JELENTÉS A SEM ALKALMAZÁSRÓL

STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS A SEM ALKALMAZÁSRÓL BUDAPEST, XVIII. KERÜLET, VECSÉS VÉGSŐ VÁLTOZAT BUDAPEST, 2014 1

BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS VÁROS ÖNKORMÁNYZATA STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS A SEM ALKALMAZÁSRÓL VÉGSŐ VÁLTOZAT 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 MUNKAFÁZIS EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA... 5 II. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE A 96 INDIKÁTORON... 9 III. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE AZ 58 INDIKÁTORON... 14 IV. KANONIKUS VÁLTOZÓ-PÁROK ELEMZÉSE... 26 V. A KONFIRMATÍV SEM MODELL... 31 Az X1_Y1 SEM modell... 32 Az X2_Y2 SEM modell... 36 Az X1_Y1_X2_Y2 SEM modell... 39 VI. ÖSSZEFOGLALÁS, AZ EREDMÉNYEK ÉRTELMEZÉSE... 43 VII. KAPCSOLÓDÁS A REPÜLŐTÉR GAZDASÁGI-TÁRSADALMI HATÁSÁHOZ A PREDIKTÍV MODELL MEGALAPOZÁSA, TERVEZETE... 47 VIII. FÜGGELÉK. AZ INDULÓ INDIKÁTOR-SZETT VÁLTOZÁSAI... 50 4

I. I. AZ ELŐZŐ MUNKAFÁZIS EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA Annak érdekében, hogy a modellalkotás könnyebben követhető legyen folyamatában, a megelőző munkafázis eredményeit az alábbiakban összefoglaljuk. Az induló adatállomány előzetes szűrése, tisztítása a megelőző munkafázisban megtörtént, melynek eredményeként egyrészt a nagy számosságú, 10 dimenzióba tömörített indikátor-szettet 96 manifeszt indikátort tartalmazó adatbázisra csökkentettük, másrészt a statisztikai tesztek (Leíró statisztikák, Főkomponens analízis, Faktor analízis) ezen indikátorokat homogén csoportokba (faktorok) rendezték. Az adatok tisztítása során számolnunk kell azokkal a veszteségekkel, melyek az adat (információ) vesztésből adódnak, ugyanakkor célunk a veszteségek minimalizálása, a végső cél az oksági modell megalkotása érdekében. A tesztelés elején előzetesen kiszűrésre kerültek azok az adatok, amelyekhez a további hozzáférés nehezen biztosított (pl. csak a 10 évente tartott népszámlálásból érhető el az adat), hiányos az adatbázis vagy duplikáltan tartalmaz adatokat, illetve a valamilyen szempont alapján részletezett adatok helyett a továbbiakban csak az összesen adattal dolgoztunk, vagy a naturáliában megadott adatok helyett fajlagos mutatót számoltunk. A táblákban sárgával jelöltük a kihagyott változókat és zölddel az újonnan bevont vagy összesített változókat, illetve a számított mutatókat. Az induló manifeszt indikátor-szett változói közül az előzetes szűrés, összevonás illetve a tesztelés alapján kihagyott és bennmaradt változókat a függelék tartalmazza. A táblázatot úgy kell értelmezni, hogy amelyik sorban egyik oszlopban sincs sárga jelzés, az bennmaradt a 96 elemű adatbázisban a szűrések, tesztelések után. A statisztikai munka iteratív jellegű, tehát a tesztelések eredményeit, tapasztalatait újra és újra felhasználva, az adatbázis folyamatos tisztításával, szükség esetén új változók utólagos bevonásával folyamatosan közelítünk a modellhez. A tesztelés eredményeként megmaradt 96 manifeszt indikátor rövid neveit tartalmazó változólistát a faktorokkal együtt az 1. tábla mutatja. 5

1. tábla Indikátor-szett tesztelés után megmaradt 96 manifeszt változó és faktorok Faktor Manifeszt változó rövid neve Faktor Manifeszt változó rövid neve Lakónépesség1 Áruszálltgk6 FAC1_1 Vándorlási különbözet oda_el1 Áruszállforghely6 Kor 18-64 éves aktív1 Személyszállforghely6 FAC2_1 Népsűrűség1 FAC1_6 Személyszállító6 Száz aktívra jutó gyermekkorú1 Szgkforg6 FAC3_1 Száz aktív korúra jutó időskorú1 Közlbalesetsérült6 FAC4_1 Terület1 Közlekbaleset6 FAC1_2 Éven túli álláskeresők2 Kiépítetlenút6 FAC2_6 Álláskeresők száma_2 Beltkiépítettség6 FAC2_2 Foglalkoztatottak2 Idoptkm6 Saját folyó bev3 Idoptper6 Helyi adó bev3 FAC3_6 Útoptkm6 FAC1_3 Áteng gépjárm adó3 Útoptperc6 Tárgyévi bev3 Közútikapcs6 Iparűzési adó3 FAC4_6 Vasútikapcs6 FAC2_3 Idegenforg adó3 FAC5_6 Kiépítettút6 FAC3_3 Önk lakóház ktg3 FAC6_6 Kerékpárút6 FAC4_3 Bérbevétel3 SZJALMalatt7 Lakásbérbev3 SZJALM ÁTLJÖV7 Nemszak boltivegyes4 SZJAÁTLJÖVfelett7 Élelmiszer ital dohány4 AdófizLMalatt7 FAC1_4 Informhírtech4 FAC1_7 AdófizLM ÁTLJÖV7 Egyéb háztart cikk4 AdófizÁTLJÖVfelett7 Kulturális szabadidő4 JövLMalatt7 Egyéb mns4 JövLM ÁTLJÖV7 FAC2_4 Fogycikk nagyker rakt4 JövÁTLJÖVfelett7 Vegyesic nagyker rakt4 Szocsegélyátl7 FAC2_7 Élelm nagyker rakt4 Fajlbűncselekm7 FAC3_4 Gépjármű nagyker rakt4 FAC3_7 Ápolásidíjátl7 FAC4_4 Motorker alkatr nagyker rakt4 FAC4_7 Közgyógyigátl7 Gépjárműszaküzl4 Vendégekszáma8 Gépjárműalkszaküzl4 Külföldi vendégek száma8 FAC5_4 Motorkalkatrészszaküzl4 Vendégéjszakák száma8 FAC1_8 Üzemanyagtöltő4 Külföldi vendégéjszakák8 Gép ber nagyker rakt4 Szállásférőhely8 FAC6_4 Gépjalkatr nagyker rakt4 Szálláshelyek8 Inform telekom nagyker rakt4 FAC2_8 Vendéglátóhely8 Egy szak nagyker rakt 4 FizetettTAO10 FAC7_4 Mezőgazd nagyker rakt4 ÁtllétszámTAO10 FAC1_9 Gázfogy5 Brtermérték10 Villenergfogy5 Brhozzáadottérték10 FAC1_5 Fajllakáster5 TŐKEARADÓZERED10 Fajllakasszam5 FAC2_9 ESZKÖZHATÉKONYSÁG10 Lakásszám_5 ESZKÖZJÖVEDELMEZŐSÉG10 FAC2_5 Összkomfarány5 LIKVIDITÁS10 FAC3_9 Lakásép5 BEFESZKFEDEZETT10 FAC3_5 Lakásépter5 Regvállszám_9 FAC4_9 EVAbevétel10 EVAadó10 A 96 manifeszt indikátort a statisztikai tesztek kiindulásként az egyes dimenziókból kiszűrt (extrahált) faktorokba rendezték, szám szerint 36 faktort (FAC#_#) definiáltunk. Az információsűrítés mutatójaként az extrahált 36 faktor első 13 komponense a totális információtartalom 90.881 %-át megőrizte. A 2. tábla a második lépcsős komponensek és az első lépcsős FAC#_# komponensek közötti korrelációs értékeket mutatja. Példaként kiemelve a 13 komponensből a legelső, így legfontosabb korrelációkat, alapvető konklúzió, hogy a fenti komponensek által összefogott manifeszt változók szorosan korrelálnak csoportközi összevetésben, ahol pl. a FAC5_4 Gépjárművekkel kapcsolatos kiskereskedelmi üzleteket és üzemanyagtöltő egységek (-0.814) illetve afac3_6 Elérhetőségi távolságok és idők, közúti kapcsolatok (-0.599) negatívan korrelálnak a többi csoport manifeszt változóival. 6

Első komponens Első komponens faktorok tartalma korrelációs értékei FAC1_7 SzJA jövedelem, adó és adófizető (LM alatt, LM, Átlagjöv között, Átlagjöv fölött) 0.832 FAC1_2 Álláskeresők száma ; Éven túli álláskeresők 0.820 FAC5_4 Gépjárművekkel kapcsolatos kisker üzletek és üzemanyagtöltő -0.814 FAC1_1 A lakónépesség aktivitása, vándorlása 0.803 FAC1_3 Önkormányzati helyi adók, bevételek 0.789 FAC5_6 Kiépített utak 0.762 FAC1_5 Lakásszám, lakók, alapterület és gáz,villanyfogy 0.749 FAC4_9 EVA bevétel és adó 0.687 FAC1_4 Lakossági szükségletek kielégítését szolgáló kisker. egys 0.681 FAC3_6 Elérhetőségi távolságok és idők Budapestig, közúti kapcsolatok -0.599 FAC2_8 Vendéglátóhelyek 0.629 FAC1_6 Járművek, új forgalombahelyezés, közlek.balesetek 0.608 2. tábla Második lépcsős komponensek és első lépcsős faktorok struktúra mátrixa FAC1_7 SzJA jövedelem, adó és adófizető (LM alatt, LM, Átlagjöv között, Átlagjöv fölött) Structure Matrix Component 1 2 3 4 5 6 7 8 9 10 11 12 13 0.832-0.230-0.416-0.244 0.106 0.477 0.255 0.189 0.277 0.593 0.706 0.110 FAC1_2 Álláskeresők száma ; Éven túli álláskeresők 0.820-0.265-0.625-0.190 0.153 0.414 0.218 0.115 0.341 0.730 FAC5_4 Gépjárművekkel kapcsolatos kisker üzletek és -0.814 0.193-0.230-0.343-0.111-0.362-0.389-0.202-0.373-0.425 üzemanyagtöltő FAC1_1 A lakónépesség aktivitása, vándorlása 0.803-0.254-0.548-0.228 0.553 0.278 0.193 0.211 0.334 0.747 FAC1_3 Önkormányzati helyi adók, bevételek 0.789-0.329-0.465-0.183 0.136 0.525 0.297 0.162 0.244 0.132 0.494 0.734 FAC5_6 Kiépített utak 0.762-0.139 0.262 0.205 0.436-0.125 0.658 0.202 FAC1_5 Lakásszám, lakók, alapterület és gáz,villanyfogy 0.749-0.488-0.462-0.231 0.175 0.457 0.404 0.184 0.468 0.722 FAC4_9 EVA bevétel és adó 0.687-0.393-0.414-0.296 0.471 0.349 0.174 0.160 0.655 0.686 0.127 FAC1_4 Lakossági szükségletek kielégítését szolgáló kisker. 0.681-0.591-0.579-0.306 0.330 0.382 0.148-0.183 0.303 0.612 egys FAC3_6 Elérhetőségi távolságok és idők Budapestig, közúti -0.599 0.421 0.391 0.426-0.471-0.246-0.486-0.175-0.113-0.459-0.490-0.129 kapcsolatok FAC2_3 Idegenforgalmi adó -0.966-0.178-0.257 0.292-0.324 0.138 0.125 FAC1_8 Szálláshelyszolgáltatás 0.223-0.965-0.307-0.301 0.124 0.408-0.378 0.226 0.283 FAC2_7 Szociális segély, regisztrált bűncselekmények 1000-0.925-0.163-0.118 0.173 0.194-0.384 0.165-0.124 lakosra FAC1_9 Értékteremtés, társasági adó, átlaglétszám 0.383-0.776-0.394-0.169 0.481 0.388 0.113 0.130 0.324 0.538-0.108 FAC2_1 Gyermekkorúak és népsűrűség -0.500 0.707 0.381 0.231-0.168-0.123-0.450 0.546-0.175-0.385 FAC2_8 Vendéglátóhelyek 0.629-0.678-0.584-0.309 0.144 0.376 0.391 0.231-0.114 0.385 0.646 FAC2_4 Iparcikk nagyker, egyéb mns -0.229 0.246 0.934-0.163-0.189 0.234 0.107-0.204 FAC3_5 Lakásépítések (száma és épített terület) -0.377 0.146 0.892 0.199-0.237-0.165-0.140-0.108-0.420-0.191 FAC3_3 Önkormányzati lakóházak összes felúj, jav, karbant -0.387-0.763-0.252 0.205 0.260 0.128-0.341 0.359 0.120 0.473 ktg FAC3_7 Ápolási díjban részesítettek 1000 főre jutó átlagos 0.236 0.178 0.838 0.144-0.115-0.124-0.167-0.278-0.315 száma FAC3_9 Likviditás, eszközfedezettség -0.172 0.832-0.256-0.204-0.248 0.151 FAC3_4 Élelmiszer, gépjármű nagyker 0.235-0.220 0.835 0.344 0.243 0.222 0.317-0.310 FAC7_4 Mezőgazdasági nagyker 0.192 0.938 0.137 0.248 FAC6_6 Kerékpárút -0.186-0.103 0.492-0.568 0.418 0.131-0.301-0.307-0.126-0.126 FAC2_6 Belterületek kiépítettsége, kiépítetlen terület -0.164 0.263 0.188-0.887 0.109-0.189-0.163-0.219-0.107 FAC4_1 Terület 0.327 0.174 0.417-0.250 0.133-0.753 0.149 0.133-0.173-0.234 FAC2_9 Jövedelmezőségi mutatók 0.412 0.101 0.485-0.681 0.191-0.102-0.165 FAC4_6 Vasúti kapcsolatok 0.438-0.265 0.369 0.308 0.648 0.118 0.323 0.187 0.494-0.239 FAC2_5 Összkomfort-arány 0.236 0.251-0.188 0.200 0.959 0.164 0.139 0.182 FAC4_4 Motorkerékpár és alkatrész nagyker 0.112 0.181 0.117 0.920 FAC3_1 Elöregedés 0.228-0.268-0.127 0.142 0.935 0.157 FAC2_2 Foglalkoztatottak 0.353 0.308-0.181 0.373 0.231 0.330 0.495 0.620 0.380 0.199 FAC6_4 Egyéb nagyker -0.336 0.293-0.200-0.316-0.173-0.199-0.150-0.155-0.198-0.921 FAC4_3 Lakás és egyéb bérbevételek -0.507 0.454 0.471 0.318-0.112-0.338-0.341 0.136-0.383-0.829 FAC1_6 Járművek állománya, új forgalomba helyezés, közúti 0.608-0.418-0.429-0.229 0.603 0.304 0.218 0.431 0.817 balesetek FAC4_7 Közgyógyellátási igazolvánnyal rendelkezők 1000 főre vetített száma 0.163-0.216 0.106 0.178 0.944 7

A második lépcsős komponensek korrelációs mátrixát a 3. tábla mutatja. A táblában kiemeltük a nem elhanyagolható korrelációkat. 3. tábla Második lépcsős komponensek korrelációs mátrixa Kom ponens korrelációs m átrix Komponens 1 2 3 4 5 6 7 8 9 10 11 12 13 1 1.000-0.144-0.293-0.092 0.088 0.328 0.145 0.136 0.185 0.012 0.358 0.404 0.010 2-0.144 1.000 0.238 0.259-0.049-0.118-0.313-0.027 0.330-0.029-0.165-0.208 0.020 3-0.293 0.238 1.000 0.136-0.111-0.148-0.169-0.034 0.146-0.092-0.027-0.365-0.010 4-0.092 0.259 0.136 1.000-0.072-0.011-0.139-0.115-0.083-0.013-0.082-0.154-0.131 5 0.088-0.049-0.111-0.072 1.000-0.027 0.145 0.157 0.000 0.067 0.016 0.107-0.211 6 0.328-0.118-0.148-0.011-0.027 1.000-0.052 0.102 0.193 0.090 0.128 0.377 0.054 7 0.145-0.313-0.169-0.139 0.145-0.052 1.000-0.018-0.062 0.063 0.131 0.232 0.125 8 0.136-0.027-0.034-0.115 0.157 0.102-0.018 1.000 0.045 0.117 0.103 0.133-0.007 9 0.185 0.330 0.146-0.083 0.000 0.193-0.062 0.045 1.000 0.023 0.145 0.059 0.108 10 0.012-0.029-0.092-0.013 0.067 0.090 0.063 0.117 0.023 1.000-0.057 0.130-0.011 11 0.358-0.165-0.027-0.082 0.016 0.128 0.131 0.103 0.145-0.057 1.000 0.279 0.001 12 0.404-0.208-0.365-0.154 0.107 0.377 0.232 0.133 0.059 0.130 0.279 1.000 0.012 13 0.010 0.020-0.010-0.131-0.211 0.054 0.125-0.007 0.108-0.011 0.001 0.012 1.000 8

II. II. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE A 96 INDIKÁTORON Jelen munkafázisban Megbízóval történt előzetes egyeztetések alapján elkülönítjük a tesztelt adatállományból az oksági modell potenciális CÉL (EREDMÉNY) és (MAGYARÁZÓ) változóit. A továbbiakban elemzésünk célja az oksági modell e két változócsoportja közötti ok-okozati kapcsolatok irányának és intenzitásának számszerűsített elemzése az airled projekt számára kiemelt repülőtéri vonzáskörzetek tekintetében. A kanonikus korrelációelemzés változók két csoportja között keresi a kapcsolatot. Elemzésünkben a változók a FAC#_# komponensek, ahol a második számjel a dimenziót, az első számjel a dimenzión belüli sorszámot jelöli, és a változók két csoportja a CÉLVÁLTOZÓK csoportja és a MAGYARÁZÓ változók csoportja (jelölés szerint Set-1 és Set-2). A statisztikai terminológiában használt jelölésrendszernek megfelelően a CÉLVÁLTOZÓK csoportját Y, a potenciális MAGYARÁZÓ változók csoportját X jelöli a továbbiakban. A 2. táblában definiált 36 faktorból 5 eredményjellegű célváltozót és 31 magyarázó változót különítünk el a célkitűzés szerint, úgymint: SET-1, a célváltozók Y csoportja: 4. tábla SET-1: a CÉLVÁLTOZÓK SET-1: Célváltozók FAC1_2: Álláskeresők FAC2_2: Foglalkoztatottak FAC1_3: Önkormányzati bevételek, adók FAC2_3: Idegenforgalmi adó FAC4_3: Bérbevétel, lakás bérbevétel 9

SET-2, a magyarázó változók X csoportja: 5. tábla SET-2: a MAGYARÁZÓ VÁLTOZÓK SET-2: Magyarázó változók FAC1_1: Lakónépesség aktivitása, mobilitása FAC2_1: Gyermekkorúak, népsűrűség FAC3_1: Elöregedés FAC4_1: Terület FAC3_3: Önkormányzati lakóházak összes felúj.,jav.,karb.ktg. FAC1_4: Lakossági szükségletek kielégítését szolg.kisker.egy. FAC2_4: Iparcikk nagyker, egyéb mns. FAC3_4: Élelmiszer, gépjármű nagyker. FAC4_4: Motorkerékpár és alkatrész nagyker. FAC5_4: Gépjárművekkel kapcsolatos kisker üzletek és üzemanyagtöltő FAC6_4: Egyéb nagyker.egys. FAC7_4: Mezőgazdasági nagyker.egys. FAC1_5: Lakásadatok,lakók, alapterület, gáz,villanyfogy. FAC2_5: Összkomfort-arány FAC3_5: Lakásépítések (száma és épített terület) FAC1_6: Járművek állománya, új forgalombahelyezés, közúti balesetek FAC2_6: Belterületek kiépítettsége, kiépítetlen terület FAC3_6: Elérhetőségi idők és távolságok Budapestig, közúti kapcsolatok FAC4_6: Vasúti kapcsolatok FAC5_6: Kiépített utak FAC6_6: Kerékpárút FAC1_7: SZJA jövedelem,adó és adófizetői adatok(lm alatt, LM és Átlagjöv.között, Átlagjöv.fölött) FAC2_7: Szociális segély, regisztrált bűncselekmények 1000 lakosra FAC3_7: Ápolási díjban részesítettek 1000 főre jutó átlagos száma FAC4_7: Közgyógy.ig.rendelkezők 1000 főre vetített száma FAC1_8: Szálláshelyszolgáltatás FAC2_8: Vendéglátóhelyek FAC1_9: Tao-s vállalkozások értékteremtése, társasági adó, létszám FAC2_9: Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9: Tao-s vállalkozások likviditása, eszközfedezettsége FAC4_9: EVA bevétel és adó, reg.vállalkozások. Alapvető cél szelektálni (hozzárendelni), a változókat abban a tekintetben, hogy melyik célváltozók melyik magyarázó változókkal vannak legszorosabb kapcsolatban. E célt szolgálja a kanonikus korrelációszámítás. A módszer alapvető mozzanatai a következők: 1. Az Y változók (5 db) körét sűríti egy kanonikus CV_Y (mesterséges) változóba, majd az X változók (31 db) körét is sűríti egy kanonikus CV_X (mesterséges) változóba. E két CV_Y és CV_X pár közötti kapcsolat a kanonikus korreláció, melynek az értékét a módszer maximálja. 2. Az általában nagyon erős kanonikus (maximalizált) korrelációra alapozva konklúzió, hogy amelyik változó szoros kapcsolatban van a CV_X változóval, az szoros kapcsolatban van a CV_Y változóval is, és megfordítva, tehát a CV_Y-CV_X páros szelektálja mind az X, mind az Y változók egy-egy alcsoportját, és kapcsolatba hozza őket egymással. 10

3. A gondolatmenet megismételhető újabb CV# párosításokra is mindaddig, míg értelme van a párosításoknak. Esetünkben maximum 5 ilyen CV_Y-CV_X párosítás vizsgálható (mert a kisebbik Set elemszáma: # = 1, 2, 3, 4, 5). 4. Korrelálatlan rendszer. A párokon belüli korrelációkat és a kanonikus korreláció szekvenciális tesztelésére szolgáló Bartlett- teszteket a 6. tábla mutatja. 6. tábla A kanonikus párok korrelációs értékei és a szekvenciális Bartlett-tesztek Canonical Correlations Wilk's Chi-SQ DF Sig. CV1 0.999 0.000 715.196 155.000 0.000 CV2 0.991 0.000 401.088 120.000 0.000 CV3 0.916 0.016 203.718 87.000 0.000 CV4 0.900 0.102 113.220 56.000 0.000 CV5 0.682 0.536 30.911 27.000 0.275 Látható, hogy az első négy korreláció igen magas, meghatározó. A Chi-SQ teszt szerint az első négy kanonikus korreláció szignifikáns, az ötödik a magas Wilk s lambda érték szerint várhatóan elhagyható. Az első kanonikus pár két változója egzaktan együtt mozog (0.999), és ugyanígy a második kanonikus pár két változója is (0.991), hasonlóan a harmadik (0.916) és a negyedik (0.900) kanonikus pár két változójához. Az ötödik kanonikus pár két változója nem mozog együtt (0.682). A Komponensek alcsoportokra bontását a Kanonikus Loading megnevezésű koefficiensek teszik lehetővé, melyek a 7. táblában találhatók, tartalmukat tekintve korrelációs együtthatók a megfelelő CV és a megfelelő FAC változók között. A 7. táblában sárgával kiemeltük a jelentősebb korrelációs együtthatókat. 11

7. tábla A kanonikus párok és a faktorok közötti korrelációs értékek Canonical Loadings for SET-1 CV1 CV2 CV3 CV4 CV5 FAC1_2-0.940 0.091-0.311-0.072 0.071 FAC2_2-0.528-0.133 0.796 0.080-0.251 FAC1_3-0.949 0.144 0.037 0.166 0.225 FAC2_3-0.108 0.987 0.066-0.096-0.016 FAC4_3 0.763-0.354 0.249-0.343 0.336 Canonical Loadings for SET-2 CV1 CV2 CV3 CV4 CV5 FAC1_1-0.953 0.054-0.111-0.049 0.032 FAC2_1 0.476-0.598 0.233 0.061 0.098 FAC3_1-0.344 0.211 0.364 0.107-0.143 FAC4_1 0.121-0.292-0.008-0.112 0.084 FAC1_4-0.756 0.412-0.170 0.015-0.029 FAC2_4 0.284-0.222 0.701-0.002-0.336 FAC3_4-0.337-0.065-0.074 0.150 0.187 FAC4_4 0.006 0.011 0.051 0.285 0.168 FAC5_4 0.751 0.191-0.170 0.142-0.228 FAC6_4 0.690 0.033 0.141-0.296 0.206 FAC7_4-0.363-0.013 0.137 0.076 0.144 FAC3_3-0.323 0.363-0.425 0.249-0.011 FAC1_5-0.884 0.315-0.057 0.094 0.000 FAC2_5-0.316-0.314 0.446 0.082 0.282 FAC3_5 0.560-0.034 0.369 0.108-0.212 FAC1_6-0.870 0.225 0.033 0.146-0.077 FAC2_6 0.255-0.254-0.068-0.225-0.054 FAC3_6 0.728-0.276-0.088-0.055-0.010 FAC4_6-0.536-0.215 0.044-0.032 0.145 FAC5_6-0.685-0.241 0.248-0.201 0.231 FAC6_6 0.163 0.145-0.044-0.202-0.360 FAC1_7-0.988 0.021 0.066-0.025 0.007 FAC2_7-0.078 0.900 0.054-0.121 0.123 FAC3_7 0.241-0.193-0.081-0.019 0.321 FAC4_7-0.071-0.208 0.153-0.146-0.018 FAC1_8-0.298 0.910 0.036-0.034-0.068 FAC2_8-0.768 0.499-0.056 0.006 0.010 FAC1_9-0.554 0.646 0.093 0.117 0.072 FAC2_9 0.067-0.358-0.090 0.159 0.004 FAC3_9 0.188-0.068-0.090 0.079 0.222 FAC4_9-0.896 0.176 0.162 0.077-0.074 Az előrejelzés szempontjából alapvető kérdés, hogy az X -set és az Y -set (%-os értelemben) milyen mértékben magyarázza egymást. Esetünkben a kérdés, hogy az X (magyarázó)-set milyen mértékben magyarázza az Y (eredmény)-set értékeinek alakulását településről településre. Az erre a célra alkalmazott mutató a redundancia-index, melynek értékei a 8. táblában olvashatók. 12

8. tábla Redundancia indexek Proportion of Variance of Set-1 Explained by Its Own Can.Var. Prop.Var CV1-1 0.531 CV1-2 0.229 CV1-3 0.160 CV1-4 0.033 CV1-5 0.046 Proportion of Variance of Set-1 Explained by Opposite Can.Var. Prop.Var CV2-1 0.530 CV2-2 0.225 CV2-3 0.134 CV2-4 0.027 CV2-5 0.022 Proportion of Variance of Set-2 Explained by Its Own Can.Var. Prop.Var CV2-1 0.307 CV2-2 0.127 CV2-3 0.048 CV2-4 0.019 CV2-5 0.027 Proportion of Variance of Set-2 Explained by Opposite Can.Var. Prop.Var CV1-1 0.306 CV1-2 0.125 CV1-3 0.040 CV1-4 0.015 CV1-5 0.013 Fenti elemzés konklúziójaként elmondhatjuk, hogy a 96 manifeszt indikátort tartalmazó, 5 eredmény és 31 magyarázó változóra bontott adatbázis változó szelekciót igényel, az alacsony magyarázó erejű X-ek elhagyandók. Fenti tábla kiemelt 0.530-as értéke azt jelenti, hogy az X1 magyarázó szett Y1 célváltozó szett átlagosan 53 %-át magyarázza. Ez a mutató fontos információt hordoz, mivel megmutatja, hogy milyen fokú a redundancia mértéke. A táblában kiemelt másik érték azt mutatja, hogy a célváltozók összesen a magyarázó változók alakulásának 30,6 %- át magyarázzák, ez a feladat azonban nem képezi jelen kutatás tárgyát. Szükségesnek érezzük javítani az 53 %-os magyarázottsági indexen, ennek érdekében újra át kell tekintenünk a változókat, ki kell szűrnünk a korábban kisebb korrelációs értékeket, és szükség esetén összevonásokat kell végrehajtanunk. Szűrés, szelekció után az index várhatóan javulni fog. 13

III. III. KOMPONENSEK KANONIKUS KORRELÁCIÓ ELEMZÉSE AZ 58 INDIKÁTORON Áttekintve az egyes dimenziókon belül az indikátorokat, a 96 manifeszt indikátort tartalmazó adatbázison az alábbi változtatásokat eszközöltük: - Az 1-es dimenzióból a korábbi futtatások alapján alacsonyabb korrelációs értékeket mutató Népsűrűség, Száz aktív korúra jutó gyermekkorú változókat, illetve a Terület változókat kihagytuk. - A 2-es dimenzióból az Éven túli álláskeresők változót kihagytuk, mivel az Álláskeresők száma összesen változó már tartalmazza ezt az indikátort. - A 3-as dimenzióból a Lakás bérbevétel változót és a Lakóházakkal kapcsolatos felújítási, karbantartási, javítási költség változót kihagytuk. - A 4-es dimenzióban a TEÁOR szerint bontott kiskereskedelmi és nagykereskedelmi üzleteket Kiskereskedelmi egységek összesen és Nagykereskedelmi egységek összesen változókkal helyettesítettük. - Az 5-ös dimenzión nem változtattunk. - A 6-os dimenzióból a legkisebb korrelációs értékeket mutató Elérhetőségi idők és távolságok (idő és út szerint optimalizált) változót kihagytuk, illetve hasonló okok miatt a Vasúti kapcsolatok változót is kiemeltük az adatbázisból. - A 7-es dimenzióban a korábban Létminimum alatti, Létminimum és Átlagjövedelem közötti és Átlagjövedelem fölötti sávonként megadott SZJA adatokat SZJA Jövedelem, Adó és Adófizető összesen adatokkal helyettesítettük, valamint a lakosság szociális helyzetét mutató, Ápolási díjban részesítettek 1000 főre jutó átlagos száma és Közgyógy. igazolvánnyal rendelkezők 1000 főre jutó átlagos száma változókat kihagytuk. - A 8-as dimenzión nem változtattunk. - A 9-es dimenzióban a Tao-s vállalkozások Átlagos állományi létszáma változót kihagytuk, mivel a korábbi tesztek alapján nem tagozódott be a struktúrába. Az adatbázison végzett fenti változtatások után 58 manifeszt indikátor maradt, és az újraszámolt statisztikai tesztek az adatbázist 17 faktorba rendezték, melyet a 9. tábla részletez. 14

9. tábla Az 58 manifeszt indikátor és 17 faktor tartalma (D#_#=sorszám dim.belül_dimenziószám) Faktorok FAC1_1 Lakónépesség aktivitása, mobilitása FAC1_2 Munkaerőpiac FAC1_3 Önkormányzati bevételek, helyi adók FAC1_7 Személyi jövedelemadó bevallásadatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok FAC1_5 Lakásállomány adatai és villany,gázfogyasztás FAC1_9 Vállalkozások értékteremtése,tao,eva adófizetés FAC1_4 Kisker.és nagyker.üzletek FAC3_5 Tárgyévi lakásépítési adatok FAC2_3 Idegenforgalmi adó FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC2_1 Elöregedés FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút FAC2_5 Összkomfortos lakások aránya Manifeszt változók D1_1 Lakónépesség1 D4_1 Kor1864évesaktív1 D3_1 Vándorlásikülönbözetoda_el1 D1_2 Foglalkoztatottak2 D2_2 Álláskeresőkszáma_2 D2_3 Sajátfolyóbev3 D3_3 Helyiadóbev3 D6_3 Iparűzésiadó3 D5_3 Tárgyévibev3 D4_3 Átenggépjármadó3 D1_3 Bérbevétel3 D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7 D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5 D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9 D1_4 Kiskerüzlszum4 D2_4 Nagykerszum4 D4_5 Lakásépter5 D3_5 Lakásép5 D7_3 Idegenforgadó3 D1_7 Szocsegélyátl7 D5_7 Fajlbűncselekm7 D1_8 Vendéglátóhely8 D2_8 Vendégekszáma8 D3_8 Külföldivendégekszáma8 D4_8 Vendégéjszakákszáma8 D5_8 Külföldivendégéjszakák8 D6_8 Szállásférőhely8 D7_8 Szálláshelyek8 D2_1 Százaktívkorúrajutóidőskorú1 D7_9 LIKVIDITÁS9 D8_9 BEFESZKFEDEZETT9 D10_9 ESZKÖZHATÉKONYSÁG9 D11_9 ESZKÖZJÖVEDELMEZŐSÉG9 D9_9 TŐKEARADÓZERED9 D1_6 Kiépítetlenút6 D7_6 Beltkiépítettség6 D8_6 Kerékpárút6 D6_5 Összkomfarány5 15

A korábban részletezettek szerint a 17 faktorból 6 komponenst leválasztva a totális információtartalom 90.346 %-át megőriztük. A 17 faktor és a 6 mesterséges komponens közötti korrelációs értékeket a 10. tábla mutatja. Az első főkomponens a legfontosabb a különbözőség, a szóródás tekintetében, mert az ő varianciája a legnagyobb. Adott komponens (fejrovat) korrelációs kapcsolata valamely FAC (oldalrovat) indikátorával a táblában foglalt értékkel jellemzett. 10. tábla Második lépcsős komponensek és első lépcsős faktorok struktúra mátrixa Structure Matrix Component 1 2 3 4 5 6 FAC1_1 Lakónépesség aktivitása, mobilitása 0.966 FAC1_2 Munkaerőpiac 0.966 FAC1_3 Önkormányzati bevételek, helyi adók 0.957 FAC1_7 Személyi jövedelemadó bevallásadatok 0.949 FAC1_6 Gépjármű adatok, balesetek,közúti adatok 0.949 FAC1_5 Lakásállomány adatai és villany,gázfogyasztás 0.919 FAC1_9 Vállalkozások értékteremtése,tao,eva adófizetés 0.848 FAC1_4 Kisker.és nagyker.üzletek 0.768 FAC3_5 Tárgyévi lakásépítési adatok -0.681 FAC2_3 Idegenforgalmi adó 0.959 FAC2_7 Közbiztonság, szociális helyzet 0.945 FAC1_8 Vendéglátás, szálláshely szolgáltatás 0.927 FAC2_1 Elöregedés 0.836 FAC3_9 Tao-s vállalkozások likviditása,eszközfedezettség 0.849 FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói 0.728 FAC2_6 Belterületi kiépítettség,kiépítetlen út,kerékpárút 0.980 FAC2_5 Összkomfortos lakások aránya 0.982 A tábla célját tekintve tájékoztató jellegű, a számadatai azt a célt szolgálják, hogy homogén csoportokba sorolja az indikátorokat, most szám szerint 6 adódott. Vizuálisan is érzékelhető, hogy a struktúra mátrix áttekinthetővé vált, a komponensek jól kirajzolódnak. Következő lépés a cél és magyarázó változók szubjektív módon való kiválasztása fenti komponensek közül. Definíciónk szerint a két csoport elemei a következő Komponensek: SET-1, a célváltozók Y csoportja definíció szerint: 1. FAC1_2: MUNKAERŐPIAC. 2. FAC1_3: Önkormányzati bevételek, helyi adók 3. FAC2_3: Idegenforgalmi adó 16

SET-2, a magyarázó változók X csoportja definíció szerint: 1. FAC1_1: Lakónépesség aktivitása, mobilitása 2. FAC2_1: Elöregedés 3. FAC1_4: Kiskereskedelmi és nagykereskedelmi üzletek 4. FAC1_5: Lakásállomány adatai és villany, gázfogyasztás 5. FAC2_5: Összkomfortos lakások aránya 6. FAC3_5: Tárgyévi lakásépítési adatok 7. FAC1_6: Gépjármű adatok, balesetek, közúti adatok 8. FAC2_6: Belterületi kiépítettség, kiépítetlen út, kerékpárút 9. FAC1_7: Személyi jövedelemadó bevallásadatok 10. FAC2_7: Közbiztonság, szociális helyzet 11. FAC1_8: Vendéglátás, szálláshely szolgáltatás 12. FAC1_9 Vállalkozások értékteremtése,tao,eva adófizetés 13. FAC2_9: Tao-s vállalkozások jövedelmezőségi mutatói 14. FAC3_9: Tao-s vállalkozások likviditása, eszközfedezettség Szelektálnunk kell a változókat abban a tekintetben, hogy melyik célváltozók melyik magyarázó változókkal vannak legszorosabb kapcsolatban. E célt szolgálja a kanonikus korrelációszámítás. A módszer alapvető mozzanatai a következők: 5. Az Y változók (3 db) körét sűríti egy kanonikus CV_Y (mesterséges) változóba, majd az X változók (14 db) körét is sűríti egy kanonikus CV_X (mesterséges) változóba. E két CV_Y és CV_X pár közötti kapcsolat a kanonikus korreláció, melynek az értékét a módszer maximálja. 6. Az általában nagyon erős kanonikus (maximalizált) korrelációra alapozva konklúzió, hogy amelyik változó szoros kapcsolatban van a CV_X változóval, az szoros kapcsolatban van a CV_Y változóval is, és megfordítva, tehát a CV_Y-CV_X páros szelektálja mind az X, mind az Y változók egy-egy alcsoportját, és kapcsolatba hozza őket egymással. 7. A gondolatmenet megismételhető újabb CV# párosításokra is mindaddig, míg értelme van a párosításoknak. Esetünkben maximum 3 ilyen CV_Y-CV_X párosítás vizsgálható (a kisebbik Set elemszáma: # = 1, 2, 3). Az elemzést természetesen az Y és X csoporton belül mért, majd az Y_X csoportközi viszonylatban mért korrelációkra alapozzuk. Az Y csoporton belüli korrelációkat az 11. tábla közli. Ennek értelmében jelentős korrelációt FAC1_3 és FAC2_3 között találunk (0.9330), ahol: 17

Rövid név D2_3 Sajátfolyóbev3 D3_3 Helyiadóbev3 D6_3 Iparűzésiadó3 D5_3 Tárgyévibev3 D4_3 Átenggépjármadó3 D1_3 Bérbevétel3 Rövid név D7_3 Idegenforgadó3 FAC1_3 célváltozó-csoport indikátorai Teljes név A helyi önkormányzatok saját folyó bevételei A helyi önkormányzatok helyi adó bevételei A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó A helyi önkormányzatok tárgyévi bevételei A helyi önkormányzatoknak átengedett gépjárműadó Összes évi bérbevétel az önkormányzatoknál FAC2_3 célváltozó-csoport indikátorai Teljes név A helyi önkormányzatok helyi adó bevételeiből az idegenforgalmi adó 11. tábla Y csoporton (eredményváltozók) belüli korrelációs értékek Correlations for Set-1 FAC1_3 Önkormányzati bevételek, helyi adók FAC1_2 Munkaerőpiac FAC1_3 Önkormányzati bevételek, helyi adók 0.9330 1 FAC2_3 Idegenforgalmi adó 0.2052 0.2906 Analóg módon az X csoporton (magyarázó változók) belüli korrelációkat az 12. tábla közli. 12. tábla Az X csoporton belüli korrelációs értékek Correlations for Set-2 FAC2_1 FAC1_1 Lakónépesség FAC2_1 aktivitása, Elöregedés mobilitása Elöregedés 0.1725 1 FAC1_5 Lakásállomány FAC1_4 Kisker.és adatai és nagyker.üzletek villany,gázfogyasz tás FAC2_5 Összkomfortos lakások aránya FAC1_6 FAC2_6 FAC3_5 Tárgyévi FAC1_7 Személyi FAC2_7 Gépjármű adatok, Belterületi lakásépítési jövedelemadó Közbiztonság, balesetek,közúti kiépítettség,kiépíte adatok bevallásadatok szociális helyzet adatok tlen út,kerékpárút FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC1_9 FAC2_9 Tao-s Vállalkozások vállalkozások értékteremtése,ta jövedelmezőségi o,eva adófizetés mutatói FAC1_4 Kisker.és nagyker.üzletek 0.7145 0.0357 1 FAC1_5 Lakásállomány adatai és villany,gázfogyasz tás FAC2_5 Összkomfortos lakások aránya FAC3_5 Tárgyévi lakásépítési adatok FAC1_6 Gépjármű adatok, balesetek,közúti adatok FAC2_6 Belterületi kiépítettség,kiépíte tlen út,kerékpárút 0.8818 0.3898 0.6891 1 0.2486 0.0634-0.1074 0.032 1-0.6364 0.0321-0.7819-0.4566-0.1312 1 0.9202 0.4026 0.6065 0.8877 0.2708-0.5145 1-0.0891-0.1317-0.2455-0.2782 0.2266 0.0819-0.0825 1 FAC1_7 Személyi jövedelemadó bevallásadatok FAC2_7 Közbiztonság, szociális helyzet FAC1_8 Vendéglátás, szálláshely szolgáltatás FAC1_9 Vállalkozások értékteremtése,ta o,eva adófizetés FAC2_9 Tao-s vállalkozások jövedelmezőségi mutatói FAC3_9 Tao-s vállalkozások likviditása,eszközf edezettség 0.9143 0.4671 0.5586 0.8688 0.3366-0.5424 0.9458-0.0648 1 0.1200 0.2759 0.3221 0.3717-0.3582-0.0349 0.2087-0.2719 0.1003 1 0.4447 0.3266 0.5494 0.6363-0.2539-0.2931 0.4798-0.3854 0.4096 0.8263 1 0.7977 0.4810 0.5921 0.8485 0.1465-0.4591 0.8728-0.2235 0.8344 0.4658 0.7402 1-0.0564 0.0311-0.1521-0.1536 0.1514 0.0817-0.1035 0.1326-0.0284-0.4245-0.3851-0.1628 1-0.2493-0.1498-0.1076-0.1987-0.3349 0.1631-0.2333-0.0397-0.3132 0.0887-0.0374-0.1332 0.2692 18

Ennek értelmében jelentős (sárgával kiemelt) korrelációt az alábbi párosításokban találunk a magyarázó változócsoporton belül: FAC1_1 magyarázó változó-csoport indikátorai D1_1 Lakónépesség1 D4_1 Kor1864évesaktív1 D3_1 Vándorlásikülönbözetoda_el1 0.7145 FAC1_4 magyarázó változó-csoport indikátorai D1_4 Kiskerüzlszum4 D2_4 Nagykerszum4 0.8818-0.6364 FAC1_5 magyarázó változó-csoport indikátorai D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5 0.9202 FAC3_5 magyarázó változó-csoport indikátorai D4_5 Lakásépter5 D3_5 Lakásép5 0.9143 0.7977 FAC1_6 magyarázó változó-csoport indikátorai D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 FAC1_7 magyarázó változó-csoport indikátorai D4_7 Összesjövedelem7 D2_7 ÖsszesSZJA7 D3_7 Összesadófiz7 FAC1_9 magyarázó változó-csoport indikátorai D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9 A FAC1_1 Lakónépesség aktivitása, mobilitása faktorcsoport manifeszt változói a 69 megfigyelés (vonzáskörzeti település) adatát tartalmazó adatbázis elemzése alapján kiemelve a legfontosabbakat - szoros (koefficiens: 0.9202) korrelációs kapcsolatot mutatnak a FAC3_5 Tárgyévi lakásépítési adatok faktorcsoport manifeszt változóival, illetve hasonlóan jelentős (koefficiens: 0.9143) korrelációs kapcsolatot mutatnak a FAC1_7 Személyi jövedelembevallási adatok faktorcsoport manifeszt változóival. 19

FAC1_4 magyarázó változó-csoport indikátorai D1_4 Kiskerüzlszum4 D2_4 Nagykerszum4 0.6891-0.7819 FAC1_5 magyarázó változó-csoport indikátorai D2_5 Villenergfogy5 D8_5 Lakásszám_5 D7_5 Fajllakasszam5 D5_5 Fajllakáster5 D1_5 Gázfogy5 FAC3_5 magyarázó változó-csoport indikátorai D4_5 Lakásépter5 D3_5 Lakásép5 0.6065 0.5921 FAC1_6 magyarázó változó-csoport indikátorai D6_6 Személyszállító6 D12_6 Közlekbaleset6 D11_6 Közlbalesetsérült6 D5_6 Személyszállforghely6 D3_6 Áruszálltgk6 D9_6 Közútikapcs6 D10_6 Szgkforg6 D4_6 Áruszállforghely6 D2_6 Kiépítettút6 FAC1_9 magyarázó változó-csoport indikátorai D1_9 Regvállszám9 D4_9 FizetettTAO9 D2_9 EVAbevétel9 D3_9 EVAadó9 D5_9 Brtermérték9 D6_9 Brhozzáadottérték9 A 12. táblából kiemelt következő FAC1_4 Kiskereskedelmi és nagykereskedelmi egységek faktorcsoport manifeszt változói legszorosabban a FAC3_5 Tárgyévi lakásépítési adatok manifeszt változóival (lakásépítések száma és épített lakások összes területe) korrelálnak (koefficiens: -0.7819) negatív irányban. Megvizsgáltuk, hogy mi az oka az előjel-váltásnak és az adatokból a következő konklúzióra jutottunk: A FAC3_5 Tárgyévi lakásépítési adatok faktorcsoport a Tárgyévben épített lakások száma és a Tárgyévben épített lakások összes alapterülete manifeszt változókat foglalja magában. Értelemszerűen a két manifeszt változó egymáshoz viszonyított statisztikai kapcsolata határozza meg FAC3_5 faktorcsoport statisztikai jellemzőit is. A két manifeszt változó hányadosa az 1 épített lakásra jutó alapterület fajlagos mutatója. A tesztek azt mutatták, hogy a fajlagos mutató mindkét manifeszt változóval negatív statisztikai kapcsolatot mutat. Tehát elmondhatjuk, hogy ha településsorosan nő a lakásépítések száma, és nő az épített lakások összes területe, a 1 lakásra jutó négyzetméter fajlagos mutatója csökken a 69 elemű adatbázis adatai alapján. A teljesség igénye nélkül pl. kiemelve az adatbázisból a legkisebb és legnagyobb fajlagos mutató értékét, az alábbi következtetés adódik: 20