KVALITATIVNÍ KONKURENCESCHOPNOST KRAJŮ ČESKÉ REPUBLIKY QUALITATIVE COMPETITIVE ADVANTAGE OF THE REGIONS OF THE CZECH REPUBLIC Tomáš Hlavsa Anotace: V příspěvku jsou sledovány rozdíly mezi kraji České republiky ve sféře ekonomické úrovně, ekonomické aktivity v regionu a inovačního systému a kvality života s důrazem na ukazatele, které lze zařadit ke zdrojům konkurenceschopnosti regionu. Jedná se zejména o indikátory, které se týkají výdajů na vědu a výzkum, vzdělanostní a profesní struktury obyvatel a podnikatelské aktivity. Analýza je provedena pomocí vícerozměrných statistických metod. Klíčová slova: Úroveň regionů, disparity regionů, vícerozměrné statistické metody. Abstract: In the paper are monitored regional disparities in the Czech Republic in the sphere of economic level, economic activity in the region and inovation system and the quality of the live. Accent put on the indicators, that can we assign to the source of the regional competitive advantage. There are indicators from the sphere of science expenses, education and profession structure of inhabitants and business activity. Analysis is made by multivariate statistical methods. Key words: Level of regions, regional disparities, multivariate statistical methods. 1. ÚVOD A CÍL Regiony se v Evropě staly významnou hnací silou v rozvoji společnosti založené na znalostech a na základě jejich dosavadních zkušeností, kvality a angažovanosti budou sehrávat stále velkou úlohu při dosahování ekonomického růstu a konkurenceschopnosti. Úsilí regionů podporuje celá řada politik Evropské unie, mezi rozhodující patří politika soudržnosti, politika výzkumu a inovací. Zatímco politika soudržnosti hraje hlavní roli pro řešení současných problémů regionů a přispívá ke snižování regionálních disparit, výzkumná politika se stává hlavním nástrojem pro vytvoření nezbytných podmínek pro postup regionů ke znalostní ekonomice. Spolu s inovacemi, vzděláním a školením přináší výzkum pro regiony novou kvalitu, která jim umožní udržet krok s mezinárodním rozvojem. Zároveň se regiony stanou příjemným prostředím pro výkon zaměstnání a trávení života. Cílem příspěvku je zjištění vazeb mezi vybranými ukazateli a zhodnocení jejich působení v krajích. To by mělo pomoci objasnit příčiny stavu ekonomické úrovně při srovnávání jednotlivých krajů. 2. METODY Byly vybrány základní všeobecně známé makroekonomické ukazatele, k nim byly přiřazeny přímé zahraniční investice, protože rozvoj českých krajů byl posledních 5 let mimo jiné i pod 698
jejich vlivem. Dále sem jsou zařazeny indikátory spojené s inovacemi a znalostmi v krajích, jako je kvalifikační struktura a aktivita v oblasti vědy a výzkumu. V neposlední řadě jsou zde některé ukazatele, které souvisejí např. s bezpečností v krajích či nemocností pracujících a mohou být jedním z impulsů pro občany, aby trávili svůj klidný život právě v tom či onom regionu. Vztahy mezi indikátory byly zkoumány pomocí faktorové analýzy. 2. 1 Vybrané ukazatele HDP/obyvatele v % k HDP ČR, nezaměstnanost v % dle VŠPS, přímé zahraniční investice v Kč/obyvatele, výdaje na vědu a výzkum v Kč/obyvatele, výdaje na vědu a výzkum v Kč/pracovníka VaV, podnikatelská aktivita dle ICSE, struktura obyvatel dle vzdělání dle ISCED, struktura zaměstnaných podle profesních a kvalifikačních charakteristik, průměrný věk v letech, podíl trestných činů/1000 obyvatel, využití internetu jednotlivci, průměrná doba pracovní neschopnosti. Hodnoceno bylo 13 krajů České republiky vyjma hlavního města Prahy, které nesplňuje podmínky „venkovského regionu“. Tab. č. 1: Přehled hodnot ukazatelů HDP/obyv. nezam. % PZI/obyv. VV výd./ob. VV výd./pr. podnikatelé VŠ vzdělání kvalif. prac. trestné činy užití intern. prac. nesch. prům. věk
STC 93,9 5,4 118 6326 1379 14,6 7,9 55,4 33 34,4 32,9 39,8
JHC 93,6 5,7 53 1831 530 12,2 8,7 57 26 30,7 33,6 39,5
PLZ 92,6 5,8 91 1521 430 11 9 57,9 31 30,7 32,6 40,2
KVA 90,2 9,4 46 317 360 11,3 6,6 53,8 34 27,2 31,6 38,8
UNL 89 14,5 83 621 488 9,6 5,1 50,2 39 29,1 35,9 38,8
LIB 86,5 6,4 68 2029 524 12,5 6,4 60,2 36 23,3 34,8 39,2
KVH 85,1 6,6 44 2151 557 12,2 8,3 59,5 23 30,3 33,9 40,1
PAR 84,5 7 79 1558 591 10 7,9 54,3 21 27 34,6 39,6
VYS 82,2 6,8 62 4278 671 10,3 7,4 57,3 16 27,1 33,9 39,3
JHM 82,1 8,3 63 1215 388 12,5 12,5 61 29 31,5 35,9 40
OLO 81,5 12 49 833 422 10,3 8,4 57,3 24 23,2 36 39,6
ZLI 78 7,4 48 6711 416 13,2 8,5 56,8 18 26 38,9 39,6
MVS 82,1 14,5 56 838 578 9,2 7,9 57,4 28 29,7 40,5 39,1
Zdroj: Regiony, města a obce, www.czso.cz, 15. 6. 2006. Poznámka: všechny ukazatele jsou za rok 2004, přímé zahraniční investice za rok 2003.
2. 2 Faktorová analýza Jako vícerozměrná technika k vyšetření vnitřních souvislostí a vztahů a odhalení základní struktury zdrojové matice dat byla užita faktorová analýza. Týká se analýzy struktury vnitřních vztahů mezi velkým počtem původních znaků pomocí souboru menšího počtu latentních proměnných, zvaných faktory. Nejprve jsou identifikovány faktory a pak je každému faktoru přidělen obsahový význam, pomocí kterého je každý původní znak vysvětlen vybraným faktorem. Jde o dva primární cíle faktorové analýzy, a sice o sumarizaci a redukci dat. Sumarizace s používá k lepšímu pochopení dat daleko menším počtem latentních proměnných, než je počet původních znaků. Redukce dat je dosaženo vyčíslením skóre pro každý faktor a následnou náhradou původních znaků novými latentními proměnnými – faktory. Stručný postup analýzy vnitřní struktury dat je následující. Vyčíslí se korelační matice všech znaků. Snažíme se vysvětlit závislost znaků, určitou korelaci tedy požadujeme. Stanoví se potřebný počet faktorů, které budou posléze z pozadí vysvětlovat větší skupinu proměnných. Následně je sledováno, zda má model požadovanou informativní funkci. Pro dobrou interpretaci faktorů se většinou požaduje co nejjednodušší struktura. Je tedy snahou, aby
699
každý společný faktor definoval rozdílné skupiny vzájemně korelovaných původních znaků. Tato procedura se nazývá rotace faktorů. Posledním krokem je vyčíslení faktorového skóre a nalezení shluků podobných objektů. Faktorová analýza byla zpracována pomocí softwarového balíku Statistica 7.0. 3. VÝSLEDKY A DISKUSE 3. 1 Příprava dat Žádný ze sledovaných krajů nemá chybějící indikátor, tudíž nebude nutné některý z regionů vyřazovat ze sledování. Dále byl splněn předpoklad, že v souboru dat je normální rozdělení. Standardizace dat není nutná, faktorová analýza jakožto metoda vycházející z korelační matice není závislá na měřítku vstupních hodnot. Nenulová korelace mezi ukazateli byla taktéž prokázána. 3. 2 Metoda extrakce faktorů a volba počtu faktorů Extrakce faktorů byla vyzkoušena pomocí dvou metod – hlavních komponent a hlavních faktorů, zvolena byla první jmenovaná. Následně bylo třeba určit, kolik faktorů bude potřeba. Tabulka č. 1 s vlastními čísly a vysvětleným rozptylem je níže. Tab. č. 2: Vlastní čísla Vl. číslo 1 2 3 4 5 6
3,949352 3,164245 1,599223 1,243262 0,760198 0,489800
% celk. rozptylu 32,91126 26,36871 13,32686 10,36052 6,33499 4,08167
Kumulativ. vlast. číslo
Kumulativ. %
3,94935 7,11360 8,71282 9,95608 10,71628 11,20608
32,91126 59,27997 72,60683 82,96735 89,30234 93,38401
Počet faktorů lze předdefinovat, ovšem toto nebylo v analýze provedeno. Nejprve byl zadán větší počet faktorů, v našem případě 6, které vysvětlily zhruba 93 % rozptylu. Jedno z heuristických pravidel říká, že lze použit tolik faktorů, kolik vlastních čísel je větších než 1. Pro další výpočty byly tedy vybrány 4 faktory. 3. 3 Faktorové zátěže, rotace faktorů Máme první faktory a chceme je transformovat tak, aby měly smysluplnou interpretaci. Tato fáze se nazývá rotace faktorů a jde v ní o to, aby rotací vznikla tzv. jednoduchá korelační struktura. Interpretace faktorů se provádí z jejich korelace se vstupními proměnnými. Tyto korelace se nazývají faktorové zátěže. V našem modelu byla provedena rotace pomocí metody normalizovaného varimaxu. Ta transformuje faktorové zátěže tak, aby byl rozptyl jejich druhých mocnin ve sloupcích maximální. V ideálním případě je výsledkem taková struktura zátěží, kde každý faktor koreluje silně pouze s určitou skupinou proměnných a s ostatními nekoreluje téměř vůbec. Tučně jsou v tabulce č. 3 zvýrazněny zátěže větší než 0,50. Rotace faktorů nám nabídla následující poznatky. Jak je patrné z tabulky č. 3, s prvním faktorem nejvíce korelují ukazatele HDP, nezaměstnanosti a pracovní neschopnosti. Tento faktor lze považovat za ekonomickou úroveň regionu. Faktor 2 naproti tomu nejsilněji koreloval s podílem vysokoškoláků, s podílem kvalifikované pracovní síly a průměrným věkem. Tyto ukazatele lze přiřadit k těm, které mohou určovat lidské zdroje kraje. Se třetím faktorem nejvíce korelují ukazatele výdajů na vědu a výzkum na obyvatele a zaměstnance a počet podnikatelských subjektů v kraji. Vysoké hodnoty těchto indikátorů jsou dobrým signálem inovačního potenciálu daného regionu. K tomuto je ovšem nezbytné zapojení i 700
podnikatelské sféry. Čtvrtý faktor vykazuje nejvyšší závislost s proměnnými přímých zahraničních investic, které plynou do kraje, s podílem trestných činů a s užitím internetu. Tyto lze označit za atraktivitu kraje. V neposlední řadě se čtvrtým faktorem významněji koreluje podíl výdajů na vědu a výzkum na pracovníka vědy a výzkumu, tento byl však logicky zařazen k faktoru inovačního potenciálu. Tab. č. 3: Faktorové zátěže HDP/obyv. nezam. % PZI/obyv. VV výd./ob. VV výd./pr. podnikatelé VŠ vzdělání kvalif. prac. trestné činy užití intern. prac. nesch. prům. věk
Faktor 1 0,72 -0,66 0,18 -0,08 0,07 0,36 -0,14 0,03 0,29 0,07 -0,93 0,14
Faktor 2 -0,17 -0,43 -0,14 0,06 -0,12 0,36 0,94 0,81 -0,33 0,33 0,02 0,85
Faktor 3 -0,12 -0,56 0,26 0,96 0,63 0,62 -0,03 0,08 -0,46 0,06 -0,01 0,24
Faktor 4 0,60 0,04 0,81 0,10 0,66 0,22 0,06 -0,28 0,54 0,83 -0,14 0,16
3. 4 Faktorové skóre Výpočet faktorového skóre pro vstupní případy není vlastně nic jiného než převod jednotlivých pozorování do faktorového prostoru. Je to vlastně výpočet faktorů Ekonomiky, Lidských zdrojů, Inovací a Atraktivity pro jednotlivé kraje. Takovéto srovnání nám dokáže dát nejen informaci o tom, zda konkrétní kraj spíše vykazuje vysokou kvalifikační strukturu nebo se v něm více investuje do vědy a výzkumu. Lze také určit, jaká kombinace faktorů je dobrá pro dosažení celkově nejlepšího hospodářského stavu mezi kraji. Konkrétní výsledky lze vyčíst z tabulky č. 4, kde jsou kraje srovnány podle počtu získaného skóre, a grafu č. 1. Tab. č. 4: Faktorové skóre pro jednotlivé kraje STC PLZ JHM JHC KVH LIB VYS PAR ZLI KVA OLO UNL MVS
EKONOMIKA 0,44 1,03 -0,56 1,01 0,41 0,93 -0,07 -0,02 -1,16 1,30 -0,56 -0,57 -2,17
LIDSKÉ ZDROJE -0,21 0,92 2,15 0,38 0,97 -0,47 -0,40 -0,29 0,11 -1,08 0,02 -1,93 -0,18
INOVACE 1,89 -0,71 -0,84 -0,21 0,10 0,13 1,08 0,15 1,74 -0,91 -0,51 -1,07 -0,85
ATRAKTIVITA 2,38 0,71 0,46 0,00 -0,42 -0,82 -0,91 -0,23 -1,12 -0,59 -0,99 1,02 0,52
Celkem 4,50 1,95 1,20 1,18 1,06 -0,23 -0,30 -0,39 -0,43 -1,28 -2,03 -2,56 -2,68
Nejlepšího výsledku dosáhl Středočeský kraj, který je následován Plzeňským krajem. Žebříček uzavírá Ústecký kraj a Moravskoslezský kraj. Podíváme-li se blíže na získané hodnoty Středočeského kraje, lze říci, že pro prvenství je nejdůležitější vysoká atraktivita a inovace v kraji doprovázená rovněž nadprůměrnými ekonomickými ukazateli. Plzeňský kraj si druhé místo patrně vybojoval svým nadprůměrným ekonomickým potenciálem a vyšší mírou kvality lidských zdrojů, i když hodnoty inovací byly podprůměrné. Střed žebříčku tvoří kraje s průměrnými hodnotami ukazatelů. Na samém konci se pohybují kraje, ve kterých jsou zaměstnáni pracovníci s nižší kvalifikací, žije v nich nižší počet vysokoškolsky vzdělaných občanů a tyto regiony vykazují podprůměrnou ekonomickou úroveň, deklarovaná mimo jiné vysokou mírou nezaměstnanosti.
701
Graf č. 1: Spojnicový graf pro faktorové skóre FAKTOROVÉ SKÓRE 3
2
1
0
-1
-2
-3
EKONOMIKA LIDSKÉ ZDROJE INOVACE ATRAKTIVITA STC
JHC
PLZ
KVA
UNL
LIB
KVH
PAR
VYS
JHM
OLO
ZLI
MVS
4. ZÁVĚR Faktorová analýza byla po dlouhou dobu používána téměř výhradně v psychologii. Výrazný růst výpočetních možností a rozšíření metody faktorových řešení, zvýšená snaha o rozpracování původních postupů, jakož i zmírnění některých subjektivních prvků faktorové analýzy a odstranění výhradní psychometrické interpretace však způsobily, že v posledních asi čtyřiceti letech pronikla faktorová analýza do dalších oborů. Její povaha je spíše heuristická a průzkumná než ověřovací. S tímto vědomím byla tato analýza využita i pro zkoumání vazeb mezi vybranými proměnnými mezi kraji České republiky. Byly odkryty některé závislosti ukazatelů, nicméně pro podrobnější a kvalitnější analýzu bude třeba vybrat více relevantních proměnných, aby bylo možné komplexněji rozebrat vazby mezi zkoumanými indikátory. 5. LITERATURA Hebák, P., Hustopecký, J., Pecáková, I., Průša, M., Řezanková, H., Svobodová, A., Vlach, P: Vícerozměrné statistické metody 3, Informatorium, Praha 2005. Meloun, M., Militký, J., Hill, M.: Počítačová analýza vícerozměrných dat, Academia, Praha 2005. Svatošová, L., Kába, B., Prášilová, M.: Zdroje a zpracování sociálních a ekonomických dat, PEF ČZU Praha 2004. Svatošová, L.: Metodologická východiska analýz regionálního rozvoje, Sborník příspěvků z mezinárodní vědecké konference Agrární perspektivy XIII, Praha 2004. Regiony, města, obce, [on-line], http://www.czso.cz/, 2006.
KONTAKTNÍ ADRESA Ing. Tomáš Hlavsa, Katedra statistiky, Provozně ekonomická fakulta ČZU, Kamýcká 129, Praha, e-mail:
[email protected], tel: +420224383246
702
