7: Ápolási díjban részesítettek 1000 főre jutó átlagos száma FAC4_7: Közgyógy.ig.rendelkezők 1000 főre vetített száma FAC1_8: Szálláshelyszolgáltatás FAC2_8: Vendéglátóhelyek FAC1_9: Tao-s vállalkozások értékteremtése, társasági adó, létszám FAC2_9: Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9: Tao-s vállalkozások likviditása, eszközfedezettsége FAC4_9: EVA bevétel és adó, reg.vállalkozások.

Alapvető cél szelektálni (hozzárendelni), a változókat abban a tekintetben, hogy melyik célváltozók melyik magyarázó változókkal vannak legszorosabb kapcsolatban. E célt szolgálja a kanonikus korrelációszámítás. A módszer alapvető mozzanatai a következők: 1. Az Y változók (5 db) körét sűríti egy kanonikus CV_Y (mesterséges) változóba, majd az X változók (31 db) körét is sűríti egy kanonikus CV_X (mesterséges) változóba. E két CV_Y és CV_X pár közötti kapcsolat a kanonikus korreláció, melynek az értékét a módszer maximálja. 2. Az általában nagyon erős kanonikus (maximalizált) korrelációra alapozva konklúzió, hogy amelyik változó szoros kapcsolatban van a CV_X változóval, az szoros kapcsolatban van a CV_Y változóval is, és megfordítva, tehát a CV_Y-CV_X páros szelektálja mind az X, mind az Y változók egy-egy alcsoportját, és kapcsolatba hozza őket egymással.

10


3. A gondolatmenet megismételhető újabb CV# párosításokra is mindaddig, míg értelme van a párosításoknak. Esetünkben maximum 5 ilyen CV_Y-CV_X párosítás vizsgálható (mert a kisebbik Set elemszáma: # = 1, 2, 3, 4, 5). 4. Korrelálatlan rendszer. A párokon belüli korrelációkat és a kanonikus korreláció szekvenciális tesztelésére szolgáló Bartlett- teszteket a 6. tábla mutatja. 6. tábla A kanonikus párok korrelációs értékei és a szekvenciális Bartlett-tesztek Canonical Correlations Wilk's

Chi-SQ

DF

Sig.

CV1

0.999

0.000 715.196 155.000

0.000

CV2

0.991

0.000 401.088 120.000

0.000

CV3

0.916

0.016 203.718

87.000

0.000

CV4

0.900

0.102 113.220

56.000

0.000

CV5

0.682

0.536

27.000

0.275

30.911

Látható, hogy az első négy korreláció igen magas, meghatározó. A Chi-SQ teszt szerint az első négy kanonikus korreláció szignifikáns, az ötödik a magas Wilk’s lambda érték szerint várhatóan elhagyható. Az első kanonikus pár két változója egzaktan együtt mozog (0.999), és ugyanígy a második kanonikus pár két változója is (0.991), hasonlóan a harmadik (0.916) és a negyedik (0.900) kanonikus pár két változójához. Az ötödik kanonikus pár két változója nem mozog együtt (0.682). A Komponensek alcsoportokra bontását a „Kanonikus Loading” megnevezésű koefficiensek teszik lehetővé, melyek a 7. táblában találhatók, tartalmukat tekintve korrelációs együtthatók a megfelelő CV és a megfelelő FAC változók között. A 7. táblában sárgával kiemeltük a jelentősebb korrelációs együtthatókat.

11


7. tábla A kanonikus párok és a faktorok közötti korrelációs értékek Canonical Loadings for SET-1 CV1 CV2 FAC1_2 -0.940 0.091 FAC2_2 -0.528 -0.133 FAC1_3 -0.949 0.144 FAC2_3 -0.108 0.987 FAC4_3 0.763 -0.354

CV3 -0.311 0.796 0.037 0.066 0.249

CV4 -0.072 0.080 0.166 -0.096 -0.343

CV5 0.071 -0.251 0.225 -0.016 0.336

Canonical Loadings for SET-2 CV1 CV2 FAC1_1 -0.953 0.054 FAC2_1 0.476 -0.598 FAC3_1 -0.344 0.211 FAC4_1 0.121 -0.292 FAC1_4 -0.756 0.412 FAC2_4 0.284 -0.222 FAC3_4 -0.337 -0.065 FAC4_4 0.006 0.011 FAC5_4 0.751 0.191 FAC6_4 0.690 0.033 FAC7_4 -0.363 -0.013 FAC3_3 -0.323 0.363 FAC1_5 -0.884 0.315 FAC2_5 -0.316 -0.314 FAC3_5 0.560 -0.034 FAC1_6 -0.870 0.225 FAC2_6 0.255 -0.254 FAC3_6 0.728 -0.276 FAC4_6 -0.536 -0.215 FAC5_6 -0.685 -0.241 FAC6_6 0.163 0.145 FAC1_7 -0.988 0.021 FAC2_7 -0.078 0.900 FAC3_7 0.241 -0.193 FAC4_7 -0.071 -0.208 FAC1_8 -0.298 0.910 FAC2_8 -0.768 0.499 FAC1_9 -0.554 0.646 FAC2_9 0.067 -0.358 FAC3_9 0.188 -0.068 FAC4_9 -0.896 0.176

CV3 -0.111 0.233 0.364 -0.008 -0.170 0.701 -0.074 0.051 -0.170 0.141 0.137 -0.425 -0.057 0.446 0.369 0.033 -0.068 -0.088 0.044 0.248 -0.044 0.066 0.054 -0.081 0.153 0.036 -0.056 0.093 -0.090 -0.090 0.162

CV4 -0.049 0.061 0.107 -0.112 0.015 -0.002 0.150 0.285 0.142 -0.296 0.076 0.249 0.094 0.082 0.108 0.146 -0.225 -0.055 -0.032 -0.201 -0.202 -0.025 -0.121 -0.019 -0.146 -0.034 0.006 0.117 0.159 0.079 0.077

CV5 0.032 0.098 -0.143 0.084 -0.029 -0.336 0.187 0.168 -0.228 0.206 0.144 -0.011 0.000 0.282 -0.212 -0.077 -0.054 -0.010 0.145 0.231 -0.360 0.007 0.123 0.321 -0.018 -0.068 0.010 0.072 0.004 0.222 -0.074

Az előrejelzés szempontjából alapvető kérdés, hogy az „X”-set és az „Y”-set (%-os értelemben) milyen mértékben magyarázza egymást. Esetünkben a kérdés, hogy az „X”(magyarázó)-SET milyen mértékben magyarázza az „Y”(eredmény)-SET értékeinek alakulását településről településre. Az erre a célra alkalmazott mutató a „redundancia-index”, melynek értékei a 8. táblában olvashatók.

12


8. tábla Redundancia indexek Proportion of Variance of Set-1 Explained by Its Own Can.Var. Prop.Var CV1-1 CV1-2 CV1-3 CV1-4 CV1-5

0.531 0.229 0.160 0.033 0.046

Proportion of Variance of Set-1 Explained by Opposite Can.Var. Prop.Var CV2-1 CV2-2 CV2-3 CV2-4 CV2-5

0.530 0.225 0.134 0.027 0.022

Proportion of Variance of Set-2 Explained by Its Own Can.Var. Prop.Var CV2-1 CV2-2 CV2-3 CV2-4 CV2-5

0.307 0.127 0.048 0.019 0.027

Proportion of Variance of Set-2 Explained by Opposite Can.Var. Prop.Var CV1-1 CV1-2 CV1-3 CV1-4 CV1-5

0.306 0.125 0.040 0.015 0.013

Fenti elemzés konklúziójaként elmondhatjuk, hogy a 96 manifeszt indikátort tartalmazó, 5 eredmény és 31 magyarázó változóra bontott adatbázis változó szelekciót igényel, az alacsony magyarázó erejű X-ek elhagyandók. Fenti tábla kiemelt 0.530-as értéke azt jelenti, hogy az „X1” magyarázó szett „Y1” célváltozó szett átlagosan 53 %-át magyarázza. Ez a mutató fontos információt hordoz, mivel megmutatja, hogy milyen fokú a redundancia mértéke. A táblában kiemelt másik érték azt mutatja, hogy a célváltozók összesen a magyarázó változók alakulásának 30,6 %- át magyarázzák, ez a feladat azonban nem képezi jelen kutatás tárgyát. Szükségesnek érezzük javítani az 53 %-os „magyarázottsági” indexen, ennek érdekében újra át kell tekintenünk a változókat, ki kell szűrnünk a korábban kisebb korrelációs értékeket, és szükség esetén összevonásokat kell végrehajtanunk. Szűrés, szelekció után az index várhatóan javulni fog.

13


III. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE AZ 58 INDIKÁTORON

III.

Áttekintve az egyes dimenziókon belül az indikátorokat, a 96 manifeszt indikátort tartalmazó adatbázison az alábbi változtatásokat eszközöltük: -

-

-

-

-

Az 1-es dimenzióból a korábbi futtatások alapján alacsonyabb korrelációs értékeket mutató Népsűrűség, Száz aktív korúra jutó gyermekkorú változókat, illetve a Terület változókat kihagytuk. A 2-es dimenzióból az Éven túli álláskeresők változót kihagytuk, mivel az Álláskeresők száma összesen változó már tartalmazza ezt az indikátort. A 3-as dimenzióból a Lakás bérbevétel változót és a Lakóházakkal kapcsolatos felújítási, karbantartási, javítási költség változót kihagytuk. A 4-es dimenzióban a TEÁOR szerint bontott kiskereskedelmi és nagykereskedelmi üzleteket Kiskereskedelmi egységek összesen és Nagykereskedelmi egységek összesen változókkal helyettesítettük. Az 5-ös dimenzión nem változtattunk. A 6-os dimenzióból a legkisebb korrelációs értékeket mutató Elérhetőségi idők és távolságok (idő és út szerint optimalizált) változót kihagytuk, illetve hasonló okok miatt a Vasúti kapcsolatok változót is kiemeltük az adatbázisból. A 7-es dimenzióban a korábban Létminimum alatti, Létminimum és Átlagjövedelem közötti és Átlagjövedelem fölötti sávonként megadott SZJA adatokat SZJA Jövedelem, Adó és Adófizető összesen adatokkal helyettesítettük, valamint a lakosság szociális helyzetét mutató, Ápolási díjban részesítettek 1000 főre jutó átlagos száma és Közgyógy. igazolvánnyal rendelkezők 1000 főre jutó átlagos száma változókat kihagytuk. A 8-as dimenzión nem változtattunk. A 9-es dimenzióban a Tao-s vállalkozások Átlagos állományi létszáma változót kihagytuk, mivel a korábbi tesztek alapján nem tagozódott be a struktúrába.

Az adatbázison végzett fenti változtatások után 58 manifeszt indikátor maradt, és az újraszámolt statisztikai tesztek az adatbázist 17 faktorba rendezték, melyet a 9. tábla részletez.

14


9. tábla Az 58 manifeszt indikátor és 17 faktor tartalma (D#_#=sorszám dim.belül_dimenziószám) Faktorok FAC1_1 Lakónépesség aktivitása, mobilitása FAC1_2 Munkaerőpiac

FAC1_3 Önkormányzati bevételek, helyi adók

FAC1_7 Személyi jövedelemadó bevallásadatok

FAC1_6 Gépjármű adatok, balesetek,közúti adatok

FAC1_5 Lakásállomány adatai és villany,gázfogyasztás

FAC1_9 Vállalkozások értékteremtése,Tao,EVA adófizetés

FAC1_4 Kisker.és nagyker.üzletek FAC3_5 Tárgyévi lakásépítési adatok FAC2_3 Idegenforgalmi adó FAC2_7 Közbiztonság, szociális helyzet

FAC1_8 Vendéglátás, szálláshely szolgáltatás

FAC2_1 Elöregedés FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói

FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút FAC2_5 Összkomfortos lakások aránya

Manifeszt változók D1_1 Lakónépesség1 D4_1 Kor1864évesaktív1 D3_1 Vándorlásikülönbözetoda_el1 D1_2 Foglalkoztatottak2 D2_2 Álláskeresőkszáma_2 D2_3 Sajátfolyóbev3 D3_3 Helyiadóbev3 D6_3 Iparűzésiadó3 D5_3 Tárgyévibev3 D4_3 Átenggépjármadó3 D1_3 Bérbevétel3 D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7 D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5 D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9 D1_4 Kiskerüzlszum4 D2_4 Nagykerszum4 D4_5 Lakásépter5 D3_5 Lakásép5 D7_3 Idegenforgadó3 D1_7 Szocsegélyátl7 D5_7 Fajlbűncselekm7 D1_8 Vendéglátóhely8 D2_8 Vendégekszáma8 D3_8 Külföldivendégekszáma8 D4_8 Vendégéjszakákszáma8 D5_8 Külföldivendégéjszakák8 D6_8 Szállásférőhely8 D7_8 Szálláshelyek8 D2_1 Százaktívkorúrajutóidőskorú1 D7_9 LIKVIDITÁS9 D8_9 BEFESZKFEDEZETT9 D10_9 ESZKÖZHATÉKONYSÁG9 D11_9 ESZKÖZJÖVEDELMEZŐSÉG9 D9_9 TŐKEARADÓZERED9 D1_6 Kiépítetlenút6 D7_6 Beltkiépítettség6 D8_6 Kerékpárút6 D6_5 Összkomfarány5

15


A korábban részletezettek szerint a 17 faktorból 6 komponenst leválasztva a totális információtartalom 90.346 %-át megőriztük. A 17 faktor és a 6 mesterséges komponens közötti korrelációs értékeket a 10. tábla mutatja. Az első főkomponens a legfontosabb a különbözőség, a szóródás tekintetében, mert az ő varianciája a legnagyobb. Adott komponens (fejrovat) korrelációs kapcsolata valamely FAC (oldalrovat) indikátorával a táblában foglalt értékkel jellemzett. 10. tábla Második lépcsős komponensek és első lépcsős faktorok struktúra mátrixa

Structure Matrix

FAC1_1 Lakónépesség aktivitása, mobilitása FAC1_2 Munkaerőpiac FAC1_3 Önkormányzati bevételek, helyi adók FAC1_7 Személyi jövedelemadó bevallásadatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok FAC1_5 Lakásállomány adatai és villany,gázfogyasztás FAC1_9 Vállalkozások értékteremtése,Tao,EVA adófizetés FAC1_4 Kisker.és nagyker.üzletek FAC3_5 Tárgyévi lakásépítési adatok FAC2_3 Idegenforgalmi adó FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC2_1 Elöregedés FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút FAC2_5 Összkomfortos lakások aránya

1 0.966 0.966 0.957 0.949 0.949 0.919 0.848 0.768 -0.681

2

Component 3 4

5

6

0.959 0.945 0.927 0.836 0.849 0.728 0.980 0.982

A tábla célját tekintve tájékoztató jellegű, a számadatai azt a célt szolgálják, hogy homogén csoportokba sorolja az indikátorokat, most szám szerint 6 adódott. Vizuálisan is érzékelhető, hogy a struktúra mátrix áttekinthetővé vált, a komponensek jól kirajzolódnak. Következő lépés a cél és magyarázó változók szubjektív módon való kiválasztása fenti komponensek közül. Definíciónk szerint a két csoport elemei a következő Komponensek:

SET-1, a célváltozók „Y” csoportja definíció szerint: 1. FAC1_2: MUNKAERŐPIAC. 2. FAC1_3: Önkormányzati bevételek, helyi adók 3. FAC2_3: Idegenforgalmi adó

16


SET-2, a magyarázó változók „X” csoportja definíció szerint: 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.

FAC1_1: Lakónépesség aktivitása, mobilitása FAC2_1: Elöregedés FAC1_4: Kiskereskedelmi és nagykereskedelmi üzletek FAC1_5: Lakásállomány adatai és villany, gázfogyasztás FAC2_5: Összkomfortos lakások aránya FAC3_5: Tárgyévi lakásépítési adatok FAC1_6: Gépjármű adatok, balesetek, közúti adatok FAC2_6: Belterületi kiépítettség, kiépítetlen út, kerékpárút FAC1_7: Személyi jövedelemadó bevallásadatok FAC2_7: Közbiztonság, szociális helyzet FAC1_8: Vendéglátás, szálláshely szolgáltatás FAC1_9 Vállalkozások értékteremtése,Tao,EVA adófizetés FAC2_9: Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9: Tao-s vállalkozások likviditása, eszközfedezettség

Szelektálnunk kell a változókat abban a tekintetben, hogy melyik célváltozók melyik magyarázó változókkal vannak legszorosabb kapcsolatban. E célt szolgálja a kanonikus korrelációszámítás. A módszer alapvető mozzanatai a következők: 5. Az Y változók (3 db) körét sűríti egy kanonikus CV_Y (mesterséges) változóba, majd az X változók (14 db) körét is sűríti egy kanonikus CV_X (mesterséges) változóba. E két CV_Y és CV_X pár közötti kapcsolat a kanonikus korreláció, melynek az értékét a módszer maximálja. 6. Az általában nagyon erős kanonikus (maximalizált) korrelációra alapozva konklúzió, hogy amelyik változó szoros kapcsolatban van a CV_X változóval, az szoros kapcsolatban van a CV_Y változóval is, és megfordítva, tehát a CV_Y-CV_X páros szelektálja mind az X, mind az Y változók egy-egy alcsoportját, és kapcsolatba hozza őket egymással. 7. A gondolatmenet megismételhető újabb CV# párosításokra is mindaddig, míg értelme van a párosításoknak. Esetünkben maximum 3 ilyen CV_Y-CV_X párosítás vizsgálható (a kisebbik Set elemszáma: # = 1, 2, 3). Az elemzést természetesen az Y és X csoporton belül mért, majd az Y_X csoportközi viszonylatban mért korrelációkra alapozzuk. Az Y csoporton belüli korrelációkat az 11. tábla közli. Ennek értelmében jelentős korrelációt FAC1_3 és FAC2_3 között találunk (0.9330), ahol:

17


FAC1_3 célváltozó-csoport indikátorai Rövid név D2_3 Sajátfolyóbev3 D3_3 Helyiadóbev3 D6_3 Iparűzésiadó3 D5_3 Tárgyévibev3 D4_3 Átenggépjármadó3 D1_3 Bérbevétel3

Teljes név A helyi önkormányzatok saját folyó bevételei A helyi önkormányzatok helyi adó bevételei A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó A helyi önkormányzatok tárgyévi bevételei A helyi önkormányzatoknak átengedett gépjárműadó Összes évi bérbevétel az önkormányzatoknál

FAC2_3 célváltozó-csoport indikátorai Rövid név D7_3 Idegenforgadó3

Teljes név A helyi önkormányzatok helyi adó bevételeiből az idegenforgalmi adó

11. tábla „Y” csoporton (eredményváltozók) belüli korrelációs értékek FAC1_2 Munkaerőpiac



0.9330

1

FAC2_3 Idegenforgalmi adó

0.2052

0.2906

Correlations for Set-1

Analóg módon az „X” csoporton (magyarázó változók) belüli korrelációkat az 12. tábla közli. 12. tábla Az „X” csoporton belüli korrelációs értékek Correlations for Set-2 FAC1_1 Lakónépesség aktivitása, mobilitása

FAC2_1 Elöregedés

FAC1_4 Kisker.és nagyker.üzletek

FAC1_5 Lakásállomány adatai és villany,gázfogyasz tás

FAC2_5 Összkomfortos lakások aránya

FAC1_6 FAC2_6 FAC3_5 Tárgyévi FAC1_7 Személyi Gépjármű adatok, Belterületi lakásépítési jövedelemadó balesetek,közúti kiépítettség,kiépíte adatok bevallásadatok adatok tlen út,kerékpárút

FAC2_1 Elöregedés

0.1725

1

FAC1_4 Kisker.és nagyker.üzletek

0.7145

0.0357

1

0.8818

0.3898

0.6891

1

0.2486

0.0634

-0.1074

0.032

1

-0.6364

0.0321

-0.7819

-0.4566

-0.1312

1

FAC1_5 Lakásállomány adatai és villany,gázfogyasz tás FAC2_5 Összkomfortos lakások aránya FAC3_5 Tárgyévi lakásépítési adatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok

FAC2_7 Közbiztonság, szociális helyzet

FAC1_8 Vendéglátás, szálláshely szolgáltatás

FAC1_9 FAC2_9 Tao-s Vállalkozások vállalkozások értékteremtése,Ta jövedelmezőségi o,EVA adófizetés mutatói

0.9202

0.4026

0.6065

0.8877

0.2708

-0.5145

1

FAC2_6 Belterületi kiépítettség,kiépíte tlen út,kerékpárút

-0.0891

-0.1317

-0.2455

-0.2782

0.2266

0.0819

-0.0825

1

FAC1_7 Személyi jövedelemadó bevallásadatok

0.9143

0.4671

0.5586

0.8688

0.3366

-0.5424

0.9458

-0.0648

1

0.1200

0.2759

0.3221

0.3717

-0.3582

-0.0349

0.2087

-0.2719

0.1003

1

0.4447

0.3266

0.5494

0.6363

-0.2539

-0.2931

0.4798

-0.3854

0.4096

0.8263

1

0.7977

0.4810

0.5921

0.8485

0.1465

-0.4591

0.8728

-0.2235

0.8344

0.4658

0.7402

1

-0.0564

0.0311

-0.1521

-0.1536

0.1514

0.0817

-0.1035

0.1326

-0.0284

-0.4245

-0.3851

-0.1628

1

-0.2493

-0.1498

-0.1076

-0.1987

-0.3349

0.1631

-0.2333

-0.0397

-0.3132

0.0887

-0.0374

-0.1332

0.2692

FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC1_9 Vállalkozások értékteremtése,Ta o,EVA adófizetés FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9 Tao-s vállalkozások likviditása,eszközf edezettség

18


Ennek értelmében jelentős (sárgával kiemelt) korrelációt az alábbi párosításokban találunk a magyarázó változócsoporton belül: FAC1_1 magyarázó változó-csoport indikátorai D1_1 Lakónépesség1 D4_1 Kor1864évesaktív1 D3_1 Vándorlásikülönbözetoda_el1 0.7145

FAC1_4 magyarázó változó-csoport indikátorai D1_4 Kiskerüzlszum4 D2_4 Nagykerszum4

.

0 8818

FAC1_5 magyarázó változó-csoport indikátorai D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5

-0.6364

0.9202

FAC3_5 magyarázó változó-csoport indikátorai D4_5 Lakásépter5 D3_5 Lakásép5

FAC1_6 magyarázó változó-csoport indikátorai D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6

0.9143

0.7977

FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7 FAC1_9 magyarázó változó-csoport indikátorai D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9

A FAC1_1 Lakónépesség aktivitása, mobilitása faktorcsoport manifeszt változói a 69 megfigyelés (vonzáskörzeti település) adatát tartalmazó adatbázis elemzése alapján – kiemelve a legfontosabbakat - szoros (koefficiens: 0.9202) korrelációs kapcsolatot mutatnak a FAC3_5 Tárgyévi lakásépítési adatok faktorcsoport manifeszt változóival, illetve hasonlóan jelentős (koefficiens: 0.9143) korrelációs kapcsolatot mutatnak a FAC1_7 Személyi jövedelembevallási adatok faktorcsoport manifeszt változóival. 19


FAC1_4 magyarázó változó-csoport indikátorai D1_4 Kiskerüzlszum4 D2_4 Nagykerszum4

0.6891


-0.7819

FAC3_5 magyarázó változó-csoport indikátorai D4_5 Lakásépter5 D3_5 Lakásép5 0.6065

0.5921

FAC1_6 magyarázó változó-csoport indikátorai D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 FAC1_9 magyarázó változó-csoport indikátorai D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9

A 12. táblából kiemelt következő FAC1_4 Kiskereskedelmi és nagykereskedelmi egységek faktorcsoport manifeszt változói legszorosabban a FAC3_5 Tárgyévi lakásépítési adatok manifeszt változóival (lakásépítések száma és épített lakások összes területe) korrelálnak (koefficiens: -0.7819) negatív irányban. Megvizsgáltuk, hogy mi az oka az előjel-váltásnak és az adatokból a következő konklúzióra jutottunk: A FAC3_5 Tárgyévi lakásépítési adatok faktorcsoport a Tárgyévben épített lakások száma és a Tárgyévben épített lakások összes alapterülete manifeszt változókat foglalja magában. Értelemszerűen a két manifeszt változó egymáshoz viszonyított statisztikai kapcsolata határozza meg FAC3_5 faktorcsoport statisztikai jellemzőit is. A két manifeszt változó hányadosa az 1 épített lakásra jutó alapterület fajlagos mutatója. A tesztek azt mutatták, hogy a fajlagos mutató mindkét manifeszt változóval negatív statisztikai kapcsolatot mutat. Tehát elmondhatjuk, hogy ha településsorosan nő a lakásépítések száma, és nő az épített lakások összes területe, a 1 lakásra jutó négyzetméter fajlagos mutatója csökken – a 69 elemű adatbázis adatai alapján. A teljesség igénye nélkül pl. kiemelve az adatbázisból a legkisebb és legnagyobb fajlagos mutató értékét, az alábbi következtetés adódik:

20


A legkisebb fajlagos mutatót Budapest VIII. kerületének tárgyévi lakásépítési adatai mutatják, ahol 2011-ben összesen 829 lakás épült, összesen 39.998 négyzetméteren, így a fajlagos mutató alapján az adott évben egy lakásra átlagosan 48 négyzetméter terület esik. A legnagyobb fajlagos mutatót Budapest XII. kerületének tárgyévi lakásépítési adatai mutatják, ahol 2011-ben összesen csupán 23 lakás épült, összesen 4873 négyzetméteren, így a fajlagos mutató alapján az adott évben egy lakásra átlagosan 212 négyzetméter terület esik.


0.8877

0.8688


FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7 0.6363

0.8485

FAC1_8 magyarázó változó-csoport indikátorai D1_8 Vendéglátóhely8 D2_8 Vendégekszáma8 D3_8 Külföldivendégekszáma8 D4_8 Vendégéjszakákszáma8 D5_8 Külföldivendégéjszakák8 D6_8 Szállásférőhely8 D7_8 Szálláshelyek8

FAC1_9 magyarázó változó-csoport indikátorai D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9

A FAC1_5 Lakásállományi adatok, villany, gázfogyasztás faktorcsoport manifeszt változói legszorosabban a FAC1_6 Gépjármű adatok, balesetek, közúti kapcsolatok faktorcsoport manifeszt változóival korrelál (koefficiens: 0.8877).

21



FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7

0.9458

0.8728


A FAC1_6 Gépjármű adatok, balesetek, közúti kapcsolatok faktorcsoport manifeszt változói a 12. tábla legmagasabb korrelációs értékét (koefficiens: 0.9458) mutatva a legszorosabban a FAC1_7 Személyi jövedelemadó bevallási adatok (jövedelem, adó, adófizető) faktorcsoport manifeszt változóival korrelál. FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7

0.8344


FAC2_7 magyarázó változó-csoport indikátorai D1_7 Szocsegélyátl7 D5_7 Fajlbűncselekm7

0.8263


22


Végül a komponensek csoportközi kereszt-korrelációit a 13. tábla közli. A tábla adatai azt mutatják, hogy a célváltozókra és magyarázó változókra szétbontott 2 faktorcsoport egyes faktorai között milyen korrelációkat mutat a 69 elemű adatbázis elemzése. A kiemelendő kapcsolatok az alábbiak: 13. tábla Faktor-komponensek csoportközi kereszt-korrelációi FAC1_2 Munkaerőpiac

FAC1_1 Lakónépesség aktivitása, mobilitása FAC2_1 Elöregedés FAC1_4 Kisker.és nagyker.üzletek FAC1_5 Lakásállomány adatai és villany,gázfogyasztás FAC2_5 Összkomfortos lakások aránya FAC3_5 Tárgyévi lakásépítési adatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút FAC1_7 Személyi jövedelemadó bevallásadatok FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC1_9 Vállalkozások értékteremtése,Tao,EVA adófizetés FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség

0.9514 0.2882 0.6970 0.8864 0.2173 -0.6062 0.9135 -0.0678 0.9335 0.1299 0.4057 0.7446 -0.0370 -0.2559

FAC1_3 FAC2_3 Önkormányzati Idegenforgalmi adó bevételek, helyi adók 0.9102 0.2195 0.3754 0.2768 0.6653 0.3864 0.9101 0.4398 0.2937 -0.2928 -0.5470 -0.1203 0.9460 0.2696 -0.1279 -0.3440 0.9348 0.1709 0.2214 0.8794 0.4976 0.9179 0.8368 0.5486 -0.0707 -0.4113 -0.2140 0.0008

FAC1_2 célváltozó-csoport indikátorai D1_2 Foglalkoztatottak2 D2_2 Álláskeresőkszáma_2

0.9514

0.8864

0.9135

0.9335

FAC1_1 magyarázó változó-csoport indikátorai D1_1 Lakónépesség1 D4_1 Kor1864évesaktív1 D3_1 Vándorlásikülönbözetoda_el1 FAC1_5 magyarázó változó-csoport indikátorai D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5 FAC1_6 magyarázó változó-csoport indikátorai D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7

23


A FAC1_2 Munkaerőpiac eredményjellegű faktorcsoport manifeszt változói (Foglalkoztatottak száma és Álláskeresők száma) legszorosabban (koefficiens: 0.9514) a FAC1_1 Lakónépesség aktivitása, mobilitása magyarázó jellegű faktorcsoport manifeszt változóival (Lakónépesség száma, Aktív korú népesség száma, Belföldi vándorlási különbözet) korrelálnak, ami evidens kapcsolatnak tekinthető. Szorosan korrelálnak a FAC1_2 Munkaerőpiac eredményjellegű faktorcsoport manifeszt változói a FAC1_7 Személyi jövedelemadó bevallási adatok (jövedelem, adó, adófizető) faktorcsoport manifeszt változóival is (koefficiens: 0.9335), illetve a FAC1_6 Gépjármű adatok, balesetek, közúti kapcsolatok faktorcsoport manifeszt változóival is (koefficiens: 0.9135).

FAC1_3 célváltozó-csoport indikátorai D2_3 Sajátfolyóbev3 D3_3 Helyiadóbev3 D6_3 Iparűzésiadó3 D5_3 Tárgyévibev3 D4_3 Átenggépjármadó3 D1_3 Bérbevétel3

FAC1_1 magyarázó változó-csoport indikátorai D1_1 Lakónépesség1 D4_1 Kor1864évesaktív1 D3_1 Vándorlásikülönbözetoda_el1

0.9102

0.9101

0.9460

0.9348

0.8368

FAC1_5 magyarázó változó-csoport indikátorai D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5 FAC1_6 magyarázó változó-csoport indikátorai D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7 FAC1_9 magyarázó változó-csoport indikátorai D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9

24


A FAC1_3 Önkormányzati bevételek, helyi adó eredményjellegű faktorcsoport manifeszt változói legszorosabban a FAC1_6 Gépjármű adatok, balesetek, közúti kapcsolatok magyarázó jellegű faktorcsoport manifeszt változóival korrelál (koefficiens: 0.9460). A teljesség igénye nélkül közgazdaságilag is értelmezhető kapcsolatot a két változócsoport között az átengedett gépjárműadó indokol, mely a gépjármű-állomány (személygépkocsi és tehergépkocsi) meghatározott műszaki paraméterei után terhelik az üzembentartót. A FAC1_3 Önkormányzati bevételek, helyi adó eredményjellegű faktorcsoport manifeszt változói szoros kapcsolatot mutatnak a FAC1_7 Személyi jövedelemadó bevallási adatok (jövedelem, adó, adófizető) magyarázó jellegű faktorcsoport manifeszt változóival (koefficiens: 0.9348). Azonos mértékű szoros kapcsolatot mutatnak a FAC1_1 Lakónépesség aktivitása, mobilitása magyarázó jellegű faktorcsoport manifeszt változóival (koefficiens: 0.9102)és a FAC1_5 Lakásállományi adatok, villany, gázfogyasztás faktorcsoport manifeszt változóival (koefficiens: 0.9101) is. Közgazdaságilag értelmezhető a kapcsolat a személyi jövedelemadó bevallási adatokkal, mivel az önkormányzat a központi költségvetésből 2011-ben az átengedett személyi jövedelemadó összegét a bevételei között elszámolta. A FAC1_3 Önkormányzati bevételek, helyi adó eredményjellegű faktorcsoport manifeszt változói szoros kapcsolatot mutatnak a FAC1_9 Vállalkozások értékteremtése, TAO, EVA bevétel adó magyarázó jellegű faktorcsoport manifeszt változóival (koefficiens: 0.8368), amennyiben az iparűzési adó alapját képező mutatókat közelítőleg tartalmazza a társasági adós vállalkozások adataiból számítva (adókedvezmények nélkül), illetve az EVA –s vállalkozások bevétel adatai is megjelennek a helyi iparűzési adó alapjában. FAC2_3 célváltozó-csoport indikátorai D7_3 Idegenforgadó3

0.9179


A FAC2_3 Idegenforgalmi adó eredményjellegű faktor manifeszt változója legszorosabb kapcsolatot mutat a FAC1_8 Vendéglátás, szálláshelyszolgáltatás magyarázó jellegű faktorcsoport manifeszt változóival (koefficiens: 0.9179), mely egyértelműen indokolható közgazdaságilag is.

25


IV.

IV.

KANONIKUS VÁLTOZÓ-PÁROK ELEMZÉSE

Mint említettük korábban, a komponensek jelen X_Y csoportosítása 3 kanonikus-pár elemzését teszik lehetővé. A párokon belül mért korrelációkat mutatja a 14. tábla. Mindhárom korreláció igen magas, de láthatóan az első kettő a meghatározó: 0.989 és 0.966. Bár a Chi-SQ teszt szerint mindhárom kanonikus korreláció szignifikáns, a harmadik a magas Wilk’s lambda szerint várhatóan elhagyható. 14. tábla Kanonikus komponens-párokon belüli korrelációs értékek Canonical Correlations CV1

0.989

CV2

0.966

CV3

0.717

Test that remaining correlations are zero: Wilk's

Chi-SQ

DF

Sig.

CV1

0.001

425.579

42

0.0000

CV2

0.033

201.414

26

0.0000

CV3

0.486

42.574

12

0.0000

Konklúzió, hogy az első kanonikus pár két változója szinte egzaktan együtt mozog (0.989) és ugyanez mondható el a második párosról is (0.966). Végül a Komponensek alcsoportokra bontását a „Kanonikus Loading” megnevezésű koefficiensek teszik lehetővé, melyek az 15. táblában találhatók, és tartalmukat tekintve korrelációs együtthatók a megfelelő CV#_# és a megfelelő FAC#_# változók között.

26


15. tábla A kanonikus változópárok és a komponensek közötti korrelációs kapcsolatok Canonical Loadings for Set-1 FAC1_2 Munkaerőpiac FAC1_3 Önkormányzati bevételek, helyi adók FAC2_3 Idegenforgalmi adó

CV1_Y 0.976 0.931 0.018

CV2_Y 0.169 0.306 0.989

CV3_Y 0.138 -0.198 0.147

CV1_X 0.965 0.921 0.018

CV2_X 0.163 0.295 0.955

CV3_X 0.099 -0.142 0.105

CV1_X 0.940 0.270 0.630 0.840 0.320 -0.590 0.910 -0.010 0.940 -0.030 0.250 0.690 0.040 -0.250

CV2_X 0.200 0.311 0.369 0.445 -0.256 -0.094 0.281 -0.366 0.170 0.908 0.946 0.582 -0.421 0.019

CV3_X 0.108 -0.240 0.217 -0.009 -0.516 -0.188 -0.148 0.051 -0.086 0.125 0.092 -0.190 -0.099 -0.116

CV1_Y 0.930 0.268 0.631 0.835 0.318 -0.586 0.904 -0.014 0.937 -0.031 0.248 0.685 0.042 -0.254

CV2_Y 0.193 0.300 0.356 0.430 -0.247 -0.091 0.272 -0.353 0.165 0.877 0.914 0.562 -0.406 0.018

CV3_Y 0.077 -0.172 0.155 -0.006 -0.370 -0.135 -0.106 0.037 -0.061 0.089 0.066 -0.136 -0.071 -0.083

Cross Loadings for Set-1 FAC1_2 Munkaerőpiac FAC1_3 Önkormányzati bevételek, helyi adók FAC2_3 Idegenforgalmi adó Canonical Loadings for Set-2 FAC1_1 Lakónépesség aktivitása, mobilitása FAC2_1 Elöregedés FAC1_4 Kisker.és nagyker.üzletek FAC1_5 Lakásállomány adatai és villany,gázfogyasztás FAC2_5 Összkomfortos lakások aránya FAC3_5 Tárgyévi lakásépítési adatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút FAC1_7 Személyi jövedelemadó bevallásadatok FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC1_9 Vállalkozások értékteremtése,Tao,EVA adófizetés FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség Cross Loadings for Set-2 FAC1_1 Lakónépesség aktivitása, mobilitása FAC2_1 Elöregedés FAC1_4 Kisker.és nagyker.üzletek FAC1_5 Lakásállomány adatai és villany,gázfogyasztás FAC2_5 Összkomfortos lakások aránya FAC3_5 Tárgyévi lakásépítési adatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút FAC1_7 Személyi jövedelemadó bevallásadatok FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC1_9 Vállalkozások értékteremtése,Tao,EVA adófizetés FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség

A kanonikus „Loading” korrelációk értelmezése és alkalmazása a következő: Például: 1. 2. 3. 4.

FAC1_2 szorosan korrelál (0.976) a CV1_Y változóval, FAC1_1 szorosan korrelál (0.940)a CV1_X változóval, CV1_Y szorosan korrelál (0.989) a CV1_X változóval (lásd 14. tábla), következésképpen FAC1_2 szoros kapcsolatban van (0.9514) a FAC1_1 változóval (lásd 13. tábla).

27


Az első kanonikus változó-pár tehát az alábbi kapcsolatrendszert szelektálja: 16. tábla Az első kanonikus változó-pár manifeszt változói CV1_Y eredményváltozók D1_2 Foglalkoztatottak FAC1_2 Munkaerőpiac D2_2 Álláskeresőkszáma D2_3 Sajátfolyóbev D3_3 Helyiadóbev FAC1_3 Önkormányzati D6_3 Iparűzésiadó bevételek, helyi adók D5_3 Tárgyévibev D4_3 Átenggépjármadó D1_3 Bérbevétel

CV1_X magyarázó változók D1_1 Lakónépesség FAC1_1 Lakónépesség D4_1 Kor1864évesaktív aktivitása, mobilitása D3_1 Vándorlásikülönbözetoda_el FAC1_4 Kiskereskedelmi D1_4 Kiskerüzlszum és nagyker. egységek D2_4 Nagykerszum D2_5 Villenergfogy FAC1_5 Lakásállomány D8_5 Lakásszám adatai és D7_5 Fajllakasszam villany,gázfogyasztás D5_5 Fajllakáster D1_5 Gázfogy D4_5 Lakásépter FAC3_5 Tárgyévi lakásépítési adatok D3_5 Lakásép D6_6 Személyszállító D12_6 Közlekbaleset D11_6 Közlbalesetsérült FAC1_6 Gépjármű D5_6 Személyszállforghely adatok, balesetek, D3_6 Áruszálltgk közúti adatok D9_6 Közútikapcs D10_6 Szgkforg D4_6 Áruszállforghely D2_6 Kiépítettút D4_7 Összesjövedelem FAC1_7 SZJA bevallás D2_7 ÖsszesSZJA adatok D3_7 Összesadófiz D1_9 Regvállszám FAC1_9 Tao-s D4_9 FizetettTAO vállalkozások D2_9 EVAbevétel értékteremtése, Tao, D3_9 EVAadó EVA adatok D5_9 Brtermérték D6_9 Brhozzáadottérték

A második kanonikus változó-pár által szelektált kapcsolatrendszer a következő: 17. tábla A második kanonikus változó-pár manifeszt változói CV2_Y eredményváltozó FAC2_3 Idegenforgalmi adó D7_3 Idegenforgadó

CV2_X magyarázó változó FAC2_7 Közbiztonság, D1_7 Szocsegélyátl szociális helyzet D5_7 Fajlbűncselekm D1_8 Vendéglátóhely D2_8 Vendégekszáma D3_8 Külföldivendégekszáma FAC1_8 Vendéglátás, D4_8 Vendégéjszakákszáma szálláshely-szolgáltatás D5_8 Külföldivendégéjszakák D6_8 Szállásférőhely D7_8 Szálláshelyek D1_9 Regvállszám FAC1_9 Tao-s D4_9 FizetettTAO vállalkozások D2_9 EVAbevétel értékteremtése, Tao, EVA D3_9 EVAadó adatok D5_9 Brtermérték D6_9 Brhozzáadottérték

28


A harmadik kanonikus változó-pár nem szelektál kapcsolatrendszert, mert – bár FAC2_5 korrelációja a CV3_X változóval nem elhanyagolható (-0.516), de a CV3_Y változóval egyik FAC_Y sem korrelál. A fenti konklúziókat megerősítik az 15. tábla „Kereszt-korreláció” értelmű, ún. „Cross Loading” koefficiensei. E koefficiensek értelmezése és alkalmazása analóg a „direkt” (csoporton belüli) koefficiens értelmezésével, azzal a különbséggel, hogy a kapcsolatot itt FAC_X komponens és CV_Y változók közötti viszonylatban, és megfordítva közli. Az előrejelzés szempontjából alapvető kérdés, hogy az „X-set” és az „Y-set” (százalékos értelemben) milyen mértékben magyarázza egymást. Jelen elemzésben a kérdés, hogy az X_Set milyen mértékben magyarázza az Y_Set értékeinek alakulását településről településre. Az alkalmazott mutató az ún. „redundancia index”, melynek értékei a 18. táblában olvashatók.

29


18. tábla Redundancia indexek Proportion of Variance of Set-1 Explained by Its Ow n Can.Var. Prop Var CV1-1 0.607 CV1-2 0.367 CV1-3 0.027 Proportion of Variance of Set-1 Explained by Opposite Can.Var. Prop Var CV2-1 0.593 CV2-2 0.342 CV2-3 0.014 Proportion of Variance of Set-2 Explained by Its Ow n Can.Var. Prop Var CV2-1 0.349 CV2-2 0.216 CV2-3 0.038 Proportion of Variance of Set-2 Explained by Opposite Can.Var. Prop Var CV1-1 0.341 CV1-2 0.201 CV1-3 0.020

A redundancia index a kanonikus korreláció modell illeszkedés-vizsgálati (Goodness-of-fit) szempontból való jellemzése. A redundancia index „Variance-Explained” % típusú mutató, mely azt méri, hogy valamely CV átlagosan mekkora arányban magyarázza: 1. egyfelől a saját körének változóit, 2. másfelől, ezen keresztül a másik (opposite) változókör elemeinek az alakulását településről településre. Elemzésünkben a hangsúly az egyik Set által a szemközti, „opposite” Set” varianciájából (információjából) magyarázott hányad százalékos mértékén van. A redundancia index X_Y és Y_X irányban nem szimmetrikus, és esetünkben ez a két kapcsolat: 1. az X Set az Y Set alakulását 0.593 = 59.3% arányban, míg 2. az Y Set az X Set alakulását „csak” 0.341 = 34.1% arányban magyarázza. Megjegyezzük, hogy az alapvető vizsgálati célváltozók előrejelzése érdekében jelen tanulmányban értelemszerűen az első, az X Y prediktív irány az érdekes.

30


V.

V.

A KONFIRMATÍV SEM MODELL

STRUCTURAL EQUATIONS MODELING (SEM) Közvetlenül nem megfigyelhető X és Y latens dimenziók oksági kapcsolatai hipotetikus rendszert alkotnak. E latens kauzalitási rendszer változói lehetnek endogén és exogén jellegűek is az okokozati út-diagram egyenleteiben. Esetünkben az Y:Függő és az X:Független típusú változók alkotják a latens változók két alapvető körét. Megelőzően, a „kanonikus korreláció” módszerével két párosítást detektáltunk az X_Y viszonylatban, rendre: 1. X1(.)_Y1(.), 2. X2(.)_Y2(.), ahol (.) az indikátorok valamely körét definiálja. Az első pár az eredeti indikátorok X1_Y1 kapcsolatait, a második pár pedig egy másik, X2_Y2 kapcsolatait szelektálja, exploratív céllal. A továbbiakban a SEM modell konfirmatív célú alkalmazásával a kanonikus korreláció analízis eredményeinek az érvényességét vizsgáljuk, és ésszerű modell-korrekciók lehetőségeit keressük. Ennek során: 1. az első lépésben SEM- modell elemzést végzünk az X1(.)_Y1(.) viszonylatban, 2. a második lépésben SEM modell elemzést végzünk az X2(.)_Y2(.) viszonylatban, 3. végül összekapcsoljuk az X1(.)_Y1(.)_X2(.)_Y2(.) SEM rendszert. A latens konstrukciók mérését a velük szoros korrelációs kapcsolatot mérő megfigyelhető, ún. manifeszt változók szolgálják, melyek lehetnek endogén, vagy exogén szerepben is. A latens „X,Y” változó által indukált manifeszt változót az adott latens változó indikátorának nevezzük, mert a vonatkozó latens tengelyen történő elmozdulást tükrözi. A SEM modell alapvetően két, egy strukturális és egy mérési blokkra tagolódik. A modell célja a manifeszt változók körében kalkulálható kovarianciák (korrelációk) minél pontosabb közelítése becsült koefficiensek alkalmazásával.

31


A strukturális rész tagolása kettős: 1. egyfelől a változók regressziós egyenletei, 2. másfelől a reziduális változók korrelációs kapcsolatai alkotják.

Az X1_Y1 „SEM” modell Jelen specifikációban a CV1 első kanonikus változópár által javasolt X_Y kapcsolatot teszteljük. A számítások az R-program alkalmazásával készültek, megőrizve annak szintaktikáját. Az alkalmazott becslési módszer a “Maximum Likelihood ML”. A FAC#_# komponens(ek) indikátor listáit részletesen lásd a korábbiakban. A tárgyalt modell mérési része, vagyis a látens változók definiálása a következő: Y1 =~ FAC1_2 + FAC1_3 X1 =~ FAC1_1+FAC1_4+FAC1_5+FAC1_6+FAC1_7 +FAC1_9

ahol az “=~” operátor jelentése a továbbiakban: Y1 “manifested by” FAC1_2 és FAC1_3, tehát a “+” operátor jelentése itt “és” értelmű. Az X1 látens változó mérése (definiálása) analóg. A modell strukturális, regressziós része a következő: Y1 ~ X1

Most egyszerűen X1 látens okozza az Y1 látens változót, amit a “~” operátor jelez, aminek jelentése: Y1 “regressed on” X1.

Jelen modellben megengedjük a FAC1_2 és FAC1_9 indikátorok reziduális változóinak a korrelációs kapcsolatát is. A modell korrelációs része a következő: FAC1_2 ~~ FAC1_9

ahol a “~~” operator a korrelációs kapcsolat szorosságát mérő (kovariancia) jelölése.

32


A fenti SEM modellt az 1. ábra útdiagramja illusztrálja. A SEM útdiagram lényegében egy hipotézis-rendszer, melynek irányultságai, kapcsolatai előbb statisztikailag becsülendők, majd statisztikailag tesztelendők. A jelölésrendszerről röviden: -

a látens változót – esetünkben X1 és Y1 ovális, az empirikus [manifeszt] változót box azonosítja.

-

irányított nyíl ok-okozati kapcsolatot definiál.

-

amely változóba – akár látens, akár manifeszt – mutat nyíl, a modellből levezetett, tehát szerepét illetően endogén, „dependent” jellegű.

-

minden magyarázott, vagyis endogén változóhoz tartozik egy reziduális hiba (Error) faktor, ahol a hibatényező értelemszerűen látens jellegű.

-

két változót összekapcsoló, de nem irányított zsinór a két változó közötti korrelációs, statisztikai kapcsolat feltevésére, becslési igényére utal.

33


1. ábra: Az X1_Y1 SEM modell

Error

Error

Error

Error

Error

Error

Error

FAC1_6 Belterületi kiépítettség, kiépítetlen út, kerékpárút

FAC1_4 Kiskereskedelmi és nagykereskedelmi egységek

FAC1_2 Munkaerőpiac

FAC1_7 SZJA bevallási adatok

FAC1_5 Lakásállomány adatai, villany és gázfogyasztás

Error

FAC1_9 Vállalkozások értékteremtése Tao, EVA fizetés

FAC1_3 Önkormányzati bevételek, adók

FAC1_1 Lakónépesség aktivitása, mobilitása

Y1

X1

Error

Error

A modell konvergenciáját jellemző eredmények az alábbiak (a ML módszer nem minden esetben konvergál!): 1. 2. 3. 4.

Estimator Minimum Function Test Statistic Degrees of freedom P-value (Chi-square)

ML 72.819 18 0.000

Konklúzió, hogy a szabadsági fok (Df=18) statisztikailag elegendő, és a P-érték szerint az alkalmazott modell adekvát 5% szignifikancia szinten, mert P<0.05. A modell adekvát megítélésének heurisztikus (%) mutatói az alábbiak: User model versus baseline model: 1. Comparative Fit Index (CFI) 2. Tucker-Lewis Index (TLI)

0.944 0.912

Mind a CFI mind a TLI indexek szerint a modell igen magas (94.4 és 91.2) százalékban magyarázza az indikátorok korrelációs kapcsolatait. A CFI és TLI indexek formulái rendre:

34


CFI t /b = 1 −

TLI t /b = 1 −

Chit2 − dft Chib2 − dfb dfb Chit2 − dft dft Chib2 − dfb

ahol t a User „tárgyi”) modellt, b pedig a „baseline” modellt azonosítja, „Chi-négyzet” a „perfect” modelltől való távolság, „df” pedig a modell szabadsági foka. A baseline alapmodell viszonyítási alap, melyben az indikátorok korrelálatlanok egymással. A másik viszonyítási alap a „szaturált” modell, mely teljesen fel van töltve paraméterekkel, ezért az indikátorok megfigyelt korrelációit maradék nélkül, hibátlanul reprodukálja. A tárgyi (current) modell a kettő között helyezkedik el. A CFI index szerint az X1_Y1 modell 94.4%-ban távolodott el az alapmodelltől és 5.6%-ban marad el a szaturált modelltől. Látható, hogy a TLI index némileg szigorúbb. A modell pontosságának a további megítélését szolgálja a SRMSR mutató, a 19. tábla utolsó elemeként. Jelen modell esetében ez az érték 0.028, tehát a megfigyelt korrelációk közelítése átlagosan, relatíve elenyésző hibát eredményez. 19. tábla Loglikelihood and Information Criteria: 1. 2. 3. 4. 5. 6. 7.

Loglikelihood user model (H0) -316.034 Loglikelihood unrestricted model (H1) -279.625 Root Mean Square Error of Approximation: RMSEA 0.210 90 Percent Confidence Interval 0.161 0.262 P-value RMSEA <= 0.05 0.000 Standardized Root Mean Square Residual: 0.028

A SEM modell paramétereinek a becslési eredményei a 20. táblában találhatók. A táblában a paraméterek becsült értékeit az „estimate” oszlop közli, melyek szignifikáns vagy inszignifikáns voltának eldöntését a P-értékek adják: P<0.05 érték szignifikáns koefficienst jelez (5% döntési szinten).

35


20. tábla. Parameter estimates: -----------------------------------------------------------------------Estimate Std.err Z-value P(>|z|) Std.lv Std.all -----------------------------------------------------------------------Latent variables: ----------------Y1 =~ FAC1_2 1.000 0.957 0.962 FAC1_3 0.998 0.048 20.776 0.000 0.955 0.962 X1 =~ FAC1_1 1.000 0.948 0.955 FAC1_4 0.734 0.094 7.802 0.000 0.696 0.701 FAC1_5 0.974 0.059 16.519 0.000 0.923 0.930 FAC1_6 1.005 0.052 19.456 0.000 0.953 0.960 FAC1_7 1.004 0.052 19.342 0.000 0.952 0.959 FAC1_9 0.915 0.071 12.919 0.000 0.867 0.874 -----------------------------------------------------------------------Regressions: -----------Y1 ~ X1 1.019 0.049 20.779 0.000 1.009 1.009 -----------------------------------------------------------------------Covariances: -----------FAC1_2 ~~ FAC1_9 -0.107 0.020 -5.366 0.000 -0.107 -0.822 ------------------------------------------------------------------------

A P-értékek alapján a modell valamennyi paramétere szignifikáns, az alkalmazott relációk relevánsak. Főbb kiemelések, modell-blokkokra bontva a következők: 1. Y1 skálája FAC1_2 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), 2. X1 skálája FAC1_1 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), 3. Az Y1~X1 regressziós koefficiens szignifikáns, pozitív előjelű és abszolút értékben nagyobb mint 1, tehát gyorsuló növekedést jelez (1.019). 4. A reziduális korrelációkat tekintve, a FAC1_2 és FAC1_9 indikátor körök között szignifikáns negatív kapcsolat detektálható: -0.107. 5. A fenti tendenciák nem változnak akkor sem, ha a látens változók standardizáltak (lásd Std.lv oszlop), vagy, ha valamennyi változó standardizált (Std.all eset).

Az X2_Y2 „SEM” modell Jelen specifikációban a CV2 második kanonikus változópár által javasolt X_Y kapcsolatot teszteljük. A jelölésrendszer és a numerikus eredmények értelmezése analóg az előző modellével. A modell mérési része, vagyis a látens változók definiálása most Y2 =~ FAC1_3 + FAC2_3 X2 =~ FAC2_7 + FAC1_8 + FAC1_9

36


ahol a modell strukturális, regressziós része Y2 ~ X2

és a modell korrelációs része: FAC1_3 ~~ FAC1_9

A megfelelő útdiagram a 2. ábrán látható.

2. ábra: az X2 Y2 SEM modell

Error

FAC2_7 Közbiztonság, szociális helyzet

Error

Error

FAC1_8 Vendéglátás, szálláshely-szolg.

Error

Error

FAC1_9 Vállalkozások értékteremtése, Tao, EVA

FAC1_3 Önkormányzati bevételek,adók

Error

Y2

X2

FAC2_3 Idegenforgalmi adó

Error

A modell konvergenciáját jellemző eredmények az alábbiak: 1. 2. 3. 4.


ML 45.070 3 0.000

Bár a szabadsági fok (Df=3) kicsi, de a P<0.05 P-érték szerint az alkalmazott modell oksági rendszere adekvát. A modell illeszkedésének megítélését jellemző heurisztikus (%) CFI és TLI indexe az alábbiak: User model versus baseline model: 1. Comparative Fit Index (CFI) 2. Tucker-Lewis Index (TLI)

0.892 0.640

37


Mind a CFI mind a TLI indexek szerint a modell magas (89.2 és 64.0) százalékban magyarázza az indikátorok korrelációs kapcsolatait. A determinációs értékek értelemszerűen alacsonyabbak mint az előző modell esetében, mert most a 2., X2_Y2 kanonikus változópár által detektált kapcsolatokat teszteljük. A modell pontosságának a további megítélését szolgálja a SRMSR mutató, a 21. tábla utolsó elemeként. Jelen modell esetében ez az érték 0.091, miszerint a megfigyelt korrelációk közelítése átlagosan, relatíve, csekély hibát szenved el. 21. tábla Loglikelihood and Information Criteria: 1. 2. 3. 4. 5. 6.

Loglikelihood user model (H0) -309.614 Loglikelihood unrestricted model (H1) -287.079 Root Mean Square Error of Approximation: 0.451 90 Percent Confidence Interval 0.340 0.572 P-value RMSEA <= 0.05 0.000 Standardized Root Mean Square Residual: 0.091

A modell paramétereinek a becsült értékeit a 22. tábla mutatja. 22. tábla Parameter estimates: -----------------------------------------------------------------------Estimate Std.err Z-value P(>|z|) Std.lv Std.all -----------------------------------------------------------------------Latent variables: ----------------Y2 =~ FAC1_3 1.000 0.487 0.508 FAC2_3 1.741 0.352 4.940 0.000 0.847 0.854 X2 =~ FAC2_7 1.000 0.795 0.800 FAC1_8 1.267 0.116 10.885 0.000 1.007 1.014 FAC1_9 0.945 0.128 7.380 0.000 0.751 0.756 -----------------------------------------------------------------------Regressions: -----------Y2 ~ X2 0.647 0.134 4.841 0.000 1.056 1.056 -----------------------------------------------------------------------Covariances: -----------FAC1_3 ~~ FAC1_9 0.404 0.079 5.117 0.000 0.404 0.753

A P-értékek alapján a modell valamennyi paramétere szignifikáns, az alkalmazott relációk relevánsak. Főbb kiemelések, modell-blokkokra bontva a következők: 1. Y2 skálája FAC1_3 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), 2. X2 skálája FAC2_7 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), 3. Az Y2~X2 regressziós koefficiens szignifikáns, pozitív előjelű és abszolút értékben kisebb mint 1, tehát lassuló növekedést jelez (0.647).

38


4. A reziduális korrelációkat tekintve, a FAC1_3 és FAC1_9 indikátor körök között szignifikáns negatív kapcsolat detektálható: 0.404. 5. A következtetések a standardizált változók körében(Std.lv, Std.all) is változatlanok.

Az X1_Y1_X2_Y2 „SEM” modell A harmadik SEM alkalmazás összevontan becsli az X_Y kapcsolat paramétereit. A modell mérési része, tehát a látens változók definiálása: Y1 =~ FAC1_2 + FAC1_3 X1 =~ FAC1_1+FAC1_4+FAC1_5+FAC1_6+FAC1_7 +FAC1_9 Y2 =~ FAC1_3 + FAC2_3 X2 =~ FAC2_7 + FAC1_8 + FAC1_9

A modell strukturális, regressziós része Y1 ~ X1 + X2 Y2 ~ X1 + X2

A modell korrelációs része FAC1_2 ~~ FAC1_9

Látható, hogy az X1, X2, Y1, Y2 látens változók indikátorai (definíciói) változatlanok, ezért azok grafikus ábrájától itt eltekintünk, mivel az 1. és a 2. ábrákon látható. Az alapvető különbség a modell strukturális részében van, mivel a négy látens változó együtt egy közös modellben szerepel, és mind Y1, mind Y2 magyarázott mind X1, mind X2 által. Az oksági koefficiensek tehát szimultán módon kerülnek becslésre. Ezt illusztrálja a 3. ábra. 3. ábra Az összevont SEM modell strukturális kapcsolatai X1

Y1,

X2

Y1,

X1

Y2,

X2

Y2,

X1 

X2,

Y1 

Y2.

39


Láthatóan megengedjük a korrelációs kapcsolatot mind az X-körben, mind az Y-körben. (Ezt az R-program szintaktikájában nem kell külön feltüntetni!) A modell illeszkedését szignifikánsan javítja, ha az indikátor körben a Cor(FAC1_2, FAC1_9) korrelációt becsüljük (modifikációs index alkalmazásának az eredménye). A modell konvergenciáját illető numerikus eredmények: 1. 2. 3. 4.


ML 158.847 35 0.000

miszerint a szabadsági fok (Df=35) magas, és a P<0.05 P-érték szerint az alkalmazott modell releváns. A modell illeszkedésének heurisztikus mutatói magasak. A CFI és a TLI indexek szerint a modell 90.8 és 85.5 százalékban magyarázza az indikátorok korrelációs kapcsolatait: User model versus baseline model: 1. Comparative Fit Index (CFI) 2. Tucker-Lewis Index (TLI)

0.908 0.855

A modell pontosságát jellemző SRMSR mutató értéke a 23. tábla utolsó (6.) elemeként csak 0.089, tehát a megfigyelt korrelációk közelítése átlagosan és relatív értelemben kellően pontos. 23. tábla Loglikelihood and Information Criteria: 1. 2. 3. 4. 5. 6.

Loglikelihood user model (H0) -450.720 Loglikelihood unrestricted model (H1) -371.296 Root Mean Square Error of Approximation: 0.226 90 Percent Confidence Interval 0.191 0.263 P-value RMSEA <= 0.05 0.000 Standardized Root Mean Square Residual: 0.089

A modell paramétereinek a becsléseit a 24. tábla közli. A tábla oszlopainak a tartalma analóg a 20. és a 22. táblák tartalmával, és az eredmények statisztikai értelmezése is analóg. 24. tábla Parameter estimates: -----------------------------------------------------------------------Estimate Std.err Z-value P(>|z|) Std.lv Std.all -----------------------------------------------------------------------Latent variables: ----------------Y1 =~ FAC1_2 1.000 0.958 0.965 FAC1_3 0.967 0.048 20.200 0.000 0.927 0.934 X1 =~ FAC1_1 1.000 0.949 0.956

40


FAC1_4 0.721 0.095 7.603 0.000 0.684 0.689 FAC1_5 0.958 0.062 15.525 0.000 0.909 0.915 FAC1_6 1.004 0.051 19.639 0.000 0.953 0.960 FAC1_7 1.013 0.049 20.824 0.000 0.962 0.969 FAC1_9 0.709 0.057 12.443 0.000 0.673 0.678 Y2 =~ FAC1_3 1.000 0.103 0.104 FAC2_3 9.253 4.174 2.217 0.027 0.953 0.960 X2 =~ FAC2_7 1.000 0.844 0.850 FAC1_8 1.152 0.092 12.494 0.000 0.973 0.980 FAC1_9 0.478 0.068 7.025 0.000 0.404 0.407 -----------------------------------------------------------------------Regressions: -----------Y1 ~ X1 1.064 0.052 20.304 0.000 1.053 1.053 X2 -0.109 0.045 -2.406 0.016 -0.096 -0.096 Y2 ~ X1 -0.028 0.014 -2.068 0.039 -0.257 -0.257 X2 0.135 0.061 2.196 0.028 1.107 1.107 -----------------------------------------------------------------------Covariances: -----------FAC1_2 ~~ FAC1_9 -0.074 0.014 -5.380 0.000 -0.074 -0.845 X1 ~~ X2 0.382 0.114 3.364 0.001 0.477 0.477 Y1 ~~ Y2 0.002 0.001 1.587 0.112 NaN NaN ------------------------------------------------------------------------

A P-értékek alapján a modell valamennyi paramétere szignifikáns, az alkalmazott relációk relevánsak. Főbb kiemelések, modell-blokkokra bontva a következők: 1. 2. 3. 4. 5.

Y1 skálája FAC1_2 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), X1 skálája FAC1_1 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), Y2 skálája FAC1_3 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), X2 skálája FAC2_7 skáláját veszi kölcsön (a koefficiens rögzítetten: 1.000), Az Y1~X1,X2 regressziós koefficiensek (1.064; -0.109) szignifikánsak 5% szignifikancia szinten a P<0.05 P-értékeik alapján, 6. Az Y2~X1,X2 regressziós koefficiensek (-0.028; 0.135) szignifikánsak 5% szignifikancia szinten a P<0.05 P-értékeik alapján, 7. A reziduális korrelációkat tekintve, a FAC1_2 és FAC1_9 indikátor körök között szignifikáns de mégis elenyésző kapcsolat detektálható: -0.074, viszont a CFI és TLI indexek értékét, vagyis a modell illeszkedésének a jóságát jelentősen javította. 8. Ugyanakkor az X1 és X2 magyarázó körök közötti viszonylatban a korreláció szorossága (a kovariancia mértékkel mérve) jelentősen pozitív: 0.382.

41


Összefoglalva, megállapíthatjuk, a SEM modellek teszt eredményei alátámasztják, hogy a kanonikus korreláció elemzés alapján szelektált X1 és X2 magyarázó változók indikátorai megfelelő alapot adnak az Y1 és Y2 függő változók indikátorainak az előrejelzéséhez. Mindazonáltal az előrejelzési szakaszban a prediktor jellegű indikátorok köre várhatóan még bővül.

42


VI. ÖSSZEFOGLALÁS, AZ EREDMÉNYEK ÉRTELMEZÉSE

VI.

Az „airLED” projekt keretében kidolgozásra kerülő statisztikai döntésmegalapozási modell első mérföldköve a repülőtéri vonzáskörzet gazdasági fejlődését (fejlettségét) leíró indikátorok közötti oksági kapcsolatok feltárása, definiálása. Jelen elemzés a Budapest Liszt Ferenc Nemzetközi Repülőtér közvetlen és közvetett vonzáskörzeti településeire összegyűjtött manifeszt (mérhető) indikátorokból álló adatbázis adatainak felhasználásával készült. A vonzáskörzetet a korábban elkészült Status Quo elemzés 23 budapesti kerület és 46 környező település, összesen 69 településben definiálta. Az adatbázis összeállításához a 69 vonzáskörzeti település (kerület) összességére vonatkozóan össze kellett gyűjteni az elérhető (és reprodukálható) adatok minél szélesebb körét. Az adatbázis 2011.évi adatokat tartalmaz. A figyelembe vett indikátorok kiindulásként a repülőtér vonzáskörzetének gazdasági, társadalmi, közlekedési, logisztikai és urbanisztikai adatainak lehető legtágabb körét vizsgálta, a módszertani elemzés célja alapvetően a releváns indikátorok megalapozott kiválasztása. Az adatbázis összeállítása a statisztikai elemzés és modellalkotás szempontjából kulcskérdés. Az adatoknak megbízható forrásból kell származnia, és minden településre teljeskörűnek kell lennie. Az adatbázis összeállításánál alapvetően két forrásra támaszkodtunk: -

egyrészt a Területfejlesztési és területrendezési információs rendszerből (TeIR) regisztrációval elérhető adatokra, másrészt a Központi Statisztikai Hivatal honlapján elérhető, illetve a KSH hivatalos kiadványaiban elérhető adatokra.

Az adatbázisba felvehető adatok körét behatárolta az is, hogy míg az oksági modell elemzéséhez keresztmetszeti, tehát egy adott év – esetünkben 2011 – adatait használtuk fel, a következő munkafázisban az előrejelző modellhez idősori adatokkal kell dolgoznunk, tehát olyan adatok felhasználását, amelyek csak pl. a 10 évente tartott népszámlálásból érhetők el, lehetőség szerint kerülnünk kellett, mert idősori elemzéshez nem használhatók. A vonzáskörzet gazdasági fejlődését leíró indikátorokat jelen elemzés alapján 9 látens dimenzióval jellemeztük. Belátható, hogy jelen kutatás tárgyát képező jelenségkör – a gazdasági fejlődés - rendkívül komplex. Jelen elemzés célja szerint a változókat a prediktív modell előkészítéseként kettéválasztottuk eredményjellegű (cél) változókra és magyarázó jellegű változókra. A célváltozók tömören az

43


önkormányzati bevételek, adók, illetve a foglalkoztatottak (munkanélküliek) száma. Feladatunk tehát az volt, hogy a manifeszt változók közül megtaláljuk azokat a változókat, amelyek e két célváltozó csoporttal statisztikailag alátámasztottan kapcsolatban állnak és számszerűsítsük ezeket a kapcsolatokat. A statisztikai kapcsolatot a determinációs együtthatóval jellemezzük, melyet a korrelációs együtthatók (lásd 13. tábla értékei) négyzetre emelésével kapunk. Az elemzés és a tesztek egyik fontos eredménye a 18. táblában feltüntetett Redundancia indexek értéke. A tábla 0.593-as értéke azt jelenti, hogy összességében az adatbázisban kiválasztott magyarázó változók (faktorok) átlagosan 59.3 %-ban magyarázzák az eredményváltozók (faktorok) alakulását. A következőkben röviden áttekintjük az eredményjellegű látens dimenziókat.

FAC1_2 Munkaerőpiac A FAC1_2 Munkaerőpiac elemzésünkben kiemelt eredményjellegű faktor, tehát az oksági rendszerben azokat a magyarázó változókat keressük, melyek a Munkaerőpiac manifeszt változóival (Foglalkoztatottak, Munkanélküliek) a 69 elemű adatbázis statisztikai tesztelése alapján szoros oksági (determinisztikus) kapcsolatban vannak. A statisztikai tesztek alátámasztották azt a hipotézisünket, hogy a FAC1_1 Lakónépesség aktivitása, mobilitása szoros kapcsolatban van a FAC1_2 Munkaerőpiac eredményjellegű faktorcsoporttal, mely a Foglalkoztatottak számát és a Munkanélküliek számát tömöríti magába. A két változócsoport – és így a változócsoport „mögötti” manifeszt indikátorok - között rendkívül szoros 90.5 %-os (0.95142) determinisztikus kapcsolat adódik. Ezt úgy értelmezzük, hogy a FAC1_1 Lakónépesség aktivitása, mobilitása faktorcsoport manifeszt indikátorai (Lakónépesség száma, 18-64 éves aktív korú népesség száma és Vándorlási különbözet) 90.5 %-ban hatnak a FAC1_2 Munkaerőpiac faktorcsoport manifeszt változóira (Foglalkoztatottak, Munkanélküliek száma) és fordított irányban ugyanilyen mértékű szoros determinisztikus kapcsolat adódik. A Munkaerőpiac faktorcsoport soron következő legszorosabb determinisztikus kapcsolat a FAC1_7 Személyi jövedelemadó bevallási adatok faktorcsoporttal és annak manifeszt változóival (SZJA jövedelem, adó, adófizető) áll fenn 87.1 %-os értékben (0.93352). A közgazdaságilag értelemszerűen adódó kapcsolatot a statisztikai tesztek is alátámasztották. 83.4 %-os (0.91352) determinisztikus kapcsolat mutatkozik a Munkaerőpiac faktorcsoport és a Közlekedési infrastrukturális ellátottság dimenzió kiemelten legfontosabb, FAC1_6 Gépjárműadatok, balesetek, közúti adatok faktorcsoport és annak manifeszt változóival. A faktorcsoport tömöríti magába a gépjárművek (személy és áruszállító) állományi adatait, a gépjárművek (személy és áruszállító) első forgalomba helyezési adatait, a közlekedési baleseti adatokat (balesetek, sérültek), az adott település közúti kapcsolati mutatóit és a kiépített utak naturális mutatóit illetve a felmérés alapján rögzített személygépkocsi-forgalmi adatokat. Levonhatjuk azt a következtetést, hogy jelen kutatás és az összeállított adatbázis alapján a Közlekedési infrastrukturális ellátottságnak és a közlekedési forgalomnak a Munkaerőpiaccal való szoros determinisztikus kapcsolata statisztikailag igazolható, illetve a vonzáskörzeti településcsoportra vonatkozóan a Közlekedési infrastruktúra elemei meghatározó szerepet játszanak a Foglalkoztatottság alakulásában.

44


A Munkaerőpiac eredményjellegű faktorcsoportnak a soron következő legszorosabb determinisztikus kapcsolata a Kommunális infrastrukturális ellátottságot leíró kiemelten legfontosabb FAC1_5 Lakásállomány adatai, kommunális energiafogyasztás (gáz, villany) faktorcsoporttal és annak manifeszt változóival (szolgáltatott gáz és villanyfogyasztás, összes lakásszám, összes lakásra jutó lakók száma, egy lakásra jutó alapterület) áll fenn 78.6 % mértékben (0.88642). A Munkaerőpiac eredményjellegű faktorcsoportnak a településen regisztrált Vállalkozások (Tao, EVA) értékteremtési mutatóival (bruttó termelési érték, bruttó hozzáadott érték), fizetett társasági adó, EVA jövedelem és adó adataival 55.4 %-os (0.74462) mértékű determinisztikus kapcsolata adódik.

FAC1_3 Önkormányzati bevételek, helyi adók A FAC1_3 Önkormányzati bevételek, helyi adók faktorcsoport a vonzáskörzet települési önkormányzatainak Saját folyó bevételeit, Tárgyévi összes bevételeit, Összes évi bérbevételeit, Összes helyi adó bevételeit, ebből kiemelten az Iparűzési adóbevételeket, illetve a központi költségvetésből átengedett Gépjárműadó bevételeket tömöríti magába. Az átengedett központi adók az önkormányzati bevételek részét képezik, de a törvényi szabályozás 2013-tól jelentősen változott, ugyanis korábban a személyi jövedelemadó meghatározott részét az önkormányzatoknak átengedte a központi költségvetés, 2013-tól ez a nevesített forrás megszűnt, illetve a gépjárműadónak is csökkentett hányada illeti meg az önkormányzatokat 2013. évtől kezdődően. Az adatbázis statisztikai tesztelése azt mutatja, hogy a FAC1_3 Önkormányzati bevételek, helyi adó faktorcsoport 87.4 %-os mértékben (0.93482) determinisztikus kapcsolatban van a FAC1_7 Személyi jövedelemadó bevallási adatok faktorcsoport manifeszt változóival (SZJA jövedelem, adó, adófizető). Bár 2011-ben az adatbázisban még szerepelt a települési SZJA bevétel, a 2013-tól történő megszűnése miatt nem vettük fel az indikátorok közé, ugyanakkor a hatása az összes SZJA adatokon keresztül megjelenik az Önkormányzati bevételek, helyi adók faktorcsoport alakulásában, mivel az összesített bevétel adatok 2011-ben még tartalmazták az átengedett SZJA tételét is. Fentiekhez hasonlóan a FAC1_3 Önkormányzati bevételek, helyi adók faktorcsoport szoros determinisztikus kapcsolatot mutat a FAC1_6 Gépjárműadatok, balesetek, közúti adatok faktorcsoport manifeszt változóival 89.5 %-os mértékben (0.94602). Ez a faktorcsoport tartalmazza a személyszállító és áruszállító gépjárművek állományi adatait, mely a gépjárműadó alapját képezi, így ezen adatok determinisztikus hatása jelenik meg az Önkormányzati bevételek, helyi adók alakulásában. Azonos mértékű – 82.8%-os (0.91012 és 0.91022) – determinisztikus kapcsolat adódik a FAC1_3 Önkormányzati bevételek, helyi adók faktorcsoport (és manifeszt változói) és a FAC1_1 Lakónépesség aktivitása, mobilitása és FAC1_5 Lakásállomány adatai, villany és gázfogyasztás faktorcsoport (és manifeszt változói) között. A kapcsolat evidensnek tekinthető a lakónépességi adatok tekintetében, amennyiben a lakónépesség számossága megjelenik az önkormányzati normatív finanszírozási rendszerben.

45


A FAC1_3 Önkormányzati bevételek, helyi adók faktorcsoport 70 %-os mértékben (0.83682) determinisztikus kapcsolatban van a FAC1_9 Vállalkozások értékteremtése, Tao, EVA jövedelem és adó adataival. Az önkormányzati helyi adóbevételek közül legjelentősebb a helyi iparűzési adó, melyet a települési önkormányzatokon működő vállalkozások fizetnek az önkormányzatok felé. A helyi iparűzési adó alapja a vállalkozások bevételeinek anyagköltséggel és a közvetített szolgáltatásokkal, ELÁBÉ-val csökkentett összege. Az iparűzési adókedvezményekkel jelen elemzésben nem foglalkozunk. Az elemzett adatbázis tartalmazza a társasági adóbevallást benyújtó vállalkozások kiemelt (nem teljeskörű) mérleg és eredménykimutatás adatait, melyet a Nemzeti Adó és Vámhivatal (NAV) bocsát rendelkezésre. Az értékteremtést jellemző mutatók között szerepeltettük a Bruttó termelési érték mutatót, mely a helyi iparűzési adó alapjához közelítő típusú mutató. Különbség a kettő között, hogy a Bruttó termelési érték mutató a Saját aktivált teljesítményérték összegét is tartalmazza, de nem kerül belőle levonásra az Anyagköltség értéke. Nem tartottuk szükségesnek, hogy külön iparűzési adó alapot számoljunk az eredménykimutatási adatokból, de amennyiben szükséges, vagy igény merül fel ezzel kapcsolatban, a kedvezmények nélküli helyi iparűzési adó alapja az eredetileg letöltött adatbázisból a későbbiekben előállítható. Az elemzett adatbázis tartalmazza az EVA bevallást benyújtó vállalkozások bevétel és EVA adó adatait, melyek attól függően, hogy az EVA-s vállalkozó az általános vagy egyszerűsített adózást választja a helyi iparűzési adónál, különböző mértékben, de hozzájárul a helyi iparűzési adó összegéhez és így az Önkormányzati bevételek, helyi adók faktorcsoport alakulásához. Árnyalja a képet az a tény, hogy a 23 budapesti kerület vállalkozásai által fizetett helyi iparűzési adót Budapest Főváros Önkormányzata központilag szedi be és a forrásmegosztási rendelet alapján kerül „leosztásra” a kerületi önkormányzatok felé, de jelen elemzésben ennek konzekvenciáira nem térünk ki.

FAC2_3 Idegenforgalmi adó Az idegenforgalmi adót a nem állandó lakosként adott településen vendégéjszakát eltöltő magánszemélynek kell fizetnie az önkormányzat felé. Elemzésünkben a FAC2_3 Idegenforgalmi adó faktor és manifeszt változó legszorosabban a FAC1_8 Vendéglátás, szálláshely szolgáltatás faktorcsoporttal (és manifeszt változóival) van determinisztikus kapcsolatban 84.3 %-os (0.91792) mértékben. Közgazdaságilag egyértelmű a kapcsolat, mely gyakorlatilag az adóalap és az adó összege között teremtett közvetlen, szoros számszaki kapcsolatot, ugyanakkor az idegenforgalmi adó elemzésünkben marginálisnak tekinthető, figyelemmel arra a tényre, hogy a 69 megfigyelési egység közül 35 település (kerület) 2011-ben nem vezette be az idegenforgalmi adót. A vonzáskörzet két legjelentősebb települése közül Vecsésen van idegenforgalmi adó, Budapest 18. kerületében nincs.

46


VII.

VII. KAPCSOLÓDÁS A REPÜLŐTÉR GAZDASÁGITÁRSADALMI HATÁSÁHOZ – A PREDIKTÍV MODELL MEGALAPOZÁSA, TERVEZETE A fenti oksági számítások alapvető célja az előrejelzendő gazdasági célváltozókra szignifikánsan ható gazdasági-társadalmi indikátorok körének a szelektálása. Például az „Önkormányzatok helyi adó bevételei (eFt)” tartalmú célváltozónak a szignifikáns prediktora (többek között) a „Regisztrált vállalkozások száma (db)”. Bár ez a kapcsolat most kézenfekvő, de más prediktorok esetében statisztikai szelekciót igényel (lásd korábban a tanulmányban). A megfelelő prediktorok szelektálása 69 település 2011. évi „socio-economic” indikátorainak keresztmetszeti empirikus, statisztikai adatállományán alapult, az ún. „kanonikus korrelációelemzés” és a „strukturális egyenletek” módszereinek az alkalmazásával. A statisztikai szelekció eredményeképpen az „Önkormányzatok helyi adó bevételei (eFt)” tartalmú Y célváltozónak (lásd FAC1_3 faktorcsoport második eleme) szignifikáns prediktorai még -ahol a prediktorok köre a tanulmány alapján tovább folytatható lenne, de az áttekinthetőség érdekében csak az alábbi kettőt emeljük ki – (lásd FAC1_9 faktorcsoport első és utolsó elemei): 1. X1: Regisztrált vállalkozások száma (db) 2. X2: Társasági adóbevallást benyújtó vállalkozások bruttó termelési érték mutatója (eFt). A prediktor értékének az ismeretében a célváltozó értéke előrejelezhető. A többi célváltozó prediktorainak a szelektálása analóg. A kutatás eddigi keresztmetszeti részében a célváltozónak nem a „Repülőtéri”, hanem a „Térség” jellegű prediktorait kerestük. A „Térség” lehet egy konkrét település, vagy lehet a szűkebb, vagy a tágabb vonzáskörzet is. Alapvetően adott „Térség” valamely célváltozójának időbeli előrejelzése a „Térség” idősoros adatait igényli, mind a cél, mind a prediktor változók tekintetében. Mindemellett a Repülőtér, mint Prediktor nem szelekció kérdése, hanem adottság, hiszen ez a kutatás fő célja. Természetesen a Repülőtér konkrét prediktorainak, indikátorainak a kiválasztása már újra szelekció kérdése. További adottság ugyanakkor, hogy a Repülőtér gazdasági fejlődése egy időbeli folyamat, mely csak időben értelmezhető. Ebből következően a Repülőtér fejlődésének a jellemzése idősorba rendezett statisztikai adatokat igényel, csakúgy, mint a Térségi adatok esetében. Adott időpontokban, de teljeskörűen minden időpontra meg kell adni pl. a „Járatszám”, az „Utasszám”, a „Teherszállítás”adatokat, továbbá az Airport Zrt mérleg-eredmény adatait is (naturáliák és értéki adatok). 47


Összevonva egy közös adatállományba adott „Térség” és a „Repülőtér” idősorait, lehetővé válik a „Térség” célváltozójának az előrejelzése, miközben a prediktor-körben mind a Térség, mind a Repülőtér szerepel, mint magyarázó tényező. Attól függően, hogy a „Térség” alatt mit értünk, előrejelzés készíthető bármely településre különkülön (pl. Vecsés), vagy összevontan a szűkebb vonzáskörzetre, vagy összevontan a tágabb vonzáskörzetre is. (Összevonjuk a megfelelő települések indikátorait.) A „Repülőtérre” is épülő előrejelzés adatállományának a struktúráját illusztratív céllal az alábbi tábla mutatja, Vecsés településre (Térségre) alkalmazva:

Helyi adóbevétel Time

Regisztrált vállalkozások száma

Vállalk. BTÉ mutatója

Járatszám

Térség: Vecsés 1.időszak 2.időszak # # utolsó időszak

# # # # #

# # # # #

Utasforgalmi adatok

Teherforgalmi adatok

Liszt Ferenc Nemzetközi Repülőtér # # # # #

# # # # #

# # # # #

# # # # #

Airport Zrt. Airport Zrt. Eredmény fejlesztési mutatói mutatói Liszt Ferenc Nemzetközi Repülőtér # # # # # # # # # #

A modell feltárja az adatbázisban rejlő kapcsolatokat és előrejelzést készít a célváltozó – esetünkben Vecsés helyi adóbevételei – alakulására. Mint korábban említettük, az adatállomány definiálható bármely individuális településre, vagy a vonzáskörzetekre, mint egészekre is. További fontos elem, hogy az eddig településsorosan (értsd: az összes 69 vonzáskörzeti településre) összeállított adatbázist az előrejelző modellhez ki lehet és ki is kell egészíteni olyan indikátorokkal, amelyek a vizsgálandó Térségre (példánkban Vecsés) vonatkozóan idősorosan rendelkezésre állnak. Ezek lehetnek olyan – az előrejelző modell szempontjából fontos – indikátorok, mint például a Térségi (vecsési) infrastrukturális fejlesztések mutatói, a Térségi (vecsési) önkormányzat által szervezett képzési programok mutatói, az SQ jelentésben elérhető adott településre vonatkozó fejlesztési adatok és olyan közlekedési, forgalmi mutatók, melyeket a településsoros adatbázisba nem tudtunk felvenni, mivel nem állt rendelkezésre valamennyi 69 megfigyelési egységre. Elsősorban olyan mutatókat javasolt felvenni az adatbázisba, melyekre az önkormányzatnak ráhatása van és kapcsolatban van a Helyi adóbevételekkel, és konkrétan Vecsést jellemzik. Hasonlóan a keresztmetszeti elemzésnél fontos szabály, hogy a vizsgálatba vont valamennyi megfigyelési egységre vonatkozóan minden adatnak rendelkezésre kell állnia. Tehát pl., ha a vizsgálandó Térség az a két önkormányzat, amelynek területén a repülőtér fekszik – Budapest XVIII. kerületi Önkormányzat és Vecsés Önkormányzat, akkor olyan több évet érintő adatbázist kell összeállítani, ahol a két önkormányzatra vonatkozóan minden adat azonosan elérhető.

48


Amennyiben az adatbázis rendelkezésre áll, a Repülőtér és a vizsgálandó Térség (Budapest XVIII. kerületi Önkormányzat és Vecsés) indikátorainak kapcsolata statisztikailag vizsgálható és a kiválasztott célváltozó (pl. helyi adó bevétel) előrejelezhető. Az alkalmazott empirikus idősorok óhatatlanul tartalmazzák gazdasági sokkok „histórikus” adatait is, mint pl. a „Válság”, mely még jelenleg is érezteti a hatását. Ezért az alkalmazott idősori módszereknek tudni kell kezelni az ún. „outlierek” jelenlétét. Másfelől, az idősorok lefutása tartalmazhat trendet (pl. fölfutó nettó árbevétel az értékesítésből) de lehet stacioner stabil lefutású is (pl. a foglalkoztatottak száma adott Térségben). A fenti problémák kezelése érdekében kétféle klasszikus módszertan kombinációját alkalmazzuk az elemzésben, előrejelzésben: 1. Determinisztikus idősori modellek, 2. Sztochasztikus idősori modellek. A determinisztikus modell szerint a gazdasági-társadalmi jelenség determinált pályán mozog (lásd munkanélküliek száma) melynek komponensei (hosszútávú trend és a szezonhatás) ismertek és becsülhetők, elemezhetők, majd a komponensek összesítésével (kompozíciójával) az előrejelzés egyszerűen adódik. Az előrejelzés (extrapoláció) megbízható mindaddig, míg konjunktúrában a létszám csökken, vagy dekonjunktúrában a létszám emelkedik. Viszont kérdés, hogy hol (mikor) fordul meg középtávon a konjunktúra iránya? Ezzel szemben a sztochasztikus (autoregresszív) modell azon a tendencián alapul, hogy a folyamat jelenbeli adata nem független saját múltbeli értékétől. Mai hozam függ a tegnapitól, vagy idei lakónépesség a tavalyitól, stb. Az ilyen értelmű autoregresszív (öngeneráló) hatás (ha létezik) csak akkor mutatható ki, ha a folyamat nem tartalmaz se növekvő, se csökkenő trendhatást, hanem hosszú távon stabil, úgymond stacioner. E két megközelítés együttes alkalmazása teszi lehetővé az empirikus idősorok sajátosságainak figyelembe vételét, megbízható előrejelzés készítését.

49


VIII.

VIII. FÜGGELÉK .– AZ INDULÓ INDIKÁTOR-SZETT VÁLTOZÁSAI Látens változók

Demográfiai jellemzők, földrajzi adottságok

Foglalkoztatottság (munkanélküliség)

Helyi önkormányzat bevételtermelő képesség

Manifeszt változók

Előzetes szűrés, összevonás eredményeként kikerült az adatbázisból

Tesztelés alapján kikerült az adatbázisból

A település területe 2011 (hektár) Állandó népesség száma, 2011 (fő) Lakónépesség száma, 2011 (fő) Népsűrűség 1 km2-re a lakónépesség vonatkozásában, 2011 (fő/km2) Népsűrűség 1 km2-re az állandó népesség vonatkozásában, 2011 (fő/km2) A 7 éves és idősebb népesség száma összesen, 2011 (fő) Az általános iskola első évfolyamát el nem végzők száma, 2011 (fő) Az általános iskola első hét évfolyamát elvégzők száma, 2011 (fő) Az általános iskola nyolcadik évfolyamát elvégzők száma, 2011 (fő) Középfokú iskolai végzettség, érettségi nélküli, szakmai oklevéllel rendelkezők száma, 2011 (fő) Érettségizettek száma, 2011 (fő) Egyetemi, főiskolai, egyéb oklevéllel rendelkezők száma, 2011 (fő) Száz aktív korúra jutó gyermekkorú száma, 2011 (fő) Száz aktív korúra jutó időskorú száma, 2011 (fő) Száz gyermekkorúra jutó időskorú száma, 2011 (fő) Eltartottak száma, 2011 (fő) Elvándorlások száma (állandó és ideiglenes vándorlások száma összesen) 2011 (fő) Élveszületések száma 2011 (fő) Halálozások száma 2011 (fő) Odavándorlások száma (állandó és ideiglenes vándorlások száma összesen) 2011 (fő) 18-64 éves gazdaságilag aktív népesség száma 2011 (fő) Természetes szaporodás, fogyás Vándorlási különbözet Ált. iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők 2011 (fő) Általános iskolai végzettségű nyilvántartott álláskeresők száma 2011 (fő) Szakiskolai végzettségű nyilvántartott álláskeresők száma 2011 (fő) Szakmunkás végzettségű nyilvántartott álláskeresők száma 2011 (fő) Szakközépiskolai, technikumi, gimnáziumi végzettségű nyilvántartott álláskeresők 2011 (fő) Főiskolai végzettségű nyilvántartott álláskeresők száma 2011 (fő) Egyetemi végzettségű nyilvántartott álláskeresők száma 2011 (fő) Foglalkoztatottak száma, 2011 (fő) Inaktív keresők száma, 2011 (fő) Inaktív keresővel rendelkező családok száma (nincs foglalkoztatott), 2011 (db) Munkanélküliek száma, 2011 (fő) Munkanélkülivel rendelkező családok száma (nincs foglalkoztatott), 2011 (db) Egy éven túl nyilvántartott álláskeresők száma összesen 2011 (fő) Nyilvántartott álláskeresők száma összesen 2011 (fő) Fenntartott önkormányzati bérlemények száma 2011 (db) Fenntartott önkormányzati épületek száma 2011 (db) Fenntartott önkormányzati lakásbérlemények száma 2011 (db) Fenntartott önkormányzati lakóépületek száma 2011 (db) Önkormányzati lakóházak összes felújításra fordított költsége 2011 (1000 Ft) Önkormányzati lakóházak összes javítási költsége 2011 (1000 Ft) Önkormányzati lakóházak összes karbantartásra fordított költsége 2011 (1000 Ft) Önkormányzati lakóházak összes felújításra, javításra, karbantartásra fordított költsége 2011 (Ft) Összes évi bérbevétel az önkormányzatoknál 2011 (1000 Ft) Összes évi lakbér az önkormányzatoknál 2011 (1000 Ft) A helyi önkormányzatok saját folyó bevételei, 2011 (1000 Ft) A helyi önkormányzatok helyi adó bevételei, 2011 (1000 Ft) A helyi önkormányzatoknak átengedett gépjárműadó, 2011 (1000 Ft) A helyi önkormányzatok tárgyévi bevételei, 2011 (1000 Ft) A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó, 2011 (1000 Ft) A helyi önkormányzatok helyi adó bevételeiből az idegenforgalmi adó, 2011 (1000 Ft)

50


Látens változók


Kereskedelmi infrastukturális ellátottság

Állatgyógyászati termékek üzletének száma 2011 (db) Audio-, videoberendezések szaküzleteinek száma 2011 (db) Bútor-, háztartásicikk- és világítástechnikai szaküzletek száma 2011 (db) Dohányáru-szaküzletek száma 2011 (db) Egyéb iparcikkek szaküzleteinek száma 2011 (db) Egyébélelmiszer-szaküzletek száma 2011 (db) Elektromos háztartási készülékek szaküzleteinek száma 2011 (db) Élelmiszer vegyesüzletek és áruházak száma 2011 (db) Festékek, vasáruk, barkács- és építési anyagok szaküzleteinek száma 2011 (db) Gépjárműalkatrész-szaküzletek száma 2011 (db) Gépjármű-szaküzletek száma 2011 (db) Halszaküzletek száma 2011 (db) Használtcikk-szaküzletek száma 2011 (db) Humán gyógyászati termék üzletek száma 2011 (db) Hús-, húsáru-szaküzletek száma 2011 (db) Illatszerszaküzletek száma 2011 (db) Játékszaküzletek száma 2011 (db) Kedvtelésből tartott állatok szaküzleteinek száma 2011 (db) Kenyér-, pékáru- és édességszaküzletek száma 2011 (db) Könyvszaküzletek száma 2011 (db) Lábbeli-, bőráru-szaküzlet száma 2011 (db) Motorkerékpár- és –alkatrész-szaküzletek száma 2011 (db) Óra-, ékszerszaküzletek száma 2011 (db) Palackozott italok szaküzleteinek száma 2011 (db) Ruházati szaküzletek száma 2011 (db) Sportszer-szaküzletek száma 2011 (db) Számítógép-, periféria-, szoftverszaküzletek száma 2011 (db) Takaró, szőnyeg, fal-, padlóburkoló szaküzletek száma 2011 (db) Telekommunikációs termékek szaküzleteinek száma 2011 (db) Textilszaküzletek száma 2011 (db) Újság-, papíráru-szaküzletek száma 2011 (db) Üzemanyagtöltő állomások száma 2011 (db) Vegyesiparcikk-üzletek és áruházak száma 2011 (db) Virág- és kertészeti szaküzletek száma 2011 (db) Zene-, videofelvételek szaküzleteinek száma 2011 (db) Zöldség-, gyümölcsszaküzletek száma 2011 (db) TEÁOR'08_451_Gépjármű-szaküzletek száma 2011 (db) TEÁOR'08_453_Gépjárműalkatrész-szaküzletek száma 2011 (db) TEÁOR'08_454_Motorkerékpár- és –alkatrész-szaküzletek száma 2011 (db) TEÁOR'08_471_Nem szakosodott bolti vegyes kiskereskedelmi üzletek összesen 2011 (db) TEÁOR'08_472_Élelmiszer, ital, dohányáru kiskereskedelmi üzletek összesen 2011 (db) TEÁOR'08 Üzemanyagtöltő állomások száma 2011 (db) TEÁOR'08_474_Információs,híradás-techn.termék kiskeresk. üzletek összesen 2011 (db) TEÁOR'08_475_Egyéb háztartási cikk kiskereskedelmi üzletek száma összesen 2011 (db) TEÁOR'08_476_Kulturális,szabadidős cikk bolti kiskereskedelmi üzletek összesen 2011 (db) TEÁOR'08_477_Egyéb máshová nem sorolt áru kiskereskedelmi üzletek összesen 2011 (db) Kiskereskedelmi üzletek száma összesen, 2011 (db) Élelmiszer-nagykereskedelmi raktárak száma 2011 (db) Fogyasztásicikk nagykereskedelmi raktárak száma 2011 (db) Gép, berendezés nagykereskedelmi raktárak száma 2011 (db) Gépjárműalkatrész nagykereskedelmi raktárak száma 2011 (db) Gépjármű-nagykereskedelmi raktárak száma 2011 (db) Információs, telekommunikációs berendezés nagykereskedelmi raktárak száma 2011 (db) Mezőgazdasági termék nagykereskedelmi raktárak száma 2011 (db) Motorkerékpár- és alkatrész nagykereskedelmi raktárak száma 2011 (db) Vegyesiparcikk nagykereskedelmi raktárak száma 2011 (db) Egyéb szakosodott nagykereskedelmi raktárak száma 2011 (db) Nagykereskedelmi raktárak száma összesen 2011 (db)



51


Látens változók

Kommunális infrastruktúrális ellátottság

Közlekedési infrastruktúrális ellátottság




Az összes szolgáltatott vezetékes gáz mennyisége (átszámítás nélkül) 2011 (1000 m3) Összes gázfogyasztók száma 2011 (db) Egy gázfogyasztóra jutó összes szolgáltatott vezetékes gáz mennyisége 2011 (1000 m3) Szolgáltatott összes villamosenergia mennyisége 2011 (1000 kWh) Villamosenergia-fogyasztók száma 2011 (db) Egy villanyfogyasztóra jutó összes szolgáltatott vill.energia mennyisége 2011 (1000 kWh) Az év folyamán a helyi önkormányzat által épített lakások száma 2011 (db) Az év folyamán bérbeadás céljára épített lakások száma 2011 (db) Az év folyamán épített egyszobás lakások száma 2011 (db) Az év folyamán épített háromszobás lakások száma (a két és félszob. együtt) 2011 (db) Az év folyamán épített kétszobás lakások száma (a másfél szobásokkal együtt) 2011 (db) Az év folyamán épített lakások összes alapterülete 2011 (m2) Az év folyamán épített négy és több szobás lakások száma (a 3 és félszob. együtt) 2011 (db) Az év folyamán értékesítés céljára épített lakások száma 2011 (db) Az év folyamán saját használatra épített lakások száma 2011 (db) Az év folyamán szolgálati használatra épített lakások száma 2011 (db) Az év folyamán természetes személy által épített lakások száma 2011 (db) Az év folyamán vállalkozások által épített lakások száma 2011 (db) Épített lakások száma összesen, 2011 (db) Egy lakásra jutó alapterület, m2, 2011 (m2) Félkomfortos lakások száma, 2011 (db) Komfort nélküli lakások száma, 2011 (db) Komfortos lakások száma, 2011 (db) Összkomfortos lakások száma, 2011 (db) Összkomfortos lakások aránya % Szükség és egyéb lakások száma, 2011 (db) Egyszobás lakások száma, 2011 (db) Háromszobás lakások száma, 2011 (db) Kétszobás lakások száma, 2011 (db) Magánszemélyek tulajdonában lévő lakások száma, 2011 (db) Más intézmény, szervezet tulajdonában lévő lakások száma, 2011 (db) Négy- és többszobás lakások száma, 2011 (db) Önkormányzati tulajdonban lévő lakások száma, 2011 (db) Száz lakott lakásra és lakott üdülőre jutó lakók száma, 2011 (fő) Lakások és lakott üdülők száma összesen, 2011 (db) Önkormányzati kiépítetlen út és köztér hossza 2011 (km) Önkormányzati kiépített út és köztér hossza 2011 (km) Önkormányzati kiépített út és köztér területe 2011 (1000 m2) Áruszállító tehergépkocsik száma 2011 (db) Autóbuszok száma 2011 (db) Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik 2011 (db) Magyarországon első alkalommal forgalomba helyezett személyszáll. gépjárművek 2011 (db) Magyarországon első alkalommal forgalomba helyezett teherszállító gépjárművek (különleges célú gépkocsikkal együtt) 2011 (db) Személyszállító gépjárművek száma összesen 2011 (db) Teherszállító gépjárművek száma összesen (különleges célú gépkocsival együtt) 2011 (db) Magyarországon első alkalommal forgalomba helyezett gépjárművek összesen 2011 (db) Idő szerinti optimalizálás esetén a leggyorsabb út hossza kilométerben Budapestig 2011 [km] Idő szerinti optimalizálás esetén a leggyorsabb út hossza percben Budapestig 2011 [perc] Út szerinti optimalizálás esetén legrövidebb út hossza kilométerben Budapestig 2011 [km] Út szerinti optimalizálás esetén legrövidebb út hossza percben Budapestig 2011 [perc] Bel- és külterület összesen 2011 [km] Belterület kiépítetlen 2011 [km] Belterület kiépített 2011 [km] Belterület összesen 2011 [km] Belterületi kiépítettség 2011 [százalék] Gyalogút és járda 2011 [km] Kerékpárút 2011 [km] Külterület kiépítetlen 2011 [km]

52


Látens változók

Közlekedési infrastruktúrális ellátottságfolytatás




Külterület kiépített 2011 [km] Külterület összesen 2011 [km] Összes személyi sérüléssel járó közúti közlekedési baleset 2011 Közúti közlekedési baleset során meghalt, megsérült személy összesen 2011 Közúti kapcsolatok száma Vasúti kapcsolatok száma Személygépkocsi-forgalom(3,5 t alatti ktk-val együtt) 2008 (db) Ápolási díjban részesítettek átlagos száma 2011 (fő) Ápolási díjra felhasznált összeg 2011 (1000 Ft) Közgyógyellátási igazolvánnyal rendelkezők száma 2011 (fő) Rendszeres szociális segélyben részesítettek átlagos száma (rendelkezésre állási támogatásban részesülők adatai nélkül) 2011 (fő)

Lakosság jövedelemtermelő képesség, egészségügyi helyzet

Turizmus, vendéglátás, szálláshelyszolgál tatás

Rendszeres szociális segélyre felhasznált összeg (rendelkezésre állási támogatásban részesülők adatai nélkül) 2011 (1000 Ft) Összes adó 2011 (Ft)- adósávonként rendelkezésre áll Összes adófizető darabszáma 2011 (db)- adósávonként rendelkezésre áll Összes belföldi jövedelem 2011 (Ft) - adósávonként rendelkezésre áll Összes adó Létminimum jövedelemsáv alatt Összes adó Létminimum és Átlagjövedelem sávban Összes adó Átlagjövedelem fölött Összes belf. jövedelem Létminimum jövedelemsáv alatt Összes belf.jövedelem Létminimum és Átlagjövedelem sávban Összes belf.jövedelem Átlagjövedelem fölött Összes adófizető száma Létminimum jövedelemsáv alatt Összes adófizető száma Létminimum és Átlagjövedelem sávban Összes adófizető száma Átlagjövedelem fölött Regisztrált bűncselekmények száma 1000 lakosra vetítve Bárok, borozók, italüzletek és zenés szórakozóhelyek száma 2011 (db) Cukrászdák száma 2011 (db) Éttermek, büfék száma 2011 (db) Munkahelyi, rendezvényi és közétkeztetést végző vendéglátóhelyek száma 2011 (db) Vendéglátóhelyek száma összesen2011 (db) Szálláshelyek száma összesen Kempingek száma 2011 (db) Közösségi szálláshelyek száma 2011 (db) Nyaraló-üdülőházak száma 2011 (db) Panziók száma 2011 (db) Szállodák száma 2011 (db) Kempingek szállásférőhelyeinek száma 2011 (db) Közösségi szálláshelyek szállásférőhelyeinek száma 2011 (db) Nyaraló-üdülőházak szállásférőhelyeinek száma 2011 (db) Panziók szállásférőhelyeinek száma 2011 (db) Szállodák szállásférőhelyeinek száma 2011 (db) Összes kereskedelmi szálláshely szállásférőhelyeinek száma összesen 2011 (db) Vendégek száma a kempingekben 2011 (fő) Vendégek száma a közösségi szálláshelyeken 2011 (fő) Vendégek száma a nyaraló-üdülőházakban 2011 (fő) Vendégek száma a panziókban 2011 (fő) Vendégek száma a szállodákban 2011 (fő) Vendégek száma összesen a kereskedelmi szálláshelyeken 2011 (fő) Külföldi vendégek száma a kempingekben 2011 (fő) Külföldi vendégek száma a közösségi szálláshelyeken 2011 (fő) Külföldi vendégek száma a nyaraló- üdülőházakban 2011 (fő) Külföldi vendégek száma a panziókban 2011 (fő) Külföldi vendégek száma a szállodákban 2011 (fő) Külföldi vendégek száma a kereskedelmi szálláshelyeken összesen 2011 (fő)

53


Látens változók

Turizmus, vendéglátás, szálláshelyszolgál tatás folytatás




Külföldiek által eltöltött vendégéjszakák száma a kempingekben 2011 (db) Külföldiek által eltöltött vendégéjszakák száma a közösségi szálláshelyeken 2011 (db) Külföldiek által eltöltött vendégéjszakák száma a nyaraló-üdülőházakban 2011 (db) Külföldiek által eltöltött vendégéjszakák száma a panziókban 2011 (db) Külföldiek által eltöltött vendégéjszakák száma a szállodákban 2011 (db) Külföldiek által eltöltött vendégéjszakák száma a keresk. szálláshelyeken össz. 2011 (db) Vendégéjszakák száma a kempingekben 2011 (db) Vendégéjszakák száma a közösségi szálláshelyeken 2011 (db) Vendégéjszakák száma a nyaraló-üdülőházakban 2011 (db) Vendégéjszakák száma a panziókban 2011 (db) Vendégéjszakák száma a szállodákban 2011 (db) Vendégéjszakák száma a kereskedelmi szálláshelyeken összesen 2011 (db) Minőségi szálláshelyek aránya százalékban 2011 [százalék] Minőségi szállodai szállásférőhelyek száma: 4* és 5*-os szálloda 2011 [db] Összes bruttó szállásdíjbevétel 2011 [1000 Ft] Reg vállalk. a mezőgazdaság, erdőgazdálkodás, halászat nemzetgazdasági ágakban GFO11 (TEÁOR 08: A gazd. ág) 2011 (db) Reg. váll. bányászat, kőfejtés nemzetgazd. ágban - GFO11 (TEÁOR 08: B gazd.ág) 2011(db) Reg. váll.a feldolgozóipar nemzetgazd. ágban - GFO11 (TEÁOR 08: C gazd. ág) 2011 (db) Reg. vállalk.a villamosenergia-, gáz-, gőzellátás, légkondicionálás nemzetgazd. ágban GFO11 (TEÁOR 08: D gazd. ág) 2011 (db) Regisztrált vállalkozások száma a vízellátás; szennyvíz gyűjtése, kezelése, hulladékgazdálkodás, szennyeződésmentesítés nemzetgazdasági ágban - GFO11 (TEÁOR 08: E gazdasági ág) 2011 (db) Reg. vállalk. az építőipar nemzetgazd. ágban - GFO11 (TEÁOR 08: F gazd.ág) 2011 (db) Regisztrált vállalkozások száma a kereskedelem, gépjárműjavítás nemzetgazdasági ágban GFO11 (TEÁOR 08: G gazdasági ág) 2011 (db) Regisztrált vállalkozások száma a szállítás, raktározás nemzetgazdasági ágban - GFO11 (TEÁOR 08: H gazdasági ág) 2011 (db) Regisztrált vállalkozások száma a szálláshely-szolgáltatás, vendéglátás nemzetgazdasági ágban - GFO11 (TEÁOR 08: I gazdasági ág) 2011 (db) Regisztrált vállalkozások száma az információ, kommunikáció nemzetgazdasági ágban GFO11 (TEÁOR 08: J gazdasági ág) 2011 (db) Regisztrált vállalkozások száma a pénzügyi, biztosítási tevékenység nemzetgazdasági ágban - GFO11 (TEÁOR 08: K gazdasági ág) 2011 (db) Reg. vállalk. az ingatlanügyletek nemzetgazd. ágban - GFO11 (TEÁOR 08: L gazd. ág) 2011

Vállalkozások gazdasági aktivitása

Regisztrált vállalkozások száma a szakmai, tudományos, műszaki tevékenység nemzetgazdasági ágban - GFO11 (TEÁOR 08: M gazdasági ág) 2011 (db) Regisztrált vállalkozások száma az adminisztratív és szolgáltatást támogató tevékenység nemzetgazdasági ágban - GFO11 (TEÁOR 08: N gazdasági ág) 2011 (db) Regisztrált vállalkozások száma a közigazgatás, védelem; kötelező társadalombiztosítás nemzetgazdasági ágban - GFO11 (TEÁOR 08: O gazdasági ág) 2011 (db) Reg. váll. az oktatás nemzetgazdasági ágban - GFO11 (TEÁOR 08: P gazd. ág) 2011 (db) Regisztrált vállalkozások száma a humán-egészségügyi, szociális ellátás nemzetgazdasági ágban - GFO11 (TEÁOR 08: Q gazdasági ág) 2011 (db) Regisztrált vállalkozások száma a művészet, szórakoztatás, szabadidő nemzetgazdasági ágban - GFO11 (TEÁOR 08: R gazdasági ág) 2011 (db) Regisztrált vállalkozások száma az egyéb szolgáltatás nemzetgazdasági ágban - GFO11 (TEÁOR 08: S gazdasági ág) 2011 (db) Reg. váll. az egyéb tevékenység nemzetgazd. ágban - GFO11 (TEÁOR 08: T+U gazd. ág) 2011 (db) 0 és ismeretlen fős regisztrált vállalkozások száma - GFO11 2011 (db) 10-19 fős regisztrált vállalkozások száma - GFO11 2011 (db) 1-9 fős regisztrált vállalkozások száma - GFO11 2011 (db) 20-49 fős regisztrált vállalkozások száma - GFO11 2011 (db) 250-499 fős regisztrált vállalkozások száma - GFO11 2011 (db) 500 és több fős regisztrált vállalkozások száma - GFO11 2011 (db) 50-249 fős regisztrált vállalkozások száma - GFO11 2011 (db) Regisztrált vállalkozások száma összesen - GFO11 2011 (db)

54


Látens változók

Vállalkozások jövedelemtermelő képessége




Az adóévben megszerzett bevétel Ft 2011 1 adózóra jutó adóévben megszerzett EVA bevétel 2011 (Ft) Egyszerűsített vállalkozói adó Ft 2011 1 adózóra jutó EVA 2011 (Ft) ERKIM_Adózás előtti eredmény 2011 (1000 Ft) ERKIM_Adózott eredmény 2011 (1000 Ft) ERKIM_Anyagjellegű ráfordítások össz. 2011 (1000 Ft) ERKIM_Bérköltség 2011 (1000 Ft) ERKIM_Egyéb ráfordítások össz. 2011 (1000 Ft) ERKIM_Egyéb szolgáltatások értéke 2011 (1000 Ft) ERKIM_Értékcsökkenési leírás 2011 (1000 Ft) ERKIM_Exp. értékesítés nettó árbevétele 2011 (1000 Ft) ERKIM_Fizetendő adó 2011 (1000 Ft) ERKIM_Igénybevett szolgáltatások értéke 2011 (1000 Ft) ERKIM_Költségek, ráfordítások összesen 2011 (1000 Ft) ERKIM_Személyi jellegű ráfordítások össz. 2011 (1000 Ft) ERKIM_Értékesítés nettó árbevétele 2011 (1000 Ft) MERL_Befektetett eszközök összesen 2011 (1000 Ft) MERL_Forgóeszközök 2011 (1000 Ft) MERL_Hosszú lejáratú kötelez. záróáll. 2011 (1000 Ft) MERL_Jegyzett tőke összege 2011 (1000 Ft) MERL_Mérleg főösszeg (eszközök) 2011 (1000 Ft) MERL_Rövid lejáratú kötelez. záróáll. 2011 (1000 Ft) MERL_Saját tőke összege 2011 (1000 Ft) TAJ_Átlagos stat. állományi létszám 2011 (1000 Ft) TAJ_Bruttó hozzáadott érték 2011 (1000 Ft) TAJ_Darabszám 2011 (1000 Ft) TAJ_Jegyzett tőkéből külf. részesedés 2011 (1000 Ft) TAJ_Kibocsátás összesen(Bruttó termelési érték) 2011 (1000 Ft) A vonzáskörzet vállalkozásainak beszámolóadataiból képzett LIKVIDITÁSI MUTATÓ(I): Forgóeszközök/Rövid lejáratú kötelezettségek 2011 A vonzáskörzet vállalkozásainak beszámolóadataiból képzett BEFEKTETETT ESZKÖZÖK FEDEZETTSÉGI MUTATÓJA: Saját tőke/Befektetett eszközök 2011 A vonzáskörzet vállalkozásainak beszámolóadataiból képzett TŐKEARÁNYOS ADÓZOTT EREDMÉNY (ROE) Adózott eredmény/Saját tőke 2011 A vonzáskörzet vállalkozásainak beszámolóadataiból képzett ESZKÖZHATÉKONYSÁG (ROI) Adózott eredmény / Teljes eszközállomány 2011 A vonzáskörzet vállalkozásainak beszámolóadataiból képzett ESZKÖZJÖVEDELMEZŐSÉG (ROA) Adózás előtti eredmény / Teljes eszközállomány 2011

55

JELENTÉS A SEM ALKALMAZÁSRÓL

Recommend Documents