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

Results found: 4

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  NUTS 2 regions
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1

Human Capital in the Visegrad Group NUTS 2 Regions. Convergence or Divergence?

100%
Dańska-Borsiak B.
Barometr Regionalny. Analizy i prognozy
|
2018
|
issue 1(51)
19-29
EN
An important objective of the European Union cohesion policy is to remove economic disparities between the various regions. One of the factors capable of stimulating or slowing the development process is human capital. The specialist literature provides many alternative human capital measurement concepts. In quantitative research, various composite measures are most commonly used. Such a measure was also developed in this study. The main aims of the study were: to construct a human capital measure for the Visegrad Group countries’ NUTS 2 regions, to examine whether spatial relationships occur in the distribution of human capital in the studied area and to analyze regional convergence in terms of human capital levels in the years 2001–2015. The study applied the marginal vertical beta-convergence concept, which enables the determination of individual contributions of particular regions to the general convergence process characterizing all the studied objects. Dynamic panel data models were used to study convergence, and Moran’s global and local statistics were used for inference about spatial dependencies. As expected, no spatial autocorrelation was found. In contrast, the hypothesis of convergence was confirmed and regions that contribute to the weakening of its pace were identified.
PL
Istotnym celem polityki spójności Unii Europejskiej jest usuwanie regionalnych nierówności gospodarczych. Jednym z czynników determinujących różnice w poziomie rozwoju regionalnego jest kapitał ludzki, mogący dynamizować bądź spowalniać proces rozwoju. W literaturze przedmiotu pojawiło się wiele alternatywnych koncepcji pomiaru kapitału ludzkiego. W badaniach ilościowych bardzo często wykorzystywane są różnego rodzaju miary syntetyczne. Tego typu miarę skonstruowano też na potrzeby prezentowanego badania. Głównymi celami badania są: konstrukcja miary kapitału ludzkiego dla regionów NUTS 2 krajów Grupy Wyszehradzkiej, zbadanie, czy występują zależności przestrzenne w rozkładzie kapitału ludzkiego na badanym obszarze, analiza konwergencji regionalnej pod względem poziomu kapitału ludzkiego w latach 2001–2015. Wykorzystano koncepcję krańcowej pionowej konwergencji typu beta, która pozwala na określenie indywidualnego wkładu poszczególnych regionów w ogólny proces konwergencji charakteryzujący wszystkie badane obiekty. Do badania konwergencji zastosowano dynamiczne modele danych panelowych, a do wykrywania zależności przestrzennych — globalną i lokalne statystyki Morana. Zgodnie z oczekiwaniami, nie stwierdzono występowania zależności przestrzennych. Hipoteza o występowaniu konwergencji została natomiast potwierdzona, przy czym zidentyfikowano regiony, które osłabiają tempo zbieżności.
2
Publication available in full text mode
Content available

Konkurencyjność polskich regionów na tle regionów państw członkowskich UE

100%
Grodzka D.
Studia BAS
|
2017
|
issue 1(49)
169-202
EN
The aim of the paper is to rank sixteen Polish regions (voivodeships) according to their competitive position and show differences and regional contrasts in comparison to EU member states. The paper begins with a general overview of the concept of competitiveness. The second section examines the ways of measuring regional competitiveness. One of applied indicators is Regional Competitiveness Index (RCI) which aims to identify the strengths and weaknesses of each of the EU NUTS 2 regions. Next, the author looks at selected aspects of the competitiveness of Polish regions. The starting point for this analysis is a comparative assessment of the competitiveness of all regions in the EU.
3
Publication available in full text mode
Content available

Ocena zmian struktury pracujących w unijnych regionach szczebla NUTS 2 z wykorzystaniem miary Braya i Curtisa

72%
Markowska M.
Prace Komisji Geografii Przemysłu Polskiego Towarzystwa Geograficznego
|
2015
|
vol. 29
|
issue 2
7-22
PL
Celem artykułu jest ocena zmian struktury pracujących, zaobserwowanych w europejskiej przestrzeni regionalnej szczebla NUTS 2. Struktura pracujących zostanie ujęta w układzie trzech sektorów gospodarki, czyli rolnictwa, przemysłu i usług. Zakres czasowy prowadzonych badań dotyczy dwóch zazębiających się okresów, lat 2000–2008 i 2008–2012, co wynika ze sposobu prezentacji danych w bazach Eurostatu (zmiana podejścia do nomenklatury Europejskiej Klasyfikacji Działalności Gospodarczej NACE z 1997 roku, która w 2008 roku została uaktualniona). Przyczyny zmian to głównie pojawienie się nowych dziedzin działalności, zwłaszcza tych związanych z usługami i technologiami informacyjnymi oraz komunikacyjnymi. W nowym układzie NACE różnią się głównie dane na temat działalności firm, a z tego powodu także dane dotyczące rynku pracy, w tym – przykładowo – zmieniły się definicje pracujących w przemysłach wysokiej technologii i usługach opartych na wiedzy, co spowodowało utratę porównywalności. Jako metodę badawczą zastosowano w pracy miarę zróżnicowania struktur, co umożliwi identyfikację intensywności przeobrażeń na rynku pracy w czasie i przestrzeni.
EN
The aim of the paper is the evaluation of the changes observed in the employment structure at the European regional space of NUTS 2 level. The employment structure is expressed in three elements: agriculture, industry and services. Data covers two overlapping periods: 2000–2008 and 2008–2012. This is because of the changes in Eurostat data bases imposed by the update of European Classification of Economic Activities introduced in 2008 to the original regulation from 1997. New activities were defined, mainly in the field of information services and technologies. In new system, information on enterprises and labour market and some definitions in high-tech industries and services are not fully comparable with the old one. This problem is discussed in the paper. The measure of structures diversity is the basic research method for the analysis presented in the paper. It makes it possible to identify the intensity of labour market changes in both time and space.
4
Publication available in full text mode
Content available

Dostosowanie przedsiębiorstw do wymogów czwartej rewolucji przemysłowej – ujęcie regionalne

72%
Sokołowski A., Markowska M.
Wiadomości Statystyczne. The Polish Statistician
|
2021
|
vol. 66
|
issue 1
32-48
PL
The aim of the paper is to propose a composite indicator characterising the level of development of Polish NUTS 2 regions with respect to the implementation and results of the changes the fourth industrial revolution (Industry 4.0) entails, and to present a ranking of regions illustrating the degree to which enterprises have adjusted to the requirements of Industry 4.0. Data used for the calculations have been based on the results of an experimental research conducted by Statistics Poland (GUS) in 2019. Two methods for constructing the composite indicators have been used - classical and iterative which is to assess the indicator's resilience to the influence of any potential outliers. 10 sub-criteria, covered by 21 variables have been taken into account. Opolskie region appeared to be the best NUTS 2 region in Poland in terms of the implementation of the requirements outlined by Industry 4.0. The evaluation of the proposed composite indicator will be possible when comparing it with the results of similar surveys carried out by GUS in the future.
EN
Celem artykułu jest zaproponowanie agregatowego wskaźnika poziomu rozwoju polskich regionów szczebla NUTS 2 w zakresie wdrażania i efektów rozwiązań charakteryzujących czwartą rewolucję przemysłową (Przemysł 4.0) oraz przedstawienie rankingu regionów pod względem dostosowania przedsiębiorstw do wymogów Przemysłu 4.0. Podstawą obliczeń były wyniki badania eksperymentalnego przeprowadzonego przez GUS w 2019 r. Zastosowano dwie metody wyznaczania wskaźnika agregatowego: klasyczną oraz iteracyjną, która uwzględnia ocenę odporności wskaźnika na ewentualne obserwacje odstające. Zakres przedmiotowy obejmował 10 podkryteriów, a w ich ramach – 21 cech statystycznych. Przodującym regionem pod względem wdrażania rozwiązań z zakresu Przemysłu 4.0 okazało się woj. opolskie. Ocena trafności zaproponowanego wskaźnika będzie możliwa na podstawie porównań z wynikami analogicznych badań GUS przeprowadzanych w kolejnych latach.
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.