Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 7

first rewind previous Page / 1 next fast forward last

Search results

help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

Miasta wojewódzkie a ich otoczenie – trendy zmian sektorowej struktury pracujących

100%
Markowska M., Strahl D.
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
|
2017
|
issue 477
135-143
PL
Celem artykułu jest ocena trendów zmian sektorowej struktury pracujących w polskich miastach – stolicach województw i ich otoczeniu (powiatach sąsiadujących) w latach 2005-2014. Wykorzystano dane GUS (BDL) o liczbie pracujących w sektorach (rolnictwo, przemysł, finanse, handel i usługi) w wybranych jednostkach terytorialnych szczebla NUTS 4 – 18 miast będących administracyjnymi centrami polskich regionów oraz 44 sąsiadujące z nimi powiaty. Do ustalenia trendów zmian posłużyła modyfikacja miary podobieństwa struktur, co pozwoliło na wydzielenie grup miast, w których nastąpiło – w sensie upodabniania – zbliżanie (9 miast) lub oddalanie się (4) struktur pracujących w analizowanym okresie, oraz budowę prognoz zmian na trzy kolejne lata.
2
Publication available in full text mode
Content available

European Regional Space Classification Regarding Smart Growth Level

100%
Markowska M., Strahl D.
Comparative Economic Research. Central and Eastern Europe
|
2012
|
vol. 15
|
issue 4
233-247
EN
Europe 2020 strategy, as the successor of Lisbon strategy, represents the vision of social market economy for Europe of the 21st century covering three related priorities: 1/ smart growth: knowledge based economy and innovation growth; 2/ sustainable growth: support for effective and taking advantage of resources economy which is more environmentally friendly and more competitive; 3/ inclusive growth: support for high employment level economy providing social and territorial cohesion. The paper presented classification results including European regional space positional statistics regarding advancement and smart growth level in NUTS 2 regions. Regional smart growth covers three pillars: innovation, creativity (Knowledge Based Economy) and smart specialization illustrated by characteristics available in Eurostat data resources. These qualities constituted the basis for constructing aggregate measures for specific pillars and also for the purposes of regional classification. The results of obtained classes were assessed in an overall European space, in groups of regions distinguished in line with integration processes chronology and also in capital regions and these including the country capital, as well as in the system of Polish regions.
3
Publication available in full text mode
Content available

Klasyfikacje krajów Unii Europejskiej z uwagi na struktury zatrudnienia w sektorach i wybranych sekcjach – ocena zgodności podziałów

100%
Markowska M., Strahl D.
Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego
|
2020
|
vol. 34
|
issue 1
7-19
EN
The aim of the paper is to analyse and evaluate the relation between sector employment structure (sectors are as follows: 1. Agriculture, forestry and fishing; mining and quarrying; 2. Manufacturing; 3. Electricity, gas, steam and air conditioning supply; water supply and construction; 4. Services) and employment structure at selected high technology and knowledge-intensive employment sections in European Union countries. Complete linkage method was used to cluster countries characterised by sector and section employment structures separately, for sector and section structures, and for 2008 and 2018. Respectively 8 and 6 groups of countries in those years have been found with respect to sector structure, while 8 and 9 for high technology and knowledge-intensive sections. Divisions have been compared with Sokołowski’s (1976) measure similar to Rand index. The results are as follows: sector structures between 2008 and 2018 – 0.839; section structures between 2008 and 2018 – 0.913; between sector and section structures in 2008 – 0.704; between sector and section structures in 2018 – 0.807.
PL
Zasadniczym celem artykułu jest ocena (z wykorzystaniem miary podobieństwa podziałów) związku między sektorową strukturą zatrudnienia (sektory: 1 – rolnictwo, leśnictwo i rybołówstwo; górnictwo i wydobywanie; 2 – przemysł; 3 – zaopatrzenie w energię elektryczną, gaz, parę wodną i klimatyzację; zaopatrzenie w wodę i budownictwo; 4 – usługi) a strukturą zatrudnienia w wybranych sekcjach tych sektorów, wydzielonych z uwagi na zaawansowanie technologiczne i intensywność wykorzystania wiedzy, w krajach Unii Europejskiej. Klasyfikacja państw Unii Europejskiej metodą pełnego wiązania, ze względu na strukturę zatrudnienia w sektorach oraz ocenianych sekcjach w roku 2008 i 2018, umożliwiła wydzielenie, w granicznych latach, różnolicznych grup: odpowiednio ośmiu i sześciu grup krajów, uwzględniając strukturę zatrudnienia w sektorach, oraz ośmiu i dziewięciu grup krajów w przypadku wyodrębnionych sekcji przemysłu o odmiennych poziomach zaawansowania technologicznego i usług, o różnej intensywności wykorzystania wiedzy. Do oceny podobieństwa otrzymanych klasyfikacji, a w konsekwencji do oceny relacji między badanymi strukturami zatrudnienia, stanowiącej cel badawczy artykułu, wykorzystano zaproponowaną przez A. Sokołowskiego (1976) miarę podobieństwa podziałów, która dla ocenianych układów wynosiła: struktury sektorowe w roku 2008 i 2018 – 0,839, struktury sekcji w roku 2008 i 2018 – 0,913, struktury sektorowe i w sekcjach w roku 2008 – 0,704, struktury sektorowe i w sekcjach w roku 2018 – 0,807.
4
Publication available in full text mode
Content available

Dynamiczna klasyfikacja regionów UE ze względu na strukturę rynku pracy – pozycja regionów polskich

81%
Markowska M., Sokołowski A., Strahl D., Sobolewski M.
Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego
|
2015
|
vol. 29
|
issue 2
23-36
PL
W pracy zaprezentowano wyniki dynamicznej klasyfikacji regionów Polski na tle regionów Unii Europejskiej szczebla NUTS 2 ze względu na strukturę zatrudnionych w trzech podstawowych sektorach gospodarki: rolnictwie, przemyśle i usługach. Okres analizy obejmuje lata 2000–2012. W 2008 roku Europejska Klasyfikacja Działalności Gospodarczej została uaktualniona oraz zmieniona i dla tego roku istnieją dwa zestawy danych. Wykorzystano je do oszacowania równań regresji, które w dalszej kolejności posłużyły do przeliczenia danych dla lat 2000–2007 na system uaktualniony. Podstawowa metoda badawcza to dynamiczna analiza skupień, w której przedmiotem grupowania są obiekto-okresy (operacyjne jednostki taksonomiczne – OJT). To podejście umożliwia śledzenie zmian zarówno w czasie, jak i w przestrzeni oraz pozwala na zidentyfikowanie typowych struktur zatrudnienia. Istotna zmiana struktury zatrudnienia w regionie skutkuje przemieszczeniem się tego regionu do innej grupy. Wyniki mogą być analizowane na poziomie regionów, a także na poziomie państw. W ramach analizy skupień liczba grup jest identyfikowana przez ocenę dendrogramu uzyskanego metodą Warda, natomiast ostateczny podział dokonywany jest metodą k-średnich. Oceniana jest też stabilność grup i ich zdolność przyciągania innych regionów.
EN
The results of dynamic classification of Polish regions within the framework of European NUTS 2 units, characterized by employment structure in three sectors: agriculture, industry and services, are presented in the paper. The analysis covers 2000–2012 period. In 2008 the European Classification of Economic Activities was changed and revised and for that year two sets of data are available. They were the information base for the regression models used later to recalculate 2000–2007 data and make it homogeneous to the current system. Dynamic cluster analysis is the basic method used throughout this research. Spatio-temporal units are treated as subjects for classification (operational taxonomic units – OTU). This approach makes it possible to track changes both in time and geographical space as well as to identify typical labour market structures. Change in labour market structure is considered significant if a region is changing its group membership. The number of clusters is identified by the analysis of Ward’s method dendrogram and final partition is obtained by k-means method. Finally, the stability and attractiveness of clusters is evaluated.
5
Publication available in full text mode
Content available

Taksonomia dynamiki zmian struktury zatrudnienia w nowoczesnym przemyśle i usługach, w regionach Unii Europejskiej

81%
Markowska M., Strahl D., Sokołowski A.
Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego
|
2014
|
vol. 26
46-64
PL
Celem pracy jest analiza zmian udziału zatrudnionych w nowoczesnych, rozwiniętych technologicznie usługach i przemyśle w regionach Unii Europejskiej na poziomie NUTS 2. Wykorzystano dane z lat 1999–2008, kiedy były one w miarę kompletne i porównywalne. Dla każdej cechy osobno i dla każdego regionu oszacowano tendencję rozwojową. Współczynniki trendu potraktowano jako zmienne wejściowe do analizy taksonomicznej. Przy pomocy metody Warda zidentyfikowano liczbę grup regionów, różniących się modelem dynamiki zmian zatrudnienia w analizowanych sferach. Ostateczny podział regionów ze względu na dynamikę uzyskano przy pomocy metody k-średnich. Wyniki grupowania były weryfikowane przy pomocy jednoczynnikowej analizy wariancji. Na końcu ustalono modele dynamiki typowe dla wyróżnionych grup regionów.
EN
The objective of the study is to analyze changes of employment share in modern, high-tech services and industry in the European Union regions at NUTS 2 level. The data covering the period of 1999–2008 were used since they are relatively complete and comparable. The growth tendency, separately for each quality/property and for each region, was estimated. Trend coefficients were used as input variables for the purposes of cluster analysis. By applying Ward’s method identified was the number of regional clusters, which differ by the model of employment changes dynamics in the analyzed spheres. The ultimate division of regions in terms of dynamics was obtained by using the k-means method. The results of clustering were verified by applying one-way analysis of variance. Finally the models of dynamics typical for the distinguished clusters of regions were specified.
6
Publication available in full text mode
Content available

Dynamiczne skalowanie wielowymiarowe w analizie zmian struktury zatrudnienia w krajach Unii Europejskiej w latach 1999–2016

81%
Markowska M., Sokołowski A., Strahl D.
Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego
|
2019
|
vol. 33
|
issue 1
7-17
EN
Multidimensional Scaling method makes it possible to show the configuration of multivariate objects in the space with less dimensions than the original one (usually on the plane) in such a way that a distance matrix calculated in lower dimension is the most similar to the distance matrix calculated in the original multivariate space. The application of this approach for the analysis of spatio-temporal structures is presented in the paper. Structures are described by shares, so no standardisation (or normalisation) is needed to eliminate the measurement units. Separate Multidimensional Scaling is performed for each time point. On the sequence of results we can follow the changes of object position. Those trajectories can be approximated by trend functions. The example considered in the paper deals with the employment structure in 28 European Union countries in 1999–2016. Structures are calculated on the basis of 10 aggregated sections of the economy.
PL
Skalowanie wielowymiarowe to metoda pozwalająca na przedstawienie obserwacji złożonych w przestrzeni o mniejszej liczbie wymiarów (zazwyczaj na płaszczyźnie) w taki sposób, aby macierz odległości liczonych na płaszczyźnie była jak najbardziej podobna do macierzy liczonej w przestrzeni oryginalnej. W pracy przedstawiono propozycję wykorzystania tego podejścia w analizie struktur przestrzenno-czasowych. Struktury są opisane udziałami, zatem nie jest konieczna procedura doprowadzania udziałów do porównywalności ze względu na jednostkę miary. Dla każdej jednostki czasu przeprowadzane jest osobne skalowanie wielowymiarowe. Ciąg wyników pozwala śledzić przemieszczanie się badanych obiektów względem innych w zbiorze. Te trajektorie można aproksymować funkcjami trendu. Rozważany przykład merytoryczny to analiza struktur zatrudnienia w 28 krajach Unii Europejskiej w latach 1999–2016. Struktury te liczone są w podziale na 10 zagregowanych sekcji.
7
Publication available in full text mode
Content available

Podobieństwo struktur zatrudnienia w krajach Unii Europejskiej w latach 2008–2017 – ocena dynamiki

81%
Markowska M., Strahl D., Sobczak E., Hlaváček P.
Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego
|
2019
|
vol. 33
|
issue 4
EN
The aim of the paper is to identify groups of European Union countries similar in terms of employment structures, applying the furthest neighbour agglomerative clustering procedure with dynamic approach.The employment data for UE countries is reported in 10 sections: agriculture, industry, construction, trade, information, finance and insurance, real estate, professional services, administration, culture. A research presented covers the period of 2008–2017. Distance matrices for the dissimilarity of employment structures in EU countries have been calculated separately for each year. Then, the furthest neighbour method has been applied (which is next to Ward method in group identification efficiency) with the critical agglomerative distance of 0.15. It means that two groups can be merged if the furthest distance between objects belonging to different groups is not bigger than 0.15. Cutting dendrograms in this way we found that the resulting groups of countries for consecutive years are rather similar. Luxemburg and Romania formed a single­‑object groups in every year. Three main groups have been identified within other EU countries. Dynamics of these groups content, and average structures is discussed.
PL
Celem pracy jest identyfikacja grup krajów Unii Europejskiej podobnych co do struktury zatrudnienia w ujęciu dynamicznym, z wykorzystaniem metody aglomeracyjnej najdalszego sąsiedztwa.W ocenie wykorzystano informacje o zatrudnieniu w krajach Unii Europejskiej, dokumentowane m.in. w podziale na 10 sekcji: rolnictwo, przemysł, budownictwo, handel, informacja, finanse i ubezpieczenia, nieruchomości, usługi profesjonalne, sfera budżetowa, kultura. Analizowane są podobieństwa struktur zatrudnienia w krajach Unii Europejskiej w latach 2008–2017. Dla każdego roku osobno wyznaczono macierz odległości (niepodobieństwa) struktur zatrudnienia pomiędzy krajami UE. Wykorzystując tę macierz, zastosowano taksonomiczną metodę aglomeracyjną najdalszego sąsiedztwa, która po metodzie Warda jest drugą co do skuteczności metodą odkrywania grup podobnych w zbiorach analizowanych obiektów. Wybór metody zdeterminowany był wykorzystaną miarą odległości, jak również jej elastycznością – na podstawie analizy porównawczej uzyskanych dendrogramów – poziomu cięcia dendrogramu. W pracy, po obserwacji otrzymanych drzew klasyfikacyjnych, przyjęto odległość krytyczną jako 0,15. Oznacza to, że dwie grupy obiektów mogą być połączone, jeżeli najdłuższa odległość pomiędzy obiektami należącymi do różnych podgrup nie przekracza 0,15. Przy cięciu dendrogramu na poziomie 0,15 otrzymano dla każdego roku podział krajów UE na grupy zbliżone co do struktury zatrudnienia. Okazało się, że Luksemburg oraz Rumunia we wszystkich latach stanowiły osobne, jednoelementowe grupy. Dla pozostałych krajów wyróżniono trzy zasadnicze grupy.Poddano analizie zmiany składu grup w czasie oraz dynamikę średnich struktur dla grup.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.