JELENTÉS AZ ELŐREJELZÉSRŐL

HELYI GAZDASÁGFEJLESZTÉS REPÜLŐTEREK VONZÁSKÖRZETÉBEN STATISZTIKAI MODELL – JELENTÉS AZ ELŐREJELZÉSRŐL BUDAPEST XVIII. KERÜLET ÉS VECSÉS

STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL

JELENTÉS AZ ELŐREJELZÉSRŐL

VÉGSŐ VERZIÓ

BUDAPEST, XVIII. KERÜLET, VECSÉS

BUDAPEST, 2014

1


BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS VÁROS ÖNKORMÁNYZATA

STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL

JELENTÉS AZ ELŐREJELZÉSRŐL

VÉGSŐ VERZIÓ

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 MUNKAFÁZISOK EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA ....................................... 5

II.

A STATISZTIKAI PREDIKTÍV MODELL ÉS ALKALMAZÁSA................................................................... 6

III. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT PREDIKTORAINAK IDŐBELI ELŐREJELZÉSE ............... 15 IV. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI IDŐSORAINAK BEVONÁSA A PREDIKTOR VÁLTOZÓK IDŐBELI ELŐREJELZÉSÉBE ................................................................................ 39 V.

BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT CÉLVÁLTOZÓINAK IDŐBELI ELŐREJELZÉSE ............... 42

VI. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI ADATAINAK SZEZONÁLIS ELEMZÉSE ÉS ELŐREJELZÉSE .................................................................................................................. 50 VII. ÖSSZEFOGLALÁS, EREDMÉNYEK ÉRTELMEZÉSE ............................................................................ 57 VIII. FÜGGELÉK ...................................................................................................................................... 62

4


I.

I. AZ ELŐZŐ MUNKAFÁZISOK EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA

Az „airLED” projekt keretében a magyar régióra elkészült Status Quo jelentés definiálta a Budapest Liszt Ferenc Nemzetközi Repülőtér vonzáskörzetét, mely kevés különbséggel Budapest agglomerációs térségét fedi le. A repülőtéri vonzáskörzet társadalmi-gazdasági fejlődését befolyásoló tényezők, indikátorok azonosítása és számszerűsítése jelen statisztikai modellezési munka tárgya. Az előző munkafázisok és számítások alapvető célja az előrejelzendő gazdasági célváltozókra szignifikánsan ható gazdasági-társadalmi indikátorok körének a meghatározása volt. Első lépésként összegyűjtöttük, rendszerbe foglaltuk azon látens dimenziókat, melyek egy térség társadalmi-gazdasági fejlődését, fejlettségét jellemzik. Ezen látens dimenziók manifeszt (mérhető) indikátorokban jelentek meg. A statisztikai munka megfigyelési egységeként a vonzáskörzeti településeket jelöltük meg, így szám szerint 23 budapesti kerület és további 46 környező település 2011.évi (az adatgyűjtés időpontjában elérhető legfrissebb) adatai képezték a számítások alapjául szolgáló manifeszt indikátor keresztmetszeti adatbázist. Az induló adatbázis nagy számossága (közel 300 induló indikátor) mindenképpen megkövetelte az adatbázis szűrését, szelektálását. A több lépcsőben és több dimenzióban elvégzett statisztikai célú szelektálás eredményeként 58 manifeszt indikátor adódott. A következő lépésben feltártuk az indikátorok közötti ok-okozati kapcsolatokat és azok irányát a SEM (Structural Equation Modeling) módszertan segítségével. Elkülönítettük a manifeszt indikátorokat célváltozókra és prediktor (magyarázó) változókra. Jelen elemzés célja a célváltozók és prediktor (magyarázó) változók közötti oksági kapcsolatok számszerűsítése regressziós statisztikai módszertan segítségével és előrejelzést készíteni mind a célváltozók mind a prediktor (magyarázó) változók 2014.évi értékeire vonatkozóan.

5


II.

II. A STATISZTIKAI PREDIKTÍV MODELL ÉS ALKALMAZÁSA

Az alábbiakban bemutatjuk az előrejelzési céllal készült statisztikai modell struktúráját és működését. A modell módszertanilag regressziós –OLS – (Ordinary Least Squares) megalapozású. Az előrejelzendő célváltozók: 1. Saját folyó bevételek (kód: D2_3), 2. Helyi adóbevételek (kód: D3_3), 3. Foglalkoztatottak száma (kód: D1_2). A modell működése két alapvető lépésre bontható: 1. Mindhárom célváltozóra külön-külön szelektálásra kerül a prediktor változók egy-egy saját köre, és becslésre kerülnek az egyes prediktorok megfelelő koefficiensei (súlyai). Értelemszerűen a három modell három súlyrendszert igényel. 2. Második lépésben a súlyozandó prediktorok értékeinek az időbeli előrejelzése a becslési feladat, mert a koefficiensek és a prediktorok előrejelzése ismeretében lehetővé válik a súlyozás, aminek eredményeképpen nyerjük az előrejelzést magukra a célváltozókra. Hányados típusú jellegük miatt az induló 58 manifeszt indikátorból kiszűrésre került 4 manifeszt mérlegelemzési mutató, mely a továbbiakban nem szerepel a prediktorok induló körében, rendre: D7_9; D8_9; D9_9; D10_9. A modellépítés kiindulását az alábbi keresztmetszeti modellek esetén mindig egy szakmai bővebb modell jelenti, amelyből elhagyjuk az irreleváns változókat, nyerve így a szűkebb (takarékosabb) statisztikai modelleket, szám szerint hármat, rendre: M_2_3C, M3_3C és M1_2C. Jelen anyagban a végső, szűkített modelleket publikáljuk. A modellek megnevezésében alkalmazott „C” jelölést keresztmetszeti(Cross) modellként kell értelmezni, a későbbiekben az idősori elemzésben használt előrejelző modellekben „P” jelölést (Prediction) alkalmazunk. A számítások a „Gretl for Windows” open-source ökonometriai programmal készültek.

A „C” koefficiensek keresztmetszeti alapúak, mert a Liszt Ferenc Repülőtér vonzáskörzetébe tartozó 69 település 2011. évi gazdasági-társadalmi indikátorait kötik egymással ok-okozati rendszerbe. Ebben az értelemben a koefficiensek implicite tartalmazzák a Repülőtér hatását is.

6


A prediktorok azonosítója D#_#, ahol pl. D2_3 a harmadik dimenzió második indikátorát jelenti. A D#_# kódok definícióját, megnevezését lásd a Függelék 1. táblájában. A táblában szövegkiemelővel jeleztük, hogy az egyes keresztmetszeti és előrejelző modellek mely változót használják. A prediktorok értékeinek az időbeli előrejelzése minden prediktorra vonatkozóan külön-külön, idősori adatok alapján és a Repülőtér adataival való időbeni együttalakulás alapján történik. Adott prediktor időbeli előrejelzésének módszertana egyedi, mert függ a rendelkezésére álló idősor(ok) hosszától és lefutásuk jellegétől. Az M2_3C, M3_3C és M1_2C modellek keresztmetszeti előrejelzésének a pontosságát (goodnessof-fit) a Függelék 2., 3. és 4. táblák részletezik településsoros (69) bontásban, amely előrejelzések grafikus megjelenítése a megfelelő 1., 2., és 3. ábrákon látható. Az előrejelzések ábráin a függőleges vonal rendre az adott megfigyelés (település, év) konfidencia intervallumát reprezentálja. A regressziós output táblák standard regressziós eredményeket közölnek, rendre: 1. 2. 3. 4.

maga a becsült koefficiens, a standard hibája, kettőjük t-statisztikája, végül az ún. p-szignifikancia érték.

Minél zéró-közelibb a p-érték, annál relevánsabb a prediktor. Az utolsó oszlopban jelölt csillagok száma a p-érték nagyságrendjét mutatja. Három csillag „***” 1% alatti, kettő csillag 1-5% közötti, majd egy csillag 5-10% közötti szignifikancia értéket emel ki vizuálisan. A keresztmetszeti koefficiensek meghatározása során elsődleges cél volt olyan súlyokat találni, melyek nagy pontossággal bontják a célváltozót a megfelelő prediktorai lineáris kombinációjára. Ennek megfelelően az illeszkedés (közelítés) pontosságát leíró heurisztikus mutatók értéke 95% körüli mindhárom modell esetében. A Függelék 2-4. táblák az előrejelzés pontbecslését közlik.

7


A keresztmetszeti modellek koefficiensei rendre a következők. Szűkített M2_3C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D2_3 (Helyi önkormányzat saját folyó bevételei) Coefficient

Std. Error

t-ratio

p-value

const

D2_3

208080

253738

0.8201

0.41608

D4_1

-388.936

260.575

-1.4926

0.14182

D1_2

256.738

177.78

1.4441

0.15494

D1_4

-2711.76

1124.27

-2.4120

0.01958

D2_4

8025.81

1736.14

4.6228

0.00003

***

D1_5

16.8339

4.95825

3.3951

0.00135

***

D3_5

-14599.2

3308.71

-4.4123

0.00005

***

D2_6

7385.44

4924.66

1.4997

0.13998

D4_6

10538.3

2341.28

4.5011

0.00004

D5_6

-1701.01

1061.62

-1.6023

0.11540

D9_6

-17324.6

25636.7

-0.6758

0.50230

D2_7

0.000392264

0.000171498

2.2873

0.02645

**

***

**

D3_7

472.73

324

1.4590

0.15081

D1_8

12064.6

3773.16

3.1975

0.00241

D6_8

-933.554

413.739

-2.2564

0.02845

**

D7_8

39448

11236.6

3.5107

0.00096

***

D1_9

-436.414

181.05

-2.4105

0.01965

**

***

D4_9

0.394568

0.132628

2.9750

0.00450

***

D5_9

-0.00194602

0.000532183

-3.6567

0.00061

***

A szűkített M2_3C illeszkedésvizsgálati mutatói Eredményváltozó: D2_3 (Helyi önkormányzat saját folyó bevételei) Mean dependent var

3968088

S.D. dependent var

4048394

Sum squared resid

4.39e+13

S.E. of regression

937398.5

R-squared

0.960578

Adjusted R-squared

0.946385

F(18, 50)

67.68398

P-value(F)

7.98e-29

Log-likelihood Schwarz criterion

-1035.604

Akaike criterion

2109.209

2151.657

Hannan-Quinn

2126.050

8


1. ábra A helyi önkormányzatok saját folyó bevételek (D2_3) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M2_3C alapján D2_3 cross modell illeszkedése 2e+007

1.8e+007

D2_3 forecast 95 percent interval

D2_3 Önkormányzatok saját folyó bevételei

1.6e+007

1.4e+007

1.2e+007

1e+007

8e+006

6e+006

4e+006

2e+006

0

-2e+006 observations sorted by D2_3

9


Szűkített M3_3C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) Coefficient

Std. Error

t-ratio

p-value

const

D3_3

53274.5

203136

0.2623

0.79424

D4_1

-652.213

206.762

-3.1544

0.00277

***

D1_2

-521.141

249.234

-2.0910

0.04185

**

D1_4

-1275.98

942.164

-1.3543

0.18198

D2_4

11726.7

1482.98

7.9075

<0.00001

***

D3_5

-27381.6

5660.61

-4.8372

0.00001

***

D4_5

141.515

70.6689

2.0025

0.05090

*

D8_5

325.155

116.725

2.7856

0.00763

***

D2_6

14741.4

4201.82

3.5083

0.00099

***

D9_6

-106339

27165.2

-3.9145

0.00029

***

D10_6

14.7232

3.50364

4.2023

0.00011

***

D3_7

1237.91

317.749

3.8959

0.00030

***

D4_7

0.000111772

4.64159e-05

2.4080

0.01993

**

D1_8

4057.19

3460.42

1.1725

0.24680

D4_8

6.87681

3.05813

2.2487

0.02916

**

D6_8

-2653.78

589.617

-4.5009

0.00004

***

D7_8

56070

10491.6

5.3443

<0.00001

***

D1_9

-645.744

145.036

-4.4523

0.00005

***

D4_9

0.656355

0.142272

4.6134

0.00003

***

D5_9

-0.000601886

0.000749534

-0.8030

0.42593

D6_9

-0.00378486

0.00209546

-1.8062

0.07716

*

Szűkített M3_3C Illeszkedésvizsgálati mutatói Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) Mean dependent var

2771443

S.D. dependent var

2889937

Sum squared resid

2.75e+13

S.E. of regression

756252.8

R-squared

0.951662

Adjusted R-squared

0.931521

47.25028

F(20, 48) Log-likelihood Schwarz criterion

P-value(F)

6.66e-25

-1019.380

Akaike criterion

2080.759

2127.675

Hannan-Quinn

2099.372

10


2. ábra A helyi önkormányzatok helyi adó bevételek (D3_3) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M3_3C alapján D3_3 cross modell illeszkedése 1.2e+007 D3_3 forecast 95 percent interval

D3_3 Önkormányzatok helyi adó bevételei

1e+007

8e+006

6e+006

4e+006

2e+006

0


11


Szűkített M1_2C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D1_2 (Foglalkoztatottak összesen) Coefficient

Std. Error

t-ratio

p-value

const

D1_2

68.6905

91.9476

0.7471

0.45867

D2_4

2.34972

0.374709

6.2708

<0.00001

D1_5

-0.00564506

0.0018154

-3.1095

0.00315

***

D4_5

-0.0328315

0.0154103

-2.1305

0.03828

**

D8_5

0.296213

0.022407

13.2197

<0.00001

***

D2_6

3.49407

2.21286

1.5790

0.12091

D3_6

0.732279

0.124601

5.8770

<0.00001

***

***

D4_6

-6.00343

1.24527

-4.8210

0.00001

***

D5_6

0.972373

0.383738

2.5339

0.01460

**

D6_6

-0.185232

0.0611807

-3.0276

0.00396

***

D9_6

-59.5421

10.9006

-5.4623

<0.00001

***

D10_6

0.00592719

0.00109779

5.3992

<0.00001

***

D2_7

-6.56703e-07

1.58553e-07

-4.1419

0.00014

***

D3_7

0.501345

0.0778316

6.4414

<0.00001

***

D4_7

2.32246e-07

5.68997e-08

4.0817

0.00017

***

D4_8

0.0114101

0.00373191

3.0574

0.00364

***

D5_8

-0.00723075

0.00356739

-2.0269

0.04825

**

D6_8

-1.11241

0.23843

-4.6656

0.00002

***

D7_8

9.02977

3.18757

2.8328

0.00673

***

D4_9

0.000154101

4.7092e-05

3.2723

0.00198

***

D5_9

-9.84272e-07

1.75492e-07

-5.6087

<0.00001

***

Szűkített M1_2C Illeszkedésvizsgálati mutatói Mean dependent var

15833.00

S.D. dependent var

15901.84

Sum squared resid

5100413

S.E. of regression

325.9733

R-squared

0.999703

Adjusted R-squared

0.999580

F(20, 48)

8088.734

P-value(F)

8.28e-78

-484.6768

Akaike criterion

1011.354

1058.270

Hannan-Quinn

1029.967


12


3. ábra A foglalkoztatottak (D1_2) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M1_2C alapján D1_2 cross modell illeszkedése 70000 D1_2 forecast 95 percent interval 60000

D1_2 Foglalkoztatottak

50000

40000

30000

20000

10000

0 observations sorted by D1_2

13


Az M2_3C, M3_3C és M1_2C modellek illeszkedését Budapest 18. kerületi önkormányzat 2011.évi keresztmetszeti adatain teszteljük.

Predictor const D4_1 D1_2 D2_3 D3_3 D1_4 D2_4 D1_5 D3_5 D4_5 D8_5 D2_6 D3_6 D4_6 D5_6 D6_6 D9_6 D10_6 D2_7 D3_7 D4_7 D1_8 D4_8 D5_8 D6_8 D7_8 D1_9 D4_9 D5_9 D6_9

Célváltozók M2_3C Saját folyó bevétel M3_3C Helyi adóbevétel M1_2C Foglalkoztatottak

M2_3C koefficiensek 208080 -388.936 256.738

M3_3C koefficiensek 53274.5 -652.213 -521.141

-2711.76 8025.81 16.8339 -14599.2

-1275.98 11726.7

7385.44

-27381.6 141.515 325.155 14741.4

10538.3 -1701.01 -17324.6 0.000392264 472.73 12064.6

-106339 14.7232 1237.91 0.000111772 4057.19 6.87681

-933.554 39448 -436.414 0.394568 -0.00194602

-2653.78 56070 -645.744 0.656355 -0.000601886 -0.00378486

Modellérték 9 944 186

Modellérték

2011.év M1_2C koefficiensek 68.6905

2.34972 -0.00564506 -0.0328315 0.296213 3.49407 0.732279 -6.00343 0.972373 -0.185232 -59.5421 0.00592719 -6.57E-07 0.501345 2.32E-07 0.0114101 -0.00723075 -1.11241 9.02977 0.000154101 -9.84E-07

Modellérték

8 281 873 42 889

Budapest 18.kerület 2011. tényadat 1 65 776 42 748 9 900 676 8 280 541 1 915 144 182 461 67 6 562 43 553 286 3 651 144 1 065 34 585 28 163 173 16 104 770 602 44 017 98 083 977 638 384 7 454 4 905 151 7 15 754 2 088 743 456 205 481 188 063 180 2011 tényadat 9 900 676 8 280 541 42 748

Látható, hogy a 69 vonzáskörzeti település adatbázisa alapján definiált modellek koefficiensei alapján számított eredményváltozók megfelelő pontossággal illeszkednek a Budapest 18. kerület 2011. évi tényadataihoz.

14


III.

III. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT PREDIKTORAINAK IDŐBELI ELŐREJELZÉSE

Imputálást csak az idősorok utolsó hiányzó értékeire (tipikusan a 2013. évre) végzünk. Tesszük ezt azért, mert adott prediktor időbeli előrejelző modellje magyarázó változóként saját korábbi értékét is figyelembe veszi, és az előrejelzendő év 2014., miközben hiányzó adatok vannak néhol a 2013. és kevésbé a 2012. évekre. Az imputálás módszertana háromféle idősori trend típust alkalmaz: 1. lineáris, 2. kvadratikus, 3. exponenciális (növekedési). A hiányzó adatok szempontjából az adatbázist 7 csoportba sorolhatjuk.

Első csoport: A vizsgált időszak egészére (2001-2013) egy adat áll rendelkezésre. Ez a két változó a D9_6 Közúti kapcsolatok száma, D10_6 Személygépkocsi-forgalom (3,5 t alatti ktk-val együtt), ahol D9_6 esetében a 2011.évi adat, D10_6 esetében pedig a 2008.évi adat áll csupán rendelkezésre. Adatkiegészítést a teljes időszakra ebben a két esetben nem tudunk végezni, a hiányzó 2013.évre vonatkozóan a rendelkezésre álló adatokkal dolgozunk.

Második csoport: A vizsgált időszak (2001-2013) két népszámlálási adatot (cenzust) foglal magában 2001 és 2011. évekre vonatkozóan. A hiányzó adatok ezen csoportjában csupán a két népszámlálási adat áll rendelkezésre. Ez a típusú adathiány 3 magyarázó változót érint: D2_1 Száz aktív korúra jutó időskorúak száma, D5_5 Egy lakásra jutó alapterület és D6_5 Összkomfortos lakások aránya. Az adatok kiegészítésére lineáris trendet számítunk. Az adatsorban a trend alapján számított előrejelzett adatokat sárga szövegkiemelővel jelöltük. Az egyes idősorok és előrejelzéseik az alábbiak.

15


Prediktor: D2_1 D2_1 lineáris trend előrejelzés

D2_1 Száz aktív korúra jutó időskorúak száma

Időszak 2001

42 Y = 32.0 + 0.800t

32

2002

40

2003 2004

38 D2_1 Foglalkoztatottak

2005 2006 2007 2008 2009

34

2010 2011

40

2012

32

2013

41.6

2014 const regressor_time regressor_sqtime

36

42.4

30 2000

lineáris trend -1568.8 0.8

2002

2004

2006

2008

2010

2012

Prediktor: D5_5 D5_5 Egy lakásra jutó alapterület

Időszak

70

2001

D5_5 lineáris trend előrejelzés

2002

73.5 Y = 70.0 + 0.300t

2003

73

2004 2005 2006 2007 2008 2009 2010 73

2011 2012

72

71.5

71

70.5

70

2013

74

2014

74

const regressor_time regressor_sqtime

D5_5 Egy lakásra jutó alapterület

72.5


69.5

69 2000

2002

2004

2006

2008

2010

2012

16


Prediktor: D6_5 D6_5 Összkomf ortos lakások arány a

Időszak

D6_5 lineáris trend előrejelzés 84 Y = 74.0 + 0.900t

74

2001 2002

82

2003 2004 D6_5 Összkomfortos lakások aránya

2005 2006 2007 2008 2009 2010

78

76

83

2011 2012

74

85

2013

86

2014 const regressor_time regressor_sqtime

80


72 2000

2002

2004

2006

2008

2010

2012

Harmadik csoport: A hiányzó adatok szempontjából következő csoport közös jellemzője, hogy az időszaki adatok eleje hiányzik, az időszak végi adatok rendelkezésre állnak (kivéve a 2013 utolsó időszaki adatot, amely majdnem mindenhol hiányzik.) Ebbe a csoportba sorolható változók: D4_1 18-64 éves aktív korúak száma, D1_3 Összes évi bérbevétel az önkormányzatnál, D2_4 Nagykereskedelmi raktárak száma, D1_5 Összes szolgáltatott vezetékes gáz mennyisége, D2_5 Összes szolgáltatott villamosenergia mennyisége, D2_6 Önkormányzati kiépített út és köztér hossza, D3_6 Áruszállító tehergépkocsik száma, D4_6 Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik száma, D5_6 Magyarországon első alkalommal forgalomba helyezett személyszállító gépjárművek száma, D6_6 Személyszállító gépjárművek száma, D7_6 Belterületi kiépítettség, D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen, D12_6 Összes személyi sérüléssel járó közúti közlekedési baleset, D1_7 Rendszeres szociális segélyben részesítettek 1000 főre jutó átlagos száma, D2_9 Adóévben megszerzett EVA bevétel és D3_9 EVA adóösszeg.

17


Prediktor: D4_1 D4_1 18-64 év es aktív korúak száma

Időszak

D4_1 kvadratikus trend előrejelzés 66000

20 01

Y = 6.40e+004 + 360.t - 17.9t^2

20 02 20 03

65500

20 05

65066

20 06

65153

20 07

65502

20 08

65645

20 09

65720

20 10

65715

20 11

65776

20 12

65538

20 13

65951

65000

64500

64000

65719

20 14 const regressor_time regressor_sqtime

D4_1 18-64 éves aktív korúak száma

20 04

kvadratikus trend -127826000 127266 -31.6607

63500 2002

2004

2006

2008

2010

2012

Prediktor: D1_3 D1_3 Összes év i bérbev étel az önkormány zatnál

Időszak

D1_3 kvadratikus trend előrejelzés 550000 Y = 4.83e+005 - 1.01e+005t + 1.18e+004t^2

20 01 20 02 20 03 20 04

475962

20 05

351106

20 06

377200

20 07

319167

20 08

285415

20 09

265729

20 10

264959

20 11

289616

20 12

496881

20 13

454766

450000

400000

350000

300000

250000 2004

2005

2006

2007

2008

2009

2010

2011

2012

578519


D1_3 Összes évi bérbevétel az önkormányzatnál

500000

kvadratikus trend 47733800000 -47537000 11835.3

18


Prediktor: D2_4 D2_4 Nagy kereskedelmi raktárak száma összesen (db)

Időszak

D2_4 kvadratikus trend előrejelzés 170 Y = 94.8 + 13.5t - 0.814t^2

2001

160

99

2003

110

2004

115

2005

120

2006

126

2007

146

2008

157

2009

162

2010

143

2011

144

2012

150

2013

140

2014

135


150 D2_4 Nagykereskedelmi raktárak száma

2002

140

130

120

110

100

kvadratikus trend -3287520 3270.83 -0.81352

90 2002

2004

2006

2008

2010

2012

Prediktor: D1_5 D1_5 Az összes szolgáltatott v ezetékes gáz menny isége (1000 m3)

Időszak

D1_5 lineáris trend előrejelzés 205000 Y = 2.03e+005 - 4.50e+003t

2001 2002 2003 2005 2006 2007 2008

203190

2009

193868

2010

203190

2011

182461

2012

186380

2013

180314

2014

175811


lineáris trend 9244410 -4502.78

D1_5 Összes szolgáltatott vezetékes gáz mennyisége

200000

2004

195000

190000

185000

180000 2008

2008.5

2009

2009.5

2010

2010.5

2011

2011.5

2012

19


Prediktor: D2_5 D2_5 Szolgáltatott összes v illamosenergia menny isége (1000 kWh)

Időszak

D2_5 lineáris trend előrejelzés 342000 Y = 3.38e+005 - 2.74e+003t

2001 2002

340000

2004 2005 2006 2007 2008

340074

2009

330258

2010

335848

2011

333942

2012

324511

2013

324695

2014

321951


lineáris trend 5848770 -2744.2

D2_5 Szolgáltatott összes villamosenergia mennyisége

2003

338000

336000

334000

332000

330000

328000

326000

324000 2008

2008.5

2009

2009.5

2010

2010.5

2011

2011.5

2012

Prediktor: D2_6 D2_6 Önkormány zati kiépített út és köztér hossza (km)

Időszak


2001

288 Y = 282. + 0.629t

2002 280.2

2004

281.9

2005

283.8

2006

284.5

2007

286

2008

286

2009

286

2010

286

2011

286

2012

286.8

2013

288

2014

289



287

D2_6 Önkormányzati kiépített út és köztér hossza

2003

286

285

284

283

282

281

280 2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

20


Prediktor: D3_6 D3_6 Áruszállító tehergépkocsik száma (db)

Időszak

D3_6 kvadratikus trend előrejelzés 3800 Y = 3.78e+003 + 12.3t - 21.4t^2

20 01 20 02

3750

20 03 20 05 20 06 20 07 20 08

3777

20 09

3779

20 10

3686

20 11

3651

20 12

3474

20 13

3295

20 14

3071


D3_6 Áruszállító tehergépkocsik száma

20 04

3700

3650

3600

3550

3500

kvadratikus trend -86422300 86069.5 -21.4286

3450 2008

2008.5

2009

2009.5

2010

2010.5

2011

2011.5

2012

D4_6 Magy arországon első alkalommal f orgalomba hely ezett áruszállító tehergépkocsik száma (db)

Időszak

20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09

170

20 10

125

20 11

144

20 12

119

20 13

109

20 14

100


D4_6 Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik száma

Prediktor: D4_6

D4_6 exponenciális trend előrejelzés 170 logY = 5.08 - 0.0929t (annual growth -8.87%)

160

150

140

130

120

110 2009

2009.5

2010

2010.5

2011

2011.5

2012

exponenciális(log-lin)trend 191.608 -0.0928525

21


Prediktor: D5_6

Időszak

2001 2002 2003 2004 2005 2006 2007 2008 2009

946

2010

864

2011

1065

2012

1297

2013

1377

2014

1546


D5_6 exponenciális trend előrejelzés D5_6 Magyarországon első alkalommal forgalomba helyezett személyszállító gépjárművek száma

D5_6 Magy arországon első alkalommal f orgalomba hely ezett személy szállító gépjárműv ek száma (db)

1300 logY = 6.77 + 0.116t (annual growth 12.25%) 1250

1200

1150

1100

1050

1000

950

900

850 2009

2009.5

2010

2010.5

2011

2011.5

2012

exponenciális(log-lin)trend -225.447 0.115586

Prediktor: D6_6 D6_6 Személy szállító gépjárműv ek száma összesen (db)

Időszak


20 01

Y = 3.52e+004 - 295.t + 32.5t^2

20 02

35100

20 03 20 04 20 05 20 06 20 07 20 08

35156

20 09

34904

20 10

34675

20 11

34585

20 12

34491

20 13

33898 33960


kvadratikus trend 131669000 -130815 32.5

D6_6 Személyszállító gépjárművek száma

35000

34900

34800

34700

34600

34500

34400 2008

2008.5

2009

2009.5

2010

2010.5

2011

2011.5

2012

22


Prediktor: D11_6 D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen (f ő) 20 01 20 02 20 03 20 04 20 05

209

20 06

254

20 07

200

20 08

204

20 09

160

20 10

208

20 11

219

20 12

165

20 13

175

20 14

169


D11_6 lineáris trendelőrejelzés 260 Y = 223. - 5.99t

D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen

Időszak

250

240

230

220

210

200

190

180

170

160 2005

2006

2007

2008

2009

2010

2011

2012

lineáris trend 12229.5 -5.9881

Prediktor: D12_6 D12_6 Összes személy i sérüléssel járó közúti közlekedési baleset (eset)

Időszak

D12_6 lineáris trend előrejelzés 180

20 01

Y = 169. - 3.48t 175

20 03 20 04

D12_6 Összes személyi sérüléssel járó közúti közlekedési baleset

20 02

170

165

20 05

177

20 06

169

20 07

164

20 08

156

20 09

129

20 10

144

20 11

177

20 12

142

130

20 13

142 138

125


160

155

150

145

140

135

2005

2006

2007

2008

2009

2010

2011

2012

lineáris trend 7139.18 -3.47619

23


Prediktor: D1_7 D1_7 Rendszeres szociális segély ben részesítettek 1000 f őre jutó átlagos száma 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09

0.9

20 10

1.5

20 11

2.4

20 12

2.0

20 13

2.8

20 14

3.2


D1_7 lineáris trend előrejelzés 2.4 Y = 1.09 + 0.415t D1_7 Rendszeres szociális segélyben részesítettek 1000 főre jutó átlagos száma

Időszak

2.2

2

1.8

1.6

1.4

1.2

1

0.8 2009

2009.5

2010

2010.5

2011

2011.5

2012


Prediktor: D2_9 D2_9 Az adóév ben megszerzett EVA bev étel

Időszak


20 01

9e+009 Y = 8.39e+009 - 5.19e+008t

20 02

8.5e+009

20 03 20 04

8e+009

20 05 20 06 20 07

7547184988

20 08

7676711193

20 09

8529133483

20 10

7250947090

20 11

6930541986

20 12

4620636467

20 13

5278785000

20 14

4760230000


D2_9 EVA bevétel

7.5e+009

7e+009

6.5e+009

6e+009

5.5e+009

5e+009

4.5e+009 2007

2008

2009

2010

2011

2012

lineáris trend 1.04913E+12 -518555000

24


Prediktor: D3_9 Időszak

D3_9 EVA összege 2001


2002

2.2e+009 Y = 2.01e+009 - 9.85e+006t

2003

2.15e+009

2004

2.1e+009

2005

2.05e+009

2006 2007

1884665116

2008

1918945285

2009

2131394527

2010

2176496372

2011

2079902220

2012

1710090172

1.8e+009

2013

1949113580

1.75e+009

2014

1939259240


D3_9 EVA adó

2e+009

1.95e+009

1.9e+009

1.85e+009

1.7e+009 2007

2008

2009

2010

2011

2012

lineáris trend 21785900000 -9854340

Negyedik csoport: Ebbe a csoportba soroljuk azokat a prediktorokat, melyeknek a vizsgált időszakra (2001-2012) vonatkozó adatsorai teljeskörűen rendelkezésre állnak. Ezen prediktorok (magyarázó változók) rendre:, D6_3 Helyi önkormányzat iparűzési adó bevételei, D1_1 Lakónépesség száma év végén, D3_1 Vándorlási különbözet, D2_2 Nyilvántartott álláskeresők száma, D4_3 Helyi önkormányzatoknak átengedett gépjárműadó, D7_3 Helyi önkormányzat idegenforgalmi adó, D8_3 Telekadó, D9_3 Építményadó, D1_4 Kiskereskedelmi üzletek száma, D3_5 Épített lakások száma, D4_5 Év folyamán épített lakások összes alapterülete, D8_5 Lakásállomány, D8_6 Kerékpárút, D2_7 Összes SZJA adó, D3_7 Összes SZJA adófizető darabszáma, D4_7 Összes SZJA belföldi jövedelem, D1_8 Vendéglátóhelyek száma, D2_8 Vendégek száma összesen szálláshelyeken, D3_8 Külföldi vendégek száma összesen szálláshelyeken, D4_8 Vendégéjszakák száma összesen szálláshelyeken, D5_8 Külföldi vendégéjszakák száma összesen szálláshelyeken, D6_8 Szállásférőhelyek száma összesen szálláshelyeken, D7_8 Szálláshelyek száma összesen, D1_9 Regisztrált vállalkozások száma, D4_9 Fizetendő társasági adó, D5_9 Bruttó termelési érték(Kibocsátás) összesen társasági adóbevallást benyújtó vállalkozásoknál, D6_9 Bruttó hozzáadott érték társasági adóbevallást benyújtó vállalkozásoknál, D1_10 Érkező és induló járatszáma repülőtéren, D2_10 Érkező és induló utasszám repülőtéren, D3_10 Érkező és induló árutonna repülőtéren.

25


Prediktor: D6_3 D6_3 A hely i önkormány zatok hely i adó bev ételeiből az iparűzési adó (1000 Ft)

2001

2829913

2002

3412224

2003

3370051

2004

4564439

2005

4198236

2006

5375011

2007

5971064

2008

6588160

2009

6605966

2010

6709738

2011

6374934

2012

6437491

2013

6196553

2014

6117392

const regressor_time

D6_3 kvadratikus trend előrejelzés 7e+006 Y = 2.46e+006 + 7.91e+005t - 3.85e+004t^2 6.5e+006

6e+006

5.5e+006 D6_3 Iparűzési adó bevétel

Időszak

4e+006

3e+006

2013.évi előrejelzés

2.5e+006

2e+006

const

-3.03E+11

regressor_time

3.02E+08

D2_10

4.5e+006

3.5e+006

regressor_sqtime

regressor_sqtime

5e+006


2002

2004

2006

2008

2010

2012

-74989.1 -0.477218

D3_10

19.6891

AR(1)

-0.0117945

Prediktor: D1_1 D1_1 Lakónépesség száma az év v égén (a népszámlálás v égleges adataiból tov ábbv ezetett adat) (f ő)

102000

2001

95478

100000

2002

94564

2003

93632

2004

93400

2005

93236

2006

93120

2007

93239

2008

93225

2009

93652

2010

94041

2011

100281

2012

100912

2013

103245

2014

121830 kv adratikus trend 7.54E+08 -751713 187.42 1.59E+09


2013.évi előrej elzés

regressor_sqtime const

D2_10

101000

99000

98000

97000

96000

95000

94000

93000

92000 2002

2004

2006

2008

2010

2012

-1.59E+06

regressor_time regressor_sqtime

D1_1 kvadratikus trend előrejelzés Y = 9.61e+004 - 1.66e+003t + 187.t^2

D1_1 Lakónépesség száma év végén

Időszak


395.273 0.00186413

D3_10

0.0342355

AR(1)

-0.162226

26


Prediktor: D3_1 D3_1 Vándorlási különbözet

2001

-707

2002

-576

2003

-577

2004

-626

2005

-138

2006

-255

2007

89

2008

-54

2009

433

2010

405

2011

530

2012

336

2013

644

2014 const regressor_time

676 2013.évi előrejelzés


D2_10

Y = -785. + 139.t - 1.77t^2

400

200

kv adratikus trend -7.35E+06 7203.44 -1.76523 -2.94E+07

0

-200

-400

-600

-800

29105.7



D3_1 Vándorlási különbözet

Időszak


-7.20136

-1000 2002

-3.30E-05

D3_10

-0.00680845

AR(1)

-0.414855

2004

2006

2008

2010

2012

Prediktor: D2_2 D2_2 Ny ilv ántartott álláskeresők száma összesen (f ő)

2001

907

2002

857

2003

916

2004

1008

2005

905

2006

909

2007

998

2008

1108

2009

2082

2010

2397

2011

2218

2012

2599

2013

2484


2225 2013.évi előrej elzés

lineáris trend -330408 165.371

regressor_sqtime

D2_10

Y = 499. + 165.t

2500

2000

1500

1000

500

-9.37E+07

const

93084



D2_2 Nyilvántartott álláskeresők száma

Időszak


-23.1279

0 2002

2004

2006

2008

2010

2012

-0.000299084

D3_10

-0.0233693

AR(1)

0.579439

27


Prediktor: D4_3 D4_3 A hely i önkormány zatoknak átengedett gépjárműadó (1000 Ft)

2001

224061

2002

154885

2003

392639

2004

426759

2005

472313

2006

502663

2007

591756

2008

630582

2009

577631

2010

735701

2011

779556

2012

760653

2013

720674

2014

678156


D4_3 kvadratikus trend előrejelzés 800000 Y = 1.78e+005 + 8.52e+004t - 3.06e+003t^2

700000 D4_3 Helyi önkormányzatoknak átengedett gépjárműadó

Időszak

600000

500000

400000

300000

200000


100000 2002

2004

2006

2008

2010

2012

regressor_sqtime

-1.24E+10

const

1.23E+07

regressor_time regressor_sqtime D2_10


-3061.45

D3_10 AR(1)

Prediktor: D8_3 D8_3 Telekadó bev étel eFt.

2001

193817

2002

533433

2003

555876

2004

1025203

2005

722145

2006

718239

2007

819238

2008

898893

2009

945395

2010

993146

2011

922629

2012

1346394

2013

1303677

2014

1376820



D8_3 kvadratikus trend előrejelzés 1.4e+006 Y = 3.96e+005 + 8.60e+004t - 1.34e+003t^2

1.2e+006

1e+006

D8_3 Telekadó bevétel

Időszak

800000

600000

400000

200000

0 2002

2004

2006

2008

2010

2012

regressor_sqtime

-1.36E+08

const

6.82E+04



-0.0558704

D3_10

4.2147

AR(1)

0.059765

28


Prediktor: D9_3 D9_3 Építmény adó bev étel eFt

2001

279908

2002

344205

2003

436913

2004

637517

2005

694257

2006

732857

2007

837092

2008

859348

2009

940764

2010

971960

2011

982978

2012

1029177

2013

1124693

2014

1133700


D9_3 kvadratikus trend előrejelzés 1.2e+006 Y = 2.66e+005 + 1.15e+005t - 3.98e+003t^2 1.1e+006

1e+006

900000 D9_3 Építményadó bevétel

Időszak

800000

700000

600000

500000

400000


300000

200000

regressor_sqtime

2002

2004

2006

2008

2010

2012

-1.63E+10

const

1.61E+07



-3990.79 0.0557356

D3_10

-1.68324

AR(1)

-0.612799

Prediktor: D1_4 D1_4 Kiskereskedelmi üzletek száma (db)

2001

1209

2002

1235

2003

1244

2004

1228

2005

1400

2006

1587

2007

1600

2008

1609

2009

1638

2010

1856

2011

1915

2012

1923

2013

2013

2014

2261




D1_4 kvadratikus trend előrejelzés 2000 Y = 1.16e+003 + 55.2t + 1.64t^2

1900

1800 D1_4 Kiskereskedelmi üzletek száma

Időszak

1700

1600

1500

1400

1300

1200

1100 2002

2004

2006

2008

2010

2012


1.42E+07

regressor_time

-1.42E+04

regressor_sqtime D2_10


3.54315 2.61962E-05

D3_10

0.00422491

AR(1)

0.0556387

29


Prediktor: D3_5 D3_5 Épített lakások száma (db)

2001

237

2002

517

2003

761

2004

722

2005

592

2006

490

2007

471

2008

985

2009

1166

2010

260

2011

67

2012

131

2013

215

2014

195

D3_5 exponenciális trend előrejelzés 1200 logY = 6.86 - 0.0999t (annual growth -9.51%)

1000

D3_5 Épített lakások száma

Időszak

800

600

400

exponenciális(log-lin)trend const regressor_time

2013-2014.évi előrej elzés

200

206.285 -0.0998073

regressor_sqtime 0

const

2002

2004

2006

2008

2010

2012



D3_10 AR(1)

Prediktor: D4_5

D4_5 Az év f oly amán épített lakások összes alapterülete (m2)

2001

23742

2002

43105

2003

61070

2004

57494

2005

43748

2006

39096

2007

42661

2008

69938

2009

77468

2010

23031

2011

6562

2012

12118

2013

18050

2014

regressor_time

logY = 11.2 - 0.0985t (annual growth -9.38%) 70000

60000

50000

40000

30000

20000

16356 exponenciális(log-lin)trend

const

D4_5 exponenciális trend előrejelzés 80000

D4_5 Év folyamán épített lakások összes alapterülete

Időszak

2013-2014.évi előrej elzés

208.143 -0.0985306

10000

0 2002

regressor_sqtime

2004

2006

2008

2010

2012

const regressor_time regressor_sqtime D2_10


D3_10 AR(1)

30


Prediktor: D8_5 D8_5 Lakásállomány (db)

2001

38471

2002

38924

2003

39626

2004

40301

2005

40837

2006

41217

2007

41594

2008

42467

2009

43545

2010

43749

2011

43567

2012

43656

2013

44886


D8_5 lineáris trend előrejelzés 45000 Y = 3.86e+004 + 522.t

44000

43000

D8_5 Lakásállomány

Időszak

42000

41000



40000

39000

regressor_sqtime

-2.23E+08

const

2.22E+05



38000 2002

-55.3045

2004

2006

2008

2010

2012

-0.000307742

D3_10

-0.0326535

AR(1)

0.563279

Prediktor: D2_7

D2_7 Összes SZJA adó (Ft)

2001

14447201764

2002

16120119687

2003

16903160542

2004

17527739581

2005

18826348455

2006

20457133714

2007

23399650640

2008

24771919973

2009

23111818857

2010

20575782580

2011

16104770602

2012

17056966234

2013

16709146000

2014

14512449756 kv adratikus trend -9.20114E+14 9.16795E+11 -228366000 -1.28E+15




1.27E+12



-317493000

D2_7 kvadratikus trend előrejelzés 2.6e+010 Y = 1.29e+010 + 2.87e+009t - 2.28e+008t^2

2.4e+010

2.2e+010

D2_7 Összes SZJA adó

Időszak

2e+010

1.8e+010

1.6e+010

1.4e+010

1.2e+010 2002

2004

2006

2008

2010

2012

-688.019

D3_10

-104627

AR(1)

0.190753

31


Prediktor: D3_7

D3_7 Összes SZJA adóf izető darabszáma (f ő)

2001

44068

2002

44312

2003

44193

2004

43479

2005

43055

2006

44378

2007

44718

2008

45366

2009

44367

2010

44180

2011

44017

2012

43945

2013

44346

2014

D3_7 lineáris trend előrejelzés 45500 Y = 4.40e+004 + 26.6t

45000

D3_7 Összes SZJA adófizető darabszáma

Időszak

44500

44000

43946 lineáris trend -9244.63 26.6224

43500

const

-9.90E+07

43000

regressor_time

9.86E+04



regressor_sqtime

regressor_sqtime D2_10


2002

2004

2006

2008

2010

2012

-24.5497 -0.00024667

D3_10

0.0318404

AR(1)

0.391849

Prediktor: D4_7

D4_7 Összes SZJA belf öldi jöv edelem (Ft)

2001

54134337130

2002

60256397118

2003

67157012063

2004

71133025240

2005

76878603342

2006

84716823286

2007

95986203794

2008

1.03289E+11

2009

1.00322E+11

2010

98938464408

2011

98083977638

2012

99754327090

2013

113794670000

2014

111983594970 lineáris trend -9.04453E+12 4549590000



D4_7 lineáris trend előrejelzés 1.2e+011 Y = 5.92e+010 + 4.55e+009t

1.1e+011

D4_7 Összes SZJA belföldi jövedelem

Időszak

1e+011

9e+010

8e+010

7e+010

6e+010


2.55E+14

regressor_time

-2.53E+11

regressor_sqtime

62679200

D2_10


5e+010 2002

2004

2006

2008

2010

2012

2343.97

D3_10

182994

AR(1)

0.890484

32


Prediktor: D1_8

D1_8 Vendéglátóhely ek száma (db)

2001

248

2002

262

2003

280

2004

271

2005

281

2006

292

2007

302

2008

322

2009

336

2010

366

2011

384

2012

401

2013

399


D1_8 lineáris trend előrejelzés 420 Y = 238. + 13.4t 400

380

360 D1_8 Vendéglátóhelyek száma

Időszak


340

320

300

280


260

regressor_sqtime

240

-2.95E+04

const

1.49E+01



220 2002

2004

2006

2008

2010

2012

-1.13777E-05

D3_10

0.000240036

AR(1)

0.241694

Prediktor: D2_8

D2_8 Vendégek száma össz.kereskedelmi, f alusi és egy éb szálláshely eken

2001

2594

2002

2744

2003

1283

2004

1300

2005

1303

2006

1196

2007

1304

2008

4097

2009

3311

2010

2997

2011

4597

2012

5267

2013

4408

2014

4725




4500

4000

3500

3000

2500

2000

1500

1000 2004

2006

2008

2010

2012

5.18E+02

regressor_time

D3_10

5000

-1.03E+06

const

D2_10

Y = 1.19e+003 + 268.t

2002

regressor_sqtime

regressor_sqtime


D2_8 Vendégek száma szálláshelyeken

Időszak


-0.000414502 -0.0666599

AR(1)

33


Prediktor: D3_8 D3_8 Külf öldi v endégek száma összesen kereskedelmi, f alusi és egy éb szálláshely eken

2001

818

2002

1190

2003

124

2004

55

2005

61

2006

149

2007

87

2008

2456

2009

1360

2010

1377

2011

3069

2012

4155

2013

4657




D2_10

Y = 1.04e+003 - 493.t + 69.0t^2

4000

3500

3000

2500

2000

1500

1000

500

-3.79E+05


kv adratikus trend 277170000 -276538 68.9768 3.80E+08


D3_8 Külföldi vendégek szálláshelyeken

Időszak


0

94.6642

2002

2004

2006

2008

2010

2012

-0.000134673

D3_10

-0.121162

AR(1)

-1.06933

Prediktor: D4_8

D4_8 Vendégéjszakák száma összesen kereskedelmi, f alusi és egy éb szálláshely eken

2001

7114

2002

5449

2003

3449

2004

2530

2005

2965

2006

2486

2007

2572

2008

7866

2009

5794

2010

4967

2011

7454

2012

7811

2013

6572




6000

5000

4000

3000

2000 2004

2006

2008

2010

2012

6.41E+02

regressor_time

D3_10

7000

-1.27E+06

const

D2_10

Y = 3.74e+003 + 236.t

2002

regressor_sqtime

regressor_sqtime


D4_8 Vendégéjszakák száma szálláshelyeken

Időszak


-0.0004939 -0.148899

AR(1)

34


Prediktor: D5_8 D5_8 Külf öldi v endégéjszakák száma összesen kereskedelmi, f alusi és egy éb szálláshely eken

2001

2814

2002

2480

2003

1178

2004

138

2005

166

2006

439

2007

241

2008

4230

2009

2294

2010

2243

2011

4905

2012

5862

2013

5866

2014

5746




D2_10

Y = 2.54e+003 - 810.t + 97.1t^2

7000

kv adratikus trend 474600000 -473361 118.031 -1.60E+06

6000

5000

4000

3000

2000

1000

0 2002

2004

2006

2008

2010

2012

8.02E+02



D5_8 Külföldi vendégéjszakák száma szálláshelyeken

Időszak


-0.000984356 -0.0624775

D3_10 AR(1)

Prediktor: D6_8

D6_8 Szállásf érőhely ek száma összesen kereskedelmi, f alusi és egy éb szálláshely eken

2001

74

2002

70

2003

62

2004

53

2005

49

2006

49

2007

59

2008

163

2009

154

2010

161

2011

151

2012

171

2013

177

2014

189




180

160

140

120

100

80

60

40

2002

const

-2.33E+04

regressor_time

1.17E+01

D2_10

Y = 37.0 + 11.7t

20

regressor_sqtime

regressor_sqtime


D6_8 Szállásférőhelyek száma szálláshelyeken

Időszak

2004

2006

2008

2010

2012


D3_10 AR(1)

35


Prediktor: D7_8 D7_8 Szálláshely ek száma összesen kereskedelmi, f alusi és egy éb szálláshely eken

2001

6

2002

6

2003

5

2004

4

2005

3

2006

3

2007

4

2008

5

2009

4

2010

5

2011

7

2012

8

2013

9



const

8

7

6

5

4

3

kv adratikus trend 494445 -492.973 0.122877 4.68E+05

2

1 2002

2004

2006

2008

2010

2012

-4.67E+02

regressor_time

D2_10

Y = 6.45 - 1.16t + 0.116t^2

9

11

regressor_sqtime

regressor_sqtime


D7_8 Szálláshelyek száma

Időszak


0.116384

D3_10 AR(1)

Prediktor: D1_9 D1_9 Regisztrált v állalkozások száma

2001

13506

2002

13616

2003

13976

2004

14087

2005

13946

2006

13609

2007

13807

2008

14207

2009

14412

2010

15099

2011

15754

2012

15959

2013

15620





Y = 1.32e+004 + 198.t

15500

D1_9 Regisztrált vállalkozások száma

Időszak

15000

14500

14000

13500

regressor_sqtime

-4.28E+06

const

4.08E+03



13000 2002

2004

2006

2008

2010

-0.968247 -0.000334657

D3_10

0.0219617

AR(1)

0.663927

36

2012


Prediktor: D4_9 D4_9 Fizetendő társasági adó (1000 Ft)

2001

2834811

2002

2581353

2003

3091483

2004

3894312

2005

4321490

2006

3632012

2007

2540759

2008

2155647

2009

1593692

2010

2007586

2011

2088743

2012

1467096

2013

1634930

2014

1612218 lineáris trend 326513000 -161390



D4_9 lineáris trend előrejelzés 4.5e+006 Y = 3.57e+006 - 1.61e+005t

4e+006

3.5e+006 D4_9 Fizetendő társasági adó

Időszak

3e+006

2.5e+006

2e+006

1.5e+006

regressor_sqtime

1.84E+11

const

-1.83E+08



1e+006

45442.4

2002

2004

2006

2008

2010

0.956877

D3_10

17.5457

AR(1)

-0.115556

Prediktor: D5_9

108414973

2002

126892878

2003

140835827

2004

162569795

2005

204166313

2006

256733981

2007

248164593

2008

282264688

2009

254382316

2010

232082689

2011

456205481

2012

470751290

2013

433347100

2014

491119665 lineáris trend -57796100000 28926700

const


5e+008 Y = 8.62e+007 + 2.89e+007t 4.5e+008

4e+008

D5_9 Bruttó term.érték(Kibocsátás)

2001

regressor_time


D5_9 (Bruttó termelési érték)Kibocsátás összesen (1000 Ft)

Időszak

3.5e+008

3e+008

2.5e+008

2e+008

1.5e+008

1e+008

5e+007 2002

2004

2006

2008

2010

2012

regressor_sqtime

-4.64E+10

const

2.32E+07



-6.06578

D3_10

2393.2

AR(1)

0.194053

37

2012


Prediktor: D6_9 D6_9 Bruttó hozzáadott érték (1000 Ft)

2001

43727795

2002

54215201

2003

62197374

2004

73063516

2005

84206935

2006

99810029

2007

119498279

2008

162350875

2009

149397289

2010

148883568

2011

188063180

2012

175715982

2013

202031600

2014

193673279



lineáris trend -27241600000 13633200

D6_9 lineáris trend előrejelzés 2e+008 Y = 3.84e+007 + 1.36e+007t

1.8e+008

1.6e+008

1.4e+008 D6_9 Bruttó hozzáadott érték

Időszak

1.2e+008

1e+008

8e+007

6e+007

4e+007


-4.89E+12

regressor_time

4.84E+09

regressor_sqtime

-1197990

D2_10


2e+007 2002

2004

2006

2008

2010

2012

-9.07952

D3_10

-1423.99

AR(1)

-0.863451

38


IV.

IV. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI IDŐSORAINAK BEVONÁSA A PREDIKTOR VÁLTOZÓK IDŐBELI ELŐREJELZÉSÉBE

A Repülőtér hatásának figyelembe vétele a vonzáskörzetére az airLED statisztikai modell megközelítésében kettős: 1. Egyrészt térbeli településközi értelemben, 2. másrészt évenkénti fejlődéssel időbeli értelemben. A térbeli modell keresztmetszeti adatbázist, az időbeli modell pedig idősori bontású adatokat igényel. A statisztikai modell alkalmazásának a fázisai: 1. A térbeli (településsoros alapú) modell az előrejelzés első fázisa. Ezek szerint a Repülőtér területi-gazdasági implicit hatása adott időpontban abban sűrűsödik, hogy a szűkebb 10km, és a tágabb 40km sugarú környezetű települések a gazdasági indikátorok tekintetében különböznek, szóródnak, de minden más település kizárt a számításból. A keresztmetszeti adatállományt 58 alapvető indikátor 2011. évi adatai képezik, 69 településre vonatkozóan, melyekből 13 település tartozik a szűkebb vonzáskörzetbe. E keresztmetszeti adatállományból kerülnek meghatározásra az ok-okozati koefficiensek a „prediktor” szerepű indikátorok szorzó súlyai. 2. Az előrejelzés második fázisában – a „mit súlyozunk?” kérdésre válaszolva - kerül sor a súlyozandó prediktor értékek időbeli előrejelzésére. Modellkoncepció szerint a Repülőtér adatai időben együtt mozognak a prediktor jellegű indikátorok adataival, ami lehetőséget nyújt a modell magyarázó (okozó) tényezőinek időbeli előrejelzésére, kifejezetten a Repülőtér időbeli fejlődése alapján. Az elérhető éves időrendi adatok a 2001-2013. periódust fedik le, mely két cenzus adatait is tartalmazza. A repülőtéri naturáliában megadott idősorokat azon prediktor változóknál alkalmaztuk, ahol az idősor teljes hossza (2001-2013) megengedte és az előrejelzett érték illeszkedése javult. A becsült súlyok és az előrejelzett súlyozandók birtokában végül lehetővé válik a kérdéses célváltozó értékének a végső előrejelzése. Az előrejelzés nem csak időben, hanem területi egységre is számítható. Például egy kerületen belüli szegmentációra, a 10km sugarú települések együttesére vonatkozóan.

39


A Repülőtér idősoraiból az alábbiak kerültek alkalmazásra: D2_10 az utasok éves száma, D3_10 Cargo (flow és truck együtt) árutonna éves alakulása. Az AR(1) prediktor az idősort a saját - egy évvel korábbi - értékével magyarázza. Koefficiense a vonatkozó regressziós súly. Az előző fejezetben egyenként publikáltuk Budapest 18. kerület prediktorainak 2014.éves előrejelzési eredményeit. Azoknál a prediktoroknál, ahol a D2_10 utasok száma és D3_10 Cargo teljesítmény változókat bevontuk adott prediktor 2014. évi előrejelzésébe, az előrejelzett érték mellett megtalálhatóak a D2_10 és D3_10 értékekhez tartozó súlyok is. Ahol nincs a D2_10 és D3_10 regresszor mellett súlyérték vagy ezen regresszorok nincsenek publikálva a táblázatban, ott nem kerültek bevonásra az előrejelzésbe. A D2_10 utasok száma és D3_10 Cargo teljesítmény változókat minden esetben csak együtt vontuk be a prediktor előrejelzésébe. A D2_10 és D3_10 regresszorként történő bevonása a prediktorok 2014. évi előrejelzésébe ezen regresszorok lineáris hatását számszerűsítik. A lineáris hatást úgy értelmezhetjük, hogy a regresszor egy egységnyi változása (növekedése vagy csökkenése) az előrejelzendő prediktor változó milyen abszolút változását (növekedését vagy csökkenését) eredményezi. A regresszorok lineáris hatása parciális hatásként értelmezendő (minden egyéb lineáris hatás kiszűrése után).

40


A repülőtéri forgalmi adatokat az alábbi prediktorok 2014.évi előrejelzésébe vontuk be: Kód

Megnevezés Lakónépesség száma az év végén (a népszámlálás végleges adataiból továbbvezetett

D1_1

adat) (fő)

D3_1

Vándorlási különbözet

D2_2

Nyilvántartott álláskeresők száma összesen (fő)

D6_3

A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft)

D8_3

Telekadó bevétel eFt.

D9_3

Építményadó bevétel eFt

D1_4

Kiskereskedelmi üzletek száma (db)

D8_5

Lakásállomány (db)

D2_7

Összes SZJA adó (Ft)

D3_7

Összes SZJA adófizető darabszáma (fő)

D4_7

Összes SZJA belföldi jövedelem (Ft)

D1_8

Vendéglátóhelyek száma (db)

D2_8

Vendégek száma össz.kereskedelmi, falusi és egyéb szálláshelyeken

D3_8

Külföldi vendégek száma összesen kereskedelmi, falusi és egyéb szálláshelyeken

D4_8

Vendégéjszakák száma összesen kereskedelmi, falusi és egyéb szálláshelyeken Külföldi vendégéjszakák száma összesen kereskedelmi, falusi és egyéb

D5_8

szálláshelyeken

D1_9

Regisztrált vállalkozások száma

D4_9

Fizetendő társasági adó (1000 Ft)

D5_9

(Bruttó termelési érték)Kibocsátás összesen (1000 Ft)

D6_9

Bruttó hozzáadott érték (1000 Ft)

41


V.

V. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT CÉLVÁLTOZÓINAK IDŐBELI ELŐREJELZÉSE

Előző fejezetekben a három kiválasztott célváltozó (D2_3, D3_3, D1_2) előrejelzése érdekében minden prediktor 2014.évi adatát előrejeleztük a Budapest 18. Kerületi Önkormányzatára vonatkozóan. Jelen feladat a fenti célváltozók 2014.évi adatainak becslése a Kerületre vonatkozóan. Ennek során olyan súlyrendszert kell megadni, mely egyidejűleg tekinti a prediktorok előrejelzett 2014. évi értékeit, miközben figyelembe veszi az alkalmazandó súlyokban (koefficiensekben) a prediktorok egymás közötti, településközi ok-okozati kapcsolatait is. Ennek megvalósítása három lépésben történik: 1. Előbb a 2011. évi keresztmetszeti településsoros adatállományban a Kerületre vonatkozó prediktor adatokat felülírjuk azok 2014. évi előrejelzéseivel. 2. Második lépésben erre a módosított adatállományra meghatározzuk a „Kerület-specifikus” keresztmetszeti regressziós koefficienseket. 3. Végül meghatározzuk a Kerületre a célváltozók regressziós „fitted” értékeit. Megjegyezzük, hogy más település esetén az illető település prediktorait kell felülírni, hogy megkapjuk a „Település-specifikus” modellt és előrejelzést. Az M2_3P, M3_3P és M1_2P modellek keresztmetszeti előrejelzésének a pontosságát (goodnessof-fit) a Függelék 5., 6. és 7. táblák részletezik településsoros (69) bontásban, amely előrejelzések grafikus megjelenítése a megfelelő 4., 5., és 6. ábrákon látható.

42


Az eredményváltozók 2014.évi becsült értékeit előrejelző modellek koefficiensei rendre a következők. Szűkített M2_3P: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D2_3 (Helyi önkormányzatok saját folyó bevételei) Coefficient

Std. Error

t-ratio

p-value

const

D2_3

-17819.7

246914

-0.0722

0.94272

D2_4

964.289

488.107

1.9756

0.05297

*

D1_5

21.6083

5.03841

4.2887

0.00007

***

D2_6

6504.35

4170.78

1.5595

0.12432

D4_6

6637.08

1538.79

4.3132

0.00006

***

D10_6

3.63225

2.06031

1.7630

0.08317

*

D2_7

-4.00029e-05

6.58373e-05

-0.6076

0.54582

D3_7

88.7445

33.668

2.6359

0.01075

**

D7_8

9730.33

4328.53

2.2480

0.02840

**

D4_9

0.237327

0.0905865

2.6199

0.01121

**

D5_9

-0.00142009

0.000516951

-2.7470

0.00800

***

Szűkített M2_3P: illeszkedésvizsgálati mutatói Eredményváltozó: D2_3 (Helyi önkormányzatok saját folyó bevételei) Mean dependent var

3968088

S.D. dependent var

4048394

Sum squared resid

6.49e+13

S.E. of regression

1057631

R-squared

0.941787

Adjusted R-squared

0.931750

F(10, 58)

93.83373

P-value(F)

4.98e-32


-1049.052

Akaike criterion

2120.104

2144.679

Hannan-Quinn

2129.853

43


4. ábra Az önkormányzat saját folyó bevételei (D2_3) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M2_3P alapján D2_3 cross előrejelzés 2e+007

1.8e+007

D2_3 forecast 95 percent interval

D2_3 Önkormányzat saját folyó bevétel

1.6e+007

1.4e+007

1.2e+007

1e+007

8e+006

6e+006

4e+006

2e+006

0


44


Szűkített M3_3P: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) Coefficient

Std. Error

t-ratio

p-value

const

D3_3

105222

222247

0.4734

0.63788

D1_4

-731.569

771.885

-0.9478

0.34763

D2_4

5512.22

1196.97

4.6051

0.00003

***

D1_5

11.0469

3.98973

2.7688

0.00778

***

D3_5

-10444.9

2797.1

-3.7342

0.00047

***

D8_5

-20.5898

59.0385

-0.3488

0.72868

D2_6

9889.56

4562.19

2.1677

0.03478

D9_6

-62343.8

26523.3

-2.3505

0.02257

**

D10_6

8.19685

2.78791

2.9401

0.00489

***

0.77141

**

D3_7

-21.14

72.3833

-0.2921

D4_7

0.000105235

4.24403e-05

2.4796

0.01643

D1_8

347.441

3455.35

0.1006

0.92029

D4_8

1.2601

2.81749

0.4472

0.65656

D6_8

-1350.77

455.24

-2.9672

0.00453

***

D7_8

36213.4

9978.39

3.6292

0.00065

***

D1_9

-237.246

139.794

-1.6971

0.09565

*

D4_9

0.268223

0.0800467

3.3508

0.00151

***

**

Szűkített M3_3P: illeszkedésvizsgálati mutatói Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) Mean dependent var

2771443

S.D. dependent var

2889937

Sum squared resid

3.87e+13

S.E. of regression

862305.3

R-squared

0.931917

Adjusted R-squared

0.910968

F(16, 52)

44.48573

P-value(F)

1.21e-24


-1031.196

Akaike criterion

2096.392

2134.372

Hannan-Quinn

2111.460

45


5. ábra Az önkormányzat helyi adó bevételei (D3_3) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M3_3P alapján D3_3 cross előrejelzés 1.2e+007 D3_3 forecast 95 percent interval

D3_3 Önkormányzat helyi adó bevételek

1e+007

8e+006

6e+006

4e+006

2e+006

0


46


Szűkített M1_2P: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D1_2 (Foglalkoztatottak) Coefficient

Std. Error

t-ratio

p-value

const

D1_2

-90.1416

140.632

-0.6410

0.52441

D2_4

0.437504

0.396181

1.1043

0.27465

D4_5

0.0466701

0.0170727

2.7336

0.00859

***

D8_5

0.357526

0.0323011

11.0685

<0.00001

***

D2_6

-5.43899

3.09342

-1.7582

0.08471

*

D3_6

0.572492

0.186809

3.0646

0.00348

***

D4_6

-3.21156

1.75062

-1.8345

0.07241

*

D5_6

0.970561

0.579843

1.6738

0.10029

D6_6

-0.0950835

0.0898002

-1.0588

0.29466

D10_6

0.00146228

0.00132257

1.1056

0.27407

D2_7

-8.6319e-08

1.02043e-07

-0.8459

0.40156

D3_7

0.729897

0.0756877

9.6435

<0.00001

D4_7

-2.05863e-08

3.82249e-08

-0.5386

0.59254

D4_8

0.00732855

0.00559495

1.3098

0.19612

D5_8

-0.00713433

0.00535941

-1.3312

0.18905

D6_8

-0.232568

0.328058

-0.7089

0.48160

D7_8

-0.46417

4.52828

-0.1025

0.91876

D4_9

-3.28126e-05

5.98089e-05

-0.5486

0.58566

***

Szűkített M1_2P: illeszkedésvizsgálati mutatói Eredményváltozó: D1_2 (Foglalkoztatottak) Mean dependent var

15833.00

S.D. dependent var

15901.84

Sum squared resid

12610069

S.E. of regression

497.2487

R-squared

0.999267

Adjusted R-squared

0.999022

4087.791

F(17, 51) Log-likelihood Schwarz criterion

P-value(F)

9.09e-74

-515.9053

Akaike criterion

1067.811

1108.025

Hannan-Quinn

1083.765

47


6. ábra Foglalkoztatottak (D1_2) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M1_2P alapján

D1_2 cross előrejelzés 70000 D1_2 forecast 95 percent interval 60000

D1_2 Foglalkoztatottak

50000

40000

30000

20000

10000

0 observations sorted by D1_2

48


Az M2_3P, M3_3P és M1_2P modellek illeszkedését Budapest 18. kerületi önkormányzat 2014.évre előrejelzett adatain teszteljük. 2014.évi előrejelzés

Predictor const D1_4 D2_4 D1_5 D3_5 D4_5 D8_5 D2_6 D3_6 D4_6 D5_6 D6_6 D9_6 D10_6 D2_7 D3_7 D4_7 D1_8 D4_8 D5_8 D6_8 D7_8 D1_9 D4_9 D5_9 D6_9

M2_3P M3_3P M1_2 koefficiensek koefficiensek koefficiensek -17819.7 105222 -90.1416 -731.569 964.289 5512.22 0.437504 21.6083 11.0469 -10444.9 0.0466701 -20.5898 0.357526 6504.35 9889.56 -5.43899 0.572492 6637.08 -3.21156 0.970561 -0.0950835 -62343.8 3.63225 8.19685 0.00146228 -4.00E-05 -8.63E-08 88.7445 -21.14 0.729897 0.00010524 -2.06E-08 347.441 1.2601 0.00732855 -0.00713433 -1350.77 -0.232568 9730.33 36213.4 -0.46417 -237.246 0.237327 0.268223 -3.28E-05 -0.00142009

18. kerület 2014. előrejelzett adatok 1 2 212 135 175 811 195 16 356 43 182 289 3 071 100 1 546 33 960 28 163 173 14 512 449 756 43 946 111 983 594 970 435 6 419 5 746 189 11 16 641 1 612 218 491 119 665 193 673 279

Célváltozók M2_3P Saját folyó bevétel M3_3P Helyi adóbevétel M1_2P Foglalkoztatottak

10159105 8339713 42968

A tábla 2., 3. és 4. oszlopában a „Kerület-specifikus” koefficiensek szerepelnek, utolsó oszlopában pedig az egyes előrejelzések. Értelemszerűen a prediktor D#_# változókra a trend-előrejelzések, míg az utolsó három sorban az M-modellekre a keresztmetszeti előrejelzések találhatók. Az M-előrejelzések a koefficiensek és a prediktorok szorzatösszegéből állnak elő.

49


VI.

VI. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI ADATAINAK SZEZONÁLIS ELEMZÉSE ÉS ELŐREJELZÉSE

A Repülőtér időbeli elemzése a vonzáskörzetéhez tartozó települések gazdasági indikátoraira való időbeli hatása, előrejelzése okán szükséges. Jelen fejezet eredményei a Repülőtér közvetlen vonzáskörzetéből – mint cél-településre kiemelten – kifejezetten Budapest 18. kerületére vonatkoznak. Mindazonáltal a prediktorok időbeli előrejelzése bármely vonzáskörzet-településre (pl. Vecsés) analóg módon reprodukálhatók (reprodukálandók). A vizsgált repülőtéri idősorok rendre: 1. Járatszám (Flight), 2. Utas szám (Passengers), 3. Teherszállítás (Cargo). Az empirikus idősorok horizontja: 2001-2013. A Cargo proxy változója CargoTF, vagyis Cargo flown + Cargo truck. A Repülőtér teljesítményének időbeli lefutásai értelemszerűen szezonalitást tartalmaznak, amit havi bontásban elemzünk annak érdekében, hogy értékeiket előrejelezzük a 2014. évre, mivel ezen előrejelzést inputként használja a végső prediktív modell. Előrejelezve mindegyik Airport-idősor 2014. évi havi adatait, majd összegezve a havi adatokat, kapjuk a 2014. évi előrejelzést, ami értelemszerűen tartalmazza a folyamat lefutásában lévő szezonalitást. A növekedést exponenciális trend értelemben értjük, a strukturális törést pedig a „crisis” változóval vesszük figyelembe, ahol crisis=0 a 2008. évvel bezárólag, egyébként crisis=1. Az exponenciális növekedési modell módszertanilag egy klasszikus lineáris OLS modell, melynek „dependent” változója a „célváltozó” logaritmusa. A logaritmikus előrejelzésből az eredeti mértékegységre való visszatérés az exp(log) módon történik. A havi szezonalitást 12db un. szezonális dm# „dummy#” változóval vesszük figyelembe, melyek a saját hónapjuk esetén 1 értéket vesznek fel, egyébként értékük 0. A növekedési modell koefficiense átlagos növekedési ráta tartalmú mutató abban az értelemben, hogy ha a vonatkozó prediktor értéke abszolút értelemben 1-egységet változik, akkor ennek hatására a célváltozóban 100(exp(Coeff)-1) mértékű % relatív reakció történik. A CargoTF változó értéke összegzett, melynek jelentése: Cargo_Flown+Cargo_Truck. Az egyes idősorok havi bontású lefutásait a 7-9 ábrák mutatják. Az ábrák alapján levonható alapvető tendenciák: 1. Járatszám (Flight): hosszú távon maximum ponttal bíró kvadratikus trend körül alakul,

50


2. Utas szám (Passengers): hosszú távon növekvő trend körül alakul, de strukturális töréssel, 3. Teherszállítás (Cargo): hosszú távon növekvő trend körül alakul, 4. Az aktuális évet mindegyik idősornál a megelőző éve (auto-regresszív) hatása is magyarázza. Az egyes modellek címeiben szereplő „T=” az idősor elemszámát közli. Jelen modellekben nem csak a szignifikáns volt a változó megtartási szempontja, hanem az értelmezhető változó-kombináció is. Az előrejelzési ábrákon a függőleges vonalak (ahol szerepelnek) az előrejelzés 95% konfidencia intervallumát reprezentálják. 7. ábra: A repülőjáratok számának havi bontású időbeli lefutása 13000

12000

11000

Flight

10000

9000

8000

7000

6000

5000 2002

2004

2006

2008

2010

2012

2014

2010

2012

2014

8. ábra: Az utasok számának havi bontású időbeli lefutása 1e+006

900000

800000

Passengers

700000

600000

500000

400000

300000

200000 2002

2004

2006

2008

51


9. ábra: A Cargo-tonna teljesítmény havi bontású időbeli lefutása 10000

9000

8000

Cargo

7000

6000

5000

4000

3000 2004

2006

2008

2010

2012

2014

Az alábbiakban közöljük a vizsgált idősorok exponenciális, szezonális, AR(1) tagot is tartalmazó előrejelző modelljeit. Függő változó: log_CargoTF Coefficient

Std. Error

t-ratio

p-value

dm1

0.846451

0.404723

2.0914

0.03831

**

dm2

0.981748

0.396146

2.4782

0.01440

**

dm3

1.17526

0.395616

2.9707

0.00350

***

dm4

0.939271

0.404555

2.3217

0.02170

**

dm5

1.00741

0.400851

2.5132

0.01311

**

dm6

1.00664

0.400879

2.5111

0.01318

**

dm7

0.992431

0.400823

2.4760

0.01449

**

dm8

0.966469

0.400036

2.4160

0.01699

**

dm9

1.08675

0.398034

2.7303

0.00715

***

dm10

1.10346

0.4021

2.7442

0.00687

***

dm11

1.07281

0.406444

2.6395

0.00925

***

dm12

0.910683

0.408722

2.2281

0.02748

**

t

0.00127751

0.000902165

1.4161

0.15900

t2

-8.37465e-06

5.10937e-06

-1.6391

0.10346

crisis

0.0515518

0.0381033

1.3529

0.17827

l_CargoTF_1 AR(1)

0.879059

0.0490137

17.9350

<0.00001

A modell illeszkedése az R2 kritériumok alapján (89%), kiváló: R-squared 0.896167 Adjusted R-squared

***

0.884962

52


Az előrejelzések havonta, majd éves összesítésben a következők: Obs

log_CargoTF prediction

CargoTF prediction (árutonna)

2014:01

8.72759

6171

2014:02

8.69815

5992

2014:03

8.86440

7076

2014:04

8.77317

6459

2014:05

8.75970

6372

2014:06

8.74565

6283

2014:07

8.71766

6110

2014:08

8.66562

5800

2014:09

8.73868

6240

2014:10

8.81812

6756

2014:11

8.85579

7015

2014:12

8.72525

6156

2014 év összesen

76429

Az előrejelzés illeszkedését az alábbi ábra mutatja. 10. ábra: A Cargo-forgalom lefutásának előrejelzése D3_10 szezonális előrejelzés 2014 évre 9.4 95 percent interval l_CargoTF forecast 9.2

D3_10 Cargo forgalom

9

8.8

8.6

8.4

8.2

8 2009

2010

2011

2012

2013

2014

2015

53


Az utasok számának modellezése A becsült modell jellemzői az alábbiak. Függő változó: log_Passenger Coefficient

Std. Error

t-ratio

p-value

dm1

1.67913

0.546961

3.0699

0.00258

***

dm2

1.64685

0.544471

3.0247

0.00297

***

dm3

1.98472

0.540269

3.6736

0.00034

***

dm4

1.86593

0.551539

3.3831

0.00093

***

dm5

1.86676

0.555995

3.3575

0.00101

***

dm6

1.87222

0.559864

3.3441

0.00106

***

dm7

1.93194

0.56343

3.4289

0.00080

***

dm8

1.84897

0.569127

3.2488

0.00145

***

dm9

1.72798

0.570371

3.0296

0.00292

***

dm10

1.70123

0.566111

3.0051

0.00315

***

dm11

1.5275

0.561272

2.7215

0.00733

*** ***

dm12

1.6947

0.54946

3.0843

0.00246

crisis

-0.0188543

0.0174437

-1.0809

0.28163

t

0.00201441

0.00071411

2.8209

0.00549

***

t2

-7.74677e-06

3.19446e-06

-2.4251

0.01659

**

0.859691

0.0440618

19.5110

<0.00001

***

l_Passenger_1

A modell illeszkedése az R2 kritériumok alapján (98%), kiváló: R-squared 0.984176 Adjusted R-squared Obs

log_Passenger prediction

0.982469

Passenger prediction utasszám

2014:01

13.2423

563713

2014:02

13.1372

507474

2014:03

13.3842

649657

2014:04

13.4773

713045

2014:05

13.5578

772819

2014:06

13.6319

832260

2014:07

13.7548

941096

2014:08

13.7770

962222

2014:09

13.6746

868567

2014:10

13.5592

773902

2014:11

13.2857

588716

2014:12

13.2172

549740

2014 év összesen

8723209

54


11. ábra: Az utasforgalom lefutásának előrejelzése D2_10 szezonális előrejelzés 2014 évre 14

13.9

95 percent interval l_Passenger forecast

13.8

13.7

D2_10 Passengers

13.6

13.5

13.4

13.3

13.2

13.1

13

12.9 2009

2010

2011

2012

2013

2014

2015

Függő változó: log_Flight Coefficient

Std. Error

t-ratio

p-value

dm1

1.13154

0.355183

3.1858

0.00178

***

dm2

1.02632

0.355714

2.8852

0.00454

***

dm3

1.27933

0.351256

3.6422

0.00038

***

dm4

1.18354

0.357945

3.3065

0.00120

***

dm5

1.22305

0.359753

3.3997

0.00088

***

dm6

1.18349

0.362972

3.2606

0.00140

***

dm7

1.21854

0.364114

3.3466

0.00105

***

dm8

1.17304

0.366569

3.2001

0.00170

***

dm9

1.12949

0.366801

3.0793

0.00250

***

dm10

1.1262

0.365185

3.0839

0.00246

***

dm11

1.00937

0.363645

2.7757

0.00627

***

dm12

1.08189

0.357435

3.0268

0.00295

***

crisis

-0.00817779

0.0146686

-0.5575

0.57808

t

0.00183047

0.000658612

2.7793

0.00620

***

t2

-1.1292e-05

3.89218e-06

-2.9012

0.00432

***

0.867861

0.0417578

20.7832

<0.00001

***

l_Flight_1

A modell illeszkedése az R2 kritériumok alapján (96%), kiváló: R-squared 0.967734 Adjusted R-squared

0.964252

55


Obs

log_Flight prediction

2014:01

8.70381

6026

2014:02

8.57916

5320

2014:03

8.72225

6138

2014:04

8.74887

6304

2014:05

8.80968

6699

2014:06

8.82109

6776

2014:07

8.86420

7074

2014:08

8.85424

7004

2014:09

8.80018

6635

2014:10

8.74806

6298

2014:11

8.58406

5346

2014:12

8.51230

4976

Flight prediction db

2014 év összesen

74595

12. ábra: A járatszám lefutásának előrejelzése D1_10 szezonális előrejelzés 9.3

9.2

95 percent interval l_Flight forecast

9.1

D1_10 Járatszám

9

8.9

8.8

8.7

8.6

8.5

8.4

8.3 2009

2010

2011

2012

2013

2014

2015

56


VII.

VII. ÖSSZEFOGLALÁS, EREDMÉNYEK ÉRTELMEZÉSE

Az airLED statisztikai modell alapvető célja a Repülőtér vonzáskörzetéhez tartozó települések (önkormányzatok) gazdasági-társadalmi fejlődése szempontjából egymást meghatározó jelenségek közötti ok-okozati kapcsolatokat találni és e kapcsolati hatásokat koefficiensek formájában számszerűsíteni. Az „ok” szerepet mérő indikátort mint „prediktor” változót, az „okozott” szerepet játszó indikátort pedig mint függő, „cél” változót hivatkozzuk a továbbiakban. Például a „regisztrált vállalkozások száma” prediktor okozza (magyarázza) adott település „helyi adó” célváltozójának az alakulását. A statisztikai adatokon számított koefficiensek jelen modellben a prediktor változók értékeit szorozva súlyozzák azokat, kettős alkalmazási céllal: 1. Döntésmegalapozási oldalról, hatásvizsgálati feladat, hogy például eggyel több vállalkozás adott településen várhatóan hány MFt önkormányzati többletbevételt indukál, vagy például 1% nettó árbevétel növekmény hány MFt többletet eredményez az önkormányzati bevételekben. E kérdésre a koefficiensek értékének az értelmezése ad választ. 2. Prediktív céllal, a koefficiens becsült értékének ismeretében becslést (előrejelzést) végezhetünk egy kiragadott célváltozó várható értékére egy adott településen, adott időpontra. Például hány MFt lesz a várható önkormányzati bevétel jövőre Vecsésen, ha ismerjük a regisztrált vállalkozások számát. A Repülőtér hatásának az értelmezése a vonzáskörzetére - az airLED modell megközelítésében kettős: 3. Egyrészt térbeli településközi értelemben, ahol a gazdasági-társadalmi indikátorok közötti oksági kapcsolatok kifejezetten a Repülőtér vonzáskörzetébe tartozó 69 település adatai alapján történik. 4. Másrészt évenkénti fejlődésre támaszkodva, időbeli. Ennek során a 2001-2013. periódus repülőtéri idősoraira támaszkodva (járatszám, utasszám, Cargo) vetítjük előre időben a kérdéses Célváltozó értékét. A térbeli modell keresztmetszeti adatbázist, az időbeli modell pedig idősori bontású adatokat igényel. A becsült súlyok és az előrejelzett súlyozandók birtokában végül lehetővé válik a település kérdéses célváltozó értékének a végső előrejelzése.

57


Az előrejelzés nem csak időben, hanem területi egységre is számítható. Például egy kerületen belüli szegmentációra, a 10km sugarú települések együttesére, vagy magára a Vonzáskörzetre, stb. vonatkozóan. Egyes prediktorok időbeli előrejelzésében figyelembe vettük az elsőrendű autoregresszív AR(1) hatást is, miszerint a folyamat egy időszakkal korábbi értéke magyarázza a következő időszak értékét. Lévén a Repülőtér adatai (járatok, utasok, teherszállítás) időbeli lefutásai szezonálisak, ezért e teljesítmény adatok éves előrejelzéseit havi bontású adatokon két lépésre bontottuk: 1. mind a szezonhatást, mind a trendhatást, mind az autoregresszív hatást figyelembe véve előrejeleztük a kérdéses év (2014) minden hónapjának az értékét, majd a havi előrejelzéseket éves szintre összesítettük. A döntésmegalapozási modell könnyebb megértéséhez készített illusztratív folyamatábrát az alábbiakban láthatjuk.

58


BUD-OPR035-20050128-V6i.ppt

Döntéselőkészítő előrejelző modell kialakításának és alkalmazásának folyamata Keresztmetszeti regressziós modellek kialakítása 3 kiemelt gazdasági jellemzőre (célváltozóra) Célok

• Cél: 3 regressziós modell építése 3 kiemelt célváltozóra

Lépések

Keresztmetszeti regressziós modellek szűkítése

• Cél: az

• Cél: a M2_3C ,

irreleváns magyarázó változók kiszűrése

M3_3C és a M1_2C modellek releváns magyarázó változóinak (a prediktoroknak) az idősoros előrejelzése

• A szűrés • 69 település

•

2011-es adatai, mint keresztmetszet 3 kiemelt célváltozó:

végrehajtása az ún. pszignifikancia érték alapján

• 54 magyarázó Eredmények

változó (manifeszt indikátor) például „kiskereskedelmi üzletek száma”

• Eredmény: 3 db regressziós modell a célváltozókra

szűkített modell a célváltozókra: – M2_3C jelöléssel a Saját folyó bevételekre – M3_3C jelöléssel a Helyi adóbevételek re – M1_2C jelöléssel a Foglalkoztato ttak számára – Oksági kapcsolatok feltárása

• Cél: A reptért

•

idősorainak csoportosítása a hiányzó adatok mintázata alapján 4 csoportba Lineáris, kvadratikus és exponenciális trendfüggvények illesztése az első 3 csoport és a későbbiekben a 4. csoport esetében

A végső előrejelző regressziós modellek kialakítása

3 célváltozó tekintetében előrejelzésre alkalmas modellek kialakítása

• A prediktorok idősorainak negyedik csoportjánál kerül sor a bevonásra

•

•

keresztmetszeti adatállományban a településre (itt 18.kerület) vonatkozó prediktor adatok felülírása azok 2014. évi előrejelzéseivel. A módosított adatállományra a „Településspecifikus” keresztmetszeti regressziós koefficiensek meghatározása

• Eredmény: Az első 3 prediktor csoportra a prediktorok előrejelzésre alkalmas szabályok és trendfüggvények

• Eredmény: Reptéri változókat is tartalmazó prediktorokat előrejelző trendfüggvények

Alkalmazás

M3_3P és a M1_2P modellek segítségével a 3 célváltozóra az adott település (itt 18.kerület) esetében az előrejelzett érték meghatározása

• a 2011. évi

• 2001-2012 időszak adatai ebben a csoportban hiánytalanok Bevonásra került szignifikáns változók:(D2_10) Érkező és induló utasszám repülőtéren, (D3_10 )Érkező és induló árutonna repülőtéren

Előrejelzés a végső regressziós modellekkel

• Cél: A kitüntetett • Cél: a M2_3P ,

jellemző naturáliák bevonása az előrejelzésbe

• Prediktorok

• Eredmény: 3 db – Saját folyó bevételek – Helyi adóbevételek – Foglalkoztatott ak száma

Reptéri indikátorok bevonása a prediktorok előrejelzésébe

Keresztmetszeti modellek prediktorainak előrejelzése

• Eredmény: 3 db regressziós modell a célváltozókra: M2_3P, M3_3P és M1_2P jelöléssel

• Az előrejelző

•

modellek megfelelő adatokkal való feltöltése Az előrejelzett értékek kiszámítása a regressziós összefüggés segítségével

• Eredmény: Az adott településre (esetünkben 18.kerület) a – Saját folyó bevételek – Helyi adóbevételek – Foglalkoztato ttak száma célváltozók előrejelzése

A döntésmegalapozási és előrejelzési modell magyarországi adatbázison került kidolgozásra. A modell transznacionális alkalmazásához (adaptációjához) bekértük a projektben résztvevő külföldi partnerrégióktól a kiválasztott 58 manifeszt indikátor-adat elérhetőségére vonatkozó információkat (adatok elérhetőségi szintje – NUTS, LAU -; adatok elérhetőségi időhorizontja). Az alábbi táblázat összefoglalja az 58 indikátorra vonatkozó beérkezett információkat, jelölve azt is, hogy a 3 modell ezek közül mely változókat használja:

59


Model used

Code

Manifeszt változók Lakónépesség száma az év végén (a népszámlálás végleges

Manifest variables

Resident population,

Unit

Poland Available NUT S level(NUT S 1-3, NUT S level (NUT S 1-3, LAU 1-2)

Period

D1_1

adataiból továbbvezetett adat) (fő)

D2_1

Száz aktív korúra jutó időskorúak száma

Number of elderly per hundred of active-age,

capita

NUT S level (NUT S 1-3, LAU 1-2) 2002-2013

capita

1995-2013

D3_1


Migration difference

pieces


x

D4_1

18-64 éves aktív korúak száma

18-64 years old in active age

capita

NUT S level(NUT S 1-3, LAU 1-2) 1995-2013

x

D1_2

Foglalkoztatottak összesen (fő)

Person in employment,

capita

NUT S level (NUT S 1-3, LAU 1)

D2_2

Nyilvántartott álláskeresők száma összesen (fő)

Number of registered job-seekers,total,

capita national

NUT S level( NUT S 1-3, LAU 1-2) 2003-2013

2005-2012

D1_3

Összes évi bérbevétel az önkormányzatnál

T otal annual rents of local governments ,

currency national

NO

D2_3

A helyi önkormányzatok saját folyó bevételei (1000 Ft)

Own current revenues of local governments

currency national


D3_3

A helyi önkormányzatok helyi adó bevételei (1000 Ft)

Local-government revenues from local taxes ,

currency national


D4_3


D7_3

A helyi önkormányzatoknak átengedett gépjárműadó (1000 Ft) Motor vehicle tax assigned to local governments, currency national Revenues of local governments in the reference currency A helyi önkormányzatok tárgyévi bevételei (1000 Ft) national A helyi önkormányzatok helyi adó bevételeiből az iparűzési Local-government revenues from local tax on currency national A helyi önkormányzatok helyi adó bevételeiből az Local-government revenues from local tourism currency

x

D1_4


Number of retail stores, total,

pieces

NO

x

D2_4

Nagykereskedelmi raktárak száma összesen (db)

Number of wholesale warehouses, total

pieces

NUT S level (NUT S 1-2,)

x

D1_5

Az összes szolgáltatott vezetékes gáz mennyisége

T otal volume of piped gas supplied (not

thousand m3

NO

D5_3 D6_3

NUT S level (NUT S 1-3, LAU 1-2) 1995-2012 ??? I don't understand, what's NO

2009.2012

D2_5

Szolgáltatott összes villamosenergia mennyisége (1000

T otal of supplied electricity,

thousand kWh NO

x

D3_5

Épített lakások száma (db)

Number of dwellings built,total,

pieces

x

D4_5

Az év folyamán épített lakások összes alapterülete (m2)

T otal floor space of dwellings built in the course m2

D5_5

Egy lakásra jutó alapterület

T otal floor space per one dwelling,

m

D6_5

Összkomfortos lakások aránya

Proportion of dwellings with all amenities,

%


D7_5

Száz lakott lakásra és lakott üdülőre jutó lakók száma

Occupants per one hundred occupied dwellings

capita

NO

D8_5


Number of dwellings and occupied holiday

pieces


D1_6

Önkormányzati kiépítetlen út és köztér hossza (km)

Length of unbuilt roads and public squares of

km


x

D2_6

Önkormányzati kiépített út és köztér hossza (km)

Length of built-up roads and public squares of

km


x

D3_6

Áruszállító tehergépkocsik száma (db)

Number of goods carriage motor vehicles,

pieces

NUT S level (NUT S 1-3, LAU 1)

Magyarországon első alkalommal forgalomba helyezett

Number of goods carriage motor vehicles

áruszállító tehergépkocsik száma (db)

registered first time in Hungary,

Magyarországon első alkalommal forgalomba helyezett

Number of motor vehicles for passenger

x

x

D4_6

2

pieces

NUT S level (NUT S 1-3, LAU 1-2) 2003-2012 NO NUT S level (NUT S 1-3, LAU 1-2) 1999-2012

NUT S level (NUT S 1-2, ) NUT S level (NUT S 1-2, )

2009-2012 1999-2001

x

D5_6

személyszállító gépjárművek száma (db)

transport, registered first time in Hungary ,

pieces

x

D6_6

Személyszállító gépjárművek száma összesen (db)

Number of motor vehicles for passenger

pieces

NUT S level (NUT S 1-2, )

D7_6

Belterületi kiépítettség

Built-up percentage,

%


D8_6

Kerékpárút

Bicycle roads,

km

NO

x

D9_6

Közúti kapcsolatok száma

Number of road links

pieces

NO

x

D10_6

Személygépkocsi-forgalom(3,5 t alatti ktk-val együtt)

Passenger traffic(incl.truck under 3,5t)

pieces

NO

Közúti közlekedési baleset során meghalt, megsérült

Persons killed or injured in road traffic

D11_6

személy összesen (fő)

accidents, total

capita

D12_6

Összes személyi sérüléssel járó közúti közlekedési baleset

Road traffic accidents causing personal injury,

cases

D1_7

Rendszeres szociális segélyben részesítettek 1000 főre jutó Average number of recipients of regular social support (not including data on recipients of átlagos száma

NUT S level (NUT S 1-3, LAU 1) NUT S level (NUT S 1-3, LAU 1)

1999-2001 1999-2001

1999-2012 1999-2012 2009-2013

NUT S level (NUT S 1-3, LAU 1-2) capita national

PER 10 THOUSAND

x

D2_7

Összes adó (Ft)

Personal income tax, total,

currency

x

D3_7

Összes adófizető darabszáma (fő)

Number of taxpayer (PIT ),

pieces national

NO

x

D4_7

Összes belföldi jövedelem (Ft)

T otal domestic income,

currency

NO

D5_7

Regisztrált bűncselekmények száma 1000 lakosra vetítve

Number of registered crimes (specific indicator, pieces

D1_8

Vendéglátóhelyek száma (db)

Number of catering units , total,

D2_8

Vendégek száma össz.kereskedelmi, falusi és egyéb

Number of all the tourist arrivals at public, village pieces


x

pieces


NUT S level (NUT S 1-3, LAU 1) NUT S level (NUT S 1-2)

1999-2013

D3_8

Külföldi vendégek száma összesen kereskedelmi, falusi és

Number of international tourist arrivals at public, pieces


x

D4_8

Vendégéjszakák száma összesen kereskedelmi, falusi és

Number of tourism nights spent in public, village pieces


x

D5_8

Külföldi vendégéjszakák száma összesen kereskedelmi,

Number of international tourism nights spent in

pieces


x

D6_8

Szállásférőhelyek száma összesen kereskedelmi, falusi és

Number of bed-places in all the public, village

pieces


x

D7_8

Szálláshelyek száma összesen kereskedelmi, falusi és

Number of units of public, village and other

pieces


x

D1_9


Number of registered enterprises, total,

pieces national


D2_9

Az adóévben megszerzett EVA bevétel

Simplified entrepreneurial tax(SET ) - total

currency national

NO

D3_9

EVA összege

Simplified entrepreneurial tax(SET ) - total tax in

currency national

NO

x

D4_9

Fizetendő adó (1000 Ft)

Payed corporate income tax

currency national

NO

x

D5_9


Gross production value

currency national

NO

x

D6_9


Gross value added,

currency

Likviditási mutató: Forgóeszközök/Rövid lejáratú

T he data of the catchment area businesses

D7_9

D8_9

kötelezettségek

qualified accounts liquidity ratios(Financial

Befekt.eszk.fedezettségi mutatója: Saját tőke/Befektetett

investments/Current liabilities) T he data of the catchment area businesses

eszközök

qualified accounts coverage ratios of fixed

T őkearányos adózott eredmény(ROE): Adózott D9_9

eredmény/Saját tőke Eszközhatékonyság(ROI): Adózott eredmény/T eljes

D10_9 D11_9

eszközállomány

NO

T he data of the catchment area businesses qualified accounts ROE(Profit after

NO

taxes/Shareholders'equity) T he data of the catchment area businesses qualified accounts ROI(Profit after taxes/T otal

assets) Eszközjövedelmezőség(ROA): Adózás előtti eredmény/T eljes T he data of the catchment area businesses eszközállomány

NUT S level(NUT S 1-3) NO

qualified accounts ROA(Income before

NO

NO

60

2000-2011


A lengyel partnerrégió (Mazovia) esetében az adatok elérhetőségét a fenti táblázat alapján az alábbiakban értékeljük: Az előzetesen statisztikai megalapozottsággal kiválasztott 58 manifeszt indikátorból a 3 célváltozóra felépített modellek összesen 27 manifeszt indikátor alkalmazását javasolják. A modellek által használt 27 manifeszt indikátorból a lengyel partnerrégióban az alábbi adatok érhetők el: -

10 változóra érhető el településszintű (LAU-2) adat (a partnerrégió repülőtéri vonzáskörzetére adatbázis összeállítható), 8 változóra LAU-1(kistérség) vagy annál aggregáltabb szintű adat érhető el (a partnerrégió repülőtéri vonzáskörzetére csak egyedi adatgyűjtés alapján állítható össze adatbázis), 9 változóra nem érhető el adat (a partnerrégió repülőtéri vonzáskörzetére csak egyedi adatgyűjtés alapján állítható össze adatbázis).

A lengyel partnerrégióban a táblázat adatai szerint a helyi adókon belül az iparűzési adó kategóriáját nem értelmezik, így a magyar régióban célváltozóként alkalmazott iparűzési adó változó a lengyel adatokban nem számolható.

61


VIII.

VIII. FÜGGELÉK 1. tábla Kódok és megnevezések Kód

Megnevezés

M2_3C M3_3C M1_2C M2_3P M3_3P M1_2P

D1_1 D2_1

Lakónépesség száma az év végén (a népszámlálás végleges adataiból továbbvezetett adat) (fő) Száz aktív korúra jutó időskorúak száma

D3_1


D4_1

18-64 éves aktív korúak száma

D1_2

Foglalkoztatottak összesen (fő)

D2_2 D1_3

Nyilvántartott álláskeresők száma összesen (fő) Összes évi bérbevétel az önkormányzatnál

D2_3

A helyi önkormányzatok saját folyó bevételei (1000 Ft)

D3_3

A helyi önkormányzatok helyi adó bevételei (1000 Ft)

D4_3

A helyi önkormányzatoknak átengedett gépjárműadó (1000 Ft)

D5_3 D6_3

A helyi önkormányzatok tárgyévi bevételei (1000 Ft) A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft)

D7_3

A helyi önkormányzatok helyi adó bevételeiből az idegenforgalmi adó (1000 Ft)

D1_4


D2_4 D1_5

Nagykereskedelmi raktárak száma összesen (db) Az összes szolgáltatott vezetékes gáz mennyisége (átszámítás nélkül) (1000 m3)

D2_5

Szolgáltatott összes villamosenergia mennyisége (1000 kWh)

D3_5

Épített lakások száma (db)

D4_5

Az év folyamán épített lakások összes alapterülete (m2)

D5_5 D6_5

Egy lakásra jutó alapterület Összkomfortos lakások aránya

D7_5

Száz lakott lakásra és lakott üdülőre jutó lakók száma

D8_5


D1_6

Önkormányzati kiépítetlen út és köztér hossza (km)

D2_6 D3_6

Önkormányzati kiépített út és köztér hossza (km) Áruszállító tehergépkocsik száma (db)

x

D4_6

Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik száma (db)

D5_6

Magyarországon első alkalommal forgalomba helyezett személyszállító gépjárművek száma (db)

D6_6

Személyszállító gépjárművek száma összesen (db)

x x

D7_6 D8_6

Belterületi kiépítettség Kerékpárút

D9_6

Közúti kapcsolatok száma

D10_6 Személygépkocsi-forgalom(3,5 t alatti ktk-val együtt)

x x

x x

x x x

x x

x

x x

x

x

x

x

x x x x x

x

D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen (fő)

x x

x x

x x x

x

x

x x

x x

x x

x x x

x

x

x

x

x

x x x x x

x

x

x x

x

x x

x x x

D12_6 Összes személyi sérüléssel járó közúti közlekedési baleset (eset) D1_7 Rendszeres szociális segélyben részesítettek 1000 főre jutó átlagos száma D2_7

Összes adó (Ft)

D3_7

Összes adófizető darabszáma (fő)

D4_7

Összes belföldi jövedelem (Ft)

D5_7 D1_8

Regisztrált bűncselekmények száma 1000 lakosra vetítve Vendéglátóhelyek száma (db)

D2_8

Vendégek száma össz.kereskedelmi, falusi és egyéb szálláshelyeken

D3_8

Külföldi vendégek száma összesen kereskedelmi, falusi és egyéb szálláshelyeken

D4_8 D5_8

Vendégéjszakák száma összesen kereskedelmi, falusi és egyéb szálláshelyeken

D6_8

Külföldi vendégéjszakák száma összesen kereskedelmi, falusi és egyéb szálláshelyeken Szállásférőhelyek száma összesen kereskedelmi, falusi és egyéb szálláshelyeken

D7_8

Szálláshelyek száma összesen kereskedelmi, falusi és egyéb szálláshelyeken

D1_9


D2_9 D3_9

Az adóévben megszerzett EVA bevétel EVA összege

D4_9

Fizetendő adó (1000 Ft)

D5_9


D6_9


D7_9 D8_9

Likviditási mutató: Forgóeszközök/Rövid lejáratú kötelezettségek Befekt.eszk.fedezettségi mutatója: Saját tőke/Befektetett eszközök

D9_9

Tőkearányos adózott eredmény(ROE): Adózott eredmény/Saját tőke

x x x

x x

x x

x x x

x x x

x x

x x x

x x x x x

x x

x x

x x

x x x x

x x x x

x

D10_9 Eszközhatékonyság(ROI): Adózott eredmény/Teljes eszközállomány D11_9 Eszközjövedelmezőség(ROA): Adózás előtti eredmény/Teljes eszközállomány D1_10 Érkező és induló járatszám összesen D2_10 Érkező és induló utasszám összesen D3_10 Érkező és induló cargo(árutonna) összesen

62


Megfigyelés

2. tábla Önkormányzat saját folyó bevételek (D2_3) keresztmetszeti pontbecslése D2_3 Önkormányzat saját M2_3C pontbecslés folyó bevételek 2011.évi tény Std.error értéke adat 1 2 3

Bp 18.kerület 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

9 613 070 5 929 230 6 726 040 9 900 680 5 594 800 2 780 790 166 131 1 680 750 414 138 377 528 492 618 927 190 2 497 720 5 093 630 9 102 930 12 648 300 10 596 700 8 611 720 6 322 230 7 313 240 10 054 800 9 679 360 13 788 800 8 082 580 16 487 800 11 411 400 9 062 560 5 344 450 7 893 660 6 073 270 575 410 319 311 1 810 370 48 592 840 167 888 769 8 697 310 1 214 670 2 681 820 2 737 050 989 523 4 640 980 1 880 620 1 695 770 3 672 200 356 390 2 874 480 272 890 2 231 910 440 284 575 480 467 152 249 171 215 879 187 630 625 513 654 771 428 432 6 840 680 2 032 410 665 132 3 539 780 338 555 484 854 4 300 510 237 957 3 790 060 4 189 980 437 603

10 221 800 6 685 990 7 219 090 9 944 180 4 831 400 3 127 990 612 207 2 163 170 1 399 240 404 758 252 514 775 146 1 235 620 4 549 950 9 409 850 13 707 100 11 613 800 8 748 790 7 105 170 6 939 400 10 437 700 8 498 220 14 390 200 7 307 340 16 805 700 10 556 900 7 048 540 4 795 090 6 947 120 4 920 610 1 004 190 632 296 1 602 020 402 722 1 467 340 619 179 6 849 360 1 385 750 3 039 120 3 470 150 1 139 050 4 987 180 1 804 920 2 189 770 3 468 050 745 811 2 834 720 1 002 110 -80 487 388 855 1 224 370 1 331 450 973 894 330 648 741 885 1 455 490 424 520 856 210 6 196 520 2 802 170 1 471 600 3 350 240 480 672 1 329 450 2 848 680 442 293 3 548 000 1 628 150 755 137

-608 698 -756 756 -493 049 -43 504 763 397 -347 206 -446 076 -482 418 -985 100 -27 230 240 104 152 044 1 262 090 543 672 -306 920 -1 058 870 -1 017 170 -137 078 -782 932 373 835 -382 899 1 181 140 -601 415 775 241 -317 925 854 562 2 014 020 549 358 946 546 1 152 650 -428 779 -312 985 208 349 -354 130 -627 171 269 590 1 847 950 -171 079 -357 298 -733 105 -149 531 -346 194 75 693 -494 002 204 154 -389 421 39 754 -729 218 2 312 400 51 430 -648 890 -864 297 -724 723 -114 769 -554 255 -829 982 230 251 -427 778 644 160 -769 755 -806 465 189 545 -142 117 -844 596 1 451 830 -204 336 242 065 2 561 830 -317 534

63


3. tábla Helyi adóbevételek (D3_3) keresztmetszeti pontbecslése D3_3 Önkormányzat M3_3C pontbecslés helyi adó bevét elek Std.error ért éke 2011.évi tény adat

Megfigyelés 1 2 3 Bp 18.kerület 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

7 4 5 8 3 2

773 190 435 430 200 920 280 540 894 090 430 700 98 071 1 039 870 124 035 331 342 316 684 733 573 1 895 550 2 082 410 6 418 400 9 531 530 8 198 220 4 125 310 3 920 670 4 484 710 5 939 580 6 182 970 10 454 100 4 391 850 9 289 960 8 310 990 7 001 070 4 201 990 6 014 010 4 546 410 298 812 147 082 1 659 690 25 957 498 891 542 848 7 416 100 591 625 2 145 820 2 059 280 778 946 2 033 220 1 565 700 1 140 190 2 606 710 254 014 1 807 210 139 531 1 734 420 223 342 371 659 304 650 199 384 79 895 112 992 332 715 447 355 262 287 5 462 340 1 215 060 242 305 2 743 780 233 896 320 011 3 951 980 94 502 2 531 410 2 732 590 273 230

7 444 730 4 583 130 5 488 010 8 281 850 3 292 020 3 606 220 291 831 1 155 340 436 020 277 031 7 963 431 518 184 516 1 767 120 6 529 360 9 558 770 8 282 380 4 298 100 3 482 590 4 439 140 6 078 510 5 951 690 10 505 700 4 488 050 9 932 620 8 223 270 6 460 030 3 972 930 5 730 180 3 582 310 665 733 462 567 1 339 320 166 539 1 368 060 545 597 6 863 150 513 510 2 108 560 2 780 520 935 252 2 889 800 781 541 1 381 820 2 690 990 492 966 3 508 690 454 604 780 145 676 380 492 299 827 745 521 579 -311 503 477 178 990 220 221 123 436 224 2 970 160 2 326 770 1 274 230 2 383 630 218 872 694 730 3 308 880 55 492 2 580 190 1 289 350 303 756

328 454 -147 702 -287 084 -1 311 602 071 -1 175 520 -193 760 -115 474 -311 985 54 311 308 721 302 055 1 711 030 315 290 -110 963 -27 239 -84 165 -172 787 438 078 45 560 -138 921 231 283 -51 592 -96 199 -642 663 87 720 541 046 229 066 283 825 964 102 -366 921 -315 485 320 372 -140 582 -869 167 -2 749 552 949 78 115 37 251 -721 243 -156 306 -856 583 784 157 -241 627 -84 278 -238 952 -1 701 480 -315 073 954 279 -453 038 -120 640 -523 095 -322 195 391 398 -364 186 -657 505 226 232 -173 937 2 492 180 -1 111 700 -1 031 920 360 151 15 024 -374 719 643 098 39 010 -48 783 1 443 230 -30 527

64


4. tábla Foglalkoztatottak összesen (D1_2) keresztmetszeti pontbecslése Megfigyelés 1 2 3 Bp.18.kerület 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

D1_2 Foglalkoztatottak 2011.évi tény adat

M1_2C pont becslés ért éke

Std.error

36218 30804 37299 42748 26360 9094 1602 9770 6535 5042 6328 4936 8924 11087 37975 56678 47038 11390 19001 26829 34841 29990 61880 24277 58330 57329 35113 27692 32809 22762 4857 2729 5358 1172 4496 5653 11898 7140 8599 18584 3138 27028 8114 7350 13418 3993 8703 4479 2122 5287 7230 4794 3614 1532 4444 5551 6984 3638 8320 10948 7047 15425 2006 4694 5330 2826 14407 6742 2146

35545.7 31144.3 36781.2 42889.1 26038 9380.91 1597.2 9479.33 6420.66 4922.95 5924.84 4793.34 9039.32 11581.9 37669.6 56901.5 46871.5 11269 18836.8 26980 34802.3 29897.3 61980.7 24212.6 58131.5 57556.6 35626.9 27848.8 33383 22365.6 4901.36 2673.13 5221.69 1252.51 4579.36 5702.84 12492.9 6817.61 8436.34 18615.9 3217.38 26704.9 7605.03 7448.47 13685.8 4048.52 9345.68 4355.61 1919.57 5109.31 7116.07 5018.23 3604.81 1462.82 4391.67 5643.67 6915.36 3913.56 8083.07 10878.4 7057.04 15166.4 2231.39 4374 5890.13 2913.8 14705 6961.1 2144.04

672.257 -340.277 517.779 -141.145 322.026 -286.91 4.79807 290.674 114.337 119.045 403.164 142.661 -115.318 -494.932 305.375 -223.461 166.55 121.003 164.158 -150.982 38.661 92.7036 -100.652 64.4371 198.466 -227.574 -513.905 -156.751 -574.03 396.444 -44.3554 55.8662 136.305 -80.5117 -83.3572 -49.8441 -594.946 322.389 162.659 -31.9466 -79.3769 323.107 508.975 -98.4703 -267.826 -55.5204 -642.681 123.39 202.434 177.69 113.926 -224.229 9.19007 69.1776 52.3325 -92.6694 68.6417 -275.556 236.929 69.6115 -10.0433 258.571 -225.393 320 -560.129 -87.8044 -297.996 -219.099 1.95542

65


5. tábla Saját folyó bevételek (D2_3) keresztmetszeti előrejelzése 2014.év D2_3 Önkormányzat M2_3P alapján Megfigyelés saját folyó bevételek előrejelzett érték 2014 Std.error 2011.évi tény adat év 1 2 3 Bp 18.kerület 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

9 613 070 5 929 230 6 726 040 9 900 680 5 594 800 2 780 790 166 131 1 680 750 414 138 377 528 492 618 927 190 2 497 720 5 093 630 9 102 930 12 648 300 10 596 700 8 611 720 6 322 230 7 313 240 10 054 800 9 679 360 13 788 800 8 082 580 16 487 800 11 411 400 9 062 560 5 344 450 7 893 660 6 073 270 575 410 319 311 1 810 370 48 592 840 167 888 769 8 697 310 1 214 670 2 681 820 2 737 050 989 523 4 640 980 1 880 620 1 695 770 3 672 200 356 390 2 874 480 272 890 2 231 910 440 284 575 480 467 152 249 171 215 879 187 630 625 513 654 771 428 432 6 840 680 2 032 410 665 132 3 539 780 338 555 484 854 4 300 510 237 957 3 790 060 4 189 980 437 603

9 067 510 7 054 040 6 958 680 10 159 100 4 820 460 3 076 700 412 850 2 001 620 1 451 040 952 562 1 129 160 955 309 2 222 950 4 928 280 8 753 760 14 003 300 9 837 140 8 792 270 6 778 090 6 789 290 11 088 400 8 175 710 15 525 800 6 530 030 16 622 400 11 940 500 8 377 220 4 942 270 5 526 060 5 366 690 1 091 720 578 531 1 362 230 225 830 1 113 700 1 263 220 4 701 210 1 796 390 3 151 630 3 676 550 722 426 4 970 840 1 994 380 1 699 340 3 275 760 846 226 1 766 970 738 563 -93 894 1 202 770 1 551 090 1 199 370 849 784 447 104 968 361 1 378 870 1 432 430 1 168 230 5 727 400 3 131 230 1 483 150 3 253 040 539 528 974 175 2 816 190 548 772 3 533 860 1 892 880 579 030

545 557 -1 124 810 -232 640 -258 462 774 338 -295 915 -246 719 -320 870 -1 036 900 -575 034 -636 540 -28 119 274 770 165 350 349 175 -1 355 090 759 524 -180 557 -455 855 523 948 -1 033 550 1 503 650 -1 737 000 1 552 540 -134 535 -529 090 685 337 402 180 2 367 600 706 578 -516 314 -259 220 448 137 -177 238 -273 537 -374 454 3 996 100 -581 726 -469 806 -939 502 267 097 -329 856 -113 763 -3 577 396 438 -489 836 1 107 500 -465 673 2 325 810 -762 487 -975 614 -732 221 -600 613 -231 225 -780 731 -753 359 -777 658 -739 799 1 113 270 -1 098 820 -818 013 286 743 -200 973 -489 321 1 484 320 -310 815 256 204 2 297 100 -141 427

66


6. tábla Helyi adó bevételek (D3_3) keresztmetszeti előrejelzése 2014.év D3_3 Önkormányzat M3_3P alapján Megfigyelés helyi adó bevét elek előrejelzett érték 2014 Std.error 2011.évi tény adat év 1 2 3 Bp.18.kerület 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

7 4 5 8 3 2

773 190 435 430 200 920 280 540 894 090 430 700 98 071 1 039 870 124 035 331 342 316 684 733 573 1 895 550 2 082 410 6 418 400 9 531 530 8 198 220 4 125 310 3 920 670 4 484 710 5 939 580 6 182 970 10 454 100 4 391 850 9 289 960 8 310 990 7 001 070 4 201 990 6 014 010 4 546 410 298 812 147 082 1 659 690 25 957 498 891 542 848 7 416 100 591 625 2 145 820 2 059 280 778 946 2 033 220 1 565 700 1 140 190 2 606 710 254 014 1 807 210 139 531 1 734 420 223 342 371 659 304 650 199 384 79 895 112 992 332 715 447 355 262 287 5 462 340 1 215 060 242 305 2 743 780 233 896 320 011 3 951 980 94 502 2 531 410 2 732 590 273 230

7 979 780 4 647 440 5 602 820 8 303 830 3 019 970 2 743 520 240 087 1 704 290 759 933 481 679 320 370 490 349 724 423 1 454 140 6 737 380 8 122 110 8 946 550 4 366 010 3 540 910 4 321 230 6 489 480 5 991 900 12 440 900 4 324 330 9 624 810 7 084 210 6 340 770 3 584 770 5 036 280 3 941 800 618 661 311 498 1 184 960 201 920 1 237 560 617 348 5 085 990 679 827 1 921 640 2 483 480 733 714 4 248 810 1 153 710 1 196 340 2 483 120 680 003 1 967 870 557 777 782 379 578 327 908 517 775 155 609 327 189 230 775 608 1 042 960 545 197 488 173 4 191 210 2 148 870 1 303 610 2 196 320 371 327 801 526 2 329 190 313 500 2 526 510 1 234 070 388 268

-206 593 -212 009 -401 900 -23 285 874 128 -312 820 -142 016 -664 420 -635 898 -150 337 -3 686 243 224 1 171 120 628 276 -318 985 1 409 420 -748 335 -240 695 379 760 163 477 -549 891 191 068 -1 986 820 67 520 -334 856 1 226 780 660 300 617 225 977 727 604 611 -319 849 -164 416 474 724 -175 963 -738 672 -74 500 2 330 100 -88 202 224 173 -424 208 45 232 -2 215 590 411 990 -56 147 123 596 -425 989 -160 657 -418 246 952 045 -354 985 -536 858 -470 505 -409 943 -109 335 -662 616 -710 244 -97 842 -225 886 1 271 130 -933 813 -1 061 300 547 459 -137 431 -481 515 1 622 790 -218 998 4 901 1 498 520 -115 038

67


7. tábla Foglalkoztatottak számának (D1_2) keresztmetszeti előrejelzése 2014.év M1_2P alapján D1_2 Foglalkoztatot tak Megfigyelés előrejelzett érték 2014 Std.error 2011.évi t ény adat év 1 2 3 Bp.18.kerület 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

36 218 30 804 37 299 42 748 26 360 9 094 1 602 9 770 6 535 5 042 6 328 4 936 8 924 11 087 37 975 56 678 47 038 11 390 19 001 26 829 34 841 29 990 61 880 24 277 58 330 57 329 35 113 27 692 32 809 22 762 4 857 2 729 5 358 1 172 4 496 5 653 11 898 7 140 8 599 18 584 3 138 27 028 8 114 7 350 13 418 3 993 8 703 4 479 2 122 5 287 7 230 4 794 3 614 1 532 4 444 5 551 6 984 3 638 8 320 10 948 7 047 15 425 2 006 4 694 5 330 2 826 14 407 6 742 2 146

34 991 31 797 36 765 42 968 26 446 9 787 1 613 9 226 6 473 4 993 6 406 4 884 9 022 12 295 37 208 56 704 46 566 11 162 19 026 26 865 35 000 29 743 63 209 24 309 57 674 57 044 35 572 28 102 33 425 22 232 5 075 2 686 5 079 1 161 4 186 5 885 12 259 7 118 8 515 18 119 3 000 26 489 8 150 7 329 13 402 3 867 9 421 4 447 2 264 5 192 7 196 5 167 3 562 1 529 4 252 5 574 7 208 3 849 8 236 10 571 6 842 15 175 2 229 4 179 5 080 2 975 15 224 6 356 2 125

1 227 -993 534 -220 -86 -693 -11 544 62 49 -78 52 -98 -1 208 767 -25 472 228 -25 -36 -159 247 -1 329 -32 656 285 -458 -410 -616 530 -218 43 279 11 310 -232 -361 22 84 465 138 539 -36 21 16 126 -718 32 -142 95 34 -373 52 3 192 -23 -224 -211 84 377 205 250 -223 515 250 -149 -817 386 21

68

JELENTÉS AZ ELŐREJELZÉSRŐL

Recommend Documents