Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 291 2016 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Nauk Ekonomicznych i Zarządzania Katedra Ekonometrii i Statystyki pietrzak@umk.pl ZASTOSOWANIE PRZESTRZENNEGO TAKSONOMICZNEGO MIERNIKA ROZWOJU (ptmr) W ANALIZIE RYNKU PRACY W POLSCE Streszczenie: Tematyka artykułu dotyczy zastosowania przestrzennego taksonomicznego miernika rozwoju (ptmr) w analizie rynku pracy w Polsce. Zastosowanie tego miernika wiąże się z faktem, że większość zjawisk ekonomicznych charakteryzuje się dodatnimi zależnościami przestrzennymi. Wymusza to uwzględnienie tych zależności w przestrzennych analizach ekonomicznych. W przypadku przestrzennego taksonomicznego miernika rozwoju zależności przestrzenne są uwzględniane w konstrukcji miernika poprzez wykorzystanie potencjalnej siły interakcji między regionami. Pozwala to na określenie za pomocą miernika tendencji w kształtowaniu się analizowanych zjawisk. W artykule przeprowadzono analizę sytuacji na rynku pracy dla 66 podregionów w Polsce (NUTS 3). Przeprowadzone badanie dało możliwość oceny sytuacji na rynku pracy oraz określenia tendencji w jego rozwoju. Słowa kluczowe: taksonometria, taksonomiczny miernik rozwoju, ekonometria przestrzenna, zależności przestrzenne. Wprowadzenie Tematyka artykułu dotyczy zastosowania przestrzennego taksonomicznego miernika rozwoju (ptmr) w analizie rynku pracy w Polsce. Idea miernika ptmr polega na uwzględnieniu w wartościach zmiennych diagnostycznych zależności przestrzennych. Potrzeba wykorzystania przestrzennego taksonomicznego miernika rozwoju wynika z faktu, że większość zjawisk ekonomicznych charakteryzuje się występowaniem zależności przestrzennych. Wymusza to uwzględnienie tych zależności w przestrzennych analizach ekonomicznych [zob.
48 Paelinck i Klaassen, 1979; Anselin, 1988; Szulc, 2007; Pietrzak, 2010c, 2010d, 2012, 2014a, 2014b, 2014c, 2014d; Suchecki (red.), 2010; Pietrzak i in., 2014; Suchecka (red.), 2014]. W przypadku przestrzennego taksonomicznego miernika rozwoju zależności przestrzenne są uwzględniane w konstrukcji miernika poprzez wykorzystanie potencjalnej siły interakcji między regionami. Pozwala to na określenie za pomocą miernika tendencji w przestrzennym kształtowaniu się analizowanych zjawisk. Celem artykułu jest pokazanie przydatności wykorzystania ptmr w analizach ekonomicznych. Zostanie tu dokonana analiza rynku pracy, co pozwoli na określenie tendencji rozwoju rynku pracy w Polsce. W związku z wyznaczonym celem w artykule zostanie przeprowadzona analiza sytuacji na rynku pracy dla 66 podregionów (klasyfikacja NUTS 3) w 2012 r. Analiza zostanie oparta na wartościach przestrzennego taksonomicznego miernika rozwoju. Koncepcja przestrzennego taksonomicznego miernika rozwoju została wprowadzona w pracach: Antczak [2013] i Pietrzak [2014], gdzie zaproponowano dwie różne konstrukcje miernika. Obydwie konstrukcje bazują jednak na opóźnieniu przestrzennym zmiennej objaśnianej WY. 1. Przestrzenny taksonomiczny miernik rozwoju W artykule zostanie zastosowany przestrzenny taksonomiczny miernik rozwoju (ptmr). Miernik ten stanowi rozszerzenie taksonomicznego miernika rozwoju, którego koncepcja została zaproponowana przez Zdzisława Hellwiga w 1968 r. [zob. Hellwig, 1968]. Taksonomiczny miernik rozwoju stanowi wypadkową zestawu zmiennych diagnostycznych, które dotyczą różnych aspektów złożonego zjawiska ekonomicznego. Oznacza to, że zastosowanie taksonomicznego miernika rozwoju w przestrzennych analizach ekonomicznych pozwala na ocenę sytuacji regionów pod względem badanego zjawiska. W przypadku przestrzennego taksonomicznego miernika rozwoju są dodatkowo uwzględniane zależności przestrzenne dla każdej ze zmiennych diagnostycznych. To z kolei pozwala na określenie tendencji w przestrzennym rozwoju analizowanych zjawisk. W przeprowadzonej w artykule analizie rynku pracy zastosowano przestrzenny taksonomiczny miernik rozwoju, którego wartości wyznaczono w siedmiu etapach. Przedstawione etapy stanowią rozszerzenie procedury Hellwiga oparte na uwzględnieniu zależności przestrzennych dla zmiennych diagnostycznych [zob. Pietrzak, 2014]. 1. Testowanie dla każdej zmiennej diagnostycznej autokorelacji przestrzennej za pomocą testu Morana [zob. Suchecki (red.), 2010].
Zastosowanie przestrzennego taksonomicznego miernika rozwoju (ptmr)... 49 2. Uwzględnienie zależności przestrzennych. W przypadku stwierdzenia istotnych statystycznie zależności przestrzennych należy przeprowadzić estymację parametrów modelu SAR określonego wzorem (1). Model SAR jest modelem regresji liniowej wzbogaconym o własność autoregresji przestrzennej. Autoregresja przestrzenna jest wprowadzana poprzez uwzględnienie w modelu opóźnień przestrzennych zmiennej objaśnianej [zob. Suchecki (red.), 2010; Pietrzak, 2013]. Następnie należy wykonać przekształcenie wektora wartości zmiennej diagnostycznej zgodnie ze wzorem (2): X =ρ WX + ε, (1) 1 Z = ( I ρ W) X= V( W) X, (2) gdzie ρ jest parametrem autoregresji modelu SAR, W X opóźnieniem przestrzennym, a W standaryzowaną macierzą sąsiedztwa pierwszego rzędu. Standaryzowana macierz sąsiedztwa pierwszego rzędu zawiera sąsiedztwo między regionami ustalone na podstawie reguły posiadania wspólnej granicy. Dodatkowo wszystkie wiersze macierzy sumują się do jedności. W przestrzennych analizach ekonomicznych mogą być także wykorzystywane macierze oparte na odległości ekonomicznej [zob. Suchecki (red.) 2010; Pietrzak 2010a, 2010b]. W przypadku stwierdzenia nieistotnych statystycznie zależności przestrzennych dla wybranej zmiennej diagnostycznej nie ulega ona przekształceniu. 3. Ustalenie charakteru zmiennych diagnostycznych Z i, a następnie przekształcenie destymulant na stymulanty za pomocą wzoru (3): Z * = 1/. (3) i Z i 4. Standaryzacja zmiennych diagnostycznych. 5. Wybór wartości wzorcowych na podstawie wartości maksymalnych zmiennych diagnostycznych. 6. Wyznaczenie wektora odległości euklidesowej analizowanych obiektów od wzorca. 7. Wyznaczenie wartości przestrzennego taksonomicznego miernika rozwoju na podstawie wzoru 4: ptmr ( W ) i d i = 1, (4) ds + 2sd gdzie ptmr i (W ) stanowi wartość miernika dla i-tego obiektu, W jest standaryzowaną macierzą sąsiedztwa pierwszego rzędu, d i odległością euklidesową i-tego obiektu od wzorca, d s średnią odległością obiektów od wzorca, s d odchyleniem standardowym dla odległości obiektów od wzorca.
50 Wyznaczony zgodnie z procedurą Hellwiga przestrzenny taksonomiczny miernik rozwoju przyjmuje wartości z przedziału od zera do jedności. Wysokie wartości miernika świadczą o tendencji do wzrostu w czasie poziomu badanego zjawiska w wyniku istniejących zależności przestrzennych, a niskie wartości o tendencji do obniżania się poziomu badanego zjawiska. 2. Analiza sytuacji na rynku pracy w Polsce W artykule przeprowadzono analizę rynku pracy w Polsce. Funkcjonowanie rynku pracy jest powiązane z takimi problemami, jak społeczno-ekonomiczna sytuacja regionu, bezrobocie czy migracje [zob. Pietrzak i in., 2012a, 2012b; Pietrzak i in., 2013; Wilk i Pietrzak, 2013; Wilk i in., 2013]. Badaniem objęto 66 podregionów Polski (klasyfikacja NUTS 3) w 2012 r. Do opisu sytuacji na rynku pracy wykorzystano zmienne diagnostyczne przedstawione w tab. 1. Zmienna X 4 ma charakter destymulanty i została zamieniona na stymulantę zgodnie ze wzorem (3). Dane dotyczące wybranych zmiennych diagnostycznych pozyskano z Banku Danych Lokalnych Głównego Urzędu Statystycznego. Tabela 1. Przyjęte zmienne diagnostyczne Zmienna X 1 X 2 X 3 X 4 Źródło: Opracowanie własne. Opis przeciętne miesięczne wynagrodzenia brutto liczba podmiotów gospodarki narodowej wpisanych do rejestru REGON na 10 000 mieszkańców w wieku produkcyjnym nakłady inwestycje przedsiębiorstw na 10 000 mieszkańców w wieku produkcyjnym stopa bezrobocia rejestrowanego W celu wyznaczenia wartości przestrzennego taksonomicznego miernika rozwoju policzono najpierw wartości statystyki I Morana dla każdej ze zmiennych diagnostycznych. Za macierz sąsiedztwa między regionami przyjęto przekształconą przez autora standaryzowaną macierz pierwszego rzędu. Przekształcenie wyjściowej macierzy sąsiedztwa pierwszego rzędu wynikało z tego, że podregiony Warszawa, Kraków, Poznań, Wrocław, Łódź, Szczecin, Trójmiasto mają tylko jednego lub dwóch sąsiadów. Tak określone sąsiedztwo jest niewystarczające i przekłada się na jakość standaryzowanej macierzy sąsiedztwa. Wykonane przekształcenie polegało na tym, że dla wymienionych podregionów za sąsiadów w sensie pierwszego rzędu zostały uznane również podregiony sąsiadujące w sensie drugiego rzędu. W przypadku Warszawy do zbioru sąsiadów pierwszego rzędu nie włączono podregionu piotrkowskiego ze względu na jego położenie geograficzne. W przypadku Szczecina zrobiono wyjątek i nie zwiększono liczby
Zastosowanie przestrzennego taksonomicznego miernika rozwoju (ptmr)... 51 sąsiadów także ze względu na położenie przestrzenne tego podregionu. Otrzymane statystyki I Morana przedstawiono w tab. 2 1. W przypadku wszystkich zmiennych stwierdzono istotne statystycznie zależności przestrzenne przy 10-procentowym poziomie istotności. Następnie dla wszystkich zmiennych przeprowadzono estymację parametrów modelu autoregresji przestrzennej SAR. Uzyskane oceny parametrów autoregresji ρ przedstawiono również w tab. 2. Tabela 2. Wyniki testu Morana oraz estymacji parametrów modelu SAR Zmienna Statystyka I Morana Ocena parametru ρ X 1 0,07 (0,09) 0,13 (0,08) X 2 0,08 (0,04) 0,14 (0,06) X 3 0,12 (0,03) 0,29 (0,02) X 4 0,25 (0,00) 0,61 (0,00) Źródło: Opracowanie własne. Otrzymanie istotnych statystycznie parametrów autoregresji przestrzennej pozwoliło na przekształcenie zmiennych diagnostycznych za pomocą wzoru 2, a następnie wyznaczenie wartości przestrzennego taksonomicznego miernika rozwoju ptmr(w) (zob. tab. 3). Tabela 3. Wyniki porządkowania liniowego podregionów Podregion Nr ptmr Podregion Nr ptmr 1 2 3 4 5 6 m. Warszawa 1 0,89 radomski 34 0,26 m. Poznań 2 0,51 sandomiersko-jędrzejowski 35 0,25 katowicki 3 0,50 bytomski 36 0,24 trójmiejski 4 0,49 skierniewicki 37 0,24 m. Wrocław 5 0,48 włocławski 38 0,24 m. Kraków 6 0,46 rzeszowski 39 0,24 warszawski zachodni 7 0,43 częstochowski 40 0,24 legnicko-głogowski 8 0,41 gorzowski 41 0,24 tyski 9 0,40 szczeciński 42 0,23 gliwicki 10 0,40 gdański 43 0,23 rybnicki 11 0,39 starogardzki 44 0,23 poznański 12 0,37 puławski 45 0,23 bielski 13 0,37 olsztyński 46 0,23 piotrkowski 14 0,36 nowosądecki 47 0,22 m. Łódź 15 0,35 pilski 48 0,22 ciechanowsko-płocki 16 0,35 tarnobrzeski 49 0,22 wrocławski 17 0,34 elbląski 50 0,21 sosnowiecki 18 0,34 grudziądzki 51 0,21 warszawski wschodni 19 0,34 słupski 52 0,21 bydgosko-toruński 20 0,33 koszaliński 53 0,21 opolski 21 0,33 tarnowski 54 0,21 lubelski 22 0,31 nyski 55 0,21 1 W nawiasach zapisano wartości p.
52 cd. tabeli 3 1 2 3 4 5 6 leszczyński 23 0,31 sieradzki 56 0,21 m. Szczecin 24 0,30 białostocki 57 0,21 kaliski 25 0,29 łódzki 58 0,20 ostrołęcko-siedlecki 26 0,29 łomżyński 59 0,19 kielecki 27 0,28 chełmsko-zamojski 60 0,18 zielonogórski 28 0,28 stargardzki 61 0,17 oświęcimski 29 0,27 krośnieński 62 0,17 koniński 30 0,27 suwalski 63 0,15 krakowski 31 0,27 bielski 64 0,15 wałbrzyski 32 0,27 przemyski 65 0,14 jeleniogórski 33 0,27 ełcki 66 0,13 Źródło: Opracowanie własne. Uzyskane wartości miernika ptmr(w) pozwoliły także na wykonanie rankingu podregionów. Wyniki rankingu przedstawiono w tab. 3. W kolumnie drugiej zapisano numer rankingu dla każdego podregionu. Następnie na podstawie policzonych wartości miernika przyporządkowano podregiony do klas o wyróżniającej, bardzo dobrej, dobrej, średniej, słabej oraz bardzo słabej sytuacji na rynku pracy. Klasy podregionów wyznaczono na podstawie metody podziału naturalnego [zob. Jenks, 1967]. Uzyskane wyniki przedstawiono na rys. 1. Otrzymane wartości przestrzennego taksonomicznego miernika rozwoju (ptmr) pozwoliły na przeprowadzenie analizy tendencji w przestrzennym kształtowaniu się sytuacji na rynku pracy w Polsce. W wyniku istniejących zależności przestrzennych aktualna sytuacja na rynku pracy w wybranym podregionie powinna zmierzać do sytuacji określonej w klasie, do której podregion został przydzielony. W województwie zachodniopomorskim jest przewidywana dobra sytuacja na rynku pracy wyłącznie dla miasta Szczecina. W województwie pomorskim bardzo dobra sytuacja na rynku pracy jest przewidywana dla podregionu trójmiejskiego. W województwie lubuskim została uzyskana dobra sytuacja na rynku pracy dla podregionu zielonogórskiego oraz słaba sytuacja dla podregionu gorzowskiego.
Zastosowanie przestrzennego taksonomicznego miernika rozwoju (ptmr)... 53 Gdański Trójmiejski Słupski Ełcki Starogardzki Szczeciński Koszaliński Suwalski Olsztyński Elbląski M. Szczecin Grudziądzki Białostocki Stargardzki Bydgosko-toruński Pilski Ciechanowsko-płocki Gorzowski Ostrołęcko-siedlecki Włocławski Poznański Łomżyński M. Poznań M. Warszawa Warszawski wschodni Koniński Skierniewicki Leszczyński Warszawski zachodni Zielonogórski Łódzki Bielski M. Łódź Kaliski Legnicko-głogowski Sieradzki Radomski Wrocławski Piotrkowski Lubelski M. Wrocław Jeleniogórski Kielecki Puławski Chełmsko-zamojski Częstochowski Wałbrzyski Sytuacja na rynku pracy bardzo słaba słaba Nyski Opolski Tarnobrzeski Bytomski Sosnowiecki Sandomiersko-jędrzejowski Gliwicki Katowicki Rybnicki Tyski Krakowski Rzeszowski M. Kraków Przemyski Tarnowski Oświęcimski Bielski średnia Nowosądecki Krośnieński dobra bardzo dobra wyróżniająca Rys. 1. Przestrzenne zróżnicowanie podregionów Źródło: Opracowanie własne. W województwie kujawsko-pomorskim jedynie podregion bydgosko-toruński należy do klasy o dobrej sytuacji na rynku pracy. W województwie wielkopolskim sytuacja na rynku pracy miasta Poznań została określona jako bardzo dobra, a podregionu poznańskiego jako dobra. W przypadku województwa dolnośląskiego jest przewidywana bardzo dobra sytuacja dla miasta Wrocławia oraz dobra sytuacja dla podregionów wrocławskiego i legnicko-głogowskiego. W województwie łódzkim do klasy o dobrej sytuacji na rynku pracy należą miasto Łódź oraz podregion piotrkowski. W województwie opolskim dobra sytuacja na rynku pracy jest przewidywana dla podregionu opolskiego. W przypadku województwa śląskiego podregion katowicki należy do klasy o bardzo dobrej sytuacji na rynku pracy, a podregiony tyski, sosnowiecki, rybnicki, gliwicki i bielski należą
54 do klasy o dobrej sytuacji. W województwie małopolskim bardzo dobra sytuacja na rynku pracy jest przewidywana wyłącznie dla miasta Krakowa. W województwie świętokrzyskim zarówno podregion kielecki, jak i sandomiersko-jędrzejowski należą do klasy o średniej sytuacji na rynku pracy. W przypadku województwa mazowieckiego miasto Warszawa, jako jedyny podregion w Polsce, należy do klasy o wyróżniającym się rynku pracy. Dodatkowo dla podregionu warszawskiego zachodniego jest przewidywana bardzo dobra sytuacja na rynku pracy, a dla podregionów warszawskiego wschodniego oraz ciechanowsko-płockiego dobra sytuacja. W ostatnich czterech województwach zaobserwowano znacznie słabszą sytuację na rynku pracy w porównaniu do wymienionych województw. W województwie warmińsko-mazurskim wszystkie podregiony należą do klasy o słabej lub bardzo słabej sytuacji na rynku pracy. Średnia sytuacja na rynku pracy jest przewidywana jedynie dla podregionu lubelskiego z województwa lubelskiego. Natomiast w województwach podlaskim i podkarpackim słaba sytuacja na rynku jest przewidywana dla podregionów białostockiego, rzeszowskiego i tarnobrzeskiego. Pozostałe podregiony z tych województw należą do klasy o bardzo słabej sytuacji na rynku pracy. Analiza przestrzennego zróżnicowania podregionów na rys. 1 wskazuje na istnienie klastrów o zbliżonej sytuacji na rynku pracy. Największym przestrzennie klastrem o dobrej sytuacji na rynku pracy okazał się klaster złożony z województw lubuskiego, wielkopolskiego i dolnośląskiego (klaster zachodni). Najlepsza sytuacja na rynku pracy występuje tutaj w przypadku dwóch miast: Poznania i Wrocławia. Kolejny klaster obejmuje podregiony województw opolskiego, śląskiego oraz małopolskiego (klaster śląski). Klaster ten tworzą podregiony opolski, gliwicki, rybnicki, tyski, katowicki, sosnowiecki, bielski, oświęcimski, krakowski i miasto Kraków. Trzeci klaster charakteryzujący się dobrą sytuacją na rynku pracy tworzą miasto Warszawa oraz podregiony województwa mazowieckiego, warszawski zachodni, warszawski wschodni, ciechanowsko-płocki oraz ostrołęcko-siedlecki (klaster mazowiecki). Klaster ten jest skupiony wokół miasta Warszawy, w przypadku której wyróżniająca sytuacja na rynku pracy odstaje znacząco od pozostałych podregionów w Polsce. Ostatni czwarty klaster, gdzie jest przewidywana dobra sytuacja na rynku pracy, składa się z podregionów piotrowskiego, radomskiego, kieleckiego oraz sandomiersko-jędrzejewskiego (klaster piotrowsko- -kielecki). W przypadku wymienionych czterech podregionów obecna sytuacja społeczno-gospodarcza [zob. Wilk, Pietrzak, Matusik, 2013] oraz sytuacja na rynku pracy są dobre jedynie w przypadku podregionu piotrowskiego. Jednak położenie przestrzenne wymienionych podregionów pomiędzy klastrem mazo-
Zastosowanie przestrzennego taksonomicznego miernika rozwoju (ptmr)... 55 wieckim a klastrem śląskim może zapewnić w przyszłości dobrą sytuację na rynku pracy w przypadku klastra piotrowsko-kieleckiego. Na rysunku 1 można również wyróżnić klastry podregionów o słabej sytuacji na rynku pracy. Pierwszy klaster jest złożony z podregionów województw zachodnio-pomorskiego, pomorskiego, kujawsko-pomorskiego oraz warmińsko- -mazurskiego (klaster północny). W klastrze tym znajdują się następujące podregiony: stargardzki, koszaliński, pilski, słupski, starogardzki, grudziądzki, włocławski, elbląski oraz olsztyński. Drugi klaster tworzą podregiony województw warmińsko-mazurskiego, podlaskiego, lubelskiego i podkarpackiego (klaster wschodni). W skład klastra wchodzą podregiony: ełcki, suwalski, łomżyński, bielski, chełmsko-zamojski, przemyski oraz krośnieński. W obszarze obydwu klastrów istnieją silne ośrodki miejskie w postaci podregionu trójmiejskiego oraz miast Szczecina, Bydgoszczy, Torunia, Olsztyna, Białegostoku, Lublina i Rzeszowa. Ośrodki te tworzą jednak lokalne obszary wzrostu i nie posiadają wystarczającego potencjału do utworzenia klastrów podregionów o dobrej sytuacji społeczno-gospodarczej oraz o dobrej sytuacji na rynku pracy. Należy podkreślić, że w klastrach podregionów o słabej sytuacji na rynku pracy (klaster północny, klaster wschodni) występuje zjawisko odpływu najcenniejszych zasobów do sąsiadujących obszarów wzrostu. Oznacza to, że bez właściwie prowadzonej polityki przestrzennej podregiony należące do tych klastrów są skazane na pogarszającą się sytuację na rynku pracy. Podsumowanie W artykule przeprowadzono analizę sytuacji na rynku pracy w Polsce dla 66 podregionów w 2012 r. W analizie zastosowano przestrzenny taksonomiczny miernik rozwoju (ptmr), gdzie za zmienne diagnostyczne przyjęto przeciętne miesięczne wynagrodzenia brutto, liczbę podmiotów gospodarki narodowej wpisanych do rejestru REGON na 10 000 mieszkańców w wieku produkcyjnym, nakłady inwestycyjne przedsiębiorstw na 10 000 mieszkańców w wieku produkcyjnym, stopę bezrobocia rejestrowanego. Uwzględnienie w konstrukcji miernika zależności przestrzennych dla wymienionych zmiennych diagnostycznych pozwoliło na określenie tendencji w przestrzennym kształtowaniu sytuacji na rynku pracy. W wyniku przeprowadzonej analizy dokonano identyfikacji czterech klastrów podregionów o dobrej sytuacji na rynku pracy. Wyróżniono klaster zachodni, śląski, mazowiecki oraz piotrowsko-kielecki. Ustalono również dwa klastry o słabej sytuacji na rynku pracy: klaster północny oraz wschodni. Przeprowa-
56 dzone badanie wskazało na silne zróżnicowanie przestrzenne tego rynku, jednak pełna ocena sytuacji na rynku pracy w Polsce wymaga głębszej analizy. Świadczy to o potrzebie prowadzenia właściwej polityki przestrzennej ze strony państwa, samorządów oraz odpowiedzialnej współpracy między nimi, w wyniku czego będzie możliwe zmniejszenie różnic na rynku pracy w Polsce. Literatura Anselin L. (1988), Spatial Econometrics: Method and Models, Kluwer Academic Publishers, Netherlands. Antczak E. (2013), Przestrzenny taksonomiczny miernik rozwoju, Wiadomości Statystyczne 2013, nr 7. Hellwig Z. (1968), Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom ich rozwoju oraz zasoby i strukturę wykwalifikowanych kadr, Przegląd Statystyczny, z. 4. Jenks G.F. (1967), The Data Model Concept in Statistical Mapping, International Yearbook of Cartography, No. 7. Pietrzak M.B. (2010a), Dwuetapowa procedura budowy przestrzennej macierzy wag z uwzględnieniem odległości ekonomicznej, Oeconomia Copernicana, nr 1, s. 65-78. Pietrzak M.B. (2010b), Wykorzystanie odległości ekonomicznej w przestrzennej analizie stopy bezrobocia dla Polski, Oeconomia Copernicana, nr 1, s. 79-98. Pietrzak M.B. (2010c), Problem identyfikacji struktury danych przestrzennych, Acta Universitatis Nicolai Copernici. Ekonomia, z. 41, s. 83-98. Pietrzak M.B. (2010d), Analiza danych przestrzennych a jakość informacji [w:] T. Trzaskalik (red.), Modelowanie Preferencji a Ryzyko '07, Wydawnictwo Akademii Ekonomicznej im. Karola Adamieckiego, Katowice, s. 323-338. Pietrzak M.B. (2012), Wykorzystanie przestrzennego modelu regresji przełącznikowej w analizie regionalnej konwergencji w Polsce, Ekonomia i Prawo, t. XI, nr 4, s. 167-185. Pietrzak M.B., Drzewoszewska N., Wilk J. (2012a), The Analysis of Interregional Migrations in Poland in the Period 2004-20010 Using Panel Gravity Model, Dynamic Econometric Models, Vol. 12, s. 111-122. Pietrzak M.B., Żurek M., Matusik S., Wilk J. (2012b), Application of Structural Equation Modeling for Analysing Internal Migration Phenomena in Poland, Przegląd Statystyczny, t. 59, nr 4, s. 487-503. Pietrzak M.B. (2013), Interpretation of Structural Parameters for Models with Spatial Autoregression, Equilibrium. Quarterly Journal of Economics and Economic Policy, Vol. 8, Iss. 2, s. 129-155. Pietrzak M.B., Wilk J., Matusik S. (2013), Gravity Model as a Tool for Internal Migration Analysis in Poland in 2004-2010 [w:] J. Pociecha (ed.), Quantitative Methods
Zastosowanie przestrzennego taksonomicznego miernika rozwoju (ptmr)... 57 for Modelling and Forecasting Economic Processes, Wydawnictwo Uniwersytetu Ekonomicznego, Kraków, s. 108-120. Pietrzak M.B. (2014a), Taksonomiczny miernik rozwoju (TMR) z uwzględnieniem zależności przestrzennych, Przegląd Statystyczny, T. 61, z. 2, s. 181-201. Pietrzak M.B. (2014b), Redefining the Modifiable Areal Unit Problem within Spatial Econometrics. The Case of the Scale Problem, Equilibrium. Quarterly Journal of Economics and Economic Policy, Vol. 9, Iss. 2, s. 111-132. Pietrzak M.B. (2014c), Redefining the Modifiable Areal Unit Problem within Spatial Econometrics. The Case of the Aggregation Problem, Equilibrium. Quarterly Journal of Economics and Economic Policy, Vol. 9, Iss. 3, s. 131-151. Pietrzak M.B. (2014d), The Modifiable Areal Unit Problem Analysis of Correlation and Regression, Equilibrium. Quarterly Journal of Economics and Economic Policy, Vol. 9, Iss. 4, s. 113-131. Pietrzak M.B., Wilk J., Kossowski T., Bivand R. (2014), The Identification of Spatial Dependence in the Analysis of Regional Economic Development Join-count Test Application [w:] M. Papież, S. Śmiech (eds.), Proceedings of the 8th Professor Aleksander Zelias International Conference on Modelling and Forecasting of Socio-Economic Phenomena, Wydawnictwo Uniwersytetu Ekonomicznego, Kraków, s. 135-144. Paelinck J.H.P., Klaassen L.H. (1979), Spatial Econometrics, Saxon House, Farnborough. Suchecka J. (red.) (2014), Statystyka przestrzenna, metody analizy struktur przestrzennych, C.H. Beck, Warszawa. Suchecki B. (red.) (2010), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa. Szulc E. (2007), Ekonometryczna analiza wielowymiarowych procesów gospodarczych, Wydawnictwo UMK, Toruń. Wilk J., Pietrzak M.B. (2013), Analiza migracji wewnętrznych w kontekście aspektów społeczno-gospodarczych podejście dwuetapowe, Ekonometria, nr 2(40), s. 62-73. Wilk J., Pietrzak M., Matusik S. (2013), Sytuacja społeczno-gospodarcza jako determinanta migracji wewnętrznych w Polsce [w:] K. Jajuga, M. Walesiak, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia 20: Klasyfikacja i analiza danych: teoria i zastosowania, Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław, nr 278, s. 330-342. THE APPLICATION OF SPATIAL TAXONOMIC MEASURE OF DEVELOPMENT (stmd) IN ANALYSIS OF THE LABOUR MARKET IN POLAND Summary: The content of the article refer to application of spatial taxonomic measure of development (stmd) while analysing the labour market in Poland. The need for the use of a spatial taxonomic measure of development is related to the fact that most eco-
58 nomic phenomena are characterized by positive spatial dependence. This necessitates the inclusion of this dependence in spatial economic analyses. The article analyses the labour market in 66 subregions (NUTS 3) in 2012. The study allowed us to assess the situation on the labour market and identify the trends in its development. Keywords: synthetic index, taxonomic measure of development, spatial econometrics, spatial dependence.