JELENTÉS AZ ELŐREJELZÉSRŐL

STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS AZ ELŐREJELZÉSRŐL VÉGSŐ VERZIÓ BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST, 2014 1

BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS VÁROS ÖNKORMÁNYZATA STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS AZ ELŐREJELZÉSRŐL VÉGSŐ VERZIÓ BUDAPEST, 2014 2

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

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... 15 IV. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI IDŐSORAINAK BEVONÁSA A PREDIKTOR VÁLTOZÓK IDŐBELI ELŐREJELZÉSÉBE... 39 V. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT CÉLVÁLTOZÓINAK IDŐBELI ELŐREJELZÉSE... 42 VI. A BUDAPEST LISZT FERENC NEMZETKÖZI REPÜLŐTÉR FORGALMI ADATAINAK SZEZONÁLIS ELEMZÉSE ÉS ELŐREJELZÉSE... 50 VII. ÖSSZEFOGLALÁS, EREDMÉNYEK ÉRTELMEZÉSE... 57 VIII. FÜGGELÉK... 62 4

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

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 2011. évi gazdasági-társadalmi indikátorait kötik egymással ok-okozati rendszerbe. Ebben az értelemben a koefficiensek implicite tartalmazzák a Repülőtér hatását is. 6

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

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 208080 253738 0.8201 0.41608 D4_1-388.936 260.575-1.4926 0.14182 D1_2 256.738 177.78 1.4441 0.15494 D1_4-2711.76 1124.27-2.4120 0.01958 ** D2_4 8025.81 1736.14 4.6228 0.00003 *** D1_5 16.8339 4.95825 3.3951 0.00135 *** D3_5-14599.2 3308.71-4.4123 0.00005 *** D2_6 7385.44 4924.66 1.4997 0.13998 D4_6 10538.3 2341.28 4.5011 0.00004 *** D5_6-1701.01 1061.62-1.6023 0.11540 D9_6-17324.6 25636.7-0.6758 0.50230 D2_7 0.000392264 0.000171498 2.2873 0.02645 ** D3_7 472.73 324 1.4590 0.15081 D1_8 12064.6 3773.16 3.1975 0.00241 *** D6_8-933.554 413.739-2.2564 0.02845 ** D7_8 39448 11236.6 3.5107 0.00096 *** D1_9-436.414 181.05-2.4105 0.01965 ** D4_9 0.394568 0.132628 2.9750 0.00450 *** D5_9-0.00194602 0.000532183-3.6567 0.00061 *** A szűkített M2_3C illeszkedésvizsgálati mutatói Eredményváltozó: D2_3 (Helyi önkormányzat saját folyó bevételei) Mean dependent var 3968088 S.D. dependent var 4048394 Sum squared resid 4.39e+13 S.E. of regression 937398.5 R-squared 0.960578 Adjusted R-squared 0.946385 F(18, 50) 67.68398 P-value(F) 7.98e-29 Log-likelihood -1035.604 Akaike criterion 2109.209 Schwarz criterion 2151.657 Hannan-Quinn 2126.050 8

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+007 1.8e+007 D2_3 forecast 95 percent interval 1.6e+007 D2_3 Önkormányzatok saját folyó bevételei 1.4e+007 1.2e+007 1e+007 8e+006 6e+006 4e+006 2e+006 0-2e+006 observations sorted by D2_3 9

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 53274.5 203136 0.2623 0.79424 D4_1-652.213 206.762-3.1544 0.00277 *** D1_2-521.141 249.234-2.0910 0.04185 ** D1_4-1275.98 942.164-1.3543 0.18198 D2_4 11726.7 1482.98 7.9075 <0.00001 *** D3_5-27381.6 5660.61-4.8372 0.00001 *** D4_5 141.515 70.6689 2.0025 0.05090 * D8_5 325.155 116.725 2.7856 0.00763 *** D2_6 14741.4 4201.82 3.5083 0.00099 *** D9_6-106339 27165.2-3.9145 0.00029 *** D10_6 14.7232 3.50364 4.2023 0.00011 *** D3_7 1237.91 317.749 3.8959 0.00030 *** D4_7 0.000111772 4.64159e-05 2.4080 0.01993 ** D1_8 4057.19 3460.42 1.1725 0.24680 D4_8 6.87681 3.05813 2.2487 0.02916 ** D6_8-2653.78 589.617-4.5009 0.00004 *** D7_8 56070 10491.6 5.3443 <0.00001 *** D1_9-645.744 145.036-4.4523 0.00005 *** D4_9 0.656355 0.142272 4.6134 0.00003 *** D5_9-0.000601886 0.000749534-0.8030 0.42593 D6_9-0.00378486 0.00209546-1.8062 0.07716 * Szűkített M3_3C Illeszkedésvizsgálati mutatói Eredményváltozó: D3_3 (Helyi önkormányzatok helyi adó bevételei) Mean dependent var 2771443 S.D. dependent var 2889937 Sum squared resid 2.75e+13 S.E. of regression 756252.8 R-squared 0.951662 Adjusted R-squared 0.931521 F(20, 48) 47.25028 P-value(F) 6.66e-25 Log-likelihood -1019.380 Akaike criterion 2080.759 Schwarz criterion 2127.675 Hannan-Quinn 2099.372 10

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+006 0-2e+006 observations sorted by D3_3 11

Szűkített M1_2C: OLS: 69 vonzáskörzeti település adatainak felhasználásával Eredményváltozó: D1_2 (Foglalkoztatottak összesen) D1_2 Coefficient Std. Error t-ratio p-value const 68.6905 91.9476 0.7471 0.45867 D2_4 2.34972 0.374709 6.2708 <0.00001 *** D1_5-0.00564506 0.0018154-3.1095 0.00315 *** D4_5-0.0328315 0.0154103-2.1305 0.03828 ** D8_5 0.296213 0.022407 13.2197 <0.00001 *** D2_6 3.49407 2.21286 1.5790 0.12091 D3_6 0.732279 0.124601 5.8770 <0.00001 *** D4_6-6.00343 1.24527-4.8210 0.00001 *** D5_6 0.972373 0.383738 2.5339 0.01460 ** D6_6-0.185232 0.0611807-3.0276 0.00396 *** D9_6-59.5421 10.9006-5.4623 <0.00001 *** D10_6 0.00592719 0.00109779 5.3992 <0.00001 *** D2_7-6.56703e-07 1.58553e-07-4.1419 0.00014 *** D3_7 0.501345 0.0778316 6.4414 <0.00001 *** D4_7 2.32246e-07 5.68997e-08 4.0817 0.00017 *** D4_8 0.0114101 0.00373191 3.0574 0.00364 *** D5_8-0.00723075 0.00356739-2.0269 0.04825 ** D6_8-1.11241 0.23843-4.6656 0.00002 *** D7_8 9.02977 3.18757 2.8328 0.00673 *** D4_9 0.000154101 4.7092e-05 3.2723 0.00198 *** D5_9-9.84272e-07 1.75492e-07-5.6087 <0.00001 *** Szűkített M1_2C Illeszkedésvizsgálati mutatói Mean dependent var 15833.00 S.D. dependent var 15901.84 Sum squared resid 5100413 S.E. of regression 325.9733 R-squared 0.999703 Adjusted R-squared 0.999580 F(20, 48) 8088.734 P-value(F) 8.28e-78 Log-likelihood -484.6768 Akaike criterion 1011.354 Schwarz criterion 1058.270 Hannan-Quinn 1029.967 12

3. ábra A foglalkoztatottak (D1_2) keresztmetszeti modell illeszkedése 69 vonzáskörzeti település adatbázisa M1_2C alapján D1_2 cross modell illeszkedése 70000 D1_2 forecast 95 percent interval 60000 50000 D1_2 Foglalkoztatottak 40000 30000 20000 10000 0 observations sorted by D1_2 13

Az M2_3C, M3_3C és M1_2C modellek illeszkedését Budapest 18. kerületi önkormányzat 2011.évi keresztmetszeti adatain teszteljük. 2011.év Predictor M2_3C koefficiensek M3_3C koefficiensek M1_2C koefficiensek Budapest 18.kerület 2011. tényadat const 208080 53274.5 68.6905 1 D4_1-388.936-652.213 65 776 D1_2 256.738-521.141 42 748 D2_3 9 900 676 D3_3 8 280 541 D1_4-2711.76-1275.98 1 915 D2_4 8025.81 11726.7 2.34972 144 D1_5 16.8339-0.00564506 182 461 D3_5-14599.2-27381.6 67 D4_5 141.515-0.0328315 6 562 D8_5 325.155 0.296213 43 553 D2_6 7385.44 14741.4 3.49407 286 D3_6 0.732279 3 651 D4_6 10538.3-6.00343 144 D5_6-1701.01 0.972373 1 065 D6_6-0.185232 34 585 D9_6-17324.6-106339 -59.5421 28 D10_6 14.7232 0.00592719 163 173 D2_7 0.000392264-6.57E-07 16 104 770 602 D3_7 472.73 1237.91 0.501345 44 017 D4_7 0.000111772 2.32E-07 98 083 977 638 D1_8 12064.6 4057.19 384 D4_8 6.87681 0.0114101 7 454 D5_8-0.00723075 4 905 D6_8-933.554-2653.78-1.11241 151 D7_8 39448 56070 9.02977 7 D1_9-436.414-645.744 15 754 D4_9 0.394568 0.656355 0.000154101 2 088 743 D5_9-0.00194602-0.000601886-9.84E-07 456 205 481 D6_9-0.00378486 188 063 180 Célváltozók Modellérték Modellérték Modellérték 2011 tényadat M2_3C Saját folyó bevétel 9944186 9900676 M3_3C Helyi adóbevétel 8281873 8280541 M1_2C Foglalkoztatottak 42889 42748 Látható, hogy a 69 vonzáskörzeti település adatbázisa alapján definiált modellek koefficiensei alapján számított eredményváltozók megfelelő pontossággal illeszkednek a Budapest 18. kerület 2011. évi tényadataihoz. 14

III. III. BUDAPEST 18. KERÜLETI ÖNKORMÁNYZAT PREDIKTORAINAK IDŐBELI ELŐREJELZÉSE Imputálást csak az idősorok utolsó hiányzó értékeire (tipikusan a 2013. 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 2013. és kevésbé a 2012. 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 (2001-2013) 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 (2001-2013) két népszámlálási adatot (cenzust) foglal magában 2001 és 2011. 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

Prediktor: D2_1 D2_1 Száz aktív korúra jutó időskorúak száma 2001 32 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 40 2012 2013 41.6 2014 42.4 lineáris trend const -1568.8 regressor_time 0.8 D2_1 Foglalkoztatottak 42 40 38 36 34 32 30 Y = 32.0 + 0.800t D2_1 lineáris trend előrejelzés 2000 2002 2004 2006 2008 2010 2012 Prediktor: D5_5 D5_5 Egy lakásra jutó alapterület 2001 70 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 73 2012 2013 74 2014 74 lineáris trend const -530.3 regressor_time 0.3 D5_5 Egy lakásra jutó alapterület 73.5 73 72.5 72 71.5 71 70.5 70 69.5 69 Y = 70.0 + 0.300t D5_5 lineáris trend előrejelzés 2000 2002 2004 2006 2008 2010 2012 16

Prediktor: D6_5 D6_5 Összkomf ortos lakások arány a 20 01 74 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 83 20 12 20 13 85 20 14 86 lineáris trend const -1726.9 regressor_time 0.9 D6_5 Összkomfortos lakások aránya 84 82 80 78 76 74 72 Y = 74.0 + 0.900t D6_5 lineáris trend előrejelzés 2000 2002 2004 2006 2008 2010 2012 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_1 18-64 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

Prediktor: D4_1 20 01 20 02 20 03 20 04 D4_1 18-64 év es aktív korúak száma 20 05 65066 20 06 65153 20 07 65502 20 08 65645 20 09 65720 20 10 65715 20 11 65776 20 12 65538 20 13 65951 20 14 65719 kvadratikus trend const -127826000 regressor_time 127266-31.6607 D4_1 18-64 éves aktív korúak száma 66000 65500 65000 64500 64000 63500 Y = 6.40e+004 + 360.t - 17.9t^2 D4_1 kvadratikus trend előrejelzés 2002 2004 2006 2008 2010 2012 Prediktor: D1_3 20 01 20 02 20 03 D1_3 Összes év i bérbev étel az önkormány zatnál 20 04 475962 20 05 351106 20 06 377200 20 07 319167 20 08 285415 20 09 265729 20 10 264959 20 11 289616 20 12 496881 20 13 454766 20 14 578519 kvadratikus trend const 47733800000 regressor_time -47537000 11835.3 D1_3 Összes évi bérbevétel az önkormányzatnál D1_3 kvadratikus trend előrejelzés 550000 Y = 4.83e+005-1.01e+005t + 1.18e+004t^2 500000 450000 400000 350000 300000 250000 2004 2005 2006 2007 2008 2009 2010 2011 2012 18

Prediktor: D2_4 20 01 D2_4 Nagy kereskedelmi raktárak száma összesen (db) 20 02 99 20 03 110 20 04 115 20 05 120 20 06 126 20 07 146 20 08 157 20 09 162 20 10 143 20 11 144 20 12 150 20 13 140 20 14 135 kvadratikus trend const -3287520 regressor_time 3270.83-0.81352 D2_4 Nagykereskedelmi raktárak száma D2_4 kvadratikus trend előrejelzés 170 Y = 94.8 + 13.5t - 0.814t^2 160 150 140 130 120 110 100 90 2002 2004 2006 2008 2010 2012 Prediktor: D1_5 20 01 20 02 20 03 20 04 20 05 20 06 20 07 D1_5 Az összes szolgáltatott v ezetékes gáz menny isége (1000 m3) 20 08 203190 20 09 193868 20 10 203190 20 11 182461 20 12 186380 20 13 180314 20 14 175811 lineáris trend const 9244410 regressor_time -4502.78 D1_5 Összes szolgáltatott vezetékes gáz mennyisége D1_5 lineáris trend előrejelzés 205000 Y = 2.03e+005-4.50e+003t 200000 195000 190000 185000 180000 2008 2008.5 2009 2009.5 2010 2010.5 2011 2011.5 2012 19

Prediktor: D2_5 20 01 20 02 20 03 20 04 20 05 20 06 20 07 D2_5 Szolgáltatott összes v illamosenergia menny isége (1000 kwh) 20 08 340074 20 09 330258 20 10 335848 20 11 333942 20 12 324511 20 13 324695 20 14 321951 lineáris trend const 5848770 regressor_time -2744.2 D2_5 Szolgáltatott összes villamosenergia mennyisége D2_5 lineáris trend előrejelzés 342000 Y = 3.38e+005-2.74e+003t 340000 338000 336000 334000 332000 330000 328000 326000 324000 2008 2008.5 2009 2009.5 2010 2010.5 2011 2011.5 2012 Prediktor: D2_6 20 01 20 02 D2_6 Önkormány zati kiépített út és köztér hossza (km) 20 03 280.2 20 04 281.9 20 05 283.8 20 06 284.5 20 07 286 20 08 286 20 09 286 20 10 286 20 11 286 20 12 286.8 20 13 288 20 14 289 lineáris trend const -978.184 regressor_time 0.629091 D2_6 Önkormányzati kiépített út és köztér hossza D2_6 lineáris trend előrejelzés 288 Y = 282. + 0.629t 287 286 285 284 283 282 281 280 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 20

Prediktor: D3_6 20 01 20 02 20 03 20 04 20 05 20 06 20 07 D3_6 Áruszállító tehergépkocsik száma (db) 20 08 3777 20 09 3779 20 10 3686 20 11 3651 20 12 3474 20 13 3295 20 14 3071 kvadratikus trend const -86422300 regressor_time 86069.5-21.4286 D3_6 Áruszállító tehergépkocsik száma D3_6 kvadratikus trend előrejelzés 3800 Y = 3.78e+003 + 12.3t - 21.4t^2 3750 3700 3650 3600 3550 3500 3450 2008 2008.5 2009 2009.5 2010 2010.5 2011 2011.5 2012 Prediktor: D4_6 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 D4_6 Magy arországon első alkalommal f orgalomba hely ezett áruszállító tehergépkocsik száma (db) 20 09 170 20 10 125 20 11 144 20 12 119 20 13 109 20 14 100 exponenciális(log-lin)trend const 191.608 regressor_time -0.0928525 D4_6 Magyarországon első alkalommal forgalomba helyezett áruszállító tehergépkocsik száma D4_6 exponenciális trend előrejelzés 170 logy = 5.08-0.0929t (annual growth -8.87%) 160 150 140 130 120 110 2009 2009.5 2010 2010.5 2011 2011.5 2012 21

Prediktor: D5_6 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 D5_6 Magy arországon első alkalommal f orgalomba hely ezett személy szállító gépjárműv ek száma (db) 20 09 946 20 10 864 20 11 1065 20 12 1297 20 13 1377 20 14 1546 exponenciális(log-lin)trend const -225.447 regressor_time 0.115586 D5_6 Magyarországon első alkalommal forgalomba helyezett személyszállító gépjárművek száma D5_6 exponenciális trend előrejelzés 1300 logy = 6.77 + 0.116t (annual growth 12.25%) 1250 1200 1150 1100 1050 1000 950 900 850 2009 2009.5 2010 2010.5 2011 2011.5 2012 Prediktor: D6_6 20 01 20 02 20 03 20 04 20 05 20 06 20 07 D6_6 Személy szállító gépjárműv ek száma összesen (db) 20 08 35156 20 09 34904 20 10 34675 20 11 34585 20 12 34491 20 13 33898 20 14 33960 kvadratikus trend const 131669000 regressor_time -130815 32.5 D6_6 Személyszállító gépjárművek száma D6_6 kvadratikus trend előrejelzés 35200 Y = 3.52e+004-295.t + 32.5t^2 35100 35000 34900 34800 34700 34600 34500 34400 2008 2008.5 2009 2009.5 2010 2010.5 2011 2011.5 2012 22

Prediktor: D11_6 20 01 20 02 20 03 20 04 D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen (f ő) 20 05 209 20 06 254 20 07 200 20 08 204 20 09 160 20 10 208 20 11 219 20 12 165 20 13 175 20 14 169 lineáris trend const 12229.5 regressor_time -5.9881 D11_6 Közúti közlekedési baleset során meghalt, megsérült személy összesen D11_6 lineáris trendelőrejelzés 260 Y = 223. - 5.99t 250 240 230 220 210 200 190 180 170 160 2005 2006 2007 2008 2009 2010 2011 2012 Prediktor: D12_6 20 01 20 02 20 03 20 04 D12_6 Összes személy i sérüléssel járó közúti közlekedési baleset (eset) 20 05 177 20 06 169 20 07 164 20 08 156 20 09 129 20 10 144 20 11 177 20 12 142 20 13 142 20 14 138 lineáris trend const 7139.18 regressor_time -3.47619 D12_6 Összes személyi sérüléssel járó közúti közlekedési baleset D12_6 lineáris trend előrejelzés 180 Y = 169. - 3.48t 175 170 165 160 155 150 145 140 135 130 125 2005 2006 2007 2008 2009 2010 2011 2012 23

Prediktor: D1_7 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 D1_7 Rendszeres szociális segély ben részesítettek 1000 főre jutó átlagos száma 20 09 0.9 20 10 1.5 20 11 2.4 20 12 2.0 20 13 2.8 20 14 3.2 lineáris trend const -832.559 regressor_time 0.414959 D1_7 Rendszeres szociális segélyben részesítettek 1000 főre jutó átlagos száma D1_7 lineáris trend előrejelzés 2.4 Y = 1.09 + 0.415t 2.2 2 1.8 1.6 1.4 1.2 1 0.8 2009 2009.5 2010 2010.5 2011 2011.5 2012 Prediktor: D2_9 20 01 20 02 20 03 20 04 20 05 20 06 D2_9 Az adóév ben megszerzett EVA bev étel 20 07 7547184988 20 08 7676711193 20 09 8529133483 20 10 7250947090 20 11 6930541986 20 12 4620636467 20 13 5278785000 20 14 4760230000 lineáris trend const 1.04913E+12 regressor_time -518555000 D2_9 EVA bevétel D2_9 lineáris trend előrejelzés 9e+009 Y = 8.39e+009-5.19e+008t 8.5e+009 8e+009 7.5e+009 7e+009 6.5e+009 6e+009 5.5e+009 5e+009 4.5e+009 2007 2008 2009 2010 2011 2012 24

Prediktor: D3_9 20 01 20 02 20 03 20 04 20 05 20 06 D3_9 EVA összege 20 07 1884665116 20 08 1918945285 20 09 2131394527 20 10 2176496372 20 11 2079902220 20 12 1710090172 20 13 1949113580 20 14 1939259240 lineáris trend const 21785900000 regressor_time -9854340 D3_9 EVA adó D3_9 lineáris trend előrejelzés 2.2e+009 Y = 2.01e+009-9.85e+006t 2.15e+009 2.1e+009 2.05e+009 2e+009 1.95e+009 1.9e+009 1.85e+009 1.8e+009 1.75e+009 1.7e+009 2007 2008 2009 2010 2011 2012 Negyedik csoport: Ebbe a csoportba soroljuk azokat a prediktorokat, melyeknek a vizsgált időszakra (2001-2012) 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

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 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2829913 3412224 3370051 4564439 4198236 5375011 5971064 6588160 6605966 6709738 6374934 6437491 6196553 6117392 D6_3 Iparűzési adó bevétel 7e+006 6.5e+006 6e+006 5.5e+006 5e+006 4.5e+006 4e+006 3.5e+006 3e+006 Y = 2.46e+006 + 7.91e+005t - 3.85e+004t^2 const regressor_time const regressor_time 2013.évi előrejelzés -3.03E+11 3.02E+08 2014.évi -74989.1 D2_10 előrejelzés -0.477218 D3_10 19.6891 AR(1) -0.0117945 2.5e+006 2e+006 2002 2004 2006 2008 2010 2012 Prediktor: D1_1 D1_1 Lakónépesség száma az év v égén (a népszámlálás v égleges adataiból tov ábbv ezetett adat) (fő) 102000 101000 Y = 9.61e+004-1.66e+003t + 187.t^2 D1_1 kvadratikus trend előrejelzés 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 95478 94564 93632 93400 93236 93120 93239 93225 93652 94041 100281 100912 103245 2014 121830 kv adratikus trend const 2013.évi 7.54E+08 regressor_time előrejelzés -751713 187.42 const 1.59E+09 regressor_time -1.59E+06 2014.évi 395.273 D2_10 előrejelzés 0.00186413 D3_10 0.0342355 AR(1) -0.162226 D1_1 Lakónépesség száma év végén 100000 99000 98000 97000 96000 95000 94000 93000 92000 2002 2004 2006 2008 2010 2012 26

Prediktor: D3_1 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 D3_1 Vándorlási különbözet 2014 kv adratikus trend const 2013.évi -7.35E+06 regressor_time előrejelzés 7203.44-1.76523 const -2.94E+07 regressor_time 29105.7 2014.évi -7.20136 D2_10 előrejelzés -3.30E-05 D3_10-0.00680845 AR(1) -0.414855-707 -576-577 -626-138 -255 89-54 433 405 530 336 644 676 D3_1 Vándorlási különbözet 600 400 200 0-200 -400-600 -800-1000 Y = -785. + 139.t - 1.77t^2 D3_1 kvadratikus trend előrejelzés 2002 2004 2006 2008 2010 2012 Prediktor: D2_2 D2_2 Ny ilv ántartott álláskeresők száma összesen (f ő) 2014 lineáris trend const 2013.évi -330408 regressor_time előrejelzés 165.371 const 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013-9.37E+07 regressor_time 93084 2014.évi -23.1279 D2_10 előrejelzés -0.000299084 D3_10-0.0233693 AR(1) 0.579439 907 857 916 1008 905 909 998 1108 2082 2397 2218 2599 2484 2225 D2_2 Nyilvántartott álláskeresők száma 3000 2500 2000 1500 1000 500 0 Y = 499. + 165.t D2_2 lineáris trend előrejelzés 2002 2004 2006 2008 2010 2012 27

Prediktor: D4_3 D4_3 A hely i önkormány zatoknak átengedett gépjárműadó (1000 Ft) 800000 Y = 1.78e+005 + 8.52e+004t - 3.06e+003t^2 D4_3 kvadratikus trend előrejelzés 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 224061 154885 392639 426759 472313 502663 591756 630582 577631 735701 779556 760653 720674 678156 D4_3 Helyi önkormányzatoknak átengedett gépjárműadó 700000 600000 500000 400000 300000 200000 const regressor_time const regressor_time -1.24E+10 1.23E+07 2014.évi -3061.45 D2_10 előrejelzés D3_10 AR(1) 2013.évi előrejelzés 100000 2002 2004 2006 2008 2010 2012 Prediktor: D8_3 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 D8_3 Telekadó bev étel eft. 193817 533433 555876 1025203 722145 718239 819238 898893 945395 993146 922629 1346394 1303677 1376820 D8_3 Telekadó bevétel 1.4e+006 1.2e+006 1e+006 800000 600000 400000 200000 Y = 3.96e+005 + 8.60e+004t - 1.34e+003t^2 D8_3 kvadratikus trend előrejelzés const regressor_time const regressor_time 2013.évi előrejelzés -1.36E+08 6.82E+04 2014.évi D2_10 előrejelzés -0.0558704 D3_10 4.2147 AR(1) 0.059765 0 2002 2004 2006 2008 2010 2012 28

Prediktor: D9_3 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 D9_3 Építmény adó bev étel eft 279908 344205 436913 637517 694257 732857 837092 859348 940764 971960 982978 1029177 1124693 1133700 D9_3 Építményadó bevétel 1.2e+006 1.1e+006 1e+006 900000 800000 700000 600000 500000 400000 Y = 2.66e+005 + 1.15e+005t - 3.98e+003t^2 D9_3 kvadratikus trend előrejelzés const regressor_time const regressor_time 2013.évi előrejelzés -1.63E+10 1.61E+07 2014.évi -3990.79 D2_10 előrejelzés 0.0557356 D3_10-1.68324 AR(1) -0.612799 300000 200000 2002 2004 2006 2008 2010 2012 Prediktor: D1_4 D1_4 Kiskereskedelmi üzletek száma (db) 2014 lineáris trend const 2013.évi -145429 regressor_time előrejelzés 73.2448 const 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 regressor_time 1.42E+07-1.42E+04 2014.évi 3.54315 D2_10 előrejelzés 2.61962E-05 D3_10 0.00422491 AR(1) 0.0556387 1209 1235 1244 1228 1400 1587 1600 1609 1638 1856 1915 1923 2013 2261 D1_4 Kiskereskedelmi üzletek száma 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 Y = 1.16e+003 + 55.2t + 1.64t^2 D1_4 kvadratikus trend előrejelzés 2002 2004 2006 2008 2010 2012 29