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).
wynagrodzenia, rynek pracy, statystyka przestrzenna, autokorelacja przestrzenna
C10, J30
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 .
