Zastosowanie statystyki przestrzennej do analizy wynagrodzeń na poziomie powiatów

• Authors: Marek Ręklewski

Title variants

EN

The use of spatial statistics in the analysis of salaries at poviat level in Poland

Abstracts

EN

The spatial differentiation of salaries is the subject of many scientific studies, both theoretical and empirical. One of the factors determining remuneration in Poland is the structure and type of business activity, specific for a given region and depending on its poviats (counties) in terms of the level of the average gross monthly salary by means of spatial autocorrelation statistical methods. The analysed statistical data for 2010–2019 come from the Local Data Bank (Bank Danych Lokalnych – BDL) of Statistics Poland. Global and local measures were used in the analysis. The calculation of the global parameters of spatial autocorrelation was based on the I Moran and C Geary statistics, while the Ii Moran statistic, which belongs to local spatial indicators from the LISA group (Local Indicators of Spatial Association), was used to identify the local autocorrelation. The statistical significance of the global statistics was verified by means of a randomisation approach based on theoretical moments. The I Moran and C Geary global statistics indicated a significant (very weak or weak) and positive spatial autocorrelation between poviats in terms of the level of average gross monthly salaries in 2010–2019, which shows the existence of spatial poviat structures of similar values, i.e. clusters with high or low values of average salaries. The increase in I Moran’s statistics and the growth of the C Geary in the analysed period indicate a decrease in the differentiation of average monthly salaries between poviats, thus signifying an increase in the dependence of spatial autocorrelation. The analysis of the results of the obtained local statistics allowed the determination of clusters of similar poviats in Poland, e.g. Mazowiecki, Pomorski and Śląski. Furthermore, the results of the analysis indicated the presence of outlier poviats.

PL

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).

Keywords

PL

wynagrodzenia; rynek pracy; statystyka przestrzenna; autokorelacja przestrzenna

EN

salary; labour market; spatial statistics; spatial autocorrelation

• Publisher: Główny Urząd Statystyczny
• Journal: Wiadomości Statystyczne. The Polish Statistician
• Year: 2022
• Volume: 67
• Issue: 1
• Pages: 38-56

Dates

published

2022

Contributors

author

Marek Ręklewski

• Państwowa Uczelnia Zawodowa we Włocławku, Instytut Nauk Społecznych i Technicznych / State Vocational University in Włocławek, Institute of Social and Technical Sciences

• https://orcid.org/0000000160363370

References

• 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.

Identifiers

DOI

10.5604/01.3001.0015.7087

Biblioteka Nauki

1968010