DOI:10.14750/ME.2016.025
MISKOLCI EGYETEM GAZDASÁGTUDOMÁNYI KAR
SZENDI DÓRA
PERIFÉRIÁK FELZÁRKÓZÁSÁNAK ESÉLYEI, KÜLÖNÖS TEKINTETTEL KELET-KÖZÉP-EURÓPA KÉT TÉRSÉGÉRE Doktori (PhD) Értekezés
DOKTORI ISKOLA NEVE:
„VÁLLALKOZÁSELMÉLET ÉS GYAKORLAT” DOKTORI ISKOLA
DOKTORI ISKOLA VEZETŐJE:
PROF. DR. BALATON KÁROLY egyetemi tanár
TÉMAVEZETŐ:
PROF. DR. BENEDEK JÓZSEF egyetemi tanár
MISKOLC 2016.
Tartalomjegyzék 1. Bevezetés ............................................................................................................................................. 3 1.1. Témaválasztás indoklása .............................................................................................................. 6 1.2. Kutatási cél ................................................................................................................................... 8 1.3. Alkalmazott módszerek, adatforrások .......................................................................................... 9 1.4. Kutatás hipotézisei ..................................................................................................................... 10 2. Kutatási terület lehatárolása .............................................................................................................. 12 2.1. Választott térségek ismertetése................................................................................................... 12 2.1.1. Szász-Anhalt tartomány....................................................................................................... 12 2.1.2. Borsod-Abaúj-Zemplén megye ........................................................................................... 14 2.2. Korábbi empirikus konvergencia vizsgálatok eredményei ......................................................... 15 2.2.1. Németország belső konvergenciája ..................................................................................... 15 2.2.2. Magyarország konvergenciája ............................................................................................. 18 2.3. A kutatás szakirodalmi előzményei – Regionális gazdaságtan növekedéselméletei .................. 20 2.3.1. Klasszikus politikai gazdaságtan ......................................................................................... 21 2.3.2. Neoklasszikus növekedéselméletek..................................................................................... 22 2.3.3. Endogén növekedéselméletek ............................................................................................. 25 2.3.4. Keynesi elméletek ............................................................................................................... 28 2.3.5. Exportbázis-elmélet ............................................................................................................. 29 2.3.6. Polarizációs elméletek ......................................................................................................... 30 2.3.7. Növekedési pólusok elmélete .............................................................................................. 30 2.3.8. Új gazdaságföldrajz, új regionalizmus ................................................................................ 31 2.3.9. Területi gazdasági növekedés szakaszai .............................................................................. 31 2.4. Területi konvergencia ................................................................................................................. 32 2.4.1. Szigma és béta konvergencia............................................................................................... 34 2.4.2. Konvergencia klubok........................................................................................................... 35 3. Alkalmazott kutatás módszertana, módszerei ................................................................................... 37 3.1. Területi jövedelemegyenlőtlenségek hatásai .............................................................................. 37 3.2. A területi fejlődés mérése - életminőség .................................................................................... 38 3.3. Területi fejlettség, területi egyenlőtlenség indexei ..................................................................... 40 3.4. Területi autokorreláció ............................................................................................................... 42 3.5. Shift-share elemzés..................................................................................................................... 44 3.6. Konvergencia számítások ........................................................................................................... 45 3.6.1. Szigma konvergencia........................................................................................................... 46 3.6.2. Béta konvergencia ............................................................................................................... 46 3.6.3. Konvergencia klubok........................................................................................................... 46 3.6.4. Gamma konvergencia .......................................................................................................... 47 3.7. Korreláció és regresszió számítás, faktoranalízis ....................................................................... 47 1
3.7.1. Faktoranalízis ...................................................................................................................... 48 3.7.2. Területi regresszió ............................................................................................................... 49 4. Tézisek .............................................................................................................................................. 51 4.1. Policentrikus társadalmi és gazdasági térszerkezet – ellentétes tendenciák (GDP, életminőség) ........................................................................................................................................................... 52 4.1.1. Két ország eltérő térbeli mintázata ...................................................................................... 53 4.1.2. A GDP és az életminőség dinamikájának vizsgálata........................................................... 59 4.2. Eltérő életminőség és GDP pályák ............................................................................................. 64 4.2.1. Egyenlőtlenségi indexek: igazolható konvergens folyamatok ............................................ 68 4.2.2. Egyenlőtlenségek a perifériákon ......................................................................................... 68 4.3. Szignifikáns szomszédsági hatások, nyugat-keleti differenciák................................................. 70 4.3.1. Fajlagos GDP, és életminőség igazolható autokorrelációja ................................................ 70 4.3.2. Területi hatások dominanciája a strukturális jellemzőkkel szemben .................................. 80 4.4. Konvergencia vs. divergencia?................................................................................................... 86 4.5. Eltérő növekedési pályák –klub-konvergencia ........................................................................... 91 4.6. GDP regressziós vizsgálatai – területi modellek ...................................................................... 100 4.6.1. Magyar kistérségi jövedelem meghatározó tényezői (2011) ............................................. 100 4.6.2. Német körzetek GDP-jének meghatározó tényezői (2011) ............................................... 106 5. Konvergencia elérése érdekében tett intézkedések ......................................................................... 115 5.1. Németország ............................................................................................................................. 115 5.1.1. A német egység finanszírozása ........................................................................................ 115 5.1.2. Német-német valutaunió .................................................................................................. 117 5.1.3. Hitelrendezési Alap .......................................................................................................... 117 5.1.4. A Német Egység Alapja ................................................................................................... 117 5.1.5. Szolidaritási paktum .......................................................................................................... 117 5.1.6. Tartományok keresztfinanszírozási rendszere ................................................................... 120 5.1.7. Államadósság alakulása..................................................................................................... 121 5.1.8. A német regionális politika hozzájárulása a keleti tartományok felzárkózásához ............ 122 5.2. A magyar regionális politika .................................................................................................... 123 6. Összegzés ........................................................................................................................................ 126 7. Summary ......................................................................................................................................... 129 8. Irodalomjegyzék .............................................................................................................................. 131 9. Ábrák jegyzéke ................................................................................................................................ 146 10. Táblázatok jegyzéke ...................................................................................................................... 149 11. Mellékletek .................................................................................................................................... 151
2
1. Bevezetés A területi szintű társadalmi, gazdasági egyenlőtlenség a térgazdaságtan egyik alapvető jellemzője (Nemes Nagy, 1990; Nagyné Molnár, 2007.). Nincs a térnek két olyan pontja, mely azonos tulajdonságokkal rendelkezne, mert a gazdasági, társadalmi, és kulturális paramétereik különbözőek (Nagyné Molnár, 2007; Benedek-Kurkó, 2011.). A különbözőség mértéke térben és időben változik. Egyes vélemények szerint a területegységek tulajdonságai alapján a térszerkezetben két kitüntetett helyzet definiálható: a centrum és a periféria. (Nemes Nagy, 2005.) Gazdasági értelemben a centrumok olyan térségek, ahol pozitív értéktartományba tartozó gazdasági, társadalmi jelenségek összpontosulnak. Ezzel szemben a periférikus térségekben negatív tartományba tartozó gazdasági, társadalmi jelenségek erősödnek meg, a kumulatív okság elméletének megfelelően gyakran negatív spirált eredményezve. (Nemes Nagy, 2005; Nagyné Molnár, 2007.) A periférikus térségek többsége nemcsak az olyan alapvetően gazdasági indikátorok vonatkozásában hátrányos helyzetű, mint a GDP, vagy a vállalkozások száma, de legtöbb esetben például az életminőség vagy a migráció dimenziójában is elmaradottabb. Ezért a területi különbségek csökkentése és a periférikus térségek felzárkóztatásának lehetősége a gazdaságpolitika számára kiemelten fontos, állandó kihívást jelent. A területi egyenlőtlenségek vizsgálata, a periférikus térségek felzárkózásának kutatása nem új keletű, számos kutató foglalkozott már a periférikus térségek pozitív konvergenciájának lehetőségével (például nemzetállamok konvergencia vizsgálatai - Barro és Sala-i-Martin, 1992; Mankiw et. al., 1992; Romer, 1994; Sala-i-Martin, 1995; Quah, 1996a,b).1 A felzárkózás kapcsán ugyanis két alapvetően különböző folyamatot célszerű elkülöníteni, melyek a pozitív, illetve a negatív előjelű konvergencia (lefelé nivellálódás) jelensége. „Pozitív a felzárkózás, ha a fejletlenebb térség felzárkózik a fejlettebbekhez, míg negatív a felzárkózás, ha a fejlett térségek mutatója a fejletlenebbek felé mozdul el.” (Nagyné Molnár, 2007. p. 171.) A közgazdaságtan konvergencia-elméleteinek középpontjában a gazdasági növekedés áll. Vizsgálja, hogyan halad a gazdaságilag fejletlenebb térségek felzárkózása a fejlettebbekhez. A konvergencia empirikus vizsgálata az 1960-as évekig nyúlik vissza. Ekkoriban a neoklasszikus növekedési modellek (pl.: Solow) jelentették sok szerző számára a kiindulási pontot, melyek a piaci automatizmusokra építve a termelési tényezők, régiók közötti mobilitásának következményeként értelmezik a konvergencia megvalósulását. A konvergencia kapcsán a Solow modell megalkotása óta számos elmélet látott napvilágot, melyek részletesebb bemutatására disszertációm elméleti részében kerül sor. A konvergencia empirikus kimutatására irányuló vizsgálatok többsége az un. szigma és béta konvergencia elemzését célozza meg. A szigma konvergencia a vizsgált indikátorok értékeinek szóródása alapján határozza meg a változás mértékét, míg a béta konvergencia a kezdeti időszak GDP-je, ill. a GDP éves növekedési rátájának regressziós vizsgálata alapján állapítja meg a konvergencia mértékét. Quah empirikus vizsgálatával lefektette a konvergencia klubok alapjait, és rámutat arra, hogy az egy főre jutó nemzeti jövedelem nem egy kitüntetett értékhez tart, hanem az adatok egyfajta csoportosulást mutatnak, amelyen belül értelmezhető a konvergencia. (Szörfi, 2004.) A közelmúlt néhány empirikus eredménye alapján látható, hogy a konvergencia kérdése még napjainkban is vitatott. „Vannak olyan írások, amelyek elutasítják (Baumol, 1986.; The Economist, 1992.; Barro, 1991.; Barro és Sala-i-Martin, 1992.), vannak, amelyek bizonyítják 1
A konvergencia szó általános értelemben „áramlások, információk, gondolatfolyamok összetartása, egymáshoz közeledése, egy helyre érkezése”, illetve „egy kitüntetett hely (pl. térbeli pont) felé mozgás vagy annak hajlama”. (Ferkelt, 2005.) A fogalmat számos tudomány előszeretettel alkalmazza (matematika, biológia, genetika, műszaki tudományok, társadalomtudományok).
3
(Mankiw-Romer-Weil, 1992.; Sprout-Weawer, 1992.; Nelson-Wright, 1992.) a fejlettségi szintek kiegyenlítődését. Valószínűleg az árnyaltabb kép felel meg a realitásoknak, amely az országokat különböző csoportokra osztja.” (Ligeti, 2002.) Quah vizsgálatai szerint az „országok egy főre jutó nemzeti jövedelmeinek alakulásában konvergenciával szemben egyfajta csoportosodás figyelhető meg: a közepes jövedelmi szintű országok száma egyre csökken, a jövedelmek eloszlását egyre inkább egy magasabb és egy alacsonyabb jövedelmi szint körüli csoportosulás határozza meg” (Trón, 2009. p. 63.). Ez a folyamat az úgynevezett „twin-peaks” (ikercsúcsok hatása), ami a világgazdaság polarizálódására utal. A modellben az egyik csúcs a gazdag, míg a másik csúcs az elszegényedett országokat jelöli. Quah „twin-peaks” modelljéből adódóan a világgazdaságban csak úgynevezett klubkonvergenciára van lehetőség. (Quah, 1995.) Azonos konvergencia klubokba azon gazdaságokat soroljuk, melyek hosszú távú növekedési pályája közel esik egymáshoz, vagyis egyfajta kvázi homogenitást mutatnak társadalmi, gazdasági szempontok alapján. (Benedek-Kocziszky, 2014; 2015.) Baumol értelmezésében a konvergencia klubok olyan csoportok, melyeken belül konvergencia, az egyes klubok között pedig növekvő diszparitások jellemzők. A területi egyenlőtlenségek és a konvergencia vizsgálata az Európai Unió számára is kiemelt jelentőségű, már az Európai Közösséget létrehozó Római szerződés preambuluma is megemlíti a területi különbségek kiegyenlítésének, az elmaradott területek felzárkóztatásának igényét. Az intézményi kereteket egyrészt az Európai Regionális Fejlesztési Alap létrehozása (1975), majd a kohéziós politika alapjainak lefektetése (1986 – Egységes Európai Okmány) teremti meg. A regionális politika létrehozásának alapvető oka volt, hogy az egyre bővülő európai integrációt komoly kihívások elé állította a régiók között fennálló társadalmigazdasági diszparitások mértéke. Az EU közel 20 éve végez vizsgálatokat a területi szintű egyenlőtlenségekkel kapcsolatban. Az Eurostat 2014-es Regionális Évkönyve alapján a leggazdagabb Inner Londoni régió, és a legszegényebb Severozapaden (Bulgária) régió között 26-szoros különbség áll fönn az egy főre jutó GDP esetében (mely vásárlóerő-paritáson mérve 11-szeres). A különbség 2000-ben a leggazdagabb Inner Londoni és az akkor legszegényebb Extremadura (Spanyolország) régió között 7,5-szeres volt (vásárlóerő-paritáson alig 6szoros). (1. ábra)
1. ábra: Az egy főre jutó GDP regionális különbségei Európában (2000-2013) Forrás: Eurostat adatai alapján saját szerkesztés 4
A fentiekben részletezett lefelé nivellálódás jelensége megfigyelhető az EU-ban 2008-2011 között, aminek oka az Inner Londoni régió visszaesése volt a gazdasági válság hatására (pénzügyi központ szerepe miatt). Ugyanakkor az EU leggazdagabb és legszegényebb régiói között a GDP különbségei a 2000-2013-as időszakban összességében tovább növekedtek. Ennek alapján úgy tűnik, hogy az EU-ban a konvergencia a jelentős ráfordítások (a 20072013-as időszakban a Strukturális Alapok keretében összesen 347 milliárd eurót fordított az EU a kohézióra) ellenére rendkívül lassú. A fentiek miatt a konvergencia (felzárkózás) lehetőségének vizsgálata kiemelten fontos. Kutatási témám periférikus térségek felzárkózási esélyeinek vizsgálata, különös tekintettel a német és magyar gazdaság belső konvergencia folyamatainak elemzésére, és a német keleti tartományok, ill. észak-magyarországi területek felzárkózására. Arra a kérdésre keresem a választ, hogy mely tényezők befolyásolják szignifikánsan a gazdaságok belső konvergenciáját, és a tágabb régiójukhoz képest a felzárkózást, Borsod-Abaúj-Zemplén megye és Szász-Anhalt tartomány esetében. Disszertációm felépítésének logikáját a 2. ábra szemlélteti. Dolgozatom 4 fő fejezetre tagolódik. Rövid bevezetést követően a dolgozat 2. fejezetében összefoglalom a téma releváns elméleteit, kitérek a regionális gazdaságtan növekedési elméleteire, a konvergencia elméletek fejlődésére, főbb típusaira. E fejezet összegzi a korábbi (GDP alapú) konvergencia vizsgálatok főbb eredményeit, és a konvergenciát támogató intézkedéseket a két ország vonatkozásában.
2. ábra: Disszertáció felépítése Forrás: saját szerkesztés
5
A harmadik fejezet módszertani kérdésekkel foglalkozik, összegzi az alkalmazott elemzési módszerek elméletét, számításuk módszertanát. Ennek során kitértem a területi egyenlőtlenségi indexek, területi autokorreláció, konvergencia számítások, shift-share elemzés és regressziós vizsgálatok (OLS és területi) elméleti alapjaira és számítási hátterére. A dolgozat negyedik fejezete tartalmazza téziseimet. Ebben a részben a német és magyar esetre vonatkozóan elvégeztem a területi szintű vizsgálatokat, arra a kérdésre keresve a választ, hogy mennyiben valósult meg a periférikus helyzetben lévő területek felzárkózása. Az elemzés keretében a GDP, és az életminőség index értékeit hasonlítottam össze különböző szempontok alapján. Kitértem az indikátorok eloszlásában felfedezhető differenciákra, és időbeli változásuk tendenciáira. Kiemelt figyelmet fordítottam a szomszédsági hatások elemzésére, és befolyásoló hatásuk feltérképezésére.
1.1. Témaválasztás indoklása A periférikus térségek felzárkózási lehetőségeinek vizsgálata Solow óta kérdés, napjainkban sincs egzakt válasz a regionális konvergencia egyes kérdéseire. A téma tehát ma is aktuális, különösen egy olyan régióban, melynek számos kistérsége gazdasági és társadalmi szempontból periférikus, hátrányos helyzetű. Magyarországon a nyugati és keleti országrész közötti gazdasági fejlettség differenciáinak csökkentése, a rendszerváltás óta eltelt 25 évben komoly problémát jelent. Különösen az Észak-magyarországi régió hátránya tekinthető jelentősnek a nyugati országrészhez képest. A rendszerváltás óta a hazai, majd 2004 után az uniós támogatások, és a gazdaságpolitika célja a különbségek csökkentése volt, akár célzott gazdaságpolitikai döntések foganatosításával is (pl: Bosch, Takata megtelepítése Miskolcon). A periférikus térségek problémaköre Németországban is komoly probléma, a volt NDK tartományai jelentős gazdasági-társadalmi hátrányt mutatnak a nyugati tartományokhoz viszonyítva. Az újraegyesítés óta eltelt 25 évben számos, a keleti tartományok komplex fejlődését elősegítő programot kezdeményezett a német szövetségi kormányzat (1990 és 2011 között a Német Egység Alapja (160Mrd. DM), majd a Szolidaritási paktum (82 és 156 Mrd. Euro) (Harald, 2008.)), melynek hatására kedvező gazdasági folyamatok indultak, de a társadalmi-gazdasági differenciák fennállása ma is megfigyelhető. A német területek az újraegyesítés óta az Unió tagjai, így strukturális támogatásokban a teljes időszakban részesültek. Emellett a tartományok keresztfinanszírozási rendszere is komoly segítséget nyújt a keleti területek felzárkóztatása érdekében. Célom annak kimutatása, hogy a két, egymástól eltérő kiinduló feltételekkel (gazdasági potenciál, EU támogatások különbségei) és gazdaságpolitikai irányvonalakkal rendelkező országban milyen mértékben valósult meg a periférikus helyzetű térségek felzárkózása a fejlettebbekhez, illetve az eltérő gazdaságpolitikai akciók milyen hatással voltak az érintett térségek konvergenciájára. Téma iránti érdeklődésem nem új keletű, a mesterképzés során szakdolgozatomat hasonló témában írtam (címe: A német gazdaság két arca, azaz megvalósult-e az egykori NSZK, és NDK tartományainak gazdasági konvergenciája?). Dolgozatomban megállapítottam, hogy a német gazdaságban 1995-ről 1997-re, 1998-ról 1999-re, 2001-ről 2004-re illetve 2005-ről 2008-ra teljesült az egy főre jutó GDP szigma konvergenciája, valamint 1995 és 2008 között a béta konvergenciája is, mégis jelentős különbség van a két országrész között. Az 1 főre eső GDP, az iparvállatok, és a K+F terén lényeges eltérések tapasztalhatók. A munkanélküliségi ráta esetében a keleti és nyugati országrész adatai kismértékben közeledtek egymáshoz, vagyis lassú konvergencia ment végbe. Kutatásom során kiemelt figyelmet fordítottam a két ország egy-egy periférikus helyzetű térségére (Németországban Szász-Anhalt tartományra és Magyarország esetében BorsodAbaúj-Zemplén megyére). A periféria relatív fogalom, megítélése országonként eltérő lehet 6
(Pénzes, 2013; 2014.). Célom kvázi homogén térségek lehatárolása volt, melyek fontosságára a területi elemzések során például Dusek (2004a) hívta fel a figyelmet. „A lehatárolással olyan halmazok elkülönítése a cél, melyek bizonyos szempontból homogénnek tekinthetőek.” (Pénzes, 2014. p. 24.) Ezért dolgozatomban a periférikus térségek lehatárolásakor az alábbi logikát követtem. A térségek kiválasztása során néhány társadalmi- gazdasági- infrastrukturális indikátort elemeztem a két ország vonatkozásában. Ezek kiválasztása során áttekintettem a szakirodalomban leggyakrabban alkalmazott mutatókat, melyeket Pénzes (2014) alapján az 1. táblázat összesít. A periférikus térségek kiválasztásakor a fentiekben felsorolt tényezőcsoportokon belül nyolc indikátort választottam, melyeket regionális léptékben a térségek esetében relevánsnak tekintettem, illetve hasonló elemzésekben alkalmazták őket. 1. táblázat: Komplex térségi elmaradottság mérésénél vizsgált tényezők Típus Folyamatosan vizsgált tényezők
Időnként mellőzött tényezők
Újonnan bekerülő tényezők Idővel elhagyott tényezők
Mutató − − − − − − − − − − − −
vándorlás − gépkocsi ellátottság korszerkezet − lakásépítés üteme urbanitás, településszerkezet − ivóvíz-ellátottság munkanélküliség − telefonellátottság jövedelmi viszonyok iskolázottság − turizmus foglalkoztatottsági szerkezet − gázellátottság − csatornázottság vállalkozássűrűség kutatás-fejlesztés − elérhetőség szociális támogatások − kábeltelevízió-ellátottság helyi adók − internet ellátottság hulladékgyűjtés − mezőgazdasági adottságok
Forrás: Pénzes, 2014. p. 42. és Nagy, 2012. p. 57. A vizsgált indikátorok a fiatalok aránya a népességben, munkanélküliségi ráta, egy főre jutó GDP, az 1000 főre jutó személygépkocsik száma, 1000 főre jutó lakásépítések száma, 1000 főre jutó vállalkozások száma, K+F+I ráfordítás a GDP%-ában és az 1000 főre jutó vendégéjszakák száma. Az indikátorok értékelése és a periférikus helyzet meghatározása során normalizációt alkalmaztam, amely egy minimum-maximum intervallumra vetítést jelent (értékek 0-1 közé esnek a normalizálás után). =
(1)
Habár hivatalos lehatárolásokban még nem használták a módszert, több tanulmány is dolgozott már a módszertannal (KSH: elmaradott térségekre és településekre vonatkozó lehatárolás - Kezán, 2014.; ill. kistérségi HDI – Farkas, 2012). Az értékekben 0,3 alatti pontszámmal rendelkező térségeket periférikusnak tekintettem (munkanélküliségi ráta esetében fordított értelmezést alkalmazva), így a nyolc indikátor alapján az alábbi eredményekre jutottam (2. táblázat). Az egyes indexek részletes eredményeit az 1. melléklet tartalmazza.
7
2. táblázat: Borsod-Abaúj-Zemplén megye és Szász-Anhalt tartomány periférikus helyzetét igazoló tényezők B-A-Z megye
Indikátor Fiatalok aránya a népességben Munkanélküliségi ráta GDP/fő 1000 főre jutó személygépkocsik száma 1000 főre jutó lakásépítések száma 1000 főre jutó vállalkozások száma K+F+I ráfordítás a GDP%-ában 1000 főre jutó vendégéjszakák száma Összesített pontszám
Szász-Anhalt
pontszám 0,778 0,955 0,104
besorolás magtérség periféria periféria
pontszám 0 0,846 0,007
besorolás periféria periféria periféria
0
periféria
0,728
magtérség
0,011 0 0,263
periféria periféria periféria
0,075 0 0,018
periféria periféria periféria
0,089
periféria
0,157
periféria
0,275
periféria
0,229
periféria
Forrás: saját szerkesztés A vizsgálatok alapján Szász-Anhalt tartomány a legtöbb vizsgált indikátor alapján periférikus, csak az 1000 főre jutó személygépkocsik számát tekintve emelkedik ki a perifériák közül. Ez esetben a magtérségek közé sorolható. Borsod-Abaúj-Zemplén megye értékei szintén egy esetben haladják meg a perifériák küszöbértékét, a fiatalok népességen belüli arányának vizsgálatakor a magtérségek jegyeit hordozzák magukban. A nyolc indikátor alapján számszerűsített komplex mutató mindkét területegységben alátámasztja a periférikus jelleget. A komplex mutató alapján Szász-Anhalt tartomány a legrosszabb helyzetben lévő német NUTS1-es térség, míg Borsod-Abaúj-Zemplén megye az 5. leghátrányosabb megye Magyarországon. További adalékot szolgáltathatnak a térségek periférikus helyzetét illetően a 21. melléklet hődiagramjai, melyek több indikátor alapján rangsorolják a térségek pozícióit.
1.2. Kutatási cél Kutatásom alapvető célja a két ország (Németország és Magyarország), ill. periférikus helyzetű területi egységei (Szász-Anhalt tartomány és Borsod-Abaúj-Zemplén megye) területi egyenlőtlenségének és konvergencia folyamatainak vizsgálata. A jelenleg leggyakrabban alkalmazott egy főre jutó GDP mutatója mellett a társadalmi-gazdasági viszonyokat részletesebben mutató regionális életminőség index (születéskor várható élettartam, közép és felsőfokú végzettségűek aránya a megfelelő korú népességben, év folyamán újonnan épített lakások alapterülete, csecsemőhalálozások száma, személygépkocsi ellátottság, munkanélküliségi arány) elemzésén keresztül kíséreltem meg a folyamatok magyarázatát. A többdimenziós vizsgálat oka, hogy a GDP alapú vizsgálat önmagában nem ad képet a régió jóléti folyamatairól, mivel a jóléti indikátorokat (várható élettartam, oktatás, foglalkoztatás) nem veszi figyelembe. Ezért a mainstream GDP alapú vizsgálatok mellett indokolt egyéb, a társadalmi helyzetről is képet adó indikátorok elemzése. Az életminőség indexre azért esett a választásom, mert egy olyan mutatót szerettem volna vizsgálni, mely nem tartalmazza a GDP tényezőjét. A disszertáció készítése során publikációim is ebben a témában születtek. Publikációimban főként a konvergencia, területi egyenlőtlenségek, regionális HDI és életminőség eloszlása és növekedési pályája, területi autokorreláció és shift-share elemzések témakörében végeztem vizsgálatokat.
8
Disszertációmban az alábbi kérdésekre kerestem a választ: 1. Hogyan fejlődtek a regionális gazdaságtan növekedés, ill. konvergencia elméletei? 2. Milyen eltérések figyelhetők meg a különböző gazdasági- társadalmi- infrastrukturális mutatók (GDP és életminőség index) eloszlásában NUTS3-as szinten a német és magyar gazdaság esetében? Miként csoportosíthatók a régiók földrajzi elhelyezkedésük, gazdasági-társadalmi indikátoraik alapján? 3. Milyen tendenciák fedezhetők fel a területi egyenlőtlenségek alakulásában? 4. Milyen mértékben befolyásolja az indikátorok eloszlását az egyes területegységek helyzete a térben, ill. szomszédsági viszonyaik? 5. Az életminőség eloszlása esetében a területi elhelyezkedésből fakadó vagy a strukturális (életminőség komponensei) tényezők szerepe domináns? 6. Igazolható-e a két gazdaságban a szigma, ill. béta konvergencia fennállása? Igazolható-e a klub konvergencia jelensége, amennyiben igen, milyen klubok rajzolhatók ki? 7. Mely tényezők befolyásolják szignifikánsan a német és magyar gazdaságban az egy főre jutó GDP alakulását? 8. Milyen összefüggések állnak fönn a vizsgált indikátorok között (GDP/fő; életminőség index)? 9. Mely intézkedésekkel, programokkal kísérlik meg a német és magyar gazdaságban a konvergencia elérését? Milyen regionális politikai célokat alkalmaztak a periférikus térségek felzárkóztatása érdekében?
1.3. Alkalmazott módszerek, adatforrások Munkám során a téma jellegéből fakadóan alapvetően kvantitatív módszereket alkalmaztam. Ezek megfelelő pontosságú leírást adnak a vizsgált eseményről, és statisztikailag alátámasztható információkat nyújtanak. A disszertációban alkalmazott matematikaistatisztikai módszerek: statisztikai idősoros összehasonlítás, lineáris korreláció és regresszió számítás, faktoranalízis, klaszteranalízis, diszkriminancia analízis, területi egyenlőtlenségi indexek, shift-share elemzés, területi autokorreláció, területi regresszió. Disszertációm készítése során több számítógépes szoftvert alkalmaztam a vizsgálatok szoftver; regresszióés elvégzésekor, melyek: SPSS (statisztikai elemző korrelációszámítások, faktor és klaszterelemzések egyik jellemzően alkalmazott szoftvere), GeoDa (térbeli megjelenítés, térökonometriai elemző szoftver: autokorreláció, regresszió modulok), Gretl (ökonometriai szoftver, regresszió számítás). Az alkalmazott módszerek, ill. az ennek érdekében használt szoftverek kapcsolatát a 3. táblázat szemlélteti. 3. táblázat: Disszertációban alkalmazott statisztikai elemzési módszerek és alkalmazott szoftverek Matematikai-statisztikai módszer statisztikai idősoros összehasonlítás lineáris korreláció és regresszió számítás faktoranalízis klaszteranalízis diszkriminancia analízis területi egyenlőtlenségi indexek shift-share elemzés területi autokorreláció területi regresszió
Alkalmazott számítógépes szoftver Microsoft Excel SPSS, Gretl SPSS SPSS SPSS Microsoft Excel Microsoft Excel GeoDa GeoDa, SPSS, Gretl
Forrás: saját szerkesztés 9
Disszertációmban a vizsgált indikátorok elemzése során az alábbi időkeret, területi egységek, és adatforrások mentén végeztem számításaimat (4. táblázat). A disszertációmban felhasznált adatok forrásait részletesen az 2. melléklet tartalmazza. 4. táblázat: Vizsgálatok lehatárolása (tér/idő/adatforrások) GDP vizsgálat időhorizontja vizsgált területi szint alkalmazott adatforrások vizsgálat időhorizontja vizsgált területi szint alkalmazott adatforrások
Életminőség index
Németország 2001-2011 NUTS2 – regionális NUTS3 – megyei Eurostat, Német Statisztikai Hivatal, Eurostat Népszámlálás Magyarország 2001-2011 NUTS2 – regionális NUTS2 –regionális NUTS3 – megyei LAU1 - kistérségi NUTS3 –megyei Eurostat Eurostat, Központi Statisztikai Hivatal, Központi Statisztikai Hivatal Népszámlálás
Forrás: saját szerkesztés
1.4. Kutatás hipotézisei Dolgozatomban hat hipotézist fogalmaztam meg. H1) Nemcsak a vizsgált két ország makrogazdasági növekedési és fejlődési pályája tér el, hanem feltételezéseim szerint a mezo-gazdasági pályák is különböznek egymástól.
Hipotézisemet a regionális (NUTS2) és megyei (NUTS3) szintű gazdasági teljesítmény és életminőség indexek dinamikus vizsgálatával, az egy főre jutó GDP és életminőség növekedési ütemének számszerűsítésével, ill. konvergencia klubok képzésével teszteltem. H2) A két országban eltérő egyenlőtlenségi pályák azonosíthatók, a német NUTS3-as körzetek esetében konvergencia, míg a magyar NUTS3-as (megyei) szinten divergencia valószínűsíthető.
Hipotézisemet egyenlőtlenségi indexek elemzésével teszteltem. H3) NUTS3-as szinten, a szomszédsági kapcsolatok befolyásolják az egy főre jutó GDP és az életminőség értékeinek eloszlását (szignifikáns területi autokorreláció). Bizonyítani kívánom, hogy Szász-Anhalt tartomány és Borsod-Abaúj-Zemplén megye egyes területei homogén, hátrányos helyzetű térségek.
Hipotézisemet NUTS2-es, NUTS3-as, ill. LAU1-es szintű Moran I indexekkel, Local Moran indexek számszerűsítésével és klasztertérképeik elemzésével teszteltem. A területi és strukturális hatások elemzése során shift-share analízist alkalmaztam. H4) A konvergencia üteme a német és magyar gazdaság periférikus térségeiben eltérő. Feltételezhető, hogy a konvergencia folyamat során nem történt jelentősebb átalakulás a térségek rangsorában. Az eltérő területi szinteken (NUTS2 – NUTS3) elvégzett vizsgálatok különböző eredményekre vezethetnek.
10
Hipotézisemet szigma, béta és gamma konvergencia számításokkal, valamint egyenlőtlenségi indexek (range, Hoover index, Duál mutató) számszerűsítésével teszteltem. H5) A konvergencia eltérő üteme miatt mindkét országban a NUTS3-as területi szintek esetében konvergencia klubok alakíthatók ki, és ennek alapján igazolható, hogy a vizsgált területi egységek változatlanul perifériális helyzetben vannak. A német területek vonatkozásában a klubok összetétele konvergenciára, míg a magyar esetben divergenciára utal.
Hipotézisemet klaszteranalízissel (Ward módszer) konvergenciát diszkriminancia analízissel vizsgálom.
teszteltem,
a
klaszteren
belüli
H6) a) Feltételezésem szerint a térségek gazdasági teljesítményét jelentősen befolyásolja a regisztrált vállalkozások, és az el/odavándorlások száma. b) A szomszédsági hatások miatt valószínűsíthető területi regressziós modellek érvényessége.
Hipotézisemet faktoranalízissel és kapcsolódó regressziós modellekkel teszteltem. A szomszédsági hatások tesztelésére területi regressziós (spatial lag és spatial error) modelleket alkalmaztam. Hipotéziseim, és az azok igazolása érdekében alkalmazott módszerek közötti összefüggést szemlélteti a 3. ábra.
3. ábra: Kutatás hipotézisei és a bizonyítás módszerei Forrás: saját szerkesztés 11
2. Kutatási terület lehatárolása 2.1. Választott térségek ismertetése 2.1.1. Szász-Anhalt tartomány
Szász-Anhalt a harmadik legnagyobb területű keletnémet tartomány. Népességszámát (2,313 millió fő 2013-ban) és népsűrűségét (113fő/km2) tekintve is körülbelül átlagos helyzetben van a többi keletnémet tartományhoz viszonyítva. Modern gazdaságtörténete a 19. század első felében kezdődött, amikor a Halle/Merseburg/Bitterfeld vegyipari körzet („közép-német vegyipari háromszög”; Leuna, Schkopau és Bitterfeld-Wolfen vegyi ipari üzemei) fejlődésnek indult. (Brüggemeier, 1998.) Az ország keleti része a második világháború előtti időkig a német birodalom ipari magrégiója volt. 1936-ban az egy főre jutó gazdasági teljesítmény 20%-kal magasabb volt, mint nyugaton, és csak 10%-kal maradt el a Rajna-Ruhr-övezet ipari központ teljesítményétől. Dél-Szász-Anhalt tartomány ekkoriban a Berlin-Brandenburgi nagyvárosi övezettel együtt Németország egyik tradicionális ipari központja volt. Szász-Anhalt tartomány északi része pedig nagy mezőgazdasági múlttal rendelkezik (Braun et. al. 2013.). A tartományt is érzékenyen érintette a második világháború és azt követően az ország felosztása. A világháború befejezését követően, a berlini fal megépítéséig nem voltak határok, ezáltal nagyfokú kelet-nyugati migráció kezdődött. Számos magasan kvalifikált munkaerő hagyta el a keleti országrészt (orvosok, mérnökök, kutatók, vállalkozók). Ezt a példát számos nagyvállalat is követte. A megosztottság évei alatt két nagyvárosi körzetet alakítottak ki a tartományban (Magdeburg és Halle). A magdeburgi körzet az élelmiszerben, és nyersanyagokban gazdag Altmark és Börde körzetek mezőgazdaságának egyik központja volt. Magdeburgot szovjet mintára nehézgép-gyártó várossá alakították át (Ernst Thälmann, Karl Liebknecht és Georgi Dimitroff nevével jelzett nehézgép-gyártó üzemek). A szovjet megszállás időszakában sor került a legmodernebb üzemek leépítésére (optikai, elektrotechnikai ipar, autó és repülőgépgyártás, vegyipar és finommechanika – kapacitások 80%-a leépült). (Braun et. al. 2013.) Szász-Anhalt tartománynak 1990 után komoly struktúraváltáson kellett átesnie. A legnagyobb üzemei komoly strukturális nehézségekkel küzdöttek a szociális piacgazdaságra való áttéréskor, mivel technológiájuk nagy része elavult, és komoly környezeti kockázatokat hordozott magában. Leggyorsabban a gépgyártó üzemek, a vegyipari háromszög üzemei és a bányászati üzemek omlottak össze 1990-et követően, amely azt eredményezte, hogy több tízezer fő veszítette el állását. A munkanélküliségi ráta az 1991. évi 10,3%-ról előbb 1995-re 16,5%-ra, majd 1998/1999-re 21,7%-ra nőtt. A ráta 2005 után fokozatosan, lassú csökkenésbe kezdett, melynek következtében 2011-re már csak 11,5%-os volt (tartományok közötti 14 hely). Ugyanakkor a munkanélküliség tartományon belüli egyenlőtlenségei is jelentősek, hiszen míg az arány Börde területén 2012-ben 7,9%-os volt, addig például Mansfeld-Südharz körzetben közel a kétszerese, 14,7%. A tartomány a gazdasági mutatók területén is lassú növekedésbe kezdett, a térség GDP-je 7 év alatt (1991-1998) megkétszereződött (20,3 milliárd Euróról 42,7 milliárd Euróra nőtt). Ezt követően 2005-ig a GDP növekedési dinamikája lassult, majd a válság okozta visszaesést követően 2012-ben 52,1 milliárd Eurót tett ki, ami a tartományok között a 12. helyezett. (Tüllner, 2000.) 2002 és 2013 között Szász-Anhalt tartomány exportja is dinamikusan nőtt, Brandenburg mellett ez a térség érte el a legnagyobb növekedési ütemet, évi átlag kb. 11,5%kal. Komoly probléma a tartományban a migráció, 1989 óta Szász-Anhalt közel 600000 főt 12
veszített. A jövőbeli tendenciák alapján a tartomány népessége 2023-ra, 2 millióra is csökkenhet. (Braun et. al. 2013.) A tartomány demográfiai mutatóit áttekintve látható, hogy a népesség csökkenése mellett jellemző a népesség elöregedése is. A 16 év alattiak aránya a népességben, a keleti tartományokban 1991-ben átlagosan magasabb volt, mint nyugaton, azonban 2011-re valamennyi tartományban a nyugatnémet szint alá csökkent (Szász-Anhalt: 12,1%). A tartomány legfontosabb gazdasági ágazatai a vegyipar, gépgyártás, élelmiszeripar (több mint 200 ezer foglalkoztatott) és a turizmus (Felső-Harz-vidék Nemzeti Park, történelmi városok: Quedlinburg, Naumburg, Magdeburg, Wittenberg és Dessau). Az újraegyesítés után jelentős beruházásokkal ment végbe a vegyipar és a tartomány modernizációja, aminek köszönhetően olyan új nagyvállalatok jelentek meg, mint Leunában a BASF, Total, Linde és a Thyssen-Krupp. Az agrárszektor részaránya is jelentős Szász-Anhalt tartományban, a hozzáadott érték 2%-át az agrárium adja, amivel a második helyen áll a keleti tartományok között, Mecklenburg-Elő-Pomerániában ez az arány 3%-os. A tradicionális szektorok mellett a szolgáltató szektor és az olyan új iparágak, mint autóipar, biotechnológia, IKT, média, faipar, szél és napenergia is komoly szerephez jutnak a tartományban. A jövőiparágak megtelepedése két fő központba tehető. Magdeburgban jellemző az olyan jövőiparágak megtelepedése, mint szélerőmű gyártás, gyógyszeripar, tisztább technológiák alkalmazása. Halle pedig környezet és biotechnológiai vállalatok telephelyeivel rendelkezik. A nanotechnológia területén Magdeburg és Halle is számos kutatóintézettel, KKV-vel és egyetemi kutatólétesítménnyel rendelkezik, míg a biotechnológia területén a piros (gyógyszer és gyógyászati termékek) és a zöld (agrárium, növények) biotechnológia terjedt el az említett központokban. A tartomány gazdasági súlypontja Halle és a Szászországi Lipcse városa közé tehető, ahonnan több autópálya és a Lipcse-Halle repülőtér is könnyen megközelíthető. A tartomány vállalkozásainak szerkezete több dimenzióban is eltéréseket mutat. Egyrészt a vállalkozások tartományon belüli eloszlása is egyenlőtlen, másrészt viszont a vállalkozások szerkezete (foglalkoztatotti létszáma) eltérő például a nyugatnémet térségtől. 2012 októberében nem található egyetlen tőzsdén jegyzett nagyvállalat székhelye sem Szász-Anhalt tartomány területén. (Braun et. al. 2013.) A vállalkozások 87,48%-a 0 és 9 főt foglalkoztat, és 9,78%-a 10-49 fős létszámú vállalkozás. Az 50-249 és ennél több fős vállalkozások részaránya 2,42 illetve 0,32%. További adalék a vállalkozásokat illetően az úgynevezett „rejtett bajnokok” (Hidden Champions) jelenléte a térségben, amely olyan vállalatokat jelent, melyek relatíve ismeretlenek, azonban saját szegmensükben piacvezetők. A német és európai vonatkozásban is jelentős vállalatok Szász-Anhalt esetében a Doppstadt Calbe GmbH (gépalkatrészgyártás), ORWO Net AG (nyomtatástechnika), Q-Cells (elektronikai ipar) és Schuberth Holding GmbH (textilipar). A szabadalmi bejelentések számát illetően, a keleti tartományokban Szászország és Türingia rendelkezik 100000 főre a legtöbb szabadalommal (25-25), Szász-Anhalt tartomány ebben az összevetésben 4. Ebben a tartományban százezer lakosra 13 szabadalom jut, amivel csak Mecklenburg-Elő-Pomeránia tartományt tudja megelőzni. A bejelentett high-tech szabadalmak vonatkozásában Halle a 62., míg Magdeburg a 88. helyet foglalja el az európai nagyvárosi térségek rangsorában. A tartomány komoly eladósodottsága, és a háztartások deficitje miatt komolyan függ a térség a tartományi támogatásoktól, a tartományok keresztfinanszírozási rendszerétől, illetve az EU strukturális támogatásaitól. A tartomány támogatási politikájában a szakértők szerint az alábbi kulcsterületekre kellene fókuszálni: diszkriminatív előírások leküzdése, termék- és technológia-innovációk támogatása, vállalkozások közötti együttműködés erősítése, szakemberbázis kiépítése, hitelekhez való hozzáférés biztosítása és KKV-k nemzetköziesítése. (Braun et. al. 2013.) 13
2.1.2. Borsod-Abaúj-Zemplén megye
Borsod-Abaúj-Zemplén megye az ország második legnagyobb területű megyéje, az Északmagyarországi régió része. Területe 7250 km2, lakóinak száma 2015. január 1-jén 667 594 fő, népsűrűsége 92 fő/km2 (KSH). Az Észak-magyarországi régió egyike volt Magyarország azon területeinek, amelyek a XIX. század végén és a XX. század elején meghatározó szerepet játszottak az ország iparának, vasútépítésének és kereskedelmének fejlődésében. A régiót alkotó vármegyékben (AbaújTorna, Zemplén, Borsod, Gömör és Kishont, Heves, Nógrád és Hont) több, gyorsan fejlődő ipari központ és jelentős iparvállalat működött, amelyek nemcsak ezen országrész, de az egész ország gazdasági fejlődési motorjának számítottak. (Magyar Kereskedelmi és Iparkamara, 2003, p. 9.) Az elmúlt évszázadban a régió gazdasági és társadalmi helyzetére számos tényező volt hatással. Az I. világháború lezárását követő trianoni békeszerződés következtében módosultak Magyarország határai, mely a megye gazdaságát is érzékenyen érintette. Ipari kapacitásainak közel 70%-át, míg térségi felvevőpiacainak közel 60%-át veszítette el. Az 1950-es években aztán a megye gazdaságára új erők hatottak, a szocialista iparosítás és Sajómenti Ruhr-vidék kialakításának szellemében, Borsod-Abaúj-Zemplén megye komoly forrásokat kapott az ipar fejlesztésére. Ennek következtében 1953-ra az ország összes beruházásának 14,3%-a realizálódott a térségben. Az iparban foglalkoztatottak aránya jelentősen nőtt, míg a mezőgazdaság veszített súlyából. (Kocziszky, 2001.) 1990-es geopolitikai változások különösen hátrányosan érintették Borsod-Abaúj-Zemplén megyét. A régió nehézipara (bányászat, kohászat, nehézgép gyártás) az 1980-as évek közepén súlyos gazdasági helyzetbe került. Egyrészt az elavult technológia, korszerűtlen termékstruktúra, másrészt a magas fajlagos költségek miatt. Az állami támogatások csökkenésével (1990), majd megszűnésével megindult a nagyvállalatok szanálása, ami többszöri kísérlet ellenére is eredménytelen volt. Ennek hatására megkezdődött a létszámleépítés és az üzemek bezárása. Tovább nehezítette a megye helyzetét a húzóágazatnak számító, jelentős beszállítói háttérrel rendelkező szénbányászat és kohászat egy időben jelentkező világgazdasági recessziója. (APEH, 2008.) Az ipari termelés és a beruházások teljesítmény értéke az országos átlagot meghaladó mértékű visszaesést könyvelhetett el. A nehézipari vállalkozások foglalkoztatottságában és méretnagyságában komoly csökkenés ment végbe, különösen a kohászatot, szénbányászatot és gépipart érintette jelentősen a leépítések hatása. (Kocziszky, 2001.) Borsod-Abaúj-Zemplén megye település-szerkezetének egy részét Miskolc és vonzáskörzetének meghatározó szerepe, másrészt az apró- és törpefalvak sokasága jellemzi. (KSH, 2010.) Ugyanakkor nem csak a településstruktúrában, hanem a megye gazdasági térszerkezetében is jelentős differenciák állnak fönn. Az adózás előtti jövedelem háromnegyede a Kazincbarcika- Miskolc- Tiszaújváros térségben koncentrálódott 2000-ben. (Kocziszky, 2001.) A megyében a gyermekkorúak aránya magasabb (gyermekkorúak eltartottsági rátája 23,4% 2015-ben), a felnőtt és időskorúaké alacsonyabb (25,4% időskorúak eltartottsági rátája 2015ben) a hazai átlagnál. A népesség öregedését jelzi, hogy 2001-hez képest a gyermekkorúak hányada csökkent, míg az időskorúaké jelentősebb mértékben növekedett. (KSH adatok alapján) A régió és a megye lakosainak foglalkoztatásában ma is jelentős szerepet játszik az utóbbi 15 évben lényegesen átalakult, modernizálódott ipar. 2014-ben Borsod-Abaúj-Zemplén megye foglalkoztatottjainak 23,71%-a dolgozott az iparban, a régiós érték pedig 25,38%. Ez kismértékben marad el az országos átlagtól (30,4%). Emellett a megye gazdaságában a legfrissebb adatok alapján jelentős szerep jut a humán-egészségügyi és szociális ellátás 14
gazdasági ágnak (foglalkoztatottak 20,18%-a), a kereskedelemnek (10,3%), közigazgatásvédelem (9%) és oktatás (7,8%) nemzetgazdasági ágaknak. (KSH: Borsod-Abaúj-Zemplén megye Statisztikai Évkönyve, 2015.) Az 1990-es évektől a társadalmi-gazdasági átalakulás folyamatában a vállalkozások összetétele, nagysága, száma jelentősen megváltozott. Borsod-Abaúj-Zemplén megyében 1990 óta nő a regisztrált gazdasági szervezetek száma (mely 2014-ben 74686 db), azonban a működő vállalkozások számának változása már nem ennyire kedvező, mivel 2005 óta évente csökkenő tendenciát mutat (2014-ben 26246 db). (KSH) A megyében a közvetlen külföldi tőkebefektetéssel működő vállalkozások száma 2008 óta nő, és egy vállalkozásra jutó hozzáadott értékük 2013-ra elérte a 620 millió Forintot. (KSH: Borsod-Abaúj-Zemplén megye Statisztikai Évkönyve, 2015.) Kiemelkedő súllyal bír a vegyipar, az utóbbi években dinamikusan növekvő gépipar és a mintegy 10 százalék körüli hozzáadott értéket realizáló energiaipar, élelmiszeripar és az úgynevezett nem anyagi ágazat. (KSH-Miskolc, 2007.) A megye gazdaságának méretnagyság szerinti szerkezetére jellemző a tőkeszegény kisvállalkozások magas részaránya (2013-ban 1-9 főt foglalkoztató működő vállalkozások aránya: 92% az összes működő társas vállalkozáson belül). A 2013-as adatok alapján kevés igazán nagyvállalat működik a megyében (2013-ban a 250 fő feletti létszámú vállalkozások száma 37; 0,25% az összes működő társas vállalkozásból). (APEH, 2006.; KSH: BorsodAbaúj-Zemplén megye Statisztikai Évkönyve, 2015.) Az alábbi, 5. táblázatban a választott periférikus térségekkel kapcsolatban összegesítettem néhány társadalmi-gazdasági indikátort, a területek főbb alapadatait összfoglalva. 5. táblázat: Periférikus térségek néhány választott indikátorának összehasonlítása (2014) Indikátor
Szász-Anhalt tartomány
Borsod-Abaúj-Zemplén megye
terület (km2) lakosság (ezer fő) ─ ország összes lakosságának %ában népsűrűség (fő/km2) GDP (Mrd Euro) GDP/fő (Euro) bruttó hozzáadott érték (feldolgozóipar) (Mrd Euro) foglalkoztatottsági ráta (%) munkanélküliségi ráta (%) 1000 lakosra jutó működő vállalkozások száma K+F ráfordítás a GDP %-ában 1 millió főre jutó szabadalmak száma
20448 2277
7250 682,3
18,1
6,89
111 52,8 23000
94 4,28 10800
9,3
1,08
73,3 9,1
54,1 12,1
4,24
3,65
1,42
0,69
2,37
0,403
Forrás: Eurostat, KSH, és Német Statisztikai Hivatal adatai alapján saját szerkesztés
2.2. Korábbi empirikus konvergencia vizsgálatok eredményei 2.2.1. Németország belső konvergenciája
A német gazdaság belső (tartományok közötti) konvergenciájának kutatása nem új keletű. Az újraegyesítés után számos kutatót foglalkoztatott a kérdés, hogyan alakul a gazdaságilag fejletlenebb keleti tartományok felzárkózása és mely tényezők hatnak a konvergencia irányába, mikorra tűnhet el a gazdasági szakadék a két országrész közül. Disszertációmban a 15
2000-es évektől vizsgáltam a német gazdaság konvergenciájával kapcsolatos tanulmányokat, vagyis, hogy 10 évvel az újraegyesítés után láthatóak-e már a felzárkózás jelei. A kutatások időrendi összegzését az 3. számú melléklet tartalmazza. Megállapítható, hogy az újraegyesítés után 10 évvel, a keleti tartományok sok tekintetben közeledtek a nyugati országrészhez (pl.: a magánszférában tevékenykedő gazdasági szervezetek száma, fogyasztás (tartós fogyasztási cikkek), illetve az aktív foglalkoztatottság tekintetében). Emellett a tartományok kormányzati politikái is hasonlóak. (Hagen et. al., 2000.) Busch kutatása szerint (2002) a felzárkózási folyamatot hátráltatja, hogy az új tartományok demográfiai gondokkal küzdenek. Probléma, hogy a keleti tartományok népessége 2050-re az 1950-es szinthez képest akár felére is csökkenhet, ami jelentősebb mértékű, mint a nyugati tartományok esetében. Ezen belül is a munkaképes korúak aránya a keleti területeken a 2002es érték felére redukálódhat. Az átlagéletkor viszont a két területen konvergálni fog egymáshoz. (Busch, 2002.) A német gazdaság életszínvonalát vizsgálta 2004-ben Klaus Schroeder, aki arra a megállapításra jutott, hogy a háztartások felszereltsége megközelítőleg hasonló. Az egyetlen jelentősebb különbség a személygépkocsik számát illetően van, mivel nyugaton a lakosság 78%-ának, míg keleten a lakosság 71%-ának van autója. A háztartások vagyoni helyzetének vizsgálatakor, nyugat-keleti viszonylatban azt a következtetést vonta le, hogy a háztartások jövedelemkülönbségei csökkentek, de még mindig nagy különbségek tapasztalhatók. (Schroeder, 2004.) Eggert 2004-ben két fő kutatási kérdést vizsgált a német konvergenciával kapcsolatban. Egyrészt elemezte a keleti és nyugati tartományok gazdasági növekedését az eurózóna tagállamaihoz viszonyítva. Ez alapján elmondható, hogy a keleti tartományok 1997-ig az EU és nyugati tartományok átlagánál magasabb növekedési rátát értek el, vagyis ekkor látható konvergencia valósult meg. Ezután viszont 2004-ig visszaesett a gazdasági fejlődés, és ezzel együtt a konvergencia is. Jól érzékelteti a visszaesést, hogy 1991-95 között a keletnémet gazdasági növekedés átlagosan évi 9%-os volt, ebben az időszakban meghaladta az ír gazdasági növekedést is, majd 1995-2003 között már csak évi 1%-os növekedést mutatott. A gazdaság szerkezetét vizsgálva a két területen, Eggert arra a megállapításra jutott, hogy 1991-ben keleten főleg privát szolgáltatások, és építőipari cégek jelenléte volt jellemző, míg nyugaton virágzott a feldolgozóipar, és a vállalkozások. Az arány 2003-ra változott. Megnövekedett a vállalkozói réteg részaránya, feldolgozóipari szektor és a kereskedelem a keleti területen, míg visszaesett az építőipar magas részaránya. Vagyis megindult egy lassú felzárkózás a két országrész gazdasági szerkezete között is. (Eggert, 2004.) Heilemann ezzel szemben a keleti területeket a Mezzogiorno esetéhez hasonlította, és hosszú távú lemaradást jósolt. (Heilemann, 2005.) Ohr és Zeddies kutatásai értelmében a külkereskedelem lehet a keleti tartományok gazdaságának egyik megmentője. Elméletét arra alapozza, hogy az újraegyesítés után a keleti tartományokban a gazdasági növekedés legfontosabb eszközei a fogyasztás, és a beruházások voltak. Azonban már 1995-től a beruházások üteme lassult, és 2000-től a fogyasztás is a nyugatnémet színvonal alá esett vissza. Ebből kifolyólag a ’90-es évek második felétől kezdődően a gazdasági növekedés motorja a külkereskedelem, valamint a nyugatnémet területekkel történő kereskedelem lett. A keleti tartományok a ’90-es évek végétől a fentiek miatt lényegesen magasabb exportkvótákkal rendelkeztek, mint a nyugatiak. A 2000-es évek elejére a külkereskedelem hatására nagymértékben közeledett a két ország egy főre eső GDP-je, és a kutatók szerint az export fontos összetevője lehet a német konvergenciának. (Ohr-Zeddies, 2007.) Heilemann 2007-es munkájában az újraegyesítéssel kapcsolatban hét hibatényezőre hívta fel a figyelmet, miszerint: 16
1. a gazdasági egyesítés kapcsán a szereplők naivak voltak a várható nehézségekkel szemben, 2. naivan hittek benne, hogy a piac majd mindent megold, 3. elhibázott német jegybanki politika, és a márka de-facto felértékelése majd a háromszorosára, 4. financiális helyzet kiegyenlítése nem volt az egyesítési szerződésben, 5. a vagyonügynökség Berlinben székelt és nem volt kirendeltsége minden tartományban, 6. rossz ingatlantörvények, 7. bérnövekedés üteme 1990 és 1992 között nem volt megfelelő. (Heilemann, 2007.) A kutatások közül kiemelhető továbbá Busch és szerzőtársai 2007-es elemzése, melyben a keleti és nyugati tartományok komplex elemzésére tettek kísérletet. Megállapításaik: Az újraegyesítés óta az új tartományok gazdasági és szociális fejlődését nagy várakozások előzték meg. Sok területen érzékelhető előrehaladás történt, viszont összességében a konvergencia folyamat csalódást keltő. Sok esetben javulás ment végbe a vállalati szféra modernizációja során, fejlődött az infrastruktúra, a fizetések emelkedtek, illetve javult a lakásállomány is. Ugyanakkor nagy problémát jelent a munkanélküliség, az ipari kapacitások széttagoltsága, ami máig megoldatlan feladat. Busch 2020-ig 3 különböző szcenáriót dolgozott ki a német konvergenciával kapcsolatban: − Mezzogiorno szcenárió: ez egy tartós visszaesést prognosztizál, az eddigi kiábrándító egyesítési politikából indul ki, és azt gondolja, hogy a második német gazdasági csoda nem fog bekövetkezni. − Kormányzati politika szcenáriója: ez tulajdonképpen a keleti újjáépülést mutatja (Aufbau Ost), ebben a szcenárióban a pénzügyi transzferek jutnak kulcsszerepbe. − Alternatív, innováció által támogatott fejlődés. (Busch et. al., 2007.) Einig és Jonas (2009) az életkörülmények komplex vizsgálatára tett kísérletet Németország NUTS3-as körzeteiben, melynek során kitért a demográfiai mutatók, a gazdasági indikátorok, a munkaerőpiac, a jólét, az ingatlanpiac, és az infrastrukturális ellátottság elemzésére. Ennek során 2007-2008-ra vonatkozóan az életkörülmények tekintetében is alátámasztották a nyugati és keleti országrész fejlettségbeli különbségét. Scheufele és Ludwig (2009), valamint Heineck és Süssmuth (2010) is a két országrész makroökonómiai indikátorait vizsgálta. Eredményeik alapján elmondható, hogy habár a Szolidaritási Paktum támogatásainak köszönhetően javultak a keletnémet területek gazdasági mutatói, jelentős különbségek állnak fönn nyugat-keleti relációban (keletnémet tartományok egy főre jutó GDP-je 2009-re a nyugatnémet szint 69,1%-át érte el). Saját korábbi kutatásaim során (mesterképzés szakdolgozata) a német konvergenciát vizsgáltam.2 Megállapítottam, hogy a német gazdaságban 1995-ről 1997-re, 1998-ról 1999-re, 2001-ről 2004-re illetve 2005-ről 2008-ra teljesült az egy főre jutó GDP szigma konvergenciája, valamint 1995 és 2008 között a béta konvergenciája is, mégis jelentős különbségek állnak fönn a két országrész gazdaságában. Az 1 főre eső GDP, az iparvállatok, és a K+F terén lényeges eltérések tapasztalhatók. A munkanélküliségi ráta esetében a keleti és nyugati országrész adatai kismértékben közeledtek egymáshoz, vagyis lassú konvergencia ment végbe. (Szendi, 2010.) Busch (2013) elemzésében rámutat, hogy 1990 óta jelentős előrelépések történtek gazdasági és társadalmi vonatkozásban egyaránt, főként 1992 és 1996 között. Ugyanakkor 1996 után a gazdasági és társadalmi előrelépés megtorpant, és csupán kismértékű növekedés ment végbe.
2
Dolgozat címe: A német gazdaság két arca, azaz megvalósult-e az egykori NSZK, és NDK tartományainak gazdasági konvergenciája?
17
Busch tanulmányában kifejti, hogy egyes pesszimista jóslatok értelmében (Bayerle) 320 év is szükséges lehet a teljes gazdasági konvergencia eléréséhez. Ennek okait Busch az alábbi tényezőkben látja: demográfiai problémák (elöregedés, népesség számának csökkenése, szelektív elvándorlás), nagyvállalatok és konszernközpontok hiánya, relatíve alacsony ipari intenzitás, relatíve alacsony exportorientáció, ipari kutatások hiánya. Hasonló eredményekre jutott Grossmann és Steger (2013) is, és azt valószínűsítette, hogy néhány közép-német tartományban (Szászország, Szász-Anhalt és Türingia) az ipari hagyományokra alapozottan lehet megteremteni a jövőbeli gazdasági fejlődés alapját. Borger és Müller (2014) rámutatott arra, hogy komoly problémát jelent a keleti területek gazdaságában a vállalkozási struktúra. A 250 főnél többet foglalkoztató vállalatok részaránya csupán 29%, míg nyugaton ez az arány 50% fölötti. Emellett a vállalati K+F aktivitás csak 0,9%-ban járul hozzá a térségek hozzáadott értékéhez, a nyugati területek 1,9%-ához viszonyítva. További probléma a két országrész esetében fennálló, eltérő településstruktúra. A keleti tartományok lakosságának ugyanis 55%-a alacsonyabb népességszámú vidéki térségekben él. Ez az arány nyugaton csak 27%. Ragnitz (2015) több dimenzió alapján vizsgálta a német konvergenciát az újraegyesítés óta eltelt teljes időszakra fókuszálva. Az egy főre jutó GDP elemzése alapján látható, hogy a kilencvenes évek közepe óta a keletnémet tartományok GDP-je hasonló mértékben nőtt, mint a nyugatnémeteké, és 2015-ben 67,1%-ot ért el. A gazdaságilag hátrányosabb helyzetű nyugati tartományokkal összehasonlítva a keleti tartományok GDP-jét, 78,9%-os arányt tapasztalt. A kutató a munkaerő-piac esetében pozitív folyamatokat tapasztalt 2005 után, a munkanélküliség csökkenő tendenciát mutatott, bár még mindig 60%-kal magasabb, mint nyugaton. Ragnitz komoly problémát lát abban, hogy a keleti tartományokban kevés növekedési pólus fedezhető fel, és alacsony a K+F+I tevékenység is. Ezért a keleti területek gazdaságának fejlesztése érdekében szükséges lenne a K+F infrastruktúra fejlesztésére, célzott vállalat betelepítésekre, jobb telephelymarketingre, telepítési tényezők fejlesztésére. 2.2.2. Magyarország konvergenciája
„A területi egyenlőtlenségek vizsgálata Magyarországon a társadalmi-gazdasági jelenségek elemzésekor hagyományosan az érdeklődés középpontjában állt és áll ma is” (Bruder et. al., 2011. p. 143.). Ezért áttekintettem néhány tanulmányt, a teljesség igénye nélkül a magyar gazdaság területi egyenlőtlenségeire vonatkozóan. A tanulmányokat időrendi sorrendben a 3. melléklet tartalmazza. „Az egy főre jutó GDP-ben kifejezett jövedelmi egyenlőtlenségek mind a megyék, mind a régiók szintjén folyamatosan növekednek párhuzamosan a gazdaság fejlődésével. A gazdasági növekedés kedvező hatásai elsősorban az ország Észak- és Nyugat-dunántúli térségeit, valamint a fővárost és tágabb agglomerációját érintették, ami magával hozta – a kormányzati intézkedések ellenére – egyrészt a főváros-vidék, másrészt a Nyugat- és Kelet-magyarországi megyék, régiók közötti különbségek növekedését.” (Az Országgyűlés 35/1998. (III.20.) számú OGY. határozatával elfogadott Országos Területfejlesztési Koncepció Felülvizsgálata, 2005. p. 32.) Ezt a nyugat-keleti megosztottságot támasztotta alá Harsányi et. al. 2005-ös tanulmánya, melyben a szerzők kifejtik, hogy regionális szinten mérve erős a nyugat-keleti gazdasági teljesítménybeli megosztottság. „Az ország legdinamikusabb, válságjegyekkel legkevésbé érintett térsége a főváros mellett Nyugat-Dunántúl, ezen belül is Győr-Moson-Sopron és Vas megye, (…) míg a skála végén Észak-Magyarország és Észak-Alföld van, a legalacsonyabb fejlettségű Szabolcs-Szatmár-Bereg, Nógrád, és Borsod-Abaúj-Zemplén megyék.” (Harsányi et. al. 2005. p. 64.) 18
Kiss és Németh alapján (2006) a területi szintű jövedelem eloszlása tekintetében jelentős különbségek tapasztalhatók mind a megyék, mind a kistérségek szintjén. Jelentős a kistérségek esetében a Hoover index szóródása, a tiszaújvárosi kistérség helyzete az egyik legrosszabb (20% fölötti Hoover index érték). Emellett jelentős a szóródás a munkanélküliségi ráta értékeiben is, amely magasabb arányú a ritkábban lakott területeken, mint a magasabb népsűrűségű településeken (Bruder et. al., 2011.). Nagy (2006) tanulmányában kifejti, hogy a térbeli különbségek alakulásában az ezredfordulót követően szerepet játszott az ipar térbeli szerkezetének megváltozása, mely során Budapest szerepe valamelyest csökkent, míg olyan központok emelkedtek ki, mint előbb Vas, GyőrMoson-Sopron és Fejér megye, majd később például Somogy, Heves, Borsod-Abaúj-Zemplén megyék. Hahn (2004) komplex fejlettségi vizsgálataiban arra mutat rá, hogy a térségi fejlődést az elmúlt években legerősebben a földrajzi helyzet, a külföldi tőke betelepülése, az autópálya elérhetősége, valamint a közép- és felsőfokú végzettség befolyásolta. Bakos et. al. (2011) a területi különbségek komplex vizsgálatára tett kísérletet, mely alapján megállapítható, hogy a migráció jelensége főleg a keleti országrészből a középső, illetve a nyugati területekre irányul. A legnagyobb vesztese a migrációnak Borsod-Abaúj-Zemplén, és Szabolcs-Szatmár-Bereg megye. A gazdasági fejlettség különbségei a területek között ma is jelentősek, melyek oka a földrajzi elhelyezkedés, a közlekedési adottságok, az infrastruktúra fejlettsége, a munkaerő képzettsége, a térségek működőtőke-vonzó képessége és az ennek hatására módosuló gazdaságszerkezet együttese. A gazdasági fejlettség egyenlőtlenségei legjellemzőbben a főváros–vidék, valamint a nyugati–keleti relációban mutatkoznak. Pénzes a kistérségek egy főre jutó jövedelmét vizsgálva, az egyenlőtlenségi folyamatokban a Williamson-hipotézis igazolását tapasztalta, azaz a fejlettebb térségek alacsonyabb belső egyenlőtlenségekkel rendelkeznek. (Pénzes, 2012.) Tóth (2013) a területi fejlettségi vizsgálatok szakirodalmát, és empirikus vizsgálati eredményeit áttekintve az ezredforduló után arra a megállapításra jutott, hogy a fejlettségi vizsgálatok (legyen az gazdasági vagy multi-dimenzionális elemzés) döntő többsége a legjelentősebb területi egyenlőtlenségeket főváros-vidék illetve nyugat-keleti relációkban azonosítja. A Közép-magyarországi régió kiemelkedő pozíciója mellett az elemzések többsége alátámasztja a Nyugat- és Közép-dunántúli régió relatív fejlettségét és a Déldunántúli és Észak-magyarországi régió kedvezőtlen pozícióját. Ez utóbbit erősítette a KSH 2012-es tanulmánya is, melyben a gazdasági folyamatok regionális különbségeit vizsgálták. Nagy és Koós 2014-ben az objektív jóllét mérésére tett kísérletet a 2009-es Stieglitz jelentés ajánlásai alapján, mely szerint a jólét dimenziói: anyagi életszínvonal, egészség, oktatás, egyéni tevékenységek, politikai képviselet, társadalmi kapcsolatok, környezet, gazdasági és fizikai bizonytalanság. A szerzőpáros az objektív jóllét mérését kistérségi szintű komplex vizsgálatokkal végezte, mely alapján megállapítható, hogy az objektív jóllét hátrányos helyzetű térségei nem térnek el jelentősen a gazdasági értelemben vett perifériáktól. Ez alapján arra a következtetésre jutottak, hogy a kistérségek gazdasági állapota erős korrelációban lehet a jóllét szintjével. Németh és szerzőtársai 2014-ben a kistérségek komplex fejlettségét vizsgálta egy lett kutatás mintája alapján, elemezve a térségi fejlettség indexét (Territory Development Index). Ennek során számításba vették kistérségi szinten a jövedelem, munkanélküliségi ráta, eltartási teher és a lakosságszám alakulását. Elemzésükben rámutattak, hogy a területi fejlettségi különbségek lényegesen nem változtak a kistérségekben 2003 és 2012 között, továbbra is nagy egyenlőtlenségek állnak fönn az egyes országrészek között. „Az országos átlagnál fejlettebb kistérségek többnyire a fővárosi agglomerációban és az Észak-dunántúli megyékben találhatók, illetve a megyeszékhelyek többsége is ide sorolható.” (Németh et. al. 2014, p. 328.) 19
2015-ös tanulmányomban a kistérségi HDI index eloszlását vizsgáltam az UNDP Lengyelországban alkalmazott módszertanát követve a 2011-es évre. A HDI számítás során alkalmazott indikátorok: születéskor várható élettartam (év), 15 év fölötti korosztályban a legalább általános iskola 8. osztályt elvégzettek aránya (%), felsőfokú végzettséggel rendelkezők aránya a 25 év feletti népesség körében (%), és egy főre jutó adóköteles jövedelem (ezer Ft). Az eredmények alapján elmondható, hogy a gazdasági teljesítmény indikátorokhoz hasonló térbeli mintázatok rajzolódnak ki a kistérségi HDI centrumok és perifériák tekintetében, azonban az LHDI oktatási és élettartam komponense is szignifikáns hatással bír az értékek eloszlására. A magyar kistérségi HDI esetében Budapest és agglomerációjának kistérségei, valamint az innen kiinduló és olyan nagyvárosokig, mint Győr, Miskolc, Pécs illetve Veszprém, tartó tengelyek a legfontosabb centrumtérségek. Periférikus jelleggel rendelkeznek az index szempontjából az ország északkeleti és délnyugati perifériájának kistérségei (Borsod-Abaúj-Zemplén, Szabolcs-Szatmár-Bereg, és Somogy megyék területén), melyek sok esetben halmozottan hátrányos helyzetűek. Elmondható továbbá, hogy a kistérségi HDI eloszlása is alátámasztja a nyugat-keleti fejlettségbeli differenciák fennállását, az ország nyugati felében lényegesen kevesebb a nagyon alacsony HDI indexszel rendelkező térség. (Szendi, 2015.)
2.3. A kutatás szakirodalmi előzményei – Regionális gazdaságtan növekedéselméletei Disszertációmban kiemelt figyelmet fordítottam a téma szakirodalmi hátterének összefoglalására. Az elméleti áttekintés során megvizsgáltam, hogyan fejlődtek a regionális gazdaságtan növekedés elméletei, a klasszikus politikai gazdaságtani iskolától napjainkig. A szakirodalom elemzése során áttekintettem a neoklasszikus iskola, az endogén növekedéselméletek és ezzel párhuzamosan a keynesi elméletek, továbbá az új gazdaságföldrajz fontosabb összefüggéseit, és a konvergencia fogalmának (területi egyenlőtlenségeknek) megjelenését az egyes elméletekben. A regionális gazdaságtanban a területi folyamatok (tevékenységek térbeli eloszlása, növekedés, fejlődés) magyarázatára két fő irány terjedt el, melyek: a) telephely-elméletek (regionális gazdaságtan legrégebbi ága, már az 1800-as évek elején megjelent, „Thünen és előfutárai” műveiben; és a gazdasági tevékenységek térbeli eloszlását vizsgálja), b) regionális gazdasági növekedés elméletei (gazdasági növekedés térbeli aspektusaira, és a jövedelem térbeli eloszlására fókuszál). A regionális gazdaságtan elméleti-módszertani alapját a telephely-elméletek adják, melyek alapvetően mikroökonómiai és statikus megközelítést alkalmaznak, azonban létezik makroökonómiai és általános egyensúlyi megközelítésük is. A regionális gazdasági növekedés elméletei ezzel szemben alapvetően makroökonómiai jellegűek. (Capello, 2011.) Disszertációmban ezért főként utóbbi elméletekre fókuszáltam. A regionális gazdaságtan főbb megközelítéseinek tér értelmezését, célját, és főbb irányzatait az alábbi, 6. táblázat foglalja össze.
20
6. táblázat: Regionális gazdaságtan főbb elméletei és a tér értelmezése
Tér értelmezése
Elmélet célja
Telephely elméletek
Regionális gazdasági növekedés elméletei
Helyi/ lokális gazdaságfejlesztés elméletei
Helyi/ lokális növekedési elméletek
fizikai-metrikus
uniform- absztrakt
diverzifikáltkapcsolati
piaci méret, terület lehatárolása termelési terület lehatárolása
regionális gazdasági növekedés meghatározó tényezőinek lehatárolása
helyi fejlődés meghatározó tényezőinek lehatárolása, ahol a fejlődés: területi versenyképesség
diverzifikáltstilizált helyi gazdasági növekedés meghatározó tényezőinek lehatárolása, ahol a növekedés: területi versenyképesség kvantitatív, növekvő skálahozadék 1990-es évektől napjainkig
Elmélet természete
kvantitatív és kvalitatív
Koncepció kialakulása
1940-es évek
Főbb elméletek és képviselőik
ipari telephelyelméletek (Weber, Hoover, Lösch) terület felosztásának elméletei (von Thünen, Alonso, Fujita) városi hierarchia (Christaller, Lösch)
kvantitatív, konstans skálahozadék 1950-es és 1960-as évek
Keynesi regionális gazdasági növekedés elmélete (North) Neoklasszikus regionális gazdasági növekedés elméletei
kvalitatív, növekvő skálahozadék 1970-es évektől napjainkig Exogén faktorok: növekedési pólusok elmélete (Perroux) multinacionális vállalatok szerepe (Liepietz, Blomstrom, Kokko) innováció terjedése (Hägerstand) Endogén faktorok: ipari körzetek elmélete (Becattini) innovációs miliő (Camagni) tanuló régió (Lundwall)
kumulatív okság elmélete (Myrdal, Kaldor) új gazdaságföldrajz (Krugman) endogén növekedés modellje (Lucas, Romer)
Forrás: Capello (2011) alapján saját szerkesztés Látható, hogy a tér dimenziója csak a telephely-elméletek esetében értelmezhető valós-fizikai térként, a későbbi elméleti irányzatok már bizonyos fokú absztrakciót alkalmaznak. A közgazdaságtanban a tér vizsgálata iránt elsőként az 1950-es évektől kezdődően nőtt meg az érdeklődés. Disszertációmban a regionális gazdasági növekedés elméleteitől kezdődően tekintem át az egyes irányzatokat. Ezen elméletek két fő csoportba sorolhatók. Az első csoportot azok az irányzatok alkotják, melyek a nivellálódás, vagy konvergencia megvalósulását támogatják: neoklasszikus elméletek, Keynes-i elmélet, exportbázis elmélet, endogén fejlődés elmélete. Ezzel szemben a második csoportba olyan irányzatok sorolhatók, melyek a konvergenciával szemben sokkal inkább a differenciálódást, a divergencia fennállását támasztják alá: növekedési pólus elméletek, polarizációs elméletek, centrum-periféria elméletek. (Péli, 2014.) Disszertációmban az egyes elméletek áttekintése során én is a fenti struktúrát alkalmaztam. 2.3.1. Klasszikus politikai gazdaságtan
A Smith, Ricardo, Malthus, Say és Thünen nevével fémjelzett klasszikus politikai gazdaságtan (1776-1873) időszakában a gazdaság egyensúlyi állapotát a kereslet-kínálat határozta meg, és a gazdasági növekedésnek a piaci korlátok szabtak határt. Say (1803) 21
alapján a gazdaságban „minden termelés megteremti a maga piacát, nincs sem túlkínálat, sem munkanélküliség”. A kor gondolkodói a laissez fair elvét hirdetve hittek a piac láthatatlan kezében, és úgy gondolták az állami beavatkozás zavarokat okoz a gazdaságban. A tér szemlélet megjelenésével már Smith és Ricardo munkásságában is találkozhattunk, mivel a földrajz szerepe alapvető volt elméleteikben. A földrajzi adottságok a verseny feltételei, meghatározó tényezői voltak (Lengyel-Rechnitzer, 2004.). A klasszikus politikai gazdaságtan művelői között elsőként Malthus munkájában találkozhattunk a növekedéssel, aki a népességszám változásának hatását vizsgálta. Malthus megállapította, hogy: a) „a népesség, ha nincs akadálya, minden 25 esztendőben megkétszereződik, vagyis geometriai progresszióban szaporodik” (Malthus, 1798. p. 4.; Kovács, 1908. p. 21.) és b) „a föld jelenlegi átlagos állapotát tekintetbe véve, az élelmiszerek az emberi szorgalomra legkedvezőbb körülmények között sem szaporíthatók gyorsabban, mint arithmetikai haladványban” (Malthus, 1798. p. 6.; Kovács, 1908. p. 23.). Vagyis nézetei szerint, míg a népesség mértani haladvány, addig az élelmiszertermelés számtani haladvány mentén nő, így a népességszaporodás korlátai az élelmiszerellátásban keresendők. Malthus tehát megkérdőjelezte, hogy a népességnövekedés pozitív hatással van egy ország gazdaságára. Nézetei szerint szabályozatlan feltételek mellett nincs összhang a népességnövekedés által támasztott szükségletek és a létfenntartási (élelmezési) javak termelése között. (Varga, 2013.) A klasszikus politikai gazdaságtan művelői azonban makrogazdasági szintnél kisebb, mezoszinten nem vizsgálódtak. 2.3.2. Neoklasszikus növekedéselméletek
A klasszikus politikai gazdaságtan korszakát követő neoklasszikus közgazdaságtan, a marginalista gondolkodók határhaszon elméletén alapszik, és a XX. század meghatározó közgazdasági iskolája. Feltételezései szerint: a gazdaság szereplői racionálisak, a döntéshozók tökéletesen informáltak, és tökéletes verseny áll fenn a piacon. A neoklasszikus modell továbbra is hisz a piaci automatizmusokban. Megközelítéseiben a piac elősegíti a regionális konvergenciát, nincs szükség állami beavatkozásra a regionális egyenlőtlenségek mérsékléséhez. Az 1950-es évektől az 1980-as évek közepéig a domináns növekedéselméleti irányzat az exogén, vagy neoklasszikus modell volt (Ramsley, Solow, Swan, Cass és Koopmans), mely a hosszú távú gazdasági növekedést magyarázza. A neoklasszikus modell a post-keynesi Harrod-Domar modell továbbfejlesztett változata. Robert Solow (1956) nevéhez fűződik, és alapja a későbbi növekedési és konvergencia elméleteknek. A modellben a kibocsátás növekedését három exogén faktor együttese határozza meg (a tőkeállomány növekedése, népesség növekedése, és a technológiai haladás változása; Y(t) = f[K(t), A(t), L(t)]). E tényezők együttesen járulnak hozzá az egyensúlyi (steady-state) állapothoz. A modell a munkaerő (népesség) és a tőke esetében csökkenő skálahozadékot feltételez, a kettő arányának hozadéka viszont állandó. A modell további feltétele, hogy valamennyi vizsgált tényező mobil, és a növekedés kínálatoldali tényezőkre vezethető vissza, a területi különbségek pedig a tőke és a munkaerő csökkenő határhaszna miatt hosszú távon eltűnnek. A szegényebb gazdaságok jövedelemszintjei hajlamosak konvergálni a gazdagokéhoz, mert hajlamosabbak a nagyobb ütemű növekedésre (Barro, 1991. p. 407.). A steady state állapotában az egy főre jutó jövedelem, és fogyasztás motorja az egyes gazdaságokban, a technológiai haladás rátája (Royuela - García, 2010.). A modell Cobb-Douglas típusú termelési függvényt alkalmaz. Feltételezi a termelési tényezők instabilitását, konstans népességnövekedési rátát (n), konstans megtakarítási rátát (s), ill. konstans amortizációs kulcsot (d). A t-edik időszakra vonatkozó konstans skálahozadékú, Cobb-Douglas típusú termelési függvény az alábbiak szerint írható fel:
22
=
(
)
,
(2)
ahol: Y- a kibocsátás, K- tőke, A- technológiai haladás, L- munkaerő; és 0< α <1 (tőke részesedése a teljes kibocsátásban). A munkáról (L) és a technológiai haladásról (A) feltételezzük, hogy n ill. g rátákkal exogén módon növekszik (Ding - Knight, 2008.), vagyis: ( ) = (0) ( ) = (0)
(3)
A modell szerint a gazdaságban megtermelt jövedelem egy konstans hányadát, újra befektetik (Solow, 1956; Szörfi, 2004.). A fentiek alapján a tőke akkumulációja az alábbi formában írható fel: = sy – (n + g + δ)k = sk – (n + g + δ)k
(4)
ahol: s- a megtakarítási ráta; k- egységnyi hatékony munkaerőre jutó tőke, y- egységnyi hatékony munkaerőre jutó jövedelem; δ- a tőke amortizációs rátája, - pedig k(t) szerinti deriváltja (Ding - Knight, 2008.). A csökkenő skálahozadékú termelési függvénynek megfelelően, a gazdaság egy egyensúlyinak tekinthető k* értékhez tart, azaz k a steady-state értékhez konvergál (Solow, 1956; Szörfi, 2004; Ding - Knight, 2008.). ∗
=%
&
' '(
)
* *+,
(5)
Vagyis az egyensúlyi tőkeállomány (4. ábra) egyenesen arányos a megtakarítási ráta nagyságával és fordítottan arányos a népességnövekedéssel, a termelékenység-növekedéssel és a tőke amortizációjával. (Szörfi, 2004.) A tőke és munkaerő konstans skálahozadékának elvét az alábbi egyenlet szemlélteti: (λK) (λL)
=λ
λ
=λ
'(
)
=λ
= λY
(6)
Ez annyit jelent, hogy bármely input λ–szoros növelése, λ–szoros növekedést okoz a termelési függvényben is. (Schäfer, 2010.) A konvergencia sebességét a változók logaritmusát véve kalkulálhatjuk: 12 3( ) 1
= λ4ln(6 ∗ ) − 896( ):
(7)
ahol λ a konvergencia sebessége, amely λ= (1 – α)(n + δ+ g) szerint kalkulálható. (Ding Knight, 2008.) A ŷ =−λ(ŷ− ŷ*) differenciálegyenletet megoldva számítható az a jövedelemben kifejezett távolság, amelyet az adott gazdaságnak a steady-state állapot elérése érdekében meg kell tennie: ŷ< ŷ∗
ŷ= ŷ∗
23
=
>
,
(8)
ahol ŷ? a felzárkózás kezdetén meglévő jövedelemszint, ŷ∗ az a jövedelmi szint, amelyre a felzárkózás történik, és ŷ az a jövedelemszint, amellyel a gazdaság a t-edik időszakban rendelkezik. (Dedák – Dombi, 2009.)
4. ábra: Egyensúly a Solow modellben Forrás: Solow (1956.) és Szörfi (2004.) alapján saját szerkesztés A Solow modell alapján összességében az alábbi megállapítások tehetők: 1. A technológiai haladás illetve a tőkeakkumuláció a növekedés fő hajtóereje (Dedák, 2000.). 2. A tőke csökkenő skálahozadékát, illetve exogén megtakarítási rátát, népességnövekedést, és technológiai haladást feltételezve, a modellben a hosszú távú gazdasági növekedést exogén módon a technológiai haladás rátája határozza meg (Ding-Knight, 2008.). 3. Minden ország gazdasága egy hosszú távú egyensúlyi állapot (steady state) felé konvergál, ahol a fundamentális elemek a megtakarítási ráta, a népesség növekedési üteme, és a humán tőke. Amennyiben a makrogazdasági feltételek azonosak, a kezdeti jövedelem szintjétől függetlenül a gazdaságok ugyanazon steady-state felé konvergálnak (Dedák, 2003.). 4. „A neoklasszikus növekedési modellek értelmében hosszú távú gazdasági növekedés csak akkor lehetséges, ha valamely exogén erő (exogén technikai fejlődés, vagy a munkaerő bővülése) ezt lehetővé teszi.” (Valentinyi, 1995. p. 582-594.) A neoklasszikus növekedéselméletek legfontosabb következtetése, hogy a szegényebb gazdaságok jövedelmi szintjei hajlamosak konvergálni a gazdagokéhoz, mivel a szegényebb gazdaságok hajlamosak a nagyobb ütemű növekedésre, mint a gazdagabbak. Vagyis az egyes országok egy főre jutó jövedelmének növekedési rátája fordítottan arányos az országok kezdeti jövedelemszintjével. (Barro, 1991.) „A modell feltételezi az egyes termelési tényezők tökéletes mobilitását a régión belül és a régiók között, továbbá tökéletes informáltságot tételez fel az egyes szereplőkről a tényezőárak vonatkozásában.” (Lóránd, 2009. p. 19.) Richardson (1980) értelmezésében a termelési tényezők ellentétes mozgásának hatására a regionális különbségek mérséklődnek, így az egyes térségekben a jövedelmek folyamatosan közelítenek egymáshoz.
24
A neoklasszikus konvergencia modellel kapcsolatban számos kritika merült föl az idők során, melynek áttekintését Stuntum munkája nyomán végeztem (van Stuntum, 2010): 1. Az empirikus eredmények divergenciára, vagy a különbségek tartós fennállására utalnak. 2. A tőke csökkenő határtermelékenysége megkérdőjelezhető. 3. A tőke immobilitása irrealisztikus. 4. A skálahozadék, a humán tőke és az endogén technológiai haladás figyelmen kívül hagyása. 5. A megtakarítási ráta és a népességnövekedési ráta konstansnak feltételezése irreális, ugyanis mindkettő az egy főre jutó jövedelem függvénye. 6. Regionális szinten a jövedelmek steady state egyensúlyi állapota különböző. Ezért csak korlátozott béta konvergencia lehetséges. 7. A nemzetgazdaságok relatíve zártabb rendszerében jól értelmezhető a teljes foglalkoztatás, a szabad verseny, vagy a termelési tényezők közötti korlátlan mobilitás, de regionális dimenzióban ezek az összefüggések nehezen írhatók le. Összességében a neoklasszikus modell komoly hiányossága már a kiinduló feltételekben megfigyelhető, a feltételezett Cobb-Douglas termelési függvényben szereplő tényezők ritkán mérhetők egzakt módon a képleteknek megfelelően, emellett a termelési tényezők tökéletesen szabad áramlása ritkán teljesül, számos tényező befolyásolhatja. Emellett probléma a modell esetében, hogy a szegényebb gazdaságok gyorsabb növekedési ütemét és felzárkózását valószínűsíti, holott a gyakorlatban, sok esetben éppen a divergenciák előtérbe kerülésével találkozhatunk. A neoklasszikus elméletek eltekintenek olyan tényezőktől, mint a történelmi hagyományok, vagy a kultúra, intézmények szerepe, ugyanakkor ezen faktoroknak meghatározó szerep juthat egy-egy térség fejlődésében. 2.3.3. Endogén növekedéselméletek
A neoklasszikus növekedési modellel kapcsolatban már az 1950-es és 1960-as években komoly kritikák merültek föl (divergencia létezése, skálahozadék kérdése). A konvergencia értelmezése azonban csak az 1970-es, 1980-as években fejlődött tovább. A hetvenes évek elején a változó világgazdasági körülmények (korábbi növekedési források kimerülése, beruházási kedv visszaesése, olajválság) új irányzat megjelenését eredményezték. Az új irányzat legfontosabb ismertetője volt, hogy a régiók endogén, belső erőforrásai kerültek a középpontjába. Ezért is nevezték ezt az irányzatot endogén (vagy új) növekedéselméletnek, mely legjelentősebb képviselői Barro, Sala-i Martin, Romer és Lucas. Az exogén modellben a hosszú távú növekedést a technológiai haladás, és a munkaerő határozza meg, vagyis modellen kívül eső, exogén tényezők. Az endogén modell ezzel szemben a technológiai haladást endogén faktorként értelmezi (több tényező határozza meg: K+F, oktatás), ami az externáliák miatt növekvő skálahozadékú (Romer, 1986; Lucas, 1988; Aghion – Howitt, 1998. stb.). Romer (1986) szerint ugyanis a gazdasági növekedés a tőkének nem csökkenő, hanem növekvő függvénye. A növekvő skálahozadék miatt az egy főre jutó jövedelmek regionális vagy nemzeti konvergenciája sem szükségszerű (Romer, 1986.). A magasabb kezdeti jövedelem szintről induló régiók képesek megtartani előnyüket a kezdetben fejletlenebbekkel szemben (5. ábra). Romer szerint az externáliák forrása a kutatás-fejlesztés. A profitérdekelt vállalkozások K+F beruházásai a növekedés fontos tényezői, a K+F eredményei tovagyűrűznek, hatnak az egész gazdaságra. Ilyen formában az innováció szerepe kulcsfontosságú. (Romer, 1986; Valentinyi, 1995; Szörfi, 2004.)
25
Az endogén modellben a regionális lehetőségek legfontosabb meghatározói az alábbi tényezők: − tőkepotenciál, − munkaerő adottsága, képzettsége (humán tőke minősége), − infrastruktúra felszereltsége, − földrajzi helyzet, − környezeti állapot, minőség, − piaci kapcsolatok, − társadalmi-kulturális adottságok, − döntési és intézményrendszer, − technológiai fejlődés, − innováció-politika hatékonysága. (Mezei, 2013.)
5. ábra: Növekvő hozadékú termelési függvény Forrás: Szörfi (2004.) alapján saját szerkesztés Az endogén növekedési elmélet másik kiemelkedő képviselője Lucas (1988), a neoklasszikus modell kritikájaként említi, hogy a felzárkózás nem következik be automatikusan, mert a tőke nem áramlik a fejlett térségből a fejletlenbe. (Szörfi, 2004.) Lucas elméletében kiterjeszti a tőke definícióját a humán tőkére. Véleménye szerint számos befektetői kezdeményezés történt olyan országokba, amelyek gazdagak humán tőkében, azonban ezek a kezdeményezések nem terjednek tovább a szegény országok felé. Ezért a jövedelmekben fennálló differenciák tartósan megmaradnak, és divergencia lesz jellemző (Davies-Hallet, 2002.). Barro és Sala-i-Martin (1992) feltételezték a tőke és a munkaerő szabad áramlását a régiók között (Szörfi, 2004.). Megállapításaik szerint azok a régiók, amelyek egy főre jutó jövedelme távolabb esik a steady-state állapottól, gyorsabb növekedésre képesek, mint a gazdagabbak, azonban az abszolút konvergencia jelensége nem bizonyítható, a gazdaságban csak feltételes konvergenciára van lehetőség. (Barro és Sala-i-Martin, 1992.) Mankiw-Romer-Weil is a neoklasszikus modellből indult ki, de a termelési függvényben a fizikai tőke mellett a humán tőkét is alkalmazta. A kiinduló jövedelmi szint és a növekedés üteme között azonban ők sem mutattak ki feltétel nélküli összefüggést. Elméletükben a megtakarítási ráta, az oktatás színvonala, és a népesség növekedési rátája azok a faktorok, amelyek döntően magyarázzák az egy főre jutó jövedelmek országok közötti differenciáját. (Mankiw-Romer-Weil, 1992.)
26
Williamson (1965) a területi egyenlőtlenségeket vizsgálta, és megállapította, hogy a gazdasági fejlődés a kezdeti időszakban regionális divergenciát, a későbbi szakaszokban pedig konvergenciát idéz elő (6. ábra) (Davies-Hallet, 2002; Nemes Nagy, 2005; Lukovics, 2008.). „Az elvárt eredmények szerint a regionális egyenlőtlenségek fordított U alakú görbét írnak le a nemzeti gazdasági növekedés fázisaiban.” (Williamson, 1965. p. 9.). Williamson modelljével kapcsolatban azonban a gyakorlatban kritikaként merülhet föl az időtáv megválasztásának problémája, hiszen nem mindegy, hogy milyen periódusban vizsgáljuk a hipotézis érvényességét. A vizsgálat kezdő időpontja jelentős hatással lehet a kapott eredményekre. További kritikaként merülhet föl a fejlődési pálya linearitásának feltételezése, ami a valóságban gyakorta nem teljesül (példa lehet: visszarendeződés a térségek rangosorában és a különbségekben; lefelé nivellálódás). Kuznets (1955), Myrdal (1957) és Hirschman (1958) elméleteire alapozottan úgy érvel, hogy a régiók közötti kapcsolatok, a tényezőmozgások, és a központi kormányzat politikája a fejlődés kezdeti szakaszában a legnagyobb agglomerációkban koncentrálódik, majd a fejlődés későbbi szakaszaiban a magasabb aggregált jövedelemnek köszönhetően ez a tendencia megfordul, és a jövedelmi különbségek kiegyenlítése felé hat (Davies-Hallet, 2002.).
6. ábra: Williamson görbe Forrás: Williamson, 1965; Davies-Hallet, 2002. és Nemes Nagy, 2005. alapján saját szerkesztés Nemes Nagy József a Kelet-Közép-Európai poszt-szocialista országok esetében módosította Williamson eredeti görbéjét. A poszt-szocialista gazdaságokat a területi kiegyenlítődés megindulása után sokkal erősebb konvergencia jellemezte („szocialista nivellálódás”), mint a hasonló fejlettségi szinten álló kapitalista államokat. A görbe jobb oldala ezért meredekebb, mint Williamson alapmodellje esetében. (Nemes Nagy, 2005.)
27
7. ábra: Williamson hipotézise a poszt-szocialista országok esetében Forrás: Nemes Nagy, 2005. alapján saját szerkesztés Összefoglalva, az endogén modell legfontosabb újításai a növekvő skálahozadék, a technológiai fejlődés endogén kezelése, „árelfogadó” magatartás helyett vállalati „ármeghatározás” (a növekvő méretgazdaságosság és az oligopol piac miatt), és az automatikus konvergencia tagadása. (Meyer, 1995.) 2.3.4. Keynesi elméletek
A neoklasszikus közgazdaságtani iskola mellett az 1930-as évektől egy másik jelentős elméleti iskola jelent meg, amit Keynes nevével azonosítanak. A Keynesi elméletek kialakulásának egyik oka, hogy a Say-dogma nem bizonyult igaznak, mivel a kereslet-kínálat viszonyai nem teremtették meg a gazdaság egyensúlyi állapotát, túlkínálat alakult ki, illetve tartós munkanélküliség jellemezte a gazdaságot. A piac láthatatlan keze tehát nem elegendő az egyensúly eléréséhez, a keresleti oldal javításához állami beavatkozás szükséges. A Keynesi modell ezért a keresleti tényezőkre fókuszál, és az állami beavatkozások szükségességét hangsúlyozza. A fennálló egyensúlytalanságok miatt a Keynesi elméletek a divergenciák megértésére, magyarázatára helyezik a hangsúlyt (Kuttor, 2009.). A konvergencia elsőként az úgynevezett post-keynesi modellekben jelenik meg, a Harrod Domar modell formájában, amit elsőként 1939-ben Roy Harrod, majd tőle függetlenül 1957ben Evsey Domar fejlesztett ki, a gazdaság növekedési rátájának vizsgálata érdekében. A modell azt feltételezi, hogy az import határozza meg a helyi gazdaság növekedési rátáját (Capello, 2007.). A modell hosszú távú szemléletű, alapfeltételezései az alábbiak: − a gazdaság egy terméket állít elő, − tőke javak „nem romlandó”-k, − konstans megtakarítási hajlam, − fix termelési koefficiensek, (egy termék előállításához szükséges tőke és munkaerő; tőke/munkaerő és tőke/kibocsátás arányok rögzítettek), − a munkaerő növekedési rátája egy konstans n szinten egyenlő a népességnövekedés ütemével, − a befektetések az accelerator hatás szerint arányosak a kereslet növekedésével, − jövedelmek a Keynesi multiplikátor elmélet szerint arányosak a befektetésekkel (Capello, 2007.). 28
A modell egyik megállapítása, hogy nem létezik olyan feltétel, amely mellett a termelési tényezők régiók közötti áramlása egyensúlyi állapotba hozza a rendszert. Másrészt azok a régiók, amelyek nettó importtöbblettel rendelkeznek, gyorsabb növekedésre képesek, mint mások. A harmadik megállapítás, hogy a régiók növekedési rátáiban, kezdetben fennálló differenciák nemcsak, hogy fennmaradnak, de idővel növekedni fognak. (Harrod, 1939; Domar, 1946; Capello, 2007.) Solow szerint a Harrod-Domar modell legfontosabb megállapítása, hogy „a gazdasági rendszerek hosszú távon az egyensúlyi növekedés késélén a legkiegyensúlyozottabbak. Amennyiben a kulcstényezők nagysága – megtakarítási ráta, tőke-output ráta, munkaerő növekedési rátája – kicsit is elmozdul a holtpontról (nyugvó pontról), az vagy növekvő munkanélküliséget, vagy elnyújtott inflációt okoz.” (Solow, 1956. p. 1.). A modellt az idők során számos kritika érte. Egyrészt nem képes előrejelezni, vajon a regionális tényezőáramlások létrehozzák-e az egyensúlyi állapotot. Emellett a regionális divergencia, konvergencia jelenségét sem képes magyarázni. A szegényebb régiók általában nettó tőkeimportőrök, és a modell logikája szerint gyorsabban növekvő térségek, melyek képesek fölzárkózni. A valóságban azonban ezek a régiók nettó munkaerő-importőrök is, amely a modell logikája szerint viszont alacsonyabb jövedelemnövekedési rátához vezet, vagyis sokkal inkább divergencia alakul ki. (Capello, 2007.) Ugyanakkor a Keynesi elméletek az állami beavatkozás hangsúlyozása miatt a regionális konvergencia irányába is hatnak, mivel hosszú távon regionális politikai intézkedéseket generálnak a periférikus helyzetű térségek felzárkóztatása érdekében. (Mezei, 2013.) További kritikaként merülhet föl a Keynesi elméletekkel kapcsolatban a modell hosszú távú keretfeltételeinek létjogosultsága. Túlzottan leegyszerűsítő feltételezések mellett történik a modell meghatározása, hiszen az egy terméket előállító gazdaság, vagy a konstans megtakarítási hajlam a gyakorlatban irrealisztikus. Szintén távoli a valóságos helyzettől a munkaerő növekedési rátáját a népességnövekedés ütemével megegyezőnek tekinteni egy konstans szinten. 2.3.5. Exportbázis-elmélet
Az exportbázis-elmélet a Keynesi növekedéselmélet egyik típusa, amely ebből adódóan szintén komoly szerepet szán az állami beavatkozásoknak, a beruházások (főként infrastruktúra fejlesztések) támogatása miatt. Az exportbázis-elmélet a regionális gazdasági növekedést az exportágazatok erősségével magyarázza. Az elmélet szerint egy régió gazdasági növekedése döntően az exportra termelő ágazatok fejlődésétől függ, a fejlesztés meghatározó forrása a régió gazdasága iránt jelentkező interregionális kereslet. (Péli, 2014.) A modellben két szektor jelenik meg: basic és non-basic szektorok, ahol a basic szektor azokat a vállalatokat tartalmazza, amelyek nagyrészt externális tényezőktől függnek, míg a non-basic szektor vállalatai olyan helyi vállalatok, akik a lokális üzleti feltételektől függnek. (Kimbugwe et. al., 2010.) North (1955) elmélete szerint a korlátozottan rendelkezésre álló nyersanyagok exportja a magasabb fejlettségű térségekben megteremti a gazdasági fejlődés alapját. Ezek a régiók, kihasználva természeti adotságaikat és komparatív előnyüket, alacsonyabb opportunity cost mellett állítják elő termékeiket. Ebből következően minden más gazdasági tevékenység ezen exportágazat növekedésén alapszik (non-basic vállalatok, helyi igények kielégítése). A helyi közösség foglalkoztatását a basic szektor növekedése indukálja. A helyi vállalkozások a régió gazdasági növekedésének következményei és nem feltételei. (North, 1955; Kimbugwe et. al., 2010.) Az elméletben hangsúlyosan jelenik meg a regionális multiplikátor hatás, melynek nagysága attól függ, hogy a termeléshez szükséges erőforrások mekkora részét állítja elő a régió és mekkora részét importálják. (Kuttor - Nagy – Sebestyénné Szép, 2014.) Az exportbázis elmélettel szemben is számos kritika merült fel, mint a 29
bázisszektorok megválasztásának nehézsége, vagy a régión belüli növekedési impulzusok figyelmen kívül hagyása. (Lengyel - Rechnitzer, 2004.) További kritikai észrevétel lehet az elmélettel kapcsolatban, hogy az értelmezhetőségét nagyban befolyásolhatja a területi szint megválasztása (NUTS2 vagy NUTS3). Ennek ellenére a gyakorlatban a gazdaságfejlesztés széles körben alkalmazta, például a húzógágazatok megtelepítése során a ’60-as évek Európájában. (Mezei, 2013.) 2.3.6. Polarizációs elméletek
A polarizációs elméletek az exportbázis elmélet és Kaldor felfogását követve (gazdasági növekedés önfokozódó jellege) alakultak ki. A regionális fejlődés természetét a fejlődési különbségek kiegyenlítésében, divergenciák előtérbe kerülésében látják. (Mezei, 2013.) A modellben a régiók eltérő belső növekedési tényezőkkel rendelkeznek, erős függőségi kapcsolatok állnak fönn a régiók között, és nem tökéletes verseny jellemzi a piacot (Péli, 2014.). A polarizációs elméletek nézőpontja szerint a piaci folyamatok és erők a területi különbségeket felerősítik, mélyítik, az egyenlőtlenségek mérséklése érdekében hatékony állami beavatkozásra van szükség (Péli, 2014.). Schumpeter a szektorális polarizáció elméletében az innovációk szerepét hangsúlyozza a regionális gazdasági növekedésben. Ezt Perroux (1950) azzal bővíti ki, hogy a gazdaság motorikus egységei az újdonságot megjelenítő ágazatok. „Elmélete szerint a gazdasági növekedés nem jelenik meg mindenhol egyszerre, hanem bizonyos növekedési pólusokban jelentkezik változó intenzitással. Számos csatornán és különböző hatáson keresztül terjed tovább a teljes gazdaságra.” (Perroux, 1950. p. 309; Parr, 1999.) Ezek a gazdaság új erőközpontjai. Boudeville szerint a dinamikus ágazatokat koncentráló központok növekedési csomópontokként funkcionálnak. Pottier ezt azzal bővíti ki, hogy a gazdasági fejlődés csomópontjai közlekedési hálózatokkal vannak összekötve (Mezei, 2013.). Myrdal a kumulatív okság elméletében a régiók közötti egyensúlytalanságot két párhuzamos hatással, a spread (centrifugális) és backwash (centripetális) hatásokkal magyarázza. A spread hatás szerint a központ expanziója révén indul meg a fejlődés a régiókban, míg a backwash hatás negatív gazdasági változásokat jelent, miszerint a centrum elszívja a mobil termelési tényezőket a periférikus térségekből. (Lengyel - Rechnitzer, 2004.) „Myrdal halmozott okság elméletében a népesedési, gazdaság-termelési, újraelosztási, infrastrukturális, társadalmi-kulturális és társadalmi-politikai viszonyok egymást erősítve, vagy éppen gyengítve kapcsolódnak egymáshoz. Vagyis az egyenlőtlenségekért felelős tényezők bonyolult oksági láncra fűzhetők fel.” (Nagyné Molnár, 2007., p. 186.) 2.3.7. Növekedési pólusok elmélete
A növekedési pólusok elmélete a polarizációs elméletek továbbfejlődésével alakult ki. Azon alapszik, hogy az ágazati polarizáció a gazdaságban regionális polarizációhoz vezet, vagyis a dinamikus ágazatokat tömörítő központok területi növekedési csomópontokként működnek (Mezei, 2013.). Boudeville (1966) szerint „a városi térben elhelyezkedő, növekvő iparágak további gazdasági aktivitást indukálnak a befolyásuk alá tartozó zónában” (Boudeville, 1966. p. 11; Parr, 1999.). Paelinck (1965) ágazati növekedési pólusokat definiál, melyek jövedelmi, földrajzi és pszichológiai polarizációhoz vezetnek. Elméletükben a legfontosabb növekedési pólusok erős kapitalista iparral rendelkeznek, és számos nagyvállalat székhelyei. (Paelinck, 1965.) Az elmélet kritikájaként merülhet föl a növekedési pólus és környezete közötti feltétlen erős kapcsolatok, valamint napjainkban az erős kapitalista ipar feltételezése.
30
2.3.8. Új gazdaságföldrajz, új regionalizmus
„A közgazdaságtanban a ’90-es évekig főleg a mikro- (háztartások) és makroszint (nemzetgazdaságok) volt a vizsgálatok alapegysége, a kettő közötti mezoszint (regionális, városi szint) háttérbe szorult.” (Lengyel, 2003. p. 23.) A neoklasszikus, és az endogén növekedéselméletek álláspontja szerint a nemzeti gazdaságpolitikák és az országspecifikus jellemzők döntően befolyásolják egy-egy ország gazdasági felzárkózását. (Kertész, 2003.) A kilencvenes évektől új irányzatok jelentek meg a regionális gazdasági növekedés és konvergencia magyarázatára. Napjainkban a regionális gazdasági növekedési elméleteket egyre inkább áthatja a ’90-es évek elején kialakuló térgazdaságtani, vagy új gazdaságföldrajzi megközelítés, mely Krugman, Fujita, Venables, és Thisse nevével jellemezhető. Alapját Thünen és Isard telephelyelméletei adják. Legfontosabb megállapításuk a térbeli meghatározottság, és a gazdasági tevékenységek térbeli sűrűsödésének felismerése. Krugman értelmezése szerint a gazdasági elemzés tényleges egységei nem az országok, hanem a szubnacionális régiók (hiszen a gazdasági folyamatok térbeli eloszlása korántsem az államok politikai határait követi) (Krugman, 1991; Krugman-Venables, 1994; Varga, 2006; Dusek, 2013.). A gazdasági tevékenységek térbeli csoportosulásának egyik oka, hogy realizálják az agglomerációs méretgazdaságosságból fakadó előnyöket. (Az agglomerációs gazdaságok egy csoportja például a lokalizációs externáliákat használja.) (Harris-Kravtsova, 2009.). Az iparágak koncentrációja, ha egyszer beindult, akkor önfenntartásra hajlamos. (Szörfi, 2004.) Ez a gondolatmenet Krugman centrum-periféria elméletének alapja. Amennyiben a világgazdaságot két régióra bontva értelmezzük, amíg a szállítási költségek egyformán magasak, mindkét régió önellátó. Ha azonban csökkennek a szállítási költségek, megindul a régiók közti differenciálódás. (Szörfi, 2004; Varga, 2006.) Ezek a feltételezések azonban túlzott leegyszerűsítései a valóságnak, ezért korlátozottan értelmezhetők. Az új regionalizmus, hasonlóképpen az új gazdaságföldrajzhoz, kizárólag néhány sikeres „szuper-sztár” régióra és városra koncentrál (más helyeket figyelmen kívül hagy), és a siker forrását főleg régión belüli belső tényezőkre alapozza (például intézményi tényezők szerepe), figyelmen kívül hagyva az exogén faktorok lehetőségét. (Hadjimichalis - Hudson, 2014.) A perifériák számára néhány sikeres régió mintáját szolgáltatja, azonban e minták intézményi struktúrájának másolása nem oldja meg a problémát, nem adaptálható feltétel nélkül valamennyi periféria esetében. Az új regionalizmus a fejlett és fejlődő országok vegyes típusú (eleve árukereskedelmi és/vagy egyéb együttműködési területekre vonatkozó) integrációinak megjelenésére utal. (Artner, 2009.) 2.3.9. Területi gazdasági növekedés szakaszai
A regionális gazdasági növekedést egyéb, történelmi, demográfiai, társadalmi és politikai megközelítésekkel is próbálták magyarázni, melyek egy része a gazdasági növekedés szakaszaihoz köthető. Rostow (1960) növekedési modelljében a gazdasági növekedés folyamatát öt fő szakaszra osztotta, és meghatározta az egyes szakaszok alapvető jellemzőit. Friedmann (1966) a térszerkezet formálódását négy szakaszra bontotta, míg Richardon (1980) nevéhez a térszerkezet decentralizációs polarizáció elméletének kidolgozása köthető. A centrum és periféria modellek ezzel szemben a centrum innováció koncentráló szerepét, és a periféria függőségét hangsúlyozzák. Ugyanakkor sok esetben eltekintenek a különböző perifériatípusok jellemzőitől, és a félperifériák fennállásától. Porter (1990) kompetitív fejlődés elmélete a tényező-vezérelt növekedésből kiindulva, a beruházás-vezérelt növekedésen át jut el az innováció-vezérelt növekedésig. Ugyancsak az innováció szerepe emelhető ki a Kondratieff-ciklusok elméletéből (1935), melyek egy-egy bázisinnováció sikerességére alapozzák a növekedést. 31
A következőkben összegeztem a regionális gazdaságtan főbb növekedési elméleteit (8. ábra), fókuszálva az egyes elméletek legfontosabb képviselőire, illetve megállapításaira. Az így kialakított ábra komplex módon foglalja össze a vizsgált elméletek főbb sajátosságait.
8. ábra: Regionális gazdasági növekedés elméletei Forrás: saját szerkesztés
2.4. Területi konvergencia A konvergenciát sokan kutatták, sokféle meghatározás született a fogalmával kapcsolatban. A szó jelentése általános értelemben: „áramlások, információk, gondolatfolyamok összetartása, 32
egymáshoz közeledése, egy helyre érkezése”, illetve „egy kitüntetett hely (pl.: térbeli pont) felé mozgás vagy annak hajlama”. (Ferkelt, 2005.) A fogalmat számos tudomány előszeretettel alkalmazza (matematika, biológia, genetika, műszaki tudományok, társadalomtudományok). Gazdasági értelemben a konvergencia lehet nominális: infláció, államháztartási hiány, államadósság, folyó fizetési mérleg; reál: gazdasági növekedés, ár- és bérszínvonal, gazdasági fejlettség; illetve szerkezeti konvergencia: mezőgazdaságban foglalkoztatottak aránya, üzleti élet jogi környezete vagy az Eurozónához való csatlakozás feltétele: Maastrichti konvergencia kritériumok. (Ferkelt, 2005.) A közgazdaságtanban a konvergencia-elmélet a gazdasági növekedést állítja a célkeresztbe. A konvergencia elmélet szerint az iparosodott országok eredendően különböző struktúrát tartalmazó gazdasági rendszerei ugyanazon a gazdasági és technológiai kényszer alatt állnak, és egy integrációs folyamatban hasonló válaszokat kell adniuk. A gazdasági konvergencia definíciója tehát ebben az értelemben a kétoldalú kiegyenlítődést (közeledést, felzárkózást) jelenti különböző gazdasági rendszerek, azok helyzete, fejlődése, és céljaik között. (Ungerer, 2012.) A fejlődés gazdaságtan számos vitájában merül föl a gazdasági konvergencia kérdése, vagyis hogy a szegényebb országok tendenciájukban gyorsabb növekedésre képesek-e, mint a gazdagabbak, és érezhető-e az életszínvonal konvergenciája. Vagy ezzel ellentétesen, megfigyelhetőek-e olyan tendenciák, miszerint a gazdag még gazdagabb, a szegény pedig még szegényebb lesz, tehát a gazdagok és szegények közötti szakadék szélesedik. (SachsWarner, 1995.) A GDP-t széles körűen használják a makroökonómiai konvergencia mérésére különböző területi szinteken: nemzetközi szint (Barro és Sala-i-Martin, 1992, 1997; Mankiw et al., 1992; Quah, 1996a,b,c), regionális szint (Lopez-Bazo et al., 1999; Bivand-Brunstad, 2005.) és lokális szint (Royuela és Artís, 2006.). (Royuela-García, 2015.) Az Európai Unió szerződésében kiemelt figyelmet fordítanak a gazdasági és társadalmi kohézió erősítésére. Ezt a szerződés 2. cikkelye szabályozza: „a Közösség a közös stratégiák és tevékenységek kidolgozásával, javítja a Közösségen belül a gazdasági tevékenységek harmonikus és kiegyensúlyozott fejlődését, magas szintű konvergenciát és gazdasági teljesítményt tesz lehetővé, és biztosítja a gazdasági és társadalmi kohéziót és a szolidaritást a tagállamok között.” (Eckey-Türck, 2007.) A konvergencia elméleteinek összegzését tartalmazza Eckey és Türck (2007) alapján a 7. táblázat a gazdasági növekedés elméleteinek tükrében. 7. táblázat: Konvergencia és divergencia a növekedéselméletek tükrében elmélet
divergencia okai
konvergencia okai
neoklasszikus növekedési modell
-
tőke csökkenő határterméke biztosítja a konvergenciát (Solow, 1956; Swan, 1956; Barro/Sala-i-Martin 1990, 2004.)
poszt-keynesi modell
polarizációs elméletek endogén növekedés elméletek új gazdaságföldrajz
a területileg mobil kereslet és az externális sokkok a divergencia okai (Schmidt, 1966.) centripetális erők dominanciája, mint a divergencia oka (Hansen, 1975; Myrdal, 1957; Hirschman, 1965.) pozitív externális hatások konvergenciát és divergenciát is okozhatnak (Romer, 1986, 1990; Rivera-Batiz/Romer, 1991.) hosszú távon a szállítási költségek a regionális fejlődés fő meghatározói alacsony szállítási költségek magyarázzák a dolgozók térbeli koncentrációját és a divergenciát (Fujita/Krugman, 2004; Fujita/Thisse, 2002; Krugman 1991, 1999.)
Forrás: Eckey H. F. & Türck M. (2007) alapján saját szerkesztés
33
2.4.1. Szigma és béta konvergencia
A reál konvergencia mérésének alapvetően két módszere van: szigma, és béta konvergencia (a két fogalmat Barro és Sala-i-Martin (1992) használta először). A szigma-konvergencia a gazdaságok egymáshoz viszonyított fejlettségét hasonlítja össze idősorosan, legtöbbször az egy főre jutó, vásárlóerő-paritáson számított GDP alapján. Az egy főre jutó GDP-diszparitás alakulását, vagyis az egy főre jutó GDP átlagértéke körüli ingadozás változását vizsgálja (értékek természetes alapú logaritmusának szórása). Ebben az értelemben akkor beszélünk konvergenciáról, ha a vizsgált mutató szórása időben csökkenő tendenciát mutat, ellenkező esetben divergenciáról lehet beszélni (9. ábra). (Eckey-Türck, 2007.) Hátránya, hogy ezt a csökkenést nem minden esetben okozza az, hogy a fejletlenebbek felzárkóznak, okozhatja az is, hogy a fejlettek közti különbség csökken. Vagyis a szórás akkor is csökkenhet, ha az átlaghoz eredetileg is közel fekvő értékek még közelebb kerülnek az átlaghoz, míg az átlagtól leginkább távol eső értékek változatlanul maradnak. (Nemes Nagy, 2005.) A szigma konvergencia (értékek szórásának csökkenése) tehát a lefelé nivellálódás esetében is megvalósulhat.
9. ábra: Szigma konvergencia Forrás: Szörfi, 2004. alapján saját szerkesztés Baumol (1986) számos tanulmányban vizsgálta a konvergencia hipotézisét, korai követőivel Barro (1991) valamint Barro és Sala-i-Martinnal (1991, 1992) együtt. Ezen tanulmányok a béta-konvergencia megközelítést alkalmazzák (Royuela-García, 2015.). A béta konvergencia alaphipotézise, hogy a szegényebb országok egy főre jutó jövedelme gyorsabb ütemben növekszik, mint a gazdagabb országoké, ami hosszú távon azt eredményezi, hogy a szegényebb országok felzárkóznak a gazdagabbakhoz. (Nemes Nagy, 2005.) Béta konvergencia egyrészt akkor fordul elő, mikor minden régió ugyanazon steadystate felé konvergál (abszolút konvergencia), másrészt pedig, amikor ugyanazon kiinduló feltételekkel rendelkező régiók hosszú távon ugyanazon egy főre jutó GDP felé konvergálnak (feltételes konvergencia). (Eckey-Türck, 2007.) Az abszolút (vagy feltétel nélküli) béta-konvergencia a jövedelmi szint és annak növekedési üteme közötti kapcsolatot vizsgálja. Alapfelvetése, hogy az összes egy főre jutó jövedelemérték ugyanazon steady-state érték felé közeledik, mert az alacsonyabb jövedelmű régiókban magasabb az egy főre jutó jövedelem növekedési üteme, mint a magasabb 34
jövedelmű régiókban. Az abszolút konvergencia elmélete alapvetően neoliberális megközelítést alkalmaz, elutasítva az állami beavatkozás szükségességét, és a regionális politika létjogosultságát. Barro (1991) és Barro és Sala-i-Martin (1991, 1992) bevezették a feltételes konvergencia fogalmát, amely szerint az országok bizonyítottan különböznek a hosszú távú egy főre jutó jövedelmi szintjükben. Azok az országok képesek gyorsabb növekedésre, ahol magasabb a rés a kezdeti jövedelem, és a hosszú-távú jövedelem szintje között. (Sachs-Warner, 1995.) Barro szerint „egy szegényebb ország gyorsabb növekedésre képes, mint egy gazdag, azonban ez csak megfelelő mennyiségű humán tőke rendelkezésre állása esetén igaz; csak akkor, ha a szegényebb ország humán tőkéje meghaladja azt az összeget, ami tipikusan az alacsony jövedelmű országokat jellemzi.” (Barro, 1991. p. 409.) A feltételes konvergencia elméletében komoly szerep jut a regionális politikának. A feltételes béta-konvergecia elmélete szerint a gazdaságok nem egymáshoz, hanem sokkal inkább a saját egyensúlyi pályájukhoz konvergálnak, azaz végül különböző egyensúlyi értéket érnek el. Tehát minden országnak egyedi hosszú távú növekedési szintje, steady state állapota van. (Szörfi, 2004.) Összefoglalva, míg az abszolút béta konvergencia modell azt feltételezi, hogy minden régió ugyanazon steady-state felé konvergál, addig a feltételes béta konvergencia modellje értelmében a kezdeti feltételek határozzák meg a régiók egyensúlyi állapotát. (Eckey-Türck, 2007.) Quah (1993) szerint a béta konvergencia szükséges, de nem elégséges feltétele a szigma konvergenciának, ezért a szigma és béta konvergenciát együtt célszerű vizsgálni. (Quah, 1993.) 2.4.2. Konvergencia klubok
A konvergencia egy további értelmezését adja a konvergencia klubok fogalma, amelyen azon gazdaságok csoportjait értjük, melyek hosszú távú növekedési pályája közel esik egymáshoz, vagyis egyfajta kvázi homogenitást mutatnak társadalmi, gazdasági szempontok alapján. (Benedek-Kocziszky, 2014, 2015.) A modellt 1993-ban dolgozta ki Quah. Quah empirikus elemzéseiben arra mutat rá, hogy az országok egy főre jutó nemzeti jövedelme nem egy kitüntetett értékhez tart, hanem az adatok egyfajta csoportosulást mutatnak, melyeken belül megfigyelhető a konvergencia. (Quah, 1996c.) „A jövedelmek eloszlását egyre inkább egy magasabb és egy alacsonyabb jövedelmi szint körüli csoportosulás határozza meg” (Trón, 2009. p. 63.). Ez a folyamat az úgynevezett „twin-peaks” (ikercsúcsok hatása), ami a világgazdaság polarizálódására utal (10. ábra). Az modellben az egyik csúcs a gazdag, míg a másik csúcs az elszegényedett országokat jelöli. Quah „twin-peaks” modelljéből adódóan a világgazdaságban csak úgynevezett klubkonvergenciára van lehetőség. (Quah, 1995.) Baumol (1986) megállapítása szerint a világ országai számos konvergencia klubba sorolhatók. Az egyes klubokon belül az országok egymáshoz képest konvergálnak, viszont az egyes klubok között nem megy végbe a konvergencia, a klubok között növekvő diszparitások figyelhetők meg. Baumol-Wolff (1988) nyomán azon országokat tekinthetjük egy „konvergencia-klubba” tartozónak, melyek technológiatranszferek, a nemzetközi kereskedelem és beruházások vagy az oktatás segítségével képesek a felzárkózásra. Baumol későbbi elemzéseiben rávilágít arra, hogy a konvergencia klubokon belül érezhető konvergencia valósul meg, míg a klubon kívüli gazdaságok esetében nem. Ugyanakkor a klubok lehatárolása nem egyértelmű. „Látható, hogy a konvergencia nem vonatkozik a világ legszegényebb országaira, bár a konvergencia klubba tartozókat, és a klubon kívülieket elválasztó vonal nem egyértelműen meghatározott.” (Baumol et. al., 1994., p. 82.) Baumol értelmezésében „csak a megfelelő szintű humán tőkével ellátott országok képesek kihasználni a modern technológia nyújtotta előnyöket a konvergens növekedés elérése érdekében.” (Baumol et. al., 1994. p. 65.) Így tehát a 35
konvergencia klubok kialakítása, és értelmezése is magában hordozza az elemző szubjektivitását, hiszen nincs egzakt/egységes lehatárolási, csoportképzési módszer a klubok meghatározására, és a klubok interpretálása is nagyfokú kutatói szubjektivitásra ad lehetőséget. A klubok értelmezése függhet a kutató korábbi eredményeitől, tapasztalataitól.
10. ábra: Ikercsúcsok hatása (Twin-peaks) Forrás: Quah (1995.) alapján saját szerkesztés A konvergencia klubok értelmezhetők a növekedés elméletek megközelítésében is. A neoklasszikus növekedési elméletek nézőpontjából a konvergencia klubok akkor fordulnak elő, ha a bérek megtakarítási rátája magasabb, mint a tőke megtakarítási rátája (DalgaardHansen, 2004.). Az endogén növekedés elméletek ezzel szemben a termelésben a humán tőke és a tudás szerepét hangsúlyozzák. A humán tőke és a tudás eltérő kezdeti színvonala okozhatja a többszörös egyensúlyi állapotot (Galor, 1996.).
36
3. Alkalmazott kutatás módszertana, módszerei 3.1. Területi jövedelemegyenlőtlenségek hatásai A területi egyenlőtlenségek alapvető oka, hogy nem létezik a térben két olyan pont, mely azonos tulajdonságokkal rendelkezne. Különbözőek gazdasági, társadalmi, és kulturális paramétereikben is. (Benedek-Kurkó, 2011.) Az egyenlőtlenségek vizsgálata számos módszerrel, és indexszel történhet, attól függően, hogy az adott jelenség mely aspektusaira vagyunk kíváncsiak. (Nemes Nagy, 2005.) A területi fejlettség tehát sokdimenziós és sokmutatós jellegű. A fejlettségnek számos tényezője van (pl.: humán tőke, gazdaság, infrastruktúra…), és az egyes dimenziók legtöbb esetben nem írhatók le egy mutatóval. A fejlettség általában komplex mutatóval (pl.: HDI) vizsgálható. Nemes Nagy (1990) alapján: „A területi egyenlőtlenségek megjelenése, illetve vizsgálatuk tartalma az alábbi hét, önmagában is összetett, egyben páronként és többszörösen is összefonódó, de azért elkülöníthető dimenzió, problémakör mentén (egyfajta, nem kizárólagos osztályozási rendszerben) leírható.” (Nemes Nagy, 1990. p. 16.) A dimenziók: az elhelyezkedés, a mennyiségek, minőségek, rendelkezés, szerep, szerkezet, kapcsolatok, viszonyok. A fentiekből is látható, hogy a területi egyenlőtlenségeknek számos típusa, aspektusa létezik. Disszertációmban a területi jövedelmi egyenlőtlenségeket vizsgáltam régiók, megyék, körzetek, és kistérségek szintjén a német és magyar gazdaságban az egy főre jutó GDP, ill. az egy főre jutó adóköteles jövedelem mutatóival. A jövedelmi egyenlőtlenségek esetében fontosnak tartottam áttekinteni, milyen hatásai lehetnek hosszabb távon az egyenlőtlenségeknek. A hatásokat három fő csoportba soroltam, melyeket gazdasági, politikai és társadalmi hatások csoportjának neveztem (11. ábra).
11. ábra: Területi jövedelemegyenlőtlenségek hatásai Forrás: saját szerkesztés 37
A területi jövedelemegyenlőtlenségek kedvezőtlenül hatnak az országok gazdasági növekedésére. Ugyanis a hosszú távú gazdasági növekedés erősen összefügg a jövedelmek területileg egyenletes eloszlásával (IMF, 2011.). A területi jövedelmi egyenlőtlenségek magasabb szintű steady-state munkanélküliségi rátával, és alacsonyabb technológiai haladással párosulnak, így a termelékenység növekedési üteme alacsonyabb, mint azokban az országokban, ahol a területi egyenlőtlenségek kisebbek (Galbraith, 2012.). A területi egyenlőtlenségekkel párosuló magasabb munkanélküliségi rátát támasztja alá Cysne (2004) tanulmánya is, amelyben a GINI koefficiens alapján vizsgálja a jövedelmi egyenlőtlenségek és a munkanélküliségi ráta pozitív korrelációját. Igazolja, hogy általában minél magasabb a jövedelmi egyenlőtlenség az országban, annál magasabb a munkanélküliségi ráta értéke. (Cysne, 2004.) A területi jövedelemegyenlőtlenségek negatív kölcsönhatásban lehetnek egy ország politikai stabilitásával, instabilitást és politikai nyugtalanságot okozva (Alesina-Perotti, 1996; KeeferKnack, 2002; Cingano, 2014.). Emellett a politikai hatások között említhető a magasabb jövedelmi egyenlőtlenségekkel párosuló magasabb szintű korrupció is (Gupta et. al. 2002; Begovic, 2006; Samadi-Farahmandpour, 2013.). Az egyenlőtlenségek társadalmi hatásai között említhető, hogy a jelentős területi jövedelemkülönbségek rosszabb egészségügyi állapothoz is vezethetnek (Karlsson et. al. 2010.). A magas területi egyenlőtlenségekkel rendelkező európai országokban a WHO kutatásai alapján rosszabb a lakosság mentális állapota (WHO – Friedlt, 2009.). A WHO 2003-as definíciója értelmében a mentális egészség magában foglalja a szubjektív jóllétet, autonómiát, képességeket, intellektuális és érzelmi potenciált. Más megfogalmazásban a jóllétnek az az állapota, ahol az egyének felismerik képességeiket, boldogulnak az élet normális stresszével, termékenyen dolgoznak és támogatják közösségeiket (WHO, 2003; WHO – Friedlt, 2009.). Wilkinson szerint a jelentős területi egyenlőtlenségeknek komoly egészségügyi és társadalmi káros következményei lehetnek, mint például alacsonyabb születéskor várható élettartam, magasabb csecsemőhalandóság, alacsonyabb írni-olvasni tudás, öngyilkosság hajlama, bizalomhiány, mentális betegségek (drog és alkoholfüggőség), társadalmi mobilitás hiánya (Wilkinson-Pickett, 2009.). A jövedelmi egyenlőtlenségek és a csecsemőhalandóság pozitív korrelációját mutatta ki Flegg (1982), Waldmann (1992) és Mayer-Sarin (2005) is. Vagyis minél magasabb a jövedelmi egyenlőtlenség egy országban, annál magasabb a csecsemő halálozások valószínűsége. Az OECD vizsgálatai szerint a felsőfokú oktatásba történő beruházások jelentősen javítják a GDP-t, ezáltal hozzájárulnak a területi különbségek csökkentéséhez (OECD, 2012.). Míg a humán tőkébe történő alacsony invesztíció magasabb területi jövedelmi egyenlőtlenségekhez vezethet (OECD, 2014.). A fentiek alapján belátható, hogy a magas területi jövedelemkülönbségeknek hosszú távon komoly gazdasági, politikai és társadalmi hatásai lehetnek, ezért vizsgálatuk kiemelt fontosságú. Megjegyzendő ugyanakkor, hogy a hatások többsége kétirányú, vagyis a különböző gazdasági, politikai és társadalmi problémák növekedése mélyítheti a területi differenciákat.
3.2. A területi fejlődés mérése - életminőség A területi egyenlőtlenségek vizsgálata tehát nem új keletű. Számos kutatót foglalkoztatott már a kérdés, hogyan alakul az országok, régiók gazdasági fejlettsége, és mekkora egyenlőtlenségek állnak fönn közöttük. A területi egyenlőtlenségek vizsgálata kapcsán a tanulmányok többsége az egy főre jutó GDP alapján vizsgálja a diszparitásokat. A gazdasági 38
vonatkozás azonban az egyenlőtlenségeknek csak egy aspektusa. Az országok, régiók teljesítményének vizsgálatakor nem elegendő csupán a gazdasági tényezőket vizsgálni, mivel a régiók társadalmi és infrastrukturális helyzetében is jelentős differenciák állhatnak fönn, és a gazdasági különbségek csökkenése nem mindig jár együtt a társadalmi egyenlőtlenségek csökkenésével. Ezért a mainstream GDP alapú vizsgálatok mellett indokolt egyéb, a társadalmi helyzetről is képet adó indikátorok elemzése. Ezek egyike lehet az életminőség mérése. Az irodalomban számos index jelenik meg az életminőség mérésére vonatkozóan, melyek alapján elmondható, hogy nincs egységes indikátor készlet az életminőség mérésére. Giannias, Liargovas és Manolas már 1999-ben kísérletet tett az életminőség konvergenciájának mérésére az EU-15 1970-90-es időszaki teljesítményére vonatkozóan. Tanulmányukban az alapvetően GDP alapú konvergencia elemzés mellett az életminőség indikátoraira is kitértek, úgy mint a háztartások fogyasztása, fogyasztói árak, személygépkocsi ellátottság, telefon és televízó készülékkel való ellátottság, orvosi ellátás és népsűrűség elemzése. Megállapításaik értelmében az életszínvonal konvergenciája 1970 és 1975 között megvalósult minden országban, ezután azonban az országok eltérő pályát futottak be. Például Spanyolország és Portugália javított az életminőségi viszonyain, de Görögország pozíciókat veszített. Hyun Song Lee (2003) Korea életminőség indexét hasonlította össze az OECD országokéval az alábbi komponensek alapján: jövedelem, egészségügy, oktatás, munka, kultúra és információ, társadalmi egyenlőség. A vizsgálatok értelmében Korea értékei jelentősen elmaradnak az OECD országok szintjétől. Korea 1995. évi reáljövedelme számos OECD ország 1960-as évek végi egy főre jutó jövedelmének feleltethető meg. Tehát körülbelül 30 éves differencia figyelhető meg a gazdaságok között. Marchante és Ortega (2006) a spanyol régiók gazdasági és életminőségbeli konvergenciáját vizsgálta 1980 és 2001 között a bruttó hozzáadott érték mutató és HDI indikátor alapján. Arra a megállapításra jutottak, hogy azok a régiók, melyek hasonló hozzáadott értékkel rendelkeznek, magasabb HDI elérésére lehetnek képesek. Einig és Jonas (2009) az életkörülmények vizsgálatára tett kísérletet Németország NUTS3-as körzeteiben, melynek során kitért a demográfiai mutatók, a gazdasági indikátorok, a munkaerőpiac, a jólét, az ingatlanpiac, és az infrastrukturális ellátottság elemzésére. Ennek során 2007-2008-ra vonatkozóan az életkörülmények tekintetében is alátámasztották a nyugati és keleti országrész fejlettségbeli különbségét. Rodríguez-Pose és Tselios (2013) a Sen-féle jóléti index mérésére tett javaslatot, és Európa egyes részei között jelentős mértékű jóléti különbségeket tapasztalt. Megállapításaik szerint észak-déli vonatkozásban a legjelentősebbek a differenciák. A déli periféria országainak (Spanyolország, Portugália, valamint Görögország és Dél-Olaszország) jóléti szintje csupán az EU átlag felét éri el. Az elmúlt évekre vonatkozóan az OECD 9 fő dimenzió mentén vizsgálta a regionális jólét mutatóit (jövedelem, munkahelyek, lakáshelyzet, egészségügy, oktatás, környezet, biztonság, választások, és szolgáltatások elérhetősége). (OECD, 2014.) Disszertációmban arra törekedtem, hogy a gazdasági konvergencia vizsgálata mellett a társadalmi jólétet és életminőséget is megvizsgáljam, ezért esett a választásom az életminőség index elemzésére. Lényeges jellemzője például a HDI-vel szemben, hogy nem tartalmazza a GDP indikátorát, tehát ettől némiképp függetlenül tud képet adni a társadalmi helyzetről. A fenti kutatásokból kiindulva, ugyanakkor azoktól némileg eltérően saját indexet hoztam létre a német és magyar gazdaság életminőségének mérésére, mivel olyan mutatót szerettem volna vizsgálni, mely nem tartalmazza a GDP tényezőjét. Az index kialakításakor fontosnak tartottam, hogy a vizsgált adatkör elérhető legyen mindkét országra vonatkozóan (a német esetben NUTS2-es és NUTS3-as szinten, míg a magyar vonatkozásban emellett LAU1-es 39
területi szinten is), illetve megfelelő képet adjon a társadalmi és infrastrukturális viszonyokról. Ezért indexem kialakítása során az alábbi indikátorokat használtam: 1. születéskor várható élettartam, 2. oktatás (középfokú végzettségűek aránya a 18-x korosztályban 1/3-os súllyal, ill. felsőfokú végzettséggel rendelkezők aránya a 25-x korosztályban 2/3-os súllyal), 3. egészségügyi helyzet (100000 főre jutó csecsemőhalálozások száma), 4. közlekedés (1000 főre jutó személygépkocsik száma), 5. lakókörülmények (1000 főre jutó az év folyamán épített lakások alapterülete), 6. munkanélküliségi ráta. Az index számszerűsítésekor felhasznált adatok forrását a 2. számú melléklet tartalmazza. Az index hat komponensének súlyozása során az UNDP 2013-as módszertanát követtem, melyet Lengyelországban a kistérségi HDI kidolgozása során alkalmazott. Ennek értelmében egy részindex számítása az alábbi képlettel végezhető el: @ABCD = E + FF ∗ G
GH GIHA
IJD
GIHA
(9)
A komplex életminőség indikátort pedig a hat alindex mértani átlagaként alakítottam ki. @éLCMIHA = VN@éLCMM ∗ @OPM ∗ @Cü ∗ @PöSL ∗ @LJPáU ∗ @IACLP
(10)
3.3. Területi fejlettség, területi egyenlőtlenség indexei A területi egyenlőtlenségek vizsgálatakor számos index áll az elemző rendelkezésére, melyek körültekintő kiválasztása komoly feladat. A regionális egyenlőtlenségek nagyságát ugyanis befolyásolja, hogy milyen indexszel számszerűsítjük. Két tényező fontos a kiválasztásuknál: − adott jellemző mérési skálája (nominális, ordinális-sorrendi, intervallum, arányskála), − egyenlőtlenségek aspektusa (szélsőségek egymáshoz való viszonya, térségi átlaghoz való viszonyítás, belső egyenlőtlenségi tagolódás). (Dusek, 2004a.) Továbbá az egyenlőtlenségek vizsgálata során meg kell különböztetni azok állapotjellemzőit (differenciáltság, kiegyenlítettség), illetve változásuk irányát (differenciálódás, kiegyenlítődés). (Tóth, 2013.) Ezek alapján az indexeknek számos megjelenési formája van. Elemzésemben főként azokra az indexekre koncentrálok, amelyek a két ország vonatkozásában a legrelevánsabb információkkal bírnak. Disszertációmban az egyenlőtlenségi indexek módszertani lehatárolásánál alapvetően Nemes Nagy József 2005-ös munkájára támaszkodtam. 3.3.1. Adatsor terjedelme (range-arány) (M)
Az egyenlőtlenségi indexek egyik legegyszerűbben számítható formája a range arány, amely az adatsor legnagyobb és legkisebb értékének hányadosaként számítható. „Megmutatja, hány szoros különbség van az adatsor két szélsőértéke között.” (Nemes Nagy, 2005. 3.2. fejezet) Az adatsor terjedelmének vizsgálatakor cél, hogy a mutató értéke az időszakok alatt csökkenjen. Ez jelzi az egyenlőtlenségek csökkenését. W= 40
(11)
3.3.2. Éltető-Frigyes index – Duál indikátor
A mutató az átlag feletti jövedelmek átlagát (Xm) osztja az átlag alatti jövedelmek átlagával (Xa), így teljes jövedelemegyenlőség esetén értéke 1. Ettől nagyobb értéke a jövedelmi olló mértékét mutatja egy adott gazdaságban az átlagosan gazdagok és átlagosan szegények között. (Nemes Nagy, 2005. 3.2. fejezet) X=
(12)
3.3.3. Súlyozott relatív szórás (V)
A súlyozott relatív szórás a vizsgált adatsor súlyozott átlagához viszonyítva adja meg az adatsor szóródásának mértékét százalékos formában (szórás/átlag). (Nemes Nagy, 2005. 3.2. fejezet) Y = 100 ∗ [3\ ]
∑(3
3\)_ `
∑`
a
(13)
3.3.4. Hoover - index
Az index „Két mennyiségi ismérv területi megoszlásának eltérését méri. Azt vizsgálja, hogy az egyik vizsgált ismérv mennyiségének hány százalékát kell a területegységek között átcsoportosítani ahhoz, hogy a területi megoszlás a másik ismérvvel azonos legyen.” (Nemes Nagy, 2005. 3.2. fejezet) Speciális esete a Robin-Hood index, amikor a jövedelem és a népesség viszonyát számszerűsítjük. Minél nagyobb a kapott érték, annál jelentősebb a területi jövedelemegyenlőtlenség. ℎ=
∑ e*|d f
`|
(14)
3.3.5. GINI index
A GINI index egy olyan egyenlőtlenségi mutató, amely a területi jövedelmek koncentrációjának relatív nagyságát méri. Minden területegység részarányának az összes többiétől való átlagos eltérését viszonyítja az átlaghoz (Nemes Nagy, 2005. 3.2. fejezet). A mutató esetében több ország összehasonlítása során fokozottan ügyelni kell, hogy a GINIindex kiszámítása azonos felosztáson alapuljon, hiszen durvább felosztás esetén kisebb, míg finomabb felosztás esetén nagyobb egyenlőtlenséget kapunk eredményül. (Dusek, 2004a.) g = fd̅
_
∑ ∑kij − jk i
(15)
3.3.6. SW (jóléti) index
Az EU kiemelt célja a gazdasági, társadalmi kohézió erősítése, és a területi egyenlőtlenségek csökkentése. Pose és Tselios 2013-ban a Sen-féle jóléti indexet (Sen, 1976.) használta a társadalmi egyenlőtlenségek feltérképezésére. Legfontosabb kutatási kérdésük az volt, hogy 41
vajon az egy főre jutó GDP-ben mért konvergencia hozzájárul-e a társadalmi konvergenciához is. Vizsgálatuk során arra a megállapításra jutottak, hogy Európa egyes területei között jelentős különbségek állnak fönn a jóléti index vonatkozásában, különösen a kontinens északi és déli területei között. Az index az alábbi számításon alapul: lm = µ (1 − g ),
(16)
ahol: µ az átlagjövedelem, G a jövedelem egyenlőtlenségek GINI koefficiense az i-edik régióban, a t-edik időszakban. (Rodríguez-Pose – Tselios, 2013.)
3.4. Területi autokorreláció Amennyiben a területegységek elhelyezkedése, és egymáshoz való viszonya befolyásolja az indikátorok eloszlását, a befolyás mértékének megállapításához térökonometriai módszerek alkalmazása szükséges. A térökonometria az ökonometria azon része, mely a keresztmetszeti, idősoros és paneladatokra épülő regressziós modellekben a térbeli aspektust (autokorreláció és térbeli struktúrák) vizsgálja. (Varga, 2002; Gerkman, 2010.) Térbeli hatások akkor jönnek létre, amikor a megfigyelési egységek térbeli elhelyezkedése befolyásolja az egységek közötti interakciókat. (Gerkman, 2010.) A térbeli hatások valószínűsége a szomszédos területegységek között a legnagyobb. (Gerkman, 2010.) A területi autokorreláció jelensége a fentiek miatt gyakorta megjelenik a regionális elemzésekben, arra a kérdésre keresve a választ, hogy az adatok (például gazdasági-társadalmi jellemzők, mint GDP, munkanélküliségi ráta, beruházások…) térbeli eloszlása véletlenszerű, vagy valamilyen szabályos alakzatba rendeződik-e. (Dusek, 2004a.) A területi autokorreláció megközelítőleg úgy definiálható, mint az értékek és elhelyezkedések hasonlóságának egybeesése. Más szavakkal valamely változó magas illetve alacsony értékei térbeli csoportosulást mutatnak (pozitív területi autokorreláció) vagy az egyes területeket nagyon különböző értékekkel rendelkező szomszédok veszik körül (negatív területi autokorreláció – sakktáblaszerű térszerkezet). (Anselin-Bera, 1998.) Negatív autokorreláció esetén a magas értékű területegységeknek alacsony értékű szomszédja van és fordítva. Ez ritka, okozhatja például a városi régió-falusi régió típusú térfelosztás. (Dusek, 2004a; Csite – Németh, 2007; Tóth, 2013.) Az autokorreláltság tehát azt jelenti, hogy a szomszédos területek hatással vannak egymásra, értékeiket kölcsönösen befolyásolják. Autokorrelálatlanság esetén a szomszédos térségek indikátorai (pl.: egy főre jutó GDP értékei) függetlenek egymástól, időben nem hatnak egymásra és a területek távolsága nem befolyásolja az értékekben mutatkozó különbségeket. A nullához közeli értékek az adatok véletlenszerű eloszlására utalnak, vagyis az eloszlás nem szomszédság függő. (Dusek, 2004a., 10.2. fejezet) A térbeni egymásra hatások, vagyis az autokorreláció mérésére a Moran-féle I mutató szolgál. A térökonometria e módszerét Moran javasolta 1950-ben, képlete az alábbi: p
n = o∑ q s ∗ r
∑ ∑(d
d)∗tdr du∗q r d)_
∑(d
(17)
ahol: (xi-x)*(xj-x) a területegységekhez tartozó értékek és az átlagok különbségének szorzata, Dij a szomszédsági kapcsolatokat leíró mátrix, az N pedig a területegységek száma. Amennyiben I>-1/N-1 akkor pozitív, ha I<-1/N-1 akkor pedig negatív autokorrelációs kapcsolatról beszélhetünk. Ha I=-1/N-1, akkor pedig nem áll fönn autokorrelációs kapcsolat 42
az egyes területi egységek között. Maximuma az 1-hez, míg minimuma a -1-hez közelít, azonban pontos értéke nincs, mivel függ a szomszédsági mátrixtól és a területi egységek számától is. (Dusek, 2004a. 10.2. fejezet) Az irodalomban széles körben ismert, hogy a megfelelő térbeli súlymátrix kiválasztása kritikus. (Harris-Kravtsova, 2009.) A súlymátrix fejezi ki a változók feltételezett térbeli struktúráját a modellben (Gerkman-Ahlgren, 2011.), vagyis leírja a szomszédsági kapcsolatokat. Bhattacharjee és Jensen-Butler (2013) szerint „a súlymátrix kiválasztása gyakran önkényes, érezhető bizonytalanság övezi a kiválasztást, és a tanulmányok eredményei érezhetően változnak a térbeli mátrix kiválasztásától függően.” A megfelelő szomszédsági mátrix kiválasztásában segíthetnek az úgynevezett „goodness-offit” tesztek, mint például az Akaike információs kritérium. Emellett nem-paraméteres megközelítést alkalmazva is meghatározható a szomszédság foka. (Harris-Kravtsova, 2009.) A súlymátrix általános alakja egy n x n-es mátrix, ahol n a megfigyelések száma (Gerkman, 2010.). w m=v ⋮ w
⋯ w ⋱ ⋮ { ⋯ w
(18)
A szomszédsági mátrix és szomszédsági súlyok meghatározása többféle módon történhet. Legegyszerűbb formája, amennyiben a szomszédos területeket 1-essel, a nem szomszédosokat 0-val jelöljük. Azonban kevésbé torzítja az elemzést, ha úgynevezett sorstandardizált mátrixot alkalmazunk, ahol az egyes sorokban az értékek összege 1-el egyenlő. Négyzetrácsok esetében beszélhetünk bástya, vezér illetve királynő szomszédságról, attól függően, hogy mely területeket tekintjük határosnak. Bástyaszomszédság esetén w k =1, ha i-nek közös határa van j-vel. A határ lehet fölfelé, lefelé, balra, jobbra. Vezérszomszédság esetén w k =1, ha i-nek közös csúcsa van j-vel, ami lehet északkeleti, délkeleti, délnyugati vagy északnyugati irányban. Királynőszomszédság esetén w k =1, ha i-nek közös határa vagy csúcsa van j-vel. (Gerkman, 2010.) További módszer a szomszédsági súlyok meghatározására valamely küszöbtávolság alapján történő meghatározás, vagy a legközelebbi szomszédok módszer alkalmazása, esetleg az euklidészi távolság figyelembe vétele. Cliff és Ord (1973) az euklidészi távolság alkalmazását javasolta a térbeli súlymátrixok esetén. A legközelebbi szomszédok módszer esetében minden i egységnek k számú legközelebbi szomszédja van, és a súlymátrix sor-normalizált. Tesztelése történhet térbeli J-teszttel. (Gerkman-Ahlgren, 2011.) Az így létrejövő súlymátrix nem szimmetrikus, hiszen i-nek ugyan k-adik legközelebbi szomszédja j, de j-nek nem biztos, hogy k-adik szomszédja i. (Gerkman, 2010.) Megjegyzendő, hogy társadalmi-gazdasági adatok vizsgálata során a négyzetrácsos térfelosztás relevanciája kicsi (így a királynő-, bástya- és vezér-szomszédságé), főként ökológiai és környezeti elemzésekben találkozunk velük. Disszertációmban a királynőszomszédságot az átlagos szomszédságszám meghatározásához használtam föl, közös határszakaszt értve alatta. Így elemzéseimben, a hazai szakirodalomban gyakrabban alkalmazott vezér-szomszédságként hivatkozom rá. A Moran-féle I a teljes térrendszerre vonatkozóan ad jellemzést az értékén keresztül (Tóth, 2003; Nemes Nagy, 2005.). A Local Moran I mutató ennek lokális változata, amely egy konkrét számértéket rendel minden területegységhez. A mutató esetében a negatív értékek negatív, míg a pozitív értékek pozitív területi autokorrelációt jeleznek. A Local Moran I megmutatja azt is, hogy hol csoportosulnak a magas vagy alacsony értékek a térben (HH–LL), másrészt azt, hol vannak azok a területi egységek, amelyek jelentősen különböznek 43
szomszédjaiktól (HL–LH), így klasztereket képez. (Tóth – Nagy, 2013. p. 605.) A létrejövő klaszterek jelentését az alábbi, 8. táblázat foglalja össze. 8. táblázat: Local Moran I klasztereinek jelentése Klaszter elnevezése
Jelentése mind az adott NUTS3-as területegység, mind pedig a szomszédjai szignifikánsan átlag feletti értékekkel rendelkeznek az adott NUTS3-as területegység szignifikánsan átlag feletti, míg a szomszédjai szignifikánsan átlag alatti értékekkel rendelkeznek az adott NUTS3-as területegység szignifikánsan átlag alatti, míg a szomszédjai szignifikánsan átlag feletti értékekkel rendelkeznek mind az adott NUTS3-as területegység, mind pedig a szomszédjai szignifikánsan átlag alatti értékekkel rendelkeznek
High-high (magas-magas)
High-low (magas-alacsony)
Low-high (alacsony-magas)
Low-low (alacsony-alacsony)
Forrás: Tóth, 2013. alapján saját szerkesztés
3.5. Shift-share elemzés A shift-share elemzés (vagy hatásarány elemzés) a regionális egyenlőtlenségi vizsgálatok egyik fontos kérdésére, a térbeli fejlettség hatótényezőire ad választ. A módszer segítségével meghatározható, egy térség fejlődésére vajon a területi vagy az ágazati tényezők gyakoroltak nagyobb hatást. A módszert elsőként az Egyesült Államokban alkalmazták, hazánkban az 1970-es évektől terjedt el. Számítása a kettős standardizálás módszerén alapul, számításához területi és ágazati bontású adatok szükségesek. A területi dimenzió alatt érthetünk megyéket, régiókat, és egyéb területi felosztást, míg ágazati bontású adatok lehetnek korcsoportos, település-kategória szerinti, illetve gazdasági ágazat szerinti adatok is. (Nemes Nagy, 2005.) A shift-share analízis eredményeképpen az összes hatás (Si) valamennyi területegység esetében felbontható két tényezőre, az úgynevezett területi (Sr) és az ágazati (Sa) hatásra. (Si) = (Sr) + (Sa)
(19)
A számítás eredményeként a vizsgált területegységek a kapott (Si), (Sr) és (Sa) értékek előjele és nagyságviszonya alapján nyolc típusba sorolhatók. (Tóth, 2013.) A nyolc térségtípust az alábbi 9. táblázat szemlélteti.
44
9. táblázat: A shift-share elemzés eredményeképpen kialakítható nyolc elméleti térségtípus A térségek jellemzői szerinti típusok
S
S
i
r
S
a
Előjele
A tényezők nagyság viszonya
Sorszám
S >S
1.
S <S
2.
Pozitív területi és pozitív strukturális tényező, az átlagosnál nagyobb jövedelemdinamika
+
Pozitív strukturális és negatív területi tényező, az átlagosnál nagyobb jövedelemdinamika
+
-
+
|S |<|S |
3.
Negatív strukturális és pozitív területi tényező, az átlagosnál nagyobb jövedelemdinamika
+
+
-
|S |>|S |
4.
Pozitív strukturális és negatív területi tényező, az átlagosnál kisebb jövedelemdinamika
-
-
+
|S |>|S |
5.
Negatív strukturális és pozitív területi tényező, az átlagosnál kisebb jövedelemdinamika
-
+
-
|S |<|S |
6.
Negatív területi és negatív strukturális tényező, az átlagosnál kisebb jövedelemdinamika
S >S
7.
-
-
-
S <S
8.
+
r
+
r
a
a
r
a
r
a
r
a
r
a
r
r
a
a
Forrás: Nemes Nagy, 2005. alapján saját szerkesztés A táblázat első felében (1-4. kategória) az összesített hatás pozitív, vagyis a jövedelemdinamika átlag feletti (átlagnál kisebb jövedelem csökkenéssel számolhatunk), míg a táblázat második felében (5-8. kategória) az összesített hatás negatív, tehát átlagnál nagyobb jövedelem csökkenés megy végbe. Az 1. 4. 5. és 7. kategóriában a „területi hatás” abszolút értékben nagyobb, a 2. 3. 6. és 8. csoportban kisebb, mint a strukturális tényezőket megtestesítő „ágazati hatás” (Nemes Nagy, 2005.). A shift-share analízis kritikus pontjai: Minél kisebb a vizsgált egység, a szisztematikus hatások mellett annál magasabb a véletlen hatások szerepe a területi tényezőben. Minél több ágazat bevonásával történik a vizsgálat, annál inkább csökken a területi tényezők szerepe, és annál jobban nő a strukturális tényezők befolyásoló hatása. A fejlődés trendjét befolyásolja a bázisév megválasztása, és a konjunktúra változása a vizsgálati intervallumban. Minél hosszabb a vizsgálat időtartama, annál inkább változik az ágazati struktúra, miközben a shiftshare elemzés azt feltételezi, hogy a vállalati méretek, a tőkeintenzitás és a technológiai haladás változatlan marad. Ezért prognosztikai vizsgálatokra a shift-share elemzés alkalmatlan. Az ismeretek értéke relatíve alacsony, a strukturális és területi hatások csak nehezen interpretálhatók (Maier - Beck, 2000; Benedek, 2006.).
3.6. Konvergencia számítások A regionális gazdaságtanban a konvergencia vizsgálatai kiemelt szerephez jutnak. Az 1970-es évekig a regionális fejlődési tagoltság fő elemzési iránya egyenlőtlenségelméleti alapú volt, vagyis szigma konvergencia vizsgálat, melyben a területi fejlettségi szinteknek az országos átlaghoz viszonyított differenciáltságát, szóródását vizsgálták. Az évezred végétől azonban a 45
növekedéselméleti megközelítésen alapuló béta-konvergencia vizsgálatok terjedtek el, melyek a területi fejlettségi szintek és a fejlődési ütem regressziójából következtetnek (Nemes Nagy, 2005.). 3.6.1. Szigma konvergencia
A konvergencia mérésének alapvető mérőszáma a szigma-konvergencia, amelyet általában vagy az értékek szóródásának változásával, vagy a coefficient of variation (CV) mutató dinamikájával mérünk. A szigma-konvergencia segítségével meghatározható, vajon a változó egyre hasonlóbbá válik-e a vizsgált területegységek között. (Royuela-García, 2015.) A coefficient of variation mutató számítása a következő: |Y =
&}ó•á& á 2€
(20)
A szigma konvergencia elemzése során azt vizsgáljuk, hogy az időszak során az egy főre jutó GDP értékeinek átlaghoz viszonyított relatív szórása milyen tendenciát mutat. Amennyiben az értékek az időszak során csökkennek, teljesül a szigma konvergencia jelensége. 3.6.2. Béta konvergencia
A béta konvergencia vizsgálata során megnézzük az egy főre eső GDP éves növekedési üteme, és a kezdeti év GDP-je közti regressziós egyenes egyenletét. Amennyiben a béta koefficiens negatív, és szignifikáns, akkor teljesül a béta konvergencia. (Ferkelt, 2005.) Azt mondja meg, hogy milyen ütemben közelít egymáshoz két térség egy főre eső jövedelme. Amennyiben a vizsgált konvergencia egyenlet szignifikáns, a szegényebb országok dinamikusabban nőnek, mint a gazdagok, és következésképpen megvalósul a konvergencia. Barro és Sala-i-Martin (1991) elméletében tehát az egy főre jutó jövedelem növekedési rátája negatív kapcsolatban áll a kezdeti jövedelem szintjével, feltételezve a technológia exogén növekedési rátáját, az egy hatékony dolgozóra jutó steady-state értéket, és a technológia kezdeti színvonalát. (Royuela-García, 2015.) 3.6.3. Konvergencia klubok
A 2.2.2. alfejezetben ismertetettek szerint, azon gazdaságok sorolhatók egy konvergencia klubba, melyek hosszú távú növekedési pályája közel esik egymáshoz, vagyis egyfajta kvázi homogenitást mutatnak valamilyen társadalmi, gazdasági szempontok alapján. (BenedekKocziszky, 2014, 2015.) A konvergencia klubok képzésére két elterjedt módszert használ a szakirodalom, az egyik valamilyen priori kritériumot alkalmaz (egy főre jutó GDP, oktatás, technológia, tőke akkumulációja), míg a második módszer belső, endogén kiválasztási folyamatot preferál (Durlauf - Johnson, 1995). Az eljárások célja olyan klubok kialakítása, amelyek minimalizálják a klubon belüli különbségeket, és maximalizálják az egyes klubok közti differenciákat. Elemzéseim során a konvergencia klubok fennállását minden esetben az SPSS program segítségével ábrázoltam. Az alkalmazott elemzési módszerem a Ward módszer volt, amely a hierarchikus klaszterek csoportjába tartozik, és a variancia alapú modellek közé sorolható. Az
46
eljárás célja az optimális klaszterek megállapítása olyan módon, hogy a klasztereken belüli szórásnégyzet növekedése a legkisebb legyen. (Sajtos-Mitev, 2006.) 3.6.4. Gamma konvergencia
A gamma konvergencia fogalmát Boyle és McCarthy (1997) vezette be a gazdasági elemzésekkel kapcsolatban. Az index egyfajta rangszám változást mér, hogyan változott az egyes területek rangsorbeli helyezése a bázisévhez viszonyítva. γ=%
‚ƒ„(…†‡ˆ‰Š‹ '…†‡ˆ‰Š= ) ‚ƒ„(…†‡ˆ‰Š= ∗f)
)
(21)
ahol Œ•Ž(•gX•|) az egy főre jutó GDP sorszámainak varianciáját jelzi, míg a az aktuális, vizsgált évet, a ? pedig a bázisévet jelenti. A gamma konvergencia vizsgálata új nézőpontot ad a konvergencia elemzésekor, hiszen amellett, hogy vizsgálja a területek közötti felzárkózást, azt elemzi, hogy történt-e változás a térségek rangsorában. A konvergencia dinamikájából megállapítható, hogy mekkora mértékű átrendeződés történt a legfejlettebb és kevésbé fejlett térségek rangsorában (Liddle, 2010.), ezáltal részletesebb vizsgálatra ad lehetőséget.
3.7. Korreláció és regresszió számítás, faktoranalízis Korrelációszámítás során az elemzésbe bevont változók közötti kapcsolatot vizsgáljuk. A vizsgálat egyik formája a lineáris korrelációszámítás. Pozitív irányú kapcsolat esetén az egyik változóban bekövetkező elmozdulás irányát követi a másik változó elmozdulása. A kapcsolat számszerűsítésére a lineáris korrelációs együttható alkalmazható, melynek iránya megadja a kapcsolat irányát, értéke pedig a kapcsolat szorosságát. (Sajtos-Mitev, 2006.) A többváltozós lineáris regresszió számítás célja, hogy egy vagy több ismérv által hordozott információt felhasználjunk egy másik ismérv értékeinek meghatározására. A létrejövő regressziós modell a tényezőváltozók eredményváltozóra gyakorolt hatását számszerűsíti. (Sajtos-Mitev, 2006.) Az elemzés a legkisebb négyzetek módszerén alapul. A számítások során egy vagy több magyarázó változóval (x1, x2, x3…) próbáljuk magyarázni az eredményváltozó (y) értékeinek szóródását. „A feltételezések szerint az eredményváltozó és a magyarázó változók között fennáll egy lineáris összefüggés, az ettől való eltérések pedig egy hibatagba sűríthetők (ε)” (Szakálné, 2008. p. 266.). A létrejövő regressziós modell az alábbi általános alakban írható le. = ‘? + ‘ j + ’
(22)
ahol ‘? az egyenlet értéke x=0 helyen (ebben az esetben valamennyi magyarázó változó értéke nulla); ‘ megmutatja, hogy a többi magyarázó változó változatlansága esetén a változó egységnyi változása milyen mértékben befolyásolja az eredményváltozót; ε a hibatag. A lineáris regressziós modell érvényességének feltételrendszere az alábbiakban foglalható össze. Magyarázó változókra vonatkozó feltételek: egymástól lineárisan függetlenek – multikollinearitási feltétel (VIF mutató), értékük rögzített, mérési hibát nem tartalmaznak, nincsenek korrelációs kapcsolatban a hibatényezővel. A hibatagra vonatkozó megállapítások: várható értéke nulla, hibatag szórása állandó – homoszkedaszticitás feltétele (Bartlett ill. 47
Goldfeld-Quandt féle teszt), hibatag értékei korrelálatlanok (Durbin-Watson teszt), hibatag eloszlása normális (khi négyzet próbafüggvény). E mellett indokolt lehet az adattartományból jelentősen kiugró értékek (outlierek) tesztelése. A regressziós modell kialakítása során lényeges a változók kiválasztási folyamata. A gyakorlatban két fő technika alkalmazása terjedt el, a backward és forward módszer. A backward eljárás során kezdetben minden magyarázó változót tartalmaz a modell, és a számítás során meghatározott szignifikancia szintek mellett lépésenként az a magyarázó változó kerül ki a modellből, amelynek legkisebb az F próba értéke. A modell végül az eredményváltozóval legszorosabb kapcsolatban álló változókat hagyja a modellben. A forward módszer során ezzel ellentétben először az eredményváltozóval legszorosabb kapcsolatban lévő változót vonjuk be. Ezt követően az a változó következik, amely legnagyobb mértékben növeli a magyarázott hányadot. Addig növeljük a változók számát, amíg az újonnan bekerülő változó varianciája még jelentős. (Sajtos-Mitev, 2006.) 3.7.1. Faktoranalízis
Többváltozós elemzések esetében, amennyiben a változók között komplex kapcsolat van, célszerű a változók összevonása, számának csökkentése. Ennek egyik módszere a faktoranalízis (főkomponens elemzés). Célja, hogy a megfigyelt változók információtartalmát néhány faktorváltozóba tömörítse, és egy sokváltozós adatállományt néhány faktor lineáris kombinációjaként értelmezzen (Nagy, 2004.). A faktoranalízis elvégzése előtt vizsgálni kell az adatok alkalmazhatóságát. (Sajtos-Mitev, 2006.) Ennek elemzésére több módszer nyújt lehetőséget: változók közötti korrelációs mátrix; anti-image mátrix (MSA kritérium: 0,5 fölötti értékek), KMO és Bartlett teszt. A KMO teszt a változók faktoranalízisre való alkalmazhatóságát vizsgálja. Értéke 0 és 1 között változik, és minél magasabb, annál alkalmasabbak a változók a faktoranalízis elvégzésére. (10. táblázat) 10. táblázat: Kaiser-Meyer-Olkin teszt értelmezése KMO értéke KMO ≥ 0,9 KMO ≥ 0,8 KMO ≥ 0,7 KMO ≥ 0,6 KMO ≥ 0,5 KMO < 0,5
Minősítés kiváló nagyon jó megfelelő közepes gyenge elfogadhatatlan
Forrás: Sajtos-Mitev (2006) alapján saját szerkesztés A faktorszám meghatározásakor több módszerre támaszkodhatunk. − a priori kritérium alkalmazása: ennek során az elemzés elvégzője kezdetben dönt a létrehozandó faktorok számáról. − Kaiser kritérium alkalmazása: a faktorok sajátértékeit használja fel, és általában az 1nél magasabb sajátértékek határozzák meg az optimális faktorszámot, mivel az egy alatti sajátértékkel rendelkező faktor már kevesebb információt hordoz, mint egy változó. − Varianciahányad módszer: azt mutatja meg, hogy a létrehozott faktorok az eredeti változók varianciájának hány százalékát képesek magyarázni. Minél magasabb a magyarázott variancia, annál megbízhatóbb az elemzés. − Scree plot ábra: a faktorok meghatározását grafikus teszttel teszi lehetővé, ennek során a faktorok sajátértékeit ábrázolja a faktorok sorrendjében. (Sajtos-Mitev, 2006.) 48
A faktorok könnyebb értelmezhetősége miatt szükséges lehet a faktorok forgatása, más néven rotációja. Ennek során általában a varimax eljárás alkalmazható, mely derékszögű forgatással járó rotációs eljárás. A rotálás után az egyes faktorokhoz tartozó tényezők könnyen csoportosíthatók, és értelmezésük egyszerűbbé válik. 3.7.2. Területi regresszió
Amennyiben a területi egységek kapcsolatban állnak egymással, vagyis fennáll a területi autokorreláció jelensége, akkor a hagyományos OLS regressziós becslés nem feltétlenül hoz megbízható eredményeket. Ekkor területi regressziós modellek alkalmazása indokolt. A térökonometriában a területi autokorreláció modellezése az y változó vagy ε hibatag és a hozzájuk kapcsolódó térbeli késleltetést tartalmazó tag (Wy – a térben késleltetett függő változó esetében, és Wε a térben késleltetett hibatag esetében) egyenletének felírásával történik. (Anselin-Bera, 1998.) Így a térbeli autokorreláció ökonometriai modellezésének két legelterjedtebb módszere a térbeli késleltetés modellje (spatial lag model), illetve a térbeli hiba autokorreláció modellje (spatial error model) (Varga, 2002.). A térbeli késleltetés az adott megfigyelési egység szomszédos értékeinek súlyozott átlaga. A területi autoregresszív modell általános alakja (Gerkman-Ahlgren, 2011.): 6 = “‘ + ”m6 + • • = λW• + ε
(23)
ρ és λ skaláris területi autoregresszív paraméterek. Két speciális eset fordulhat elő, amennyiben vagy ρ=0 vagy pedig λ=0. Ha ρ=0, ebben az esetben spatial error modellről van szó (térben késleltetett hibatagot tartalmaz), ha pedig λ=0 a modell spatial lag (térben késleltetett függő változót tartalmaz). Amennyiben ρ=0 és λ=0, hagyományos lineáris regressziós modellről van szó. (Gerkman-Ahlgren, 2011.) A spatial lag modell térben késleltetett változót tartalmazó regressziós modell, fennálló térbeli függőségre utal, és a térbeli spillover hatások nagyságát méri (Anselin-Bera, 1998.). Egyik esete a térben késleltetett függő változót tartalmazó modell, amelyben a függő változó szomszédos értékei direkt hatással vannak a függő változó értékére. Általános alakja: 6 = ”m6 + “‘ + ’
(24)
ahol ρ (rho) a modellben a térbeli függőséget méri. Vizsgálja, hogy a szomszédos területi egységek átlagos befolyása milyen az egyes területekre. A mutató iránya (pozitív, negatív) megadja a befolyás irányát. Amennyiben a rho értéke pozitív, azt jelenti, hogy az egyes területek magasabb GDP/fő értékekkel fognak rendelkezni, ha átlagban a szomszédjaiknak magas az egy főre jutó GDP-jük. A modellben a függő változót jelentősen befolyásolják a szomszédos értékek. (Anselin, 2001.) A spatial error modellben ezzel szemben a térbeli függőség a hibatag esetében jelentkezik. A területi hiba (például hiányzó értékek) térbeli függőségi viszonyait vizsgálja. A modell általános alakja: 6 = “‘ + • • = λm• + ’
49
(25)
ahol λ (lambda) a térben autokorrelált hibatag mutatója. Amennyiben a lambda értéke nem nulla, akkor az egymással kapcsolatban álló megfigyelési egységek körében a hibatag esetében térbeli függőségi viszony áll fönt. (Anselin, 2001.) Ahhoz, hogy eldönthető legyen, mely modell alkalmazható, Lagrange Multiplier tesztek alkalmazása indokolt. Ez a területi interakció nélküli és a területi interakciót tartalmazó modellek likelihood értékeit hasonlítja össze. (LM-lag és Robost LM-lag: a spatial lag modellt preferálják alternatívaként. LM-error és Robost LM-error: a spatial error modellt preferálják alternatívaként.) A területi regresszió döntési folyamata az alábbiak szerint írható föl (12. ábra).
12. ábra: Térbeli regresszió döntési folyamata Forrás: Anselin, GeoDa Workbook, 2005. alapján saját szerkesztés
50
4. Tézisek Disszertációmban hat hipotézist fogalmaztam meg, melyeket két fő dimenzió (gazdasági és társadalmi) mentén teszteltem (13. ábra). Ennek során az alábbi indikátorokat vizsgáltam.
13. ábra: Vizsgálat dimenziói Forrás: saját szerkesztés A gazdasági indikátorok elemzése során az egy főre jutó GDP-t tekintettem alaptényezőnek, mely makroökonómiailag a fogyasztás, beruházások, kormányzati fogyasztás és a nettó export összegeként számszerűsíthető. Ezért olyan kiegészítő mutatókat vontam be az elemzésbe, mint a jövedelem eloszlása, K+F+I ráfordítások, és a regisztrált vállalkozások száma. A társadalmi indikátorok közül pedig az életminőség mutatójára esett a választásom. Ez egy mesterségesen létrehozott mutató, és az alábbi komponensek alkotják: születéskor várható élettartam, oktatás (1/3 középfokú végzettségűek aránya a 18 év felettiek körében, és 2/3 felsőfokú végzettségűek aránya a 25 év feletti népességben), 100000 főre jutó csecsemőhalálozások száma, személygépkocsi ellátottság, ezer főre jutó újonnan épített lakások alapterülete, ill. munkanélküliségi ráta. A vizsgálat alapvető célja az indikátorok eloszlásában bekövetkezett konvergencia és/vagy divergencia elemzése (szigma, béta, gamma vizsgálat és klub-konvergencia), ill. a területi hatások számszerűsítése. A vizsgálatok lépéseit az alábbi, 14. ábra összegzi.
51
14. ábra: Vizsgálatok módszertana Forrás: saját szerkesztés Első lépésben célom az indikátorok eloszlásában fennálló differenciák elemzése volt, mely kiindulási alapot jelenthet a későbbi egyenlőtlenségi és konvergencia vizsgálatokhoz. Ennek során dinamikus vizsgálatok, ill. egyenlőtlenségi indexek alkalmazásával térképeztem fel a folyamatokat, majd a konvergencia vizsgálatok során kitértem a szigma, béta és gamma konvergencia elemzésére. A konvergencia vizsgálata során azonban véleményem szerint elengedhetetlen az egyes indikátorokban tapasztalható átfedések elemzése, a tényezők egymásra hatásának tesztelése. Emiatt korrelációs, regressziós vizsgálatok, területi autokorrelációs elemzések, és hatásarány elemzés elvégzése volt indokolt.
4.1. Policentrikus társadalmi és gazdasági térszerkezet – ellentétes tendenciák (GDP, életminőség) H1) Nemcsak a vizsgált két ország makrogazdasági növekedési és fejlődési pályája tér el, hanem feltételezéseim szerint a mezo-gazdasági pályák is különböznek egymástól.
A hipotézis bizonyítása érdekében a regionális (NUTS2) és megyei (NUTS3) szintű GDP és életminőség index dinamikus vizsgálatát végzem el. Az egy főre jutó GDP esetében az adatok forrását az Eurostat adatbázisa jelentette, míg a területi szintű életminőség index esetében az Eurostat, KSH, Statistisches Bundesamt Deutschland, ill. Zensus (Népszámlálás) adatokat használtam (2. melléklet). A regionális és megyei életminőség index számszerűsítésekor az ENSZ - UNDP 2013-ban a lengyel KHDI számítás során alkalmazott metodikáját követtem. A vonatkozó szakirodalmakból kiindulva, ugyanakkor némileg azoktól eltérően komplex indexet hoztam létre a német és magyar gazdaság életminőségének mérésére. Fő célom, a GDP indexével szemben olyan ellenpont képzése volt, amely képes a társadalmi, és infrastrukturális változások nyomon követésére. Az életminőség index számításának részletes 52
módszertanát és az egyes komponenseihez tartozó indikátorokat a 3.2.-es Alkalmazott kutatás módszertana, módszerei – A területi fejlődés mérése - életminőség alfejezet tartalmazza. A magyar gazdaság esetében az adatforrások lehetővé tették a kistérségi szintű vizsgálatok elvégzését is. 4.1.1. Két ország eltérő térbeli mintázata
A közigazgatási térfelosztás mindkét vizsgált országban jelentős történelmi hagyományokra tekint vissza. Németországban a területi egyenlőtlenségek fennállása, a területi felosztottság nem új keletű, jelentős múltja van. Az ország története során számos alkalommal aprózódott, területét több területegység alkotta. A német regionalizmus történeti hátterét foglalja össze a 4. melléklet. Magyarországon a megyerendszer, mint statisztikai, tervezési egység, nagy múlttal rendelkezik, sokáig a területi felosztás kizárólagos egysége volt. Ugyanakkor az EU-s csatlakozási folyamattal előtérbe kerülő regionális felosztás rövidebb múltra tekinthet vissza. A történelemben számos próbálkozás történt a regionális jellegű felosztás kialakítására, azonban jelentős változást csak az EU tagság hozott. A magyar közigazgatási rendszer kialakulását, fejlődését az 5. melléklet tartalmazza. A két ország esetében a területfelosztás tekintetében jelentős eltérések fedezhetők fel az egyes területi szinteken, mind a területegységek átlagos méretét, mind pedig népességszámát tekintve. Ezen különbségeket összesíti a 6. melléklet táblázata. A GDP és az életminőség index eloszlását vizsgálva Németországban NUTS3-as szinten (434 területegység) 2011-ben jelentős eltérések tapasztalhatók az egyes körzetek között. Az egy főre jutó GDP-ben erőteljesebben jelenik meg a nyugat-keleti fejlettségbeli differencia, mint az életminőség indikátora esetében. Utóbbi tényezőben az egykori NDK területén is számos esetben azonosítható az indikátor térbeli koncentrációja, melyek az egyes nagyvárosok környékén csoportosulnak. Ennek oka az életminőség többtényezős jellegében keresendő. Az indexben a várható élettartam, egészségügyi indikátor és munkanélküliségi ráta területi egységek közötti szóródása nem jelentős (a nagyvárosi területek értékei csak kismértékben haladják meg a vidékiesebb területekét), viszont az oktatási komponensben, a személygépkocsi ellátottságban, és a lakásépítések nagyságrendjében jelentősebb eltérések figyelhetők meg. A keleti országrészben kiemelkednek az olyan nagyvárosi régiók, amelyek jelentős felsőoktatási intézménnyel rendelkeznek, mint például Magdeburg, Halle, vagy Dessau Szász-Anhaltban, Lipcse, Chemnitz és Drezda Szászországban, vagy Berlin. Ennek oka az oktatási komponens felépítésében rejlik (2/3 arányban felsőfokú végzettségűk aránya, 1/3 arányban középfokú végzettségűek aránya határozza meg). Ezért a GDP-vel ellentétben a keleti országrész nagyvárosai az életminőség indexben hot spotként jelennek meg. Kiemelhető továbbá Brandenburg tartomány, melynek egésze az életminőség szempontjából kedvezőbb képet mutat, mint az egy főre jutó GDP-je alapján. Ezt a nyugati területekhez viszonyítva relatíve kedvező iskolai végzettsége, egészségügyi helyzete, személygépkocsi ellátottsága, és ingatlanpiaci helyzete okoz (15. ábra). A tartomány kedvező adataihoz nagyban hozzájárul a főváros közelsége. Brandenburg tartományban kedvező az 1000 főre jutó újonnan épített lakások alapterülete, ugyanakkor az ingatlanpiaccal kapcsolatosan nem elhanyagolható, hogy az építési terület átlagos vásárló értéke a teljes keleti országrészben jelentősen elmarad a nyugati tartományok átlagától (Brandenburg 51,67 Euro/m2, BadenWürttemberg 155,62 Euro/m2 – Statistisches Bundesamt Deutschland, 2012.). A két indikátor esetében számos alkalommal azonos területeken igazolható az értékek térbeli koncentrációja: Ruhr-vidék egy része, Dél-Bajorország, Északkelet-Baden-Württemberg, Hamburg, Bréma és Braunschweig. A GDP szempontjából legfejlettebb területeket München, 53
Ingolstadt és a Ruhr vidék nagyvárosai jelentik (például Düsseldorf, Duisburg, Dortmund, Essen, Leverkusen), míg a legfejletlenebb térségek Mecklenburg-Elő-Pomeránia területén azonosíthatók.
15. ábra: Egy főre jutó GDP (balra) és az életminőség index értékeinek eloszlása, Németország, NUTS3, 2011. Forrás: Eurostat adatai és saját számítások alapján saját szerkesztés A kiemelkedően magas GDP-t az érintett térségek többsége esetében a tőkeerős nagyvállalatok telephelyeinek jelenléte okozza (pl.: autóipar, feldolgozóipar, szerszámgépgyártás). Az érintett térségek meghatározó vállalatai között említhető a Forbes Global 2000-es listája alapján a BMW, MAN, Siemens, Linde Münchenben, az Audi Ingolstadtban, a Wolskwagen AG Wolfsburgban, illetve a Ruhr-vidék városai között az E.on, Metro, Henkel Düsseldorfban, Deutsche Telekom és Deutsche Post Bonnban, RWE és Thyssen Krupp Essenben, Bayer Leverkusenben, stb.. (Forbes Global 2000, 2014.) Mecklenburg-Elő-Pomeránia tartomány alacsony GDP-jének oka, hogy kiterjedt vidéki térség, nagyvárosai sem képviselnek domináns szerepet. Pozíciójára azonban a későbbiekben kedvező hatással lehet az olyan húzóiparágak megtelepedése, mint a biotechnológia, orvosi tudományok, űrkutatás, megújuló energia-gazdálkodás, melyek betelepülése az elmúlt években indult meg. A keleti területeken további problémát okozhatnak a gazdaságszerkezeti különbségek is, mivel ugyan a keleti tartományokban is számos vállalat található (7. melléklet), azonban ezek nagy része kis és középvállalkozás, melyek gazdasági ereje elmarad a nyugati nagyvállalatokétól. Az életminőség szempontjából München és Frankfurt mellett jók a pozíciói Münsternek, Regensburgnak, Heidelbergnek, Darmstadtnak és Bonnak. Ezt München és Frankfurt esetében főként az oktatási komponens, a személygépkocsi ellátottság és a lakásépítések relatíve magas volumene okozza. Bonn, Münster, Darmstadt és Heidelberg esetében az oktatási komponens értéke kiemelkedően magas, melyet a városok nagy múltú egyetemeinek hatása is indokolhat. Az életminőség index értéke Türingia (pl.: Sömmerda), és Szász-Anhalt (pl.: Harz, Saale, Mansfeld-Südharz, Salzland körzetek) tartományban a legalacsonyabb, amit 54
több tényező együttes hatása okoz, így: alacsony az iskolai végzettség, mivel nincs nagyobb egyetemi központ, és az egészségügyi helyzet is kedvezőtlenebb képet mutat. További gondot jelent, hogy az érintett körzetek gazdasági fejlettségben is elmaradnak a nyugati körzetek teljesítményétől, a területek között még nem ment végbe a bér konvergencia. Ez azt eredményezi, hogy a személygépkocsi ellátottság illetve a lakásépítések volumene is relatíve alacsonyabb. Ezen tényezők együttesen okozhatják a fentebb említett területek lemaradását. Az életminőség index esetében a keleti térség is policentrikusabb térszerkezetet mutat. Az egy főre jutó GDP tekintetében a nyugati és keleti területek két alapjaiban egybefüggő tömbként azonosíthatóak, néhány hot-spot kivételével, míg az életminőség index esetében a térben jelentősebb csomópontok rajzolódnak ki (keleten és nyugaton egyaránt). A folyamatok pontosabb magyarázata érdekében megvizsgáltam az egy főre jutó GDP, és az életminőség komponenseinek korrelációját (11. táblázat). 11. táblázat: Egy főre jutó GDP és az életminőség tényezőinek korrelációs kapcsolata – Németország (2011) Indikátor
Lineáris korrelációs együttható
Egy főre jutó GDP – születéskor várható élettartam Egy főre jutó GDP – oktatási komponens Egy főre jutó GDP – egészségügyi helyzet (csecsemőhalálozás) Egy főre jutó GDP – személygépkocsi ellátottság Egy főre jutó GDP – lakásépítések volumene Egy főre jutó GDP – munkanélküliségi ráta Egy főre jutó GDP – komplex életminőség index
0,181* 0,465* 0,498* -0,103* 0,225* -0,166* 0,471*
Forrás: saját szerkesztés *szignifikáns korrelációs kapcsolat Az egy főre jutó GDP és az életminőség indexei között általában gyenge, vagy közepesen erős korrelációs kapcsolat igazolható. A GDP és a születéskor várható élettartam között gyenge, pozitív irányú, szignifikáns kapcsolat tapasztalható, vagyis az egy főre jutó GDP növekedésével Németország NUTS3-as térségeiben növekszik a születéskor várható élettartam. Az egy főre jutó GDP és az oktatási komponens (közép és felsőfokú végzettségűek aránya) vonatkozásában közepesen erős, pozitív irányú kapcsolat áll fönn, mely arra utal, hogy az egy főre jutó GDP növekedésével az oktatási komponens értéke is növekedni fog, mivel a GDP növekedésével nő az oktatásra fordítható kiadások összege. Az oktatáshoz hasonlóan a GDP az egészségügyi helyzettel (100000 főre jutó csecsemőhalálozások száma) is közepesen erős pozitív korrelációs kapcsolatot mutat. Ezzel szemben például a személygépkocsi ellátottság és a munkanélküliségi ráta esetében negatív gyenge kapcsolat mutatható ki, vagyis minél inkább magas egy körzet egy főre jutó GDP-je, annál alacsonyabb a térségben a személygépkocsi ellátottság, illetve annál kedvezőbb a munkanélküliségi ráta. A lakásépítések volumenében pozitív gyenge kapcsolat fedezhető föl, vagyis a GDP növekedésével emelkedik a lakásépítésre fordítható kiadások volumene, és a fejlettebb térségekben ezáltal magasabb az egy főre jutó újonnan épített lakások alapterülete. A GDP és az életminőség komplex mutatója összességében közepesen erős, pozitív kapcsolatot mutat, vagyis a GDP növekedésével igazolható a körzetek életminőségének javulása is. Szász-Anhalt tartományban, a nagyvárosok (Magdeburg, Dessau-Rosslau és Halle) az életminőség index alapján kedvezőbb besorolásúak, mint az egy főre eső GDP alapján, a térben hot spotként jelennek meg. E városi térségekben az oktatási komponens (az érintett nagyvárosok jelentős felsőoktatási központok) és a várható élettartam tényezők is relatíve magasabbak az átlagnál. Az életminőség index eloszlásában Salzland és Wernigerode (Harz) körzet kedvezőtlenebb képet mutat, mint az egy főre jutó GDP-je alapján. Szász-Anhalt 55
területe összességében az életminőség szempontjából homogénebb képet mutat, mint a GDP alapján, e tekintetben az egyenlőtlenségek kisebb mértékűek, csak a fentiekben felsorolt várostérségek emelkednek ki jelentősebben a környezetükből. Magyarország esetében a GDP eloszlása egybefüggő, országos átlagnál fejlettebb északnyugati – északi sávot jelez (Vas, Győr-Moson-Sopron, Komárom-Esztergom, Fejér és Pest megyék, ill. a főváros esetében). Ennek oka többnyire a megyék területén tevékenykedő külföldi nagyvállalatok magas hozzáadott értékében és az iparágak specifikus jellegéből fakadóan a magasan képzett munkaerő rendelkezésre állásában kereshető. Az érintett térségekben jelentős autóipari tevékenység zajlik gyártók és beszállítók szintjén egyaránt (pl.: Pannon Autóipari Klaszter és Közép-Magyarországi Autóipari klaszter; Audi, Suzuki). A legfejletlenebb területek az indikátor alapján az északkeleti-északi országrészben (BorsodAbaúj-Zemplén, Nógrád, Szabolcs-Szatmár-Bereg megyék), továbbá Békés megye esetében láthatók. Ezt a Balassagyarmat– Békéscsaba tengely fennállását, mint a fejlődés és lemaradás térbeli határvonalát állapította meg Pénzes is (2011; 2012). A legfejletlenebb terület Nógrád megye. Ezek a térségek a közlekedési kapcsolatok és nyugati tőkeerős partnerek szempontjából periférikus jellegűek, sok esetben csak a megyeszékhelyeik rendelkeznek komolyabb gazdasági potenciállal. Az életminőség alapján a legfejlettebb területek a főváros mellett Veszprém, Pest, Fejér és Csongrád megyék területén azonosíthatók (16. ábra). Az érintett megyékben az oktatási komponens az országos átlagnál (2011-ben: 27,75) magasabb értéket vesz föl, valamint e megyék kiemelkednek egészségügyi helyzetük tekintetében is, és munkanélküliségi rátájuk is relatíve kedvező. A megyék közül valamennyiben működik felsőoktatási intézmény. A legalacsonyabb az életminőség index értéke Szabolcs-SzatmárBereg és Borsod-Abaúj-Zemplén megyékben, valamint Nógrád megye esetében. Ezeken a területeken a legjelentősebb problémákat a relatíve alacsony iskolázottság, és a magas munkanélküliségi ráta jelentik. Emellett a területek személygépkocsi ellátottsága is messze elmarad az országos átlagtól.
16. ábra: Egy főre jutó GDP (balra) és az életminőség index értékeinek eloszlása, Magyarország, NUTS 3 Forrás: Eurostat adatai és saját számítások alapján saját szerkesztés A gazdasági teljesítmény és életminőség vizsgálatát elvégeztem kistérségi szinten is, amely során a gazdasági teljesítmény kistérségi szintű mérésekor, az egy főre jutó GDP dezaggregálása helyett az egy főre jutó adóköteles jövedelem mutatójának elemzése mellett döntöttem. Ez utóbbi erős korrelációs kapcsolatban áll a becsült fajlagos GDP-vel. (Kiss, 2003.) A helyettesíthetőséget támasztja alá, hogy „a lakossági jövedelmek nagysága és 56
változása fő vonalaiban általában szinkronban szokott lenni a GDP alakulásával, hiszen a szétosztható jövedelmek legfőbb forrása mindenképpen a helyi gazdaság” Ugyanakkor a két indikátor eloszlásában szükségszerűen különbségek is vannak, melyek az eredmények értelmezését korlátozhatják. (Kiss, 2007., p. 21; Dusek-Kiss, 2008.) A területfejlesztési dokumentumokban az egy főre jutó adóköteles jövedelem az egyik leggyakrabban alkalmazott mutatószám a térségi gazdasági teljesítmény elemzésekor, továbbá számos tanulmányban alkalmazzák a kistérségi szintű gazdasági egyenlőtlenségek vizsgálatakor (Kiss, 2003; Dusek, 2006; Németh-Kiss, 2007; Kiss, 2007; Farkas, 2012.). A kistérségi adatok (168 kistérség3) vizsgálata alapján kijelenthető, hogy mindkét indikátor esetében kirajzolható sugaras elrendezésben a Budapest-Miskolc, Budapest-Győr, BudapestSzeged, Budapest-Keszthely és Budapest-Pécs tengely. Ezen tengelyek mentén a legmagasabb az egy főre jutó GDP és az életminőség index értéke is. Ezt okozhatja a GDP esetében a vállalkozások tengely menti csoportosulása, mivel ezek a fő irányok az autópályahálózat nyomvonalában helyezkednek el, ahol a kedvező feltételek miatt jellemzőbb a vállalatok megtelepedése, és a magasabb jövedelem (Dusek, 2006.). Mindkét indikátor esetében megfigyelhető a megyei jogú városok, ill. a fontosabb vállalati telephelyek kiemelkedése a térben (17. ábra). Az életminőség index ugyanakkor policentrikusabb, és heterogénebb eloszlást mutat, mint a GDP. Az eltérést az esetek legnagyobb részében a személygépkocsi ellátottságnak és a lakásépítések volumenének egyenetlen eloszlása okozza, a várható élettartam, az egészségügyi, oktatási tényező és munkanélküliségi ráta esetében nincs jelentősebb eltérés a kistérségek adatai között (várható élettartam komponens szórása csupán: 1,38).
17. ábra: Egy főre jutó adóköteles jövedelem (balra) és az életminőség index értékeinek eloszlása, Magyarország, LAU1, 2011. Forrás: Eurostat adatai és saját számítások alapján saját szerkesztés A magyar kistérségek esetében is vizsgáltam az egy főre jutó adóköteles jövedelem és az életminőség index komponensei közötti korrelációs kapcsolatot (12. táblázat). Az egy főre jutó kistérségi adóköteles jövedelem és a születéskor várható élettartam között közepesen erős, pozitív irányú, szignifikáns kapcsolat mutatható ki. Ez arra utal, hogy az egy főre jutó kistérségi jövedelem növekedésével nő a kistérségben a születéskor várható élettartam. A lineáris korrelációs kapcsolat a magyar térségek esetében szorosabb kapcsolatot mutatott a két indikátor között, mint a német területek vonatkozásában. 3
A 168 tagú kistérségi körre az elemzés térinformatikai támogatása miatt esett a választásom, azonban elmondható, hogy a kistérségek számának változása érdemben nem befolyásolta az eredményeket.
57
12. táblázat: Egy főre jutó adóköteles jövedelem és az életminőség index tényezőinek korrelációs kapcsolata – Magyarország (2011) Indikátor Egy főre jutó adóköteles jövedelem – születéskor várható élettartam Egy főre jutó adóköteles jövedelem – oktatási komponens Egy főre jutó adóköteles jövedelem – egészségügyi helyzet (csecsemőhalálozás) Egy főre jutó adóköteles jövedelem – személygépkocsi ellátottság Egy főre jutó adóköteles jövedelem – lakásépítések volumene Egy főre jutó adóköteles jövedelem – munkanélküliségi ráta Egy főre jutó adóköteles jövedelem – komplex életminőség index
Lineáris korrelációs együttható 0,624* 0,707* 0,256* 0,628* 0,524* -0,727* 0,567*
Forrás: saját szerkesztés *szignifikáns korrelációs kapcsolat Az egy főre jutó kistérségi adóköteles jövedelem és az életminőség oktatási komponense közötti kapcsolat erős, pozitív irányú. A jövedelem növekedése, a német területekhez hasonlóan pozitívan befolyásolja az iskolázottság alakulását. A jövedelem és az egészségügyi helyzet között azonban a német területekénél gyengébb, pozitív korreláció áll fönn. A személygépkocsi ellátottság és a lakásépítések volumene közepesen erősen, és pozitívan korrelál a jövedelemmel. A munkanélküliségi rátával mutatott kapcsolata a jövedelemnek, hasonlóan a német területekhez negatív, azonban a magyar kistérségek esetében erős a kapcsolat az indikátorok között. Vagyis minél magasabb az egy főre jutó kistérségi jövedelem, annál alacsonyabb a terület munkanélküliségi rátája. A német területekhez viszonyított különbséget indokolhatja a térfelosztás, és településszerkezet különbözősége is. A komplex index a kistérségi adóköteles jövedelemmel közepesen erős korrelációt mutat, hasonlóképpen a német térségeknél látottakhoz. Az adatokat leszűkítettem Borsod-Abaúj-Zemplén megyére, mely alapján megállapítható, hogy mindkét vizsgált indikátor esetében a Miskolci kistérség rendelkezik a legkiemelkedőbb értékekkel, melyet a vállalkozások és a középfokú intézmények kistérségi koncentrációja okoz. A legalacsonyabb értékekkel a megye északi, periférikus helyzetben lévő kistérségei rendelkeznek (pl.: Edelényi, Szikszói, Encsi, Abaúj-Hegyközi). Borsod-Abaúj-Zemplén megyében a mutatók eloszlásában lényeges különbségek nem tapasztalhatók, a közepes értékek kategóriáiban az életminőség index eloszlása egyenletesebb. Az életminőség index értékeinek eloszlásában valószínűsítettem, hogy a kutatás-fejlesztés szerepe befolyásoló hatással bír. Ezért megvizsgáltam a német és magyar gazdaság esetében is a kutatás-fejlesztés és az életminőség kapcsolatát, valamint az egyetemek, főiskolák és főbb kutatóközpontok eloszlását. Az eredményeimet, valamint az egyetemek és kutatóközpontok részletes térképeit a 8. melléklet tartalmazza. 1. a) Tézis: 2011-ben a magyar (LAU1-es) és német (NUTS3-as szint) gazdaság esetében az általam kialakított, társadalmi és infrastrukturális jelzőszámokat magában foglaló életminőség index értékeinek eloszlása az egy főre jutó GDP/jövedelem területi eloszlásához viszonyítva, a település-hierarchia jellegzetességeit erőteljesebben kirajzolva (városok elhelyezkedése), policentrikusabb eloszlást mutat. Az egy főre jutó GDP alapján kevésbé fejlett térségekben (például: Kelet-Németország, Észak-Magyarország) is számos hot spot figyelhető meg az életminőség esetében, melyek általában nagyvárosi központokat jeleznek a térben. SzászAnhalt tartomány nagyvárosai: Dessau-Rosslau, Magdeburg és Halle, és Borsod-AbaújZemplén megye székhelye: Miskolc is hot spot az életminőség esetében. Ennek oka az index komplex jellegéből fakad, a különböző alindexekben eltérő a legjobban teljesítő térségek listája. A magyar területek esetében az eltérést főként a személygépkocsi ellátottságnak és a 58
lakásépítések volumenének egyenetlen eloszlása okozza, a többi indikátor esetében nincs jelentősebb eltérés a kistérségek adatai között. A két indikátor esetében számos alkalommal azonos területeken igazolható az értékek térbeli koncentrációja, a térségekben a gazdasági fejlettség mellé kedvező társadalmi és infrastrukturális helyzet párosul (Ruhr-vidék egy része, Dél-Bajorország, Északkelet-BadenWürttemberg, Hamburg, Bréma és Braunschweig Németországban és Budapest-Miskolc, Budapest-Győr, Budapest-Szeged, Budapest-Keszthely és Budapest-Pécs tengely Magyarországon). 4.1.2. A GDP és az életminőség dinamikájának vizsgálata
A területi egyenlőtlenségek alapvető oka, hogy nem létezik a térben két olyan pont, mely azonos tulajdonságokkal rendelkezne. Különbözőek gazdasági, társadalmi, és kulturális paramétereikben is (Benedek-Kurkó, 2011.). Az egyenlőtlenségek vizsgálata számos módszerrel, és indexszel történhet, attól függően, hogy az adott jelenség mely aspektusaira vagyunk kíváncsiak. (Nemes Nagy, 2005.) Jelen alfejezet a német és magyar GDP és életminőség dinamikájának és egyenlőtlenségi indexeinek elemzését tartalmazza a NUTS2-es régiók, ill. a NUTS3-as megyei szint esetében (2000-2011). 4.1.2.1. Dinamikus GDP növekedés – területi differenciákkal
Elemzésem az egy főre jutó GDP éves átlagos növekedési rátájának vizsgálatával kezdem, melynek során célom az egyes területi egységek GDP dinamikájának vizsgálata. Az egy főre eső GDP átlagos növekedési rátáját NUTS 2-es szinten vizsgálva elmondható, hogy az egykori EU-15 és a 2004-ben és 2007-ben csatlakozott EU-12 tagállamok eltérő tendenciákat mutatnak. Az EU-15 országaiban a legjobban teljesítő régiók már legtöbb esetben (néhány kivételtől eltekintve: Svédország, Egyesült Királyság) nem a fővárosi régiók. Megfigyelhető olyan eset is, ahol 1995 és 2011 között a legalacsonyabb növekedési ütemmel rendelkező régió volt a fővárosi (Ausztria, Németország - Berlin, Belgium).
18. ábra: Németország: 1 főre eső GDP átlagos növekedési rátája (%) 1995-2011 (NUTS2) Forrás: Eurostat adatai és saját számítások alapján saját szerkesztés 59
A német keleti tartományok a vizsgált időszakban magasabb átlagos GDP növekedési ütemmel rendelkeztek, mint a nyugatnémet területek, vagyis e tekintetben konvergenciát mutattak (18. ábra). A keleti tartományok 1 főre eső GDP-je ennek köszönhetően 2012-re elérte a nyugati területek GDP-jének 71 %-át. Amennyiben a keleti tartományok adatait a gazdaságilag hátrányosabb helyzetben lévő nyugati területekkel hasonlítjuk össze (AlsóSzászország, Rajna-vidék-Pfalz, Schleswig-Holstein, Saar-vidék és Bréma), ez a szint közel 80%. A gazdasági erőkülönbség további oka az eltérő strukturális különbségekben keresendő. A keleti tartományok gazdaságában nagyrészt KKV-k uralma figyelhető meg, és kevés az igazán nagyvállalat, és konszernközpont. Ez kihat az átlagos termelékenységi szintre, és a K+F tevékenységre is. Szász-Anhalt tartomány GDP növekedési rátái esetében (19. ábra) megfigyelhető, hogy a legjobban teljesítő területek Börde, Salzland és Altmark körzetek voltak. Ennek oka jórészt a gazdasági szerkezetükben és a kedvező infrastrukturális viszonyaikban keresendő. Valamennyi térség kedvező autópálya, vízi és légi elérhetőséggel rendelkezik, mely a logisztika szempontjából fontos. Börde területén a KKV-k telephelyei mellett hazai nagyvállalatok székhelye is megtalálható, a körzet kedvező helyzetét javítja továbbá az olyan technológiai központok közelsége, mint Braunschweig és Magdeburg. Salzland és Altmark körzetek esetében a gazdasági növekedéshez hozzájárultak a térségben megalakult megújuló energiát előállító és hasznosító vállalatok. A városi területek (Magdeburg, Halle) relatíve alacsony növekedési ütemet mutattak fel az időszakban, vagyis a térségben lassú felzárkózás indult meg.
19. ábra: Szász-Anhalt: 1 főre eső GDP átlagos növekedési rátája (%) 2000-2011 (NUTS 3) Forrás: Eurostat adatai és saját számítások alapján saját szerkesztés Az újonnan csatlakozott országok régiói esetében, így Magyarországon (20. ábra) is az egy főre jutó GDP átlagos növekedési üteme magasabb, mint az EU-15 átlaga. A 2004-ben és 2007-ben csatlakozott országokban a legmagasabb GDP növekedési ütemmel a főváros régiója rendelkezik (Bulgária, Csehország, Magyarország, Lengyelország, Románia, Szlovénia és Szlovákia esetében), ami a regionális, országon belüli egyenlőtlenségek további szélesedését hozza magával. Magyarországon a Közép-magyarországi régió közel 1,5-szeres értékekkel rendelkezik a többi területi egységhez képest.
60
A fentiek alapján az EU tagállamai esetében igazolódni látszik Williamson hipotézise, miszerint a gazdasági fejlődés kezdeti időszakában a tőke és a képzett munkaerő néhány növekvő pólusú régióban összpontosul, ami regionális divergenciához vezet (újonnan csatlakozott EU-13 tagállamok esete), majd a későbbi időszakban a tőke azokba a régiókba áramlik, ahol relatíve alacsonyak a költségei, ezáltal térbeli konvergenciát idézve elő (régi tagállamok, EU-15 esete).
20. ábra: Magyarország: 1 főre eső GDP átlagos növekedési rátája (%) 1995-2011 (NUTS 2, NUTS3) Forrás: Eurostat adatai és saját számítások alapján saját szerkesztés Az adatokat megyei szinten (NUTS 3) vizsgálva látható, hogy az egyes régiók megyéi szintjén jelentős különbségek fedezhetők fel. A magyar megyék esetében komoly szórás figyelhető meg az egy főre jutó GDP növekedési rátájában. A legmagasabb értékekkel bíró megyék a főváros mellett Pest és Komárom-Esztergom megye, amely a már korábban is fejlettebb területek további gazdasági fejlődését vetíti elő. A tőkeerős vállalkozások a gazdaságilag magasabban fejlett térségeket preferálják, ami magyarázhatja Pest és KomáromEsztergom megye kiemelkedő növekedési ütemét. Az Észak-magyarországi régió megyéi esetében megfigyelhető, hogy Borsod-Abaúj-Zemplén és Heves megye növekedési rátái körülbelül az országos átlag (4,1%) körül szóródnak. Nógrád megye helyzete hátrányos olyan szempontból, hogy az egyik legalacsonyabb GDP növekedési ütemmel rendelkezett az időszakban. A megye alacsony növekedési ütemét indokolhatja periférikus helyzete, és relatíve kedvezőtlen gazdasági szerkezete. Az Észak-magyarországi régió esetében elmondható, hogy alacsony a nagyvállalatok részaránya (2010-ben 1% alatti – KSH), vállalkozási szerkezetében a mikrovállalkozások dominálnak. Nógrád megyében a nagyvállalatok aránya kiemelkedően alacsony, a 10 főnél többet foglalkoztató cégek aránya csak 3,4% (KSH, 2013). A megyében a külföldi tulajdonú vállalkozások által befektetett tőke aránya a régió többi megyéjéhez képest alacsony, a régió befektetett tőkéjének 9%-a (KSH, 2013). 4.1.2.2. Regionális szintű életminőség konvergencia vizsgálata
A magyar és német régiók életminőség indexeit, és változását 2001 és 2011 között, saját számítások alapján a 9. melléklet szemlélteti. A magyar régiók életminőség index értékei a fővárosi és a Dél-dunántúli régió kivételével nem magasak, a legtöbb esetben (Közép-Magyarország és Dél-Alföld kivételével) az értékük 61
nőtt 2001 és 2011 között. A legalacsonyabb az index értéke az Észak-magyarországi régióban, ami nem meglepő, mivel a megyei elemzés során látható volt, hogy mind BorsodAbaúj-Zemplén megye, mind pedig Nógrád megye egyike a leghátrányosabb helyzetű megyéknek az életminőség szempontjából. Németország régióinak életminőség indexe az esetek legnagyobb részében magasabb a magyar régiókénál, azonban 2001 és 2011 között legnagyobb részben csökkenő tendenciát mutatott. A régiók közül csak 9 esetben nőtt az életminőség 2001-ről 2011-re. A regionális életminőség rangsor alapján a legfejlettebb térségeket a nyugatnémet tartományokban találjuk (pl.: Mittelfranken, Unterfranken, Hamburg, Braunschweig, Köln… régiója), míg a kevésbé fejlett keleti területek a lista végén helyezkednek el. A Braunschweigi régió kiemelkedően kedvező életminőség értékéhez jelentősen hozzájárult az elmúlt években kialakított „Európa első számú kutatási régiója” c. projekt, aminek keretében 4 felsőoktatási intézmény, 18 nem-akadémiai kutatóintézet, 7 kulturális intézmény, és több mint 50 vállalat kutatás-fejlesztési bázisának együttműködéséről beszélhetünk. Ennek hatására 2011-re Braunschweig régiójában a legmagasabb a K+F+I ráfordítások aránya Európában (Eurostat adatbázis). A magyar területek közül jelentős növekedést tudott felmutatni a Közép-dunántúli, Dél-dunántúli és az Észak-magyarországi régió, azonban az Észak-magyarországi régió értéke (10,41) 2011-ben még így is jelentősen elmarad az átlagtól (27,09). 4.1.2.3. Megyei életminőség értékek divergens folyamatai
Az életminőség index számításait elvégeztem NUTS 3-as, megyei szinten is a két ország vonatkozásában, hogy láthatóvá váljanak a területi differenciák. Az elemzés módszertanát 3.2.-es Alkalmazott kutatás módszertana, módszerei – A területi fejlődés mérése - életminőség alfejezet tartalmazza. Magyarország esetében a megyei életminőség index értékeit az alábbi, 13. táblázat összesíti. 13. táblázat: Életminőség index értékei Magyarország megyéi esetében Budapest Pest Fejér Komárom-Esztergom Veszprém Győr-Moson-Sopron Vas Zala Baranya Somogy
2001 45,85 47,49 29,70 32,11 20,60 38,80 37,14 24,65 32,72 38,26
2011 52,18 49,33 41,22 17,49 53,23 28,19 34,64 27,75 39,19 34,26
Tolna Borsod-Abaúj-Zemplén Heves Nógrád Hajdú-Bihar Jász-Nagykun-Szolnok Szabolcs-Szatmár-Bereg Bács-Kiskun Békés Csongrád
2001 26,18 17,70 31,90 19,03 16,30 22,62 13,82 25,39 21,72 20,85
2011 25,09 8,09 36,65 33,85 36,89 20,14 18,32 33,71 27,54 43,18
Forrás: Eurostat és KSH adatai és saját számítások Látható, hogy Győr-Moson-Sopron, Vas, Borsod-Abaúj-Zemplén, Komárom-Esztergom, Somogy, Tolna és Jász-Nagykun-Szolnok megye kivételével valamennyi megyénkben és a fővárosban is nőtt az életminőség értéke 2001 és 2011 között (21. ábra). A pozitív változás annak köszönhető, hogy a születéskor várható élettartam, az oktatási tényező, és a személygépkocsi ellátottság tekintetében jelentősebb mértékű pozitív elmozdulás ment végbe valamennyi térségben. A csecsemőhalandóság tekintetében kisebb mértékű csökkenés következett be, mely szintén hozzájárult a pozitív tendenciák erősödéséhez, azonban a lakásépítések volumenében jelentősebb visszaesés következett be, valamint jelentősebb mértékben nőtt a munkanélküliségi ráta 2001-hez képest. Az index értéke 2011-ben BorsodAbaúj-Zemplén megye esetében a legalacsonyabb, ahol a kifejezetten hátrányos helyzet okai 62
a relatíve alacsonyabb várható élettartamban, magas munkanélküliségi rátában, ill. a relatíve alacsony mértékű személygépkocsi állományban és lakásépítési volumenben keresendők.
21. ábra: Életminőség index növekedési rátája (2001-2011), Magyarország, NUTS3 Forrás: Eurostat és KSH adatai és saját számítások alapján saját szerkesztés Az életminőség esetében a vizsgált időszakban a területegységek között kismértékű divergencia figyelhető meg, mivel néhány magasabb kezdeti fejlettségi szintről induló megye magasabb növekedési rátát tudott felmutatni, mint a kezdetben fejletlenebb térségek. A legdinamikusabb növekedést az időszakban Veszprém, Hajdú-Bihar, Csongrád, Nógrád és Fejér megyék mutatták (legnagyobb részben a személygépkocsi ellátottságnak, és az oktatási tényezőnek köszönhetően, a megyékben jelentősebben nőtt a középfokú végzettséggel rendelkezők aránya a 18 év fölötti népességben), míg az életminőség növekedési dinamikája Pest és Zala megyében volt a legalacsonyabb (nem számítva azokat a területeket, ahol csökkent az index értéke, például Borsod-Abaúj-Zemplén és Komárom-Esztergom megyék). A divergenciát támasztja alá, hogy az életminőség index értékeinek terjedelme (range arány) az időszak során 3,43-ról 6,58-szeresre nőtt.
22. ábra: Életminőség növekedési rátája (2001-2011), Németország, NUTS3 Forrás: Eurostat és Statistisches Bundesamt adatai és saját számítások alapján saját szerkesztés 63
Az életminőség dinamikáját vizsgálva elmondható, hogy Németország esetében is megfigyelhető a térségek közötti divergencia jelensége. A magasabb kezdeti szintről induló körzetek magasabb növekedési dinamikával rendelkeztek, mint a fejletlenebbek. A volt keletnémet területeken, Szász-Anhalt, Türingia, Brandenburg és Mecklenburg-ElőPomeránia tartományok körzetei átlagosan alacsonyabb életminőségi dinamikával rendelkeztek, mint az ország nyugati része (22. ábra). 1. Tézis: b) A társadalmi és infrastrukturális indikátorokban bekövetkező növekedés üteme a két gazdaságban jelentősen elmarad a GDP dinamikájától. 2001 és 2011 között az egy főre jutó GDP évi átlagban 3,05%-kal növekedett Németországban, és évi átlag 4,03%-al Magyarországon. Ezzel szemben az életminőség évi átlagos növekedési üteme egyik országban sem éri el az 1%-ot (német évi átlag 0,09%, magyar évi átlag 0,93% növekedési ütem). Megyei/körzeti szinten mindkét gazdaságban az életminőség divergenciája figyelhető meg. A vizsgált időszak elején (2001) alacsonyabb fejlettségi szintről induló megyék alacsonyabb növekedési rátával rendelkeztek, mint a kezdetben fejlettebbek. Az alacsonyabb területi szinteken a társadalmi, és infrastrukturális faktorok esetében a centrum-periféria relációk élesebbek, így az életminőség konvergenciája még várat magára. c) Szász-Anhalt tartomány esetében az országos folyamathoz hasonlóan GDP konvergencia és életminőség divergencia mutatható ki NUTS3-as szinten. Borsod-Abaúj-Zemplén megye egy főre jutó GDP-jének dinamikája megfelel az országos átlagnak, amely elősegítheti felzárkózását, azonban az életminőség növekedési üteme 2001 és 2011 között az országos átlag alatt maradt.
4.2. Eltérő életminőség és GDP pályák A területi egyenlőtlenségek csökkentése érdekében a két országban számos intézkedést hajtottak végre (5. fejezet), azonban a gazdasági és társadalmi indikátorok fentebb látott térbeli mintázatai alapján az alábbiakat valószínűsítem. H2) A két országban eltérő egyenlőtlenségi pályák azonosíthatók, a német NUTS3-as körzetek esetében konvergencia, míg a magyar NUTS3-as (megyei) szinten divergencia valószínűsíthető.
Hipotézisem tesztelésére egyenlőtlenségi indexeket alkalmaztam. Az indexek elméletét és számítási módját a 3.3.-as Alkalmazott kutatás módszertana, módszerei – Területi fejlettség, területi egyenlőtlenség indexei alfejezet tartalmazza. Disszertációmban használt módszerek: − adatsor terjedelme (range arány) (M), − Éltető-Frigyes index – Duál indikátor, − súlyozott relatív szórás (V), − Hoover – index, − SW index (jóléti index). Az adatsor terjedelmét vizsgálva látható, hogy hány szoros a különbség a két országban az egy főre jutó GDP területi eloszlásában. A vizsgált időszakban Németország esetében az egy főre jutó GDP alapján legfejlettebb és legkevésbé fejlett régiók között a különbség 1995 és 1999 között jelentősebb mértékben csökkent, majd 2001-ig újra az egyenlőtlenségek növekedése volt megfigyelhető, amelyet 2009-ig jelentős csökkenés követett. 2009-ben már csupán 2,25-szörös volt a különbség az akkor leginkább fejlett Hamburg és a legfejletlenebb 64
Chemnitz-i régió között. A vizsgált időszak kezdetén, 2000-ben a legfejlettebb terület szintén Hamburg volt, de a legkevésbé fejlett akkoriban Északkelet-Brandenburg régió volt, ami azt jelenti, hogy ez a területi egység 10 év alatt el tudott mozdulni a legkevésbé fejlett pozícióból (Brandenburg térség összességében a Strukturális Alapok keretében közel 4 milliárd Euro támogatást kapott a 2007-2013-as időszakban – Wirtschaftministerium Brandenburg, 2007.). Németországban a 2008/09-es gazdasági válság hatására nem nőttek drasztikusan az egyenlőtlenségek a legfejlettebb és kevésbé fejlett régiók között (14. táblázat). 14. táblázat: Fajlagos GDP és az életminőség index terjedelme a két országban (19952011), (NUTS2) GDP/fő 1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
M(GER) 2,733 2,669 2,674 2,649 2,596 2,614 2,647 2,547 2,506 2,448 2,453 2,330 2,246 2,261 2,250 2,324 2,263 M(HUN) 1,965 2,121 2,214 2,202 2,301 2,401 2,456 2,567 2,458 2,444 2,573 2,637 2,619 2,630 2,742 2,704 2,760 Életminőség index M(GER) M(HUN)
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
-
-
-
-
-
-
4,61
4,41
3,71
3,64
3,77
3,47
3,13
2,95
3,17
2,91
3,77
-
-
-
-
-
-
10,61
5,10
7,08
4,27
4,60
3,85
4,13
3,49
3,24
4,11
5,24
Forrás: Eurostat adatai, és saját számítások alapján, saját szerkesztés A magyar adatsor tekintetében a tendencia korántsem ennyire kedvező. A vizsgált időszakban a különbségek a 2003-2004-es időszak kivételével folyamatosan nőttek, ami az egyenlőtlenségek szélesedését jelzi. 2009-re, az 1995-ben még „csak” 1,96-szoros különbségek, 2,74-szeresre nőttek. A válság a magyar gazdaságban jelentősen növelte a területi diszparitásokat. A legnagyobb különbségeket Magyarországon Közép- és ÉszakMagyarország között láthatjuk. Vagyis NUTS2-es szinten vizsgálva az egy főre jutó GDP területi különbségeit, elmondható, hogy a két ország ellentétes pályát futott be. Kezdetben mindkét ország esetében körülbelül 2-2,5-szeres területi differenciák figyelhetők meg az indikátorban. Németországban a különbség 1995-től 2011-ig 2,7-szeresről 2,26-szorosra csökkent, addig Magyarországon NUTS2-es viszonylatban 1,96-szorosról 2,76-szorosra nőtt. Az életminőség index viszonylatában, a két országban hasonló folyamatok játszódtak le, mindkét esetben jelentős mértékben csökkentek a regionális különbségek. A magyar esetben az értékek konvergenciája dinamikusabb volt, a különbségek 2001 és 2011 között a felére csökkentek. NUTS3-as szinten a német területeken - ellentétben a NUTS2-es vizsgálattal – a területi különbségek növekvő tendenciát mutatnak a vizsgált időszakban a GDP tekintetében. Vagyis a területi szint megválasztása befolyásoló hatással bír a mutató eredményeire. Magyarország esetében a range arány, NUTS3-as, megyei szinten a regionálishoz hasonlóan a különbségek növekedését mutatja. (15. táblázat) 15. táblázat: Fajlagos GDP terjedelme a két országban (2000-2011), (NUTS3) 2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
M (GER)
6,192 6,610
6,500
6,468 6,455 6,496 6,226 6,465 6,008 6,179 6,701 7,461
M (HUN)
3,517 3,515
3,757
3,667 3,849 4,096 4,320 4,662 4,716 4,859 4,836 5,014
Forrás: Eurostat adatai, és saját számítások alapján, saját szerkesztés Az egy főre jutó GDP vonatkozásában a regionális szinten számított Duál-mutató is a fentebb, a range arány mutatónál is látott tendenciákat igazolja, miszerint Németország esetében lassan 65
záródik a jövedelemolló, míg Magyarország esetében a jövedelemolló szélesedése figyelhető meg (23. ábra).
23. ábra: Duál-mutató alakulása az egy főre jutó GDP esetében (1995-2011) Forrás: Eurostat adatai és saját számítások alapján, saját szerkesztés Az életminőség tekintetében a Duál-mutató a range arány mutatóhoz hasonlóan, a magyar esetben 2011-re a területi különbségek kismértékű csökkenését jelezte csakúgy, mint Németország esetében. (16. táblázat) 16. táblázat: Duál mutató értékei a két országban (2001-2011), (életminőség index, NUTS2) Életminőség index 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 dual mutató (GER) 1,59 1,47 1,52 1,49 1,50 1,56 1,60 1,44 1,51 1,55 1,53 dual mutató (HUN) 3,09 2,24 3,56 3,36 1,87 2,14 2,36 2,11 1,58 2,13 2,47
Forrás: Eurostat adatai, és saját számítások alapján, saját szerkesztés NUTS3-as szinten vizsgálva a Duál indikátor változását, Németországban elmondható, hogy kicsi az egy főre jutó GDP diszparitás mértéke a magasan fejlett, ill. periférikusabb térségek között. 2000 és 2011 között kimutatható a területi jövedelemkülönbségek csökkenése. A Duál indikátor a magyar területek esetében összességében a különbségek csökkenését mutatja, de megjegyzendő, hogy értéke az időszakban számos alkalommal, ciklikus jelleggel változott (17. táblázat). 17. táblázat: Fajlagos GDP Duál mutatója (2000-2011), (NUTS3) 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 duál (GER) 1,789 1,785 1,774 1,775 1,763 1,765 1,767 1,773 1,734 1,705 1,715 1,728 duál (HUN) 1,902 1,606 1,618 1,673 1,693 1,712 1,789 1,800 1,723 1,666 1,727 1,815
Forrás: Eurostat adatai és saját számítások alapján, saját szerkesztés Az értékek súlyozott, relatív szóródás mutatójának vizsgálatakor szembetűnő, hogy a két ország adatai 1995-ben közel azonos szinten álltak a fajlagos GDP vonatkozásában (23,47% Németország, és 24,3% Magyarország esetében), viszont azóta teljesen ellentétes pályát 66
futottak be. Németországban az érték 23,5%-ról 21%-ra csökkent, míg Magyarországon a kezdeti 24,3%-ról 40%-osra nőtt. Ez is a fenti mutatókhoz hasonlóan a jövedelmi egyenlőtlenségek szélesedését mutatja a magyar viszonylatban (18. táblázat). Az indikátor ezzel szemben az életminőség index vonatkozásában mindkét ország esetében csökkenő diszparitásokat rajzol ki, vagyis regionális konvergencia megvalósulására utal. 18. táblázat: Fajlagos GDP, és életminőség index súlyozott relatív szórása (1995-2011), (NUTS2) GDP/fő 1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
V (GER)
23,47
23,14
23,43
23,77
23,69
23,94
24,34
23,89
23,71
23,28
23,23
22,61
22,08
21,68
21,34
21,64
21,21
V (HUN)
24,30
26,78
28,67
29,44
31,75
33,28
34,28
36,68
35,02
35,18
37,30
39,24
38,71
38,49
40,18
39,30
39,61
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
V (GER)
-
-
-
-
-
-
24,16
23,30
25,26
24,17
23,33
24,14
25,22
21,29
22,97
24,18
23,25
V (HUN)
-
-
-
-
-
-
69,85
40,19
44,88
41,11
37,44
38,77
46,69
41,42
30,53
40,47
45,49
Életminőség index
Forrás: Eurostat adatai és saját számítások alapján, saját szerkesztés A GDP értékeinek súlyozott relatív szórása NUTS3-as szinten Németország esetében 2002-től dinamikusan csökkenő trendet jelez 2010-ig. Magyarországon azonban a jövedelmi olló további nyílását igazolja. Megjegyzendő, hogy a főváros torzító hatása nagyban befolyásolja az eredményeket. 19. táblázat: Fajlagos GDP súlyozott relatív szórása (2000-2011), (NUTS3) 2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
V (GER)
41,38 42,02 41,43 41,29 40,92 41,25 41,17 41,13 39,70 39,05 39,88 40,82
V (HUN)
36,60 35,40 38,32 37,22 38,19 40,06 42,38 42,41 42,97 44,51 43,78 44,79
Forrás: Eurostat adatai és saját számítások alapján, saját szerkesztés A Hoover-index, melyet a klasszikus Robin-Hood index formájában számítottam (GDP és népesség), a német területeken csökkenő jövedelemkülönbségeket igazol. 2011-re a 2000-es 15%-hoz képest, már csak a GDP 14%-át kellene átcsoportosítani a gazdagoktól a szegényebbeknek ahhoz, hogy a különbségek kiegyenlítődjenek (20. táblázat). 20. táblázat: Területi jövedelmi különbségek (2000-2011), (NUTS3) 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Hoover index GER 15,14 15,46 15,37 15,33 15,21 14,99 14,95 14,95 14,48 14,13 14,16 14,18 Hoover index HUN 19,15 18,42 19,45 18,64 18,89 19,62 20,63 20,37 21,01 21,85 21,52 21,98
Forrás: Eurostat adatai és saját számítások alapján, saját szerkesztés A Hoover-index a magyar területek esetében azonban növekvő területi jövedelmi differenciákat mutat. Országosan a GDP körülbelül 22%-át kellene átcsoportosítani a diszparitások eltűntetéséhez. A jólét változásának vizsgálatára a Sen féle jóléti indexet számszerűsítettem, melynek számítási eredményeit és értelmezését a német és magyar területek esetében a 10. melléklet tartalmazza.
67
4.2.1. Egyenlőtlenségi indexek: igazolható konvergens folyamatok
Az adatokból látható, hogy a területi egység megválasztása befolyásoló hatással bír az indexek értékeire. A GDP esetében Németországban a regionális és körzetek szintjén elvégzett vizsgálat is csökkenő különbségeket jelez, míg Magyarország esetében a GDP különbségei mindkét területi szinten növekvő tendenciát mutatnak. Azonban amíg az életminőség index esetében elvégzett regionális vizsgálat mindkét ország esetében konvergenciára utaló jeleket mutat, addig a NUTS3-as elemzés erősödő területi különbségeket jelez. Ebben az esetben tehát a területi szint körültekintő megválasztása kiemelten fontos. 21. táblázat: Egyenlőtlenségi indexek összegzés – Németország Mutatók/terület
NUTS 2
NUTS 3
Németország – GDP/fő adatsor terjedelme (M) Duál mutató (Éltető-Frigyes index) súlyozott relatív szórás (V) Hoover-index adatsor terjedelme (M) Duál mutató (Éltető-Frigyes index) súlyozott relatív szórás (V)
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése
egyenlőtlenségek csökkenése
egyenlőtlenségek csökkenése
egyenlőtlenségek csökkenése Németország – életminőség index egyenlőtlenségek csökkenése
egyenlőtlenségek csökkenése csökkenő különbségek egyenlőtlenségek növekedése
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése
Forrás: saját szerkesztés 22. táblázat: Egyenlőtlenségi indexek összegzés – Magyarország Mutatók/terület
NUTS 2
NUTS 3
Magyarország – GDP/fő adatsor terjedelme (M) Duál mutató (Éltető-Frigyes index) súlyozott relatív szórás (V) Hoover-index
egyenlőtlenségek növekedése
egyenlőtlenségek növekedése
egyenlőtlenségek növekedése
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése -
egyenlőtlenségek növekedése növekvő különbségek
Magyarország – életminőség index adatsor terjedelme (M) Duál mutató (Éltető-Frigyes index) súlyozott relatív szórás (V)
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése
egyenlőtlenségek csökkenése
egyenlőtlenségek növekedése
Forrás: saját szerkesztés 4.2.2. Egyenlőtlenségek a perifériákon
Szász-Anhalt tartomány Szász-Anhalt tartomány esetében a range arány mutató 2000-2011 között a tartományon belüli egy főre jutó GDP különbségének csökkenését jelzi, amelyet a Duál mutató is alátámaszt. Tartományon belül kimutatható a területi különbségek csökkenése a magasan fejlett (többnyire várostérségek) és a periférikusabb helyzetű körzetek között. Az adatok súlyozott relatív szórása Szász-Anhalt tartomány esetében is (az országos tendenciához 68
hasonlóan) 2002-től dinamikusan csökkenő trendet jelez, melynek során a mutató értéke a 2001 évi 19,15-ről 2011-re 14,93-ra redukálódik. A Hoover-index értéke 8,14-ről 7%-ra csökkent, mely szintén jelentős csökkenést mutat a GDP differenciáiban. (23. táblázat) 23. táblázat: Fajlagos GDP egyenlőtlenségi indexei Szász-Anhalt tartományban (20002011) 2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Range (M)
1,816 1,861 1,867 1,974 1,911 1,862 1,827 1,839 1,823 1,860 1,683 1,661
Duál mutató Súlyozott relatív szórás (V) Hoover index
1,397 1,412 1,370 1,407 1,394 1,345 1,353 1,294 1,323 1,331 1,300 1,252 18,51 19,15 19,08 19,12 18,53 18,16 17,42 15,77 15,88 16,95 15,47 14,93 8,14
8,34
8,26
8,27
8,19
7,97
7,78
6,92
7,29
7,39
7,05
7,00
Forrás: Eurostat adatai, és saját számítások alapján, saját szerkesztés Észak-Magyarország Az Észak-magyarországi régió esetében a range arány, az országos trendekhez hasonlóan a GDP különbségeinek növekedését mutatja, mely során 1,27-ről 1,54-szeresre nőtt a különbség a legfejlettebb és kevésbé fejlett térségek között. Ezt támasztja alá a régióban a Duál indikátor elemzése is, amely 2000 és 2011 között kismértékű növekedést mutatott. A súlyozott relatív szórás mutatója Észak-Magyarországon a jövedelmi olló erőteljes nyílását igazolja, ugyanis a mutató értéke 9,89-től 17,34-re, majd kétszeresére nőtt. A Hoover-index alapján is az időszak végére, a GDP majd kétszer akkora hányadát (2,42%-ról 4,35%-ra nőtt a differencia) kellene átcsoportosítani a gazdagabbaktól a szegényebbeknek a különbségek kiegyenlítése érdekében. 24. táblázat: Fajlagos GDP egyenlőtlenségi indexei az Észak-magyarországi régióban (2000-2011) 2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Range (M)
1,276 1,318 1,300 1,333 1,342 1,370 1,373 1,549 1,527 1,507 1,534 1,541
Duál mutató Súlyozott relatív szórás (V) Hoover index
1,207 1,243 1,230 1,247 1,288 1,356 1,347 1,486 1,446 1,423 1,445 1,459 9,89
11,44 10,86 11,81 11,98 13,59 13,39 17,74 16,99 16,45 17,13 17,34
2,42
3,60
3,63
3,50
2,42
2,42
3,73
4,75
4,34
4,19
4,33
4,35
Forrás: Eurostat adatai és saját számítások alapján, saját szerkesztés Megállapítható, hogy a két ország választott perifrikus térségein belüli GDP-ben kifejezett különbségek a vizsgált, 2000-2011-es időszakban Magyarország esetében növekedtek, vagyis a belső egyenlőtlenségek bővültek. Ezzel szemben Szász-Anhalt tartomány esetében a különbségek csökkenése tapasztalható. 2. Tézis: a) Az egyenlőtlenségi indexek a német gazdaság egésze, ill. Szász-Anhalt tartomány esetében, NUTS3-as szinten a területi diszparitások csökkenését igazolják az egy főre jutó GDP esetében. Az életminőség indikátorában ezzel ellentétben a körzetek szintjén divergencia igazolható. A magyar gazdaság és az Észak-magyarországi régió esetében az egy főre jutó GDP növekvő diszparitásokra utal, a megyei életminőség indexéhez hasonlóan. b) Az életminőség szempontjából az egyenlőtlenségi indexek nagyságát és változásának irányát befolyásolja az elemzés területi szintje. NUTS2-es, regionális szinten a német és magyar gazdaság esetében is az életminőség index egyenlőtlenségei a 2001 és 2011 –es 69
időszakban csökkentek, míg NUTS3-as szinten mindkét gazdaság esetében divergens folyamatok mentek végbe.
4.3. Szignifikáns szomszédsági hatások, nyugat-keleti differenciák „Everything is related to everything else, but near things are more related than distant things”(Tobler, 1970. p. 236.) „Minden mindennel összefügg, de az egymáshoz közeli dolgok jobban összefüggenek, mint az egymástól távoliak.” A fenti Tobler idézet szellemében vizsgáltam meg a német és magyar területek esetében az egy főre jutó GDP, ill. az életminőség területi autokorrelációját, vagyis hogy a GDP és az életminőség index esetében a területegységek elhelyezkedése, és egymáshoz való viszonyuk mennyiben befolyásolja eloszlásukat. A területi autokorreláció elméletét a 3.4.-es Alkalmazott kutatás módszertana, módszerei – Területi autokorreláció alfejezet tartalmazza. H3) NUTS3-as szinten, a szomszédsági kapcsolatok befolyásolják az egy főre jutó GDP és az életminőség értékeinek eloszlását (szignifikáns területi autokorreláció). Bizonyítani kívánom, hogy Szász-Anhalt tartomány és Borsod-Abaúj-Zemplén megye egyes területei homogén, hátrányos helyzetű térségek. 4.3.1. Fajlagos GDP, és életminőség igazolható autokorrelációja Fajlagos GDP - Németország
A fajlagos GDP Moran I indexének vizsgálata igazolja, hogy Németország egésze és a keleti tartományok esetében is gyenge pozitív területi autokorreláció figyelhető meg (25. táblázat). Ez azt jelenti, hogy a szomszédos területek egy főre jutó GDP-je hasonlóságot mutat, vagyis ahol magasabb a GDP, ott a mellette lévő területek GDP-je is nagy valószínűséggel magasabb. A nyugatnémet területek esetében gyenge negatív autokorrelációt tapasztaltam, vagyis a magas értékű területegységeknek alacsony értékű szomszédja van és fordítva. Ez utóbbi policentrikusabb térszerkezetre utalhat, azonban az autokorreláció gyenge erősségű. Az eltérést okozhatja a két országrész gazdaságszerkezetében fennálló különbség. A nyugati tartományok területén főként nagy multinacionális vállalatok székhelyeit találjuk, melyek főleg külföldi piacokkal állnak kapcsolatban, bevételük döntő hányada külföldi értékesítésből származik. Ezáltal a központok régiói magasan fejlett hot spotokként jelennek meg a térben, míg ehhez viszonyítva a többi régió lemaradása figyelhető meg, így a térszerkezet policentrikus. A keleti tartományok esetében kevesebb a nagy kutatóközpont és konszernközpont, gazdaságukban főleg kis és középvállalkozások dominanciája figyelhető meg, melyek sok esetben egymással állnak gazdasági kapcsolatban. Ez az intraregionális kapcsolat homogénebb térszerkezethez vezet. A német tartományok és régiók Moran elemzését a 11. melléklet tartalmazza. 25. táblázat: Fajlagos GDP Moran I indexeinek alakulása Németországban (2000-2012) Moran I
2000 0,078
2001 0,080
2002 0,071
2003 0,078
2004 0,086
2005 0,096
2006 0,109
2007 0,119
2008 0,109
2009 0,085
2010 0,117
2011 0,112
Forrás: saját szerkesztés (Eurostat 1 főre jutó GDP adatainak felhasználásával) Az értékek 95%-os szignifikancia szinten szignifikánsak. (pseudo p érték: 0,001; z-score: 4,1341) viszonyítási alap: -0,067 70
2012 0,124
Local-Moran I – Nyugat-keleti differencia kirajzolódása
A területi autokorreláció számításait elvégeztem a Local Moran mutatóra is Németország esetében (2011) NUTS3-as szinten (körzetek és városrégiók – 434 terület). A Local Moran I számításait a Luc Anselin és csapata által kifejlesztett GeoDa szoftver segítségével végeztem el. Az eredmények értelmezését jelentősen befolyásolhatja a szomszédsági mátrix megválasztása. „A statisztikai-ökonometriai módszertan azonban nem határozza meg a priori, hogy a szomszédsági mátrix melyik felírása lenne a megfelelő egy-egy probléma esetében” (Major-Tétényi, 2013. p. 975.), ezért az eredmények jobb alátámasztása érdekében, többféle szomszédsági mátrix alkalmazásával is elvégeztem vizsgálataimat (26. táblázat). A különböző szomszédsági mátrixokkal végzett számítások összehasonlításával ugyanis képet nyerhetünk a szomszédsági mátrix eredményeket befolyásoló hatásáról. (Tóth, 2014.) Disszertációmban az elemzések során a vezérszomszédságot, az öt legközelebbi szomszéd módszerét, és a küszöbtávolság alapú megközelítéseket alkalmaztam, a szakirodalom ajánlásai alapján ezek szolgáltatják a gyakorlatban a legmegbízhatóbb eredményeket. Az eltérő módszerrel kapott klasztereket és szignifikanciájukat a 12. melléklet tartalmazza. 26. táblázat: Local Moran vizsgálat értékei, Németország, egy főre jutó GDP esete (2011) vezérszomszédság Moran I permutációk száma pseudo-p érték z score létrejövő Local Moran klaszterek szignifikancia szintek
0,0706892 999 0,021 2,2265 high-high: 11 low-low: 68 low-high: 8 high-low: 18 95-99,9%
legközelebbi szomszédok módszere (5) 0,117476 999 0,001 4,1514 high-high: 19 low-low: 37 low-high: 15 high-low: 14 95-99,9%
küszöbtávolság (mean centers; 56 km) 0,0917743 999 0,001 4,4625 high-high: 29 low-low: 71 low-high: 40 high-low: 17 95-99,9%
Forrás: saját szerkesztés
24. ábra: Moran I index Németország fajlagos GDP-je esetében (NUTS 3, 2011) Forrás: saját szerkesztés 71
A 24. ábra a Moran I index értékét szemlélteti 2011-ben, Németország NUTS 3-as körzetei esetében az egy főre jutó GDP alapján. Az index értéke 0,1174, ami gyenge pozitív autokorrelációt jelez. Ez azt jelenti, hogy a GDP esetében a szomszédos területek egymásra hatása csupán kismértékű. Az egyes területek egy főre jutó GDP-je nem áll erős kapcsolatban egymással, a régiók gazdaságában az intraregionális gazdasági kapcsolatoknál jellemzőbbek az interregionális kapcsolatok, így a területek autokorrelációja gyenge. A vizsgálatot 999 permutációval végeztem, ami kellően magas szám ahhoz, hogy a véletlen hiba kiküszöbölhető legyen. A valószínűségi változó (p) értéke alacsony (0,001), míg a z score (értékek szórását adja) értéke (4,1514) magas, ami alapján igazolható az autokorreláció fennállása. A Local Moran I elvégzése előtt megvizsgáltam a területeket olyan szempontból, hogy szerepelnek-e közöttük outlierek. Az elemzés 13 outliert igazolt, többnyire városrégiókat, melyek azonban a későbbiekben nem mutattak szignifikáns kapcsolatot, így nem befolyásolták az eredmények értelmezhetőségét. A Moran Scatter Plot ábrája esetében a négy mező a területi autokorreláció négy fő típusába sorolja a területi egységeket. A pozitív területi autokorrelációt az ábra jobb fölső (High-high klaszter) és bal alsó (Low-low klaszter) mezője tartalmazza, míg a negatív autokorrelációs értékeket az ábra jobb alsó (high-low klaszter) és bal felső (low-high) mezője. Az 24. ábra arra enged következtetni, hogy a legszámosabb klaszter a LISA elemzés során a low-low klaszter lesz. A Local Moran I számítások eredményeképpen az alábbi klasztertérképet (25. ábra) kaptam.
25. ábra: Szomszédsági hatások Németország fajlagos GDP-je esetében – gyenge területi autokorreláció Forrás: saját szerkesztés Az elemzést minimum 95%-os szignifikancia szint feltételezése mellett végeztem el. A Local Moran vizsgálat az elemzésbe bevont 434 NUTS 3-as területegységből 349-ben nem mutatott ki szignifikáns autokorrelációt, a fennmaradó 85 területegységet pedig négy kategóriába lehet besorolni. Megjegyzendő, hogy a népességgel korrigált Local Moran vizsgálat is (Moran I with empirical Bayes) hasonló eredményekre vezetett. 2011-ben 19 területegység sorolható abba a kategóriába, melyben mind a vizsgált NUTS3-as körzet, mind pedig a szomszédjai szignifikánsan átlag feletti egy főre jutó GDP értékekkel 72
rendelkeztek. Ezek a területek GDP szempontjából magasan fejlett térségek. Valamennyi 19 terület az ország nyugati felében helyezkedik el, főként Bajorország, és Baden-Württemberg tartományokban. A High-high klaszter 19 tagja (NUTS1-NUTS2-NUTS3 besorolás szerint): Bajorország: Oberpfalz - Schwandorf és Oberbayern - Freising; BadenWürttemberg: Tübingen – Biberach, és Ravensburg, Karlsruhe – Rastatt, Karlsruhe, Heidelberg és Mannheim városok, Stuttgart – Ludwigsburg és Heilbronn; Rajnavidék-Pfalz: Rheinhessen-Pfalz – Frankenthal és Speyer-Spires városok; Hessen: Darmstadt – Darmstadt, Gross Gerau, Offenbach, Frankfurt am Main, Main-Taunus körzet és Hochtaunus körzet; Észak-Rajna-Vesztfália: Düsseldorf – Mettmann. A klaszter tagjainak legnagyobb része 95%-os szignifikancia szinten igazolja az autokorreláció fennállását, csupán két területegység mutat ennél is erősebb szignifikancia szintet, melyek Gross Gerau és a Main-Taunus körzete 99,9%-os szignifikancia szinttel. Az első klaszter tagjai tehát magasan fejlettek, sok esetben városi régiók, melyek környéke is nagyfokú fejlettséget mutat az egy főre jutó GDP szempontjából. Az egybefüggő, magasan fejlett térségekben magas a vállalkozások száma, és aktivitása (hozzáadott érték), mely hozzájárul a GDP értékének növekedéséhez. Ezt a magas vállalkozássűrűséget igazolja a 7. melléklet ábrája. Valamennyi érintett körzetben magas a K+F intenzitás, számos kutatóközpont található a térségben (például Mannheim, Karlsruhe és Darmstadt jelentős számú kutatási intézménnyel rendelkezik). A második klasztert azon területek alkotják, amelyben nemcsak az adott területi egység rendelkezik az átlagnál alacsonyabb egy főre jutó GDP-vel, hanem a szomszédjai is. Ezeket a térségeket, döntően a keleti országrészben találjuk. A klasztert 38 területegység alkotja, melyek a következők (szintén NUTS1-NUTS2-NUTS3 besorolás szerint): Rajna-vidék-Pfalz: Koblenz – Birkenfeld; Alsó-Szászország: Braunschweig – Osterode, Lüneburg – Lüneburg és Uelzen; Szászország: Chemnitz – Chemnitz-i régió, Chemnitz város, Mittlerer Erzgebirge és Aue-Schwarzenberg, Lipcse – Lipcse régió, Lipcse város és Delitzsch, Drezda – Meissen, Riesa-Großenhain, Weißeritz körzet, Drezda város, Sächsische Schweiz és Löbau-Zittau; Szász-Anhalt: Halle – Saugerhausen, Merseburg-Querfurt, Burgenland és Saal körzetek, Dessau – Bernburg és Bitterfeld; Türingia: Türingia - Schmalkalden-Meiningen, Unsrut-Heinich, Greiz, Gera városok és Nordhausen; Brandenburg: Brandenburg - Dahme-Spreewald, Barnim, Uckermark, Ostprignitz-Ruppin és Prignitz; Mecklenburg-Elő-Pomeránia: Mecklenburg-Elő-Pomeránia – Ucker-Randow, Müritz, Güstrow, Ludwigslust és Északnyugat-Mecklenburg. E területegységek négy kivételével, mind a keleti országrészben találhatók, vagyis a keleti tartományok relatíve alacsonyabb fejlettségi szintje ezen összevetésben is láthatóvá válik. A területek legnagyobb hányadában az autokorreláció jelensége 95%-os szignifikancia szinten igazolható. Vannak azonban olyan területek is, melynél erősebb a szignifikancia, és 99%-os megbízhatóságú (Unsrut-Heinich, Osterode, Greiz, Gera városok, Weißeritz körzet, Ostprignitz-Ruppin és Uckermark), illetve Drezda városa 99,9%-os szignifikancia szinten mutat autokorrelációt. A legnagyobb egybefüggő, relatíve alacsony fejlettségű térségek Mecklenburg-Elő-Pomeránia tartomány északi, vidékies térségeiben (Ucker-Randow, Güstrow, és Északnyugat-Mecklenburg) azonosíthatók. E térségekben a regisztrált vállalkozások aránya jelentősen elmarad az országos átlagtól. A harmadik klasztert azok a térségek alkotják, melyek egy főre eső GDP-je szignifikánsan átlag alatti, azonban a szomszédos területek értékei meghaladják az átlagot. Ezek a területek valamilyen oknál fogva, gazdaságilag kevésbé fejlettek, mint a szomszédjaik. Ebbe a kategóriába 15 térség sorolható, melyek mindegyike a nyugatnémet országrészben fekszik. A klaszter tagjai az alábbiak:
73
Észak-Rajna-Vesztfália: Köln – Rhein-Erft körzet; Hessen: Darmstadt – DarmstadtDieburg; Rajna-vidék-Pfalz: Rheinhessen-Pfalz – Worms város és Rhein-Pfalz; Bajorország: Schwaben – Neu Ulm, Unterfranken – Würzburg, Schweinfurt és Haßberge, Oberfranken – Bamberg, Mittelfranken – Fürth, Oberbayern – Eichstätt, Ebersberg és Bad Tölz-Wolfratshausen, Oberpfalz – Regensburg; Alsó-Szászország: Braunschweig – Helmstedt. A területek három kivétellel 95%-os szignifikancia szintet mutatnak, a fennmaradó Rhein-Erft körzet, Darmstadt-Dieburg és Bad Tölz-Wolfratshausen 99%-os szinten szignifikáns területi autokorrelációt mutat. A különbségek oka lehet ebben a klaszterben a városi körzetek esetében, hogy a várost övező agglomerációs gyűrű, és a környező területek relatíve fejlettebbek már, mint a városközpont, feltehetően a végbement agglomerációs folyamat eredményeképpen (például Regensburg, Bamberg, Würzburg esetében). Az utolsó klaszter tagjainak GDP értékei szignifikánsan országos átlag feletti teljesítményt mutattak 2011-ben, azonban a környező területek GDP-je elmaradt az átlagtól. Ennél fogva e régiók kiemelkednek fejlettségben a környezetükből. A klaszter tagjainak legnagyobb része várostérség. 15 területegység alkotja a csoportot: Rajna-vidék-Pfalz: Rheinhessen-Pfalz – Landau és Kaiserslautern városok; Bajorország: Oberfranken – Coburg város; Türingia: Türingia – Erfurt és Jena városok; Szász-Anhalt: Magdeburg – Quedlinburg és Ohre körzetek; Szászország: Lipcse – Torgau-Oschatz, Drezda – Bautzen; Brandenburg: Brandenburg – SpreeNeisse és Potsdam városok; Mecklenburg-Elő-Pomeránia: Mecklenburg-ElőPomeránia – Schwerin, Neubrandenburg és Rostock városok; Schleswig-Holstein: Schleswig-Holstein - Lübeck város. Összességében megállapítható, hogy a német NUTS 3-as területek esetében 2011-re elvégzett Local Moran I számítások az egy főre jutó GDP-ben megerősítik a kelet-nyugati differenciákat. A kirajzolódó klaszterek igazolják, hogy az egybefüggő döntően fejlett területek a nyugati, míg a kevésbé fejlett (a terület és a szomszédjai is átlag alatti GDP-vel rendelkeznek) területek legnagyobb arányban a keleti országrészben találhatók (hasonlóképpen Fábián (2011) számításaihoz). Az úgynevezett „High-low” klaszter területei legnagyobb arányban a városrégiókra összpontosulnak. A „Low-high” klaszter ezzel szemben a városközpontok esetében arra világíthat rá, hogy a városközpontok gyakorta alacsonyabb GDP-vel rendelkeznek a nyugatnémet területeken, mint a környező agglomerációs gyűrű. Schleswig-Holstein, Alsó-Szászország, Saar-vidék, Rajna-vidék-Pfalz és Észak-RajnaVesztfália tartományok legnagyobb arányban nem mutatnak szignifikáns autokorrelációt, vagyis az értékek ezekben a tartományokban sokkal inhomogénebbek. Fajlagos GDP - Magyarország
Magyarország esetében a területi autokorreláció jelenségét kistérségi adatokon az egyes régiókra számszerűsítve a 27. táblázat összegzi. Látható, hogy a magyar régiók esetében a legtöbb régióban gyenge területi autokorreláció igazolható, egyedül a Közép-magyarországi régió esetében bizonyítható közepesen erős autokorreláció. 27. táblázat: Fajlagos GDP Moran-féle I indexeinek alakulása Magyarországon (200020012) 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 Közép-Magyarország 0,664 0,645 0,648 0,648 0,649 0,636 0,626 0,625 0,620 0,607 0,605 0,599 0,601 Közép-Dunántúl
0,116 0,125 0,147 0,178 0,187 0,181 0,173 0,219 0,231 0,241 0,243 0,243 0,245
Nyugat-Dunántúl
0,314 0,344 0,276 0,272 0,274 0,277 0,279 0,307 0,331 0,320 0,332 0,321 0,334
Dél-Dunántúl
0,293 0,293 0,264 0,271 0,280 0,281 0,303 0,293 0,303 0,289 0,293 0,297 0,302
74
Észak-Magyarország 0,171 0,150 0,153 0,155 0,176 0,151 0,189 0,200 0,219 0,203 0,198 0,206 0,210 Észak-Alföld
0,303 0,296 0,319 0,295 0,308 0,295 0,322 0,324 0,321 0,315 0,317 0,310 0,314
Dél-Alföld
0,182 0,198 0,219 0,192 0,209 0,196 0,215 0,228 0,239 0,235 0,241 0,241 0,249
Forrás: saját szerkesztés (Eurostat 1 főre jutó GDP adatainak felhasználásával) Az értékek 95%-os szignifikancia szinten szignifikánsak. (pseudo p érték: 0,0001; z-score: 3,2471) A Moran index számítását elvégeztem a magyar LAU1-es szintű kistérségek esetében az egy főre jutó adóköteles jövedelemre, a 2012-es évre vonatkozóan. Az elemzésbe 168 területi egységet vontam be. Az elemzéseket, a német eset mintájára a GeoDa térökonometriai szoftverrel végeztem el. Az elemzést három különböző szomszédsági módszerrel is elvégeztem, melyek eredményeit az alábbi, 28. táblázat összesíti. A vizsgált módszerek közül részletesebben az 5 legközelebbi szomszéd módszer alkalmazásával kapott eredményeket mutatom be. A többi szomszédsági mátrixszal kapott eredményeket a 13. melléklet összegzi. 28. táblázat: Local Moran vizsgálat, kistérségi jövedelem, Magyarország (2012) legközelebbi szomszédok módszere (5) 0,582369 999 0,001 12,7906 high-high: 27 low-low: 22 low-high: 0 high-low: 2 95-99,9%
vezérszomszédság Moran I permutációk száma pseudo-p érték z score létrejövő Local Moran klaszterek szignifikancia szintek
0,556074 999 0,001 11,5805 high-high: 28 low-low: 26 low-high: 1 high-low: 4 95-99,9%
küszöbtávolság (mean centers; 56 km) 0,48115 999 0,001 16,8644 high-high: 38 low-low: 46 low-high: 5 high-low: 7 95-99,9%
Forrás: saját szerkesztés
26. ábra: Fajlagos kistérségi jövedelem Moran I indexe, Magyarország (LAU1, 2012) Forrás: saját szerkesztés 75
Magyarországon 2012-ben az egy főre jutó adóköteles jövedelemek közepesen erős, pozitív autokorrelációt mutattak az egyes kistérségek vonatkozásában. A területi hatások fontosságát hangsúlyozta a jövedelem esetében Dusek (2004b) is. Ez azt jelenti, hogy a szomszédos területek értékei hatással vannak egymásra, jellemzőek az egyes kistérségek közötti gazdasági kapcsolatok, különösen az egy megyébe tartozó, ezáltal nagy valószínűséggel szomszédos kistérségek esetében. Az autokorreláció fennállását a 999 permutációval elvégzett elemzés alacsony p értéke (0,001) és magas z értéke (12,79) támasztja alá. A Moran Scatter plot ábrája (26. ábra) alapján már valószínűsíthető, hogy a LISA elemzés legszámosabb csoportjai a high-high és low-low klaszterek lesznek, melyet az alábbi klasztertérkép is alátámaszt.
27. ábra: Szomszédsági hatások az egy főre jutó kistérségi adóköteles jövedelem esetében, Magyarország (2012) – közepesen erős területi autokorreláció Forrás: saját szerkesztés Az elemzést minimum 95%-os szignifikancia szint feltételezése mellett elvégezve a vizsgált 168 területi egység közül 117 nem mutatott szignifikáns autokorrelációt. A Local Moran elemzés során létrejövő négy elméleti kategória közül a magyar esetben három fennállása igazolható. A high-high klaszter azokat a területeket tartalmazza, ahol az egy főre jutó jövedelem átlag feletti, és amelyek szomszédjai is szignifikánsan átlag feletti jövedelemmel rendelkeznek. E területeket legnagyobb részben a Közép-magyarországi régió (Budapest, Pest megye) és a Közép-dunántúli régió területén találjuk. Ezek a területek az egy főre jutó adóköteles jövedelem szempontjából magasan fejlett övezetek, ezekben a kistérségekben koncentrálódik a tőke, és a nagyvállalatok jelentős része (specializált, magasan képzett munkaerő igény, relatíve magas jövedelmek). A high-high klaszterbe tartozó területek az alábbiak: Budapest; Pest megye – Szentendrei, Pilisvörösvári, Érdi, Ráckevei, Gyáli, Gödöllői, Aszódi, Veresegyházi, Dunakeszi, Váci, Szobi kistérség; Nógrád megye – Rétsági kistérség; Komárom-Esztergom megye – Esztergomi, Dorogi, Tatai, Komáromi, Kisbéri, Oroszlányi, Tatabányai kistérség; Fejér megye – Móri, Bicskei, Ercsi, Székesfehérvári, Gárdonyi, Adonyi kistérség; Veszprém megye – Várpalotai kistérség. Budapest és agglomerációjának térbeli koncentrációját támasztotta alá Tóth és Nagy (2013) települési szinten elvégzett elemzése is, ahol megállapításaik szerint az átlagosnál fejlettebb települések köre szorosan összekapcsolódik. A low-low klaszterbe 22 területegység sorolható, mely területek jövedelmi értékei szignifikánsan átlag alattiak, és a szomszédos területek is átlag alatti értékekkel rendelkeznek. Ezek a térségek az egy főre jutó adóköteles jövedelem szempontjából hátrányos helyzetű 76
térségek. A kistérségek közel 60%-a földrajzilag is periférikus, határmenti térség, számos esetben nagyarányú aprófalvas település-szerkezettel, mely erősíti a problémákat. Legnagyobb részben dél, ill. északkelet Magyarországon fordulnak elő. Az északkeleti perifériák fennállását erősítette Jakobi (2011) tanulmánya is, melyben a jövedelmek térbeli autokorreláltságát vizsgálta. A low-low klaszter tagjai az alábbiak: Somogy megye – Marcali, Kadarkúti, Barcsi kistérség; Tolna megye – Dombóvári kistérség; Baranya megye – Szigetvári kistérség; Bács-Kiskun megye – Kiskőrösi, Jánoshalmai, Kiskunhalasi, Bácsalmási kistérség; Békés megye – Gyulai kistérség; Hajdú-Bihar megye – Püspökladányi kistérség; Szabolcs-Szatmár-Bereg megye – Ibrány-Nagyhalászi, Kisvárdai, Baktalórántházai, Vásárosnaményi, Nyírbátori, Mátészalkai, Fehérgyarmati, Csengeri kistérség; Borsod-Abaúj-Zemplén megye – Encsi, Sátoraljaújhelyi, Sárospataki kistérség. A high-low klaszter, mely egyfajta területi központot szemléltet, két elemet tartalmaz. Ezeken a területeken az egy főre jutó adóköteles jövedelem országos átlag feletti, mellyel kiemelkedik a szomszédai közül. Ilyen térség Hajdú-Bihar megyében a Debreceni kistérség, és SzabolcsSzatmár-Bereg megyében a Nyíregyházai kistérség, melyek megyei jogú városokat jelölnek. Különösen a Nyíregyházai kistérség emelkedik ki környezetéből, amely számos vállalati telephelyet tartalmaz (Nyíregyházi Ipari Park jelentős térségi foglalkoztató). E két megyei jogú város spatial outlier szerepét igazolja Tóth és Nagy (2013) települési szinten elvégzett elemzése is, olyan központi településként értelmezve őket, amely az országos átlagnál fejlettebb, de igen élesen eltér a fejlettségbeli helyzete a környezetétől. Megállapítható tehát, hogy az egy főre jutó adóköteles jövedelem esetében a területi hatások szerepe jelentős. Életminőség index – Németország A két ország életminőség indexei vonatkozásában a területi autokorreláció jelenségét szintén többféle szomszédsági mátrix alkalmazásával teszteltem. Németország esetében az eredményeket az alábbi, 29. táblázat összegzi. 29. táblázat: Local Moran vizsgálat, Németország, életminőség indexe (2011) legközelebbi szomszédok módszere (5) 0,2967 999 0,001 8,8156 high-high: 53 low-low: 49 low-high: 8 high-low: 10 95-99,9%
vezérszomszédság Moran I permutációk száma pseudo-p érték z score létrejövő Local Moran klaszterek szignifikancia szintek
0,3016 999 0,001 9,5247 high-high: 37 low-low: 55 low-high: 0 high-low: 12 95-99,9%
küszöbtávolság (mean centers; 56 km) 0,2327 999 0,001 6,3719 high-high: 77 low-low: 65 low-high: 17 high-low: 27 95-99,9%
Forrás: saját szerkesztés Németországban az életminőség index szempontjából pozitív irányú szignifikáns területi autokorreláció áll fönn (p és z értékei alapján), azonban értéke gyenge. A high-high klaszter értékeit valamennyi szomszédsági mátrixszal számított modell Észak-Rajna-Vesztfália tartomány, északkelet Rajna-vidék-Pfalz, nyugat Baden-Württemberg tartomány területén, valamint München, Hamburg és a főváros, Berlin környékén értelmezi. Ezek a térségek kiemelkednek oktatási tényezőjük, valamint infrastrukturális ellátottságuk alapján, és egybefüggő, az életminőség szempontjából magasan fejlett térségeket alkotnak. Dél77
Bajorország és Baden-Württemberg tartományok kiemelkedő pozícióját támasztotta alá az életminőség szempontjából Fábián (2011) is tanulmányában, kiemelve a DarmstadtHeilbronn-Mannheim háromszög fejlettségét. Ezzel szemben a low-low klaszter ÉszakBajorország, ill. Türingia, Szászország, és Szász-Anhalt tartományok területein értelmezhető. A low-high klaszter előfordulása relatíve kicsi arányban jellemző, Baden-Württemberg, Rajna-vidék-Pfalz és Észak-Rajna-Vesztfália tartományok egyes területein. A high-low klaszter értékei a keleti tartományokban elszórtan jelennek meg, kiemelkedő városi térségeket jelezve a térben (Lipcse, Plauen, Drezda). Az életminőség index Németországban gyenge autokorrelációval rendelkezik, ami azonban erősebb, mint az egy főre jutó GDP esetében látott értékek, vagyis az index komponenseiben az értékek magasabb fokú csoportosulást mutatnak, mint a GDP esetén.
28. ábra: Szomszédsági hatások az életminőség esetében, Németország (NUTS3, 2011) – gyenge területi autokorreláció Forrás: saját szerkesztés Németország esetében vizsgáltam a regisztrált vállalkozások, ill. a munkanélküliségi ráta esetében tapasztalható mintázatokat, mivel az indikátorok komoly befolyásoló hatással lehetnek a GDP és az életminőség index eloszlására is. Az eredményeket a 14. melléklet tartalmazza. Életminőség index – Magyarország A magyar életminőség területi autokorrelációs vizsgálata során az alábbi eredményekre jutottam. A magyar kistérségek esetében szignifikáns, azonban gyenge pozitív irányú területi autokorreláció figyelhető meg, vagyis a szomszédos területegységek befolyásoló hatása kismértékű. Az elemzés tesztjei (p és z értékek) is igazolják az autokorreláció fennállását.
78
30. táblázat: Local Moran vizsgálat, Magyarország, életminőség indexe (2011) legközelebbi szomszédok módszere (5) 0,07255 999 0,001 7,3914 high-high: 5 low-low: 14 low-high: 6 high-low: 6 95-99%
vezérszomszédság Moran I permutációk száma pseudo-p érték z score létrejövő Local Moran klaszterek szignifikancia szintek
0,08541 999 0,001 5,1833 high-high: 9 low-low: 12 low-high: 6 high-low: 7 95-99,9%
küszöbtávolság (mean centers; 56 km) 0,08553 999 0,001 7,5753 high-high: 15 low-low: 23 low-high: 15 high-low: 8 95-99,9%
Forrás: saját szerkesztés
29. ábra: Szomszédsági hatások az életminőség esetében, Magyarország (LAU1, 2011) – gyenge területi autokorreláció Forrás: saját szerkesztés Az életminőség index mintázata nagyrészt visszaigazolja a GDP és az életminőség index közötti közepesen szoros kapcsolatot, mivel a magas GDP együtt jár a magasabb életminőség komponens értékekkel. Az életminőség értékei alapján a high-high klaszter előfordulása Pest, Komárom-Esztergom, Fejér és Veszprém megyék egyes kistérségeire korlátozódik, néhány kivétellel hasonlóan a GDP értékeihez, míg a low-low klaszter előfordulása SzabolcsSzatmár-Bereg, Hajdú-Bihar, Borsod-Abaúj-Zemplén és Baranya megyékben hangsúlyos (hasonlóképpen Csite-Németh 2007-es kistérségi HDI vizsgálatához). Ez utóbbi kicsivel több területet érint, mint a GDP alapján vett klaszter. A 29. ábrán jól látható, hogy a low-high klaszter értékei a high-high klaszter perifériáján, míg a high-low klaszter elemei a low-low klaszter perifériáján helyezkednek el. Megállapítható továbbá, hogy az életminőség esetében a különböző szomszédsági mátrixszal számított értékek Magyarország vonatkozásában kevésbé térnek el egymástól, mint a német területek esetén. Ennek oka lehet, hogy a 434 német körzet közül 107 várostérség, amely az index komplex jellegénél fogva jelentősen befolyásolhatja a kapott eredményeket. A település-szerkezet további hatása lehet a LISA klasztertérképein kirajzolódó magasabb számú hot spot is a német gazdaság esetében. 3. Tézis: a) 2011-ben a német körzetek (NUTS3) esetében a GDP és az életminőség vonatkozásában is gyenge, pozitív területi autokorreláció bizonyítható. Az egy főre jutó GDP79
ben a Local Moran I számítások megerősítik a kelet-nyugati differenciákat. A kirajzolódó klaszterek igazolják, hogy az egybefüggő döntően fejlett területek a nyugati, míg a kevésbé fejlett térségek legnagyobb arányban a keleti országrészben találhatók. A „High-low” klaszter területei főként városrégiókra összpontosulnak. Szász-Anhalt tartomány egyes körzetei a GDP alapján a low-low klaszterbe sorolhatók. Az életminőség szempontjából szintén gyenge, pozitív irányú területi autokorreláció fennállása igazolható. A high-high klaszter térségei Észak-Rajna-Vesztfália tartomány, északkelet Rajna-vidék-Pfalz, nyugat Baden-Württemberg tartomány területén, München, Hamburg és Berlin környékén értelmezhetők. A low-low klaszter Északkelet-Bajorország, ill. Türingia, Szászország, és Szász-Anhalt környékére tehető. b) 2011-ben a magyar LAU1-es térségek az egy főre jutó adóköteles jövedelem vonatkozásában közepesen erős, pozitív autokorrelációt mutattak, esetükben a szomszédsági hatások erősebbek a német gazdaságnál. A high-high klaszterbe tartozó területeket legnagyobb részben a Közép-magyarországi régió (Budapest, Pest megye) és a Középdunántúli régió területén találjuk. A low-low klaszterbe sorolható Borsod-Abaúj-Zemplén megyéből az Encsi, a Sátoraljaújhelyi és a Sárospataki kistérség. Az életminőség tekintetében a magyar kistérségek esetében szignifikáns, azonban gyenge pozitív irányú területi autokorreláció áll fenn. A jövedelemhez hasonlóan a high-high klaszterbe sorolható Pest, Komárom-Esztergom megye, Fejér megye legtöbb kistérsége és a főváros, míg a low-low klaszterbe Borsod-Abaúj-Zemplén, Szabolcs-Szatmár-Bereg és Hajdú-Bihar megye kistérségei, valamint Baranya megye néhány kistérsége. A low-high klaszter értékei a highhigh klaszter perifériáján, míg a high-low klaszter elemei a low-low klaszter perifériáján helyezkednek el. c) A szomszédsági hatások, és a mutatószámok térbeli eloszlása alapján kialakuló mintázatok alátámasztják Szász-Anhalt tartomány és Borsod-Abaúj-Zemplén megye többségében homogén, periférikus helyzetét. 4.3.2. Területi hatások dominanciája a strukturális jellemzőkkel szemben
A területi hatások értelmezésekor kitértem az életminőség index hatásarány elemzésére is. Arra a kérdésre kerestem a választ, hogy a társadalmi fejlődés esetében az életminőség területi, vagy strukturális hatásainak szerepe hangsúlyosabb. A területi hatások alatt a szomszédságból fakadó hatásokra, míg strukturális esetben az életminőség index komponenseiben bekövetkező változások hatására gondolhatunk. A számítást elvégeztem Magyarország és Németország esetében is NUTS2-es és NUTS3-as szinten. Az elemzés elméleti hátterét a 3.5.-ös Alkalmazott kutatás módszertana, módszerei – Shift-share elemzés alfejezet tartalmazza. 4.3.2.1. Regionális szintű hatásarányok – területi tényezők dominanciája
A kapott eredményeket Magyarország NUTS2-es régiói esetében az alábbi, 31. táblázat, illetve 30. ábra szemléltetik.
80
31. táblázat: A shift-share elemzés régiótípusai (Magyarország, NUTS2) Sorszám
A térségek jellemzői szerinti típusok
területi>ágazati
1.
Pozitív területi és pozitív strukturális tényező, az átlagosnál nagyobb életminőség dinamika
-
2.
Dél-Alföld
3.
Pozitív strukturális és negatív területi tényező, az átlagosnál nagyobb életminőség dinamika
4.
Negatív strukturális és pozitív területi tényező, az átlagosnál nagyobb életminőség dinamika
Közép-Dunántúl Észak-Magyarország
5.
Pozitív strukturális és negatív területi tényező, az átlagosnál kisebb életminőség dinamika
-
6.
Negatív strukturális és pozitív területi tényező, az átlagosnál kisebb életminőség dinamika
7. 8.
Negatív területi és negatív strukturális tényező, az átlagosnál kisebb életminőség dinamika
ágazati>területi
-
Közép-Magyarország Nyugat-Dunántúl Észak-Alföld Dél-Dunántúl -
Forrás: saját szerkesztés
30. ábra: A magyar régiók a shift-share elemzés kategóriái alapján (2001-2011) Forrás: saját szerkesztés A fenti, 30. ábra az életminőség index shift-share analízisével létrejött régió típusokat tartalmazza. Magyarországon a 8 elméletileg lehetséges típusból három jelenik meg, a 2-es, 4es és 6-os kategória. Azok a területek, ahol a területi jellemző pozitív (vagyis a terület elhelyezkedéséből eredő hatás pozitív), viszont az életminőség index komponensek együttes hatása negatív (4-es kategória), főleg az északi országrészben fordulnak elő (ÉszakMagyarország és Közép-Dunántúl). Ezeken a területeken az életminőség index dinamikája magasabb az átlagosnál, így nagyobb növekedési ütemet mutatnak. Ez abból ered, hogy a pozitív területi hatás erősebb a strukturális hatásnál, a területegységek egymáshoz viszonyított helyzete a meghatározó. A Dél-alföldi régióban mind a területi, mind a strukturális hatás pozitív, ami együttesen magas életminőség dinamikához vezet (2-es kategória). 81
A 6-os kategóriában a strukturális tényező dominál (vagyis az életminőség index komponenseinek összhatása), azonban ez kedvezőtlenül hat az index dinamikájára. Ez a tulajdonság jellemző a magyar régiók nagy részére. Az alábbi táblázat az egyes hatásokat tartalmazza területegységenkénti bontásban. 32. táblázat: A magyar régiók részesedése a shift-share elemzés komponenseiből Összesen +
Összesen -
Területi +
Területi -
Ágazati +
Ágazati -
0
58,86
0
44,88
41,78
0
Közép-Magyarország Közép-Dunántúl
62,81
0
34,78
0
0
24,3
Nyugat-Dunántúl
0
14,34
0
23,31
24,45
0
Dél-Dunántúl
0
19,53
0
15,94
15,07
0
13,24
0
63,57
0
0
75,7
0
7,27
0
15,86
17,05
0
23,95
0
1,62
0
1,65
0
100
100
100
100
100
100
Észak-Magyarország Észak-Alföld Dél-Alföld ország összesen
Forrás: saját szerkesztés Az időszakban (2001-2011) a vizsgált összhatás átlag feletti részének (pozitív hatás) 62,8%-a a Közép-Dunántúlon, míg 23,95%-a a Dél-Alföldön jelentkezik. A fennmaradó értékeket pedig az Észak-magyarországi régió birtokolja. Az összhatás negatív részének döntő többsége (58,86%) Közép-Magyarországon jellemző. A területi hatások pozitív, átlag feletti értékei szintén Észak-Magyarországon dominánsak, míg a negatív hatásoknál ismét a Középmagyarországi régió megjelenése figyelhető meg. A strukturális hatások pozitívumai részben a területi negatív hatások tükörképét adják, hiszen a legerősebben a Közép-magyarországi és Nyugat-dunántúli régiókra jellemzők (32. táblázat). 33. táblázat: Területi és ágazati hatások erőssége a magyar régiók esetében Összesen
Területi
Ágazati
Közép-Magyarország
-100
519,9343
-419,934
Közép-Dunántúl
100
225,6971
-125,697
Nyugat-Dunántúl
-100
1108,557
-1008,56
Dél-Dunántúl
-100
556,6045
-456,605
Észak-Magyarország
100
1957,369
-1857,37
Észak-Alföld
-100
1487,759
-1387,76
Dél-Alföld
100
28,12042
71,87958
Forrás: saját szerkesztés A 33. táblázat alapján elmondható, hogy Magyarország esetében az életminőség növekedését a Dél-Alföldi régió kivételével a területi hatások befolyásolják dominánsan. Németország esetében a shift-share elemzés eredményeit a 15. melléklet táblázata, illetve a 31. ábra szemléltetik.
82
31. ábra: A német régiók a shift-share elemzés kategóriái alapján (2001-2011) Forrás: saját szerkesztés A fenti ábra az életminőség shift-share analízisével létrejött régió típusokat tartalmazza. Németországban a 8 elméletileg lehetséges típusból csupán négy jelenik meg. A kategória 4es és 6-os csoportjai a legszámosabbak. Azok a területek, ahol a területi jellemző pozitív (vagyis a terület elhelyezkedéséből eredő hatás pozitív), viszont az életminőség komponensek együttes hatása negatív (4. kategória), főleg az ország nyugati részében figyelhetők meg. Ezeken a területeken az életminőség dinamikája magasabb az átlagosnál, így nagyobb növekedési ütemet mutatnak. Ez abból ered, hogy a pozitív területi hatás erősebb a strukturális hatásnál. Ezzel szemben azok a térségek, amelyekben az életminőség komponenseinek összhatása pozitív, viszont a területi hatás negatív (mely negatív hatás kihat az életminőség dinamikájára, 5. kategória), elszórtabban jelennek meg a térben (Arnsberg, Bréma, Niederbayern, Tübingen). Ezekben a régiókban az életminőség dinamikája elmarad az átlagostól. A 6. kategóriába, ahol a negatív strukturális és a pozitív területi tényező, az átlagosnál kisebb életminőség dinamikát eredményez, főként az ország középső sávjában jellemző, valamint Schleswig-Holstein tartomány és Baden-Württemberg nyugati része is ide sorolható. Szász-Anhalt tartomány egésze a hármas kategóriába tartozik csakúgy, mint Brandenburg és Mecklenburg-Elő-Pomeránia tartomány egésze. Itt a pozitív strukturális és negatív területi tényező az átlagosnál nagyobb életminőség dinamikát okoz. Az egyes hatásokat területegységenkénti bontásban a 15. melléklet tartalmazza. Az időszakban (2001-2011) a vizsgált összhatás átlag feletti részének (pozitív hatás) 11,98%-a Hamburg, és 9,54%-a Mecklenburg-Elő-Pomeránia régiókban csapódik le. Az összhatás negatív részének döntő többsége pedig Chemnitz, Kassel és Lipcse területein jelenik meg. A területi hatások pozitív, átlag feletti értékei Hamburg, Berlin és Oberbayern térségében jellemzőek, míg a negatív hatásoknál Chemnitz, Lipcse és Koblenz domináns. A strukturális hatások pozitívumai a legerősebben Chemnitz (20,2%-a az összes strukturális pozitívumnak), és Lipcse (16,57%) régiókban figyelhetők meg. A strukturális hatások
83
negatívumai, vagyis az életminőség komponenseiben bekövetkező változások negatív hatásai döntően Oberbayern, Berlin és Hamburg területén fordulnak elő. Németország esetében az életminőség növekedését az esetek 79%-ában a területi hatások okozzák, a strukturális hatások befolyásoló szerepe Tübingen, Niederbayern, Oberpfalz, Brandenburg, Bréma, Mecklenburg-Elő-Pomeránia, Weser-Ems és Szász-Anhalt esetében erősebb. 4.3.2.2. Megyei szintű hatásarányok – policentrikus térszerkezet
Elvégeztem a NUTS3-as szintű életminőség index shift-share elemzését is, arra a kérdésre keresve a választ, hogy az index eloszlásakor a strukturális vagy a területi tényezők dominálnak. Magyarország NUTS3-as területegységeit a shift-share elemzés 8 elméleti régiótípusa közül 3-ba tudtam besorolni (15. melléklet). A megyék közötti divergencia jelensége ebben az esetben is megfigyelhető, mivel a 2001-ben átlag feletti életminőség értékkel rendelkező területek több, mint 60%-a az átlagosnál magasabb életminőség dinamikával rendelkezett a 2001 és 2011-es időszakban. Az átlagosnál magasabb életminőség dinamikával rendelkezett az ország több megyéje (3-as és 4-es kategória) (32. ábra).
32. ábra: A magyar megyék a shift-share elemzés kategóriái alapján (2001-2011) Forrás: saját szerkesztés Megállapítható, hogy a teljes hatás (strukturális és területi hatás együttese) több, mint felén három megye (Veszprém, Hajdú-Bihar és Csongrád) osztozott, míg a negatív hatások 23,46%-a Komárom-Esztergom megyében jelentkezett. A területi elhelyezkedésből fakadó előnyök Veszprém, Csongrád és Hajdú-Bihar megye esetében kiemelkedőek, míg a hátrányok legnagyobb része Somogy megyében összpontosul. Somogy megyében a negatív területi hatásokat kis mértékben ellensúlyozza, hogy a komponensekből fakadó strukturális előnyök 22,02%-a itt jelentkezik.
84
34. táblázat: A magyar megyék részesedése a shift-share elemzés komponenseiből Teljes + Teljes Budapest Pest Fejér Komárom-Esztergom Veszprém Győr-Moson-Sopron Vas Zala Baranya Somogy Tolna Borsod-Abaúj-Zemplén Heves Nógrád Hajdú-Bihar Jász-Nagykun-Szolnok Szabolcs-Szatmár-Bereg Bács-Kiskun Békés Csongrád
0 0 7,32 0 30,36 0 0 0 1,67 0 0 0 0,04 12,31 18,66 0 2,53 4,69 2,68 19,74
0,54 6,28 0 23,46 0 19,80 9,68 0,66 0 11,70 6,01 14,81 0 0 0 7,05 0 0 0 0
Területi + Területi - Strukturális + Strukturális 0 0 5,86 0 36,63 0 0 0 4,26 0 0 0 3,16 11,15 15,78 0 0,00 5,84 0 17,33
9,64 2,87 0 11,49 0 8,62 6,04 5,82 0 20,52 6,49 5,88 0 0 0 11,07 8,80 0 2,76 0
11,32 2,16 0 8,98 0 6,31 5,25 6,77 0 22,02 6,51 4,04 0 0 0 11,73 11,02 0 3,90 0
0 0 5,21 0 38,24 0 0 0 5,14 0 0 0 4,24 10,51 14,42 0 0 6,15 0 16,10
Forrás: saját szerkesztés A magyar megyék közül összességében elmondható, hogy a megyei életminőség indexben két megye (Szabolcs-Szatmár-Bereg és Békés) kivételével a területi hatások dominálnak. A német körzetek esetében az életminőség index shift-share analízise is a nyugati és keleti országrész közötti divergenciát támasztja alá. A növekvő életminőség dinamikával rendelkező körzetek (1, 2, 3, és 4. kategóriába sorolható térségek) az ország nyugati felében, míg a kedvezőtlen életminőség dinamikával bíró területek (5-ös és 6-os kategória) az ország keleti felében összpontosulnak (33. ábra).
33. ábra: A német körzetek életminőségi besorolása Forrás: saját szerkesztés 85
Az összes pozitív hatás 86%-a a nyugati országrész körzeteiben csapódik le, míg a negatív hatások 56%-a érinti ezen területeket. A nyugati országrész dominanciája különösen a területi pozitív hatások esetében jelentős, mivel ezek 97%-a a nyugati tartományokban jelentkezik. A körzetek életminőség indexeinek eloszlása esetében a területi tényezők szerepe a meghatározó, a strukturális hatások (életminőség komponenseinek hatásából eredő tényezők) szerepe csak a területek 10%-a esetében domináns faktor. A shift-share elemzés összességében azt igazolja, hogy Magyarország esetében a területi szint mélyítésével a strukturális tényezők szerepe növekszik, vagyis dominánsabbak az életminőség index összetevői a területi elhelyezkedéssel szemben. Megyei szinten 2001 és 2011 között a strukturális hatások erőteljesebbek voltak, mint regionális szinten. Németországban a területi szint mélyítése a területi hatások erősödését hozta a strukturális tényezőkkel szemben. Fontos megjegyezni, hogy a 10 éves vizsgált időperiódus már felvetheti az elemzés korlátait, miszerint minél hosszabb a választott időtáv, annál inkább fenntartásokkal értelmezhetők az eredmények (mert annál nagyobb a strukturális változások valószínűsége). (Benedek, 2006.) 3. Tézis: d) A shift-share elemzés alátámasztja a regionális életminőség index konvergenciáját, és a megyei szintű index divergenciáját mindkét gazdaság esetében. e) A regionális és megyei életminőség index esetében a német és magyar gazdaságban a területi elhelyezkedésből fakadó hatások erőteljesebbek, az életminőség komponenseiben fennálló differenciák csak 10%-ban (magyar és német egyaránt) befolyásolják az index értékeinek eloszlását.
4.4. Konvergencia vs. divergencia? A disszertáció eddigi eredményei alapján konvergens folyamatok figyelhetők meg a két ország gazdaságában. A feltételezésem szerint azonban: H4) A konvergencia üteme a német és magyar gazdaság periférikus térségeiben eltérő. Feltételezhető, hogy a konvergencia folyamat során nem történt jelentősebb átalakulás a térségek rangsorában. Az eltérő területi szinteken (NUTS2 – NUTS3) elvégzett vizsgálatok különböző eredményekre vezethetnek.
A konvergencia elemzését három fő módszerrel végeztem el, melyek a szigma, béta, ill. gamma konvergencia vizsgálatok. Az elemzések elméleti hátterét a 3.6.-os Alkalmazott kutatás módszertana, módszerei – Konvergencia számítások alfejezet tartalmazza. Az elemzéseket elvégeztem az EU országaira, hogy lássam a magyar és német folyamatok eltérését az uniós viszonyokhoz képest. (16. melléklet) Németországban, regionális szinten, a vizsgált időszakban (2001-2011) megvalósult a szigma konvergencia a GDP és az életminőség esetében is, melyet az értékek csökkenő szórása mutat (34. ábra). A konvergencia Németországban a keleti területek növekvő gazdasági erejének és életminőségének köszönhető a nyugati tartományokhoz viszonyítva.
86
34. ábra: Szigma konvergencia Németország, NUTS 2 (GDP, életminőség); (2001-2011) Forrás: saját szerkesztés Ezzel ellentétben Magyarország esetében a GDP alakulása szigma divergenciát, míg az életminőség kismértékű szigma konvergenciát mutat (35. ábra). Az életminőség konvergenciájáról ugyanakkor elmondható, hogy nem volt egyenletes a vizsgált időszakban, számos alkalommal ingadozott a CV mutató értéke, viszont összességében a vizsgált 10 év alatt értéke kismértékben csökkent.
35. ábra: Szigma konvergencia Magyarország, NUTS 2 (GDP, életminőség); (2001-2011) Forrás: saját szerkesztés A két országban a szigma konvergencia megvalósulását NUTS3-as, megyei szinten vizsgálva látható, az egy főre jutó GDP esetében a két gazdaság eltérő tendenciákat mutatott a vizsgált időszakban. Míg Németországban 2009-ig jelentősebb mértékben csökkent az értékek szórása, addig a magyar megyék esetében ez az érték a teljes időszak folyamán növekvő tendenciát mutatott. A német gazdaságban összességében a szigma konvergencia megvalósult, míg a magyar területek esetében szigma divergenciáról beszélhetünk. Az eltérő tendencia a GDP növekedési rátáiban látott differenciákat is tükrözi. Magyarország esetében a fővárosi 87
régió, illetve a korábban magasan fejlett térségek továbbra is magas növekedési rátával rendelkeznek (a tőke a magasabban fejlett térségeket preferálja – tőke perverz áramlása), míg a kevésbé fejlett térségek nem tudnak elég magas növekedési ütemet felmutatni ahhoz, hogy meginduljon a felzárkózásuk. A német területek esetében a kevésbé fejlett keleti térségek dinamikusan fejlődtek, köszönhetően a Szolidaritási paktum, és a tartományok keresztfinanszírozási rendszere keretében kapott támogatásoknak (5. fejezet).
36. ábra: Szigma konvergencia a két országban, NUTS 3 (GDP/fő); (2000-2011) Forrás: saját szerkesztés 35. táblázat: Egy főre jutó GDP konvergenciája NUTS 2 szigma
NUTS 3
béta y= -0,0000006x + 0,4796 y= 0,00005x + 0,2206
szigma
Németország
CV: 0,23 – 0,21
CV: 0,41 – 0,40
Magyarország
CV: 0,24 – 0,39
Szász-Anhalt
-
-
CV: 0,18 – 0, 14
Észak-Magyarország
-
-
CV: 0,10 – 0,17
CV: 0,36 – 0,44
béta y= -0,0006x + 0,3847 y= 0,006x + 0,3731* y= -0,05x + 0,6231 y= 0,0001x 0,3643
Forrás: saját szerkesztés *Budapest torzító hatása nélkül: y= -0,005x + 0,4909 Összefoglalva, Németországban és Szász-Anhalt tartományban a vizsgált 2000-2011-es időszakban regionális és megyei szinten is megvalósult az egy főre jutó GDP szigma és béta konvergenciája, addig hazánk és a szűkebben vett régiónk esetében ez minden esetben szigma divergenciaként jelentkezik. Ha a megyei elemzést a főváros torzító hatása nélkül végezzük el, ebben az esetben mind a szigma, mind pedig a béta konvergencia megvalósulásával szembesülünk. A béta konvergencia tesztelését a 17. melléklet tartalmazza. Az életminőség konvergencia vizsgálata NUTS2-es szinten a magyar és a német gazdaság esetében is az indikátor szigma és béta konvergenciáját igazolja a 2001 és 2011-es időszakban, hasonlóan az egyenlőtlenségi indexek vizsgálatakor látottakhoz. NUTS3-as szinten azonban mindkét gazdaság, valamint Szász-Anhalt tartomány és az Észak-
88
magyarországi régió esetében is szigma divergencia igazolható. Az érintett területeken emellé (Észak-Magyarország kivételével) béta konvergencia párosul. 36. táblázat: Életminőség index konvergenciája NUTS 2 szigma
NUTS 3 béta y= -0,0017x + 1,0552 y= -0,0015x + 1,052
szigma
Németország
CV: 0,24-0,23
CV: 0,17-0,23
Magyarország
CV: 0,70-0,45
Szász-Anhalt
-
-
CV: 0,20-0,22
Észak-Magyarország
-
-
CV: 0,27-0,49
CV: 0,33-0,35
béta y= -0,06x + 1,6182 y= -0,0299x + 1,2862 y= -0,0346x + 0,2037 y= 0,1079x 2,0266
Forrás: saját szerkesztés Béta konvergencia NUTS3: egyenletes növekedési ütem feltételezésével A béta konvergencia esetében is érdekes kérdés a szomszédsági kapcsolatok, vagyis a területi autokorreláció szerepe, ezért teszteltem területi hatásokkal is a modellt (37. táblázat). 37. táblázat: Területi hatásokkal kiterjesztett béta konvergencia NUTS 2
NUTS 3 GDP
Németország
Magyarország
szignifikáns spatial lag modell R2 változás: 0,2311- 0,3192 rho: 0,3497 konstans: 21264,72 béta: -2457,299 nem szignifikánsak a területi modellek
szignifikáns spatial lag modell R2 változás: 0,0088-0,0225 rho: 0,1502 konstans: 25568,49 béta: -868,4837 nem szignifikánsak a területi modellek
Életminőség index Németország
nem szignifikánsak a területi modellek
Magyarország
nem szignifikánsak a területi modellek
csak korrigált növekedési ráta adatokkal számszerűsíthető csak korrigált növekedési ráta adatokkal számszerűsíthető
Forrás: saját szerkesztés A magyar NUTS2-es és NUTS3-as fajlagos GDP, valamint a német és magyar regionális életminőség index nem igazolta szignifikánsan a területi hatásokkal kiterjesztett modellek érvényességét, azonban a német regionális és körzeti fajlagos GDP esetében is a spatial lag modell fennállása igazolható, mely a normál OLS modellhez képest megbízhatóbban jelzi a béta konvergencia megvalósulását. Ez térben késleltetett függő változót tartalmaz, és a rho értéke alapján pozitív befolyással rendelkezik. Az egy főre jutó GDP esetében elvégeztem a német és magyar területekre a gamma konvergencia elemzését. Ez alapján elmondható, hogy mindkét vizsgált országban 2000 és 2011 között megvalósult az egyes területek gamma konvergenciája, azonban az eredmények azt jelzik, hogy nem történt lényeges átrendeződés a GDP alapján a területek sorrendjében. Németország esetében az index értéke csupán 0,996-ról 0,975-re csökkent (37. ábra), míg a magyar esetben 0,9925-ről 0,9632-re csökkent. A magyar területek esetében a megyék sorrendjében jelentősebb átalakulás ment végbe, mint a német körzetek szintjén. 89
37. ábra: Egy főre jutó GDP gamma konvergenciája (NUTS3; 2001-2011) Forrás: saját szerkesztés A regionális életminőség indexet vizsgálva elmondható, hogy a 2002-2011-es időszakban, mind a magyar, mind a német területek esetében megvalósult a gamma konvergencia (38. ábra).
38. ábra: Életminőség gamma konvergenciája (NUTS2; 2002-2011) Forrás: saját szerkesztés A magyar területek esetében ugyan megvalósult a régiók gamma konvergenciája az életminőség tekintetében, azonban nem történtek jelentősebb változások a rangsorban. Ezzel szemben Németországban nagyobb mértékű átrendeződés történt a régiók rangsorában, melyet jól érzékeltet, hogy a gamma konvergencia indikátora 0,91-ről 0,72-re csökkent. 4. Tézis: A szigma és béta konvergencia vizsgálatok a GDP esetében Németországban és Szász-Anhalt tartományban a vizsgált 2000-2011-es időszakban regionális és megyei szinten konvergenciát, míg Magyarország és az Észak-magyarországi régió esetében divergenciát bizonyítanak. Az életminőség vonatkozásában regionális szinten mindkét gazdaságban szigma és béta konvergencia ment végbe 2001-2011 között, mely béta konvergencia igazolható 90
megyei szinten is az Észak-magyarországi régió megyéi kivételével. A gamma konvergencia vizsgálatok mindkét ország megyei szintű GDP-je és regionális életminőség indexe esetében konvergenciát jeleznek. A GDP tekintetében a magyar, míg az életminőség esetében a német gazdaságban történtek jelentősebb átalakulások a térségek rangsorában, mely a német körzetek életminősége esetén kiemelkedő.
4.5. Eltérő növekedési pályák –klub-konvergencia A konvergencia elemzése kapcsán vizsgáltam Quah konvergencia klubokra vonatkozó elméletének érvényességét a német és magyar gazdaság viszonylatában. Azt feltételeztem, hogy: H5) A konvergencia eltérő üteme miatt mindkét országban a NUTS3-as területi szintek esetében konvergencia klubok alakíthatók ki, és ennek alapján igazolható, hogy a vizsgált területi egységek változatlanul perifériális helyzetben vannak. A német területek vonatkozásában a klubok összetétele konvergenciára, míg a magyar esetben divergenciára utal.
Ennek igazolása érdekében konvergencia klubokat képeztem regionális és megyei szinten a GDP és regionális szinten az életminőség index vonatkozásában. A klub konvergencia elméletét a 3.6.-os Alkalmazott kutatás módszertana, módszerei – Konvergencia számítások alfejezet tartalmazza. A konvergencia klubok fennállását minden esetben az SPSS program segítségével ábrázoltam. Az alkalmazott elemzési módszerem a Ward módszer volt, amely a hierarchikus klaszterek csoportjába tartozik, és a variancia alapú modellek közé sorolható. Az eljárás célja az optimális klaszterek megállapítása olyan módon, hogy a klasztereken belüli szórásnégyzet növekedése a legkisebb legyen.
Fajlagos regionális GDP Németország Németország NUTS2-es régióit három konvergencia klubba soroltam 2000-2011 közötti növekedési pályájuk alapján (39. ábra). Az első klub tagjai a 2000-2011-es időszakban kiemelkedően magas, 6% körüli éves átlagos GDP növekedési rátával rendelkeztek, melyhez relatíve alacsonyabb kezdeti GDP párosult. A klub tagjai Brandenburg és Alsó-Szászország tartományok, melyek jellemzőik alapján gyors felzárkózásra lehetnek képesek. A konvergencia klubok elemzését elvégeztem az 1995-2000-es időszak esetében is, azért, hogy láthatóvá váljanak az esetleges klubváltozások. Az első klubot a referencia időszakban is Északkelet-Brandenburg és az Alsó-Bajorországi régió alkotta, növekedési ütemük 5,5% körül mozgott az időszakban. E két régió magas növekedési üteme nem meglepő abban a tekintetben, hogy a Brandenburgi régió a 2000-2006 és 2007-13-as fejlesztési időszakban is komoly támogatásban részesült a Strukturális Alapok kereteiből (konvergencia régió), ill. a Szolidaritási paktum és a tartományok keresztfinanszírozási rendszerén keresztül. Az AlsóBajorországi térség jelentős multinacionális vállalatok telephelyeit tartalmazza (például BMW – München, Dingolfing, és Landshut központja; ZF – Passaui gyáregysége), melyek hozzájárultak a térség magas növekedési üteméhez az időszakban. A legtöbb német régió a második konvergencia klubba sorolható, amelynek 2000-ben az egy főre jutó GDP-je 25000 Euro alatt mozgott. A klub tagjainak 2/3 része országos átlag (21000 91
Euro) alatti GDP-vel rendelkezett. A klub átlagos növekedési üteme évi 2-4% közelében alakult. Valamennyi keletnémet terület ebbe a klubba sorolható, valamint Bajorország, és Baden-Württemberg tartományok néhány régiója, továbbá a Saar-vidék, és a városrégiók (Hamburg, Bréma) kivételével a nyugatnémet területek nagy része.
39. ábra: Németország régióinak konvergencia klubjai (2000-2011) Forrás: saját szerkesztés A harmadik klub tagjai a 2000-ben kiemelkedően magas, országos átlagot jelentős mértékben meghaladó egy főre jutó GDP-vel rendelkező régiók csoportja, akik 2% körüli növekedési ütemmel rendelkeztek. A klub tagjait jellemzően a déli tartományok területén találjuk (Stuttgart, Darmstadt, Mittelfranken, Oberbayern sorolható ide), illetve a klub tagja Hamburg és Bréma. Ezek a GDP szempontjából legfejlettebb térségek. A referencia időszakhoz képest a második és harmadik konvergencia klub tekintetében Stuttgart klubváltása figyelhető meg, aki a korábbi időszakban még nem a legfejlettebb térségek csoportját alkotta, ekkor a 2. klubba sorolható, amelyben az átlagot kevéssel meghaladó GDP mellé relatíve magas, 3,1%os növekedési ütem tartozott. A NUTS2-es konvergencia klubok alátámasztják a kismértékű konvergencia folyamatok megvalósulását, mivel a kezdetben kevésbé fejlett keletnémet térségek (Chemnitz, Lipcse, Szász-Anhalt, Mecklenburg-Elő-Pomeránia, Drezda, Türingia) átlagosan magasabb (4% körüli) GDP növekedési ütemet mutattak, mint néhány észak-bajor régió kivételével a teljes nyugatnémet terület. A konvergencia megvalósulását támasztja alá Stuttgart klubváltása is, ami 2000-től már a legmagasabban fejlett nyugati régiókkal mutat hasonlóságot. A létrejövő klubok a diszkriminancia analízis eredményei alapján 97,4%-ban helyes képet tükröznek, vagyis a klubok pontossága relatíve magas. 92
40. ábra: Németország NUTS 2-es konvergencia klubjai (2000-2011) Forrás: saját szerkesztés Magyarország Magyarország régiói esetében a 2000-2011-es időszakban, az egy főre jutó GDP tekintetében szintén három konvergencia klubot alakítottam ki, melyek közül kettő – egyfajta outlierként csupán egy tagot számlál. Az első klub kiemelkedik nagyon magas növekedési ütemével, és magas kezdeti GDP-jével (Közép-Magyarország). Az okokat keresve, és áttekintve a NUTS3as megyei adatokat, megállapítható, hogy ezek a kiemelkedő értékek egyrészt köszönhetőek a főváros magas GDP-jének, illetve Pest megye kiemelkedő növekedési üteme (jórészt tőkeerős befektetők térségbe érkezése okozza) együttes hatásának. A Közép-magyarországi régió már az 1995-2000-es időszakban is önálló klubot alkotott, átlagot jelentősen meghaladó egy főre jutó GDP-je miatt, melyhez évi átlag 8%-os növekedési ütem társult. Ebben az időszakban a régió növekedési üteme csak 3. volt, a Közép-dunántúli és Nyugat-dunántúli régió értékei gyorsabban nőttek. A harmadik klub GDP növekedési rátája szintén kiemelkedően magas, azonban 2000-ben a GDP ebben a régióban volt az egyik legalacsonyabb (Észak-Alföld). A kiugró növekedési ütem oka lehet Hajdú-Bihar megye kiemelkedően magas, illetve Jász-Nagykun-Szolnok megye relatíve magas növekedési üteme. Hajdú-Bihar megye növekedési ütemét erősítette a megyében 2000 óta alakult 7 ipari park, inkubátorházak és klaszterek rendszere (Bujdosó et. al. 2012.). Jász-Nagykun-Szolnok megyében az időszakban jelentősen nőtt a betelepült és helyi vállalkozások száma, melyek javították a megye versenyképességét, azonban problémát jelenthet a cégek erőteljes térbeli koncentrációja, a Top50 cégből 24 a Jászberényi, 19 a Szolnoki kistérségben található. Az 50 legnagyobb cég realizálta a megye teljes üzleti forgalmának háromnegyed részét 2010‐ben, és több mint 21000 embert foglalkoztattak (JászNagykun-Szolnok Megyei Területfejlesztési Koncepció, Megalapozó Tanulmány, 2012.).
93
41. ábra: Magyarország egy főre jutó regionális GDP-jének konvergencia klubjai Forrás: saját szerkesztés A második konvergencia klubba sorolható Magyarország 5 régiója a 2000-2011-es időszakban, ezek növekedési üteme 3,5-4% közötti volt. Az 1995-2000-es időszakhoz képest változás, hogy átrendeződés ment végbe a kiemelkedően magas növekedési ütemmel rendelkező térségek klubjaiban. Az 1995-2000-es időszakban a Közép-dunántúli és Nyugatdunántúli régió növekedési üteme volt a legmagasabb, mely a 2000-2011 közötti időszakra lassult, és a két régió az átlagos növekedési ütemmel rendelkező térségek csoportját alkotja. A 2000-2011-es időszakban az Észak-alföldi régió kiemelkedően magas GDP növekedési üteme esélyt ad a térség felzárkózására. Azonban amíg a Közép-magyarországi régió növekedési üteme ennyire dinamikus marad, a teljes régiók közötti konvergenciára kevés esély mutatkozik.
42. ábra: Magyarország NUTS 2-es konvergencia klubjai (2000-2011) Forrás: saját szerkesztés 94
Fajlagos megyei GDP Németország A GDP elemzését elvégeztem NUTS3-as megyei szinten is, és az alábbi eredményeket kaptam. Az elemzés során a 434 NUTS 3-as német körzetet hat konvergencia klubba soroltam. A diszkriminancia elemzés alapján a klubok 92,7%-ban valós besorolást tükröznek (18. melléklet).
43. ábra: Németország egy főre jutó GDP-jének NUTS3-as konvergencia klubjai Forrás: saját szerkesztés Az első klubot, ahol a GDP 2000-ben viszonylag magas volt, és a GDP évi átlagos növekedési rátája a vizsgált időszakban relatíve alacsony, 26 területegység alkotja, melyek között sok gazdag városi térséget találunk (München és agglomerációja, Darmstadt környéke, Hamburg, Ulm, Koblenz). A második klubba a közepes kezdeti GDP-vel, és körülbelül átlagos növekedési rátával rendelkező területek tartoznak, főként Alsó-Szászország, és SchleswigHolstein területei. A klub magasabb GDP növekedési rátával rendelkező térségei BadenWürttemberg tartományban találhatók (Emmendingen, Waldshut, Enz, Calw, Tübingen körzetek). A harmadik konvergencia klubba azon területek sorolhatók, melyek relatíve alacsony, illetve közepes kezdeti GDP-vel rendelkeztek, és a növekedési rátájuk is átlagosnak mondható. A klub tagja számos terület Bajorország, Baden-Württemberg, és Észak-RajnaVesztfália tartományokban, és a keleti területek legnagyobb része is ebbe a csoportba tartozik. Ezen térségek felzárkózása valószínűsíthető. Az alacsony kezdeti GDP-vel, és átlagos, illetve átlag alatti növekedési ütemmel rendelkező területek alkotják a negyedik klubot, melyek közül számos található Rajna-vidék-Pfalz, Szász-Anhalt és Brandenburg tartományokban. Az ötödik konvergencia klub a kezdetben fejlett, és magas növekedési ütemmel rendelkező területek csoportja, melyek Wolfsburg, Aschaffenburg, Schweinfurt, Coburg, Ingolstadt és Passau, valamennyien városi térségek. 95
A hatodik konvergencia klubba sorolhatók azok a területek, melyek relatíve alacsony kezdeti GDP-vel rendelkeztek, viszont a GDP évi átlagos növekedési rátája ezekben a térségekben volt az egyik legmagasabb. A területek legnagyobb része a keleti országrészben található (Dahme-Spreewald, Oberspreewald-Lausitz, Spree-Neisse, Görlitz, Prignitz, Lipcse, Altenburg régió, Börde, Eichsfeld, Wartburg körzete, Weimari régió, Ilm körzete és Sonneberg). Ezen keleti területek felzárkózása lesz várhatóan a legdinamikusabb. A nyugati országrész területei: Germersheim, Pfaffenhofen an der Ilm és Dingolfing-Landau.
44. ábra: Németország NUTS 3-as konvergencia klubjai (2000-2011) Forrás: saját szerkesztés Szász-Anhalt tartomány esetében a körzetek szintjén három konvergencia klubot hoztam létre, melyek közül a második klub tömöríti azon területeket, ahol az egy főre jutó GDP 2000-ben relatíve magas volt, azonban a GDP éves növekedési üteme alacsony. Két körzet, Halle és Magdeburg városkörzete sorolható ebbe a kategóriába. A harmadik klubot, amelynek tagjai között a GDP relatíve alacsony, ill. közepes volt az időszak elején, viszont kiemelkedően magas GDP növekedési ütemmel rendelkeztek, négy terület alkotja (Altmark, Börde, Salzland és Wittenberg körzetei). Ezek a területek kismértékű felzárkózást mutattak a legfejlettebb térségekhez. Altmark, Börde és Salzland körzetek esetében a már említett vállalati központok, és technológiai centrumok közelsége, és a kedvező infrastruktúrájuk lehet a magyarázat a magas növekedési ütemre, míg Wittenberg esetében a klaszterfejlesztési támogatások, mint az InnoRegio Mittelsachsen jelentős előrelépést jelentett. A többi körzet kezdetben közepesen magas GDP-vel rendelkezett, melyhez átlagos növekedési ütem társult, így a legfejlettebb területekhez kis mértékben közeledni tudtak. Magyarország A magyar NUTS3-as megyék esetében négy konvergencia klubról beszélhetünk a Ward módszer alapján. Az első klub, csupán egy területet, a fővárost tartalmazza. Budapest
96
speciális helyzetét jól mutatja, hogy már 2000-ben is kiemelkedően magas egy főre jutó GDPvel rendelkezett, melyhez évi átlag 5,3-5,4%-os növekedési ütem tartozott (18. melléklet). A második klubot tizenegy megye alkotja, amelyek 2000-ben relatíve alacsony GDP szinten álltak, azonban növekedési ütemük relatíve magas volt (2,5-5,6% évente). Az érintett megyéket az ország keleti felében és a Dél-dunántúli régióban találjuk. A harmadik klub tagjai olyan megyék, amelyek már 2000-ben is relatíve magas GDP-t tudtak felmutatni, ám e térségekben a növekedési ütem elmaradt az átlagostól (Fejér, Vas és Győr-Moson-Sopron megye). A fennmaradó öt térség növekedési üteme átlagos, vagy átlag alatti értékeket vett föl az időszak során, mely az időszak eleji közepes GDP szintet tovább tudta növelni. A térségek legnagyobb része az ország nyugati részében helyezkedik el (Zala, Veszprém, KomáromEsztergom és Tolna megyék), valamint Csongrád megye is ebbe a kategóriába sorolható.
45. ábra: Magyarország NUTS 3-as konvergencia klubjai (2000-2011) Forrás: saját szerkesztés A klubok összetétele ugyanakkor felhívja a figyelmet az elemzés korlátosságára. A második klubot alkotó 11 megye esetében fölmerül a kérdés, hogyan alkothatnak az ország leghátrányosabb helyzetű megyéi, illetve például Pest megye egy konvergencia klubot. Az érintett klub tagjainak trendjétől Pest megye jelentősebben eltér (2000-ben egy főre jutó GDPje szignifikánsan magasabb, mint a többi klubtagé; és átlagos GDP növekedési rátája is közel évi 1 százalékponttal magasabb), azonban konvergál a klaszter átlagához, valamint a klubokra elvégzett diszkriminancia elemzés 95%-os megbízhatóságot igazolt. A fenti okból kifolyólag azonban az eredmény némi fenntartással kezelendő. Életminőség index értékei – NUTS2 Magyarország Az életminőség index tekintetében szintén mindkét ország esetében konvergencia klubokat képeztem regionális szinten. A magyar regionális életminőség indexek alapján három konvergencia klubot alakítottam ki, melyek közül a harmadik klubot a Közép-magyarországi régió alkotja, aki 2001-ben kiemelkedően magas szintű életminőséggel rendelkezett, azonban az index éves növekedési rátája a Nyugat-dunántúli régió mellett itt volt az egyik legalacsonyabb (18. melléklet). A második klubot 4 terület alkotja, melyek az ország déli és nyugati sávjában helyezkednek el (Észak- és Dél-Alföld, Dél-Dunántúl és Nyugat-Dunántúl). 2001-ben e régiókban átlagos volt az életminőség értéke, melyhez évi átlag 1% körüli növekedési ütem párosult a 2001-2011-es 97
időszakban. Az első klubot azon régiók alkotják (Észak-Magyarország, Közép-Dunántúl), ahol az életminőség 2001-ben relatíve alacsony volt, azonban kiemelkedő növekedési ütemmel rendelkeztek. A Nyugat-dunántúli régió helyzete a második, illetve a Középdunántúli régió helyzete az első klubban némileg meglepő a disszertációban eddig látottak alapján. Előbbi esetében a klubhoz tartozást relatíve alacsony kezdeti életminőség indexe okozza, melynek oka az egészségügyi és oktatási indikátorokban felfedezhető relatíve kedvezőtlen pozíciójára (értékei kevéssel országos átlag alattiak) vezethető vissza. A Középdunántúli régió közös klubtagsága az Észak-magyarországi régióval arra vezethető vissza, hogy a régió átlagos életminősége a várható élettartam, egészségügyi és lakásépítési indikátorainak köszönhetően elmarad a legjobban teljesítő térségektől, azonban az Északmagyarországi régióhoz hasonlóan kiemelkedő növekedési ütemmel rendelkezett az időszakban. Az elemzés során tehát látható, hogy a magyar régiók közül a kezdetben legalacsonyabb fejlettségi szintről induló térségek tudták a legmagasabb növekedési rátát felmutatni, míg például a legfejlettebb Közép-magyarországi régió a legalacsonyabb növekedési ütemet. Ez a konvergencia megvalósulását támasztja alá.
46. ábra: Magyarország életminőség indexének konvergencia klubjai (2001-2011) Forrás: saját szerkesztés A magyar regionális szint korlátait (kevés, mindössze 7 megfigyelési egység) figyelembe véve, elvégeztem az életminőség megyei szintű klub-konvergenciájának becslését is, korrigált mutatószámokkal dolgozva az oktatási komponens esetében (oktatásban résztvevők aránya a megfelelő korú népesség %-ában). Eredményeim az alábbiakban foglalhatók össze (18. melléklet, 89. ábra). A magyar megyék esetében 4 konvergencia klub alakítható ki. Az első klubba két terület sorolható, amelyekben már 2001-ben is relatíve magas volt az életminőség értéke, amelyhez évi átlag 1% fölötti növekedési ütem társult. Az érintett térségek: a főváros és Pest megye. A második konvergencia klub térségeiben a relatíve magas kezdeti életminőség értékhez, átlagos növekedési dinamika tartozott. Ebbe a klubba sorolható Fejér, Heves és Baranya megyék évi átlag 1% körüli életminőség dinamikával, és Somogy, Vas, Győr-Moson-Sopron és Komárom-Esztergom megyék kismértéken negatív növekedési dinamikával. Ez fölhívja a figyelmet az elemzés korlátaira, hiszen ugyan a térségek kezdeti életminősége relatíve hasonló, azonban a tendenciájukban eltérő növekedési rátájuk miatt a jövőben más fejlődési pályára kerülhetnek. A legszámosabb klaszter a relatíve alacsony fejlettségi szintről induló megyéket tartalmazza, Borsod-Abaúj-Zemplén megye is ebbe a csoportba sorolható, évi átlag -1,44%-os életminőség változással 2001 és 2011 között.
98
Németország Németország esetében az életminőség index tekintetében szintén három konvergencia klubot hoztam létre, melyek közül a második a legszámosabb. E klubot alkotja a legtöbb nyugatnémet terület, melyek általános jellemzője, hogy 2001-ben átlagos volt az életminőség index értéke, melyhez évi átlag 1% körüli növekedési ütem párosult (18. melléklet). Ennél átlagosan magasabb növekedési ütemmel rendelkeztek az első klub tagjai, azonban ezek kezdeti életminőség értékei jelentősen átlag alatt maradtak. E klaszter tagjait főként a keleti országrészben találjuk (Szász-Anhalt, Mecklenburg-Elő-Pomeránia tartományok területe). A fentiekben említett relatíve magas növekedési ütemük alapján, felzárkózásuk valószínűsíthető. A legalacsonyabb növekedési ütemmel rendelkező területeket a keleti országrészben Szászország területén, míg a nyugati országrészben főként Rajna-vidék-Pfalz és Hessen térségében azonosíthatjuk.
47. ábra: Németország életminőség indexének konvergencia klubjai (2001-2011) Forrás: saját szerkesztés 5. Tézis: a) A klub konvergencia jelensége megfigyelhető a magyar és a német gazdaság esetében is a regionális és megyei GDP és a regionális életminőség vonatkozásában. A hasonló értékekkel és növekedési ütemmel rendelkező területi egységek azonos csoportokat alkotnak. b) A klub-konvergencia vizsgálata Németországban az egy főre jutó GDP esetében hat konvergencia klubot igazol, melyek kirajzolják a nyugat - keleti differenciákat, és rámutatnak a konvergencia megvalósulására. A legmagasabb növekedési ütemmel rendelkező klub tagjai a keleti tartományok területén helyezkednek el. Magyarország négy klubba sorolható GDP szempontjából. Borsod-Abaúj-Zemplén megye az átlagos vagy átlag alatti növekedési ütemmel, és relatíve alacsony kezdeti GDP-vel rendelkező területek klubjába sorolható. A klub-konvergencia regionális szinten igazolja a német gazdaság kelet-nyugati irányú lassú konvergenciáját a GDP és az életminőség tekintetében is, míg a magyar gazdaságban a megyei GDP divergencia mellé a regionális életminőség konvergenciája párosul.
99
4.6. GDP regressziós vizsgálatai – területi modellek Az egy főre jutó GDP esetében eltérő folyamatok körvonalazhatók a két gazdaság vonatkozásában. Ezért fontosnak tartottam a GDP hatótényezőinek vizsgálatát, és a szignifikáns befolyásoló faktorok meghatározását. H6) a) Feltételezésem szerint a térségek gazdasági teljesítményét jelentősen befolyásolja a regisztrált vállalkozások, és az el/odavándorlások száma. b) A szomszédsági hatások miatt valószínűsíthető területi regressziós modellek érvényessége.
Az elemzések során faktoranalízist, és regressziós modelleket alkalmaztam, míg a szomszédsági hatásokat területi regressziós (spatial lag és spatial error) modellekkel teszteltem. A vizsgálatok elméleti alapjait a 3.7.-es Alkalmazott kutatás módszertana, módszerei - Korreláció és regresszió számítás, faktoranalízis alfejezet tartalmazza. 4.6.1. Magyar kistérségi jövedelem meghatározó tényezői (2011)
Disszertációmban elvégeztem a magyar kistérségek egy főre jutó adóköteles jövedelmére vonatkozó regressziós elemzést, arra a kérdésre keresve a választ, hogy mely tényezők befolyásolják szignifikánsan a jövedelmek kistérségi eloszlását. Az adatok elérhetősége miatt a vizsgálatot 2011-re végeztem el. Az elemzés kezdetén 20 változót vontam be, melyekről azt valószínűsítettem, hogy kapcsolatban állhatnak és befolyásolhatják a magyar kistérségi jövedelmek eloszlását. A kistérségi jövedelem és a felsorolt mutatószámok közötti korrelációs kapcsolatokat a 19. melléklet összesíti, míg az indikátorok kistérségi jövedelemmel való kapcsolatát útelemzéssel támasztottam alá. Az elemzés során felhasznált mutatók: − születéskor várható élettartam, − iskolázottság, − 100000 főre jutó csecsemőhalálozások száma, − 1000 főre jutó személygépkocsik száma, − 1000 főre jutó újonnan épített lakások alapterülete, − munkanélküliségi ráta, − 1000 főre jutó közúti közlekedési balesetek száma, − 1000 főre jutó regisztrált bűncselekmények száma, − 1000 főre jutó működő feldolgozóipari vállalkozások száma,4 − 1000 főre jutó 10-19 fős létszámú működő vállalkozások száma, − 1000 főre jutó 1-9 fős létszámú működő vállalkozások száma, − 1000 főre jutó 250-499 fős létszámú működő vállalkozások száma, − 1000 főre jutó 500 és több fős létszámú működő vállalkozások száma, − 1000 főre jutó kereskedelmi szálláshelyek száma, − 1000 főre jutó vendégéjszakák száma, − 1000 főre jutó a lakosságtól elszállított települési szilárd hulladék, − 1000 főre jutó állandó elvándorlások száma, − 1000 főre jutó állandó odavándorlások száma, − 1000 főre jutó élveszületések száma, 4
A faktoranalízist elvégeztem a tényezőket csoportosítva is (vállalkozások esetében kis és közép valamint nagyvállalatok kategóriát létrehozva; ill. migráció és természetes szaporulat tényezőkkel dolgozva), azonban a faktorok számában, és a létrejövő regressziós modell paramétereiben lényegi változás nem ment végbe.
100
− 1000 főre jutó halálozások száma, − 1000 főre jutó házasságkötések száma. A regressziós vizsgálat során teszteltem a hibatagra és a magyarázó változókra vonatkozó feltételeket, mely alapján megállapítottam, hogy a modellben a hibatag várható értéke nulla, szórása állandó (homoszkedaszticitás feltétele) és értékei korrelálatlanok (Durbin-Watson próba igazolta), azonban a magyarázó változók esetében sok esetben zavaró multikollinearitás (VIF mutató alapján) állt fönn, amely érdemben a változók számának csökkentésével sem változott. Ezért szükségesnek tartottam a változók számának redukálását, melyet a faktoranalízis (főkomponens elemzés) módszerével végeztem. Az elemzésből eltávolítottam a leginkább korreláló négy változót (1000 főre jutó közúti közlekedési balesetek száma, 1000 főre jutó működő feldolgozóipari vállalkozások száma, 1000 főre jutó 10-19 fős létszámú működő vállalkozások száma, 1000 főre jutó 1-9 fős létszámú működő vállalkozások száma), és ellenőriztem az faktoranalízis elvégezhetőségét. (Backward eliminációs eljárás is ezen változók kihagyását javasolta. A kiinduló feltétel, miszerint a változók száma és a vizsgált területi egységek száma között minimum 10-szeres különbségnek kell fönnállni, teljesült (168 terület/ 16 változó = 10,5). A faktoranalízis elvégezhetőségét három fő teszt, a Kaiser-Meyer-Olkin, a Bartlett teszt és az anti-image mátrix alapján ellenőriztem. 38. táblázat: KMO és Bartlett teszt 0,764
Kaiser-Meyer-Olkin Khi négyet Bartlett Teszt
1718,981
szabadságfok
136
szignifikancia
0,000
Forrás: saját szerkesztés Az eredmények alapján a faktoranalízis elvégezhető, mivel a KMO értéke 0,764 (0,5 küszöbértéknél nagyobb), és a Bartlett teszt szignifikancia szintje nulla. Az anti-image mátrix kovariancia és korreláció (MSA kritérium: főátló értékei magasabbak 0,5-nél) mátrixa is alátámasztja az elemzés elvégezhetőségét. A faktoranalízist az egyik leggyakrabban alkalmazott Principal components (főkomponens) módszer alapján végeztem el. A faktorok számának megállapításakor a sajátértékek, és a teljes magyarázott variancia is az 5 faktoros megoldást javasolta (20. melléklet). A faktorok meghatározásához a Varimax derékszögű forgatással járó rotációs eljárást alkalmaztam, melynek során a létrejött 5 faktor 72,96%-ban magyarázza a tényezők varianciáját (39. táblázat). A rotált komponens mátrix alapján az alábbi faktorokat hoztam létre, melyek elnevezésében a legnagyobb faktorsúllyal rendelkező változókra koncentráltam: 1. faktor: életkörülmények (munkanélküliségi ráta, 1000 főre jutó személygépkocsik száma, születéskor várható élettartam, 1000 főre jutó házasságkötések száma, 1000 főre jutó újonnan épített lakások alapterülete, iskolázottság), 2. faktor: turizmus (1000 főre jutó kereskedelmi szálláshelyek száma, 1000 főre jutó vendégéjszakák száma, 1000 főre jutó a lakosságtól elszállított települési szilárd hulladék), 3. faktor: gazdasági környezet (1000 főre jutó 250-499 fős létszámú működő vállalkozások száma, 1000 főre jutó 500 és több fős létszámú működő vállalkozások száma, 100000 főre jutó csecsemőhalálozások száma, 1000 főre jutó regisztrált bűncselekmények száma), 101
4. faktor: migráció (1000 főre jutó állandó elvándorlások száma, 1000 főre jutó állandó odavándorlások száma), 5. faktor: természetes szaporodás (1000 főre jutó élveszületések száma, 1000 főre jutó halálozások száma). 39. táblázat: Magyarázott varianciahányad Teljes magyarázott variancia Komponens
Kezdeti sajátértékek
Rotáció után kialakított összesített értékek
Teljes
Variancia%-ában
Összesített %
Teljes
Variancia%-ában
Összesített %
1
5,469
32,171
32,171
4,243
24,960
24,960
2
2,649
15,585
47,756
2,403
14,133
39,093
3
2,001
11,768
59,524
2,108
12,398
51,491
4
1,287
7,571
67,095
1,874
11,023
62,514
5
,997
5,868
72,962
1,776
10,448
72,962
6
,750
4,410
77,372
7
,702
4,132
81,504
8
,644
3,786
85,290
9
,609
3,581
88,870
10
,431
2,535
91,406
11
,367
2,156
93,562
12
,292
1,720
95,282
13
,229
1,350
96,632
14
,214
1,262
97,893
15
,167
,980
98,873
16
,127
,747
99,620
17
,065
,380
100,000
Főkomponens módszer.
Forrás: saját szerkesztés Az egy főre jutó kistérségi adóköteles jövedelem regressziós analízisét a létrehozott öt faktorral elvégezve az alábbi eredményeket kaptam. A létrejött regressziós függvény teljesíti a hibatagra és a magyarázó változókra vonatkozó feltételeket, megszűnt a változók közötti zavaró multikollinearitás. A modellben a Durbin-Watson teszt alátámasztja a hibatag autokorrelálatlanságát, míg az F próba szignifikanciája (nulla) a modell megbízhatóságát jelzi. A regressziós modell feltételeire vonatkozó tesztek eredményeit a 40. táblázat összegzi. 40. táblázat: Modell adatai, ANOVA és koefficiensek Modell 1
R 0,844a
Regresszió
R2 0,713
Korrigált R2 0,704
Négyzet-összeg Szabadságfok 9962287,9 5
Rezuduumok
4014977,2
163
Teljes
1,398E7
168
Standard hiba 156,94509
Durbin-Watson 1,898
F-próba 80,890
Szignifikancia ,000a
a. Magyarázó változók: konstans, természetes szaporodás, migráció, gazdasági környezet, turizmus, életkörülmények faktorok b. Függő változó: kistérségi jövedelem Standardizálatlan koefficiensek
102
Kollinearitás
B 1603,675
Standard hiba Tolerancia 12,073
215,925
12,109
1,000
1,000
turizmus
-6,514
12,109
1,000
1,000
gazdasági környezet
78,873
12,109
1,000
1,000
migráció
15,359
12,109
1,000
1,000
természetes szaporodás
78,590
12,109
1,000
1,000
Konstans életkörülmények
VIF
Forrás: saját szerkesztés A modell a fenti tesztek mellett teljesíti a normalitásra vonatkozó feltételt is, melyet a 20. melléklet hisztogramja szemléltet. A számítások során kialakított optimális regressziós függvény az alábbiak szerint határozható meg. — = EV˜™, V›œ + •Eœ, F•œGE − V, œEžG• + ›Ÿ, Ÿ›™G™ + Eœ, ™œFGž + ›Ÿ, œFGœ (26) Ez azt jelenti, hogy ha minden tényező nulla, akkor az átlagos egy főre jutó kistérségi adóköteles jövedelem 1603,675 ezer Forint. Amennyiben az életkörülmények index értéke 1 faktorponttal nő, akkor minden más tényező változatlansága esetén az egy főre jutó adóköteles jövedelem 215,9 ezer Forinttal fog növekedni. A gazdasági környezet minőségének és a természetes szaporulat változásának hatására a jövedelemben közel azonos mértékű (78 ezer Forint körüli) emelkedés következik be. A vándorlások pozitív hatása ennél kisebb mértékű, a migráció hatására a kistérségi jövedelemben 15,35 ezer Forint növekedés megy végbe. A turizmus faktor hatása az előbbiekkel ellentétben negatív, hatására átlagosan 6,5 ezer Forinttal csökken a jövedelem, a többi tényező változatlansága mellett. Az öt faktor alapján az alábbi térképek rajzolhatók ki (48. ábra). Az életkörülmények faktor esetében döntően fejlett északi-északnyugati sáv alakítható ki, továbbá a faktor esetében (csakúgy, mint a kistérségi életminőség indexben) is hangsúlyosan jelenik meg a Budapest - Győr – Sopron, Budapest – Szeged, Budapest – Pécs, Budapest – Miskolc magasan fejlett kistérségeit tömörítő tengely, ill. a Balaton környéki kistérségek. A turizmus faktor esetében megfigyelhető a közkedvelt turisztikai célpontok térbeli koncentráltsága, így például a Balaton-környéke, Tokaj-hegyalja, Eger, Debrecen, Székesfehérvár és Szombathely dominanciája. A gazdasági környezet faktor alapján a kép az előzőeknél heterogénebb, a legfejlettebb területek a megyeszékhelyek környékén, ill. döntően a nagyobb lélekszámú, és jelentősebb vállalkozásoknak otthont adó települések környékén helyezkednek el. A migráció faktora többségében visszatükrözi a népességvándorlás elvárható tendenciáját. A faktor a legmagasabb értékeit az országhatár menti kistérségekben veszi fel, ahol mindkét irányú migráció a legerőteljesebb. Emellett kiemelkedő vándorlási mutatókkal rendelkeznek a Dél-dunántúli és Észak-magyarországi régió aprófalvas térségei, ahonnan többnyire az elvándorlás jellemző, illetve a Budapest környéki agglomeráció, amely pedig szuburbanizációs folyamatok jelenlétére utalhat. A természetes szaporulat faktora legjelentősebben Budapest és agglomerációja esetében jelenik meg, illetve az északi-északkeleti országrész dominanciája meghatározó. A nyugati országrészben döntően alacsonyabb a természetes szaporulat.
103
48. ábra: A magyar kistérségi jövedelmet meghatározó faktorok térképei Forrás: saját szerkesztés A területi hatások figyelembe vétele a regresszió esetében sem elhanyagolható, ezért vizsgáltam a szomszédsági hatások szerepét az egy főre jutó adóköteles jövedelem esetében. A klasszikus OLS (Ordinary Least Squares – Legkisebb négyzetek módszere) regresszió elvégzése során beépítettem a modellbe a szomszédsági mátrixot is (vezérszomszédság), hogy felmérjem a területi regressziós modellek alkalmazhatóságát. Arra a kérdésre kerestem a választ, hogy alkalmazható-e a magyar kistérségi jövedelmek eloszlásában valamilyen térbeli faktort integráló modell (spatial lag modell, ha a függő változó késleltetettjét, és spatial error modell, ha a hibatag térbeli késleltetettjét tartalmazza a modell). Az alábbi 41. táblázat a területi regresszió teszt paramétereit tartalmazza. 41. táblázat: Területi regressziós tesztek a magyar kistérségi jövedelmek eloszlásában Teszt Moran I Lagrange Multiplier (lag) Robust LM (lag) Lagrange Multiplier (error) Robust LM (error) Lagrange Multiplier (SARMA)
Moran I/ Szabadságfok
Érték
Szignifikancia
0,3747 1 1 1 1 2
8,4344 51,9052 7,9929 60,5130 16,6006 68,5058
0,0000 0,0000 0,0047 0,0000 0,00004 0,0000
Forrás: saját szerkesztés 104
A fenti tesztek alapján, mivel az LM spatial lag és spatial error modell is szignifikáns, a térbeli regresszió fennállása igazolható. A regresszió típusát a robosztus tesztek szignifikanciája dönti el (térbeli regresszió döntési folyamata, 3.7. fejezet, 12. ábra). Mivel mindkét robosztus teszt szignifikáns, a nagyobb értékkel bíró modellt választjuk, tehát a magyar kistérségi jövedelem esetében a spatial error modellt, mely térben késleltetett hibataggal számol. A modellt a spatial error követelményeinek megfelelően lefuttatva, és az eredeti modellel összehasonlítva az alábbi eredményeket kaptam (42. táblázat). 42. táblázat: OLS és spatial error modell eredményei a magyar kistérségi jövedelmek esetében Koefficiensek Konstans életkörülmények turizmus gazdasági környezet migráció természetes szaporodás Lambda R2 Akaike kritérium Schwarz kritérium
OLS
Spatial error
1603,675** 215,925** -6,514 78,873** 15,359 78,590** 72,96 2182,59 2201,33
1607,922** 197,21** 20,72 82,94** -4,39 42,81** 0,7276** 82,66 2119,88 2138,62
** szignifikáns (p<0,001) Forrás: saját szerkesztés A térben késleltetett hibatagot tartalmazó modell az OLS regressziónál jobban képes magyarázni a kistérségi jövedelmek eloszlását, melyet mutat, hogy a spatial error modell magyarázó ereje az OLS 72,96%-áról közel tíz százalékponttal 82,66%-osra nőtt. Vagyis a spatial error modell 82,6%-ban magyarázza az egy főre jutó kistérségi adóköteles jövedelem eloszlását. A térben kiterjesztett modellben az OLS regresszióhoz képest csökkent az Akaike információs kritérium és a Schwarz kritérium értéke is, ami szintén a spatial error modell megfelelőségét támasztja alá. A spatial error modell alapján a jövedelem értéke kicsivel magasabb az OLS modellhez képest abban az esetben, ha minden tényező értéke 0, ekkor az egy főre jutó adóköteles jövedelem 1608 ezer Forint. Az életkörülmények faktor értékének egy faktorpontos növekedése, minden más tényező változatlansága mellett, ebben az esetben 197,21 ezer Forinttal emeli az átlagjövedelmet. A turizmus, gazdasági környezet és természetes szaporodás hatása szintén pozitív, az indexekben bekövetkező növekedés sorrendben 20, 83 és 43 ezer Forinttal növeli a jövedelmet. A migráció ezzel szemben negatív hatással rendelkezik, a migráció 1 faktorpontnyi növekedése 4,39 ezer Forinttal csökkenti a jövedelmeket, ha más tényező nem változik. A térben késleltetett hibatag koefficiense (lambda) 0,7276-os értéket vesz föl, ami azt jelenti, hogy pozitív, szignifikáns hatással rendelkezik. A regressziós modell az alábbiak szerint írható föl: — = EV˜›, F•• + EF›, •EGE + •˜, ›•G• + Ÿ•, FžG™ − ž, ™FGž + ž•, ŸEGœ + ε ε = ˜, ›•›V ε + ξ
(27)
ahol ε a hibatag, W a szomszédsági kapcsolatokat leíró mátrix, és ξ a korrelálatlan hibatényezők vektora.
105
4.6.2. Német körzetek GDP-jének meghatározó tényezői (2011)
Elvégeztem elemzéseim során a német NUTS3-as körzetek és városrégiók GDP-jének regressziós elemzését is, hogy lássam, mely tényezők befolyásolják szignifikánsan a GDP eloszlását. Az elemzést 434 német körzetre, és városrégióra végeztem el. Kezdetben úgy gondoltam, hogy akár 21 tényező hatása is megjelenhet a GDP befolyásoló tényezői között, ezért az alábbi indikátorokat alkalmazva kezdtem meg az elemzést: − születéskor várható élettartam, − iskolázottság, − 100000 főre jutó csecsemőhalálozások száma, − 1000 főre jutó személygépkocsik száma, − 1000 főre jutó újonnan épített lakások alapterülete, − munkanélküliségi ráta, − 1000 főre jutó közúti közlekedési balesetek száma, − 1000 főre jutó működő feldolgozóipari vállalkozások száma5, − 1000 főre jutó 0-9 fős létszámú működő vállalkozások száma, − 1000 főre jutó 50-249 fős létszámú működő vállalkozások száma, − 1000 főre jutó 250 és több fős létszámú működő vállalkozások száma, − 1000 főre jutó kereskedelmi szálláshelyek száma, − 1000 főre jutó vendégéjszakák száma, − 1000 főre jutó a lakosságtól elszállított települési szilárd hulladék, − 1000 főre jutó állandó odavándorlások száma, − 1000 főre jutó állandó elvándorlások száma, − 1000 főre jutó élveszületések száma, − 1000 főre jutó halálozások száma, − 1000 főre jutó házasságkötések száma, − 1000 főre jutó de-domainek száma, − 1000 főre jutó bejelentett szabadalmak száma. Az egy főre jutó GDP és a felsorolt mutatószámok közötti korrelációs kapcsolatokat a 19. melléklet összesíti, míg az indikátorok egy főre jutó GDP-vel való kapcsolatát útelemzéssel támasztottam alá. A fenti kiinduló adatbázissal elvégeztem a regressziós elemzést, kezdetben elsősorban a regressziós feltételek teljesülésére koncentrálva. A vizsgálat során teszteltem a hibatagra és a magyarázó változókra vonatkozó feltételeket. Megállapítható volt, hogy a modellben a hibatag várható értéke nulla és értékei korrelálatlanok (Durbin-Watson próba igazolta). A hibatag szórásának állandóságára vonatkozó feltétel, a homoszkedaszticitás viszont nem igazolható a modell esetében, ami a függő változó logaritmizálásának szükségességességére hívja fel a figyelmet. Továbbá a magyarázó változók esetében sok esetben zavaró multikollinearitás (VIF mutató alapján) tapasztalható. Ezért ebben az esetben is a változók számának redukálása mellett döntöttem, melyet faktoranalízissel kívántam elvégezni. Első lépésben teszteltem a faktoranalízis elvégezhetőségét. A kiinduló feltétel, miszerint a változók száma és a vizsgált területi egységek száma között minimum 10-szeres különbségnek kell fönnállni, teljesült (434 terület/ 21 változó = 20,6). A faktoranalízis során az anti-image mátrix alapján a leginkább korreláló négy változót eltávolítottam (1. 1000 főre jutó működő feldolgozóipari vállalkozások száma; 2. 1000 főre
5
A faktoranalízist elvégeztem a tényezőket csoportosítva is (vállalkozások esetében kis és közép valamint nagyvállalatok kategóriát létrehozva; ill. migráció és természetes szaporulat tényezőkkel dolgozva), azonban a faktorok számában, és a létrejövő regressziós modell paramétereiben lényegi változás nem ment végbe.
106
jutó a lakosságtól elszállított települési szilárd hulladék; 3. 1000 főre jutó személygépkocsik száma; 4. 1000 főre jutó közúti közlekedési balesetek száma). A tesztek eredményei alapján a faktoranalízis elvégezhető, a KMO értéke 0,768. A Bartlett teszt szignifikanciája és az anti-image mátrix kovarianciája és korrelációja is alátámasztja az elemzés elvégezhetőségét. 43. táblázat: KMO és Bartlett teszt 0,768
Kaiser-Meyer-Olkin Khi négyzet Bartlett Teszt
5332,765
szabadságfok
136
szignifikancia
0,000
Forrás: saját szerkesztés A főkomponens elemzés elvégzésekor, a faktorok számának megállapításakor a sajátértékek, és a teljes magyarázott varianciahányad módszere is az 5 faktoros megoldást javasolta (20. melléklet). A faktorok meghatározásához Varimax derékszögű forgatási eljárást használtam. Megállapítható, hogy a kialakított öt faktor a kezdeti tényezőket 76,77%-ban magyarázza (44. táblázat). A rotált komponens mátrix alapján az alábbi faktorok hozhatók létre, melyek elnevezésében a legnagyobb faktorsúllyal rendelkező változókra próbáltam koncentrálni: 1. faktor: kreatív KKV-k (munkanélküliségi ráta, 1000 főre jutó bejelentett szabadalmak száma, 1000 főre jutó újonnan épített lakások alapterülete, 1000 főre jutó halálozások száma, 1000 főre jutó 0-9 fős létszámú működő vállalkozások száma), 2. faktor: turizmus (1000 főre jutó kereskedelmi szálláshelyek száma, 1000 főre jutó vendégéjszakák száma, 1000 főre jutó házasságkötések száma), 3. faktor: életszínvonal (iskolázottság, 1000 főre jutó élveszületések száma, 1000 főre jutó de-domainek száma, születéskor várható élettartam), 4. faktor: gazdasági és infrastrukturális környezet (1000 főre jutó 50-249 fős létszámú működő vállalkozások száma, 1000 főre jutó 250 és több fős létszámú működő vállalkozások száma, 100000 főre jutó csecsemőhalálozások száma), 5. faktor: migráció (1000 főre jutó állandó elvándorlások száma, 1000 főre jutó állandó odavándorlások száma). 44. táblázat: Magyarázott varianciahányad Teljes magyarázott variancia Komponens
Kezdeti sajátértékek
Rotáció után kialakított összesített értékek
Teljes
Variancia%-ában
Összesített %
Teljes
Variancia%-ában
Összesített %
1
5,378
31,635
31,635
2,993
17,607
17,607
2
3,176
18,682
50,317
2,712
15,950
33,557
3
2,493
14,667
64,984
2,688
15,811
49,368
4
1,086
6,388
71,372
2,649
15,582
64,950
5
,918
5,402
76,774
2,010
11,824
76,774
6
,737
4,333
81,107
7
,567
3,334
84,441
8
,521
3,066
87,507
9
,452
2,661
90,168
10
,425
2,501
92,669
11
,338
1,987
94,656
107
12
,285
1,677
96,333
13
,212
1,248
97,581
14
,175
1,032
98,613
15
,138
,811
99,425
16
,067
,393
99,818
17
,031
,182
100,000
Forrás: saját szerkesztés A faktorok kialakítása után elvégeztem a NUTS3-as szintű német GDP regressziós analízisét a létrehozott öt faktorral, amely már kiküszöbölte a multikollinearitásból eredő hátrányokat. A modellben a Durbin-Watson teszt alátámasztja a hibatag autokorrelálatlanságát, míg az F próba szignifikanciája alapján a modell megbízható. Az elemzést a homoszkedaszticitás feltételének figyelembe vétele miatt logaritmizált GDP adatokkal végeztem el, és az alábbi eredményekre jutottam. 45. táblázat: Modell adatai, ANOVA és koefficiensek Modell 1
R2 0,686
R 0,828a
Regresszió
Korrigált R2 0,682
Négyzet-összeg Szabadságfok 5,938 5
Rezuduumok
2,718
405
Teljes
8,656
410
Standard hiba 0,08193
Durbin-Watson 1,619
F-próba 176,939
Szignifikancia ,000a
a. Magyarázó változók: konstans, migráció, gazdasági és infrastrukturális környezet, életszínvonal, turizmus, kreatív KKV-k faktorok b. Függő változó: logaritmizált GDP Standardizálatlan koefficiensek Konstans kreatív KKV-k
B 4,434
Kollinearitás
Standard hiba Tolerancia 0,004
VIF
,044
0,004
1,000
1,000
-,011
0,004
1,000
1,000
életszínvonal
,045
0,004
1,000
1,000
gazdasági és infrastrukturális környezet
,101
0,004
1,000
1,000
migráció
,016
0,004
1,000
1,000
turizmus
Forrás: saját szerkesztés A modell a fenti tesztek mellett teljesíti a normalitásra vonatkozó feltételt is, melyet a 20. melléklet hisztogramja szemléltet. A fentiek, valamint az értékek visszaszámítása után az alábbi regressziós egyenlet adódik, mely 68,6%-ban magyarázza az egy főre jutó GDP területi szóródását. — = •›EVž, ž + •VF, VGE − V›, ™FG• + •›œ, ›G™ + VEŸ, ŸGž + FŸ, ˜•Gœ
(28)
Amennyiben minden tényező értéke nulla, akkor az átlagos egy főre jutó GDP a német NUTS3-as körzetekben 27164,4 Euro. Amennyiben a kreatív KKV-k faktor értéke egy faktorponttal nő, akkor minden más tényező változatlansága esetén az egy főre jutó GDP 269,6 Euroval fog növekedni. Ehhez közel hasonló mértékű változást idéz elő az életszínvonal faktorban bekövetkező növekedés, ez 275,7 Euroval növeli a GDP értékét. A turizmus faktor hatása az előbbiekkel ellentétben negatív, hatására átlagosan 67,39 Euroval 108
csökken az egy főre jutó GDP, a többi tényező változatlansága mellett. A legjelentősebb hatást az egy főre jutó GDP-re a gazdasági és infrastrukturális környezet jellemzőit tartalmazó faktor változása fejti ki, ugyanis a többi tényező változatlansága mellett, annak egy faktorpontnyi növekedése az egy főre jutó GDP-ben 618,8 Euro emelkedést idéz elő. A migrációs faktor hatása ugyanakkor ennek töredéke, javulása 98,02 Euroval javítja a térségek egy főre jutó GDP-jét. Az elemzés során létrehozott faktorokat az 49. ábra szemlélteti.
49. ábra: A német körzetek egy főre jutó GDP-jét meghatározó faktorok térképei Forrás: saját szerkesztés A kreatív KKV-k faktor alapján kirajzolódik az ország nyugat-keleti fejlettségbeli differenciája, a legalacsonyabb értékekkel a keletnémet területek rendelkeznek, míg a faktor a legmagasabb értékeit Alsószászország, Baden-Württemberg és Bajorország tartományok területén veszi föl, melynek oka nagyrészt, hogy a területeken az 1000 főre jutó szabadalmak száma átlagon felüli, valamint kiemelkednek lakásépítési dinamikájukban, és kisvállalati aktivitásban is. A turizmus faktor értékei a magas turisztikai potenciállal, és látogatottsággal rendelkező területeken a legmagasabbak, így az ország északi, tengerparti sávjában és a déli, az Alpok által övezett körzetekben. Az egyik legmagasabb faktorértékkel rendelkezik például Garmisch-Partenkirchen körzete, amely a síturizmus kedvelt célpontja, illetve a síugrók Négysáncversenyének egyik hagyományos állomása. 109
Az életszínvonal faktor kiemelkedően magas értékeket vesz föl a Ruhr-vidék térségében, északnyugat Baden-Württemberg és dél Bajorország területén, valamint a főváros környéke is jellemzően magas értékekkel bír. Ennek sok esetben oka, hogy az érintett térségekben magas az iskolai végzettség (közép és felsőfokú egyaránt, ami köszönhető az egyetemi és kutatóközpontok relatíve magas számának) illetve a de-domainek előfordulása is átlagon felüli. A gazdasági és infrastrukturális környezet faktora policentrikus térszerkezetet mutat, a térben számos hot spot megjelenése figyelhető meg. Ezek legnagyobb része városrégió és legtöbb esetben nagyvállalati telephelyek székhelyeihez köthető. E területeken átlagon felüli a közepes (50-249 főt foglalkoztató) és nagyvállalatok (250 fő fölötti) száma. A migráció faktort vizsgálva látható, hogy a legerősebb a migráció az északi területeken (Schleswig-Holstein és észak Mecklenburg-Elő-Pomeránia területén), valamint Alsószászország, Rajna-vidék-Pfalz és Baden-Württemberg tartományok területén. A keleti területek nagyrészt alacsony értékekkel rendelkeznek, esetükben még mindig domináns a népesség elvándorlása. A német körzetek GDP-je esetében is teszteltem a területi regressziós modellek alkalmazhatóságát, és érvényességét. Azonban az elemzések alapján megállapítható, hogy esetükben sem a spatial error, sem pedig a spatial lag modell nem szignifikáns (46. táblázat). Így az OLS regresszió eredményei helytállóak (45. táblázat). 46. táblázat: Területi regressziós tesztek a német körzetek egy főre jutó GDP-jének eloszlásában Teszt Moran I Lagrange Multiplier (lag) Robust LM (lag) Lagrange Multiplier (error) Robust LM (error) Lagrange Multiplier (SARMA)
Moran I/ Szabadságfok
Érték
Szignifikancia
0,050874 1 1 1 1 2
1,7727841 0,1550800 0,0107533 2,4501408 2,3058142 2,4608941
0,0762644 0,6937273 0,9174090 0,1175143 0,1288907 0,2921619
Forrás: saját szerkesztés 6. Tézis: a) Az egy főre jutó kistérségi adóköteles jövedelemre, ill. GDP-re ható tényezők a magyar, és német gazdaság esetében is komplexek, csupán többtényezős faktorok segítségével meghatározhatók. Mindkét gazdaságban szignifikáns faktor a turizmus, a gazdasági és infrastrukturális környezet (főként a nagyvállalatok szerepén keresztül pozitív hatás a GDP-re), és a migráció. A magyar esetben kapcsolat mutatható ki az életkörülmények és természetes szaporodás faktorokkal (mindkettő pozitív hatással), míg a német GDP esetében az életszínvonal és a kreatív kis és középvállalkozások fejtenek ki további szignifikáns pozitív hatást. b) A magyar kistérségi jövedelem eloszlásában szignifikáns szerep jut a szomszédsági hatásoknak, a térben késleltetett hibatagot tartalmazó modell az OLS regressziónál jobban képes magyarázni a kistérségi jövedelmek eloszlását. A térben késleltetett hibatag a koefficiense (lambda: 0,7276) alapján pozitív, szignifikáns hatással rendelkezik. A német körzetek GDP-je esetében az elemzések nem támasztják alá térben késleltetett változót tartalmazó modellek fennállását.
110
Következtetéseim Az empirikus elemzések elvégzése után, a két gazdaság konvergenciája tekintetében a 14. ábra logikáját követve, az alábbi következtetésekre jutottam. 47. táblázat: Következtetések Németország konvergenciája esetében Vizsgálat módszertana
kiinduló állapot elemzése
Társadalmi, gazdasági indikátorok eloszlása, dinamikája
Következtetések - Németország GDP-ben erőteljesebben jelenik meg a nyugat-keleti fejlettségbeli differencia, mint az életminőség esetében. Az életminőség indexben az egykori NDK területén is számos hot spot, nagyvárosok környékén, ill. Brandenburg tartományban. azonos térbeli koncentráció: Ruhr-vidék egy része (például Düsseldorf, Duisburg, Dortmund, Essen, Leverkusen), DélBajorország (München, Ingolstadt), Északkelet-Baden-Württemberg, Hamburg és Bréma. K+F és GDP közepesen erős korrelációja. befolyásolja az eloszlásukat: − tőkeerős nagyvállalatok telephelyei – magas GDP, − vidékies térségek helyzete, − jövőiparágak: biotechnológia, orvosi tudományok, űrkutatás, megújuló energia-gazdálkodás, − egyetemi és kutatóközpontok eloszlása a térben – életminőség hot spotok esetei, − gazdaságszerkezeti különbségek: keleti térségek relatíve kevés nagyvállalat, KKV-k alacsonyabb gazdasági ereje. 1995-2011 között legdinamikusabb GDP növekedés a keleti régiókban ment végbe – konvergencia, életminőség dinamikája eltérő az egyes területek esetében, azonban összességében regionális szintű konvergencia valósult meg. NUTS3 –as szinten: térségek közötti divergencia. A magasabb kezdeti szintről induló körzetek magasabb növekedési dinamikával rendelkeztek, mint a fejletlenebbek. A volt keletnémet területeken, Szász-Anhalt, Türingia, Brandenburg és Mecklenburg-Elő-Pomeránia tartományok körzetei átlagosan alacsonyabb életminőségi dinamikával rendelkeztek, mint az ország nyugati része. pozitív GDP dinamika - konvergencia, életminőség - nem egyértelműen azonosítható konvergencia (regionális konvergencia, azonban NUTS3 divergencia)
differenciák feltárása
Területi egyenlőtlenségi indexek alkalmazása (adatsor terjedelme, Duál indikátor, súlyozott relatív szórás, Hoover – index)
Az egyenlőtlenségi indexek a német gazdaság egésze, ill. Szász-Anhalt tartomány esetében, NUTS3-as szinten a területi diszparitások csökkenését igazolja az egy főre jutó GDP esetében. Az életminőség vonatkozásában regionális szinten az egyenlőtlenségek csökkenése, míg a körzetek szintjén növekedése tapasztalható. A területi szint megválasztása befolyásolja az eredményeket. Az egy főre jutó GDP szigma, béta és gamma konvergencia vizsgálatai Németországban és Szász-Anhalt tartományban a vizsgált 2000-2011es időszakban konvergenciát bizonyítanak.
differenciák változása, trendek
Konvergencia vizsgálata (szigma, béta, gamma és klub-konvergencia elemzések)
Életminőség szigma, béta és gamma konvergenciája regionális szinten, NUTS3-as szinten: szigma divergencia és béta konvergencia. A klub konvergencia jelensége megfigyelhető a NUTS2-es és NUTS3-as területek esetében a GDP és az életminőség vonatkozásában. A hasonló értékekkel és növekedési ütemmel rendelkező területi egységek azonos csoportokat alkotnak.
111
Korrelációs regressziós kapcsolatok
indikátorok egymásra hatása
és
Szomszédsági hatások (területi autokorreláció) vizsgálata
Hatás (Shift-share) elemzés
GDP/ regionális jövedelem befolyásoló tényezői
Indikátorokra ható tényezők elemzése – OLS regresszió, faktorelemzés Területi regressziós modellek (spatial lag, spatial error)
GDP esetében hat konvergencia klub, melyek kirajzolják a nyugat keleti differenciákat, és rámutatnak a konvergencia megvalósulására. A legmagasabb növekedési ütemmel rendelkező klub tagjai a keleti tartományok területén helyezkednek el. Életminőség NUTS2: konvergencia megvalósulása, egyes keleti tartományok (Szász-Anhalt, Mecklenburg-Elő-Pomeránia, Berlin) felzárkózása valószínűsíthető. K+F és életminőség: gyenge korrelációs kapcsolat. Egy főre jutó GDP és az életminőség komponensei: általában gyenge, és közepesen erős korrelációs kapcsolatok. Egy főre jutó GDP és életminőség komplex index: közepesen erős korrelációs kapcsolat. 1. GDP országos szint: gyenge pozitív autokorreláció – szomszédos területek hasonlósága, kevés kapcsolat, interregionális kapcsolatok erősebbek az intraregionálisaknál. Local Moran: erősíti a kelet-nyugati differenciák fennállását (highhigh: Baden-Württemberg, Bajorország – erős vállalkozói aktivitás, K+F aktivitás); (low-low: Mecklenburg-Elő-Pomeránia, Szászország és Szász-Anhalt), városrégiók gazdasági fejlettségük alapján kiemelkednek a térben. 2. Életminőség gyenge pozitív autokorreláció high-high klaszter: Észak-Rajna-Vesztfália, északkelet Rajna-vidékPfalz, nyugat Baden-Württemberg – oktatási és infrastrukturális ellátottságuk kiemelkedő, low-low klaszter: Észak-Kelet-Bajorország, Türingia, Szászország és Szász-Anhalt tartományok területén. - Alátámasztható Szász-Anhalt tartomány periférikus helyzete, - a szomszédos térségek egymásra hatása alacsony, - interregionális kapcsolatok szerepe magas, - magas vállalkozássűrűség, K+F aktivitás, ill. egyetemi és kutatóközpontok térbeli hot-spotok megjelenését okozzák. életminőség konvergenciája regionális szinten 2001-ben átlag alatti életminőség értékkel rendelkező területek egy része, az átlagosnál magasabb életminőség dinamikával rendelkezett a 2001 és 2011-es időszakban. területi elhelyezkedésből fakadó hatások erőteljesebbek, a strukturális hatások 18%-ban befolyásolják az életminőség értékeinek eloszlását Öt faktor befolyásoló hatása az egy főre jutó GDP eloszlásában: kreatív KKV-k, turizmus, életszínvonal, gazdasági és infrastruktúrális környezet és migráció faktorok. 68,6%-os megbízhatóság Y=27164,4+269,6x1-67,39x2+275,7x3+618,8x4+98,02x5 Sem a spatial error, sem pedig a spatial lag modell nem szignifikáns, az OLS modell eredményei helytállóak.
Forrás: saját szerkesztés
112
48. táblázat: Következtetések Magyarország konvergenciája esetében Vizsgálat módszertana
Következtetések - Magyarország GDP: egybefüggő, országos átlagnál fejlettebb északnyugati – északi sáv (Vas, Győr-Moson-Sopron, Komárom-Esztergom, Fejér és Pest megyék, ill. a főváros) - külföldi nagyvállalatok magas hozzáadott értéke, és az iparágak specifikus jellegéből fakadóan a magasan képzett munkaerő rendelkezésre állása, jelentős autóipari tevékenység. legfejletlenebb területek: északkeleti-északi országrészben (BorsodAbaúj-Zemplén, Nógrád, Szabolcs-Szatmár-Bereg megyék), továbbá Békés megye. életminőség: legfejlettebb területek Budapest, Veszprém, Pest, Fejér és Csongrád megye területén azonosíthatók (oktatás, egészségügy kiemelkedően jó, alacsony munkanélküliség); legalacsonyabb Szabolcs-Szatmár-Bereg és Borsod-Abaúj-Zemplén megye esetében (relatíve alacsony iskolázottság, magas munkanélküliségi ráta). kistérségi adatok: mindkét indikátor esetében kirajzolható sugaras szerkezet, fejlett Budapest-Miskolc, Budapest-Győr, Budapest-Szeged, Budapest-Keszthely és Budapest-Pécs tengely. Megyei jogú városok, ill. a fontosabb vállalati telephelyek kiemelkedése a térben.
kiinduló állapot elemzése
Társadalmi, gazdasági indikátorok eloszlása, dinamikája
Az életminőség index policentrikusabb, és heterogénebb eloszlást mutat, mint a GDP. K+F és életminőség közepesen erős korrelációja. A régiók között a fővárosi régióban a legmagasabb a GDP dinamika, divergencia, tőkeerős vállalkozások a gazdaságilag magasabban fejlett térségeket preferálják, Pest és Komárom-Esztergom megye kiemelkedő növekedési üteme – tőke perverz áramlása, Észak-magyarországi régió: befolyásol a nagyvállalatok alacsony részaránya, külföldi tulajdonú vállalkozások által befektetett tőke aránya. Pozitív életminőség dinamika, megyei divergencia jelei, néhány magasabb kezdeti fejlettségi szintről induló megye magasabb növekedési rátát tudott felmutatni, mint a kezdetben fejletlenebb térségek. Borsod-Abaúj-Zemplén megyében az index értéke csökkent az időszakban.
differenciák feltárása
differenciák változása, trendek
Területi egyenlőtlenségi indexek alkalmazása (adatsor terjedelme, Duál indikátor, súlyozott relatív szórás, Hoover – index)
Konvergencia vizsgálata (szigma, béta, gamma és klub-konvergencia elemzések)
A magyar gazdaság és az Észak-magyarországi régió esetében az egy főre jutó GDP növekvő diszparitásai. Az életminőség index tekintetében regionális szinten a diszparitások csökkenése, megyei szinten a különbségek növekedése igazolható.
Egy főre jutó GDP szigma és béta konvergencia vizsgálatai 20002011-es időszakban Magyarország és az Észak-magyarországi régió esetében is divergenciát bizonyítanak. Azonban megyei szintű gamma konvergencia. Életminőség: NUTS2-es szinten szigma, béta és gamma konvergencia, NUTS3-as szinten szigma divergencia és béta konvergencia valósult meg. A klub konvergencia jelensége megfigyelhető a NUTS2-es és NUTS3-as területek esetében a GDP és az életminőség vonatkozásában. A hasonló értékekkel és növekedési ütemmel
113
Korrelációs és regressziós kapcsolatok
indikátorok egymásra hatása
Szomszédsági hatások (területi autokorreláció) vizsgálata
Hatás (Shift-share) elemzés
GDP/ regionális jövedelem befolyásoló tényezői
Indikátorokra ható tényezők elemzése – OLS regresszió, faktorelemzés Területi regressziós modellek (spatial lag, spatial error)
rendelkező területi egységek azonos csoportokat alkotnak. Magyarország négy klubba sorolható GDP szempontjából. BorsodAbaúj-Zemplén megye az átlagos vagy átlag alatti növekedési ütemmel, és relatíve alacsony kezdeti GDP-vel rendelkező területek klubjába sorolható, mely a megye további lemaradását prognosztizálja. Életminőség három konvergencia klubja alátámasztja a konvergenciát, a magyar régiók közül a legalacsonyabb fejlettségi szintről induló térségek tudták a legmagasabb növekedési rátát felmutatni, míg a legfejlettebb Közép-Magyarország a legalacsonyabbat. K+F és életminőség: közepesen erős korrelációs kapcsolat. Egy főre jutó GDP és az életminőség komponensei: általában gyenge, és közepesen erős korrelációs kapcsolatok. Egy főre jutó GDP és életminőség komplex index: közepesen erős korrelációs kapcsolat. 1. GDP (jövedelmi szint) közepesen erős, pozitív autokorreláció – jellemzőek a kistérségek közötti gazdasági kapcsolatok, a szomszédos területek hatással vannak egymásra, Local Moran: centrumok és perifériák térbeli csoportosulása (highhigh: Közép-magyarországi és Közép-dunántúli régiók megyéi – tőke és nagyvállalatok koncentrációja, speciálisan magasan képzett munkaerőigénnyel); (low-low: dél és északkelet-Magyarország – földrajzilag is periférikus térségek, sok esetben aprófalvas térségek). 2. Életminőség gyenge pozitív autokorreláció, high-high klaszter: Pest, Komárom-Esztergom, Fejér és Veszprém megyék egyes kistérségei, low-low klaszter: Szabolcs-Szatmár-Bereg, Hajdú-Bihar, Borsod-Abaúj-Zemplén és Baranya megyékben. Low-high klaszter értékei a high-high klaszter perifériáján, míg a highlow klaszter elemei a low-low klaszter perifériáján helyezkednek el. - Alátámasztható B-A-Z megye periférikus helyzete, - a szomszédos térségek egymásra hatása a GDP esetében közepes, míg az életminőség értékében alacsony, - egybefüggő centrumok (középső országrész) és perifériák (északkeleti és déli perifériák). Életminőség regionális konvergenciája, megyei divergenciája Öt megye (Szabolcs-Szatmár-Bereg és Békés) kivételével az életminőség indexben a területi hatások jelentősek. Öt faktor befolyásoló hatása az egy főre jutó adóköteles jövedelem eloszlásában: életkörülmények, turizmus, gazdasági környezet, migráció és természetes szaporodás faktorok. 72,96%-os megbízhatóság Y=1603,675+215,925x1-6,514x2+78,873x3+15,359x4+78,59x5 igazolható spatial error modell (hibatag térbeli késleltetettjét tartalmazza) modell megbízhatósága 82,66%-osra nőtt Y=1607,922+197,21x1+20,72x2+82,94x3-4,39x4+42,81x5+ε ε=0,7276 Wε+ξ
Forrás: saját szerkesztés
114
5. Konvergencia elérése érdekében tett intézkedések 5.1. Németország 5.1.1. A német egység finanszírozása
Az újraegyesített Németországnak a ’90-es évek elejétől komoly problémákkal kellett szembenéznie. 1990. október 3-án létrejött az egységes Németország, azonban a területi különbségek továbbra is fennmaradtak (49. táblázat). 49. táblázat: Németország fontosabb gazdasági adatai (1989) Export (Mrd. DM) Foglalkoztatottak száma (millió fő) GDP (Mrd. DM) GDP/fő (ezer DM, ezer M) Import (Mrd. DM) Munkanélküliek száma (ezer fő) Munkatermelékenység (%) Nettó havi átlagjövedelem (DM)
NSZK
NDK
641 24,9 2237 36,7 506,5 1864 100 2111
411 8,8 353 20 41,1 272 33 950
Forrás: Statistisches Bundesamt Deutschland A keleti területek leszakadásának megelőzése, és felzárkózásuk megkönnyítése érdekében a szövetségi államnak komoly erőforrásokat kell mozgósítani. A konvergencia eléréséért tett intézkedések közül az alábbiakat vizsgálom: − német-német valutaunió, − Hitelrendezési Alap, − Német Egység Alapja, − Szolidaritási Paktum, − Tartományi Pénzügyi Kiegyenlítő Alap (Länderfinanzausgleich), − regionális operatív programok. A gazdasági, valuta és szociális unió kialakítása után 1990-ben, a német gazdaságot komoly kihívások elé állította a keleti tartományok helyzete. Az infrastruktúra fejlesztése, tőkeerős vállalkozások betelepítése, szociálpolitikai intézkedések bevezetése, ill. a foglalkoztatáspolitika szabályozása mind olyan tényező volt, ami kiemelt cél volt az újonnan csatlakozott területeken. A feladat megoldása érdekében három szervezetet hoztak létre: a Hitelrendezési Alapot, a Német Egység Alapját, és a Vagyonügynökséget. Az egység a nyugati országrész számára lényeges előnyökkel járt (NDK állami vagyon megszerzése, egy egységre jutó költségek csökkenése), de komoly problémákkal is szembesítette a kormányzatot. A német egység költségeit az 50. ábra összegzi. A keleti területek felzárkóztatása érdekében a nyugatnémet állam rendszeres transzfereket és újjáépítésre fordítható támogatásokat nyújtott a keleti területeknek. A transzferek rendszerességéért kezdetben a Német Egység Alapja volt felelős. A támogatások finanszírozása számos forrásból történt. Egyrészt adó és járulékemeléssel, másrészt EU-s juttatások igénybe vételével. A politika hosszú távú fenntarthatósága azonban megkérdőjelezhető, mivel az állam nagyfokú eladósodottságához vezethet.
115
50. ábra: A német egység költségei Forrás: Konegen (2012) alapján saját szerkesztés A német szövetségi állam, és tartományai közötti finanszírozási rendszert, a bevételek, és kiadások körfolyamatát összegzi az alábbi, 51. ábra. A szövetségi állam pénzügyi segélyeket és támogatásokat nyújt a tartományok és közösségeik számára a jövedelmi szintek kiegyenlítése érdekében. A tartományok további bevételi forrásai az adóbevételek (jövedelmi, társasági, forgalmi, és iparűzési adók) mellett, az EU-s támogatások.
51. ábra: Az állami bevételek és kiadások körfolyamata Németországban Forrás: Konegen (2012) alapján saját szerkesztés
116
5.1.2. Német-német valutaunió
A két országrész egyesítésekor komoly problémát jelentett az eltérő fizetőeszköz alkalmazása, melyre megoldást a valutaunió bevezetése jelentett. A német-német valutaunió létrehozásának legnagyobb akadálya a Deutsche Mark és a keletnémet márka közötti értékarányok megállapítása volt. 1989 októberében az értékarány még kb. 1:9,17 volt, ami 1990 júniusára 1:2,86-ra változott. A valutaunióval kapcsolatos átváltási arányok az egyesítés után a következőképpen alakultak: a követelések esetében 1:8,1; a tartozásoknál 2:1; a bérek, fizetések, bérleti díjak és ösztöndíjak esetében 1:1, ami a későbbiekben problémákhoz vezetett. 5.1.3. Hitelrendezési Alap
Az újraegyesítéskor fennálló, egykori NDK adósságállományát a Hitelrendezési Alap vette át, 1990 végéig 14,1 milliárd euró összegben. Ez az összeg 1992-re ugrásszerűen emelkedett 46,9 milliárd euróra. Az intézmény felbomlásáig (1994. december 31.) 52,4 milliárd euro kötelezettséget halmozott föl. 5.1.4. A Német Egység Alapja
A keleti tartományok gazdasági struktúrájának átalakításához további programok bevezetésére volt szükség. Ezt a célt szolgálta a szintén 1990-ben létrehozott Német Egység Alapja, mely 1994-ig összesen 160,7 milliárd márka támogatást nyújtott. A támogatás 40%-át a tartományoknak át kellett transzferálniuk a körzetek irányába. 50. táblázat: Német Egység Alapja által a keleti tartományoknak biztosított források összege (1990-1994), (Mrd. DM) Finanszírozási forma Hitelfelvétel Szövetségi állam juttatásai Nyugatnémet tartományok befizetései Összesen
1990 20,00 2,00
1991 31,00 4,00
1992 24,00 9,90
1993 15,00 14,23
1994 5,00 19,45
Összesen 95,00 49,58
-
-
-
5,97
10,15
16,12
22,00
35,00
33,90
35,20
34,60
160,70
Forrás: Bundesministerium der Finanzen; 2014. Az Alap három fő forrásból biztosította a pénzügyi transzfereket. 1990 és 1994 között az összeg 59,1%-a hitelfelvétel volt (mely 1991 után csökkenő tendenciát mutatott), míg 30,9%-a volt a szövetségi állam juttatásai (évente emelkedő támogatási összegekkel). A fennmaradó 10%-ot 1993 és 1994 során a nyugatnémet tartományok befizetései alkották (50. táblázat). 5.1.5. Szolidaritási paktum
A Szolidaritási paktumok rendszerét 1995-ben alakították ki azért, hogy a „Német Egység Alapja” forrásainak megszűnése után is támogassák az újonnan csatlakozott tartományokat. Az első Szolidaritási paktum keretében, 1995-2004 között, 82 milliárd Euró áramlott keletre. Miután a lényeges gazdasági tényezőkben jelentős közeledés nem ment végbe, 2005-ben a Szolidaritási paktum II. részének beindítása mellett döntöttek, melynek keretében 2019-ig a keleti tartományoknak és Berlinnek összesen 156 milliárd Eurót transzferálnak (51. táblázat).
117
Ez a program kizárólag a német szövetségi állam forrásaira épít, az egyes nyugatnémet tartományok nem fizetnek a rendszerbe. Az összeg két kosárban nyújt támogatást a keleti tartományoknak. Az első kosár 105 milliárd Euro értékben főként infrastrukturális beruházásokat támogat, illetve az egyes közösségek pénzügyi erejének növelését szolgálja. Kiemelt cél az út és vasút építések támogatása. A kosár forrásai degresszív rendszerben kerülnek felosztásra (2005-ben 10,5 mrd Euro, míg 2019-ben már csak 2,1 mrd Euro). A második kosárban a szövetségi állam újabb 51 milliárd Eurot biztosít gazdaságfejlesztési célokra (gazdasági környezet, innováció, és infrastruktúra fejlesztése). A források felhasználásáról az egyes tartományoknak évente előrehaladási jelentéseket kell készíteniük (Pénzügyi kiegyenlítési törvény – Gesetz über den Finanzausgleich zwischen Bund und Ländern, 2001. - § 11, 3. bekezdés). 51. táblázat: Az új tartományoknak nyújtott támogatások a Szolidaritási paktum II. része keretében (2005-2019) Év
Támogatás (millió Euró)
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 Összesen
10 533 10 491 10 379 10 226 9 510 8 743 8 027 7 260 6 545 5 778 5 062 4 295 3 579 2 812 2 096 98 076
Forrás: Bundesministerium der Finanzen, 2014. alapján saját szerkesztés Szolidaritási paktum részletei Az 1995-ben létrehozott Szolidaritási paktum megállapodás jelentős feladatokat rótt mind a szövetségi államra, mind pedig az egyes tartományokra és közösségeikre is. A megállapodás legfontosabb alkotóelemeit egy 10 pontos szerződésben rögzítették (Bundesregierung, 1993). a) Az új tartományok pénzügyi rendszerét 55,8 milliárd Márka transzferrel kívánták stabilizálni 1995-ben. Emellett a szövetségi állam-tartományok pénzügyi felosztás is átrendeződött. b) Az ökológiai problémák leküzdése és a megújuló erőforrások megtartása érdekében további erőfeszítések történnek. Ennek finanszírozásához a vagyonügynökség nyújt hiteleket. c) A szennyező anyagok eltávolítására vonatkozóan az újonnan csatlakozott tartományokban speciális támogatási programokat vezetnek be. d) Vasútreform. e) A keleti tartományok lakásépítési programjainak támogatása érdekében az alábbiakban egyeztek meg a felek: A Keletnémet Városépítési Program keretében tovább folytatódik a lakótérfejlesztések támogatása. A lakásépítési beruházásokat továbbra is támogatja a törvény.
118
f) Aktív munkaerő-piaci politika kialakítása érdekében a szövetségi kormány további 2 milliárd Márka támogatást bocsájt rendelkezésre. g) A szociális támogatásokat nem csökkentik. A gazdasági és társadalmi hátrányok leküzdése érdekében további erőfeszítéseket tesznek. h) A kiadások csökkentése, és az adózási szubvenciók leépítése érdekében 9 milliárd Márkás megtakarítási csomagot vezetnek be. i) A szolidaritási hozzájárulást 1995. január 1-jétől felemelték 7,5%-ra. j) A nyugati tartományok és a szövetségi állam a többletbevételeit a keleti tartományok gazdaságának helyreállítására fordítja. A keleti tartományok a jelenleg érvényben lévő II. Szolidaritási paktum támogatásaiból is részesülve az újraegyesítés óta eltelt időszak alatt jobb életkörülményekkel rendelkeznek, és a gazdaságuk is növekvő versenyképességgel bír. Modern infrastruktúra kiépítése, kutatóintézeti hálózat, innovatív vállalkozói környezet kialakítása vált lehetővé. 2005 óta a munkaerő-piac is érezhető javuláson ment keresztül. A foglalkoztatottak száma 6%-al emelkedett, és a munkanélküliség is csökkenő tendenciát mutatott. Emellett a migráció lassulása is megfigyelhető volt az időszakban. Emellett az EU Strukturális Alapjainak 2014-2020-as támogatási időszakában a keleti tartományok gazdasága jelentős támogatásokra jogosult. Az ERFA és ESZA támogatások hatékony kihasználása a keleti tartományok fontos feladata. A legfontosabb feladat az lenne a keleti országrészben, hogy a gazdasági telephelyeknek az egyre erősödő befektetőkért, forrásokért, turistákért folyó versenyben világos gazdasági és tudományos profil létrehozására kellene törekedniük. Ez a cél megjelenik az EU által is „Smart Specialisation” címszóval. Szász-Anhalt tartomány a Szolidaritási Paktum keretében 2005 és 2020 között összesen 16 571 millió Euro támogatást kap degresszív formában (52. ábra).
52. ábra: Szász-Anhalt tartomány forrásai a Szolidaritási paktumból (2005-2019), millió euro Forrás: Ministerium der Finanzen, Sachsen-Anhalt (2013) alapján saját szerkesztés A tartomány 2013-as éves előrehaladási jelentése alapján a kiemelt célnak számító infrastrukturális hátrányok leküzdése érdekében az alábbi fő projekttípusok megvalósítása történt: 119
− a tartomány területén utcahálózat fejlesztése (utcák 60%-a megújult az elmúlt években), − közúthálózat fejlesztése (például Halle: Delitzscher utca, Magdeburgi körgyűrű), − Galileo program (intelligens közlekedési rendszerek), − intermodális csomópontok fejlesztése, − ivó és szennyvízhálózat korszerűsítése, − hulladékgazdálkodás, − falufejlesztés, − szélessávú internetkapcsolat elterjedésének javítása, − kutatás-fejlesztés támogatása, − kutatóközpontok fejlesztése. (Ministerium der Finanzen, Sachsen-Anhalt, 2013.) 5.1.6. Tartományok keresztfinanszírozási rendszere
A tartományok keresztfinanszírozási rendszere azt a célt szolgálja, hogy a gazdaságilag erősebb, és gyengébb tartományok közötti jövedelemkülönbségek enyhítésére válaszokat találjon. Így a rendszer a tartományok közötti jövedelem kiegyenlítésére, jövedelem transzferek elvégzésére szolgál. 2011-ben ezen jogcímen 7,3 milliárd Euro újraelosztása történt meg. 2012-ben már csak Bajorország, Baden-Württemberg és Hessen tartományok voltak nettó befizetők. A legfrissebb, 2013-as adatokat, az alábbi ábra szemlélteti összegszerűen, és fajlagos bontásban (53. ábra).
53. ábra: Tartományok keresztfinanszírozási rendszere: nettó befizetők és jogosultak (millió Euro) – 2013. Forrás: Bundesministerium der Finanzen, 2014. alapján saját szerkesztés 2013-ban a legnagyobb befizető Bajorország (fajlagosan és összesítve is), és BadenWürttemberg volt, míg a legtöbb támogatást Berlin és Szászország kapta. Az adatokat egy főre vetítve elmondható, hogy a legtöbb támogatást Berlin és Bréma kapta, Szászország ebben az összevetésben már csak a középmezőnyben szerepel. Az aktuális jövedelem kiegyenlítésről a „Jövedelmek kiegyenlítéséről szóló törvény” (Finanzausgleichsgesetz) döntött, és a program 2019. december 31-én, a II. Szolidaritási
120
paktum lezárulásakor hatályon kívül kerül. Az 1950 és 2011 közötti időszakban ilyen jogcímen transzferált jövedelmek összesítését tartalmazza az alábbi, 52. táblázat. 52. táblázat: Tartományok keresztfinanszírozási rendszere, összes forrás (1950-2011) tartomány Észak-Rajna–Vesztfália Bajorország Baden-Württemberg Alsó-Szászország Hessen Rajna-vidék–Pfalz Schleswig-Holstein Saar-vidék Hamburg Bréma Szászország Szász-Anhalt Türingia Mecklenburg-Elő-Pomeránia Berlin Brandenburg
nettó befizetések (Mrd. €) 17,70 38,34 49,93 45,88 0,08 11,77 0,05 -
kapott források ( Mrd. €) 0,87 3,42 22,38 11,48 9,32 6,58 0,09 10,52 17,26 10,04 9,68 7,58 45,38 9,15
egyenleg ( Mrd. €) -16,83 -34,92 -49,93 +22,38 -45,88 +11,48 +9,24 +6,58 -11,68 +10,47 +17,26 +10,04 +9,68 +7,58 +45,38 +9,15
Forrás: Bundesministerium der Finanzen, 2013. alapján saját szerkesztés 1950 és 2011 között a legnagyobb befizető Baden-Württemberg, Hessen és Bajorország tartományok voltak, a támogatások legnagyobb haszonélvezői pedig Berlin, Alsó-Szászország és Szászország tartományok. 5.1.7. Államadósság alakulása
A nyugati tartományok és a szövetségi állam által a keleti országrész irányába transzferált források nagysága megmutatkozott a német államháztartás rendszerében, mivel mind a szövetségi állam, a tartományok, és a közösségeik részéről is növekvő adósságállomány figyelhető meg (54. ábra).
54. ábra: Adósságállomány alakulása Németországban (milliárd Euro) (1950-2013) Forrás: Statistisches Bundesamt Deutschland adatai alapján saját szerkesztés 121
5.1.8. A német regionális politika hozzájárulása a keleti tartományok felzárkózásához
A regionális politika Németországban kiemelten fontos. Egyrészt a támogatások fontosak az ország relatív homogén gazdasági és társadalmi fejlődése érdekében, illetve az ipar célzott támogatása csökkentheti a régiók versenyképességét, amely különösen a keleti tartományokat érintheti érzékenyen (Jákli, 1990; Sturm – Schorlemmer, 2008.). A ’60-as évek közepétől alakították ki Németországban a regionális politika megvalósításának folyamatát a tartományok és szövetségi kormány közreműködésével, ami alapvető feltétel a regionális gazdaságfejlesztési tervek kidolgozásához. A német újraegyesítést követően az ország olyan régiókkal is rendelkezett, amelyek Európa legszegényebb térségei közé tartoztak, egy főre jutó GDP-jük nem érte el az Uniós átlag 75%-át. Ezeket a keleti térségeket integrálni kellett a regionális pénzügyi támogatások rendszerébe. 1998-ban az egykori Kelet-Németországba irányuló pénzügyi transzferek tejes összege elérte a 189 milliárd Eurot, amelyhez az EU csak mintegy 7 milliárddal járult hozzá. (Sturm – Schorlemmer, 2008.) A német regionális politika két pillérre épül: egyrészt a szövetségi-és tartományi közös támogatások („A regionális gazdasági struktúrák javítása”) és az EU Strukturális Alapjaiból érkező támogatások. A szövetségi-és tartományi közös támogatások elsődleges célja munkahelyteremtés és –védelem az ország kevésbé fejlett régióiban. Legfontosabb eszközei a magánszektor beruházásainak állami támogatása, és a helyi infrastruktúra fejlesztések támogatása. 2007-től a támogatással érintett „munkaerő-piaci régiókban” négy regionális indikátort jelöltek ki a hatások mérése érdekében: elmúlt három év munkanélküliségi rátája, bérszínvonal, várható jövőbeli foglalkoztatási ráta és az infrastruktúra. Összességében 2007ben az ország lakosságának 35,84%-a élt olyan régiókban, amelyek részesültek a szövetségiés tartományi közös támogatásokban. 2011-ig törvény garantálta a keleti tartományokba befektető vállalatok számára az állami támogatásokat az ipari beruházások, ipari szolgáltatások nyújtása, és turisztikai szálláshelyek kiépítése érdekében. 2000 és 2006 között Németország összesen 29 milliárd Euro támogatást kapott a kohéziós források keretében (53. táblázat). A támogatás legnagyobb részét (17,6 milliárd Euro) az 1. célkitűzés alá tartozó területek kapták (többnyire keleti tartományok), míg a 2. célkitűzés régiói 3,9 milliárd, és a 3. célkitűzés területei 5 milliárd Euro támogatást kaptak. 53. táblázat: Kohéziós politika támogatásai Németországban, 2000-2006 és 2007-2013. Források 2000-2006 (millió Euro, 2004-es árakon) Kohéziós Alap n.a. 1. célkitűzés 17594 Phasing-out 667 2. célkitűzés 3875 3. célkitűzés
5058
Közösségi kezdeményezések Összesen
1639 28833
Források 2007-2013 (millió Euro, 2004-es árakon) Kohéziós Alap Konvergencia célkitűzés Phasing-out Phasing-in Regionális versenyképesség és foglalkoztatás célkitűzés Európai területi együttműködések célkitűzés Összesen
n.a. 10527 3761 n.a. 8349 754 23391
Forrás: Európai Bizottság – Operatív Programok 2007-ben az EU elfogadta Németország Nemzeti Stratégiai Referenciakeretét, amely tartalmazta a tartományok Operatív Programjait és finanszírozásukat (54. táblázat). A Referenciakeret hat fő stratégiát vázolt az ország számára, melyek a következők: 1. befektetés a tudástársadalomba, 2. piacok liberalizálása és az ipar versenyképességének javítása, 3. magánszféra beruházási feltételeinek javítása, 4. közösségi pénzügyi és biztosítási rendszerek, 5. környezeti technológiák innovációs potenciáljának előnyben részesítése, 6. munkaerő-piaci reformok. 122
54. táblázat: 2007-2013 Operatív Programok támogatásai Németországban (millió Euro) Szövetségi Alsó-Szászország Baden-Württemberg Bajorország Berlin Brandenburg Bréma Észak-Rajna–Vesztfália Hamburg Hessen Mecklenburg-Elő-Pomeránia Rajna-vidék–Pfalz Saar-vidék Schleswig-Holstein Szászország Szász-Anhalt Türingia Összesen
ERFA 1520 1228 143 576 876 1498 142 1283 35 263 1252 218 198 374 3091 1932 1478 16107
ESZA 3487 447 266 310 336 620 89 684 91 187 417 114 86 100 872 644 629 9379
Összesen 5007 1675 409 886 1212 2118 231 1967 126 450 1669 332 284 474 3963 2576 2107 25486
Forrás: Németország Operatív Programjai 2007-2013. alapján saját szerkesztés
5.2. A magyar regionális politika Magyarország vonatkozásában 1990-ben fogalmazódott meg először kormányszinten az Európai Unióhoz, illetve jogelődjéhez, az Európai Gazdasági Közösséghez való csatlakozás. Antall József beszédében kimondta, hogy Magyarország ki fog lépni a Varsói Szerződésből és az Európai Közösség tagjává fog válni. (Bába, 1994.) Az érdemi tárgyalások 1994-ben kezdődtek, s alapvetően a jogi megfelelés („acquis communitare”) feltételeinek megteremtésére irányultak (Kőrösi, 2005.). Az 1994-98-as kormány ciklus elsősorban a hazai költségvetési irány csökkentését tűzte ki célul (lásd. Bokros-csomag). Az 1998-2002-es kormányzati ciklusban fogalmazódott meg határozottabban a gazdasági konvergencia megteremtéséhez szükséges gazdaságpolitika kidolgozása. Az akkori optimista előrejelzések 2010-es Euro bevezetést vizionáltak (Neményi-Oblath, 2012.). Később ez egyre jobban kitolódott. A regionális politika Magyarország esetében erőteljesebben az Uniós csatlakozás (2004) után került az érdeklődés középpontjába. Magyarország hat olyan régióval rendelkezik, amelyek Európa legszegényebb térségei közé tartoznak, egy főre jutó GDP-jük nem éri el az Uniós átlag 75%-át. A magyar regionális politika alappillére a területfejlesztésről szóló 1996. évi törvény, mely az Uniós csatlakozásra való felkészülés jegyében született (Dorgai, 2010.). A törvény megfogalmazásában cél: „az ország kiegyensúlyozott területi fejlődése és a térségei társadalmi-gazdasági, kulturális fejlődésének előmozdítása” (1996. évi XXI. törvény a területfejlesztésről és a területrendezésről). A törvény szerint a területfejlesztés és területrendezés célja: 1. „az ország valamennyi térségében a szociális piacgazdaság kiépítésének elősegítése, a fenntartható fejlődés feltételeinek megteremtése, az innováció térbeli terjedésének elősegítése, a társadalmi, gazdasági és környezeti céloknak megfelelő térbeli szerkezet kialakítása; 2. a főváros és a vidék, a városok és a községek, illetve a fejlett és az elmaradott térségek és települések közötti – az életkörülményekben, a gazdasági, a kulturális és az 123
infrastrukturális feltételekben megnyilvánuló – jelentős különbségek mérséklése és a további válságterületek kialakulásának megakadályozása, társadalmi esélyegyenlőség biztosítása érdekében; 3. az ország térszerkezete, településrendszere harmonikus fejlődésének elősegítése; 4. a nemzeti és térségi identitástudat megtartása és erősítése.” (1996. évi XXI. törvény a területfejlesztésről és a területrendezésről) Magyarországon már a ’90-es évek közepétől történtek kísérletek a területi különbségek csökkentésére, és a hátrányos helyzetű térségek felzárkóztatására (például Területfejlesztési célelıirányzat és a Területi kiegyenlítést szolgáló fejlesztési célú támogatás), azonban ezek hatékonysága relatíve alacsony volt, és az Uniós csatlakozást követően érkeztek komolyabb források az országba. A 2004-2006-os programozási periódusban Magyarország négy ágazati és egy regionális operatív programot hozott létre (Agrár- és vidékfejlesztés OP, Gazdasági versenyképesség OP, Humán erőforrások fejlesztése OP, Környezetvédelem és infrastruktúra OP és Regionális fejlesztés OP). (Benedek-Kocziszky, 2013.) A periódus legfontosabb céjai a tartós növekedés, és foglalkoztatás bővítése mellett olyan horizontális célok elérése, mint a fenntarthatóság, esélyegyenlőség, biztonság és társadalmi kohézió. A program keretében Magyarország öszesen 3,2 milliárd euro forrásra volt jogosult az EU Strukturális Alapjai keretében. 55. táblázat: Kohéziós politika támogatásai Magyarországon, 2004-2006 és 2007-2013. Források 2004-2006 (millió Euro) Kohéziós Alap 1112 1. célkitűzés Phasing-out 98,9 2. célkitűzés 3. célkitűzés Közösségi kezdeményezések 98,9 Összesen 3218
Források 2007-2013 (millió Euro) Kohéziós Alap Konvergencia célkitűzés Phasing-out Phasing-in Regionális versenyképesség és foglalkoztatás célkitűzés Európai területi együttműködések célkitűzés Összesen
8642 14247 2031 386 25307
Forrás: Magyarország Nemzeti Stratégiai Referenciakerete (2004) és EU Cohesion Policy alapján saját szerkesztés A 2007-2013-as periódusra vonatkozóan a magyar Nemzeti Stratégiai Referenciakeret 15 operatív programot tartalmazott, melynek keretében minden régió külön operatív programmal rendelkezett. Az időszakban az ERFA, ESZA és Kohéziós alap támogatásainak megfelelően összesen 25 milliárd eurót folyósítottak Magyarország számára. A források megoszlását operatív program, és strukturális alap bontásban az 56. táblázat tartalmazza. 56. táblázat: 2007-2013 Operatív Programok támogatásai Magyarországon (millió Euro) Államreform Operatív Program Elektronikus Közigazgatás Operatív Program Gazdaságfejlesztési Operatív Program Környezet és Energia Operatív Program Közlekedés Operatív Program Társadalmi Infrastruktúra Operatív Program Társadalmi Megújulás Operatív Program Végrehajtás Operatív Program Dél-Alföldi Operatív Program Dél-Dunántúli Operatív Program Észak-Alföldi Operatív Program Észak-Magyarországi Operatív Program Közép-Dunántúli Operatív Program
ERFA 358,4 2495 396 1697 1948,9 748,7 705 975 903,7 507,9
124
ESZA 146,5 3481 -
Kohéziós Alap 3782 4544 315 -
Összesen 146,5 358,4 2495 4178 6241 1948,9 3481 315 748,7 705 975 903,7 507,9
Közép-Magyarországi Operatív Program Nyugat-Dunántúli Operatív Program Összesen
1467 463,7 12666,3
3627,5
8641
1467 463,7 24934,8
Forrás: NSRK és Magyarország Operatív Programjai 2007-2013. alapján saját szerkesztés A 2014-2020-as programozási periódusban a két ország az alábbi, 57. táblázat adatainak megfelelően jogosult Uniós forrásokra. Látható, hogy míg Magyarország esetében a legfejletlenebb térségek támogatása, ill. a Kohéziós Alap támogatása a leghangsúlyosabb, addig Németországban az átmeneti régiók, és a legfejlettebb térségek támogatása. 57. táblázat: Uniós források eloszlása a 2014-2020-as támogatási periódusban, a két országban (millió Euro) régiókategória
támogatási összeg Németország
támogatási összeg Magyarország
-
15000
9700
-
8600
463,7
0,9 19200
6000 361,8 49,8 21875,3
legfejletlenebb térségek (EU átlag 75% alatti GDP/fő) átmeneti régiók (EU átlag 75-90% GDP/fő) legfejlettebb régiók (EU átlag 90% fölötti GDP/fő) Kohéziós Alap Európai Területi Együttműködések Fiatalok foglalkoztatása kezdeményezés Összesen
Forrás: Európai Bizottság (2015) A legfejletlenebb térségek (EU átlag 75% alatti GDP/fő) közé sorolható Magyarország esetében a Közép-Dunántúl, Nyugat-Dunántúl, Dél-Dunántúl, Észak-Magyarország, ÉszakAlföld és Dél-Alföld régiója, míg a legfejlettebb területek közé a Közép-magyarországi régió. Németország esetében az átmeneti régiók közé sorolható Brandenburg, Bréma, MecklenburgElő-Pomeránia, Szászország, Szász-Anhalt, Türingia és Lüneburg területe, míg a legfejlettebb területek közé Baden-Württemberg, Bajorország, Berlin, Hamburg, Hessen, Alsószászország, Észak-Rajna-Vesztfália, Rajna-vidék-Pfalz, Saar-vidék, Schleswig-Holstein és Lipcse tartozik.
125
6. Összegzés Disszertációmban periférikus térségek felzárkózásának kérdésével és a konvergencia megvalósulásával foglalkoztam Kelet-Közép-Európa két térségének példáján. Vizsgáltam, hogyan halad a gazdaság konvergenciája Német- és Magyarország esetében, kiemelt figyelmet fordítva az olyan periférikus térségekre, mint Szász-Anhalt tartomány és BorsodAbaúj-Zemplén megye. Célom annak kimutatása volt, hogy a két, egymástól eltérő kiinduló feltételekkel (gazdasági potenciál, EU támogatások különbségei) és gazdaságpolitikai irányvonalakkal rendelkező országban milyen mértékben valósult meg a periférikus helyzetű térségek felzárkózása a fejlettebbekhez. Ennek érdekében a GDP, ill. az életminőség dimenziója mentén végeztem vizsgálatokat. A téma szakirodalmi áttekintése során megvizsgáltam a regionális gazdaságtan növekedés elméleteit és kitértem a konvergencia elmélet fejlődésére. Vizsgáltam a klasszikus politikai gazdaságtantól elindulva az exogén, majd endogén növekedés elméleteken át, a Keynesi és új gazdaságföldrajzi megközelítésekig a konvergencia illetőleg divergencia fogalmának megjelenését az irodalomban. Áttekintettem a konvergencia különböző elméleteit (szigma, feltételes és abszolút béta), különleges figyelmet fordítva a klub-konvergencia értelmezésére. Disszertációmban külön módszertani fejezetet szenteltem a dolgozatban alkalmazott módszerek elméleteinek áttekintésére. Kitértem az életminőség index megjelenésére a szakirodalomban, és alkalmazott indikátoraira, majd vizsgáltam a területi egyenlőtlenségi indexek, területi autokorreláció, shift-share elemzések, konvergencia vizsgálatok és regressziószámítás elméleti, módszertani alapjait. Számításaim során elsőként a német és magyar gazdaságra vonatkozóan elvégeztem a GDP és életminőség index dinamikus vizsgálatát, kitérve az egyenlőtlenségi relációkra is. Feltételeztem, hogy a vizsgált két országnak nemcsak makrogazdasági növekedési és fejlődési pályája tér el, hanem vélhetően a mezogazdasági-pályák is különböznek egymástól. Megállapítottam, hogy 2011-ben a magyar (LAU1-es szint) és német (NUTS3-as szint) gazdaság esetében az általam kialakított, társadalmi és infrastrukturális jelzőszámokat magában foglaló életminőség index értékeinek eloszlása az egy főre jutó GDP területi eloszlásához viszonyítva, policentrikusabb térszerkezetet rajzol ki. Az egy főre jutó GDP alapján kevésbé fejlett térségekben (például: Kelet-Németország, Észak-Magyarország) is számos hot spot figyelhető meg az életminőség esetében, melyek általában nagyvárosi központokat jeleznek a térben. Szász-Anhalt tartomány nagyvárosai: Dessau-Rosslau, Magdeburg és Halle, és Borsod-Abaúj-Zemplén megye székhelye: Miskolc is hot spot az életminőség esetében. Ennek oka az életminőség index komplex jellegéből fakad, a különböző alindexekben eltérő a legjobban teljesítő térségek listája. A két indikátor esetében számos alkalommal azonos területeken igazolható az értékek térbeli koncentrációja, a térségekben a gazdasági fejlettség mellé kedvező társadalmi és infrastrukturális helyzet párosul (Ruhr-vidék egy része, Dél-Bajorország, Északkelet-Baden-Württemberg, Hamburg, Bréma és Braunschweig Németországban és Budapest-Miskolc, Budapest-Győr, Budapest-Szeged, Budapest-Keszthely és Budapest-Pécs tengely Magyarországon). A társadalmi és infrastrukturális indikátorokban bekövetkező növekedés üteme a két gazdaságban jelentősen elmarad a GDP dinamikájától. Megyei/körzeti szinten mindkét gazdaságban az életminőség szigma divergenciája figyelhető meg. A vizsgált időszak elején (2001) alacsonyabb fejlettségi szintről induló megyék alacsonyabb növekedési rátával rendelkeztek, mint a kezdetben fejlettebbek. Az alacsonyabb területi szinteken a társadalmi, és infrastrukturális faktorok esetében a centrum-periféria relációk élesebbek, így az életminőség konvergenciája még várat magára. Az egyenlőtlenségi indexek a német gazdaság egésze, ill. Szász-Anhalt tartomány esetében, NUTS3-as szinten a területi diszparitások csökkenését igazolják az egy főre jutó GDP 126
esetében. Az életminőség indikátorában ezzel ellentétben a körzetek szintjén divergencia igazolható. A magyar gazdaság és az Észak-magyarországi régió esetében az egy főre jutó GDP növekvő diszparitásokra utal, a megyei életminőség indexéhez hasonlóan. Dolgozatom következő fejezetében a területi autokorreláció, és a térbeli egymásra hatások jelenségével foglalkoztam, mely napjainkban az érdeklődés középpontjába került. Ezért disszertációmban kiemelt figyelmet fodítottam a témára. A GDP és életminőség területi autokorrelációját a két országban minden esetben többféle szomszédsági mátrix felhasználásával elemeztem, hogy növelni tudjam eredményeim megbízhatóságát. Megállapítottam, hogy 2011-ben a német körzetek esetében a GDP és az életminőség vonatkozásában is gyenge, pozitív területi autokorreláció bizonyítható. Az egy főre jutó GDPben a Local Moran I számítások megerősítik a kelet-nyugati differenciákat. A kirajzolódó klaszterek igazolják, hogy az egybefüggő döntően fejlett területek a nyugati, míg a kevésbé fejlett térségek legnagyobb arányban a keleti országrészben találhatók. A „High-low” klaszter területei főként városrégiókra összpontosulnak. Szász-Anhalt tartomány egyes körzetei a GDP alapján a low-low klaszterbe sorolhatók. Az életminőség szempontjából szintén gyenge, pozitív irányú területi autokorreláció fennállása igazolható. A high-high klaszter térségei Észak-Rajna-Vesztfália tartomány, északkelet Rajna-vidék-Pfalz, nyugat Baden-Württemberg tartomány területén, München és Berlin környékén értelmezhetők. A low-low klaszter Északkelet-Bajorország, ill. Türingia, Szászország, és Szász-Anhalt környékére tehető. A magyar LAU1-es térségek az egy főre jutó adóköteles jövedelmek vonatkozásában közepesen erős, pozitív autokorrelációt mutattak, esetükben a szomszédsági hatások erősebbek a német gazdaságnál. A high-high klaszterbe tartozó területeket legnagyobb részben a Közép-magyarországi régió (Budapest, Pest megye) és a Közép-dunántúli régió területén találjuk. A low-low klaszterbe sorolható Borsod-Abaúj-Zemplén megyéből az Encsi, a Sátoraljaújhelyi és a Sárospataki kistérség. Az életminőség tekintetében a magyar kistérségek esetében szignifikáns, azonban gyenge pozitív irányú területi autokorreláció áll fenn. A jövedelemhez hasonlóan a high-high klaszterbe sorolható Pest, Komárom-Esztergom megye, Fejér megye legtöbb kistérsége és a főváros, míg a low-low klaszterbe Borsod-AbaújZemplén, Szabolcs-Szatmár-Bereg és Hajdú-Bihar megye kistérségei, valamint Baranya megye néhány kistérsége. A low-high klaszter értékei a high-high klaszter perifériáján, míg a high-low klaszter elemei a low-low klaszter perifériáján helyezkednek el. A szomszédsági hatások, és a mutatószámok térbeli eloszlása alapján kialakuló mintázatok tehát alátámasztják Szász-Anhalt tartomány és Borsod-Abaúj-Zemplén megye periférikus helyzetét. Disszertációmban elvégeztem az életminőség hatásarány elemzését, mely alapján elmondható, hogy a regionális és megyei életminőség index esetében a német és magyar gazdaságban a területi elhelyezkedésből fakadó hatások erőteljesebbek, az életminőség komponenseiben fennálló differenciák csak 10%-ban (magyar és német is) befolyásolják az index értékeinek eloszlását. A konvergencia folyamatok vizsgálatakor igazolást kapott, hogy Németországban és SzászAnhalt tartományban a GDP esetében 2000-2011 között szigma és béta konvergencia valósult meg, míg Magyarország és az Észak-magyarországi régió esetében az eredmények divergenciát bizonyítanak. Az életminőség vonatkozásában regionális szinten mindkét gazdaságban szigma és béta konvergencia ment végbe 2001-2011 között, megyei szinten pedig valamennyi területen szigma divergencia és béta konvergencia folyamatok igazolhatók (kivéve Észak-Magyarország). A gamma konvergencia vizsgálatok mindkét ország megyei szintű GDP-je és regionális életminőség indexe esetében konvergenciát jeleznek. A klub konvergencia jelensége megfigyelhető a magyar és a német gazdaság esetében is a regionális és megyei GDP és a regionális életminőség vonatkozásában. A hasonló értékekkel és növekedési ütemmel rendelkező területi egységek azonos csoportokat alkotnak. 127
Kutatásom során kitértem a GDP, ill. kistérségi jövedelem befolyásoló tényezőinek elemzésére, melynek során regressziós vizsgálatot, és faktoranalízist végeztem. A területi hatásokat ebben az esetben is fontosnak tartottam, ezért területi regressziós elemzéseket is végeztem. Megállapítottam, hogy az egy főre jutó kistérségi adóköteles jövedelemre, ill. GDP-re ható tényezők a magyar, és német gazdaság esetében is komplexek, csupán többtényezős faktorok segítségével meghatározhatók. Mindkét gazdaságban szignifikáns faktor a turizmus, a gazdasági és infrastrukturális környezet (főként a nagyvállalatok szerepén keresztül pozitív hatás a GDP-re), és a migráció. A magyar esetben kapcsolat mutatható ki az életkörülmények és természetes szaporodás faktorokkal (mindkettő pozitív hatással), míg a német GDP esetében az életszínvonal és a kreatív kis és középvállalkozások fejtenek ki további szignifikáns pozitív hatást. A magyar kistérségi jövedelem eloszlásában szignifikáns szerep jut a szomszédsági hatásoknak, a térben késleltetett hibatagot tartalmazó modell az OLS regressziónál jobban képes magyarázni a kistérségi jövedelmek eloszlását. Disszertációmban külön fejezetet szenteltem a két ország konvergencia elérése érdekében tett intézkedéseire, a regionális politikai célokra és forrásokra. Fontosnak tartottam a periférikus térségek felzárkóztatása érdekében alkalmazott források elemzését. A kutatás jövőbeli iránya lehet: − útelemzés a jövedelmek befolyásoló tényezőire vonatkozóan, − térben kiterjesztett konvergencia tesztelése, − a két ország más periférikus térségeinek vizsgálata, az általánosíthatóság miatt, − Strukturális Alapok támogatás felhasználásának elemzése, − fiskális föderalizmus, centralizáció és decentralizáció előnyeinek, hátrányainak és hatásainak részletesebb vizsgálata.
128
7. Summary My main research field was the convergence analysis and catch up process of the peripheral regions on the example of two regions from CEE (Central and Eastern Europe). I have examined the process of the economic convergence in Germany and Hungary with special regards on Saxony-Anhalt province and Borsod-Abaúj-Zemplén County. The aim of my research was to analyse the catch up process of the peripheries in two countries with different initial conditions (economic potential, EU founds). I have analysed two main factors, the territorial GDP and the life quality indicator. In the theoretical chapter I have examined the growth models of regional economics and also the development of the convergence theory. I have looked at the theories beginning from the classical political economics, through the exogenous and endogenous growth models, to the Keynesian and new economic geography theories to see the development of convergence or divergence definitions. I have examined the different convergence approaches (sigma, conditional and absolute beta), with special regards on club-convergence. In my dissertation I have dedicated a methodological chapter to the theories of the applied methods. I have discussed the appearance of the life quality indicator in the literature, and I have also examined the theoretical background of the territorial inequality indices, the spatial autocorrelation, the shift-share analysis, convergence analysis and also the linear and spatial regression. First I have made the dynamic analysis of the German and Hungarian economy’s GDP and life quality index, examining also the inequality indices. I have supposed that in the case of the two country not only the macroeconomic growth and development paths are different, but also their mezo-economic paths. I have made a statement that in 2011 in the Hungarian (LAU1) and German (NUTS3) economy there is a more polycentric space according the values of the own calculated life quality indicator (social and infrastructural factors) than according the GDP. In the according the GDP relatively underdeveloped regions (EasternGermany, Northern-Hungary) there are also some hot spots according the life quality index. These are mostly city regions. The big cities of Saxony-Anhalt: Dessau-Rosslau, Magdeburg, Halle and the county town of Borsod-Abaúj-Zemplén: Miskolc is also hot spot according their life quality. The reason for it can be found in the complex character of the life quality index. There are also some common hot spots of the two indicators, where not only the economic but the social-infrastructural situation is positive. These are for example part of the Ruhr area, South-Bavaria, Northeastern Baden-Württemberg, Hamburg, Bremen, Braunschweig in Germany, and the micro regions of the Budapest-Miskolc, Budapest-Győr, Budapest-Szeged, Budapest-Keszthely and Budapest-Pécs axis in Hungary. The growth rate of the life quality index (form 2001 to 2011) was in both countries relatively lower than the GDP growth in that time period. At county or district level in both countries the divergence of the life quality index is observable. The initially (2001) relatively underdeveloped counties could reach lower growth rates than the initially more developed. At lower territorial levels the centre-periphery relations are sharper so the convergence is not fulfilled yet. The territorial inequality indices show for Germany, and also for Saxony-Anhalt signs of the convergence in the case of the GDP (NUTS3). But in the life quality indicator at the level of the districts there is provable sigma divergence. In the case of Hungary and NorthernHungary the territorial disparities are growing according the GDP and also the life quality. In the next chapter of my dissertation I have examined the existence of spatial autocorrelation and spatial effects. I have analysed the spatial autocorrelation of the GDP and the life quality always with various neighbourhood matrix in the countries to increase the reliability of my results. I have made a statement that in 2011 in the case of the German NUTS3 districts there 129
is provable weak, positive spatial autocorrelation of the GDP. The Local Moran I calculations of the GDP has strengthened the eastern-western differences. The Local Moran clusters underlie that the homogenous most developed territories can be found in the western part of the country and the relatively underdeveloped ones mostly in the eastern. The members of the High-High cluster are mostly city regions. Some districts of Saxony-Anhalt belong to the Low-Low cluster according the GDP. The life quality index analysis also has showed weak, positive spatial autocorrelation across the German districts. The members of the High-High cluster can be found in Northrhein-Westfalen Bundesland, in Northeastern Rheinland-Pfalz, in Western Baden-Württemberg, and in München and Berlin. The Low-Low cluster can be identified in Northeastern-Bavaria, Thüringen, Saxony and Saxony-Anhalt. The Hungarian LAU1 micro regions have showed significant positive, medium strong spatial autocorrelation in the case of territorial income. The members of High-High cluster can be found mostly in Central-Hungary (Budapest and Pest County) and in Central-Transdanubia. From Borsod-Abaúj-Zemplén County the micro regions of Encs, Sátoraljaújhely and Sárospatak belong to the Low-Low cluster. In the case of life quality there is observable a weak, positive spatial autocorrelation. Similar to the income the most developed territories are there in Budapest and Pest, Komárom-Esztergom, Fejér counties, while the underdeveloped ones can be found in the territory of Borsod-Abaúj-Zemplén, Szabolcs-Szatmár-Bereg, Hajdú-Bihar and Baranya counties. The members of the low-high cluster can be found in the peripheries of the high-high cluster, while the high-low cluster members are grouping in the peripheries of the low-low cluster. The patterns of the spatial autocorrelation have proved the peripheral situation of Saxony-Anhalt and Borsod-Abaúj-Zemplén County. In my dissertation I also made the shift-share analysis of the life quality index. I could make a statement that in both countries at regional and county level the spatial effects are stronger than the effects of the structural components (life quality components). The structural effects are only in the 10% (Hungarian and German also) of the cases the most significant ones. The analysis of the convergence has underlined that in Germany and Saxony-Anhalt the sigma and beta convergence of the GDP was realized between 2001 and 2011. Instead of this in Hungary and the Northern Hungarian region the results show signs of divergence. In the case of the life quality at regional level the sigma and beta convergence was realized in both of the countries, but at county/district divergence was more important. The processes of gamma convergence have showed convergence in both economies for the GDP and the life quality. Also the club convergence can be observable in both countries. In my research I have also examined the influential factors of the GDP and territorial income applying regression method and factor analysis. I supposed that the spatial effects can be also important so I have checked the existence of spatial regression models. I have made a statement that the influential factors are in both economies complex. In both economies the tourism, the economic and infrastructural environment (positive effect), and the migration is significant influential factor. In the case of the Hungarian territorial income also the living conditions and natural reproduction factors (both positive effects) are significant. In the case of German GDP the living standard and the creative SMEs also have significant positive effect. In Hungary the validity of spatial regression can be proved, the spatial error model has compared with the OLS greater explaining power. The future directions of my analysis can be: − path analysis of the income's influential factors, − testing spatial convergence models, − analysis of other peripheral regions of the countries, to generalate results, − analysing the use of the Structural Founds, − analysis of benefits, handicaps and effects of fiscal federalism, centralization and decentralization. 130
8. Irodalomjegyzék 1. 2. 3.
4. 5. 6. 7. 8. 9. 10.
11. 12. 13.
14.
15. 16. 17. 18.
19. 20.
21. 22. 23.
1299/2011. (IX. 1.) Korm. határozat a járások kialakításáról 1996. évi XXI. törvény a területfejlesztésről és a területrendezésről Az Országgyűlés 35/1998. (III.20.) számú OGY. határozatával elfogadott Országos Területfejlesztési Koncepció Felülvizsgálata (2005), Magyarország Kormánya, 170 p. Aghion P. & Howitt P. W. (1998): Endogenous Growth Theory MIT Press, 708 p. Akhmetov D. (2009): Regional Disparities in the European Union; Essay for the Advanced Economics of European Integration – Microeconomic Aspects. Alesina A. & Perotti R. (1996): Income distribution, political instability, and investment European Economic Review, Vol. 40 (I), pp. 1203- 1228. Anselin L. (1995): Local Indicators of Spatial Association – LISA; Geographical Analysis, Vol. 27 (2), pp. 93-125. Anselin L. (2001): Spatial Econometrics, pp. 310-330. in Baltagi B. H. (ed.): A companion to theoretical econometrics, Blackwell Publishing Ltd. Anselin L. (2005): Exploring Spatial Data with GeoDaTM: A Workbook Center for Spatially Integrated Social Science, University of Illinois, 226 p. Anselin L. & Bera A. K. (1998): Spatial dependence in Linear Regression Models with an Introduction to Spatial Econometrics Statistics textbooks and monographs, Vol. 155., pp. 237-290. APEH (2006): TOP100. Az APEH elemzése a régió gazdaságáról; Budapest, 60. p. APEH (2008): TOP100. Az APEH elemzése a régió gazdaságáról; Budapest, 80. p. Arbeitsstab Angelegenheiten der Neuen Bundesländer (2010): Jahresbericht der Bundesregierung zum Stand der Deutschen Einheit 2010.; Bundesministerium des Innern Studie, 272 p. Arbia G., Dominici L. & Piras G. (2009): Regional Growth and Regional Inequality in Europe: A Spatial Econometric Approach; European Commission, Seville, Spain. 28 p. Artner A. (2009): Új regionalizmus, mint válságmenedzselő stratégia? Tér és Társadalom, Vol. 23 (4), pp. 83-102. Attia N. & Bérenger V. (2009): European Integration and Social Convergence: A Qualitative Appraisal; Panoeconomicus, Vol. 56 (1), pp. 3-19. Bába I. (1994): Irányváltás a magyar külpolitikában 1990-1994. Windsor Klub Füzetek 2., 6 p. Bakos N., Hidas Zs. & Kezán A. (2011): Területi különbségek Magyarországon, A főbb társadalmi és gazdasági folyamatok az ezredforduló után Területi Statisztika, Vol. 1 (51), Nr. 4., pp. 335-357. Barro R. J. (1991): Economic Growth in a Cross Section of Countries The Quarterly Journal of Economics, MIT Press, Vol. 106 (2), pp. 407-43. Barro R. J. & Sala-i-Martin X. (1990): Economic Growth and Convergence across the United States Working Paper Series of the National Bureau of Economic Research, 3419, New York. 61 p. Barro R. J. & Sala-i-Martin X. (1991): Convergence Across States and Regions Brookings Paperson Economic Activity, Nr. 1., pp. 107–158. Barro R. J. & Sala-i-Martin X. (1992): Convergence Journal of Political Economy, Vol. 100 (2), pp. 223- 251. Barro R. J. & Sala-i-Martin X. (1997) Technological diffusion, convergence, and growth Journal of Economic Growth, Vol. 2 (1), pp. 1–26. 131
24. Barro R. J. & Sala-i-Martin X. (2004): Economic Growth 2nd ed., Cambridge: MIT Press. 654 p. 25. Baumol W. J. (1986): Productivity Growth, Convergence, and Welfare: What the Long-run Data Show American Economic Review, American Economic Association, Vol. 76 (5), pp. 1072-85. 26. Baumol W. J. & Wolff E. N. (1988): Productivity Growth, Convergence, and Welfare: Reply, American Economic Review, American Economic Association, Vol. 78 (5), pp. 1155-59. 27. Baumol W. J., Nelson R. R. & Wolff E. N. (1994): Convergence of Productivity, New York: Oxford University Press. 360 p. 28. Begović B. (2006): Economic inequality and corruption Third World Bank conference on inequality,” Inequality, Politics and Power”, Washington: The World Bank. 32 p. 29. Benedek J. (2006): Területfejlesztés és regionális fejlődés Egyetemi Kiadó, Kolozsvár. 299 p. 30. Benedek J. & Kocziszky Gy. (2013): Bevezetés a regionális politikába Miskolci Egyetemi Kiadó, Miskolc. 205 p. 31. Benedek J. & Kocziszky Gy. (2014): Paths of economic and social convergence and polarization in the Visegrad-countries – manuscript (kézirat) 32. Benedek J. & Kocziszky Gy. (2015): Paths of Convergence and Polarization in the Visegrad-countries, pp. 217-235.; in: Lang Th., Henn S., Sgibner W. & Ehrlich K. (ed.): Understanding Geographies of Polarization and Peripheralization – Perspectives from Central and Eastern Europe and Beyond; Palgrave MacMillan, 352 p. 33. Benedek J. & Kurkó I. (2011): Evolution and Characteristics of Territorial Economic Disparities in Romania Theory Methodology and Practice, Vol. 7 (1), pp. 5-15. 34. Benkő P. (2009): Regionális hagyományok a magyar történelemben Tér és Társadalom, Vol. XXIII. (2), pp. 87-169. 35. Bhattacharjee A. & Jensen-Butler Ch. (2013): Estimation of the spatial weights matrix under structural constraints Regional Science and Urban Economics, Vol. 43 (4), pp. 617–634. 36. Bivand R. & Brunstad R. (2005): Regional growth in Western Europe: detecting spatial misspecification using the R environment Papers in Regional Science, Blackwell Publishing, Vol. 85 (2), pp. 277-297. 37. Blahó A. & Kutasi G. (2010): Erőközpontok és régiók a 21. század világgazdaságában, Akadémiai Kiadó, Budapest. 472 p. 38. Blum U., Ludwig U., Lang C. & Marek Ph. (2011): Wirtschaftlicher Stand und Perspektiven für Ostdeutschland, Bundesministeriums des Innern Studie, 164 p. 39. Borger K. & Müller M. (2014): In der Normalität angekommen – Deutschland 25 Jahre nach dem Mauerfall; KFW ECONOMIC RESEARCH: Nr. 73, 6 p. 40. Boudeville J. R. (1966): Problems of Regional Economic Planning Edinburgh: Edinburgh University Press. 192 p. 41. Bouget D. (2009): Trends of Social Welfare Systems: From Convergence to Attractiveness. An Exploratory Approach; Working Papers on the Reconciliation of Work and Welfare in Europe; REC-WP 13., 44 p. 42. Boyle G.E. & McCarthy T.G. (1997): Simple measures of convergence in per capita GDP: a note on some futrther international evidence Applied Economic Letters, Vol. 6 (6), pp. 343-347. 43. Braun G., Güra T., Henn S., Lang Th., Schürmann C., Voß K. & Warszycki P. (2013): Atlas der Industrialisierung der Neuen Bundesländer; Rostock, Erstellung im 132
44.
45.
46. 47.
48. 49. 50. 51.
52.
53.
54. 55. 56.
57. 58.
59.
60. 61. 62.
Auftrag der Bundesbeauftragten der Bundesregierung für die neuen Bundesländer; 174 p. Brück T. & Peters H. (2009): 20 Years of German Unification: Evidence on Income Convergence and Heterogeneity IZA (Institute for the Study of Labor) Discussion Paper, Nr. 4454.; 23 p. Bruder E., Kulcsár L. & Obádovics Cs. (2011): A gazdasági és szociális helyzet területi egyenlőtlenségei a vidéki Magyarországon, hasonlóságok és eltérések. pp. 141-155. In: Bódi F. & Fábián G. (Szerk.): Helyi Szociális ellátórendszer Magyarországon. Debrecen: Debreceni Egyetemi Kiadó Brüggemeier F. J. (1998): Mittendrin. Sachsen-Anhalt in der Geschichte. Dessau, Anhaltische Verlagsgesellschaft mbH, 54 p. Bujdosó Z., Molnár E., Patkós Cs., Pénzes J. & Radics Zs. (2012): Hajdú-Bihar megye területfejlesztési koncepcióját megalapozó feltáró-értékelő vizsgálat, Debrecen, 138 p. Bundesregierung (1993): Die Vereinbarung über den Solidarpakt Archiv der Gegenwart, pp. 48032-36. Bundesregierung (2014): Ostdeutschland 2020 - Gemeinsames Handlungskonzept der Bundesregierung und der ostdeutschen Länder, Berlin, 8 p. Busch U. (2002): Am Tropf. Die ostdeutsche Transfergesellschaft Trafo Verlag, 414 p. Busch U. (2013): Perspektiven für die Angleichung der Lebensverhältnisse in Ost und West- aus wirtschaftswissenschaftlicher Sicht; Leibniz‐Sozietät der Wissenschaften zu Berlin e.V., Berlin - előadásanyag. Busch U., Kühn W. & Steinitz K. (2007): Entwicklung und Schrumpfung in Ostdeutschland, Aktuelle Probleme im 20. Jahr der Einheit, VSA: Verlag Hamburg, 204 p. Caminada K., Goudswaard K. & Vliet O. (2008): Patterns of welfare state indicators in the EU: Is there convergence? Department of Economics, Leiden University, Munich Personal RePEc Archive, 27 p. Capello R. (2007): Regional economics Routledge, Taylor and Francis group, 322 p. Capello R. (2011): Location, Regional Growth and Local Development Theories AESTIMUM (Firenze University Press), Vol. 58, pp. 1-25. Cingano F. (2014): Trends in Income Inequality and its Impact on Economic Growth OECD Social, Employment and Migration Working Papers, No. 163, OECD Publishing, 65 p. Cliff A. D. & Ord J. K. (1973): Spatial autocorrelation, monographs in spatial environmental systems analysis. London: Pion Limited, 178 p. Cysne R. P. (2004): On the Positive Correlation between Income Inequality and Unemployment Getulio Vargas Foundation (FGV) - FGV/EPGE Escola Brasileira de Economia e Finanças, 18 p. Csite A. & Németh N. (2007): Az életminőség területi differenciái Magyarországon: a kistérségi szintű HDI becslési lehetőségei, Budapesti Munkagazdaságtani Füzetek, Budapesti Corvinus Egyetem, Budapest, 69 p. Csüllög G. (2001): Magyarország történeti térszerkezete és hatása a mai téralakításra Földrajzi Konferencia, Szeged, 21 p. Dalgaard C. J. & Hansen J. W. (2004): Capital utilization and the foundations of club convergence Economics Letters, Vol. 87 (2), pp. 145-152. Davies S. & Hallet M. (2002): Interactions between National and Regional Development Hamburgisches Welt-Wirtschafts-Archiv, Discussion Paper, Nr. 207.; 30 p. 133
63. Dedák I. (2000): A gazdasági felzárkózás növekedéselméleti összefüggései, Közgazdasági Szemle, Budapest, Vol. XLVII., pp. 411–430. 64. Dedák I. (2003): A gazdasági felzárkózás néhány növekedéselméleti tanulsága Botos Katalin (szerk.): Pénzügypolitika az ezredfordulón, JATEPress, Szeged, pp. 47-57. 65. Dedák I. & Dombi Á. (2009): Konvergencia és növekedési ütem Közgazdasági Szemle, Budapest, Vol. LVI., pp. 19–45. 66. Deutsche Bank Research (2002): Konvergenz schreitet weiter voran; Monitor EU Erweiterung Nr. 9. Working Paper, Frankfurt am Main, pp. 13-20. 67. Deutsche Bank Research (2013): Stillstand der Lohnkonvergenz zwischen Ost- und Westdeutschland seit Anfang der 2000er Jahre; Working Paper, 23 p. 68. Dietmar M. (1995): Az új növekedéselmélet Közgazdasági Szemle, Budapest, Vol. XLII. (4), pp. 387-398. 69. Ding S. & Knight J. (2008): Can the augmented Solow model explain China’s economic growth? A cross-country panel data analysis University of Oxford, Department of Economics, Discussion Paper Nr. 380; 52 p. 70. Domar E. D. (1946): Capital Expansion, Rate of Growth, and Employment Econometrica, Vol. 14 (2), pp. 137-147. 71. Domnitz C. (2000): Konvergenz und Divergenz im europäischen Integrationsprozess, Essays zur ökonomischen Integration in Europa, Freie Universität Berlin, előadásanyag 72. Dorgai L. (2010): Vidék- és területfejlesztés 4., A regionális politika és eszközrendszere Nyugat-Magyarországi Egyetem, 28 p. 73. Dowrick S. J. & DeLong B. (2003): Globalisation and Convergence. National Bureau of Economic Research, University of Chicago Press, pp. 191-226; in Bordo M. D., Taylor A. M. & Williamson J. G. (ed.): Globalization in Historical Perspective. 74. Durlauf S. N. & Johnson P. A. (1995): Multiple Regimes and Cross-Country Growth Behaviour Journal of Applied Econometrics, Vol. 10 (4), pp. 365-384. 75. Dusek T. (2004a): A területi elemzések alapjai Regionális tudományi tanulmányok 10., ELTE Regionális Földrajzi Tanszék, MTA-ELTE Regionális Tudományi Kutatócsoport, Budapest, 245 p. 76. Dusek T. (2004b): Területi jövedelmi folyamatok Magyarországon In: Magyar Földrajzi Konferencia, 2004, Szeged CD kiadványa, 21 p. 77. Dusek T. (2005): Térbeli egymásrahatások, szociálfizikai modellek. – In: Regionális elemzési módszerek. Regionális Tudományi tanulmányok 11. (szerk. Nemes Nagy J.), ELTE Regionális Földrajzi Tanszék – MTA-ELTE Regionális Tudományi Kutatócsoport, Budapest. pp. 237-245. 78. Dusek T. (2006): Regional income differences in Hungary – a multi-level spatiotemporal analysis 46th Congress of the European Regional Science Association, Volos, Greece, 21 p. 79. Dusek T. (2013): Tér és közgazdaságtan L’Harmattan Kft., Budapest, 206 p. 80. Dusek T. & Kiss J. P. (2008): A regionális GDP értelmezésének és használatának problémái Területi Statisztika, 2008/3, pp. 264-280. 81. Eckey H. F. & Türck M. (2007): Convergence of EU-Regions. A Literature Report Investigaciones Regionales, Nr. 10., pp. 5-32. 82. Eggert R. (2004): Aufbau Ost – ist der Osten das Fieberthermometer für den kranken Westen? Wirtschaftsdienst, Hamburg, Vol. 10., pp. 615-624. 83. Eigner F. (2008): Erklärung von Konvergenz und Einkommensdifferenzen mit Hilfe endogener Wachstumsmodelle; Universität Wien, Szakdolgozat, 75 p.
134
84. Einig K. & Jonas A. (2009): Ungleichwertige Lebensverhältnisse in Deutschland Europa Regional, Vol. 17 (3); pp. 130–146. 85. Fábián Zs. (2011): The role of neighbourhood in the regional distribution of Europe; Regional Statistics; Nr.1., pp. 122-134. 86. Faluvégi A. (2012): A járások rendszere és a kistérségi beosztás Területi Statisztika, Vol. 15 (5), pp. 421-436. 87. Farkas M. B. (2012): A korrigált humán fejlettségi mutató kistérségek közötti differenciáltsága Magyarországon Területi Statisztika, Vol. 15 (3), pp. 230–249. 88. Ferkelt B. (2005): Konvergencia az eurozónában a közös pénz bevezetése előtt és után, EU working papers, Nr. 4, pp. 3–15. 89. Ferkelt B. & Gáspár A. (2008): Konvergencia-vizsgálatok az Európai Unióban, EU Working Papers, Nr. 1, pp. 35–44. 90. Flegg A. T. (1982): Inequality of income, illiteracy and medical care as determinants of infant mortality in underdeveloped countries Population studies, Vol. 36 (3), pp. 441-458. 91. Friedmann J. (1966): Regional Development Policy: A Case Study of Venezuela; Cambridge, Massachussetts, MIT Press, 279 p. 92. Fujita M. & Krugman P. (2004): The New Economic Geography. Past, Present and the Future Papers in Regional Science, Nr. 83., pp. 139-164. 93. Fujita M. & Thisse J.-F. (2002): Economics of Agglomeration, Cambridge: Univ. Press, 460 p. 94. Galbraith J. K. (2012): Inequality and Instability: A Study of the World Economy Just Before the Great Crisis Oxford University Press, 336 p. 95. Galor O. (1996): Convergence? Inferences from Theoretical Models The Economic Journal, Vol. 106 (437), pp. 1056-1069. 96. Gerkman L. (2010): Topics in Spatial Econometrics Economics and Society Publications of the Hanken School of Economics, Nr. 219, 128 p. 97. Gerkman L. & Ahlgren N. (2011): Practical Proposals for Specifying k-Nearest Neighbours Weights Matrices Hanken School of Economics, Working Papers 555.; 29 p. 98. Gesetz über den Finanzausgleich zwischen Bund und Ländern (Finanzausgleichsgesetz - FAG), 2001. 99. Giannias D., Liargovas P. & Manolas G. (1999): Quality of Life Indices for Analysing Convergence in the European Union Regional Studies, Vol. 33 (1); pp. 2735. 100. Grossmann V. & Steger T. (2013): Konvergieren die Einkommen zwischen Ost und Westdeutschland? Das deutsch-deutsche Experiment aus wachstumsökonomischer Sicht; ifo Dresden-Working Paper; pp. 29-32. 101. Gupta S., Hamid D. & Alonso-Terme R. (2002): Does corruption affect income inequality and poverty? Economics of governance, Vol. 3 (1), pp. 23-45. 102. Hadjimichalis C. & Hudson R. (2014): Contemporary Crisis Across Europe and the Crisis of Regional Development Theories Regional Studies, Vol. 48 (1), pp. 208-218. 103. Hagen J., Strauch R. R. & Wolff G. B. (2002): East Germany: Transition with Unification, Experiments and Experiences, Zentrum für Europäische Integrationsforschung, Rheinische Friedrich-Wilhelms-Universität Bonn, 43 p. 104. Hahn Cs. (2004): A térségi fejlődést befolyásoló tényezők Magyarországon Területi Statisztika, Nr. 6., pp. 544-563. 105. Hajdú Z. (2001): Magyarország közigazgatási földrajza Dialóg Campus Kiadó, Budapest, 334 p.
135
106. Hajdú Z. (2004): A közigazgatási régió történeti, funkcionális összefüggései és alakváltozásai Magyarországon Magyar Tudomány, Vol. 110 (49), pp. 942-951. 107. Hansen N. M. (1975): An Evaluation of Growth-Centre Theory and Practice Environment and Planning, Nr. 7., pp. 821-832. 108. Harald U. (2008): The slow decline of East Germany Journal of Comparative Economics, Vol. 36, pp. 517–541. 109. Harris R. & Kravtsova V. (2009): In Search of ’W’ SERC Discussion Paper 17., 25 p. 110. Harrod R. F. (1939): An Essay in Dynamic Theory The Economic Journal, Vol. 49 (193), pp. 14-33. 111. Harsányi E., Harsányi G. & Nagy A. J. (2005): Területi fejlettségi különbségek Magyarországon és az Észak-Alföldi Régióban; AGRÁRTUDOMÁNYI KÖZLEMÉNYEK, 2005/18.; pp. 62-71. 112. Heilemann U. (2005): Ostdeutschland – ein „Mezzogiorno-Fall“? Wirtschaftsdienst, Hamburg, Nr. 8., pp. 505-512. 113. Heilemann U. (2007): Der Traum vom Aufbau Ost: Ökonomie als Triebfeder der Einheit?, Illusionen, Irrtümer oder Fehler? Ein kurzer Blick zurück auf die Deutsche Einigung Wirtschaftsdienst, Hamburg, Nr. 5., pp. 279-301. 114. Heineck G. & Süssmuth B. (2010): A Different Look at Lenin’s Legacy: Trust, Risk, Fairness and Cooperativeness in the two Germanies, CESifo Working Paper No. 3199., 45 p. 115. Hirschman A. (1965): The Strategy of Economic Development New Haven, Yale University, 230 p. 116. Horváth Gy. (2009): Cohesion Deficiencies in Eastern and Central Europe – Inequalities of Regional Research Area; Centre for Regional Studies of Hungarian Academy of Sciences, Discussion Papers, Nr. 72, Pécs, 45 p. 117. Horváth Gy. (2013): A német Mezzogiorno? A keletnémet regionális fejlődés az újraegyesítés után Területi Statisztika, Vol. 53 (5), pp. 492–514. 118. Hülskamp N. (2007): Blühende Landschaften oder leere Einöde? – Demografische Probleme in den neuen Bundesländern Wirtschaftsdienst, Vol. 87 (5), pp. 296-301. 119. Hyun Song Lee (2003): Objective Quality of Life in Korea and the OECD Countries Social Indicators Research Vol. 62 (1); pp. 481–508. 120. IMF (Berg A. G. & Ostry J. D.) (2011): Inequality and Unsustainable Growth: Two Sides of the Same Coin? IMF Research Department, 21 p. 121. Jákli Z. (1990): Vom Marshallplan zum Kohlepfennig: Grundrisse der Subventionspolitik in der Bundesrepublik Deutschland 1948-1982 VS Verlag für Sozialwissenschaften, 335 p. 122. Jakobi Á. (2011): Examining Neighbourhood Effects in Regional Inequalities of Hungary: A GIS-based approach from topological relations to neighbourhood heterogenity; Romanian Review of Regional Studies, Vol. VII., Nr. 1., pp. 53-62. 123. Jász-Nagykun-Szolnok Megyei Területfejlesztési Koncepció, Megalapozó Tanulmány, 2012. Város Teampannon Kft. 108 p. 124. Karlsson M., Nilsson T., Lyttkens C. H. & Leeson G. (2010): Income inequality and health: Importance of a cross-country perspective Social Science and Medicine, Vol. 70 (6), pp. 875–885. 125. Keefer P. & Knack S. (2002): Polarization, politics and property rights: Links between inequality and growth Public Choice, Vol. 111., pp. 127–154. 126. Kertész K. (2003): Felzárkóznak-e a kevésbé fejlett országok az Európai Unióban…? ICEG Európai Központ, Nr. 5., 12 p.
136
127. Kezán A. (2014): Hátrányos helyzetű térségek és települések lehatárolása; MTABudapest – előadásanyag. 128. Kimbugwe D. B., Banerjee S. B. & Gyawali B. R. (2010): Testing the export-base theory in Alabama: An ongoing case study Southern Agricultural Economics Association Annual Meeting, Orlando – Selected paper, 19 p. 129. Kiss J. P. (2003): A kistérségi GDP analitikus, szektoronkénti becslése Regionális tudományi tanulmányok 8., ELTE Regionális Földrajzi Tanszék, MTA-ELTE Regionális Tudományi Kutatócsoport: Kistérségi Mozaik; pp. 38-59. 130. Kiss J. P. (2007): A területi jövedelemegyenlőtlenségek strukturális tényezői Magyarországon; PhD értekezés, Szegedi Tudományegyetem, Természettudományi Kar, 245 p. 131. Kiss J. P. & Németh N. (2006): Fejlettség és egyenlőtlenségek, Magyarország megyéinek és kistérségeinek esete Budapesti Munkagazdaságtani Füzetek, BWP – 2006/8, 40 p. 132. Kocziszky Gy. (2001): Gondolatok Borsod-Abaúj-Zemplén megye gazdasági helyzetéről az ezredfordulón, pp. 5-9.; in: Kocziszky Gy., Lórántné Orosz E. (szerk): Borsod-Abaúj-Zemplén megye kistérségeinek jelene és jövője az ezredfordulón; Miskolc, 155 p. 133. Kocziszky Gy. (2013): Bevezetés a területi elemzések ökonometriájába; Miskolci Egyetemi Kiadó, 166 p. 134. Kondratieff N. D. (1935): The long waves in economic life The Review of Economic Statistics, Vol. XVII. (6), pp. 105-115. 135. Konegen N. (2012): Wachsende Funktionsschwächen: Finanzausgleich und AufbauOst in Deutschland – Strukturen, Aufgaben und aktueller Reformbedarf; Vorlesung WS 2012/13: Universität Münster. – előadásanyag 136. Kőrösi I. (2005): Magyarország útja az Európai Unióba - a kompország a nyugati parton. In.: A huszonötök Európái. Szerk Kiss J. László. Osiris. Budapest.; 766 p. 137. Kovács G. (1908): A népesedés elmélete Társadalomtudományi és Gazdaságtörténeti Kutatások IV., Debrecen, Hegedűs és Sándor Könyvkiadó, 335 p. 138. Központi Statisztikai Hivatal Miskolci Igazgatósága (2007): Társadalmi Helyzetkép: Életkörülmények Észak-Magyarországon; Miskolc, 97 p. 139. Krugman P. (1991): Increasing Returns and Economic Geography Journal of Political Economy, University of Chicago Press, Vol. 99 (3), pp. 483-499. 140. Krugman P. (1999): The Role of Geography in Development International Regional Science Review, Nr. 22., pp. 142-161. 141. Krugman P. & Venables A. J. (1994): Globalization and the Inequality of Nations, CEPR Discussion Papers 1015, C.E.P.R. Discussion Papers, 25 p. 142. KSH (2010): Helyzetkép Borsod-Abaúj-Zemplén megye társadalmáról és gazdaságáról; Budapest, 19 p. 143. KSH (2012): A gazdasági folyamatok regionális különbségei, Központi Statisztikai Hivatal, 45 p. 144. KSH (2013): A vállalkozások regionális sajátosságai Központi Statisztikai Hivatal, 55 p. 145. KSH (2015): Borsod-Abaúj-Zemplén megye Statisztikai Évkönyve 2014; Budapest, 229 p. 146. Kuttor D. (2008): Regional convergence and divergence in the Visegrad Four countries during the transition period, 7th National and Regional Economics; Herlany, Szlovákia, pp. 480 – 490. 147. Kuttor D. (2009): A gazdasági-politikai átmenet regionális hatásainak vizsgálata a visegrádi országokban 1995-től 2006-ig PhD értekezés, Miskolci Egyetem, 202 p. 137
148. Kuttor D., Nagy Z. & Sebestyénné Szép T. (2014): Világgazdasági régiók a XXI. században – kihívók és vetélytársak Miskolci Egyetemi Kiadó, Miskolc, 172 p. 149. Kuznets S. (1955): Economic growth and income inequality The American Economic Review, Vol. XLV. (1), pp. 1–28. 150. Lammers K. (2004): Problemregion Ostdeutschland – was ist zu tun? Wirtschaftsdienst, Vol. 84 (10), pp. 623-626. 151. Lengyel I. (2003): Verseny és területi fejlődés JATEPress, Szeged, 454 p. 152. Lengyel I. & Rechnitzer J. (2004): Regionális gazdaságtan Dialóg Campus Kiadó, Budapest, 392 p. 153. Liddle B. (2010): Revisiting world energy intensity convergence for regional differences Applied Energy, Vol. 87 (10), pp. 3218-3225. 154. Ligeti Zs. (2002): Gazdasági növekedés és felzárkózás; PhD disszertáció; Budapesti Közgazdaságtudományi és Államigazgatási Egyetem, 167 p. 155. Lopez-Bazo E., Vaya E., Mora A. J. & Surinach J. (1999): Regional economic dynamics and convergence in the European Union Annals of Regional Science, Vol. 33., pp. 343–370. 156. Lóránd B. (2009): Konvergencia és fejlesztéspolitika az Európai Unióban és Magyarországon PhD disszertáció, PTE-GTK, 236 p. 157. Lucas E. R. (1988): On the Mechanics of Economic Development Journal of Monetary Economics, Vol. 22, pp. 3-42. 158. Lukovics M. (2008): Térségek versenyképességének mérése JATEPress, Szeged, 212 p. 159. Magyar Kereskedelmi és Iparkamara, Gazdaság- és Vállalkozáselemzési Intézet (2003): Észak-Magyarország gazdasági helyzete, 1990-2001, Adatok, tendenciák, elemzések; Szerkesztette: Tóth I. J.; Budapest, 156 p. 160. Maier J. & Beck R. (2000): Allgemeine Industriegeographie Gotha, Stuttgart, 295 p. 161. Major K. (2001): A nemzetközi jövedelemegyenlőtlenség dinamikája, PhD disszertáció, Budapest, Corvinus Egyetem, 123 p. 162. Major K. & Tétényi T. (2013): Munkahelyteremtés és foglalkoztatás Közgazdasági Szemle, Vol. LX., pp. 965-991. 163. Malthus T. (1798): An Essay on the Principle of Population, London (Electronic Scholarly Publishing Project, 1998), 134 p. 164. Mankiw N. G., Romer D. & Weil D. N. (1992): A Contribution to the Empirics of Economic Growth The Quarterly Journal of Economics, MIT Press, Vol. 107 (2), pp. 407-437. 165. Marchante A. J. & Ortega B. (2006): Quality of life and economic convergence across Spanish regions, 1980–2001 Regional Studies, Vol. 40 (5); pp. 471-483. 166. Mayer S. E. & Sarin A. (2005): Some mechanisms linking economic inequality and infant mortality Social science & medicine, Vol. 60 (3), pp. 439-455. 167. Meyer D. (1995): Az új növekedéselmélet Közgazdasági Szemle, Vol. XLII. (4), pp. 387-398. 168. Mezei I. (2013): Bevezetés a regionális gazdaságtanba, Térgazdaságtan Tomori Pál Főiskola, Oktatási segédlet, 67 p. 169. Ministerium der Finanzen Sachsen-Anhalt (2013): Fortschrittsbericht „Aufbau Ost” für das Jahr 2013 Magdeburg, 28 p. 170. Moran P. A. P. (1950): Notes on continuous stochastic phenomena Biometrika, Nr. 37., pp. 17-23. 171. Myrdal G. (1957): Economic Theory and Underdeveloped Regions London: University Paperbacks, Methuen, 167 p.
138
172. Nagy A. (2012): A fejlettség, elmaradottság mérése a magyar területfejlesztési politikában, PhD disszertáció, Budapest, 150 p. 173. Nagy G. (2006): A magyar gazdaság területi folyamatainak mérlege: erősödő területi különbségek, vs. regionális kiegyenlítődés In: Kiss A, Mezősi G, Sümeghy Z (szerk.): Táj, környezet és társadalom: ünnepi tanulmányok Keveiné Bárány Ilona professzor asszony tiszteletére. 788 p. Szeged: SZTE Éghajlattani és Tájföldrajzi Tanszék - SZTE Természeti Földrajzi és Geoinformatikai Tanszék; pp. 529-540. 174. Nagy G. & Koós B. (2014): Az objektív jóllét modellezése és első eredményei Magyarországon; In: Nagy E. & Nagy G. (szerk.): Polarizáció - függőség - krízis: Eltérő térbeli válaszok. Békéscsaba: MTA KRTK RKI Alföldi Tudományos Osztály; pp. 176-185. 175. Nagy Z. (2004): Az Észak-magyarországi régió kistérségeinek innovációs potenciál vizsgálata faktoranalízis segítségével In: Barton Gábor, Domány Gábor (szerk.), Doktoranduszok VIII. Országos Konferenciája, Szegedi Tudományegyetem TTK Természeti Földrajzi Tanszék, 6 p. 176. Nagy Z. (2005): Adalékok Észak-Magyarország, Kelet-Szlovákia és BadenWürttemberg régióinak összehasonlító elemzéséhez In: Süli-Zakar I (szerk.): Tájak régiók - települések...: tisztelgés a 75 éves Enyedi György akadémikus előtt. Debrecen, Didakt Kiadó, pp. 103-110. 177. Nagyné Molnár M. (2007): A területi egyenlőtlenségek főbb összefüggései: In: Regionális gazdaságtan. Szerkesztette: Káposzta József, DE Kiadó, Debrecen, pp. 166-205. 178. Nelson R. R. & Wright G. (1992): Rise and Fall of American Technological Leadership Journal of Economic Litriture, Vol. XXX,. December, pp. 1931-1964. 179. Neményi J. & Oblath G. (2012): Az euró hazai bevezetésének újragondolása; MTAMűhelytanulmányok, MT-DP – 2012/14., 132 p. 180. Nemes Nagy J. (1990): Területi egyenlőtlenségek dimenziói Tér és Társadalom, Vol. 4 (2), pp. 15-30. 181. Nemes Nagy J. (2005): Regionális elemzési módszerek, Regionális tudományi tanulmányok 11., ELTE Regionális Földrajzi Tanszék, MTA-ELTE Regionális Tudományi Kutatócsoport, Budapest, 313 p. 182. Nemes Nagy J. (2009): Terek, helyek, régiók Akadémiai Kiadó, Budapest, 356 p. 183. Nemes Nagy J., Jakobi Á. & Németh N. (2001): A jövedelemegyenlőtlenségek térségi és településszerkezeti összetevői Statisztikai Szemle, Vol. 79 (10–11), pp. 863-884. 184. Németh Á., Vercse T. & Dövényi Z. (2014): A fejlettség térbeli egyenlőtlenségei Magyarországon az európai uniós csatlakozás után; Területi Statisztika, 54(4), pp. 308–332. 185. Németh N. & Kiss J. P. (2007): Megyéink és kistérségeink belső jövedelmi tagoltsága; Területi Statisztika, 10(47), pp. 20-45. 186. Nooke M. (2009): Vom Mauerbau zum Mauerfall –Kurze Geschichte der Teilung Stiftung Berliner Mauer, 23 p. 187. North D. (1955): Location theory and regional economic growth Journal of Political Economy, Vol. 63., pp. 243-258. 188. OECD (2012): Education at a Glance 2012: OECD Indicators, OECD Publishing, 570 p. 189. OECD (2013): Reducing income inequality while boosting economic growth: Can it be done? OECD Publishing, 22 p. 190. OECD (2014): How's Life in Your Region? Measuring Regional and Local Wellbeing for Policy Making, OECD online adatbázis. 139
191. Ohr R. & Zeddies G. (2007): Außenhandel als Wachstumsmotor für Ostdeutschland, Wirtschaftsdienst: Wissenschaft für die Praxis, Hamburg, Vol. 9., pp. 622-628. 192. Paelinck J. (1965): La théorie du développement polirisé Economie Régionale. Nr. 159., pp. 203-254. 193. Parr J. B. (1999): Growth-pole Strategies in Regional Economic Planning: A Retrospective View Urban Studies, Vol. 36 (7), pp. 1195-1215. 194. Péli L. (2014): Regionális gazdasági növekedési elméletek, Centrum-periféria viszonyrendszer, Gödöllő - előadásanyag 195. Pénzes J. (2011): Északkelet-Magyarország jövedelmi térszerkezetének változásai a rendszerváltás után Területi Statisztika, Vol. 14 (2), pp. 181-193. 196. Pénzes J. (2012): A területi jövedelemegyenlőtlenségek tendenciái és meghatározó tényezői Magyarország fejlett és elmaradott régióiban VI. Magyar Földrajzi Konferencia, pp. 686-699. 197. Pénzes J. (2012): Changes in the Spatial Income Structure of North-eastern Hungary After the Change of Regime Regional Statistics, Vol. 52 (2), pp. 90-107. 198. Pénzes J. (2013):The dimensions of peripheral areas and their restructuring in Central Europe Hungarian Geographical Bulletin, Vol. 62 (4), pp. 373–386. 199. Pénzes J. (2014): Periférikus térségek lehatárolása – dilemmák és lehetőségek Didakt Kft., Debrecen, 139 p. 200. Perroux F. (1950): Economic space: theory and applications Quarterly Journal of Economics, Vol. 64, pp. 90-97. 201. Porter M. (1990): The competitive advantage of nations New York: Free Press, 875 p. 202. Quah D. T. (1993): Empirical Cross-Section Dynamics in Economic Growth. European Economic Review, Vol. 37, pp. 426-434. 203. Quah D. T. (1995): Empirics for Economic Growth and Convergence LSE Economics Department and Centre for Economic Performance, Discussion Paper, 40 p. 204. Quah D. T. (1996a): Convergence empirics across economies with (some) capital mobility Journal of Economic Growth, Vol. 1 (1), pp. 95–124. 205. Quah D. T. (1996b): Empirics for economic growth and convergence European Economic Review, Vol. 40., pp. 1353–1375. 206. Quah D. T. (1996c): Twin Peaks: Growth and Convergence in Models of Distribution Dynamics Centre for Economic Performance Discussion Paper No. 280., 24 p. 207. Ragnitz J. (2012): Lehren aus dem Solidarpakt II. – Universität Rostock előadásanyag. 208. Ragnitz J. (2015): Wirtschaftliche Entwicklung in Ostdeutschland seit 1991 und Perspektiven für die Zukunft, Vortrag anlässlich der Tagung „25 Jahre ökonomische Transformation“ des Kocheler Kreises, Kochel am See, 10. Januar 2015 – előadásanyag. 209. Ray D. (2004): What’s new in Development Economics? In: Szenberg, M., Ramrattan, L. (ed.): New Frontiers in Economics. Cambridge University Press, pp. 235–258. 210. Rechnitzer J. (2007): Neoklasszikus regionális növekedési modellek Széchenyi István Egyetem, Jog- és Gazdaságtudományi Kar előadásanyag, Budapest - előadásanyag. 211. Richardson H. W. (1980): Polarization reversal in developing countries Papers and Proceedings of the Regional Science Association 45, pp. 67-85. 212. Rivera-Batiz L. & Romer P. (1991): Economic Integration and Endogenous Growth Quarterly Journal of Economics, Nr. 106., pp. 531-555. 140
213. Rodríguez-Pose A. & Tselios V. (2013): Toward Inclusive Growth: Is There Regional Convergence in Social Welfare? International Regional Science Review, Vol. 00 (0), pp. 1-31. SAGE Publications 214. Romer P. M. (1986): Increasing Returns and Long-run Growth Journal of Political Economy, University of Chicago Press, Vol. 94 (5), pp. 1002-37. 215. Romer P. M. (1990): Endogenous Technological Change Journal of Political Economy, Nr. 98., pp. 71-102. 216. Romer P. M. (1994): The Origins of Endogenous Growth Journal of Economic Perspectives, American Economic Association, Vol. 8 (1), pp. 3-22. 217. Rostow W. W. (1960): The Stages of Economic Growth: A Non-Communist Manifesto Cambridge University Press, 272 p. 218. Royuela V. & Artís M. (2006): Convergence analysis in terms of quality of life in the urban systems of the Barcelona province, 1991–2000 Regional Studies, Vol. 40., pp. 485–492. 219. Royuela V. & García G. A. (2010): Economic and Social Convergence in Colombia Research Institute of Applied Economics Working Paper No. 14., 70 p. 220. Royuela V. & García G. A. (2015): Economic and Social Convergence in Colombia Regional Studies, Vol. 49 (2), pp. 219-239. 221. Sachs J. & Warner A. (1995): Economic Convergence and Economic Policies Harvard University, Centre for Social & Economic Research, 30 p. 222. Sajtos L. & Mitev A. (2006): SPSS Kutatási és adatelemzési kézikönyv Alinea Kiadó, Budapest, 404 p. 223. Sala-i-Martin X. (1995): The classical approach to convergence analysis Economics Working Papers 117, Department of Economics and Business, Universitat Pompeu Fabra, 18 p. 224. Samadi A. H. & Farahmandpour B. (2013): The Effect of Income Inequality on Corruption in Selected Countries (1995-2007) Journal of Emerging Issues in Economics, Finance and Banking, Vol. 1 (3), pp. 214-231. 225. Say J-B. (1803): A Treatise on Political Economy C. R. Prinsep, trans. and Clement C. Biddle., ed. 1855. Library of Economics and Liberty, 492 p. 226. Schäfer Dr. A. (2010): Angewandte Probleme der Volkswirtschaftslehre: Entwicklungsökonomik, Übung; Uni Leipzig – előadásanyag. 227. Scheufele R. & Ludwig U. (2009): Der lange Weg der Konvergenz, Wirtschaft im Wandel 10/2009; pp. 400-407. 228. Schmidt H. (1966): Räumliche Wirkung der Investitionen im Industrialisierungsprozess Analyse des regionalen Wirtschaftswachstums, Köln: Westdeutscher Verlag, 343 p. 229. Schroeder K. (2004): Ein Staat – zwei Gesellschaften: Deutschland 14 Jahre nach der Vereinigung Wirtschaftsdienst, Hamburg, Vol. 10., pp. 627-634. 230. Sen A. (1976): Poverty: an Ordinal Approach to Measurement Econometrica, Vol. 44., pp. 219–231. 231. Solow R. M. (1956): A Contribution to the Theory of Economic Growth. Quarterly Journal of Economics, Vol. 70 (1), pp. 65-94. 232. Sprout, R. & Weawer, J. (1992): International Distribution of Income (1960-1987) Kyklos, Vol. 45., pp. 237-258. 233. Stanton E. E. (2007): The Human Development Index: A History Political Economy Research Institute, University of Massachusetts, Working Papers Nr. 127., 37 p. 234. Sturm R. & Schorlemmer I. (2008): Germany, in: Baun M. & Marek D. (eds) EU cohesion policy after enlargement, Basingstoke: Palgrave, pp. 52-72.
141
235. Strothmann L. (2013): Länderfinanzausgleich, Solidaritätszuschlag und Solidarpakt. – Bundestag (parlament) nyilatkozat 236. Suntum U. (2006): Wachstum und Konvergenz, Regionalökonomik presentation, Universität Münster – előadásanyag. 237. Swan T. W. (1956): Economic Growth and Capital Accumulation Economic Review, Vol. 32 (2), pp. 334-361. 238. Szakálné K. I. (2008): Regressziószámítás alkalmazása kistérségi adatokon in: Lengyel I. – Lukovics M. (szerk.): Kérdőjelek a régiók gazdasági fejlődésében, JATEPress, Szeged, pp. 264-287. 239. Szakálné K. I. (2011): A gazdasági aktivitás térbeli eloszlásának vizsgálati lehetőségei Statisztikai Szemle, Vol. 89 (1), pp. 77-100. 240. Szendi D. (2010): A német gazdaság két arca, azaz megvalósult-e az egykori NSZK és NDK tartományainak gazdasági konvergenciája? MSc szakdolgozat, Miskolci Egyetem, Gazdaságtudományi Kar, Világ-és Regionális Gazdaságtan Intézet, 95 p. 241. Szendi D. (2015): A lokális humán fejlettségi index eloszlása és területi autokorrelációja Németország és Magyarország esetében; Területi Statisztika, 55(6), pp. 556-591. 242. Szörfi B. (2004): Gazdasági növekedés és felzárkózás: elméletek és tanulságok, KOPINT-DATORG Műhelytanulmányok, Nr. 41., 25 p. 243. The Economist (1992): Explaining the Mystery. 1992. január. 4. 244. Tobler W. R. (1970): A computer movie simulating urban growth in the Detroit region Economic Geography, Nr. 46, pp. 234–40. 245. Tóth B. I. (2013): Időszerű áttekintés: területi fejlettségi vizsgálatok Magyarországon az ezredforduló után; E-CONOM: Online tudományos folyóirat, Nyugatmagyarországi Egyetem Kiadó, 2013. II/1., pp. 76-89. 246. Tóth G. (2003): Területi autokorrelációs vizsgálat a Local Moran I módszerével Tér és Társadalom, Vol. 27 (4), pp. 39-49. 247. Tóth G. (2013): Bevezetés a területi elemzések módszertanába Miskolci Egyetemi Kiadó, 165 p. 248. Tóth G. (2014): Térinformatika a gyakorlatban közgazdászoknak Miskolci Egyetem, Oktatási segédlet, 107 p. 249. Tóth G. & Nagy Z. (2013): Eltérő vagy azonos fejlődési pályák? A hazai nagyvárosok és térségek összehasonlító vizsgálata Területi Statisztika, Vol. 53 (6), pp. 593–612. 250. Trón Zs. (2009): Az Európai Unió regionális politikájának célja és eredménye, PhD értekezés, Debreceni Egyetem, 245 p. 251. Tüllner M. (2000): Sachsen-Anhalt. Beiträge zur Landesgeschichte, H. 1-16, Halle. 252. Ungerer L. (2012): Konvergenz. In: Bergmann (Hg.), Handlexikon der Europäischen Union, Baden-Baden, 1107 p. 253. United Nations (2014): Human Development Report, Sustaining Human Progress United Nations Development Programme, New York, 239 p. 254. UNDP (2013): National Human Development Report. Poland 2012. Local and Regional Development. UNDP Project Office in Poland, Warsaw, 188 p. 255. Valentinyi Á. (1995): Endogén növekedéselmélet Közgazdasági Szemle, Vol. XLII (6), pp. 582-594. 256. Van Stuntum U. (2010): Theoretische Grundlagen der Regionalökonomie Universität Münster – előadásanyag. 257. Varga A. (2002): Térökonometria Statisztikai szemle, Vol. 80. (4), pp. 354–370. 258. Varga A. (2006): Térszerkezet, technológiai fejlődés és makrogazdasági növekedés, Habilitációs előadás, Pécs, 57 p. 142
259. Varga A. (2009): Térszerkezet és gazdasági növekedés Akadémiai kiadó, Budapest, 146 p. 260. Varga B. (2013): A magyar nők termékenységének alakulása közgazdasági elméletek szemszögéből Ekonomické Studie – Teória a prax, 2013 (1), pp. 385-392. 261. von Dohnanyi K. (2004): Das Problem Ostdeutschland – Die Empfehlungen des „Gesprächskreises Ost“ Wirtschaftsdienst, Vol. 84 (10), pp. 611-614. 262. Wagstaff P. & Stammen T. (1999): Regionalism in the European Union, Federalism in Germany Intellect Books, 193 p. 263. Waldmann R. J. (1992): Income distribution and infant mortality The Quarterly Journal of Economics, Vol. 107 (4), pp. 1283-1302. 264. Walter P. (2005): Kleine Geschichte der Bundesrepublik Deutschland, Von Adenauer zu Schröder, Fischer Taschenbuch Verlag, 336 p. 265. WHO (2003): Investing in mental health Department of Mental Health and Substance Dependence, World Health Organisation, Geneva, 52 p. 266. WHO (Friedlt L.) (2009): Mental health, resilience and inequalities WHO Regional Office for Europe, Koppenhága, Dánia, 64 p. 267. Wilkinson R. & Pickett K. (2009): Income Inequality and Social Dysfunction Annual Review of Sociology, Vol. 35., pp. 493–511. 268. Williamson J. G. (1965): Regional inequality and the process of national development: A description of the patterns. Economic Development and Cultural Change, Vol. 4, pp. 3–84. 269. Winkler H. A. (2005): Németország története a modern korban 1. és 2. kötet; Osiris Kiadó, Budapest, 1245 p. 270. Wirtschaftministerium Brandenburg (2007): Operationelles Programm des Landes Brandenburg für den Europäischen Fonds für regionale Entwicklung (EFRE) in der Förderperiode 2007-2013. Wirtschaftministerium Brandenburg, Potsdam, 213 p. 271. Wodon Q. & Yitzhaki S. (2005): Growth and convergence: A social welfare framework; Review of Income and Wealth, Vol. 51 (3), pp. 443-454. 272. Zinsmeister F. (2009): Die Finanzierung der deutschen Einheit – Zum Umgang mit den Schuldlasten der Wiedervereinigung, DIW Berlin, Working Paper, pp. 146-160.
Adatforrások 1. Bundesministerium der Finanzen (http://www.bundesfinanzministerium.de/Web/DE/Home/home.html) 2. Bundesministerium für Bildung und Forschung (http://www.bmbf.de/) 3. Európai Bizottság (2015): http://insideurope.eu/ 4. Európai Bizottság: Magyarország Operatív Programjai 2007-2013. 5. Európai Bizottság: Németország Operatív Programjai 2007-2013. 6. European Commission – Operative Programs (http://ec.europa.eu/regional_policy/en/ és http://ec.europa.eu/regional_policy/hu/atlas/programmes/) 7. EU Cohesion Policy: http://ec.europa.eu/regional_policy/ 8. Eurostat (http://ec.europa.eu/eurostat) 9. Felvi.hu – egyetemek, főiskolák listája 10. Forbes Global 2000 lista (http://www.forbes.com/global2000/list/) 11. Frauenhofer Intézet, Helmholz Intézet, Max-Planck Intézet, Leibnitz Intézet honlapjai (https://www.fraunhofer.de/; http://www.helmholtz.de/en/helmholtz_centres_networks/helmholtz_institutes/; http://www.mpg.de/de; http://www.leibniz-gemeinschaft.de/en/home/) 143
12. Központi Statisztikai Hivatal (http://www.ksh.hu/) 13. KSH – területi statisztikai évkönyvek 14. lebenserwartung.info 15. Magyarország Nemzeti Stratégiai Referenciakerete (2004) https://www.palyazat.gov.hu/ 16. MTA honlapja (http://mta.hu/) 17. Népszámlálás (http://www.ksh.hu/nepszamlalas/ és https://www.zensus2011.de/) 18. Statistisches Bundesamt Deutschland (https://www.destatis.de/DE/Startseite.html) 19. Statistisches Bundesamt Deutschland – Regionaldatenbank (https://www.regionalstatistik.de/genesis/online/logon) 20. TEIR (https://www.teir.hu/)
Szerző disszertációhoz köthető publikációi 1. Kocziszky Gy. – Szendi D. (2016): The Effects of Monetary Easing on Spatial
2.
3.
4.
5. 6.
7.
8.
9.
10.
11.
Convergence in Hungary; THEORY METHODOLOGY PRACTICE: CLUB OF ECONOMICS IN MISKOLC, 2015:(02), pp. 13-22. Szendi D. (2015): A lokális humán fejlettségi index eloszlása és területi autokorrelációja Németország és Magyarország esetében; Területi Statisztika, 55(6), pp. 556-591. Nagy Z., Tóth G., Péter Zs., Szendi D., Pál Zs., Leskó A. – Tóthné Kiss A. (2015): Smart Local Community kezdeményezések lehetőségei vidéki térségekben - BorsodAbaúj-Zemplén megye három járásának példáján; ÉSZAK-MAGYARORSZÁGI STRATÉGIAI FÜZETEK XII:(2), pp. 59-70. Szendi D. (2015): Influential factors of the Hungarian territorial income, In: Zoltán Bartha, László Berényi, Róbert Marciniak, László Molnár (szerk.): Challenges in economic and technological development: Conference Proceedings. Lillafüred, Hungary 15-16 October. Miskolci Egyetem, pp. 172-184. Kocziszky Gy. – Szendi D. (2015): The effects of monetary easing on the spatial convergence in Hungary, 5th EuGeo conference, Budapest, 2015. szeptember, előadás Szendi D. (2015): Az életminőség, mint komplex indikátor területi differenciái a német és magyar gazdaság esetében; Fiatal Regionalisták IX. Konferenciája, Győr, 2015. – megjelenés alatt Szendi D. (2015): Economic convergence processes across Germany with special regards on gamma convergence, Tavaszi Szél Konferencia 2015.; Eger; 2015. április 10. – megjelenés alatt Szendi D. (2015): Differences in the spatial patterns of selected German (NUTS3) economic factors, with special regards on GDP, unemployment and enterprises; University of Miskolc - MicroCad Conference Benedek J., Cristea M. & Szendi D. (2015): Catching up or falling behind? Economic convergence and regional development trajectories in Romania; Romanian Review of Regional Studies, Volume XI.; 2015/1., pp. 15-34. Kocziszky Gy., Benedek J. & Szendi D. (2014): Paths of convergence and polarization in the Visegrád-countries; In: Babes-Bolyai University Faculty of Geography Centre for Regional Geography (szerk.), Regional Disparities and Regional Development: from Scientific Research to Policy Recommendations: 6th International Conference and 10th Anniversary of the Centre for Regional Geograpy. Cluj-Napoca, Románia, 2014.10.182014.10.19., p. 17. (Absztrakt) Szendi D. (2014): Territorial or structural effects? - Comparison of the German and 144
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
Hungarian HDI (NUTS3) from the aspect of the shift-share analysis; In: Gadócziné Fekete Éva (szerk.): Doktoranduszok Fóruma, Miskolci Egyetem, pp. 39-45. Szendi D. (2014): A globális és lokális Moran I index alakulása Németország példáján, a területi autokorreláció vizsgálata; II. Pécsi MKE Doktorandusz Műhely; 2014. május 30. – előadás Szendi D. (2014): The convergence analysis of the global HDI with special regards on club-convergence; Tavaszi Szél Konferencia 2014.; Debrecen; TAVASZI SZÉL Absztraktkötet, Hédervár: Publio Kiadó, pp. 250. (Absztrakt) Szendi D. (2014): The convergence analysis of the global HDI with special regards on club-convergence; Tavaszi Szél Konferencia 2014.; Debrecen; In: Csiszár Imre, Kőmíves Péter Miklós (szerk.): Tavaszi Szél, 2014 Konferenciakötet. 614 p., 1. kötet., Közgazdaságtudomány; pp. 479-486. Szendi D. (2013): Empirical result of convergence in the EU with special regards of social convergence; In: Gadócziné Fekete Éva (szerk.): Doktoranduszok Fóruma, Miskolci Egyetem, pp. 34-39. Szendi D. (2013): Németország egy főre jutó GDP-jének vizsgálata a Moran féle I mutató felhasználásával; In: Rechnitzer János, Somlyódyné Pfeil Edit, Kovács Gábor (szerk.): A hely szelleme - a területi fejlesztések lokális dimenziói: A Fiatal Regionalisták VIII. Konferenciáján elhangzott előadások, pp. 584-590. Szendi D. (2013): Területi egyenlőtlenségek tendenciái a német és magyar gazdaság példáján (2000-2009); In: Koncz István, Nagy Edit (szerk.): Tudományos Próbapálya: PEME VI. Ph.D. konferencia., pp. 323-332. Szendi D. (2013): The Convergence Process and The effects of the Economic Crisis in Central-Eastern Europe; Romanian Review of Regional Studies, Volume IX. (1), pp. 79-84. Nagy Z. – Szendi D. (2012): Adalékok Miskolc és a Miskolci kistérség demográfiai változásainak vizsgálataihoz a rendszerváltástól napjainkig, Észak-Magyarországi Stratégiai Füzetek, Vol. IX (2), pp. 100-106. Szendi D. (2012): Convergence process and the economic crisis in Europe, the comparison between Western and Central-Eastern Europe related to the Williamson hypothesis; In: Szakály Dezső (szerk.): Doktoranduszok Fóruma. Miskolc, Gazdaságtudományi Kar szekciókiadványa., Miskolci Egyetem. Szendi D. (2012): The two parts of the German economy, In: Bikfalvi Péter (szerk.): PhD hallgatók VIII. Nemzetközi Konferenciája/8th International Conference of PhD Students, University of Miskolc. Szendi D. (2010): A német gazdaság két arca, azaz megvalósult-e az egykori NSZK és NDK tartományainak gazdasági konvergenciája? MSc szakdolgozat, Miskolci Egyetem, Gazdaságtudományi Kar, Világ-és Regionális Gazdaságtan Intézet, 95 p.
145
9. Ábrák jegyzéke 1. ábra: Az egy főre jutó GDP regionális különbségei Európában (2000-2013) ..................................... 4 2. ábra: Disszertáció felépítése ................................................................................................................ 5 3. ábra: Kutatás hipotézisei és a bizonyítás módszerei.......................................................................... 11 4. ábra: Egyensúly a Solow modellben ................................................................................................. 24 5. ábra: Növekvő hozadékú termelési függvény ................................................................................... 26 6. ábra: Williamson görbe ..................................................................................................................... 27 7. ábra: Williamson hipotézise a poszt-szocialista országok esetében .................................................. 28 8. ábra: Regionális gazdasági növekedés elméletei ............................................................................... 32 9. ábra: Szigma konvergencia................................................................................................................ 34 10. ábra: Ikercsúcsok hatása (Twin-peaks) ........................................................................................... 36 11. ábra: Területi jövedelemegyenlőtlenségek hatásai .......................................................................... 37 12. ábra: Térbeli regresszió döntési folyamata ...................................................................................... 50 13. ábra: Vizsgálat dimenziói ................................................................................................................ 51 14. ábra: Vizsgálatok módszertana ........................................................................................................ 52 15. ábra: Egy főre jutó GDP (balra) és az életminőség index értékeinek eloszlása, Németország, NUTS3, 2011......................................................................................................................................... 54 16. ábra: Egy főre jutó GDP (balra) és az életminőség index értékeinek eloszlása, Magyarország, NUTS 3 ................................................................................................................................................. 56 17. ábra: Egy főre jutó adóköteles jövedelem (balra) és az életminőség index értékeinek eloszlása, Magyarország, LAU1, 2011. ................................................................................................................. 57 18. ábra: Németország: 1 főre eső GDP átlagos növekedési rátája (%) 1995-2011 (NUTS2) .............. 59 19. ábra: Szász-Anhalt: 1 főre eső GDP átlagos növekedési rátája (%) 2000-2011.............................. 60 20. ábra: Magyarország: 1 főre eső GDP átlagos növekedési rátája (%) 1995-2011 (NUTS 2, NUTS3) ............................................................................................................................................................... 61 21. ábra: Életminőség index növekedési rátája (2001-2011), Magyarország, NUTS3 ......................... 63 22. ábra: Életminőség növekedési rátája (2001-2011), Németország, NUTS3 ..................................... 63 23. ábra: Duál-mutató alakulása az egy főre jutó GDP esetében (1995-2011) ..................................... 66 24. ábra: Moran I index Németország fajlagos GDP-je esetében (NUTS 3, 2011)............................... 71 25. ábra: Szomszédsági hatások Németország fajlagos GDP-je esetében – gyenge területi autokorreláció ........................................................................................................................................ 72 26. ábra: Fajlagos kistérségi jövedelem Moran I indexe, Magyarország (LAU1, 2012) ...................... 75 27. ábra: Szomszédsági hatások az egy főre jutó kistérségi adóköteles jövedelem esetében, Magyarország (2012) – közepesen erős területi autokorreláció ............................................................ 76 28. ábra: Szomszédsági hatások az életminőség esetében, Németország (NUTS3, 2011) – gyenge területi autokorreláció............................................................................................................................ 78 29. ábra: Szomszédsági hatások az életminőség esetében, Magyarország (LAU1, 2011) – gyenge területi autokorreláció............................................................................................................................ 79 30. ábra: A magyar régiók a shift-share elemzés kategóriái alapján (2001-2011) ................................ 81 31. ábra: A német régiók a shift-share elemzés kategóriái alapján (2001-2011) .................................. 83 32. ábra: A magyar megyék a shift-share elemzés kategóriái alapján (2001-2011) .............................. 84 33. ábra: A német körzetek életminőségi besorolása ............................................................................ 85 34. ábra: Szigma konvergencia Németország, NUTS 2 (GDP, életminőség); (2001-2011) ................. 87 35. ábra: Szigma konvergencia Magyarország, NUTS 2 (GDP, életminőség); (2001-2011) ............... 87 36. ábra: Szigma konvergencia a két országban, NUTS 3 (GDP/fő); (2000-2011) .............................. 88 37. ábra: Egy főre jutó GDP gamma konvergenciája (NUTS3; 2001-2011) ........................................ 90 38. ábra: Életminőség gamma konvergenciája (NUTS2; 2002-2011) .................................................. 90 39. ábra: Németország régióinak konvergencia klubjai (2000-2011) ................................................... 92 40. ábra: Németország NUTS 2-es konvergencia klubjai (2000-2011) ................................................ 93 41. ábra: Magyarország egy főre jutó regionális GDP-jének konvergencia klubjai.............................. 94 42. ábra: Magyarország NUTS 2-es konvergencia klubjai (2000-2011)............................................... 94 43. ábra: Németország egy főre jutó GDP-jének NUTS3-as konvergencia klubjai .............................. 95 146
44. ábra: Németország NUTS 3-as konvergencia klubjai (2000-2011) ................................................ 96 45. ábra: Magyarország NUTS 3-as konvergencia klubjai (2000-2011)............................................... 97 46. ábra: Magyarország életminőség indexének konvergencia klubjai (2001-2011) ............................ 98 47. ábra: Németország életminőség indexének konvergencia klubjai (2001-2011) .............................. 99 48. ábra: A magyar kistérségi jövedelmet meghatározó faktorok térképei ......................................... 104 49. ábra: A német körzetek egy főre jutó GDP-jét meghatározó faktorok térképei ............................ 109 50. ábra: A német egység költségei ..................................................................................................... 116 51. ábra: Az állami bevételek és kiadások körfolyamata Németországban......................................... 116 52. ábra: Szász-Anhalt tartomány forrásai a Szolidaritási paktumból (2005-2019), millió euro ........ 119 53. ábra: Tartományok keresztfinanszírozási rendszere: nettó befizetők és jogosultak (millió Euro) – 2013. .................................................................................................................................................... 120 54. ábra: Adósságállomány alakulása Németországban (milliárd Euro) (1950-2013) ........................ 121 Melléklet ábrái 55. ábra: 1000 főre jutó működő vállalkozások eloszlása (Németország, 2011.) ............................... 176 56. ábra: Kutatóközpontok és egyetemek Németországban (2015) .................................................... 180 57. ábra: 5 fölötti magán kutatóintézettel rendelkező térségek (Németország, 2015.)........................ 181 58. ábra: 5 fölötti szövetségi/tartományi kutatóintézettel rendelkező térségek (Németország, 2015.) 182 59. ábra: 5 fölötti egyetemi és főiskolai kutatóintézettel rendelkező térségek (Németország, 2015.) 183 60. ábra: Kutatóközpontok és egyetemek Magyarországon (2015) .................................................... 185 61. ábra: 2 –nél több kutatóintézettel rendelkező megyék (Magyarország, 2015.) ............................. 185 62. ábra: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező megyék (Magyarország, 2015.) ............................................................................................................................................................. 186 63. ábra: 2 –nél több MTA kutatóintézettel rendelkező megyék (Magyarország, 2015.) ................... 187 64. ábra: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező kistérségek (Magyarország, 2015.)................................................................................................................................................... 188 65. ábra: 2 –nél több MTA kutatóintézettel rendelkező kistérségek (Magyarország, 2015.) .............. 189 66. ábra: Jóléti indexek alakulása (2000-2011) ................................................................................... 193 67. ábra: Moran I index alakulása NUTS 1-es szinten (2000, 2010) (GER) ....................................... 195 68. ábra: Moran I index alakulása NUTS 2-es szinten (2000, 2010) .................................................. 196 69. ábra: Egy főre jutó GDP klasztertérképe (GER, 56 km küszöbtávolság)...................................... 198 70. ábra: Egy főre jutó GDP szignifikancia térképe (GER, 56 km küszöbtávolság)........................... 198 71. ábra: Egy főre jutó GDP klasztertérképe (GER, vezérszomszédság) ............................................ 199 72. ábra: Egy főre jutó GDP szignifikancia térképe (GER, vezérszomszédság) ................................. 199 73. ábra: Életminőség index klasztertérképe (GER, vezérszomszédság) ............................................ 200 74. ábra: Életminőség index klasztertérképe (GER, legközelebbi szomszédok módszere) ................ 200 75. ábra: Egy főre jutó adóköteles jövedelem szomszédsági hatásainak szignifikanciája (LAU1, 2012) ............................................................................................................................................................. 201 76. ábra: Egy főre jutó adóköteles jövedelem klasztertérképe (HUN, 56 km küszöbtávolság) .......... 201 77. ábra: Egy főre jutó adóköteles jövedelem klasztertérképe (HUN, vezérszomszédság) ................ 202 78. ábra: Életminőség index klasztertérképe (HUN, vezérszomszédság) ........................................... 202 79. ábra: Életminőség index klasztertérképe (HUN, legközelebbi szomszédok módszer) ................. 203 80. ábra: Az 1000 főre jutó regisztrált vállalkozások számának eloszlása Németország körzeteiben (2011) .................................................................................................................................................. 204 81. ábra: Munkanélküliségi ráta eloszlása Németország körzeteiben (2011)...................................... 205 82. ábra: A regisztrált vállalkozások Local Moran térképe Németországban (2011) ......................... 207 83. ábra: Munkanélküliségi ráta Local Moran térképe Németországban (2011) ................................ 207 84. ábra: Béta konvergencia az EU-ban (1995-2011) (országok) ....................................................... 211 85. ábra: Béta konvergencia az EU-ban, NUTS2 (1995-2011) ........................................................... 211 86. ábra: Magyarország egy főre jutó megyei GDP-jének konvergencia klubjai................................ 216 87. ábra: Magyar megyei GDP konvergencia klubjainak diszkriminancia elemzése ......................... 216 88. ábra: Magyarország életminőségének regionális szintű konvergencia klubjai.............................. 217 89. ábra: Magyarország életminőségének megyei szintű konvergencia klubjai.................................. 217 90. ábra: Németország NUTS3-as GDP konvergencia klubjainak diszkriminancia elemzése............ 218 147
91. ábra: Németország életminőségének NUTS2-es konvergencia klubjai......................................... 218 92. ábra: Faktorszám meghatározása sajátérték alapján (kistérségi adóköteles jövedelem, HUN) ..... 222 93. ábra: Kistérségi adóköteles jövedelem normális eloszlása ............................................................ 222 94. ábra: Faktorszám meghatározása sajátérték alapján (Egy főre jutó GDP, GER) .......................... 223 95. ábra: GDP normális eloszlása........................................................................................................ 223 96. ábra: Társadalmi-gazdasági indikátorok eloszlásának hődiagramja – Magyarország ................... 224 97. ábra: Társadalmi-gazdasági indikátorok eloszlásának hődiagramja – Németország..................... 226
148
10. Táblázatok jegyzéke 1. táblázat: Komplex térségi elmaradottság mérésénél vizsgált tényezők ............................................... 7 2. táblázat: Borsod-Abaúj-Zemplén megye és Szász-Anhalt tartomány periférikus helyzetét igazoló tényezők .................................................................................................................................................. 8 3. táblázat: Disszertációban alkalmazott statisztikai elemzési módszerek és alkalmazott szoftverek..... 9 4. táblázat: Vizsgálatok lehatárolása (tér/idő/adatforrások) .................................................................. 10 5. táblázat: Periférikus térségek néhány választott indikátorának összehasonlítása (2014) .................. 15 6. táblázat: Regionális gazdaságtan főbb elméletei és a tér értelmezése ............................................... 21 7. táblázat: Konvergencia és divergencia a növekedéselméletek tükrében ........................................... 33 8. táblázat: Local Moran I klasztereinek jelentése ................................................................................ 44 9. táblázat: A shift-share elemzés eredményeképpen kialakítható nyolc elméleti térségtípus .............. 45 10. táblázat: Kaiser-Meyer-Olkin teszt értelmezése .............................................................................. 48 11. táblázat: Egy főre jutó GDP és az életminőség tényezőinek korrelációs kapcsolata – Németország (2011) .................................................................................................................................................... 55 12. táblázat: Egy főre jutó adóköteles jövedelem és az életminőség index tényezőinek korrelációs kapcsolata – Magyarország (2011)........................................................................................................ 58 13. táblázat: Életminőség index értékei Magyarország megyéi esetében.............................................. 62 14. táblázat: Fajlagos GDP és az életminőség index terjedelme a két országban (1995-2011), (NUTS2) ............................................................................................................................................................... 65 15. táblázat: Fajlagos GDP terjedelme a két országban (2000-2011), (NUTS3) .................................. 65 16. táblázat: Duál mutató értékei a két országban (2001-2011), (életminőség index, NUTS2) ............ 66 17. táblázat: Fajlagos GDP Duál mutatója (2000-2011), (NUTS3) ...................................................... 66 18. táblázat: Fajlagos GDP, és életminőség index súlyozott relatív szórása (1995-2011), (NUTS2) ... 67 19. táblázat: Fajlagos GDP súlyozott relatív szórása (2000-2011), (NUTS3) ...................................... 67 20. táblázat: Területi jövedelmi különbségek (2000-2011), (NUTS3) .................................................. 67 21. táblázat: Egyenlőtlenségi indexek összegzés – Németország ......................................................... 68 22. táblázat: Egyenlőtlenségi indexek összegzés – Magyarország........................................................ 68 23. táblázat: Fajlagos GDP egyenlőtlenségi indexei Szász-Anhalt tartományban (2000-2011) ........... 69 24. táblázat: Fajlagos GDP egyenlőtlenségi indexei az Észak-magyarországi régióban (2000-2011) . 69 25. táblázat: Fajlagos GDP Moran I indexeinek alakulása Németországban (2000-2012) ................... 70 26. táblázat: Local Moran vizsgálat értékei, Németország, egy főre jutó GDP esete (2011) ................ 71 27. táblázat: Fajlagos GDP Moran-féle I indexeinek alakulása Magyarországon (2000-20012) .......... 74 28. táblázat: Local Moran vizsgálat, kistérségi jövedelem, Magyarország (2012) ............................... 75 29. táblázat: Local Moran vizsgálat, Németország, életminőség indexe (2011) ................................... 77 30. táblázat: Local Moran vizsgálat, Magyarország, életminőség indexe (2011) ................................. 79 31. táblázat: A shift-share elemzés régiótípusai (Magyarország, NUTS2) ........................................... 81 32. táblázat: A magyar régiók részesedése a shift-share elemzés komponenseiből .............................. 82 33. táblázat: Területi és ágazati hatások erőssége a magyar régiók esetében ........................................ 82 34. táblázat: A magyar megyék részesedése a shift-share elemzés komponenseiből............................ 85 35. táblázat: Egy főre jutó GDP konvergenciája ................................................................................... 88 36. táblázat: Életminőség index konvergenciája ................................................................................... 89 37. táblázat: Területi hatásokkal kiterjesztett béta konvergencia .......................................................... 89 38. táblázat: KMO és Bartlett teszt...................................................................................................... 101 39. táblázat: Magyarázott varianciahányad ......................................................................................... 102 40. táblázat: Modell adatai, ANOVA és koefficiensek ....................................................................... 102 41. táblázat: Területi regressziós tesztek a magyar kistérségi jövedelmek eloszlásában .................... 104 42. táblázat: OLS és spatial error modell eredményei a magyar kistérségi jövedelmek esetében ...... 105 43. táblázat: KMO és Bartlett teszt...................................................................................................... 107 44. táblázat: Magyarázott varianciahányad ......................................................................................... 107 45. táblázat: Modell adatai, ANOVA és koefficiensek ....................................................................... 108 46. táblázat: Területi regressziós tesztek a német körzetek egy főre jutó GDP-jének eloszlásában ... 110 47. táblázat: Következtetések Németország konvergenciája esetében ................................................ 111 149
48. táblázat: Következtetések Magyarország konvergenciája esetében .............................................. 113 49. táblázat: Németország fontosabb gazdasági adatai (1989) ............................................................ 115 50. táblázat: Német Egység Alapja által a keleti tartományoknak biztosított források összege (19901994), (Mrd. DM)................................................................................................................................ 117 51. táblázat: Az új tartományoknak nyújtott támogatások a Szolidaritási paktum II. része keretében (2005-2019) ......................................................................................................................................... 118 52. táblázat: Tartományok keresztfinanszírozási rendszere, összes forrás (1950-2011) ..................... 121 53. táblázat: Kohéziós politika támogatásai Németországban, 2000-2006 és 2007-2013................... 122 54. táblázat: 2007-2013 Operatív Programok támogatásai Németországban (millió Euro) ................ 123 55. táblázat: Kohéziós politika támogatásai Magyarországon, 2004-2006 és 2007-2013................... 124 56. táblázat: 2007-2013 Operatív Programok támogatásai Magyarországon (millió Euro) ................ 124 57. táblázat: Uniós források eloszlása a 2014-2020-as támogatási periódusban, a két országban (millió Euro) .................................................................................................................................................... 125 Melléklet táblázatai 58. táblázat: Németország tartományainak helyzete a periférikus térségek lehatárolásában .............. 152 59. táblázat: Magyarország megyéinek helyzete a periférikus térségek lehatárolásában .................... 153 60. táblázat: Főbb alapadatok GDP és életminőség ............................................................................ 154 61. táblázat: Kiegészítő adatok forrása fejezetenkénti bontásban ....................................................... 155 62. táblázat: Németország konvergenciájának vizsgálata 2000 után................................................... 157 63. táblázat: Magyarország konvergenciájának vizsgálata 2000 után ................................................. 160 64. táblázat: Magyarország területe a dualizmus korában ................................................................... 172 65. táblázat: A járások, városkörnyékek és a statisztikai kistérségek rendszere Magyarországon ..... 174 66. táblázat: Két ország területfelosztásának különbségei .................................................................. 175 67. táblázat: Németország kutatóközpontjai........................................................................................ 177 68. táblázat: 5 fölötti magán kutatóintézettel rendelkező térségek sorrendje (Németország, 2015.) .. 181 69. táblázat: 5 fölötti szövetségi/tartományi kutatóintézettel rendelkező térségek sorrendje (Németország, 2015.) .......................................................................................................................... 182 70. táblázat: 5 fölötti egyetemi és főiskolai kutatóintézettel rendelkező térségek sorrendje (Németország, 2015.) .......................................................................................................................... 183 71. táblázat: Magyarország kutatóközpontjai (2015) .......................................................................... 184 72. táblázat: 2 –nél több kutatóintézettel rendelkező megyék sorrendje (Magyarország, 2015.)........ 186 73. táblázat: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező megyék sorrendje (Magyarország, 2015.) ........................................................................................................................ 187 74. táblázat: 2 –nél több MTA kutatóintézettel rendelkező megyék sorrendje (Magyarország, 2015.) ............................................................................................................................................................. 188 75. táblázat: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező kistérségek sorrendje (Magyarország, 2015.) ........................................................................................................................ 189 76. táblázat: 2 –nél több MTA kutatóintézettel rendelkező kistérségek sorrendje (Magyarország, 2015.)................................................................................................................................................... 190 77. táblázat: Életminőség index értékei, Magyarország régiói esetében (2001-2011) ........................ 191 78. táblázat: Életminőség index értékei, Németország régiói esetében (2001-2011) .......................... 191 79. táblázat: Németország legfejlettebb és legkevésbé fejlett térségei az életminőség index alapján. 192 80. táblázat: A német tartományok és a magyar régiók jóléti indexei (2011) ..................................... 193 81. táblázat: A német tartományok GDP és jóléti indexeinek eltérései (2000, 2011) ......................... 194 82. táblázat: Fajlagos GDP Moran féle I index értékei NUTS1-es szinten (2000, 2010) ................... 195 83. táblázat: Az indikátorok közötti korrelációs kapcsolatok.............................................................. 205 84. táblázat: Indikátorok területi autokorrelációja............................................................................... 206 85. táblázat: A shift-share elemzés régiótípusai (Németország, NUTS2) ........................................... 208 86. táblázat: A német régiók részesedése a shift-share elemzés komponenseiből .............................. 209 87. táblázat: A shift-share elemzés régiótípusai (magyar megyék) ..................................................... 210 88. táblázat: Tényezők közötti korrelációs kapcsolatok, Németország ............................................... 219 89. táblázat: Tényezők közötti korrelációs kapcsolatok, Magyarország ............................................. 220
150
11. Mellékletek 1. 2. 3. 4. 5. 6. 7.
számú melléklet: Periférikus térségek lehatárolásának eredményei számú melléklet: Disszertációban alkalmazott adatok forrása számú melléklet: Német és magyar konvergencia kutatásai 2000 után számú melléklet: A német regionalizmus gazdaságtörténeti előzményei számú melléklet: A magyar régió és megyerendszer kialakulása és történeti fejlődése számú melléklet: Két ország területfelosztásának jellemzőbb indikátorai számú melléklet: 1000 főre jutó működő vállalkozások eloszlása Németország esetében (2011) 8. számú melléklet: Kutatóközpontok és egyetemek eloszlása a német és magyar gazdaságban 9. számú melléklet: Életminőség index értékei a magyar és német régiók esetében 10. számú melléklet: Jóléti index vizsgálata 11. számú melléklet: Moran I vizsálat a német GDP esetében (NUTS1; NUTS2) 12. számú melléklet: Területi autokorreláció a különböző szomszédsági mátrixok tükrében – Németország 13. számú melléklet: Területi autokorreláció a különböző szomszédsági mátrixok tükrében – Magyarország 14. számú melléklet: A regisztrált vállalkozások és a munkanélküliségi ráta területi autokorrelációs kapcsolatai 15. számú melléklet: Shift-share elemzés eredményei 16. számú melléklet: EU országainak konvergencia folyamatai 17. számú melléklet: Béta konvergencia tesztelése 18. számú melléklet: Konvergencia klubok a német és magyar gazdaságban 19. számú melléklet: Regressziós modell tényezői közötti korrelációs kapcsolatok 20. számú melléklet: Regressziós vizsgálatok alátámasztó ábrái 21. számú melléklet: Hődiagramok
151
1. számú melléklet: Periférikus térségek lehatárolásának eredményei
munkanélküliségi ráta
GDP/fő
1000 főre jutó személygépkocsik száma
1000 főre jutó lakásépítések száma
1000 főre jutó vállalkozások száma
K+F+I ráfordítás a GDP%-ában
1000 főre jutó vendégéjszakák száma
Összesített pontszám
Baden-Württemberg Bajorország Berlin Brandenburg Bréma Hamburg Hessen Mecklenburg-ElőPomeránia Alsószászország Észak-Rajna-Vesztfália Rajna-vidék-Pfalz Saar-vidék Szászország Szász-Anhalt Schleswig-Holstein Türingia
fiatalok aránya a népességben
58. táblázat: Németország tartományainak helyzete a periférikus térségek lehatárolásában
1 0,906 0,467 0,272 0,475 0,612 0,870
0,038 0 0,949 0,654 0,436 0,308 0,218
0,493 0,510 0,262 0,023 0,661 1 0,497
0,848 0,916 0 0,796 0,320 0,313 0,874
0,532 0,675 0 1 0,646 0,069 0,172
0,477 0,795 0,534 0,256 0,236 1 0,529
1 0,463 0,560 0,067 0,370 0,232 0,449
0,269 0,475 0,687 0,261 0,261 0,693 0,387
0,582 0,592 0,432 0,416 0,426 0,528 0,499
0,204
1
0
0,675
0,676
0,333
0,176
1
0,508
0,970 0,902 0,783 0,271 0,249 0 0,912 0,124
0,231 0,359 0,115 0,397 0,679 0,846 0,244 0,551
0,238 0,349 0,242 0,285 0,044 0,007 0,141 0,003
0,813 0,719 0,947 1 0,681 0,728 0,778 0,756
0,662 0,288 0,547 0,205 0,079 0,075 0,766 0,147
0,166 0,289 0,346 0,198 0,354 0 0,449 0,271
0,387 0,158 0,173 0,021 0,402 0,018 0 0,208
0,242 0,098 0,347 0 0,276 0,157 0,403 0,234
0,464 0,395 0,438 0,297 0,346 0,229 0,461 0,287
Forrás: saját szerkesztés
152
munkanélküliségi ráta
GDP/fő
1000 főre jutó személygépkocsik száma
1000 főre jutó lakásépítések száma
1000 főre jutó vállalkozások száma
K+F+I ráfordítás a GDP%-ában
1000 főre jutó vendégéjszakák száma
Összesített pontszám
Budapest Pest Fejér Komárom-Esztergom Veszprém Győr-Moson-Sopron Vas Zala Baranya Somogy Tolna Borsod-AbaújZemplén Heves Nógrád Hajdú-Bihar Jász-NagykunSzolnok Szabolcs-SzatmárBereg Bács-Kiskun Békés Csongrád
fiatalok aránya a népességben
59. táblázat: Magyarország megyéinek helyzete a periférikus térségek lehatárolásában
0 0,880 0,397 0,417 0,254 0,371 0,149 0,059 0,301 0,325 0,273
0,352 0,333 0,425 0,170 0,506 0 0,075 0,543 0,762 0,485 0,360
1 0,224 0,284 0,328 0,154 0,411 0,288 0,237 0,124 0,110 0,191
0,816 1 0,652 0,699 0,752 0,942 0,897 0,762 0,532 0,546 0,618
0,296 1 0,190 0,251 0,303 0,774 0,297 0,240 0,188 0,353 0,066
1 0,323 0,189 0,181 0,319 0,396 0,349 0,549 0,376 0,548 0,335
1 0,156 0,242 0,108 0,651 0,398 0,210 0,054 0,554 0,134 0
0,575 0,030 0,064 0,097 0,608 0,311 0,708 1 0,169 0,585 0,036
0,630 0,493 0,305 0,281 0,443 0,450 0,372 0,431 0,376 0,386 0,235
0,778
0,955
0,104
0
0,011
0
0,263
0,089
0,275
0,424 0,379 0,627
0,760 1 0,671
0,124 0 0,171
0,406 0,223 0,163
0,188 0,031 0,577
0,365 0,055 0,499
0,237 0,167 0,984
0,368 0,005 0,217
0,359 0,233 0,488
0,490
0,518
0,117
0,060
0,057
0,158
0,161
0,125
0,211
1
0,925
0,060
0,091
0,069
0,718
0,059
0
0,365
0,400 0,219 0,226
0,320 0,550 0,412
0,147 0,074 0,177
0,761 0,208 0,377
0,269 0 0,597
0,612 0,563 0,648
0,344 0,059 0,995
0,040 0,128 0,079
0,362 0,225 0,439
Forrás: saját szerkesztés
153
2. számú melléklet: Disszertációban alkalmazott adatok forrása 60. táblázat: Főbb alapadatok GDP és életminőség Németország
Magyarország
időtáv
forrás
2000-2011 2000-2011 2000-2011 2000-2011
Eurostat Eurostat – regionális adatbázis Eurostat – regionális adatbázis Eurostat – regionális adatbázis
időtáv
forrás
2000-2011 2000-2011 2000-2011 2000-2011
Eurostat Eurostat – regionális adatbázis Eurostat – regionális adatbázis Eurostat – regionális adatbázis KSH – területi statisztikai évkönyv *
GDP NUTS0 NUTS1 NUTS2 NUTS3 LAU1
-
2000, 2011
Életminőség index születéskor várható élettartam NUTS2 NUTS3
2001, 2011 2001, 2011
LAU1
Eurostat - regionális adatbázis lebenserwartung.info -
2001, 2011 2001, 2011 2001, 2011
Eurostat - regionális adatbázis KSH – területi adatbázis KSH – területi statisztikai évkönyvek
középfokú végzettségűek aránya a 18-x korosztályban NUTS2 NUTS3 LAU1
2001, 2011 2001, 2011
Zensus Zensus
2001, 2011 2001, 2011 2001, 2011
-
Népszámlálás Népszámlálás Népszámlálás
felsőfokú végzettséggel rendelkezők aránya a 25-x korosztályban NUTS2 NUTS3 LAU1
2001, 2011 2001, 2011
Zensus Zensus
2001, 2011 2001, 2011 2001, 2011
-
Népszámlálás Népszámlálás Népszámlálás
100000 főre jutó csecsemőhalálozások száma NUTS2
2001, 2011
NUTS3
2001, 2011
LAU1
Statistisches Bundesamt Deutschland – regionális adatbázis Statistisches Bundesamt Deutschland – regionális adatbázis -
2001, 2011
KSH
2001, 2011
KSH
2001, 2011
KSH – Tájékoztatási adatbázis
1000 főre jutó személygépkocsik száma NUTS2
2001, 2011
NUTS3
2001, 2011
LAU1
Statistisches Bundesamt Deutschland – regionális adatbázis Statistisches Bundesamt Deutschland – regionális adatbázis -
2001, 2011
TEIR adatbázis
2001, 2011
TEIR adatbázis
2001, 2011
TEIR adatbázis
1000 főre jutó az év folyamán épített lakások alapterülete NUTS2
2001, 2011
NUTS3
2001, 2011
LAU1
Statistisches Bundesamt Deutschland – regionális adatbázis Statistisches Bundesamt Deutschland – regionális adatbázis -
2001, 2011
TEIR adatbázis
2001, 2011
TEIR adatbázis
2001, 2011
TEIR adatbázis
munkanélküliségi ráta NUTS2
2001, 2011
NUTS3
2001, 2011
Eurostat - regionális adatbázis Statistisches Bundesamt Deutschland – regionális adatbázis
154
2001, 2011
Eurostat - regionális adatbázis
2001, 2011
KSH
LAU1
-
2001, 2011
KSH – területi statisztikai évkönyv
Forrás: saját szerkesztés * Adat megnevezése: kistérségi szinten a GDP adatot az egy főre jutó adóköteles jövedelemmel helyettesítettem. 61. táblázat: Kiegészítő adatok forrása fejezetenkénti bontásban Adat megnevezése
forrás
időhorizont
területi egység
2000-2011
EU régiói – NUTS2
Statistisches Bundesamt Deutschland – regionális adatbázis
2011
434 német körzet és városrégió – NUTS3
TEIR
2011
Eurostat – regionális adatbázis
2011
1. fejezet Eurostat – regionális adatbázis
egy főre jutó regionális GDP
4. fejezet 1000 főre jutó regisztrált vállalkozások száma
K+F ráfordítások
Frauenhofer Intézet, Helmholz Intézet, MaxPlanck Intézet, Leibnitz Intézet honlapjai Bundesministerium für Bildung und Forschung Felvi.hu – egyetemek, főiskolák listája MTA honlap
kutatóintézetek eloszlása
magyar 168 kistérség – LAU1 német 38 régió – NUTS2 magyar 19 megye + főváros – NUTS2
434 német körzet és városrégió – NUTS3 2011 magyar 168 kistérség – LAU1
Faktorelemzés kiegészítő tényezői 1000 főre jutó közúti közlekedési balesetek száma, 1000 főre jutó regisztrált bűncselekmények száma, 1000 főre jutó működő feldolgozóipari vállalkozások száma, 1000 főre jutó 10-19 fős létszámú működő vállalkozások száma, 1000 főre jutó 1-9 fős létszámú működő vállalkozások száma, 1000 főre jutó 250-499 fős létszámú működő vállalkozások száma, 1000 főre jutó 500 és több fős létszámú működő vállalkozások száma, 1000 főre jutó kereskedelmi szálláshelyek száma, 1000 főre jutó vendégéjszakák száma, 1000 főre jutó a lakosságtól elszállított települési szilárd hulladék, 1000 főre jutó állandó elvándorlások száma, 1000 főre jutó állandó odavándorlások száma, 1000 főre jutó élveszületések száma, 1000 főre jutó halálozások száma, 1000 főre jutó házasságkötések száma 1000 főre jutó közúti közlekedési balesetek száma, 1000 főre jutó működő feldolgozóipari
TEIR adatbázis
2011
magyar 168 kistérség – LAU1
Statistisches Bundesamt Deutschland – regionális adatbázis
2011
434 német körzet és városrégió – NUTS3
155
vállalkozások száma, 1000 főre jutó 0-9 fős létszámú működő vállalkozások száma, 1000 főre jutó 50-249 fős létszámú működő vállalkozások száma, 1000 főre jutó 250 és több fős létszámú működő vállalkozások száma, 1000 főre jutó kereskedelmi szálláshelyek száma, 1000 főre jutó vendégéjszakák száma, 1000 főre jutó a lakosságtól elszállított települési szilárd hulladék, 1000 főre jutó állandó odavándorlások száma, 1000 főre jutó állandó elvándorlások száma, 1000 főre jutó élveszületések száma, 1000 főre jutó halálozások száma, 1000 főre jutó házasságkötések száma, 1000 főre jutó de-domainek száma, 1000 főre jutó bejelentett szabadalmak száma
5. fejezet Német Egység Alapja által a keleti tartományoknak biztosított források Szolidaritási paktum támogatásai a keleti tartományoknak Tartományok keresztfinanszírozási rendszere – támogatások eloszlása adósságállomány
Bundesministerium der Finanzen Bundesministerium der Finanzen Bundesministerium der Finanzen Statistisches Bundesamt Deutschland
1990-1994
Németország – NUTS0
2005-2019
Németország – NUTS0
2013
német tartományok – NUTS1
1950-2013
Németország – NUTS0
2011
434 német körzet és városrégió – NUTS3
2011
434 német körzet és városrégió – NUTS3
Mellékletek 1000 főre jutó regisztrált vállalkozások száma munkanélküliségi ráta
Statistisches Bundesamt Deutschland – regionális adatbázis Statistisches Bundesamt Deutschland – regionális adatbázis
Forrás: saját szerkesztés
156
3. számú melléklet: Német és magyar konvergencia kutatásai 2000 után 62. táblázat: Németország konvergenciájának vizsgálata 2000 után Év
Kutató megjelölése
2000
Hagen J., Strauch R. R. & Wolff G. B. (2002): East Germany: Transition with Unification, Experiments and Experiences, Zentrum für Europäische Integrationsforschung, Rheinische Friedrich-WilhelmsUniversität Bonn, 43 p.
2004
2004
2004
2004
2005
2007
2007
Kutatási területek
Eredmények
Gazdasági élet minden területe
Közeledtek a keleti tartományok (gazdasági szervezetek a magánszférában, fogyasztás, tartós fogyasztási cikkek, ill. aktív foglalkoztatottság, kormányzati politika)
Háztartások életszínvonala
háztartások felszereltsége megközelítőleg hasonló, különbség: személygépkocsik száma (nyugaton a lakosság 78%ának, míg keleten a lakosság 71%-ának van autója) jövedelemkülönbség eltűnőben van
Gazdasági élet területei
-
Gazdasági növekedés
Gazdaság szerkezeti felzárkózása 1991 gyors gazdasági konvergencia, majd visszaesés
Javaslatok a konvergenciára
-
Mezzogiorno esete állhat fenn
Fejlesztések szükségesek, hogy ez elkerülhető legyen
Demográfiai problémák
-
Népesség, foglalkoztatottság, munkanélküliség, GDP
3 szcenárió
Schroeder K. (2004): Ein Staat – zwei Gesellschaften: Deutschland 14 Jahre nach der Vereinigung Wirtschaftsdienst, Hamburg, Vol. 10, pp. 627-634.
Lammers K. (2004): Problemregion Ostdeutschland – was ist zu tun? Wirtschaftsdienst, Vol. 84 (10), pp. 623-626. Eggert R. (2004): Aufbau Ost – ist der Osten das Fieberthermometer für den kranken Westen? Wirtschaftsdienst, Hamburg, Vol. 10., pp. 615-624. von Dohnanyi K. (2004): Das Problem Ostdeutschland – Die Empfehlungen des „Gesprächskreises Ost“ Wirtschaftsdienst, Vol. 84 (10), pp. 611-614. Heilemann U. (2005): Ostdeutschland – ein „Mezzogiorno-Fall“? Wirtschaftsdienst, Hamburg, Nr. 8., pp. 505-512. Hülskamp N. (2007): Blühende Landschaften oder leere Einöde? – Demografische Probleme in den neuen Bundesländern Wirtschaftsdienst, Vol. 87 (5), pp. 296-301. Busch U., Kühn W. & Steinitz K. (2007): Entwicklung und Schrumpfung in Ostdeutschland, Aktuelle Probleme im 20. Jahr der Einheit, VSA: Verlag Hamburg, 204 p.
157
Év
2007
2007
2009
2009
2009
2010
2010
Kutató megjelölése
Kutatási területek
Eredmények
Újraegyesítés hét hibatényezője
1. gazdasági egyesítés kapcsán naivitás a nehézségekkel szemben, 2. naivitás: piac majd mindent megold, 3. német jegybanki politika, 4. financiális helyzet kiegyenlítése nem volt az egyesítési szerződésben, 5. a vagyonügynökség Berlinben székelt, 6. rossz ingatlantörvények, 7. bérnövekedés üteme 1990 és 1992 között
Külkereskedelem
Magas keleti exportkvóták
Életminőség index
továbbra is éles nyugatkeleti ellentétek
Jövedelem konvergencia
U alakú görbe
Makroökonómiai indikátorok
teljes konvergencia hosszú ideig tarthat
Gazdaság minden területe
Lassú konvergencia
Makroökonómiai indikátorok
javultak a keletnémet területek gazdasági mutatói, jelentős különbségek állnak fönn nyugat-keleti relációban
Heilemann U. (2007): Der Traum vom Aufbau Ost: Ökonomie als Triebfeder der Einheit?, Illusionen, Irrtümer oder Fehler? Ein kurzer Blick zurück auf die Deutsche Einigung Wirtschaftsdienst, Hamburg, Nr. 5., pp. 279-301.
Ohr R. & Zeddies G. (2007): Außenhandel als Wachstumsmotor für Ostdeutschland, Wirtschaftsdienst: Wissenschaft für die Praxis, Hamburg, Vol. 9., pp. 622-628. Einig K. & Jonas A. (2009): Ungleichwertige Lebensverhältnisse in Deutschland Europa Regional, Vol. 17 (3); pp. 130–146. Brück T. & Peters H. (2009): 20 Years of German Unification: Evidence on Income Convergence and Heterogeneity IZA (Institute for the Study of Labor) Discussion Paper, Nr. 4454.; 23 p. Scheufele R. & Ludwig U. (2009): Der lange Weg der Konvergenz, Wirtschaft im Wandel 10/2009; pp. 400-407. Arbeitsstab Angelegenheiten der Neuen Bundesländer (2010): Jahresbericht der Bundesregierung zum Stand der Deutschen Einheit 2010.; Bundesministerium des Innern Studie, 272 p. Heineck G. & Süssmuth B. (2010): A Different Look at Lenin’s Legacy: Trust, Risk, Fairness and Cooperativeness in the two Germanies, CESifo Working Paper No. 3199., p. 45.
158
Év
Kutató megjelölése
2010
Szendi D. (2010): A német gazdaság két arca, azaz megvalósult-e az egykori NSZK és NDK tartományainak gazdasági konvergenciája? MSc szakdolgozat, Miskolci Egyetem, Gazdaságtudományi Kar, Világ-és Regionális Gazdaságtan Intézet, 95 p.
Munkanélküliség, teljesítőképesség, bérek, GDP, infláció, export
2013
Busch U. (2013): Perspektiven für die Angleichung der Lebensverhältnisse in Ost und West- aus wirtschaftswissenschaftlicher Sicht; Leibniz‐Sozietät der Wissenschaften zu Berlin e.V., Berlin - előadásanyag.
Belső konvergencia
2013
2013
2014
2015
Deutsche Bank Research (2013): Stillstand der Lohnkonvergenz zwischen Ostund Westdeutschland seit Anfang der 2000er Jahre; Working Paper, p. 23. Grossmann V. & Steger T. (2013): Konvergieren die Einkommen zwischen Ost und Westdeutschland? Das deutschdeutsche Experiment aus wachstumsökonomischer Sicht; ifo Dresden-Working Paper; pp. 29-32. Borger K. & Müller M. (2014): In der Normalität angekommen – Deutschland 25 Jahre nach dem Mauerfall; KFW ECONOMIC RESEARCH: Nr. 73, p.6. Ragnitz J. (2015): Wirtschaftliche Entwicklung in Ostdeutschland seit 1991 und Perspektiven für die Zukunft, Vortrag anlässlich der Tagung „25 Jahre ökonomische Transformation“ des Kocheler Kreises, Kochel am See, 10. Januar 2015 - előadásanyag
Kutatási területek
Eredmények Lassú, és fokozatos közeledés figyelhető meg a területrészek között, munkanélküliség és a teljesítőképesség terén. Jelentős különbségek bérek, illetve exportképesség terén. GDP: állandósulni látszó divergencia lassú konvergencia folyamat okai: demográfiai problémák (elöregedés, népesség számának csökkenése, szelektív elvándorlás), nagyvállalatok és konszernközpontok hiánya, relatíve alacsony ipari intenzitás, relatíve alacsony exportorientáció, ipari kutatások hiánya
Bérkonvergencia
nem történt jelentős előrelépés
Jövedelmek konvergenciája
Ipari hagyományokra alapozottan lehet megteremteni a jövőbeli gazdasági fejlődés alapját
Gazdasági növekedés, munkatermelékenység
javuló tendenciák településstruktúra problémája
Multidimenzionális megközelítés
gazdasági fejlődés, differenciákkal kedvezőbb munkanélküliségi ráta probléma: keleti tartományokban kevés növekedési pólus
Forrás: saját szerkesztés
159
63. táblázat: Magyarország konvergenciájának vizsgálata 2000 után Év
Kutató megjelölése
2004
Hahn Cs. (2004): A térségi fejlődést befolyásoló tényezők Magyarországon Területi Statisztika, Nr. 6., pp. 544-563.
2005
2005
2006
2006
2011
Az Országgyűlés 35/1998. (III.20.) számú OGY. határozatával elfogadott Országos Területfejlesztési Koncepció Felülvizsgálata (2005), Magyarország Kormánya, 170 p. Harsányi E., Harsányi G. & Nagy A. J. (2005): Területi fejlettségi különbségek Magyarországon és az ÉszakAlföldi Régióban; AGRÁRTUDOMÁNYI KÖZLEMÉNYEK, 2005/18.; pp. 62-71. Kiss J. P. & Németh N. (2006): Fejlettség és egyenlőtlenségek, Magyarország megyéinek és kistérségeinek esete Budapesti Munkagazdaságtani Füzetek, BWP – 2006/8, 40 p.
Kutatási területek
Eredmények
komplex fejlettségi vizsgálat
térbeli fejlődés befolyásolói: földrajzi helyzet, külföldi tőke betelepülése, autópálya elérhetősége, közép- és felsőfokú végzettség
jövedelmi különbségek
jövedelmi egyenlőtlenségek mind a megyék, mind a régiók szintjén folyamatosan növekednek főváros-vidék és nyugatkelet relációk
területi fejlettségi különbségek
erős nyugat-keleti gazdasági megosztottság
területi szintű jövedelem eloszlása
jelentős különbségek tapasztalhatók mind a megyék, mind a kistérségek szintjén Jelentős a kistérségek Hoover indexeinek szóródása
régiók közötti konvergencia
szerepet játszott a térbeli különbségek alakulásában az ipar térbeli szerkezetének változása
komplex fejlettségi vizsgálat
jelentős a szóródás a munkanélküliségi ráta értékeiben
Nagy G. (2006): A magyar gazdaság területi folyamatainak mérlege: erősödő területi különbségek, vs. regionális kiegyenlítődés In: Kiss A, Mezősi G, Sümeghy Z (szerk.): Táj, környezet és társadalom: ünnepi tanulmányok Keveiné Bárány Ilona professzor asszony tiszteletére. 788 p. Szeged: SZTE Éghajlattani és Tájföldrajzi Tanszék - SZTE Természeti Földrajzi és Geoinformatikai Tanszék; pp. 529-540. Bruder E., Kulcsár L. & Obádovics Cs. (2011): A gazdasági és szociális helyzet területi egyenlőtlenségei a vidéki Magyarországon, hasonlóságok és eltérések. pp. 141-155. In: Bódi F. & Fábián G. (Szerk.): Helyi Szociális ellátórendszer Magyarországon. Debrecen: Debreceni Egyetemi Kiadó
160
Év
Kutató megjelölése
Kutatási területek
2011
Bakos N., Hidas Zs. & Kezán A. (2011): Területi különbségek Magyarországon, A főbb társadalmi és gazdasági folyamatok az ezredforduló után Területi Statisztika, Vol. 1 (51), Nr. 4., pp. 335-357.
komplex fejlettségi vizsgálat
2012
KSH (2012): A gazdasági folyamatok regionális különbségei, Központi Statisztikai Hivatal, 45 p.
gazdasági egyenlőtlenségek
2012
2013
2014
2014
Pénzes J. (2012): A területi jövedelemegyenlőtlenségek tendenciái és meghatározó tényezői Magyarország fejlett és elmaradott régióiban VI. Magyar Földrajzi Konferencia, pp. 686-699. Tóth B. I. (2013): Időszerű áttekintés: területi fejlettségi vizsgálatok Magyarországon az ezredforduló után; E-CONOM: Online tudományos folyóirat, Nyugat-magyarországi Egyetem Kiadó, 2013. II/1., pp. 76-89. Nagy G. & Koós B. (2014): Az objektív jóllét modellezése és első eredményei Magyarországon; In: Nagy E. & Nagy G. (szerk.): Polarizáció - függőség - krízis: Eltérő térbeli válaszok. Békéscsaba: MTA KRTK RKI Alföldi Tudományos Osztály; pp. 176185. Németh Á., Vercse T. & Dövényi Z. (2014): A fejlettség térbeli egyenlőtlenségei Magyarországon az európai uniós csatlakozás után; Területi Statisztika, 54(4), pp. 308–332.
Eredmények migráció főleg keletről (Borsod-Abaúj-Zemplén, Szabolcs-Szatmár-Bereg) középső, illetve a nyugati területekre gazdasági fejlettség különbségeinek oka: földrajzi elhelyezkedés, közlekedési adottságok, infrastruktúra fejlettsége, munkaerő képzettsége, térségek működőtőke-vonzó képessége és az ennek hatására módosuló gazdaságszerkezet. főváros–vidék, és nyugati– keleti relációk két fő folyamat: két legfejlettebb vidéki régió (Nyugat- és KözépDunántúl) relatív pozíciójának javulása, az alacsonyabban fejlett térségek hátrányának kismértékű növekedése
jövedelmi egyenlőtenségek
Williamson hipotézis igazolása – a fejlettebb térségek alacsonyabb belső egyenlőtlenségekkel rendelkeznek
empirikus konvergencia eredményeinek áttekintése
területi egyenlőtlenségek a főváros-vidék és nyugatkeleti relációban a legélesebbek
objektív jóllét
kistérségek gazdasági állapota erős korrelációban lehet a jóllét szintjével
komplex kistérségi fejlettség mutatója
2003 és 2012 között lényegesen nem változtak a fejlettségbeli különbségek
161
Év
Kutató megjelölése
2015
Szendi D. (2015): A lokális humán fejlettségi index eloszlása és területi autokorrelációja Németország és Magyarország esetében; Területi Statisztika, 55(6), pp. 556-591.
Kutatási területek
Eredmények
kistérségi LHDI index vizsgálata
gazdasági teljesítmény indikátorokhoz hasonló térbeli mintázatok a kistérségi HDI centrumok és perifériák tekintetében, de oktatási és élettartam komponens befolyásol
Forrás: saját szerkesztés
162
4. számú melléklet: A német regionalizmus gazdaságtörténeti előzményei
1. A német egység gondolata és létrejötte (1000-1377) A német kifejezés megjelenése körülbelül 1000-re tehető. 1070 körül a történetírás a németek királyságát Regnum Teutonicorumnak nevezi, mely az Alpoktól északra elhelyezkedő területet jelentette. A Regnum Teutonicorum, a német nép által lakott terület, már 1000 körül sem volt egységes, számos terület összességeként értelmezhető.6 A németek öntudata azonban a területi széttagoltság ellenére is erős volt. A Regnum Teutonicorum területe ekkoriban a mai Németország területét jelentősen meghaladta, több mai ország területét érintve (Winkler, 2005.). Közel egy évszázaddal később, az 1100-as évek közepén (1157) I. Frigyes, német-római császár, a Hohenstaufok birodalmi eszméjének szellemében Sacrum Imperium létrehozásán fáradozott, célja a Hohenstauf örökös császárság létrehozása volt. Birodalmát ekkoriban is a területi széttagoltság jellemezte, melyet tovább erősített az 1220 és 1232-es oklevél. A Német-Római Császárságot számos, egymással vitában álló német fejedelemség alkotta7, amelyek mindegyike saját részére akarta kisajátítani a hatalmat. 2. A területi tagoltság időszaka (1378-1512) Németország területe a XIV. század végén (1378 környékén) tovább aprózódott, és az 14001500-as években folyamatos névváltoztatáson ment át. Az 1486-os birodalmi törvény létrehozza a Német Nemzet Római Birodalma kifejezést, mely jelzi a német nép növekvő nemzeti öntudatát. Az 1512-es kölni birodalmi országgyűlés még tovább „finomítja” az elnevezést, a birodalmat a Német Nemzet Szent Római Birodalmának nevezi. Ugyanez az országgyűlés vezeti be a közös nyelvet is a birodalomban. A birodalom területén az egyes részterületek saját államokként funkcionáltak, közös államszervezet kiépítése nélkül. A birodalmat a 15-16. század fordulóján hét fő választófejedelemség uralta8. Már az 1500-as évek elején megjelent az ország nyugati felében a mai Brandenburg, Mecklenburg-ElőPomeránia, és Hessen is, eltérő területi határokkal. A birodalom része volt Szilézia, és Ausztria nyugati része (Steiermark, Karintia) is. Az 1512-es kölni országgyűlés a szétaprózódott területeket körzetekbe sorolta, melyek nagy része 1803-ig változatlan formában fennállt9.
6
A királyság területéhez tartozott 1000 körül: Szász Hercegség, Mark der Billunger (Nordmark), Ostmark, Bohémia (mai Csehország egy része), Türingia, Friesland, Alsó-Lotharingiai Hercegség, Felső-Lotharingiai Hercegség, Frank Hercegség, Sváb Hercegség, Bajor Hercegség, Karintiai Hercegség, Bajor Ostmark. 7 Területét alkotja a Szász Hercegség, Brabanti Hercegség (Friesland területe), Alsó és Felső Lotharingiai Hercegség, Sváb, Frank és Bajor Hercegségek, valamint a Cseh Királyság, Morva Őrgrófság, Pomerániai Hercegség, az Areláti és Itáliai Királyság is. 8 Trier érseke, Köln érseke, Mainz érseke, Csehország királya, a rajnai palotagróf, Szászország hercege, és Brandenburg őrgrófja. 9 Österreichischer (osztrák), Burgundischer (burgundi), Kurrheinischer (rajnai választófejedelemség területe), Fränkischer (frank), Bayerischer (bajor), Schwäbischer (sváb), Oberrheinischer (felső Rajna vidéki), Westfälischer (vesztfáliai), Obersächsischer (felső szász), Niedersächsischer Kreis (alsó szász körzet).
163
3. Területi és vallási tagoltság (1513-1648) Németország területe a 16. század során már nem csak területileg volt széttagolt, hanem a reformáció terjedésével immár vallási alapon is. A reformáció mindkét irányzata, a lutheri és a kálvini irányzat is rohamosan terjedt az ország területén. A felekezeti megoszlás hatására az állami berendezkedés formái is átalakultak. A kálvinista területeken demokratikusabb, míg a lutheri irányzatot hirdető területeken az abszolutista berendezkedés volt megfigyelhető. A reformáció terjedése magával hozta a közös irodalmi nyelvezet kialakulását, de számos ellentétet is szült, melyet először az 1532-es nürnbergi, majd az 1555-ös augsburgi vallásbéke kísérelt meg feloldani („Cuius regio, eius religio”). 1608-1609 folyamán a vallási ellentétek továbbélésével, létrejön a Katolikus Liga és a Protestáns Unió. A katolikusok és protestánsok közti ellentét tovább éleződik, és Európa, köztük a Német-Római Birodalom belesodródik a harmincéves háborúba (1618-1648), mely hatalmas pusztulással, és a keleti területeken az örökös jobbágyság kialakulásával jár. A harmincéves háborút lezáró Vesztfáliai béke után (1648) jelentősen átalakul a Német Birodalom területe. Németalföld északi része és Svájc kilép a Birodalomból, míg Franciaország megkapja Elzászt (!), Bajorország pedig a Pfalzi választófejedelemséggel gyarapodik. Svédország megkapja Elő-Pomerániát és Rügen területét, és a Birodalom területén létrejön egy nyolcadik választófejedelemség is: Rajna-Pfalz (mai Rajna-vidék-Pfalz területén). 4. Európa forradalmai és a napóleoni háborúk (1649-1814) hatása A következő évtizedekben a németek történelmét a soknemzetiségű Ausztria, és Poroszország érdekei határozzák meg. A török megszállás elmúltával Ausztria igazi Európai nagyhatalommá válik. Ezzel párhuzamosan Brandenburgban a Hohenzollern ház felemelkedésével létrejön Poroszország. Az ország nyugat-kelet irányú megosztottsága tovább élesedik, miután a nyugati területeken a nyugat európai országok mintájára polgárosodás indul meg, míg az Elbától keletre marad a feudális berendezkedés, és kialakul az örökös jobbágyság. Az Osztrák Birodalmat rendi államok alkották, melyet monarchikus vezetés egyesített. Poroszország azonban további egységekre tagolódott, miután I. Frigyes Vilmos 1733-ban kantonokat hozott létre az országban. Az 1789-ben kitört nagy francia forradalom hatással volt a németek nemzeti érzéseire is. Hegel 1802-ben azt hangsúlyozta, hogy Németország nem állam többé, mivel az állam a Vesztfáliai béke után megszűnt létezni, mert területe újból elaprózódott. 1806 után, elsősorban a franciák támadásainak köszönhetően, a nacionalizmus újra megerősödik. Poroszország felhagy semlegességével, és harcba száll Napóleonnal szemben. Ugyanez év július 12-én 16 német állam aláírta a Rajnai Szövetségről szóló szerződést10. Az államok elhagyták a Német-római birodalom kereteit, és konföderációt alapítottak. A szövetség védnöke Napóleon volt. II. Ferenc lemondott német-római császári címéről, és bejelentette a Német Nemzet Szent Római Birodalmának felbomlását. A következő években 23 további német állam csatlakozott a szövetséghez. A szövetségbe csak a Habsburg Birodalom, a Porosz Királyság, a dán Holstein, valamint a svéd Pomeránia nem lépett be. Poroszország Napóleon elleni hadműveleteit kezdetben nem koronázza siker. 1806-ban előbb Jenánál, majd Auerstadtnál is vereséget szenved. A Rajnai Szövetség 1808-ra éri el legnagyobb kiterjedését. Ekkor négy királyság, öt nagyhercegség, 13 hercegség, 17 fejedelemség, valamint Hamburg, Lübeck és Bréma szabad Hanza-városok szerepeltek tagjai 10
A Rajnai Szövetség alapítói voltak: Arenberg, Baden, Bajorország, Berg Nagyhercegség, Hessen-Darmstadt, Hohenzollern-Hechingen, Hohenzollern-Sigmaringen, Isenburg-Birstein, Leyeni Fejedelemség, Liechtenstein, Mainzi Érsekség, Nassau, Salm (Salm-Salm és Salm-Kyrburg), Württemberg.
164
között. A francia császár 1812-es oroszországi hadjáratának kudarca után a szövetség számos állama átállt a Napóleon elleni koalíció oldalára. A harcok során a nyelvi határok visszaállításának igénye egyre erősebb, a fő cél Elzász és Lotharingia visszacsatolása a birodalomhoz. 1813-ban a lipcsei népek csatájában Napóleon seregei vereséget szenvednek, melynek nyomán 1814-ben a Rajnai Szövetség összeomlik. A napóleoni háborúk lezárásának eredményeképpen Észak-Szászország Poroszországhoz kerül, csakúgy, mint Vesztfália, és az Észak-Rajna vidék és Elő Pomeránia iparosodott területei. Poroszország vezető ipari hatalommá válik. 5. A Német Szövetség időszaka (1815-1850) 1815-ben a napóleoni háborúk lezárásként, a bécsi kongresszus döntése értelmében I. Sándor orosz cár, I. Ferenc osztrák császár és III. Frigyes Vilmos porosz király életre hívta a Szent Szövetséget. Ugyanezen évben 41 német állam megalakítja a Német Szövetséget, mely az európai status quo fenntartásának egyik záloga. A Bundestag (parlament) székhelye Frankfurt am Mainba került. A Szövetség tagjai voltak a német államok mellett, az angol király (Hannover), a holland király (Luxemburg nagyhercege), a dán király (Holstein és Landenburg hercege), Ausztria, Csehország, Morvaország, Stájerország, Trieszt, Krajna, olasz Tirol, és Poroszország (kelet, nyugat, és a poznani nagyhercegség). 1818-ban előbb Bajorország és Baden, 1819-ben Württemberg, majd 1820-ban Hessen-Darmstadt is alkotmányt kap. 1815 során megjelenik a fekete-vörös-arany lobogó, von Lützow őrnagy szabad csapatai körében, majd Jahn javaslatára a Jénai Diákegyesület szövetségi jelkép rangjára emeli. A lobogó 1832. május 27-én válik a német egységmozgalom végleges szimbólumává. A 1830-as francia forradalom a Bourbon monarchia ellen, majd a lengyel forradalom híre országszerte zavargásokat okoz. A porosz hatalom célja a harmincas években az északi és déli német területek vámuniójának létrehozása, melyet 1834. január 1-jén egységes vámterület (egyfajta vámszövetség) kialakításával érnek el. A Vámszövetség területe 425 000 km2 és lakosságszáma 23 millió fő, melyből 15 millió porosz11. Az 1840-es rajnai válság német-francia ellentéte után a németek nacionalizmusa egyre erősebb, melyet az európai forradalmak híre csak fokozott. Mannheimben, majd Karlsruheban zavargások törtek ki, majd 1848 márciusára szinte minden államban kormányváltások mentek végbe. 1848 májusában a frankfurti Pál templomban tartott parlamenti ülésen döntés született Schleswig felvételéről a Német Szövetségbe, mely augusztusra valósult meg. Ugyanez év október 27-én a nemzetgyűlés dönt a „nagynémet” egység feltételeiről: 1. Német Szövetség területén valósulhat meg (ill. Schleswig és Poznan); 2. nem német állammal való egyesülés csak tiszta perszonálunió útján lehetséges (ez pl.: a Habsburg Birodalom felbomlását jelentette volna); 3. Ausztriával államszövetség, nélküle csak szövetségi állam kialakítása lehetséges. A „kisnémet” megoldás ezzel szemben porosz vezetéssel történő egyesítést jelentett, Ausztria nélkül. 1849. március 27-én hosszú vita, és egyeztetés után a kisnémet megoldás támogatása, és az Ausztriával való szakítás mellett döntöttek. Március 28-án létrejön a birodalmi alkotmány, IV. Frigyes Vilmost császárrá koronázzák. 1849. április 3-án bejelenti, hogy kész olyan szövetség trónjára lépni, melyet tagjai szabad akaratukból hoznak létre. Május 26-án Berlinben létrejön a három király szövetsége (porosz, szász, Hannover), melyhez később Bajorország és Württemberg kivételével többen csatlakoznak.
11
A Vámszövetség tagjai: 1834-től - Poroszország (Anhalt-Bernburg, Anhalt-Dessau, Anhalt-Köthen, Waldeck, Lippe-Detmold), Hessen-Darmstadt, Hessen-Kassel, Bajorország, Württemberg (Hohenzollern-Hechingen, Hohenzollern-Sigmaringen), Szászország, Türingiai Államok Vám és Kereskedelmi Szövetsége; 1835-től Baden, Nassau; 1836-tól – Frankfurt; 1841-től – Braunschweig; 1842-től – Luxemburg; 1854-től - Hannover, Oldenburg; és 1888 után – Hamburg és Bréma.
165
6. A Német egység (1850-1871) 1850-ben az 1. londoni jegyzőkönyv nyomán Schleswig újra Dániáé lesz (porosz vereség az első schleswigi háborúban), majd 1850. november 28-án a poroszok és osztrákok között létrejön az olmützi szerződés. Az 1850-es évek végén az ipari forradalom és a kapitalizmus terjedésével gazdasági konjunktúra kezdődik. 1854. január 1-jével Hannover is csatlakozik a Vámszövetséghez. A krími háborúban feltűnő Otto von Bismarck tekintélye mindeközben folyamatosan nő. A németek nemzeti érzése az olaszok egységmozgalmának hírére tovább fokozódik. Az osztrákok behatoltak a Szárd-Piemonti Királyság területére, és ezzel gyakorlatilag kezdetét vette a harc az olasz egységért, ami végül az 1859-es osztrák vereséggel végződő solferinoi csata után következhetett be. Az 1860-as évekre Schleswig és Holstein területének problémája komoly kérdéssé vált. A második londoni jegyzőkönyv ugyanis a két területet Dániának adta. A területekért folyó 1864-es háború düppeli csatája porosz-osztrák sikert hozott, és Dánia október 30-án véglegesen lemond Schleswig és Holstein területeiről. Az 1865-ös Bad Gasteinben tartott megegyezés szerint a háború két győztese osztozik a területeken. Ausztria megkapja Holsteint, míg Poroszország Schleswiggel gazdagodott. Ez a felosztás tovább élezi a poroszosztrák konfliktusokat, és 1866. június 7-én Poroszország bevonul Holstein területére, majd pár nappal kérőbb Szászország, Hannover és Kurhessen területére is. 1866. július 3-án a csehországi Königgrätznél az osztrákok döntő vereséget szenvednek. Az ezt követő Prágai béke során a Habsburg Birodalom beleegyezik a Német Szövetség felbontásába és Németország tervezett porosz egyesítésébe, valamint az Észak-német Szövetség létrehozásába. 1867. február 12-én megalakul az Észak-német Szövetség12 alkotmányozó nemzetgyűlése, és létrehozzák a Szövetségi Tanácsot, mint a legfőbb ellenőrző szervet. A végrehajtó hatalom a szövetségi kancellár (Bismarck) kezében fog összpontosulni. Az 1870-71-es porosz-francia háborúban (spanyol Bourbon trónörökösödés problémája) Franciaország hadat üzent a poroszoknak, aminek következtében Észak és Dél- Németország együtt indul harcba a közös ellenséggel szemben. Szeptember 2-án a Sedan melletti csatában a franciák döntő vereséget szenvednek, és 1871 februárjában átengedik Elzász és Lotharingia egy részét a poroszoknak, és 5 milliárd frank jóvátételt fizetnek. Németország egyesítése 1871. január 18-án következett be13. Otto von Bismarck porosz miniszterelnök vezetésével a számos független német állam egy nemzetállammá egyesül, megalkotva a Német Birodalmat. Ettől kezdődően jelenik meg a Németország elnevezés. A császárság első vezetője I. Vilmos. Bismarck a német egységet nagyjából három katonai sikernek köszönheti: a második schleswigi háborúnak (1864), az osztrák-porosz háborúnak (1866) és a francia-porosz háborúnak (1870-71). Habár névlegesen Németország ellenfelei 12
A Szövetség tagjai: Porosz Királyság; Szászország-Weimar-Eisenach Nagyhercegség; Oldenburg Nagyhercegség; Braunschweigi Hercegség; Szászország-Altenburg Hercegség; Szászország-Coburg-Gotha Hercegség; Anhalt Hercegség; Schwarzburg-Rudolstadt Fejedelemség; Schwarzburg-Sondershausen Fejedelemség; Reuß jüngere Linie Fejedelemség; Waldeck Fejedelemség; Schaumburg-Lippe Fejedelemség; Lippe Fejedelemség; Lübeck Szabad Város; Hamburg Szabad Város; Bréma Szabad Város. Később csatlakozó területek: Mecklenburg-Schwerin Nagyhercegség; Mecklenburg-Strelitz Nagyhercegség; Oberhessen tartomány; Reuß ältere Linie Fejedelemség; Szászország-Meiningen Hercegség; Szász Királyság. 13 Az egységes Németország területét alkotja Poroszország egésze, Schleswig-Holstein, Mecklenburg-Schwerin Nagyhercegség, Mecklenburg-Strelitz Nagyhercegség, Anhalt Hercegség, Birkenfeld Fejedelemség, Braunschweig Hercegség, Hohenzollern Fejedelemségek, Lauenburg Hercegség (1876-tól majd SchleswigHolstein része), Lippe-Detmold Fejedelemség, Lichtenstein Fejedelemség, Schaumburg-Lippe Fejedelemség, Waldeck Fejedelemség, Oldenburg Nagyhercegség, Hessen, Türingiai államok, Szász Királyság, Bajor Királyság, Württemberg Királyság, Baden Nagyhercegség.
166
robbantották ki e háborúkat, ezen háborúk nagyban hozzájárultak az emberekben az egységes és erős német állam eszméjének kialakulásához. Németország ezt követően számos változáson ment át. 1884-ben megindult a gyarmatosítás, melynek során megszerezte Togó, Kamerun és Német- Új Guinea területét. Majd 1886-tól kezdődően belső átrendeződések is történtek, Kelet-Poroszországban jelentősen visszaesett az agrárium szerepe, és a népesség a jóval iparosodottabb Ruhr-vidéki területek felé vándorolt. 1888-ban új császár lépett a német trónra, II. Vilmos, aki ellentétbe került Otto von Bismarckkal, akit végül 1890-ben felmentették kancellári hivatalából. 7. Két világháború időszaka (1918-1945) A birodalom területi igényei egyre erősebbek, melynek következtében Németország a 20. század elején belesodródik az I. világháborúba. Mint ismeretes, a Német Birodalom elvesztette a világháborút, és ez súlyos következményekkel járt. 1918. október 28-i reformok során a kancellár hatalmát csökkentik, és határozat születik, mi szerint a Birodalmi Gyűlés beleegyezése nélkül nem lehet hadat üzenni. A határozatokat követően zavargások törnek ki szerte a Birodalomban, a császárság felbomlik, helyébe a weimari köztársaság lép. A szövetségi állam hivatalos elnevezése Német Birodalom (Deutsches Reich), központja Berlin. Az 1919-ben Weimarba összehívott nemzetgyűlés új alkotmányt szövegezett, melynek kiindulópontja a népszuverenitás elve volt, mely kimondta, hogy az államhatalom a népé. A szövetségi parlament (Reichstag) képviselőit általános, egyenlő, közvetlen és titkos szavazással négy évre választották. A birodalmi elnök 7 éves mandátumot, de korlátlan újraválaszthatóságot kapott. Az elnök volt a végrehajtó és katonai hatalom vezetője, széles jogköre lehetőséget adott számára a parlament feloszlatásához. A weimari köztársaság szövetségi államként alakult meg. A tartományok saját parlamenttel (Landtag) és kormánnyal rendelkeztek, amelynek küldötteiből Birodalmi Tanácsot (Reichsrat) alakítottak. Az alkotmány elrendelte a fekete-vörös-arany lobogó használatát. A német himnusz 1914. november 10. óta a „Deutschland, Deutschland über alles…”. Németországot az I. világháborút követő Versailles-i békeszerződés számos nehézséggel sújtotta, melyek közül legfontosabbak a területveszteségei voltak. Elzász-Lotharingia területe visszakerült Franciaországhoz, Poznan, Felső-Szilézia, és Nyugat-Poroszország Lengyelországhoz került, Gdanszk szabad város lett. Emellett elrendelték a Rajna-vidék demilitarizálását, a Saar vidéket pedig 15 évre a megalakult Népszövetség felügyelete alá helyezték. Kijelentették az Anschluss tilalmát, vagyis Németország Ausztriával történő egyesítését, és jóvátétel fizetésére kötelezték az országot. Ezzel a békeszerződéssel Németország elvesztette területének 1/7-ét14, lakosságának 1/10-ét, szénkészleteinek 1/3-át, míg érckészleteinek ¾-ét. 1925-ben Hindenburgot választották birodalmi elnökké, 1926-ban Németország belép a Népszövetségbe. 1929 végétől az NSDAP (Nationalsozialistische Deutsche Arbeitspartei) felemelkedése figyelhető meg, melyet 1930-as választási győzelmük koronáz meg. 1932-től újra Hindenburg a birodalmi elnök, azonban Adolf Hitler hatalma egyre erősebb. Hitler nagy álma, a Harmadik Birodalom megteremtése, melynek magában kell foglalnia Németországot és Ausztriát, és létre kell hozni az ezeréves birodalmat. 1933. március 5. után szerte a birodalom minden tartományában (Bajorországban a legkésőbb) megtörténik a nemzetiszocialista hatalomátvétel. A weimari pártrendszer felbomlik, egyedüliként az NSDAP marad meg. 1933. április 11-től az új porosz miniszterelnök Hermann Göring lesz. 1933 novemberében Hitler nyomására Németország kilép a Népszövetségből. 1934. január 14
A birodalom tagjai 1919 után: Poroszország és Kelet-Poroszország, Schleswig-Holstein, MecklenburgSchwerin, Mecklenburg-Sterlitz, Anhalt, Birkenfeld, Braunschweig, Lippe-Detmold, Schaumburg-Lippe, Waldeck, Oldenburg, Hessen, Türingia, Szászország, Bajorország, Württemberg és Baden.
167
30-án a tartományok népképviseletét feloszlatták, minden felségjog a birodalomhoz kerül. Ez évben az SS teljhatalmúvá válik (hosszú kések éjszakája). Augusztus 1-jén a birodalmi elnöki és kancellári hivatalt egységesítik. 1935. január 15-én népszavazással a Saar vidék ismét a birodalom része lett. 1936. március 7én megszállják a versailles-i béke értelmében demilitarizált Rajna vidéket. 1938. március 13án létrejön az Anschluss, vagyis Ausztria bekebelezése a birodalomba. Októberben a Harmadik Birodalom bekebelezi Cseh és Morvaországot is (Szudéta-német területek), és a maradék területen Protektorátust hoz létre. 1939 szeptemberében kirobban a II. világháború. A Harmadik Birodalom még 1940-ben elfoglalja Dániát, Norvégiát, és a Benelux államokat, valamint Észak-Franciaországot, azonban további területi követeléseit kevésbé tudja érvényesíteni. 1945. május 8-án a háború elvesztésével nem csak a Harmadik Birodalom, de Poroszország is elbukott (poroszok: 1947. február 25.). A porosz birodalom bukásával, területén létrejönnek a mai német tartományok. 8. Megosztottság, majd újraegyesítés (1945-1990) 1945-ben a potsdami konferencián a szövetségesek döntenek Németország felosztásáról. Az Odera-Neisse vonaltól keletre lévő területeket megkapja Lengyelország, Kelet-Poroszország északi része pedig a Szovjetunióhoz kerül (Kalinyingrad/Königsberg területe). A Szudéta és magyarországi németek visszatelepülnek Németországba. Az ország területén négy megszállási övezetet hoznak létre, és Berlint is 4 szektorra osztják. A területeken létrehozzák a Szövetséges Ellenőrző Tanácsot. Schleswig-Holstein, Hamburg, Bréma, Alsó-Szászország, és Észak-Rajna-Vesztfália brit, Rajna-vidék-Pfalz, Saar-vidék, Baden és WürttembergHohenzollern francia, Hessen, Württemberg-Baden és Bajorország amerikai, Mecklenburg, Brandenburg, Szász-Anhalt, Türingia és Szászország szovjet ellenőrzés (megszállás) alá kerül. 1948. június 20-án az ország nyugati felén bevezetik a német márkát, majd kevéssel ezután keleten létrehozzák a keletnémet márkát. 1948. február és június között Londonban elhatározás születik egy erős tartományokkal, de gyenge központi hatalommal rendelkező föderatív, nyugatnémet szövetségi állam létrehozásáról. A föderalizmus jegyében az általános hatásköröket az egyes tartományokra ruházzák át. 1949. május 8-án elfogadják az alkotmányt, és létrejön a Német Szövetségi Köztársaság. Nyugat-Berlin különleges státuszú tartomány lett, a Bundestagban és Budesratban tanácskozási joggal rendelkezik. Az ideiglenes főváros Bonnba kerül. A Német Szövetségi Köztársaság tagjai: Baden, Bajorország, Bréma, Hamburg, Hessen, Alsó-Szászország, Észak-Rajna-Vesztfália, Rajna-vidék-Pfalz, SchleswigHolstein, Württemberg-Baden és Württemberg-Hohenzollern. A Saar vidék különleges státuszú terület marad. 1947. szeptember 27-én Sztálin hozzájárult a keleti területeken a Német Demokratikus Köztársaság kialakításához, amelynek alkotmányát október 7-én elfogadják. Legfőbb szerve a Népi Kamara lesz. Az országban a hatalmi ágak szétválasztása nem valósult meg. Az NSZK 1951 májusától az Európa Tanács tagja lesz, a Saar vidék pedig társult tag. 1952ben volt lehetőség a két német állam egyesítésére, azonban ehhez végleg le kellett volna mondani Sziléziáról, Pomerániáról, és Kelet-Poroszország területeiről. 1952-ben létrejön Baden-Württemberg tartomány, Baden, Württemberg-Baden és Württemberg-Hohenzollern tartományok egyesülésével. (Walter, 2005.) 1955-től az NSZK szuverén állam, és csatlakozik a NATO-hoz. Ugyanezen időben (1952) az NDK-ban megszüntetik az öt tartományt (Szászország, Szász-Anhalt, Türingia, MecklenburgElő-Pomeránia, Brandenburg) és 14 körzetet hoznak létre. 1957. január 1-jén a Saar vidék Párizs és Bonn szerződése alapján az NSZK tartománya lett. 1961-ben további elválasztó sáv jön létre a két német állam között. A Szovjetunió nyomására 168
lezárják a berlini szektorhatárokat, és megépül a berlini fal (közvetlen előzmény: Peter Fechter építőmunkás lelövése a Checkpoint Charlie közelében). (Nooke, 2009.) A 70-es években számos tárgyalás folyt a két állam vezetői között az NSZK és NDK kapcsolatainak javítása érdekében, de igazi megoldás nem született. 1972-ben aláírják a két német állam kapcsolatait rendező szerződést. Nyugat-Németországban mindeközben gazdasági és társadalmi fejlődés vette kezdetét, melyet részben a szociális piacgazdaság kialakításának köszönhetnek. Az állam beavatkozott a piaci folyamatokba, és felismerte azt, hogy a lerombolt országban szükség van a munkanélküliek, és munkavállalásra képtelenek támogatására, tehát jóléti juttatásokra (post-keynesi megoldás). Ezzel szemben az NDK a szocialista társadalmi, politikai és gazdasági modellt követte, szigorú tervutasításos rendszerben. Ez gazdaságszerkezeti aránytalanságokhoz vezetett, és a nyugati országrésztől az újraegyesítésig tartó négy évtizedben jelentősen lemaradt. A Szovjetunió fokozatos térvesztésével 1989-90-re egyre nyilvánvalóbbá vált a két országrész egyesítésének igénye, és megkezdődhettek az egyesítési tárgyalások. 1990. március 18-án megrendezték az első demokratikus, valóban többpárti választásokat az NDK-ban. 1990. július 1-jén életbe lépett a gazdasági és pénzügyi unió a két német állam között. 1990. augusztus 31-én megkötik a szerződést a két német állam egyesüléséről. A szerződést mindkét állam parlamentje nagy többséggel fogadta el. 1990. október 3-án létrejött az egységes Németország, azonban a területi különbségek továbbra is fennmaradtak (5. fejezet, 49. táblázat). A keleti tartományokban a szocializmus évei alatt kialakított körzeteket újra felváltotta a tartományi berendezkedés, és újra létrejöhettek a Bundeslandok.
169
5. számú melléklet: A magyar régió és megyerendszer kialakulása és történeti fejlődése „A magyar államiság hosszú történeti fejlődése során sokféle, eltérő jellegű és tartalmú területi felosztás, közigazgatási struktúra volt jellemző. A társadalmi, gazdasági és politikai rendszerek változásaikor szinte mindig újragondolták a közigazgatási berendezkedés egészét, avagy egy-egy elemét.” (Hajdú, 2004. p. 942.) Sokáig a megye volt a közigazgatás meghatározó eleme, és a régió, mint a megye és a központi közigazgatás közötti szintként értelmezhető. Magyarországon a közigazgatási és földrajzi tér meghatározó sajátossága a hegységperem és medence jelleg. Ennek fejlődésében négy jelentős korszakot különíthetünk el (Csüllög, 2001.): 1. nagymedencei térszerkezet kialakításának, és több mint hatszáz éven keresztüli fejlődésének és működésének korszaka, 2. török hódoltság időszaka, 3. nagymedencei térhasználat gazdasági, társadalmi változásokhoz és az európai folyamatokhoz igazodó egységesítése a 18-19. században, 4. térszerkezet felbontása, majd részleges regenerálódása 1920-tól. (Csüllög, 2001.). 1. Honfoglalás-1526-ig A honfoglalás során a magyarok betelepedését törzsszövetségi rendszer jellemezte (Hajdú, 2001). Az ország területe nagy kiterjedésű egységekre oszlott, a Kárpát-medencét 7-8 törzs területe jellemezte15. A törzsszövetségi államról a keresztény államra való rendszerváltás nemcsak a társadalomban, a gazdaságban, hanem a területi szerkezetben is alapvető változásokkal járt (Hajdú, 2001.). A nagyobb kiterjedésű törzsi területeket felszámolták, és kialakították a vármegye rendszert. Szent István király uralkodását a különböző területi struktúrák együttélése jellemezte. Az eltérő források eltérő struktúrákat említenek, azonban a források legnagyobb többsége 10 királyi megye létrehozását tulajdonítja Szent István királynak (Fejér, Veszprém, Visegrád, Kolon, Csanád, Nyitra, Győr, Hont, Doboka, Fehér). Szent László, majd Könyves Kálmán meghódította Szlavóniát, Horvátországot és Dalmáciát, melyek nagytérségként integrálódtak a magyar területekhez. Az államalapítással egy időben, a 11. században került sor a magyarországi püspökségek kialakítására. A 14. század végén már 12 püspökség funkcionált, ezek: az Esztergomi, az Egri, a Győri, a Pécsi, a Veszprémi, a Váci, a Nyitrai, a Bács—Kalocsai, az Erdélyi, a Csanádi, a Váradi és a Zágrábi püspökség (Benkő, 2009.). A következő pontosabb források 1158-ból valók, ekkor 70 megye alkotta az ország területét, ami 1184-re 72 megyére nőtt. A határ menti területek benépesítésével létrejött néhány óriásmegye, amelyek akár tízszer nagyobbak is lehettek, mint a legkisebbek (Bihar, Hunyad, Máramaros, Temes — kontra Esztergom, Hont, Pilis, Ugocsa) (Benkő, 2009.). Az 1222-es Aranybulla megerősíti a köznemesség súlyát, és megjeleníti a megye önkormányzatiságát, területi hatalmát. 1232-ben a kehidai oklevél a megyéket a nemesi önvédelmi és igazságszolgáltatási funkciók letéteményeseként definiálja. A megyék népesség számában és területében azonban lényeges szóródás volt tapasztalható. A XIII. század második felében az országot összességében bonyolult feudális struktúrák jellemezték. Jellemző volt a királyi birtok visszaszorulása, s ezzel párhuzamosan az egyházi, főleg pedig a világi nagybirtok megerősödése. Mindez oda vezetett, hogy a legnagyobb bárók 15
A Kárpát-medencét uraló törzsek: Huba törzse, Horkák törzse, Fejedelem törzse, Kabarok törzse, Ound törzse, Botond törzse, Gyulák törzse, Kund törzse.
170
hatalmas területeket birtokoltak, kiskirályságokra osztva az ország területét. Ezt követően Károly Róbert megalakította a banderiális hadsereget, amely az urak saját zászlajuk alatt hadba vonuló csapataira utalt. A zászlósurak a gyengekezű királyok idején virtuális tartományurakként viselkedtek. 1366-ra 13 zászlósúr teljesen felosztotta maga között a Magyar Királyságot. (Benkő, 2009.) 2. Ország három részre szakadása A mohácsi csatavesztést követően az ország három részre szakadt: Magyar Királyság, Török Hódoltság és Erdélyi Fejedelemség. Ebben az időszakban ezen uradalmi területek alakulása prioritást élvezett a belső közigazgatási tagolódással szemben. A Királyi Magyarország területén jellemző volt a helyi-területi közigazgatási struktúrák magyar sajátosságainak fennmaradása. A Hódoltsági területeken a törökök, elsősorban adóbehajtási céllal, hat vilájetet hoztak létre (Buda, Eger, Nagyvárad, Nagykanizsa, Érsekújvár és Temesvár székhellyel), mely a Hódoltság területének sajátos közigazgatását adta. (Benkő, 2009.) A harmadik terület, Erdély pedig ebben az időszakban önálló fejlődési pályára lépett. 3. Török kiűzésétől 1848-ig A török kiűzését követően kritikus kérdés volt az egykori Hódoltság területén új közigazgatási szerkezet kialakítása, és a ritkán lakott térségek betelepítése. Előbbire Kollonics Lipót, győri püspök kapott felkérést. „A magyar országszemléletben az 1700-as évekre kikristályosodott egyfajta nagytérségi-statisztikai csoportosítás is. A területi egységeket a Dunához illetve a Tiszához való viszonyukban határozták meg” (Hajdú, 2004. p. 944.). 1723-ban már törvény írja elő a megyékben székházak és börtönök kialakítását, ami hozzájárult a városi rendszerek megerősödésének. Ezzel ugyanis megindult a megyeszékhelyek egységes intézményesülési folyamata (Hajdú, 2001.). 1768-ban Mária Terézia a főispánokat, a központi hatalom bizalmi embereit nevezi meg a megyei közigazgatás meghatározó tényezőjeként. Ugyancsak Mária Terézia rendeli el a megyék székhelyeinek kijelölését a vármegyék középpontjába. A XVIII. század végére a nemesi megyék komoly szerepre tesznek szert, ekkorra a törvényhozás és az igazságszolgáltatás szerves részévé válnak, a területi közigazgatás jelentős szereplőjeként. II. József uralkodása alatt elrendeli a megyék autonómiájának megszűntetését, illetve a kis területű, alacsony népességszámú megyék összevonását. Az ország területén 10 kerület kialakítását rendelte el, ezek: Nyitrai, Besztercebányai, Kassai, Munkácsi, Győri, Pesti, Nagyváradi, Temesvári, Pécsi és Zágrábi kerületek. Emellett visszaállította Pest-Buda közigazgatási rangját. A reformkorban számos elképzelés látott napvilágot a magyar közigazgatási struktúra kialakításával kapcsolatosan. A reformkorhoz köthető a modern közlekedési rendszerek (közút, hajózás, vasút) alapjainak megteremtése, és a térségek közötti funkcionális kapcsolatok hangsúlyozása. A magyar közlekedéspolitikai és közlekedéshálózat-fejlesztési koncepciót ebben az időszakban Széchenyi István foglalta össze. 1847-ben Magyarország területét 49 megye, 5 szabad kerület és 44 szabad királyi város alkotta. 1848-ban Táncsics Mihály radikális elképzelése uralta a magyar közigazgatás történetét, mely szerint francia és USA mintára egységes nagyságú területekre, négyzetekre és téglalapokra osztja föl az országot.
171
4. Habsburg önkényuralom időszaka Az 1848-49-es forradalom és szabadságharc leverését követően elsőként 1854-ben változott jelentősen a magyar közigazgatás, a Magyar Királyság mellett 5 koronatartomány kialakítására került sor (Erdélyi Nagyfejedelemség; Horvát-Szlavón Királyság, Fiume és a tengerpart; Szerb Vajdaság; Katonai határőrvidék; és Dalmát Királyság). Emellett a Magyar Királyság területét további 5 kormányterületre (Pozsonyi, Kassai, Váradi, Budapesti, Soproni) valamint megyei és járási területekre osztották. Ez a felosztás alapvetően a politikai rendszert tükrözte. 5. Dualizmus Az 1867-es kiegyezés után teremtődött meg Magyarország területi konszolidációjának lehetősége. Ezt követően került sor Erdély visszacsatolására, és a magyar-horvát kiegyezésre is, amivel megteremtődött a soknemzetiségű birodalom eszméje. Az ország területe ekkoriban a következő struktúrát követte: 64. táblázat: Magyarország területe a dualizmus korában Magyarország – Erdély Fiume és kerülete Határőrvidék Horvát-Szlavónország
Megye 78 15 7
Járás 498 108 6
Szabad Királyi Város 81 1 8 10
Forrás: Hajdú (2001) alapján saját szerkesztés 1872-ben az egyesülő főváros sajátosságait törvény szabályozza. 1873-ban Szapáry Gyula belügyminiszter területszervezési reformkoncepciót dolgoz ki, mely újítása, hogy a magyar területek esetében vonzáskörzeti szempontok szerint alakítja ki javaslatait. Összességében 1900-ra a magyar közigazgatás területi rendje, települési és népességi struktúrája jelentős aránytalanságokat hordoz magában. 1918-ban a Magyar Birodalomban az átlagos megye területe 4519 km2 volt, ami 55,3%-os szórást mutatott a területegységek között, míg népessége 290 ezer fő volt (ez 85,8%-ban szóródott). 6. Két világháború között Az első világháborút követően az antant kimondja a csehszlovák, és délszláv népek önállósághoz való jogát, aminek köszönhetően horvát, szlovák és román területek szakadnak le a birodalomból. Károlyi Magyar Népköztársasága megkísérelte a közigazgatási helyzet rendezését, azonban érdemi előrelépést az ezt követő Tanácsköztársaság sem hozott. A Horthy korszakban a trianoni békeszerződést követően a térszerkezet jelentősen átrendeződött, a határmenti megyék terület és népességvesztése jelentős volt. Gyakran új központok kialakítása volt szükséges. Princz Gyula reformkoncepciójában közlekedésföldrajzi alapokra helyezett megyei és regionális közigazgatást javasolt, 7 települést megjelölve központként (Budapest, Debrecen, Győr, Miskolc, Pécs, Székesfehérvár, Szeged). 1923-at követően egyre inkább elterjedt a Dunántúl, Alföld, és Észak nagytérségi felosztás, míg a közigazgatási reformok keretében újragondolták a megyei struktúrát16. 16
Megyék 1923 után: Győr-Moson-Pozsony, Sopron, Vas, Zala, Veszprém, Somogy, Baranya, Tolna, Fejér, Komárom-Esztergom, Nógrád-Hont, Pest-Pilis-Solt-Kiskun, Bács-Bodrog, Zemplén, Abaúj-Torna, BorsodGömör-Kishont, Heves, Jász-Nagykun-Szolnok, Csongrád, Békés, Csanád-Arad-Torontál, Bihar, Hajdú, Szabolcs-Ung, Szatmár, Bereg-Ugocsa.
172
Az 1930-as népszámlálás során az átlagos megye területe 3722 km2 volt, ami 60%-os szórást mutatott a területegységek között, míg népessége 347 ezer fő volt (ez 126%-ban szóródott). Az egyenlőtlenségek tehát jelentősek voltak. Az időszakban Magyary Zoltán közigazgatás racionalizálási programot javasolt, melyben az alábbi fő kérdések mentén gondolkodott: − hány fokozatú államigazgatás kialakítása célszerű, − közigazgatási egységek méretének meghatározása, − járások számának meghatározása, − megyék kialakítása. Az 1938-as 1. bécsi döntéstől 1941 tavaszáig bekövetkező országhatár változások esetében a jogfolytonosság elvét, vagyis a Trianon előtti megyehatárokat alkalmazták. 7. 1944-1948 A második világháborút követően, az 1944-1948 közötti időszakban kis, közép és nagy megyei koncepciók uralták a magyar közigazgatást. Jelentősebb dokumentum a Nemzeti Parasztpárt által (Bibó István és Erdei Ferenc közreműködésével) kidolgozott új közigazgatási koncepció, amelyben 70-80 városmegye kialakítását célozták meg. A koncepcióban fontos a községek önkormányzatiságának kialakítása, illetve 7 kerület létrehozása (Budapest, Miskolc, Debrecen, Szeged, Pécs, Szombathely, Győr). 8. Államszocializmus időszaka 1949. augusztus 20-án alkotmányban rögzítik a megye, járás, város és község beosztást. 1949-50 között közigazgatási reform keretében 25 helyett 19 megye kialakítására került sor, amelyet a középmegyés felosztás elméletének megfelelően alakítottak ki. 1956-ban Apró Antal a 19 megye helyett 12 megye létrehozását javasolja. A tervezett megyék: BaranyaTolna, Bács-Kiskun, Békés-Csongrád, Borsod-Heves, Fejér-Veszprém, Győr-Vas, Hajdú, Pest, Somogy, Szabolcs, Szolnok és Zala. Emellett Budapest, Debrecen, Miskolc, Pécs és Szeged kerületi funkciót kapott. „A megyebeosztás radikális reformjára 1953-ban és 1956-ban is tervek születtek, de végül nem került sor az alapvető reformra. Az államszocializmus időszakában a megyei beosztás stabil maradt és relatíve felértékelődött” (Hajdú, 2004. p. 948.). 1969-ben Országos Településhálózat-fejlesztési Kerettervet fogadtak el. Az 1970-es népszámlálás során az átlagos megye területe 4869 km2 volt, ami 32,5%-os szórást mutatott a területegységek között, míg népessége 440 810 fő volt (ez 37,4%-ban szóródott). 1971-ben Országos Településhálózat-fejlesztési Koncepciót alakítottak ki, mely 1981-es felülvizsgálatáig érvényben maradt. Az 1984-re létrejött megyerendszer az alábbiak kivételével a mai struktúrát tükrözte: Győr-Sopron, Komárom, Szabolcs-Szatmár, Szolnok. A rendszerváltást követően kialakult a mai megyei felosztás, a megyék visszakapták történelmi nevüket. 2011-ben a magyar kormány ismét határozatot hozott a járások kialakításáról (1299/2011. (IX. 1.) Korm. határozat a járások kialakításáról), amely az állam szervezetének legalacsonyabb szintű területi és szervezeti egysége. A 2013. január 1-jétől bevezetett járási rendszer a vidéki Magyarországon 175 egységet tartalmaz, a főváros 23 kerületében 23 járási hivatal lesz. A lakosságszám a Heves megyei Bélapátfalvai járásban a legalacsonyabb (8,8 ezer), míg a legnépesebb a Borsod-Abaúj-Zemplén megyei Miskolci járás (251,4 ezer) (Faluvégi, 2012.). A járási rendszer szerkezetét és változásait a történelemben az alábbi táblázat összegzi. 173
65. táblázat: A járások, városkörnyékek és a statisztikai kistérségek rendszere Magyarországon Főváros, megye Budapest Baranya Bács-Kiskun Békés Borsod-AbaújZemplén Csongrád Fejér Győr-Moson-Sopron Hajdú-Bihar Heves KomáromEsztergom Nógrád Pest Somogy Szabolcs-SzatmárBereg Jász-NagykunSzolnok Tolna Vas Veszprém Zala Összesen
Járások, városkörnyékek, 1973 1 7 8 6
Város- és nagyközség környékek, 1984 1 5 10 8
11
Kistérségek, 1994
Kistérségek, 1998
Kistérségek, 2010
Járások, 2012
1 8 10 6
1 8 10 6
1 9 10 8
23 11 10 9
10
11
11
15
16
5 5 5 7 5
7 6 5 5 5
6 7 5 7 6
7 7 6 7 6
7 10 7 9 7
7 9 7 10 7
6
7
6
7
7
6
5 11 7
6 14 8
6 10 9
6 14 9
6 16 11
6 18 8
7
7
8
10
12
13
9
9
5
6
7
9
5 5 8 4 127
5 7 9 6 140
5 7 9 6 138
5 9 9 6 150
5 9 10 9 175
6 7 10 6 197
Forrás: Faluvégi (2012) alapján saját szerkesztés
174
6. számú melléklet: Két ország területfelosztásának jellemzőbb indikátorai 66. táblázat: Két ország területfelosztásának különbségei
70.550 29.654 3.077
NUTS1 NUTS2 NUTS3 LAU1
3 7 20* 168
6.916 6.916 525 118
49.496 18.338 8.445 1.483
Átlagos népességszám (fő)
419 419 36
Maximális népességszám (fő)
Maximális méret (km2)
16 38 434
Minimális népességszám (fő)
Minimális méret (km2)
NUTS1 NUTS2 NUTS3
Átlagos méret (km2)
Területegységek száma (db)
Németország
22.334 9.404 867
657.391 519.136 34.084
17.571.856 5.088.748 3.421.829
5.047.966 2.125.460 196.038
2.965.413 917.492 198.392 6.403
3.940.749 2.965.413 1.744.665 1.740.041
3.292.455 1.411.052 493.868 56.901
Magyarország 31.008 13.289 4.651 528
Forrás: Eurostat adatai alapján saját szerkesztés *Budapestet külön értelmezve A két ország területfelosztását vizsgálva elmondható, hogy jelentős eltérések fedezhetők fel az egyes területi szinteken, mind a területegységek átlagos méretét, mind pedig népességszámát tekintve. A két országban a területi felosztás mellett eltérő a településhierarchia is, eltérő módon jelennek meg benne a városrégiók. Magyarország esetében nincsenek csak várost tartalmazó területegységek LAU1 szinten sem (kivéve Budapestet). Németországban ezzel szemben a három tartományi jogú város esetében (Hamburg, Bréma, Berlin) már NUTS1-es szinten is megjelennek a városi térségek, NUTS3-as szinten pedig a 434 területegységből 107 várostérség (például Szász-Anhalt várostérségei: Magdeburg, Halle, Dessau).
175
7. számú melléklet: 1000 főre jutó működő vállalkozások eloszlása Németország esetében (2011)
55. ábra: 1000 főre jutó működő vállalkozások eloszlása (Németország, 2011.) Forrás: Statistisches Bundesamt Deutschland adatai alapján saját szerkesztés
Első tíz körzet az 1000 főre jutó működő vállalkozások eloszlása alapján. 1. München 2. Köln 3. Hannover régió 4. Frankfurt am Main 5. Düsseldorf 6. Stuttgart 7. Nürnberg 8. Rhein-Sieg körzet 9. Esslingen 10. Rhein-Neckar körzet
176
8. számú melléklet: Kutatóközpontok és egyetemek eloszlása a német és magyar gazdaságban
3
5
1
1
3
3 1 5
Egyetem, főiskola
Tartományi Intézetek
2
Szövetségi Intézetek
Leibnitz Intézet
Max-Planck Intézet
Helmholz Intézet
Frauenhofer Intézet
67. táblázat: Németország kutatóközpontjai
5 1
2
Alsó-Szászország Braunschweig Celle Göttingen Hameln-Pymont Hannover Hildesheim Lüneburg Nordhausen Oldenburg régió Osnabrück Wilhelmshaven
2
1
1
4 1 2
2 1
1
6 2 1 1 1 2
Baden-Württemberg Biberach Breisgau Esslingen Heilbronn Heidelberg Karlsruhe Konstanz Ludwigsburg Mannheim Ostalb Reutlingen Rhein-Neckar Schwarzwald-Baar Sigmaringen Stuttgart Tübingen Ulm
5
2
1 1
4
1
4 1 1 3
5 3 2 2 1 1 1
2
1
1 5 2 2 5 7 2 3 4 4 1
1 1 5
2 4
4 2
1 1
1 10 2 2
Bajorország Amberg-Sulzbach Augsburg Bad-Tölz-Wolfratshausen Bamberg Bayreuth Coburg Deggendorf Erding Erlangen-Höchstätt Freising Fürstenfeldbrück Fürth Hof Ingolstadt
1 1 1
1 2
1 3 1
1
1 1
1 2 1 2 2 2 1 1 2 1
1 1 1 1
177
Kulmbach Landshut Miesbach München Nürnberg Passau Regensburg Staubing-Bogen Würzburg
1 1 1 3
2
12
3 1
18
4 1
2 1 2
1
12 4 1 3 3
Berlin Berlin
4
2
5
12
8
14
36
Brandenburg Brandenburg Frankfurt (Odera menti) Märkisch-Oderland Oder-Spree Ostprignitz-Ruppin Potsdam Potsdam-Mittelmark Bréma Bremerhaven
1 1 1 1
1 1 1 1
1 1 1 Bréma
3
5
2
3 1
1
2 1
9 1
6 1
2
2 9 2 1 3
1
4
Észak-Rajna-Vesztfália Aachen Arnsberg Bonn Detmold Dortmund Duisburg Düren Düsseldorf Essen Euskirchen Hochsauerland Köln Münster Paderborn Rhein-Erft Rhein-Sieg Wuppertal
3 1 2 1
4
1 3
1
3
3
3 1
1 1 1
6 1 1
1 1
6 3
1
1 1
1 1
4 1
1 1
8 4 3
1 6
1 1
2 2
Hamburg Hamburg
1
1
3
3
7
3
19
3
2 7
2
6
1
1
3 2
3 8 2 3 1 1 1
1
2
Hessen Darmstadt Frankfurt am Main Fulda Gießen Kassel Marburg-Biedenkopf Offenbach Wetterau Wiesbaden
3
1
1
1 3
Mecklenburg-Elő-Pomeránia Güstrow Neubrandenburg Stralsund
1 1 1
178
Vorprommern-Greifswald Wismar
1 1
Rajna-vidék-Pfalz Ahrweiler Kaiserslautern Koblenz Mainz Mainz-Bingen Neustadt an der Weinstraße Neuwied Speyer Trier Worms
2
3 4
1
1 2
2
3 1 1
1
2 1 4 1 1
1 1
3
1 3 1
2
2
4
5
1
1
Saar-vidék Saarbrücken Saarpfalz
1 1
Schleswig-Holstein Greifswald Herzogtum-Lauenburg Kiel Lübeck Pinneberg Plön Rostock Schleswig-Flensburg Steinburg
1 1
4
1
1
1
3
3 3 1
1
2 2
1
2 1 8 8 2 1 2
4 1 1
1
4 2
1
Szászország Bautzen Chemnitz Cottbus Drezda Lipcse Löbau-Zittau Mittelsachsen Zwickau
1 2 8 2
1 1
3 3
3 3
1 5 3
2 1
Szász-Anhalt Anhalt-Bitterfeld Dessau-Rosslau Halle Harz Magdeburg Wittenberg
1 1 1
2
4 1
1
1
1
3 1 2
1
Türingia Erfurt Gera Ilm Jena Saale-Holzland Schmalkalden-Meiningen Weimar
1 2 1
1 3
3
1
3 1 1 2
1 1
Forrás: saját szerkesztés
179
1 2
Németországban NUTS2-es szinten a K+F ráfordítások és az életminőség között gyenge kapcsolat mutatható ki (lineáris korreláció: 0,091). Vizsgáltam az ország területén a kutatóintézetek (Frauenhofer Intézet, Helmholz Intézet, Max-Planck Intézet, Leibnitz Intézet), tartományi és szövetségi kutatóközpontok, valamint az egyetemek térbeli eloszlását a körzetek szintjén (vállalati kutatóközpontok nélkül). Az összesített listát az 56. ábra mutatja.
Sorszám
Térség
1 2 3 4
Berlin München Hamburg Drezda Frankfurt am Main Stuttgart Bréma Lipcse Breisgau Hannover Karlsruhe Potsdam Bonn Braunschweig Köln Saarbrücken Düsseldorf Heidelberg
5 6 7 8 9 10 11 12 13 14 15 16 17 18
Kutatóközpontok összesített száma 81 54 37 30 24 21 21 21 18 17 17 17 17 15 14 14 13 12
56. ábra: Kutatóközpontok és egyetemek Németországban (2015) Forrás: saját szerkesztés A legtöbb kutatóintézménnyel Berlin és München rendelkeznek. Emellett a legmagasabb életminőséggel bíró területek közül Hamburg, Frankfurt, Stuttgart, Bonn és Köln is számos kutató-fejlesztő bázis székhelye. A keletnémet tartományokban a főváros mellett Drezda, Lipcse, Potsdam, Halle és Jena jelenik meg a legjobbak között, tehát az életminőség hotspotjai azonosíthatók.
5 fölötti magán kutatóhellyel rendelkező térségek: kutatóintézetek (Frauenhofer Intézet, Helmholz Intézet, Max-Planck Intézet, Leibnitz Intézet). – az életminőség indexhez viszonyítva
180
57. ábra: 5 fölötti magán kutatóintézettel rendelkező térségek (Németország, 2015.) Forrás: saját szerkesztés 68. táblázat: 5 fölötti magán kutatóintézettel rendelkező térségek sorrendje (Németország, 2015.) Sorszám
Térség
Kutatóközpontok száma
1
Berlin
23
2
München
20
3
Drezda
15
4
Potsdam
10
5
Frankfurt am Main
9
6
Lipcse
9
7
Breisgau
8
8
Bonn
8
9
Hamburg
8
10
Stuttgart
7
11
Düsseldorf
7
12
Halle
7
13
Jena
7
14
Göttingen
6
15
Karlsruhe
6
16
Tübingen
6
17
Bréma
6
18
Dortmund
6
19
Rhein-Sieg körzet
6
20
Rostock
6
Forrás: saját szerkesztés
181
5 fölötti tartományi és szövetségi kutatóhellyel rendelkező térségek – az életminőség indexhez viszonyítva
58. ábra: 5 fölötti szövetségi/tartományi kutatóintézettel rendelkező térségek (Németország, 2015.) Forrás: saját szerkesztés 69. táblázat: 5 fölötti szövetségi/tartományi kutatóintézettel rendelkező térségek sorrendje (Németország, 2015.) Sorszám
Térség
Kutatóközpontok száma
1
München
22
2
Berlin
22
3
Hamburg
10
4
Bréma
9
5
Braunschweig
8
6
Bonn
7
7
Frankfurt am Main
7
8
Drezda
7
9
Hannover
6
Forrás: saját szerkesztés
182
5 fölötti egyetemi és főiskolai intézménnyel rendelkező térségek – az életminőség indexhez viszonyítva.
59. ábra: 5 fölötti egyetemi és főiskolai kutatóintézettel rendelkező térségek (Németország, 2015.) Forrás: saját szerkesztés 70. táblázat: 5 fölötti egyetemi és főiskolai kutatóintézettel rendelkező térségek sorrendje (Németország, 2015.) Sorszám
Térség
Kutatóközpontok száma
1
Berlin
36
2
Hamburg
19
3
München
12
4
Stuttgart
10
5
Arnsberg
9
6
Köln
8
7
Frankfurt am Main
8
8
Drezda
8
9
Lipcse
8
10
Karlsruhe
7
11
Hannover
6
12
Bréma
6
13
Düsseldorf
6
Forrás: saját szerkesztés
183
71. táblázat: Magyarország kutatóközpontjai (2015) Megye Bács-Kiskun Baranya Békés Borsod-AbaújZemplén Budapest Csongrád Fejér Győr-MosonSopron Hajdú-Bihar Heves Jász-NagykunSzolnok KomáromEsztergom Nógrád Pest Somogy Szabolcs-SzatmárBereg Tolna Vas Veszprém
Kistérség Bajai Kalocsai Kecskeméti Pécsi Miskolci Sárospataki Szegedi Dunaújvárosi Ercsi/Martonvásári Székesfehérvári Győri Sopron-Fertődi Debreceni Egri Gyöngyösi
Egyetemek + főiskolák 1 1 1 2
MTA központok + Lendület kutatócsoportok + támogatott kutatócsoportok
1 1 37 2 1
3
10
103 24 1
1 2 1 3 2 1
Szolnoki
1
Esztergomi Tatabányai
1 1
Gödöllői Váci Kaposvári
2 1 1
Nyíregyházi
2
Balatonfüredi Pápai Veszprémi Zirci
1 3 1
2 1 23
1 1
1 4
Zala
Forrás: saját szerkesztés A magyar esetben a megyékre vonatkozóan vizsgáltam a K+F és az életminőség kapcsolatát, mely a német esetnél erősebb korrelációs kapcsolatot igazolt (lineáris korreláció: 0,5913). Vizsgáltam továbbá az egyetemek, főiskolák, illetve az MTA kutatóintézetek, MTA Lendület kutatócsoportok és az MTA támogatott kutatócsoportok térbeli eloszlását a magyar kistérségek tekintetében. A kialakuló sorrendet a 60. ábra mutatja.
184
60. ábra: Kutatóközpontok és egyetemek Magyarországon (2015) Forrás: saját szerkesztés A kistérségek viszonylatában a legtöbb kutatóközponttal a Budapesti (140), Csongrádi (Szeged – 26) és Debreceni (26) kistérségek rendelkeznek, a Miskolci térség (4) ebben az összevetésben hatodik. Az életminőség hot spotjait a magyar kistérségek esetében is megfigyelhetjük, a legtöbb kutatóhely e központokban összpontosul. 2 fölötti összesített értékkel rendelkező megyék – az életminőség indexhez viszonyítva. − egyetemek, főiskolák, − MTA kutatóintézetek, Lendület kutatócsoportok és támogatott kutatócsoportok.
61. ábra: 2 –nél több kutatóintézettel rendelkező megyék (Magyarország, 2015.) Forrás: saját szerkesztés
185
72. táblázat: 2 –nél több kutatóintézettel rendelkező megyék sorrendje (Magyarország, 2015.) sorszám
megye
Intézmények száma
1 2 3 4 5 6 7
Budapest Csongrád Hajdú-Bihar Baranya Veszprém Borsod-Abaúj-Zemplén Győr-Moson-Sopron
140 26 26 12 7 4 4
Forrás: saját szerkesztés 2 fölötti összesített értékkel rendelkező megyék – az életminőség indexhez viszonyítva. − egyetemek, főiskolák.
62. ábra: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező megyék (Magyarország, 2015.) Forrás: saját szerkesztés
186
73. táblázat: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező megyék sorrendje (Magyarország, 2015.) sorszám
megye
Intézmények száma
1
Budapest
37
2
Hajdú-Bihar
3
3
Veszprém
3
4
Csongrád
2
5
Baranya
2
6
Győr-Moson-Sopron
2
7
Heves
2
8
Pest
2
9
Szabolcs-Szatmár-Bereg
2
Forrás: saját szerkesztés 2 fölötti összesített értékkel rendelkező megyék – az életminőség indexhez viszonyítva. − MTA kutatóintézetek, Lendület kutatócsoportok és támogatott kutatócsoportok.
63. ábra: 2 –nél több MTA kutatóintézettel rendelkező megyék (Magyarország, 2015.) Forrás: saját szerkesztés
187
74. táblázat: 2 –nél több MTA kutatóintézettel rendelkező megyék sorrendje (Magyarország, 2015.) sorszám
megye
1
Budapest
Intézmények száma 103
2
Csongrád
24
3
Hajdú-Bihar
23
4
Baranya
10
5
Veszprém
4
6
Borsod-Abaúj-Zemplén
3
7
Győr-Moson-Sopron
2
Forrás: saját szerkesztés
2 fölötti összesített értékkel rendelkező kistérségek – az életminőség indexhez viszonyítva. − egyetemek, főiskolák.
64. ábra: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező kistérségek (Magyarország, 2015.) Forrás: saját szerkesztés
188
75. táblázat: 2 –nél több egyetemi/ főiskolai kutatóintézettel rendelkező kistérségek sorrendje (Magyarország, 2015.) sorszám
kistérség
1
Budapesti
Intézmények száma 37
2
Debreceni
3
3
Veszprémi
3
4
Szegedi
2
5
Pécsi
2
6
Győri
2
7
Egri
2
8
Gödöllői
2
9
Nyíregyházi
2
Forrás: saját szerkesztés
2 fölötti összesített értékkel rendelkező kistérségek – az életminőség indexhez viszonyítva. − MTA kutatóintézetek, Lendület kutatócsoportok és támogatott kutatócsoportok.
65. ábra: 2 –nél több MTA kutatóintézettel rendelkező kistérségek (Magyarország, 2015.) Forrás: saját szerkesztés
189
76. táblázat: 2 –nél több MTA kutatóintézettel rendelkező kistérségek sorrendje (Magyarország, 2015.) sorszám
kistérség
1
Budapest
Intézmények száma 103
2
Szegedi
24
3
Debreceni
23
4
Pécsi
10
5
Veszprémi
4
6
Miskolci
3
7
Győri
2
Forrás: saját szerkesztés
190
9. számú melléklet: Életminőség index értékei a magyar és német régiók esetében 77. táblázat: Életminőség index értékei, Magyarország régiói esetében (2001-2011) 2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Közép-Magyarország 68,53
33,06
29,90
30,83
29,69
34,85
30,85
36,10
20,70
31,77
44,44
Közép-Dunántúl
11,66
14,52
27,73
28,95
19,76
23,05
13,82
23,64
23,76
15,26
31,05
Nyugat-Dunántúl
14,54
15,63
12,15
10,06
23,04
12,70
14,24
11,05
23,58
17,85
8,48
Dél-Dunántúl
41,19
24,76
41,73
38,11
22,20
35,36
37,79
25,01
33,33
39,98
34,86
Észak-Magyarország
6,46
6,48
5,89
8,92
8,78
9,18
9,14
10,63
10,87
9,74
10,91
Észak-Alföld
26,96
27,37
27,76
29,99
33,17
30,18
24,51
21,73
24,84
24,67
25,65
28,55
24,27
33,29
31,39
40,41
27,79
15,33
37,08
35,27
25,36
38,11
Dél-Alföld
Forrás: Eurostat adatai, és saját számítások alapján, saját szerkesztés 78. táblázat: Életminőség index értékei, Németország régiói esetében (2001-2011) 2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Stuttgart
33,91 31,29 36,74 40,44 43,23 40,86 35,11 40,04 37,62 43,29 31,53
Karlsruhe
36,98 34,54 33,99 36,39 41,11 38,93 20,45 37,45 40,21 38,06 33,69
Freiburg
22,86 18,66 26,47 37,54 36,93 30,73 21,88 32,22 30,88 28,94 22,13
Tübingen
39,24 36,18 33,91 22,01 36,21 20,50 26,25 33,82 30,05 39,43 26,92
Oberbayern
28,10 25,64 31,07 22,80 29,96 26,68 27,53 28,32 27,72 26,30 33,35
Niederbayern
40,37 21,72 20,45 32,07 21,92 19,71 19,20 21,38 16,11 21,81 29,06
Oberpfalz
46,15 33,14 32,11 27,10 33,04 25,55 26,06 16,86 29,98 29,23 38,02
Oberfranken
33,68 29,80 38,17 37,79 20,50 32,22 29,68 30,33 34,31 35,25 38,66
Mittelfranken
43,49 39,48 35,75 47,60 47,33 39,66 38,83 38,90 42,68 36,79 41,79
Unterfranken
42,81 36,50 31,40 41,40 35,76 32,01 34,34 32,71 19,90 34,14 44,47
Schwaben
38,07 24,18 27,38 29,93 30,21 23,56 25,22 28,33 23,24 24,65 35,81
Berlin
11,67 11,75 14,83 15,58 15,42 15,17 14,60 18,27 24,32 22,06 21,43
Brandenburg
51,79 50,62 40,89 47,91 52,89 36,59 35,24 34,38 51,02 49,39 47,39
Bréma
42,00 42,23 31,79 39,16 46,56 37,58 36,23 31,93 34,42 39,60 34,31
Hamburg
33,25 33,67 38,43 39,66 42,42 38,80 33,16 40,59 45,48 49,35 44,28
Darmstadt
46,65 45,91 44,60 50,36 50,89 44,92 43,57 49,71 44,41 45,52 42,99
Gießen
45,19 41,40 42,31 39,46 43,49 42,84 33,21 38,46 35,84 37,24 33,46
Kassel
46,55 42,80 33,26 37,39 43,09 42,01 34,54 39,25 26,74 28,17 18,43
Mecklenburg-Elő-Pomeránia 22,83 36,88 28,40 37,44 40,15 35,79 Braunschweig 46,74 43,75 49,99 43,98 48,95 45,98 Hannover 46,59 43,89 46,04 46,10 49,46 45,85 Lüneburg 47,35 32,79 31,52 23,08 42,93 38,45
25,41 45,65 46,06 33,57 32,13 35,92 39,87 40,52 42,43 50,27 41,07 39,14 38,98 39,61 45,51 32,38 35,30 32,99 37,90 49,94
Weser-Ems
52,21 42,31 41,28 41,11 49,97 46,34 37,50 41,15 37,74 39,63 45,14
Düsseldorf
39,87 39,42 43,36 43,79 45,09 41,44 37,84 40,27 39,09 40,98 38,57
Köln
48,42 48,50 48,59 52,92 53,45 48,23 45,76 49,40 47,44 48,96 48,64
Münster
43,61 42,24 46,48 47,85 48,12 44,76 39,21 43,09 42,48 42,49 38,22
Detmold
53,78 51,81 48,55 56,73 58,11 51,91 44,42 45,68 44,76 44,30 44,16
Arnsberg
44,63 43,25 41,29 45,07 43,40 42,98 36,18 37,26 39,66 37,35 36,41
Koblenz
53,35 44,00 41,17 44,18 43,58 39,75 38,83 41,18 39,63 35,36 26,67
Trier
47,25 42,83 14,97 29,93 41,53 39,56 42,84 36,88 40,80 20,74 43,51
191
Rheinhessen-Pfalz
47,88 44,21 44,25 45,90 53,14 52,61 40,32 38,57 44,33 43,36 43,72
Saar-vidék
39,28 37,39 25,54 36,67 39,67 30,77 24,66 30,33 33,54 29,86 29,92
Drezda
38,26 35,56 42,66 46,42 43,53 40,81 22,43 37,38 35,91 28,81 31,19
Chemnitz
51,41 46,76 53,38 53,24 51,92 41,06 20,75 28,48 24,59 20,78 20,11
Lipcse
45,44 43,67 55,01 54,22 51,81 44,52 27,65 39,87 39,44 31,42 18,26
Szász-Anhalt
14,19 27,78 36,38 26,50 22,94 20,86 17,28 21,06 20,92 16,96 13,33
Schleswig-Holstein
46,98 41,86 39,88 44,43 46,72 35,53 35,63 38,42 37,55 44,42 34,78
Türingia
41,85 40,57 42,20 42,67 45,80 40,73 29,42 36,37 39,11 31,10 26,46
Forrás: Eurostat adatai, és saját számítások alapján, saját szerkesztés Németországban az életminőség mutatóját az egyes körzetek szintjén (NUTS3) vizsgálva megállapítható, hogy a legfejlettebb területeket a nyugati országrészben Baden-Württemberg, Észak-Rajna-Vesztfália, Bajorország tartományok területén, valamint a Ruhr vidék nagyvárosaiban találjuk. Az okok között említhető a térségekben az oktatás, képzés magas színvonala, nagy múltú felsőoktatási intézmények megléte (például Münster, Bonn esetében). A legfejletlenebb térségek ezzel szemben Szászország és Szász-Anhalt tartományok területén találhatók (79. táblázat). 79. táblázat: Németország legfejlettebb és legkevésbé fejlett térségei az életminőség index alapján TOP 5 legfejlettebb terület az életminőség alapján 2001 2011 Potsdam-Mittelmark 44,16 Greifswald
48,97
Jena
43,46
Bonn
47,07
Märkisch-Oderland
42,93
Oldenburg
46,66
Bad-Doberan
41,65
Wolfsburg
45,39
Oberhavel
40,85
Münster
45,28
TOP 5 legfejletlenebb terület az életminőség alapján 2001 2011 Amberg 14,47 Rottal-Inn
14,44
Heidenheim
14,41
Neuburg-Schrobenhausen
14,32
Memmingen
12,82
Coburg
13,96
Freyung-Grafenau
11,76
Hof
11,18
Dingolfing-Landau
10,95
Tirschenreuth
10,36
Forrás: Eurostat és Statistisches Bundesamt adatai és saját számítások alapján saját szerkesztés
192
10. számú melléklet: Jóléti index vizsgálata A jólét változásának vizsgálatára a Sen féle jóléti indexet számszerűsítettem. Az index értéke a 2009-es gazdasági válság okozta megtorpanást kivéve valamennyi vizsgált területen nőtt (66. ábra). Német esetben a jóléti index növekedési üteme évi átlag 3,16%-os volt. SzászAnhalt tartomány esetében a növekedés dinamikája erőteljesebb volt (3,95%), mint a magyar gazdaság esetében (3,68%), ami olyan szempontból nem meglepő, hogy a jóléti index egyik tényezője, a GINI mutató Magyarország esetében kedvezőtlen képet mutatott.
66. ábra: Jóléti indexek alakulása (2000-2011) Forrás: saját szerkesztés A jóléti index vizsgálatát elvégeztem a német NUTS1-es tartományok esetében is, megyei szinten vett adatokra (GDP/fő – Euroban) alapozva a vizsgálatot (az adatok forrása a Német Regionális Statisztikai Hivatal adatbázisa volt) (80. táblázat). Továbbá kiszámítottam a magyar régiók jóléti indexeit, kistérségi egy főre jutó adóköteles jövedelem adatára alapozva a vizsgálatot (ezer Ft/fő), ahol az adatforrás a TEIR adatszolgáltatása volt. 80. táblázat: A német tartományok és a magyar régiók jóléti indexei (2011) Tartomány Schleswig-Holstein Alsó-Szászország Észak-Rajna-Vesztfália Hessen Rajna-vidék-Pfalz Baden-Württemberg Bajorország Saar-vidék Brandenburg Mecklenburg-Elő-Pomeránia Szászország Szász-Anhalt Türingia
SW 2011 (Euro/fő, NUTS3) 13814,24 14449,87 11381,82 13786,72 15494,41 15866,95 14747,03 9990,528 13913,29 13582,74 14775,08 14484,77 13442,23
Forrás: saját szerkesztés 193
Régió Közép-Magyarország Közép-Dunántúl Nyugat-Dunántúl Dél-Dunántúl Észak-Magyarország Észak-Alföld Dél-Alföld
SW 2011 (ezer Ft, LAU1) 1868,03 1685,79 1557,61 1365,16 1419,05 1321,19 1370,78
Az elemzés során, speciális helyzetük miatt nem vettem figyelembe az úgynevezett városállamokat (Hamburg, Bréma, és Berlin). 2011-ben Baden-Württemberg és Rajna-vidékPfalz rendelkezett a legmagasabb jóléti indexekkel. Emellett az index értékei relatíve magasak voltak Szászország és Szász-Anhalt tartományokban is. Szász-Anhalt esete nem meglepő, hiszen a GINI indexe, vagyis a jövedelmi egyenlőtlenség relatíve alacsony volt. Magyarország régiói esetében a jóléti index is alátámasztja a nyugat-keleti fejlettségbeni differenciákat (mivel a nyugati és középső régiók (Dél-Dunántúl kivételével) 2011-ben sokkal magasabb jóléti indexszel rendelkeztek, mint a keleti országrész régiói). 81. táblázat: A német tartományok GDP és jóléti indexeinek eltérései (2000, 2011) Tartomány
GDP 2000
GDP 2011
Schleswig-Holstein Alsó-Szászország Észak-Rajna-Vesztfália Hessen Rajna-vidék-Pfalz Baden-Württemberg Bajorország Saar-vidék Brandenburg Mecklenburg-Elő-Pomeránia Szászország Szász-Anhalt Türingia
20800 20300 22500 27000 20200 25300 26300 20600 15400 15000 15200 14700 14900
25900 27500 31200 36200 27900 34600 35300 30200 22000 21100 22400 21500 21200
GDP növekedési ráta (20002011) 2,24% 2,89% 2,93% 2,40% 2,93% 2,85% 3,11% 3,40% 3,48% 3,34% 3,71% 3,71% 3,71%
SW 2000
SW 2011
11593,33 11997,77 11190,68 11593,99 13019,75 13815,99 11829,84 11395,28 11611,68 11394,13 12469,4 12234,93 11539,95
13814,24 14449,87 11381,82 13786,72 15494,41 15866,95 14747,03 9990,528 13913,29 13582,74 14775,08 14484,77 13442,23
SW növekedési ráta (20002011) 1,92% 2,04% 0,17% 1,89% 1,90% 1,48% 2,47% 0,23% 1,98% 1,92% 1,85% 1,84% 1,65%
Forrás: saját szerkesztés A GDP növekedési rátája a vizsgált 2000-2011-es időszakban, a keleti tartományokban általában magasabb dinamikát mutatott, mint az ország nyugati felében. A jóléti index a keleti tartományokban közel hasonló, vagy magasabb növekedési rátákat mutatott, mint nyugaton, vagyis e téren is kismértékű konvergencia ment végbe.
194
11. számú melléklet: Moran I vizsálat a német GDP esetében (NUTS1; NUTS2) A globális Moran féle I index elemzését elvégeztem Németország esetében NUTS 1-es és 2es szinten is 2000 és 2010 között. Mindkét területi egység esetében a mértékadó alegység a NUTS 3-as területi szint egy főre jutó GDP adata volt. A Moran I elemzése során a sorstandardizált szomszédsági mátrixot preferáltam. A kapott eredményeket NUTS 1-es szinten az alábbi, 82. táblázat, ill. 67. ábra szemléltetik. 82. táblázat: Fajlagos GDP Moran féle I index értékei NUTS1-es szinten (2000, 2010) Tartomány
Moran I 2000
Moran I 2010
Viszonyítási alap
Baden-Württemberg Bajorország Berlin Brandenburg Bréma Hamburg Hessen Mecklenburg-Elő-Pomeránia Alsószászország Észak-Rajna-Vesztfália Rajna-vidék-Pfalz Saar-vidék Szászország Szász-Anhalt Schleswig-Holstein Türingia
0,017245 0,559916 -0,15588 0,700195 -0,20448 -0,17799 0,063131 0,792731 0,229379 -0,05664 0,045703 -0,41441 0,862334
0,036094 0,473638 -0,16364 0,598502 -0,24384 -0,15635 0,042431 0,674867 0,196875 -0,1682 -0,02842 -0,42168 0,368675
-0,02326 -0,01042 -0,05882 -0,05 -0,05882 -0,02222 -0,01887 -0,04348 -0,2 -0,08333 -0,07692 -0,07143 -0,05882
Forrás: saját szerkesztés
67. ábra: Moran I index alakulása NUTS 1-es szinten (2000, 2010) (GER) Forrás: saját szerkesztés
195
2000-ben négy tartomány rendelkezett negatív területi autokorrelációs értékekkel, melyek az ország északi – észak-keleti területein helyezkednek el. A legerősebb negatív autokorrelációs értéke Schleswig-Holstein tartománynak volt. 2000-ben tehát két keleti és két nyugatnémet régió mutatott negatív korrelációt, ami azt jelenti, hogy a régióban a szomszédos NUTS3-as területegységek adatai különböznek egymástól olyan tekintetben, hogy a magas egy főre jutó GDP-vel rendelkező értékek közelében kicsiket találunk, a kicsik közelében pedig magas értékeket. Az értékek az északkeleti keletnémet régiók esetében nem meglepőek, ugyanis e tartományokban a regionális különbségek kiemelkedően magasak. A legerősebb pozitív értékekkel a dél-keleti és középső sáv rendelkezett az országban (Rajnavidék-Pfalz, Hessen és Türingia). A legerősebb pozitív autokorrelációt az időszak elején Türingia tartomány mutatta. A magas pozitív autokorrelációs értékek az egy főre jutó GDP relatív rendezettsége mellett arra is utalnak, hogy a szomszédos területegységek értékeiben relatív hasonlóság fedezhető föl. Tehát egyfajta térbeli zonalitás alakult ki ezeken a területeken. Esetükben a szomszédsági viszonyok jelentősen befolyásolják az egy főre eső GDP változását. A fennmaradó területek értékei a pozitív tartományba estek, azonban ezek csak gyenge kapcsolatot mutattak. Megjegyzendő, hogy Szászország közel 0 autokorrelációs értékkel rendelkezett, vagyis az egyes területek GDP-jének eloszlásában véletlenszerűség fedezhető fel. Szászország estében a szomszédos térségek egy főre jutó GDP értékei függetlenek egymástól, időben nem hatnak egymásra és a területek távolsága nem befolyásolja a GDP értékekben mutatkozó különbségeket. 2010-ben a legerősebb negatív irányú területi autokorrelációt pedig továbbra is SchleswigHolstein mutatja. Ez a 2010-re végbement változás az egyenlőtlenségek csökkenését jelzi, hasonlóan a konvergencia vizsgálatok eredményeihez. Az egy főre jutó GDP NUTS3-as vizsgálata során a Duál mutató és a Hoover index is a diszparitások csökkenését, és kismértékű konvergenciát jelzett. A Moran index értékei alapján a 2008-as gazdasági és pénzügyi válság hatásai a fejlettebb területekre komolyabb hatást fejtettek ki, mint a kevésbé fejlettekre, ugyanis ekkor a polarizáció gyengülésére utalnak. Ezek után megvizsgáltam a területi autokorreláció mérőszámát NUTS 2-es területi szinten is, szintén sorstandardizált szomszédsági mátrix módszert alkalmazva. Az eredményeket szemlélteti az alábbi, 68. ábra.
68. ábra: Moran I index alakulása NUTS 2-es szinten (2000, 2010) Forrás: saját szerkesztés
196
A NUTS2-es szinten elvégzett elemzés hasonlóképpen a NUTS1-es vizsgálathoz az északi és északkeleti területeken mutatott negatív autokorrelációt, valamint Baden-Württemberg tartomány déli részén is negatív értékekkel találkozunk. Schleswig-Holstein tartomány esetében az eredményeket befolyásolhatja Dánia közelsége, illetve Hamburg szomszédsága. A középső sávra jellemző erős pozitív adatok NUTS2-es szinten is föllelhetőek, ami 2010-re némiképpen gyengült. A vizsgált 10 évben a pozitív Moran I-vel bíró területeken az index értéke kismértékű csökkenést mutatott, míg a negatív területeken az index nagyjából konstansnak mondható. Kiemelhető Darmstadt régiója, ahol a pozitív autokorreláció jelentős mértékben gyengült, illetve Schwaben, ahol az addig közepesen erős autokorrelációt nagyon gyenge kapcsolat váltotta föl.
197
12. számú melléklet: Területi autokorreláció a különböző szomszédsági mátrixok tükrében – Németország Küszöbtávolság alapján (56 km) klaszter és szignifikancia térkép
69. ábra: Egy főre jutó GDP klasztertérképe (GER, 56 km küszöbtávolság) Forrás: saját szerkesztés
70. ábra: Egy főre jutó GDP szignifikancia térképe (GER, 56 km küszöbtávolság) Forrás: saját szerkesztés 198
Vezérszomszédság klaszter és szignifikancia térkép
71. ábra: Egy főre jutó GDP klasztertérképe (GER, vezérszomszédság) Forrás: saját szerkesztés
72. ábra: Egy főre jutó GDP szignifikancia térképe (GER, vezérszomszédság) Forrás: saját szerkesztés 199
Életminőség index területi autokorrelációja a különböző szomszédsági mátrixok tükrében – Németország Vezérszomszédság klasztertérképe
73. ábra: Életminőség index klasztertérképe (GER, vezérszomszédság) Forrás: saját szerkesztés Legközelebbi szomszédok módszere (5) klasztertérkép
74. ábra: Életminőség index klasztertérképe (GER, legközelebbi szomszédok módszere) Forrás: saját szerkesztés 200
13. számú melléklet: Területi autokorreláció a különböző szomszédsági mátrixok tükrében – Magyarország Legközelebbi szomszédok módszer (5) szignifikancia térkép
75. ábra: Egy főre jutó adóköteles jövedelem szomszédsági hatásainak szignifikanciája (LAU1, 2012) Forrás: saját szerkesztés Küszöbtávolság alapján (56 km) klasztertérkép
76. ábra: Egy főre jutó adóköteles jövedelem klasztertérképe (HUN, 56 km küszöbtávolság) Forrás: saját szerkesztés
201
Vezérszomszédság klasztertérképe
77. ábra: Egy főre jutó adóköteles jövedelem klasztertérképe (HUN, vezérszomszédság) Forrás: saját szerkesztés Életminőség index területi autokorrelációja a különböző szomszédsági mátrixok tükrében – Magyarország Vezérszomszédság klasztertérképe
78. ábra: Életminőség index klasztertérképe (HUN, vezérszomszédság) Forrás: saját szerkesztés
202
Legközelebbi szomszédok módszere (5) klasztertérkép
79. ábra: Életminőség index klasztertérképe (HUN, legközelebbi szomszédok módszer) Forrás: saját szerkesztés
203
14. számú melléklet: A regisztrált vállalkozások és a munkanélküliségi ráta területi autokorrelációs kapcsolatai
A német gazdaság esetében vizsgáltam a regisztrált vállalkozások és a munkanélküliségi ráta körzetek (NUTS3) szerinti eloszlását, arra a kérdésre keresve a választ, hogy a GDP-hez viszonyítva milyen ezen társadalmi-gazdasági indikátorok eloszlása a térben. Az indikátorok összehasonlíthatósága miatt az ábrázolás során skálatranszformációt használtam. Abból a feltevésből indultam ki, hogy hasonlóság fedezhető fel az egy főre jutó GDP és a vállalkozások számának eloszlásában, mivel a vállalkozások hatékony működése hozzájárul egy régió gazdaságának fejlődéséhez.
80. ábra: Az 1000 főre jutó regisztrált vállalkozások számának eloszlása Németország körzeteiben (2011) Forrás: saját szerkesztés Az egy főre jutó GDP és az 1000 főre jutó vállalkozások számának eloszlása számos esetben hasonló mintázatot vesz föl. Mindkét indikátor esetében erőteljes nyugati koncentráció figyelhető meg. Mindkét esetben a legfejlettebb területek Észak-Rajna-Vesztfália tartomány területén azonosíthatók (főként a Ruhr-vidék környékén). Emellett magas számban találjuk a vállalkozásokat Hamburg, Bréma tartományokban, München környékén, valamint nyugat Baden-Württemberg régiójában. A Ruhr-vidék esetében nem meglepő, hogy mindkét indikátor magas értékkel rendelkezik, hiszen a térség nagyvárosaiban számos nemzetközi szinten jelentős nagyvállalat központja megtalálható (Fortune Global 500-as lista vállalatai), melyek jelentős árbevétellel rendelkeznek. Megfigyelhető továbbá, hogy az egy főre jutó GDP esetében többnyire városrégiókat jelölő hot spotok előfordulása kisebb arányú a vállalkozások dimenziójában. Utóbbi esetében sokszor tágabb agglomerációs körzetek megjelenése látható. Az 1000 főre jutó regisztrált vállalkozások száma kiemelkedően magas Braunschweig körzetében, ami azért nem meglepő, hiszen a K+F ráfordítások dinamizálása érdekében az elmúlt években számos projektkezdeményezés történt a vállalkozói aktivitás ösztönzésére, és jelentős kutatóbázisok kialakítására. A legkevésbé fejlett területek a vállalkozások eloszlása esetében is a keleti országrészben, többnyire Mecklenburg-Elő-Pomeránia, Szászország és Szász-Anhalt tartományok területeire 204
tehetők. A keleti területeken a vállalkozások számát tekintve Brandenburg tartomány és Berlin hot-spotként jelenik meg, értékei jelentősen meghaladják a keleti tartományok átlagát. Azonban mivel az egy főre jutó GDP értéke a Brandenburgi térségben nem éri el az országos átlag 79%-át, valószínűsíthető, hogy a térség vállalkozásai többnyire kis- és középvállalkozások, melyek hozzáadott értéke országos szinten kevésbé jelentős. A munkanélküliségi ráta eloszlásában némileg eltérő kép tapasztalható. A keleti országrészben a ráta értéke magas, majdnem a teljes egykori NDK területe összefüggően nagyon magas munkanélküliséggel rendelkezik. Emellett magas a munkanélküliség a Ruhrvidéken, ami azt jelenti, hogy habár nagyon magas az 1000 főre jutó regisztrált vállalkozások száma, mégis sok ember marad munka nélkül (utalhat arra, hogy a vállalkozások többsége a térségben kis- és középvállalkozás).
81. ábra: Munkanélküliségi ráta eloszlása Németország körzeteiben (2011) Forrás: saját szerkesztés A legalacsonyabb a ráta értéke az ország déli tartományaiban: Bajorország, BadenWürttemberg és Rajna-vidék-Pfalz területén. Ezekben a tartományokban az egy főre jutó GDP és az 1000 főre jutó regisztrált vállalkozások száma is magas, ami részben indokolhatja a munkanélküliség alacsony mértékét. Ezért megvizsgáltam, milyen korrelációs kapcsolat áll fönn a GDP és a vállalkozások, valamint a munkanélküliségi ráta eloszlásában. A teszt a GDP és a vállalkozások között szignifikáns pozitív, azonban gyenge korrelációs kapcsolatot, míg a GDP és a munkanélküliségi ráta között negatív, gyenge korrelációt igazolt. Az eredményeket a következő táblázat összegzi. 83. táblázat: Az indikátorok közötti korrelációs kapcsolatok Indikátorok Egy főre jutó GDP – 1000 főre jutó regisztrált vállalkozások Egy főre jutó GDP – munkanélküliségi ráta 1000 főre jutó regisztrált vállalkozások – munkanélküliségi ráta ** Korreláció 0,01-es szinten szignifikáns. * Korreláció 0,05-es szinten szignifikáns. Többi esetben nem szignifikáns a korreláció.
Forrás: saját szerkesztés
205
Lineáris korreláció 0,243** -0,104* 0,03
Szignifikáns területi hatások Feltételeztem, hogy a szomszédsági hatások meghatározóak az indikátorok eloszlásában, a mintázatok alapján ez különösen a munkanélküliségi ráta esetében valószínűsíthető. Ezért elvégeztem az indikátorok területi autokorrelációs vizsgálatait. A vizsgálatok során három különböző szomszédsági mátrixot alkalmaztam (vezérszomszédság, legközelebbi szomszédok módszere, küszöbtávolság), hogy bizonyítsam az autokorreláció szignifikanciáját. Az eredmények magyarázatakor a legközelebbi szomszédok módszer eredményeit használom, amely során a körzetek 5 legközelebbi szomszédját vettem figyelembe. Minden esetben 999 permutáció alkalmazásával végeztem a vizsgálatot, a véletlen hiba kiküszöbölése miatt. Az eredmények az alábbiak. 84. táblázat: Indikátorok területi autokorrelációja legközelebbi szomszédok módszer (5) Egy főre jutó GDP 0,0706892 0,117476 0,021 0,001 2,2265 4,1514 0,1%-5% 0,1%-5% 1000 főre jutó regisztrált vállalkozások száma 0,117203 0,113055 0,004 0,002 4,4758 4,6874 0,1%-5% 0,1%-5% Munkanélküliségi ráta 0,769442 0,729426 0,001 0,001 24,5642 33,8434 0,1%-5% 0,1%-5%
vezérszomszédság Moran I pseudo-p érték z score szignifikancia Moran I pseudo-p érték z score szignifikancia Moran I pseudo-p érték z score szignifikancia
küszöbtávolság (mean centres; 56 km) 0,0917743 0,001 4,4625 0,1%-5% 0,08539 0,006 4,2453 0,1%-5% 0,729426 0,001 33,9506 0,1%-5%
Forrás: saját szerkesztés Az egy főre jutó GDP és a regisztrált vállalkozások esetében szignifikáns, gyenge pozitív autokorrelációs kapcsolat igazolható, vagyis a szomszédsági hatások ez esetben nem jelennek meg jelentősen az értékek eloszlásában. A munkanélküliségi ráta tekintetében ezzel szemben erős, pozitív autokorreláció tapasztalható, vagyis a szomszédos területek értékei hatással vannak egymásra. A Local Moran vizsgálat során a két indikátor (vállalkozások, munkanélküliség) esetében négy klasztert alakítottam ki, mely az alábbiak szerint jellemezhető. A regisztrált vállalkozások esetében a Local Moran index 316 körzet esetében nem mutatott ki szignifikáns autokorrelációt. A high-high klaszterbe 27 terület sorolható, melyek többnyire az ország déli, délnyugati részén helyezkednek el, hasonlóan a GDP-hez, azonban a vállalkozások esetében a Ruhr-vidék jelentős része is a high-high klasztert alkotja. Ebbe a klaszterbe sorolható a GDP és a vállalkozások alapján is Mettmann, a Main-Taunus körzet, Gross-Gerau, Heilbronn, Ludwigsburg és Freising. A low-high klaszter előfordulása ezzel szemben Brandenburg tartomány területén a legjellemzőbb.
206
82. ábra: A regisztrált vállalkozások Local Moran térképe Németországban (2011) Forrás: saját szerkesztés A low-low klaszter tagjai a keleti országrészben, az úgynevezett „új tartományok” területén helyezkednek el. A klaszter tagjai között 13 olyan területi egység található, melyek a GDP esetében is a low-low klasztert alkották (például: Birkenfeld, Bernburg, Nordhausen, Sangerhausen, Prignitz és Ucker-Randow). A high-low klaszter csupán 7 területi egységet tartalmaz, melyek magasan fejlett városi térségeket jeleznek a térben (például Braunschweig, Magdeburg, Erfurt, Lipcse, Chemnitz), melyek közül négy a keleti országrészben található. A munkanélküliségi ráta esetében pozitív, erős autokorrelációs kapcsolat igazolható, vagyis a szomszédsági kapcsolatok jelentősen befolyásolják az értékek eloszlását, egyfajta térbeli koncentrációt okozva (83. ábra). A high-high klaszter értékei térben koncentrálódnak az ország keleti felében és a Ruhr-vidék térségében. Csak Berlin és Potsdam-Mittelmark régiója képez kivételt a keleti országrészben. A low-low klaszter ezzel szemben teljes déli, délnyugati koncentrációt jelez (Bajorország, Baden-Württemberg és Rajna-vidék-Pfalz tartományok területein). A low-high és high-low klaszter előfordulása a munkanélküliségi ráta esetében nem számottevő.
83. ábra: Munkanélküliségi ráta Local Moran térképe Németországban (2011) Forrás: saját szerkesztés 207
15. számú melléklet: Shift-share elemzés eredményei 85. táblázat: A shift-share elemzés régiótípusai (Németország, NUTS2) Sorszám
A térségek jellemzői szerinti típusok
területi>ágazati
1.
Pozitív területi és pozitív strukturális tényező, az átlagosnál nagyobb életminőség dinamika
-
2.
3.
Oberpfalz Brandenburg Mecklenburg-ElőPomeránia Weser-Ems Szász-Anhalt
Pozitív strukturális és negatív területi tényező, az átlagosnál nagyobb életminőség dinamika
4.
Negatív strukturális és pozitív területi tényező, az átlagosnál nagyobb életminőség dinamika
Oberbayern Oberfranken Mittelfranken Unterfranken Schwaben Berlin Hamburg Darmstadt Braunschweig Hannover Lüneburg Düsseldorf Köln Münster Detmold Trier Rheinhessen-Pfalz
5.
Pozitív strukturális és negatív területi tényező, az átlagosnál kisebb életminőség dinamika
Tübingen Niederbayern Bréma Arnsberg
6.
7. 8.
Stuttgart Karlsruhe Freiburg Gießen Kassel Koblenz Saar-vidék Drezda Chemnitz Lipcse Schleswig-Holstein Türingia
Negatív strukturális és pozitív területi tényező, az átlagosnál kisebb életminőség dinamika
Negatív területi és negatív strukturális tényező, az átlagosnál kisebb életminőség dinamika
Forrás: saját szerkesztés
208
ágazati>területi
-
86. táblázat: A német régiók részesedése a shift-share elemzés komponenseiből Összesen +
Összesen -
Területi +
Területi -
Ágazati +
Ágazati -
Stuttgart
1,86
0
3,44
0
0
3,55
Karlsruhe
1,49
0
2,50
0
0
2,56
Freiburg
1,92
0
4,45
0
0
4,68
Tübingen
0
5,17
2,57
0
0
3,70
7,03
0
9,80
0
0
9,85
Oberbayern Niederbayern
0
4,27
3,42
0
0
4,52
Oberpfalz
0
1,20
0,10
0
0
0,30
Oberfranken
7,43
0
6,32
0
0
5,89
Mittelfranken
3,41
0
3,07
0
0
2,89
Unterfranken
5,89
0
6,69
0
0
6,54
Schwaben
2,40
0
3,40
0
0
3,42
Berlin
8,68
0
9,87
0
0
9,66
Brandenburg
2,25
0
0
0,47
1,11
0
Bréma
0
1,31
0,17
0
0
0,40
Hamburg
11,98
0
10,80
0
0
10,17
Darmstadt
2,27
0
1,17
0
0
0,94
Gießen
0
4,06
0
3,45
3,08
0
Kassel
0
16,49
0
7,93
5,34
0
Mecklenburg-Elő-Pomeránia
9,54
0
0
1,26
3,85
0
Braunschweig
7,74
0
8,34
0
0
8,10
Hannover
4,22
0
4,92
0
0
4,83
Lüneburg
7,09
0
6,43
0
0
6,07
Weser-Ems
0,28
0
0
0,94
1,18
0
Düsseldorf
3,32
0
2,76
0
0
2,56
Köln
5,40
0
2,83
0
0
2,30
Münster
0,62
0
0,65
0
0
0,63
Detmold
0
1,50
0
4,85
5,36
0
Arnsberg
0
1,43
0
0,20
0
0,08
Koblenz
0
14,65
0
15,72
15,00
0
Trier
2,27
0
5,38
0
0
5,67
Rheinhessen-Pfalz
2,02
0
0,90
0
0
0,69
Saar-vidék
0
2,90
0
3,79
3,77
0
Drezda
0
1,25
0
3,86
4,26
0
Chemnitz
0
18,40
0
20,90
20,20
0
Lipcse
0
15,89
0
17,31
16,57
0
0,88
0
0
9,71
11,71
0
0
4,23
0
1,71
0,98
0
0
7,24
0
7,91
7,58
0
100
100
100
100
100
100
Szász-Anhalt Schleswig-Holstein Türingia ország összesen
Forrás: saját szerkesztés
209
87. táblázat: A shift-share elemzés régiótípusai (magyar megyék) Sorszám
A térségek jellemzői szerinti típusok
területi>strukturális
1.
Pozitív területi és pozitív strukturális tényező, az átlagosnál nagyobb életminőség dinamika
-
2. 3.
-
Pozitív strukturális és negatív területi tényező, az átlagosnál nagyobb életminőség dinamika
Szabolcs-Szatmár-Bereg Békés
4.
Negatív strukturális és pozitív területi tényező, az átlagosnál nagyobb életminőség dinamika
Fejér Veszprém Baranya Heves Nógrád Hajdú-Bihar Bács-Kiskun Csongrád
5.
Pozitív strukturális és negatív területi tényező, az átlagosnál kisebb életminőség dinamika
-
6.
7. 8.
Budapest Pest Komárom-Esztergom Győr-Moson-Sopron Vas Zala Somogy Tolna Borsod-Abaúj-Zemplén Jász-Nagykun-Szolnok
Negatív strukturális és pozitív területi tényező, az átlagosnál kisebb életminőség dinamika
Negatív területi és negatív strukturális tényező, az átlagosnál kisebb életminőség dinamika
Forrás: saját szerkesztés
210
területi<strukturális
-
16. számú melléklet: EU országainak konvergencia folyamatai Az EU-27 országaiban összességében 2000 és 2011 között a szigma konvergencia megvalósult, mely két tényező együttese. Az EU-15 országokban (régi tagországok) a szigma konvergencia a vizsgált időszakban stabilnak mondható (amit az értékek relatív szórásának stagnálása mutat), csak kismértékű konvergenciáról beszélhetünk. Az EU-12 országokban ezzel szemben a szigma konvergencia sokkal dinamikusabb volt. Az EU országos szinten mért béta konvergenciáját szemlélteti a 84. számú ábra. A lineáris regressziós egyenes béta tagja negatív, vagyis a béta konvergencia jelensége megvalósult 1995 és 2011 között az EU országai tekintetében, a kevésbé fejlett országok gyorsabb növekedésre voltak képesek, mint a fejlettek. Leolvasható továbbá az ábráról, hogy a lineáris regressziós egyenes magyarázó ereje magas, 73,33%.
84. ábra: Béta konvergencia az EU-ban (1995-2011) (országok) Forrás: Eurostat adatai alapján saját szerkesztés Az elemzést elvégeztem NUTS2-es, vagyis regionális szinten is, ahol a következő eredményre jutottam. A béta konvergencia ez esetben is megvalósult, azonban a lineáris regressziós egyenes magyarázó ereje 45,78%-ra csökkent (85. ábra).
85. ábra: Béta konvergencia az EU-ban, NUTS2 (1995-2011) Forrás: Eurostat adatai alapján saját szerkesztés
211
Ez azt jelenti, hogy az adatok szóródása nagyobb mértékű, vagyis az EU-ban NUTS2-es szinten végbemenő béta konvergencia sebessége alacsonyabb, mint az országos szint esetében. Ezt okozhatja, hogy bár a legfejlettebb térségek mindkét esetben hasonló növekedési rátával rendelkeznek, a regionális szinten fennálló jelentősebb diszparitások miatt, a konvergencia sebessége a regionális szint esetében alacsonyabb.
212
17. számú melléklet: Béta konvergencia tesztelése Németország – Egy főre jutó GDP (NUTS2) Modell: OLS Függő változó: GDP
Konstans GDP változása Függő változó átlaga Reziduális négyzetösszeg R négyzet F(1, 36) Log-likelihood Schwarz kritérium
Koefficiens 29043,0 -2486,18
Std. hiba 2315,67 722,770
21500,00 7,57e+08 0,247369 11,83222 -373,2678 753,8109
t-érték 12,54 -3,440
Korrigált R-négyzet P-érték(F) Akaike kritérium Hannan-Quinn
p-érték 1,06e-014 0,0015
szignif. *** ***
0,226463 0,001489 750,5357 751,7010
Breusch-Pagan teszt (heteroszkedaszticitás) Null hipotézis: heteroszkedaszticitás nem jellemző Teszt statisztika: LM = 0,190589 p-érték = P(Khi-négyzet (1) > 0,190589) = 0,662427 Teszt normalitás Null hipotézis: hiba eloszlása normális Teszt statisztika: Khi-négyzet (2) = 6,48853 p-érték = 0,0389973 Németország – Egy főre jutó GDP (NUTS3) Modell: OLS Függő változó: GDP
Konstans GDP változása Függő változó átlaga Reziduális négyzetösszeg R négyzet F(1, 410) Log-likelihood Schwarz kritérium
Koefficiens 30444,2 -3166,32 20775,49 2,68e+10 0,120896 56,38418 -4290,489 8593,021
Std. hiba 1347,78 421,673
t-érték 22,5884 -7,5089
Korrigált R-négyzet P-érték(F) Akaike kritérium Hannan-Quinn
Breusch-Pagan teszt (heteroszkedaszticitás) Null hipotézis: heteroszkedaszticitás nem jellemző Teszt statisztika: LM = 3,48111 p-érték = P(Khi-négyzet (1) > 3,48111) = 0,062073 Teszt normalitás Null hipotézis: hiba eloszlása normális 213
p-érték <0,00001 <0,00001
szignif. *** ***
0,118752 3,76e-13 8584,979 8588,160
Teszt statisztika: Khi-négyzet (2) = 406,601 p-érték = 5,10105e-089
Magyarország – Egy főre jutó GDP (NUTS2) Modell: OLS Függő változó: GDP
Konstans GDP változása Függő változó átlaga Reziduális négyzetösszeg R négyzet F(1, 5) Log-likelihood Schwarz kritérium
Koefficiens 918,319 2228,46
Std. hiba 10048,7 2539,94
9656,286 62631085 0,133415 0,769773 -65,95659 135,8050
t-érték 0,09139 0,8774
p-érték 0,9307 0,4204
Korrigált R-négyzet P-érték(F) Akaike kritérium Hannan-Quinn
szignif. -0,039902 0,420438 135,9132 134,5761
Breusch-Pagan teszt (heteroszkedaszticitás) Null hipotézis: heteroszkedaszticitás nem jellemző Teszt statisztika: LM = 1,93038 p-érték = P(Khi-négyzet (1) > 1,93038) = 0,164717 Magyarország – Egy főre jutó GDP (NUTS3) Modell: OLS Függő változó: GDP
Konstans GDP változása Függő változó átlaga Reziduális négyzetösszeg R négyzet F(1, 18) Log-likelihood Schwarz kritérium
Koefficiens 7624,97 320,946
Std. hiba 3002,01 719,407
8920,000 2,11e+08 0,010936 0,199029 -190,0876 386,1666
t-érték 2,540 0,4461
Korrigált R-négyzet P-érték(F) Akaike kritérium Hannan-Quinn
Breusch-Pagan teszt (heteroszkedaszticitás) Null hipotézis: heteroszkedaszticitás nem jellemző Teszt statisztika: LM = 3,18558 p-érték = P(Khi-négyzet (1) > 3,18558) = 0,0742906 Teszt normalitás Null hipotézis: hiba eloszlása normális Teszt statisztika: Khi-négyzet (2) = 20,1385 p-érték = 4,23629e-005 214
p-érték 0,0205 0,6608
szignif. ** -0,044012 0,660826 384,1752 384,5639
Németország – Életminőség index (NUTS2) Modell: OLS Függő változó: életminőség
Konstans GDP változása Függő változó átlaga Reziduális négyzetösszeg R négyzet F(1, 36) Log-likelihood Schwarz kritérium
Koefficiens 337,062 -297,726
Std. hiba 48,9471 49,2318
t-érték 6,886 -6,047
p-érték 4,63e-08 6,01e-07
Korrigált R-négyzet P-érték(F) Akaike kritérium Hannan-Quinn
41,13363 1669,020 0,503937 36,57139 -125,7854 258,8459
szignif. *** ***
0,490157 6,01e-07 255,5707 256,7360
Breusch-Pagan teszt (heteroszkedaszticitás) Null hipotézis: heteroszkedaszticitás nem jellemző Teszt statisztika: LM = 1,88368 p-érték = P(Khi-négyzet (1) > 1,88368) = 0,169916 Teszt normalitás Null hipotézis: hiba eloszlása normális Teszt statisztika: Khi-négyzet (2) = 10,7965 p-érték = 0,00452458 Magyarország – Életminőség index (NUTS2) Modell: OLS Függő változó: életminőség
Konstans GDP változása Függő változó átlaga Reziduális négyzetösszeg R négyzet F(1, 5) Log-likelihood Schwarz kritérium
Koefficiens 215,883 -187,228 22,57058 770,8521 0,406562 3,425473 -26,38812 56,66806
Std. hiba 104,553 101,161
t-érték 2,065 -1,851
Korrigált R-négyzet P-érték(F) Akaike kritérium Hannan-Quinn
Breusch-Pagan teszt (heteroszkedaszticitás) Null hipotézis: heteroszkedaszticitás nem jellemző Teszt statisztika: LM = 0,951733 p-érték = P(Khi-négyzet (1) > 0,951733) = 0,329279
215
p-érték 0,0939 0,1234
szignif. * 0,287874 0,123421 56,77624 55,43916
18. számú melléklet: Konvergencia klubok a német és magyar gazdaságban
86. ábra: Magyarország egy főre jutó megyei GDP-jének konvergencia klubjai Forrás: saját szerkesztés
87. ábra: Magyar megyei GDP konvergencia klubjainak diszkriminancia elemzése Forrás: saját szerkesztés
216
88. ábra: Magyarország életminőségének regionális szintű konvergencia klubjai Forrás: saját szerkesztés
89. ábra: Magyarország életminőségének megyei szintű konvergencia klubjai Forrás: saját szerkesztés
217
90. ábra: Németország NUTS3-as GDP konvergencia klubjainak diszkriminancia elemzése Forrás: saját szerkesztés
91. ábra: Németország életminőségének NUTS2-es konvergencia klubjai Forrás: saját szerkesztés 218
19. számú melléklet: Regressziós modell tényezői közötti korrelációs kapcsolatok
élettartam
iskolázottság
működő kórházi ágyak
személygépkocsik száma
lakásépítések száma
munkanélküliségi ráta
közlekedési baleset
feldolgozóipari vállalatok száma
vendégéjszakák száma
hulladékgyűjtés
odavándorlás
elvándorlás
élveszületések száma
halálozások száma
házasságkötések száma
de-domain
szabadalom
1
,181**
,465**
,435**
-,103*
,225**
-,166**
,445**
-,144**
,321**
,658**
,749**
-,181**
-0,085
0,009
,393**
,260**
,496**
-,237**
-0,003
,423**
,358**
élettartam
,181**
1
,373**
-,191**
-0,008
,445**
-,537**
-0,034
,156**
,380**
-,131**
0,047
0
-0,043
-,228**
,425**
,353**
,394**
-,718**
-0,085
,344**
,503**
iskolázottság
,465**
,373**
1
,447**
-,383**
,101*
0,072
,207**
-,382**
,350**
,418**
,479**
-,233**
-0,086
-,151**
,525**
,370**
,600**
-,363**
-0,036
,546**
,263**
működő kórházi ágyak
,435**
-,191**
,447**
1
-,220**
-0,067
,204**
,373**
-,248**
,134**
,577**
,501**
-0,087
0,037
-0,065
,184**
,115*
,230**
,128**
0,043
,195**
0,019
személygépkocsik száma
-,103*
-0,008
-,383**
-,220**
1
,165**
-,307**
-,109*
,298**
0,032
-,348**
-,358**
,223**
,212**
-0,074
-0,087
0,016
-,362**
-0,018
,183**
-,182**
0,042
lakásépítések száma
,225**
,445**
,101*
-0,067
,165**
1
-,577**
,229**
0,094
,381**
-0,061
0,039
,114*
0,068
-,131**
,495**
,403**
,277**
-,618**
,186**
,206**
,404**
munkanélküliségi ráta
-,166**
-,537**
0,072
,204**
-,307**
-,577**
1
-,176**
-,511**
-,399**
,136**
-0,045
-,105*
0,017
,181**
-,348**
-,316**
-0,075
,570**
-0,038
-,223**
-,547**
közlekedési baleset
,445**
-0,034
,207**
,373**
-,109*
,229**
-,176**
1
-0,052
,357**
,420**
,433**
0,048
0,092
0,038
,388**
,320**
,265**
-0,071
,195**
,238**
,134**
feldolgozóipari vállalatok száma
-,144**
,156**
-,382**
-,248**
,298**
0,094
-,511**
-0,052
1
,333**
-0,068
-0,087
,132**
-0,005
-,119*
-,126*
-0,054
-,161**
-0,077
-0,027
-,099*
,296**
0-9 fős vállalkozások száma
,321**
,380**
,350**
,134**
0,032
,381**
-,399**
,357**
,333**
1
,272**
,252**
,283**
,292**
-,209**
,483**
,404**
,289**
-,347**
,323**
,476**
,381**
,658**
-,131**
,418**
,577**
-,348**
-0,061
,136**
,420**
-0,068
,272**
1
,740**
-,221**
-0,086
0,029
,202**
,120*
,396**
0,077
-0,04
,281**
,098*
,749**
0,047
,479**
,501**
-,358**
0,039
-0,045
,433**
-0,087
,252**
,740**
1
-,280**
-,179**
0,049
,263**
,130**
,521**
-,133**
-,124*
,393**
,253**
-,181**
0
-,233**
-0,087
,223**
,114*
-,105*
0,048
,132**
,283**
-,221**
-,280**
1
,908**
-,137**
0,059
,131**
-,260**
0,091
,603**
-0,065
-0,088
vendégéjszakák száma
-0,085
-0,043
-0,086
0,037
,212**
0,068
0,017
0,092
-0,005
,292**
-0,086
-,179**
,908**
1
-,142**
,109*
,167**
-,140**
0,09
,638**
-0,013
-,117*
hulladékgyűjtés
0,009
-,228**
-,151**
-0,065
-0,074
-,131**
,181**
0,038
-,119*
-,209**
0,029
0,049
-,137**
-,142**
1
-,195**
-,190**
-0,077
,161**
-0,075
-,115*
-,135**
odavándorlás
,393**
,425**
,525**
,184**
-0,087
,495**
-,348**
,388**
-,126*
,483**
,202**
,263**
0,059
,109*
-,195**
1
,938**
,464**
-,549**
,201**
,436**
,377**
elvándorlás
,260**
,353**
,370**
,115*
0,016
,403**
-,316**
,320**
-0,054
,404**
,120*
,130**
,131**
,167**
-,190**
,938**
1
,289**
-,444**
,249**
,317**
,303**
gdp
50-249 fős vállalkozások száma 250 fő feletti vállalkozások száma kereskedelmi szálláshelyek száma
0-9 fős vállalkozások száma 50-249 fős vállalkozások száma 250 fő feletti vállalkozások száma kereskedelmi szálláshelyek száma
gdp
88. táblázat: Tényezők közötti korrelációs kapcsolatok, Németország
219
élveszületések száma
,496**
,394**
,600**
,230**
-,362**
,277**
-0,075
,265**
-,161**
,289**
,396**
,521**
-,260**
-,140**
-0,077
,464**
,289**
1
-,600**
-,120*
,413**
,292**
halálozások száma
-,237**
-,718**
-,363**
,128**
-0,018
-,618**
,570**
-0,071
-0,077
-,347**
0,077
-,133**
0,091
0,09
,161**
-,549**
-,444**
-,600**
1
0,041
-,359**
-,516**
házasságkötések száma
-0,003
-0,085
-0,036
0,043
,183**
,186**
-0,038
,195**
-0,027
,323**
-0,04
-,124*
,603**
,638**
-0,075
,201**
,249**
-,120*
0,041
1
0,041
-0,051
de-domain
,423**
,344**
,546**
,195**
-,182**
,206**
-,223**
,238**
-,099*
,476**
,281**
,393**
-0,065
-0,013
-,115*
,436**
,317**
,413**
-,359**
0,041
1
,357**
szabadalom
,358**
,503**
,263**
0,019
0,042
,404**
-,547**
,134**
,296**
,381**
,098*
,253**
-0,088
-,117*
-,135**
,377**
,303**
,292**
-,516**
-0,051
,357**
1
Forrás: saját szerkesztés
gdp
élettartam
iskolázottság
működő kórházi ágyak
személygépkocsik száma
lakásépítések száma
munkanélküliségi ráta
közlekedési baleset
bűncselekmények száma
feldolgozóipari vállalatok száma
10-19 fős vállalkozások száma
0-9 fős vállalkozások száma
250 fő feletti vállalkozások száma
500 fő feletti vállalkozások száma
kereskedelmi szálláshelyek száma
vendégéjszakák száma
hulladékgyűjtés
elvándorlás
odavándorlás
élveszületések száma
halálozások száma
házasságkötések száma
89. táblázat: Tényezők közötti korrelációs kapcsolatok, Magyarország
1
,624**
,707**
,243**
,628**
,574**
-,727**
,178*
,209**
,615**
,539**
,722**
,384**
,452**
-,032
,013
,254**
-,178*
,248**
,165*
-,424**
,708**
élettartam
,624**
1
,703**
,299**
,676**
,570**
-,739**
,498**
,252**
,615**
,622**
,798**
,351**
,346**
,229**
,254**
,266**
-,264**
,141
-,161*
-,352**
,650**
iskolázottság
,707**
,703**
1
,490**
,610**
,470**
-,666**
,387**
,400**
,612**
,622**
,815**
,391**
,426**
,198**
,193*
,303**
-,300**
,064
-,070
-,314**
,660**
,243**
,299**
,490**
1
,185*
,060
-,212**
,171*
,187*
,263**
,294**
,438**
,403**
,251**
,026
,077
,066
-,161*
-,186*
-,097
-,190*
,295**
,628**
,676**
,610**
,185*
1
,678**
-,795**
,441**
,159*
,703**
,601**
,762**
,286**
,279**
,297**
,279**
,295**
-,161*
,324**
-,203**
-,290**
,586**
lakásépítések száma
,574**
,570**
,470**
,060
,678**
1
-,563**
,300**
,233**
,484**
,455**
,681**
,169*
,123
,348**
,314**
,355**
-,047
,477**
,123
-,458**
,471**
munkanélküliségi ráta
-,727**
-,739**
-,666**
-,212**
-,795**
-,563**
1
-,440**
-,096
-,729**
-,623**
-,728**
-,384**
-,435**
-,140
-,203**
-,195*
,396**
-,088
,249**
,221**
-,656**
,178*
,498**
,387**
,171*
,441**
,300**
-,440**
1
,330**
,363**
,435**
,470**
,196*
,254**
,382**
,352**
,133
-,261**
-,005
-,311**
-,112
,329**
,209**
,252**
,400**
,187*
,159*
,233**
-,096
,330**
1
,089
,274**
,366**
,223**
,167*
,278**
,165*
,234**
,015
,093
,027
-,255**
,186*
,615**
,615**
,612**
,263**
,703**
,484**
-,729**
,363**
,089
1
,732**
,795**
,358**
,286**
,173*
,158*
,345**
-,300**
,105
-,152*
-,233**
,636**
,539**
,622**
,622**
,294**
,601**
,455**
-,623**
,435**
,274**
,732**
1
,788**
,338**
,307**
,125
,153*
,177*
-,344**
-,005
-,057
-,362**
,557**
gdp
működő kórházi ágyak személygépkocsik száma
közlekedési baleset bűncselekmények száma feldolgozóipari vállalatok száma 10-19 fős vállalkozások száma
220
0-9 fős vállalkozások száma 250 fő feletti vállalkozások száma 500 fő feletti vállalkozások száma kereskedelmi szálláshelyek száma vendégéjszakák száma
,722**
,798**
,815**
,438**
,762**
,681**
-,728**
,470**
,366**
,795**
,788**
1
,393**
,338**
,288**
,276**
,359**
-,239**
,214**
-,073
-,417**
,708**
,384**
,351**
,391**
,403**
,286**
,169*
-,384**
,196*
,223**
,358**
,338**
,393**
1
,391**
-,048
-,052
,056
-,233**
-,112
-,009
-,181*
,343**
,452**
,346**
,426**
,251**
,279**
,123
-,435**
,254**
,167*
,286**
,307**
,338**
,391**
1
-,077
-,018
,015
-,280**
-,168*
-,049
-,266**
,400**
-,032
,229**
,198**
,026
,297**
,348**
-,140
,382**
,278**
,173*
,125
,288**
-,048
-,077
1
,720**
,403**
,162*
,322**
-,397**
,122
,004
,013
,254**
,193*
,077
,279**
,314**
-,203**
,352**
,165*
,158*
,153*
,276**
-,052
-,018
,720**
1
,352**
-,003
,201**
-,279**
,013
,120
hulladékgyűjtés
,254**
,266**
,303**
,066
,295**
,355**
-,195*
,133
,234**
,345**
,177*
,359**
,056
,015
,403**
,352**
1
-,008
,237**
-,130
-,106
,254**
elvándorlás
-,178*
-,264**
-,300**
-,161*
-,161*
-,047
,396**
-,261**
,015
-,300**
-,344**
-,239**
-,233**
-,280**
,162*
-,003
-,008
1
,744**
,162*
,038
-,269**
odavándorlás
,248**
,141
,064
-,186*
,324**
,477**
-,088
-,005
,093
,105
-,005
,214**
-,112
-,168*
,322**
,201**
,237**
,744**
1
,143
-,131
,096
élveszületések száma
,165*
-,161*
-,070
-,097
-,203**
,123
,249**
-,311**
,027
-,152*
-,057
-,073
-,009
-,049
-,397**
-,279**
-,130
,162*
,143
1
-,469**
,085
halálozások száma
-,424**
-,352**
-,314**
-,190*
-,290**
-,458**
,221**
-,112
-,255**
-,233**
-,362**
-,417**
-,181*
-,266**
,122
,013
-,106
,038
-,131
-,469**
1
-,444**
házasságkötések száma
,708**
,650**
,660**
,295**
,586**
,471**
-,656**
,329**
,186*
,636**
,557**
,708**
,343**
,400**
,004
,120
,254**
-,269**
,096
,085
-,444**
1
Forrás: saját szerkesztés
221
20. számú melléklet: Regressziós vizsgálatok alátámasztó ábrái
92. ábra: Faktorszám meghatározása sajátérték alapján (kistérségi adóköteles jövedelem, HUN) Forrás: saját szerkesztés
93. ábra: Kistérségi adóköteles jövedelem normális eloszlása Forrás: saját szerkesztés
222
94. ábra: Faktorszám meghatározása sajátérték alapján (Egy főre jutó GDP, GER) Forrás: saját szerkesztés
95. ábra: GDP normális eloszlása Forrás: saját szerkesztés
223
21. számú melléklet: Hődiagramok A hődiagram Magyarország megyéi és a főváros relatív helyzetét mutatja a vizsgált társadalmi-gazdasági indikátorok alapján (GDP/fő; K+F+I ráfordítás; regisztrált vállalkozások száma; életminőség index; munkanélküliségi ráta; Sen féle jóléti index). Az eltérő mértékegységű adatok összehasonlíthatósága miatt a normalizációt használtam a skálatranszformáció során, az alábbi képlet szerint: =
(29)
Ez alapján minden területi egységet egy 0-tól 100-ig terjedő skálán helyeztem el. A 0 érték a leghátrányosabb, a 100-as pedig a legelőnyösebb helyzetet jelzi. A munkanélküliségi ráta esetében a kategóriák megállapításakor a többi indexhez viszonyítva, fordított viszonyt feltételeztem.
GDP/fő
K+F+I ráfordítás
1000 főre jutó regisztrált vállalkozások száma
Életminőség index
Munkanélküliségi ráta
Sen index
Forrás: saját szerkesztés indexek 1 2 3 4
0-25 26-50 51-75 76-100
színkód munkanélküliség 4 3 2 1
224
CS
BÉ
BÁ
SZ
JÁ
HA
NÓ
HE
BO
TO
SO
BA
ZA
VA
GY
VE
KO
FE
PE
BP
96. ábra: Társadalmi-gazdasági indikátorok eloszlásának hődiagramja – Magyarország
Az ábrán alkalmazott rövidítések: − Budapest - BP − Pest - PE − Fejér - FE − Komárom-Esztergom - KO − Veszprém - VE − Győr-Moson-Sopron - GY − Vas - VA − Zala - ZA − Baranya - BA − Somogy - SO
− − − − − − − − − −
Tolna - TO Borsod-Abaúj-Zemplén - BO Heves - HE Nógrád - NÓ Hajdú-Bihar - HA Jász-Nagykun-Szolnok - JÁ Szabolcs-Szatmár-Bereg - SZ Bács-Kiskun - BÁ Békés - BÉ Csongrád - CS
Az egy főre jutó GDP értékeiben a legkedvezőbb helyzetben a főváros található, jelentősen kiemelkedik a megyei összehasonlításból. Emellett Fejér, Komárom-Esztergom, és GyőrMoson-Sopron megyék helyzete tekinthető relatíve kedvezőnek, azonban a GDP az esetükben sem éri el a közepes fejlettségi szintet (50-es értéket). Az egy főre jutó GDP-ben tehát jelentős eltérések figyelhetők meg, a főváros torzító hatása jelentős. A legrosszabb helyzetben Nógrád megye található, itt az index értéke nulla. A K+F+I ráfordítások (GDP %-ában) tekintetében árnyaltabb a kép, ebben az esetben a főváros mellett Hajdú-Bihar és Csongrád megye is a legkedvezőbb kategóriába sorolható (Debrecen és Szeged kutatóegyetemeinek befolyása miatt). Emellett Baranya és Veszprém megye értékei magasabbak az átlagnál, de Győr-Moson-Sopron és Bács-Kiskun megyék lemaradása sem jelentős. A legalacsonyabb K+F+I ráfordításokkal Tolna megye rendelkezik, amit okozhat a felsőoktatási intézmények hiánya a megyében. A regisztrált vállalkozások esetében a legmagasabb értékekkel Zala, Somogy és Hajdú-Bihar megyék rendelkeznek a főváros mellett, míg a legalacsonyabb vállalkozói aktivitással BorsodAbaúj-Zemplén, Nógrád és Jász-Nagykun-Szolnok megyék bírnak. Az életminőség index értéke a fővárosban, illetve Veszprém megyében a legmagasabb, melyet kiemelkedő születéskor várható élettartamuk, infrastrukturális ellátottságuk (egészségügy és személygépkocsi állomány), valamint lakásépítési dinamikájuk okoz. A legtöbb indikátorhoz hasonlóan a legkedvezőtlenebb helyzetben Borsod-Abaúj-Zemplén, Szabolcs-Szatmár-Bereg, és Jász-Nagykun-Szolnok megyék találhatók, melyeknél döntő tényező a nagyon magas munkanélküliségi ráta, alacsony személygépjármű állomány, és az alacsony lakásépítési dinamika. Az életminőség indikátor Heves megyét a többi tényezőtől kedvezőbb helyzetben tünteti föl, köszönhetően a megyei lakosság relatíve magas iskolai végzettségének. A legalacsonyabb munkanélküliségi ráta szintén a nyugati országrészben fordul elő, a legalacsonyabb munkanélküliséggel Komárom-Esztergom, Győr-Moson-Sopron, Vas megyék rendelkeznek, és Nógrád megye helyzete a legkritikusabb e tekintetben, köszönhetően a gazdaságilag hátrányos helyzetének (alacsony GDP, vállalkozói aktivitás, és kutatásfejlesztés). A Sen féle jóléti index a főváros környéki megyék esetében igazolja a magas jóléti színvonalat (Budapest, Pest, Fejér, Komárom-Esztergom, Veszprém), a legalacsonyabb jóléti indexszel pedig egyes periférikus helyzetű megyék (Békés, Nógrád, Szabolcs-SzatmárBereg), valamint Jász-Nagykun-Szolnok és Bács-Kiskun megyék rendelkeznek. Összességében elmondható, hogy a legkedvezőbb helyzetben a főváros van, ami a vizsgált 6 indikátorból 5 szerint a legfejlettebb csoportba sorolható. Emellett Pest, KomáromEsztergom, Veszprém és Győr-Moson-Sopron megyék a legfejlettebbek a vizsgált társadalmi, gazdasági indikátorok alapján. A legkevésbé fejlett térségek pedig a periférikus helyzetű Nógrád és Szabolcs-Szatmár-Bereg megyék, melyek egyik indikátorban sem érik el a 25%-os 225
fejlettséget. Borsod-Abaúj-Zemplén megye egyedül a Sen-index alapján tekinthető fejlettebbnek az előbbiektől.
THÜ
SH
SA
SHN
SAA
RPF
NRW
NIE
MV
HES
HAM
BRE
BRA
BER
BAY
BW
97. ábra: Társadalmi-gazdasági indikátorok eloszlásának hődiagramja – Németország
GDP/fő
K+F+I ráfordítás 1000 főre jutó regisztrált vállalkozások száma Életminőség index Munkanélküliségi ráta Sen index
Forrás: saját szerkesztés indexek 1 2 3 4
0-25 26-50 51-75 76-100
színkód munkanélküliség 4 3 2 1
Az ábrán alkalmazott rövidítések: − Baden-Württemberg - BW − Bajorország - BAY − Berlin - BER − Brandenburg - BRA − Bréma - BRE − Hamburg - HAM − Hessen - HES − Mecklenburg-Elő-Pomeránia - MV
− − − − − − − −
Alsó-Szászország - NIE Észak-Rajna-Vesztfália - NRW Rajna-vidék-Pfalz - RPF Saar-vidék - SAA Szászország - SHN Szász-Anhalt - SA Schleswig-Holstein - SH Türingia - THÜ
A Németország 16 tartományára elvégzett elemzés kevésbé mutat centralizált képet, mint a magyar megyék esetében. Az egy főre jutó GDP tényezőjében a legfejlettebb térségek a nyugati városállamok (Bréma, Hamburg), ill. Hessen. A tartományok között közepes fejlettségi szinttel bír Baden-Württemberg, Bajorország, Észak-Rajna-Veszfália és a Saarvidék. A legalacsonyabb GDP-vel pedig Mecklenburg-Elő-Pomeránia és Szász-Anhalt tartományok rendelkeznek. A GDP %-ában mért K+F+I ráfordítások esetében a leginnovatívabb, legfejlettebb térségek Baden-Württemberg, Berlin és Bajorország, de Bréma, Hessen, Alsó-Szászország és Szászország lemaradása sem jelentős. A kutatás-fejlesztésről összességében elmondható, hogy alacsony az értékek szórása az egyes területek között, egész Németország relatíve fejlett e tekintetben. 226
1000 főre vetítve a legtöbb regisztrált vállalkozást Bajorország és Hamburg tömöríti, míg a legrosszabb a helyzet Szász-Anhalt és Alsó-Szászország tartományokban. A keleti tartományok közül Szászország kedvezőbb értékekkel rendelkezik az átlagosnál. A társadalmi indikátorok, életminőség, munkanélküliségi ráta és a jóléti index viszonylatában az ország kedvezőbb képet nyújt, számos kiemelkedően teljesítő térség található, az egyenlőtlenségek kisebbek ezekben a mutatókban. Baden-Württemberg, Bajorország, Bréma, Hamburg, Hessen, Észak-Rajna-Vesztfália és Rajna-vidék-Pfalz értékei kiemelkednek ezekben az indikátorokban. A Sen index esetében Szász-Anhalt értékei számos tekintetben a nyugatnémet tartományokkal mutatnak hasonlóságot, köszönhetően a nagy múltú egyetemi városaiknak, mint Magdeburg és Halle. Összességében elmondható, hogy valamennyi indikátor alapján a legfejlettebb térségek: Baden-Württemberg, Bajorország, Hamburg, Bréma, és Hessen tartományok, míg a leginkább alulfejlett térségek Szász-Anhalt, Brandenburg és Mecklenburg-Elő-Pomeránia.
