ILNDFML JPLQ Z 3ROVFH QD VNDOL SR]LRPX UR]ZRMX...
Transcript of ILNDFML JPLQ Z 3ROVFH QD VNDOL SR]LRPX UR]ZRMX...
Zastosowanie analizy skupień i lasów losowych w klasyfikacji gmin w Polsce na skali poziomu rozwoju społeczno-gospodarczego
Robert Perdał
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018
Szkoła Główna Gospodarstwa WiejskiegoWarszawa, 18-19.06.2018
Instytut Geografii Społeczno-Ekonomicznej i Gospodarki PrzestrzennejZakład Analizy Regionalnej
www.igsegp.amu.edu.pl
Zespół badawczy dr hab. Paweł Churski, prof. UAM
dr Barbara Konecka-Szydłowska
dr Robert Perdał
mgr Tomasz Herodowicz
„Nowe wyzwania polityki regionalnej w kształtowaniu czynników rozwoju społeczno-ekonomicznego regionów mniej rozwiniętych”
Projekt NCN 2015/19/B/HS5/00012
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
http://forsed.amu.edu.pl/
I. Wprowadzenie
II. Algorytm postępowania badawczego
III. Klasyfikacja gmin na skali poziomu rozwoju społeczno-gospodarczego
IV. Podsumowanie
Plan wystąpienia
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
I
Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
I. Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
WSPÓŁCZESNE MEGATRENDY ROZWOJU
TRANSFORMACJA
POSTMODERNIZACJAGLOBALIZACJAINTEGRACJA GOSPODARCZA
UWARUNKOWANIA ZMIAN
EUROPA ZACHODNIA
EUROPA ŚRODKOWO-WSCHODNIA
SKUTKI
utrzymująca się i/lub postępująca dywergencja rozwoju niska efektywność interwencji polityki rozwoju
?
Europa, Quo vadis?Polonia, Quo vadis?
Plan wystąpienia
Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
CONTEMPORARY SOCIO-ECONOMIC DIVERSIFICATIONS OF EUROPEAN UNION REGIONS CONDITIONS AND DEVELOPMENT FACTORS
www.forsed.amu.edu.pl
IGU Thematic Conference, Moscow, 4-6 June 2018PRACTICAL GEOGRAPHY AND XXI CENTURY CHALLENGES
Kierunek i zakres oddziaływania współczesnychmegatrendów rozwoju społeczno-gospodarczegona przemiany czynników rozwoju regionalnego
www.forsed.amu.edu.pl
MODERNIZACJA1945
1960
1970
1990
2000
2010
2020
GOSPODARKA CENTRALNIE STEROWANA
1945
1990
2000
2010
2020
POST
MO
DER
NIZ
ACJA
MO
DER
NIZ
ACJA
EUROPA ZACHODNIA
TRANSFORMACJA
EUROPA ŚRODKOWO-WSCHODNIA
TRANSFORMACJA
INTE
GRA
CJA
GLO
BALI
ZACJ
A
MO
DER
NIZ
ACJA
POST
MO
DER
NIZ
ACJA
INTE
GRA
CJA
GLO
BALI
ZACJ
A
Zmiany podejść teoretycznych w identyfikacji czynników rozwoju adaptacja, modyfikacja lub integracja klasycznych ujęć do nowychi dynamicznie zmieniających się uwarunkowań (rzadko – formułowaniecałkowicie nowych koncepcji)(Regions Matter… 2009; Rodrígues-Pose 2013; Camagni, Capello 2014)
NOWA TEORIA WZROSTU ENDOGENICZNEGO, zmiana interpretacjioddziaływania czynników rozwoju (Aydalot 1986; Romer 1986, 1994; Lucas 1988)
NOWA GEOGRAFIA EKONOMICZNA, konieczność łącznego wykorzystaniateorii lokalizacji i teorii międzynarodowej wymiany gospodarczej wwyjaśnianiu współczesnych czynników rozwoju społeczno-gospodarczego(Krugman, 1991a, 1991b, 1995; Venables 1996; Puga, Venables 1996; Fujita i in. 1999)
NOWA EKONOMIA INSTYTUCJONALNA, wzrost znaczenia czynnikówinstytucjonalnych dla przebiegu, a zwłaszcza efektywności procesówrozwojowych (North 1990; Amin 1999; Farole i in. 2011; Rodríguez-Pose, Garcilazo 2015)
I. Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
I. Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
CZYNNIKI ROZWOJU
INNOWACJE TECHNOLOGICZNE I ORGANIZACYJNE
KAPITAŁ FINANSOWY
KAPITAŁ MATERIALNY
KAPITAŁ SPOŁECZNY
KAPITAŁ LUDZKI
(The Future of Cohesion Policy… 2015; Seventh Report… 2017)
WYZWANIE
wykorzystanie współczesnych uwarunkowań, kształtowanych przez megatrendy, do efektywnego oddziaływania na czynniki rozwoju i skutecznej optymalizacji warunków
prowadzenia procesów gospodarczych oraz poprawy poziomu i jakości życia akceptowalnych społecznie
Analiza poziomu rozwoju społeczno-gospodarczego, dynamiki poziomu rozwoju i czynników rozwojuw układach:
27 krajów UE
205 regionów UE (bez Grecji, Chorwacji)
16 województw
380 powiatów
2478 gmin
I. Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
Cel pracy: klasyfikacja gmin w Polsce
na skali poziomu rozwoju społeczno-gospodarczego
Zakres przestrzenny pracy: 2478 gmin w Polsce
Zakres czasowy pracy: 2004 i 2016
Źródła danych: GUS
I. Wprowadzenie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
II
Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
1. Dobór zmiennych
2. Konstrukcja syntetycznego miernika poziomu rozwoju społeczno-gospodarczego
3. Klasyfikacja gmin – analiza skupień metodą k-średnich
4. Weryfikacja klasyfikacji – lasy losowe
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
1. Dobór zmiennych
zbiór początkowy: 38 zmiennych opisujących poziom rozwoju społeczno-gospodarczego w układzie pięciu czynników
redukcja:
• wartość współczynnika zmienności (powyżej 15%)
• wartość krytyczna współczynnika korelacji liniowej Pearsona – 0,3
𝒓∗ =𝒕𝜶𝟐
𝒏 𝟐 𝒕𝜶𝟐
dla α=0,00001, t=4,4263; r*=0,089
• interpretacja merytoryczna współzmienności i współzależności
zbiór końcowy: 23 zmienne
• rozkład skośny prawostronnie
• brak rozkładu normalnego (test Shapiro-Wilka)
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
1. Dobór zmiennych
II. Algorytm postępowania badawczego
KL_1 ludność w wieku nieprodukcyjnym na 100 w wieku produkcyjnym (obciążenie demograficzne) DSKL_2 przyrost naturalny na 1000 ludności w ‰ SKL_3 współczynnik salda migracji wewnętrznych i zagranicznych w ‰ SKL_4 przychodnie na 10 tys. ludności SKL_5 liczba osób bezrobotnych na 100 osób w wieku produkcyjnym DSKL_6 pracujący na 1000 osób w wieku produkcyjnym SKS_1 fundacje, stowarzyszenia, organizacje na 1000 ludności SKS_2 osoby fizyczne prowadzące działalność gospodarczą na 1000 ludności SKS_3 udział przedstawicieli władz publicznych, wyższych urzędników, kierowników oraz specjalistów w ogóle radnych SKS_4 współczynnik skolaryzacji netto gimnazjów SKS_5 liczba dodatków mieszkaniowych na 1000 ludności DSKM_1 udział osób korzystających z instalacji gazowej w ogóle populacji SKM_2 obszary prawnie chronione jako % powierzchni gminy SKM_3 różnica między odsetkiem ludności korzystającej z wodociągu i z kanalizacji DSKM_4 przeciętna powierzchnia użytkowa mieszkania na 1 osobę SKM_5 odsetek mieszkań posiadających centralne ogrzewanie SKF_1 wydatki majątkowe inwestycyjne budżetów gmin i miast na prawach powiatu na 1 mieszkańca w zł/os. SKF_2 dochody z podatku PIT na 1 mieszkańca w zł SKF_3 dochody z podatku CIT na 1 mieszkańca w zł SKF_4 dochody z podatku rolnego na 1 mieszkańca w zł SKF_5 dochody własne na 1 mieszkańca SKF_6 podmioty działalności finansowej i ubezpieczeniowej (pośrednictwo finansowe) na 10 tys. ludności SIT_1 spółki handlowe z udziałem kapitału zagranicznego na 1000 podmiotów gospodarczych S
2. Konstrukcja syntetycznego miernika poziomu rozwoju społeczno-gospodarczego
normalizacja zmiennych (przekształcenie ilorazowe) –doprowadzenie zmiennych do porównywalności poprzez pozbawienie mian wyników pomiaru oraz ujednolicenie ich rzędów wielkości (Walesiak 2016)
zij – znormalizowana wartość zmiennej j dla gminy i (n=1, 2, …, 2478)
xij – oryginalna wartość zmiennej j dla gminy i
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
2. Konstrukcja syntetycznego miernika poziomu rozwoju społeczno-gospodarczego
miara niepodobieństwa (syntetyczny miernik poziomu rozwoju) –[Bray-Curtis dissimilarity] (Bray, Curtis 1957)
zij – znormalizowana wartość zmiennej j dla gminy i (i=1, 2, …, 2478)
k – gmina „wzorzec” (wartości najbardziej pożądane max. dla stymulant i min. dla destymulant)
j = 1, 2,…, m – numer zmiennej, m=23
uporządkowanie gmin pod względem odległości od wzorca rozwoju –wartości bliższe 1 (wyższy poziom rozwoju społeczno-gospodarczego)
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
3. Klasyfikacja gmin – analiza skupień wg algorytmu k-średnich
Klasyfikacja – czynność podziału zbioru elementów na grupy
Klasyfikacja (klasyfikacja przestrzenna, typologia, regionalizacja) –efekt podziału – konkretny podział terytorialny
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
3. Klasyfikacja gmin – analiza skupień wg algorytmu k-średnich
Analiza skupień (cluster analysis) – niehierarchiczne grupowanie gmin w niepuste, rozłączne i względnie jednorodne grupy (klasy) –skupienia (Tryon, 1939; MacQueen, 1967).
grupowanie gmin na podstawie wartości syntetycznego miernika poziomu rozwoju społeczno-gospodarczego (odległość euklidesowa) – zapewnienie braku współliniowości,
maksymalizacja wariancji międzygrupowej i minimalizacja wariancji wewnątrzgrupowej.
Ile grup (klas)?
Początkowe centra skupień?
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
3. Klasyfikacja gmin – analiza skupień wg algorytmu k-średnich
przykładowo dla 2016 r. wartość wariancji wewnątrz- i międzygrupowej:
dla k=3 – 1,3794 | 3,8775 | F = 3478,648
dla k=4 – 0,9142 | 4,3426 | F = 3917,225
dla k=5 – 0,6610 | 4,5958 | F = 4298,292
dla k=6 – 0,4460 | 4,8108 | F = 5331,833
dla k=7 – 0,3517 | 4,9052 * | F = 5744,203
* jedna grupa pięcioelementowa
k=5 – poziom rozwoju społeczno-gospodarczego:bardzo wysoki | wysoki | przeciętny | niski | bardzo niski
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
początkowe centra skupień –na podstawie posortowanych wszystkich odległości między gminami wybrano obiekty przy
stałych interwałach
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
metoda łączenia wielu drzew klasyfikacyjnych (CART)(Breiman, 2001)
losowanie (ze zwracaniem) K prób bootstrapowych, dla których konstruuje się drzewo klasyfikacyjne (w każdym węźle losowanych jest m wskaźników, które uczestniczą w wyborze najlepszego podziału)
drzewa budowane są bez przycinania,
ostateczna klasyfikacja wybierana jest metodągłosowania (Górecki, 2011)
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
NIE
NIE
TAK
TAK
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Konstrukcja pojedynczego drzewa
podział zbioru na podzbiory wg kilku (wybranych losowo, ale umożliwiających podział na względnie jednorodne części) wskaźników (zmiennych objaśniających)
podział kolejnych podzbiorów wg tej samej zasady
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
por. Demski (2011)
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Konstrukcja pojedynczego drzewa
podział zbioru na podzbiory wg kilku (wybranych losowo, ale umożliwiających podział na względnie jednorodne części) wskaźników (zmiennych objaśniających)
podział kolejnych podzbiorów wg tej samej zasady
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
por. Demski (2011)
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Eliminacja wad pojedynczych (binarnych) drzew decyzyjnych
jednoczesne stosowanie wielu drzew las
drzewa budowane są na wielu losowo dobranych próbach (losowo dobrane obiekty i losowo dobrane zmienne)
podział zbioru obiektów na zbiór uczący i zbiór testowy
klasyfikacja stanowi efekt „głosowania” zespołu drzew
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Założenia metody (1)
Y jest funkcją zmiennych objaśniających X z wahaniami losowymi ε (o średniej 0 i wariancji )
miara błędu – błąd kwadratowy
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
błąd losowy(naturalna zmiennośćprocesu)
wartość oczekiwana
przewidywań modeli dla
różnych prób
wartość obserwowana
OBCIĄŻENIE
wariancja(zmienność modeli)
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Założenia metody (2)
im bardziej złożony model, tym mniejsze obciążenie większe prawdopodobieństwo uchwycenia większej liczby zależności przyczynowych (i niestety także zależności pozornych)
im bardziej złożony model, tym wyższa wariancja
cel minimalizacja błędu modelu (ale! wzrost złożoności modelu implikuje spadek obciążenia i wzrost wariancji; a spadek złożoności –wzrost obciążenia i spadek wariancji)
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Założenia metody (3)
rozwiązanie utworzenie zespołu drzew (model zespołowy) [minimalne obciążenie takie samo jak dla pojedynczego drzewa, wariancja maleje]
rozwiązanie próba uzyskiwania drzew najbardziej niezależnych (najmniejsza korelacja) od siebie (w celu zmniejszenia wariancji modelu) – poprawa niezależności drzew poprzez:
uczenie drzew na próbach losowanych ze zwracaniem
losowanie pewnej liczby zmiennych objaśniających spośród wszystkich zmiennych przed każdym podziałem w drzewie (tylko na tych zmiennych budowana jest klasyfikacja)
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Zalety:
odporność na współliniowość zmiennych, wartości odstające, dużą liczbę zmiennych objaśniających
możliwość odtworzenia złożonych zależności i wykrycia interakcji między zmiennymi
możliwość określenia wskaźników determinujących klasyfikację
odporność na „przeuczenie” klasyfikatora
Wady:
wg Leo Breimana – brak
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Zmienna objaśniana – klasa poziomu rozwoju społeczno-gospodarczego (efekt analizy skupień wg algorytmu k-średnich) –zmienna nominalna
Zmienne objaśniające – 23 zmienne oryginalne wykorzystane do konstrukcji syntetycznego miernika poziomu rozwoju społeczno-gospodarczego
Założenie: jednakowe prawdopodobieństwo (a priori) przypisania do danej klasy
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)przykład drzewa nr 1 dla 2016 r.
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
II. Algorytm postępowania badawczego
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
2016 r.
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
grupaocena ryzyka
błąd stand.
ucząca 0,1983 0,0096
testowa 0,3054 0,0168
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Macierz klasyfikacji 2016 r.
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Macierz klasyfikacji 2016 r. – macierz „pomyłek”
II. Algorytm postępowania badawczego
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Predykcja 2016 r. – przewidywanie przynależności do klasy
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
4. Weryfikacja klasyfikacji – lasy losowe (random forests)
Predykcja 2016 r. – zmiana liczebności klas
II. Algorytm postępowania badawczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
poziom rozwoju analiza skupień k-średnich lasy losoweliczba % liczba %
bardzo wysoki 27 1,1 55 2,2wysoki 235 9,5 285 11,5
przeciętny 594 24,0 542 21,9niski 921 37,2 871 35,1
bardzo niski 701 28,3 725 29,3suma 2478 100 2478 100
III
Klasyfikacja gmin na skali poziomu rozwoju społeczno-gospodarczego
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
III. Klasyfikacja gmin na skali poziomu rozwoju…
Klasyfikacja – udział gmin wg poziomu rozwoju społeczno-gospodarczego
III. Klasyfikacja gmin na skali poziomu rozwoju…
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
województwoliczba gmin
2004 2016BW W P N BN BW W P N BN
DOLNOŚLĄSKIE 169 3,0 14,8 42,0 39,6 0,6 3,0 18,3 30,2 42,6 5,9KUJAWSKO-POMORSKIE 144 0,0 8,3 22,9 47,2 21,5 0,7 8,3 20,8 39,6 30,6LUBELSKIE 213 0,5 1,9 13,1 13,6 70,9 0,5 3,3 11,3 16,0 69,0LUBUSKIE 82 1,2 11,0 45,1 41,5 1,2 0,0 9,8 34,1 46,3 9,8ŁÓDZKIE 177 0,6 7,3 16,4 18,1 57,6 1,7 7,3 16,9 31,6 42,4MAŁOPOLSKIE 182 0,0 8,8 28,0 51,1 12,1 0,5 13,2 26,9 48,9 10,4MAZOWIECKIE 314 3,8 12,1 13,7 17,2 53,2 5,4 14,6 10,8 24,2 44,9OPOLSKIE 71 1,4 2,8 42,3 47,9 5,6 1,4 4,2 38,0 40,8 15,5PODKARPACKIE 160 0,6 8,8 16,9 55,0 18,8 0,6 6,3 16,3 53,8 23,1PODLASKIE 118 0,8 5,1 13,6 13,6 66,9 0,8 5,9 10,2 15,3 67,8POMORSKIE 123 2,4 13,8 26,8 54,5 2,4 4,9 13,8 24,4 48,8 8,1ŚLĄSKIE 167 0,6 28,7 41,3 19,2 10,2 1,8 25,1 42,5 24,6 6,0ŚWIĘTOKRZYSKIE 102 2,0 2,9 14,7 30,4 50,0 0,0 2,9 15,7 26,5 54,9WARMIŃSKO-MAZURSKIE 116 0,0 7,8 25,0 52,6 14,7 0,9 3,4 25,0 29,3 41,4WIELKOPOLSKIE 226 1,8 12,8 31,4 44,7 9,3 3,1 19,5 23,5 46,0 8,0ZACHODNIOPOMORSKIE 114 4,4 13,2 32,5 48,2 1,8 6,1 12,3 28,1 43,9 9,6POLSKA 2478 1,5 10,5 25,0 34,8 28,2 2,2 11,5 21,9 35,1 29,3
Klasyfikacja – zmiany w udziale gmin wg poziomu rozwoju… (w pp)
III. Klasyfikacja gmin na skali poziomu rozwoju…
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
województwoZMIANA 2004-2016
BW W P N BNDOLNOŚLĄSKIE 0,0 3,6 -11,8 3,0 5,3KUJAWSKO-POMORSKIE 0,7 0,0 -2,1 -7,6 9,0LUBELSKIE 0,0 1,4 -1,9 2,3 -1,9LUBUSKIE -1,2 -1,2 -11,0 4,9 8,5ŁÓDZKIE 1,1 0,0 0,6 13,6 -15,3MAŁOPOLSKIE 0,5 4,4 -1,1 -2,2 -1,6MAZOWIECKIE 1,6 2,5 -2,9 7,0 -8,3OPOLSKIE 0,0 1,4 -4,2 -7,0 9,9PODKARPACKIE 0,0 -2,5 -0,6 -1,3 4,4PODLASKIE 0,0 0,8 -3,4 1,7 0,8POMORSKIE 2,4 0,0 -2,4 -5,7 5,7ŚLĄSKIE 1,2 -3,6 1,2 5,4 -4,2ŚWIĘTOKRZYSKIE -2,0 0,0 1,0 -3,9 4,9WARMIŃSKO-MAZURSKIE 0,9 -4,3 0,0 -23,3 26,7WIELKOPOLSKIE 1,3 6,6 -8,0 1,3 -1,3ZACHODNIOPOMORSKIE 1,8 -0,9 -4,4 -4,4 7,9POLSKA 0,7 1,0 -3,1 0,4 1,0
IV
Podsumowanie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
wysoka użyteczność i obiektywność wieloetapowej metody klasyfikacji, w szczególności metody lasów losowych (wielopoziomowa losowość)
wysokie znaczenie wskaźników opisujących poziom kapitału finansowego, materialnego i ludzkiego w klasyfikacji gmin
rosnąca dywergencja poziomu rozwoju społeczno-gospodarczego:
wzrost udziału gmin z bardzo wysokim i wysokim poziomem rozwoju z 12,0 do 13,7% przy jednoczesnym wzroście udziału gmin z niskim i bardzo niskim poziomem rozwoju z 63,0 do 64,4%
wyraźny wzrost udziału gmin z wysokim i bardzo wysokim poziomem rozwoju jedynie w woj. wielkopolskim, małopolskim, mazowieckim oraz dolnośląskim i pomorskim – dyfuzja procesów rozwojowych w obrębie największych aglomeracji miejskich
utrzymywanie się bardzo wysokiego udziału (ok. 80%) gmin z niskim i bardzo niskim poziomem rozwoju w woj. lubelskim, podlaskim, świętokrzyskim i podkarpackim
IV. Podsumowanie
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018SGGW, Warszawa, 18-19.06.2018
Dziękuję za uwagę!
Robert Perdał
XIX Międzynarodowa Konferencja NaukowaMetody Ilościowe w Badaniach Ekonomicznych 2018
Szkoła Główna Gospodarstwa WiejskiegoWarszawa, 18-19.06.2018
Instytut Geografii Społeczno-Ekonomicznej i Gospodarki PrzestrzennejZakład Analizy Regionalnej