Przestrzenno‑czasowe modelowanie wpływu liczby podmiotów gospodarczych w wybranych ośrodkach miejskich na bezrobocie w województwie kujawsko‑pomorskim

Autor

  • Elżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu, Wydział Nauk Ekonomicznych i Zarządzania
  • Mateusz Jankiewicz Nicolaus Copernicus University in Toruń, Faculty of Economic Sciences and Management, Department of Econometrics and Statistics

DOI:

https://doi.org/10.18778/0208-6018.337.02

Słowa kluczowe:

podmioty gospodarcze, bezrobocie, rynek pracy, trend przestrzenny i przestrzenno‑czasowy, autokorelacja przestrzenna, przestrzenne i przestrzenno‑czasowe modele autoregresyjne

Abstrakt

Artykuł prezentuje analizę przestrzennych i czasowych tendencji i zależności dotyczących sytuacji na rynku pracy w województwie kujawsko‑pomorskim w układzie gmin w okresie 2004–2015. Celem badania jest sprawdzenie, czy – przy istniejących zależnościach – wzrost aktywności działalności gospodarczej przez zwiększenie liczby podmiotów gospodarczych w wybranych ośrodkach miejskich województwa, w których poziom bezrobocia jest wysoki, może obniżyć bezrobocie w całym województwie. Sytuacja na rynku pracy w poszczególnych gminach została oceniona na podstawie dwóch zmiennych, tj. udziału bezrobotnych zarejestrowanych w liczbie ludności w wieku produkcyjnym oraz liczby podmiotów gospodarczych na 10 tys. mieszkańców w wieku produkcyjnym. Z metodologicznego punktu widzenia wartości tych zmiennych traktuje się jako realizacje przestrzennych i przestrzenno‑czasowych procesów stochastycznych. Przestrzenne i przestrzenno‑czasowe tendencje i zależności zostały zbadane przy wykorzystaniu koncepcji trendu przestrzennego i przestrzenno‑czasowego oraz autokorelacji przestrzennej. Dodatkowo zostały oszacowane i zweryfikowane przestrzenne modele autoregresyjne poszczególnych procesów, a także przestrzenne modele zależności bezrobocia od liczby podmiotów gospodarczych w poszczególnych latach badanego okresu. Dokonano również specyfikacji przestrzenno‑czasowych modeli bezrobocia, w tym modelu uwzględniającego przesunięcia przestrzenne i opóźnienia czasowe rozważanej zależności. Modele te wykorzystano następnie do symulacji poziomu bezrobocia w województwie przy założeniu wzrostu liczby podmiotów gospodarczych w ustalonych ośrodkach miejskich.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

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

Anselin L., Florax R. J.G.M., Rey S. (2004), Advances in Spatial Econometrics. Methodology, Tools and Applications, Springer‑Verlag, New York.
Google Scholar

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

Bal‑Domańska B. (2014), Identifying Regional Diversification and Spatial Dependence of Employment in EU Regions as One of Social Cohesion Indicators, “Acta Universitatis Lodziensis. Folia Oeconomica”, vol. 5(307), pp. 7–26.
Google Scholar

Blinova T., Markow V., Rusanovskiy V. (2016), Empirical Study of Spatial Differentiation of Youth Unemployment in Russia, “Acta Oeconomica”, vol. 66(3), pp. 507–526.
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

Cressie N. A.C. (1993), Statistics for Spatial Data, John Wiley & Sons Inc., New York.
Google Scholar

Gawrycka M., Szymczak A. (2010), Przestrzenne zróżnicowanie rynków pracy z punktu widzenia popytu na pracę, “Współczesna Ekonomia”, no. 1(13), pp. 47–58.
Google Scholar

Haining R. (2005), Spatial Data Analysis. Theory and Practice, 3th ed., Cambridge University Press, Cambridge.
Google Scholar

LeSage J., Pace K. R. (2009), Introduction to Spatial Econometrics, Champion & Hall/CRC, Boca Raton–London‑New York.
Google Scholar

Moran P. A.P. (1950), The Interpretation of Statistical Maps, “Journal of the Royal Statistical Society”, Series B, 10, pp. 243–251.
Google Scholar

Nosek V., Netrdova P. (2014), Measuring Spatial Aspects of Variability. Comparing Spatial Autocorrelation with Regard Decomposition in Internal Unemployment Research, “Historical Social Research – Historische Socialforschung”, vol. 39(2), pp. 292–314.
Google Scholar

Perugini C., Signorelli M. (2007), Labour Market Performance Differentials and Dynamics in EU–15 Countries and Regions, “The European Journal of Comparative Economics”, vol. 4(2), pp. 209–262.
Google Scholar

Pillet F., Cañizares M. C., Ruiz A. R., Martínez H., Plaza J., Santos J. F. (2014), Applying the European Spatial Development Perspective in Low‑density Regions: a Methodology Based on Mobility and Labour Market Structure, “Urban Studies”, vol. 51(3), pp. 577–595.
Google Scholar

Schabenberger O., Gotway C. A. (2005), Statistical Methods for Spatial Data Analysis, Champion & Hall/CRC, Boca Raton–London‑New York.
Google Scholar

Semerikova E. (2015), Spatial Patterns of German Labor Market: Panel Data Analysis of Regional Unemployment, [in:] Ch. Mussida, F. Pastore (eds.), Geographical Labor Market Imbalances: Recent Explanations And Cures, Springer, Berlin–Heidelberg.
Google Scholar

Strategia rozwoju województwa kujawsko‑pomorskiego do roku 2020 – Plan modernizacji 2020+ (The 2020 Development Strategy for the Kujawsko‑Pomorskie Voivodeship and the 2020+Modernisation Plan), http://www.mojregion.eu/files/dokumenty%20rpo/konkursy_nabory/3.1_Wspieranie%20wytwarzania%20i%20dystrybucji%20energii%20pochodzacej%20ze%20zrodel%20odnawialnych_nr_102_30_05_2017/Strategia_rozwoju_wojewodztwa_kujawsko‑pomorskiego_do_roku_2020__plan_modernizacji_2020+.pdf [accessed: 10.01.2017].
Google Scholar

Szulc E. (2007), Ekonometryczna analiza wielowymiarowych procesów gospodarczych (Econometric Analysis of Multidimensional Economic Processes), UMK, Toruń.
Google Scholar

Szulc E. (2011), Identification of the Structures of Spatial and Spatio‑Temporal Processes and a Problem of Data Aggregation, “Dynamic Econometric Models”, vol. 11, pp. 4–20.
Google Scholar

Szulc E., Jankiewicz M. (2017), The Labour Market Situation in Medium‑Sized Urban Centres of the Kujawsko‑Pomorskie Voivodeship and the Problem of Unemployment in the Province, [in:] M. Papież, S. Śmiech (eds.), The 11th Professor Aleksander Zelias International Conference on Modelling and Forecasting of Socio‑Economic Phenomena. Conference Proceedings, http://pliki.konferencjazakopianska.pl/proceedings_2017/pdf/Szulc_Jankiewicz.pdf [accessed: 12.05.2017].
Google Scholar

Szulc E., Müller‑Frączek I., Pietrzak M. (2011), Modelowanie zależności między ekonomicznymi procesami przestrzennymi a poziom agregacji danych (Modelling of Dependence between Economic Spatial Processes and Level of Data Aggregation), “Acta Universitatis Lodziensis. Folia Oeconomica”, vol. 253, pp. 327–344.
Google Scholar

Tokarski T. (2005), Regionalne zróżnicowanie rynku pracy, “Wiadomości Statystyczne”, no. 11, pp. 67–88.
Google Scholar

Vega S. H., Elhorst J. P. (2014). Modelling Regional Labour Market Dynamics in Space and Time, “Papers in Regional Science”, vol. 93(4), pp. 819–841.
Google Scholar

Opublikowane

2018-09-20

Jak cytować

Szulc, E., & Jankiewicz, M. (2018). Przestrzenno‑czasowe modelowanie wpływu liczby podmiotów gospodarczych w wybranych ośrodkach miejskich na bezrobocie w województwie kujawsko‑pomorskim. Acta Universitatis Lodziensis. Folia Oeconomica, 4(337), 21–37. https://doi.org/10.18778/0208-6018.337.02

Numer

Dział

Artykuł

Podobne artykuły

<< < 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 > >> 

Możesz również Rozpocznij zaawansowane wyszukiwanie podobieństw dla tego artykułu.