Adam Marszk ANALIZA PRZESTRZENNA BRANŻY TRANSPORTU LĄDOWEGO W POLSCE SPATIAL ANALYSIS OF THE LAND TRANSPORT INDUSTRY IN POLAND

Adam Marszk ANALIZA PRZESTRZENNA BRANŻY TRANSPORTU LĄDOWEGO W POLSCE SPATIAL ANALYSIS OF THE LAND TRANSPORT INDUSTRY IN POLAND 1. Wstęp Cele niniejszego opracowania są dwojakie pierwszym z nich jest określenie zróżnicowania rozkładu przestrzennego przedsiębiorstw z branży transportu lądowego działających w Polsce na poziomie wojewódzkim oraz powiatowym, w tym wyróżnienie obszarów z niskim lub wysokim stopniem koncentracji w stosunku do całego kraju; dodatkowo, szczególnie ważną częścią będzie przedstawienie wyników analizy skupień sektora (sąsiadujących ze sobą terenów z niską lub wysoką względną liczbą przedsiębiorstw tego typu). Cel drugi to określenie, za pomocą analizy regresji, czynników wpływających na wielkość branży transportu lądowego z uwzględnieniem oddziaływań przestrzennych. 2. Analiza lokalizacji/koncentracji Pierwszym etapem badania jest określenie stopnia koncentracji branży transportu lądowego 1. W tym celu obliczone zostały ilorazy lokalizacyjne (LQ), przy wykorzystaniu następującego wzoru [Antczak, Suchecki 2010]: (1), gdzie: - wartość zmiennej na r-tym obszarze w i tym sektorze, - wartość zmiennej na r-tym obszarze we wszystkich sektorach, - wartość zmiennej w i-tym sektorze w kraju, - wartość zmiennej ogółem (suma na obszarach i w sektorach). Wartości współczynnika (ilorazu) lokalizacji LQ większe od 1,0 oznaczają, że w gospodarce określonego obszaru występuje pewna koncentracja danej branży w stosunku do regionu referencyjnego (w tym badaniu jest nim kraj, możliwa jest także analiza np. w stosunku do całej gospodarki UE lub świata). Analogicznie, wartość poniżej 1,0 oznacza, że dany obszar charakteryzuje się udziałem sektora niższym od tego na obszarze referencyjnym. Ponadto, można określić wartości graniczne LQ, powyżej (poniżej) których stopień koncentracji jest szczególnie wysoki (niski) w badaniu przyjęto, że wynoszą one odpowiednio 1,2 i 0,8. Pierwszą część analizy przeprowadzono na szczeblu województw, a badania objęło podmioty gospodarcze wpisane do rejestru REGON według sekcji i wybranych działów Polskiej Klasyfikacji Działalności (PKD) 2007 2 w dwóch okresach (2009 i 2012). Głównym przedmiotem zainteresowania jest dział H49, obejmujący transport lądowy. 1 Obliczenia przeprowadzono w programie MS Excel. 2 Opis PKD 2007 dostępny na stronie www.klasyfikacje.gofin.pl/pkd/4,0.html. 1

Tabela 1. Ilorazy lokalizacji dla sekcji i wybranych działów PKD 2007 według województw (2009 r.) A B C D E F G H49 H poz I J K L M N O P Q R 1 0,88 1,14 1,39 0,89 0,99 0,88 1,07 0,95 0,92 0,78 0,83 0,98 0,68 0,88 0,87 1,34 1,02 0,97 0,98 1,05 2 0,79 1,00 0,92 0,98 0,86 0,90 0,99 1,05 1,19 0,74 1,73 1,02 0,79 1,35 1,33 0,76 1,00 0,84 0,89 0,97 3 0,88 0,79 1,09 0,50 1,00 1,11 0,97 1,03 0,95 1,22 1,00 0,92 0,68 0,99 1,03 0,93 1,06 1,01 1,12 0,96 4 0,49 0,80 1,01 0,56 1,18 0,96 1,09 1,02 0,84 1,06 0,92 1,12 0,99 0,94 0,98 0,57 0,99 0,92 1,02 0,97 5 1,13 1,40 0,86 1,13 0,97 0,95 1,11 1,05 0,97 0,86 0,71 1,04 0,54 0,84 0,81 2,18 1,21 1,15 1,10 1,12 6 0,98 1,23 1,04 0,73 0,89 1,00 1,07 1,06 0,57 0,89 0,80 0,90 0,49 0,89 0,65 1,84 1,29 1,05 1,26 1,13 7 1,73 1,41 0,92 1,14 0,86 1,02 1,01 1,16 0,75 0,71 0,69 1,05 0,48 0,89 0,77 1,69 1,04 1,26 1,06 1,21 8 0,66 1,35 0,98 0,85 1,06 1,09 1,22 1,07 0,73 0,84 0,66 0,96 0,52 0,79 0,59 1,68 0,97 0,94 0,86 0,98 9 1,51 1,03 0,85 1,21 1,33 0,99 1,01 1,00 1,10 0,99 0,68 0,96 1,72 0,78 0,85 0,92 0,88 0,96 1,00 1,00 10 1,51 1,00 1,09 1,00 1,08 1,10 0,98 0,92 0,86 0,74 0,92 0,93 0,69 1,04 1,04 1,07 1,00 1,02 0,95 1,01 11 1,15 0,65 0,86 1,85 0,89 1,05 0,91 0,97 1,54 1,94 0,71 0,93 1,30 0,87 1,14 0,67 0,83 1,26 0,97 0,91 12 0,82 1,26 0,84 0,79 0,92 1,00 0,95 0,93 0,85 0,94 0,95 0,99 2,07 1,02 0,97 0,66 0,89 0,93 0,99 0,97 13 1,60 0,58 0,93 0,67 0,92 1,12 0,94 0,81 0,56 0,96 0,71 1,05 1,56 0,92 0,93 1,30 0,99 0,88 1,09 0,98 14 1,12 1,00 1,00 1,42 1,26 0,97 1,04 1,07 1,18 0,78 0,81 1,09 0,79 0,83 0,90 1,10 0,98 1,28 1,04 1,05 15 0,92 0,87 1,20 1,71 0,91 1,06 0,85 0,98 1,42 1,66 0,95 1,02 1,35 0,97 0,91 0,68 0,91 0,92 0,95 0,92 16 1,84 1,08 0,88 1,42 1,13 1,00 0,88 0,93 0,81 0,90 0,61 0,96 1,71 0,79 0,89 1,37 1,12 1,31 1,08 1,14 Oznaczenia województw: 1- ŁÓDZKIE, 2- MAZOWIECKIE, 3-MAŁOPOLSKIE, 4-ŚLĄSKIE, 5-LUBELSKIE, 6-PODKARPACKIE, 7-PODLASKIE, 8-ŚWIĘTOKRZYSKIE, 9-LUBUSKIE, 10-WIELKOPOLSKIE, 11-ZACHODNIOPOMORSKIE, 12-DOLNOŚLĄSKIE, 13-OPOLSKIE, 14-KUJAWSKO-POMORSKIE, 15-POMORSKIE, 16-WARMIŃSKO-MAZURSKIE. Kolorem żółtym oznaczono wartości LQ<=0,8; kolorem zielonym >=1,2. Źródło: opracowanie własne na podstawie: [GUS 2013]. Na podstawie wielkości ilorazów lokalizacji w 2009 r. (zob. tabela 1) należy stwierdzić, że brak obszarów z szczególnie niskim/wysokim stopniem koncentracji sektora transportu lądowego w stosunku do obszaru referencyjnego (kraju); relatywnie najwyższy udział w całości podmiotów odnotowano w województwie podlaskim, a najniższy w opolskim (zbliżoną charakterystykę w tym aspekcie miały dwie inne branże, określane w klasyfikacji jako sekcje F i K budownictwo oraz usługi finansowe i ubezpieczeniowe). Odmienną sytuację można zauważyć dla liczby przedsiębiorstw np. w sekcji A (przede wszystkim rolnictwo), z wysokim stopniem koncentracji w województwach: podlaskim, lubuskim, wielkopolskim, opolskim i warmińsko-mazurskim, a niskim w mazowieckim, śląskim i świętokrzyskim (co może świadczyć o względnie większym znaczeniu rolnictwa w gospodarkach tych województw). Również przedsiębiorstwa transportowe inne niż przewozu lądowego, ujęte w pozostałych częściach sekcji H (transport wodny, lotniczy, magazynowanie), cechują się wysoką koncentracją (udział w łącznej liczbie podmiotów wyższy niż dla całego kraju) w województwach pomorskim i zachodniopomorskim, niską zaś w podkarpackim, podlaskim i świętokrzyskim (jest to związane z ich położeniem geograficznym, zwłaszcza w stosunku do regionów nadmorskich). Powyższą analizę uzupełnia rys. 1 z krzywą Lorenza (metoda graficzna określania siły koncentracji, z skumulowanymi odsetkami liczebności na osi odciętych i skumulowanymi łącznymi wartościami cechy na osi rzędnych), ukazującą rozdział podmiotów z działu H49 pomiędzy województwami krzywa zbliżona jest do linii 2 S i T

równomiernego rozkładu (punkty leżące na przekątnej kwadratu o bokach 100%), oznaczającej niemal zupełny brak koncentracji tego typu podmiotów w skali kraju [Antczak, Suchecki 2010]. Rys. 1. Krzywa Lorenza dla działu transport lądowy (H49) w 2009 r. Rys. 2. Ilorazy lokalizacji dla obszaru referencyjnego Polska=1 działu transport lądowy (H49) w powiatach w 2009 r. W związku z tym, że nie odnotowano niskiej/wysokiej koncentracji podmiotów działu H49 na szczeblu wojewódzkim, obliczono wartości ilorazu lokacyjnego dla powiatów (zob. rys. 2, wykres z programu Quantum GIS). Analiza na szczeblu powiatowym częściowo potwierdza wcześniejsze wyniki powiaty z niskim stopniem koncentracji znajdują się przede wszystkim w województwie opolskim, a także południowej i wschodniej części województwa wielkopolskiego i województwie łódzkim (obszary graniczące ze sobą), a na północy kraju w warmińsko-mazurskim i zachodniopomorskim (poza powiatami bliżej granicy z Niemcami). Powiaty z wysoką koncentracją podmiotów z badanego działu położone są zazwyczaj w pobliżu dużych miast (np. 3

Warszawa, Toruń, część aglomeracji śląskiej); można także zaobserwować większą grupę takich powiatów w województwach Polskich wschodniej oraz niektórych terenach przygranicznych. 3. Autokorelacja przestrzenna globalna i lokalna względnej liczby przedsiębiorstw transportu lądowego Na tym etapie zweryfikowane zostanie występowanie autokorelacji przestrzennej globalnej i lokalnej dla zmiennej PGH49MI_12 (w kolejnej części badania jest ona zmienną objaśnianą w modelu regresji przestrzennej), czyli liczby podmiotów z działu H49 (przedsiębiorstwa transportu lądowego) przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. Celem badania autokorelacji przestrzennej jest określenie występowania przestrzennego grupowania się podobnych wartości zmiennej (autokorelacja dodatnia, czyli gromadzenie się wysokich/niskich wartości) lub obszarów, na których sąsiadują ze sobą tereny z wysokimi i niskimi wartościami omawianego wskaźnika (autokorelacja ujemna, układ szachownicy) [Janc 2006; Olejnik, Suchecki 2010]. Rys. 3. Liczba podmiotów działu transport lądowy (H49) przypadających na 1 tys. mieszkańców w powiatach w 2012 r. Na rys. 3 przedstawiono wartości zmiennej PGH49MI_12 powiaty z największą relatywną liczbą podmiotów tego typu to miasta wojewódzkie i ich okolice (zwłaszcza Warszawa, Katowice, Poznań, Toruń, Wrocław i Gdańsk) oraz powiaty przy granicy polsko-niemieckiej, najmniej znajduje się w województwach wschodnich oraz na opisanym wcześniej obszarze m.in. województwa opolskiego. W celu zbadania autokorelacji przestrzennej została utworzona w programie GeoDa macierz wag sąsiedztwa królowej pierwszego rządu (interakcje pomiędzy danym powiatem i 4

wszystkimi innymi powiatami, które z nim bezpośrednio graniczą) oraz obliczono i zbadano istotność statystyki Morana I na podstawie testu permutacyjnego 3. Określone zostanie występowanie autokorelacji globalnej (występowanie zależności przestrzennych dla całego obszaru, tj. dla całej Polski) i lokalnej (zależności przestrzenne w w konkretnej lokalizacji, czyli powiecie, z wartościami w powiatach sąsiednich) [Lewandowska- Gwarda, Olejnik, Suchecki 2010]. Jako pierwsza weryfikowana jest istotność globalnej statystki Morana I na podstawie testu opartego na 999 permutacjach (GeoDa). Na rys. 4 zamieszczono uzyskany wykres rozproszenia (przedstawiający zależność funkcyjną o charakterze autoregresyjnym; na osi odciętych znajdują się wartości standaryzowane zmiennej, a na osi rzędnych wartości zmiennej opóźnione przestrzennie), na którego podstawie można przypuszczać, że występowała dodatnia autokorelacja (nagromadzenie obserwacji w I i III ćwiartce, mniejsza liczba w II i IV, w której świadczyłyby o autokorelacji ujemnej). Istotność statystyki Morana I może zostać określona za pomocą wartości pseudo p-value obliczanej w ramach testu wartość niższa od przyjętego poziomu (w tym badaniu 0,05) oznacza, że jest istotna. Na rys. 4 umieszczono wyniki testu permutacyjnego, z pseudo p-value wynoszącą 0,001. Na podstawie uzyskanej wartości statystyki Morana I (0,318) oraz empirycznego poziomu istotności można odrzucić hipotezę zerową braku autokorelacji na rzecz hipotezy alternatywnej o występowaniu dodatniej globalnej autokorelacji przestrzennej powiatów pod względem liczby przedsiębiorstw transportowych przypadających na 1 tys. mieszkańców (obecność skupień). Rys. 4. Moranowski wykres rozproszenia i wyniki testu permutacyjnego zmiennej liczba podmiotów przedsiębiorstwa transportu lądowego (dział H49 w PKD) przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. (PGH49MI_12) 3 Macierz sąsiedztwa to kwadratowa i symetryczna macierz z liczbą wierszy i kolumn odpowiadającą liczbie obszarów; elementy macierzy równe 1 wskazują na istnienie wspólnej granicy, a równe 0 na jej brak. Macierz wag sąsiedztwa jest konstruowana na podstawie macierzy sąsiedztwa, wagi przestrzenne wyrażają siłę oddziaływania pomiędzy subiektywnie definiowanymi sąsiednimi obszarami lub jego brak [Lewandowska-Gwarda, Olejnik, Suchecki 2010; Pietrzak 2010; Suchecki 2012]. 5

Jako kolejna zostanie zbadana lokalna autokorelacja przestrzenna za pomocą statystyki lokalnej LISA (program GeoDa; 999 permutacji) wraz z mapami istotności i klastrów [Lewandowska-Gwarda, Olejnik, Suchecki 2010]. Celem tego etapu badania jest określenie, czy na terenie Polski występowały na szczeblu powiatowym statystycznie istotne grupowania wysokich lub niskich relatywnych wielkości liczby przedsiębiorstw transportu lądowego i gdzie się znajdowały. Rys. 5. Mapa skupień statystyka lokalna LISA zmiennej liczba podmiotów przedsiębiorstwa transportu lądowego (dział H49 w PKD) przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. (PGH49MI_12) Rys. 6. Mapa istotności statystyka lokalna LISA zmiennej liczba podmiotów przedsiębiorstwa transportu lądowego (dział H49 w PKD) przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. (PGH49MI_12) 6

Wykres rozproszenia (statystyka globalna) został już zamieszczony na rys. 4, stąd będzie pominięty. Na rys. 5 znajduje się mapa skupień (statystyka lokalna LISA) dla zmiennej PGH49MI_12, na rys. 6 mapa istotności. Obszary z wysoką liczbą przedsiębiorstw transportu lądowego w przeliczeniu na 1 tys. mieszkańców, charakteryzujące się wysoką istotnością skłonności do tworzenia skupień to aglomeracja warszawska i okolice Szczecina (przy niższej istotności także Górny Śląsk i Trójmiasto), czyli tereny z dużym zagęszczeniem ludności oraz przedsiębiorstw, w tym położone blisko granicy zachodniej lub portów. Skupiska powiatów z słabo rozwiniętym sektorem transportu lądowego (mierzonego względną liczbą przedsiębiorstw tej branży) znajdują się w północnej części województwa mazowieckiego, województwie warmińsko-mazurskim i lubelskim, czyli na obszarach słabiej rozwiniętych gospodarczo, z gorszym stanem infrastruktury transportowej. 4. Model regresji przestrzennej Ostatnim etapem badania będzie próba określenia czynników wpływających na obecność w danym powiecie przedsiębiorstw działu H49 PKD 2007, z uwzględnieniem zależności przestrzennych 4. Zmienną objaśnianą jest PGH49MI_12 (liczba przedsiębiorstw transportu lądowego przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r.). Zmienne objaśniające 5 to NINW11 (nakłady inwestycyjne przedsiębiorstw w PLN w przeliczeniu na 1 mieszkańca w 2011 r.; brak danych za 2012 r.), PBUD12 (liczba przedsiębiorstw budowlanych według PKD przypadających na 1 tys. mieszkańców w 2012 r.), NTM12 (wydatki samorządów gminnych i powiatowych w danym powiecie na transport i łączność na 1 mieszkańca w 2012 r.). Zmienne objaśniające są wskaźnikami wybranych czynników wpływających na aktywność w branży transportowej tj. aktywności inwestycyjnej przedsiębiorstw (np. konieczność przewozu towarów), rozmiarów sektora budowlanego (z jednej strony także przewóz surowców, z drugiej zaś, przy budownictwie mieszkaniowym, zwiększony popyt na transport pasażerski) oraz wydatków samorządowych (gminnych i powiatowych) w zakresie finansowania inwestycji służących naprawie i rozbudowie infrastruktury (głównie drogowej). Po przeprowadzeniu wstępnej analizy wybrano model potęgowy, stąd przy szacowaniu wykorzystane zostaną logarytmy naturalne powyższych zmiennych (oznaczenia: LN49MI12, LNNINW11, LNPBUD12, LNNTM12). Zastosowana zostanie macierz wag sąsiedztwa królowej pierwszego rzędu. Procedurę wyboru i szacowania modelu podzielono na trzy etapy, przedstawione poniżej. Etap 1: Oszacowanie modelu regresji liniowej za pomocą Klasycznej Metody Najmniejszych Kwadratów (program GeoDa). Rys. 7. Wyniki oszacowania modelu regresji liniowej z programu GeoDa (I) SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION Data set : NUTS4 Dependent Variable : LNH49MI12 Number of Observations: 379 Mean dependent var : 1,56472 Number of Variables : 4 4 Konstrukcja modeli regresji została opisana w: [Greene 2003; Welfe 2009]. Opis etapów konstrukcji modeli regresji przestrzennej zamieszczony w: [Suchecki 2010]. 5 Są to zmienne, które pozostały w modelu po usunięciu innych zmiennych, z oddziaływaniem nieistotnym statystycznie (w tekście pominięto opis poszczególnych etapów roboczych z tym związanych). 7

S.D. dependent var : 0,346506 Degrees of Freedom : 375 R-squared : 0,368695 F-statistic : 73,0026 Adjusted R-squared : 0,363645 Prob(F-statistic) : 3,3109e-037 Sum squared residual: 28,7277 Log likelihood : -48,9293 Sigma-square : 0,0766072 Akaike info criterion : 105,859 S.E. of regression : 0,27678 Schwarz criterion : 121,609 Sigma-square ML : 0,0757986 S.E of regression ML: 0,275316 ----------------------------------------------------------------------- Variable Coefficient Std.Error t-statistic Probability ----------------------------------------------------------------------- CONSTANT -1,456103 0,2373406-6,135079 0,0000000 LNNINW11 0,1493075 0,0206845 7,218329 0,0000000 LNPBUD12 0,5201895 0,0551172 9,437881 0,0000000 LNNTM12 0,1040767 0,03223656 3,22853 0,0013539 ----------------------------------------------------------------------- REGRESSION DIAGNOSTICS MULTICOLLINEARITY CONDITION NUMBER 40,214411 TEST ON NORMALITY OF ERRORS TEST DF VALUE PROB Jarque-Bera 2 1,499857 0,4724003 DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 3 2,440218 0,4861920 Koenker-Bassett test 3 2,114847 0,5489149 SPECIFICATION ROBUST TEST TEST DF VALUE PROB White 9 13,70924 0,1330505 ========================= END OF REPORT ============================== Wysoka wartość liczby warunkowej współliniowości (40,21) może wskazywać na występowanie współliniowości, po przeprowadzeniu dodatkowej analizy w programie GRETL [Kufel 2007] (czynniki VIF dla wszystkich zmiennych poniżej 1,12) zdecydowano się jednak pozostawić model w przedstawionej postaci. Na podstawie wyników zamieszczonych na rys. 7 można stwierdzić istotność wszystkich oszacowanych parametrów (przy czym statystyka t ma najniższą wartość dla zmiennej LNNTM12). Współczynnik determinacji R 2 wynoszący 0,368 świadczy o tym, że ok. 36,8% zmienności zmiennej LNH49MI12 wyjaśnione jest regresją liniową względem trzech wybranych zmiennych objaśniających. Na podstawie testu Jarque-Bera (p>0,05) należy przyjąć hipotezę zerową o normalności rozkładu reszt, a na podstawie testów Breuscha-Pagana i Koenkera-Bassetta (p>0,05) przyjąć hipotezę zerową o homoskedastyczności składnika losowego. Model może być tym samym użyty w dalszej części analizy. Etap 2: Oszacowanie modelu regresji liniowej z macierzą wag za pomocą KMNK (program GeoDa). Rys. 8. Wyniki oszacowania modelu regresji liniowej z programu GeoDa (II) /pierwsza część raportu jak na rys. 7/ DIAGNOSTICS FOR SPATIAL DEPENDENCE FOR WEIGHT MATRIX : NUTS4.gal (row-standardized weights) TEST MI/DF VALUE PROB 8

Moran's I (error) 0,192120 5,7975932 0,0000000 Lagrange Multiplier (lag) 1 23,8574933 0,0000010 Robust LM (lag) 1 0,0010965 0,9735841 Lagrange Multiplier (error) 1 31,2488474 0,0000000 Robust LM (error) 1 7,3924506 0,0065498 Lagrange Multiplier (SARMA) 2 31,2499439 0,0000002 ========================= END OF REPORT ============================== Niska wartość p przy statystyce Morana I reszt modelu regresji świadczy o występowaniu autokorelacji przestrzennej (odrzucana jest hipoteza zerowa o braku autokorelacji przestrzennej). Konieczne jest więc stwierdzenie, na podstawie testów mnożnika Lagrange a (ang. Lagrange Multiplier), której z części modelu dotyczy autokorelacja może dotyczyć zmiennej objaśnianej (wówczas konieczne jest zbudowanie modelu autoregresji przestrzennej zmiennej objaśnianej, określanego jako SAR) lub autokorelacji przestrzennej składnika losowego (model autokorelacji (opóźnienia przestrzennego) przestrzennej składnika losowego, SE) [Suchecki 2010]. W tym celu można porównać wartości p testów mnożnika Lagrange a dla obu wersji w ujęciu podstawowym i odpornym (ang. robust) LM SAR i LM SE. W wersji standardowej obie wersje mnożnika są istotne statystycznie (p<0,05), jednak w wersji odpornej tylko LM SE jest istotne (i ma zdecydowanie wyższą wartość), LM SAR - nie. Oznacza to, że autokorelacja dotyczy składnika losowego, więc konieczne jest stosowanie modelu SE, opóźnienia przestrzennego składnika losowego. Etap 3: Estymacja modelu SE (program GeoDa) metodą największej wiarygodności Rys. 9. Wyniki oszacowania modelu SE z programu GeoDa SUMMARY OF OUTPUT: SPATIAL ERROR MODEL - MAXIMUM LIKELIHOOD ESTIMATION Data set : NUTS4 Spatial Weight : NUTS4.gal Dependent Variable : LNH49MI12 Number of Observations: 379 Mean dependent var : 1,564723 Number of Variables : 4 S.D. dependent var : 0,346506 Degrees of Freedom : 375 Lag coeff. (Lambda) : 0,391552 R-squared : 0,435146 R-squared (BUSE) : - Sq. Correlation : - Log likelihood : -33,754947 Sigma-square : 0,0678201 Akaike info criterion : 75,5099 S.E of regression : 0,260423 Schwarz criterion : 91,26 ----------------------------------------------------------------------- Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------- CONSTANT -1,333495 0,2504969-5,323402 0,0000001 LNNINW11 0,1390636 0,02006792 6,929647 0,0000000 LNPBUD12 0,5395129 0,06373435 8,465025 0,0000000 LNNTM12 0,09180505 0,03155489 2,909376 0,0036216 LAMBDA 0,3915515 0,06406319 6,111958 0,0000000 ----------------------------------------------------------------------- REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 3 2,352425 0,5025521 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL ERROR DEPENDENCE FOR WEIGHT MATRIX : NUTS4.gal TEST DF VALUE PROB Likelihood Ratio Test 1 30,34867 0,0000000 9

Aby dokonać interpretacji modelu konieczne jest w pierwszym rzędzie przetestowanie jego własności. Ocena parametru λ - współczynnika autokorelacji przestrzennej składnika losowego jest istotna statystycznie (p=0,00), co wskazuje na występowanie interakcji przestrzennych dla całej próby (wynikających z działania czynników nieobserwowalnych, przypadkowych lub nieuwzględnionych w modelu) [Suchecki 2010]; wpływ autokorelacji przestrzennej reszt został wyeliminowany przez oszacowanie modelu SE. Powyższy wniosek potwierdza test Likelihood Ratio, z wartością p zbliżoną do 0, (stosowanie modelu z wagami przestrzennymi jest uzasadnione). Ponadto, należy określić występowanie lub brak heteroskedastyczności składnika losowego na podstawie testu Breuscha-Pagana (wartość powyżej 0,05) należy przyjąć hipotezę zerową o homoskedastyczności. Porównanie stopnia dopasowania oszacowanego modelu z modelem KMNK umożliwia logarytm wiarygodności (ang. log likelihood). Dla modelu SEM jego wartość wynosi -33,8 i jest wyraźnie wyższa niż dla modelu oszacowanego KMNK (- 48,9), co świadczy o lepszym dopasowaniu modelu do danych empirycznych. Po oszacowaniu modelu i zbadaniu jego jakości możliwe jest dokonanie interpretacji oszacowanych parametrów (nieznaczna zmiana wartości w stosunku do modelu KMNK): 1. LNININW11 wzrost nakładów inwestycyjnych przedsiębiorstw w PLN w przeliczeniu na 1 mieszkańca w 2011 r. o 1% powodował wzrost liczby przedsiębiorstw transportu lądowego przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. średnio o 0,139% przy stałości pozostałych zmiennych objaśniających. 2. LNPBUD12 - wzrost liczby przedsiębiorstw budowlanych według PKD przypadających na 1 tys. mieszkańców o 1% powodował wzrost liczby przedsiębiorstw transportu lądowego przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. średnio o 0,540% przy stałości pozostałych zmiennych objaśniających. 3. LNNTM12 wzrost wydatków samorządów gminnych i powiatowych w danym powiecie na transport i łączność na 1 mieszkańca o 1% powodował wzrost liczby przedsiębiorstw transportu lądowego przypadających na 1 tys. mieszkańców w poszczególnych powiatach w 2012 r. średnio o 0,092% przy stałości pozostałych zmiennych objaśniających. 5. Wnioski Na podstawie uzyskanych wyników analiz stwierdzono, że na szczeblu województw brak koncentracji branży przedsiębiorstw transportu lądowego w stosunku do obszaru referencyjnego (kraju), stąd zbadano również sytuację w powiatach. Powiaty z wysokim stopniem koncentracji znajdowały się zazwyczaj w pobliżu większych miast, a z niskim w województwie opolskim, częściach łódzkiego oraz wielkopolskiego oraz na północy kraju (poza terenami przy granicy z Niemcami i Trójmiastem). Następnym etapem badania było określenie obszarów grupowania się omawianych podmiotów gospodarczych. Stwierdzono występowanie dodatniej autokorelacji (sąsiedztwo obszarów z wysoką względną liczbą przedsiębiorstw transportu lądowego, tj. przypadających na 1 tys. mieszkańców) w skali całego kraju. Najważniejszymi skupieniami były Warszawa i Trójmiasto z okolicami, a także Górny Śląsk, a obszarami z niskim poziomem rozwoju 10

branży mniej zaawansowane gospodarczo tereny województwa mazowieckiego, warmińsko-mazurskiego i lubelskiego. W opracowaniu przedstawiono także wyniki oszacowania modelu ekonometrycznego, za pomocą którego zbadano, jakie czynniki wpływają (przy uwzględnieniu zależności przestrzennych) na względne rozmiary branży transportu lądowego w Polsce. Wykorzystując odpowiednie testy porównano zasadność stosowania różnych odmian modeli regresji przestrzennej i wybrano model autokorelacji przestrzennej składnika losowego (SE). Istotnymi statystycznie zmiennymi objaśniającymi okazały się być relatywne nakłady inwestycyjne przedsiębiorstw, liczba przedsiębiorstw budowlanych oraz wydatki samorządów gminnych i powiatowych na transport i łączność. Bibliografia 1. Antczak E., Suchecki B., 2010, Koncentracja i specjalizacja w przestrzennych analizach ekonomicznych, [w:] Suchecki B. (red.), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa, s. 129-161. 2. Główny Urząd Statystyczny, 2013, Bank Danych Lokalnych, http://www.stat.gov.pl/bdl (10.07.2013). 3. Greene W.H., 2003, Econometric analysis, Prentice Hall, Upper Saddle River. 4. Janc K., 2006, Zjawisko autokorelacji przestrzennej na przykładzie statystyki I Morana oraz lokalnych wskaźników zależności przestrzennej (LISA) - wybrane zagadnienia metodyczne, Dokumentacja Geograficzna, nr 33, s. 76-83. 5. Kufel T., 2007, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, Wydawnictwo Naukowe PWN, Warszawa. 6. Lewandowska-Gwarda K., Olejnik A., Suchecki B., 2010, Wprowadzenie do przestrzennych analiz ekonomicznych, [w:] Suchecki B. (red.), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa, s. 16-36. 7. Olejnik A., Suchecki B., 2010, Miary i testy statystyczne w eksploracyjnej analizie danych przestrzennych, [w:] Suchecki B. (red.), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa, s. 100-128. 8. Pietrzak M.B., 2010, Dwuetapowa procedura budowy macierzy wag z uwzględnieniem odległości ekonomicznej, Oeconomia Copernicana, nr 1, s. 65-78. 9. Suchecki B., 2010, Modele regresji przestrzennej, [w:] Suchecki B. (red.), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa, s. 238-265. 10. Suchecki B., 2012, Modele regresji przestrzennej zmiennych ukrytych i ograniczonych, [w:] Suchecki B. (red.), Ekonometria przestrzenna II. Modele zaawansowane, Wydawnictwo C.H. Beck, Warszawa, s. 21-55. 11. Welfe A., 2009, Ekonometria. Metody i ich zastosowanie, Polskie Wydawnictwo Ekonomiczne, Warszawa. Streszczenie 11

Celem opracowania było określenie zróżnicowania rozkładu przestrzennego branży transportu lądowego w Polsce oraz czynników wpływających na jej rozmiary. Analizę przeprowadzono na szczeblu wojewódzkim oraz powiatowym, na podstawie danych za lata 2009 i 2012. Wykorzystano analizę lokalizacji, obliczono i zinterpretowano autokorelację przestrzenną, skontruowano i oszacowano także model regresji przestrzennej. Stwierdzono, że na szczeblu województw brak koncentracji branży, a powiaty z wysokim stopniem koncentracji znajdowały się w pobliżu większych miast. Do czynników wpływających istotnie na rozmiary branży zaliczono nakłady inwestycyjne przedsiębiorstw, liczbę przedsiębiorstw budowlanych oraz wydatki samorządów gminnych i powiatowych na transport i łączność. Abstract Aim of this text was identification of the spatial dispersion of the land transport industry in Poland and factors influencing its size. It was based on data from 2009 and 2012 at voivodships and poviats levels. Methods used included location (concentration) analysis, spatial autocorrelation indicators were calculated and interpreted, spatial regression model was also constructed and estimated. According to the results of the analysis, there was no concentration of the industry on the voivodships level, and level of concentration was highest for poviats near large cities. Factors with statistically significant impact on the size of the industry included: investment outlays of local companies, number of construction companies, as well as transport and communication expenses of local governments. Słowa kluczowe transport lądowy; analiza przestrzenna; analiza lokalizacji; regresja przestrzenna Keywords land transport; spatial analysis; location analysis; spatial regression 12