Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta Ústav ekonomie

Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta Ústav ekonomie

Analýza vybraných makroekonomických ukazatelů České republiky, Slovenské republiky a Evropské unie

Diplomová práce

Brno 2006

Petra Poláchová


Prohlášení:

Prohlašuji, že jsem tuto diplomovou práci vypracovala samostatně s použitím literatury, kterou uvádím v seznamu.

V Brně dne

……………………………………


Poděkování:

V úvodu bych chtěla poděkovat Ing. Pavlu Breinkovi za poskytnutí cenných rad a připomínek při zpracování této diplomové práce.


Abstrakt: Tato diplomová práce se zabývá analýzou kauzálních vztahů mezi vybranými ekonomickými, sociálními a demografickými ukazateli na úrovni krajů České republiky, Slovenské republiky a na úrovni jednotlivých států Evropské unie, kam oba sledované státy nyní již patří. Snaží se odhalit intenzitu závislosti mezi zvolenými ukazateli, kterými jsou nezaměstnanost, hrubý domácí produkt na osobu, průměrná mzda a celkový přírůstek obyvatelstva a rovněž prokázat či vyvrátit, zda dosažené výsledky odpovídají poznatkům o vztazích mezi jednotlivými ukazateli v ekonomické teorii. Také se snažíme se posoudit, zda můžeme regiony České a Slovenské republiky považovat za srovnatelné s regiony ve vyspělých zemích, čili zda tyto jsou zkoumané vztahy plně rozvinuty i v ČR a SR. Statistickou analýzou se za pomocí statistických testů rovněž pokusíme zjistit, zda můžeme dosažené závěry považovat za dostatečně průkazné.

Abstract: This thesis deals with the analyses of the causal relationships between the selected economic, social and demografic indicants measured on the level of regions of the Czech Republic, Slovak Republic and on the level of individual countries of Europien unien where both studied countries now Beliny. It tries to repeal the strenght of the correlation between the selected indicants such as unnemployment, GDP per person, average earnings and total growth of population and also it tries to prove or disprove if the reached results correspond to information about the relationships between individual indicants in economic theories. We also try to review if we can consider the regions of the Czech Republic and Slovak Republic comparable with the region of the developed countries that means if the selectec relationships are fully developed in Czech and Slovak Republic. By using statistical analysis with the help of statistical tests we will also try to find out if we can consider the reached results as evidential.

Analýza vybraných ukazatelů trhu práce a ekonomického rozvoje na úrovni regionů České republiky

Obsah 1.

ÚVOD ......................................................................................................................7

2.

CÍL PRÁCE A METODIKA......................................................................................8

2.1. Cíl práce ........................................................................................................................ 8 2.2. Metodika a zdroje dat .................................................................................................. 9 3.

LITERÁRNÍ PŘEHLED .........................................................................................10

3.1. Hospodářské ukazatele .............................................................................................. 11 3.1.1. Nezaměstnanost.................................................................................................... 12 3.1.2. Hrubý domácí produkt (HDP).............................................................................. 20 3.1.3. Průměrná mzda..................................................................................................... 22 3.1.4. Přírůstek obyvatel................................................................................................. 23 3.1.5. Evropská unie a územní jednotky NUTS ............................................................. 23 3.2. Metody analýzy statistických dat.............................................................................. 25 3.2.1. Regresní a korelační úloha ................................................................................... 25 3.2.2. Regresní funkce.................................................................................................... 26 3.2.3. Metoda minimálních čtverců................................................................................ 27 3.2.4. Sdružené regresní přímky..................................................................................... 28 3.2.5. Výpočet parametru sdružených regresních přímek ve standardním tvaru ........... 29 3.2.6. Charakteristika korelace....................................................................................... 30 3.2.7. Koeficient korelace a koeficient determinace ...................................................... 30 3.2.8. Statistický odhad modelu ..................................................................................... 33 3.2.9. Statistická hypotéza a obecný postup při testování .............................................. 34 3.2.10. Intervaly spolehlivosti modelu a jeho parametrů ......................................... 38 3.2.10.1. Intervaly spolehlivosti regresní přímky............................................................. 39 3.2.10.2. Pás spolehlivosti modelu................................................................................... 39 3.2.11. Testy hypotéz, používané při volbě regresní funkce.................................... 40 3.2.12. Testy hypotéz o korelačním koeficientu ...................................................... 41 3.2.13. Testování průkaznosti regresní funkce......................................................... 42 4.

STATISTICKÉ ZPRACOVÁNÍ DAT ......................................................................43

4.1. Vztah průměrné mzdy a počtu nezaměstnaných .................................................... 44 4.2. Vztah průměrné mzdy a celkového přírůstku obyvatelstva................................... 50 4.3. Vztah regionálního HDP a celkový přírůstek obyvatelstva ................................... 56 4.4. Vztah regionálního HDP a počtu nezaměstnaných................................................. 62 5.

VÝSLEDKY PRÁCE A DISKUSE .........................................................................68

6.

ZÁVĚR ..................................................................................................................71

7.

SEZNAM LITERATURY........................................................................................73 -5-


8.

PŘÍLOHY ..............................................................................................................75

-6-


1. Úvod Tématem této diplomové práce je analyzovat vztahy vybraných ukazatelů ekonomických, demografických a sociálních v jednotlivých krajích České republiky a Slovenska, tedy na úrovni jednotek NUTS 3 pro členění v Evropské unii, a následně i analýza těchto vztahů na úrovni jednotlivých států Evropské unie, tedy pro jednotky NUTS 1. Diplomová práce se inspiruje dílem Minaříka a Laciny [10], kde se v souvislosti se vznikem nových územně samosprávních celků – krajů, zabývají posuzováním kauzálních vztahů mezi vybranými ukazateli pro rok 2001, a to především těmi, které se používají jako podpůrné při rozhodování o opatřeních strukturální a regionální politiky Evropské unie. My se pokusíme zjistit, zda se vývoj vztahů mezi hospodářskými ukazateli (nezaměstnanost, průměrná mzda, celkový přírůstek obyvatelstva na tis. osob, a HDP na osobu) změnil nebo zůstal stejný, tzn. zda můžeme ve sledované české ekonomice vypozorovat pokrok a přiblížení se tak ekonomickým teoriím platným pro vyspělé ekonomiky. Pro srovnání s českou ekonomikou provedeme tutéž analýzu i pro jednotlivé regiony Slovenské ekonomiky a pro celou Evropskou unii.

Tato problematika byla při zpracovávání této diplomové práce velmi blízká z důvodu zpracovávání velmi podobně zaměřeného tématu při zpracovávání bakalářské práce na téma Analýza vybraných ukazatelů trhu práce a ekonomického rozvoje na úrovni regionů České republiky [12], kde byly zkoumány vzájemné závislosti vybraných ukazatelů v podmínkách České republiky, posuzoval se vliv přítomnosti Prahy na sledovaný soubor dat a na sledovaných datech byly provedeny testů statistické průkaznosti. V této práci je cílem tuto problematikou rozšířit.

Výsledky získané za pomocí následující analýzy budou poté srovnávány s teoretickými poznatky o vztazích těchto ukazatelů v ekonomické teorii. Motivem pro tuto práci je zjištění, zda se ekonomické zákony projevují stejným způsobem u regionů České republiky, Slovenska a následně i u jednotlivých států Evropské unie. Za pomocí analýzy můžeme odhalit problematické regiony, které se potýkají s vysokou mírou nezaměstnanosti, a následně navrhnout doporučení pro hospodářskou politiku pro tento region. Jelikož se Česká republika i Slovensko staly dne 1. května 2004 členy Evropské unie a jejich územní uspořádání začalo odpovídat standardům Evropské unie, umožnilo toto přizpůsobení provádět statistickou analýzu a vzájemné srovnávání

-7-


na mezinárodní úrovni, což bylo pro vypracování této práce zásadní a rovněž danou problematiku můžeme považovat za dostatečně aktuální.

2. Cíl práce a metodika 2.1.

Cíl práce

Cílem této práce je analýza vzájemných vztahů u vybraných ukazatelů charakterizujících demografickou, ekonomickou a sociální situaci v územních jednotkách NUTS 3, tj. krajích České republiky a Slovenska a rovněž v územních jednotkách NUTS 1, tj. jednotlivých států Evropské unie. Jednotlivými dílčími cíly jsou: o analýza vzájemných vztahů mezi vybranými ukazateli u jednotlivých regionů ČR, o analýza vzájemných vztahů mezi vybranými ukazateli u jednotlivých regionů SR, o analýza vzájemných vztahů mezi vybranými ukazateli u jednotlivých států Evropské unie, o porovnání dosažených výsledků u jednotlivých analýz a posouzení, zda odpovídají poznatkům o vztazích mezi jednotlivými ukazateli v ekonomických teoriích, o posouzení, zda dle předešlých analýz, můžeme regiony ČR a SR považovat za srovnatelné regiony s regiony vyspělých zemi, čili zda jsou vztahy mezi pozorovanými ukazateli plně rozvinuty, o posouzení vlivu Prahy a Bratislavy v jednotlivých zkoumaných souborech dat.

Pro účel analýzy v této diplomové práce byly zvoleny jen některé vybrané ukazatele a vztahy z díla Minaříka a Laciny [10], a jsou to tyto ukazatele: nezaměstnanost (či počet nezaměstnaných), průměrná mzda, celkový přírůstek obyvatelstva na tis. osob, a HDP na osobu. U těchto ukazatelů byly porovnávány jejich vzájemné vztahy. Při hodnocení jednotlivých vztahů budeme vycházet z následujících ekonomických teorií, jež byly použity rovněž v díle Minaříka a Laciny [10].

Po tomto srovnávání se pokusíme rovněž statisticky ověřit průkaznost dosažených výsledků. Našimi dílčími cíli bude také ověřit průkaznost dat za pomocí testu průkaznosti korelačního koeficientu. Dále odhalit, jaký má vliv přítomnost Bratislavského kraje na zkoumaný soubor SR, stejně tak i Praha na zkoumaný soubor dat pro ČR.

-8-


2.2.

Metodika a zdroje dat

Pro zpracování diplomové práce můžeme za velmi důležitou považovat volbu vhodných materiálů pro danou práci a užití vhodných postupů a metod zpracování.

V literárním přehledu byly soustředěny získané poznatky jak o jednotlivých ukazatelích, tak i o statistických metodách, které budou při jednotlivých výpočtech v praktické části použity.

Ve vlastní práci budeme analyzovat vztahy mezi jednotlivými ukazateli, intenzitu závislostí a vlivy, které na tyto vztahy působí. Pokusíme se rovněž otestovat reálnost a průkaznost dosažených výsledků. V této fázi bude využito nabytých znalostí získaných v teoretické části a jejich aplikace na zvolené soubory dat. Dále byly při posuzování dosažených výsledků práce použity metody komparace či srovnávání dosažených výsledků pro jednotlivé soubory zkoumaných dat, následně metody dedukce a indukce při odvozování závěrů ze získaných výsledků.

Při zpracovávání této praktické části práce byly nejdříve všechny soubory dat pro vztah dvou vybraných ukazatelů proloženy přímkou podle metody minimálních čtverců, kterou si představíme a podrobně vysvětlíme v kapitole 3.2.3. Následně byly vypočteny vybrané druhy ukazatelů pro jednotlivé dvojice. Pro výpočet koeficientů a yx , b yx bylo použito vzorců obsažených v kapitole 3.2.5, a to konkrétně vzorců 3.8 a 3.9. Pro výpočet koeficientů determinace a korelace bylo použito vzorců v kapitolách 3.2.6. a 3.2.7, pro výpočet indexu determinace vzorec 3.14 a pro koeficient korelace vzorec 3.15. U souboru dat pro Evropskou unii bylo při vytváření intervalu spolehlivosti regresní přímky použito vzorce 3.18 v kapitole 3.2.10.1. a pro vyobrazené pásu spolehlivosti ekonometrického modelu vzorce 3.19 z kapitoly 3.2.10.2. Následně byly všechny dosažené výsledky otestovány testem průkaznosti pomocí vzorce 3.23 z kapitoly 3.2.12. V případě testování průkaznosti u dat za Českou republiku a Slovensko byl použit test o průkaznosti korelačního koeficientu, pro případ Evropské unie bylo toto testování ještě rozšířeno o test průkaznosti regresní funkce a tedy celého ekonometrického modelu vysvětleno v kapitole 3.2.13 vzorcem 3.22.

Na závěr byly shrnuty veškeré dosažené výsledky a následovalo jejich porovnání s ekonomickou teorií, jejíž platnost bychom předpokládali u rozvinutých ekonomik. Touto analýzou se nám tak

-9-


podařilo zjistit, zda můžeme Českou a Slovenskou republiku považovat za srovnatelnou s ostatními vyspělými zeměmi jako jsou státy Evropské unie, kam oba sledované státy již patří.

Zdrojová data pro tuto práci se v případě České republiky a Evropské Unie vztahující k roku 2004 a v případě Slovenska k roku 2003. Veškeré získané údaje o hospodářských ukazatelích byly čerpán z informačních materiálů Českého statistického úřadu, na jeho internetových stránkách http://www.czso.cz a z informačních materiálů Štatistického uradu Slovenskej republiky, na jeho stránkách www.statistics.sk.

3. Literární přehled Ekonomická teorie předpokládá, že v regionech s vyšší nezaměstnaností dochází k převisu nabídky práce nad poptávkou, což by se mělo projevit nižší úrovní mezd v těchto regionech. V delším období pak v přílivu investic, které využívají potenciálu nízké ceny práce. Můžeme proto očekávat příliv investic náročných na pracovní sílu, jedná se však většinou o obory, které nevyžadují vysokou kvalifikaci pracovní síly. V zemích Evropské unie, České republice i na Slovensku dochází i k cílené podpoře státu, jejichž snahou je formou různých investičních pobídek přilákat investory právě do regionů s vysokou nezaměstnaností. Pokusíme se tedy tuto ekonomickou teorii prokázat v jednotlivých regionech ČR, SR i v Evropské unii.

Dále se pokusíme se prokázat na vztahu mezi průměrnou mzdou a celkovým přírůstkem obyvatelstva na tis. obyvatel v jednotlivých regionech ČR, SR i v Evropské unii, zda bude docházet k negativnímu přírůstku obyvatel v regionu s nižší průměrnou mzdou a pozitivnímu přírůstku v regionech s vyšší průměrnou mzdou. Síla závislosti je ovlivněna jednak výškou rozdílu v průměrné mzdě, náklady spojenými se stěhování a ochotou osob změnit místo pobytu.

Při další analýze vztahu mezi regionálním HDP a přírůstkem obyvatelstva budeme vycházet z toho, že ve vyspělých ekonomikách lze pozorovat úbytek obyvatel v regionech s nižším HDP na úkor nadprůměrných. Čím vyšší je rozdíl ve sledovaném ukazateli, tím vyšší je pozorovaná míra migrace. Pokusíme se tedy tento vztah ověřit v podmínkách ČR, SR i v EU.

Poslední vztah, který budeme analyzovat, je vztah mezi HDP a nezaměstnaností. Lze předpokládat, že regiony s vysokou úrovní HDP mají velký potenciál trhu práce. Jsou tak - 10 -


atraktivním místem pro příliv nových investic, které následně vytvářejí nové pracovní příležitosti. Proto můžeme očekávat v těchto regionech nižší úroveň nezaměstnanosti, než v regionech s nízkým HDP. Opět ověříme, zda tato teorie platí v podmínkách ČR, SR i v EU.

Následující hospodářské ukazatele pro naši analýzu byly vybrány z okruhu ukazatelů, jež byly použity v díle Minaříka a Laciny [10] a můžeme tyto ukazatele považovat za jedny z nejvýznamnějších ukazatelů životní úrovně daných regionů. Okruh ukazatelů byl dále omezen na menší počet z důvodu dodržení zadaného rozsahu diplomové práce. Veškeré výše zmíněné ekonomické teorie vycházejí z práce Minaříka a Laciny [10], kteří jako zdroj a podklad svých teorií použili následující díla: HUČKA, M. Strukturální politika a její regionalizace, Repronis: Ostrava, 2001, HUČKA, M. Strategie a nástroje regionální politiky v procesu transformace, Národní hospodářství, 1993, č. 2, KONZÍKOVÁ, L., LACINA, L. Migration Study – the regional perspektive. Acta univ. Agric. Silvic. Mendel. Brun, 2001, roč. II.,

č. 2, s. 59 – 64 (ISBN 1211-8516), Regional Policy at the Crossroads. European Perspectives. Jessica Kingsley Publisher: London, 1989.

3.1.

Hospodářské ukazatele

Vybrané ukazatele i ekonomické teorie, ze kterých budeme při posuzování praktické části vycházet, jsme si již představili. Než bude možné přejít ke zpracování získaných dat, seznámíme se s jednotlivými ukazateli, které jsou v této práci pro veškeré výpočty a testování použity. Pro porozumění následně získaným výsledkům je nutné porozumět, co jednotlivé ukazatele symbolizují, aby bylo možné konečné výsledky správným způsobem interpretovat.

Zvolené ukazatele lze rozčlenit způsobem, jakým bylo toto členění provedeno již podle Minaříka a Laciny [10]. Zde jsou disponibilní ukazatele orientačně rozděleny do skupin, které v jednotlivých regionech charakterizují

o demografickou situaci (namátkou například hustota obyvatelstva, průměrná velikost obce, index stáří, koeficient zatížení produktivní populace aj.),

o hospodářskou situaci (regionální HDP na obyvatele, podíl pracujících v jednotlivých sektorech národního hospodářství, délka pracovního týdne, míry nezaměstnanosti aj.),

- 11 -


o sociální situaci (úroveň vzdělání, průměrná mzda, podíl osob pracujících na vlastní účet atd.).

Jak již bylo řečeno, pro následující analýzu byly vybrány tyto ukazatele: nezaměstnanost a HDP na osobu jako jedny z nejdůležitějších ukazatelů, které svědčí o životní úrovni, dále průměrná mzda, jejíž výše vypovídá o struktuře hospodářství v regionu, zda převládá sféra zemědělská či sféra služeb, kde je dosahováno vyšších mezd a nakonec celkový přírůstek obyvatelstva na tis. osob, z něhož můžeme zjistit stupeň migrace obyvatel mezi regiony.

3.1.1. Nezaměstnanost Ukazatel nezaměstnanost je podle Mankiwa [7] jedním z nejdůležitějších faktorů, který přispívá k životní úrovni země. Na většině trhů v ekonomice ceny přizpůsobují tak, aby uváděly nabízené a poptávané množství do rovnováhy. Na ideálním trhu práce by také cena práce – mzda vyrovnávala nabídku práce a poprávku po ní. Přizpůsobení mezd by zajistilo vždy plnou zaměstnanost. Ve skutečnosti je trh práce tomuto ideálu velmi vzdálený. Vždy existují lidé bez práce, i v ekonomice, která prosperuje, tzn. že nezaměstnanost nikdy neklesá na nulu, ale pohybuje se kolem přirozené míry nezaměstnanosti. Vysvětlením nenulové hodnoty přirozené míry nezaměstnanosti slouží následující příčiny odlišnosti reálného trhu práce od ideálního trhu práce a jsou to: zákony o minimální mzdě, odbory, efektivnostní mzda (vyšší než rovnovážná mzda, kterou platí firmy proto, aby zvýšily produktivitu svých pracovníků) a hledání pracovního místa.

Podle Stutelyho [15] vysoká nezaměstnanost (ve srovnání s průměrem za několik předchozích let) naznačuje produkční mezeru ve směru recese. Nízká nezaměstnanost na vrcholu cyklu je hrubým indikátorem inflačních tlaků. Důležité však je, že nezaměstnanost se zpožďuje za cyklem o zhruba šest měsíců.

Pokud se jedná o celkovou nezaměstnanost jsou údaje založeny na počtu osob registrovaných jako nezaměstnaní (např. v Rakousku, ve Švýcarsku) nebo žádajících o podporu (např. Belgie, Británie, nebo na statistických šetřeních (opět Británie a mnoho dalších zemí). Statistická šetření obvykle dávají lepší výsledky, protože zachytí i osoby, které by přijaly zaměstnání, pokud by se naskytlo, ale neregistrují se jako nezaměstnaní. Zkreslení a problémy s mezinárodní srovnatelností vznikají kvůli faktorům, jako jsou studenti žádající o podporu v nezaměstnanosti

- 12 -


během prázdnin, způsob zachycení osob dočasně propuštěných, osob, které se již přestaly hlásit jako schopné pracovat, a osob s částečnými úvazky, které hledají plný úvazek. Podle Macha [6] je nezaměstnanost dle Eurostatu definována jako nezaměstnané osoby 15-ti leté a starší (bez horní věkové hranice), které ve sledovaném období souběžně splňovaly dále uvedené tři základní podmínky: Byly bez práce, to znamená, že nebyly ani v placeném zaměstnání ani nebyly sebezaměstnané. Hledaly aktivně práce v průběhu posledních 4 týdnů. Formou aktivního hledání práce se rozumí registrace u úřadu práce nebo soukromé zprostředkovatelny práce, dále hledání práce přímo v podnicích, využívání inzerce, podnikání kroků pro založení vlastní firmy, podání žádosti o pracovní povolení a licence nebo hledání zaměstnání jiným způsobem. Byly připraveny k nástupu do práce, tj. během referenčního období byly k dispozici okamžitě nebo nejpozději do 14 dnů pro výkon placeného zaměstnání nebo sebezaměstnání.

Pokud osoby nesplňují alespoň jednu ze tří uvedených podmínek, jsou klasifikovány jako zaměstnané nebo ekonomicky neaktivní.

Míra nezaměstnanosti (v dané zemi a k určitému období) je měřena jako počet nezaměstnaných osob (značíme U) k pracovním silám (značíme L). Pracovní síly tvoří zaměstnané osoby (značíme E), tj. ti, kdož práci mají a nezaměstnané osoby (U), tj ti, kdož práci aktivně hledají. Míra nezaměstnanosti (značíme u a vyjadřujeme ji v %) se tedy rovná U = U/(E+U) * 100, kde součet zaměstnaných a nezaměstnaných osob ve jmenovateli se rovná pracovním silám, tj. ekonomicky aktivnímu obyvatelstvu (tedy E + U = L).

Mezi nezaměstnané patří i osoby, které nehledají práci, protože ji již našly a jsou schopny ji nastoupit nejpozději do 14 dnů. Ukazatel je konstruován podle metodiky Eurostatu vypracované na

základě

doporučení

Mezinárodní

organizace

práce

(ILO).

Zařazení do této kategorie nesouvisí s kategorií registrovaných uchazečů o zaměstnání na úřadech práce a ani s faktem, zda tyto osoby pobírají či nepobírají příspěvek v nezaměstnanosti

či jiné sociální dávky nebo příspěvky.

- 13 -


Podle Stutelyho [15] existují tyto druhy nezaměstnanosti:

1. Frikční nezaměstnanost. Vždy se naleznou lidé, kteří mění zaměstnání a jsou dočasně registrováni jako nezaměstnaní. Jejich počty se dají snížit lepší informovaností (propojením údajů o volných místech a nezaměstnaných osobách) a vzděláním.

2. Strukturální nezaměstnanost. Tento pojem označuje osoby, jejichž dovednosti a místo pobytu neodpovídají pracovním příležitostem – obvykle proto, že mají kvalifikaci pro odvětví, která upadají pod konkurenčním tlakem moderní techniky či dovozů. Je možné ji snižovat rekvalifikací a zvýšením mobility pracovní síly.

3. Sezonní nezaměstnanost. Zemědělství, stavebnictví a turistické služby jsou obzvlášť silně vystaveny sezonním výkyvům.

4. Reziduální nezaměstnanost. Existuje tvrdé jádro lidí, kteří jsou prakticky nezaměstnatelní, například vlivem jejich neschopnosti integrovat se do moderní společnosti. Podle Mankiwa [7] rozeznáváme ještě dva druhy nezaměstnanosti. Prvním je přirozená míra

nezaměstnanosti, která se týká úrovně nezaměstnanosti, jež v hospodářství převažuje. Termín přirozená označuje to, že se nezaměstnanost od této míry v dlouhém období neodchyluje. Je to normální míra nezaměstnanosti, kolem které kolísá míra nezaměstnanosti. Druhým druhem je

cyklická nezaměstnanost, což je odchylka nezaměstnanosti od přirozené míry. Podle Stutelyho [15] se nezaměstnanost obvykle definuje jako procentní podíl nezaměstnaných na pracovní síle (zaměstnaní i nezaměstnaní). Časté jsou národní odchylky. Německo vylučuje z pracovní síly osoby samostatně výdělečně činné, Belgie publikuje dvě míry nezaměstnanosti, a to podíl nezaměstnaných na celkové pracovní síle, resp. Na pojištěné pracovní síle, Švýcarsko zakládá své údaje o pracovní síle na sčítání lidu z roku 1980. Změnou definice, což vlády s oblibou dělají, lze míru nezaměstnanosti posunout vzhůru, častěji ale dolů, i o několik procentních bodů.

Mezinárodní organizace práce (ILO) a další mezinárodní organizace publikují standardizované míry nezaměstnanosti, které se liší od národních údajů, ale dávají konzistentní základ pro mezinárodní srovnání.

- 14 -


Regionální údaje o nezaměstnanosti vypovídají také o strukturální nezaměstnanosti, protože osvětlují vztah mezi zánikem pracovních míst a rozmístěním upadajících odvětví. Podle zdroje [17] existují v České republice minimálně dva ukazatele nezaměstnanosti

o sledovaný Ministerstvem práce a sociálních věcí, o sledovaný Českým statistickým úřadem.

Nezaměstnanost patří k nejsledovanějším ekonomickým ukazatelům. V mediích se převážně uvádí ta, kterou zveřejňuje Ministerstvo práce a sociálních věcí ČR na základě statistik úřadů práce. Nezaměstnanost zjišťovaná Českým statistickým úřadem na základě tzv. Výběrového šetření pracovních sil (VŠPS) je u nás méně známá. Používá se hlavně pro mezinárodní srovnávání

a

je

zjišťována

jak

v

zemích

EU,

tak

zemích

kandidátských.

Zásadní rozdíl spočívá především ve způsobu zjišťování a v jeho metodice. Ministerstvo práce vychází ze statistik úřadů práce a jako nezaměstnané uvádí ty, kteří se na úřadech práce jakožto nezaměstnaní zaregistrují. Míra nezaměstnanosti je pak podílem těch, kteří se jako nezaměstnaní zaregistrovali, na celkové pracovní síle (nezaměstnaní MPSV + zaměstnaní VŠPS). MPSV zjišťuje

zveřejňuje

a

tzv.

registrovanou

míru

nezaměstnanosti.

ČSÚ provádí každé čtvrtletí speciální šetření nazvané Výběrové šetření pracovních sil (VŠPS). Na jeho základě pak (kromě jiného) stanovuje tzv. obecnou míru nezaměstnanosti. Míra nezaměstnanosti je v tomto případě vyjádřena jako podíl nezaměstnaných podle VŠP na součtu těchto nezaměstnaných a zaměstnaných VŠPS.

Jak již název napovídá, šetření ČSÚ není zaměřeno pouze na nezaměstnanost, ale věnuje se ekonomické aktivitě obyvatel, kteří žijí v bytech. Provádí se kontinuálně v náhodně vybraném vzorku domácností s cílem zjistit charakteristiky sociálního i ekonomického postavení obyvatelstva

na

území

republiky.

Rozsah

šetření

a charakteristiky zaměstnanosti

a

nezaměstnanosti osob bydlících ve vybraných bytových domácnostech plně odpovídají definicím Mezinárodní

organizace

práce

(ILO)

a

metodickým

doporučením Eurostatu.

Míra nezaměstnanosti ČSÚ se tak od té z ministerstva práce liší nejen kvůli jinému způsobu zjišťování, ale též rozdílnou metodikou. Za nezaměstnané jsou podle definice ILO považovány osoby, jež v referenčním období neměly žádné zaměstnání, neodpracovaly ani jednu hodinu za - 15 -


mzdu

nebo

odměnu

a

aktivně

hledaly

práci,

do

které

by

byly

schopny nastoupit nejpozději do dvou týdnů.

Od 1. ledna 2002 byl plně harmonizován dotazník VŠPS se standardem Eurostatu včetně otázek kladených respondentovi. Prioritou je dotaz na ekonomickou aktivitu respondentů v referenčním týdnu. Jestliže respondent uvedl, že v tomto týdnu pracoval alespoň 1 hodinu, je podle metodiky ILO

striktně

klasifikován

jako

osoba

v

zaměstnání.

Podle ILO nejsou jako nezaměstnaní klasifikováni rovněž ti, kteří sice patří mezi registrované uchazeče, ale nehledají si aktivně práci. Ve VŠPS proto náležejí do kategorie ekonomicky neaktivních. Formou aktivního hledání práce se rozumí hledání prostřednictvím úřadu práce nebo soukromé zprostředkovatelny práce, dále hledání práce přímo v podnicích, využívání inzerce, podnikání kroků k založení vlastní firmy, podání žádosti o pracovní povolení a licence nebo hledání zaměstnání jiným způsobem.

Výběrové šetření pracovních sil (VŠPS) se provádí kontinuálně v náhodně vybraném vzorku domácností a je zaměřené na zjišťování ekonomického postavení obyvatelstva na území celé republiky. Rozsah šetření a ukazatele zaměstnanosti a nezaměstnanosti plně odpovídají definicím Mezinárodní organizace práce (ILO – www.ilo.org) a metodickým doporučením Eurostatu (http://europa.eu.int/comm/eurostat/). Výsledky VŠPS jsou publikovány podle bydliště respondentů.

Tabulka č. 1.: Rozdílnost metodik zjišťování nezaměstnanosti u MPSV a VŠPS Registrovaní uchazeči o Registrovaní uchazeči o Neregistrovaní zaměstnání nesplňující zaměstnání splňující nezaměstnaní splňující podmínky ILO pro podmínky ILO pro podmínky ILO pro Zaměstnaní podle VŠPS zařazení mezi zařazení mezi zařazení mezi (ILO) = pro obě míry nezaměstnané nezaměstnané nezaměstnané nezaměstnanosti Registrovaní na úřadech práce (MPVS) Nezaměstnaní podle ILO (VŠPS) Pracovní síla pro míru nezaměstnanosti VŠPS Pracovní síla pro míru Pracovní síla pro míru nezaměstnanosti MPSV nezaměstnanosti MPSV

Zdroj: ČSÚ

Je-li tedy rozdílná definice nezaměstnaného i sám způsob zjišťování, potom se údaje o nezaměstnanosti z MPSV a z VŠPS zcela logicky liší. Rozdíl mezi oběma měrami je tím menší, čím je menší nezaměstnanost. V případě nízké míry nezaměstnanosti (např. 1-3 %) se tento rozdíl téměř stírá. - 16 -


Podle oficiální metodiky se míra registrované nezaměstnanosti na úrovni ČR, krajů a okresů počítá na základě výsledků Výběrového šetření pracovních sil. Míra nezaměstnanosti v obcích, mikroregionech, ORP a POU se z důvodu nedostupnosti dat o zaměstnaných na úrovni těchto územních celků počítá na základě ekonomicky aktivního obyvatelstva.

Rozdíly v uvedených ukazatelích jsou obvyklé i v členských zemích Evropské unie. Oba ukazatel míry nezaměstnanosti mají své místo v ekonomice, neboť nejsou vzájemně v rozporu, ale doplňují se. Pro dobrý přehled o problematice nezaměstnanosti je tak třeba sledovat ukazatele z VŠPS i MPSV a pro doplnění i další ukazatele.

Podle zdroje [17] existují i na Slovensku dva druhy ukazatelů nezaměstnanosti: a to míra nezaměstnanosti, která je vykazována Štatistickým úradom SR z Výběrových zjišťování pracovních sil (dále jen VZPS), evidovaná míra nezaměstnanosti, kterou vykazuje Národný úrad práce.

Výška míry nezaměstnanosti podle VZPS je nižší než míra evidované nezaměstnanosti, a to z důvodu, že jsou rozdílné metodiky zařazování osob mezi nezaměstnané a pracující.

Ve všeobecnosti platí: míra nezaměstnanosti v % = 100 * (počet nezaměstnaných / ekonomicky aktivní obyvatelstvo). Ekonomicky aktivní obyvatelstvo (dále jen EAO) je součet počtu pracujících (zaměstnaných) a nezaměstnaných.

Míra nezaměstnanosti podle Výběrového zjišťování pracovních sil vykazovaná ŠÚ SR: Míra nezaměstnanosti v % je rovná podílu celkového počtu nezaměstnaných k ekonomicky aktivnímu obyvatelstvu. Mezi ekonomicky aktivní obyvatelstvo (pracovní síla) zahrnujeme osoby ve věku od 15 let, které patří mezi pracující v civilním sektoru, nezaměstnané nebo příslušníky ozbrojených složek. Na rozdíl od evidence Národného úradu práce pracující podle VZPS jsou všechny osoby ve věku od 15 let, které ve sledované (referenčním) týdnu vykonávaly aspoň jednu hodinu práce za mzdu, plat nebo práci za účelem dosažení zisku včetně osob pracujících v zahraničí. Může jít o práci na plný či zkrácený úvazek, dočasnou, příležitostnou nebo sezónní práci. Ve smyslu definice podle metodiky VZPS za nezaměstnaného se považují všechny osoby ve věku od 15 let, které současně splňují tří podmínky, stejné jako pro evidenci v Eurostatu. Tyto osoby mohou, ale nemusí být evidované na úřadech práce jako nezaměstnané. Za nezaměstnané se považují i - 17 -


nepracující osoby, které si práci našly a do zaměstnaní nastoupí v průběhu 1 měsíce. Mezi nezaměstnané se zařazují také osoby na dlouhodobém neplaceném volně, které si práci nehledají z toho důvodu, že v blízké budoucnosti očekávají návrat do svého zaměstnání. To znamená, že tyto osoby, které nejsou schopné nastoupit do práce nejdříve do dvou týdnů, se nepovažují za nezaměstnané podle VZPS, avšak v evidenci úřadů práce se mohou nacházet.

Míra evidované nezaměstnanosti z celkového počtu evidovaných nezaměstnaných vykazovaná Národným úradom práce. Tato míra nezaměstnanosti byla do 30. 11. 1997 určována z evidovaných nezaměstnaných celkem. Míra evidované nezaměstnanosti (v % ke konci měsíce) = 100 * (počet evidovaných nezaměstnaných / ekonomicky aktivní obyvatelstvo). Takto vykazovaná míra evidované nezaměstnanosti je nepřesná, protože zahrnuje i evidované nezaměstnané, které nemohou bezprostředně po předložení nabídky vhodného volného pracovního místa nastoupit do zaměstnání tj., evidovaných nezaměstnaných, na straně kterých je objektivní překážka pro přijetí do zaměstnání. Za takovou překážku se podle předpisů MOP považuje i zařazení do rekvalifikace a do pracovní rehabilitace zabezpečované úřady práce, dočasná pracovní neschopnost evidovaných nezaměstnaných a pobírání peněžní pomoci na mateřské.

Míra evidované nezaměstnanosti z disponibilního počtu evidovaných nezaměstnaných vykazovaná Národným úradom práce. Od 1. 12. 1997 se míra nezaměstnanosti začala určovat na základě disponibilního počtu evidovaných nezaměstnaných občanů. Míra evidované nezaměstnanosti (v % ke konci měsíce) = 100 * (disponibilní počet evidovaných nezaměstnaných / ekonomicky aktivní obyvatelstvo). Tento postup byl zvolený tak, že ekonomicky aktivní obyvatelstvo se počítá jako součet počtu zaměstnaných a nezaměstnaných.

Disponibilní počet evidovaných nezaměstnaných kteří ti evidovaní nezaměstnaní, kteří mohou bezprostředně po předložení nabídky vhodného volného pracovního místa nastoupit do zaměstnání tj., evidovaní nezaměstnaní, na straně kterých není žádná objektivní překážka pro přijetí do zaměstnání. Za takovou překážku se podle předpisů MOP považuje i zařazení do rekvalifikace a do pracovní rehabilitace zabezpečované úřady práce, dočasná pracovní neschopnost evidovaných nezaměstnaných a pobírání peněžní pomoci na mateřské.

Rozdílné přístupy Štatistického úradu a Národného úradu práce k zjišťování nezaměstnanosti předurčují i jejich použití. Výsledky Výběrových zjišťování pracovních sil slouží především pro potřeby mezinárodní statistiky práce a mezinárodní porovnávání. Umožňují také objektivnější - 18 -


pohled na stav a vývoj nezaměstnanosti z hlediska vývoje věkové a kvalifikační struktury nezaměstnaných, délky trvání nezaměstnanosti, struktury podle odvětví a zaměstnání a je východiskem analýz i prognóz ekonomického a sociálního rozvoje v SR. Údaje úřadů práce jsou významným indikátorem pro uplatňování politiky trhu práce. Oba přístupy mají svoje přednosti a nedostatky. Údaje o nezaměstnanosti získané oběma způsoby není možno brát konfrontačně, ale jako dva navzájem se doplňující zdroje informací o stavu a vývoji trhu práce v SR. Podle má nezaměstnanost své náklady, které jsou spojeny především s cyklickou nezaměstnaností, ale také určité přínosy, zvláště pokud jde o nezaměstnanost frikční. Náklady nezaměstnanosti dopadají nejen na nezaměstnané, kteří dostávají podporu v nezaměstnanosti a snižují se tak jejich obtíže spojené se ztrátou výdělku, ale i na všechny zaměstnané prostřednictvím plateb pojištění v nezaměstnanosti.Agregátní náklady nezaměstnanosti souvisejí: se ztrátou agregátního výstupu a důchodu – tyto náklady představují hodnotu výstupu, která by byla nezaměstnanými vyprodukována, kdyby pracovali. Tyto náklady nejsou zanedbatelné. Jestliže je skutečná míra nezaměstnanosti v ekonomice mnohem vyšší než přirozená míra, tj. úroveň zaměstnanosti je pod plnou zaměstnaností, pak dochází ke ztrátě výstupu. Pokud dojde ke zvýšení nezaměstnanosti o 1 % nad přirozenou míru nezaměstnanosti, pak se výstup sníží o 2 – 3 % pod svou potenciální úroveň neboli úroveň výstupu, kterého by bylo dosaženo při plné zaměstnanosti (Okunův zákon). Se znehodnocením lidského kapitálu – lidský kapitálo je hodnota vzdělání a nabytých schopností a dovedností jedince. Zahrnují mechanické a duševní schopnosti, které jsme získali ve škole spolu s těmi, které jsme rozvinuli v zaměstnání včetně pracovních návyků a schopnosti koncentrace. Dlouhotrvající nezaměstnanost přispívá ke ztrátě těchto schopností a tím snižuje hodnotu lidského kapitálu. Se zvýšením kriminality – u některých skupin může být nezaměstnanost spojená i s kriminalitou. Jestliže si lidé nemohou vydělat legálním způsobem, mohou se někteří pokusit získat peníze prostřednictvím trestného činu. Vyšší míra nezaměstnanosti tak může být spojena s vyšší kriminalitou. Se ztrátou lidské důstojnosti – dalším nákladem nezaměstnanosti je ztráta sebeúcty, která může postihnout zvláště ty, kdož jsou dlouhodobě nezaměstnaní. Nezaměstnanost vyvolává značný psychický tlak na celou rodinu. Společenské a psychické náklady nezaměstnanosti mohou být mnohem významnější než finanční ztráty, i když je obtížné tyto náklady změřit.

Ve světle negativních dopadů nezaměstnanosti může být těžké uvěřit, že některé typy nezaměstnanosti mohou mít také nějaký přínos. Nicméně představme si, že aby neexistovala nezaměstnanost, museli bychom po ukončen školy přijmout první zaměstnání, které by bylo - 19 -


k dispozici bez ohledu na to, o jakou práci by šlo a zda bychom se na ni hodili a chtěli ji dělat. Hledat si zaměstnání je pravděpodobně snazší pro nezaměstnané než pro pracovníky zaměstnané na plný úvazek. Také firmy mají výhody z toho, že si mohou vybírat z většího počtu potenciálních uchazečů, než kdyby byly nezaměstnanost nulová.

Také zavádění nových technologií s sebou přináší jistou nezaměstnanost, neboť vyžadují přizpůsobení pracovní síly. Nezaměstnanost tak umožňuje na tyto technologické změny reagovat, a pokud by byla nízká, bránila by nutné realokaci práce. Aby mohly být využity výhody nových technologií, budou lidé muset změnit zaměstnání.

Výše uvedené přínosy nezaměstnanosti znamenají lepší alokaci zdrojů a zlepšují tak efektivnost celé ekonomiky.

Určitá míra nezaměstnanosti může mít také jinou výhodu. Někteří lidé přeceňují hodnotu své vlastní práce a žádají stále vyšší mzdy, dovolené, přestávky a jiné výhody, které převyšují hodnotu jejich přínosu. Někteří ekonomové proto považují jistou nezaměstnanost za brzdu přemrštěných mzdových požadavků a jiných výhod.

3.1.2. Hrubý domácí produkt (HDP) Jedná se o klíčový ukazatel vývoje ekonomiky. Podle Stutelyho [15] vyjadřuje celkovou ekonomickou výkonnost země bez ohledu na to, kdo vlastní produktivní aktiva.

Představuje souhrn hodnot přidaných zpracováním ve všech odvětvích v činnostech považovaných v systému národního účetnictví za produktivní (tj. včetně služeb tržní i netržní povahy). Aby byl vyloučen vliv změn cen je vyjádřen ve stálých cenách.

Růst (pokles) HDP ve stálých cenách charakterizuje o kolik procent reálně stoupl (klesl) hrubý domácí produkt ve sledovaném čtvrtletí roku proti stejnému období roku předchozího. Podle Mankiwa [7] HDP měří zároveň dvě věci: celkový důchod každého subjektu v ekonomice a celkové výdaje za zboží a služby této ekonomiky. Příčina schopnosti HDP měřit celkové výdaje i celkový důchod tkví v tom, že jde v podstatě o dvě stejné věci. Pro ekonomiku jako celek se důchod musí rovnat výdajům, protože každá transakce má dvě strany, prodávajícího a kupujícího, a proto je zajištěna rovnost příjmů a výdajů. HDP pro ekonomiku tak můžeme také - 20 -


počítat dvěma způsoby: sečtením celkových výdajů domácností nebo sečtením celkových důchodů, které vyplácejí firmy (jejich výdaje na mzdy, rentu a zisk).

Další makroekonomické ukazatele, které se odlišují od HDP tím, že vynechávají nebo zahrnují jisté důchodové kategorie původně zahrnované nebo nezahrnované do HDP jsou následující:

Čistý národní produkt (NNP) je celkový důchod občanů země po odpočtu ztráty opotřebení majetku. Znehodnocení je míra opotřebení všech zařízení a budov. Toto opotřebení se také nazývá spotřeba fixního kapitálu. Osobní důchod je důchod domácností a živnostníků. Na rozdíl od HDP a NNP osobní důchod vylučuje tzv. zadržené výdělky, což je příjem korporací, který se nerozdělí vlastníkům v podobě dividend, ale naopak zahrnuje příjem z úroků domácnostem z držby vládního dluhu a transfery z vládních programů sociálního zabezpečení a jiných. Osobní disponibilní důchod je zbylý důchod domácností a živnostníků po odečtení závazků vůči státu. Je roven osobnímu důchodu minus daně a některé platby nedaňové povahy. Podle Stutelyho [15] můžeme HDP členit na různé druhy:

Nominální HDP měří celkovou ekonomickou aktivitu v běžných cenách a popisuje celkovou úroveň produkce. Používá se pro hodnocení ekonomického výkonu nebo dalších ukazatelů (například saldo běžného účtu v procentech HDP). Nominální HDP nebo HND (HNP) se používá k měření celkové ekonomické aktivity. Volba mezi těmito dvěma ukazateli záleží do značné míry na národních zvyklostech . Je-li HND/HNP vyšší než HDP, indikuje to čisté investice ze zahraničí.HND znamená, že jsme neodečetli znehodnocení kapitálu (odpisy vyjadřující spotřebu kapitálu) čili hodnotu kapitálových zdrojů spotřebovaných ve výrobním procesu vlivem fyzického opotřebení, náhodných škod, zastarání nebo vyřazení kapitálových aktiv. Čistý národní důchod je HND bez odpisů (znehodnocení kapitálu).

HDP na hlavu představuje produkt na osobu čili HDP vydělený počtem obyvatel a používá se jako ukazatel celkového ekonomického blahobytu. Tento ukazatel je také vhodným ukazatelem životní úrovně. Implicitně uvažuje kvalitativní faktory, jako gramotnost nebo zdraví, i když nejsou zahrnuty přímo. Zvýšení reálného HDP na hlavu ukazuje zlepšení celkového ekonomického blahobytu.

Reálný HDP měří celkovou ekonomickou aktivitu ve stálých cenách a je nejvýhodnější pro sledování změn v čase.

- 21 -


Nominální HDP používá k ohodnocení produkce zboží a služeb v ekonomice běžné ceny říká Mankiw [7]. Reálný HDP naopak používá stále ceny základního období, jimiž násobí příslušná množství zboží a služeb v počítaných obdobích. Protože reálný HDP není ovlivněn změnami cenové hladiny, změny reálného HDP vyjadřují pouze změny vyrobeného množství produkce. Reálný HDP tedy měří produkci zboží a služeb dané ekonomiky. Reálny HDP tedy měří množství zboží a služeb, které se v ekonomice vyrobí a které uspokojí lidské potřeby a přání. Reálný HDP tak lépe vyjadřuje stav ekonomiky než nominální HDP. Pokud mluvíme o růstu

ekonomiky, myslíme tím procentuální změnu reálného HDP mezi jednotlivými obdobími.

Dalším ukazatelem, který můžeme vyjádřit za pomocí nominálního a reálného HDP je deflátor HDP. Porovnáváme současnou cenovou hladinu s cenami základního období, deflátor tak počítá změnu nominálního důchodu, která je spojena se zvýšením cenové hladiny a není spojena se změnou množství vyráběného zboží. Deflátor HDP = nominální HDP / reálný HDP * 100, změna ceny určitého zboží nebo služby ovlivňuje pouze nominální ne reálný HDP a je odpovídajícím způsobem zahrnuta v deflátoru.

HDP můžeme považovat za nejlepší souhrnný ukazatel pro zkoumání ekonomického blahobytu společnosti. Měří-li HDP celkový důchod i celkové výdaje na zboží a služby v ekonomice, pak HDP na obyvatele měří příjmy i výdaje průměrného člověka v ekonomice. HDP na obyvatele se zdá být přirozeným způsobem zhodnocení ekonomického blahobytu průměrného jednotlivce. HDP je tak jedním z nejlepších způsobů jak srovnávat ekonomický blahobyt na mezinárodní úrovni.

3.1.3. Průměrná mzda Průměrná měsíční nominální mzda zahrnuje všechny pracovní příjmy (základní mzdy a platy, příplatky a doplatky ke mzdě nebo platu, prémie a odměny, náhrady mezd a platů, odměny za pracovní pohotovost a jiné složky mzdy nebo platu), které byly v daném období zaměstnancům zúčtovány k výplatě a představuje podíl připadající na jednoho zaměstnance za měsíc. Jedná se o hrubé mzdy, tj. před snížením o pojistné na všeobecné zdravotní pojištění a sociální zabezpečení, zálohové splátky daně z příjmů fyzických osob a další zákonné nebo se zaměstnancem dohodnuté srážky.

- 22 -


Růst (pokles) průměrné nominální mzdy vyjadřuje, o kolik % se zvýšila (poklesla) tato mzda v daném období v porovnání s jiným obdobím (zpravidla se stejným obdobím předchozího roku).

Údaj o růstu (poklesu) průměrné reálné mzdy je stanoven jako růst (pokles) podílu indexu průměrné nominální mzdy a indexu spotřebitelských cen za shodné období. Jedná se o údaj očištěný o vliv inflace (zdroj [17]).

Ve vývoji mezd existuje určitá sezónnost, je růst či pokles mezd obvykle měřen ke stejnému „ročnímu období“ – nejčastěji čtvrtletí - předchozího roku, nikoliv k období předchozímu.

3.1.4. Přírůstek obyvatel Relativní celkový přírůstek obyvatel je výsledkem úrovně přirozené měny a migračního salda. V letech 1990-94 sledujeme dosti atypický vývoj ve srovnání s předcházejícími léty – mírně ubývá obyvatelstvo v exponovaných údolních polohách a úkor periferních (horských) oblastí. Tyto prostorové změny kopírují celorepublikové tendence.

Relativní přirozený přírůstek obyvatel je určován rozdílem úrovně natality a mortality podle zdroje [17].

3.1.5. Evropská unie a územní jednotky NUTS Podle Kıniga, Lacina a Přenosila [4] jsou motivy vedoucí k evropské integraci tyto, zda jsou však v dnešní době ještě stále aktuální, nechávají odborníci na posouzení čtenáři. Evropská soudržnost coby způsob překonání destruktivních sil nacionalismu, ochrana před obecně vnímaným strachem se sovětské rozpínavosti, způsob zkrocení Německa a umožnění jeho zpětného začlenění do mezinárodních politických a ekonomických vztahů, způsob vzdorování politické, ekonomické, vojenské a kulturní převaze USA nad západní Evropou, pokus o aplikaci „amerického modelu“ ekonomického růstu, prosperity a politické stability (nejpatrnější je to v případě ekonomické integrace, která postupně nabírala podobu zóny volného obchodu a celní unie, jednotného vnitřního tru a ve 12 zemích už i hospodářské a měnové unie se společnou měnou euro), způsob hledání vlivu a bezpečnosti relativně malých západoevropských států v nestabilním světě. Další motivy byly rozvinuty během integračního procesu: sociální politika (vyrovnání životních úrovní), ochrana životního prostředí (důraz na - 23 -


udržitelný rozvoj, stanovování minimálních úrovní standardů ochrany životního prostředí bránících ekologickému dumpingu), zahraniční a bezpečnostní politika (poučení se z nejednotného vystupování v různých konfliktech), justice a vnitro (boj proti obchodu s lidmi, drogami, společně čelit hrozbám terorismu).

Vymezení podporovaných regionů

Skutečností je, že každý členský stát má rozdílné územně správní členění, dané především historickým vývojem. Jestliže ale má být podpora poskytována na nadnárodní úrovni, musí být splněno několik základních podmínek: musí existovat srovnatelná struktura regionů podle předem dané metodiky, musí být rozhodnuto, na kterou úroveň bude zaměřena podpora nadnárodní, musí existovat sada srovnatelných ukazatelů, které dokáží identifikovat problémový region napříč všemi členskými státy. V souvislosti s nárůstem počtu problémových regionů v důsledku procesu rozšiřování EU a s ohledem na požadavky efektivního využití přidělených finančních prostředků bylo nutné celý proces identifikace problémového regionu na celounijní úrovni formalizovat. Evropská komise požádala Evropský statistický úřad (Eurostat) o navržení metodiky zvláštního územního členění pro účely realizace RP/SP. Nutnost zavedení statistické územní klasifikace byla dána historickými odlišnostmi ve správním členění jednotlivých

členských zemí, a tím i obtížnou srovnatelností z hlediska velikosti a počtu obyvatel pro potřeby rozhodování o alokaci prostředků. Systém územního členění byl navržen Eurostatem ve spolupráci se statistickými úřady jednotlivých členských zemí pod názvem NUTS (Nomenklatura územních statistických jednotek). Vzhledem ke zmíněním odlišnostem ve správním uspořádání členských zemí nebylo možné vytvořit všechny požadované úrovně NUTS v rámci stávajících správních struktur. Struktura územně-správního členění, která na úrovni členských zemí existovala, byla proto doplněna zavedením, „umělých“ statistických jednotek na té úrovni, která v dané zemi nebyla tvořena přirozenými správními stupni.

Po diskusi byla navržena skladebná struktura, kde nejnižší jednotku NUTS 5 tvoří obce. Nejvyšší úroveň NUTS 1 pak odpovídá celému členskému státu nebo je územní jednotkou velkých oblastí

členského státu.

Skladebný systém NUTS 1-5 NUTS 1: územní jednotka typu velkých oblastí daného státu a je obvykle tvořena několika celky nebo celým státem - 24 -


NUTS 2: nižší jednotka, která obvykle odpovídá úrovni středního článku územně správního

členění státu. Z hlediska populace se její velikost pohybuje mezi jedním až dvěma miliony. NUTS 3: jednotka odpovídající úrovni nižšího územně správního celku. V menších státech Evropské unie má takový region 200000-400000 obyvatel. NUTS 4: první z tzv. místních správních jednotek (Local AdministrativeUnits, LAU1) NUTS 5: jednotka LAU 2, obvykle obce.

Systém NUTS slouží jako územní referenční rámec pro sběr dat, rozvoj a hormonizaci regionální statistiky na úrovni Společenství. Vedle ustanovení velikostně srovnatelných jednotek umožňuje

členění NUTS provádět analýzy na několika úrovních. Bruselská konference o regionálních ekonomikách z roku 1961 potvrdila, že obdoba úrovně NUTS 2 (základní regiony) je v rámci

členských zemí nejvíce používanou úrovní pro aplikaci regionálních politik. Toto zjištění přineslo shodu o ustavení úrovně NUTS 2 jako základní jednotky pro analýzu regionální problematiky na národní úrovni. NUTS 1 naproti tomu slouží jako jednotka pro analýzu problematiky z pohledu Společenství (důsledky zavedení celní unie, příp. vnitřního trhu). Regiony úrovně NUTS 3 jsou z pohledu Společenství příliš malé co do velikosti a komplexní ekonomickou analýzu u nich lze provádět pouze obtížně. Slouží proto pro přesnější zaměření podpory nebo pro provádění zvláštních analýz. ČR má 14 jednotek NUTS 3 (kraje, VÚSC), Slovensko má těchto jednotek 8.

3.2.

Metody analýzy statistických dat

V této kapitole si pokusíme přiblížit některé statistické pojmy a vysvětlíme si používání metody analýzy regresní funkce, jejichž pochopení a znalost bude důležitá pro vypracování vlastní práce. Také si budeme specifikovat jednotlivé metody testování průkaznosti dat.

3.2.1. Regresní a korelační úloha Podle Minaříka [9] se pod pojem regresní úloha rozumí speciální případ úlohy jednostranné

závislosti, kdy je jednoznačně pojmenována závislá a nezávislá proměnná s nezávislou proměnnou, která má charakter experimentátorem ovlivňované, řízené proměnné, někdy dokonce s pravidelně odstupňovanými hodnotami a závislou proměnnou, která má charakter pozorované proměnné, na rozdíl od toho se pod pojmem korelační úloha rozumí speciální případ úlohy oboustranné závislosti, kdy nelze jednoznačně pojmenovat závislou a nezávislou proměnnou, kdy obě proměnné úlohy mají charakter pozorovaných proměnných. - 25 -


Průběh takovéto závislosti je vyčerpávajícím způsobem popsán soustavou dvou sdružených regresních funkcí, v nichž obě proměnné hrají střídavě úlohu závislé a nezávislé proměnné. Je tedy zřejmé, že s korelační úlohou se setkáváme vždy, kdy hodnoty obou proměnných nelze experimentálně ovlivnit a jsou tedy získávány cestou prostého pozorování. Podle Hindlse [2] je hlavním úkolem regresní a korelační analýzy přispět k poznávání příčinných vztahů mezi statistickými znaky. Východiskem k popisu statistických závislostí jsou statistické údaje. Statistický soubor n pozorování sledovaných statistických znaků můžeme získat různými způsoby, mezi které řadíme hlavně

o údaje jsme získali pozorováním n statistických jednotek, přičemž statistický soubor byl prostorově, časově i věcně vymezen,

o údaje jsme získali pozorováním určité statistické jednotky v n časových okamžicích či intervalech,

o pozorování vznikla n-násobným opakováním určitého pokusu, prováděného za stejných nebo přibližně stejných podmínek.

Za úkol regresní a korelační analýzy tak můžeme považovat matematický popis systematických okolností, které provázejí statistické závislosti. Konkrétně se může jednat např. o zobrazení průběhu podmíněných průměrů vysvětlované proměnné v důsledku systematických změn hodnot jedné či většího počtu vysvětlujících proměnných. Ještě častěji je naší snahou nalézt „idealizující“ matematickou funkci tak, aby co nejlépe vyjadřovala charakter závislosti a co nejvěrněji zobrazovala průběh změn podmíněných průměrů závisle proměnné.

3.2.2. Regresní funkce Podle Minaříka [9] hraje především zvláštní úlohu tzv. lineární funkce. Rozlišujeme dvojí linearitu: linearitu z pohledu nezávislé proměnné a linearitu z pohledu parametrů funkce. Zatímco první případ je triviální, neboť existuje jediná funkce lineární z pohledu nezávislé proměnné, funkce y = b0 + b1 x , jejímž grafickým vyjádřením je přímka, existuje nekonečně mnoho funkcí lineárních podle parametrů. Každá funkce, kterou je možno zapsat jako

- 26 -

Analýza vybraných ukazatelů trhu práce a ekonomického rozvoje na úrovni regionů České republiky m

y = ∑ b j f j ( x) ,

(3.1)

j =0

tj. jako součet součinů m + 1 parametrů b j ( j = 0,1, ... , m) a stejného počtu regresorů f j (x) je funkcí lineární podle parametrů. Parametr b0 je absolutní člen, je-li regresor

f j ( x) = 1 .

Zbývajících m regresorů jsou libovolné funkce nezávislé proměnné, které však nesmějí obsahovat

další

neznámý

parametr.

Regresory

mohou

tedy

být

např.

výrazy

1 x, x 2 , , x , log x, e x apod., ale ne již např. výrazy x c , c x , log c x, c x , kde by c byl další x neznámý parametr. Pokud funkce není lineární v parametrech, existuje zde ještě možnost ji linearizovat, např. logaritmickou či reciprokou transformací. Jsou však funkce, pro které žádná linearizace neexistuje.

3.2.3. Metoda minimálních čtverců Pro výpočet parametrů modelu se využívá podle Dufka [1] nejčastěji tzv. metoda minimálních

čtverců. Tato metoda je založena na předpokladu, že součet čtverců odchylek empirických a teoretických hodnot závisle proměnné je minimální.

Metoda minimálních čtverců umožňuje z obecně daného typu modelu vybrat konkrétní funkci, která nejvhodněji (nejtěsněji) prokládá množinu bodů, jejichž souřadnice jsou dámy empirickými hodnotami závisle a nezávisle proměnné každé jednotky.

Aby mohla být uplatněna metoda minimálních čtverců, musí jít o aditivní ty funkce. Pokud tomu tak není, musí být funkce na aditivní typ převedena. Multiplikativní typy se snadno převádějí na typ aditivní logaritmováním. Nejčastějším typem regresní funkce je polynomická funkce, kterou lze obecně vyjádřit rovnicí s

yi′ = ∑ Ar Fri tedy yi′ = A0 + A1 F1i + A2 F2i + Κ + As Fsi ,

(3.3)

r =0

kde Ar … hledané parametry Fri … F0i = 1, F1i, F2i, … Fsi … funkce nezáv. prom. prosté neznámých parametrů. Pro uvedený ty funkce tedy platí

n

s

i =1

r =0

∑ ( yi − ∑ Ar Fri ) 2 = min . Výraz má být minimální, tzn. že

první parciální derivace podle všech parametrů jsou rovny nule.

- 27 -

Analýza vybraných ukazatelů trhu práce a ekonomického rozvoje na úrovni regionů České republiky n s dΣ   = 2∑  yi − ∑ Ar Fri  (− Fri ) = 0 dAr i =1  r =0  n

n

s

∑ yi Fri − ∑∑ Ar Fri Fri = 0 i =1 n

i =1 r = 0 n

∑ y F = ∑ y′F i =1

i

ri

i =1

i

ri

(3.4)

Výraz 3.4 je obecným vyjádřením soustavy s+1 rovnic o s+1 neznámých parametrech. Jde o tzv. soustavu normálních rovnic, jejímž řešením se určí hledané neznámé parametry. Podle Minaříka [9] je metoda minimálních čtverců zcela univerzální metodou nalezení parametrů libovolné regresní funkce lineární v parametrech. V tomto kontextu se také používá pojem lineární regrese. Tuto metodu lze použít pro funkce lineární v parametrech a pro funkce sice nelineární v parametrech, pro které však existuje linearizující transformace. Hodnoty parametrů funkcí, pro které linearizující transformace neexistuje, se určují jinými (složitějšími,

často iterativními) metodami (tzv. nelineární regrese).

Princip metody minimálních čtverců spočívá v proložení regresní funkce korelačním polem, a to tak, že hledáme takový průběh regresní funkce zvoleného typu, která minimalizuje součet

čtverců odchylek pozorovaných a vypočtených hodnot závislé proměnné, tj. n

∑(y i =1

i

− yi′ ) 2 → min .

(3.5)

Tento vztah se nazývá kritérium minimálních čtverců. Regresní funkce vyhovující tomuto kritériu zároveň automaticky splňuje vztah

∑(y

i

− yi′ ) = 0 , z čehož plyne, že pozorované

a vypočtené hodnoty mají stejné aritmetické průměry.

3.2.4. Sdružené regresní přímky Podle Hindlse [2] se mezi ekonomickými veličinami nacházejí i případy oboustranné závislosti, tj. závislosti, kdy v roli vysvětlující proměnné může vystupovat nejen proměnná x , ale i proměnná y . V takovém případě používáme vedle regresní přímky Y = b0 + b1 x i tzv. sdruženou regresní přímku X = a0 + a1 y , kde si obě proměnné vyměnily svoji roli, tj. proměnná

x vystupuje jako vysvětlovaná a proměnná y jako vysvětlující. Parametry sdružené regresní přímky získáme opět metodou nejmenších čtverců, která vede v tomto případě k soustavě normálních rovnic - 28 -


∑x

i

= na0 + a1 ∑ yi

∑yx

i i

= a0 ∑ yi + a1 ∑ yi . 2

(3.6)

3.2.5. Výpočet parametru sdružených regresních přímek ve standardním tvaru Regresní přímky udávají průběh závislosti. Jejich parametry určíme metodou nejmenších

čtverců: o výpočtem ze soustavy rovnic, pro regresní přímku y ′ n

∑y i =1

n

i

− n ⋅ a yx − b yx ⋅ ∑ xi = 0 i =1

n

n

n

i =1

i =1

i =1

∑ xi ⋅ yi − a yx ⋅ ∑ xi − b yx ⋅ ∑ xi2 = 0

(3.7)

výpočtem ze vzorců

b yx =

n

n

n

i =1

i =1

i =1 2

n

n ⋅ ∑ xi ⋅ y i − ∑ x i ⋅ ∑ y i

=

  n ⋅ ∑ xi2 −  ∑ xi  i =1  i =1  n

n

n

a yx = y − b yx ⋅ x =

∑y i =1

∑x i =1

i

⋅ yi − n ⋅ x ⋅ y

n

∑x i =1

2 i

−n⋅x

2

=

s xy s x2

(3.8)

n

i

− b yx ⋅ ∑ xi i =1

(3.9)

n

y ′ = a yx + b yx x x ′ = a xy + b xy y

(3.10)

K rozlišení parametrů obou přímek volíme jejich označení indexy yx, resp. xy, v nichž obě proměnné důsledně uvádíme v pořadí závislá a nezávislá proměnná x ′, y ′

závisle proměnná

a, b

parametry

- 29 -


a xy , b xy

parametry

regresní

parametry

regresní

přímky x ′ a yx , b yx přímky y ′

3.2.6. Charakteristika korelace Podle Dufka [1] je definovaný ekonometrický model v podstatě regresní funkcí a ta jako taková charakterizuje průběh závislosti. Na jejím základě lze z empirických hodnot nezávisle proměnné

či nezávisle proměnných odvozovat teoretickou (předpokládanou) hodnotu závisle proměnné. Prostřednictvím této funkce lze rovněž usuzovat na změny závisle proměnné v závislosti na změnách nezávisle proměnné resp. Nezávisle proměnných.

Míra rozptýlení empirických hodnot závisle proměnné kolem definované funkce se určuje na základě odpovídající charakteristiky korelace, která umožňuje kvantifikovat stupeň (těsnost) závislosti. Obecně platným ukazatelem je při znalosti konkrétní rovnice ekonometrického modelu index korelace (resp. index determinace). Jde-li o lineární vztahy, je použitelný koeficient korelace (resp. koeficient determinace), a to i v případě, že není předem známa rovnice lineárního modelu.

3.2.7. Koeficient korelace a koeficient determinace Podle Hindlse [2] je jedním z úkolů regresní a korelační analýzy posouzení kvality regresní funkce a zjištění intenzity (síly, těsnosti) závislosti. Posuzovaný vztah je tím silnější a regresní funkce tím lepší, čím více jsou empirické hodnoty vysvětlované proměnné soustředěné kolem odhadnuté regresní funkce. A naopak, vztah je tím slabší, čím více jsou empirické hodnoty vzdáleny hodnotám vyrovnaným Y . Je vidět, že nalezení míry intenzity závislosti úzce souvisí s hodnocením účinnosti odhadnuté regresní funkce, a tedy s kvalitou provedeného regresního odhadu.

Nabude-li index determinace hodnoty 1 jedná se o funkční závislost, v případě nezávislosti nabude hodnoty nula. Čím více se bude blížit jedné, tím považujeme danou závislost za silnější, a tedy dobře vystiženou regresní funkci. Čím více se bude blížit nule, tím považujeme závislost za slabší a regresní funkcí za méně výstižnou. Při hodnocení intenzity závislosti na základě - 30 -


indexu determinace je tedy třeba mít na zřeteli, že jeho velikost je zcela ovlivněna tím, zda se nám podařilo nalézt vhodný typ regresní funkce pro popis dané závislosti.

K měření těsnosti závislosti se v praxi obyčejně nepoužívá samotného indexu determinace, ale jeho odmocniny, kterou nazýváme index korelace. Index korelace poskytuje stejné informace o těsnosti závislosti jako index determinace.

Index korelace můžeme používat k měření těsnosti závislosti pro libovolnou regresní funkci, jejíž parametry jsme odhadli metodou nejmenších čtverců. Pro nejdůležitější a nejpoužívanější případ regresní analýzy – přímkovou regresi – lze však vzorec indexu korelace výrazně zjednodušit. Výraz, který po úpravě obdržíme, se nazývá koeficient korelace. Koeficient korelace je tedy zvláštním případem indexu korelace a měří těsnost závislosti popsané lineární regresní funkcí. Oproti indexu korelace může vzhledem k čitateli nabývat i záporných hodnot.

Podle Dufka [1] index determinace udává, jaký podíl empirických hodnot závisle proměnné je důsledkem rozptylu teoretických hodnot závisle proměnné odhadnutých na základě příslušné regresní funkce. Interpretace může být zvažována rovněž v procentickém vyjádření.

Navíc ze vztahů mezi jednotlivými rozptyly vyplývá, že pro výpočet indexu determinace je možno použít i rozptyl reziduální.

Vzhledem k tomu, že nelineární funkce mohou být nejen jenom kladného směru nebo směru záporného, ale mohou v průběhu reálného vztahu měnit svůj směr, nehodnotí se indexem korelace směr, ale pouze těsnost závislosti. Při odmocnině se tedy uvažuje jen s kladným kořenem. Index korelace pak může nabývat hodnot 0 ≤ I yx ≤ 1 .

Index korelace má při určování těsnosti závislosti obecné uplatnění. Předpokladem jeho výpočtu však je předchozí definování regresní funkce. Specifickým příkladem indexu korelace je koeficient korelace, který je určován při lineární závislosti. Má tu výhodu, že může být stanoven i tehdy, když není vypočtena rovnice regresní přímky.

Index korelace lze využít pro posouzení, který ty ekonometrického modelu z formálního matematického hlediska nejvíce vyhovuje charakterizování průběhu zkoumaného vztahu. Platí to, že konkrétní rovnice modelu určená metodou minimálních čtverců je nejvhodnější pro

- 31 -


definovaný typ funkce. Pro jiné typy funkcí to bude vždy zase nejvhodnější konkrétní rovnice toho kterého typu funkce. Mají-li být porovnány mezi sebou modely různých typů, děje se to na základě hodnot příslušných indexů korelace. Rovnice ekonometrického modelu s nejvyšším indexem korelace formálně nejlépe vystihuje zkoumaný vztah ekonomických veličin.

Je třeba zdůraznit, že při rozhodování o typu ekonometrického modelu je vždy nezbytné posoudit zkoumaný vztah z věcně logického hlediska, a to nejen pokud jde o model samotný, ale i z hlediska dalších z něj odvozených charakteristik. Tento věcný přístup má přednost před formálními požadavky a je tedy uplatňován model s vyšší praktickou vypovídací schopností i za cenu nižší těsnosti závislosti.

Vzhledem k tomu, že tvorba ekonometrických modelů vychází obvykle z číselného materiálu získaného výběrovým šetřením, jsou vypočtené modely podrobeny testování jejich statistické průkaznosti, případně jsou konstruovány intervalové odhady. Podle Minaříka [9] se koeficientem korelace měří intenzita závislosti. Hodnoty koeficientu se pohybují na stejném intervalu jako hodnoty indexu determinace. Koeficient však může nabývat i hodnot záporných (rozlišuje pozitivní a negativní závislost). Má vždy stejné znaménko jako oba regresní koeficienty.

Vyjádříme-li index determinace, přičemž za vypočtenou hodnotu závislé proměnné dosadíme regresní přímku, získáme po úpravě

I

2 yx

=

s 2yx s ⋅s 2 x

2 v

= ryx2 = r 2

(3.14)

Koeficient determinace je speciálním případem indexu determinace pro regresní přímku a má tudíž i stejnou interpretaci. Koeficient determinace je roven součinu obou sdružených regresních koeficientů a zároveň beta koeficientu.

Charakteristikou intenzity závislosti pro sdružené regresní přímky je druhá odmocnina koeficientu determinace – korelační koeficient

ryx =

s xy sx ⋅ s y

= ± bxy ⋅ b yx = β ,

(3.15)

který má stejné znaménko jako oba regresní koeficienty. Ze vztahů mezi korelačním koeficientem a oběma regresními koeficienty vyplývá, že

- 32 -


součin regresních koeficientů nikdy nepřesáhne hodnotu jedna, pro pevnou závislost platí byx =

1 . bxy

Pro vyjádření intenzity vztahů mezi složkami ζ 1 , Κ , ζ m m -rozměrného náhodného vektoru ξ se podle Melouna a Militkého [8] používá korelačních koeficientů. Data tvoří náhodný výběr z m rozměrného rozdělení náhodného vektoru ξ . Neuvažuje se obyčejně a priori, která složka ζ j náhodného vektoru ξ je vysvětlovaná (u lineárního regresního modelu označovaná jako výstupní závisle proměnná) a které složky vektoru ζ jsou vysvětlující (u lineárního regresního označované

modelu

jako

vstupní

nezávisle

proměnné).

Náhodný

výběr

{xij , i = 1, Κ , n, j = 1, Κ , m, velikosti n je tvořen (n × m) rozměrným polem dat

 x11 Κ x12 Κ Κ x1m  x Κ x Κ Κ x  22 2m   12 .     . .     xn1 Κ xn 2 Κ Κ xnm 

Platí, že počet řádků n (tj. počet m rozměrných „bodů“ x i ) je výrazně větší, než počet sloupců m (tj. počet „proměnných“ čili složek vektoru x ). Všechny složky vektoru x i jsou náhodné a předem neovlivnitelné experimentátorem. Mezi složkami jsou pouze lineární vazby.

3.2.8. Statistický odhad modelu Při statistickém odhadu je podle Dufka [1] usuzováno z části na celek, tzn. že na základě dosažených výsledků ve výběrovém souboru (např. charakteristik, funkcí apod.) jsou činěny odhady platné pro základní soubor.

Podle Segera, Hindlse a Hronové [13] lze statistický soubor popsat pomocí různých popisných charakteristik. Mezi nejdůležitější charakteristiky patří aritmetický průměr, rozptyl a relativní - 33 -


četnost. K těmto charakteristikám (u nekonečných základních souborů bychom hovořili spíše o parametrech rozdělení zkoumaného znaku) lze nalézt ve výběrovém souboru příslušné protějšky, tj. výběrové charakteristiky nazývané zpravidla statistiky.

Zatímco charakteristiky základního souboru a parametry rozdělení sledovaného znaku jsou pevné hodnoty, statistiky se mění od jednoho náhodného výběru ke druhému. Mají z hlediska pravděpodobnostního charakter náhodných veličin, protože jsou vypočteny z hodnot náhodného výběru, které jsou samy hodnotami náhodných veličin.

3.2.9. Statistická hypotéza a obecný postup při testování Podle Segera, Hidlse a Hronové [16] statistickou hypotézou rozumíme určitý předpoklad o parametrech či tvaru rozdělení zkoumaného znaku. Proces ověřování správnosti nebo nesprávnosti hypotézy pomocí výsledků získaných náhodným výběrem se nazývá testování hypotéz. Podle Minaříka [11] statistickou hypotézou nazveme určitý předpoklad, vyslovený o náhodné veličině (o jejím zákonu rozdělení, o hodnotách parametrů apod.), a to dokonce i nezávisle na jakýchkoli apriorních informacích o ní.

Formulace různých hypotéz, shromažďování informací na jejich podporu či směřujících k jejich vyvrácení a konečně rozhodování o „osudu“ vyslovených hypotéz na základě těchto informací je postup, jímž se ubírá lidské poznání od nepaměti. „Statistickými“ nazýváme takové hypotézy (či předpoklady), které jsou vyslovovány o hromadných jevech stochastické povahy a ověřovány pomocí statistických prostředků. Takovými hypotézami v sociálně ekonomické oblasti jsou např. Předpoklady, formulující očekávané působení různých ekonomických nebo jiných nástrojů na chování lidí (zda změna ceny určitého produktu ovlivní poptávku atd.). Hypotézy nejrůznějšího druhu samozřejmě vyslovují a ověřují výzkumníci v mnoha přírodovědných i společenských oborech a lze říci, že rozhodující část statistických aplikací je orientována právě ve směru ověřování hypotéz.

Ověřování statistické hypotézy je jistým druhem rozhodovací úlohy mezi dvěma rozhodnutími v podmínkách rizika jsou

- 34 -


o statistickou hypotézu zamítnout v případě, že na základě výběrových dat zjistíme, že je s vysokou pravděpodobností nesprávná a

o statistickou hypotézu nezamítnout, jestliže výběrová data nesvědčí proti ní.

Testovací proceduru je třeba výslovně chápat jako pokus o zamítnutí postavené hypotézy.

Testovanou hypotézu (často nazývanou „nulovou“) označujeme symbolem H 0 a ztotožníme ji v první fázi vždy s nějakým výrokem (např. H 0 ≡ “zavedení školného neovlivní postoj studentů ke studiu“)

Proti testované hypotéze můžeme vždy postavit hypotézu alternativní buď jako hypotézu

oboustrannou (např. H 1 ≡ “zavedení školného ovlivní postoj studentů ke studiu“), kdy neříkáme jak, nebo jako hypotézu jednostrannou. Proti nulové hypotéze stojí dvojice jednostranných alternativních hypotéz (např. H 1 ≡ “zavedení školného pozitivně ovlivní …“,

′ H 1 ≡ “zavedení školného negativně ovlivní …“).

Ke každé formulované hypotéze je třeba nalézt náhodnou veličinu ze známým zákonem rozdělení pravděpodobnosti, jejíž realizace po dosazení hodnot z náhodného výběru je vodítkem pro zamítnutí či nezamítnutí hypotézy. Taková veličina se nazývá testové kritérium.

Např. k nulové hypotéze H 0 ≡ µ = c můžeme sestrojit testové kritérium U =

X −c

σ

, které má

n v případě platnosti hypotézy rozdělení N [0,1] .

Realizujeme-li se výběrový aritmetický průměr při náhodném výběru o rozsahu n v hodnotě x a σ je známý parametr, je realizace (vypočtená hodnota) testového kritéria u vyp =

x −c

σ

.

n

Realizací náhodné veličiny s normovaným normálním rozdělením. Leží-li vypočtená hodnota

u vyp „v blízkosti“ střední hodnoty tohoto rozdělení (tj. v okolí hodnoty 0), nastal jev, který lze při správnosti nulové hypotézy předpokládat s velkou pravděpodobností. Leží-li ovšem hodnota u vyp

- 35 -


velmi daleko od střední hodnoty, např. dál, než hodnota kvantilu u1−α / 2 pro α blízké nule, pak nastal jev, jehož pravděpodobnost je velmi malá, a který tedy „správně“ neměl nastat. Tento případ může být

buď „velkou náhodou“, která se může objevit jen zcela výjimečně (s pravděpodobností menší než α ), nebo testovaná hypotéza není ve shodě se skutečností a testové kritérium nemá rozdělení N [0,1] .

V tomto případě přijmeme druhou možnost s rizikem nesprávného rozhodnutí, které má pravděpodobnost α . Číslo α nazveme hladinou významnosti. Prakticky se hodnota α často volí jako 0,05 nebo 0,01.

Hladina významnosti je pravděpodobnost chybného zamítnutí hypotézy, která je ve shodě se skutečností.

Hodnota kvantilu u1−α / 2 rozděluje obor možných hodnot testového kritéria (ten je vzhledem k normalitě − ∞ ≤ U ≤ +∞ ) na dvě části, a to obor zamítnutí neboli kritický obor (−∞, uα / 2 > ∪ < u1−α / 2, + ∞) , čili podprostor W obsahující hodnoty svědčící ve prospěch H 0 podle Segera, Hindlse a Hronové [13], obor nezamítnutí ( (uα / 2, u1−α / 2 ) , čili podprostor V obsahující hodnoty svědčící ve prospěch H 1 podle Segera, Hindlse a Hronové [13].

Prakticky se vyhodnocení testu často provádí tím způsobem, že se absolutní hodnota vypočteného testového kritéria porovnává s hodnotami kvantilů u 0,975 , u 0,995 .

Ve většině počítačových programů pro statistickou analýzu je však počítaná pravděpodobnost, s jakou může dojít k realizaci v dané úloze vypočtené hodnoty testového kritéria za předpokladu platnosti nulové hypotézy. Je-li tato pravděpodobnost menší, než uživatelem zvolená hladina významnosti, nulová hypotéza se na této hladině zamítá.

Podle Segera, Hidlse a Hronové [16] probíhá v jednotlivých etapách.

- 36 -


Formulace hypotéz. Jak již bylo řečeno, formulujeme dvojici hypotéz, nulovou hypotézu H 0 a alternativní hypotézu H 1 . Obě hypotézy se tím či oním způsobem týkají pravděpodobnostního rozdělení studovaného znaku X, nejčastěji parametrů tohoto rozdělení. Běžné pojetí testování hypotéz tak, jak je zde vykládáno, vyžaduje, aby nulová hypotéza H 0 byla jednoduchá, tj. jednoznačně specifikovala rozdělení studovaného znaku. Nejčastěji má podobu rovnice, týkající se některého parametru. Dále se vyžaduje taková formalizace řešené úlohy, aby to, co chceme testem prokázat, bylo vyjádřeno v alternativní hypotéze H 1 (tato skutečnost ostatně plyne z výše uvedeného přístupu, ve kterém si předem stanovíme pravděpodobnost chyby I. Druhu, tj. pravděpodobnosti nesprávného přijetí H 1 při neznalosti rizika chyby II. druhu). Hypotéza H 1 bývá obvykle formulována jako složená, tj. nespecifikuje již rozdělení zkoumaného znaku jednoznačně. Buď může všeobecně popírat platnost nulové hypotézy, tedy H 1 : non H 0 , nebo jde o nějakou nerovnici, týkající se testované charakteristiky nebo parametru.

Volba testového kritéria. Testové kritérium je statistika, tedy funkce výběru. Výpočet její hodnoty je při testování hypotéz cílem zpracování hodnot získaných náhodným výběrem. Ukáže se, že abychom mohli úspěšně provést další etapu testování, tj. sestrojit kritický obor, potřebujeme znát rozdělení testového kritéria při platnosti hypotézy H 0 .

Sestrojení kritického oboru. Princip, o který se opírá rozdělení prostoru možných hodnot testového kritéria S na dva podprostory V a W, jsme již popsali. Kritický obor W bude tak velký, aby bylo zajištěno, že chyby prvního druhu se dopustíme jen ve 100α % případů. Má tedy být splněno α = P(T ∈ W H 0 ) (3.16), tj. pravděpodobnost, že zpracování výběru by mohlo dát výsledek (hodnotu testového kritéria) ležící v kritickém oboru za podmínky platnosti nulové hypotézy, má být rovna předem zvolené hladině významnosti α . Jestliže nyní známe rozdělení T za podmínky H 0 , nebylo by obtížné pro daný obor W vypočítat pravděpodobnost α podle (3.16). Kritickými hodnotami oddělujícími kritický obor budou v každém případě kvantity rozdělení testového kritéria při platnosti H 0 . Konkrétně Jestliže ve prospěch H 1 svědčí nízké hodnoty testového kritéria, bude kritický obor představován intervalem W ≡ (T min ; Tα , Jestliže ve prospěch H 1 svědčí vysoké hodnoty testového kritéria, bude kritický obor vymezen intervalem W ≡ T 1−α ;Tmax ) , Jestliže ve prospěch H 1 svědčí extrémně nízké nebo extrémně vysoké hodnoty testového kritéria, bude kritický obor sjednocením intervalů W ≡ (T min ; Tα / 2 ∪ T 1−α / 2; Tmax ) .

- 37 -


Obor přijetí, který se explicitně nevymezuje, bude ve všech uvedených případech příslušný doplněk. Zvláštní pozornost zasluhuje otázka volby hladiny významnosti. Pře řešením úlohy z testování hypotéz se zamýšlíme nad tím, jak vysoké riziko chyby I. Druhu jsme ochotni nést. O problému vyvažování rizik chyb obou druhů jsme již hovořili. Jako kompromis zajišťující za obvyklých podmínek přijatelné riziko chyby I. Druhu i přijatelnou sílu testu, se vžilo ve všech oblastech aplikace matematické statistiky, a tedy i v ekonomických aplikacích, α = 0,05 . Týká se to zejména úloh ze statistické kontroly jakosti a jiných oblastí, kdy výběr má několik desítek jednotek. Při zvláštních statistických šetřeních, sociologických průzkumech apod. bývá někdy rozsah výběru několik stovek jednotek i více. V takových případech roste prudce síla testu, čili klesá riziko chyby II. druhu a princip vyvážení rizik nás vede k tomu snížit hladinu významnosti např. na α = 0,01 . Volbu hladiny významnosti může v praktických úlohách ovlivnit i představa o následcích chyb obou druhů (z věcného hlediska).

Výpočet hodnoty testového kritéria. Dosavadní etapy testování mohly být provedeny ještě před vlastním pořízením dat. Nyní předpokládejme, že k dispozici je již náhodný výběr a přistoupíme k jeho zpracování. Vzorec pro výpočet hodnoty testového kritéria znám, takže jen zvolíme vhodný algoritmus a výpočetní prostředky a zjistíme jeho hodnotu.

Formulace závěrů testu. Každý test vede ke dvěma možným výsledkům: Hodnota testového kritéria je v kritickém oboru, tedy T ∈ W . Hypotéza H 1 byla tedy testem prokázána. Prohlásíme-li, že platí H 1 , neseme 100α % riziko nesprávnosti tohoto výroku, Hodnota testového kritéria je v oboru přijetí, tedy T ∈ V . Hypotézu H 1 jsme testem neprokázali. Kdybychom prohlásili, že platí H 0 , neseme riziko omylu, že tomu tak ve skutečnosti není, o velikosti β = P(T ∈ V H 1 ) . Testové kritérium je sice v používaných standardních testech zvoleno tak, aby riziko β bylo přijatelně malé. Velikost β však nemůžeme znát, pokud bychom neprostudovali rozdělení testového kritéria při platnosti H 1 . Proto je obvyklé se výroku o platnosti H 0 vyhnout a zůstat při závěru, že testem nebyla H 1 prokázána.

3.2.10.Intervaly spolehlivosti modelu a jeho parametrů Statistický odhad se podle Dufka [1] vztahuje na jednoduchý lineární ekonometrický model a na odhad jeho parametrů, tj. na konfidenční intervaly regresní přímky a regresního koeficientu. Odhady jsou zvažovány jako odhady oboustranné. - 38 -


Podle Hindlse [3] je rozdělení t o (n − p ) stupních volnosti mají rovněž veličiny

Yi − η i . Z toho s (Yi )

plyne, že dvoustranný symetrický interval spolehlivosti pro střední hodnotu ηi proměnné

y odpovídající zvolené kombinaci hodnot vysvětlujících proměnných, je vymezen nerovnostmi Y j − t1−α / 2 s (Y j ) < η j < Y j + t1−α / 2 s (Y j ) .

(3.17)

Pokud potřebujeme interval spolehlivosti pro individuální hodnotu proměnné y , odpovídající zvolené kombinaci hodnot vysvětlujících proměnných, dostaneme jeho horní a dolní mez tak, že v (3.20) nahradíme odhad směrodatné chyby s (Yi ) odhadem směrodatné chyby s ( yi ) .

Intervaly spolehlivosti, které jsme právě uvedli, se nepoužívají pouze v případech, když jsou splněny podmínky klasického modelu. Používají se i v lineárních modelech, v nichž se nepřepokládá, že hodnoty vysvětlujících proměnných jsou známé před provedením výběru.

3.2.10.1. Intervaly spolehlivosti regresní přímky

Podle Dufka [1] se nejedná o charakteristiku, kterou lze znázornit bodem a její konfidenční interval úsečkou resp. Poloúsečkou, ale o funkce znázorněnou přímkou, je její interval spolehlivosti dán plochou, která vymezuje možnosti průběhu přímky základního souboru.

yi′ = a + b xi y′j = α + β x j kde výběrový soubor (i = 1,2,…,n) a základní soubor (j = 1,2,…,N).

Interval spolehlivosti regresní přímky:

P ( yi′ − t

1−

α

⋅ s yi′ ≤ y′j ≤ yi′ + t

1−

2

kde s yi′ = s y 1 +

α

⋅ s yi′ ) = 1 − α ,

(3.18)

2

( xi − x ) 2 . Lze pak psát yi′( H , D ) = a + b xi ± t α ⋅ s yi′ . 1− s x2 2

3.2.10.2. Pás spolehlivosti modelu

Podle Dufka [1] je interval spolehlivosti, který vymezuje plochu, v níž se s danou pravděpodobností nachází regresní funkce základního souboru, je pás spolehlivosti vymezen

- 39 -


hranicemi, které rovněž s danou pravděpodobností 1 − α ohraničují plochu, v níž se vyskytují empirické hodnoty rozptýlené kolem regresní funkce, jež představuje teoretické hodnoty.

  P  yi ( H , D ) = yi, ± t α ⋅ s y . x  = 1 − α , 1− 2   kde s y . x =

∑ (y

i

− yi,

)

2

n − k −1

=

(3.19)

∑ y −∑ y y 2 i

i

n − k −1

, i

.

 Pro regresní přímku P  y i ( H , D ) = a yx + b yx xi ± t α ⋅  1− 2 

∑ y − ∑ y (a 2 i

+ b yx xi )  = 1−α .  n −1−1  i

yx

3.2.11.Testy hypotéz, používané při volbě regresní funkce Podle rozhodování o tom, jakou regresní funkci v tom kterém konkrétním případě použijeme, rozhodují především věcné důvody. Dále lze k tomu účelu použít některé elementární postupy a některé charakteristiky (např. bodový diagram, čára podmíněných průměrů, reziduální součet

čtverců, reziduální rozptyl, determinační index) uvádí Hindls [3].

T-testy o nulových hodnotách jednotlivých regresních parametrů vycházejí z rozdělení náhodných veličin t j , uvedených v (3.19). Platí-li hypotéza H 0 : β j = 0, j = 0,1, Κ , m , mají zřejmě rozdělení t o (n − p ) stupních volnosti náhodné veličiny tj =

bj s (b j )

, j = 1,2, Κ , m .

(3.20)

Tyto veličiny se volí za testová kritéria a pokud se hypotéza H 0 testuje proti dvoustranné alternativě H 1 : β j ≠ 0 (což je obvyklé), je kritický obor vymezen nerovností

t j > t1−α / 2 , j = 0,1,2, Κ m,

(3.21)

kde t1−α / 2 je kvantil rozdělení t o (n − p ) stupních volnosti.

Dalším

používaným

testem

je

tzv.

celkový

F-test.

Je

to

test

hypotézy

H 0 : β 0 = c, β 1 = Κ = β m = 0, kde c ≠ 0 je konstanta. Alternativní hypotézou je hypotéza, že alespoň jeden z parametrů β 1 , β 2 , Κ , β m není roven nule. Hypotézu H 0 lze formulovat též jako hypotézu, že střední hodnoty η i proměnné y , odpovídající kterékoliv z uvažovaných kombinací - 40 -


hodnot vysvětlujících proměnných, jsou stejné. V takovém případě regresní funkce s danými vysvětlujícími proměnnými nemá žádný význam. Při celkovém F-testu se volí testové kritérium

F=

S T /( p − 1) , S R /(n − p )

(3.22)

kde S T je teoretický součet čtverců a S R reziduální součet čtverců pro uvažovanou regresní funkci. Testové kritérium (3.27) má při platnosti hypotézy H 0 rozdělení F o v1 = p − 1 a

v 2 = n − p stupních volnosti. Ve prospěch alternativní hypotézy hovoří extrémně velké hodnoty testového kritéria, takže kritický obor je vymezen nerovností F > F1−α , kde F1−α je kvantil rozdělení F o v1 = p − 1 a v 2 = n − p stupních volnosti.

Vede-li celkový F-test k zamítnutí hypotézy

H0

, říká se někdy, že je významný. Ve stejném

smyslu se pak hovoří o významnosti t-testu o nulové hodnotě některého z regresních parametrů. Je-li celkový F-test nevýznamný, není rozumné zvolenou regresní funkce používat, a to ani v případě, že některé z t-testů jsou významné. Je-li celkový F-test významný a většina nebo dokonce všechny t-testy rovněž, považuje se zvolená regresní funkce za vcelku vyhovující. Je-li pak celkový F-test významný a většina t-testů nevýznamná, je podnětem k zamyšlení, zda zvolená regresní funkce nemá příliš velký počet regresorů, a k přemýšlení o tom, které z regresorů případně vypustit. Přitom nelze mechanicky postupovat tak, že se regresory vyloučí podle toho, které z t-testů byly nevýznamné. V případě jesnoduché lineární regrese ji F-test totožný s t-testem průkaznosti parametru b j .

3.2.12.Testy hypotéz o korelačním koeficientu Podle Segera a Hindlse [14] ani při vysoké hodnotě korelačního koeficientu ještě nemusí znamenat příčinnou závislost mezi proměnnými. Zvláště při výběrech malého rozsahu je třeba získané výsledky posuzovat velmi obezřetně. V případě lineární nezávislosti veličin x a y bude koeficient korelace v základním souboru roven nule. Ověření předpokladu o nulové hodnotě ρ yx zapíšeme ve formě H 0 : ρ yx = 0 . Proti tomuto předpokladu postavíme hypotézu o nenulové hodnotě ρ yx ve formě H 1 : ρ yx ≠ 0 případně o kladné či záporné hodnotě ρ yx ve formě H 1 : ρ yx > 0 nebo H 1 : ρ yx < 0 . - 41 -


Jako testové kritérium použijeme veličinu

T=

ryx n − 2 1 − ryx

2

,

(3.23)

o níž leze dokázat, že při výběru z dvourozměrného normálního rozdělení má rozdělení t o n − 2 stupni volnosti. V případě, že vypočítaná hodnota testového kritéria padne do kritického oboru, zamítáme nulovou hypotézu a považujeme existenci lineární závislosti na zvolené hladině významnosti za prokázanou.

Oboustranný kritický obor je dán nerovnostmi (T > t1−α / 2 (resp. u1−α / 2 ) a (T < t1−α / 2 (resp. uα / 2 ) .

(3.24)

Při jednostranné alternativě H 1 : ρ yx > 0 je kritický obor vymezen nerovností T > t1−α (resp. u1−α ) .

(3.25)

Při jednostranné alternativě H 1 : ρ yx < 0 je kritický obor vymezen nerovností T < tα (resp. uα ) .

(3.26)

3.2.13. Testování průkaznosti regresní funkce Statistická průkaznost regresní funkce obecně vyjádřená rovnicí H0 ≡ „Regresní funkce je statisticky neprůkazná.“ Testovým kritériem je F( k , n − k −1) =

MS R (3.27) MS e

Tabulka č. 2.: Tabulka analýzy variance Zdroj variability

Součet čtverců S

Stupně volnosti v

Regrese

S R = ∑ ( yi′ − y )

ν =k

Reziduum

Celkem

2

S e = ∑ ( yi − yi′ )

ν = n − k −1

S T = ∑ ( yi − y )

ν = n −1

2

2

- 42 -

Průměrný čtverec MS MS R = MS e =

SR

νR Se

νe


S e = ST − S R S R = ∑ ( yi′ − y ) = ∑ yi yi′ − 2

1 n

(∑ y )

2

i

Vyhodnocení: Fvyp > Ftab … H0 se zamítá ( EM je stat. průk.) Fvyp < Ftab … H0 se nezamítá.

Toto testování průkaznosti regresní funkce je cíleno na prokázání platnosti celého ekonometrického modelu pro Evropsko unii, správnost proložení dat přímkou a následně i správnost očekávaného vývoje vztahu dvou vybraných hospodářských ukazatelů.

4. Statistické zpracování dat V následujícím kapitole se budeme zabývat posuzováním kauzálních vztahů mezi vybranými ekonomickými, demografickými a sociálními ukazateli v jednotlivých krajích jak České republiky, tak i Slovenska a rovněž v jednotlivých státech Evropské unie. Pokusíme se ověřit obecně předpokládané ekonomické teorie uvedené výše, za pomocí statistické analýzy je vyvrátíme či potvrdíme v podmínkách České republiky, Slovenska a Evropské unie. Rovněž se pokusíme průkaznost těchto výsledků otestovat statistickými testy průkaznosti. Rovněž podle statistické analýzy posoudíme, jaký vliv mají region Praha na soubor dat České republiky a region Bratislavský na soubor dat Slovenska.

Jelikož by v případě procentuelního vyjádření nezaměstnanosti by mohlo doházet k nepřesnému vykreslení skutečností a interpretaci, bylo rozhodnuto, že se pro výpočty a sestavení grafů bude použito absolutních hodnot namísto poměrových ukazatelů. Pouze v případě celé EU 25 bylo použito poměrového ukazatele, pro lepší srovnatelnost z důvodu nestejné velikosti jednotlivých států EU 25.

Ještě před popsáním jednotlivých kauzálních vztahů mezi vybranými ukazateli si zde uvedeme tabulku v vybranými kvantity Studentova rozdělení, ze které budeme vycházet při testování nulové hypotézy o korelačním koeficientu. Zkratky jednotlivých regionů České a Slovenské republiky, které jsou používány v následujících grafech, jsou uvedeny v příloze č. 1.

- 43 -


Tabulka č. 3.: Vybrané kvantily Studentova rozdělení tp(ν) pro vyhodnocení T-testu Stupně volnosti při p = 0,975

Hodnota tp(ν), Ttab

Užití

5

2,447

SR bez Bratislavy

6

2,571

SR s Bratislavou

11

2,201

ČR bez Prahy

12

2,179

ČR s Prahou

22

2,074

EU

23

2,069

EU

Pozn.: Zdroj [14]

Tabulka č. 4.: Statistiky potřebné k sestrojení pásu a intervalu spolehlivosti regresní funkce pro EU 25 Průměr x Vztah Kvantil Sigma Var x Průměrná mzda a nezaměstnanost 2,074 3,275 34,261 9,59 Průměrná mzda a přírůstek obyv. 2,074 6,877 34,261 9,59 HDP a přírůstek obyvatelstva 2,069 7,047 127,3 16,468 HDP a nezaměstnanost 2,069 3,278 127,3 16,468 Pozn.: V případě průměrů se jedná o průměry prosté, u průměrné hodinové mzdy jsou uvedeny v EUR a HDP na obyvatele je uvedeno v tis. EUR.

4.1.

Vztah průměrné mzdy a počtu nezaměstnaných

Prvním vztahem, kterým se budeme v naší analýze zabývat, bude vztah průměrné mzdy a počtu nezaměstnaných v jednotlivých krajích České republiky a Slovenské republiky, kdy je průměrná mzda považována za nezávisle proměnnou a počet nezaměstnaných za proměnnou závislou. Pokusíme se v podmínkách ČR, SR i Evropské unie potvrdit ekonomickou teorii předpokládající vyšší nezaměstnanost v regionech s nižší průměrnou mzdou. Následně zhodnotíme dosažené výsledky a srovnáme s vývojem s celém Evropském společenství na úrovni jednotlivých států.

Tabulka č. 5.: Výsledky regresní analýzy pro průměrnou mzdu a počet nezaměstnaných pro ČR Druh ukazatele ayx byx Korelační koeficient Koeficient determinace T – test o korelačním koeficientu Významnost F Pozorování

S Prahou 15,471 0,903 0,076 0,006 0,263 0,797 14

- 44 -

S vyloučením Prahy -185,876 13,460 0,414 0,172 1,509 0,159 13


Tabulka č. 6.: Výsledky regresní analýzy pro průměrnou mzdu a počet nezaměstnaných pro SR Druh ukazatele ayx byx Korelační koeficient Koeficient determinace T – test o korelačním koeficientu Významnost F Pozorování

S Bratislavou 139,289 -6,095 -0,570 0,325 -1,698 0,140 8

S vyloučením Bratislavy 115,622 -4,209 -0,166 0,028 -0,377 0,722 7

Z vypočtených ukazatelů v tabulce pro Českou republiku je možné usuzovat, že při zvýšení průměrné mzdy o 1 000 Kč by mělo následovat rovněž zvýšení počtu nezaměstnaných o 903 osob s Prahou. Pokud Prahu ze sledovaného souboru vyloučíme, dosáhneme jiného výsledku. Při zvýšení průměrné mzdy o 1 000 Kč by mělo dojít k nárůstu počtu nezaměstnaných o 13,460 tis. osob. S obou těchto koeficientů je patrné, že se jedná o funkci rostoucí. Zcela naopak je tomu však u výsledků pro Slovensko, kdy při zvýšení mzdy o 1 000 SK by mělo následovat snížení počtu nezaměstnaných o 6,095 tis. v případě s Bratislavou. Při jejím vyloučení se nám toto číslo počtu nezaměstnaných sníží na 4,209 tis. osob. V případě Slovenska se tedy jedná o funkci

klesající.

Koeficient determinace pro Českou republiku nás v případě s Prahou informuje o tom, že 0,6 % rozptylu počtu nezaměstnaných lze vysvětlit závislostí počtu nezaměstnaných na průměrné mzdě. Toto číslo se v případě bez Prahy zvyšuje na 17,2 %. V případě Slovenska nás koeficient determinace informuje o tom, že 32,5 % rozptylu počtu nezaměstnaných lze vysvětlit závislostí počtu nezaměstnaných na průměrné mzdě při zahrnutí Bratislavy. Tento koeficient však klesá v případě bez Bratislavy na hodnotu 2,8 %.

Koeficient korelace nám pro Českou republiku v případě s Prahou naznačuje závislost 0,076, ale v případě bez Prahy je to již závislost 0,414. Koeficient korelace v případě Slovenska naznačuje závislost -0,57 s Bratislavou a -0,166 bez Bratislavy. V případě obou zemí se však jedná o nízkou míru závislosti.

Při posuzování průkaznosti dosažených výsledků se soustředíme na výsledky z obecné významnosti. Pro průkaznost výsledků bylo by zapotřebí, aby toto číslo dosahovalo hodnoty menší 5 %. V případě České republiky se jedná o velice neprůkazný test, a to 0,797 s Prahou. V případě bez Prahy je průkaznost již o hodně větší, a to 0,159, ale i tak je test neprůkazný. Rovněž i v případě Slovenska se jedná o neprůkazný test, kdy s Bratislavou významnost dosahuje hodnoty 0,14 a bez Bratislavy 0,722. Proto ani v jednom případě u obou zkoumaných - 45 -


států nelze zamítnou nulovou hypotézu, že se mezi oběma ukazateli vyskytuje závislost. U obou zemích však tento výsledek můžeme přisoudit malému rozsahu souboru, tedy nízkému počtu krajů. Se stejným výsledkem nám o průkaznosti korelačního koeficientu vypověděl T-test, který v případě České republiky s Prahou i bez Prahy prokázal nemožnost vyloučení nulové hypotézy. Při posuzování výsledků T-testu jsem pro porovnání byla použita tabulka č. 4. Při porovnání jsem došla k závěru, že ani v jednom případě pro ČR s Prahou 0,263 ( Ttab = 2,179)

i

s vyloučením Prahy 0,159 ( Ttab = 2,201) nebyla vypočtená hodnota T-testu větší než hodnota uvedená ve statistických tabulkách. Stejného závěru bylo dosaženo u Slovenska, kdy hodnoty Ttestu s Bratislavou -1,698 ( Ttab = 2,447) i bez Bratislavy -0,377 ( Ttab = 2,571) byly nižší než hodnoty uvedené ve statistických tabulkách.

Počet nezaměstnaných (v tis.)

Obrázek č. 1: Vztah průměrné mzdy a počet nezaměstnaných pro ČR (s Prahou) 102 92 82 72 62 52 42 32 22 12 2

MS

US JM OL VY ZL KH JČ KV PA 15

SČ P LB

16

PZ

17

18

19

20

21

22

23

Průměrná mzda (v tis. Kč)


Obrázek č. 2: Vztah průměrné mzdy a počet nezaměstnaných pro ČR (bez Prahy)

102 MS 77 US 52

JM OL

27 KV 2 15

PA

SČ

ZL JČ KH VY 15,5

PZ

LB 16

16,5 Prům ěrná m zda (v tis. Kč)

- 46 -

17

17,5

18


Z obou grafů pro Českou republiku můžeme vidět, že mezi oběma ukazateli existuje kladná závislost. Dále pak máme možnost pozorovat, že Prahu je možno v tomto případě definovat jako extrémní bod pozorovaného souboru, a to především v souvislosti s průměrnou mzdou, která se v Praze pohybuje vysoko nad průměrem. Proto nám přítomnost Prahy ve zkoumaném vzorku zkresluje závislost mezi ukazateli.

Počet nezaměstnaných v tis. osob

Obrázek č. 3: Vztah průměrné mzdy a počet nezaměstnaných pro SR (s Bratislavou) 100

KOŠ NIT BAN PRE

80 60

ŽIL

40

TRN TRE

20

BRA

0 9

11

13

15

17

19

Prům ěrná m zda v tis. SK


Obrázek č. 4: Vztah průměrné mzdy a počet nezaměstnaných pro SR (bez Bratislavou) 100 NIT

80

KOŠ

BAN PRE

60

ŽIL

40

TRN TRE

20 0 10

11

12

13

14

15

Průměrná mzda v tis. SK

Z obou předcházejících grafů týkajících se Slovenska je možné identifikovat nízkou zápornou závislost mezi sledovanými ukazateli. Bratislavu stejně jako Prahu můžeme definovat jako extrémní bod sledovaného souboru, a to rovněž jako Praha v případě průměrné mzdy, kde se pohybuje vysoce nad průměrem všech ostatních regionů. Přítomnost Bratislavy tak částečně zkresluje závislost mezi ukazateli.

- 47 -


Obrázek č. 5: Vztah průměrné hodinové mzdy a nezaměstnanosti pro EU 25 20,00

Nezaměstnanost v %

18,00 16,00

Polsko Slovensko

14,00 12,00

Litva

10,00

Estonsko ČR 8,00 Lotyšsko 6,00 4,00

Maďarsko

Španělsko Řecko Itálie Portugalsko Slovinsko Kypr

Francie

Německo Finsko Belgie Švédsko Lucembursko Nizozemí Irsko UK Rakousko

Dánsko

2,00 0,00 0,00

5,00

10,00

15,00

20,00

25,00

Průměrná hodinová mzda v EUR

Pozn.: Malta byla z pozorování vypuštěna, jelikož její údaje o mzdě nebyly k dispozici. Tabulka č. 7.: Výsledky regresní analýzy pro průměrnou hodinovou mzdu a nezaměstnanost pro EU 25 Druh ukazatele ayx byx Korelační koeficient Koeficient determinace T - test Významnost F Pozorování

EU 25 11,631 -0,346 -0,543 0,295 -3,031 0,006 24

Při zvýšení průměrné hodinové mzdy 1 EUR dochází ke snížení nezaměstnanosti o 0,346 procentního bodu. Koeficient determinace udává, že 29,5 % rozptylu nezaměstnanosti lze vysvětlit závislostí na průměrné hodinové mzdě. Koeficient korelace udává závislost mezi ukazateli -0,543, což je závislost klesající a ne obzvláště silná. Významnost F 0,006 (nižší než 5 %) a T-test -3,031 ( Ttab = 2,074) prokazují průkaznost výsledku ze sledovaných dat.

Tabulka č. 8.: Tabulka analýzy variance pro průměrnou hodinovou mzdu a nezaměstnanost v EU 25 Vypočtené Zdroj variability

Součet čtverců S

Průměrný čtverec MS

Stupně volnosti v

Regrese SR

98,5742823

2

49,2871

Reziduum Se

236,011968

21

11,2387

334,58625

23

Celkem ST

- 48 -

F=

MS R MS e 4,385


F( k , n − k −1) = F( 2, 21) = F( 2, 20) = 4,461 při pravděpodobnosti p = 0,975 Fvyp je menší než Ftab , čímž nemůžeme potvrdit průkaznost regresní funkce ani celého ekonometrického modelu.

Obrázek č. 6: Pás spolehlivosti pro regresní přímku u vztahu ukazatelů průměrná hodinová mzda a nezaměstnanost (EU 25) 150,00

Nezaměstnanost v %

100,00

50,00

0,00

-50,00

-100,00

-150,00 0,00

5,00

10,00

15,00

20,00

25,00


Obrázek č. 7: Interval spolehlivosti pro regresní přímku u vztahu ukazatelů průměrná hodinová mzda a nezaměstnanost (EU 25) 25,00 20,00

Nezaměstnanost v %

15,00 10,00 5,00 0,00 -5,00 -10,00 -15,00 0,00

5,00

10,00

15,00


- 49 -

20,00

25,00


Ekonomická teorie předpokládá, že v regionech s vyšší nezaměstnaností dochází k převisu nabídky práce nad poptávkou po práci. Tento jev by se měl projevit nižší úrovní mezd v těchto regionech. Z předcházejících výpočtů můžeme usoudit, že se tento jev v současné době v České republice neprojevuje, naopak na Slovensku je tento jev už patrný. Stejně tak i tuto teorii potvrzuje stav v EU 25, kde skutečně státy s nižší průměrnou mzdou čelí vyšší nezaměstnanosti.

4.2.

Vztah průměrné mzdy a celkového přírůstku obyvatelstva

Druhý vztah, kterým se budeme v naší analýze zabývat, bude vztah průměrné mzdy a celkového přírůstku obyvatelstva v jednotlivých krajích České republiky a Slovenské republiky, kdy budeme průměrnou mzdu považovat za nezávisle proměnnou a přírůstek obyvatelstva za proměnnou závislou. Naším cílem bude v podmínkách ČR, SR i Evropské unie potvrdit ekonomickou teorii předpokládající negativní přírůstek obyvatel v regionech s nižší průměrnou mzdou. Následně opět zhodnotíme dosažené výsledky a srovnáme s vývojem s celém Evropském společenství na úrovni jednotlivých států.

Tabulka č. 9.: Výsledky regresní analýzy pro průměrnou mzdu a celkový přírůstek obyvatelstva na tis. obyvatel pro ČR Druhy ukazatelů ayx byx Korelační koeficient Koeficient determinace T - test Významnost Pozorování

S Prahou -13,402 0,836 0,590 0,348 2,532 0,026 14

S vyloučením Prahy -32,416 2,022 0,578 0,334 2,351 0,038 13

Tabulka č. 10.: Výsledky regresní analýzy pro průměrnou mzdu a celkový přírůstek obyvatelstva na tis. obyvatel pro SR Druhy ukazatelů ayx byx Korelační koeficient Koeficient determinace T - test Významnost Pozorování

S Bratislavou -0,837 0,070 0,091 0,008 0,225 0,830 8

S vyloučením Bratislavy -7,535 0,604 0,275 0,076 0,640 0,550 7

Z vypočtených ukazatelů v tabulce č. 9 se dá usuzovat, že v případě ČR při zvýšení průměrné mzdy o 1 000 Kč, by mělo následovat rovněž zvýšení celkového přírůstku obyvatelstva na tis. - 50 -


obyvatel o 0,836 s Prahou a zvýšení o 2,022 bez Prahy. Prahu bychom v tomto případě mohli považovat za vlivný bod, avšak její vliv není extrémně velký. Oba koeficienty poukazují nato, že se jedná o funkci rostoucí. Z tabulky č. 7 pro příklad Slovenka následuje při zvýšení průměrné mzdy o 1 000 SK, zvýšení celkového přírůstku na tis. obyvatel o 0,07 s Bratislavou a o 0,604 bez zahrnutí Bratislavy. Jedná se opět o funkci rostoucí.

Koeficient determinace ČR nás v případě s Prahou informuje o tom, že 34,8 % rozptylu celkového přírůstku obyvatel lze vysvětlit závislostí celkového přírůstku obyvatel na průměrné mzdě. Toto číslo se v případě bez Prahy snižuje na 33,4

%. Koeficient determinace pro

Slovensko vysvětluje závislost celkového přírůstku obyvatel na průměrné mzdě pouze 0,8 rozptylu celkového přírůstku obyvatel s Bratislavou, bez Bratislavy 7,6 %.

Také v případě korelačního koeficientu dosahujeme téměř totožného výsledku, a to v případě s Prahou 0,608 a případě bez Prahy 0,58. Jedná se tedy o závislost kladnou.

Při posuzování průkaznosti dosažených výsledků u obecné významnosti bylo dosaženo těchto výsledků pro ČR: v případě s Prahou se jedná o průkazný test, a to 0,026 stejně jako v případě bez Prahy, kdy je průkaznost o něco menší, a to 0,038. Z výsledků tedy vyplývá, že můžeme zamítnout nulovou hypotézu, což znamená, že zamítáme nulovou nezávislost obou sledovaných ukazatelů. Rovněž T-test prokázal u případu s Prahou i bez Prahy možnost vyloučení nulové hypotézy. Při posuzování výsledků T-testu byla vypočtená t-statistika s Prahou 2,532 ( Ttab = 2,179) i pro případ bez Prahy 2,351 ( Ttab = 2,201) vyšší než hodnota uvedená ve statistických tabulkách, což vypovídá o průkaznosti testu o korelačním koeficientu a zamítnutí nulové hypotézy. V případě Slovenska se jedná o neprůkazná test, kdy významnost je 0,83 s Bratislavou a 0,55 bez Bratislavy a ani T-test průkaznost nepotvrdil. Vypočtené hodnoty T-testu 0,225 ( Ttab = 2,447) s Bratislavou a 0,64 ( Ttab = 2,571) bez Bratislavy nejsou vyšší než hodnoty uvedené v tabulkách.

- 51 -


Celkový přírůstek obyvatelstva na tis. obyvatel

Obrázek č. 8: Vztah průměrné mzdy a celkového přírůstku obyvatelstva pro ČR (s Prahou) 8,0

SČ

6,0 P

4,0 2,0

KV

0,0 KH VY

US JM PA JČ LB ZL

-2,0

PZ MS

OL

-4,0 14

15

16

17

18

19

20

21

22

23



Obrázek č. 9: Vztah průměrné mzdy a celkového přírůstku obyvatelstva pro ČR (bez Prahy) 8,0

SČ

6,0 4,0 2,0 KV PA 0,0 VY -2,0

US JM LB

JČ

KH OL

PZ

ZL

MS

-4,0 15

15,5

16

16,5

17

17,5

18


Grafy pro ČR potvrzují výpočty uvedené v tabulce, tzn. existenci pozitivní závislosti mezi těmito dvěma ukazateli. Prahy zde nepředstavuje vlivný bod grafu, je možné ji považovat za extrémní bod, a to hlavně v případě průměrné mzdy.

- 52 -


Celkový přírůstek na tis. obyvatel

Obrázek č. 10: Vztah průměrné mzdy a celkového přírůstku obyvatelstva pro SR (s Bratislavou) 3,00 PRE

2,00

TRN

1,00

KOŠ

ŽIL BRA

0,00 -1,00

BAN

NIT

-2,00

TRE

-3,00 9

11

13

15

17

19


Obrázek č. 11: Vztah průměrné mzdy a celkového přírůstku obyvatelstva pro SR (bez


Bratislavy) 3,00 2,00

TRN

KOŠ

PRE

1,00

ŽIL

0,00 -1,00

NIT

BAN

-2,00

TRE

-3,00 9

10

11

12

13

14

15

16


Grafy pro SR rovněž potvrzují vypočtené skutečnosti v tabulkách. Jedná se o závislost pozitivní mezi těmito dvěma sledovanými ukazateli. Bratislavu můžeme považovat za vlivný bod, jelikož její zahrnutí zkresluje dosažené výsledky.

- 53 -


Obrázek č. 12: Vztah průměrné hodinové mzdy a celkového přírůstku obyvatelstva na 1000


obyvatel pro EU 25 30,0 Kypr

25,0

Irsko 20,0 Španělsko

15,0

Itálie

10,0 5,0

Portugalsko

Slovensko ČR

0,0

Polsko Slovinsko

Rakousko

Lucembursko

Francie

Belgie Švédsko Finsko Nizozemí

Řecko

UK

Dánsko

Německo

Maďarsko -5,0 Lotyšsko Estonsko Litva -10,0 0,00 5,00

10,00

15,00

20,00

25,00


Pozn.: Malta byla z pozorování vypuštěna, jelikož její údaje o mzdě nebyly k dispozici.

Tabulka č. 11.: Výsledky regresní analýzy pro průměrnou hodinovou mzdu a celkový přírůstek obyvatelstva na tis. obyvatel pro EU 25 Druh ukazatele ayx byx Korelační koeficient Koeficient determinace T - test Významnost F Pozorování

EU 25 -0,554 0,535 0,429 0,184 2,229 0,036 25

Při zvýšení průměrné hodinové mzdy o 1 EUR dojde ke zvýšení přírůstku obyvatelstva na tis. obyvatel o 0,535. Koeficient determinace udává, že 18,4 % rozptylu celkového přírůstku na tis. obyvatel lze vysvětlit závislostí na průměrné hodinové mzdě. Koeficient korelace udává závislost mezi ukazateli 0,429, což je závislost klesající a její intenzita není příliš velká. Významnost F 0,036 (nižší než 5 %) a T-test 2,229 ( Ttab = 2,069) prokazují průkaznost výsledků ze sledovaných dat.

- 54 -


Tabulka č. 12.: Tabulka analýzy variance pro průměrnou hodinovou mzdu a celkový přírůstek obyvatelstva na tis. obyvatel v EU 25 Vypočtené Zdroj variability

Součet čtverců S


Stupně volnosti v

Regrese SR

235,0439827

2

117,522

Reziduum Se

1040,305601

21

47,2866

Celkem ST

1275,349583

23

F=

MS R MS e 2,485312

F( k , n − k −1) = F( 2, 21) = F( 2, 20 ) = 4,461 při pravděpodobnosti p = 0,975 Fvyp je menší než Ftab , čímž nemůžeme potvrdit průkaznost regresní funkce ani celého ekonometrického modelu.

Obrázek č. 13: Pás spolehlivosti pro regresní přímku u vztahu ukazatelů průměrná hodinová


mzda a celkový přírůstek obyvatelstva na tis. obyvatel (EU 25) 30,0 25,0 20,0 15,0 10,0 5,0 0,0 -5,0 -10,0 -15,0 -20,0 0,00

5,00

10,00

15,00


- 55 -

20,00

25,00


Obrázek č. 14: : Interval spolehlivosti pro regresní přímku u vztahu ukazatelů průměrná


hodinová mzda a celkový přírůstek obyvatelstva na tis. obyvatel (EU 25) 50,0 40,0 30,0 20,0 10,0 0,0 -10,0 -20,0 -30,0 0,00

5,00

10,00

15,00

20,00

25,00


Při analýze se vychází z předpokladu, že bude docházet k negativnímu přírůstku obyvatel v regionu s nižší průměrnou mzdou a pozitivnímu přírůstku v regionech s vyšší průměrnou mzdou. V jednotlivých regionech České i Slovenské republiky byl tento jev potvrzen stejně tak i v podmínkách celé Evropské Unie. Z výsledků tak můžeme usoudit, že obyvatelstvo migruje do regionů s vyšší průměrnou mzdou a odchází z regionů v průměrnou mzdou nižší. Tento fakt se potvrzuje i v případě EU 25, kde bychom mohli očekávat stále ještě příliš vysoké náklady spojeným s případným stěhováním a určité existující bariéry mezi jednotlivými státy EU 25 jako jsou jazykové, kulturní a jiné (spojené např. se získáním pracovního povolení, které je ještě stále v některých zemích třeba). Z výsledků je však patrné, že k migraci obyvatelstva dochází již i v rámci EU 25, kde stále existují již zmíněné bariéry.

4.3.

Vztah regionálního HDP a celkový přírůstek obyvatelstva

Další vztah, kterým se budeme v naší analýze zabývat, bude vztah regionálního HDP vystupujícího jako nezávislá proměnná a celkového přírůstku obyvatelstva vyjadřujícího proměnnou závislou. Naším cílem bude v podmínkách ČR, SR i Evropské unie potvrdit ekonomickou teorii předpokládající vyšší přírůstek obyvatelstva v regionech s vyšší úrovní HDP. Následně opět zhodnotíme dosažené výsledky a srovnáme s vývojem s celém Evropském společenství na úrovni jednotlivých států.

- 56 -


Tabulka č. 13.: Druhy ukazatelů pro regionální HDP a celkový přírůstek obyvatelstva na tis. obyvatel pro ČR Druhy ukazatelů ayx byx Korelační koeficient Koeficient determinace T - test Významnost Pozorování

S Prahou -3,399 0,015 0,495 0,245 1,975 0,072 14

Bez Prahy -18,789 0,081 0,487 0,237 1,851 0,091 13

Tabulka č. 14.: Druhy ukazatelů pro regionální HDP a celkový přírůstek obyvatelstva na tis. obyvatel pro SR Druhy ukazatelů ayx byx Korelační koeficient Koeficient determinace T - test Významnost Pozorování

S Bratislavou 0,259 -0,001 0,043 0,002 -0,104 0,920 14

Bez Bratislavy 2,139 -0,011 0,161 0,026 -0,364 0,731 13

Z vypočtených ukazatelů pro v tabulce pro ČR se dá usuzovat, že při zvýšení regionálního HDP o 1 000 Kč, by mělo následovat rovněž zvýšení celkového přírůstku obyvatelstva na tis. obyvatel o 0,015 s Prahou a o 0,081 bez Prahy. V tomto případě nemůžeme Prahu považovat vlivný bod, jelikož nemění monotónnost funkce. V obou případech se jedná o funkci rostoucí. V případě údajů za Slovensko bylo dosaženo zcela jiných výsledků. Při zvýšení regionálního HDP o 1 000 SK, bude následovat snížení celkového přírůstku obyvatelstva na tis. obyvatel o 0,001 s Bratislavou a o 0,011 bez Bratislavy. Jedná se tedy o funkci klesající.

Koeficient determinace nás v případě s Prahou informuje o tom, že 24,5 % rozptylu celkového přírůstku obyvatelstva na tis. obyvatel lze vysvětlit závislostí celkového přírůstku obyvatelstva na tis. obyvatel na regionálním HDP. Toto číslo se v případě bez Prahy snižuje na 23,7 %. V případě Slovenska nás koeficient determinace informuje, že lze vysvětlit pouze 0,2 % rozptylu s Bratislavou a 2,6 % rozptylu bez Bratislavy závislost celkového přírůstku obyvatelstva na tis. obyvatel na regionálním HDP.

- 57 -


Korelační koeficient dosahuje hodnot v případě s Prahou 0,495 a případě bez Prahy 0,487. Korelační koeficient nám tímto říká, že vliv Prahy v souboru dat je zanedbatelný. Korelační koeficient pro Slovensko dosahuje velmi nízkých hodnot v obou případech, 0,043 s Bratislavou a 0,161 bez Bratislavy, což vypovídá o velmi nízké závislosti až nezávislosti obou zkoumaných veličin.

Při posuzování průkaznosti dosažených výsledků u obecné významnosti bylo dosaženo těchto výsledků: v případě s Prahou (hodnota 0,072) i v případě bez Prahy (hodnota 0,091) se jedná o neprůkazný test, avšak stále obě vypočtené hodnoty jsou menší než 10 %, proto je nemůžeme považovat zcela neprůkazné. Avšak přesto nelze v obou případech zamítnou nulovou hypotézu, že se mezi oběma ukazateli vyskytuje závislost. Rovněž T-test prokázal u případu s Prahou i bez Prahy nevyloučení nulové hypotézy. Při posuzování výsledků T-testu byla použita pro případ s Prahou vypočtená hodnota 1,975 ( Ttab = 2,179) a pro případ bez Prahy 1,851 ( Ttab = 2,201). Při porovnání jsem došla k závěru, že v obou případech byla vypočtená hodnota T-testu menší než hodnota uvedená ve statistických tabulkách. Z výsledků pro Slovensko je patrná neprůkaznost testu. Obě hodnoty významnosti nabývají velmi vysokých hodnot 0,92 s Bratislavou a 0,731 bez Bratislavy. T-test tuto neprůkaznost jen potvrdil, obě vypočtené hodnoty T-testu jsou menší než tabulkové hodnoty, s Bratislavou -0,104 ( Ttab =2,447) a bez Bratislavy ( Ttab =2,571).

Obrázek č. 15: Vztah mezi regionálním HDP a celkovým přírůstkem obyvatelstva pro ČR (s


Prahou)

SČ

7,0 5,0

P 3,0 US 1,0 -1,0 -3,0 150

JM PA JČ LB VY KH PZ OL ZL MS KV

200

250

300

350

400

450

500

550

600

Regionální HDP v tis. Kč/obyvatele

Obrázek č. 16: Vztah mezi regionálním HDP a celkovým přírůstkem obyvatelstva pro ČR (bez Prahy)

- 58 -



SČ

7,0 5,0 3,0 US PA

KV

1,0

LB

-1,0 OL -3,0 210

VY

ZL MS 215

220

225

230

JM

JČ PZ

KH

235

240

245

250

255

260

Regionální HDP v tis. Kč/obyvatele

Z grafů pro ČR je patrné, že Praha působí jako vlivný bod, a to tak, že ovlivňuje dokonce směr závislosti. Jako další vlivný bod by se opět mohl považovat Středočeský kraj se svým vysokým přírůstkem obyvatelstva.

Obrázek č. 17: Vztah mezi regionálním HDP a celkovým přírůstkem obyvatelstva pro SR (s


Bratislavou) 3,000 2,000

KOŠ

PRE

1,000

TRN

ŽIL BRA

0,000 -1,000

BAN NIT TRE

-2,000 -3,000 100

150

200

250

300

350

400

Regionální HDP v tis. SK/obyvatele

- 59 -

450

500

550


Obrázek č. 18: Vztah mezi regionálním HDP a celkovým přírůstkem obyvatelstva pro SR (bez


Bratislavy) 3,000 2,000 1,000

ŽIL

0,000 -1,000

NIT

-2,000 -3,000 100

TRN

KOŠ

PRE

120

140

160

180

BAN

TRE

200

220

240

Regionální HDP v tis. SK/obyvatele

Z grafů pro SR je patrné, že Bratislava působí jako vlivný bod. Mění nízkou zápornou závislost mezi ukazateli v téměř nezávislost.


Obrázek č. 19: Vztah mezi regionálním HDP a celkovým přírůstkem obyvatelstva pro EU 25 30,0 Kypr

25,0

Nizozemí

20,0 Španělsko

15,0 10,0

Itálie MaltaPortugalsko UK Polsko ČR Řecko Slovensko Slovinsko Maďarsko Estonsko Lotyšsko Litva

5,0 0,0 -5,0

Francie Rakousko Belgie Švédsko Finsko Dánsko Irsko Německo

Lucembursko

-10,0 0

10

20

30

40

50

60

HDP v tis. Euro/obyvatele

Tabulka č. 15.: Druhy ukazatelů pro regionální HDP a celkový přírůstek obyvatelstva na tis. obyvatel pro EU 25 Druh ukazatele ayx byx Korelační koeficient Koeficient determinace T - test Významnost F

EU 25 1,229 0,209 0,329 0,108 1,672 0,108

Při zvýšení regionálního HDP o 1 000 EUR dojde ke zvýšení celkového přírůstku obyvatelstva na tis. obyvatel o 0,209. Koeficient determinace udává, že 10,8 % rozptylu celkového přírůstku - 60 -


na tis. obyvatel lze vysvětlit závislostí na regionálním HDP na obyvatele. Koeficient korelace udává závislost mezi ukazateli -0,329, což je závislost klesající a její síla není velká. Významnost F 0,108 (není nižší než 5 %, ani než 10 %) a T-test -1,672 ( Ttab = 2,069) neprokazují průkaznost výsledků ze sledovaných dat.

Tabulka č. 16.: Tabulka analýzy variance pro regionální HDP a celkový přírůstek obyvatelstva na tis. obyvatel pro EU 25 Vypočtené Zdroj variability

Součet čtverců S

Regrese SR

139,764445

2

69,8822

Reziduum Se

1142,24995

22

51,9205

1282,0144

24

Celkem ST

F=


Stupně volnosti v

MS R MS e 1,345948

F( k , n − k −1) = F( 2, 22) = F( 2, 20) = 4,461 při pravděpodobnosti p = 0,975 Fvyp je menší než Ftab , čímž nemůžeme potvrdit průkaznost regresní funkce ani celého ekonometrického modelu.

Obrázek č. 20: Pás spolehlivosti pro regresní přímku u vztahu ukazatelů regionální HDP a


celkový přírůstek obyvatelstva na tis. obyvatel (EU 25) 30,0 25,0 20,0 15,0 10,0 5,0 0,0 -5,0 -10,0 -15,0 0

10

20

30

40

50

60

HDP v tis. Euro na obyvatele

Obrázek č. 21: : Interval spolehlivosti pro regresní přímku u vztahu ukazatelů regionální HDP a celkový přírůstek obyvatelstva na tis. obyvatel (EU 25)

- 61 -



60,0 50,0 40,0 30,0 20,0 10,0 0,0 -10,0 -20,0 -30,0 -40,0 0

10

20

30

40

50

60


Ve vyspělých ekonomikách lze pozorovat závislost mezi ekonomickou vyspělostí regionu a přírůstkem či úbytkem obyvatelstva. Dochází k úbytku obyvatel v oblastech s nižším HDP na úkor nadprůměrných. Vztah mezi oběma ukazateli byl v případě regionů ČR a jednotlivých států potvrzen. Na Slovensku zřejmě v důsledku nízkých rozdílů ve srovnání s náklad souvisejícími se změnou místa pobytu, je tato závislost neprůkazná.

4.4.

Vztah regionálního HDP a počtu nezaměstnaných

Poslední vztah, kterým se budeme v naší analýze zabývat, bude vztah regionálního HDP vystupujícího jako nezávislá proměnná a počtu nezaměstnaných vyjadřujícího proměnnou závislou. Naším cílem bude v podmínkách ČR, SR i Evropské unie potvrdit nebo vyvrátit ekonomickou teorii předpokládající nižší úroveň nezaměstnanosti v regionech s vyšší úrovní HDP. Následně opět zhodnotíme dosažené výsledky a srovnáme s vývojem s celém Evropském společenství na úrovni jednotlivých států.

Tabulka č. 17.: Výsledky regresní analýzy pro regionální HDP a počet nezaměstnaných pro ČR ayx byx Korelační koeficient Koeficient determinace T - test Významnost Pozorování

S Prahou 36,946 -0,026 0,100 0,010 -0,348 0,734 14

- 62 -

Bez Prahy 74,432 -0,187 0,121 0,015 -0,403 0,695 13


Tabulka č. 18.: Výsledky regresní analýzy pro regionální HDP a počet nezaměstnaných pro SR ayx byx Korelační koeficient Koeficient determinace T - test Významnost Pozorování

S Prahou 88,214 -0,131 -0,616 0,379 -1,914 0,104 8

Bez Prahy 130,002 -0,356 -0,465 0,216 -1,174 0,293 7

Z vypočtených ukazatelů v tabulce se dá usuzovat, že při zvýšení regionálního HDP o 1 000 Kč, by mělo následovat rovněž snížení počtu nezaměstnaných o 26 osob s Prahou a snížení o 187 osob bez Prahy. V tomto případě nemůžeme Prahu považovat vlivný bod, protože nemění monotónnost funkce. V obou případech pozorujeme funkci klesající. Z vypočtených ukazatelů pro Slovensko můžeme říci, že při zvýšení regionálního HDP o 1 000 SK by mělo dojít ke snížení počtu nezaměstnaných o 131 s Bratislavou a o 356 bez Bratislavy. Rovněž se v obou případech jedná o funkci klesající.

Koeficient determinace nás v případě s Prahou informuje o tom, že 1 % rozptylu počtu nezaměstnaných lze vysvětlit závislostí počtu nezaměstnaných na regionálním HDP. Toto číslo se v případě bez Prahy zvyšuje na 1,5 %. Z výsledku je tedy patrné, že vliv regionálního HDP na počet nezaměstnaných je nízký a také, že vliv Prahy na soubor dat není příliš velký. V případě Slovenska dosahuje koeficient determinace vyšších hodnot, s Bratislavou 37,9 % a bez Bratislavy 21,6 %. Vliv regionálního HDP na počet nezaměstnaných je větší než v případě ČR.

Korelační koeficient dosahuje hodnoty -0,1 v případě s Prahou a hodnoty -0,12 v případě bez Prahy. Z výsledků lze usuzovat, že vliv Prahy není až tak příliš patrný a v obou případech se jedná o závislost zápornou. Rovněž z výsledků pro Slovenko lze usuzovat, že se jedná o závislost zápornou, která je však silnější než v případě České republiky. Korelační koeficient dosahuje hodnoty -0,616 s Bratislavou a -0,465 bez Bratislavy.

Při posuzování průkaznosti dosažených výsledků u obecné významnosti bylo dosaženo těchto výsledků, v případě s Prahou se jedná o vysoce neprůkazný test, a to 0,734. V případě bez Prahy je průkaznost o něco větší, a to 0,695, test je tedy neprůkazný. Zde nelze tedy v obou případech zamítnou nulovou hypotézu, že se mezi oběma ukazateli vyskytuje závislost. Rovněž T-test prokázal u případu s Prahou i bez Prahy nevyloučení nulové hypotézy. Při posuzování výsledků T-testu byla použita pro případ s Prahou vypočtená hodnota – 0,348 ( Ttab = 2,179) a pro případ

- 63 -


bez Prahy hodnota –0,403 ( Ttab = 2,201). Při porovnání jsem došla k závěru, že v obou případech byla vypočtená hodnota T-testu menší než hodnota uvedená ve statistických tabulkách. Při posuzování průkaznosti výsledků dosažených u Slovenska bylo rovněž zjištěno, že se jedná o test neprůkazný. S Bratislavou 0,104 a bez Bratislavy 0,293 – zjištěná průkaznost je však větší než u ČR. T-test pro Slovensko nám však rovněž potvrdil neprůkaznost T-testu, obě vypočtené hodnoty byly menší než tabulkové, s Bratislavou -1,914 ( Ttab = 2,447) a bez Bratislavy -1,174 ( Ttab = 2,571).


Obrázek č. 22: Vztah mezi regionálním HDP a počtem nezaměstnaných pro ČR (s Prahou)

100 MS 80 US

60

JM

40 20 0 160

OL SČ PA ZLKH KV

P

JČ VY LB PZ 210

260

310

360

410

460

510

560

Regionální HDP (tis. Kč/obyvatele)

Počet nezaměstnaných (v tis. )

Obrázek č. 23: Vztah mezi regionálním HDP a počtem nezaměstnaných pro ČR (bez Prahy)

100 MS 80 US

60

JM

40

OL

20 0 200

KV 210

220

SČ

ZL LB PA

JČ KH

VY 230

240

PZ 250

260

270

Regionální HDP (tis. Kč/obyvatele)

Z grafů pro ČR je patrné, že Praha nepůsobí jako vlivný bod, protože její přítomnost ve zkoumaném souboru neovlivňuje směr, tedy zápornou závislost mezi zkoumanými ukazateli.

- 64 -



Obrázek č. 24: Vztah mezi regionálním HDP a počtem nezaměstnaných pro SR (s Bratislavou) 100 80

PRE

60

KOŠ BAN NIT ŽIL

40

TRN TRE

20

BRA

0 0

100

200

300

400

500

600

Regionální HDP (tis. SK/obyvatele)


Obrázek č. 25: Vztah mezi regionálním HDP a počtem nezaměstnaných pro SR (bez Bratislavy) 100 NIT

80

KOŠ BAN

PRE

60

ŽIL

40

TRN TRE

20 0 100

120

140

160

180

200

220

240

Regionální HDP (tis. SK/obyvatele)

Z grafů pro SR je patrné, že Bratislava nepůsobí jako vlivný bod, protože její přítomnost ve zkoumaném souboru neovlivňuje směr, tedy zápornou závislost mezi zkoumanými ukazateli stejně jako v případě České republiky. Obrázek č. 26: Vztah mezi regionálním HDP a nezaměstnaností pro EU 25 20,0

Polsko

18,0

Slovensko

Nezaměstnanost

16,0 14,0 Litva Lotyšsko

12,0

ŘeckoŠpanělsko Estonsko Itálie ČR Malta Portugalsko Slovinsko Kypr UK Maďarsko

10,0 8,0 6,0 4,0

Německo Francie Finsko Belgie Švédsko Nizozemí

Dánsko

Lucembursko

Irsko Rakousko

2,0 0,0 0

10

20

30 HDP v tis. Euro na obyvatele

- 65 -

40

50

60


Tabulka č. 19.: Výsledky regresní analýzy pro regionální HDP a nezaměstnanost pro EU 25 Druh ukazatele ayx byx Korelační koeficient Koeficient determinace T - test Významnost F

EU 25 11,024 -0,166 0,512 0,262 -2,859 0,009

Při zvýšení HDP na obyvatele o 1 000 EUR dojde ke snížení nezaměstnanosti o 0,166 procentního bodu. Koeficient determinace udává, že 26,2 % rozptylu nezaměstnanosti lze vysvětlit závislostí na regionálním HDP na obyvatele. Koeficient korelace udává závislost mezi ukazateli -0,512, což je závislost klesající a její síla není velká. Významnost F 0,009 (je nižší než 5 %) a T-test -2,859 ( Ttab = 2,069) prokazují průkaznost výsledků ze sledovaných dat.

Tabulka č. 20.: Tabulka analýzy variance pro regionální HDP a nezaměstnanost pro EU 25 Vypočtené Zdroj variability

Součet čtverců S


Stupně volnosti v

Regrese SR

87,84367929

2

43,92183964

Reziduum Se

247,1027207

22

11,23194185

334,9464

24

Celkem ST

F=

MS R MS e 3,910

F( k , n − k −1) = F( 2, 22 ) = F( 2 , 20 ) = 4,461 při pravděpodobnosti p = 0,975 Fvyp je menší než Ftab , čímž nemůžeme potvrdit průkaznost regresní funkce ani celého

ekonometrického modelu.

- 66 -


Obrázek č. 27: : Pás spolehlivosti pro regresní přímku u vztahu ukazatelů regionální HDP a nezaměstnanost (EU 25) 20,0

Nezaměstnanost

15,0

10,0

5,0

0,0

-5,0 0

5

10

15

20

25

30

35

40

45

50


Obrázek č. 28: : Interval spolehlivosti pro regresní přímku u vztahu ukazatelů regionální HDP a nezaměstnanost (EU 25) 30,0 25,0

Nezaměstnanost

20,0 15,0 10,0 5,0 0,0 -5,0 -10,0 -15,0 -20,0 0

5

10

15

20

25

30

35

40

45

50


Regiony s vysokou úrovní HDP mají velký potenciál trhu práce. Jsou tedy atraktivním místem pro příliv nových investic, které následně vytvářejí nové pracovní příležitosti. Proto lze očekávat v těchto regionech nižší úroveň nezaměstnanosti, než v regionech s nízkým HDP. Funkce mají klesající průběh v regionech ČR, SR i v jednotlivých státech EU 25.

- 67 -


5. Výsledky práce a diskuse Jak již bylo řečeno, ekonomická teorie předpokládá, že v regionech s vyšší nezaměstnaností dochází k převisu nabídky práce nad poptávkou po práci. Tento jev by se měl projevit nižší úrovní mezd než je průměrná v těchto regionech. Při zkoumání závislosti mezi průměrnou mzdou a počtem nezaměstnaných u České republiky bylo dosaženo stejných závěrů jakých dosáhli ve své práci již zmiňovaní odborníci Minařík a Lacina [10]. Česká republika stále tuto ekonomickou teorii nepotvrzuje stejně jako ze souboru dat zkoumanému v r. 2001 i 2002. Zařazení Prahy do zkoumaného souboru nadále ovlivňuje intenzitu i průkaznost závislosti. Důvodem toho, že se Praha tolik odlišuje od ostatních krajů vyplývá jednak z příznivé situace na zdejším pracovním trhu, dále pak z tzv. podnikové metody, kdy je do celkového počtu zaměstnanců podnikatelských subjektů sídlících v Praze započítáván i počet pracovníků pracujících pro tyto organizace mimo hranice hl. m. Prahy. V hlavním městě je nejvyšší počet registrovaných ekonomických subjektů mezi kraji. Druhý nejvyšší počet vykazujících jednotek je ve Středočeském kraji, tedy kraji, který je do značné míry spojen s hlavním městem. Největší

část zaměstnanců vybraných jednotek hl. m. Prahy pracuje v odvětví veřejná správa a obrana, povinné sociální zabezpečení, doprava, skladování a spoje, obchod, opravy motorových vozidel a průmysl. Až na odvětví průmyslu jde tedy o subjekty terciární sféry. Tento stav odpovídá struktuře zaměstnanosti ve velkých městech. Vysoký podíl zaměstnanců veřejné správy je způsoben značným počtem těchto organizací sídlících v Praze jako hlavním městě ČR. Průměrná mzda je tedy v tomto kraji ovlivněna vysokými příjmy obyvatelstva pracujícího ve výše uvedených sférách. Naopak u Slovenské republiky i v případě Evropské unie se jev očekávaný ekonomickou teorií potvrdil a skutečně v regionech s vyšší nezaměstnaností je úroveň průměrné mzdy nižší. V případě Slovenské republiky však stejně jako v případě České republiky má zařazení Bratislavy do zkoumaného souboru velký vliv na intenzitu závislosti. Stejně jako u

České republiky jsou důvody její odlišnosti od ostatních krajů stejné jako u Prahy. Oba jsou hlavními městy dění politického i bankovního, a proto je zde dosahováno vyšších průměrných mezd než je celostátní průměr.

Při analýze závislosti mezi průměrnou mzdou a celkovým přírůstkem obyvatelstva se vychází z obecných předpokladů, že bude docházet k negativnímu přírůstku obyvatel v regionu s nižší průměrnou mzdou a pozitivnímu přírůstku v regionech s vyšší průměrnou mzdou. V jednotlivých regionech České i Slovenské republiky byl tento jev potvrzen. V případě České republiky jsme tak opět došli ke shodným závěrům jako odborníci Minařík a Lacina [10]. Rovněž výsledky pro - 68 -


Slovenskou republiku tento jev potvrzují. Pokud se jedná o Prahu, můžeme ji považovat pouze za extrémní bod v souboru na rozdíl od Bratislavy, která je spíše vlivným bodem. Bratislava ve zkoumaném souboru ovlivňuje intenzitu závislosti znatelným způsobem, kdy v její přítomnosti ve zkoumaném souboru dat dochází téměř k nezávislosti obou zkoumaných ukazatelů. Za jiný vlivný bod v rámci České republiky bychom mohli považovat Středočeský kraj z důvodu velkého přírůstku obyvatelstva. Migrace za prací velmi silně působí především na věkovou strukturu pražské populace. Zvyšuje se podíl osob v produktivním věku. Na druhé straně nedostatek bytů a zejména vysoké ceny na trhu s nemovitostmi působí protisměrně na vystěhovávání jednak obyvatel v poproduktivním věku, ale částečně i mladých rodin, které stojí na počátku své profesní dráhy a vysoké náklady spojené s bydlením v hlavním městě nahrazují zabydlováním okolí Prahy, převážně v kraji Středočeském, kde dochází k obrovskému přírůstku obyvatelstva.

V případě zkoumání Evropské unie jsme dosáhli zcela stejných výsledků jako v případě České a Slovenské republiky. V zemích s nízkou průměrnou hodinovou mzdou dochází k nižšímu přírůstku obyvatelstva než v zemích s vysokou průměrnou hodinovou mzdou. Tento fakt se svědčí i o migraci obyvatelstva v rámci jednotlivých členských států, kde bychom mohli očekávat stále ještě příliš vysoké náklady spojeným s případným stěhováním a určité existující bariéry mezi jednotlivými státy EU 25 jako jsou jazykové, kulturní a jiné (spojené např. se získáním pracovního povolení, které je ještě stále v některých zemích třeba).

Při zkoumání vztahu mezi regionálním HDP a celkovým přírůstkem obyvatelstva na tis. obyvatel budeme vycházet z toho, že ve vyspělých ekonomikách lze pozorovat závislost mezi ekonomickou vyspělostí regionu a přírůstkem či úbytkem

obyvatelstva. Dochází k úbytku

obyvatel v oblastech s nižším HDP na úkor nadprůměrných. Vztah mezi oběma ukazateli byl v případě regionů České republiky potvrzen a Praha na rozdíl od závěrů zjištěných z údajů z roku 2002 již nemusí být v r. 2004 považována za vlivný bod, ale za bod extrémní. Na Slovensku zřejmě v důsledku nízkých rozdílů ve srovnání s náklad souvisejícími se změnou místa pobytu, je tato závislost neprůkazná a může také svědčit o menší vyspělosti slovenské ekonomiky. V případě jednotlivých států Evropské Unie byl tento jev pozorovaný ve vyspělých ekonomikách potvrzen. S rostoucím HDP na obyvatele zde roste i celkový přírůstek obyvatelstva na tis. obyvatel.

Při zkoumání vztahu mezi regionálním HDP a počtem nezaměstnaných vycházejme z toho, že regiony s vysokou úrovní HDP mají velký potenciál trhu práce. Jsou tedy atraktivním místem - 69 -


pro příliv nových investic, které následně vytvářejí nové pracovní příležitosti. Proto lze očekávat v těchto regionech nižší úroveň nezaměstnanosti, než v regionech s nízkým HDP. Tento jev byl skutečně potvrzen jak v České i Slovenské republice, tak i v jednotlivých státech Evropské Unie. Praha je v souboru dat České republiky stejně jako Bratislava v souboru dat Slovenska pouze extrémním bodem, jelikož neovlivňuje sílu ani průběh závislosti. V případě České republiky opět dochází k potvrzení závěrů z bakalářské práce. V Evropské Unii je zcela viditelné, že se tento jev potvrdil, s rostoucím regionálním HDP na obyvatele postupně klesá nezaměstnanost. Pokud se jedná o průkaznost těchto závěrů, byla závislost prokázána jen v případě celé EU 25. Můžeme tak neprůkaznost dat u ČR a SR přisoudit malému rozsahu zkoumaného souboru.

- 70 -


6. Závěr Při zpracovávání této práce bylo dosaženo následujících závěrů. Při zkoumání výsledků analýzy pro jednotlivé regiony ČR, SR a Evropské unii jsme se dle námi stanoveného cíle pokusili posoudit, zda obecně platné ekonomické zákony předpokládané pro chování závislosti mezi jednotlivými hospodářskými ukazateli ve vyspělých zemí jsou patrné i v regionech ČR, SR i v celé Evropské unii. Ekonomickou teorii v případě vztahu průměrné mzdy a počtu nezaměstnaných, která říká, že v regionech s nižší průměrnou mzdou existuje vyšší úroveň nezaměstnanosti, nelze z dosažených výsledků potvrdit pro Českou republiku, avšak pro Slovensko a Evropskou unii tato teorie platí. Další zkoumanou ekonomickou teorii pro vztah průměrné mzdy a celkového přírůstku obyvatelstva, která předpokládá negativní přírůstek obyvatelstva v regionech s nižší průměrnou mzdou, se nám podařilo potvrdit ve všech třech sledovaných případech. V tomto případě bylo dosaženo již jiných výsledků než v r. 2001 studií Minaříka a Laciny [8], kdy se tento vztah pro regiony České republiky neprokázal. Je tedy možné usuzovat, že se obyvatelstvo stalo ochotnější ke změně místa pobytu a staví se pozitivněji ke hledání pracovních možností i za hranicemi regionu. Pro vztah regionálního HDP a celkového přírůstku obyvatelstva ekonomická teorii předpokládá tím vyšší pozorovanou míru migrace obyvatelstva, čím je vyšší rozdíl ve sledovaném ukazateli. Předpokládá úbytek obyvatelstva v oblastech s nižším HDP. Tato ekonomická teorie se prokázala u České republiky a Evropské unie, avšak už ne u Slovenska. Na Slovensku toto neprokázání ekonomické teorii můžeme přisuzovat stále nízkým rozdílům ve srovnání s náklady souvisejícími se změnou místa pobytu. Posledním zkoumaným vztahem byl vztah regionálního HDP a počtu nezaměstnaných. Ekonomická teorie předpokládá, že pro regiony s vysokou úrovní HDP platí nižší úroveň nezaměstnanosti a to v důsledku většího potenciálu trhu práce v regionech s vysokým HDP. Tento vztah se skutečně ve všech potvrdil v podmínkách České i Slovenské republiky i v Evropské unii. Za pomocí analýzy variance se nám nepodařilo prokázat statistickou průkaznost modelů Evropské unie, jež byly touto analýzou testovány. Tento neúspěch však můžeme přičíst příliš nízkému rozsahu sledovaného souboru.

Pokud se jedná o náš další cíl, kterým bylo posouzení vlivu Prahy a Bratislavy ve zkoumaném souboru dat, bylo dosaženo následujících závěrů. Prahu i Bratislavu nelze v rámci ostatních krajů skutečně považovat za vlivný bod, ale spíše za bod extrémní, které jen výjimečně ovlivňuje sílu závislosti, což závisí hlavně na vybraných ukazatelích. Pouze Bratislava vystupovala jako mírně ovlivňující bod v případě průměrné mzdy a celkového přírůstku obyvatelstva na tis. obyvatel. - 71 -


Pokud bychom se zaměřili na určitá doporučení, která by se týkala snížení nezaměstnanosti v problematických regionech, jako jsou Moravskoslezský, Ústecký, Jihomoravský a Olomoucký v České republice a Košický, Banskobystrický, Nitranský a Prešovský na Slovensku, bylo by vhodné do těchto regionů přilákat investory za pomocí různých investičních pobídek a různých daňových úlev. Cílem by mělo být tímto zvýšit dosahovaný HDP na osobu zejména v krajích Moravskoslezském, Ústeckém a Olomouckém v ČR a v kraji Prešovském a Nitranském na Slovensku, čímž by se snížila potřeba migrace obyvatelstva za prací do jiných regionů a rovněž by se tyto regiony po zvýšení HDP na obyvatele staly lákavějším a atraktivnějším místem pro příliv dalších nových investic, jež by měly za následek opět vytváření nových pracovních příležitostí a tím snížení nezaměstnanosti v těchto nejvíce nezaměstnaností postižených regionech.

V případě dokazování průkaznosti dat nebylo dosaženo vzhledem k nízkému počtu dat v pozorovaném souboru jasných a průkazných závěrů, které by napovídaly o možnosti zcela zobecnit tyto dosažené závěry v případě České republiky a Slovenska, a považovat vyvozované závěry za skutečně průkazné. Za docela průkazné bychom mohli považovat výsledky při zkoumání vztahu mezi průměrnou mzdu a celkovým přírůstkem, regionálním HDP a celkovým přírůstkem obyvatelstva na tis. obyvatel pro ČR a v případech pro průměrnou hodinovou mzdu a nezaměstnanost, pro regionální HDP a celkový přírůstek obyvatelstva na tis. obyvatel a pro regionální HDP a počet nezaměstnaných vše vztahující se k Evropské unii.

Přesto však můžeme usuzovat, že i tyto výsledky jsou v souladu s obecnou teorií ekonomie, když vezmeme v úvahu nízký počet dat ve zkoumaném souboru. Pokud se výsledky rozcházejí z obecnou teorií, můžeme tuto skutečnost přisuzovat spíše než nízkému počtu dat ve sledovaném souboru nedokonalosti a nevyspělosti dané ekonomiky ve srovnání s vyspělými zeměmi. Pro větší průkaznost výsledků jsem zvolila do výzkumu zahrnout i celou Evropskou Unii, jíž je

členem jak Česká, tak i Slovenská republika a také pro její rozsáhlejší počet dat ve zkoumaném souboru.

- 72 -


7. Seznam literatury [1] Dufek, J., Ekonometrie. 1. vydání. Vydala Mendlova zemědělská a lesnická univerzita. Brno

2003. 136 str. ISBN 80-7157-654-9 [2] Hindls, R., Hronová, S., Seger, J. Statistika pro ekonomy. 2. vydání, Praha, Professional

Publishing 2002, 420 str. ISBN 80-86419-30-4 [3] Hindls, R., Kaňoková, J., Novák, I. Statistické metody (statistika B). Prof. Ing. Václav

Čermák, DrSc. za kolekliv – Praha 1995, 146 str. ISBN 80-7079-354-6. [4] Kınig, P., Lacina, L., Přenosil, J., Učebnice Evropské unie. 1 vydání. Nakladatelství

Barrister & Principál, spol. s r. o. Brno 2006. 414 str. ISBN 80-7364-022-8 [5] Liška, V. a kol. Makroekonomie. 2. vydání. Professional Publishing. Praha 2004. [6] Mach, M., Makroekonomie II Pro magisterské (inženýrské) studium. 3. vydání.

Nakladatelství a vydavatelství MELANDRIUM. Praha 2001. 367 str. ISBN 80-86175-18-9 [7] Mankiw, N. G. Zásady ekonomie. 1. vydání. Grada Publishing, spol. s r. o. Praha 2000. 763 str. ISBN 80-7169891-1 [8] Meloun, M., Militký, J. Kompeduim statistického zpracování dat, Academia Praha 2002, 840 str. ISBN 80-200-1008-4 [9] Minařík, B. Statistika I – Popisná statistika, MZLU Brno 2002, 107 str. ISBN 80-7157-427-9 [10] Minařík, B., Lacina, L. Posouzení kauzálních vztahů vybraných ukazatelů na úrovni regionů

Nuts 3 (kraje) v České republice. Sborník: Firma a konkurenční prostředí, Sekce 3. Kvantitativní metody v hospodářství, MZLU Brno 2002, 101-110 str., ISBN 80-7302-033-5 [11] Minařík, B., Statistika II – Pro ekonomomy a manažery, MZLU Brno 2001, dotisk, 114 str.

ISBN 80-7157-197-0

- 73 -


[12] Poláchová, P., Bakalářská práce na téma Analýza vybraných ukazatelů trhu práce a

ekonomického rozvoje na úrovni regionů České republiky. Brno 2004. [13] Seger, J., Hindls, R., Hronová, S., Statistika v hospodářství. 1. vydání. Nakladatelství a

vydavatelství ETC Publishing. Praha 1998. 636 str. ISBN 80-86006-56-5 [14] Seger, J., Hindls, R., Statistické metody v ekonomii. 1. vydání, H&H, Praha 1993, 445 str.

ISBN80-85787-26-1 [15] Stutely, R., Průvodce ekonomickými ukazateli. 1. Vydání, Scientia, spol. s r. o.,

pedagogické nakladatelství, Praha 2002, 231 str. ISBN 80-7183-278-2 [16]

Statistické

tabulky,

Ústav

statistiky

a

operačního

výzkumu,

http://www.mendelu.cz/~stat/ [17] http://www.czso.cz/csu/redakce.nsf/i/hruby_domaci_produkt_(hdp)

http://www.czso.cz/csu/redakce.nsf/i/mira_nezamestnanosti http://www.czso.cz/csu/redakce.nsf/i/pocet_obyvatel http://www.czso.cz/csu/redakce.nsf/i/zamestnanost_nezamestnanost_prace http://www.czso.cz/csu/redakce.nsf/i/zam_vsps http://www.employment.gov.sk/zamestnanost/analyza_nezam/p04.html

- 74 -

MZLU

Brno,


8. Přílohy Příloha č. 1: Používané zkratky jednotlivých regionů České republiky a Slovenska

Česká republika P

……………………………….....................................................

Hlavní město Praha

SČ

……………………………….....................................................

Středočeský

JČ

……………………………….....................................................

Jihočeský

PZ

……………………………….....................................................

Plzeňský

KV ……………………………….....................................................

Karlovarský

US ……………………………….....................................................

Ústecký

LB ……………………………….....................................................

Liberecký

KH ……………………………….....................................................

Královéhradecký

PA ……………………………….....................................................

Pardubický

VY ……………………………….....................................................

Vysočina

JM ……………………………….....................................................

Jihomoravský

OL ……………………………….....................................................

Olomoucký

ZL

Zlínský

……………………………….....................................................

MS ……………………………….....................................................

Moravskoslezský

Slovensko BRA ……………………………….....................................................

Bratislavský

TRN ……………………………….....................................................

Trnavský

TRE ……………………………….....................................................

Trenčianský

NIT ……………………………….....................................................

Nitranský

ŽIL ……………………………….....................................................

Žilinský

BAN ……………………………….....................................................

Banskobystrický

PRE ……………………………….....................................................

Prešovský

KOŠ ……………………………….....................................................

Košický

- 75 -

Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta Ústav ekonomie

Recommend Documents