A hazai kistérségek kategorizálása gazdasági fejlettségük mentén Szobonya Réka Ország Gáborné Kulcsszavak: migráció, fejlettség, régió, rangsor, kistérség, klaszter migration, development, region, classification, micro-region, cluster JEL: A11; A23; C38; I25; O11; R23 Összefoglalás: Kutatásunk célja a hazai kistérségek fejlettségi szint szerinti kategorizálása, melyhez a hivatalos statisztikai szolgálat adatbázisából válogattunk adatokat. Az összegyűjtött 65 változót többváltozós korreláció- és regressziószámítással, valamint faktoranalízis segítségével redukáltuk. Hipotézisünk az, hogy napjainkban is érvényes megállapítás, hogy a fejlettséget befolyásolja a településhierarchiában elfoglalt helyzet, valamint fennáll az ország keleti és nyugati részének kettőssége. A klaszteranalízis módszerével hat, jól jellemezhető kategóriát képeztünk, melyek bizonyítják előzetes feltevéseinket. Abstract: The purpose of our research was to categorize the domestic microregions on the basis of their economic development for which the data of central statistical office was used. The 65 variables collected were reduced by applying methods of multiple correlation and regression and factor analysis. Our hypothesis is that the statement is valid in these days also that development is influenced by the place in township hierarchy and there exists the difference between the east and west part of the country. By the method of cluster analysis six characterising categories were set up which prove our previous assumptions. Bevezetés Vizsgálatunk a 175 hazai kistérség fejlettségi különbségeire irányul. Számos kutatás foglalkozott már a témával, mely során a kistérségeket kategóriákba sorolták (például: dinamikusan fejlődő, fejlődő, felzárkózó, stagnáló és lemaradó; Faluvégi 2004). Tanulmányunkban a kistérségek fejlettség szerinti csoportokba történő besorolását demográfiai, oktatási, foglalkoztatási, gazdasági és infrastrukturális mutatók (összesen 65 változó) segítségével tettük meg. Adatbázisunk a Központi Statisztikai 1
Hivatal (KSH) honlapján elérhető legfrissebb területi információkon alapul. Mivel a 2011. évi népszámlálás végleges adatai még nem kerültek teljes körűen nyilvánosságra, ezért a legtöbb esetben a 2011. évi, de néhányszor egy évvel korábbi adatok álltak rendelkezésünkre. A kistérségek társadalmi, gazdasági és infrastrukturális fejlettségét a tanulmányban többváltozós matematikai-statisztikai módszerekkel elemeztük. Előzetes feltevésünk, hogy napjainkban is érvényes az ország keleti és nyugati részének kettőssége és a fejlettséget jelentősen befolyásolja a településhierarchiában elfoglalt helyzet; mindezen tényezők pedig meghatározzák a kistérségek népességmegtartó erejét, hatnak a határokon belüli vándorlásra. Az elemzési feltételek ellenőrzése Az általunk összegyűjtött változók mindegyike arányskálán mérhető, számosságuk azonban nagymértékben meghaladja a szakmailag indokolt nagyságot. Ezért először a belföldi migrációt befolyásoló változócsoportok magyarázóerejét vizsgáltuk. A többváltozós korrelációés regresszió-elemzés segítségével 29 változót kivontunk a feldolgozandó adatbázisunkból. Ezzel a többszörös determinációs együttható értéke 5,4 százalékponttal, míg a korrigált érték 16,5 százalékponttal javult. A kistérségek és a változók számának egymáshoz viszonyított aránya elérte a megengedett szintet (kb. ötszörös). Mesterséges változók létrehozása Elemzésünk célja egy összetett jelenség vizsgálata, melynek leírását nagyon sok változóból álló adathalmaz segíti. A jobb értelmezhetőség biztosítása érdekében a faktoranalízis módszerét alkalmaztuk, mely lehetővé teszi, hogy tovább csökkentsük a változók számát amellett, hogy az adatbázis információtartalmának minél nagyobb hányada a végső elemzésnél is a rendelkezésünkre álljon. Az egyes faktorok az abban található változókra jellemző közös információkat sűrítik (Jánosa, 2011). A faktoranalízis előkészítő lépéseként ellenőriztük a kiugró értékeket (nem találtunk), majd az eltérő nagyságrendű adatokat mértékegységüktől függetlenné tettük (standardizáltuk a változókat). A vizsgálat során elkészült output-táblák adatait elemeztük. A korrelációs mátrixban mely az egyes változók közötti kapcsolat szorosságát jelentő együtthatókat türközi kerestünk 0,9-nél nagyobb értékeket (három ilyen 2
pár volt), mert ebben az esetben a változópár egyik tagja információvesztés nélkül elhagyható, hiszen közöttük a kapcsolat közel függvényszerű. Az Anti Image mátrix elemzése abból indul ki, hogy a változók szórásnégyzete két tényezőből áll: magyarázott (image) és nem magyarázott (anti-image). Az anti-image kovarianciamátrix átlón kívüli adatainak lehetőség szerint minél kisebbeknek kell lenniük. Az anti-image korrelációs mátrix átlójában a 0,5 és 1,0 közötti értékeket fogadjuk el. Egy változóhoz tartozott ennél kisebb (0,389) adat, melynek kizárása a vizsgálatból ajánlott lehet. A Kaiser-Meyer-Olkin (KMO) mérőszám értéke 0,856, amely érdemleges (meritorious) faktorálási lehetőséget mutat. A kommunalitásokat tartalmazó táblázatban öt változó mellett szerepelt 0,5 alatti érték, melyeknek elhanyagolható a magyarázóereje. A kapott hat faktor a teljes variancia 72,44%-át befolyásolja. A további vizsgálat során az imént említett paraméterek, mutatószámok értékeit mérlegeltük és folytattuk a futtatásokat, melyek száma az eljárás során hétre emelkedett. A korrelációs mátrixban alacsony értékekkel rendelkező, valamint a rossz kommunalitású változókat, illetve azokat, amelyek nem kerültek be a faktorokba, kizártuk az elemzésből. Összesen 15 ismérvet vontunk ki a vizsgálat során, melynek befejezésekor három faktor keletkezett. 1. táblázat: Teljes variancia magyarázat - részlet Kezdeti sajátértékek Faktorelemzés utáni értékek Rotálás utáni értékek Faktor Teljes variancia Faktorok részaránya (%) Kumulált (%) Teljes variancia Faktorok részaránya (%) Kumulált (%) Teljes variancia Faktorok részaránya (%) Kumulált (%) 1 9,52 45,34 45,34 9,52 45,34 45,34 9,37 44,60 44,60 2 3,74 17,81 63,15 3,74 17,81 63,15 3,74 17,82 62,41 3 2,62 12,48 75,62 2,62 12,48 75,62 2,77 13,21 75,62 4,84 3,98 79,60 Forrás: Saját számítás A végső megoldásban 21 standardizált változót három faktorba soroltunk, melyek az összes variancia 75,62%-át magyarázzák (lásd 1. táblázat) és a KMO 0,893. Az eredményeket rotálással javítottuk (Quartimax). 3
Az első faktorban található a legtöbb változó, melyek leginkább a gazdasági környezettel, technikai ellátottsággal kapcsolatosak (Gazdaság). A második faktor demográfiai jelenségeket gyűjtött össze (Demográfia), míg a harmadikban képzéssel összefüggő változók foglaltak helyet (Képzés) (lásd 1. melléklet). Kistérségek kategorizálása Kutatásunk célja az volt, hogy a magyarországi kistérségeket fejlettségi színvonaluk alapján csoportokba soroljuk, ahol a kategóriákon belül a lehető legkisebb az eltérés, viszont közöttük markáns különbség legyen érzékelhető. A klaszteranalízis segítségével úgy próbáltunk csoportokat kialakítani, hogy azok tulajdonságairól előzetes feltevéseink nem voltak. A klasztermódszerek közül elsőként a hierarchikus, azon belül is az agglomeratív (összevonó, egyesítő) eljárást választottuk, mely során távolsági kritériumok alapján vonja össze a program az egységeket klaszterekké. A három faktorváltozó alapján Beetween Groups linkage módszerrel végeztük a csoportosítást. A kapott klaszterek kevéssé hasonlíthatók össze, mivel a hat klaszterből az ötödik csak egyetlen elemet tartalmazott. Az eljárást megismételtük a fenti módszerrel, azonban a faktorváltozók helyett a faktoranalízis végén a vizsgálatban maradt eredeti 21 változó standardizált értékeit vontuk be az elemzésbe; a klaszterek számát öt és hét közé vártuk. Mindhárom variáció elkészült, azonban itt is problémák adódtak a klaszterek elemszámaiban. Következőként a nem hierarchikus módszerek közül a K-közép eljárást választottuk. A vizsgálatba a három faktorváltozót vontuk be és hat klasztert vártunk. Viszonylag egyenletesen oszlottak el a kistérségek a csoportokban, azonban elnevezésük nem volt egyértelmű a kevés faktorváltozó miatt. Lefuttattuk a K-közép eljárást hat klaszterre számítva a faktoranalízis elvégzése után megmaradt 21 változó bevonásával is. A végső klaszterközpontokat tartalmazó tábla segítségével mely tartalmazta a 14 gazdasági-technikai, a négy demográfiával kapcsolatos és a három képzésre vonatkozó standardizált változó adatait törekedtünk a klaszterek közös jellemzőinek meghatározására. Az első klaszterbe 24 kistérség tartozik, melyek jellemzői: az átlagosnál valamivel jobb gazdasági mutatók (kiemelkedően sok adózó és szellemi foglalkozású munkavállaló); nem jó demográfia; erős képzés. A második csoporthoz 11 kistérség került, ahol az átlagosnál szintén kicsit jobb 4
gazdasági jellemzők vannak (pl. kiemelkedően sok szellemi foglalkozású dolgozó); jó demográfia; rossz képzés. A harmadik kategória 44 kistérséget foglal magába, ahol az átlagosnál rosszabbak a gazdasági mutatók (pl. működő vállalkozások és adózók száma nagyon kevés); rossz demográfia (sok nyugdíjas); rossz a képzés. A negyedik klaszter 14 kistérséget tartalmaz, ahol rosszak a gazdasági mutatók (pl. kevés az adózó, de sok az álláskereső és a közfoglalkoztatott); rossz, de javuló a demográfia; erős a képzés. Az ötödik csoportba 27 kistérség került, amelyekben a legrosszabbak a gazdasági mutatók (pl. legtöbb álláskereső, közfoglalkoztatott, rendszeres szociális ellátásban részesülők átlagos száma ezer lakosra); jó demográfiai mutatók; átlagosnál rosszabb a képzés. A hatodik kategóriában 55 kistérség van, melyekre a közepes gazdasági mutatók, elég rossz demográfiai helyzet és átlagos képzés jellemző. Földrajzi elhelyezkedés A számítások és értelmezések után Magyarország térképén berajzoltuk az egyes klaszterekbe tartozó kistérségeket (1. ábra). Az alábbi kategóriákat jelöltük meg: Kistérségek rangsorolása, sorszáma Legfejlettebb Fejlett Közepes Kevéssé fejlett Lemaradó 2. táblázat: Kistérségek területi kategóriái Földrajzi jellemzők 2 Budapest vonzáskörzete 1 Megyeszékhelyek vagy jellemző húzóágazat 6 Magyarország középső és észak-nyugati része 4 Közeli képzési lehetőségek 3 Dél-Magyarország Legelmaradottabb 5 Magyarország északkeleti része Forrás: Saját készítés Jel Mindezzel összefüggésben vizsgáltuk, hogy az egyes területek népességmegtartó ereje hogyan alakul. 5
1. ábra: Magyarország klaszterekbe sorolt kistérségei Forrás: Saját készítés A belföldi vándorlási egyenleg legmagasabb pozitív értékeivel a Gárdonyi, Balatonalmádi és Veresegyházi kistérségek büszkélkedhetnek, és szorosan utánuk még több főváros közeli terület tartozik. Ezen térségek a legfejlettebb és a fejlett kistérségekhez tartoznak (2. ábra). Vándorlási többlet Vándorlási deficit 2. ábra: Legmagasabb vándorlási különbözetek Magyarország kistérségeiben Forrás: Saját készítés 6
A legnagyobb belső vándorlási deficittel a Rétsági, a Devecseri és a Sárospataki kistérség rendelkezik, és a sort több Borsod-Abaúj-Zemplén és Szabolcs-Szatmár-Bereg megyei térség, valamint jellemzően a keleti megyék kistérségei folytatják. Jellemzően a legelmaradottabb és a lemaradó kategória tajgai ezek, ahol a népességmegtartó erő alacsony. Összefoglalás A klaszteranalízis során a kistérségeket sikerült értelmezhető kategóriákba sorolni a jelenleg elérhető legfrissebb adatok segítségével. Látható, hogy az egyes térségek fejlettségi különbségei az előzetes feltevés alapján igazolódtak: a településhierarchiában elfoglalt szerep (főváros és vonzáskörzete, megyeszékhelyek) erősen meghatározza a kistérség fejlettségi színvonalát, ezt mutatja a rangsorban elöl álló két klaszter. A kelet-nyugati meghatározottság is jelen van, hiszen a legelmaradottabb kistérségek az ország keleti oldalán helyezkednek el. A fejlettebb területek vonzzák a belföldi migránsokat, míg az elmaradottabb térségekből elvándorol a lakosság a jobb életszínvonal reményében. Források Faluvégi Albert: A társadalmi-gazdasági jellemzők területi alakulása és várható hatásai az átmeneti időszakban; Magyar Tudományos Akadémia Közgazdaságtudományi Kutatóközpont, Budapest, Műhelytanulmányok 2004/5 Jánosa András: Adatelemzés SPSS használatával, ComputerBooks Kiadó Kft, Budapest, 2011. Sajtos László, Mitlev Ariel: SPSS kutatási és adatelemzési kézikönyv, Alinea Kiadó, Budapest, 2007. Interaktív grafikonok és térképek, elérés: http://www.ksh.hu/interaktiv/terkepek/mo/ letöltés dátuma 2013.03.26., adatok ellenőrizve 2013. június 20. Szerzők Szobonya Réka Tanársegéd BGF PSZK Módszertani Intézeti Tanszék szobonya.reka@pszfb.bgf.hu Ország Gáborné Adjunktus BGF PSZK Módszertani Intézeti Tanszék orszag.gaborne@pszfb.bgf.hu 7
1. melléklet: Quartimax eljárással rotált komponens mátrix adatai Standardizált változók elnevezései Nyilvántartott álláskeresők aránya a munkavállalási korú népességből, 2011. dec. 20. [%] Fogl.-t hely. támogatásban részesítettekből közfogl.- ban részt vettek ezer aktív korú lakosra, 2011 [fő] Faktorok 1 2 3,923,095,062,890,140,064 Működő vállalkozás száma ezer lakosra, 2010 [váll.] -,876,140,273 Legfeljebb ált. isk. végzettségűek aránya a nyilvántartott álláskeresők körében, 2011. dec. 20. [%] Rendszeres szociális segélyben részesítettek átlagos száma ezer lakosra, 2011 [fő],851,108 -,292,838,041,022 Személygépkocsi ezer lakosra, 2011.dec.31.[szgk.] -,831 -,035 -,160 Szellemi foglalkozásúak aránya a nyilvántartott álláskeresők között, 2011. dec. 20. [%] -,801,246,330 Ezer lakosra jutó adózók száma, 2011 [fő] -,773 -,177,125 Általános iskolai tanuló ezer lakosra, 2011/12 [fő],760,531,080 Távbeszélő-fővonal ezer lakosra, 2011. dec. 31. [db] -,748 -,146,284 Egyéni vállalkozásként működő kiskereskedelmi üzletek aránya, 2011. dec. 31. [%] Pályakezdők aránya a nyilvántartott álláskeresőkből, 2011. dec. 20. [%],725 -,299 -,355,717 -,103,326 Egyéni vállalk. aránya a műk. vállalk.-ból, 2010 [%],686 -,529 -,086 Belf. vándorlási különbözet ezer lakosra, 2011 [fő] -,679,144 -,262 Term. szaporodás/fogyás ezer lakosra, 2011 [fő] -,183,889,087 Óvodás gyermek ezer lakosra,2011/12 [fő],345,853 -,026 Élveszületés ezer lakosra, 2011 [fő],349,840 -,086 Nyugdíjban, ellátásban, járadékban és egyéb járandóságban részesülők ezer lakosra, 2012. január [fő],322 -,803,146 Szakközépiskolai tanuló ezer lakosra, 2011/12[fő] -,226 -,047,859 Szakiskolai és speciális szakiskolai tanuló ezer lakosra, 2011/12 [fő],016 -,089,833 Gimnáziumi tanuló ezer lakosra, 2011/12 [fő] -,248,061,768 Forrás: Saját számítás 8