A gazdasági tevékenységek térbeli eloszlásának térképi megjelenítése magyar tudásintenzív ágazatok példáján

Átírás

1 SZAKÁLNÉ DR. KANÓ IZABELLA A gazdaság tevékenységek térbel eloszlásának térkép megjelenítése magyar tudásntenzív ágazatok példáján A gazdaság tevékenységek térbel eloszlását, az egyenlőtlen eloszlás okat és következményet elemző tanulmányokban a térnek többféle megközelítésével találkozhatunk. A földrajz térben az egyes vállalatok letelepedését a több vállalkozástól mért távolsággal jellemezhetjük, így folytonos térben s gondolkodhatunk (Duranton Overman 2005), de a teret véges sok dszkrét pontból (terület egységből) álló halmazként s kezelhetjük (Ellson Glaeser 1997), amely pontok között térkapcsolatok (szomszédság, távolság) lehetnek. 1 A megközelítést meghatározza, hogy az elemzéssel mlyen céljank vannak és természetesen az adatok elérhetősége és részletezettsége s. A legtöbbször érdemes folytonos tér helyett dszkrét elemekből álló teret feltételezn, vagys konkrét térfelosztás szntet választan. A gazdaság aktvtás térbel egyenlőtlen eloszlása konkrét térfelosztás sznt esetén s több szempont szernt mérhető, a többféle megközelítés pedg különböző mérőszámok alkalmazását jelent. A térbel koncentrácó, lletve agglomerácó a gazdaság tevékenységek térbel eloszlásának mérését célzó nemzetköz szakrodalomban többnyre ugyanazt jelöl, a két fogalom elkülönítésére azonban több kísérlet történt. Lafourcade és Mon (2007) mnd a térbel koncentrácó, mnd az agglomerácó fogalmakat használják a gazdaság tevékenységek tetszőleges körére, ők azonban a mérőszámok alapján megkülönböztetk ezeket. 2 Nem csak ez a szerzőpáros, mások s különbséget tesznek a kétféle mért tulajdonság között: több hasonló célzattal készült elemzésben s előfordul, hogy kettős rendszerű vzsgálatokat végeznek, a térbel koncentrácó felméréséből ugyans még nem lehet következtetn az eloszlás struktúrájára (Bresch 1998). Lafourcade és Mon (2007) javaslata szernt a térbel koncentrácó kfejezést akkor alkalmazhatjuk, amkor a vzsgált parágban vagy parágakban működő vállalkozások egy-egy térségbe tömörülnek, amelyek lehetnek szomszédosak vagy akár zoláltak s. Ebben az esetben csak az a lényeges szempont, hogy két vállalkozás azonos terület egységben telepszk-e le vagy sem. Ekkor a terület egységek szomszédság vszonyat fgyelmen kívül hagyjuk. Ezzel szemben az agglomerácó esetében a vállalkozások térbel sűrűsödése egymással szomszédos terület egységekbe történk, a terület egységek tehát a térfelosztásnak már nem különálló, dszkrét eleme, hanem egymással kapcsolatban levő egységek, ahol a kapcsolatot a térbel közelség-távolság határozza meg. Ebben az esetben térbel 1 [A térfelosztásnál] dszkrét és folytonos térelemekből álló, egyszerre folytonos és egyszerre dszkrét térrel állunk szemben. Ez azt jelent, hogy a társadalm tér lényege szernt sem nem kzárólagosan folytonos, sem nem kzárólagosan dszkrét, hanem ez a két tulajdonság más-más nézőpontokból szemlélve lesz jellemző rá (Dusek 2004, 69. o.). 2 Lafourcade Mon (2007) és Arba (2001) térbel koncentrácó és térbel polarzácó fogalma alapján különböztették meg a térbel koncentrácó és agglomerácó fogalmakat.

2 436 SZAKÁLNÉ DR. KANÓ IZABELLA autokorrelácót mérünk, azaz azt vzsgáljuk, hogy a szomszédos terület egységek adata hasonlók vagy eltérők. A kettős rendszerű vzsgálatok teljesebb képet adnak az egyes gazdaság tevékenységek térbel eloszlásáról, így az elemzés eszköztárát s célszerű ehhez gazítan. Ennek megfelelően tanulmányom célja a két aspektus egyszerre való fgyelembevétele a térkép ábrázolás során ekkor a terület egységek osztályozása történk meg, valamnt az egyes ágazatok globáls mérőszámok alapján történő kategorzálása esetében s. Az ágazatok térbel koncentráltságának, lletve agglomeráltságának mérőszáma A térbel eloszlás mérése, ezen belül s a térbel koncentrácóé, először az általános koncentrácós mutatószámok általánosításával valósult meg. A relatív koncentrácót mérő mutatók nagy része alkalmazható térbel eloszlás vzsgálatban s, mnt ahogy ezt meg s tették az egyes szerzők nemzetköz és magyar tanulmányokban s. A Gn-féle koncentrácós ndex terület kterjesztését például Krugman (1991b), a Herfndahl-ndex terület változatát Bresch (1998) és Frank (2008), az entrópát pedg Lengyel és Leydesdorff (2008) alkalmazta. E mutatószámokon túl azonban megjelentek olyanok s, amelyeket már kfejezetten a térbel koncentrácó mérésének céljával fejlesztettek k. Ezek között említhetjük a γ mutató Ellson és Glaeser (1997), valamnt Maurel és Sédllot (1999) által létrehozott változatát és a lokácós hányadost (LQ). Mvel az ágazat agglomerálódása úgy mérhető, hogy megvzsgáljuk az ágazatnak a vzsgált területegységekbe való eloszlását, annak s a térbel autokorrelácóját, a mérésének eszköze térstatsztka, térökonometra eszköz kell, hogy legyen. Az autokorrelácós mérőszámok azt mutatják meg, hogy az adatok térbel eloszlása utal-e valamféle szabályszerűségre, vagys a szomszédos területegységek adata egymáshoz hasonlók-e (Varga 2002, Tóth 2003, Moran 1950). Éppen úgy, ahogyan a térbel koncentrácó mérésénél, az agglomerácó esetében s megkülönböztethetünk globáls és lokáls mutatószámokat. Így amkor egy ágazatról egy mutatószámba sűrítve általános nformácó szükséges, akkor a globáls térbel autokorrelácós mutatókat használhatjuk (Moran-ndex, Geary-féle C mutató), ha vszont az egyes területegységekről egyenként szeretnénk részletesebb képet kapn, akkor a lokáls * ls mutatók alkalmazása ndokolt (LISA lokáls Moran-ndex, lokáls G statsztka). Az 1. táblázatban azon mutatószámok és jelölések találhatók, amelyeket vzsgálatam során alkalmaztam, a továbbakban ezekről esk szó bővebben. Az előzőekben felsorolt mutatószámok alkalmazására elsősorban a nemzetköz szakrodalomban találunk példákat. A lokácós hányados jelentette például az alapját a brt klaszter-feltérképezésnek (Mller et al. 2001), de már Magyarországon s megtörténtek az első, foglalkoztatás LQ-ra épülő vzsgálatok az OECD LEED klaszter-esettanulmánya keretében (Gecse Nkodémus 2003). Regonáls klaszterek LQ alapon történő vzsgálatával foglalkozott még Patk és Deák (2005), valamnt Szany és társa (2009). A lokácós hányadost használta Mukkala (2004) a fnn feldolgozópar vzsgálatára, amelynek keretében az agglomerácós erők hatását elemezte terület LQ értékekre egy regresszós modell kereten belül.

3 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE táblázat A gazdaság tevékenységek térbel eloszlásának elemzésére szolgáló mutatószámok Mutató Képlet Jelölések Lokáls mutatók Globáls mutatók LQ LISA H ágazat EG G EG γ Moran I I I LQ e d M H G M 1 M M ágazat M á e 1 1 j 1 w E E á M j 1 M j 1 N k 1 M 1 s x d j 2 j w d z x 2 k ( s x G H 1 H j 2 ) 2 M 1 M j j 1 M 1 d w d 2 j d j e á az -edk terület egységben, az adott ágazatban foglalkoztatottak száma, e az -edk terület egységben foglalkoztatottak száma, E á az adott ágazatban foglalkoztatottak száma országosan, E az összes foglalkoztatottak száma országosan, s az adott ágazatban foglalkoztatottaknak ekkora hányada dolgozk az -edk terület egységben, x az összes foglalkoztatottaknak ekkora hányada dolgozk az -edk terület egységben. w j tetszőleges szomszédság mátrx -edk sorának j-edk eleme. M a vzsgált terület egységek száma, d =s x a valós (adott ágazatbel) és a várt (összes ágazatbel) foglalkoztatott hányadok különbsége az -edk terület egységben, várható értéke 0. N az adott ágazatban működő vállalkozások száma, z k az adott ágazatban foglalkoztatottak k-adk vállalkozásra jutó hányada. Ellson és Glaeser (1997) az EG γ mutatót az Egyesült Államok paráganak vzsgálatára használták. Ezt követően sorban jelentek meg konkrét országok paráganak koncentráltságát jellemezn kívánó elemzések. Amnt az Ellson Glaeser-féle γ mutató megjelent, napvlágot láttak különböző krtkák és módosítás lehetőségek. Maurel és Sédllot (1999) már saját módosított verzójukat (MS) használták, ahogy Alonso-Vllar és társa (2004), lletve a Devereux Grffth Smpson (1999) szerzőhármas s ezt az MS-verzót alkalmazta számítása során. Francaországra Maurel és Sédllot (1999), Nagy- Brtannára Devereux és társa (1999), Ausztrára Mayerhofer és Palme (2001), Belgumra, Írországra és Portugálára Barros és társa (2009), Olaszországra Lafourcade és Mon (2007), Svédországra Braunerhjelm és Borgman (2004), Németországra vonatkozóan pedg Alecke és Untedt (2008) végeztek EG γ mutató alapú elemzéseket. A tapasztalat azt mutatja, hogy az EG γ mutató értéke erősen függ attól, hogy mlyen térfelosztás és parág-felosztás szntet alkalmazunk, sőt a különbségek vzsgálata során fontos következtetésekre juthatunk. Ennek megfelelően többen végeztek robosztusság

4 438 SZAKÁLNÉ DR. KANÓ IZABELLA vzsgálatot az említett paraméterek megváltoztatása segítségével (Alecke Untedt 2008, Ellson Glaeser 1997, Lafourcade Mon 2007). Több kutató gyekezett az EG γ mutató értéket regresszós egyenletben felhasználn. Egyes modellekben eredményváltozóként: dősoros modellben (Dumas Ellson Glaeser 1997, Barros és társa 2005), parágak technológa színvonalával (Devereux et al. 2004, Alecke Untedt 2008), tudás-túlcsordulást, természet adottságokat és szállítás költségeket reprezentáló változóval (Rosenthal Strange 2001), vagy a vállalkozások méretével (Holmes Stevens 2002, Lafourcade Mon 2007) mnt magyarázó változóval becsülve. Más modellekben magyarázó változóként használták az EG γ mutatót, például az egy foglalkoztatottra jutó hozzáadott érték becslésében (Braunerhjelm Borgman 2004). Az agglomerácó mérésére leggyakrabban és legszélesebb körben a Moran-ndexet használják. Alkalmazása a gazdaság aktvtás sűrűsödés helyenek meghatározására csak az 1990-es évek végén kezdődött el, bár ezt a mutatót és módosított változatat ekkor már sokan és sokféleképpen használták. Moran 1950-ben publkálta, később Clff és Ord (1973) értelmezés ntervallumokat adott meg a Moran-ndexhez és a Geary-féle C mutatóhoz s (Geary 1954). A Moran-ndexet alkalmazták van Oort és Atzema (2004) a holland nformácó- és kommunkácótechnológa par és szolgáltató szektor agglomerácós vzsgálata során; Usa és Pac (2000) az nnovácós tevékenységek térbel eloszlásának elemzésére; Yng és társa (2005) a kína Jangsu tartományban az par tevékenységek agglomerálódásának felmérésekor, Lafourcade és Mon (2007) pedg az olasz foglalkoztatottság adatokra. Készült néhány olyan nemzetköz tanulmány s, amelyek kfejezetten azt a komplex képet gyekeztek felmérn, amely a korábban említett agglomerácó-koncentrácó kettősségből fakad, tehát mnd térbel sűrűsödés, mnd pedg térbel autokorrelácó mérését eszközként használták. Ezek általában már a 2000-es években készültek, ahogyan a módszertan háttér egyre fejlettebb lett. A szakrodalomban e két rány a térbel koncentrácó és a terület autokorrelácó mérése együttes alkalmazása és egy fogalm keretbe helyezése először Sohn (2004) tanulmányában található. Lafourcade és Mon (2007) tanulmánya az agglomerácót és térbel koncentrácót elsősorban a vállalkozások méretével összefüggésben tárgyalja. Később Carroll és társa (2008) az LQ-t, valamnt a Gets * és Ord G mutatóját mnt lokáls mutatókat vetették össze (2. táblázat), Arba és társa (2006) egy összefoglaló tanulmányt adtak k, amely a gazdaság tevékenységek térbel eloszlásának elemzését, módszertanának bemutatását és Olaszországra való alkalmazását tűzte k célul. Nakamura és Morrson-Paul (2009) pedg már szoros összefüggésben tárgyalja e két módszert, alapos áttekntést adva. Magyar adatokra többen s alkalmazták ezeket a mutatókat, Tóth (2003) áttekntést nyújt a lokáls Moran-ndex alkalmazásáról. A Moran-ndexet kstérség szntű nnovácós vzsgálatban Bajmócy és Szakálné (2009a, b, 2010b), ugyancsak kstérség sznten feldolgozópar alágazatokra Szakálné (2011) alkalmazta. Tudásntenzív feldolgozópar és szolgáltatás ágazatokra alkalmazta Szakálné (2012), Szakálné Vas (2010). Koós (2007) cégsűrűség adatok alapján kfejezetten gazdaság tevékenységek térbel sűrűsödésére vonatkozó vzsgálatban használta a Moran-ndexet, Tóth és Kncses (2011) magyar bevándorlás adatokra, Tóth és Schuchmann (2010) a budapest agglomerácó vzsgálatára alkalmazta.

5 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 439 A nemzetköz szakrodalmat áttekntve egyrészt tapasztalható, hogy a szerzők az egyes terület egységek vzsgálata érdekében a lokáls mutatószámokat többnyre térképeken s ábrázolják, azonban a szerzők általában a gazdaság tevékenységeket csak a térbel koncentrálódás, vagy csak az agglomerálódás szemszögéből vzsgálják. Amennyben a később, kettős szemszögből végzett vzsgálatokra tekntünk, ezek esetében s azt találjuk, hogy ha van, a térkép ábrázolást külön-külön végzk az egyes aspektusok szernt. Kvételt képez ez alól Carroll és társa (2008) munkája. * Ők az LQ-értékeket és a Gets-Ord féle G mutatót vzsgálták módszertan ckkükben. Négy USA-bel tagállamban (Indana, Illnos, Oho és Mchgan) kerestek választ arra, hogy melyek azok a megyék (county), amelyek potencáls járműpar klaszter régók lehetnek. Adatak 2002-ből származtak. Ők tehát egyetlen parágat vzsgáltak 365 megyében, és elsősorban arra fókuszáltak, hogy a megyéket osztályozzák az parág szempontjából (2. táblázat). Eredményeket térképen s ábrázolták (1. ábra). 2. táblázat Megyék osztályozása az autópar szempontjából Mutató LQ > 1 LQ < 1 G * 1,96 Potencáls járműpar régó Járműpar perféra 1,96 Járműparra specalzálódott megye Járműpar-mentes megye G * Forrás: Carroll et al. (2008, 458. o.) Megyék osztályozása az autópar szempontjából az USA négy (Indana, Illnos, Oho és Mchgan) tagállamában 1. ábra Forrás: Carroll et al. (2008, 458. o.). Potencáls autópar klaszter-régó Autópar perféra Autóparra specalzálódott régó Autópar-mentes réga

6 440 SZAKÁLNÉ DR. KANÓ IZABELLA Alkalmazás magyar adatokra Magyar terület adatokra specalzálva a nemzetköz szakrodalomban megjelenő módszertant olyan eredményeket várhatunk, amelyek egyrészt tükrözk a magyar sajátosságokat, másrészt a már korábban elvégzett külföld elemzések eredményevel összehasonlíthatók. Vzsgálatam során a gazdaság tevékenységek térbel koncentrácóját és agglomerácóját lokáls és globáls mutatószámokkal egyaránt fel kívántam mérn. Az alkalmazott mutatószámok a térbel koncentrálódás vzsgálatára az EG γ mutató és az LQ-ndex, az agglomerácó esetében pedg a Moran-ndex és a lokáls Moran-ndex voltak. Magyarország mnd méretében, mnd ntézmény és gazdaság struktúrájában jelentős különbségeket mutat a nemzetköz vzsgálatokban szereplő országokhoz képest. A gazdaság tevékenységek koncentrálódásának folyamata eltérő dőszakokban ment végbe egyes országokban, a városrobbanás dőszakát, az par forradalom hatásat a kegyezéstől kezdve (1867) lehetett érzékeln hazánkban s, azonban olyan erős városnövekedés és parosítás forrásokkal, mnt amlyenek a nyugat-európa koncentrálódást jellemezték, nem rendelkeztek (Enyed 2012). Magyarországra vonatkozó emprkus vzsgálatam tervezése során a következő néhány fontos tényezőt tartottam szem előtt: Magyarország térfelosztás szntje Magyarország NUTS-LAU rendszer szernt felosztása alapján a kstérség sznt a LAU 1-es osztályozás szntnek felel meg. Térbel koncentrácós vzsgálatam alapjául ezt a szntet választottam, mert véleményem szernt mvel mnd a gazdaság tevékenységek térbel koncentrácóját, mnd pedg az agglomerácóját fel kívántam mérn az agglomerácó vzsgálatával a kstérség határokon túlnyúló vonzóerők meglétét s vzsgáln lehet, és ez az a sznt, amellyel a nemzetköz vzsgálatokban s legtöbb esetben foglalkoztak. Budapest Egy megváltoztatható feltétel a vzsgálatok során Magyarország esetében az lehet, hogy a mutatószámokat Budapest adatanak fgyelembevételével, vagy azok nélkül számoljuk k. Módszertan szempontból kemelendő, hogy a Budapest adatanak elhagyásával számított lokáls Moran-ndex-értékek részben Budapest szívóhatását s beszámítják, de ma már egyre erősödnek a kapcsolatok a körülvevő kstérségek között s, a korább egymagú, egy központú herarchzált nagyváros agglomerácó -ból átalakul horzontáls nagyváros régóvá, amely továbbra s egymagú, de több alközponttal rendelkezk (Enyed 2012, o.). Szomszédság mátrx Ugyancsak az adatok elérhetőségétől függ, hogy az agglomerácó mérésénél felhasznált szomszédság mátrxot mlyen módszerrel állítjuk elő. Erre rendkívül sok lehetőség kínálkozk, lásd például Dusek (2004, 204. o.), Gets és Aldstadt (2004), Anseln (1988). A lokáls Moran-ndex-értékek kszámításának értelmezése bástyaszomszédság esetén azonban egyszerűen leolvasható a térképekről: az -edk terület egységgel közös határ-

7 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 441 vonallal rendelkező kstérségek d j = (s j x j ) értékenek számtan átlaga megszorozva a d = (s x ) értékkel. A vzsgálat 2009-es adatokra épül, 174, lletve 173 kstérség adataval számoltam. A korábban említettek alapján Budapest különösen fontos szereplő mnden magyar terület vzsgálatban, ezért a vzsgálatokat elvégeztem Budapest adatanak fgyelembevételével, és azok nélkül s. Ennek hozadéka egyrészt az, hogy az ország több 173 kstérségének helyzetéről reálsabb képet alkothatunk, másrészt a kétféle vzsgálat eredményét összevetve Budapest szerepét s kemelten elemezhetjük. Az elemzés során a vszonyítás alapként használt x értékek amelyek a foglalkoztatottság egyes terület egységekre jutó hányadát jelentk mnden esetben az adott szektorban (par/építőparban, lletve szolgáltatásokban) foglalkoztatottak eloszlását tükrözk. A vzsgált ágazatok Vzsgálatom fókuszába tudásntenzív feldolgozópar és szolgáltatás ágazatok kerültek Az ágazatok tudásntenztását az OECD által meghatározott technológa színvonal alapján vettem fgyelembe, amelyet az ágazatban felhasznált termelés tényezők, a technológa és a termék tudásntenztásának segítségével defnáltak (3. táblázat). A technológa színvonal alapján megkülönböztetünk (Eurostat 2009): hgh-tech feldolgozópar ágazatokat (TEÁOR 08 2 számjegy alapján: 21, 26), medum-hgh-tech feldolgozópar ágazatokat (20, 27, 28, 29, 30) és tudásntenzív szolgáltatás ágazatokat (50, 51, 58 66, 69 75, 78, 80, 84 88, 90 93). A tudásntenzív szolgáltatások köre s tovább bontható: tudásntenzív pac szolgáltatásokra (50 51, , 73-74, 78 80), tudásntenzív pénzügy szolgáltatásokra ( ) és hgh-tech tudásntenzív szolgáltatásokra ( és 72). 3. táblázat A tudásntenzív ágazatok OECD által defnált osztályozása Hgh-tech feldolgozópar Medum-hgh-tech feldolgozópar 21 Gyógyszergyártás 20 Vegy anyag, termék gyártása 26 Számítógép, elektronka, optka termék gyártása 27 Vllamos berendezés gyártása 28 Gép, gép berendezés gyártása 29 Közút jármű gyártása 30 Egyéb jármű gyártása Tudásntenzív szolgáltatások 50 Víz szállítás 51 Lég szállítás 59 Flm, vdeógyártás, televízóműsor gyártása, hangfelvétel kadás 60 Műsor-összeállítás, műsorszolgáltatás 61 Távközlés 62 Informácótechnológa szolgáltatás 63 Informácós szolgáltatás 64 Pénzügy közvetítés, kvéve bztosítás, nyugdíj pénztár tevékenység 65 Bztosítás, vszontbztosítás, nyugdíjalapok (kvéve: kötelező társadalombztosítás) Forrás: Eurostat (2009) alapján saját szerkesztés. 66 Egyéb pénzügy tevékenység 69 Jog, számvtel, adószakértő tevékenység 70 Üzletvezetés, vezető tanácsadás 71 Építészmérnök tevékenység; műszak vzsgálat, elemzés 72 Tudományos kutatás, fejlesztés 73 Reklám, packutatás 74 Egyéb szakma, tudományos, műszak tevékenység 78 Munkaerő-pac szolgáltatás 80 Bztonság, nyomozó tevékenység

8 442 SZAKÁLNÉ DR. KANÓ IZABELLA Az emprkus elemzésben kstérségenként a tudásntenzív par és szolgáltatás ágazatokat a főtevékenységük alapján detartozó cégek és foglalkoztatottjak száma alapján vettük fgyelembe (TEÁOR 08 felosztása alapján). A kstérség foglalkoztatás adatok a KSH Terület statsztka évkönyv, 2007 című kadványából, lletve a KSH honlapjáról ( a 2001-es népszámlálás adatokból, az egyes vállalatok adata pedg a KSH Cégnformácós adattárának (Cég Kód Tár) 2009/3 4. számú kadványából származtak. Az egyes társas vállalkozások létszám, telephely és ágazat (TEÁOR 08 két számjegy) adatat a megfelelő kstérségekhez hozzárendelve végeztem a számításokat. A kstérség szntű foglalkoztatottság adatokat ágazatonként és létszám-kategóránként gyűjtöttem k. Mnden mutatószám kszámításához pontos vállalat létszámadatokra lett volna szükség, ez azonban nem állt rendelkezésre, így ezeket becsüln kellett. A nemzetköz gyakorlat szernt feltételeztem, hogy a vállalat létszámok a létszám-kategórákon belül eloszlása egyenletes (Ellson Glaeser 1997), így a Herfndahl-ndex kszámításakor mnden létszámadat esetében az adott létszám-kategórán belül értékek számtan átlagával dolgoztam. A Moran-ndex számításához szükséges kstérség szomszédság mátrx, W=(w j ) adatat a terület beosztást követve 174 (a Budapest nélkül adatok esetében 173) kstérség térbel elhelyezkedése alapján bástyaszomszédság alapján állítottam össze, vagys ha az -edk és j-edk terület egységek közös határvonallal rendelkeznek, akkor w j értéke (n az -edk terület egység szomszédjanak száma), különben 0, valamnt w s 0 értéket kapott. A vzsgált ágazatok osztályozása Az elemzés során kszámítottam az OECD által tudásntenzívnek tartott (3. táblázat) 7 feldolgozópar és 18 szolgáltatás ágazatra az EG γ és a Moran-ndex mutatóértékeket, megkülönböztetve a Budapesttel és nélküle végzett számításokat. A Moran-ndex a ( 1; 1) ntervallumban vehet fel az értékét. Mvel a Moran-ndex eloszlása nem smert, ezért Monte-Carlo-módszer segítségével meghatároztam a p- értéket s, amely az adott Moran-ndex-érték az átlagtól való eltérésének szgnfkanca szntjét jelz. A feldolgozópar, lletve a szolgáltatás szektorban működő tudásntenzív ágazatok között jelentős különbségeket tapasztalhatunk. Egyrészt Budapest a tudásntenzív szolgáltatás ágazatok sznte mndegykében erős térbel koncentrácót jelent, míg a tudásntenzív feldolgozópar ágazatok esetében egy két kvételtől eltekntve sokkal kevésbé jelentős a főváros eme hatása. A Budapest adata nélkül számolt EG γ mutató értékek s nagyobb fokú térbel koncentrácóra utalnak a szolgáltatás ágazatok körében, mnt a feldolgozópar ágazatok esetében. A Magyar statsztka évkönyv, 2009 (KSH 2010) alapján megállapítottam, hogy az összes azonos ágazatbel vállalkozásnak hány százaléka vezetett be az adott évben új eljárást vagy új terméket. A legnnovatívabb ágazatok a Vegy anyag, termék gyártása, gyógyszergyártás ágazatok együttese, amelyben működő vállalkozások 47,2%-a volt nnovatív, és a Távközlés, nformácótechnológa és egyéb nformácós szol-

9 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 443 gáltatás ágazatok együttese, amelyben a működő vállalkozások 40,2%-a volt nnovatív 2008-ban. Ezt követ a Járműgyártás 36,5%-kal, majd a Pénzügy, bztosítás tevékenység ágazat-együttes 33,3%-kal. A tudásntenzív ágazatok közül így kemelve a legnnovatívabbakat, megvzsgáltam az egyes szektorokban (par, lletve szolgáltatások) lévő tudásntenzív ágazatokat együttesen, majd kemelten elemeztem az tt kemelt ágazatok közül kettőt-kettőt a szektorokon belül. A korábban kemelteknek megfelelően a vzsgálódásom két aspektusának együttes fgyelembevétele érdekében az ágazatokat két dmenzó mentén térbel koncentrálódás és agglomerálódás, húsz osztályba soroltam. (4. és 5. táblázat). E húsz osztály a két mutatószám EG γ és Moran-ndex értéke, lletve szgnfkancája alapján történő osztályozásból jön létre, amelyek 4, lletve 5 osztályt jelentenek: γ < 0 az ágazat térben szétszórt; 0 γ < 0,02 az ágazat gyengén koncentrálódott; 0,02 γ < 0,05 az ágazat közepesen koncentrálódott; 0,05 γ az ágazat erősen koncentrálódott. 1 I és a p érték < 0,05 akkor az ágazat erősen negatívan autokorrelált; M 1 1 I és 0,05 < p érték < 0,1, akkor az ágazat gyengén negatívan M 1 autokorrelált; I bármlyen és 0,1 < p érték, akkor az ágazat nem autokorrelált; 1 1 és 0,05 < p érték < 0,1, akkor az ágazat gyengén poztívan M 1 autokorrelált; 1 1 és a p érték < 0,05, akkor az ágazat erősen poztívan autokorrelált. M 1 Az lyen módon létrehozott 20 osztály közül érdemes kemeln négy szélsőséget, hszen ezek értelmezése után a több, köztes osztály már ezek vszonylatában elhelyezhető. A táblázat bal alsó osztályába a térben szétszórt és térben erősen negatívan autokorrelált ágazatok tartoznak, am azt jelent, hogy ezekben az ágazatokban a vállalkozások gyekeznek egymástól távol elhelyezkedn, a vállalatokat egymás közelébe vonzó erők megléte kérdéses, azokat messze felülírják taszító erők. Magyarországon sem Budapest adataval, sem azok nélkül nem található lyen tudásntenzív ágazat. A táblázat bal felső osztályába a térben erősen koncentrált és térben erősen negatívan autokorrelált ágazatok tartoznak, amelyekben a vállalatokat egymás közelébe vonzó erők megléte erőteljesen kmutatható, azonban ezen hatóerők sugara nem mutat túl a kstérség határokon. Magyarországon lyen feldolgozópar ágazatok nem találhatók, vszont a szolgáltatás ágazatok közül Budapest adataval lyenek a 60 Műsor-összeállítás, műsorszolgáltatás, 64 Pénzügy közvetítés, 65 Bztosítás, vszontbztosítás, nyugdíjalapok, 72 Tudományos kutatás, fejlesztés, 78 Munkaerő-pac szolgáltatás ágazatok. A táblázat jobb alsó osztályába a térben szétszórt és térben erősen autokorrelált ágazatok kerülnek, amelyekben a vállalkozások gyekeznek egymástól távol települn, azon-

10 444 SZAKÁLNÉ DR. KANÓ IZABELLA ban csak kevés vállalatról lévén szó (magas az ágazat koncentrácó), sok kstérségben nncs jelen az ágazat, ezen kstérségek pedg térben összefüggő területeket alkotnak. Magyarországon sem Budapest adataval, sem azok nélkül nem található lyen tudásntenzív ágazat. A táblázat jobb felső osztályába a térben erősen koncentrált és térben erősen autokorrelált ágazatok kerültek. Ezekben a vállalatokat egymás közelébe vonzó erők megléte erőteljesen kmutatható, és ezen erők sugara túl s lép a kstérség határokat. Csak Budapest adataval található lyen, vagys ezen ágazatok esetén az agglomerálódás Budapesten és a szomszédos kstérségekbe történk. Az egyetlen lyen tudásntenzív feldolgozópar ágazat a 30 Egyéb jármű gyártása, és van még hat tudásntenzív szolgáltatás ágazat: 61 Távközlés, 62 Informácótechnológa szolgáltatás, 70 Üzletvezetés, vezető tanácsadás, 71 Építészmérnök tevékenység; műszak vzsgálat, elemzés, 74 Egyéb szakma, tudományos, műszak tevékenység, 80 Bztonság, nyomozó tevékenység. 4. táblázat A tudásntenzív ágazatok térbel koncentrácója és agglomerácója Budapest adatanak fgyelembevételével Térbel autokorrelácó Térbel koncentrácó erős negatív gyenge negatív nncs gyenge poztív erős poztív Erős 60, 64, 65, 72, 78 21, 58, 63, 66, 69, , 61, 62, 70, 71, 74, 80 Közepes Gyenge 26, 27, 28, Térben szétszórt Megjegyzések: az osztályokba sorolás az EG γ értékek és a Moran-ndex-értékekhez tartozó p-értékek alapján történt. A félkövér számok a hgh-tech és medum-hgh-tech feldolgozópar ágazatokat jelölk. A tudásntenzív ágazatok térbel koncentrácója és agglomerácója Budapest adatanak fgyelmen kívül hagyása mellett 5. táblázat Térbel autokorrelácó Térbel koncentrácó erős negatív gyenge negatív nncs gyenge poztív erős poztív Erős 51, 61 Közepes 20, 27 26, 28, 29, 58, Gyenge 64, 66, 69, 72, 73, 78 Térben szétszórt 21, 30, 60, 65 50, 71 59, 62, 63, 70, 74, 80 Megjegyzések: az osztályokba sorolás az EG γ értékek és a Moran-ndex értékekhez tartozó p-értékek alapján történt. A félkövér számok a hgh-tech és medum-hgh-tech feldolgozópar ágazatokat jelölk. Térképes ábrázolás Amennyben lokáls mutatószámok térképen történő ábrázolását külön térképeken végezzük el, azok nformácótartalma csak az egyes szemszögekből (térbel koncentrácó,

11 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 445 lletve agglomerácó) történő vzsgálatok eredményet tükröz. Ezért annak érdekében, hogy a két különböző megközelítést ntegráltan tudjam kezeln a térképek szntjén s, az egyes ágazatok egyenként vzsgálatánál olyan térképeket dolgoztam k, amelyekben az egyes kstérségeket LQ- és LISA-ndexértékek alapján 9 különböző osztályba soroltam. Amennyben a terület egységeket LQ-értékek alapján három osztályba, LISAértékek és azok szgnfkancája alapján pedg öt különböző osztályba soroljuk (6. táblázat), a két szempont alapján összesen 3*5 = 15 osztályra volna lehetőség. 6. táblázat Terület egységek osztályozása a két szempont alapján LQ-érték alapján (3 osztály) 1,5 LQ 1 LQ <1,5 LQ < 1 LISA-értékek és szgnfkanca alapján (5 osztály) Magas Magas (hot spot) Nem szgnfkáns Magas Alacsony Alacsony Magas Alacsony Alacsony (cold spot) A 15 osztály közül azonban hat üres, ugyans nem lehetséges, hogy például a kstérségre LQ 1, mközben a kstérség az Alacsony Magas, vagy pedg az Alacsony Alas csony osztályba tartozzon, hszen az LQ 1 azt jelent, hogy 1, vagys s x, az utóbx b két osztály esetén vszont s x <0, vagys s<x Ennek következtében tehát a kstérségek klenc különböző osztályba sorolhatók (7. táblázat). 7. táblázat A kstérségek lokáls mutatók alapján történő osztályozása a térképeken és azok értelmezése LQ-érték LISA-ndex és szgnfkanca alapján Jelentés 1,5 LQ Magas Magas A kstérség erőteljesen specalzált az ágazat szempontjából és a környező kstérségben s átlagosan nagyobb arányban van jelen az ágazat. 1,5 LQ Nem szgnfkáns A kstérség erőteljesen specalzált az ágazat szempontjából, de a környező kstérségekben átlagosan nem jelentős sem az ágazat túlzott jelenléte, sem a hánya. 1,5 LQ Magas Alacsony A kstérség erőteljesen specalzált az ágazat szempontjából és a környező kstérségekben az ágazat átlagosan hányosan van jelen. 1 LQ < 1,5 Magas Magas A kstérség gyengén, de specalzált az ágazat szempontjából és a környező kstérségben s átlagosan nagyobb arányban van jelen az ágazat. 1 LQ < 1,5 Nem szgnfkáns A kstérség gyengén, de specalzált az ágazat szempontjából, de a környező kstérségekben átlagosan nem jelentős sem az ágazat túlzott jelenléte, sem a hánya. 1 LQ < 1,5 Magas Alacsony A kstérség gyengén, de specalzált az ágazat szempontjából és a környező kstérségekben az ágazat átlagosan hányosan van jelen. LQ < 1 Alacsony Magas Az ágazat a kstérségben a vártnál ksebb arányban van jelen, mközben a környező kstérségekben a vártnál átlagosan nagyobb arányban. LQ < 1 Nem szgnfkáns Az ágazat a kstérségben a vártnál ksebb arányban van jelen, de a környező kstérségekben átlagosan nem jelentős sem az ágazat túlzott jelenléte, sem a hánya. LQ < 1 Alacsony Alacsony Az ágazat a kstérségben a vártnál ksebb arányban van jelen éppen úgy, ahogyan a környező kstérségekben s.

12 446 SZAKÁLNÉ DR. KANÓ IZABELLA Tudásntenzív feldolgozópar ágazatok térbel eloszlása A korábbakban említetteknek megfelelően a továbbakban a feldolgozópar két olyan tudásntenzív ágazatát elemzem a lokáls és globáls mutatóértékek alapján, amelyek statsztkalag a legnkább nnovatívnak mutatkoztak a vzsgált dőszakban, ezek a Vegy anyag, termék gyártása, lletve a Gyógyszergyártás ágazatok. Vegy anyag, termék gyártása Ebbe az ágazatba tartozk mnden vegypar eljárásokkal történő átalakítás, valamnt bármlyen termék szerves és szervetlen nyersanyagokból történő előállítása. Az ágazatban, a vzsgálat dőpontjában fő dolgozott, ezek közül 4640 Budapesten állt alkalmazásban (8. táblázat). 8. táblázat A vegy anyag, termék gyártása ágazat mutatószámértéke 20 Vegy anyag, termék gyártása parban, építőparban Budapesttel nemzetgazdaság egészében parban, építőparban Budapest nélkül nemzetgazdaság egészében Átlagos méret, fő Vállalkozások száma Moran-ndex 0,036 0,045 0,032 0,037 p érték 0,073 0,021 0,065 0,038 EG γ mutató 0,047 0,032 0,038 0,041 Normalzált Herfndahl-ndex 0,063 0,115 Budapest adatatól függetlenül térben közepesen koncentrált az ágazat az EG γ mutató értékek alapján (8. táblázat). A Herfndahl-ndex azt mutatja (H* = 0,115), hogy Budapesten kívül az ágazat koncentrácó fennáll, ha nem s erőteljesen. A Moran-ndex értékéből pedg nkább negatív autokorrelácó olvasható k, tehát a térbel koncentrácót létrehozó erők nem nyúlnak túl a kstérség határokon, sőt, nkább egymástól elszgeteltek azok a kstérségek, amelyekben ez az ágazat jelen van. Bár Budapest lokáls Moran-ndex értéke alapján nem mondható hot-spotnak, mégs tt, a Budaörs, valamnt a Gödöllő kstérségben foglalkoztatják az ágazatban dolgozók 30%-át. Az adatok alapján kjelenthető, hogy a vegypar tevékenység egyes kstérségekhez köthető, ezek elhelyezkedése azonban többnyre nem összefüggő. Ez alól csak Budapest kvétel, azonban tt sem jelentős az agglomerálódás (2 3. ábra).

13 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 447 A kstérségek osztályozása a vegy anyag, termék gyártása ágazat alapján Budapest adatanak fgyelembevételével 2. ábra 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1<LQ<1,5 és Magas Magas 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony Megjegyzés: az parban és építőparban vszonyítva. A kstérségek osztályozása a vegy anyag, termék gyártása ágazat alapján Budapest adatanak fgyelembevétele nélkül 3. ábra 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1<LQ<1,5 és Magas Magas 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony Megjegyzés: az parban és építőparban vszonyítva. LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony

14 448 SZAKÁLNÉ DR. KANÓ IZABELLA Gyógyszergyártás Ebbe az ágazatba tartozk a gyógyszeralapanyag és a gyógyszerkészítmény gyártása, valamnt a gyógyászat célú vegy és növény eredetű termékek előállítása. Az ágazatban, a vzsgálat dőpontjában fő dolgozott, ezek közül fő Budapesten állt alkalmazásban, tehát a foglalkoztatottak 81%-a Budapesten található. Ez gen jelentős Budapest központúságot jelent, amt az EG γ mutató rendkívül magas értéke (EG γ = 0,397) s gazol, különösen a Budapest adatanak khagyásával számított értékkel (EG γ = 0,009) való összehasonlítás után (9. táblázat). Ez utóbb arra enged következtetn, hogy az ágazat térben kfejezetten szóródott Budapesten kívül. 9. táblázat A gyógyszergyártás ágazat mutatószámértéke 21 Gyógyszergyártás parban, építőparban Budapesttel nemzetgazdaság egészében parban, építőparban Budapest nélkül nemzetgazdaság egészében Átlagos méret, fő Vállalkozások száma Moran-ndex 0,011 0,016 0,011-0,016 p érték 0,214 0,082 0,214 0,082 EG γ mutató 0,397 0,299 0,397 0,299 Normalzált Herfndahl-ndex 0,192 0,254 A Herfndahl-ndex magas értéke alapján arra a következtetésre jutunk, hogy az ágazat nemcsak térben, hanem ágazatlag s erőteljesen koncentrálódott. A Moran-ndex értéke szernt az ágazat csak az összes foglalkoztatottak eloszlásához mérten, Budapest adataval együtt nevezhető gyengén negatívan autokorreláltnak. A több számítás mód mellett nncs szgnfkáns autokorrelácó, tehát a térbel koncentrácót létrehozó erők nem nyúlnak túl a kstérség határokon. Két olyan térsége van az országnak, ahol számottevő gyógyszerpar tevékenység folyk (4. és 5. ábra). Egyrészt Budapesten és két szomszédos kstérségben: a Gödöllő és a Plsvörösvár kstérségekben (tt összesen főt foglalkoztattak az ágazatban). Másrészt a Debrecen, a Hajdúböszörmény, a Tszavasvár és az Ibrány-Nagyhalász kstérségek alkotta együttesben (tt összesen kb fő volt a foglalkoztatottak száma).

15 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 449 A kstérségek osztályozása a gyógyszergyártás ágazat alapján Budapest adatanak fgyelembevételével 4. ábra 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony 1<LQ<1,5 és Magas Magas Megjegyzés: az parban és építőparban vszonyítva. A kstérségek osztályozása a gyógyszergyártás ágazat alapján Budapest adatanak fgyelembevétele nélkül LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony 5. ábra 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony 1<LQ<1,5 és Magas Magas Megjegyzés: az parban és építőparban vszonyítva. LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony

16 450 SZAKÁLNÉ DR. KANÓ IZABELLA Szolgáltatások Éppen úgy, ahogyan a feldolgozópar ágazatok esetében s tettem, a tudásntenzív szolgáltatás ágazatok közül s kemelten elemzek két ágazatot, amelyek a statsztka adatok alapján kemelten nnovatívnak mutatkoztak a vzsgált dőszakban. Informácótechnológa szolgáltatás Ebbe az ágazatba tartozk az nformácótechnológa területen nyújtandó szakértő tevékenység: szoftver írása, módosítása, tesztelése és ezek támogató szolgáltatása; a számítógéphardvert, -szoftvert és kommunkácós technológát ntegráló számítógépes rendszerek tervezése; khelyezett számítógépes rendszer és/vagy adatfeldolgozás rendszer üzemeltetése (az ügyfél helyszínén) és egyéb számítógéppel kapcsolatos szakértő vagy technkus tevékenység. Az ágazatban a vzsgálat dőpontjában közel fő dolgozott, ezek közül főt a fővárosban foglalkoztattak, így a foglalkoztatottak 73%-a budapest vállalkozásnál állt alkalmazásban. Ez jelentős Budapest központúságot jelent, amt az EG γ mutató magas értéke (EG γ = 0,273) s gazol (10. táblázat). Ha Budapest adata nélkül tekntjük, egy enyhe fokú térbel koncentrácót tapasztalhatunk, mközben a Herfndahl-ndex alacsony értéke és a vállalkozások átlagos mérete az ágazat elaprózódottságára utal. A Moran-ndex értéke bármely számítás módot tekntjük s erős poztív autokorrelácót jelez, tehát várhatóan agglomerálódott az ágazat mnd Budapest adataval, mnd a nélkül. 10. táblázat Az nformácótechnológa szolgáltatás ágazat mutatószámértéke 62 Informácó-technológa szolgáltatás parban, építőparban Budapesttel nemzetgazdaság egészében parban, építőparban Budapest nélkül nemzetgazdaság egészében Átlagos méret, fő 4 2 Vállalkozások száma Moran-ndex 0,012 0,198 0,012 0,198 p érték 0,006 0,002 0,006 0,002 EG γ mutató 0,321 0,010 0,321 0,010 Normalzált Herfndahl-ndex 0,005 0,006 Budapest szívóereje, domnancája rendkívül erős (tt és a környező kstérségekben összesen fő állt alkalmazásban) (6 7. ábra). Bár elszórtan, elsősorban a nagyobb egyetem városokban ugyancsak magas LQ értékek jelennek meg. Hot-spotnak nevezhető tehát Budapest, de a cold-spotot s találunk, lyen sznte az egész Tszántúl a Debrecen és a környezetében lévő kstérségeket kvéve, ezen a területen tehát gen alacsony az ágazatbel foglalkoztatottság. Feltehetően ennek (s) köszönhető a szgnfkáns (globáls) Moran-ndex-érték.

17 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE ábra A kstérségek osztályozása az nformácótechnológa szolgáltatás ágazat alapján Budapest adatanak fgyelembevételével 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1<LQ<1,5 és Magas Magas 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony Megjegyzés: a szolgáltatásokban vszonyítva. LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony 7. ábra A kstérségek osztályozása az nformácótechnológa szolgáltatás ágazat alapján Budapest adatanak fgyelembevétele nélkül 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1<LQ<1,5 és Magas Magas 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony Megjegyzés: a szolgáltatásokban vszonyítva. LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony

18 452 SZAKÁLNÉ DR. KANÓ IZABELLA Pénzügy közvetítés, kvéve bztosítás, nyugdíjpénztár tevékenység Ebbe az ágazatba tartozk a pénzforrások gyűjtése és újraelosztása, kvéve azokat, amelyek a bztosítást, a nyugdíjalapokat és a kötelező társadalombztosítást szolgálják. 11. táblázat A pénzügy közvetítés, kvéve bztosítás, nyugdíjpénztár tevékenység ágazat mutatószám értéke 64 Pénzügy közvetítés, kvéve bztosítás, nyugdíjpénztár tevékenység parban, építőparban Budapesttel nemzetgazdaság egészében parban, építőparban Budapest nélkül nemzetgazdaság egészében Átlagos méret, fő Vállalkozások száma Moran-ndex 0,031 0,025 0,031 0,025 p érték 0,002 0,003 0,002 0,003 EG γ mutató 0,349 0,405 0,349 0,405 Normalzált Herfndahl-ndex 0,042 0,006 Az ágazatban a vzsgálat dőpontjában közel fő dolgozott, közülük fő Budapesten állt alkalmazásban, tehát az ágazatban foglalkoztatottak 81%-a a fővárosban bejelentett vállalkozásnál dolgozott. Ezt azért érdemes khangsúlyozn, mert a 12 legnagyobb, Magyarországon működő bank (ezek legalább 500 főt foglalkoztatnak) köztük a Magyar Nemzet Bank, amelynek esetében ténylegesen centralzáltan ellátandó országos feladatról van szó mnd budapest központtal rendelkeznek, és tt veendő számításba az összes alkalmazottjuk. Ebben az ágazatban s jelentős tehát a budapest koncentrácó, az EG γ mutató értéke s ezt tükröz: 0,349 (11. táblázat). Ha vszont a főváros adatat khagyjuk, az ágazat sem térbel, sem ágazat koncentrácót nem mutat (EG γ = 0; H* = 0,006). A Budapesten működő vállalkozások átlagos mérete jóval nagyobb, mnt a vdék kstérségekben, ahol túlnyomó többségben hely takarékszövetkezetek működnek. A Moran-ndex alapján Budapest adatanak beszámítása esetén erős negatív autokorrelácó tapasztalható, am annak köszönhető, hogy a fővárost körülvevő kstérségekben vszonylag alacsony az ágazatbel foglalkoztatottság (8 9. ábra). Ha vszont Budapest adatat nem vzsgáljuk, nncs szgnfkáns autokorrelácó, a szomszédos kstérségek adata között semmlyen összefüggésre nem találunk.

19 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 453 A kstérségek osztályozása a pénzügy közvetítés, kvéve bztosítás, nyugdíjpénztár tevékenység ágazat alapján Budapest adatanak fgyelembevételével 8. ábra 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1<LQ<1,5 és Magas Magas 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony Megjegyzés: a szolgáltatásokban vszonyítva. LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony 9. ábra A kstérségek osztályozása a pénzügy közvetítés, kvéve bztosítás, nyugdíjpénztár tevékenység ágazat alapján Budapest adatanak fgyelembevétele nélkül 1,5<LQ és Magas Magas 1,5<LQ és nem szgnfkáns 1<LQ<1,5 és Magas Magas 1,5<LQ és Magas Alacsony 1<LQ<1,5 és nem szgnfkáns 1<LQ<1,5 és Magas Alacsony Megjegyzés: a szolgáltatásokban vszonyítva. LQ<1 és Alacsony Magas LQ<1 és nem szgnfkáns LQ<1 és Alacsony Alacsony

20 454 SZAKÁLNÉ DR. KANÓ IZABELLA A 9. ábra sok kstérségben jelez magas LQ-értékeket, amkor Budapest khagyásával számolunk, azonban ezek a kstérségek az országban teljesen elszórtan helyezkednek el. Ez egybevág azzal, hogy hely érdekű takarék-szövetkezeteknek a kszolgáln kívánt ügyfelekhez közel kell települnük, és ebben az esetben a vállalkozások átlagos foglalkoztatottjanak száma s jóval ksebb, mnt Budapest adataval együtt számolva. Egyedül Dél-Alföldön van néhány szomszédos kstérség (a Makó, a Mórahalom és a Kskunhalas), amelyekben magasabb az ágazatbel foglalkoztatottság, ezek a Budapest adata nélkül tekntett számítások esetén hot spotnak mnősülnek. Összegzés Tanulmányom célja azon vzsgálat eszközök bemutatása és alkalmazása volt, amelyek segítségével a gazdaság tevékenységek térbel eloszlásának vzsgálatát több szempontból egyszerre lehet elvégezn. A gazdaság tevékenységek térbel eloszlásának két különböző megközelítése térbel koncentrácó és agglomerácó mentén létrehoztam olyan kétdmenzós globáls osztályokat (húsz osztály), amelyekbe az egyes gazdaság ágazatok besorolhatók, és amelyek alapján meghatározható a vállalkozásokat egymás közelébe vonzó és egymástól eltávolító erők eredőjének sugara. A gazdaság tevékenységek térbel eloszlásának két különböző aspektusa, tehát a térbel koncentrácó és agglomerácó mentén létrehoztam olyan két mutatószám eltérő értéke alapján defnálható lokáls osztályokat (9 osztály), amelyekbe az egyes terület egységek besorolhatók. Ezek alapján meghatározható a vállalkozásokat egymás közelébe vonzó és egymástól eltávolító erők eredőjének lokáls sugara. Ezen eszközök használata segítségével gyekeztem elemezn a magyar tudásntenzív feldolgozópar és szolgáltatás ágazatok térbel eloszlását. Egyrészt a tudásntenzív szolgáltatás ágazatok térben rendkívül koncentráltak, bár ezt sok esetben az ágazatok Budapesten meglévő erőteljes sűrűsödése eredményez. Ez a Budapest-központúság jellemző a tudásntenzív feldolgozópar ágazatokra s, azonban a gyógyszergyártás ágazat kvételével, amely jelentős mértékben a fővárosban összpontosul, a tovább ágazatoknál nem ennyre nagymérvű. A tudásntenzív szolgáltatás ágazatokról Budapest adata nélkül s elmondható, hogy térben koncentráltabbak, mnt a feldolgozópar ágazatok. Másrészt a szektorokon belül s jelentős eltéréseket tapasztalhatunk. Ezek az eltérések sok esetben Budapest eltérő erejének köszönhetőek. Azonban a Budapest adata nélkül vzsgálatok már egyértelműen az ágazatok különböző strukturáls tulajdonságara, és az ország egyes kstérségenek különböző fejlettség színvonalára vezethetők vssza. Budapest szerepe tehát kétségkívül órás mnden tudásntenzív ágazat esetében. Ezt az s alátámasztja, hogy ezen ágazatok mnd nagyobb súllyal vannak jelen a fővárosban, mnt azt akár az nemzetgazdaság egészében foglalkoztatottak eloszlása, akár az parban, építőparban, lletve a szolgáltatásokban foglalkoztatottak eloszlása alapján várnánk. Azonban ahogyan azt az egyes külön kemelt (legnnovatívabb) ágazatok elemzéséből s kderült a fővároson kívül krajzolódó kép s rendkívül változatos lehet.

21 A GAZDASÁGI TEVÉKENYSÉGEK TÉRBELI ELOSZLÁSÁNAK TÉRKÉPI MEGJELENÍTÉSE 455 IRODALOM Alecke, B. Untedt, G. (2008): De räumlche Konzentraton von Industre und Denstlestungen n Deutschland. Neue emprsche Evdenz mt dem Ellson Glaeser-Index Jahrbuch für Regonalwssenschaft 28: Alonso-Vllar, O. Chamorro-Rvas, J. M. Gonzalez-Cerdera, X. (2004): Agglomeraton economes n manufacturng ndustres: the case of Span Appled Economcs 36. (18): Anseln, L. (1988): Spatal Econometrcs: Methods and Models Kluwer Academc. Dordrecht. Arba, G. (2001): The role of spatal effects n the emprcal analyss of regonal concentraton Journal of Geographcal Systems 3 (3): Arba, G. de Domncs, L. de Groot, H. L. F. (2006): Spatal Dstrbuton of Economc Actvtes n Local Labour Market Areas: the Case of Italy ERSA conference papers ersa06p497, European Regonal Scence Assocaton. Bajmócy Zoltán Szakálné Kanó Izabella (2009a): Haza kstérségek nnovácós képességének elemzése Tér és Társadalom 23 (2): Bajmócy Zoltán Szakálné Kanó Izabella (2009b): Measurng the Innovaton Performance of Hungaran Subregons In: Bajmócy Zoltán Lengyel Imre (eds): Regonal Compettveness, Innovaton and Envronment pp JATEPress, Szeged. Bajmócy Zoltán Szakálné Kanó Izabella (2010): Innovácós képesség elemzése kstérség sznten. A Dél-alföld és Északmagyarország régók összevetése Észak-magyarország Stratéga Füzetek 7 (1): Barros, S Bertnell, L Strobl, E Texera, A.C. (2005): The dynamcs of agglomeraton: evdence from Ireland and Portugal Journal of Urban Economcs 57 (1): Barros, S. Bertnell L. Strobl E. Texera A.C. (2009): Spatal Dstrbuton of Manufacturng Actvty and ts Determnants: A Comparson of Three Small European Countres Regonal Studes 43 (5): Braunerhjelm, P. Borgman, B. (2004): Geographcal Concentraton, Entrepreneurshp and Regonal Growth: Evdence from Regonal data n Sweden Regonal Studes 38 (8): Bresch, S. (1998): Agglomeraton economes, knowledge spllovers, technologcal dversty, and spatal clusterng of nnovatons Luc Papers,n. 57. Sere Economa e Impresa Carroll, M.C. Red, N. Smth, B.W. (2008): Locaton quotents versus spatal au-tocorrelaton n dentfyng potental cluster regons Annals of Regonal Scence 42 (2): Clff, A. D. Ord, J. K. (1973): Spatal Autocorrelaton Pon, London. Devereux, M.P. Grffth, R. Smpson, H. (1999): The Geographc Dstrbuton of Producton Actvty n the UK IFS Workng Papers W99/26. Insttute for Fscal Studes. Dumas, G. Ellson, G. Glaeser, E. (1997): Geographc concentraton as a dynamc process NBER Workng Paper Dusek Tamás (2004): A terület elemzések alapja ELTE Regonáls Földrajz Tanszék MTA-ELTE Regonáls Tudomány Kutatócsoport, Budapest. Duranton, G. Overman, H. G. (2005): Testng for localzaton usng mcro-geographc data CEPR Dscusson Papers 3379 Ellson, G. Glaeser, E. (1997): Geographc Concentraton n U.S. Manufacturng Industres: A Dartboard Approach Journal of Poltcal Economy 105 (5): Enyed György (2012): Város vlág Akadéma Kadó, Budapest Eurostat (2009): Hgh-tech ndustry and knowledge-ntensve servces Metadata. /ITY_SDDS/EN/htec_esms.htm (letöltve: júnus) Frank, B. (2008): Locaton decsons n a changng labour market envronment, The case of flm-related servces Jahrbuch für Regonalwssenschaft 28 (1): Geary, R. C. (1954): The Contguty Rato and Statstcal Mappng The Incorporated Statstcan 5 (3): Gecse Gergely Nkodémus Antal (2003): A haza klaszterek lehatárolásának problémá lokácós hányados Terület Statsztka 43 (6): Gets, A. Aldstadt, J. (2004): Constructng the Spatal Weght Matrx Usng a Local Statstc Geographcal Analyss 36 (2): Holmes, T. J. Stevens, J. J. (2002): Geographc concentraton and establshment sze: analyss n an alternatve economc geography model Fnance and Economcs Dscusson Seres, No. 17., Board of Governors of the Federal Reserve System (U.S.) Koós Bálnt (2007): A szuburbanzácós folyamat a magyar gazdaságban Közgazdaság Szemle 54 (4): Krugman, P. (1991b): Geography and Trade MIT Press, Cambrdge (MA) KSH (Központ Statsztka Hvatal) (2007): CÉG-KÓD-TÁR A KSH cégnformácós adattára, II. negyedév, Budapest. KSH (Központ Statsztka Hvatal) (2008): A gazdaság tevékenységek egységes ágazat osztályozás rendszere és a tevékenységek tartalm meghatározása (TEÁOR'08), Budapest. KSH (Központ Statsztka Hvatal) (2009): CÉG-KÓD-TÁR, A KSH cégnformácós adattára, 2009 II. negyedév, Budapest. KSH (Központ Statsztka Hvatal) (2009): CÉG-KÓD-TÁR, A KSH cégnformácós adattára, 2009 III. negyedév, Budapest. KSH (Központ Statsztka Hvatal) (2010): Magyar Statsztka évkönyv 2009, Budapest.

22 456 SZAKÁLNÉ DR. KANÓ IZABELLA Lafourcade, M. Mon, G. (2007): Concentraton, Agglomeraton and the Sze of Plants Regonal Scence and Urban Economcs 37 (1): Lengyel Balázs Leydesdorff, L. (2008): A magyar gazdaság tudásalapú szerveződésének mérése: az nnovácós rendszerek sznergának térbelsége Közgazdaság Szemle 55 (6): Mayerhofer, P. Palme, G. (2001): Sachgüterprodukton und Denstlestungen: Sektorale Wettbewerbsfähgket und regonale Integratonsfolgen In: Mayerhofer, P. Palme, G. (Red.): PREPARITY Strukturpoltk und Raumplanung n den Regonen an der mtteleuropäschen EU Außengrenze zur Vorberetung auf de EU-Osterweterung. WIFO, Wen. Maurel, F. Sedllot, B. (1999): A Measure of the Geographc Concentraton n French Manufacturng Industres Regonal Scence and Urban Economcs 29 (5): Moran, P. A. P. (1950): Notes on Contnuous Stochastc Phenomena Bometrka 37 (1): Mukkala, K (2004): Agglomeraton economes n the Fnnsh manufacturng sector Appled Economcs 36 (21): Nakamura, R Morrson Paul, C. (2009): Measurng Agglomeraton. In: Capello, R. Njkamp, P. (eds) Handbook of Regonal Growth and Development Theores pp Edward Elgar Cheltenham, UK, Northampton, MA, USA. Patk Réka Deák Szabolcs (2005): A regonáls klaszterek feltérképezése a gyakorlatban Tér és Társadalom 19 (3 4): Rosenthal, S.S. Strange W.C. (2001): The Determnants of Agglomeraton Journal of Urban Economcs 50 (2): Sohn, J. (2004): Do brds of a feather flock together?: Economc lnkage and geographc proxmty The Annals of Regonal Scence 38 (1): Szakálné Kanó Izabella (2011): A gazdaság aktvtás térbel eloszlásának vzsgálat lehetősége Statsztka Szemle 89 (1): Szakálné Kanó Izabella (2012): Tudásntenzív ágazatok térbelsége: nnovácó és koncentrácó In: Bajmócy Zoltán Lengyel Imre Málovcs György (szerk.) Regonáls nnovácós képesség, versenyképesség és fenntarthatóság pp JATEPress, Szeged. Szakálné Kanó Izabella Vas Zsófa (2010): Do knowledge-ntensve enterprses flock together? Evdence from Hungary at sub-regonal level. Regonal Studes Assocaton Annual Internatonal Conference május Pécs. Szany Mklós Cszmada Péter Illéssy Mklós Iwasak, I. Makó Csaba (2009): A gazdaság tevékenység sűrűsödés pontjanak (klaszterek) vzsgálata Statsztka Szemle 87 (9): Tóth Géza (2003): Terület autokorrelácós vzsgálat a Local Moran I módszerével Tér és Társadalom 17 (4): Tóth Géza Kncses Áron (2011): A ma magyarország bevándorlás térbel autokorreláltsága Földrajz Közlemények 135 (1): Tóth Géza Schuchmann Péter (2010): A budapest agglomerácó terület kterjedésének vzsgálata Terület Statsztka 50 (5): Usa, S. Pac, R. (2000): Externaltes, Knowledge Spllovers And The Spatal Dstrbuton Of Innovaton. ERSA conference papers ersa00p104, European Regonal Scence Assocaton. Van Oort, F. G. Atzema, O. (2004): On the Conceptualzaton of Agglomeraton Economes: The Case of new Frm Formaton n the Dutch ICT Sector The Annals of Regonal Scence 38 (2): Varga Attla (2002): Térökonometra Statsztka Szemle 80 (4): Yng, G. E. Yng-Xa, P. U. Sh-Mou, Y. (2005): Measurement of Agglomeraton Economes at County Level n Jangsu Provnce Chnese Geographcal Scence 15 (1): Kulcsszavak: gazdaság tevékenységek térbelsége, térkép ábrázolás, térbel koncentrácó, LQ, lokáls Moranndex. Resume At the examnaton of geographcal dstrbuton of economc actvtes manly two fundamental approaches and ther adequate mappng methods can be found. One of them treats spatal unts as separate unts, the other takes nto consderaton also spatal relatonshps. The present paper outlnes the theoretcal background of these two methods n short, then t ntroduces a new approach by combnng the two methods, n a way whch makes t possble to research the two aspects of spatal structure of economc actvty smultaneously at the level of mappng and analyss. The author shows the method through selected knowledge- ntensve branches of Hungary.