JELENTÉS AZ ELŐREJELZÉSRŐL

Átírás

1 STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS AZ ELŐREJELZÉSRŐL VÉGSŐ VERZIÓ BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST,

2 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS VÁROS ÖNKORMÁNYZATA STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS AZ ELŐREJELZÉSRŐL VÉGSŐ VERZIÓ BUDAPEST,

3 airled Helyi gazdaságfejlesztés repülőterek vonzáskörzetében project No.4CE485P4. CENTRAL EUROPE PROJECT. A jelentést készítette: DR.HAJDU OTTÓ DSc. DISK-COUNTÍR BT. 3

4 TARTALOMJEGYZÉK I. AZ ELŐZŐ MUNKAFÁZISOK EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA... 5 II. A STATISZTIKAI PREDIKTÍV MODELL ÉS ALKALMAZÁSA... 6 III. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT PREDIKTORAINAK IDŐBELI ELŐREJELZÉSE IV. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI IDŐSORAINAK BEVONÁSA A PREDIKTOR VÁLTOZÓK IDŐBELI ELŐREJELZÉSÉBE V. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT CÉLVÁLTOZÓINAK IDŐBELI ELŐREJELZÉSE VI. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI ADATAINAK SZEZONÁLIS ELEMZÉSE ÉS ELŐREJELZÉSE VII. ÖSSZEFOGLALÁS, EREDMÉNYEK ÉRTELMEZÉSE VIII. FÜGGELÉK

5 I. I. AZ ELŐZŐ MUNKAFÁZISOK EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA Az airled projekt keretében a magyar régióra elkészült Status Quo jelentés definiálta a Budapest Liszt Ferenc Nemzetközi Repülőtér vonzáskörzetét, mely kevés különbséggel Budapest agglomerációs térségét fedi le. A repülőtéri vonzáskörzet társadalmi-gazdasági fejlődését befolyásoló tényezők, indikátorok azonosítása és számszerűsítése jelen statisztikai modellezési munka tárgya. Az előző munkafázisok és számítások alapvető célja az előrejelzendő gazdasági célváltozókra szignifikánsan ható gazdasági-társadalmi indikátorok körének a meghatározása volt. Első lépésként összegyűjtöttük, rendszerbe foglaltuk azon látens dimenziókat, melyek egy térség társadalmi-gazdasági fejlődését, fejlettségét jellemzik. Ezen látens dimenziók manifeszt (mérhető) indikátorokban jelentek meg. A statisztikai munka megfigyelési egységeként a vonzáskörzeti településeket jelöltük meg, így szám szerint 23 budapesti kerület és további 46 környező település 2011.évi (az adatgyűjtés időpontjában elérhető legfrissebb) adatai képezték a számítások alapjául szolgáló manifeszt indikátor keresztmetszeti adatbázist. Az induló adatbázis nagy számossága (közel 300 induló indikátor) mindenképpen megkövetelte az adatbázis szűrését, szelektálását. A több lépcsőben és több dimenzióban elvégzett statisztikai célú szelektálás eredményeként 58 manifeszt indikátor adódott. A következő lépésben feltártuk az indikátorok közötti ok-okozati kapcsolatokat és azok irányát a SEM (Structural Equation Modeling) módszertan segítségével. Elkülönítettük a manifeszt indikátorokat célváltozókra és prediktor (magyarázó) változókra. Jelen elemzés célja a célváltozók és prediktor (magyarázó) változók közötti oksági kapcsolatok számszerűsítése regressziós statisztikai módszertan segítségével és előrejelzést készíteni mind a célváltozók mind a prediktor (magyarázó) változók 2014.évi értékeire vonatkozóan. 5

6 II. II. A STATISZTIKAI PREDIKTÍV MODELL ÉS ALKALMAZÁSA Az alábbiakban bemutatjuk az előrejelzési céllal készült statisztikai modell struktúráját és működését. A modell módszertanilag regressziós OLS (Ordinary Least Squares) megalapozású. Az előrejelzendő célváltozók: 1. Saját folyó bevételek (kód: D2_3), 2. Helyi adóbevételek (kód: D3_3), 3. Foglalkoztatottak száma (kód: D1_2). A modell működése két alapvető lépésre bontható: 1. Mindhárom célváltozóra külön-külön szelektálásra kerül a prediktor változók egy-egy saját köre, és becslésre kerülnek az egyes prediktorok megfelelő koefficiensei (súlyai). Értelemszerűen a három modell három súlyrendszert igényel. 2. Második lépésben a súlyozandó prediktorok értékeinek az időbeli előrejelzése a becslési feladat, mert a koefficiensek és a prediktorok előrejelzése ismeretében lehetővé válik a súlyozás, aminek eredményeképpen nyerjük az előrejelzést magukra a célváltozókra. Hányados típusú jellegük miatt az induló 58 manifeszt indikátorból kiszűrésre került 4 manifeszt mérlegelemzési mutató, mely a továbbiakban nem szerepel a prediktorok induló körében, rendre: D7_9; D8_9; D9_9; D10_9. A modellépítés kiindulását az alábbi keresztmetszeti modellek esetén mindig egy szakmai bővebb modell jelenti, amelyből elhagyjuk az irreleváns változókat, nyerve így a szűkebb (takarékosabb) statisztikai modelleket, szám szerint hármat, rendre: M_2_3C, M3_3C és M1_2C. Jelen anyagban a végső, szűkített modelleket publikáljuk. A modellek megnevezésében alkalmazott C jelölést keresztmetszeti(cross) modellként kell értelmezni, a későbbiekben az idősori elemzésben használt előrejelző modellekben P jelölést (Prediction) alkalmazunk. A számítások a Gretl for Windows open-source ökonometriai programmal készültek. A C koefficiensek keresztmetszeti alapúak, mert a Liszt Ferenc Repülőtér vonzáskörzetébe tartozó 69 település évi gazdasági-társadalmi indikátorait kötik egymással ok-okozati rendszerbe. Ebben az értelemben a koefficiensek implicite tartalmazzák a Repülőtér hatását is. 6

7 A prediktorok azonosítója D#_#, ahol pl. D2_3 a harmadik dimenzió második indikátorát jelenti. A D#_# kódok definícióját, megnevezését lásd a Függelék 1. táblájában. A táblában szövegkiemelővel jeleztük, hogy az egyes keresztmetszeti és előrejelző modellek mely változót használják. A prediktorok értékeinek az időbeli előrejelzése minden prediktorra vonatkozóan külön-külön, idősori adatok alapján és a Repülőtér adataival való időbeni együttalakulás alapján történik. Adott prediktor időbeli előrejelzésének módszertana egyedi, mert függ a rendelkezésére álló idősor(ok) hosszától és lefutásuk jellegétől. Az M2_3C, M3_3C és M1_2C modellek keresztmetszeti előrejelzésének a pontosságát (goodnessof-fit) a Függelék 2., 3. és 4. táblák részletezik településsoros (69) bontásban, amely előrejelzések grafikus megjelenítése a megfelelő 1., 2., és 3. ábrákon látható. Az előrejelzések ábráin a függőleges vonal rendre az adott megfigyelés (település, év) konfidencia intervallumát reprezentálja. A regressziós output táblák standard regressziós eredményeket közölnek, rendre: 1. maga a becsült koefficiens, 2. a standard hibája, 3. kettőjük t-statisztikája, 4. végül az ún. p-szignifikancia érték. Minél zéró-közelibb a p-érték, annál relevánsabb a prediktor. Az utolsó oszlopban jelölt csillagok száma a p-érték nagyságrendjét mutatja. Három csillag *** 1% alatti, kettő csillag 1-5% közötti, majd egy csillag 5-10% közötti szignifikancia értéket emel ki vizuálisan. A keresztmetszeti koefficiensek meghatározása során elsődleges cél volt olyan súlyokat találni, melyek nagy pontossággal bontják a célváltozót a megfelelő prediktorai lineáris kombinációjára. Ennek megfelelően az illeszkedés (közelítés) pontosságát leíró heurisztikus mutatók értéke 95% körüli mindhárom modell esetében. A Függelék 2-4. táblák az előrejelzés pontbecslését közlik. 7

8 A keresztmetszeti modellek koefficiensei rendre a következők. Szűkített M2_3C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D2_3 (Helyi önkormányzat saját folyó bevételei) D2_3 Coefficient Std. Error t-ratio p-value const D4_ D1_ D1_ ** D2_ *** D1_ *** D3_ *** D2_ D4_ *** D5_ D9_ D2_ ** D3_ D1_ *** D6_ ** D7_ *** D1_ ** D4_ *** D5_ *** A szűkített M2_3C illeszkedésvizsgálati mutatói Eredményváltozó: D2_3 (Helyi önkormányzat saját folyó bevételei) Mean dependent var S.D. dependent var Sum squared resid 4.39e+13 S.E. of regression R-squared Adjusted R-squared F(18, 50) P-value(F) 7.98e-29 Log-likelihood Akaike criterion Schwarz criterion Hannan-Quinn

9 1. ábra A helyi önkormányzatok saját folyó bevételek (D2_3) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M2_3C alapján D2_3 cross modell illeszkedése 2e e+007 D2_3 forecast 95 percent interval 1.6e+007 D2_3 Önkormányzatok saját folyó bevételei 1.4e e+007 1e+007 8e+006 6e+006 4e+006 2e e+006 observations sorted by D2_3 9

10 Szűkített M3_3C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) D3_3 Coefficient Std. Error t-ratio p-value const D4_ *** D1_ ** D1_ D2_ < *** D3_ *** D4_ * D8_ *** D2_ *** D9_ *** D10_ *** D3_ *** D4_ e ** D1_ D4_ ** D6_ *** D7_ < *** D1_ *** D4_ *** D5_ D6_ * Szűkített M3_3C Illeszkedésvizsgálati mutatói Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) Mean dependent var S.D. dependent var Sum squared resid 2.75e+13 S.E. of regression R-squared Adjusted R-squared F(20, 48) P-value(F) 6.66e-25 Log-likelihood Akaike criterion Schwarz criterion Hannan-Quinn

11 2. ábra A helyi önkormányzatok helyi adó bevételek (D3_3) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M3_3C alapján D3_3 cross modell illeszkedése 1.2e+007 D3_3 forecast 95 percent interval 1e+007 D3_3 Önkormányzatok helyi adó bevételei 8e+006 6e+006 4e+006 2e e+006 observations sorted by D3_3 11

12 Szűkített M1_2C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D1_2 (Foglalkoztatottak összesen) D1_2 Coefficient Std. Error t-ratio p-value const D2_ < *** D1_ *** D4_ ** D8_ < *** D2_ D3_ < *** D4_ *** D5_ ** D6_ *** D9_ < *** D10_ < *** D2_ e e *** D3_ < *** D4_ e e *** D4_ *** D5_ ** D6_ *** D7_ *** D4_ e *** D5_ e e < *** Szűkített M1_2C Illeszkedésvizsgálati mutatói Mean dependent var S.D. dependent var Sum squared resid S.E. of regression R-squared Adjusted R-squared F(20, 48) P-value(F) 8.28e-78 Log-likelihood Akaike criterion Schwarz criterion Hannan-Quinn

13 3. ábra A foglalkoztatottak (D1_2) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M1_2C alapján D1_2 cross modell illeszkedése D1_2 forecast 95 percent interval D1_2 Foglalkoztatottak observations sorted by D1_2 13

14 Az M2_3C, M3_3C és M1_2C modellek illeszkedését Budapest 18. kerületi önkormányzat 2011.évi keresztmetszeti adatain teszteljük év Predictor M2_3C koefficiensek M3_3C koefficiensek M1_2C koefficiensek Budapest 18.kerület tényadat const D4_ D1_ D2_ D3_ D1_ D2_ D1_ D3_ D4_ D8_ D2_ D3_ D4_ D5_ D6_ D9_ D10_ D2_ E D3_ D4_ E D1_ D4_ D5_ D6_ D7_ D1_ D4_ D5_ E D6_ Célváltozók Modellérték Modellérték Modellérték 2011 tényadat M2_3C Saját folyó bevétel M3_3C Helyi adóbevétel M1_2C Foglalkoztatottak Látható, hogy a 69 vonzáskörzeti település adatbázisa alapján definiált modellek koefficiensei alapján számított eredményváltozók megfelelő pontossággal illeszkednek a Budapest 18. kerület évi tényadataihoz. 14

15 III. III. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT PREDIKTORAINAK IDŐBELI ELŐREJELZÉSE Imputálást csak az idősorok utolsó hiányzó értékeire (tipikusan a évre) végzünk. Tesszük ezt azért, mert adott prediktor időbeli előrejelző modellje magyarázó változóként saját korábbi értékét is figyelembe veszi, és az előrejelzendő év 2014., miközben hiányzó adatok vannak néhol a és kevésbé a évekre. Az imputálás módszertana háromféle idősori trend típust alkalmaz: 1. lineáris, 2. kvadratikus, 3. exponenciális (növekedési). A hiányzó adatok szempontjából az adatbázist 7 csoportba sorolhatjuk. Első csoport: A vizsgált időszak egészére ( ) egy adat áll rendelkezésre. Ez a két változó a D9_6 Közúti kapcsolatok száma, D10_6 Személygépkocsi-forgalom (3,5 t alatti ktk-val együtt), ahol D9_6 esetében a 2011.évi adat, D10_6 esetében pedig a 2008.évi adat áll csupán rendelkezésre. Adatkiegészítést a teljes időszakra ebben a két esetben nem tudunk végezni, a hiányzó 2013.évre vonatkozóan a rendelkezésre álló adatokkal dolgozunk. Második csoport: A vizsgált időszak ( ) két népszámlálási adatot (cenzust) foglal magában 2001 és évekre vonatkozóan. A hiányzó adatok ezen csoportjában csupán a két népszámlálási adat áll rendelkezésre. Ez a típusú adathiány 3 magyarázó változót érint: D2_1 Száz aktív korúra jutó időskorúak száma, D5_5 Egy lakásra jutó alapterület és D6_5 Összkomfortos lakások aránya. Az adatok kiegészítésére lineáris trendet számítunk. Az adatsorban a trend alapján számított előrejelzett adatokat sárga szövegkiemelővel jelöltük. Az egyes idősorok és előrejelzéseik az alábbiak. 15

16 Prediktor: D2_1 D2_1 Száz aktív korúra jutó időskorúak száma lineáris trend const regressor_time 0.8 D2_1 Foglalkoztatottak Y = t D2_1 lineáris trend előrejelzés Prediktor: D5_5 D5_5 Egy lakásra jutó alapterület lineáris trend const regressor_time 0.3 D5_5 Egy lakásra jutó alapterület Y = t D5_5 lineáris trend előrejelzés

17 Prediktor: D6_5 D6_5 Összkomf ortos lakások arány a lineáris trend const regressor_time 0.9 D6_5 Összkomfortos lakások aránya Y = t D6_5 lineáris trend előrejelzés Harmadik csoport: A hiányzó adatok szempontjából következő csoport közös jellemzője, hogy az időszaki adatok eleje hiányzik, az időszak végi adatok rendelkezésre állnak (kivéve a 2013 utolsó időszaki adatot, amely majdnem mindenhol hiányzik.) Ebbe a csoportba sorolható változók: D4_ éves aktív korúak száma, D1_3 Összes évi bérbevétel az önkormányzatnál, D2_4 Nagykereskedelmi raktárak száma, D1_5 Összes szolgáltatott vezetékes gáz mennyisége, D2_5 Összes szolgáltatott villamosenergia mennyisége, D2_6 Önkormányzati kiépített út és köztér hossza, D3_6 Áruszállító tehergépkocsik száma, D4_6 Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik száma, D5_6 Magyarországon első alkalommal forgalomba helyezett személyszállító gépjárművek száma, D6_6 Személyszállító gépjárművek száma, D7_6 Belterületi kiépítettség, D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen, D12_6 Összes személyi sérüléssel járó közúti közlekedési baleset, D1_7 Rendszeres szociális segélyben részesítettek 1000 főre jutó átlagos száma, D2_9 Adóévben megszerzett EVA bevétel és D3_9 EVA adóösszeg. 17

18 Prediktor: D4_ D4_ év es aktív korúak száma kvadratikus trend const regressor_time D4_ éves aktív korúak száma Y = 6.40e t t^2 D4_1 kvadratikus trend előrejelzés Prediktor: D1_ D1_3 Összes év i bérbev étel az önkormány zatnál kvadratikus trend const regressor_time D1_3 Összes évi bérbevétel az önkormányzatnál D1_3 kvadratikus trend előrejelzés Y = 4.83e e+005t e+004t^

19 Prediktor: D2_ D2_4 Nagy kereskedelmi raktárak száma összesen (db) kvadratikus trend const regressor_time D2_4 Nagykereskedelmi raktárak száma D2_4 kvadratikus trend előrejelzés 170 Y = t t^ Prediktor: D1_ D1_5 Az összes szolgáltatott v ezetékes gáz menny isége (1000 m3) lineáris trend const regressor_time D1_5 Összes szolgáltatott vezetékes gáz mennyisége D1_5 lineáris trend előrejelzés Y = 2.03e e+003t

20 Prediktor: D2_ D2_5 Szolgáltatott összes v illamosenergia menny isége (1000 kwh) lineáris trend const regressor_time D2_5 Szolgáltatott összes villamosenergia mennyisége D2_5 lineáris trend előrejelzés Y = 3.38e e+003t Prediktor: D2_ D2_6 Önkormány zati kiépített út és köztér hossza (km) lineáris trend const regressor_time D2_6 Önkormányzati kiépített út és köztér hossza D2_6 lineáris trend előrejelzés 288 Y = t

21 Prediktor: D3_ D3_6 Áruszállító tehergépkocsik száma (db) kvadratikus trend const regressor_time D3_6 Áruszállító tehergépkocsik száma D3_6 kvadratikus trend előrejelzés 3800 Y = 3.78e t t^ Prediktor: D4_ D4_6 Magy arországon első alkalommal f orgalomba hely ezett áruszállító tehergépkocsik száma (db) exponenciális(log-lin)trend const regressor_time D4_6 Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik száma D4_6 exponenciális trend előrejelzés 170 logy = t (annual growth -8.87%)

22 Prediktor: D5_ D5_6 Magy arországon első alkalommal f orgalomba hely ezett személy szállító gépjárműv ek száma (db) exponenciális(log-lin)trend const regressor_time D5_6 Magyarországon első alkalommal forgalomba helyezett személyszállító gépjárművek száma D5_6 exponenciális trend előrejelzés 1300 logy = t (annual growth 12.25%) Prediktor: D6_ D6_6 Személy szállító gépjárműv ek száma összesen (db) kvadratikus trend const regressor_time D6_6 Személyszállító gépjárművek száma D6_6 kvadratikus trend előrejelzés Y = 3.52e t t^

23 Prediktor: D11_ D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen (f ő) lineáris trend const regressor_time D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen D11_6 lineáris trendelőrejelzés 260 Y = t Prediktor: D12_ D12_6 Összes személy i sérüléssel járó közúti közlekedési baleset (eset) lineáris trend const regressor_time D12_6 Összes személyi sérüléssel járó közúti közlekedési baleset D12_6 lineáris trend előrejelzés 180 Y = t

24 Prediktor: D1_ D1_7 Rendszeres szociális segély ben részesítettek 1000 főre jutó átlagos száma lineáris trend const regressor_time D1_7 Rendszeres szociális segélyben részesítettek 1000 főre jutó átlagos száma D1_7 lineáris trend előrejelzés 2.4 Y = t Prediktor: D2_ D2_9 Az adóév ben megszerzett EVA bev étel lineáris trend const E+12 regressor_time D2_9 EVA bevétel D2_9 lineáris trend előrejelzés 9e+009 Y = 8.39e e+008t 8.5e+009 8e e+009 7e e+009 6e e+009 5e e

25 Prediktor: D3_ D3_9 EVA összege lineáris trend const regressor_time D3_9 EVA adó D3_9 lineáris trend előrejelzés 2.2e+009 Y = 2.01e e+006t 2.15e e e+009 2e e e e e e e Negyedik csoport: Ebbe a csoportba soroljuk azokat a prediktorokat, melyeknek a vizsgált időszakra ( ) vonatkozó adatsorai teljeskörűen rendelkezésre állnak. Ezen prediktorok (magyarázó változók) rendre:, D6_3 Helyi önkormányzat iparűzési adó bevételei, D1_1 Lakónépesség száma év végén, D3_1 Vándorlási különbözet, D2_2 Nyilvántartott álláskeresők száma, D4_3 Helyi önkormányzatoknak átengedett gépjárműadó, D7_3 Helyi önkormányzat idegenforgalmi adó, D8_3 Telekadó, D9_3 Építményadó, D1_4 Kiskereskedelmi üzletek száma, D3_5 Épített lakások száma, D4_5 Év folyamán épített lakások összes alapterülete, D8_5 Lakásállomány, D8_6 Kerékpárút, D2_7 Összes SZJA adó, D3_7 Összes SZJA adófizető darabszáma, D4_7 Összes SZJA belföldi jövedelem, D1_8 Vendéglátóhelyek száma, D2_8 Vendégek száma összesen szálláshelyeken, D3_8 Külföldi vendégek száma összesen szálláshelyeken, D4_8 Vendégéjszakák száma összesen szálláshelyeken, D5_8 Külföldi vendégéjszakák száma összesen szálláshelyeken, D6_8 Szállásférőhelyek száma összesen szálláshelyeken, D7_8 Szálláshelyek száma összesen, D1_9 Regisztrált vállalkozások száma, D4_9 Fizetendő társasági adó, D5_9 Bruttó termelési érték(kibocsátás) összesen társasági adóbevallást benyújtó vállalkozásoknál, D6_9 Bruttó hozzáadott érték társasági adóbevallást benyújtó vállalkozásoknál, D1_10 Érkező és induló járatszáma repülőtéren, D2_10 Érkező és induló utasszám repülőtéren, D3_10 Érkező és induló árutonna repülőtéren. 25

26 Prediktor: D6_3 D6_3 A hely i önkormány zatok hely i adó bev ételeiből az iparűzési adó (1000 Ft) D6_3 kvadratikus trend előrejelzés D6_3 Iparűzési adó bevétel 7e e+006 6e e+006 5e e+006 4e e+006 3e+006 Y = 2.46e e+005t e+004t^2 const regressor_time const regressor_time 2013.évi előrejelzés -3.03E E évi D2_10 előrejelzés D3_ AR(1) e+006 2e Prediktor: D1_1 D1_1 Lakónépesség száma az év v égén (a népszámlálás v égleges adataiból tov ábbv ezetett adat) (fő) Y = 9.61e e+003t t^2 D1_1 kvadratikus trend előrejelzés kv adratikus trend const 2013.évi 7.54E+08 regressor_time előrejelzés const 1.59E+09 regressor_time -1.59E évi D2_10 előrejelzés D3_ AR(1) D1_1 Lakónépesség száma év végén

27 Prediktor: D3_ D3_1 Vándorlási különbözet 2014 kv adratikus trend const 2013.évi -7.35E+06 regressor_time előrejelzés const -2.94E+07 regressor_time évi D2_10 előrejelzés -3.30E-05 D3_ AR(1) D3_1 Vándorlási különbözet Y = t t^2 D3_1 kvadratikus trend előrejelzés Prediktor: D2_2 D2_2 Ny ilv ántartott álláskeresők száma összesen (f ő) 2014 lineáris trend const 2013.évi regressor_time előrejelzés const E+07 regressor_time évi D2_10 előrejelzés D3_ AR(1) D2_2 Nyilvántartott álláskeresők száma Y = t D2_2 lineáris trend előrejelzés

28 Prediktor: D4_3 D4_3 A hely i önkormány zatoknak átengedett gépjárműadó (1000 Ft) Y = 1.78e e+004t e+003t^2 D4_3 kvadratikus trend előrejelzés D4_3 Helyi önkormányzatoknak átengedett gépjárműadó const regressor_time const regressor_time -1.24E E évi D2_10 előrejelzés D3_10 AR(1) 2013.évi előrejelzés Prediktor: D8_ D8_3 Telekadó bev étel eft D8_3 Telekadó bevétel 1.4e e+006 1e Y = 3.96e e+004t e+003t^2 D8_3 kvadratikus trend előrejelzés const regressor_time const regressor_time 2013.évi előrejelzés -1.36E E évi D2_10 előrejelzés D3_ AR(1)

29 Prediktor: D9_ D9_3 Építmény adó bev étel eft D9_3 Építményadó bevétel 1.2e e+006 1e Y = 2.66e e+005t e+003t^2 D9_3 kvadratikus trend előrejelzés const regressor_time const regressor_time 2013.évi előrejelzés -1.63E E évi D2_10 előrejelzés D3_ AR(1) Prediktor: D1_4 D1_4 Kiskereskedelmi üzletek száma (db) 2014 lineáris trend const 2013.évi regressor_time előrejelzés const regressor_time 1.42E E évi D2_10 előrejelzés E-05 D3_ AR(1) D1_4 Kiskereskedelmi üzletek száma Y = 1.16e t t^2 D1_4 kvadratikus trend előrejelzés