REJTETT LAKOSSÁGI JÖVEDELMEK KISTÉRSÉGI SZINTŰ BECSLÉSE 2013/2

REJTETT LAKOSSÁGI JÖVEDELMEK KISTÉRSÉGI SZINTŰ BECSLÉSE 2013/2

Rejtett lakossági jövedelmek kistérségi szintű becslése Budapest, 2013. április 2 / 36

Az MKIK Gazdaság- és Vállalkozáskutató Intézet olyan non-profit kutatóműhely, amely elsősorban alkalmazott közgazdasági kutatásokat folytat. Célja, hogy elméletileg és empirikusan megalapozott ismereteket és elemzéseket nyújtson a magyar gazdaság és a magyar vállalkozások helyzetét és kilátásait befolyásoló gazdasági és társadalmi folyamatokról. MKIK GVI Institute for Economic and Enterprise Research Hungarian Chamber of Commerce and Industry Az elemzést készítette: Bublik Bence (ELTE TTK) Tóth István János (MKIK GVI) Kutatásvezető: Tóth István János, Ph.D. (tudományos főmunkatárs, MTA KTI, ügyvezető igazgató, MKIK GVI) e-mail: tothij@econ.core.hu Internet: http://www.wargo.hu/tij/index.html Kézirat lezárva: 2013. április 15. MKIK Gazdaság- és Vállalkozáskutató Intézet Cím: 1034 Budapest, Bécsi út 120. Tel: 235-0584 Fax: 235-0713 e-mail: gvi@gvi.hu internet: http://www.gvi.hu 3 / 36

Tartalom Ábra- és táblajegyzék... 5 Bevezetés... 6 1. A módszer kiinduló feltételei és leírása... 7 2. A modell felépítése... 10 3. Az eredmények bemutatása... 17 4. Következtetések... 25 Melléklet... 26 4 / 36

Ábra- és táblajegyzék 1. ábra: Az egy főre jutó iparűzési adó (ezer Ft) és az egy főre jutó hivatalos jövedelem összege (ezer Ft) közti összefüggés grafikus megjelenítése, 2010*... 13 2. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi értékei (ezer Ft), 2010*... 17 3. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi rezidumai (ezer Ft), 2010*... 18 4. ábra: Az egy főre jutó be nem jelentett lakossági jövedelmek aránya az összes jövedelemből (%), 2010*... 19 1. táblázat: A vizsgálat kistérségi szintű eredményei... 20 2. táblázat: A vizsgálat megyei és regionális szintű eredményei... 24 5 / 36

Bevezetés A rejtett gazdasággal, és az ebből származó jövedelmek becslésével foglalkozó tanulmányok száma könyvtárnyi. Nincs konszenzus sem hazai, sem nemzetközi irodalomban arról, hogy mi tartozik a hivatalos, és mi a nem-hivatalos gazdaságba. A legegyszerűbb, gyakran használ megfogalmazás Tanzi (1980) és Feige (1979) nyomán:...üzleti alapon nyugvó áru- és szolgáltatás-termelés, amely akár legális, akár illegális, kimarad a hivatalos GDP számításból 1. Jelen tanulmány a továbbiakban ezt a meghatározást veszi alapul. A témát illetően a legfőbb probléma azonban az, hogy nem áll rendelkezésre megfelelő mennyiségű és minőségű adat a rejtett gazdaság mértékéről. Emiatt a legtöbb kutató saját becslési eljárást dolgoz ki, így próbálva legalább megközelíteni a valós képet. Az így készült kutatások döntő része makroszinten értelmezi a rejtett gazdaságot, annak országos vagy regionális nagyságát becsüli. Magyarországra vonatkozó becslések az 1990-es évek második felétől a rejtett gazdaság GDP-hez viszonyított nagyságának csökkenését mutatják, 34-30%-os értékről 17-18%-ra 2. Az alábbi elemzés célja az, hogy becslést adjon a be nem jelentett jövedelmek területi kistérségi arányaira és területi különbségeire. Kiindulásképpen azt feltételezzük, hogy országos szinten a rejtett (be nem jelentett) lakossági jövedelmek az összes (bejelentett és be nem jelentett) jövedelmek 17-18%-át teszik ki. Ezt, valamit azt feltételezve, hogy a rejtett gazdaságból szerzett jövedelmek összefüggenek a teljes gazdasági teljesítménnyel, és ez az összefüggés invariáns a gazdasági teljesítmény nagyságára, lehetőséget ad egy országos átlagot kijelölve, kistérségi szintű becslések megalkotására. 1 Lásd Smith, Philip (1994), Assessing the Size of the Underground Economy: The Canadian Statistical Perspectives, Canadian Economic Observer, Catalogue No. 11 010, 3.16 33, at 3.18. A rejtett gazdasággal foglalkozó első kutatások eredményeit pedig : Feige, L. (1979) How Big is the Irregular Economy?, Challenge, 22, pp. 5-13.; és Tanzi, V. (1980) The Underground Economy in the United States: Estimates and Implications, Banco Nazionnale del Lavoro Quarterly Review, 135, pp. 427-453. 2 Lásd Elek Péter Scharle Ágota Szabó Bálint Szabó Péter András (2009): A feketefoglalkoztatás mértéke Magyarországon. In: Semjén András - Tóth István János (szerk.): Rejtett gazdaság. Be nem jelentett foglalkoztatás és jövedelemeltitkolás kormányzati lépések és a gazdasági szereplők válaszai. KTI Könyvek- 11. MTA KTI, Budapest, 84-102 oldal. http://econ.core.hu/file/download/ktik11/ktik11_08_feketefoglalkoztatas.pdf 6 / 36

1. A módszer kiinduló feltételei és leírása A hivatalos lakossági jövedelmekről rendelkezésre áll települési szintű statisztika, ez azonban nem tartalmazza a rejtett gazdaságból származó összegeket. A tanulmány célja megvizsgálni, hogy a be nem jelentett jövedelmek területileg mennyire differenciáltak, ebből pedig következtetni lehet a rejtett gazdaság területi különbségeire. Mivel a meghatározó gazdasági és társadalmi folyamatok nem feltétlenül adott települések határain belül zajlanak, érdemesnek tartottuk a kistérségi szinten való vizsgálódást. E területi szint jobban lefedi a hasonló gazdasági és társadalmi folyamatokkal rendelkező területeket. A kistérségi lakossági jövedelem becslésére egy 2003-as tanulmány 3 szolgált mintaként. Ebben a szerzők jövedelem alatt a személyijövedelemadó-bevallásokban szereplő összes adóköteles jövedelmet értették, ennek egy főre jutó kistérségi értékei szolgáltak számításaik kiindulópontjának. Jelen becslés egyrészt a NAV 2010-es évi összevont adóalap összegére vonatkozó, illetve az állami transzferekre vonatkozó becsült adatokból indul ki. Mint már említettük, kiindulásként elfogadtuk azt a feltételezést, hogy Magyarországon a hivatalos GDP 17-18%-át teszi ki a rejtett gazdaság. Mivel rendkívül erős korreláció van az egy főre jutó GDP és a lakossági jövedelem területi értékei között, ezért azt feltételezzük, hogy átlagosan a lakossági tényleges jövedelem 18%-a lehet a be nem jelentett jövedelem. Ennek értéke azonban kistérségenként jelentősen eltérhet. Épp ezért van szükség a rejtett gazdaságot is számba venni a lakossági jövedelmek meghatározásánál. A már említett tanulmányban mindezt a jövedelemszinttel kapcsolatba hozható naturális adatok alapján regressziós becsléssel határozták meg. A kistérségi fogyasztási adatok alapján becsülhető a tényleges jövedelmi szint. Jelen becslésünkben ide a következő mutatók tartoznak: 3 Jakobi Ákos Kiss János Péter (2003): A lakossági jövedelmek kistérségi becslése. Regionális Tudományi Tanulmányok 8. (2003) pp. 55-86 7 / 36

- Egy főre jutó háztartási villamosenergia-felhasználás: klasszikus fogyasztási mutató, ám a magasabb jövedelem nem feltétlen jár a magasabb fogyasztással (tudatosság, energiatakarékos eszközök használata), ennek ellenére jól árnyalja a képet 4. - Személygépkocsi-ellátottság: szintén klasszikus fogyasztási mutatónak mondható, megvásárlásához azonban általában több évi jövedelemre is szükség van, az autó megléte alacsonyabb jövedelem mellett sem kiváltság, így inkább az alacsonyabb jövedelemi szintű térségek eltitkolt bevételeire mutat rá jól. - Járművek átlagéletkora: a gépjárművek egy minőségi mutatója, mely tükrözi annak értékét, így a magasabb jövedelmekkel áll szorosabb összefüggésben. - Kábeltelevízió hálózatba bekapcsolt lakások aránya: olyan közüzemi jellegű mutató, mely nem létfenntartási szolgáltatás, hanem a lakások komfortjának egy mérőszáma, kiépítését megelőzően felmérték a fizetőképes keresletet. A jövedelemmel szintén szoros kapcsolatban állnak a társadalmi-gazdasági adatok, melyek segítségével pontosítható a becslés. Ezek a következők: - 1000 lakosra jutó adózók száma: a nagyobb adózói arány magasabb gazdasági aktivitásra utal, ami pedig magasabb jövedelemszintet eredményez. - Egy adózóra jutó személyi jövedelemadó: a befizetett SZJA összefügg a jövedelemszinttel, ám a bevallási hajlandósággal is, így inkább a magasabb jövedelmű kistérségek közti különbségek árnyalására alkalmas - Munkanélküliségi ráta: a legáltalánosabb jövedelemforrása utaló mutató. - Egy főre jutó iparűzési adó: a helyi vállalkozások által megtermelt jövedelemmel való kapcsolata révén függ össze a lakossági jövedelmekkel, ráadásul 4 A villamosenergia fogyasztásra alapozódó becslések elterjedtek a rejtett gazdaság becslésében. Magyarul lásd például Lackó Mária: (1995): Rejtett gazdaság nemzetközi összehasonlításban. Becslési módszer a háztartási villamosenergia-fogyasztás alapján. Közgazdasági Szemle, XLII. évf., 1995. 5. sz. (486-510. o.). 8 / 36

a kiemelkedően magas jövedelmi szintű térségek általa jól kirajzolhatók, a társasági nyereségadóval szemben ez telephelyhez kötött. - Közgyógyellátási igazolványban részesítettek összes száma 10 000 állandó lakosra vetítve: mivel rászorultság alapján osztják, az alacsony jövedelmű népesség arányát jól tükrözi. - Társas vállalkozások gyakorisága: jövedelemszerzési lehetőség mutatójaként is felfogható, inkább a magasabb jövedelmű kistérségeket rajzolja ki. - Egyéni vállalkozások gyakorisága: szintén lényeges jövedelemszerzési lehetőségként értelmezhető, ám számos más tényező is befolyásolhatja a mutatót (kényszervállalkozók), inkább az alacsonyabb jövedelmi szint mutatója. 9 / 36

2. A modell felépítése Az általunk alkalmazott modellben ahogy a valóságban is a bejelentett (hivatalos) jövedelmek határozzák meg leginkább a valódi jövedelmi szintet. Kiindulópontként azt feltételezzük, hogy 18%-ra tehető a be nem jelentett jövedelmek aránya az összes jövedelemből 5. Azaz: Ténylegese összes jövedelem = Hivatalos jövedelmek (82%) + Rejtett jövedelmek (18%) A hivatalos jövedelmek is több forrásból származnak. Ezek közül a legszámottevőbbek az adóalapot növelő jövedelmek. A 2010-es évre rendelkezésre állnak a NAV települési szintű összevont adóalap összegének adatai, ebbe beletartoznak többek között a főállásból, egyéni és társas vállalkozásból, mezőgazdasági kis- és őstermelésből és az egyéb jogcímen kapott jövedelmek. A 2010-es évre a hatályos jogszabályok alapján az összevont adóalapba nem tartozott bele a gyermekgondozási segély, a nyugdíj összege, gyermeknevelési támogatás, ápolási díj, baleseti járadék, jövedelempótló kártérítés, anyasági támogatás, lakhatási támogatás bizonyos formái, stb. Sajnos ez utóbbiak közül nem mindegyikre áll rendelkezésre kistérségi, vagy település szintű adat. A GYES és a GYET esetében van kistérségi bontású adat, ráadásul ezek összege jogszabályban rögzített. Azonban kétség kívül a legnagyobb mértékű, adóalapot nem befolyásoló transzfer a nyugdíjak, járadékok és nyugdíjszerű ellátások összege, hiszen ez közel három millió embert érint. Az ellátásban részesülők számáról és az összegéről megyei szintű adatok találhatók a KSH oldalán. A nyugdíjak már említett fontossága miatt a megyei adatok kistérségi szintre való dezaggregálására volt szükség. Itt a kivetkező módszer szerint jártunk el. A kistérségekre rendelkezésre áll a 60-x éves lakosság száma, ennek az adott kistérség megyei értékhez viszonyított aránya alapján becsültük a kistérségben a nyugdíjasok száma, tehát: 5 Azaz feltételezzük, hogy a tényleges jövedelem két komponensből áll: a rejtett jövedelmekből (18%) a hivatalosan mért jövedelmekből (82%). 10 / 36

60 / 60 (1) ahol k kistérség m megyében található, és NY a nyugdíjasok számát, 60f pedig a 60 év felettiek számát jelenti. A 60 év felettiek számára azért esett a választás, mivel a nyugdíjban, járadékban és nyugdíjszerű ellátásban részesülők háromnegyede 60 év feletti, a megyei értékek esetében a korreláció értéke 0,65. Mindezek után pedig az adott megyéhez tartozó átlagnyugdíjakkal felszorzandó a kistérségi nyugdíjasok száma, így megkapva a kistérségben egy hónapban az összes nyugdíj értékét, 12-vel még felszorozva pedig az éves értéket. A módszer gyengesége, hogy elsimítja a megyén belüli egyenlőtlenségeket, de mégis a valósághoz közelítő képet nyújt a kistérségi szintű nyugdíjakról. Az utolsó rendelkezésre álló transzfer jellegű juttatás az ápolási díj. A modellben tehát: Hivatalos jövedelem = összevont adóalap összege + GYES összege + GYET összege + nyugdíjak, járadékok és nyugdíjszerű ellátások összege + ápolási díj összege Az egész évi összegek kerültek összeadásra, így pedig a valósághoz közeli hivatalos kistérségi jövedelmi adatokat sikerült előállítani. Az első pontban felsorolt mutatók természetesen nem csupán a jövedelemtől függnek, de azzal való kapcsolatuk meghatározó, így a sokféle indirekt jövedelmi mutatóként megbízhatóbb becslés készíthető. A modell többlépcsős számítási folyamat szerint épül fel. Első lépés a korábban ismertetett mutatókból lineáris regressziós becsléssel előállított jövedelmi értékek az egy főre jutó becsült hivatalos jövedelem kiszámítása. Mind a tizenegy mutatóhoz tartozó regressziós egyenlet a mellékletben megtalálható, elméleti alapja az alábbi egyszerű képlettel felírható: (2) 11 / 36

ahol Y az egy főre jutó becsült hivatalos jövedelem, α konsans, X a magyarázó változó, ε a hibatag. Példaként az első ábrán az egy főre jutó iparűzési adó és az egy főre jutó hivatalos jövedelem közti összefüggés, illetve az ebből előállított lineáris regressziós egyenlet jellemzői szerepelnek. A választott példa esetében a Bodrogközi kistérségben legalacsonyabb mind az egy lakosra jutó iparűzési adó és az egy főre jutó hivatalos jövedelem összege is, a Budaörsi kistérségben pedig a legmagasabb az iparűzési adó fajlagos értéke, Budapesten pedig a hivatalos jövedelemé. Az R 2 értéke jelen példánál 0,54, ami egyébként viszonylag erős kapcsolatot jelent a két mutató között. Az ábrára tekintve mindez látszik is. Érdemes megjegyezni, hogy a determinációs együttható értékét jelentősen rontja 5-6 kistérség, ahol az egy főre jutó iparűzési adó két-háromszorosa az országos átlagnak (44,3 ezer Ft). 12 / 36

1. ábra: Az egy főre jutó iparűzési adó (ezer Ft) és az egy főre jutó hivatalos jövedelem összege (ezer Ft) közti összefüggés grafikus megjelenítése, 2010* Adatok forrása: TeIR és NAV, 2012, és saját számítás, Erőforrástérkép *Az olvasó az ábra címére kattintva a grafikon nagyobb felbontásban láthatja az Erőforrástérkép oldalán, amennyiben ott korábban regisztrált, és be van jelentkezve az Erőforrástérkép rendszerébe. Az így kapott tizenegyféle regressziós egyenlet segítségével tehát az összes kistérségre megbecsülhető a tizenegyféle egy főre jutó hivatalos jövedelem összege: Ŷ (3) ahol Ŷ az adott mutatóból becsült hivatalos jövedelmet, i az adott mutatót, j pedig a megfelelő kistérséget jelöli. Az így kapott eredmények külön-külön akkor lennének reálisak, amennyiben teljes mértékben az alapmutató határozná meg a tényleges jövedelmi szintet, de mint ahogy az előbbi példán is látható, az R 2 értéke 0,54, és hasonló az összes mutató 13 / 36

esetében is. Ám ezek összességében a jövedelem kellően sok elemét határozzák meg, véleményünk szerint ezek összesítésével a valósághoz közeli jövedelemi adatok kaphatók. A modell következő lépésében az összesítés a mértani átlagok kiszámításával történik: Ŷ (4) ahol i az adott mutatót j a megfelelő kistérséget, B pedig az egy főre jutó becsült jövedelmet, Ŷ az adott mutatóból becsült hivatalos jövedelmet jelöli. Ez az eljárás csökkenti az esetleges torzítás mértékét, ami egy-egy helyi sajátosságból fakadó extrém magas mutatóból származna (például a személygépkocsi ellátottság kiugró értéke). Mivel Budapest már nem rendelkezik kiugró értékkel a felsoroltak közül egyetlen mutató esetében sem, így nem szükséges a fővárosra vonatkozó értékek figyelmi kívül hagyása, és az itteni jövedelmi helyzet utólagos becslése. A mértani átlagok kiszámítása utáni következő lépés a becsült és valós jövedelmek összevetése. A regresszió sajátossága miatt a becsült értékek fele kisebb lesz, mint a valódi jövedelmi szint. Az azonban biztos, hogy kistérségi szinten sehol sem vallanak be több jövedelmet, mint amennyi a tényleges jövedelem. Ezt kiküszöbölendő, az összes kistérség becsült jövedelemi értékekeit felszoroztuk egy ezt módosító konstanssal: (5) ahol j a megfelelő kistérséget, J az egy főre jutó összevont adóalap összeget, B az egy főre jutó becsült jövedelmet, m pedig a módosító konstanst jelenti. 14 / 36

Az állandó értéke tehát az összes kistérséget figyelembe véve az egy főre jutó hivatalos és becsült jövedelem hányadosának maximuma - jelen esetben a Dunaújvárosi kistérség 1,244-es értéke. Így, a még szintén nem végleges, módosított jövedelmi értékek kaphatók meg: (6) ahol j a megfelelő kistérséget, B az egy főre jutó becsült jövedelmet, M az egy főre jutó módosított becsült jövedelmet, m pedig a módosító állandót jelenti. Az ország egészére a módosított becsült jövedelem 82,7%-ára tehető a becsült tényleges jövedelem, tehát a fenti számítások alapján a becsült be nem jelentett jövedelem a becsült összes jövedelem 17,3%-ára tehető. Ez az érték nem áll távol kiinduló feltételezésünktől. Utolsó lépésként egy korrekciót hajtottunk végre, hogy országos szinten 18%-os becsült be nem jelentett jövedelemarányt kapjunk. Ez a korrekció azonban nem változtatja az eredeti becslés kistérségenkénti eltéréseit. Az összjövedelemhez képest 18 százaléknyi be nem vallott jövedelem arány eléréséhez egy iterációs eljárásra van szükség. Ez gyakorlatilag azt jelenti, hogy a módosított becsült jövedelem országos súlyozott átlagának 82%-a legyen a valós jövedelem országos súlyozott átlaga. Már maga a módosított becsült jövedelem is közel áll ehhez a szinthez ami megerősíti a kezdetei, a be nem jelentett jövedelem 18%-os szintjére vonatkozó kezdeti feltételezést. A teljesség érdekében (a modell megalkotásakor feltételezett, pontosan 18%-nyi rejtett jövedelmi szinthez) fel kell szorozni ezen értékeket egy korrekciós állandóval: (7) ahol k a korrekciós állandót, J az egy főre jutó összevont adóalap összeget, M pedig az egy főre jutó módosított becsült jövedelmet jelenti. Az egy főre jutó összevont adóalap összegének súlyozott (országos) átlagának, és az egy főre jutó módosított becsült jövedelem súlyozott (szintén országos) átlagának 15 / 36

hányadosa 1,046. Ezzel felszorozva a módosított becsült jövedelmeket számolható ki az egy főre jutó korrigált becsült jövedelem kistérségi értékei, amely a modell végeredménye: (8) ahol j a megfelelő kistérséget, M az egy főre jutó módosított becsült jövedelmet k pedig a korrekciós állandót, K pedig az egy főre jutó korrigált becsült jövedelmet jelenti. 16 / 36

3. Az eredmények bemutatása A következőkben az eredmények térképes, és táblázatos ismertetésére kerül sor. Előbbiek az Erőforrástérkép program segítségével készültek http://regionaldata.org és szabadon letölthetők onnan, illetve a megfelelő mutatót kiválasztva saját térképek is létrehozhatók tetszőleges határértékekkel. A korrigált becsült jövedelem értékeinek területi képét mutatja be a második ábra: 2. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi értékei (ezer Ft), 2010* Adatok forrása: Saját számítás, Erőforrástérkép *Az ábra címére kattintva a térkép elérhető nagyobb felbontásban az Erőforrástérkép oldalán, amennyiben korábban regisztrált, és be van jelentkezve. Mint ahogy már említettük, a korrigált becsült jövedelem és a bevallott jövedelem között erős korreláció áll fent, így a területi különbségeikben is hasonló vonások fedezhetők fel Budapest környéke, az északnyugati országrész és a nagyvárosok értéke a legmagasabb, a keleti és északkelet országrész kistérségeiben pedig a legalacsonyabb. 17 / 36

Érdekesebb azt megvizsgálni, hogy mennyi az eltérés a korrigált becsült jövedelem és a bevallott jövedelem között. A harmadik ábrán figyelhető meg ennek területi sajátossága. 3. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi rezidumai (ezer Ft), 2010* Adatok forrása: Saját számítás, Erőforrástérkép *Az ábra címére kattintva a térkép elérhető nagyobb felbontásban az Erőforrástérkép oldalán, amennyiben korábban regisztrált, és be van jelentkezve. A rejtett gazdaságból származó egy főre jutó éves jövedelem értékei tehát 60 és 440 ezer forint között mozognak. A két ábrát összevetve az a következtetés vonható le, hogy ahol a legmagasabbak a lakossági jövedelmek (mind a hivatalos, mind a becsült), ott a legalacsonyabb a be nem jelentett jövedelmek összege, tehát itt fehér leginkább a gazdaság. Az viszont már nem teljesül, hogy ahol a legalacsonyabbak a bevallott jövedelmek, ott a legnagyobbak az eltitkoltak. A térképen is jól látszik, a legsötétebb színezést nem a legszegényebb kistérségek kapták, hanem a vidéki átlaghoz közelebbiek (Bács- Kiskun, Szabolcs-Szatmár-Bereg nyugati része és a Somogy megye nyugati fele). Ez nevezhető a vizsgálat egyik legfontosabb eredményének. 18 / 36

Az utolsó térkép pedig azt mutatja be, hogy adott kistérségben mekkora a rejtett jövedelmek (a rezidum) részesedése az összes becsült jövedelemből. 4. ábra: Az egy főre jutó be nem jelentett lakossági jövedelmek aránya az összes jövedelemből (%), 2010* Adatok forrása: Saját számítás, Erőforrástérkép *Az ábra címére kattintva a térkép elérhető nagyobb felbontásban az Erőforrástérkép oldalán, amennyiben korábban regisztrált, és be van jelentkezve. A becslési eljárás során mindezt országos szinten 18%-ra tettük. Mivel ez az egész országra vonatkozó, a népességgel való súlyozott átlag, az ország lakosságának fele olyan kistérségben él, ahol a rejtett gazdaságból származó jövedelmek 18%-nál alacsonyabbak, másik fele pedig olyan helyen, ahol ennél a szintnél magasabbak. A térkép pedig rendkívül jól érzékelteti, hogy sokkal kevesebb az olyan kistérség, ahol 18%-nál kisebb a be nem jelentett jövedelmek aránya szám szerint 40 kistérség a 174-ből. A fentiekből az is következik, hogy ebben a 40 kistérségben él az ország lakosságának fele. A népesség súlyához képest jelentős arányú be nem jelentett jövedelem tehát inkább a kevésbé népes kistérségekre jellemző. A számítások részletes, kistérségenkénti adatait az 1. és 2. táblázatokban közöljük. 19 / 36

1. táblázat: A vizsgálat kistérségi szintű eredményei Egy lakosra jutó összevont adóalap összege (ezer Ft) Egy lakosra jutó korrigált becsült jövedelem (ezer Ft) A rejtett gazdaságból származó egy lakosra jutó jövedelem (ezer Ft) Eltérés a 18%- os rejtett jövedelemhez képest (ezer Ft) A rejtett gazdaság mértéke (%) Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Abai 913,5 1224,5 311,0 110,5 25,4% Abaúj-Hegyközi 742,5 1098,4 355,9 192,9 32,4% Adonyi 1054,2 1293,2 239,0 7,5 18,5% Ajkai 1017,2 1309,7 292,5 69,2 22,3% Aszódi 1029,9 1316,0 286,1 60,0 21,7% Bácsalmási 777,3 1126,5 349,1 178,5 31,0% Bajai 883,1 1246,7 363,6 169,7 29,2% Baktalórántházi 690,5 1100,5 410,0 258,4 37,3% Balassagyarmati 1009,5 1241,2 231,6 10,0 18,7% Balatonalmádi 1134,8 1367,2 232,4-16,7 17,0% Balatonföldvári 1018,1 1300,7 282,6 59,1 21,7% Balatonfüredi 1121,1 1405,0 284,0 37,9 20,2% Balmazújvárosi 807,0 1159,3 352,4 175,2 30,4% Barcsi 802,5 1158,6 356,1 179,9 30,7% Bátonyterenyei 906,5 1192,5 286,0 87,0 24,0% Békéscsabai 1092,3 1276,7 184,4-55,4 14,4% Békési 864,3 1173,9 309,7 120,0 26,4% Bélapátfalvai 876,4 1171,1 294,8 102,4 25,2% Berettyóújfalui 793,4 1130,7 337,3 163,2 29,8% Bicskei 1043,7 1306,4 262,7 33,6 20,1% Bodrogközi 666,8 1059,3 392,5 246,1 37,1% Bonyhádi 930,4 1261,0 330,7 126,5 26,2% Budaörsi 1411,7 1580,4 168,7-141,2 10,7% Budapest 1457,3 1541,4 84,1-235,8 5,5% Ceglédi 936,3 1245,1 308,8 103,3 24,8% Celldömölki 1044,2 1292,2 248,0 18,8 19,2% Csengeri 727,5 1067,9 340,4 180,7 31,9% Csepregi 1033,2 1320,5 287,2 60,4 21,8% Csongrádi 1095,8 1202,1 106,4-134,1 8,8% Csornai 1063,9 1296,3 232,4-1,2 17,9% Csurgói 813,2 1172,9 359,6 181,1 30,7% Dabasi 933,2 1327,0 393,8 189,0 29,7% Debreceni 1128,8 1381,3 252,6 4,8 18,3% Derecske- Létavértesi 708,7 1129,9 421,2 265,6 37,3% Dombóvári 937,9 1234,4 296,5 90,6 24,0% Dorogi 1108,3 1345,8 237,5-5,8 17,6% Dunakeszi 1330,3 1459,9 129,6-162,4 8,9% Dunaújvárosi 1329,1 1389,9 60,8-231,0 4,4% Edelényi 762,5 1116,2 353,7 186,3 31,7% Egri 1165,3 1350,2 185,0-70,8 13,7% Encsi 723,6 1084,8 361,2 202,4 33,3% Enyingi 879,6 1206,8 327,2 134,1 27,1% 20 / 36

Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Ercsi 1084,2 1299,1 214,9-23,1 16,5% Érdi 1277,6 1466,4 188,8-91,7 12,9% Esztergomi 1186,3 1398,4 212,1-48,3 15,2% Fehérgyarmati 722,2 1064,4 342,2 183,6 32,1% Fonyódi 963,7 1259,6 295,9 84,4 23,5% Füzesabonyi 872,9 1181,6 308,7 117,1 26,1% Gárdonyi 1226,4 1349,5 123,0-146,2 9,1% Gödöllői 1208,5 1403,5 195,0-70,3 13,9% Gyáli 1012,4 1383,1 370,7 148,5 26,8% Gyöngyösi 1157,7 1339,8 182,1-72,0 13,6% Győri 1269,7 1465,4 195,7-83,0 13,4% Gyulai 1029,8 1265,2 235,4 9,4 18,6% Hajdúböszörményi 868,7 1218,6 349,9 159,2 28,7% Hajdúhadházi 688,7 1108,5 419,7 268,5 37,9% Hajdúszoboszlói 998,5 1293,9 295,4 76,2 22,8% Hatvani 1102,5 1292,5 190,0-52,1 14,7% Hevesi 788,9 1118,6 329,7 156,5 29,5% Hévízi 980,6 1330,2 349,6 134,4 26,3% Hódmezővásárhelyi 953,6 1245,4 291,8 82,4 23,4% Ibrány-Nagyhalászi 712,6 1118,9 406,3 249,9 36,3% Jánoshalmi 786,4 1141,8 355,5 182,8 31,1% Jászberényi 992,2 1284,1 292,0 74,2 22,7% Kadarkúti 755,6 1174,4 418,8 252,9 35,7% Kalocsai 881,1 1232,7 351,7 158,3 28,5% Kaposvári 1019,3 1299,4 280,1 56,4 21,6% Kapuvári 1016,4 1312,2 295,8 72,7 22,5% Karcagi 863,8 1168,7 304,8 115,2 26,1% Kazincbarcikai 959,3 1255,4 296,1 85,5 23,6% Kecskeméti 1022,5 1324,6 302,1 77,6 22,8% Keszthely-Hévízi 996,7 1341,9 345,1 126,3 25,7% Kisbéri 1096,9 1262,8 165,9-74,9 13,1% Kiskőrösi 797,2 1231,6 434,4 259,4 35,3% Kiskunfélegyházi 913,9 1243,5 329,6 129,0 26,5% Kiskunhalasi 878,7 1264,3 385,6 192,7 30,5% Kiskunmajsai 822,7 1179,6 356,9 176,3 30,3% Kisteleki 774,8 1163,2 388,4 218,3 33,4% Kisvárdai 832,9 1174,1 341,3 158,4 29,1% Komáromi 1243,5 1422,4 179,0-94,0 12,6% Komlói 921,2 1236,9 315,7 113,5 25,5% Körmendi 1120,9 1323,8 202,9-43,2 15,3% Kőszegi 1001,0 1332,0 331,0 111,3 24,8% Kunszentmártoni 845,0 1151,7 306,7 121,2 26,6% Kunszentmiklósi 863,3 1209,4 346,1 156,6 28,6% Lengyeltóti 742,9 1139,5 396,5 233,5 34,8% Lenti 992,7 1278,6 285,9 68,0 22,4% Letenyei 892,1 1207,8 315,7 119,9 26,1% Makói 895,8 1169,2 273,4 76,8 23,4% Marcali 850,9 1201,3 350,4 163,6 29,2% Mátészalkai 754,1 1119,3 365,2 199,6 32,6% Mezőcsáti 785,7 1128,4 342,7 170,3 30,4% Mezőkovácsházi 835,5 1127,6 292,1 108,7 25,9% Mezőkövesdi 1001,1 1221,7 220,5 0,8 18,1% Mezőtúri 901,0 1183,9 282,9 85,1 23,9% 21 / 36

Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Miskolci 1054,2 1294,0 239,8 8,4 18,5% Mohácsi 952,9 1242,4 289,5 80,3 23,3% Monori 1052,8 1353,4 300,6 69,5 22,2% Mórahalmi 811,9 1174,7 362,8 184,6 30,9% Móri 1176,8 1354,1 177,3-81,0 13,1% Mosonmagyaróvári 1013,6 1384,9 371,3 148,8 26,8% Nagyatádi 841,6 1193,9 352,3 167,6 29,5% Nagykállói 724,1 1138,8 414,7 255,8 36,4% Nagykanizsai 1083,4 1341,1 257,7 19,9 19,2% Nagykátai 914,5 1261,3 346,7 146,0 27,5% Nyírbátori 718,2 1125,9 407,7 250,0 36,2% Nyíregyházi 1045,2 1346,1 300,9 71,5 22,4% Orosházi 974,1 1209,7 235,6 21,7 19,5% Oroszlányi 1179,3 1378,6 199,3-59,5 14,5% Ózdi 775,6 1135,6 360,0 189,7 31,7% Őriszentpéteri 991,2 1203,9 212,8-4,8 17,7% Pacsai 829,3 1203,0 373,7 191,7 31,1% Paksi 1253,6 1395,6 142,1-133,1 10,2% Pannonhalmi 1050,1 1285,1 235,0 4,4 18,3% Pápai 1003,6 1277,0 273,5 53,2 21,4% Pásztói 937,6 1227,8 290,2 84,4 23,6% Pécsi 1158,3 1379,0 220,7-33,6 16,0% Pécsváradi 934,2 1248,8 314,6 109,5 25,2% Pétervásári 920,7 1161,9 241,3 39,2 20,8% Pilisvörösvári 1274,6 1420,4 145,8-134,0 10,3% Polgári 910,8 1211,7 300,9 101,0 24,8% Püspökladányi 836,9 1148,8 311,8 128,1 27,1% Ráckevei 1074,7 1390,5 315,8 79,9 22,7% Rétsági 1015,8 1245,3 229,5 6,5 18,4% Salgótarjáni 976,1 1227,6 251,5 37,3 20,5% Sárbogárdi 935,1 1221,6 286,6 81,3 23,5% Sarkadi 738,7 1066,8 328,1 165,9 30,8% Sárospataki 927,2 1208,3 281,0 77,5 23,3% Sárvári 1107,6 1339,3 231,7-11,5 17,3% Sásdi 822,5 1169,5 347,0 166,5 29,7% Sátoraljaújhelyi 943,0 1261,2 318,3 111,3 25,2% Sellyei 773,4 1092,4 319,1 149,3 29,2% Siklósi 864,9 1216,1 351,2 161,3 28,9% Siófoki 1060,6 1351,6 291,0 58,2 21,5% Sopron-Fertődi 1056,4 1393,0 336,6 104,7 24,2% Sümegi 876,6 1201,1 324,5 132,1 27,0% Szarvasi 995,4 1246,1 250,7 32,2 20,1% Szécsényi 820,2 1161,3 341,0 161,0 29,4% Szegedi 1111,6 1363,7 252,2 8,2 18,5% Szeghalmi 866,4 1179,6 313,2 123,0 26,6% Székesfehérvári 1309,5 1440,1 130,6-156,8 9,1% Szekszárdi 1068,7 1313,4 244,6 10,1 18,6% Szentendrei 1268,1 1439,4 171,3-107,1 11,9% Szentesi 993,7 1240,0 246,3 28,2 19,9% Szentgotthárdi 1048,0 1304,5 256,5 26,5 19,7% Szentlőrinci 881,5 1191,5 310,1 116,6 26,0% Szerencsi 830,8 1163,5 332,7 150,3 28,6% Szigetvári 836,9 1149,4 312,5 128,8 27,2% 22 / 36

Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Szikszói 757,6 1119,4 361,8 195,5 32,3% Szobi 1029,3 1245,9 216,6-9,4 17,4% Szolnoki 1150,3 1315,2 164,9-87,6 12,5% Szombathelyi 1200,1 1388,9 188,8-74,6 13,6% Tabi 869,8 1187,5 317,7 126,7 26,8% Tamási 856,2 1190,5 334,3 146,3 28,1% Tapolcai 992,8 1298,7 305,9 88,0 23,6% Tatabányai 1205,8 1386,8 181,0-83,7 13,1% Tatai 1248,6 1402,8 154,2-119,8 11,0% Téti 1056,3 1257,8 201,5-30,4 16,0% Tiszafüredi 830,9 1140,4 309,4 127,0 27,1% Tiszaújvárosi 1154,8 1335,6 180,8-72,7 13,5% Tiszavasvári 818,2 1186,0 367,8 188,2 31,0% Tokaji 897,2 1189,8 292,6 95,6 24,6% Törökszentmiklósi 834,8 1177,8 343,0 159,7 29,1% Váci 1138,5 1387,5 248,9-1,0 17,9% Várpalotai 1048,3 1312,5 264,2 34,1 20,1% Vásárosnaményi 759,8 1105,2 345,4 178,6 31,2% Vasvári 920,1 1231,8 311,7 109,7 25,3% Veresegyházi 1180,6 1507,9 327,3 68,1 21,7% Veszprémi 1233,1 1424,2 191,1-79,5 13,4% Záhonyi 789,8 1101,3 311,5 138,1 28,3% Zalaegerszegi 1130,5 1360,1 229,6-18,6 16,9% Zalakarosi 820,1 1185,7 365,6 185,6 30,8% Zalaszentgróti 871,1 1226,4 355,2 164,0 29,0% Zirci 1040,1 1307,7 267,6 39,3 20,5% Adatok forrása: NAV és saját számítás 23 / 36

2. táblázat: A vizsgálat megyei és regionális szintű eredményei Egy lakosra jutó összevont adóalap összege (ezer Ft) Egy lakosra jutó korrigált becsült jövedelem (ezer Ft) A rejtett gazdaságból származó egy lakosra jutó jövedelem (ezer Ft) Eltérés a 18%- os rejtett jövedelemhez képest (ezer Ft) A rejtett gazdaság mértéke (%) Területegység (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Fejér 1179,72 1353,85 174,1-84,8 12,9% Veszprém 1074,92 1334,80 259,9 23,9 19,5% Komárom-Esztergom 1190,32 1381,25 190,9-70,4 13,8% Közép-Dunántúl 1148,37 1355,37 207,0-45,1 15,3% Somogy 926,38 1247,34 321,0 117,6 25,7% Tolna 1035,31 1291,93 256,6 29,4 19,9% Baranya 1013,61 1286,27 272,7 50,2 21,2% Dél-Dunántúl 989,27 1274,41 285,1 68,0 22,4% Vas 1115,22 1342,04 226,8-18,0 16,9% Győr-Moson-Sopron 1132,70 1398,62 265,9 17,3 19,0% Zala 1030,58 1314,84 284,3 58,0 21,6% Nyugat-Dunántúl 1098,41 1359,41 261,0 19,9 19,2% Dunántúl 1098,41 1359,41 261,0 19,9 19,2% Borsod-Abaúj-Zemplén 937,96 1223,43 285,5 79,6 23,3% Nógrád 958,53 1222,00 263,5 53,1 21,6% Heves 1050,93 1273,70 222,8-7,9 17,5% Észak-Magyarország 970,19 1235,99 265,8 52,8 21,5% Bács-Kiskun 911,29 1258,28 347,0 147,0 27,6% Békés 951,03 1207,76 256,7 48,0 21,3% Csongrád 1018,98 1283,05 264,1 40,4 20,6% Dél-Alföld 956,52 1251,96 295,4 85,5 23,6% Szabolcs-Szatmár-Bereg 825,15 1180,09 354,9 173,8 30,1% Hajdú-Bihar 932,12 1248,33 316,2 111,6 25,3% Jász-Nagykun-Szolnok 972,98 1235,54 262,6 49,0 21,3% Észak-Alföld 902,38 1219,18 316,8 118,7 26,0% Észak és Alföld 940,44 1234,91 294,5 88,0 23,8% Pest 1140,02 1392,36 252,3 2,1 18,1% Budapest 1457,29 1541,39 84,1-235,8 5,5% Közép-Magyarország 1323,42 1478,51 155,1-135,4 10,5% Magyarország 1094,54 1334,80 240,3 0,0 18,0% Adatok forrása: NAV és saját számítás 24 / 36

4. Következtetések Kiindulópontként átlagosan 18%-os be nem jelentett jövedelem arányt feltételeztünk. A számítások eredményeként azt kaptuk, hogy országosan 2010-ben a be nem jelentett jövedelem 17,3%-os arányát tehette ki a becsült tényleges jövedelemnek. Ez alátámasztani látszik az erre vonatkozó eredeti feltételezést, a korrekciós állandó értéke csupán 1,046. A korrigált becsült jövedelem és a be nem jelentett jövedelem mértékére vonatkozóan több következtetés vonható le. Érdemes kihangsúlyozni, hogy az egy főre jutó összevont adóalap és az egy főre jutó korrigált becsült jövedelem területileg nagyon hasonló képet mutat, a kettő közt erős a korreláció. Az elemzés alapján az a következtetés vonható le, hogy a magasabb jövedelemmel rendelkező kistérségekben a rejtett gazdaság részesedése kisebb az országos átlagnál. Ez első ránézésre azzal magyarázható, hogy ezen kistérségekben hazai illetve külföldi nagyvállalatok a fő foglalkoztatók, amelyek nagyobb valószínűséggel és súllyal foglalkoztatnak bejelentett módon. Amennyiben egy-két ilyen (főként ipari) vállalat a térség fő foglalkoztatója, extrém alacsony a rejtett gazdaságból származó jövedelmek aránya a táblázatból Dunaújváros, Paks esetén ez jól látszik. Másik fontos észrevétel, hogy nem a legszegényebb térségekben a legmagasabbak a rejtett gazdaságból származó jövedelmek. Ennek oka az lehet, hogy az ilyen térségek fő bevételi forrása az állami újraelosztás, ehhez kapcsolódóan pedig nincs lehetőség plusz jövedelemre szert tenni. Ebből kifolyólag arányaiban a legnagyobb rejtett gazdasággal bíró térségek inkább a vidéki (Budapest értékét figyelmen kívül hagyó) átlaghoz közeli egy főre jutó jövedelemmel rendelkező kistérségek. Ezek közül is kiemelkedik Bács-Kiskun megye. A fenti eredményeket érdemes további vizsgálatnak alávetni. 25 / 36

Melléklet Regressziós egyenletek és tulajdonságaik: M1: Becslés az 1000 lakosra jutó adózók száma segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,782 a,612,609 101,53308446 a. Predictors: (Constant), a arány ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2791294,972 1 2791294,972 270,764,000 a Residual 1773142,365 172 10308,967 Total 4564437,337 173 a. Predictors: (Constant), a arány Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) -398,926 83,411-4,783,000 a arány 3,196,194,782 16,455,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 668,8115234 1270,4971924 967,7310657 127,02225403 174 Residual -197,43753052 470,39251709,00000000 101,23921095 174 Std. Predicted Value -2,353 2,384,000 1,000 174 Std. Residual -1,945 4,633,000,997 174 26 / 36

M2: Becslés az egy adózóra jutó személyi jövedelemadó segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,888 a,788,787 75,02387790 a. Predictors: (Constant), adózóra jutó adó ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 3596321,190 1 3596321,190 638,939,000 a Residual 968116,148 172 5628,582 Total 4564437,337 173 a. Predictors: (Constant), adózóra jutó adó Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 597,032 15,730 37,956,000 adózóra jutó adó 1,598,063,888 25,277,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 782,0556641 1645,9718018 967,7310657 144,18038617 174 Residual -234,31140137 184,00796509,00000000 74,80673163 174 Std. Predicted Value -1,288 4,704,000 1,000 174 Std. Residual -3,123 2,453,000,997 174 27 / 36

M3: Becslés a munkanélküliségi ráta segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,836 a,700,698 89,28850857 a. Predictors: (Constant), mnkl r ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 3193178,042 1 3193178,042 400,527,000 a Residual 1371259,295 172 7972,438 Total 4564437,337 173 a. Predictors: (Constant), mnkl r Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 1276,003 16,825 75,839,000 mnkl r -24,928 1,246 -,836-20,013,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 591,4891357 1200,4725342 967,7310657 135,85903189 174 Residual -228,26829529 294,70568848,00000000 89,03007529 174 Std. Predicted Value -2,769 1,713,000 1,000 174 Std. Residual -2,557 3,301,000,997 174 28 / 36

M4: Becslés az egy főre jutó iparűzési adó segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,738 a,544,541 109,99107955 a. Predictors: (Constant), ip adó egy főre ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2483574,873 1 2483574,873 205,287,000 a Residual 2080862,464 172 12098,038 Total 4564437,337 173 a. Predictors: (Constant), ip adó egy főre Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 825,941 12,941 63,825,000 ip adó egy főre 5,840,408,738 14,328,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 838,6319580 1691,8961182 967,7310657 119,81620977 174 Residual -280,23568726 312,80160522,00000000 109,67272554 174 Std. Predicted Value -1,077 6,044,000 1,000 174 Std. Residual -2,548 2,844,000,997 174 29 / 36

M5: Becslés az egy főre jutó háztartási villamosenergia-felhasználás segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,414 a,171,166 148,29588471 a. Predictors: (Constant), e per fő ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 781870,197 1 781870,197 35,553,000 a Residual 3782567,140 172 21991,669 Total 4564437,337 173 a. Predictors: (Constant), e per fő Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 498,400 79,511 6,268,000 e per fő 449,055 75,311,414 5,963,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 810,5490723 1184,9532471 967,7310657 67,22708462 174 Residual -354,14370728 451,33551025,00000000 147,86666272 174 Std. Predicted Value -2,338 3,231,000 1,000 174 Std. Residual -2,388 3,043,000,997 174 30 / 36

M6: Becslés a személygépkocsi-ellátottság segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,476 a,226,222 143,30766695 a. Predictors: (Constant), 1000 lak szgk ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 1032058,303 1 1032058,303 50,253,000 a Residual 3532379,034 172 20537,087 Total 4564437,337 173 a. Predictors: (Constant), 1000 lak szgk Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 516,663 64,550 8,004,000 1000 lak szgk 1,129,159,476 7,089,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 782,1279297 1315,2192383 967,7310657 77,23765230 174 Residual -398,09802246 467,02645874,00000000 142,89288267 174 Std. Predicted Value -2,403 4,499,000 1,000 174 Std. Residual -2,778 3,259,000,997 174 31 / 36

M7: Becslés a járművek átlagéletkora segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,700 a,490,487 116,35410388 a. Predictors: (Constant), szgk kor ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2235853,609 1 2235853,609 165,151,000 a Residual 2328583,728 172 13538,277 Total 4564437,337 173 a. Predictors: (Constant), szgk kor Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 2066,312 85,939 24,044,000 szgk kor -82,651 6,431 -,700-12,851,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 639,7531738 1402,6234131 967,7310657 113,68381284 174 Residual -273,43115234 322,93582153,00000000 116,01733297 174 Std. Predicted Value -2,885 3,825,000 1,000 174 Std. Residual -2,350 2,775,000,997 174 32 / 36

M8: Becslés a közgyógyellátási igazolványban részesítettek aránya segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,663 a,439,436 121,97882417 a. Predictors: (Constant), közgy ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2005277,967 1 2005277,967 134,774,000 a Residual 2559159,370 172 14878,834 Total 4564437,337 173 a. Predictors: (Constant), közgy Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 1317,073 31,481 41,838,000 közgy -,856,074 -,663-11,609,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 685,3872070 1158,8261719 967,7310657 107,66244528 174 Residual -261,39364624 395,79379272,00000000 121,62577329 174 Std. Predicted Value -2,622 1,775,000 1,000 174 Std. Residual -2,143 3,245,000,997 174 33 / 36

M9: Becslés a társas vállalkozások gyakorisága segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,783 a,613,611 101,32834986 a. Predictors: (Constant), társas váll ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 2798438,606 1 2798438,606 272,555,000 a Residual 1765998,731 172 10267,434 Total 4564437,337 173 a. Predictors: (Constant), társas váll Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 741,994 15,683 47,311,000 társas váll 65,055 3,941,783 16,509,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 809,6510620 1665,7755127 967,7310657 127,18469129 174 Residual -208,48725891 287,77584839,00000000 101,03506892 174 Std. Predicted Value -1,243 5,488,000 1,000 174 Std. Residual -2,058 2,840,000,997 174 34 / 36

M10: Becslés az egyéni vállalkozások gyakorisága segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,332 a,110,105 153,68933453 a. Predictors: (Constant), egyéni v ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 501726,551 1 501726,551 21,241,000 a Residual 4062710,786 172 23620,412 Total 4564437,337 173 a. Predictors: (Constant), egyéni v Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 1112,581 33,519 33,193,000 egyéni v -12,915 2,802 -,332-4,609,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 759,7398682 1063,3741455 967,7310657 53,85307304 174 Residual -360,68374634 455,77743530,00000000 153,24450195 174 Std. Predicted Value -3,862 1,776,000 1,000 174 Std. Residual -2,347 2,966,000,997 174 35 / 36

M11: Becslés a kábeltelevízió hálózatba bekapcsolt lakások aránya segítségével: Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate 1,332 a,110,105 153,68933453 a. Predictors: (Constant), egyéni v ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression 501726,551 1 501726,551 21,241,000 a Residual 4062710,786 172 23620,412 Total 4564437,337 173 a. Predictors: (Constant), egyéni v Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) 1112,581 33,519 33,193,000 egyéni v -12,915 2,802 -,332-4,609,000 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 759,7398682 1063,3741455 967,7310657 53,85307304 174 Residual -360,68374634 455,77743530,00000000 153,24450195 174 Std. Predicted Value -3,862 1,776,000 1,000 174 Std. Residual -2,347 2,966,000,997 174 36 / 36