The Application Of Local Indicators For Categorical Data (LICD) In The Spatial Analysis Of Economic Development

Michał Pietrzak; Justyna Wilk; Roger S. Bivand; Tomasz Kossowski

doi:10.2478/cer-2014-0041

Autor

Michał Pietrzak Nicolaus Copernicus University, Faculty of Economic Sciences and Management, Department of Econometrics and Statistics
Justyna Wilk Wrocław University of Economics, Faculty of Economics, Management and Tourism, Department of Econometrics and Computer Science.
Roger S. Bivand Norwegian School of Economics (NHH), Department of Economics; Adam Mickiewicz University, Institute of Socio-Economic Geography and Spatial Management, Department of Spatial Econometrics.
Tomasz Kossowski Adam Mickiewicz University, Institute of Socio-Economic Geography and Spatial Management, Department of Spatial Econometrics.

DOI:

https://doi.org/10.2478/cer-2014-0041

Słowa kluczowe:

test join-count, zależność przestrzenna, lokalne wskaźniki zależności przestrzennych (LISA), eksploracyjna analiza danych przestrzennych (ESDA), rozwój gospodarczy, analiza taksonomiczna

Abstrakt

W artykule podjęto próbę zastosowania lokalnych wskaźników dla danych jakościowych (LICD) w przestrzennej analizie rozwoju gospodarczego. W pierwszej części omówiono testy służące do badania autokorelacji przestrzennej na podstawie danych jakościowych. W drugiej części zaprezentowano dwu etapowe badanie empiryczne obejmujące 66 polskich regionów klasy NUTS 3. Najpierw zidentyfikowano klasy regionów prezentujące różny poziom rozwoju gospodarczego, z wykorzystaniem taksonomicznych metod wielowymiarowej analizy statystycznej. Następnie zastosowano test join-count w celu określenia przestrzennych zależności między regionami. Bada on tendencje do tworzenia się klastrow przestrzennych. Test globalny wskazuje ogólne interakcje przestrzenne między regionami, natomiast testy lokalne dają szczegółowe wyniki w odniesieniu do poszczególnych regionów. Globalny test join-count ujawnił przestrzenne grupowanie się regionów o niskim poziomie rozwoju gospodarczego, nie potwierdził jednak zależności przestrzennych w odniesieniu do regionów dobrze rozwiniętych. Z tego względu badanie uzupełniono o zastosowanie lokalnego testu join-count. Ujawnił on występowanie pięciu klastrów przestrzennych i trzech regionów odstających. Zidentyfikowane zostały trzy klastry bogactwa. Ich rozwój bazuje na dyfuzyjnym oddziaływaniu regionalnych centrów wzrostu. Obszar Polski wschodniej oraz pólncno-zachodniej zajmują klastry biedy. Sytuacja pierwszego z nich jest pogarszana przez trzy indywidualne centra wzrostu, natomiast drugi klaster znajduje się poza zasięgiem dyfuzyjnego wpływu większych aglomeracji.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Anselin L. (1988), Spatial Econometrics: Methods and Models, Kluwer Academic, Dordrecht.
Google Scholar

Anselin L. (1995), Local indicators of spatial association - LISA, ‘Geographical Analysis’, Ohio State University Press, vol. 27, issue 2.
Google Scholar

Arbia G. (2006), Spatial Econometrics: Statistical Foundations and Applications to Regional Convergence, Springer-Verlag, Berlin Heidelberg.
Google Scholar

Bivand R.S. et al. (2014), The spdep package of R, http://cran.r-project.org
Google Scholar

Bivand R.S., Pebesma E.J., Gómez-Rubio V. (2008), Applied Spatial Data Analyses with R, Springer, New York.
Google Scholar

Boots B.( 2003), Developing local measures of spatial association for categorical data, ‘Journal of Geographical Systems’, Springer-Verlag, no. 5, 139-160.
Google Scholar

Chojnicki Z., Czyż T. (1973), Metody taksonomii numerycznej w regionalizacji geograficznej, PWN, Warszawa.
Google Scholar

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

Cliff A.D., Ord J.K. (1981), Spatial Processes: Models and Applications, Pion, London.
Google Scholar

Everitt B.S., Dunn G. (2001), Applied Multivariate Data Analysis, Arnold, London.
Google Scholar

Florek K., Łukaszewicz J., Perkal J., Steinhaus H., Zubrzycki S. (1951), Taksonomia wrocławska, ʻPrzegląd Antropologicznyʼ, Vol. XVII.
Google Scholar

Geary R. C. (1954), The contiguity ratio and statistical mapping, ʻThe incorporated Statisticianʼ, Vol. 5(3), pp. 115-145.
Google Scholar

Getis A., Ord J. K. (1992), The analysis of spatial association by distance statistics, ʻGeographical Analysisʼ, Vol. 24, Issue 4, pp. 189-206.
Google Scholar

Grabiński T. (1984), Wielowymiarowa analiza porównawcza w badaniach dynamiki zjawisk ekonomicznych, Akademia Ekonomiczna w Krakowie, seria specjalna: monografie, nr 61, Kraków.
Google Scholar

Grabiński T., Wydymus S., Zeliaś A. (1989), Metody taksonomii numerycznej w modelowaniu zjawisk społeczno-gospodarczych, PWN, Warszawa.
Google Scholar

Haining R. (2003), Spatial Data Analysis: Theory and Practice, Cambridge University Press, Cambridge.
Google Scholar

Hair J.F., Black W.C., Babin B.J, Anderson R.E., Tatham R.L. (2006), Multivariate Data Analysis, Pearson Prentice Hall, New Jersey.
Google Scholar

Hellwig Z. (1968), Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom ich rozwoju oraz zasoby i strukturę wykwalifikowanych kadr, ʻPrzegląd Statystycznyʼ, R. XV, zeszyt 4, s. 307-327.
Google Scholar

Hwang C. L., Lai Y. J., Liu T. Y. (1993), A new approach for multiple objective decision making, Computers and Operational Research, No20, pp 889-899.
Google Scholar

Hwang C.L., Yoon K. (1981), Multiple Attribute Decision Making: Methods and Applications, Springer-Verlag, New York.
Google Scholar

Kolenda M. (2006), Taksonomia numeryczna. Klasyfikacja, porządkowanie i analiza obiektów wielocechowych, Akademia Ekonomiczna im. Oskara Langego we Wrocławiu, Wrocław.
Google Scholar

Kopczewska K. (2006), Ekonometria i statystyka przestrzenna z wykorzystaniem programu R CRAN, Cedewu, Warszawa.
Google Scholar

LeSage J., Pace R.K. (2009), Introduction to Spatial Econometrics, Chapman & Hall/CRC, Boca Raton.
Google Scholar

Łuczak A., Wysocki F. (2011), Porządkowanie liniowe obiektów z wykorzystaniem rozmytych metod AHP i TOPSIS, ʻPrzegląd Statystycznyʼ, Vol. LVIII, Issue 1-2.
Google Scholar

Markowska M. (2012), Dynamiczna taksonomia innowacyjności regionów, Uniwersytet Ekonomiczny we Wrocławiu, Wrocław.
Google Scholar

Nowak E. (1990), Metody taksonomiczne w klasyfikacji obiektów społeczno-ekonomicznych, PWE, Warszawa.
Google Scholar

Paelinck J.H.P., Klaassen L.H. (1979), Spatial Econometrics, Saxon House, Farnborough.
Google Scholar

Pietrzak M.B, Wilk J,. Kossowski T., Bivand R. (2014), The identification of spatial dependence in the analysis of regional economic development - join-count test application, [in:] Papież M., Śmiech S. (Ed.), Proceedings of the 8TH Professor Aleksander Zelias International Conference on Modelling and Forecasting of Socio-Economic Phenomena.
Google Scholar

Pluta W. (1976), Wielowymiarowa analiza porównawcza w badaniach ekonomicznych, PWE, Warszawa. Strahl D. (ed.) (2006), Metody oceny rozwoju regionalnego, Wyd. Akademii Ekonomicznej we Wrocławiu, Wrocław.
Google Scholar

Suchecka J. (ed.) (2014), Statystyka przestrzenna. Metody analiz struktur przestrzennych, C.H. Beck., Warszawa.
Google Scholar

Suchecki B. (ed.) (2010), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa.
Google Scholar

Tobler W. (1970), A computer movie simulating urban growth in the Detroit region, ʻEconomic Geographyʼ, Oxford University Press, No 46(2), pp. 234-240.
Google Scholar

Walesiak M. (1993), Strategie postępowania w badaniach statystycznych w przypadku zbioru zmiennych mierzonych na skalach różnego typu, ʻBadania Operacyjne i Decyzjeʼ, No 1, pp. 71-77.
Google Scholar

Wysocki F. (2010), Metody taksonomiczne w rozpoznawaniu typów ekonomicznych rolnictwa i obszarów wiejskich, Uniwersytet Przyrodniczy w Poznaniu, Poznań.
Google Scholar

Yoon K. (1987), A reconciliation among discrete compromise situations,Journal of Operational Research Society, No 38, pp. 277-286.
Google Scholar