Marek Ręklewski https://orcid.org/0000-0001-6036-3370
ARTYKUŁ

(Polski) PDF

STRESZCZENIE

Zróżnicowanie przestrzenne wynagrodzeń stanowi przedmiot wielu badań naukowych zarówno w ujęciu teoretycznym, jak i empirycznym. Czynnikami determinującymi wysokość wynagrodzeń w Polsce są m.in. struktura i rodzaj działalności prowadzonej przez przedsiębiorstwa, specyficzne dla danego regionu i zależne od jego lokalizacji. Celem badania omawianego w artykule jest identyfikacja zależności przestrzennych zachodzących pomiędzy powiatami pod względem poziomu przeciętnych miesięcznych wynagrodzeń brutto z zastosowaniem statystycznych metod autokorelacji przestrzennej. Analizowano dane statystyczne za lata 2010–2019 zaczerpnięte z Banku Danych Lokalnych GUS. Wykorzystano miary globalne i lokalne. Do obliczenia globalnych parametrów autokorelacji przestrzennej posłużyły statystyki I Morana i C Geary’ego, a do identyfikacji autokorelacji lokalnej – statystyka Ii Morana, należąca do lokalnych wskaźników przestrzennych z grupy LISA (Local Indicators of Spatial Association). Istotność statystyczną statystyk globalnych zweryfikowano przy wykorzystaniu podejścia randomizacyjnego opierającego się na momentach teoretycznych.
Z globalnych statystyk I Morana i C Geary’ego wynika, że w badanym okresie pomiędzy powiatami występowała istotna (bardzo słaba lub słaba) dodatnia autokorelacja przestrzenna pod względem poziomu przeciętnych miesięcznych wynagrodzeń brutto. Świadczy ona o tym, że istnieją przestrzenne struktury powiatów o podobnych wartościach, a więc klastry charakteryzujące się wysokimi lub niskimi wartościami przeciętnej płacy. Wzrost wartości statystyki I Morana oraz spadek C Geary’ego w analizowanych latach wskazuje na zmniejszenie się zróżnicowania przeciętnych miesięcznych wynagrodzeń pomiędzy powiatami, a tym samym na wzrost autokorelacji przestrzennej. Analiza otrzymanych statystyk lokalnych pozwoliła na wyróżnienie klastrów podobnych powiatów: mazowieckiego, pomorskiego i śląskiego, a także wskazała na występowanie powiatów odstających (ang. outliers).

SŁOWA KLUCZOWE

wynagrodzenia, rynek pracy, statystyka przestrzenna, autokorelacja przestrzenna

JEL

C10, J30

BIBLIOGRAFIA

Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93–115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x .

Antoszek, P. (2010). Regionalne różnice płac w Polsce i ich społeczno-ekonomiczne determinanty /W latach 1994–2004/ [rozprawa doktorska, Uniwersytet Ekonomiczny w Poznaniu]. https://www.wbc.poznan.pl/publication/141521 .

Cliff, A. D., Ord, J. K. (1973). Spatial Autocorrelation. Pion.

Cliff, A. D., Ord, J. K. (1981). Spatial Process. Models and Applications. Pion.

Czarnecki, A. (2013). Atrakcyjność rynków pracy małych miast w Polsce (dla ludności miejscowej i dojeżdżających). Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, (144), 165–187. https://www.ue.katowice.pl/fileadmin/_migrated/content_uploads/11_A.Czarnecki_Atrakcyjnosc_rynkow_pracy....pdf .

Geary, R. C. (1954). The Contiguity Ratio and Statistical Mapping. The Incorporated Statistician, 5(3), 115–146. https://doi.org/10.2307/2986645 .

Główny Urząd Statystyczny. (b.r.). Przeciętne miesięczne wynagrodzenia brutto [zbiór danych]. Pobrane 1 sierpnia 2021 r. z https://bdl.stat.gov.pl/BDL/dane/podgrup/temat .

Główny Urząd Statystyczny. (2020). Zeszyt metodologiczny. Statystyka rynku pracy i wynagrodzeń. https://stat.gov.pl/obszary-tematyczne/rynek-pracy/zasady-metodyczne-rocznik-pracy/zeszyt-metodologiczny-statystyka-rynku-pracy-i-wynagrodzen,1,3.html .

Jarmołowicz, W., Knapińska, M. (2011). Współczesne teorie rynku pracy a mobilność i przepływy pracowników w dobie globalizacji. Zeszyty Naukowe Polskiego Towarzystwa Ekonomicznego, (9), 123–144. http://www.pte.pl/pliki/1/1144/ZN-9_Jarmolowicz_Knapinska.pdf .

Jarmołowicz, W., Knapińska, M. (2013). Polityka gospodarcza wobec zatrudniania i wynagradzania pracowników – aspekty teoretyczne i realizacyjne. Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, (160), 9–21.

Kołodziejczak, A., Kossowski, T. (2016). Wykorzystanie metody autokorelacji przestrzennej do analizy ubóstwa na obszarach wiejskich. Wiadomości Statystyczne, 61(10), 22–32. https://doi.org/10.5604/01.3001.0014.1107 .

Kopczewska, K. (2011). Ekonometria i statystyka przestrzenna z wykorzystaniem programu R Cran. CeDeWu.

Kopczewska, K. (red.). (2020). Przestrzenne metody ilościowe w R. CeDeWu.

Lewandowska-Gwarda, K. (2014). Analiza przestrzennego zróżnicowania wynagrodzeń w Polsce w latach 2009–2012. Roczniki Kolegium Analiz Ekonomicznych, (34), 27–41.

Moran, P. A. P. (1948). The Interpretation of Statistical Maps. Journal of the Royal Statistical Society, 10(2), 243–251. https://doi.org/10.1111/j.2517-6161.1948.tb00012.x .

Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1–2), 17–23. https://doi.org/10.2307/2332142 .

Müller-Frączek, I., Pietrzak, M. B. (2008). Wykorzystanie narzędzi statystyki przestrzennej do identyfikacji kluczowych ośrodków rozwoju województwa kujawsko-pomorskiego. Acta Universitatis Nicolai Copernici, (388), 229–238. http://dx.doi.org/10.12775/AUNC_ECON.2008.016 .

Ord, J. K., Getis, A. (1995). Local Spatial Autocorrelation Statistics: Distributional Issuses and an Application. Geographical Analysis, 27(4), 286–306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x .

Pośpiech, E. (2015). Analiza przestrzenna bezrobocia w Polsce. Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, (227), 59–74. https://www.ue.katowice.pl/fileadmin/_migrated/content_uploads/05_30.pdf .

Pośpiech, E., Mastalerz-Kodzis, A. (2015). Autokorelacja przestrzenna wybranych charakterystyk społeczno-ekonomicznych. Metody Ilościowe w Badaniach Ekonomicznych, 16(4), 85–94. http://qme.sggw.pl/pdf/MIBE_T16_z4_08.pdf .

Pośpiech, E., Mastalerz-Kodzis, A. (2018). Analiza przestrzenna rozwoju społeczeństwa informacyjnego w Polsce. Nierówności Społeczne a Wzrost Gospodarczy, 53(1), 286–296. https://repozytorium.ur.edu.pl/handle/item/3718 .

Sikora, J. (2009). Określenie siły i charakteru autokorelacji przestrzennej na podstawie globalnej statystyki I Morana infrastruktury rolniczej Polski południowej i południowo-wschodniej. Infrastruktura i Ekologia Terenów Wiejskich, (9), 217–227.

Suchecka, J. (red.). (2014). Statystyka przestrzenna. Metody analiz struktur przestrzennych. C. H. Beck.

Suchecki, B. (red.). (2010). Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych. C. H. Beck.

Szczuciński, P. (2019). Autokorelacja przestrzenna wybranych cech rozwoju gmin w województwie lubuskim. Optimum. Economic Studies, 3(97), 164–176. https://repozytorium.uwb.edu.pl/jspui/bitstream/11320/8124/1/Optimum_3_2019_P_Szczucinski_Autokorelacja_przestrzenna.pdf .

Wilk, J., Pietrzak, M. B., Bivand, R. S., Kossowski, T. (2015). Wpływ wyboru metody klasyfikacji na identyfikację zależności przestrzennych – zastosowanie testu join-count. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu / Research Papers of Wrocław University of Economics, (384), 296–304. https://doi.org/10.15611/pn.2015.384.32 .

Zieliński, K. (2011). Regionalne zróżnicowanie płac w Polsce – kierunki zmian. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, (863), 69–83. https://r.uek.krakow.pl/bitstream/123456789/1059/1/171192067.pdf .

Do góry
© 2019-2022 Copyright by Główny Urząd Statystyczny, pewne prawa zastrzeżone. Licencja Creative Commons Uznanie autorstwa - Na tych samych warunkach 4.0 (CC BY-SA 4.0)