VS - CS - 2012

Transkript

VS - CS - 2012

Nerovnosť a chudoba
v Európskej únii a na Slovensku
Zborník statí
Iveta Pauhofová
Tomáš Želinský
(editori)
Editori
doc. Ing. Iveta PAUHOFOVÁ, CSc.
Ekonomický ústav, Slovenská akadémia vied
Ing. Tomáš ŽELINSKÝ, PhD.
Ekonomická fakulta, Technická univerzita v Košiciach
Vydala Ekonomická fakulta, Technická univerzita v Košiciach
Prvé vydanie, 2012
Náklad 150 ks
Grafický návrh obálky: Mgr. art. Andrej Haščák, ArtD.
Text neprešiel jazykovou úpravou. Za obsah príspevkov zodpovedajú jednotliví autori.
Recenzenti
doc. RNDr. Jan COUFAL, CSc.
Fakulta informatiky a statistiky, Vysoká škola ekonomická v Praze
prof. Ing. Peter STANĚK, CSc.
doc. Ing. Iveta STANKOVIČOVÁ, PhD.
Fakulta managementu, Univerzita Komenského v Bratislave
ISBN 978-80-553-1225-5
Organizovanie konferencie a vydanie zborníka bolo podporené Vedeckou grantovou
agentúrou MŠ SR a SAV v rámci riešenia vedeckovýskumných projektov VEGA
1/0127/11 Priestorová distribúcia chudoby v Európskej únii a VEGA 2/0004/12 Paradigmy budúcich zmien v 21. storočí (geopolitické, ekonomické a kultúrne aspekty).
4 ■ NEROVNOSŤ A CHUDOBA V EURÓPSKEJ ÚNII A NA SLOVENSKU
Obsah
Úvodné slovo................................................................................................................................................. 6
STATE
Vývoj a komparácia vybraných charakteristík nerovností a chudoby v krajinách EÚ ..................... 11
Anton MICHÁLEK, Zuzana VESELOVSKÁ
Studie distribuce monetární chudoby v EU v závislosti na pohlaví a věkové kategorii jedince......... 23
Jitka BARTOŠOVÁ, Marie FORBELSKÁ
Súvislosti starnutia Európskej populácie vo väzbe na formovanie domáceho dopytu ....................... 33
Iveta PAUHOFOVÁ, Michal PÁLENÍK
Možnosti merania majetkovej chudoby na Slovensku ........................................................................... 39
Ľudmila IVANČÍKOVÁ, Róbert VLAČUHA
Generovanie chudoby vo vidieckych regiónoch Slovenska v krízovom období ................................... 49
Iveta PAUHOFOVÁ
Vplyv ekvivalentnej škály na mieru rizika monetárnej chudoby v krajoch Slovenska ...................... 57
Tomáš ŽELINSKÝ, Alena TARTAĽOVÁ
SST index a jeho zložky ako indikátory monetárnej chudoby a nerovnosti v Českej
a Slovenskej republike v rokoch 2004 až 2008 ........................................................................................ 67
Lukáš PASTOREK, Tomáš VENIT
Analýza diferenciácie najvyšších miezd slovenských zamestnancov .................................................... 75
Viera PACÁKOVÁ
Regionálne porovnanie nerovnosti miezd zamestnancov SR aplikáciou kappa kvantilových
modelov ....................................................................................................................................................... 87
Ľubica SIPKOVÁ, Juraj SIPKO
Rozdelenie príjmov na Slovensku: Analýza citlivosti rozdelenia príjmov na voľbu
ekvivalentnej škály..................................................................................................................................... 99
Alena TARTAĽOVÁ, Tomáš ŽELINSKÝ
Miery príjmovej nerovnosti .................................................................................................................... 107
Viera LABUDOVÁ
Příjmové nerovnosti podnikatelské a nepodnikatelské sféry v České republice ............................... 113
Jitka LANGHAMROVÁ, Ondřej ŠIMPACH
Nerovnost mezi regiony České republiky u podnikatelské sféry z hlediska trhu práce ................... 123
Tomáš LÖSTER
Obsah ■ 5
Hodnocení regionálních disparit užitím Bayesovy věty ....................................................................... 131
Pavla JINDROVÁ
Priame zahraničné investície a príjmová nerovnosť ........................................................................... 139
Beáta STEHLÍKOVÁ
To what Extent European Development Aid Is Linked to Donors’ Political or Commercial
Interests in Developing World? .............................................................................................................. 147
Katarína RIMEGOVÁ
Informácie o konferencii ......................................................................................................................... 154
Conference Information .......................................................................................................................... 155
Úvodné slovo
Súčasný obraz krajín Európskej únie nie je možné opísať cez procesy, ktoré by mohli
mať charakter konvergencie. Znamená to, že väčšina i spoločných politík je buď od začiatku
snáh o konvergenciu zle nastavená, resp. v krajinách v rámci jednotlivých politík nedochádza
k adekvátnemu zohľadňovaniu zmien po zlomovom roku 2008. Nerovnosti v rôznych oblastiach ekonomického a spoločenského života sa v krízových podmienkach prehlbujú, v mnohých regiónoch únie sa spoločnosť viditeľne polarizuje a chudoba nadobúda neželateľné podoby. Tieto sú spojené nielen s rastom nezamestnanosti, ale aj s brzdením mzdového vývoja.
Uvedené sa vo významnej miere dotýka predovšetkým nových členských krajín Európskej
únie.
Požiadavka stabilizovania hospodárskeho vývoja i jeho isté oživenie však predpokladá
adekvátny rast spotreby, ktorá je okrem ďalších faktorov určovaná vývojom príjmov domácností a rozhodnutiami na spotrebiteľskom trhu. V rámci konvergenčných procesov sa malo
postupne dosiahnuť významné priblíženie príjmových úrovní jednotlivých členských krajín
EÚ, nakoľko úroveň príjmov v nových členských krajinách bola v období vstupu do EÚ signifikantne nižšia ako v tradičných členských krajinách. Súčasnosť ale dokumentuje vývoj, pre
ktorý je charakteristické prehlbovanie regionálnych nerovností i vnútri jednotlivých krajín,
kde sa v stratifikácii príjmov obyvateľstva zásadne posilňuje pozícia nízkopríjmových domácností a taktiež veľmi úzkej skupiny bohatých. Je reálny predpoklad, že ďalšia etapa krízy
bude mať prívlastok kríza spotreby a premietne sa spolu s obmedzovaním produkčných kapacít v európskom priestore do ďalších negatívnych väzieb trhu práce a mzdového vývoja.
Isté očakávania v smere príspevku k oživeniu hospodárskeho rastu sú kladené na využitie potenciálu, ktorý reprezentuje starnúce obyvateľstvo Európy. Teda nie zohľadňovanie
aspektu záťaže sociálneho a penzijného systému, ale využitie potenciálneho dopytu, ktorý rastúci počet seniorov v európskom priestore predstavuje v krátkodobom i strednodobom horizonte. Rozdiely v úrovni starobných dôchodkov sú v rámci EÚ extrémne a úmerne sa odrážajú v štruktúre spotrebných výdavkov domácností seniorov. Priepastné rozdiely v úrovni starobných dôchodkov medzi tradične vyspelými ekonomikami a novými krajinami EÚ dávajú
odpoveď na možnosti realizácie tejto koncepcie v krajinách nových členov EÚ. Z pohľadu
exportného zamerania zase na to, či prenechanie trhov veľkých malým je reálne, navyše
v podmienkach, kedy sa manévrovací priestor pre export veľkých radikálne zužuje.
Zámerom zborníka je ponúknuť odbornej i laickej verejnosti širšie spektrum pohľadov
na mimoriadne závažnú a aktuálnu problematiku nerovností a chudoby v európskom priestore, ktorá sa dotýka i začiatočného obdobia krízy a jej sprievodných javov. Jednotlivé state sú
postavené na využití metodologického aparátu ekonómie, sociológie, geografie, ekonometrie
a štatistiky. Výsledky mnohých komparatívnych analýz pozornému čitateľovi umožňujú vytvoriť si nielen mozaiku súvislostí v oblasti nerovností, ale tiež hierarchiu problémov, ktoré sú
v súčasnosti viac zreteľné, v porovnaní s obdobím vstupu jednotlivých krajín do EÚ. Jednotlivé metodiky uvedené v statiach sú zároveň istým prehľadom vhodných postupov pri identifikovaní ciest k objasneniu zásadných problémov a pri overovaní stanovených hypotéz.
Úvodné slovo ■ 7
Zacielenie dotknutej problematiky na Slovensko a jeho regióny je významnou súčasťou tohto zborníka. V zásade je zámerom získanie informácií o proporciách vývoja a negatívnych smerovaniach v jednotlivých príjmových skupinách obyvateľstva v konkrétnych slovenských regiónoch.
Ambíciou všetkých príspevkov je dostať sa k „svojmu“ čitateľovi tak, aby sa vyvolal
záujem o rozšírenie výskumu smerom k prierezovému chápaniu dotknutej problematiky.
Uchopiť pojmy, ako nerovnosť, chudoba či bohatstvo, je totiž nielen o kvantifikácii rozdielov
a stanovení poradia objektov v rámci istej hierarchie problémov. Pochopiť súvislosti vnútroregionálneho, národného a nadnárodného v ktorejkoľvek oblasti a zároveň ich vnímať v čase
a v istej variantnej etapizácii, znamená posunúť sa k nevyhnutnému prierezovému chápaniu
súčasnosti a budúcnosti v istej komplexnej jednote.
Iveta Pauhofová
Tomáš Želinský
editori
State ■ 9
STATE
Anton MICHÁLEK, Zuzana VESELOVSKÁ ■ 11
Vývoj a komparácia vybraných charakteristík nerovností a chudoby v krajinách EÚ
Anton MICHÁLEK 1a, Zuzana VESELOVSKÁ 1b
1
Geografický ústav, Slovenská akadémia vied
Development and Comparison of Selected Characteristics of Inequalities and Poverty
in the Member Countries of EU
Keywords
Abstract
Inequities, poverty, economic crisis,
The EU emphasizes the elimination of poverty and social exclusion. The
socio-economic characteristics, EU.
authors of this paper concentrated on the level and development of selected relevant indicators of inequities and poverty in the EU. The
JEL Classification
method of comparison was mainly applied to the analysis of the deveI32, I33
lopment and level of studied indicators. Developments in total of 27 EU
Member countries in 2005-2010 with special stress on the 2008-2010
1 Institute of Geography, Slovak Acadwere compared. The aim was to point to the different levels and deveemy of Sciences, Štefánikova 49, Bralopment of indicators in individual countries and different impacts of the
tislava, Slovakia
economic crisis on these indicators. Results confirmed the hypothesis
a [email protected]
of differentiating impact of the crisis on some characteristics and they
b [email protected]
also point to success/failure of adopted programmes and measures intended to eliminate poverty by the EU as whole and by individual countries.
Príspevok vznikol v rámci riešenia vedeckého projektu č. 2/0112/12 financovaného grantovou agentúrou
VEGA.
ÚVOD
Podľa indikátora AROPE1 (at-risk-of-poverty rate
or social exclusion) sa v roku 2010 okolo 23% európskej populácie nachádzalo v riziku chudoby
alebo sociálneho vylúčenia (Antuofermo; Di Meglio 2012). Túto, pomerne vysokú a nežiaducu úroveň značne ovplyvnila aj ekonomická kríza, ktorá
zhoršila mnohé parametre socioekonomického vývoja a situáciu v EÚ i v jednotlivých členských
krajinách.
V príspevku sme sa zamerali na sledovanie
úrovne a komparáciu trendov vybraných siedmich
socioekonomických charakteristík v krajinách EÚ
s dôrazom na ich analýzu v sledovanom období 6
rokov. Porovnávali sme úroveň a vývoj charakteristík vo všetkých 27 krajinách EÚ v rokoch 2005-
1
AROPE indikátor je definovaný ako podiel obyvateľov,
ktorí spĺňajú najmenej jednu z troch nasledujúcich
podmienok: 1. sú v riziku chudoby (nachádzajú pod hranicou
chudoby), 2. trpia materiálnou depriváciou, 3. žijú v
domácnostiach s veľmi nízkou intenzitou práce.
2010, pričom sme detailnejšie sledovali roky 20082010. Naším cieľom bolo poukázať na možné súvislosti medzi vznikom ekonomickej krízy a jej dosahmi na sledované charakteristiky, z ktorých niektoré boli ňou výrazne, iné menej výrazne ovplyvnené. U charakteristík menej ovplyvnených krízou
môže výraznú úlohu zohrávať čas. Určitá „stabilita“ niektorých sledovaných charakteristík môže
byť dôsledkom viacerých časopriestorových
a politicko-ekonomických aspektov, ktoré sa môžu
prejaviť v neskoršom období. Zotrvačnosť určitých
procesov a javov, ako i silná a pomerne stabilná
ekonomika niektorých krajín spôsobila, že tieto
krajiny dosiahli relatívne priaznivé hodnoty sledovaných charakteristík. Zdá sa však, a potvrdili to
výsledky viacerých analýz a výskumov, že krajiny
strednej a východnej Európy a problémové krajiny
južnej Európy, pomerne rýchlo negatívne reagovali
na ekonomickú krízu výrazným zhoršením nielen
ekonomických, ale aj sociálnych parametrov. Kým
v prvej skupine krajín to z veľkej časti súvisí s ich
východiskovou situáciou a nepriaznivými hodnotami relevantných charakteristík (Michálek, Podolák 2004), v krajinách južnej Európy je to výsledok
zlej a dlhodobo neriešenej ekonomickej situácie. Je
zrejmé, že ekonomická kríza bude ešte dlhší čas
ovplyvňovať
mnohé
aspekty
politickoekonomického vývoja jednotlivých krajín, ale i silu
EÚ ako celku.
I. VÝBER CHARAKTERISTÍK, ZDROJE A
PREDMET VÝSKUMU
Výber charakteristík súvisel s ich úlohou pri monitorovaní Stratégie Európa 2020 , ktorej jedným z
hlavných cieľov je boj proti chudobe a sociálnej
exklúzii (znížením počtu obyvateľov pod hranicou
chudoby o 20 miliónov). Na monitorovanie tohto
cieľa sa využívajú štatistiky o príjme, sociálnej inklúzii a životných podmienkach. V týchto štatistikách je zahrnutých šesť nami zvolených charakteristík (okrem dlhodobej nezamestnanosti). Dlhodobá nezamestnanosť zo súboru štatistík o pracovnom trhu sa využíva na monitorovanie cieľa Stratégie Európa 2020 o znížení nezamestnanosti. Tento indikátor sme zvolili pre jeho negatívny vplyv
na sociálnu inklúziu (Kieselbach, 2003) a chudobu
(Machin a Manning, 1999).
Zdrojom štatistických dát bol Štatistický Úrad
EÚ (EUROSTAT) so sídlom v Luxemburgu.
Hlavným zdrojom zostavenia štatistík o príjme, sociálnom vylúčení a životných podmienkach bolo
Zisťovanie o príjmoch a životných podmienkach
domácností (EU SILC).
Predmetom výskumu bola analýza vybraných
charakteristík (ich úrovne, vývoja a zmien) a typológia krajín z aspektu dosiahnutých hodnôt sledovaných charakteristík. V práci sme sa zamerali na
šesťročné obdobie 2005-2010. Štatistické dáta
z tohto obdobia sme využili na výpočet priemernej
hodnoty vybraných charakteristík pre jednotlivé
štáty zvlášť, rovnako ako aj na výpočet priemernej
hodnoty pre celú EÚ. Priemerné hodnoty krajín
sme porovnávali s priemernou hodnotou EÚ. Po
porovnaní hodnôt sme krajiny rozdelili na dve skupiny: krajiny s podpriemernou hodnotou a krajiny
s nadpriemernou hodnotou. Detailnejšie sme sa
zamerali na obdobie 2008-2010, kde sme sledovali
zmenu hodnôt vybraných charakteristík medzi
rokmi 2008 a 2010. Podľa zmeny medzi týmito
dvoma rokmi sme krajiny rozdelili na skupiny podľa toho, či bol v tomto období zaznamenaný nárast
alebo pokles hodnoty sledovaného ukazovateľa,
prípadne stagnácia s nulovou zmenou.
Na záver sme určili, ktoré krajiny a ktoré charakteristiky boli najviac ovplyvnené ekonomickou
krízou. Za krízou najviac ovplyvnené krajiny sme
považovali tie, ktoré zaznamenali nárast hodnoty
v najväčšom počte charakteristík medzi rokmi
2008 a 2010. Za krízou najviac ovplyvnené charakteristiky sme považovali tie, v ktorých bol zaznamenaný nárast hodnoty v najväčšom počte krajín.
II. DLHODOBÁ NEZAMESTNANOSŤ
Nerovnosti v dlhodobej nezamestnanosti (ďalej
DN) vyjadrenej podielom dlhodobo nezamestnaných (12 a viac mesiacov) na celkovom počte ekonomicky aktívnych sa v EÚ 27 od r. 2005 pomerne
výrazne menili, pričom hodnoty ukazovateľa (DN)
sa pohybovali v intervale od 2,6% po 4,1% (priemer za celu EÚ bol 3,4%). Tieto hodnoty zachytávajú pokles od roku 2005 do roku 2008. Oproti roku 2008 (po nástupe ekonomickej krízy) podiel dlhodobo nezamestnaných výrazne stúpol o 1,3%,
pričom v roku 2010 dosiahol hodnotu 3,9%. Rovnaký nárast o 1,3% (od r. 2008 po r. 2010) zaznamenali, avšak na vyššej úrovni krajiny Eurozóny
(krajiny platiace Eurom), kde podiel DN vzrástol z
3% na 4,3%.
V 15 krajinách bola DN pod priemerom EÚ,
pričom v 8 krajinách bola na veľmi nízkej úrovni.
V týchto krajinách sa v sledovanom období priemerná hodnota DN pohybovala od 0,8% v Dánsku
po 1,7% vo Fínsku. Nízka úroveň DN bola zaznamenaná ešte na Cypre 0,9%; v Rakúsku a Švédsku
1,1%; v Luxemburgu 1,3%; Holandsku 1,4%; a
Veľkej Británii 1,6%. Okrem uvedených krajín ešte ďalších 7 krajín zaznamenalo podpriemerné
hodnoty DN, ktoré sa pohybovali v intervale od
2,5% (Slovinsko) po 3,3% (Litva).
Ostatných 12 krajín sa vyznačuje nadpriemernadprieme
nou DN, pričom výrazne nadpriemernou DN sa
vyznačuje Poľsko, ale najmä Slovensko. V Poľsku
v sledovanom období (2005(2005-2010)
2010) dosiahla priepri
merná DN hod
hodnotu
notu 5,2% a na Slovensku
Slovensku 8,8%. V
ostatných
ých 10 krajinách sa hodnoty
hodnoty DN pohybujú v
intervale od 3,5% v Taliansku po 4,6% v Nemecku
a Portugalsku. Pri krajinách s nadpriemernými
hodnotami DN môžeme pozorovať jednoznačný
trend nárastu DN.
Kríza mala negatívy vplyv na DN, keďže ta
takmer vo všetkých krajinách bol zaznamenaný jej nnárast. V 8 krajinách sa jednalo o nárast väčší ako
2%. Nárast menší ako 1% bol zaznamenaný v 10
krajinách. Narastajúca DN môže mať vplyv na
zvyšovanie rizika chudoby
chudoby,, príjmovú nerov
nerovnosť,
materiálnu depriváciu, medzeru chudoby, či inte
intenzitu práce.
Nárast DN v období
období krízy bol zaznamenaný až
v 25 krajinách EÚ. Nárast sa pohyboval v intervale
od 0,1% v Holandsku a Rumunsku po 6,8% v LoL
tyšsku.
ku. Veľmi výrazný nárast bol zaznamenaný
zaznamenaný aj
v Litve (o 6,2%); Estónsku (o 6%); Španielsku (o
5,3%) a v Írsku (o 5%). Pomerne vysoký nárast bol
zaznamenaný na Slovensku (o 2,6%); v PortuPort
galsku (o 2,3%); v Grécku (o 2,1%); Bulharsku a
Maďarsku (zhodne o 1,9%); Slovinsku (o 1,3%);
vo Veľkej Británii (o 1,1%) a v Dánsku, FrancúzFrancú
sku a Taliansku (zhodne o 1%). V dvoch krajinách
(Nemecku a L
Luxembursku)
uxembursku) bol zaznamenaný pop
kles DN.
Nerovnosti v príjmovej distribúcii vyjadrené pom
pomerom príjmov horného a dolného kvintilu (S80/S20)
sa v EÚ 27 od r. 2005 výrazne nezmenili
a pohybovali sa od 4,9 po 5. Výraznejšie však rástli
v 17 krajinách Eurozóny zo 4,6 v r. 2005 na 4,9 v r.
2010 (priemer 4,8). V 16 krajinách bola distribúcia
príjmu pod priemerom EÚ (4,95), pričom v 8 krajinách bola na pomerne ní
nízkej
zkej úrovni. V týchto
krajinách sa priemerná hodnota za sledované oobdobie pohybovala od 3,4 v Slovinsku po 3,9
v Dánsku. Nízka priemerná úroveň bola zaznam
zaznamenaná ešte v Česku a Švédsku 3,5; Fínsku, Rakúsku
a na Slovensku (zhodne 3,7); a v Dánsku
a Holandsku 3,9. Štvornásobný a viacnásobný ppo-
III. DISTRIBÚCIA PRÍJMOV
14 ■ NEROVNOS
NEROVNOSŤ
Ť A CHUDOBA V EURÓPSKEJ ÚNII A NA SLOVENSKU
mer medzi príjmov horného a dolného kvintilu zaz
znamenalo tiež 8 krajín a to Belgicko a Maďarsko
(4,0); Luxembursko a Malta (4,1); Francúzsko
(4,2); Cyprus (4,3); Nemecko (4,4); a Írsko (4,7).
Ostatných 11 krajín sa vyznačuje nadpriemernadprieme
nou príjmovou diferenciáciou, pričom ide zväčša
krajiny ležiace na severe resp. juhu EÚ.
S výnimkou Veľkej Británie ide zväčša o menej
rozvinuté resp. problémové krajiny. Zo severných
krajín sú to Pobaltské krajiny, Veľká Británia
a Poľsko, pričom najväčšou hodnotou príjmových
diferenciácii sa vyznačuje Lotyšsko s priemernou
hodnotou 7,1 (Litva 6,4, Veľká Británia
5,5; Poľsko 5,4 a Estónsko 5,3).
5,3 . Ostat
Ostatok
ok tvorí 6
krajín južnej Európy, 4 problémové krajiny PortuPort
galsko 6,3; Grécko 5,9; Španielsko 5,7 a Taliansko
5,4 a 2 výrazne zaostávajúce krajiny Rumunsko 6,3
a Bulharsko 5,7.
ke, Francúzsku
Francúzsku a na Malte. 5 krajín si v krízovom
období udržalo stabilné hodnoty, pričom zmena
príjmovej distribúcie bola medzi rokmi 2008
a 2010 nulová. V 12 krajinách bol zaznamenaný
pokles príjmovej distribúcie.
10 krajín EÚ reagovalo na ekonomickú krízu
v období 2008
2008-2010
2010 nárastom príjmov
príjmových
ých nerovnero
ností. Najvýraznejší nárast bol zaznamenaný
v Španielsku (o 1,5) a Litve (o 1,4). Výraznejší nán
rast bol zaznamenaný aj v Írsku (o 0,9); Dánsku (o
0,8%) a na Slovensku (o 0,4%). Nárast bol zaznazazn
menaný aj na Cypre, v Taliansku, Českej republirepubl
Z uvedeného je zrejmé, že kríza diferencovane
vplývala na príjmové nerovnosti v oboch skup
skupinách, pričom každá krajina reagovala odlišne
a vzhľadom na ekonomické podmienky a vlastné
politické priority.
IV. GINI KOEFICIENT
Gini koeficient, ako jedna z mier nerovností
nerovností, sa
v EÚ 27 od r. 2005 výrazne nemenil. Jeho hodnoty
sa pohybovali od 30,2 po 30,8 (priemer za EÚ 27
bol 30,5). Priemerná hodnota Gini koeficientu v 17
krajinách Eurozóny bola nižšia a nadobudla hodn
hodnotu 29,8. V 15 krajinách bola hodnota Gini koef
koeficientu pod
pod priemerom EÚ, v 7 krajinách bola táto
hodnota na pomerne nízkej úrovni. Hodnoty koef
koeficientu sa tu pohybovali od 23,4 v Slovinsku po
26,0 v Rakúsku. Relatívne veľmi nízka hodnota
koeficientu bola zaznamenaná aj vo Fínsku
a Rakúsku (26,0); na Slovensku (25,5); v Dánsku
(25,3); Česku (25,2) a vo Švédsku (24,0).
V ďalších krajinách s podpriemernou hodnotou sa
koeficient pohyboval od 26,8 v Maďarsku po 29,0
na Cypre.
Ostatných 12 krajín sa vyznačuje nadpriemernou hodnotou Gini koeficientu. Najvyššie hodnoty
Gini koeficientu boli zaznamenané v Lotyšsku,
Portugalsku
a Litve.
Lotyšsko
dosiahlo
v sledovanom období (2005-2010) priemernú hodnotu koeficientu 37,0; Portugalsko 36,3 a Litva
35,3. Priemery ostatných krajín sa pohybovali
v intervale od 31,2 v Írsku po 34,3 v Rumunsku.
Zo všetkých krajín EÚ v 14 prípadoch bol zaznamenaný nárast nerovnosti v období krízy. Najvýraznejší nárast bol zaznamenaný v Írsku (o 3,3);
Litve (o 2,9); Španielsku (o 2,6); na Slovensku (o
2,2) a v Dánsku (o 1,8). Pomerne výrazný nárast
bol zaznamenaný aj na Cypre (o 0,8); Malte (o
0,5); v Estónsku a Slovinsku (zhodne o 0,4). Nárast
bol zaznamenaný aj v Taliansku, Luxembursku,
Českej republike a Švédsku. Francúzsko si udržalo
stabilné hodnoty a zmena Gini koeficientu bola nulová. V 13 krajinách bol zaznamenaný pokles Gini
koeficientu v období krízy, hoci vo väčšine prípadov sa jedná o krajiny s nadpriemernou hodnotou
Gini koeficientu.
Z uvedeného je zrejmé, že kríza diferencovane
vplývala na prerozdeľovanie príjmov v krajinách
EÚ, pričom každá krajina reagovala odlišne
a vzhľadom
na
ekonomické
podmienky, hospodársku štruktúru a možnosti.
V. MATERIÁLNA DEPRIVÁCIA
Materiálna deprivácia2 nadobudla od roku 2005 do
roku 2010 hodnoty od 17,1% (2009) po 19,9%
2
Materiálna deprivácia je definovaná ako percento
obyvateľstva s vynúteným nedostatkom aspoň troch
z deviatich položiek materiálnej deprivácie (platiť nájomné,
hypotéku, účty za energie; udržiavať adekvátne teplo
v domácnosti; čeliť nečakaným výdavkom; jesť mäso alebo
proteíny pravidelne; ísť na dovolenku; televízia; práčka; auto;
telefón).
(2005). Priemerná hodnota materiálnej deprivácie
bola v EÚ 18,1%. Podstatne nižšia priemerná hodnota materiálnej deprivácie bola zaznamenaná
v Eurozóne a to 13,4%. V 16 krajinách bola materiálna deprivácia (ďalej MD) nízka, pričom v 4 krajinách bola na veľmi nízkej úrovni. V týchto krajinách sa priemerná hodnota za sledované obdobie
pohybovala od 3,5% v Luxembursku po 6,6%
v Dánsku. Nízka priemerná úroveň bola zaznamenaná ešte vo Švédsku (5,2%) a Holansku (6,2%).
Podpriemerná hodnota bola zaznamenaná aj vo
Fínsku (9,3%); v Rakúsku (10,6%); Španielsku
(10,8%); Veľkej Británii (11,5%); Nemecku
V 15 krajinách bol zaznamenaný nárast MD
v období krízy. Najvýraznejší nárast bol zaznamenaný v Litve, Lotyšsku a Estónsku. V Litve sa jednalo o nárast o 13,8%, v Lotyšsku o 10,9%
a v Estónsku o 9,9%. Pomerne výrazný nárast bol
zaznamenaný v Írsku (o 6%); Španielsku (o 4,5%);
Maďarsku (2,8%); Grécku (o 2,3%); na Cypre (o
2,2%); vo Veľkej Británii (o 2,1%) a v Holandsku
(o 2%). Nárast MD bol zaznamenaný aj na Malte,
(12,2%); Belgicku (12,3%); Francúzsku (12,9%);
Malte, Írsku (zhodne 13,9%); Taliansku (15,1%);
Slovinsku (15,4%); Česku (17,6%).
Ostatných 11 krajín sa vyznačovalo nadpriemernou MD. Najvyššie priemerné hodnoty boli zaznamenané v Bulharsku a Rumunsku. V Bulharsku
dosiahla priemerná MD v sledovanom období
(2005-2010) hodnotu až 62% a v Rumunsku
50,5%. Vysokú priemernú hodnotu malo aj Lotyšsko (45,4%); Maďarsko (38,8%); Poľsko (37,2%);
Litva (34,7%), či Slovensko (31%). Priemerná
hodnota ostatných krajín sa pohybovala v intervale
od 27,9% na Cypre po 18,6% v Estónsku.
v Belgicku, Bulharsku, Dánsku a Luxembursku.
Pokles MD bol zaznamenaný v 12 krajinách.
Ekonomická kríza diferencovane vplývala aj na
materiálnu depriváciu. Kým jedna skupina krajín
zaznamenala nárast podielu materiálne deprimovaného obyvateľstva v období krízy, druhá skupina
zaznamenala pokles. Kým väčšina krajín vykazuje
podpriemerné hodnoty MD, stále existujú krajiny,
ktorých MD je viac ako dvojnásobným priemerom
EÚ (Poľsko, Maďarsko, Lotyšsko, Rumunsko), či
dokonca viac ako trojnásobkom priemeru EÚ
(Bulharsko). Krajiny s nadpriemernou MD tvoria
prevažne krajiny, ktoré vstúpili do EÚ medzi poslednými (v rokoch 2004 a 2007). Aj napriek výrazným poklesom (napr. v Bulharsku o 16,5%) je
MD značným problémom niektorých krajín.
VI. INTENZITA PRÁCE
Medzi krajiny s pomerne nízkym podielom obyvateľstva v domácnostiach s nízkou intenzitou práce
patrili okrem Cypru aj Luxembursko (5,4%); Švédsko a Slovensko (zhodne po 6,3%); Portugalsko
(6,9%). Medzi ďalšie krajiny s podpriemernými
hodnotami patrilo Španielsko, Slovinsko (zhodne
po 7,0%); Estónsko (7,1%); Grécko, Lotyšsko
(zhodne po 7,5%); Rakúsko, Litva (zhodne po 7,6);
Česko (7,7%); Rumunsko (7,8%); Fínsko (8,7%);
Malta (8,8%); Francúzsko (9,0%); Holandsko
(9,1%).
Priemerná hodnota podielu obyvateľstva žijúceho
v domácnostiach s nízkou intenzitou práce (t. j. ľudia vo veku od 0 po 59 rokov žijúci
v domácnostiach, kde dospelí pracujú menej ako
20% ich celkového pracovného potenciálu
v priebehu predchádzajúceho roka) dosiahla v EÚ
hodnotu 9,7%. Táto hodnota bola v Eurozóne nepatrne nižšia a dosiahla hodnotu 9,6%. Až 19 krajín dosiahlo hodnotu nižšiu ako bol priemer EÚ.
Hodnoty v týchto krajinách sa pohybovali
v intervale od 4,1% na Cypre po 9,4% v Dánsku.
Osem krajín sa vyznačuje nadpriemernou hodnotou sledovaného indikátora oproti priemeru EÚ.
Z týchto krajín má najvyššiu hodnotu Írsko
(16,3%) a Belgicko (13,3%). Ďalšími krajinami
s nadpriemernou hodnotou indikátora boli Poľsko
(9,8%); Taliansko (10,0%); Bulharsko (10,7%);
Maďarsko (11,5%); Nemecko (11,7%); Veľká Británia (11,9%).
Až v 20 krajinách bol zaznamenaný nárast podielu obyvateľstva žijúceho v domácnostiach
s nízkou intenzitou práce v období krízy. Najvýraznejší nárast bol zaznamenaný v Írsku (o 9,3%)
a Lotyšsku (o 7,1%). Pomerne výrazný nárast bol
zaznamenaný aj v Litve (o 4,1%); Estónsku
a Španielsku (zhodne o 3,6%); na Slovensku a vo
Veľkej Británii (zhodne o 2,7%); Portugalsku (o
18 ■ NEROVNOS
NEROVNOSŤ
2,3%) a v Dánsku (o 2%). Nárast ostatných krajín
sa pohyboval v intervale od 1,8% vo Fínsku po
0,1% v Holandsku a Grécku. V siedmich krajinách
bol zaznamenaný pokles podielu obyvate
obyvateľstva
ľstva žiž
júceho v domácnostiach s nízkou intenzitou práce.
Zmena
podielu
obyvateľstva
žijúceho
v domácnostiach s nízkou intenzitou práce bola
v období 2008
2008-2010
2010 rôznorodá. V niektorých krakr
jinách neboli zaznamenané výrazné zmeny,
v iných bol zaznamenaný intenzívnejší
intenzívnejší nárast, či
pokles
podielu
obyvateľstva
žijúceho
v domácnostiach s nízkou intenzitou práce. Faktom
ostáva, že niektoré krajiny (napr. Veľká Británia)
VII. MEDZERA CHUDOBY
Medzera chudoby predstavuje vzdialenosť obyvaobyv
teľstva pod hranicou chudoby k samotnej hranici
chudoby. Tento ukazovateľ je vyjadrený ako perpe
cento hranice chudoby. Hodnota ukazovateľa predpre
stavuje množstvo fi
financií
nancií (vyjadrených ako perpe
cento hranice chudoby) potrebných na dosiahnutie
hranice chudoby osobami, ktoré sa pod touto hrahr
nicou nachádzajú.
s vysokou priemernou hodnotou podielu obyvate
obyvateľstva žijúceho v domácnostiach s nízkou intenzitou
práce v období 20082008-2010,
2010, sú krajiny s podpri
podpriemernou dlhodobou nezamestnanosťou. V iných
krajinách (napr. v Taliansku) s vysokým podielom
obyvateľstva žijúceho v domácnostiach s nízkou
intenzitou práce dosahuje dlhodobá nezamestn
nezamestnanosť nadpriemernú hodnotu EÚ. Zdá sa, že inte
intenzita práce (jej úroveň) má tiež diferencovaný vplyv
na mnohé fenomény, pričom v niektorých kraj
krajinách ako VB sa môže podieľať na nižšej DN,
v Taliansku naopak môže spolupôsobiť na zvýš
zvýšenú úroveň DN.
Hodnoty tohto ukazovateľa sa pohybovali od
21,7% po 23,3%. Priemerná hodnota EÚ 27 bola
22,8% a rovnakú priemernú hodnotu
hodnotu nadobudli aj
krajiny Eurozóny. 18 krajín EÚ dosiahlo hodnotu
nižšiu ako je priemer EÚ, v 7 krajinách bola táto
hodnota na pomerne nízkej úrovni. Hodnoty uk
ukazovateľa sa pohybovali od 14,5% vo Fínsku po
17,9% v Dánsku.
Deväť krajín sa vyznačovalo na
nadpriemernou
dpriemernou
hodnotou medzery chudoby, pričom najvyššiu
hodnotu medzery chudoby dosiahlo Rumunsko
(32,4%). Nadpriemerná hodnota medzery chudoby
bola zaznamenaná aj v Bulharsku (27,7%); Litve
(27,4%); Lotyšsku (27,3%); Španielsku (26,3%);
Grécku (24,7%); Poľsku (24,1%); Portugalsku
(23,9%) a v Taliansku (23,5%).
V 19 krajinách EÚ bol zaznamenaný nárast medzery chudoby v období krízy. Najvýraznejší nárast bol zaznamenaný na Slovensku a to o 7,6%.
Pomerne výrazný nárast bol zaznamenaný aj
v Španielsku (o 7%); Litve (6,9%); Francúzsku (o
5,4%); Dánsku (o 3,6%); Estónsku (o 2,9%); Bulharsku a Českej republike (zhodne o 2,6%)
a Luxembursku (o 2%). Nárast ostatných krajín sa
pohyboval v intervale od 1,9% v Rakúsku po 0,4%
vo Veľkej Británii. Vo zvyšných ôsmich krajinách
bol zaznamenaný pokles medzery chudoby.
Vplyv krízy sa okrem iného prejavil aj na nižšej
výkonnosti ekonomiky, na prerozdeľovaní príjmov
v neprospech nižších príjmových skupín a chudobných domácností a viedol k nárastu medzery chudoby. Samozrejme, aj tento vplyv krízy na medzeru chudoby bol priestorovo diferencovaný, pričom
vo väčšine prípadov sa jednalo o negatívny vplyv.
Pozitívom je, že počet krajín s podpriemernou
hodnotou medzery chudoby je dvojnásobný, oproti
tým s nadpriemernou hodnotou. Na druhej strane
však existuje stále vysoký počet krajín, ktorých
priemerná hodnota ďaleko prevyšuje priemer EÚ.
VIII. RIZIKO CHUDOBY PO SOCIÁLNYCH
TRANSFEROCH
Riziko chudoby po sociálnych transferoch3 sa
v sledovanom období 2005 – 2010 výraznejšie nemenilo. Jeho hodnoty sa v sledovanom období
v EÚ 27 pohybovali od 16,3% po 16,5% (priemer
bol 16,4%). Priemerná hodnota tohto ukazovateľa
v krajinách Eurozóny bola nižšia a nadobudla
3
Riziko chudoby po sociálnych transferoch predstavuje
podiel ľudí pod hranicou chudoby (60% mediánu
ekvivalentného disponibilného príjmu) po sociálnych
transferoch (rodinné dávky a príspevky pre rodiny s deťmi,
príspevky na bývanie, dávky v nezamestnanosti, starobné
dávky, dávky pre pozostalých, nemocenské dávky, dávky v
invalidite, príspevky na vzdelanie, dávka a príspevky v rámci
sociálnej exklúzie).
hodnotu 15,8%. V 15 krajinách bola priemerná
hodnota pod priemerom EÚ, v 7 krajinách bola táto
hodnota na pomerne nízkej úrovni. Hodnoty koeficientu sa tu pohybujú od 9,4% v Česku po 12,2%
v Dánsku a Rakúsku. Nízka hodnota koeficientu
bola zaznamenaná aj v Holandsku (10,4%); Slovensku (11,6%); Švédsku (11,8%); Slovinsku
(11,9%). V ďalších krajinách s podpriemernou
hodnotou sa riziko chudoby (ďalej RCH) pohybovalo od 13% vo Fínsku a Francúzsku po 15,7% na
Cypre.
Ostatných dvanásť krajín sa vyznačuje nadpriemernými hodnotami RCH. Najvyššie priemerné hodnoty boli zaznamenané v Rumunsku
(22,9%); Lotyšsku (22,7%); Litve a Grécku (zhodne po 20,1%). Nadpriemerná hodnota RCH bola
zaznamenaná aj v Španielsku, Bulharsku, Taliansku, Estónsku, Portugalsku, Veľkej Británii, Poľsku a Írsku. Priemerná hodnota RCH sa v týchto
krajinách pohybovala v intervale od 19,9%
v Španielsku po 17% v Írsku.
V trinástich krajinách bol zaznamenaný nárast
RCH po sociálnych transferoch v období krízy.
Najvýraznejší nárast bol zaznamenaný v Dánsku (o
1,5%); Luxembursku, Španielsku a na Slovensku
(zhodne o 1,1%). Nárast bol zaznamenaný aj
v Poľsku a Švédsku (zhodne o 0,7%); Írsku
a Francúzsku (zhodne o 0,6%); na Malte (o 0,5%);
v Nemecku a Slovinsku (o 0,4%); v Litve (o 0,2%)
a na Cypre (o 0,1%). Grécko a Česká republika si
zachovali v období krízy pomerne stabilné hodnoty
a zmena RCH medzi rokmi 2008 a 2010 bola nulová. V dvanástich krajinách bol zaznamenaný pokles RCH.
Rovnako ako u ostatných ukazovateľov aj
v tomto prípade kríza diferencovane vplývala na
RCH. Aj napriek tomu, že v niektorých krajinách
dochádza k poklesu RCH, samotná hodnota sa udržiava na vysokej úrovni. Zdá sa, že významnú úlohu v týchto krajinách zohráva pokles sociálnych
transferov k rizikovým skupinám resp. niektoré nežiadúce sprievodné javy krízy, súvisiace so znížením rôznych podpôr v rámci zrušenia alebo obmedzenia rôznych sociálnych programov v dôsledku
20 ■ NEROVNOS
NEROVNOSŤ
nedostatku zdrojov. V piatich krajinách v období
2008-2010
2010 trpela RCH po sociálnych
sociálnych transferoch
IX. STRUČNÉ ZHODNOTENIE
VÝSLEDKOV
Zdá sa, že kríza najviac zasiahla Španielsko, Cyprus, Litvu
Litv a Dánsko, keďže vo všetkých zvolených
charakteristikách nadobudli nárast hodnoty daného
ukazovateľa v období krízy (viď tabuľka 1). Kým
v prípade Španielska to môže súvisieť s už dlhšie
pozorovaným ekonomickým úpadkom
úpadkom, v prípade
Dánska to môže súvisieť s veľmi priaznivými výv
chodiskovými hodnotami. Nárast hodnoty ukazoukaz
vateľa v šiestich charakteristikách bol zaznamenazaznamen
ný v Írsku, na Malte a na Slovensku. Nárast
v piatich
ukazovateľoch
bol
zaznamenaný
v Estónsku, Francúzsku, Taliansku, Luxembursku,
Slovinsku a Švédsku. V štyroch krajinách (Česká
republika, Lotyšsko, Holandsko, Veľká Británia)
bol zaznamenaný nárast v štyroch ukazovateľoch.
V ostatných krajinách bol zaznamenaný nárast
v troch a menej ukazovateľoch. Každá krajina sa
s vplyvom krízy vyrovnáva v rámci vlastných ekoek
nomických možností. Preto nemusí byť pravidlom,
viac
ako
pätina
obyvateľstva,
kým
v predchádzajúcom období to boli len tri krajiny.
že krajiny, ktoré zaznamenali nárast vo viacerých
ukazovateľoch
zovateľoch majú väčšie ekonomické
zovateľoch,
ekonomické problémy
a naopak, tie, u ktorých bol zaznamenaný
zaznamenaný nárast
len v niektorých ukazovate
ukazovateľoch
ľoch, majú stabil
stabilnejšiu
ekonomiku. Príkladom môže byť Grécko, kde bol
zaznamenaný nárast len v troch ukazovateľoch, či
Portugalsko s nárastom v dvoch ukazovateľoch. V
súčasnosti sa tieto krajiny prezentujú ako krajiny s
veľkými ekonomickými problémami.
Kríza negatívne ovpl
ovplyvnila
yvnila Slovensko v šiestich
charakteristikách. Najvýraznejší nárast bol zazn
zaznamenaný v medzere chudoby, kde došlo k nárastu o
7,6% (najväčší nárast zo všetkých krajín EÚ).
Významný nárast bol zaznamenaný aj v riziku
chudoby po sociálnych transferoch, kde sa SlovenSlove
sko s nárastom o 1,1% umiestnilo na druhom mie
mieste v EÚ (spolu s Luxemburskom a Španielskom).
Gini koeficient narástol v období krízy o 2,2 a Sl
Slovensko tak malo štvrtý najväčší nárast v EÚ.
Tab.1: Krajiny EÚ z aspektu vybraných charakteristík
Krajina
EÚ (27)
AT
BE
BG
CY
CZ
DE
DK
EE
EL
ES
FI
FR
HU
IE
IT
LT
LV
LU
MT
NL
PL
PT
RO
SI
SE
SK
UK
Σ(ch)
1
+
+
+
+
+
+
+
++
+
++
+
+
+
++
+
++
▲
+
+
+
+
+
+
+
++
+
25
2
3
+
+
+
+
+
+
+
▲
++
Charakteristiky
4
5
+
+
+
+
+
+
++
+
+
+
++
+
++
▲
+
++
+
+
+
+
++
▲
++
+
+
+
+
+
+
++
+
++
+
+
▲
+
++
++
+
+
+
6
+
+
+
+
+
+
++
+
7
+
+
▲
++
+
++
+
+
+
++
+
+
+
+
+
+
+
+
+
+
+
+
+
10
13
+
15
+
+
+
+
20
+
+
▲
+
19
+
+
+
Σ(p)
4
2
4
3
7
4
1
7
5
3
7
2
5
2
6
5
7
4
5
6
4
3
2
1
5
5
6
4
13
Zdroj: EUROSTAT, vlastné spracovanie
+
krajina dosahuje z aspektu sledovanej charakteristiky nepriaznivé hodnoty (nárast hodnoty ukazovateľa
v období krízy, t.j. zmena >0)
++ krajina, ktorej nárast hodnoty ukazovateľa v období krízy je väčší ako hodnota horného kvartilu
▲ krajina dosahuje z aspektu sledovanej charakteristiky najnepriaznivejšiu hodnotu (najväčší nárast hodnoty
ukazovateľa v období krízy)
Σ(ch) označuje, koľko krajín z aspektu dosiahnutých hodnôt charakteristík dosiahlo nepriaznivé hodnoty
Σ(p) označuje, z aspektu koľkých sledovaných charakteristík sa krajina vyznačuje nepriaznivými hodnotami
Charakteristiky:
1. Dlhodobá nezamestnanosť, 2. Distribúcia príjmov, 3. Gini koeficient, 4. Materiálna deprivácia, 5. Intenzita práce,
6. Medzera chudoby, 7. Riziko chudoby po sociálnych transferoch.
skratky krajín: AT-Rakúsko, BE-Belgicko, BG-Bulharsko, CY-Cyprus, CZ-Česká republika, DE-Nemecko, DKDánsko, EE-Estónsko, EL-Grécko, ES-Španielsko, FI-Fínsko, FR-Francúzsko, HU-Maďarsko, IE-Írsko, IT-Taliansko,
LT-Litva, LV-Lotyšsko, LU-Luxembursko, MT-Malta, NL-Holandsko, PL-Poľsko, PT-Portugalsko, RO-Rumunsko, SISlovinsko, SE-Švédsko, SK-Slovensko, UK-Veľká Británia
Podiel obyvateľstva žijúceho v domácnosti s
nízkou intenzitou práce narástol o 2,7%, čo bol
šiesty najväčší nárast (spolu s Veľkou Britániou) v
EÚ. Rovnako šiesty najväčší nárast bol zaznamenaný v dlhodobej nezamestnanosti. Najnižší nárast
bol zaznamenaný v distribúcii príjmov horného a
dolného kvintilu (S80/S20), kde bol zaznamenaný
nárast o 0,4, čo bol piaty najväčší nárast v EÚ.
ZÁVER
Ekonomická kríza mala vplyv na všetky sledované
charakteristiky. Zmena sa prejavila buď na národnej úrovni alebo na úrovni celej EÚ. Zdá sa, že
najväčší vplyv v rámci EÚ 27 mala na tri charakteristiky a to medzeru chudoby, dlhodobú nezamestnanosť a podiel obyvateľstva žijúceho v domácnostiach s nízkou intenzitou práce. Medzera chudoby
narástla v období krízy o 1,5%, dlhodobá nezamestnanosť o 1,3% a podiel obyvateľstva žijúceho
v domácnostiach s nízkou intenzitou práce o 1%.
Nárast medzery chudoby nastal až v devätnástich
krajinách EÚ a nadpriemernú hodnotu malo osem-
násť krajín. Negatívne boli zasiahnuté aj výkonné
ekonomiky ako Rakúsko, Holandsko, či Luxembursko, u ktorých bol zaznamenaný nárast medzery
chudoby. Nárast dlhodobej nezamestnanosti bol
zaznamenaný až v 25 štátoch a nadpriemernú hodnotu malo 15 krajín. Z toho vyplýva, že aj tento
ukazovateľ je ovplyvnený krízou v ekonomicky
vyspelejších krajinách. Nárast podielu obyvateľstva v domácnostiach s nízkou intenzitou práce bol
zaznamenaný v 20 krajinách, no nadpriemernú
hodnotu EÚ malo až 19 krajín. Tak ako mala kríza
rôzny vplyv na jednotlivé charakteristiky, tak mala
rôzny vplyv aj na jednotlivé krajiny. Kríza najviac
zasiahla Španielsko, Litvu a Dánsko, keďže vo
všetkých zvolených charakteristikách nadobudli
nárast hodnoty daného ukazovateľa v období krízy.
Kým v prípade Španielska a Litvy tento výsledok
neprekvapuje, v prípade Dánska je neočakávaný a
zaslúžil by si hlbšiu analýzu. Zo získaných výsledkov tiež vyplýva, že aj Slovensko, ktoré patrí medzi krajiny s menšou ekonomikou výrazne závislou
na exporte do ostatných krajín EÚ, bolo značne
poznačené krízou.
LITERATÚRA
Antuofermo, M., di Meglio, E. (2012). Population
and social conditions. Statistics in Focus 9, 1-7.
EUROSTAT
Atkinson, B., Marlier, E. (2010). Income and living
conditions in Europe. Luxembourg: Publications Office of the European Union. ISBN 978-92-79-163517.
Eurostat. Statistics. [online]. [cit. 2012-08-15].
Dostupné na internete: <http://epp.eurostat.ec.europa
.eu/portal/page/portal/statistics/themes>.
Kieselbach, T. (2003). Long-Term Unemployment
Among Young People: The Risk of Social Exclusion. In: American Journal of Community
Psycholog. Vol. 32, No. 1-2, pp. 69-76.
Machin, S., Manning, A. (1999). The causes and
consequenses of longterm unemployment in Europe.
In: Handbook of Labor Ecomonics. Vol. 3, No. 3,
pp. 3085-3139.
Michálek, A., Podolák, P. (2004). Enlargement of the
EU: Comparison of the Member and Accession
Countries from the Point of View of Selected
Demograpfic and Socio-Economic Characteristics.
In: Problems of Geography. No. 3-4, pp. 3-21.
Štatistický úrad SR. (2011). EU SILC: Indikátory
chudoby a sociálneho vylúčenia. Bratislava:
Štatistický úrad SR.
Jitka BARTOŠOVÁ, Marie FORBELSKÁ ■ 23
Studie distribuce monetární chudoby v EU v závislosti na pohlaví
a věkové kategorii jedince
Jitka BARTOŠOVÁ 1, Marie FORBELSKÁ2
1
2
Vysoká škola ekonomická v Praze, Fakulta managementu
Masarykova univerzita v Brně, Přírodovědecká fakulta, Kotlářská 2, Brno, Česká republika
Study of Distribution of Monetary Poverty in EU Depending on Sex and Age Category
of Individual
Abstract
Keywords
Generalized linear mixed models, logistic The aim of this paper is to model risk of monetary poverty in the Euroregression, fixed effect, random effect, pean countries by logistic model with mixed effects in the period 2004 –
risk of poverty rate, EU SILC database. 2008 (European Union – Statistics on Income and Living Conditions
(EU-SILC) 2005 – 2009). The individuals are scored according to the
JEL Classification
level of poverty threshold, in our case according to the level 60% of meC33, C38, H31
dian of the national equivalized disposable income. The paper is focused on estimation of the percentages of individuals bellow poverty
1 University of Economics in Prague,
threshold depending on the EU-country (as a random effect) and on the
Department of Management of Information of the Faculty of Management, sex and age category of individuals (as fixed effects).
Jarošovská 1117/II, Jindřichův Hradec,
Czech Republic, [email protected]
2 Masaryk University, Faculty of Science, Kotlářská 2, Brno , Czech Republic, [email protected]
Příspěvek byl vytvořen s podporou vědeckovýzkumných projektů Interní grantové agentury Vysoké školy
ekonomické IG F6/3/2012“Kvantitativní studie sociální situace juniorů a seniorů“ a Slovenské vědecké
grantové agentury VEGA 1/0127/11„Prostorová distribuce chudoby v Evropské unii“.
ÚVOD
Světová hospodářská krize, provázená vysokou mírou nezaměstnanosti a podnikatelské nejistoty, vytváří společně s rostoucí zadlužeností státního i
soukromého sektoru náročné klima pro řízení a kooperaci států v rámci EU. Do této obtížné situace,
kdy vlády, operující dlouhodobě se schodkovými
rozpočty, jsou nuceny zavádět nepopulární úsporná
opatření na zastavení růstu státního dluhu, přistupuje ještě hrozba stárnutí populace a tím i dalšího
navyšování mandatorních výdajů (důchodové složky sociálních transferů). Nepříznivý demografický
vývoj vzbuzuje obavy v mnoha vyspělých zemích,
zvláště pak ve spojení s rostoucí závislostí na očekávané pracovní aktivitě obyvatelstva.
„Na základě vývoje obyvatelstva v produktivním
věku v zemích EU-27 lze soudit, že počet obyvatel v
produktivní věkové skupině 55–64 let se za období
2010 až 2030 zvýší přibližně o 16,2% (tj. o 9,9 milionu osob). Naproti tomu všechny ostatní věkové
skupiny vykazují v Evropě sestupný trend, od 5,4%
(osoby ve věku 40–54 let) až po 14,9% (osoby ve
věku 25–39 let)“1. Tento vývoj ovlivňuje nepříznivě politické i sociální klima v Evropě a vyžaduje
zásahy jak do hospodářské struktury, tak i do sociální politiky a politiky zaměstnanosti a sociální
soudržnosti.
Evropská unie a její jednotlivé orgány, především Evropská komise, nabízejí určité programy a
koncipují pro jednotlivé členské státy různé návrhy
1
Evropská agentura pro bezpečnost a ochranu zdraví při práci: Články. [online]. [cit. 2012-04-16]. Dostupné z:
http://osha.europa.eu/cs/publications/articles/promotingactive-ageing-in-the-workplace
a doporučení. Jedním z hlavních programových
dokumentů EU je Strategie Evropa 2020, neboli
strategie pro inteligentní a udržitelný růst podporující začlenění a vysokou úroveň zaměstnanosti,
produktivity a sociální soudržnosti, kde stojí: „Evropa prochází dobou plnou změn. Krize zcela znehodnotila léta hospodářského a sociálního pokroku
a odhalila strukturální nedostatky v evropském
hospodářství. Mezitím se svět rychle pohybuje a
dlouhodobé problémy, jako je globalizace, tlak na
zdroje a stárnoucí populace, se prohlubují. Evropská unie se nyní musí postarat o svou budoucnost.Evropa může uspět pouze tehdy, bude-li jednat
kolektivně – jako Unie. Potřebujeme strategii, která by přispěla k tomu, abychom z krize vyšli posíleni, a která by z EU učinila inteligentní a udržitelnou ekonomiku podporující začlenění a vykazující
vysokou úroveň zaměstnanosti, produktivity a sociální soudržnosti. Evropa 2020 stanoví vizi evropského sociálně tržního hospodářství pro 21. století.“ 2
V současné době probíhají na poli Evropské
unie dvě důležité iniciativy, věnované výhradně
problematice juniorů a seniorů. Jedná se o projekty
Evropský rok aktivního stárnutí a mezigenerační
solidarity 2012 3 a Strategie EU pro mládež (2010
– 2018) 4. Do obou projektů jsou zapojeny všechny
členské státy Unie. Prioritou při snaze o zlepšování
postavení těchto dvou věkových skupin obyvatelstva je plnění iniciativy s názvem Růst podporující
začlenění, která si klade obecně za cíl zmírnit důsledky nepříznivého demografického vývoje a
ztlumit dopad celosvětové hospodářské krize na
mladou generaci i starší občany. Mezi dílčí cíle patří
snižování
genderové
nerovnováhy
v zaměstnanosti („zaměstnanost žen v Evropě činí
2
Evropská komise: Evropa 2020. [online]. [cit. 2012-04-16].
Dostupné z:
http://ec.europa.eu/eu2020/pdf/1_CS_ACT_part1_v1.pdf
3
Více viz na Europa: Evropský rok aktivního stárnutí a mezigenerační solidarity. [online]. [cit. 2012-04-16]. Dostupné
z:
http://europa.eu/ey2012/ey2012main.jsp?catId=971&langId=
cs
4
Více viz na European Commission: Youth. [online]. [cit.
2012-04-16]. Dostupné z:
http://ec.europa.eu/youth/policy/eu-youth-strategy_en.htm
pouze 63%, což je o 13% méně ve srovnání se zaměstnaností mužů, která činí 76%“5), zvyšování relativně nižší zaměstnanosti starších lidí a mladé
generace, podpora růstu kvalifikace občanů související s jejich vzdělaností a boj proti chudobě.
Tab. 1: Ukazatele stavu plnění strategie Evropa
2020 (EU 27 a vybrané země)
Zaměstnanost6(%)
2007
2008
2009
2010
Cíl
EU 27
69,9
70,3
69,0
68,6
75
CZ
SK
HU
PL
DE
72,0
67,2
62,6
62,7
72,9
72,4
68,8
61,9
65,0
74,0
70,9
66,4
60,5
64,9
74,2
70,4
64,6
60,4
64,6
74,9
75
72
75
71
77
Podíl osob s terciárním vzděláním ve věku 30-347(%)
EU 27
30,0
31,1
32,3
33,6
40
CZ
SK
HU
PL
DE
13,3
14,8
20,1
27,0
26,5
15,4
15,8
22,4
29,7
27,7
17,5
17,6
23,9
32,8
29,4
20,4
22,1
25,7
35,3
29,8
32
40
30
45
42
Míra monetární chudoby a sociálního vyloučení8(%)
EU 27
24,4
23,8
23,1
23,5
15,8
15,3
14,0
14,4
CZ
21,5
20,6
19,6
20,6
SK
29,4
28,2
29,6
29,9
HU
34,4
30,5
27,8
27,8
PL
20,7
20,1
20,0
19,7
DE
CZ – Česká republika, SK – Slovensko, HU – Maďarsko,
PL – Polsko, DE – Německo
Zdroj: Eurostat
Vybrané ukazatele plnění těchto úkolů v několika členských státech Unie jsou uvedeny v tabulce 1
5
Evropská agentura pro bezpečnost a ochranu zdraví při práci: Články. [online]. [cit. 2012-04-16]. Dostupné z:
http://osha.europa.eu/cs/publications/articles/promotingactive-ageing-in-the-workplace
6
Míra nezaměstnanosti je počítána jako podíl počtu zaměstnaných lidí ve věku (20-64) ku celkové populaci ve stejném
věku.
7
Jedná se o tu část obyvatel ve věku 30-34 let, která úspěšně
dokončila terciární vzdělání (ISCED – International Standard
Classification)
8
Procentní podíl obyvatel, kteří jsou pod hranicí chudoby
(60% mediánu národního disponibilního příjmu) nebo jsou
materiálně deprivovaní (nedostatek zdrojů, špatné domácí
podmínky) nebo žijí v domácnostech s nízkou intenzitou práce (domácnosti, kde dospělí lidé 18-59 let pracují méně než
20% z jejich možného potenciálu).
(situaci na Slovensku popisují ve svém článku
Ivančíková a Vlačuha, 2010). Tabulka obsahuje také cílové hodnoty, ke kterým se jednotlivé země
zavázaly.
Předložený příspěvek vychází ze stanovených
dílčích cílů a zaměřuje se na sledování vlivu pohlaví, věkové kategorie a země, v níž jedinec žije,
na jeho finanční situaci z hlediska pravděpodobnosti ohrožení monetární (peněžní) chudobou. Sledování je omezeno dostupností informací na pětileté období 2004 – 2008. Dalším faktorem, který
musíme zohlednit při zjišťování rizika chudoby, je
tedy rok. Našim konečným cílem je provést analýzu krátkodobého vývoje prostorové distribuce monetární chudoby v Evropské unii z hlediska pohlaví
a věkové kategorie jedince. Prostorovou distribucí
je zde myšlena distribuce mezi státy EU.
Jako analytický nástroj byl použit logistický
model se smíšenými efekty (pevnými a náhodnými), který náleží do široké třídy zobecněných smíšených modelů. Datovým zdrojem, z něhož byly
čerpány informace o jednotlivcích, je výběrové šetření příjmů a životních podmínek domácností EUSILC z let 2005 – 2009. Jedná se o šetření, které je
jednotně prováděno na celém území EU a zajišťuje
vzájemnou srovnatelnost výsledků. Pro setřídění
jedinců do věkových kategorií byly použity intervaly (15,30], (30,50], (50,60], (60,100].
Článek byl vytvořen v rámci dvou vědeckovýzkumných projektů, IG F6/3/2012 a VEGA
1/0127/11, a volně navazuje na sérii analýz finančního potenciálu, chudoby a materiální deprivace
domácností v Čechách a na Slovensku, které byly
zpracovávány v posledních letech v rámci řešení
grantových projektů GAČR 402/09/0515, VEGA
1/4586/07 a VEGA 1/0370/08. Jedná se o články
zabývající se modelováním působení různých atributů domácností na riziko monetární chudoby
(risk-of-poverty rate) v Čechách a na Slovensku
(Labudová, Vojtková a Linda, 2010, Pastorek a
Stankovičová, 2009 a další), měřením rizika chudoby a materiální deprivace (Ivančíková a Vlačuha, 2007 a Želinský, 2010a, 2010b, nebo 2012),
popřípadě statickými i dynamickými modely pří-
jmové distribuce (Bartošová a Forbeská, 2011, Bílková a Malá, 2012, Longford a Pittau, 2006, Malá,
2012, Pacáková, Sipková a Sodomová, 2005, popřípadě Pacáková a Foltán, 2011). Výsledky zjišťování nerovnoměrnosti rozdělení příjmů a chudoby a materiální deprivace v jednotlivých regionech
Slovenska byly publikovány v pracích Bartošové a
Forbelské, 2010, Michálka (2006 a 2010), Pauhofové (2010), Sipkové a Sipka (2010), Stankovičové
(2010), Želinského (2010c a 2012) a dalších. Další
skupina publikací je zaměřena na hodnocení distribuce příjmů (resp. mezd) v ČR (resp. v SR), její
nerovnoměrnost (např. Benáček a kol., 2010, Bílková, 2012, Marek, 2010 a 2011 apod.) a spotřební
chování domácností (Pauhofová a Páleník, 2005).
I. ZJIŠŤOVÁNÍ PŘÍJMŮ, ŽIVOTNÍCH PODMÍNEK A CHUDOBY V EU
Informace o příjmech a velikostech domácností
jsou čerpány z datových souborů pocházejících
z výběrového šetření EU SILC (European Union –
Statistics on Income and Living Conditions). Účelem šetření je získat reprezentativní údaje o příjmovém rozdělení jednotlivých typů domácností,
údaje o způsobu, kvalitě a finanční náročnosti bydlení, vybavení domácností předměty dlouhodobého
užívání a o pracovních, hmotných a zdravotních
podmínkách dospělých osob žijících v domácnosti.
Šetření EU SILC se provádí každoročně během
února až května, a to formou tzv. rotačního panelu,
kdy stejné domácnosti jsou opakovaně dotazovány
v ročním odstupu po dobu čtyř let. V Čechách a na
Slovensku bylo první šetření provedeno v roce
2005, proto byly pro modelování použity datové
soubory EU-SILC za roky 2005 – 2009.
Základním členěním šetřených subjektů je třídění na tzv. hospodařící domácnosti. Definicí tohoto pojmu se rozumí dobrovolné prohlášení osob
bydlících ve vybraném bytě, že společně žijí a hospodaří, tj. hradí výdaje za stravu, ubytování a pod.
Důležitou osobou je v šetření tzv. osoba v čele domácnosti. V úplných rodinách se jako osoba v čele
domácnosti bere vždy muž, a to bez ohledu na jeho
ekonomickou aktivitu a bez ohledu na to, zda jeho
příjmy tvoří větší, nebo podstatnější část rodinných
příjmů, či zda byl nezaměstnaný. V neúplných rodinách, kde je pouze jeden rodič s dětmi, a
u nerodinných domácností pak rozhoduje o osobě
v čele její ekonomická aktivita, popř. výše příjmu.
Pro porovnávání úrovně příjmů různých typů
domácností se zpravidla používají průměry
na osobu (na hlavu), příp. na domácnost. V poslední době se provádějí též výpočty průměrů na tzv.
spotřební jednotku. Přepočet na spotřební jednotku
je vhodný proto, že bere v úvahu velikost
a demografické složení domácnosti. Výpočet těchto jednotek je konstruován tak, aby odrážel tzv.
úspory z počtu ve vícečlenných domácnostech, tj.
úspory na nákladech na předměty a služby, které
slouží většímu počtu členů domácnosti (domácí
spotřebiče, elektřina a pod.). V Evropě se používá
modifikovaná OECD stupnice spotřebních jednotek, která přiřazuje první dospělé osobě v domácnosti váhu 1,0, dalším osobám starším 13 let váhu
0,5 a dětem do 13 let včetně váhu 0,3. To znamená,
že pár se dvěma dětmi do 13 let se rovná zhruba
dvěma ekvivalentním spotřebním jednotkám CUEU
(1 osoba v čele + 0,5·1 další dospělá osoba + 0,3·2
děti do 13 let = 2,1 CUEU). (Podrobnosti o vlivu
volby vah na hodnocení monetární chudoby nalezneme například v práci Longford a Nicodemo,
2009.)
Výpočet míry ohrožení chudobou (at-risk-ofpoverty rate) se podle metodiky EU opírá o tzv.
ekvivalizovaný příjem, což je podíl disponibilního
příjmu domácnosti a počtu jejích spotřebních jednotek. Vypočtený ekvivalizovaný příjem v domácnosti se přiřazuje všem jejím členům (všechny
osoby domácnosti mají stejný příjem). Ze souboru
všech osob, seřazených vzestupně podle výše jejich
ekvivalizovaného příjmu, se pak počítá hranice
chudoby (Ravallion, 1998). Nejčastěji používanou
hranicí chudoby je 60% mediánu ekvivalizovaného
příjmu. Jako doplňkové hranice se používají 40%,
50% a 70% mediánu a míra monetární chudoby se
vyjadřuje
jako
procentní
podíl
osob
s ekvivalizovaným příjmem nižším než je zvolená
hranice chudoby na celkovém počtu dané skupiny
osob. Jedná se o relativní míru, která náleží do
skupiny aditivních Foster-Greer-Thorbeckeových
měr chudoby (Foster, Greer a Thorbecke, 1984),
Tato jednotná metodika dává předpoklad
pro potřebná mezinárodní srovnání mezi členskými
zeměmi Unie.
II. MATEMATICKÝ MODEL
Vzhledem k tomu, že budeme zpracovávat údaje
týkající se příjmů domácností v letech 2005 až
2009 v celé Evropské unii, máme k dispozici data,
která jsou skupinově závislá a navíc sledovaná v
čase. Proto nelze použít klasické statistické metody, které předpokládají nezávislost pozorování.
Ke správné a efektivní analýze takových dat lze
použít speciální a zatím relativně málo využívané
metody, a to tzv. lineární smíšené modely (Linear
Mixed Models – LMM), neboli lineární modely se
smíšenými efekty, které umožňují zohlednit vliv
jednotlivých experimentálních jednotek (skupin,
subjektů) na svoje opakovaná měření. Vložením
individuálních efektů experimentálních jednotek
lze odhadovat nejen celkovou změnu společnou
všem, ale také jednotlivé změny každé skupiny
(každého subjektu).
Vzhledem k tomu, že náš příspěvek je zaměřen
na modelování rizika monetární chudoby, tj. alternativní veličiny nabývající hodnot {0;1}, nemůžeme pracovat s klasickými lineárními modely, které
předpokládají normální rozdělení odezvy (závisle
proměnné). Z tohoto důvodu použijeme třídu modelů, v nichž je rozdělení odezvy exponenciálního
typu, mezi něž patří i alternativní rozdělení. Jedná
se o tzv. zobecněné lineární smíšené modely (Generalized Linear Mixed Models, GLMM).
Tento příspěvek navazuje na předchozí aplikace
GLMM modelů na data z šetření EU-SILC v Čechách a na Slovensku. Jedná se např. o články Bartošové a Forbelské, 2010, 2011 a 2012.
III. TEORETICKÉ ZÁKLADY GLMM
Zobecněné lineární smíšené modely neboli zobecněné lineární modely se smíšenými (pevnými a náhodnými) efekty, jsou rozšířením zobecněných lineárních modelů (Generalized Linear Models –
GLMM). Jedná se o klasické zobecněné lineární
modely, kde jsou mezi lineární prediktory vloženy
náhodné efekty s cílem modelovat variabilitu a korelaci způsobenou různými zdroji (viz McCulloch a
Searle, 2001).
Zobecněné lineární modely (GLM), které v lineárním prediktoru uvažují pouze fixní (nenáhodné)
neznámé parametry, jsou určeny pro modelování
závislostí, kde rozdělení odezvy je z třídy exponenciálních rozdělení s hustotou ve tvaru
 yθ − b(θ )

f Y ( y;θ , φ ) = exp 
+ c( y, φ )
 a (φ )

kde φ je tzv. přirozený a θ rušivý parametr rozdělení a a (⋅), b(⋅), c (⋅) jsou funkce, jejichž tvar je
dán konkrétním rozdělením z této exponenciální
rodiny. Pro funkci b(θ) se požaduje, aby byla ryze
monotónní a dvakrát spojitě diferencovatelná, s
kladnou druhou derivací. Exponenciální třída rozdělení zahrnuje širokou škálu diskrétních i spojitých rozdělení, mezi něž náleží např. rozdělení alternativní, binomické, Poissonovo, negativně binomické, normální, exponenciální, gama a další.
Například pro normální rozdělení Y ~ N ( µ , σ 2 ) je
 ( y − µ )2 
exp  −
f Y ( y; θ , φ ) =

2σ 2 

2πσ 2

µ2
2
 yµ −
2 − 1  y + ln 2πσ 2
= exp

2
2 σ 2
 σ


 
 ,
 

)
takže v tomto případě je θ = µ , φ = σ 2 , a (φ ) = φ ,
(
anční funkce, jakožto funkce střední hodnoty, úzce
souvisí s typem rozdělení odezvy (tj. závisle proměnné Yi).
Klasické modely s fixními parametry předpokládají vzájemnou nezávislost pozorování a nejsou
proto vhodné pro analýzu skupinově závislých dat,
s nimiž budeme pracovat. Proto použijeme k modelování modely, které nám umožní přidat do modelů
také náhodné efekty (viz např. Hosmed a Lemeshow, 2000). V modelu použijeme následující značení: index i; i = 1,…,N, označuje nezávislé experimentální jednotky (skupiny či subjekty), dvojice
indexů ij; j = 1,…,nj značí korelovaná pozorování
na i-té experimentální jednotce.
Nejjednodušším modelem s jedním náhodným
efektem pro experimentální jednotku i je model
tvaru ηij = x ij β + ν i , kde ν i je náhodný efekt (jeden pro každou experimentální jednotku). Náhodný
efekt slouží pro modelování variability uvnitř experimentální jednotky a obvykle předpokládáme, že
má normální rozdělení N (0, σν2 ) .
1
(
ním prediktorem prostřednictvím tzv. spojovací
(linkovací) funkce (link function) g, která je diferencovatelná, ryze monotónní a pro niž platí
g ( µi ) = ηi . Specifikace třetí složky modelu, vari-
)

θ2
1  y2
b(θ ) =
, .c( y, φ ) = −  2 + ln 2πσ 2  .
2 σ
2

Zobecněné lineární modely jsou určeny třemi
komponentami. První z nich, lineární prediktor ηi ,
je lineární funkcí neznámých parametrů ηi = x i β ,
kde x i je vektor regresorů (tj. nezávislých proměnných, prediktorů) pro i-tou jednotku s vektorem fixních (nenáhodných) efektů β . Střední hodnota i-té složky µi = E (Yi ) je propojena s lineár-
Přidáním náhodných efektů je střední hodnota
odezvy, která souvisí s lineárním prediktorem prostřednictvím linkovací funkce, dána jako podmíněná, takže µij = E Yij ν i , x ij . Model rozšířený o
(
)
náhodné efekty je určen lineárním prediktorem
ηij = x ij β + z ij ν i , kde pro vektor náhodných
efektů ν i předpokládáme vícerozměrné normální
rozdělení s nulových vektorem středních hodnot a
varianční maticí Σν .
Odhady neznámých parametrů GLMM modelu
jsou převážně založeny na metodě maximální věrohodnosti (Maximum Likelihood Method, MLM),
avšak jejich výpočet je poměrně komplikovaný a
především numericky náročný. V odborné literatuře existuje široká škála možností, jak odhady získat. Všechny tyto přístupy vycházejí z některé
aproximace integrované věrohodnosti, která souvisí s náhodnými efekty. Jedná-li se např. o aproximace založené na Taylorových polynomech (prvního či druhého řádu), můžeme k výpočtu využít například Laplaceovu metodu nebo PQL metodu.
Můžeme také zvolit cestu, při níž použijeme některý z numerických přístupů k výpočtu integrované
věrohodnosti, jako jsou např. metody založené na
Gaussově-Hermiteově kvadraturní formuli, případně můžeme použít bayesovský postup využívající
MCMC techniky (Markov Chain Monte Carlo
techniques). Ke konstrukci lineárních modelů se
smíšenými efekty byl použit program R (viz Bates
a Sarkar, 2007).
kde inverzní linkovací funkce Flogist (ηij ) je distribuční funkcí logistického rozdělení (logistic distribution), která má tvar
1
Flogist (η ij ,k ) =
.
1 + exp (−η ij ,k )
Příjemnou vlastností logistického rozdělení je
fakt, že jeho hustotu lze vypočítat velmi jednoduše
pomocí distribuční funkce jako
Flogist (η ij ,k )
f logist (η ij ,k ) =
.
1 − Flogist (η ij ,k )
V. ANALÝZA RIZIKA MONETÁRNÍ CHUDOBY
V EU POMOCÍ LOGISTICKÉHO MODELU SE
IV. LOGISTICKÝ ANOVA MODEL S FIXNÍMI
SMÍŠENÝMI EFEKTY
A NÁHODNÝMI EFEKTY
V našem konkrétním logistickém modelu se smíšenými efekty lze lineární prediktor ηij, k vyjádřit
Volba modelu je dána typem a vlastnostmi proměnných vystupujících v modelu rizika monetární
chudoby. Hledáme vhodný GLMM model, který
umožňuje modelovat alternativně rozdělenou závisle proměnnou (odezvu). Naším cílem je vystihnout dynamiku vývoje monetární chudoby jedinců
v EU v letech 2004 – 2008 s ohledem na jejich pohlaví a věkovou kategorii. Závisle proměnnou
v modelu tedy bude riziko monetární chudoby a na
straně nezávisle proměnných (regresorů) budou
vystupovat jednotlivé země EU, výše definované
věkové kategorie a pohlaví jedinců a rok šetření
EU-SILC. Všechny naše požadavky splňuje vícefaktorový logistický ANOVA model s pevnými a
náhodnými efekty, který používá logitovou linkovací funkcí (logit link function), tzv. logit, ve tvaru
g ( µ ij ,k ) = logit = ln
( µ ij ,k )
1 − ( µ ij ,k )
= η ij ,k
(
Podmíněná střední hodnota µij , k = E Yij ,k ν i , xij ,k
)
alternativního rozdělení odezvy je rovna podmíněné pravděpodobnosti P Yij ,k = 1 ν i , xij ,k , takže
(
)
můžeme psát
(
) (
P Yij , k = 1 ν i , xij , k , zij , k = E Yij , k ν i , xij , k
= g −1 (ηij , k ) = Flogist (ηij , k )
)
,
symbolicky ve tvaru
(
)
ηij , k = α sex sexij,k + β year + ν year , AgeGroup + ν year , country yearij,k
kde index i; i = 1,...,29, značí členský stát EU
(country), index j; j = 1,...,4, věkovou kategorii
(AgeGroup) a index k označuje k-té pozorování
(jedince) uvnitř ij-té podskupiny. Parametry α sex ,
kde
sex = {male, female}
a
β year α sex ,
kde
year = {2005,...,2009} , představují pevné (nenáhodné) efekty v modelu, které ukazují, jaký průměrný vliv má na relativní chudobu jedinců jejich
pohlaví a rok šetření EU-SILC. Parametry
ν year, AgeGroup a ν year,country jsou (normálně
rozdělené) náhodné efekty, které v sobě kombinují
vliv roku šetření s vlivem věkové skupiny, do níž
osoba náleží a s vlivem země, v níž žije. Proměnné
sex, year, AgeGroup a country jsou kategoriální
proměnné, přičemž AgeGroup a country jsou brány
jako proměnné skupinové.
V tabulce 2 jsou uvedeny odhady pevných efektů logistického modelu rizika monetární chudoby,
které ukazují, jaký průměrný vliv představoval rok,
v němž bylo provedeno šetření EU-SILC, a jaký
vliv představovalo v té době pohlaví osoby. Rok
šetření v sobě odráží vnější i vnitřní ekonomickou
situaci, bude proto zajímavé sledovat, zda se
v posledním roce šetření již projevil vliv celosvětové hospodářské krize na chudobu, nebo zda je
k tomu zapotřebí delší časový interval. Také ve
vlivu pohlaví by mělo docházet ke změnám. Jednak je známo, že současná krize díky růstu nezaměstnanosti působí negativně na rovnost
v odměňování obou pohlaví. Naproti tomu lze očekávat (aspoň v budoucnu), že se do tohoto nepříznivého vývoje kladně promítnou vládní opatření,
k nimž se zavázaly jednotlivé členské státy Unie
v rámci plnění strategie Evropa 2020.
Tab. 2: Odhady fixních efektů logistického modelu
rizika chudoby jedinců v EU
Parametr
Intercept
2006
2007
2008
2009
female
Odhad
-1,8663
0,0214
-0,0009
0,0056
0,0125
0,1538
St. odch.
0,10567
0,02080
0,02517
0,03018
0,04133
0,00013
StatistikaZ
p-hodnota
-17,6613
1,02944
-0,03367
0,18444
0,30133
1225,33
-70
8,33 ·10
0,30328
0,97314
0,85367
0,76316
0,00000
Zdroj: vlastní výpočty podle údajů EU-SILC 2005-2009
Ze získaných výsledků (uvedených v tabulce 2)
je zřejmé, že riziko chudoby je u žen statisticky
významně vyšší než u mužů. Roky šetření EUSILC naopak v modelu významné nejsou. Jejich
vliv proto můžeme pominout a pravděpodobnost
poklesu pod hranici chudoby považovat v celém
pětiletém období prakticky za neměnnou.
Tab. 3: Varianční komponenty logistického modelu
se smíšenými efekty
Směrodatné odchylky pro náhodné efekty
(skupinová proměnná – věkové kategorie)
EU-SILC
2005
2006
2007
2008
AgeGroup 0,17319 0,02053 0,01111 0,01333
Směrodatné odchylky pro náhodné efekty
(skupinová proměnná – země EU)
EU-SILC
Country
EU-SILC
2005
2006
2007
2008
2009
2005
2006
2007
2008
0,32288 0,09348 0,12596 0,15254
Korelační matice náhodných efektů
(skupinová proměnná – věkové kategorie)
2005
2006
2007
2008
2009
0,04792
2009
0,17541
2009
1
-0,1469
0,3160
-0,5765
-0,3518
1
0,79156
0,40385
0,36414
1
0,41183
0,53286
Další dvě tabulky (4 a 5) popisují predikce náhodných efektů pro obě skupinové proměnné, země
EU (tabulka 4) a věkové kategorie jedinců (tabulka
5).
Tab. 4: Predikce náhodných efektů pro skupinovou
proměnnou země EU
Země
AT
BE
CY
CZ
DE
Intercept
-0,249
-0,024
0,199
-0,548
-0,332
2006
2007
2008
2009
0,024
-0,024
0,010
0,021
0,053
0,004
-0,009
-0,011
-0,030
-0,059
-0,024
-0,012
-0,074
-0,064
-0,066
-0,161
0,120
0,410
0,339
0,360
Země
FI
FR
GR
HU
IE
Intercept
-0,203
-0,156
0,367
-0,214
0,328
2006
2007
2008
2009
0,097
0,131
0,152
0,172
-0,025
-0,029
-0,114
-0,096
0,021
0,011
0,141
-0,006
-0,042
-0,107
-0,119
-0,133
-0,104
-0,141
-0,315
-0,361
Země
LU
LV
NL
NO
PL
Intercept
-0,212
0,319
-0,465
-0,227
0,317
2006
2007
2008
2009
0,067
0,006
-0,014
0,106
0,195
0,149
0,383
0,383
-0,092
-0,052
0,021
0,040
-0,072
0,077
0,002
-0,010
-0,090
-0,205
-0,213
-0,184
Země
SK
UK
BG
RO
MT
Intercept
-0,193
0,276
0,365
0,552
-0,045
2006
2007
2008
2009
-0,176
-0,279
-0,247
-0,251
-0,033
-0,028
-0,065
-0,131
0,053
0,072
0,055
0,092
-0,033
0,022
-0,070
-0,152
-0,005
-0,007
-0,008
-0,008
Země
DK
EE
ES
IS
IT
Intercept
-0,188
0,256
0,327
-0,472
0,257
2006
2007
2008
2009
-0,026
-0,006
0,010
0,110
-0,025
0,111
0,111
0,084
-0,002
0,010
0,033
0,058
-0,012
-0,003
-0,099
-0,020
-0,004
0,056
Země
PT
SE
SI
LT
Intercept
0,294
-0,479
-0,197
0,342
2006
2007
2008
2009
-0,049
-0,059
-0,062
-0,103
0,221
0,084
0,265
0,372
-0,071
-0,061
0,024
0,006
-0,084
-0,033
-0,045
-0,049
-0,004
0,017
1
0,96621
1
Kódy zemí (Tab. 4):
DK
FI
IS
NO
SE
AT
BE
RO
CZ
Dánsko
Finsko
Island
Norsko
Švédsko
Rakousko
Belgie
Rumunsko
Česko
DE
IE
LU
NL
UK
CY
ES
HU
PL
Německo
Irsko
Lucembursko
Holandsko
Velká Británie
Kypr
Španělsko
Maďarsko
Polsko
GR
IT
PT
BG
EE
LT
LV
SI
SK
Řecko
Itálie
Portugalsko
Bulharsko
Estonsko
Lotyšsko
Litva
Slovinsko
Slovensko
Z tabulky 4 vyplývá, že odhady průměrných i
ročních náhodných efektů jsou pro Českou i Slovenskou republiku záporné, podobně jako pro
Francii a Maltu. U Malty jsou však tyto hodnoty
velmi malé, takže ovlivní její posuv vůči celoevropskému průměru jen nepatrně. Mnohem větší
snížení šance na pokles jedince pod hranici monetární chudoby se projevuje tam, kde odhady absolutních složek náhodných efektů (intercept) jsou
výrazně záporné. Česko s hodnotou -0,548 vede, za
ním se umístily postupně Švédsko (-0,479), Island
(-0,472), Holandsko (-0,465) a Německo s hodnotou -0,332. Odhady konstantních složek náhodných
efektů pro Slovinsko, Slovensko, Dánsko a Francii
(-0,197, -0,193, -0,188 a -0,156) lze hodnotit jako
středně pozitivní, podobně jako odhady pro Rakousko, Finsko, Maďarsko, Lucembursko a Norsko, které jsou jen o málo lepší (-0,249, -0,203, 0,214, -0,212 a -0,227). V ostatních zemích převažují kladné odhady, což znamená zvýšení šance na
pokles pod hranici chudoby oproti evropskému
průměru.
Tab. 5: Predikce náhodných efektů pro skupinovou
proměnnou věková kategorie
Kategorie
(15,30]
(30,50]
(50,60]
(60,100]
Intercept
0,1547
-0,1256
-0,2011
0,1718
2006
0,0074
-0,0260
0,0256
-0,0075
2007
0,0137
0,0040
-0,0049
2008
0,0076
-0,0132
0,0047
0,0091
-0,0218
2009
0,0444
0,0129
0,0170
-0,0759
Tabulka 5 dokumentuje pozitivní či negativní
vliv věkové kategorie na šanci na posuv jedince
pod hranici monetární chudoby. Zajímá nás především situace ve dvou skupinách – ve skupině „juniorů“ (ve věku 15 – 30 let) a „seniorů“ (ve věku
51 – 60 let). Je vidět, že k nepříznivému zvýšení rizika chudoby dochází ve skupině mladých jedinců,
kde jsou odhady náhodných efektů kladné (absolutní i lineární složka). Jiná, mnohem pozitivnější
situace byla v tomto období ve skupině ekonomicky aktivních jedinců starších 50 let („seniorů“), jak
lze soudit podle záporné hodnoty absolutního člena
náhodného efektu (-0,2011). Podobně tomu bylo i
ve skupině jedinců „středního věku“ (od 31 do 50
let), kde kromě trvalého snížení šance na chudobu
(interceptu má hodnotu -0,1256) došlo v letech
2006 a 2007 ještě k dalšímu, byť pouze nevýraznému snížení oproti průměru.
ZÁVĚR
Z analýzy rizika monetární chudoby v zemích Evropské unie v letech 2004 – 2008 provedené pomocí logistické regrese se smíšenými (fixními a náhodnými) efekty vyplynuly následující závěry. Považujeme-li vliv roku zjišťování a vliv pohlaví jedince za fixní faktory, dojdeme k závěru, že riziko
chudoby bylo u žen v tomto období v Evropě statisticky významně vyšší než u mužů. Naproti tomu
rok šetření EU-SILC riziko významně neovlivňoval.
Analýza náhodných efektů způsobených skupinovými proměnnými (země a věková kategorie)
ukázala, že Česká republika patřila v letech 2004 –
2008 mezi země s nejnižším rizikem monetární
chudoby v Evropě, a to bez ohledu na věkovou
skupinu jedince či rok zjišťování. Také odhad náhodných efektů pro Slovenskou republiku prokázal
nižší šanci na pokles jedince pod hranici monetární
chudoby ve srovnání s evropským průměrem.
Z odhadnutého logistického modelu dále vyplynulo, že nejohroženější skupinou, co do rizika monetární chudoby, byli „junioři“, tj. jedinci ve věku 15
až 30 let.
Prokázalo se, že výsledky získané aplikace logistického modelu se smíšenými efekty na datové
soubory z šetření EU-SILC 2005 – 2009 odpovídají realitě. Závěrem můžeme tedy konstatovat, že
zobecněné modely se smíšenými efekty jsou vhodným nástrojem pro analýzy týkající se ovlivňování
rizika monetární chudoby jedinců různými (i vzájemně zkorelovanými) faktory.
Mikrodata EU-SILC byla poskytnuta na vědecké
účely na základě kontraktu no. EU-SILC/2011/33,
LITERATURA
Bartošová, J., Forbelská, M. (2012). GLMM Model of
At-Risk-of-Poverty Czech Households Depending
on the Age and Sex of the Householder (EU-SILC
2005-2009). Bratislava 07.02.2012 – 09.02.2012. In:
11th International Conference APLIMAT 2012. Bratislava: Slovak University of Technology, pp. 833842. ISBN 978-80-89313-58-7.
Bartošová, J., Forbelská, M. (2011). Differentiation
and dynamics of household incomes in the Czech
EU-SILC survey in the years 2005-2008. In: Aplimat. Vol. 4, No. 3, pp. 199 – 208.
Bartošová, J., Forbelská, M. (2010). Porovnání regionální monetární chudoby v Čechách a na Slovensku.
In: Pauhofová, I., Hudec, O., Želinský, T. (eds.): Sociálny kapitál, ľudský kapitál a chudoba v regiónoch
Slovenska. Košice: TU Košice. s. 76-84. ISBN 97880-553-0573-8.
Bates, D., Sarkar, D. (2007) lme4: Linear MixedEffects Models Using S4 Classes. R package version
0.9975-12, URL http://CRAN.R-project.org/.
Benáček, V., Michalíková, E., Mysíková, M.,
Nešporová, O., Nešpor, R., Večerník, J. (2010).
Individuals and households in the Czech Repbulic
and CEE countries. Prague: Institute of Sociology,
AS CR.
Bílková, D. (2012). Recent Development of the Wage
and Income Distribution in the Czech Republic. In:
Prague Economic Papers. Vol. 21, No. 2, pp. 233–
250.
Bílková, D., Malá, I. (2012). Modelling the Income
Distributions in the Czech Republic since 1992. In:
Austrian Journal of Statistics [online]. Vol. 41, No.
2, pp. 133–152.
Foster, J., Greer, J., Thorbecke, E. (1984). A Class of
Decomposable Poverty Measures. In: Econometrica.
Vol. 52, No. 3, pp. 761–766.
Hosmer, D. W., Lemeshow, S. (2000). Applied Logistic Regression. 2. vyd. New York: John Wiley and
Sons. ISBN 0-471-35632-8.
podepsaného mezi Evropskou komisií, Eurostatem
a Technickou univerzitou v Košicích. Eurostat nenese žádnou odpovědnost za výsledky a závěry, ke
kterým autorky dospěly.
Ivančíková, Ľ., Vlačuha, R. (2010). Stratégia EU2020
a ohrozenie chudobou v regiónoch Slovenska. In:
Pauhofová, I., Hudec, O., Želinský, T. (eds.): Sociálny kapitál, ľudský kapitál a chudoba v regiónoch
Ivančíková, Ľ., Vlačuha, R. (2007). Materiálna deprivácia na Slovensku. In: Slovenská štatistika
a demografia. Vol. 17, No. 4. pp. 12–26.
Labudová, V., Vojtková, M., Linda, B. (2010). Application of multidimensional methods to measure
poverty. In: E+M Ekonomie a management. Vol. 13,
No. 1, pp. 6–21.
Longford, N. T., Nicodemo, C. (2009). A sensitivity
analysis of poverty definitions. IRISS Working
Paper Series 2009–15. Differdange, Luxembourg:
CEPS/ INSTEAD.
Longford, N. T., Pittau, M. G. (2006). Stability of
household income in European countries in the
1990s. In: Computational Statistics and Data
Analysis. Vol. 51, No. 2, pp. 1346–1384.
Malá, I. (2012). Použití konečných směsí pro modelování příjmových rozdělení. In: Acta Oeconomica
Pragensia. Vol. 20, No. 4, pp. 26–39.
Marek, L. (2010). Analýza vývoje mezd v ČR v letech
1995-2008. In: Politická ekonomie. Vol. 58, No. 2,
pp. 186–206.
Marek, L. (2011). Gini Index in Czech Republic in
1995-2010. In: Statistika. Vol. 48, No. 2, pp. 42–48.
Mcculloch, C.E., Searle, S.R. (2001) Generalized,
Linear, and Mixed Models. New York: Wiley. ISBN
047119364X.
Michálek, A. (2010). Sociálne nerovnosti a chudoba na
Slovensku: Regionálna analýza príjmov, miezd
a chudoby. In: Pauhofová, I., Hudec, O., Želinský,
T. (eds.): Sociálny kapitál, ľudský kapitál a chudoba
v regiónoch Slovenska. Košice: TU Košice. s. 13-21.
ISBN 978-80-553-0573-8.
Michálek, A. (2006). Regióny a lokálne centrá chudoby
na Slovensku. In: Slovenský národopis. Vol. 54, No.
2, pp. 182–196.
Pacáková, V., Foltán, F. (2011). Analysis of the highest wages in the Slovak Republic. In: Scientific Papers of the University of Pardubice, Series D. Vol.
19, No. 1, pp. 172–180.
Pacáková, V., Sipková, Ľ., Sodomová, E. (2005). Štatistické modelovanie príjmov domácností v Slovenskej republike. In: Ekonomický časopis. Vol. 53, No.
4, pp. 427–439.
Pauhofová, I. (2010). Regionálna príjmová stratifikácia
populácie Slovenska. In: Pauhofová, I., Hudec, O.,
Želinský, T. (eds.): Sociálny kapitál, ľudský kapitál
a chudoba v regiónoch Slovenska. Košice: TU Košice. s. 22-30. ISBN 978-80-553-0573-8.
Pauhofová, I., Páleník, V. (2005). Dôchodková situácia a formovanie spotrebiteľských zvyklostí obyvateľstva Slovenska. In: Ekonomický časopis. Vol. 53,
No. 10, pp. 972–990.
Pastorek, L., Stankovičová, I. (2009). Analýza činiteľov monetárnej chudoby v českých a slovenských
domácnostiach v roku 2006. Jindřichův Hradec
11.12.2009. In: Finanční potenciál domácností
2009. J. Hradec: Fakulta managementu VŠE, (CD).
ISBN 978-80-245-1625-7.
Ravallion, M. (1998). Poverty Lines in Theory and
Practice. [LSMS Working Paper 133]. Washington,
D. C.: Svetová banka. ISBN 0-8213-4226-6.
Sipková, Ľ., Sipko, J. (2010). Úroveň miezd v krajoch
Slovenskej republiky. In: Pauhofová, I., Hudec, O.,
Stankovičová, I. (2010). Regionálne aspekty monetárnej chudoby na Slovensku. In: Pauhofová, I., Hudec,
O., Želinský, T. (eds.): Sociálny kapitál, ľudský ka-
pitál a chudoba v regiónoch Slovenska. Košice: TU
Košice. s. 67-75. ISBN 978-80-553-0573-8.
Želinský, T. (2012). Changes in Relative Material Deprivation in Regions of Slovakia and the Czech Republic. In: Panoeconomicus. Vol. 2012, No. 3, pp.
335-353.
Želinský, T. (2010a). Analýza chudoby na Slovensku
založená na koncepte relatívnej deprivácie. In: Politická ekonomie. Vol. 58, No. 4, pp. 542–565.
Želinský, T. (2010b). Porovnanie alternatívnych prístupov k odhadu individuálneho blahobytu domácností ohrozených rizikom chudoby. In: Ekonomický
časopis. Vol. 58, No. 3, pp. 251-270.
Želinský, T. (2010c). Pohľad na regióny Slovenska cez
prizmu chudoby. In: Pauhofová, I., Hudec, O., Želinský, T. (eds.): Sociálny kapitál, ľudský kapitál
Evropská agentura pro bezpečnost a ochranu zdraví při
práci: Články. [online]. [cit. 2012-04-16]. Dostupné z:
http://osha.europa.eu/cs/publications/articles/prom
oting-active-ageing-in-the-workplace
Evropská komise: Evropa 2020. [online]. [cit. 2012-0416]. Dostupné z:
http://ec.europa.eu/eu2020/pdf/1_CS_ACT_part1_
v1.pdf
Evropská agentura pro bezpečnost a ochranu zdraví při
práci: Články. [online]. [cit. 2012-04-16]. Dostupné z:
http://osha.europa.eu/cs/publications/articles/prom
oting-active-ageing-in-the-workplace
European Commission: Youth. [online]. [cit. 2012-0416]. Dostupné z:
http://ec.europa.eu/youth/policy/eu-youthstrategy_en.htm
Iveta PAUHOFOVÁ, Michal PÁLENÍK ■ 33
Súvislosti starnutia Európskej populácie vo väzbe na formovanie domáceho
dopytu
Iveta PAUHOFOVÁ1a, Michal PÁLENÍK1b,2
Ekonomická ústav, Slovenská akadémia vied
2 Inštitút zamestnanosti
1
Connections between European Population Aging and Domestic Demand Formation
Keywords
Abstract
Silver economy, ageing population, la- Silver economy is the term for the economy in which a high proportion of
bour market.
consumption creates seniors. Primarily is focused on the possibilities of
economic demand, which produces a population of elderly. Based on
JEL Classification
data on earnings and data from the Social Insurance Institution (for the
D12, D31, E24, E62, E15
period 2005-2011) Silver Economy is up to 3.7 million people. Concept
silver economy is based on the premise that the mass of people is not a
1 Slovak Academy of Sciences, Instithreat to state budget but an opportunity for entrepreneurship.
tute of Economic Research, Šancová
56, 811 05 Bratislava, Slovakia
[email protected]
[email protected]
Príspevok bol vytvorený s podporou vedeckovýskumného projektu APVV-0135-10 – Strieborná ekonomika ako potenciál budúceho rastu v starnúcej Európe a VEGA 2/0208/09 – Determinanty polarizácie bohatstva v globalizovanom svete (súčasnosť a budúcnosť).
ÚVOD
Strieborná ekonomika je označenie pre ekonomiku,
v ktorej vysokú časť spotreby vytvárajú seniori.
Primárne sa orientuje na možnosti využitia ekonomického dopytu, ktorý produkuje populácia v staršom veku (so striebornými vlasmi).
Na základe údajov o príjmoch a dát zo Sociálnej
poisťovne (za obdobie 2005-2011) môžeme medzi
osoby tvoriace dopyt v rámci striebornej ekonomiky zaradiť až 3,7 miliónov ľudí. Koncepcia striebornej ekonomiky vychádza z premisy, že túto masu ľudí netreba brať ako hrozbu, ale ako príležitosť.
I. SITUÁCIA NA TRHU PRÁCE A STARNUTIE
POPULÁCIE
Vzhľadom na to, že sa populácia dožíva priemerne
stále vyššieho veku a počet novonarodených osôb
klesá, podiel starších osôb na celkovej populácii
neustále narastá. Slabé porevolučné ročníky často
migrujú do iných krajín Európskej únie a širšia ponuka vzdelávania len odďaľuje čas ich príchodu
na trh práce. Naopak, silné povojnové ročníky z trhu práce odchádzajú, čím sa mení výška ako aj
štruktúra ich príjmov a výdavkov.
V štruktúre spotreby platí tzv. Engelov zákon:
čím má niekto viac peňazí, tým menší podiel výdavkov používa na nevyhnutné životné potreby. Na
celkových výdavkoch sa to potom v praxi prejaví
napríklad zníženým podielom výdavkov na potraviny a zvýšeným podielom výdavkov použitých na
zdravie, rekreáciu, kultúru a podobne.
Podľa ekonomickej aktivity by sme obyvateľstvo mohli rozdeliť do nasledovných piatich skupín:
•
•
•
predaktívni/predproduktívni obyvatelia do 25
rokov (študenti),
aktívne obyvateľstvo nad 25 do 50 rokov
(poberajú pracovné príjmy),
starnúce obyvateľstvo vo veku nad 50 do 65
rokov (nastáva presun od pracovných
•
•
k nepracovným príjmom, respektíve súbeh
pracovných a nepracovných príjmov),
starší obyvatelia nad 65 do 80 rokov (sú
poberateľmi prevažne nepracovných príjmov,
prípadne pracovných čiastkových),
prestarlé obyvateľstvo nad 80 rokov
(poberajú výhradne nepracovné príjmy).
Nárast podielu obyvateľstva najmä v posledných dvoch skupinách predstavuje novú rastúcu
skupinu spotrebiteľov so špecifickými požiadavkami. Títo ľudia sa čím ďalej viac orientujú na tovary a služby súvisiace so starostlivosťou o zdravie
(ubytovacie služby priateľské starnutiu, automobily
IKT,...) či služby súvisiace so starostlivosťou
o majetok (správa finančného portfólia, správa investícií do nehnuteľností,...), pričom ochota ľudí
spotrebovať s vyšším vekom narastá. V rámci Európskej únie ľudia patriaci do vekovej skupiny
osôb starších ako 50 rokov vlastnia 75% akcií na
burzách, 65% súkromných úspor, 60% domov,
50% osobných a dokonca až 80% luxusných áut.
II. SITUÁCIA NA SLOVENSKU
Štruktúru príjmov jednotlivých skupín obyvateľstva zobrazuje tabuľka č. 1. V poslednom riadku
vidíme súčet príjmov starnúcich, starších a prestarlých v jednotlivých obdobiach. Zatiaľ, čo v roku
2005 bol rozdiel medzi objemom príjmov aktívne-
ho a staršieho ako aktívneho obyvateľstva markantný, do roku 2011 sa tento rozdiel viditeľne
znížil.
Na analýzy sme využili dáta zo Sociálnej poisťovne. Dáta obsahujú údaje o príjmoch jednotlivých sociálnych skupín Slovenska. Príjmy evidované Sociálnou skupinou môžeme rozdeliť na dve
skupiny. Pracovné príjmy predstavujú príjmy zo
zamestnania, dohôd a živností, ktoré určujeme ako
vymeriavací základ pre účely platenia odvodov.
Nepracovné príjmy predstavujú najmä starobné
a invalidné dôchodky, vdovské dôchodky, dávky
v nezamestnanosti. V databáze nie sú uvedené
príjmy, ktoré nie sú pod gesciou Sociálnej poisťovne: napríklad výsluhové dôchodky, príjmy
z majetku, príjmy zo zahraničia, dávky v hmotnej
núdzi, tvorbu a čerpanie úspor.
Obyvateľstvo podľa veku sme rozdelili do skupín, ako je bežné v dostupnej literatúre. Predproduktívnu skupinu chápeme ako vo veku do 25 rokov. Táto skupina často študuje na vysokej škole.
Pre účely porovnania chápeme aktívne obyvateľstvo ako tých vo veku 25 až 49 rokov. Podľa našej
databázy má 95% osôb v tomto veku pracovné
príjmy a iba 13% osôb nepracovné príjmy.
Obrázok 1 túto skutočnosť vyjadruje graficky.
Vidno, že celkové príjmy aj po očistení o infláciu
rastú
Tab. 1: Kúpyschopnosť jednotlivých skupín obyvateľstva
Predaktívni
Aktívni
Starnúci
Starší
Prestarlí
Starší spolu
2005
6,62%
51,23%
27,94%
11,25%
2,87%
42,06%
2006
2007
2008
7,00%
6,58%
6,62%
50,90% 50,71% 51,07%
28,14% 29,00% 28,55%
11,09% 11,11% 10,68%
2,92%
2,97%
2,89%
42,15% 43,08% 42,12%
Zdroj: vlastné výpočty
Z obrázku č. 2 je ďalej zrejmé, že kúpyschopnosť staršieho ako aktívneho obyvateľstva je zatiaľ
stále nižšia ako osôb vo veku do 50 rokov. Krivka
kúpyschopnosti starších ľudí má rastúci charakter –
2009
5,56%
50,32%
29,26%
11,73%
3,26%
44,25%
2010
5,02%
48,28%
30,73%
12,54%
3,55%
46,82%
2011
4,98%
48,78%
30,12%
12,61%
3,59%
46,31%
na rozdiel od krivky znázorňujúcej kúpyschopnosť
osôb do 50 rokov. Ich kúpyschopnosť bola totiž po
roku 2008 oslabená, o dva roky neskôr však začala
znovu rásť.
2005
2006
2007
2008
2009
2010
2011
Obr. 1: Kúpyschopnosť jednotlivých skupín obyvateľstva
Zdroj: vlastné spracovanie
2005
2006
2007
2008
2009
2010
2011
Obr. 2: Kúpyschopnosť podľa veku
Obr. 3: Priemerný príjem podľa veku
III. STRIEBORNÁ EKONOMIKA VO VYBRAVYBR
NÝCH KRAJINÁCH EURÓPY
Nasledujúca tabuľka znázorňuje porovnanie
percentuálneho zastúpenia jednotlivých skupín
obyvateľstva podľa počtu osôb v skupine a taktiež
ich príjmov.
Strieborná ekonomika na Slovensku je zatiaľ nie
veľmi výrazná, najmä v porovnaní s inými krajikraj
nami Európskej únie. Povojnový „boom
boom“ nebol tak
výrazný ako napríklad v Nemecku, kde porevolučporevolu
né turbulencie a inflácia rapídne znížili úspory
úsp
obyvateľstva.
Na obrázku č. 3 sú na kladnej časti osi y znázorznázo
nené krajiny, v ktorých majú obyvatelia vo veku od
50 do 65 rokov vyšší príjem ako tí vo veku medzi
25 a 50. Ide o Severské krajiny, krajiny StredozeStredoz
mia a Francúzsko
Francúzsko.
Tab. 2: Rozdiel národohospodárskej významnosti
jednotlivých skupín obyvateľstva
25-50
Pobaltie
V5
Benelux
Severské krajiny
NMS2
Stredozemie
DE+AT
Britské ostrovy
Francúzsko
9,7
6,1
4,9
3,5
5,6
2,0
5,0
6,4
1,7
Vekový interval
50+
50-65 65-80
80+
-9,7
-6,1
-4,9
-3,5
-5,6
-2,0
-5,0
-6,4
-1,7
-3,1
-1,4
-2,0
-2,7
-1,9
-2,3
-0,8
-2,7
-1,4
0,3
0,2
2,7
3,8
1,5
4,6
2,9
3,3
2,8
-6,9
-4,9
-5,6
-4,5
-5,2
-4,3
-7,1
-7,0
-3,1
36 ■ NEROVNOS
NEROVNOSŤ
Štruktúra dopytu obyvateľstva podľa veku (obr.
4) znázorňuje podstatné rozdiely v dopyte medzi
jednotlivými skupinami obyvateľstva v európskych
krajinách. Dopyt 50 – 65 ročných osôb tvorí
v mnohých z nich až 30% z celkového dopytu
v danej krajine. Vo veku 65 - 80 rokov tento dopyt
klesá aj viac ako o polovicu, pričom po 80. roku
života sa jeho úroveň ešte viac znižuje.
Obr. 4: Kúpyschopnosť podľa veku
Obr. 5: Tvorba domáceho dopytu podľa veku
Obrázok č. 5 zachytáva rovnakú skutočnosť, ava
šak z regionálneho pohľadu. Kúpyschopnosť starsta
šej populácie je najnižšia v Pobaltských krajinách
a vo Vyšehradskej skupine. Starnutie je najvýraznajvýra
nejšie vo Francúzsku, Nemecku a krajinách v okolí
Stredozemného mora (najmä Taliansko).
Posledná tabuľka dokumentuje významnosť
jednotlivých regiónov na dopyte Európskej únie.
Viditeľná je dominantnosť krajín Stredozemného
mora, ktoré predstavujú až 35% príjmov cele
celej EÚ
vo vekovej skupine 80+.
ZÁVER
Tab. 3: Významnosť jednotlivých regiónov na
dopyte EÚ [%]
50+
Pobaltie
V5
Benelux
Severské krajiny
NMS2
Stredozemie
DE+AT
Britské ostrovy
Francúzsko
0,64
6,25
11,96
14,10
1,21
28,45
17,43
9,10
10,86
Vekový interval
50-65 65-80
80+
0,66
6,64
13,05
14,65
1,19
26,85
16,78
9,44
10,74
0,61
5,56
10,27
13,12
1,27
29,94
20,19
8,49
10,54
0,52
5,75
9,69
13,50
1,15
35,25
12,48
8,76
12,91
spolu
0,79
6,78
12,65
14,39
1,26
27,61
16,84
9,26
10,41
Z analýzy v tomto príspevku vyplýva, že priemerný príjem obyvateľov starších ako 50 rokov je relatívne vysoký a významnosť slovenského domáceho dopytu tejto skupiny narastá.
V rámci Európy sú z pohľadu striebornej ekonomiky najvýznamnejšie: Nemecko (najmä obyvateľstvo vo vekovej skupine medzi 65. a 80. rokom
života), Francúzsko a Stredozemie (80 a viac roční)
a štáty Beneluxu (obyvatelia medzi 50. a 65. rokom
života).
Mikroúdaje EU-SILC boli poskytnuté na výskumné účely na základe kontraktu no. EUSILC/2011/33, podpísaného medzi Európskou komisiou, Eurostatom a Technickou univerzitou
v Košiciach. Eurostat nenesie žiadnu zodpovednosť
za výsledky a závery, ku ktorým autor dospel.
LITERATÚRA
Hvozdíková, V. (2008). Ekonomické a sociálne aspekty aktuálnych demografických trendov, Slovensko v
kontexte európskeho vývoja. In : Vízia a stratégia
rozvoja slovenskej spoločnosti. Zborník štúdií k analýze stavu a vývojových trendov relevantných pre
vypracovanie stratégie. Bratislava: Ekonomický ústav SAV.
Pauhofová, I. (2001). Dôchodková situácia a formovanie spotrebiteľských zvyklostí obyvateľstva v transformujúcej sa ekonomike Slovenska. In: Ekonomický časopis. Vol. 49, No. 4, pp. 769-795.
Pauhofová, I. (2007a). Príjmové nerovnosti vo svete
(vybrané súvislosti s konvergenciou a divergenciou
krajín). Pracovný materiál, č.2. Bratislava: Prognostický ústav SAV, 36 s., ISSN 0862-9137.
Pauhofová, I. (2007b). Bohatstvo a chudoba vo svete
a na Slovensku. Diskusný material č.2. Bratislava:
Prognostický ústav SAV, 22 s., ISSN 0862-9145.
Pauhofová, I., Bauerová, E. (1997). Dôchodková situácia obyvateľstva a formovanie spotrebiteľských
zvyklostí. In: Ekonomický časopis. Vol. 45, No. 8-9,
pp. 621-640.
Pauhofová, I., Bauerová, E. (1998) : Income situation
and consumer habits formation in transforming Slovakia. In: Ekonomický časopis. Vol. 46, No. 6, pp.
894-913.
Pauhofová, I., Páleník, M. (2005). Dôchodková situácia a formovanie spotrebiteľských zvyklostí obyvateľstva Slovenska. In: Ekonomický časopis. Vol. 53,
No. 10, pp. 972-990.
Pauhofová, I., Páleník, M. (2010). Regional income
stratification of the population in Slovakia (methodological aspects). In: Tiruneh M. W., Radvanský,
M. (eds): Regional disparities in Central and Eastern Europe : Theoretical models and empirical analyses: peer - Reviewed international conference proceedings. Bratislava : The Institute of economic research of the SAS, pp. 361-366. ISBN 978-80-7144180-9.
Páleník, M., Pauhofová, I. (2012). Možnosti formovania spotrebiteľského dopytu seniorov. In: Pauhofová, I. (ed.): Determinanty polarizácie bohatstva
v globalizovanom svete. Súčasnosť a budúcnosť.
Bratislava: Ekonomický ústav SAV, 2012. s. 117124. ISBN 978-80-7144-200-4.
Želinský, T. (2010). Pohľad na regióny Slovenska cez
Ľudmila IVANČÍKOVÁ, Róbert VLAČUHA ■ 39
Možnosti merania majetkovej chudoby na Slovensku
Ľudmila IVANČÍKOVÁ1a, Róbert VLAČUHA1b
1
Štatistický úrad Slovenskej republiky
Opportunity to Measuring of Asset Poverty in Slovakia
Keywords
Abstract
Asset poverty, vulnerability, financial
Poverty measurement in Slovakia is based on the concept of relative instress, EU SILC, HFCS
come poverty mostly. EU SILC survey is the source of data. When
evaluating economic conditions of households, also in times of the preJEL Classification
sent social, economic and mortgage crisis, it is necessary to consider
I32
further aspects, such as real and financial assets, savings, as well as
indebtedness of households in association to retaining consumption
1 Statistical Office of the Slovak Repubstandard of households. Analyses in the paper are based on EU SILC
lic, Miletičova 3, 824 67 Bratislava,
2010 and HFCS 2010 microdata.
Slovakia
a [email protected]
b [email protected]
ÚVOD
Finančná kríza zdôraznila potrebu merania ekonomickej prosperity založenej na majetku, finančnú
nestálosť, ekonomickú neistotu a ohrozenosť chudobou (Tormalehto, Kanna, Säylä, 2012). Otázka
vzťahu majetku a chudoby vo svetle krízy nie je
na území Slovenska nová, najmä vo svetle Veľkej
hospodárskej krízy v 30. rokoch minulého storočia.
Ako však obstojí v dnešných podmienkach spoločnosti, ktorej trhovému mechanizmu predchádzalo
socialistické hospodárenie a vlastníctvo niektorých
foriem majetku v pomerne krátkom časovom úseku
uplynulých 20 rokov?
Východiskovou hypotézou našej analýzy je
predpoklad, že aj v podmienkach Slovenska možno
hovoriť o majetkovej chudobe. K článku nás inšpirovalo niekoľko podnetov. Prvým a základným je
existencia relevantných štatistických zdrojov,
v našom prípade prístup k databáze mikroúdajov,
ktoré by obsahovali informácie o majetku, zadlženosti a finančnom ohrození slovenských domácností, ako aj možnosť pracovať s touto databázou.
Druhým sú kritické postrehy vo vzťahu k meraniu
chudoby v rámci krajín Európskej únie, ktorý sa
opiera o koncept príjmovej chudoby. Spomeňme
len nedávny článok z pera známeho českého sociológa J. Kellera (Manipuluje Eurostat verejnosťou,
Právo 7.5.2012). Posledným podnetom sú práce
najmä Andrei Brandolini v oblasti merania a analýzy majetkovej chudoby, ktoré do analýz
o chudobe integrujú majetok.
I. KONCEPT MAJETKOVEJ CHUDOBY
Koncept merania majetkovej chudoby má svoj pôvod v americkej literatúre a opiera sa o štandardnú
ekonomickú teóriu spotrebiteľského správania.
Vychádza z predpokladu, že ekonomické podmienky domácnosti sú závislé okrem iného aj od
vlastníctva reálneho a finančného majetku. Majetok pre tento účel
zahŕňa napr. majetok
z podnikania, vlastníctvo domu, dôchodok zo súkromných fondov a iné finančné majetky. Viacerí
experti poukazujú na nedostatok zapojenia majetku
pri meraní chudoby a zdôrazňujú jeho dôležitosť
pri meraní blahobytu a sociálneho vylúčenia.
S meraním majetkovej chudoby sa môžeme po prvýkrát stretnúť u Olivera a Shapira v roku 1990
(Nam, Huana a Sherraden, 2008).
Podľa Brandolini, Magri a Smeeding (2009)
v porovnaní s čisto príjmovým meraním chudoby
tento koncept berie do úvahy skutočnosť, že spotrebné jednotky s celkovým zárobkom pod hranicou
chudoby môžu mať rôzne životné podmienky, a to
v závislosti od hodnoty ich čistého majetku. Akumulovaný majetok môže preklenúť situáciu neočakávaného poklesu príjmu bez dopadu na životnú
úroveň. Brandolini Magri a Smeeding (2010) vidia
úlohu majetku pri definovaní chudoby z dvoch perspektív. Podľa nich majetok ovplyvňuje súčasnú
prosperitu osôb. Domácnosti ako aj jednotlivci,
ktorých príjem je pod hranicou chudoby nemusia
mať rovnakú životnú úroveň ani životné podmienky, ale tieto sa menia nielen v závislosti od ich čistého majetku, ale aj možnosti požičať si od banky,
nefinančných subjektov alebo iných domácností.
Pokles príjmu v takomto prípade nemusí znamenať
zhoršenie životných podmienok. Na strane druhej
aj domácnosť, ktorá je nad hranicou rizika chudoby
z hľadiska príjmu alebo tesne pri nej v prípade nedostatku iných finančných zdrojov - najmä vo
vzťahu k neočakávaným výdavkom - sa môže pri
akomkoľvek znížení príjmu cítiť zraniteľná. Druhou perspektívou je chápanie majetku ako determinantu dlhodobej perspektívy tak domácností ako aj
jednotlivcov, inak povedané dôležitosť majetku
v prípade intergeneračného prenosu nerovností a to
tak pre jeho vlastníkov ako pre prípadných dedičov. Majetok domácnosti je teda dôležitým faktorom pochopenia prosperity, poskytuje ekonomickú
ochranu a umožňuje ľuďom investovať do ich budúcnosti (Caner, Wolff, 2004).
Rôznosť definícií majetkovej chudoby je podmienená predovšetkým vymedzením obsahu „majetku“ a časovým obdobím, ktoré sa zohľadňuje.
Gornick a kol. (2009) definuje majetkovú chudobu
ako finančný majetok, ktorý je menší než polovica
relatívneho príjmu hranice chudoby (alebo štvrtina
mediánu ekvivalentného disponibilného príjmu).
Brandolini (2009, 2010) považuje spotrebnú jednotku za majetkovo chudobnú, ak vlastníctvo tohto
majetku nie je dostatočné na ochranu sociálne determinovanej
minimálnej
životnej
úrovne
v určitom zvyčajne krátkom časovom období. Haverman a Wolff (2004) použili obdobie 3 mesiacov
a na základe toho vymedzili hranicu majetkovej
chudoby ako ¼ „americkej“ hranice chudoby (ide
o absolútnu hranicu chudoby založenú na výdavkoch).
II. ANALÝZA RELEVANTNÝCH ZDROJOV
ÚDAJOV
Primárnym zdrojom údajov o chudobe na Slovensku je štatistické zisťovanie o príjmoch a životných
podmienkach (EU SILC), ktoré je zároveň relevantným zdrojom údajov o príjmovej diferenciácii,
chudobe a sociálnom vylúčení v rámci EU. Chudoba je meraná prostredníctvom konceptu príjmovej
chudoby, čomu slúžia veľmi detailné informácie o
štruktúre príjmu, ale nie informácie o štruktúre majetku.
Celkový hrubý príjem domácnosti zahŕňa príjem
všetkých členov domácnosti a zložky príjmu, ktoré
boli sledované na úrovni domácnosti. Obsahuje:
príjem zo zamestnania (hrubý peňažný príjem zo
zamestnania a jemu blízky príjem), príjem
z využívania služobného auta, hrubé peňažné zisky
alebo straty zo samostatne zárobkovej činnosti
(vrátane honorárov), príjem z majetku (príjem
z prenájmu majetku alebo pozemku a úroky, dividendy, zisk z kapitálových investícií do neregistrovaného podniku), bežne prijaté transfery ako sú sociálne dávky (rodinné dávky a príspevky vyplácané
rodinám s deťmi, príspevky na bývanie, podpora
v nezamestnanosti, starobné dávky, dávky pre pozostalých, nemocenské dávky, dávky v invalidite,
sociálne vylúčenie inde neklasifikované), príspevky na vzdelanie, príjem osôb mladších ako 16 rokov a pravidelné prijaté peňažné transfery medzi
domácnosťami.
Celkový disponibilný príjem domácnosti je definovaný ako hrubý príjem domácnosti, od ktorého
sú odpočítané pravidelné dane z majetku, pravidelné platené transfery medzi domácnosťami (napr.
výživné, pravidelná peňažná pomoc iným domácnostiam) a dane z príjmu a príspevky na sociálne
poistenie.
V oboch typoch príjmov sú zahrnuté 2 ukazovatele, ktoré môžeme považovať za príjem z majetku
a to príjem z prenájmu alebo pozemku (HY040) a
úroky, dividendy a profit z kapitálových investícií
do neregistrovaného podniku (HY090). Na celkovom disponibilnom príjme sa tieto dve zložky podieľali v roku 2010 iba 0,2%. Ďalšie dve zložky
príjmov, ktoré sa sledujú v rámci EU SILC, imputované nájomné ani úroky z hypoték a spotrebných
pôžičiek sme do ďalších analýz nezahrnuli.
Zber údajov za EU SILC 2010 bol realizovaný v
apríli 2010 a súbory mikroúdajov za Slovensko boli Eurostatom schválené v septembri roku 2011.
Podľa príslušnej správy o kvalite (Správa o kvalite,
2011) databáza mikroúdajov obsahuje celkom
5 376 domácností a 16 304 osôb (z toho 14 106 vo
veku 16 rokov a viac).
Podľa tohto zdroja je percento osôb ohrozených
rizikom chudoby alebo sociálnym vylúčením na
Slovensku nasledovné:
Tab. 1: Percento osôb ohrozených rizikom chudoby
alebo sociálnym vylúčením (2010)
Indikátor
%
Miera rizika chudoby
12,0
Miera viacnásobnej materiálnej deprivácie
11,4
Miera veľmi nízkej pracovnej intenzity
7,9
Miera rizika chudoby alebo soci. vylúčenia
20,6
Zdroj: vlastné výpočty podľa údajov EU SILC 2010
Nevyhnutným predpokladom výpočtu majetkovej chudoby a jej analýzy je existencia detailných
informácií o štruktúre majetku. Tento predpoklad
sa naplnil v roku 2010, kedy Národná banka Slovenska zrealizovala u nás po prvýkrát zisťovanie
zamerané na bohatstvo a zadlženie slovenských
domácností (Household Finance and Consumption
Survey - HFCS). Obdobne ako v prípade SILCu
ide aj tu o harmonizované zisťovanie v rámci EÚ,
pretože je koordinované Európskou centrálnou
bankou a zúčastňujú sa ho všetky krajiny eurozóny.
Cieľom zisťovania HFCS je získať spoľahlivé
údaje o aktívach, pasívach, príjmoch a výdavkoch
slovenských domácností (príležitostná štúdia NBS
2012). Otázky zisťovania zachytávajú demografiu,
vlastníctvo hmotných aktív, finančné aktíva, pôžičky, zamestnanie, príjem, spotrebu, budúce penzijné nároky, medzigeneračné prevody a dary domácností.
Toto zisťovanie sa na Slovensku prvýkrát realizovalo v roku 2010 na vzorke približne 2 000 do-
mácností. Údaje boli formálne validované ECB
koncom februára roku 2012 a následne sprístupnené užívateľom na účely ďalšieho štatistického
spracovania a empirického výskumu. Plánovaná
periodicita zisťovania (každé 3 roky) umožní odpovedať na otázky v oblasti rozdelenia a zmien v
bohatstve, dlhu, príjmoch a spotrebe domácností.
Tieto otázky sú dôležité pre porozumenie dôsledkov makroekonomických šokov, vplyvu politík a
inštitucionálnych zmien na rozdielne skupiny domácností.
III. FINANČNÉ OHROZENIE DOMÁCNOSTÍ
Koncept majetkovej chudoby vo svojej podstate
hovorí skôr o náchylnosti k chudobe než o samotnej chudobe. Preto pohľad na finančný stres, ktorý
domácnosti a jednotlivci pociťujú, je určitou „proxy“ informáciou pri analýze majetkovej chudoby.
Finančný stres sa týka domácností, ktoré vysoký
podiel svojho príjmu používajú na uspokojenie
svojich základných potrieb a ich finančné zdroje
nie sú dostatočné na adekvátne fungovanie
v spoločnosti, v ktorej žijú. V zisťovaní EU SILC
možno identifikovať 4 otázky zamerané na záťaž
domácnosti a na možné nedoplatky, ktoré sú resp.
sa môžu stať pre domácnosť zdrojom jej finančného ohrozenia a následne rizikom chudoby. Tieto
sú analyzované v III. časti príspevku.
Pri hodnotení finančného ohrozenia domácností
a ich členov na Slovensku sme použili premenné
zo zisťovania EU SILC 2010, ktoré sú uvedené
v nasledujúcich tabuľkách 2 až 7.
Pri analýzach finančného stresu a ohrozenosti
domácností sme sa na rozdiel napr. od A. Brandolini zaoberali všetkými domácnosťami v súbore a
nedelili sme ich na vlastníkov domov a nájomcov.
Podľa EU SILC 2010 z celkového počtu domácností tvorili 89,9% vlastníci domov a 8,7% nájomcovia. Zvyšok pripadol na 1,4%.
Tab. 2: Percentuálny podiel domácností (osôb) s hypotékou (HY100G)
Charakteristiky domácnosti
6,1
Spolu
Tab. 3: Percentuálny podiel domácností (osôb)
s nedoplatkami v súvislosti s hypotékou alebo platbou nájomného (HS011)
Vekové kategórie
6,3
Spolu
Vekové kategórie
menej ako 35 rokov
10,5
menej ako 35 rokov
8,4
35 - 44 rokov
11,4
35 - 44 rokov
7,2
45 - 54 rokov
4,4
45 - 54 rokov
6,6
55 - 64 rokov
1,4
55 - 64 rokov
4,8
65 a viac rokov
0,6
65 a viac rokov
3,0
Príjmové kvartily
Príjmové kvartily
1. – kvartil
3,2
1. – kvartil
9,1
2. – kvartil
4,9
2. – kvartil
6,3
3. – kvartil
6,9
3. – kvartil
4,6
4. – kvartil
9,9
4. – kvartil
4,7
Veľkosť domácnosti
1 - členná
2,8
1 – členná
4,7
2 - členná
4,6
2 – členná
6,0
3 - členná
6,6
3 – členná
7,2
4 - členná
9,7
4 – členná
7,2
5 a viac členná
8,2
5 a viac členná
6,6
Typ domácnosti
Typ domácnosti
jednočlenná dom., bez detí
2,8
4,7
dvojčlenná dom., bez detí
4,3
5,1
ostatné dom., bez detí
2,2
4,6
jeden rodič, aspoň 1 dieťa
6,5
13,2
dvaja rodičia, 1 dieťa
11,8
9,7
dvaja rodičia, 2 deti
14,9
7,0
dvaja rodičia, 3 alebo viac detí
16,3
9,4
ostatné dom., aspoň 1 dieťa
5,0
7,7
Ekonomická aktivita (osoby vo veku 16 rokov a viac)
pracujúci
8,2
pracujúci
6,2
nezamestnaní
5,1
nezamestnaní
12,7
dôchodcovia
0,7
dôchodcovia
3,3
inak neaktívni
7,3
inak neaktívni
7,5
Všetky domácnosti
5 376
Všetky domácnosti
5 376
Domácnosti s hyp. alebo platbou nájomného
3 078
Domácnosti s hypotékou
Zdroj: vlastné výpočty, EU SILC 2010
305
Domácnosti s nedoplatkami
308
s nedoplatkami v súvislosti s účtami za dodávku
energií (HS021)
9,1
Spolu
s nedoplatkami v súvislosti so splácaním kúpy na
splátky alebo iných pôžičiek (HS031)
Vekové kategórie
5,1
Spolu
Vekové kategórie
menej ako 35 rokov
10,9
menej ako 35 rokov
6,9
35 - 44 rokov
10,6
35 - 44 rokov
6,9
45 - 54 rokov
9,4
45 - 54 rokov
5,5
55 - 64 rokov
8,1
55 - 64 rokov
4,7
65 a viac rokov
6,3
65 a viac rokov
3,0
Príjmové kvartily
Príjmové kvartily
1. – kvartil
14,1
1. – kvartil
5,2
2. – kvartil
8,4
2. – kvartil
5,1
3. – kvartil
7,3
3. – kvartil
5,2
4. – kvartil
6,2
4. – kvartil
4,9
1 - členná
9,4
1 – členná
2,8
2 - členná
8,2
2 – členná
5,0
3 - členná
8,0
3 – členná
5,2
4 - členná
10,2
4 – členná
7,0
5 a viac členná
10,6
5 a viac členná
6,4
Typ domácnosti
Typ domácnosti
9,4
2,8
7,4
4,2
6,9
5,7
18,1
10,4
9,0
5,4
9,2
6,2
8,9
7,8
12,6
7,1
pracujúci
8,1
pracujúci
5,8
nezamestnaní
19,7
nezamestnaní
10,5
dôchodcovia
6,6
dôchodcovia
3,1
inak neaktívni
10,6
inak neaktívni
6,3
Všetky domácnosti
5 376
Všetky domácnosti
5 376
Domácnosti s účtami za dodávku energií
5 333
Domácnosti splácajúce pôžičky
1 950
457
259
Tab. 6: Percentuálny podiel domácností (osôb), ktoré veľmi zaťažujú celkové náklady na bývanie
(HS140)
Tab. 7: Percentuálny podiel domácností (osôb), ktoré veľmi zaťažujú splátky pohľadávok za kúpu na
splátky, alebo pôžičiek iných ako je hypotéka, alebo
úverov spojených s bývaním (HS150)
30,9
Spolu
Vekové kategórie
9,1
Spolu
Vekové kategórie
menej ako 35 rokov
33,5
menej ako 35 rokov
14,1
35 - 44 rokov
31,2
35 - 44 rokov
14,9
45 - 54 rokov
29,9
45 - 54 rokov
10,9
55 - 64 rokov
26,4
55 - 64 rokov
7,9
65 a viac rokov
31,9
65 a viac rokov
2,5
Príjmové kvartily
Príjmové kvartily
1. – kvartil
49,4
1. – kvartil
10,0
2. – kvartil
32,4
2. – kvartil
8,2
3. – kvartil
24,0
3. – kvartil
9,8
4. – kvartil
15,3
4. – kvartil
8,6
1 - členná
35,5
1 – členná
3,1
2 - členná
26,5
2 – členná
6,3
3 - členná
32,4
3 – členná
12.6
4 - členná
25,7
4 – členná
11.7
5 a viac členná
38,4
5 a viac členná
16.5
Typ domácnosti
Typ domácnosti
35,5
3,1
25,1
5,1
29,5
11,6
46,8
18,5
31,4
13,4
23,8
12,6
36,9
21,4
35,9
12,6
pracujúci
24,9
pracujúci
11,6
nezamestnaní
57,9
nezamestnaní
17,1
dôchodcovia
30,0
dôchodcovia
3,6
inak neaktívni
36,1
inak neaktívni
13,2
Všetky domácnosti
5 376
Všetky domácnosti
5 376
Domácnosti s nákladmi na bývanie
5 372
Domácnosti so splátkami pohľadávok
1 088
1 611
485
Z celkového počtu 1 911 664 domácností 6,1%
tvoria domácnosti s hypotékou. Z hľadiska štruktúry sa jedná predovšetkým o domácnosti s členmi
vo vekovej skupine 35-44 ročných, resp. do 35 rokov, ktorých príjem spadal najčastejšie do 4. kvartilu. Ide predovšetkým o 4 a viac členné domácnosti zložené z rodičov a detí.
Nedoplatky v súvislosti s hypotékou alebo platbou nájomného pociťuje 6,3% domácností, z nich
najmä mladé rodiny vo vekovej skupine od 35 rokov (8,4%), domácnosti s príjmom v prvom kvartile (9,1%), 3-4 členné domácnosti (zhodne po
7,2%). Podľa ďalších charakteristík uvedených
v tab.3 vidíme, že na finančné ohrozenie doplácajú
najmä domácnosti, ktoré sú neúplné (môžeme sa
domnievať, že ide o rodiny rozpadnuté po rozvode)
a domácnosti, kde sú nezamestnaní (12,7%).
Celkovo 9,1% domácností pociťuje nedoplatky
v súvislosti s účtami za dodávku energií. Opäť sú to
najmä domácnosti s členmi vo vekovej skupine do
35 rokov a 34-44 rokov v najnižšom príjmovom
kvartile, viacčlenné, prípadne neúplné domácnosti
a s nezamestnanými členmi (tab. 4).
Ďalej 5,1% domácností vykázalo nedoplatky
v súvislosti so splácaním kúpy na splátky alebo
iných pôžičiek. Išlo najmä o domácnosti s členmi
vo vekovej skupine do 35 rokov a 34-44 rokov (po
6,9%) v 1. a 3. príjmovom kvartile, najmä 4 členné,
domácnosť jedného rodiča a aspoň jedného dieťaťa
(v 10,4 % prípadoch) a s nezamestnanými členmi
(tab. 5). Vo všeobecnosti až 11,4 % domácností na
Slovensku si uviedlo že ich veľmi zaťažujú splátky
pohľadávok na kúpu na splátky, alebo pôžičiek
iných ako hypoték alebo úverov spojených
s bývaním. Ide najmä o domácnosti s členmi vo veku 35-44 rokov, s príjmom v prvom kvartile, 5
členné a viac a opäť najmä s nezamestnanými
členmi alebo neúplné domácnosti tvorené jedným
rodičom a aspoň jedným dieťaťom.
Ešte alarmujúcejšie je, že náklady na bývanie
veľmi zaťažujú až tretinu domácností (30,9%).
Z hľadiska vekových skupín sa podiel takýchto
domácností pohybuje od 33,5% u mladých (do 35
rokov) a 26,4% u vekovej skupiny 55-64 ročných.
Výraznejší rozdiel je pri pohľade na príjmovú diferenciáciu. V prvom kvartile takmer polovica
(49,4%) domácností uvádza veľkú záťaž, kým v 4.
kvartile je to 15,3 %. Najvyšší podiel domácností
s takýmto typom ohrozenia však môžeme sledovať
v domácnostiach s nezamestnanými (až v 57,9 %
prípadoch).
IV. MAJETKOVÁ CHUDOBA
V duchu štúdií najmä A. Brandolini sme definovali
majetkovú chudobu nasledovne: domácnosť je v
„majetkovej chudobe“ ak zdroj jej majetku (bohatstva) nedokáže pokryť ich základné potreby po určité časové obdobie. Ďalej budeme špecifikovať
zdroj majetku, základné potreby a časové obdobie.
Na odhad hodnoty majetku sme použili 3 alternatívne koncepty:
(1) čistý majetok, ktorý zahŕňa súčasnú hodnotu
všetkého speňažiteľného majetku zníženú o súčasnú hodnotu všetkých dlhov (NW),
(2) čistý majetok mínus hodnota hlavného bývania
(NW-HE)
(3) likvidný majetok, ktorý vyjadruje hodnotu hotovosti a iného ľahko monetizovateľného majetku
(LIQ).
Pri výpočte hodnoty jednotlivých konceptov
majetku sme vychádzali zo zisťovania HFCS 2010
a použili sme premenné, ktoré sa týkajú reálnych
aktív domácností, finančných aktív domácností
a finančných pasív domácností. Percentuálne zastúpenie vlastníctva jednotlivých typov aktív a úverového zaťaženia ilustrujú nasledujúce 3 tabuľky.
Tab. 8: Reálne aktíva domácností
Vlastníctvo (%)
Reálne aktíva
Spolu
95,5
Hlavné bývanie
Iná nehnuteľnosť
89,9
15,3
Vozidlá
61,2
Majetok súkromného podnikania
10,7
Cennosti
22,4
Zdroj: NBS, HFCS 2010
Slovensko je krajina typická vysokým percentuálnym podielom vlastníctva hlavného bývania.
Celkovo takmer 90% domácností uviedlo, že vlastní nehnuteľnosť, v ktorej býva. Na druhom mieste
je vlastníctvo automobilov, ktoré vlastní viac ako
60% domácností, nasledujú cennosti (22%) a 15%
domácností vlastní iné nehnuteľnosti (príležitostná
štúdia NBS 2012).
Tab. 9: Finančné aktíva domácností
Vlastníctvo (%)
Finančné aktíva
Spolu
91,5
Bežné účty
Sporiace účty
89,0
26,3
Podielové fondy
2,7
Dlhové cenné papiere
1,0
Verejne obchodovateľné akcie
0,8
Investičný účet
0,7
Pohľadávka voči inej domácnosti
0,7
Viac ako 90% domácností vlastní nejaký finančný majetok. Najväčšie zastúpenie majú bežné
účty (takmer 90%). Druhé najrozšírenejšie finančné aktívum tvoria sporiace účty so zastúpením vo
viac ako štvrtine domácností. Podielové fondy
vlastnia necelé tri percentá domácností (príležitostná štúdia NBS 2012).
Tab. 10: Finančné pasíva domácností
Úverové
Finančné pasíva
zaťaženie
(%)
Spolu
26,8
Úver – hlavné bývanie
Úver – iná nehnuteľnosť
9,3
0,6
Nesplatený zostatok na kontokorentnom
účte
Nesplatený zostatok na kreditných
kartách
Nezabezpečený úver
8,0
tatok na kreditných kartách po zaplatení mesačných účtov viac ako 5% domácností (príležitostná
štúdia NBS 2012).
Jednotlivé koncepty výpočtu hodnoty majetku
boli zadefinované nasledujúcim spôsobom:
(1) NW tvoria všetky reálne a finančné aktíva mínus finančné pasíva domácností,
(2) (NW-HE) je čistý majetok (NW) mínus hodnota hlavného bývania z reálnych aktív domácností,
(3) (LIQ) sú všetky finančné aktíva domácností.
Po odhade hodnôt majetku sme pre jednotlivé
domácnosti zadefinovali ich základné potreby cez
hranicu príjmového rizika chudoby (zisťovanie EU
SILC 2010). Táto hranica chudoby bola na úrovni
3 670 Eur na rok pre jednočlennú domácnosť. Následne sme s použitím ekvivalentnej škály zadefinovali základné potreby aj pre ostatné typy domácností. Použili sme pri tom modifikovanú OECD
ekvivalentnú škálu (1 – 0,5 – 0,3).
Časové obdobie, ktoré by malo domácnostiam
vystačiť na pokrytie ich základných potrieb, bolo
v príslušnej literatúre vymedzené na 3 mesiace. Pre
porovnanie sme v analýze zvolili aj 1 a 2 mesiace.
Na základe vyššie spomínaných východísk sme
následne vypočítali mieru majetkovej chudoby
(„asset poverty“) pre všetky 3 koncepty odhadu
majetku:
Tab. 11: Miera majetkovej chudoby (v %)
1 mesiac
2 mesiace
3 mesiace
NW-HE
3,1
25,0
4,3
30,5
33,8
LIQ
24,9
37,2
44,9
NW
4,9
Zdroj: vlastné výpočty, EU SILC 2010, HFCS 2010
5,1
12,6
Viac ako štvrtina domácnosti uviedla, že jej členovia sú nejakým spôsobom zadlžení. Ide najmä
o nezabezpečené úvery (takmer 13%), kde patria
napríklad spotrebné úvery. Nesplatený zostatok na
kontokorentnom účte uviedlo 8% a nesplatený zos-
Ak vychádzame z východiskových definícií, pri
nasledujúcej analýze miery majetkovej chudoby je
rozhodujúcim obdobie 3 mesiacov. Podľa prvého
konceptu hodnoty majetku (NW) je na Slovensku
miera majetkovej chudoby takmer 5 % domácností.
Znamená to, že čistá hodnota majetku by nevystačila na pokrytie základných potrieb po dobu 3 mesiacov aspoň 5% domácností. Podľa konceptu „čistý majetok mínus hodnota hlavného bývania“
(NW-HE) je to už takmer 34% domácností a podľa
posledného konceptu je to až takmer 45% domácností.
V prípade zníženia obdobia postačujúceho na
pokrytie základných potrieb (2 alebo 1 mesiac),
dochádza k výraznému zníženiu najmä v treťom
koncepte odhadu majetku (likvidný majetok), ktorý
vyjadruje hodnotu hotovosti a iného ľahko monetizovateľného majetku domácností.
ZÁVER
Použitím nového zdroja údajov zo zisťovania zameraného na bohatstvo a zadlženie slovenských
domácností (HFCS 2010) sa rozšíril pohľad na
chudobu zohľadnením majetku domácností. Zisťovanie umožnilo identifikovať 3 rôzne koncepty
hodnoty majetku - čistý majetok, čistý majetok po
odpočítaní hodnoty hlavného bývania a likvidný
majetok. Najväčšia miera majetkovej chudoby je
v slovenských podmienkach v prípade likvidného
majetku (takmer 45% domácností). Obdobné zistenie je identické aj pre iné krajiny, napr. Nemecko
(miera majetkovej chudoby 52,3% v roku 2002),
Taliansko (31,7% v roku 2002) a Kanada (56,5%
v roku 1999).
Kým analýza vývoja majetkovej chudoby v čase
si vyžiada realizáciu ďalšieho kola zisťovania
HFCS na Slovensku, profil majetkovej chudoby
môže byť predmetom ďalších analýz.
Príspevok tiež poukazuje na možnú kombináciu
dvoch rôznych samostatných zdrojov údajov (EU
SILC, HFCS) k vytvoreniu obrazu o chudobe domácností na Slovensku.
LITERATÚRA
Azpitarte, F. (2012). Measuring poverty using both income and wealth: A cross-country comparison between the U.S and Spain.. In: Review of Income and
Wealth. Vol. 58, No. 1, pp. 24-50.
Nam, Y., Huang, J, Sherraden, M. (2008). Assets,
Poverty and Public Policy: Challenges in Definition
and Measurement. St. Louis, USA: Center for Social
Development, Washongtom University.
Brandolini, A., Magri, S. Smeeding, T. (2009): Asset-related measures of poverty and economic stress,
Institute for Research on Poverty. Discussion Paper
No 1372-10
NBS. (2012). Coherence and plausibility report,
Household Finance and Consumption Survey. Bratislava: Národná banka Slovenska. Február 2012.
Caner, A., Wolff E. N. (2004). Asset Poverty in the
United States, 1984-99: Evidence from the Panel
Study of Income Dynamics. Review of Income and
Wealth. Vol 50, No. 4, pp 493-518.
Caner, A., Wolff E.N. (2004). Asset Poverty in the
United States, Its Persistence in an Expansionary
Economy, The Levy Economics Institute of Board
College, Public Policy Bief, No 76, 2004.
Haveman, R. Wolff, A.N. (2004). The Concept and
Measurement of Asset Poverty . Levels, Trends and
Composition for the U.S., 1983-2001. Journal of
Economic Inequality. Vol. 2, No. 2, pp. 145-169.
Senaj, M., Zavadil, T. (2012). Výsledky prieskumu
finančnej situácie slovenských domácností. In:
Príležitostná štúdia NBS, 1/2012.
ŠÚ SR. (2011). Správa o kvalite EU SILC 2010. Bratislava: Štatistický úrad SR.
Törmälehto, V. M., Kannas, O., Säylä, M. (2012). Integrated measurments of household-level inocme,
wealth and non monetary well-being in Finland. In:
32nd General Conference of The International Association for Research in Income and Wealth, Boston,
USA, August 5-11, 2012.
Iveta PAUHOFOVÁ ■ 49
Generovanie chudoby vo vidieckych regiónoch Slovenska v krízovom
období
Iveta PAUHOFOVÁ1
1
Generation of Poverty in Rural Regions of Slovakia in the Crisis Period
Abstract
Keywords
Income stratification of population, rural
The goal of this work is to show creation of regional demand in rural reregions, regional demand, Slovakia, ecogions by using development of income stratification within population.
nomic structure of regions, feminization of
The ambition is to transform solving of economic situation of rural repoverty.
gions struck by crisis from sectorial to macroeconomic level. Differences
in the distribution of income are analyzed in rural and urban regions in
JEL Classification
the period 2005-2011. A high proportion of the population in the rural
I32, I33
regions of income (gross wage, net revenue and old-age pensions) up
1 Slovak Academy of Sciences, Institute of
to euro 500. In those regions where it has a significant share of the proEconomic Research, Šancová 56, 811 05 duction structure of agriculture in the economy and in employment, it is
Bratislava, Slovakia
also a high proportion of the population with incomes of 500 euro in the
countryside (Nitriansky kraj). The situation is dreadful on the countryside
[email protected]
of Prešov region and Banská Bystrica Region. For the rural regions is
characterized by the increasing poverty of women, in particular in the
pension age. In Košice, Nitra and Prešov region is the high proportion of
women with the retirement of 300 Euros (62-66%). The low level of
gross wages in the countryside is a threat and the basis for the extremely low level of pensions in the future.
Napísanie príspevku bolo podporené z projektu VEGA2/0208/09 Determinanty polarizácie bohatstva
v globalizovanom svete (súčasnosť a budúcnosť).
ÚVOD
Potenciál vidieka sa v čase transformácie výrazne
zmenil. Mnohé negatíva, ktoré priniesli zníženie
dôchodkov podnikov a domácností na vidieku sa
pod vplyvom finančnej, dlhovej a súčasnej krízy
spotreby prehlbujú. Vo väčšine vidieckych regiónov pokračuje reálny prepad dôchodkov a v porovnaní s príjmami obyvateľstva v mestách možno
očakávať, že kríza a jej ďalšie podoby bez realizácie adekvátnych zásahov zúži priestor pre prirodzenú tvorbu nových pracovných miest na vidieku.
Tým sa zmenší i priestor pre stabilizovanie príjmovej situácie vidieckeho obyvateľstva.
Analýza nepriaznivej príjmovej situácie obyvateľstva vo vidieckych regiónoch Slovenska v období tesne pred krízou a počas nej, má pomôcť
vytvoriť bázu pre rozhodnutia, či vidiecky priestor so svojimi problémami v oblasti generovania
príjmov obyvateľstva sa stane jednou z hlavných
priorít hospodárskej politiky Slovenska. Či bude
signifikantným národohospodárskym problémom,
ktorý bude uvážlivo riešený, alebo zotrvá problematika vidieka ako redukovaný problém na úrovni
riešenia len rezortu pôdohospodárstva a vidieka.
Akcentovanie problému negatívneho vývoja
príjmovej situácie vidieckeho obyvateľstva úzko
súvisí s celkovou úrovňou formovania domáceho
dopytu na Slovensku. Je to otázka spotrebiteľského dopytu nielen na regionálnej úrovni, ale tiež vytváranie podmienok pre adekvátny rast ekonomického potenciálu vo vidieckych regiónoch. Zložitosť riešení súvisí s rastúcimi problémami v oblasti
obmedzených verejných zdrojov, ktoré sa v súčasnej etape tzv. dlhovej krízy stretávajú s oneskorenými reakciami kompetentných na potreby obyvateľstva vidieka, z dôvodu „hasenia“ rôznych rozpočtových dier vo verejnom sektore. Otázkou je aj
samotný problém reálnych kompetencií vo vzťahu
k vidieckym regiónom. Z toho dôvodu je rozhodujúce či sa k súčasným problémom vidieckeho priestoru a k potrebám jeho obyvateľstva zaujme národohospodárske stanovisko aj z dlhodobejšieho
pohľadu.
I. METODOLÓGIA
Základ pre interpretačnú rovinu predstavuje teoretická platforma národohospodárskej, regionálnej
a odvetvovej ekonómie. Použitá metóda analýzy
a komparatívnej analýzy je založená na výskumnom aparáte (Pauhofová a Páleník 2011), kde
sú uvedené charakteristiky zdrojov dát a ich technického spracovania.
Prvotné kódované údaje o individuálnych príjmoch poskytla na základe dohody Sociálna poisťovňa SR a sú za obdobie od roku 2005. Bázu
predstavujú mesačné administratívne individuálne
údaje. Tieto sú pre potreby výskumu agregované za
jednotlivé sociálne skupiny obyvateľstva aj podľa
titulu príjmu. Pre potreby komparácie ukazovateľov za vidiecke a mestské regióny bola celá údajová základňa spracovaná podľa metodiky OECD
a EUROSTAT-u o klasifikácii regiónov.
Dôvodom pre výskumnú orientáciu na individuálne administratívne údaje zo Sociálnej poisťovne
SR je fakt, že výberové šetrenia, ktoré realizuje
Štatistický úrad SR a EU SILC za domácnosti, majú výpovednú hodnotu pre príjmovú stratifikáciu
obyvateľov na regionálnej úrovni veľmi slabú a za
vidiek oficiálne údaje k dispozícii nie sú. Až individuálne administratívne údaje sprístupnené zo SP
SR umožňujú získať reálny obraz o vývoji príjmovej situácie a príjmovej stratifikácie obyvateľov
Slovenska. Táto reálnosť je založená na celkovej
vzorke údajov, ktorá zahŕňa približne 3,7 milióna
obyvateľov, kým výberové šetrenia a mikrocenzy
Štatistického úradu a EU SILC pracujú len s cca 67 tisícmi domácnosťami. V tejto stati ide o zverejnenie takýchto údajov na regionálnej báze, s dôrazom na zistenie rozdielov a proporcií vývoja
v príjmoch medzi vidieckymi a mestskými regiónmi.
Získané výsledky o príjmovej stratifikácii vo
vidieckych regiónoch boli ďalej skúmané v súvislosti s reáliami jednotlivých vidieckych regiónov
z aspektu ich ekonomického potenciálu, s dôrazom
na zisťovanie váhy poľnohospodárstva v oblasti
produkcie, zamestnanosti a miezd. Významnou súčasťou skúmania bola analýza platných nástrojov
a podpory zo štrukturálnych fondov pre rozvoj vidieka v súčasnom období, ktorá poukázala na nedostatočnú podporu vidieckych regiónov ako takých a podpora sa sústreďuje predovšetkým na oblasť pôdohospodárstva.
II. ANALÝZA PRÍJMOVEJ STRATIFIKÁCIE
OBYVATEĽSTVA VO VIDIECKYCH REGIÓNOCH
Rozloženie príjmov obyvateľstva poskytuje obraz
o úrovni dopytu, ktorý v prípade čistých príjmov
predstavuje ich disponibilitu, s ktorou obyvateľstvo
vstupuje na spotrebiteľský trh a rozhoduje sa, koľko z nich použije na spotrebu a koľko na úspory.
Zjavné diferencie vo vývoji a v proporciách medzi
vidiekom a mestom poskytuje nasledujúca tabuľka.
Tab. 1: Stratifikácia čistých príjmov obyvateľstva v mestách a na vidieku v období 2005 – 2011 (%)
2005
2009
2010
2011
Euro
vidiek mesto vidiek
mesto
vidiek
mesto
vidiek
mesto
75,7
67,2
64,9
63,5
do 500
87,0
79,4
77,3
75,8
19,6
26,1
27,6
28,1
500 -1000
11,7
18,1
19,8
20,8
3,0
4,2
4,8
5,2
1000 – 1500
0,9
1,7
2,0
2,4
0,8
1,2
1,3
1,6
1500 – 2000
0,2
0,4
0,5
0,5
99,1
98,7
98,6
98,4
do 2000
99,8
99,6
99,6
99,5
0,9
1,3
1,4
1,6
nad 2000
0,2
0,4
0,4
0,5
Poznámky: Do čistých príjmov sú zarátané čisté pracovné príjmy(príjmy zamestnancov, príjmy z dohôd, príjmy
živnostníkov, všetko očistené o odvody a dane), všetky dôchodky a dávky zo Sociálnej poisťovne (vrátane dávok
v nezamestnanosti, detské prídavky, starobné dôchodky, a pod.). Nie sú zahrnuté dávky v hmotnej núdzi.
Zdroje : Vypočítané z údajov Sociálnej poisťovne SR.
Diferencie v proporciách stratifikácie čistých
príjmov medzi vidiekom a mestom sú z veľkej časti založené na nižšej úrovni hrubých miezd a nižšej
úrovni starobných dôchodkov na vidieku, ktoré
vyplývajú z celkovo nižšej mzdovej úrovne za poľnohospodárstvo. Z tejto nižšej úrovne sú generované aj nižšie starobné dôchodky na vidieku. Z pohľadu formovania spotrebiteľského dopytu v sledovanom čase je rozdiel v podiele príjmov obyvateľstva do 500 eur za rok 2011 oproti roku 2005
medzi mestom a vidiekom väčší, pri celkovo
enormne vysokom podiele vidieckeho obyvateľstva s príjmami do 500 eur. V sledovanom období
sa pozitívnejšie vyvíjali príjmy obyvateľstva v
SR
BA
TT
TN
NR
ZA
BB
PO
KE
mestách v porovnaní s príjmami obyvateľstva na
vidieku. Nástup krízy vážnejšie zasiahol príjmy
obyvateľstva na vidieku, postupne sa rast diferencií zjemňuje. Dôvodom je celkový prechod na
„záchovný“ model spotreby a štátna ingerencia tento záchovný model aspoň udržať. Zásadné rozdiely sú vo formovaní tzv. strednej triedy, ktorá je na
vidieku veľmi slabá. Identifikácia rozdielov v stratifikácii na úrovni krajov významnejšie odhaľuje
nevyhnutnosť riešenia príjmovej situácie obyvateľstva vo vidieckom priestore z národohospodárskeho hľadiska. Status quo za posledné sledované obdobie roka 2011 v jednotlivých proporciách a rozdiely dokumentuje nasledujúca tabuľka.
Tab. 2: Stratifikácia čistých príjmov obyvateľstva v krajoch SR (2011, % z eura)
do 500
500-1000
1000-1500 1500-2000
do 2000
nad 2000
mesto
63,5
28,1
5,2
1,6
98,4
1,6
vidiek
75,8
20,8
2,4
0,5
99,5
0,5
mesto
50,9
32,0
9,5
3,5
95,9
4,1
vidiek
60,0
29,8
6,1
1,8
97,7
2,3
mesto
62,8
29,2
5,3
1,3
98,6
1,4
vidiek
70,2
25,0
3,5
0,7
99,4
0,6
mesto
66,0
28,4
3,7
1,0
99,1
0,9
vidiek
73,7
23,2
2,2
0,5
99,6
0,4
mesto
66,1
27,0
4,4
1,3
98,8
1,2
vidiek
77,9
19,3
1,9
0,5
99,6
0,4
mesto
65,8
28,0
4,1
1,1
99,0
1,0
vidiek
76,6
20,6
2,0
0,4
99,6
0,4
mesto
67,9
26,7
3,4
1,0
99,0
1,0
vidiek
78,0
19,2
1,9
0,4
99,5
0,5
mesto
71,5
24,1
2,9
0,8
99,3
0,7
vidiek
81,7
16,1
1,5
0,4
99,7
0,3
mesto
65,1
27,4
5,1
1,3
98,9
1,1
vidiek
76,3
20,6
2,3
0,4
99,6
0,4
Poznámky: Ako v tab. 1.
Rozloženie čistých príjmov obyvateľstva sa z
národohospodárskeho pohľadu javí ako problematické v piatich krajoch Slovenska : v Prešovskom,
Banskobystrickom, Nitrianskom, Žilinskom a v
Košickom kraji. Je evidentné, že v týchto krajoch
ide predovšetkým o mimoriadne vysoký podiel vidieckeho obyvateľstva s príjmami do 500 eur. V
súčasnosti patrí k najproblematickejším vidiecky
priestor Prešovského a Banskobystrického kraja,
kde v prípade PO kraja až 97,8 % obyvateľov vidieka disponuje príjmami do 1000 eur, v prípade
BB kraja 97,2 % . Z pohľadu rozdielu medzi stra-
tifikáciou čistých príjmov vo vidieckych a mestských regiónoch sú tieto diferencie najväčšie v Nitrianskom a Košickom kraji, najmenšie v Trnavskom a Trenčianskom kraji. Viac ako 10 bodový
rozdiel medzi podielom obyvateľstva, disponujúcim čistými príjmami do 500 eur na vidieku
a v mestách, je v Prešovskom a Banskobystrickom
kraji. Preto nasleduje tabuľka, orientujúca pozornosť na okresy najproblematickejšieho Prešovského kraja. Vzhľadom na pretrvávajúci problém feminizácie chudoby na Slovensku je do analýz zahrnutý aj ukazovateľ stratifikácie príjmov žien.
Tab. 3: Stratifikácia čistých príjmov obyvateľstva na vidieku v Prešovskom kraji (2011, %)
Vidiek
do 500 eur
500-1000 eur
1000-1500 eur
spolu
ženy
spolu
ženy
spolu
ženy
15,2
11,6
1,45
0,98
VT
82,8
87
13,2
11,7
1,32
0,84
SK
85
87,1
12,5
9,87
1,08
0,6
SP
86,1
89,4
14,4
13,1
1,28
0,87
SL
83,9
85,7
13,4
9,2
0,94
0,45
SV
85,3
90,1
15,1
12,3
1,28
0,73
SB
83,2
86,8
16,9
12,9
1,95
1,36
PO
80,3
85,2
23,4
18,5
2,19
1,48
PP
73,3
79,5
12,4
7,31
1,07
0,55
ML
86,2
92,1
20,2
14,8
1,42
0,84
LE
77,8
84,1
16,7
13,9
1,41
0,96
KK
81,2
84,7
15,5
11,1
1,42
0,94
HE
82,6
87,7
12,7
10,4
1,23
0,69
BJ
85,7
88,8
Poznámky: Ako v tab. 1.
Stratifikácia čistých príjmov obyvateľstva vo
vidieckom priestore za okresy Prešovského kraja
dokumentuje výraznú heterogénnosť podmienok
a hrozivú situáciu v oblasti feminizácie chudoby na
vidieku okresov Medzilaborce, Snina, Stropkov
a Bardejov. Aj v prípade vidieckeho priestoru za
okresy Banskobystrického kraja je zreteľná hetero-
génnosť podmienok a feminizácia chudoby, aj keď
nie v takom rozsahu ako v prípade Prešovského
kraja, je však signifikantná. Najvážnejšie problémy
s obmedzenosťou príjmov sú vo vidieckom priestore okresov Rimavská Sobota a Veľký Krtíš. Feminizáciu chudoby je však možné registrovať viac vo
vidieckom priestore okresu Veľký Krtíš.
Tab. 4: Vývoj stratifikácie čistých pracovných príjmov obyvateľov na vidieku a v mestách v Prešovskom
kraji, Bratislavskom kraji a na Slovensku (%)
2005
2009
2010
2011
mesto
vidiek
mesto
vidiek
mesto
vidiek
mesto
vidiek
76,9
PO do 500
62,9
67,5
66,9
85,3
78,1
76,4
75,9
500-1000
20,3
26,6
27,9
27,6
13,4
19,8
21,2
21,0
1000-1500
1,9
0,9
2,7
1,6
3,1
1,8
3,5
2,1
1500-2000
0,4
0,2
0,8
0,3
0,8
0,4
1,0
0,5
do 2000
99,6
99,8
99,3
99,7
99,3
99,7
99,0
99,6
nad 2000
0,4
0,2
0,7
0,3
0,7
0,3
1,0
0,4
SR do 500
68,4
60,6
58,9
58,2
79,0
71,3
69,2
68,1
500-1000
25,4
31,0
32,1
31,5
18,7
25,2
26,9
27,0
1000-1500
3,9
1,61
5,1
2,4
5,6
2,8
6,2
3,3
1500-2000
1,0
0,3
1,6
0,6
1,7
0,6
1,9
0,8
do 2000
98,8
99,7
98,3
99,4
98,3
99,5
97,8
99,2
nad 2000
1,24
0,3
1,
0,6
1,7
0,5
2,2
0,8
BA do 500
54,8
46,3
45,5
45,2
64,5
54,9
54,4
53,3
500-1000
32,0
36,0
36,1
34,3
29,2
34,9
35,1
34,0
1000-1500
7,5
3,9
10,1
5,9
10,5
6,3
11,1
7,4
1500-2000
2,6
1,1
3,4
1,7
3,6
1,8
4,1
2,2
do 2000
96,8
98,8
95,8
97,5
95,7
97,6
94,7
96,9
nad 2000
3,19
1,2
4,25
2,5
4,3
2,4
5,3
3,1
Poznámky : Do čistých pracovných príjmov sú zahrnuté mzdy zamestnancov, príjmy z dohôd, príjmy SZČO, všetko
očistené od odvodov a daní.
Vnútornú stavbu čistých príjmov v najväčšej
miere ovplyvňujú čisté pracovné príjmy a sú priamo determinované vývojom na regionálnom trhu
práce a nastavenou odvodovou a daňovou politikou. V istej miere sú čisté príjmy ovplyvňované
nástrojmi sociálnej politiky, ktorá je výrazne regionálne diferencovaná a v niektorých regiónoch,
najmä vidieckych, predstavujú dávky vzhľadom na
početnosť rodiny individuálne vyššie príjmy ako
príjmy pracovné. Vzhľadom na predchádzajúcu
identifikáciu primárnych problémov s príjmovou
úrovňou obyvateľstva vo vidieckych regiónoch
Prešovského kraja, je analýza orientovaná na vývoj
marginálnej diferenciácie v stratifikácii čistých
pracovných príjmov, teda sú za sledované obdobie
2005 až 2011 porovnávané rozdiely medzi dotknutým ukazovateľom za SR (čo je vlastne priemerný
stav), Bratislavský kraj – maximálna hranica a Prešovský kraj – minimálna hranica. Samotné hraničné úrovne predstavujú vzhľadom na zastúpenie
obyvateľstva najhoršie a najlepšie pozície v rozložení čistých pracovných príjmov, manévrovací
priestor pre spotrebu a jej budúci potenciál pri zotrvaní súčasných podmienok, resp. zásadné negatívne zmeny pri zhoršení krízy a jej priemete do
zúženia trhu práce (čo je reálne očakávať).
Tab. 5: Podiel obyvateľov disponujúcich čistými pracovnými príjmami len do 300 eur na vidieku v okresoch
Prešovského kraja (%, 2005, 2011)
2005
2011
muži
ženy
muži
ženy
Bardejov
66,0
63,9
41,1
43,9
Humenné
53,6
55,5
33,8
38,0
Kežmarok
53,2
57,3
30,7
37,2
Levoča
44,6
55,6
26,9
36,4
Medzilaborce
52,9
57,0
31,2
38,9
Poprad
42,0
49,1
27,6
34,4
Prešov
48,3
52,4
32,1
38,1
Sabinov
56,2
58,6
29,8
41,9
Snina
46,5
52,9
33,0
40,7
Stará Ľubovňa
62,9
57,3
27,1
42,2
Stropkov
65,2
67,7
38,1
41,9
Svidník
62,8
60,7
42,1
44,9
Vranov nad Topľou
52,0
52,5
32,7
37,6
Prešovský kraj
53,6
55,7
32,4
39,1
Poznámky : Do čistých pracovných príjmov sú zahrnuté mzdy zamestnancov, príjmy z dohôd, príjmy
SZČO, všetko očistené od odvodov a daní.
Za porovnávané obdobie došlo k významnému
poklesu podielu obyvateľov vo vidieckych regiónoch okresov Prešovského kraja v ukazovateli čisté
pracovné príjmy do 300 eur. Vzhľadom na zaznamenanú mieru nezamestnanosti za uvedené regióny
v roku 2011 je nutné zmeny v podieloch interpretovať v súvislosti s výpadkom veľkého množstva
pracovných síl z trhu práce, čo znamená na jednej
strane pokles podielu obyvateľov s disponibilitou
istých pracovných príjmov do 300 eur a ich presun
do vyššieho príjmového pásma, ale na strane druhej nárast počtu poberateľov podpory v nezamestnanosti. S uvedeným korešponduje fakt, že k vý-
raznejším zmenám v poklese podielu v dotknutom
ukazovateli došlo v prípade mužov než u žien.
Ďalšou možnosťou a príkladom zviditeľnenia
zmien v príjmovej stratifikácii obyvateľstva v sledovanom období vo väzbe na formovaný trh práce,
aj z pohľadu hospodárskej štruktúry, je porovnanie
stratifikácie hrubých miezd na vidieku, hrubých
miezd v poľnohospodárstve a z aspektu miesta žien
na trhu práce i hrubých miezd žien, pracujúcich v
poľnohospodárstve. V tejto súvislosti je možné zistiť, akú váhu má zastúpenie miezd v poľnohospodárstve v participácii na ekonomickom potenciáli
toho ktorého vidieckeho priestoru, či je možné registrovať vyšší podiel obyvateľstva v príjmových
intervaloch do 500 eur či do 1000 eur a tiež spolu,
ktorí pracujú v poľnohospodárstve, alebo naopak,
výrazne vyšší podiel obyvateľstva celkovo za vidiek, poberajúci hrubé mzdy do úrovne 500 eur,
do 1000 eur v porovnaní s obyvateľstvom pracujúcim v poľnohospodárstve. Inak povedané, či podiel
obyvateľov pracujúcich mimo poľnohospodárstva
je v príjmovom limite do 500 eur, do 1000 eur vyšší, resp. nižší než za vidiek celkom. Opäť je dôraz
kladený aj na ukazovateľ, ktorý reprezentuje ženský aspekt na trhu práce v oblasti poľnohospodárstva vo väzbe na skúmanie feminizácie chudoby na
vidieku. Pre aktuálne status quo ekonomického
potenciálu je menej ako ukazovateľ vo vývoji dôležitý vzťah medzi podielom poberajúcich hrubé
mzdy za vidiek a podielom, poberajúcich hrubé
mzdy v poľnohospodárstve, v zmysle analýzy stratifikácie hrubých miezd.
Tab. 6: Stratifikácia hrubých miezd spolu na vidieku, hrubých miezd v poľnohospodárstve a hrubých miezd
žien pracujúcich v poľnohospodárstve na vidieku v krajoch SR (%, 2011)
na vidieku
do 500 500-1000
10001500do 2000
nad 2000
1500
2000
29,1
42,6
15,9
5,6
93,2
6,8
BA
h.mzdy spolu
h.mzdy ph
19,5
61,1
15,8
1,8
98,2
1,8
h.mzdy ph ž.
27,5
61,8
9,2
0
98,3
1,7
37,5
44,8
11,9
3,3
97,5
2,5
TT
h.mzdy spolu
h.mzdy ph
29,4
58,7
9,5
1,5
99,1
0,9
h.mzdy ph ž.
45,6
48,5
4,6
0,8
99,5
0,5
37,1
49,5
9,3
2,2
98,1
1,9
TN
h.mzdy spolu
h.mzdy ph
31,1
60,0
7,4
0,9
99,4
0,6
h.mzdy ph ž.
43,4
51,9
4,0
0,5
99,8
0,2
44,1
44,6
7,6
2,0
98,3
1,7
NR
h.mzdy spolu
h.mzdy ph
36,4
55,5
6,1
0,9
98,9
1,1
h.mzdy ph ž.
56,9
38,3
3,6
0,4
99,2
0,8
42,1
44,9
9,2
2,1
98,3
1,7
ZA
h.mzdy spolu
h.mzdy ph
33,2
58,8
5,9
1,1
99,0
1,0
h.mzdy ph ž.
45,9
48,7
3,7
0,9
99,4
0,6
44,6
44,0
7,7
1,8
98,1
1,9
BB
h.mzdy spolu
h.mzdy ph
42,1
51,4
4,8
0,8
99,1
0,9
h.mzdy ph ž.
54,6
41,5
3,2
0,5
99,8
0,2
51,1
39,8
6,2
1,6
98,7
1,3
PO
h.mzdy spolu
h.mzdy ph
48,9
45,4
4,3
0,8
99,4
0,6
h.mzdy ph ž.
59,7
36,3
2,9
0,8
99,7
0,3
43,3
43,1
9,6
2,3
98,3
1,7
KE
h.mzdy spolu
h.mzdy ph
49,6
45,6
3,6
0,9
99,7
0,3
h.mzdy ph ž.
59,4
36,6
3,1
0,7
99,8
0,2
Poznámka : Ide o mzdy pred odpočítaním daní, zdravotného a sociálneho poistenia a ďalších povinných
a dobrovoľných zrážok. ph = poľnohospodárstvo.
Z údajov, ktoré vyplývajú z tabuľky, nemožno
uprieť celkovo vysoký podiel obyvateľstva s hrubými mzdami v príjmovom intervale do 500 eur aj
v tých regiónoch, kde je poľnohospodárstvo významným štrukturotvorným prvkom v ekonomike
regiónu. Vzhľadom na podiel žien pracujúcich v
poľnohospodárstve je mimoriadne negatívnym aj
fakt vyššieho podielu týchto žien v príjmovom intervale do 500 eur, ako je celkový podiel obyvateľ-
stva, poberajúci hrubé mzdy na vidieku. Uvedené
má vysokú významnosť z pohľadu generovania
budúcich starobných dôchodkov, ktoré, ako je uvedené nižšie, predstavujú v jednotlivých vidieckych
regiónoch základňu chudobných obyvateľov.
Vzhľadom na v súčasnosti rozvíjanú myšlienku
prínosov tzv. striebornej ekonomiky, ktorá kladie
dôraz na zvyšujúcu sa váhu seniorov v oblasti formovania spotrebiteľského dopytu prostredníctvom
relatívnej stability ich dôchodkov, (v porovnaní s
pracovnými príjmami, dôchodkami), je na zváženie
otázka celkovej disponibility týchto dôchodkov
skôr ako celková masa seniorov a vývoj ich počtu
do budúcnosti. Nasledujúca tabuľka udáva súčasnú
hrozivú situáciu v podiele seniorov, poberajúcich
starobný dôchodok do 300 a do 500 eur. Pre porovnanie sú uvedené aj údaje o stratifikácii starobných dôchodkov seniorov, žijúcich v mestách.
Tab. 7: Disponibilita starobných dôchodkov na vidieku v jednotlivých krajoch Slovenska (2011, %)
do 300 euro na vidieku
do 500 euro na vidieku
do 500 euro
muži
ženy
muži
ženy
mesto
vidiek
9,5
89,5
89,6
SR
61,6
98,9
95,6
7,61
82,5
82,5
BA
49,0
96,9
91,8
7,85
88,9
92,2
TT
60,1
98,8
95,3
6,97
87,7
90,7
TN
56,9
99,1
94,9
10,6
91,6
92,3
NR
66,3
99,2
96,6
9,97
90,7
92,5
ZA
61,5
99,1
96,3
9,94
88,9
92,9
BB
58,6
98,6
95,2
11,3
92,1
94,7
PO
63,1
99,0
96,7
9,46
87,3
88,1
KE
66,4
99,0
95,0
Zdroj: Vypočítané z bázy starobných dôchodkov evidovaných v Sociálnej poisťovni SR.
Rozdiely v zastúpení seniorov v príjmových
pásmach do 500 eur medzi vidieckymi a mestskými regiónmi sú zjavné a celkovo vyplývajú z predchádzajúceho zamestnania súčasných seniorov v
primárnom sektore ekonomiky, predovšetkým v
ťažobnom priemysle a pôdohospodárstve. S tým
súvisí aj zásadný rozdiel v zastúpení žien v príjmovom intervale do 300 eur, ktoré boli zamestnané v
odvetví pôdohospodárstva, vo veľkej miere nie na
celý pracovný úväzok z dôvodu starostlivosti o deti. Ak aj naďalej bude základňa seniorov založená
a rozširovaná o ďalších dôchodcov z radov súčasných pracujúcich s nízkymi príjmami, nemožno
očakávať, že prispejú k stabilizácii, resp. k želanému rastu domácej spotreby. A to aj napriek tomu,
že táto je založená na stabilite a veľkosti starobných dôchodkov. Taktiež je potrebné mať na zreteli, že muži seniori, napriek svojim vyšším príjmom (dôchodkom) ako ženy, sa dožívajú podstatne
nižšieho veku ako ženy.
ZÁVER
Kumulujúce sa problémy s dopadom na životnú
úroveň obyvateľstva na vidieku bude možné riešiť
len premysleným a zjednoteným koncepčným prístupom relevantných aktérov na úrovni štátnej
správy, samosprávy a záujmových združení. Riešenia sa nenachádzajú len v oblasti vytvárania zodpovedajúcich podmienok pre pôdohospodárstvo,
tam, kde je rozhodujúcim štrukturotvorným prvkom z pohľadu produkcie a zamestnanosti, ale aj
v oblasti riešení, ktoré sú pod gesciami ďalších ministerstiev a samospráv z pohľadu produkcie, služieb a realizovania sociálnej politiky.
Dôraz zvýšeného záujmu o vidiecky priestor nie
je len v rovine nájsť a odstrániť prekážky brzdenia
rastu životnej úrovne vidieckeho obyvateľstva,
resp. aspoň zabránenia ďalšiemu prepadu jeho životnej úrovne. Zmena podmienok prírodného
a ekonomického charakteru, ktorá je prognózovaná
do roku 2030 (pozri IPCC, 2001, 2007)1, znamená
reálnu možnosť tohto prepadu aj v mestských regiónoch. Je priamo súvisiaca so zhoršovaním produkčných
podmienok
poľnohospodárstva
a lesníctva, s rastúcimi problémami v energetike
a s pohybom klimatických migrantov v jednotlivých krajinách. S tým bezprostredne súvisí kríza
nedostatku potravín a rast ich cenovej úrovne,
v energetike vo väzbe na nastúpenú cestu subvencovania obnoviteľných energetických zdrojov. To,
čo pre niektoré krajiny Európy bude znamenať katastrofu, pre iné, ako je Anglicko, severské krajiny,
ale aj pre Slovensko, môže byť veľkou výzvou,
predovšetkým v oblasti nového pohľadu na využi1
pozri aj http://sedac.ciesin.columbia.edu/ddc/ observed/,http://climate.uu-uno.org/articles/view/
171595/?topic=23687
tie vidieckeho priestoru. Znamená to však, že prípravu na meniace sa podmienky je nevyhnutné
uskutočniť už „dnes“, t.j. v krátkom najbližšom
období. Súčasťou týchto príprav je aj analýza stavu
v príjmovej polarizácii obyvateľstva vo vidieckych
a mestských regiónoch Slovenska, s akcentom na
hrozbu generovania chudobných pracujúcich
a chudobných seniorov v budúcom období.
Výsledky analýzy príjmovej stratifikácie obyvateľstva v jednotlivých regiónoch Slovenska ukazujú na dlhodobosť „držania sa“ rezortných pohľadov
pri riešení problémov vidieckeho priestoru, predovšetkým používaním nástrojov „selektívnej“ poľnohospodárskej a neselektívnej sociálnej politiky.
V praktickom slova zmysle absentujú dlhodobé
pohľady na reštrukturalizáciu hospodárskej základne vo vidieckych regiónoch napriek tomu, že
väčšina z nich má spracované analýzy svojho potenciálu (s rôznou vypovedacou úrovňou silných
a slabých stránok). Taktiež nie je využitý poznatkový potenciál, ktorý predstavuje už spracovaná
Vízia a Stratégia rozvoja Slovenska.
LITERATÚRA
IPCC. (2001). Climate Change 2001, Synthesis Report.
Summary for Policymakers. IPCC Plenary XVIII.
Wembly, UK.
IPCC. (2007). Climate Change 2007, Synthesis Report.
Contribution of Working Groups I., II., III. To the
Fourth Assessment Report of IPCC, Geneva, Switzerland, pp. 104.
MP SR. (2011). Sumárny prehľad za projektové opatrenia os 1,2,3 – členenie podľa RP. Program rozvoja vidieka SR 2007-2013. Bratislava: MP SR,
k 31.12. 2010.
MP SR. (2012a). Sumárny prehľad za projektové opatrenia os 1,2,3 – členenie podľa cieľa Konvergencie/ostatné oblasti. Program rozvoja vidieka SR
2007-2013. Bratislava: MP SR, k 31.12. 2011.
MP SR. (2012b). Sumárny prehľad za projektové opatrenia os 1,2,3,4, Program rozvoja vidieka SR 20072013. Bratislava: MP SR, k 30.4. 2012.
Pauhofová, I., Páleník, M. (2011). Metodológia skúmania potrieb a správania sa starších (domácností
Naznačená potreba chápania vidieka širším, ale
hlavne národohospodárskym spôsobom, vytvorí
priestor pre nové činnosti, ktoré majú šancu generovať novú hospodársku štruktúru vidieka (podľa
Pauhofová, Páleník, 2012) a dať základ pre rast
príjmov obyvateľstva na vidieku, ktoré sa stanú
významnejšou časťou celkového domáceho dopytu
ako doteraz. Generovanie novej hospodárskej
štruktúry vidieka má svoj primárny odraz vo formovaní regionálneho trhu práce, kde je dôraz na
vytváranie nových pracovných miest, spojený so
znalosťou konkrétnych podmienok, nielen na
úrovni regionálnych autorít, ale je riadený
a kontrolovaný z úrovne štátu, kde znalosť podmienok prostredia prekročí hranice administratívy
jedného rezortu, bez „známostných“ prepojení
a v zmysle antikorupčných programov. (Vychádza
sa aj z doterajšieho, menej náročného, ale napriek
tomu menej zvládnutého prostredia riadenia čerpania finančných prostriedkov podľa jednotlivých
opatrení a titulov, predovšetkým tých s cieľom vytvárania pracovných miest.)
dôchodcov) v krajinách EÚ. Bratislava :Ekonomický
ústav SAV. WP 32, 20 s. ISSN 1337–5598.
Pauhofová,I., Páleník M. 2012. Národohospodárske
súvislosti príjmovej stratifikácie obyvateľstva vo vidieckych regiónoch Slovenska v čase krízy. Bratislava :Ekonomický ústav SAV. WP, 22 s. ISSN 1337–
5598.
Pauhofová, I. Želinský, T. (eds.). (2012). Paradigmy
budúcich zmien v 21. storočí. Infraštruktúra spoločnosti, infraštruktúra človeka, kontrolovaná spoločnosť. Bratislava: Ekonomický ústav SAV.ISBN 97880-7144-198-4.
Sociálna Poisťovňa. Databáza o príjmoch 2005 – 2011.
http://www.mpsr.sk/index.php?navID=47&sID=43&na
vID2=318
http://www.mpsr.sk/index.php?navID=318&navID2=31
8&sID=43&id=4283
http://sedac.ciesin.columbia.edu/ddc/observed/
http://climate.uuuno.org/articles/view/171595/?topic=23687
Tomáš ŽELINSKÝ, Alena TARTAĽOVÁ ■ 57
Vplyv ekvivalentnej škály na mieru rizika monetárnej chudoby v krajoch
Slovenska
Tomáš ŽELINSKÝ1a,2, Alena TARTAĽOVÁ1b
2 Institut ekonomických studií, Fakulta sociálních věd, Univerzita Karlova v Praze
1
Impact of Equivalence Scale on At-risk-of-monetary-poverty Rates in the Regions of
Slovakia
Abstract
Keywords
EU SILC, equivalence scales, moneThe aim of this paper is to analyse the impact of equivalence scales on
tary poverty, Slovakia.
at-risk-of-poverty rates in Slovakia and its regions. Equivalence scales
are a useful tool for preparing income data for further analyses (such as
JEL Classification
analyses of poverty or inequality), as they reflect the structure of houseI32, I33, R11
holds. The modified OECD scale is the official equivalence scale applied
by Eurostat since the 1990’s. The authors of this approach discussed
1 Technical University of Košice, Faculty of
Economics, Němcovej 32, 040 01 Košice, whether a single equivalence scale should be used for all European Union member states, or whether specific (different) equivalence scales
Slovakia
should be used in the cross-country comparisons. In the study we simua [email protected]
late application of various combinations of adult/child household memb [email protected]
bers’ weights to a linear type equivalence scale at national and regional
2 Charles University in Prague, Faculty of
level of Slovakia. According to the results the distribution of poverty rate
Social Sciences, Institute of Economic
estimates at regional level is in coherence with the results estimated at
Studies, Opletalova 26, 110 00 Praha,
national level. Only the administrative region of the Capital City of BratiCzech Republic
slava is exceptional, as there is very weak coherence in the results due
[email protected]
to high variability in the data.
Príspevok bol vytvorený s podporou vedeckovýskumného projektu VEGA1/0127/11 Priestorová distribúcia chudoby v Európskej únii a s podporou Stipendia Husovy nadace a Nadácie UPJŠ.
ÚVOD
V súčasnosti, vzhľadom na členstvo Slovenskej republiky v Európskej únii, je ako hlavný nástroj na
zisťovanie stavu chudoby v krajine používané zisťovanie EU SILC (Zisťovanie o príjmoch a životných podmienkach – z angl. European Union Statistics on Income and Living Conditions).
Štatistický úrad SR má záujem na tom, aby sa
mikroúdaje zisťovania EU SILC vhodným spôsobom používali na výskum, o čom svedčí aj množstvo publikovaných štúdií, ktoré boli založené na
použití týchto údajov (pozri napr.: Bartošová
a Forbelská, 2010; Ivančíková a Vlačuha, 2010;
Labudová, Vojtková a Linda 2010; Sipková, 2009;
Stankovičová, 2010; Tartaľová, 2011; Želinský,
2010; a iní).
V rámci uvedeného zisťovania sa (okrem množstva ďalších premenných) sleduje príjem na úrovni
domácností a na zabezpečenie porovnateľnosti výsledkov za jednotlivé domácnosti je potrebné uskutočniť odhad ekvivalentného disponibilného príjmu
domácnosti. Ide o odhad takého príjmu „na člena“
domácnosti, ktorý zohľadňuje vekovú štruktúru
členov domácnosti. Na tento účel sa v praxi používajú tzv. ekvivalentné škály, pričom za najznámejšiu možno považovať OECD ekvivalentnú škálu
(označovanú aj ako oxfordskú) z roku 1982. Táto
škála priraďuje váhu 1 prvému dospelému členovi
domácnosti, váhu 0,7 každému ďalšiemu dospelému členovi domácnosti a váhu 0,5 každému dieťaťu v domácnosti. Ako uvádzajú Hagenaars, De Vos
a Zaidi (1994), pôvodná OECD ekvivalentná škála
nadhodnocovala váhu ostatných členov domácnos-
ti, a tak na účely porovnávania v rámci zisťovania
ECHP (angl. European Community Household Panel), t. j. predchodcu zisťovania EU SILC, navrhli
jej prehodnotenie. Nimi navrhnutá modifikovaná
ekvivalentná škála priraďuje váhu 1 prvému dospelému členovi domácnosti, váhu 0,5 každému ďalšiemu členovi domácnosti staršiemu ako 14 rokov
a váhu 0,3 každému ďalšiemu členovi domácnosti
vo veku do 14 rokov (vrátane).
Samotní autori sa v svojej publikácii (Hagenaars, De Vos a Zaidi, 1994) zamýšľajú, či na porovnávanie medzi krajinami má byť použitá jediná ekvivalentná škála pre všetky krajiny, alebo v prípade
každej krajiny by mala byť použitá jedinečná ekvivalentná škála zohľadňujúca podmienky v príslušnej krajine.
Logika ekvivalentných škál je totiž založená na
myšlienke úspor z rozsahu v domácnosti. Spotrebu
domácnosti totiž možno rozdeliť na kolektívnu, na
ktorej sa podieľajú všetci členovia domácnosti
(napr. náklady na bývanie) a individuálnu, ktorá
zodpovedá jednotlivým členom domácnosti.
Ako príklad individuálnej spotreby možno
uviesť výdavky na potraviny a ako príklad kolektívnej spotreby výdavky súvisiace s bývaním (pozri
údaje v Tab. 1 pre vybrané krajiny EÚ).
Tab. 1: Podiel vybraných druhov výdavkov na celkových výdavkoch domácností, 2009 [%]
Krajina
Nemecko
Francúzsko
Česká rep.
Rumunsko
Slovensko
Výdavky na
potraviny
10,5
13,2
14,5
28,2
17,4
Výdavky na
bývanie
23,9
23,8
22,6
21,7
21,6
Zdroj: vlastné spracovanie podľa údajov Eurostatu
Z údajov v tabuľke 1 je zrejmé, že kým napríklad výdavky na bývanie vo všetkých vybraných
krajinách predstavujú 21,6 % – 23,9 % celkových
výdavkov, výdavky na potraviny sa pohybujú na
úrovni 10,5 % – 28,2 % výšky celkových výdavkov domácností. Tieto údaje tak vzbudzujú otázku,
či je skutočne správne používať jednotnú metodiku
ekvivalentných škál pre všetky krajiny Európskej
únie. Podobne je možné úvahu rozšíriť o regionálny rozmer, keďže štruktúra výdavkov v jednotlivých regiónoch krajín môže byť rôzna.
Cieľom príspevku je analyzovať, ako sa budú
meniť hodnoty ukazovateľa „miera rizika chudoby“ pri použití rôznych ekvivalentných škál, a to
na národnej a regionálnej úrovni SR. V analýze sa
nebudeme zameriavať na konkrétne, bežne používané typy ekvivalentných škál, ale analýzu zovšeobecníme pre rôzne hodnoty parametrov lineárnej
ekvivalentnej škály.
I. METODIKA
Ekvivalentnú veľkosť i-tej domácnosti (Si)
s použitím typickej lineárnej ekvivalentnej škály
možno zapísať (Sipková, 2009):
Si = 1 + α (Ai – 1) + β Ki ,
(1)
kde
Ai je počet dospelých v i-tej domácnosti;
Ki je počet detí v i-tej domácnosti;
α je parameter reprezentujúci proporciu nákladov
pri ďalších dospelých členoch v i-tej domácnosti
(resp. ich váha), α ∈ (0, 1);
β je parameter reprezentujúci proporciu nákladov
u detí v i-tej domácnosti (resp. ich váha),
β ∈ (0, 1).
Ekvivalentná veľkosť domácnosti je nevyhnutným vstupom na odhad ekvivalentného disponibilného príjmu domácnosti, ktorý je definovaný ako
podiel celkového disponibilného príjmu domácnosti a ekvivalentnej veľkosti domácnosti (celkový
disponibilný príjem domácnosti je definovaný ako
suma zložiek hrubého osobného príjmu všetkých
členov domácnosti zvýšená o zložky hrubého príjmu na úrovni domácnosti a znížená o pravidelné
dane z majetku, pravidelné platené peňažné transfery medzi domácnosťami, daň z príjmu a príspevky sociálneho poistenia).
V príspevku je uskutočnená jednoduchá simulácia, v ktorej pomocou vzťahu (1) sú pre každú domácnosť vypočítané všetky možné kombinácie ek-
V štúdii sú použité mikroúdaje zisťovania EU
SILC 2010 za SR (ŠÚ SR, 2011). Referenčným
obdobím použitých údajov je rok 2009. Hranica
rizika chudoby je definovaná ako 60 % mediánu
národného ekvivalentného disponibilného príjmu.
V štúdii uskutočníme dva typy regionálnych porovnaní: v prvom prípade je hranica chudoby
v každom regióne rovnaká, a to na úrovni národnej
hranice chudoby. V druhom prípade odhadujeme
v súlade s metodikou Eurostatu samostatnú hranicu
chudoby pre každý z regiónov. Takto určená hranica chudoby vypovedá o relatívnej chudobe
v regióne zohľadňujúc špecifickú príjmovú situáciu
v konkrétnom regióne (pozri napr. Želinský, 2010).
Odhad miery rizika chudoby (AROP – z angl.
at-risk-of-poverty rate) je v súlade s metodikou Eurostatu (2010) uskutočnený pomocou vzťahu:
Vo všetkých výstupoch je plnou čiarou znázornený
bod zodpovedajúci oficiálnej ekvivalentnej škále (t.
j. α = 0,5 a β = 0,3).
Všetky odhady a výpočty v štúdii sú uskutočnené v prostredí softvéru R (R Development Core
Team, 2012) s použitím knižníc „laeken“ (Alfons,
Holzer, a Templ, 2012) a „lattice“ (Sarkar, 2008).
II. VÝSLEDKY A DISKUSIA
Použitím metodiky opísanej v predchádzajúcej kapitole dostávame obraz, aké rôzne hodnoty mier rizika chudoby by sme dostali, ak by sme použili
rôzne váhy pre členov domácností mladších/starších ako 14 rokov (Obr. 1).
SR: národná hranica chudoby
1.0
22
0.8
data2$child
vivalentnej veľkosti, ktoré môžu nastať (pre zjednodušenie: αi, βi = {0,0; 0,05; 0,1; 0,15; ...; 1}).
Následne je pre každú domácnosť v každom kroku
odhadnutá nová úroveň ekvivalentného disponibilného príjmu, ktorá je priradená každej osobe v domácnosti.
20
18
0.6
16
0.4
14
q
AROP =
∑w
i =1
n
∑w
j =1
0.2
i
,
12
(2)
0.2
j
kde
wi je osobná prierezová váha i-tej osoby z domácnosti, ktorej ekvivalentný disponibilný príjem je
nižší ako stanovená hranica chudoby; i = 1, 2,
..., q ≤ n;
wj je osobná prierezová váha j-tej osoby bez ohľadu na výšku príjmu; j = 1, 2, ..., n.
Kvôli lepšej názornosti sú výsledky prezentované graficky vo forme tzv. úrovňových grafov, kde
na osi x je parameter (váha) pre člena domácnosti
vo veku do 14 rokov vrátane (v texte ďalej uvádzané aj ako „deti“) a na osi y je parameter (váha) pre
člena domácnosti staršieho ako 14 rokov (v texte
ďalej uvádzané aj ako „dospelí“). Prvému dospelému členovi domácnosti je vždy priradená váha 1.
0.4
0.6
0.8
1.0
data2$adult
Obr. 1: Miera rizika chudoby, SR
Podľa údajov EU SILC 2010 bola odhadnutá
miera rizika chudoby v SR na úrovni približne
12 %. Je ale zrejmé, že použitím iných ekvivalentných škál by sa odhadnutá miera rizika chudoby
mohla líšiť. Najvyššie hodnoty sú zaznamenané pri
minimalizovaní váhy detí a maximalizovaní váhy
dospelých, kedy miera rizika chudoby dosahuje
úroveň až 22 %. Na druhej strane možno pozitívne
vnímať skutočnosť, že ponechanie váhy detí napr.
na úrovni 0,3 a zvyšovanie váhy dospelých z úrovne 0,5 až do úrovne 0,85 takmer vôbec neovplyvní
odhadnú mieru rizika chudoby.
Na podmienky Slovenska možno odvodiť ekvivalentnú škálu vychádzajúcu zo súm životného mi-
nima stanovených opatrením Ministerstva práce,
sociálnych vecí a rodiny Slovenskej republiky č.
181/2012 Z. z. o úprave súm životného minima,
pričom k 1. 7. 2012 sú stanovené nasledovné sumy
životného minima:
•
•
•
194,58 EUR mesačne, ak ide o jednu plnoletú fyzickú osobu,
135,74 EUR mesačne, ak ide o ďalšiu spoločne posudzovanú plnoletú fyzickú osobu,
88,82 EUR mesačne, ak ide o zaopatrené
neplnoleté dieťa a o nezaopatrené dieťa.
Na základe uvedených súm možno vychádzajúc
zo vzťahu (1) odvodiť nasledovnú ekvivalentnú
škálu:
Si = 1 + 0,70 (Ai – 1) + 0,46 Ki ,
(3)
pričom váha ďalšej dospelej osoby je určená ako
podiel 135,74/194,58 a váha dieťaťa je určená ako
podiel 88,82/194,58.
Značenie vo vzťahu (3) je rovnaké ako vo vzťahu (1). V uvedenom vzťahu v rozpore s definovaním dieťaťa v citovanom opatrení za deti opäť považujeme členov domácnosti mladších ako 14 rokov (nakoľko myšlienka ekvivalentných škál je založená na rozlíšení individuálnej a kolektívnej
spotreby a rozhodujúce nie je, či člen domácnosti
študuje, ale rozhodujúci je jeho vek).
Uplatnením ekvivalentnej škály definovanej
vzťahom (3) získavame odhad miery rizika chudoby v SR na úrovni približne 12,2 %, čo sa výrazným spôsobom nelíši od odhadu uskutočneného
použitím modifikovanej OECD ekvivalentnej škály.
V ďalšej časti práce sa zameriame na regióny
Slovenska na úrovni NUTS3 (teda samosprávne
kraje), aby sme zistili, či použitá ekvivalentná škála má v rôznych krajoch Slovenska rozdielny vplyv
na odhad mier rizika chudoby. A priori možno
očakávať, že regionálne rozdiely v zložení (veľkosti) domácností môžu významným spôsobom
ovplyvniť ekvivalentné veľkosti týchto domácností
a v konečnom dôsledku to môže vplývať na ich
ekvivalentný príjem.
Tab. 2: Priemerný počet členov domácností
Kraj
BA
TT
TN
NR
ZA
BB
PO
KE
SK
Dospelí
2,91
3,03
3,08
3,05
3,19
2,96
3,61
3,31
3,16
Deti
0,43
0,39
0,56
0,57
0,58
0,50
0,80
0,65
0,57
Spolu
3,34
3,41
3,65
3,61
3,77
3,45
4,41
3,97
3,74
Zdroj: vlastné spracovanie podľa údajov EU SILC
Ako vyplýva z údajov v tab. 2 udávajúcej priemerný počet členov domácností podľa krajov
v členení na dospelých členov (resp. starších ako
14 rokov) a deti (resp. mladších ako 14 rokov),
priemerná veľkosť slovenskej domácnosti je 3,74
členov. Najnižšia hodnota je zaznamenaná v Bratislavskom kraji (3,34 členov) a najvyššia v Prešovskom (4,41 členov). Tieto rozdiely možno skutočne
považovať za významné, čo sa v konečnom dôsledku môže prejaviť na nekonzistentnosti vzorov
v grafických výstupoch (úrovňových grafoch).
Tab. 3: Miera rizika chudoby v krajoch SR v r. 2010
pri uplatnení nár. a reg. hr. chudoby [%]
Kraj
BA
TT
TN
NR
ZA
BB
PO
KE
SK
Hranica chudoby
Národná
Regionálna
5,1
12,4
6,7
7,9
10,1
10,1
13,2
12,0
9,6
10,2
16,9
14,1
18,7
14,7
12,7
11,7
12,0
Zdroj: vlastné spracovanie podľa údajov EU SILC
Vplyv ekvivalentnej škály na rozdelenie odhadnutej miery rizika chudoby budeme analyzovať vo
vzťahu k použitej hranice chudoby, a to národnej
14
0.8
12
10
0.6
8
0.4
6
0.2
4
0.2
0.4
0.6
0.8
1.0
1.0
22
20
0.8
data2$child
1.0
BA: regionálna hranica chudoby
data2$child
BA: národná hranica chudoby
18
0.6
16
14
0.4
12
0.2
10
0.2
data2$adult
10
0.4
8
6
0.2
0.6
0.8
1.0
16
0.8
14
0.6
12
0.4
10
0.2
8
0.2
14
0.4
12
10
0.2
8
0.8
1.0
0.8
20
18
0.6
16
14
0.4
12
10
0.2
8
0.2
0.6
18
0.4
16
14
0.2
12
data2$adult
0.4
0.6
0.8
1.0
0.8
1.0
1.0
20
0.8
18
data2$child
20
NR: regionálna hranica chudoby
22
0.8
data2$child
NR: národná hranica chudoby
24
0.6
1.0
data2$adult
1.0
0.4
0.8
22
data2$adult
0.2
0.6
1.0
data2$child
16
0.6
TN: regionálna hranica chudoby
18
0.8
data2$child
TN: národná hranica chudoby
20
0.6
0.4
data2$adult
1.0
0.4
1.0
18
data2$adult
0.2
0.8
1.0
data2$child
12
0.6
TT: regionálna hranica chudoby
14
0.8
data2$child
TT: národná hranica chudoby
16
0.4
0.6
data2$adult
1.0
0.2
0.4
0.6
16
0.4
14
12
0.2
0.2
0.4
0.6
0.8
1.0
data2$adult
Obr. 2: Miera rizika chudoby v krajoch SR pri použití rôznych ekvivalentných škál
Zdroj: vlastné spracovanie s použitím údajov EU SILC
0.8
18
16
0.6
14
0.4
12
10
0.2
8
0.2
0.4
0.6
0.8
1.0
1.0
22
20
0.8
data2$child
20
data2$child
ZA: národná hranica chudoby
1.0
ZA: regionálna hranica chudoby
18
0.6
16
14
0.4
12
0.2
10
0.2
data2$adult
24
0.6
22
0.4
20
18
0.2
16
0.6
0.8
1.0
24
0.8
22
0.6
20
18
0.4
16
0.2
14
0.2
24
0.6
22
0.4
20
0.2
18
0.8
1.0
22
20
0.6
18
0.4
16
0.2
14
0.2
0.6
18
0.4
16
14
0.2
12
data2$adult
0.4
0.6
0.8
1.0
0.8
1.0
1.0
22
0.8
20
data2$child
20
KE: regionálna hranica chudoby
22
0.8
data2$child
KE: národná hranica chudoby
24
0.6
1.0
data2$adult
1.0
0.4
0.8
0.8
data2$adult
0.2
0.6
1.0
data2$child
26
PO: regionálna hranica chudoby
0.8
data2$child
PO: národná hranica chudoby
28
0.6
0.4
data2$adult
1.0
0.4
1.0
26
data2$adult
0.2
0.8
1.0
data2$child
26
BB: regionálna hranica chudoby
0.8
data2$child
BB: národná hranica chudoby
28
0.4
0.6
data2$adult
1.0
0.2
0.4
18
0.6
16
0.4
14
12
0.2
0.2
0.4
0.6
0.8
1.0
data2$adult
Obr. 2: Miera rizika chudoby v krajoch SR pri použití rôznych ekvivalentných škál – dokončenie
Zdroj: vlastné spracovanie s použitím údajov EU SILC
(odhadnutej pre celú SR) a regionálnej (odhadnutej
samostatne pre každý región).
Z tab. 3 je totiž zrejmé, že ak ignorujeme špecifické podmienky v jednotlivých regiónoch, plošné
použitie národnej hranice chudoby môže viesť
k výrazne nadhodnotenej miere relatívnej chudoby
(napr. Prešovský kraj), resp. k výrazne podhodnotenej miere chudoby (napr. Bratislavský kraj).
Podobne, ako v prípade prezentácie výsledkov
odhadnutých mier rizika chudoby pre SR s použitím kombinácií váh pre dospelých a detských členov domácností, aj v prípade krajov sú výsledky
prezentované vo forme úrovňových grafov (Obr.
2).Z úrovňových grafov na obr. 2 je zrejmé, že
takmer vo všetkých prípadoch je v zásade zachovaná schéma rozdelenia miery rizika chudoby odhadnutá pre celú SR. Znamená to teda, že aj po
prechode na nižšiu teritoriálnu úroveň je zachovaná
konzistentnosť s národnou úrovňou. Takéto zistenie súvisí so skutočnosťou, že medzi krajmi SR
neexistujú výrazné rozdiely v základnej štruktúre
spotrebných výdavkov domácností.
Grafický výstup za Bratislavský kraj vykazuje
najväčšiu mieru odlišnosti od schémy za celú krajinu, a to ako v prípade uplatnenia národnej, tak aj
regionálnej hranice chudoby. Kým „pásmo“ najnižších mier rizika chudoby sa v prípade SR a väčšiny regiónov nachádza v pravej dolnej časti grafov, v prípade Bratislavského kraja sa uvedené
pásmo nachádza v pravej hornej časti grafov.
Bratislavský kraj vykazuje tiež najväčšie rozdiely medzi schémami získanými pri uplatnení národnej a regionálnej hranice chudoby. To môže byť
spôsobené práve najvýraznejšími rozdielmi medzi
mierami chudoby odhadnutými použitím národnej
a regionálnej hranice chudoby.
O skutočnosti, že v Bratislavskom kraji je situácia „iná“ ako v prípade ostatných regiónov, napovedajú aj výsledky v tabuľke 4. V prvom stĺpci (A)
tabuľky 4 sú odhadnuté Spearmanove koeficienty
poradovej korelácie, na základe ktorých je možné
zhodnotiť, do akej miery „súhlasia“ odhadnuté
miery rizika chudoby v jednotlivých krajoch SR
použitím národnej a regionálnej hranice chudoby.
Posledné dva stĺpce hodnotia súhlas výsledkov za
príslušný región s výsledkami za SR s použitím národnej hranice chudoby (B) a s použitím regionálnej hranice chudoby (C).
Tab. 4: Súlad výsledkov
Kraj
BA
TT
TN
NR
ZA
BB
PO
KE
A
0,7529
0,9361
0,9604
0,8621
0,9698
0,9312
0,9329
0,9229
B
0,3782
0,9768
0,9703
0,9697
0,9750
0,9151
0,9525
0,9874
C
0,5643
0,9182
0,9765
0,8213
0,9567
0,9140
0,9300
0,9074
Vysvetlivky: Hodnoty v tabuľke predstavujú Spearmanove koeficienty poradovej korelácie medzi mierami rizika chudoby odhadnutými použitím kombinácií váh v
ekvivalentných škálach, pričom: A – tesnosť vzťahu
medzi odhadmi hodnôt v prísl. regióne použitím národnej a regionálnej hranice chudoby; B – tesnosť vzťahu
medzi odhadmi hodnôt prísl. regiónu a SR s použitím
národnej hranice chudoby; C – ako B, s použitím regionálnej hranice chudoby.
Ako už bolo uvedené, najväčší nesúlad vo výsledkoch je zaznamenaný v Bratislavskom kraji.
To môže súvisieť s faktom, že disponibilný príjem
v Bratislavskom kraji má najväčší rozptyl. Hodnoty koeficientu korelácie nižšie ako 0,9 boli zaznamenané aj v Nitrianskom kraji, kde sa nachádzali
výrazne vysoké extrémne hodnoty disponibilného
príjmu.
V prípade ostatných regiónov možno tvrdiť, že
rozdelenie hodnôt mier rizika chudoby v krajoch
„kopíruje“ rozdelenie hodnôt mier rizika v SR (bez
ohľadu na to, či použijeme národnú alebo regionálnu hranicu chudoby).
ZÁVER
Agregovanie sociálno-ekonomických javov, akým
môže byť napríklad chudoba, so sebou vždy prináša viaceré problémy. Európska únia využíva pri
hodnotení chudoby relatívny koncept a jej prístup
je založený na agregovaní údajov za osoby v domácnostiach. Znamená to, že každej osobe v do-
mácnosti je priradený akýsi pomyselný „priemerný“ príjem na člena domácnosti, ktorý by ale mal
odrážať štruktúru členov domácnosti. V praxi sa na
podobné účely využíva spravidla prepočet na ekvivalentnú veľkosť domácnosti, ktorý je založený
napríklad na myšlienke, že každému členovi domácnosti je priradená váha v závislosti od jeho veku. Cieľom je zobjektívniť porovnanie príjmu domácností s rôznym počtom členov.
Je potrebné uvedomiť si, že bez ohľadu na povahu údajov o príjmoch domácností (či ide
o výberové zisťovanie alebo údaje z administratívnych zdrojov), aplikácia „správnej“ ekvivalentnej
škály je nevyhnutná na získanie neskreslenej informácie o príjmovej situácii v krajine.
Od roku 1994 sa v Európskej únii používa tzv.
OECD modifikovaná škála, ktorá je aplikovaná
plošne na každú členskú krajinu Európskej únie.
V odborných kruhoch stále ostáva otvorená otázka,
či takáto plošná aplikácia rovnakých škál na všetky
krajiny EÚ je správna, alebo nie. Takýto prístup totiž ignoruje rozdielnu štruktúru spotrebných nákladov v jednotlivých krajinách EÚ, čo môže v ko-
nečnom dôsledku viesť ku skresleniu výsledkov
zisťovania.
V tejto štúdii je myšlienka uplatnenia rôznych
ekvivalentných škál aplikovaná na úroveň krajov
SR. Keďže základná štruktúra spotrebných výdavkov v krajoch SR sa výrazne nelíši, možno na základe dosiahnutých výsledkov predpokladať, že
uplatnenie rovnakej ekvivalentnej škály v každom
kraji SR nevedie k ovplyvneniu hodnôt miery rizika chudoby. Výnimku predstavuje Bratislavský
kraj, kde bola zaznamenaná najvyššia miera nesúladu s výsledkami za celú krajinu. Tento výrazný
nesúlad môže byť spôsobený tým, že v hodnoty
disponibilných príjmov v Bratislavskom kraji vykazujú najväčší rozptyl a Bratislavský kraj vykazuje zároveň najväčšie rozdiely v odhadnutých mierach rizika chudoby pri použití národnej a regionálnej hranice chudoby.
Na túto štúdiu nadviaže podobná analýza, ktorá
bude zameraná na hodnotenie vplyvu ekvivalentných škál na výsledky vybraných mier chudoby
a príjmovej nerovnosti vo všetkých 27 krajinách
Európskej únie.
LITERATÚRA
Alfons, A., Holzer, J., Templ, M. (2012). laeken: Estimation of indicators on social exclusion and poverty. R package version 0.3.3. URL http://CRAN.Rproject.org/package=laeken.
Eurostat. (2010). Algorithms to compute Social Inclusion Indicators based on EU-SILC and adopted under the Open Method of Coordination (OMC). Working Group meeting “Statistics on Living Conditions”, 10-12 May 2010. Luxembourg: Eurostat.
Hagenaars, A. J. M., De Vos, K., Zaidi, A. (1994).
Poverty statistics in the late 1980s: Research based
on micro-data. Luxembourg: Office for Official
Publications of the European Communities. ISBN
92-826-8982-4.
Labudová, V., Vojtková, M., Linda, B. (2010). Aplikácia viacrozmerných metód pri meraní chudoby. In:
E & M Ekonomie a management. Vol. 13, No. 1, pp.
6-22.
R Development Core Team. (2012). R: A language
and environment for statistical computing. Viedeň:
R Foundation for Statistical Computing. ISBN 3900051-07-0. URL http://www.R-project.org/.
Sarkar, D. (2008). Lattice: Multivariate Data Visualization with R. New York: Springer. ISBN 978-0387-75968-5.
Sipková, Ľ. (2009). Ekvivalentná škála v EU-SILC
analýzach príjmovej nerovnosti a chudoby. In: Pacáková, V. (ed.): Štatistické metódy v ekonómii so za-
meraním na sociálne analýzy : monografický zborník z riešenia vedeckého projektu VEGA 1/4586/07.
Bratislava: EKONÓM. ISBN 978-80-225-2704-0. s.
81-126.
O., Želinský, T. (eds.): Sociálny kapitál, ľudský kapitál a chudoba v regiónoch Slovenska. Košice: TU
Košice. s. 67-75. ISBN 978-80-553-0573-8.
ŠÚ SR. (2011). Zisťovanie o príjmoch a životných
podmienkach EU SILC 2010 (UDB_31/08/11). [databáza s mikroúdajmi]. Bratislava: Štatistický úrad
SR.
Tartaľová, A. (2011). Odhad hustoty rozdelenia zmesou exponenciálnych funkcií. In: Forum Statisticum
Slovacum. Vol. 7, No. 7, pp. 251-256.
Lukáš PASTOREK, Tomáš VENIT ■ 67
SST index a jeho zložky ako indikátory monetárnej chudoby a nerovnosti v
Českej a Slovenskej republike v rokoch 2004 až 2008
Lukáš PASTOREK1, Tomáš VENIT2
2 Přírodovědecká fakulta, Univerzita Karlova v Praze
1
STT index and its components as the indicators of the monetary poverty and inequality
in the Czech and Slovak republic between years 2004 - 2008
Abstract
Keywords
Sen-Shorrocks-Thon Index, Headcount The Sen-Shorrocks-Thon (STT) index is one of the most sophisticated
index, Poverty gap index, Gini coeffiindices used in the theory of poverty mostly by academics because of
cient, Czech and Slovak Republic, EU- his relatively complicated history of theoretical evolution and especially
SILC.
because of the lack of the intuitive meaning. Central authorities prefer
using simpler indicators in the communication with the general public.
JEL Classification
Despite this incomprehension on the part of the politics and general
I32, I33
public, STT index remain the „perfect“ indicator from the point of the
relative poverty measures, because it is able to capture more than one
1 University of Economics, Faculty of
aspect of monetary poverty, satisfies the requirements dictated by Sen`s
informatics and statistics, nam. W.
ethical axioms for the poverty measures, and is based on the wellChurchila 4, 13067 Prague, Czech Reknown statistical indices. All indices are dependent on the official povpublic, [email protected]
erty threshold, which is consequently reflected in the index value. We
2 Charles University in Prague, Faculty
eliminate influence of the fixed poverty thresholds by the poverty curves
of Science, Albertov 6, 128 43 Praha 2, construction, which are computed using all possible reasonable poverty
Czech Republic,
thresholds. In this paper, poverty curves are computed and compared
[email protected]
between households in Slovak and Czech Republic from 2004 to 2008.
Príspevok bol vytvorený s podporou vedeckovýskumného projektu IGA VSE F4/6/2012 IG410032.
ÚVOD
Pôvod STT indexu siaha až do 70. rokov, kedy Sen
(1976) na základe axiomatického prístupu ku konštrukcií ukazovateľov chudoby (vychádzajúceho
z etických pravidiel) zostrojil index, v ktorom
„zlúčil“ pôsobenie indexov „miery rizika chudoby“
(podiel chudobou ohrozeného obyvateľstva, angl.
headcount ratio), „ukazovateľa relatívnej hĺbky
chudoby“ (angl. poverty gap ratio) a známeho Giniho koeficientu (1912).
Na Senov index nadviazal svoju úpravou Shorrock (1995). Zheng (1998) si následne všimol konzistentnosť tohto modifikovaného Senovho indexu
s Thonovým indexom (1979). Xu (1998) mu preto
udelil finálny názov - Sen-Shorrock-Thonov index.
Väčšiu úpravu vykonali Osberg a Xu (1997, 1998,
2001, 2002), keď index zmenili do tvaru, ktorý
umožňoval jeho dekompozíciu.
Výsledný tvar indexu je stanovený predpisom:
(
)
m
I STT = I H ∗ I PG
∗ 1 + I Gm ,
(1)
m
kde I H je miera rizika chudoby, I PG
je ukazovateľ
hĺbky chudoby len u chudobou ohrozeného obyvateľstva a I Gm je modifikovaný tvar Giniho koeficientu, pretože je počítaný z jednotlivých hĺbok
chudoby u celej populácie (vrátane chudobou neohrozených).
I. ZLOŽKY INDEXU
Každý z prezentovaných indikátorov prispieva
k celkovej hodnote indexu rovnakou váhou. Realizácia jednotlivých zložiek indexu je však odlišná
od základných teoretických definícií bežne dostupných v literatúre. Preto je dôležité ich detailné pochopenie a vyčíslenie v podmienkach STT indexu.
Jednotlivé indikátory budeme dávať do súvisu
s výberovým zisťovaním domácností a ich príjmami EU SILC.
Miera rizika chudoby
Majme množinu ekvivalentných disponibilných
príjmov Y , pre ktorú platí Y = {y i i = {1, K , n}} , kde
je poradové číslo domácnosti,
n je celkový počet domácností vo vzorke,
y i je ekvivalentný disponibilný príjem i-tej do-
i
mácnosti.
n
q=
IH =
Pi = ( z − y i ) ∗ I ( y i , z ) ∗ wi .
n
∑w
.
(2)
i
i =1
I ( yi , z)
je funkcia pre ktorú platí:
I ( y i , z ) = 1 ak ( y i < z )
0 inak
,
(3)
kde
Rozdiely (absolútne medzery) Pi získame ako
rozdiel hranice chudoby a ekvivalentného disponibilného príjmu i-tej domácnosti ( z − yi ) . Následne
tento rozdiel prenásobíme nulou (0 * wi ) alebo prierezovou váhou domácnosti (1* wi ) v závislosti od
dáme do pomeru k hranici chudoby  i  , čím zís z 
kame predstavu o tom, koľko percent z hranice
chudoby domácnosti „chýba“, aby nebola klasifikovaná ako chudobou ohrozená. Získame tak i informáciu o hĺbke chudoby danej domácnosti. Tieto
podiely u chudobných domácností spočítame a vydelíme celkovým počtom q chudobných v celej
populácií.
z je
hranica chudoby,
wi je prierezová váha i-tej domácnosti.
Každá prierezová váha domácnosti wi vo vzorke sa vynásobí hodnotou funkcie I ( yi , z ) , teda nulou alebo jednotkou, v závislosti do toho, či ekvivalentný disponibilný príjem domácnosti bol menší
( y i < z ) alebo väčší (nanajvýš rovný) hranici chudoby. Suma váh priradených k chudobným domácnostiam sa nakoniec vydelí celkovou sumou váh
všetkých domácností vo vzorke. Získame tak podiel domácností, ktorý je pod hranicou chudoby.
Ukazovateľ hĺbky chudoby
Ukazovateľ hĺbky chudoby len u chudobou ohrozeného obyvateľstva je v SST indexe definovaný
ako:
m
I PG
=
pričom,
(6)
P 
i
i =1
(5)
i
a
n
i
i
i =1
toho, či daná domácnosť spadla pod hranicu chudoby. Ak je domácnosť chudobná, daný rozdiel
Miera rizika chudoby je definovaná ako:
∑ [I ( y , z) ∗ w ]
∑ I ( y , z) ∗ w
n
Pi 
1 
,
q  i =1 z 
∑
(4)
Giniho koeficient
Giniho koeficient je v Sen-Shorrock-Thonovom indexe počítaný rozdielne ako je to v prípade jeho
bežného použitia v súvislosti s príjmami v národnom hospodárstve. Počíta sa totiž z rozdielov hraníc chudoby a ekvivalentných disponibilných príjmov domácností v celej populácií, teda Pi . U domácností, ktoré nie sú klasifikované ako chudobou
ohrozené, je tento rozdiel rovný nule.
II. SITUÁCIA V ČESKEJ A SLOVENSKEJ REPUBLIKE OD 2005 -2009
V tejto časti sa zameriame na analýzu monetárnej
chudoby z pohľadu STT indexu a jeho zložiek
v podmienkach Českej a Slovenskej republiky
a ich nominálnym vývojom v čase. Časový rámec
zodpovedá predkrízovému obdobiu, kedy obe hospodárstva dosahovali konjunktúrneho rastu. Posledný rok však už bol vo svete poznačený vypuknutím finančnej krízy, ktorej negatívne účinky sa
prejavili v našich krajinách až o čosi neskôr.
Obr. 1: Miera rizika chudoby v ČR a SR (2004 - 2008)
(os x – ekvivalentný disponibilný príjem v eurách; os y – podiel domácností pod hranicou chudoby;
kolmica v hodnote 4000 Eur slúži len na lepšie ilustratívne porovnanie krajín medzi sebou)
Zdroj: Eurostat (EU SILC), vlastné výpočty
Miera rizika chudoby 2004 - 2008
Po zostrojení a porovnaní kriviek chudoby pre indikátor podielu domácností pod hranicou chudoby
na obrázku 1 vidíme, že na Slovensku sú všeobecne krivky chudoby strmšie a teda rast platov je vo
väčšej miere pomalší v porovnaní s Českou republikou, kde nárast chudoby nemá tak prudký priebeh. V roku 2008 došlo k najväčšiemu príjmovému
posunu v Českej i Slovenskej republike. Obe krajiny zaregistrovali najvýraznejší pozitívny prírastok
u väčšiny populácie od roku 2004. Česká republika
však v každom roku prebiehala platy na Slovensku
a jej posun v roku 2008 bol väčší i v absolútnych
číslach, pričom zasiahol výraznejšie aj 10% najchudobnejších domácností. Tento plynulý posun sa
však u tejto skupiny slovenských domácností do-
stavil (na rozdiel od väčšiny populácie) len v malej
miere (krivka v dolnej časti „odskočila“ od svojho
očakávaného vývoja).
Ak porovnávame absolútne príjmy medzi krajinami, tak náhodne vybraná štvortisícová eurová
hranica ilustruje, že zatiaľ čo v roku 2004 v Českej
republike vyčlenila 50% chudobných domácností a
na Slovensku viac ako 80%, v roku 2008 sa situácia zmenila a klasifikovala už menej ako 10% českých domácností. Na Slovensku sa v roku 2008 pri
tejto hranici pohybovala úroveň chudoby okolo
40% chudobných domácností.
1
0.9
0.8
Headcount index
V žiadnom z našich výpočtov sme nepoužili
oficiálnu národnú alebo medzinárodne inak určenú
hranicu chudoby. Kvôli menovej porovnateľnosti
Eurostat konvertoval nominálne príjmy domácností
z národných mien na eurá. Uskutočnili sme prepočty jednotlivých ukazovateľov a indexov pre všetky hodnoty od 50 EUR až po hodnoty, pri ktorých
indexy nadobúdali maximá. Týmto spôsobom sme
mohli sledovať vývoj ukazovateľov v populácií
a lepšie zachytiť reálny stav v spoločnosti. Zároveň
nám to umožnilo zostrojiť národnú krivku chudoby
pre každý indikátor a porovnávať ich vývoj v čase.
SK 2008
CZ 2008
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2 500
5 000
7 500
10 000 12 500 15 000 17 500 20 000 22 500 25 000
Annual equivalised disposable income in Euros
Obr. 2 : Porovnanie kriviek podielu domácností pod
hranicou chudoby v SR a ČR v roku 2008
Obr. 3 : Vývoj hĺbky chudoby v Českej a Slovenskej republike od roku 2004 až do roku 2008
(os x – ekvivalentný disponibilný príjem v eurách; os y – priemerná relatívna vzdialenosť od hranice
chudoby; kolmica v hodnote 15 000 Eur slúži len na lepšie ilustratívne porovnanie krajín medzi sebou)
Obr. 4 : Vývoj hĺbky chudoby v Českej a Slovenskej republike od roku 2004 až do roku 2008
(detailný pohľad na vývoj pri hraniciach chudoby menších ako 6000 Eur).
Ak by sme vzali do úvahy monetárnu hranicu
šesťtisíc eur, tak v roku 2004 oddelilo kritérium
miery rizika chudoby viac ako 95% slovenských
domácností a 80% českých domácností. V roku
2008 však toto kritérium pri rovnakej hranici označilo 60% domácností na Slovensku ako chudobou
ohrozených, zatiaľ čo v Českej republike kleslo toto číslo až na úroveň okolo 35%.
0.9
Poverty gap index
0.8
0.7
SK 2008
CZ 2008
0.6
0.5
0.4
0.3
0.2
0.1
0
1 000
2 000
3 000
4 000
5 000
6 000
7 000
Obr. 5 : Porovnanie kriviek hĺbky chudoby u chudobou ohrozených domácností v Slovenskej a v Českej republike v roku 2008
Ukazovateľ hĺbky chudoby 2004 - 2008
Tento ukazovateľ, na rozdiel od miery rizika chudoby, nedosahuje taký rýchly rast. Je však dobrým
indikátorom o priemernej medzere, ktorá delí chudobných od hranice chudoby. I tento ukazovateľ
odzrkadlil zaostávanie príjmových kapacít väčšiny
slovenských domácností vzhľadom na domácnosti
v Českej republike. Náhodne zvolená pätnásťtisícová eurová hranica ilustratívne odhalila na obráz-
ku 3 zaostávanie „chudobných” slovenských domácností o zhruba 10%. Čím vyššie nad týmto limitom je hranica stanovená, tým rýchlejšie sa tento
rozdiel zmenšuje a krivky sa približujú.
Ak sa pozrieme na detailnejší pohľad (obrázok 4
a obrázok 5), ktorý mapuje situáciu pri hraniciach
chudoby pohybujúcich sa pod úrovňou sedemtisíc
eur, teda približne 60% domácností na Slovensku
a 35% v Českej republike v roku 2008, načrtne sa
nám na obrázku 4 evidentný príjmový posun favorizujúci Českú republiku. Zaujímavým vývojom
prechádza krivka tohto indexu v oboch krajinách
pri hraniciach pod 3000 eur. Môžeme sa nazdávať,
že za týmto klesajúcim vývojom sa môže skrývať
dôsledok výberového šetrenia, nakoľko početnosť
domácností v týchto intervaloch postupom času
klesá. Ak sa teda v priebehu rokov neustále zmenšuje počet domácností pod týmito hranicami, index
je náchylný odzrkadliť situáciu iba „niekoľkých“
domácností, ktorých príjmy môžu byť charakteristické vysokou volatilitou a teda i skokovým nárastom hodnoty indexu. So zvyšujúcou sa hranicou
chudoby je začleňovaných neustále viac domácností a „efekt priemer“ ustáli a vyhladí vývoj krivky.
Modifikovaný Giniho koeficient 2004 - 2008
Giniho koeficient je v podmienkach STT indexu počítaný s využitím jednotlivých vzdialeností
(medzier) alebo inak vyjadrené - hĺbok chudoby.
Jedná sa o relatívne vzdialenosti samotných príjmov od hranice chudoby. STT Giniho koeficient
teda neodráža priamo nerovnosť príjmov ale absolútnych rozdielov oproti hraniciam chudoby. I
z tohto dôvodu má krivka klesajúcu tendenciu. So
zvyšujúcou sa hranicou chudoby, sú príjmy jednotlivých domácností čoraz častejšie a vo väčšom
množstve preklasifikované z nulových hodnôt hĺbky chudoby na nenulové rozdiely. S neustále zvyšujúcou sa hranicou sa zvyšuje aj vyrovnanosť
týchto rozdielov a hodnota Giniho koeficientu sa
pri vysokých hraniciach približuje k nule, t.j.
k rovnosti (veľkým rozdielom oproti hranici chudoby).
Ak porovnávame Slovenskú republiku s Českou
republikou (obrázok 6), vidíme situáciu, pri ktorej
Slovensko dosahuje nízke hodnoty, teda lepšiu vyrovnanosť, pri ďaleko nižších hraniciach ako je situácia v Českej republike. Vývoj krivky v Českej
republike napovedá o rastúcej nerovnosti. Čím
menší bude sklon ľavej polovice krivky na obrázku
6, tým sa bude nerovnosť zväčšovať. Z pohľadu
nerovnosti je Slovensko v lepšej kondícií. Na obrázku 7 môžeme pozorovať detail pri porovnaní
krajín. Pri hodnotách 3000 – 4000 eur dochádza
k výraznému rozstupu medzi krajinami.
obr. 6 : Vývoj modifikovaného Giniho indexu v Českej a Slovenskej republike od roku 2004 až do roku 2008
(os x – ekvivalentný disponibilný príjem v eurách; os y – Modifikovaný Giniho index; kolmica v hodnote 5
000 Eur slúži len na lepšie ilustratívne porovnanie krajín medzi sebou)
1
0.9
Gini index
0.8
SK 2008
CZ 2008
0.7
0.6
0.5
0.4
0.3
0.2
0
1 000
2 000
3 000
4 000
5 000
6 000
7 000
8 000
9 000
10 000
obr. 7 : Porovnanie kriviek modifikovaného Giniho
koeficientu v Slovenskej a v Českej republike v roku
2008
SST index 2004 - 2008
V hodnotách SST indexu sú zastúpené všetky
tri spomínané atribúty chudoby. Na obrázku 8 opäť
vidíme rozdielnosť a vývoj hodnôt na Slovensku
v porovnaní s Českou republikou. Obrázok 9 obsahuje súhrnné informácie o vývoji všetkých indexov. Týmto spôsobom môžeme vidieť skryté pôsobenie čiastkových ukazovateľov na celkový index. Vo vývoji kriviek po hranicu 6000 eur vidíme
veľmi podobný vývoj ukazovateľa hĺbky chudoby
medzi krajinami. Krivka miery rizika chudoby
však prudko vzrástla na Slovensku na hodnoty nad
15%, zatiaľ čo v Českej republike sa pohybuje pri
úrovni okolo 5%. Ak vezmeme do úvahy malý
„výbežok“ (vyznačený elipsou na obrázku 9) na
hodnotách hĺbky chudoby a zvoľnenie
obr. 8 : Vývoj SST indexu v Českej a Slovenskej republike od roku 2004 až do roku 2008
(os x – ekvivalentný disponibilný príjem v eurách; os y – SST index; kolmica v hodnote 7500 Eur slúži len na
lepšie ilustratívne porovnanie krajín medzi sebou)
obr. 9 : Sumárny vývoj indexov v Českej a Slovenskej republike v roku 2008
(os x – ekvivalentný disponibilný príjem v eurách; os y – Indexy; kolmice v hodnote 4000 a6000 Eur slúži
len na lepšie ilustratívne porovnanie krajín medzi sebou)
tempa rastu miery rizika chudoby na Slovensku,
môžeme predpokladať, že sa pred týmto intervalom
nachádzalo väčšie množstvo príjmovo veľmi príbuzných domácností, čo je badateľné na spomínanom rýchlom a prudkom raste miery rizika chudoby. Následne príjmová medzera a odskok viac zarábajúcich rodín od tejto slabšej príjmovej skupiny
spôsobili lokálny nárast v hodnotách hĺbky chudoby. Tento jav sa prejavil i rýchlejším poklesom Giniho koeficientu na Slovensku.
ZÁVER
Prístup prostredníctvom konštrukcie kriviek chudoby bol schopný odhaliť celkový vývoj dôležitých
atribútov v populáciách Slovenskej i Českej republiky. Tvar kriviek potvrdil veľmi podobný vývin
v oboch krajinách. Česká republika však dosahovala všeobecne vyššie hodnoty príjmov už na začiatku skúmaného obdobia, pričom si túto vedúcu úlohu nad Slovenskom udržala. Slovensko však za-
LITERATÚRA
Aguirregabiria, V. (2006). Sen-Shorrrocks-Thon index. In: Odekon, M. (eds.): Encyclopedia of World
Poverty. Thousand Oaks, CA: Sage Publications.
ISBN 978-14-129180-7-7.
Gini, C. (1912). ). Italian: Variabilità e mutabilità (Variability and Mutability). In: Pizetti E, Salvemini, T
(eds.): Memorie di metodologica statistica. Roma:
Libreria Eredi Virgilio Veschi
Haughton, J., & Khandker, L. (2009). Handbook on
Poverty and Inequality. Washington: World Bank
Publications. ISBN-13: 978-0821376133.
Morduch, J. (2006). Poverty measures. NY: UNSD
[online]. available from
http://unstats.un.org/unsd/methods/poverty/pdf/Chap
ter-3.pdf
Osberg, L. & Xu, K. (1997). International Comparisons of Poverty Intensity: Index Decomposition and
Bootstrap Inference, Working Paper 97-03, Halifax,
Canada: Dalhousie University
Osberg, L. & Xu, K. (1998). Poverty Intensity - How
Well Do Canadian Provinces Compare In: Canadian
Public Policy. Vol. 25, No. 2, pp. 1-17.
znamenalo výraznejšie zlepšenie oproti posunom
Českej republiky v prípade kriviek miery rizika a
hĺbky chudoby (s výnimkou posledného roku). Obe
krajiny taktiež nastúpili v sledovaných rokoch na
trend postupne rastúcej nerovnosti. Na Slovensku
boli tieto posuny (opäť s výnimkou posledného roku) výraznejšie ako v Českej republike. Všeobecne
výsledky odzrkadľovali zlepšujúce sa podmienky
v Strednej Európe. Nastupujúca svetová ekonomická a európska dlhová kríza však ukončili obdobie hospodárskeho rastu. Nasledujúca práca bude
smerovať k odhaleniu kriviek chudoby na Slovensku a v Českej republike vzťahujúcich sa časovo na
obdobie krízy.
Mikroúdaje EU-SILC boli poskytnuté na výskumné účely na základe kontraktu no. EUSILC/2011/33, podpísaného medzi Európskou komisiou, Eurostatom a Technickou univerzitou
v Košiciach. Eurostat nenesie žiadnu zodpovednosť
za výsledky a závery, ku ktorým autor dospel.
Osberg, L. & Xu, K. (2008). How should we measure
poverty in a changing world? Methodological issues
and Chinese case study. In: Review of Development
Economics. Vol. 12, No. 2, pp. 419-441.
Sen, A. (1976). Poverty: An ordinal approach to measurement. In: Econometrica. Vol. 44, No. 2, pp. 587599.
Shorrocks, A. F. (1995). Revisiting the Sen poverty
index. In: Econometrica. Vol. 63, No. 5, pp. 12251230.
Thon, D. (1979). On measuring poverty. In: Journal of
Economic Surveys. Vol. 25, No. 4, pp. 429-439.
Zheng, B. (1998). Aggregate poverty measures. In: Journal of Economic Surveys. Vol. 11, pp. 123-161.
Xu, K. (1998). Statistical inference for the SenShorrocks-Thon index of poverty intensity. In: Journal of Income Distribution. Vol. 8, No. 2, pp. 143152.
Xu, K., & Osberg, L. (2001). The social welfare implications, decomposability, and geometry of the
Sen family of poverty indices. In: Journal of Income
Distribution. Vol. 10, No. 1-2, pp. 77-94.
Xu, K., & Osberg, L. (2002). How to Decompose
Sen-Shorrocks-Thon Poverty In-dex: A Practitioner’s Guide. In: Canadian Journal of Economics.
Vol. 35, No. 1, pp. 138-152.
Xu, K. (Due: April 2013). The Sen-Shorrocks-Thon
Index of Poverty Intensity. In: Michalos, C.A.
(eds.).: Encyclopedia of the Quality of Life Research. Springer. ISBN 978-94-007-0752-8.
Viera PACÁKOVÁ ■ 75
Analýza diferenciácie najvyšších miezd slovenských zamestnancov
Viera PACÁKOVÁ1
1
Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav matematiky a kvantitativních metod
Analysis of the Highest Wages Differentiation of the Slovak Employees
Keywords
Abstract
Gross wage, Pareto distribution, good- This article focuses on the analysis of the differentiation of the highest
ness of fit tests, quantiles, analysis of
gross monthly wages of employees in Slovak republic in 2011, assessvariance.
ment of the factors that cause it and its regional and temporal comparisons. The analysis is mainly based on modelling the average gross
JEL Classification
monthly salaries of more than € 3 405 with 2-parameters Pareto distriC46, C83, D14, D31, D33
bution. Knowledge of this distribution allows us to obtain detailed information about the population, which consists of all employees in the Slo1 University of Pardubice, Faculty of
vak Republic, which had a gross monthly salary in 2011 of more than
Economics and Administration, Stu€ 3 405.
dentská 84, 532 10 Pardubice, Czech
Republic, [email protected]
ÚVOD
Vo všeobecnosti možno mzdu definovať ako odmenu za vykonanú prácu jednotlivých zamestnancov organizácie, je cenou práce ako výrobného
podnikového faktora. Jej výška závisí od konkrétnej situácie na trhu práce a od efektívnosti podnikania.
Získavanie informácií o podrobnej štruktúre
miezd zamestnancov v jednotlivých zamestnaniach
podľa pohlavia, veku a vzdelania zamestnancov,
ako aj podľa ďalších znakov, je súčasťou procesu
harmonizácie štatistiky SR so štátmi EÚ na úseku
miezd. Metodicky vychádza z odporúčaní Eurostatu a priamo nadväzuje na nariadenie Európskej
komisie o štatistike štruktúry a diferenciácie miezd.
Okrem ŠÚ SR vykonávajú štatistické zisťovania
o mzdách zamestnancov aj jednotlivé ministerstvá
a podriadené rezortné organizácie. Tieto však spravidla vykonávajú zisťovanie len v rámci spravovaných inštitúcií pre interné potreby rezortu.
Za vhodnú údajovú základňu, disponujúcu individuálnymi mzdami jednotlivých zamestnancov zo
všetkých sektorov hospodárstva SR, možno považovať Informačný systém o cene práce (ISCP), ktorý je aj východiskovou údajovou základňou
k analýzam v tomto príspevku.
Informačný systém o cene práce je celoštátne
výberové štatistické zisťovanie, zapísané v programe štátnych štatistických zisťovaní Štatistického
úradu Slovenskej republiky a zverejnené v zbierke
zákonov. Toto zisťovanie je pravidelné štvrťročné
rezortné štátne štatistické zisťovanie realizované
pod gesciou Ministerstva práce, sociálnych veci
a rodiny. Praktickú realizáciu zisťovania vykonáva
od roku 1992 vedecko-výskumná organizácia Trexima Bratislava. ISCP ako jediné celoštátne štatistické zisťovanie realizované v podmienkach SR
využíva v plnej miere klasifikáciu zamestnaní
(kzam) so zreteľom na jednotlivé zamestnania.
O každej štatistickej jednotke, zamestnancovi, je
v súčasnej dobe zisťovaných 45 štatistických znakov. Práve vzhľadom na rozsah údajovej vety so
45 položkami je toto zisťovanie zamerané na organizácie, t. j. skupinovou formou. Údaje o zamestnancoch sú zbierané výlučne elektronicky a to
priamym databázovým prepojením so mzdovými
programami jednotlivých organizácií.
Údaje zhromažďované v zisťovaní pokrývajú
zhruba 7 200 organizácií, ktoré zamestnávajú viac
ako milión zamestnancov. Podľa štatistickej terminológie predstavuje ISCP skupinový stratifikovaný
náhodný výber bez opakovania s nerovnakými
pravdepodobnosťami.
V príspevku sa zameriame na analýzu zistených
údajov o 1% tých zamestnancov v SR, ktorých
priemerné hrubé mesačné mzdy boli najvyššie,
prekročili 99. percentil dátového súboru o rozsahu
1 194 800 zamestnancov SR, získaného v rámci
ISCP spoločnosťou Trexima v roku 2011.
Vo vedeckých časopisoch slovenskí a českí autori v posledných rokoch publikovali viac zaujímavých článkov, zameraných na analýzu príjmov,
väčšinou príjmov domácností, na základe údajov
z mikrocenzov, mikroúdajov EU SILC, prípadne
databáz Eurostatu. Modelovaniu príjmov domácností sa venovali Pacáková, Sipková, Sodomová
(2005), v Českej republike Bartošová (2007), faktormi vplývajúcimi na príjmy domácností Šoltés,
Labudová (2008), regionálnymi rozdielmi Vojtková, Labudová (2010). Viacerí autori skúmali najnižšie príjmy domácností v rámci analýzy chudoby, resp. sociálnej inklúzie, napr. Želinský (2010)
a Želinský a Hudec (2008). Regionálnou príjmovou stratifikáciou populácie Slovenska na základe
individuálnych údajov Sociálnej poisťovne SR
v období rokov 2005 až 2007 sa zaoberá Pauhofová (2010). O úrovni miezd zamestnancov a ich dis-
0
4
8
paritách na základe údajov EU SILC pojednáva
článok autorov Sipková, Sipko (2010).
I. CHARAKTERISTIKY DÁTOVÉHO SÚBORU
ZÍSKANÉHO Z ISCP
Východiskovým dátovým súborom pre našu analýzu je súbor 11 948 zamestnancov SR s hrubou mesačnou mzdou vyššou ako 99. percentil všetkých
zistených údajov v roku 2011 v rámci ISCP. Ďalej
ho pre zjednodušenie vyjadrovania budeme označovať ISCP_99.
Najnižšia hrubá mesačná mzda tohto súboru, teda 99. percentil všetkých zistených priemerných
hrubých mesačných miezd v roku 2011 je 3 405 €.
Pre hrubé mzdy vyššie ako táto hodnota je priemerná mzda 6 039,1 €, medián 4 602,9 €, dolný
kvartil 3 866,1 € a horný kvartil 6 272,4 €. Hoci
maximálna mzda je aj medzi najvyššími mzdami
extrémna, až 206 116 €, len 10 % z 1 % najvyšších
hrubých mesačných miezd prevýšilo hodnotu
9023,4 € a len 5 % hodnotu 11 959,5 €. To vysvetľuje skutočnosť, že variačný koeficient je napriek
existencii extrémnych hodnôt len 99,72 %. Vysoký
koeficient šikmosti, až 13,1 znamená silné pravostranné zošikmenie rozdelenia priemerných hrubých
mesačných miezd, prevyšujúcich v SR v roku 2011
hodnotu 3 405 €.
12
hmes_mzda
16
20
24
(X 10000,0)
Obr. 1: Krabicový graf najvyšších hrubých mesačných miezd zamestnancov v SR v roku 2011
Zdroj: vlastné spracovanie podľa údajov z ISCP
II. PRAVDEPODOBNOSTNÝ MODEL NAJVYŠŠÍCH MIEZD ZAMESTNANCOV V SR
Každé výberové zisťovania je ovplyvnené náhodnosťou výberu, preto sa metódami štatistickej in-
dukcie pomocou štatistického programového balíka
Statgraphics Centurion XV pokúsime o zovšeobecnenie zistených informácií z výberového zisťovania na celý základný súbor, ktorý v našom prí-
pade tvoria všetci zamestnanci v SR, ktorých hrubá
mesačná mzda v roku 2011 bola vyššia ako
3 405 €.
Najkvalitnejším a najkomplexnejším zovšobecnením informácií z výberových údajov je zákon
rozdelenia pravdepodobnosti sledovanej premennej
v základnom súbore. Jeho znalosť umožní výpočet
všetkých dôležitých charakteristík základného súboru, kvantilov, pravdepodobností ľubovoľných intervalov hodnôt a pod.
My sme použili Kolmogorovov-Smirnovov test
(ďalej K-S test), ktorý potvrdil na hladine významnosti 0,05 dobrú zhodu s Paretovým rozdelením (p-hodnota = 0,869146 > 0,05) s parametrami
a = 3 405,74 a b = 2,29164, ako vyplýva z výstupu
procedúry Distribution Fitting na obr. 2. Východiskom pre modelovanie bol výberový súbor
o rozsahu 1 000 zamestnancov (ďalej Výber_99),
získaný náhodným výberom z dátového súboru
z ISCP_99 o rozsahu 11 948 zamestnancov.
Data variable: hmes_mzda
1000 values ranging from 3405,74 to 119577,
Predpokladáme, že vhodným pravdepodobnostným modelom pre tento účel je Paretovo rozdelenie, pomenované po ekonómovi W. Pareto (18481923), ktorý ho použil pri pravdepodobnostnom
modelovaní príjmových premenných v ekonómii
blahobytu. My ho využijeme ako pravdepodobnostný model výšky hrubých mesačných miezd,
vyšších ako 3 405 € v SR v roku 2011. Pre túto
premennú budeme ďalej používať označenie Xa.
Hodnoty náhodnej premennej Xa nad hodnotou
(prahom) a (v našom prípade a = 3 405) modelujeme Paretovým rozdelením v tzv. európskom tvare s distribučnou funkciou (d.f.)
Goodness-of-Fit Tests for hmes_mzda
Kolmogorov-Smirnov Test
Pareto (2-Parameter)
DPLUS
0,0188566
DMINUS
0,0184658
DN
0,0188566
P-Value
0,869146
Obr. 2: Výsledok testu dobrej zhody
Zdroj: Výstup zo systému Statgraphics Centurion XV
Quantile-Quantile Plot
(X 10000,0)
12
b
pre x ≥ a
(1)
Stredná hodnota je vyjadrená pomocou parametrov a, b tohto rozdelenia vzťahom
a ⋅b
E(X a ) =
pre b > 1
b −1
(2)
Distribution
10
hm es_m zda
a
Fa ( x ) = 1 −  
 x
Fitted Distributions
shape = 2,29164
lower threshold = 3405,74
8
6
4
Distribution
2
0
a rozptyl vzťahom
D( X a ) =
a2 ⋅ b
(b − 1)2 ⋅ (b − 2)
0,3
pre b > 2
(3)
Procedúra Distribution Fitting štatistického
programového systému Statgraphics Centurion XV
umožňuje na základe výberových údajov, presahujúcich určitý prah a, odhadnúť pre Paretovo rozdelenie s d.f. podľa vzťahu (1) parametre a, b metódou maximálnej vierohodnosti a overiť pomocou
siedmich testov dobrej zhody, či výberové údaje
môžu pochádzať z takéhoto rozdelenia.
2,3
4,3
6,3
8,3
2-parameter Pareto distribution
10,3
12,3
(X 10000,0)
Obr. 3: Q-Q graf zhody s Paretovým rozdelení
Zdroj:Výstup zo systému Statgraphics Centurion XV
Dobrú zhodu s Paretovým rozdelením potvrdzuje vysoká p-hodnota, až 0,869146, aj tzv. kvantilkvantil graf na obr. 3, ktorý ukazuje na mierne
podhodnotenie reality teoretickým rozdelením na
pravom konci, konkrétne pre 12 najvyšších hodnôt.
Znalosť tohto rozdelenia umožní získať cenné
informácie o celom základnom súbore, ktorý tvoria
všetci zamestnanci SR s hrubou mesačnou mzdou
vyššou ako 3405 € v roku 2011. Podľa vzťahov (1)
a (2) vypočítame strednú hodnotu E(Xa) =6 042,5
a rozptyl D(Xa) = 5,5E+07, pomocou ktorých dostaneme variačný koeficient 122,3 %, poukazujúci
na vyššiu variabilitu v mzdách v základnom súbore
v porovnaní s variabilitou v súbore ISCP_99.
Z výstupu zo systému Statgraphics na obr. 4
získame názornú predstavu o rozdelení najvyšších
hrubých mesačných miezd všetkých zamestnancov
v SR v roku 2011. Tak napríklad 58,5 % zamestnancov s mzdou prevyšujúcou hodnotu 3 405 €
malo mzdu nižšiu ako 5 000 € a až 91,5 % nižšiu
ako 10 000 €. Hrubá mesačná mzda len 1,73 %
zamestnancov tohto súboru prevýšila 20 000 €
a 0,68 % mzdu 30 000 €.
Tail Areas for hmes_mzda
Pareto (2-Parameter) distribution
Lower Tail Area Upper Tail Area
x
(>)
(<)
4000,0
0,308279
0,691721
5000,0
0,585191
0,414809
6000,0
0,726856
0,273144
8000,0
0,858721
0,141279
10000,0
0,915278
0,084722
11000,0
0,931902
0,068098
12000,0
0,944212
0,055788
15000,0
0,966545
0,033455
20000,0
0,982696
0,017304
30000,0
0,993167
0,006833
Obr. 4: Pravdepodobnosti vybraných intervalov
Analogické informácie poskytujú aj kvantily Paretovho rozdelenia s dobrou zhodou s výberovými
údajmi na obr. 5. Až 10 % miezd vyšších ako
3 405 € neprevýšilo hodnotu 3 565,97 € a 25 % neprevýšilo 3 861,27 €. Len 10 % miezd bolo vyšších
ako 9 302,05 €.
Critical Values for hmes_mzda
Lower Tail Area (<=) Pareto (2-Parameter)
0,10
3565,97
0,25
3861,27
0,50
4608,62
0,75
6236,35
0,90
9302,05
Obr. 5: Vybrané kvantily najvyšších miezd v SR
V ďalšej analýze sa pokúsime identifikovať faktory, ktoré významne ovplyvnili difereciáciu naj-
vyšších hrubých mesačných miezd v SR v roku
2011. Zameriame sa na faktory pohlavie, kraj bydliska (kraj), najvyššie dosiahnuté vzdelanie (vzdelanie) a klasifikáciu zamestnania (kzam). Pre analýzu použijeme znovu súbor Výber_99, ktorý tvori
1 000 náhodne vybraných zamestnancov zo súboru
ISCP_99.
III. IDENTIFIKÁCIA FAKTOROV DIFERENCIÁCIE NAJVYŠŠÍCH MIEZD ZAMESTNANCOV
• Faktor pohlavie
Najskôr sa zameriame na faktor pohlavie s variantami 1-muž a 2-žena. Do súboru ISCP_99, získaného stratifikovaným náhodným výberom v rámci
ISCP sa dostalo 9 370 (78,4 %) mužov a 2 578
(21,6 %) žien. Už toto nízke zastúpenie žien
v skupine najlepšie zarábajúcich zamestnancov
svedčí o ich diskriminácii v porovnaní s mužmi.
Nevýhodné postavenie žien s hrubou mesačnou
mzdou nad 99. percentilom v SR v roku 2011 v porovnaní s mužmi sa prejavilo aj vo výške týchto
miezd.
Tab. 1: Základné charakteristiky podľa pohlavia
pohlavie priemer medián Vk (%)
horný
kvartil
1-muž
6223,4
4672,1
104,6
6511,2
2-žena
5369,3
4409,4
68,4
5587,1
Spolu
6039,1
4602,9
99,7
6272,4
Zdroj: vlastné výpočty podľa údajov ISCP
Ak porovnáme základné charakteristiky v tab. 1,
vidíme, že úroveň hrubých mesačných miezd najlepšie zarábajúcich žien v SR v roku 2011, aj ich
variabilita je nižšia v porovnaní s mužmi v súbore
údajov z ISCP.
Tab. 2: Výsledky testov dobrej zhody s Paretovým
rozdelením pre mužov a ženy v SR
Muži
Ženy
3405,74
3407,80
a
2,20582
2,68641
b
0,50585
0,60420
p-hodnota
6230,16
5428,54
E(Xa)
9246,35
3997,65
σ(Xa)
148,413
73,6414
Vk
Zdroj: vlastné výpočty v systéme Statgraphics
Pre ďalšiu analýzu metódami štatistickej indukcie použijeme výberový súbor Výber_99 náhodne
vybraných štatistických jednotiek zo súboru
ISCP_99. Na hladine významnosti 0,05 zamietame
predpoklad zhody rozptylov (p-value = 0,00), aj
zhodu stredných hodnôt (p-value = 0,001425)
oproti alternatívnej hypotéze, predpokladajúcej
vyššie priemerné mzdy mužov. S pravdepodobnosťou 0,95 sa priemerné mzdy môžu líšiť až
o 416,58 € v prospech mužov.
Analogickým postupom ako v predchádzajúcej
kapitole sme pomocou K-S testu dobrej zhody na-
šli Paretovo rozdelenie hrubých mesačných miezd
vyšších ako 3 405 € osobitne pre obidve pohlavia
zamestnancov. Výsledky testu aj vypočítané charakteristiky obsahuje tab. 2.
•
Faktor kraj
Ďalšia analýza je zameraná na posúdenie diferenciácie najvyšších miezd v krajoch SR. Najvyšší
podiel miezd, prekračujúcich horný percentil SR,
až 63,03 %, je v Bratislavskom kraji, najmenej, len
2,75 % je v kraji Prešovskom, 4,39 % v kraji Banskobystrickom. V ostatných krajoch percentuálne
zastúpenie kolíše okolo 6 %.
Tab. 3: Základné charakteristiky najvyšších miezd zamestnancov súboru z ISCP v krajoch SR
Var. ko- MaxiDolný
Horný
Koef.
Medián
kraj
Počet Percento Priemer
ef. (%)
mum
kvartil kvartil šikmosti
7531
63,03
6051,31
4661,71
85,05
165970
3888
6381
9,98
BA
682
5,71
6337,64
4466,91 109,09
100894
3864
6272
7,65
TT
676
5,66
6023,54
4688,57
85,68
78734
3896
6326
7,75
TN
618
5,17
5427,33
4428,17
54,35
35763
3810
5996
4,63
NR
794
6,65
5988,58
4711,93
73,22
53456
3878
6426
5,46
ZA
525
4,39
5447,29
4415,57
75,26
69053
3738
5633
8,80
BB
328
2,75
7183,54
4496,18 162,78
123296
3792
6516
7,74
PO
794
6,65
6125,97
4337,56 190,73
206116
3742
5825
13,16
KE
11948 100,00
6039,14
4602,92
99,72
206116
3866
6272
13,13
SR
Zdroj: vlastné výpočty v systéme Statgraphics podľa údajov ISCP
Napriek nízkemu podielu zamestnancov
s mzdou prevyšujúcou horný percentil SR je
v Prešovskom kraji najvyššia priemerná mzda
a najvyšší horný kvartil miezd zamestnancov. Podrobné informácie o úrovni, variabilite a zošikmení
rozdelenia miezd prevyšujúcich horný percentil
poskytuje tab. 3.
Vysoké hodnoty koeficientov šikmosti znamenajú veľké pravostranné zošikmenie rozdelenia
miezd v jednotlivých krajoch. Na základe výberového súboru Výber_99 o rozsahu 1000 zamestnancov sme v každom kraji overovali zhodu miezd
s Paretovým rozdelením pomocou K-S testu. Zhodu s týmto rozdelením, s parametrami odhadnutými metódou maximálnej vierohodnosti, sme
v žiadnom kraji nezamietli. Odhadnuté parametre,
výsledky testov (p-hodnotu) a vypočítané chrakteristiky obsahuje tab. 4.
Znalosť Paretovoho rozdelenia miezd v každom
kraji nám umožní určiť hodnotu distribučnej funk-
cie, aj ľubovoľný kvantil miezd všetkých zamestnancov v príslušnom kraji, ktorých priemerná hrubá mesačná mzda v roku 2011 prevýšila hodnotu
3 405 €.
Najvyššia priemerná hrubá mesačná mzda všetkých zamestnancov v SR, u ktorých táto mzda prekračuje 3 405 €, je v krajoch Banská Bystrica,
Bratislava a Trenčín, v ktorých presahuje 6 000 €.
V týchto krajoch je aj najvyšší variačný koeficient,
čo svedčí o vysokej variabilite a existencii extrémnych hodnôt. Najnižšia priemerná mzda aj najnižší
variačný koeficient je v kraji Trnava.
Podľa tab. 5 z tých zamestnancov SR, ktorých
hrubá mesačná mzda prevyšovala v roku 2011
3 405 €, má priemernú mesačnú mzdu vyššiu ako
5 000 € viac ako 40 % zamestnancov v štyroch krajoch SR, a to v Bratislavskom, Trenčianskom, Žilinskom a Banskobystrickom, vyššiu ako 10 000 €
viac ako 9 % v krajoch Bratislavskom
a Banskobystrickom. Približne 2 % zamestnancov
v posledných dvoch krajoch má priemernú hrubú
mesačnú mzdu vyššiu ako 20 000 €. Najnižšie
pravdepodobnosti všetkých uvedených intervalov
sú v Trnavskom kraji.
Tab. 4: Základné charakteristiky všetkých miezd zamestnancov za horným percentilom
v krajoch SR, získané zo znalosti Paretovho rozdelenia
BA
TT
TN
NR
ZA
BB
PO
KE
3406,6
3501,9
3424,5
3405,7
3416,1
3512,0
3428,4
3417,9
a
2,2103
3,0496
2,2981
2,7865
2,3431
2,2336
2,6052
2,5714
b
0,5867
0,7726
0,6366
0,8976
0,8583
0,6005
0,5963
0,4498
p-hodnota
6221,1
5210,4
6062,7
5312,1
5959,5
6359,1
5564,2
5593,0
E(Xa)
σ(Xa)
9123,9
2912,3
7325,1
3588,4
6646,1
8803,9
4431,1
4614,3
146,7
55,9
120,8
67,6
111,5
138,4
79,6
82,5
Vk (%)
Tab. 5: Pravdepodobnosti P(Xa > x) pre vybrané hodnoty x
x
BA
TT
4000
5000
6000
8000
10000
15000
20000
0,7012
0,4282
0,2862
0,1515
0,0925
0,0378
0,0199
TN
NR
ZA
BB
0,6666
0,6998
0,6388
0,6909
0,7478
0,3375
0,4190
0,3430
0,4096
0,4543
0,1936
0,2756
0,2064
0,2672
0,3023
0,0805
0,1423
0,0926
0,1362
0,1590
0,0408
0,0852
0,0497
0,0807
0,0966
0,0118
0,0336
0,0161
0,0336
0,0390
0,0049
0,0173
0,0072
0,0159
0,0205
Menšie rozdiely ako v priemerných hrubých
mesačných mzdách všetkých zamestnancov
s mzdou nad 3 405 € v krajoch SR môžeme pozorovať v hodnotách ich mediánov (tab. 6), ktoré nie
PO
KE
0,6692
0,3742
0,2327
0,1099
0,0615
0,0214
0,0101
0,6674
0,3760
0,2353
0,1123
0,0633
0,0223
0,0106
sú ovplyvnené extrémne vysokými hodnotami.
Horný decil je najvyšší v kraji Banská Bystrica,
potom v kraji Bratislava a Trenčín, hodnotu
9 000 € prevyšuje horný decil ešte v kraji Žilina.
Tab. 6: Vybrané kvantily najvyšších miezd zamestnancov v krajoch SR
Vybrané kvantily
BA
dolný decil
dolný kvartil
medián
horný kvartil
horný decil
3572
3880
4661
6378
9655
TT
TN
NR
ZA
3625
3585
3537
3573
3848
3881
3776
3862
4396
4630
4368
4592
5517
6260
5601
6173
7451
9327
7782
9127
• Faktor vzdelanie
Faktor vzdelanie má 11 sledovaných úrovní: 0neuvedené, 1-základné, 2-vyučení, 3-stredné bez
maturity, 4-vyučení s maturitou, 5-úplné stredné
všeobecné, 6-úplné stredné odborné, 7-vyššie odborné, 8-vysokoškolské 1. stupeň, 9-vysokoškolské
2. stupeň, 10-vysokoškolské 3. stupeň (aspoň
PhD). Základné výberové charakteristiky súboru
ISCP_99, aj percentuálne zastúpenie zamestnancov
s rôznou úrovňou vzdelania obsahuje tab. 7.
BB
PO
KE
3682
3995
4790
6533
9846
3570
3829
4473
5837
8297
3561
3823
4475
5860
8369
Najvyššie zastúpenie v sledovanom súbore zamestnancov majú osoby s vysokoškolským vzdelaním 2. stupňa, až 73,51 %, početnejšia je skupina
osôb s neudaným vzdelaním (8,48 %) a zamestnanci s úplným stredným odborným vzdelaním
(5,99 %). Zamestnanci s úrovňami vzdelania 1základné, 2-vyučení a 3-stredné bez maturity majú
v sledovanom súbore zastúpenie nižšie ako 1 %.
Tab. 7: Základné charakteristiky najvyšších miezd zamestnancov súboru z ISCP podľa vzdelania
Variačný
koeficient Maximum
(%)
1013
8,48
6462,8
4678,8
86,4
60553
26
0,22
5921,2
4338,5
59,5
16324
77
0,64
5174,5
4039,8
69,2
31922
52
0,44
5918,1
4879,7
63,5
24559
285
2,39
5811,3
4521,7
92,2
78734
412
3,45
5925,4
4577,2
76,1
41335
716
5,99
5409,5
4471,7
54,4
29952
74
0,62
8020,6
4606,9
236,0
165970
268
2,24
5543,5
4585,5
52,5
27431
8783
73,51
6047,5
4615,9
101,1
206116
242
2,03
6544,1
4428,2
137,8
100894
Vzdelanie
0
1
2
3
4
5
6
7
8
9
10
Počet
Percento Priemer
Medián
Najvyššie zastúpenie v sledovanom súbore zamestnancov majú osoby s vysokoškolským vzdelaním 2. stupňa, až 73,51 %, početnejšia je skupina
osôb s neudaným vzdelaním (8,48 %) a zamestnanci s úplným stredným odborným vzdelaním
(5,99 %). Zamestnanci s úrovňami vzdelania 1základné, 2-vyučení a 3-stredné bez maturity majú
v sledovanom súbore zastúpenie nižšie ako 1 %.
V každej skupine zamestnancov podľa dosiahnutej úrovne vzdelania je priemerná mzda vyššia
Dolný
kvartil
Horný
kvartil
Koeficient
šikmosti
3892
3737
3709
3919
3779
3892
3835
3811
3919
3869
3899
6561
7397
5308
6092
5822
6188
5935
6369
6069
6326
5995
4,63
2,12
5,82
3,55
9,58
4,90
4,51
8,18
3,56
13,57
7,63
ako 5 000 €. Najvyššiu priemernú mzdu, až
8 020,6 € sme zistili u 74 zamestnancov s vyšším
odborným vzdelaním. V tejto skupine je aj mimoriadne vysoký variačný koeficient, až 236 %, čo je
spôsobené hlavne jednou extrémnou hodnotou, ako
vidíme na obr. 6. Extrémne hodnoty spôsobujú aj
vysokú variabilitu hrubých mesačných miezd zamestnancov s vysokoškolským vzdelaním 2. a 3.
stupňa, čo vidíme podľa krabicových grafov na
obr. 6.
0
1
2
3
4
5
6
7
8
9
10
0
4
8
12
hmes_mzda
16
20
24
(X 10000,0)
Obr. 6: Krabicové grafy najvyšších hrubých mesačných miezd zamestnancov v zisťovaní podľa ISCP
v roku 2011 podľa dosiahnutého stupňa vzdelania
Vysoká hodnota koeficientov šikmosti pri každej úrovni vzdelania dokazuje silné pravostranné
zošikmenie rozdelení hrubých mesačných miezd,
teda vysokú koncentráciu miezd blízko dolnej hranice 3 405 € a malú pravdepodobnosť vysokých
hodnôt.
Napriek uvedeným skutočnostiam sa neparametrickou analýzou rozptylu pomocou KruskalWallisovho testu nepotvrdil na základe náhodného
výberu 1000 zamestnancov významný vplyv faktora vzdelanie na výšku najvyšších miezd (phodnota = 0,573), dokonca Leveneov test, vhodný
práve pre nevyvážené a zošikmené rozdelenia, nezamietol hypotézu o zhode rozptylov. To sa dá vysvetliť tým, že do výberového súboru sa nedostala
väčšina extrémnych hodnôt.
rozdelením, s parametrami, odhadnutými metódou
maximálnej vierohodnosti.
Nájdené Paretovo rozdelenie pre každú kategóriu vzdelania a všetky charakteristiky tohto rozdelenia sú informáciami nie o náhodne vybraných,
ale o všetkých zamestnancoch SR, ktorí v roku
2011 mali príslušný stupeň vzdelania a ich priemerná hrubá mesačná mzda bola vyššia ako
3 405 €.
Priemerná mzda všetkých vysokoškolákov
s úrovňou vzdelania 9 bola o približne 1 140 € vyššia ako priemerná mesačná mzda všetkých stredoškolákov s úrovňou vzdelania 6, rozdiel smerodajných odchýlok bol až 5 224 €. To naznačuje vysokú variabilitu a teda aj vysokú pravdepodobnosť
extrémnych hrubých mesačných miezd zamestnancov s vysokoškolským vzdelaním 2. stupňa.
V ďalšej analýze sme sa preto zamerali len na
nájdenie pravdepodobnostného modelu hrubých
mesačných miezd v najpočetnejšej skupine 9vysokoškolskolské vzdelanie 2. stupňa a v skupine
6-úplné stredné odborné vzdelanie, ktorá je druhá
najpočetnejšia, ak neuvažujeme zamestnancov bez
uvedeného vzdelania. K-S testom sme znovu potvrdili dobrú zhodu s 2-parametrickým Paretovým
Tab. 8: Výsledok testu dobrej zhody s Paretovým rozdelením a základné charakteristiky
Vzdelanie
a
b
p-hodnota
E(Xa)
σ(Xa)
Vk
9-vysokoškolské
2,2883
3405,74
0,8680
6049,27
7447,3
123,11
6-stredné odborné
3,4239
3474,98
0,6616
4908,64
2223,1
45,29
Zdroj: výstup zo systému Statgraphics Canturion XV a vlastné výpočty charakteristík
Názorným porovnaním je grafické zobrazenie
tzv. funkcií prežitia (obr. 7) pre nájdené rozdelenia
pravdepodobnosti, teda funkcií, zobrazujúcich
v každej hodnote hrubej mesačnej mzdy pravdepo-
dobnosť miezd vyšších. Tieto pravdepodobnosti sú
značne vyššie pre vysokoškolákov ako pre stredoškolákov s odborným vzdelaním a sú nenulové aj
pre vysoké hodnoty miezd, vyššie ako 15 000 €.
Pareto (2-Parameter) Distribution
1
Vzdelanie
Vzd6
Vzd9
P (X > x )
0,8
0,6
0,4
0,2
0
3
6
9
12
x
15
18
(X 1000,0)
Obr. 7: Paretovo rozdelenie priemerných hrubých mesačných miezd podľa vzdelania
Zdroj: výstup zo systému Statgraphics Canturion
• Faktor klasifikácia zamestnania
Tento faktor má 9 variant. Okrem zamestnancov
s neuvedenou klasifikáciou (kzam= 0) je v súbore
ISCP_99 najpočetnejšia skupina 1-Zákonodarcovia, vedúci a riadiaci zamestnanci (56,17 %), potom skupina 2-Vedeckí a odborní duševní zamestnanci (22,23 %) a početnejšia je ešte skupina 3Technickí, zdravotnícki, pedagogickí zamestnanci
(10,3 %). Priemerná hrubá mesačná mzda 146 zamestnancov s klasifikáciou 4-Nižší administratívni
zamestnanci (úradníci) presiahla v roku 2011 prie-
mernú hrubú mesačnú mzdu zamestnancov vo
všetkých skupinách podľa klasifikácie zamestnaní
okrem skupín 1 a 0. Hrubá mzda žiadneho zamestnanca s klasifikáciou 6-Kvalifikovaní robotníci v
poľnohospodárstve a lesníctve a 9-Pomocní a nekvalifikovaní zamestnanci nepresiahla v SR v roku
2011 horný percentil súboru ISCP_99. Málo početné sú aj kategórie zamestnaní 5- Prevádzkoví
zamestnanci v službách a obchode, 7- Remeselní a
kvalifikovaní robotníci v príbuzných odboroch a 8Obsluha strojov a zariadení (tab. 9).
Tab. 9: Základné charakteristiky najvyšších miezd zamestnancov súboru z ISCP podľa kzam
Variačný
Dolný
Horný Koeficient
kzam
Počet Percento Priemer Medián koeficient Maximum
kvartil
kvartil šikmosti
(%)
0
1149
9,62
6452,6
4656,1
103,0
101257
3888
6422
7,7
1
6711
56,17
6634,5
4965,1
109,1
206116
3998
6895
12,0
2
2656
22,23
4909,7
4163,4
53,1
48532
3691
5098
6,9
3
1231
10,30
5128,8
4374,6
40,4
19197
3804
5735
2,6
4
146
1,22
4404,9
4276,2
17,7
6870
3726
4886
0,9
5
23
0,19
4522,6
4439,2
17,5
5891
3773
5068
0,4
7
28
0,23
3655,2
3649,3
5,1
3975
3481
3815
0,2
8
4
0,03
3560,9
3555,4
0,8
3600
3542
3579
1,1
Na rozdiel od vzdelania, klasifikácia zamestnaní
(kzam) je jednoznačne významným faktorom,
ovplyvňujúcim úroveň hrubých mesačných miezd
zamestnancov v SR, ktorých priemerná hrubá mesačná mzda presiahla v roku 2011 horný percentil
súboru zamestnancov, vytvorený podľa ISCP.
Kruskal-Wallisov test zamieta hypotézu o zhode
stredných hodnôt pre rôzne kategórie klasifikácie
zamestnaní (p-hodnota = 5,24539E-9) a Leveneov
test homoskedasticity zamieta hypotézu o zhode
rozptylov (p = 0,00957175).
Tab. 10: 95-percentné intervaly spoľahlivosti pre strednú hodnotu
hrubých mesačných miezd podľa kzam
smerodajná
dolná
horná
kzam
počet
priemer
odchýlka
hranica
hranica
0
104
6045,0
358,5
5334,09
6755,97
1
568
6810,5
326,0
6170,14
7450,94
2
228
4889,8
156,5
4581,41
5198,14
3
85
4993,7
184,8
4626,31
5361,18
4
10
4116,0
151,6
3772,97
4459,04
5
3
4327,6
293,5
3064,67
5590,63
7
2
3562,4
146,3
1703,88
5420,91
Zdroj: vlastné výpočty v systéme Statgraphics podľa výberu z údajov ISCP
Významné rozdiely úrovne a variability poľa
kategórií kzam zobrazuje tab. 10 a obr. 8, na ktorom je pre každú kategóriu zamestnania znázornený interval spoľahlivosti pre strednú hodnotu so
spoľahlivosťou 0,95. Intervaly spoľahlivosti pri kategóriách 0 a 1 sa s intervalmi spoľahlivosti pri
zostávajúcich kategóriách neprekrývajú, priemerné
hrubé mesačné mzdy sú tu významne vyššie.
(X 1000,0)
8
hmes_mzda
6
4
2
0
0
1
2
3
4
5
7
kzam
Obr. 8: 95-percentné intervaly spoľahlivosti pre strednú hodnotu
hrubých mesačných miezd podľa kzam
IV. ČASOVÉ POROVNANIE HRUBÝCH MESAČNÝCH MIEZD
Z analogických analýz údajov, zistených v ISCP za
roky 2009, 2010 a 2011 môžeme porovnať úroveň
miezd za horným percentilom v uvedených rokoch.
Toto porovnanie urobíme pomocou Paretových
rozdelení, ktoré sme v každom roku našli pomocou
K-S testu dobrej zhody a základných charakteristík, vypočítaných pomocou odhadnutých parametrov podľa vzťahov (2) a (3) (tab. 11).
Tab. 11: Časové porovnanie charakteristík priemerných hrubých mesačných
miezd zamestnancov SR
Rok
2009
2010
2011
3488,76
3434,86
3405,74
a
2,28473
2,26487
2,29164
b
6204,32
6150,44
6042,5
E(Xa)
5,9E+07
6,3E+07
5,5E+07
D(Xa)
σ(Xa)
7692,37
7940,88
7391,28
123,984
129,111
122,322
Vk
1
Rok
2009
2010
2011
P (X > x)
0,8
0,6
0,4
0,2
0
3
6
9
x
12
15
(X 1000,0)
Obr. 9: Funkcie prežitia Paretových rozdelení priemerných hrubých mesačných miezd za horným percentilom v SR v rokoch 2009-2011
Zdroj: vlastná analýza v systéme Statgraphics podľa výberu z údajov ISCP
Z obr. 9 tzv. funkcií prežitia, čo je opačná funkcia k distribučnej funkcii, teda P(Xa > x), pre všetky hodnoty priemernej hrubej mesačnej mzdy x za
horným percentilom 3405 € súboru získaného zisťovaním v rámci ISCP v roku 2011 v SR môžeme
pozorovať klesajúce hodnoty týchto pravdepodob-
ností od roku 2009 po rok 2011, teda v období pretrvávajúcej finančnej a hospodárskej krízy. Po-
drobnejšie informácie poskytuje tab. 12.
Tab. 12: Časové porovnanie pravdepodobností P(Xa > x) pre vybrané hodnoty x
x→
4000
5000
6000
7000
8000
9000
10000
15000
20000
2009
0,7317
0,4394
0,2897
0,2037
0,1502
0,1147
0,0912
0,0357
0,0185
2010
0,7082
0,4273
0,2827
0,1994
0,1474
0,1129
0,0889
0,0355
0,0185
2011
0,6917
0,4148
0,2731
0,1919
0,1413
0,1079
0,0847
0,0335
0,0173
Zdroj: vlastná analýza v systéme Statgraphics podľa údajov ISCP
ZÁVER
Napriek pretrvávajúcej hospodárskej kríze, ktorá sa
prejavila aj na ekonomických výsledkoch
a životnej úrovni v Slovenskej republike, sme na
základe štatistických analýz údajov o cene práce
ISCP v SR v roku 2011 zistili, že existuje aj skupina zamestnancov s relatívne veľmi vysokými hrubými mesačnými mzdami.
Podrobnejšie
sme
analyzovali
úroveň
a diferenciáciu priemerných hrubých mesačných
miezd zamestnancov SR, u ktorých táto mzda bola
vyššia ako 3405 €, čo je 99. percentil zistených
1 194 800 údajov o priemerných hrubých mesačných mzdách zamestnancov SR v roku 2011 podľa
ISCP. Potvrdili sme významnosť faktorov pohlavie, kraj bydliska a klasifikácia zamestnaní, nepotvrdila sa významnosť faktora vzdelanie.
Viackrát sme využili Paretovo rozdelenie, získané testami dobrej zhody s výberovými údajmi,
ktoré už poskytuje podrobné informácie o celom
základnom súbore, ktorým je súbor všetkých zamestnancov v SR, ktorých priemerná hrubá mesačná mzda v roku 2011 bola vyššia ako 3405 €. Sú to
informácie o úrovni a variabilite týchto najvyšších
miezd, ľubovoľné kvantily a pravdepodobnosti
miezd nižších, resp. vyšších ako ľubovoľná mzda
nad 3405 € v SR v roku 2011.
Z výsledkov analýzy sme zistili, že najvyššie
zastúpenie v skupine zamestnancov s priemernou
hrubou mesačnou mzdou vyššou ako 3405 €
v Slovenskej republike v roku 2011 majú zamestnanci v Bratislavskom kraji, s vysokoškolským
vzdelaním 2. stupňa, s klasifikáciou zamestnania 1zákonodarcovia, vedúci a riadiaci zamestnanci a
prevažujúcim podielom mužov.
Analýzou sme získali aj podrobné informácie o
výške sledovaných miezd a ich rozdieloch podľa
pohlavia, bydliska, vzdelania a klasifikácie zamestnania, čo je v článku prezentované pomocou
viacerých tabuliek a grafov.
LITERATÚRA
Bartošová, J. (2007). Pravděpodobnostní model
rozdělení příjmů v České republice. In: Acta
Oeconomica Pragensia. Vol. 15, No. 1, pp. 7-12.
Pacáková, V., Foltán, F. (2011). Analysis of the highest wages in The Slovak Republic. In: Scientific Papers of the University of Pardubice. Series D. Vol.
16, No. 19, pp. 172-180.
Pacáková, V., Sipková, Ľ., Sodomová, E. (2005).
Štatistické modelovanie príjmov domácností
v Slovenskej republike. In: Ekonomický časopis,
Roč. 53, č. 4, s. 427-439.
Šoltés, E., Labudová, V. (2008). Výber relevantných
faktorov a štatistické posúdenie ich vplyvu na
disponibilný príjem domácností SR na základe
zisťovania SILC 2006. In: Ekonomika a informatika.
Roč. 6, č. 1, s. 88-99.
Vojtková, M., Labudová, V. (2010). Regionálna
analýza
výdavkov
a
príjmov
domácností
v Slovenskej republike. In: Ekonomický časopis.
Roč. 58, č. 8, s. 802-820.
Želinský, T., Hudec, O. (2008). Odhad subjektívnej
chudoby na Slovensku založený na distribučnej
funkcii rozdelenia príjmov. In: Forum statisticum
slovacum. Roč. 4, č. 7, s. 152-157.
Želinský, T. (2010). Analýza chudoby na Slovensku
založená na koncepte relatívnej deprivácie. In:
Politická ekonomie. Vol. 58, No. 4, pp. 542-565.
Ľubica SIPKOVÁ, Juraj SIPKO ■ 87
Regionálne porovnanie nerovnosti miezd zamestnancov SR aplikáciou
kappa kvantilových modelov
Ľubica SIPKOVÁ1, Juraj SIPKO2
1
2
Fakulta hospodárskej informatiky, Ekonomická univerzita v Bratislave
Fakulta ekonómie a podnikania, Paneurópska vysoká škola
Regional Comparison of the Income Inequality of Employees in the Slovak Republic
with the Application of Kappa Quantile Models
Abstract
Keywords
Income inequality, gross wages, Q-Q
This paper attempts to compare the inequality of income distributions of
plot, quantiles, probability models.
employees in the eight regions of the Slovak Republic. The parametric
approach to the calculation of inequality measures is based on the asJEL Classification
sumption that wages of employees in the regions of the Slovak Republic
J31, C14, C46
are a result of stochastic processes. The income inequality figures are
based on each region’s unimodal and reasonably smooth income distri1 University of Economics, Faculty
bution, i.e. depend on its shape for a fair inequality comparison. The
of Economic Informatics, Department of
same flexible four-parameter kappa analytical form is estimated for each
Statistics, Dolnozemská 1, 852 35 Bratiregion by applying Gilchrist’s quantile modeling techniques and Order
slava, Slovakia, [email protected]
statistics theory. The goodness-of-fit of the chosen kappa models and
2 Pan-European University, Faculty of
the least squares estimates of their slopes (functional for inequality
Economics and Business, Tematínska
measure based on the rankit) are displayed by Q-Q plot for eight NUTS
10, 851 05 Bratislava, Slovakia,
III regions of the Slovak Republic and are graphically and numerically
[email protected]
compared. We applied the approach of income inequality comparison in
Q-Q plots suggested by Tarsitano.
Príspevok bol vytvorený s podporou vedeckovýskumného projektu VEGA 01/0127/11: Priestorová distribúcia chudoby v Európskej únii.
ÚVOD
Zámerom tohto príspevku je porovnať nerovnosť
rozdelenia miezd zamestnancov v ôsmich regiónoch Slovenskej republiky. Charakteristika rozdelenia miezd zamestnancov Slovenskej republiky
(Sipková – Sipko, 2012) je už spracovaná
v príspevku s týmto názvom, pričom podrobnejšej
regionálnej analýze sme venovali článok Úroveň
miezd v krajoch Slovenskej republiky (Sipková –
Sipko, 2010). Našou snahou je nadviazať na tematiku merania nerovnosti príjmových rozdelení,
spracovanú už napr. v príspevku Aktuálny vývoj
príjmovej nerovnosti na Slovensku (Sipko – Sipková, 2010). Namiesto pôvodnej orientácie na rast
nerovnosti v posledných krízových rokoch hlavne
posunom strednej vrstvy, zameriavame sa teraz
na spôsob kvantifikovania nerovnosti celého rozde-
lenia v populácii, ktorý by bol vhodný, a aj dostatočne názorný, pre regionálne porovnania.
Kvantifikácia
mier
nerovnosti
miezd
v jednotlivých regiónoch v tomto príspevku vychádza z kappa pravdepodobnostných modelov rozdelení miezd. V prípade uplatneného parametrického
prístupu k posúdeniu nerovnosti príjmovej distribúcie v populácii je východiskový predpoklad, že
rozdelenie príjmov je výsledkom náhodných procesov s bázou v spojitom jednovrcholovom rozdelení pravdepodobnosti. Pri kvantifikácii nerovnosti
na základe modelu je nevyhnutné, aby použitý model bol vhodný na kvantifikáciu nerovnosti
a správne analyticky opisoval rozdelenie s „dobrou
zhodou“, a tým správne definoval aj základné
vlastnosti a štruktúru empirického rozdelenia príjmov.
Vhodne konštruovaný funkčný tvar modelu rozdelenia príjmov populácie by mal okrem dostatočnej zhody spĺňať viaceré ďalšie predpoklady konkretizované už napríklad Edgeworthom (1898),
Chapernownem (1953), Chipmanom (1985), Dagumom (1977, 1978, 1984, 1985), atď. Definovanie príjmových modelov v tvare štvorparametrických a viac-parametrických zovšeobecnených kvantilových funkcií (inverzných distribučných funkcií – inverzií cdfs, často označovaných aj
ako percentilových funkcií) umožňuje transformovať komponenty modelu namiesto matematickej
transformácie údajov, ako aj robustnú estimáciu
parametrov v prípade nedodržania predpokladov
klasických parametrických metód.
Zovšeobecnené kvantilové modely sú aj spravidla dostatočne elastické na modelovanie veľmi
asymetrických nepravidelných tvarov príjmových
rozdelení a ich problematických pravých koncov.
V príjmových a na ne nadväzujúcich štrukturálnych a regionálnych sociálnych štúdiách je výhodné definovanie rovnakého funkčného tvaru pre celú
populáciu, ale aj pre jej rôzne volené podsúbory.
Podľa teórie Amartya Sena (1997) model rozdelenia príjmov má byť definovaný takou analytickou
funkciou, ktorá umožňuje nadväzujúce analýzy relatívnej nerovnosti. Najznámejšie miery nerovnosti
sú už definované pomocou inverzií cdfs, t. j. pomocou tzv. rankitu – stredných hodnôt poriadkových štatistík. Z uvedených viacerých dôvodov je
tvar modelu rozdelenia príjmov definovaný kvantilovou funkciou vhodným východiskom k aplikáciám
v regionálnych štúdiách nerovností príjmov.
V teórii kvantilového modelovania sa rozlišuje
dvojaký prístup, a to vytváraním nového tvaru pre
danú aplikáciu použitím tzv. pravidiel modifikácie
kvantilových funkcií (Gilchrist, 2000; Sipková Sodomová, 2007) alebo presným odhadom parametrov niektorého z už známych, ale vysoko elastických viac-parametrických komplexných tvarov,
tzv. zovšeobecnených kvantilových funkcií.
Aplikáciou metód Gilchristovho kvantilového
modelovania (Gilchrist 1997, Gilchrist 2000, Sipková – Sodomová, 2007) a teórie poriadkových
štatistík (z angl. Order statistics theory, pozri napr.
David – Nagaraja, 2003) možno konštruovať ďalšie nové analytické kvantilové tvary príjmových
modelov kombinovaním a matematickými transformáciami už známych inverzií cdfs. Napríklad
pre rozdelenie príjmov domácností SR na základe
údajov SILC bol konštruovaný Weibullov-Paretov
a Gamma-Paretov tvar (Sipková, 2007).
Mnohé novo-konštruované kvantilové tvary
však často vzájomne analyticky súvisia a môžu byť
špeciálnymi tvarmi zovšeobecnených tvarov (najčastejšie s hodnotami 0, alebo 1 niektorého z
ich viacerých parametrov).
Zovšeobecnené tvary kvantilových modelov,
ktoré boli už v minulosti použité ako príjmové modely sú napr. zovšeobecnené lamda rozdelenie –
GLD (Ramberg and Schmeiser 1974; Sipková,
2004, 2005, Pacáková – Sipková, 2007), zovšeobecnené Weibullovo rozdelenie (Mudholkar
a Kolia, 1994), tiež zovšeobecnené kappa rozdelenie (Hosking, 1994, Tarsitano 2011), alebo zovšeobecnené Paretovo rozdelenie (Stopa, 1990) pre
extrémne vysoké príjmy.
Nie je však jednoduché ich správne „napasovať“, t. j. vhodne odhadnúť ich parametre. Je to
hlavne z dôvodu ich extrémnej elasticity. Skúmané
sú preto ich možné tvary, oddelene v rôzne volených regiónoch hodnôt ich parametrov v exponentoch. Rozpracované sú metódy odhadu parametrov
vysoko elastických štvor-parametrických a päťparametrických
zovšeobecnených
tvarov
na rôznych základoch, napr. optimalizáciou mier
„dobrej zhody“, maximalizáciou koeficienta korelácie empirických a teoretických hodnôt, minimalizáciou štvorca/absulútnej veľkosti distribučných
rezíduí, na základe tzv. L-momentov, atď. Metódy
estimácie parametrov komplexných a vysoko elastických pravdepodobnostných modelov, ktoré sú
definované inverznou distribučnou funkciou
s vlastnými parametrami tvaru v exponentoch sú
predmetom mnohých vedeckých prác (pre GLD
napr. Dudewicz – Karian, 1999; Karian – Dudewicz, 1999, 2000).
Tak ako estimácia výrazne kladne asymetrických kvantilových tvarov s hrubým ľavým koncom
a často veľmi predĺženým pravým koncom, tak aj
verifikácia ich dobrej zhody v prípade veľkých
rozsahov údajovej základne sociálnych analýz je
často problematická. Je známe, že chí-kvadrát test
dobrej zhody pri veľmi veľkých výberoch nie je
aplikovateľný, preto že takmer vždy pomocou neho
dôjde k zamietnutiu modelu.
Linearita usporiadania bodov v Q-Q grafoch (XY graf kvantilov empirického rozdelenia oproti simulovanému rankitu teoretického tvaru, prípadne
oproti rankitu mediánov teoretického rozdelenia
počítaného cez inverznú beta funkciu) je častou vizualizáciou „dobrej zhody“ pri kvantilovom modelovaní. Vhodná kvantifikácia tejto zhody empirického a modelovaného rozdelenia je pomocou najznámejšej miery linearity, t. j. koeficienta korelácie.
V prispevku je aplikovaný normovaný tvar zovšeobecneného kappa modelu. Miera relatívnej
príjmovej nerovnosti nie je konštruovaná oddelene
od overenia vhodnosti aplikovaného odhadnutého
tvaru príjmového modelu. Je získaná odhadom
najmenších štvorcov smernice v určitej konkrétnej
Tarsitánom doporučovanej matematickej lineárnej
transformácii vstupujúcich hodnôt do Q-Q grafického zobrazenia (pozri Tarsitano, 2006).
V prvej časti príspevku priblížime aplikovaný
tvar zovšeobecneného kappa kvantilového rozdelenia a následne stručne vysvetlíme postup výpočtu
Tarsitanovej miery nerovnosti: V-nerovnosť.
V druhej časti príspevku porovnáme podľa krajov
SR empirické rozdelenia miezd. Získané hodnoty
mier posúdenia kvality nami odhadnutých kappa
príjmových modelov a mier príjmovej nerovnosti,
obe priamo v Q-Q grafických zobrazeniach, možno
nájsť v tretej časti tohto príspevku.
Obe miery, miera kvality zhody kappa modelu –
koeficient korelácie, ako aj príslušná Tarsitanova
miera nerovnosti V-nerovnosť, vyplývajúca z hodnoty smernice, sú uvádzané priamo v Q-Q grafe
pre SR, ako aj samostatne pre každý z ôsmich
NUTS III regiónov SR.
I. MODELOVANIE ZOVŠEOBECNENÝM KAPPA
ROZDELENÍM
Štvor-parametrické kappa rozdelenie bolo definované
Hoskingom
(1994).
Je
lineárnoexponenciálnou transformáciou Gumbelovhoexponenciálneho tvaru a definované je kvantilovou
funkciou takto:
λ   1 − p λ4
Q( p, λ ) = λ1 + 2 1 − 
λ3   λ 4

0 < p ≤ 1, λ 2 > 0




λ3

;


(1)
Niektoré známe tvary kvantilových funkcií sú
špeciálnymi prípadmi kappa funkcie podľa (1):
zovšeobecnené Paretovo, keď λ 4 = 1 ;
rovnomerné ( λ3 = 1, λ 4 = 1 );
zovšeobecnené logistické ( λ 4 = −1 );
exponenciálne ( λ3 = 1, λ 4 = 0 );
reflexne-exponenciálne ( λ3 = 0, λ 4 = 1 );...
Aplikujeme jeho redukovanú verziu v normovanom tvare (v základnom tvare s umiestnením stredu do 0 a s jednotkovou variabilitou). Pri štúdiu nerovnosti je preto kappa rozdelenie bez parametra
polohy λ1 a parametra stupnice λ 2 (rozloženia,
možno ho nazvať aj parametrom variability). Jeho
normovaný tvar má len dva parametre λ3 , λ 4 , oba
v exponentoch. Sú to dva parametre vlastného tvaru kvantilovej kappa funkcie, ktoré určujú spoločne
jeho šikmosť a špicatosť, a teda aj hrubosť/predĺženosť jeho koncov.
Výpočet stredných hodnôt usporiadaných štatistík tohto tvaru, funkčný tvar tzv. rankitu, predstavuje Dagumov jednomodálny tvar prvého typu,
ktorý je konkrétnym tvarom kappa rozdelenia keď:
λ3 < 0, λ 4 < 0 a λ 2 = λ3 (λ 4 )^ λ3 ; λ1 = λ 2 /λ3 ) . Je
podľa Tarsitana (str. 12, vzťah (18)) takýto:
[
E ( X i:n ) = wi:n = p i
− λ4
]
−1
− λ3
, i = 1, 2 ...n
(2)
kde p i je proporcionálne postavenie i-tej hodnoty
v grafickom zobrazení, tzv. pozícia.
V príspevku aplikujeme p i pozíciu zobrazovania v Q-Q grafoch, ktorú pre asymetrické príjmové
rozdelenie odporúča Landwehr (s proporciami 0,35
a 0,65), t. j. pozícia je počítaná podľa vzťahu
pi = (i − 0,35) / n .
Výsledné hodnoty dvoch parametrov tvaru odhadneme pomocou downhill simplexovej maximalizácie koeficienta korelácie (Tarsitano, s. 19):
∑ {[p
n
ρ (λ3 , λ 4 ) =
i =1
− λ4
i
]
−1
− λ3
}
− wn (λ3 , λ 4 ) X i:n
S x bn (λ3 , λ 4 )
(3)
kde X i:n ; i = 1, 2 ...n sú poriadkové štatistiky
(Order statistics), ktorých jednou s náhodných realizácií predstavuje usporiadaná n-tica zistených
hodnôt miezd zamestnancov. Do vzťahu (3) ďalej
dosadzujeme priemernú hodnotu rankitu:
n
wn = n −1 ∑ wi:n , i = 1, 2 ...n
(4)
i =1
Súčet štvorcov vzdialeností zistených hodnôt
od ich priemeru je S x = ∑ ( X i:n − µ n ) . Súčet
2
druhých mocnín vzdialeností hodnôt rankitu podľa
vzťahu (2) od ich strednej hodnoty je:
n
bn (λ3 , λ 4 ) = ∑ (wi:n − wn ) .
i =1
2
Odvodenie miery nerovnosti (pozri Tarsitano,
2006, str. 61 až 64, alebo verzia publikovaná na internete str. 8 až str. 12) s označením V-nerovnosť:
Vn (λ3 , λ 4 ) =
n
∑
i =1
[
[
]
]
 p −λ4 − 1 − λ3 − w (λ , λ )  X
3
4 
n
i:n
 i
(5)
 p − λ4 − 1 − λ3 − w (λ , λ )  nµ n
3
4 
n
 n
kde wn zistíme v súlade so vzťahom (4).
Zámerom Tarsitana bolo zvoliť takú monotónnu
transformáciu stupníc v Q-Q grafickom zobrazení,
aby miera nerovnosti (V-nerovnosť) mohla byť získaná ako odhad smernice priamky vhodne preloženej bodmi grafu. Na odhad priamky aplikuje metódu najmenších štvorcov.
II. EMPIRICKÉ PRÍJMOVÉ ROZDELENIA
VSTUPUJÚCE DO ANALÝZY NEROVNOSTI
Konkrétna aplikácia modelovania príjmového rozdelenia pomocou štvor-parametrického zovšeobecneného kappa rozdelenia a regionálne porovnanie
pomocou V-nerovnosti je na základe 1%-ného náhodného výberu priemerných mesačných miezd
oficiálneho výberového zisťovania hrubých miezd
(premenná: hmes_mzda) zamestnancov SR v roku
2010 organizáciou Trexima, s.r.o. Vychádzame
z individuálnych údajov zisťovania.
Celkové empirické rozdelenie priemerných mesačných hrubých miezd zamestnancov SR, ktoré
bolo vstupom do analýz v príspevku, znázorňuje
škatuľkový graf (obrázok 1).
Obr. 1: Škatuľkový graf priemerných hrubých mesačných miezd zamestnancov SR
Zdroj: Vlastné zobrazenie, údaje Trexima, s.r.o. za rok 2010
Mzdové rozdelenie v SR má charakteristickú slabú
kladnú asymetriu strednej časti, ale výrazný predĺžený pravý koniec.
Rozdiel
výberového
mediánu
(671 eur)
a priemeru (829 eur) je len 158 eur, rozdiel kvartilov je len 439 eur, sixtilov 669 eur a aj decilové
rozpätie je menej ako 1 000 eur (960 eur). Deväťdesiatdeväť percent miezd nepresahuje päťnásobok
mediánovej úrovne. Podľa uvedeného možno konštatovať, že v roku 2010 nebola zistená veľká príjmová diferenciácia zamestnancov SR.
mestnancov). Najvyššia zistená hodnota je viac ako
252-násobok mediánu a úhrn 1 % najvyšších miezd
v SR odhadujeme na úhrn takmer 20 % najnižších
miezd (podľa empirických hodnôt). Len niekoľko
málo extrémnych miezd predstavuje významný
podiel úhrnu všetkých miezd, napr. vo výbere 10
zamestnancov zarobilo viac ako 200 zamestnancov
s najnižšími mzdami, t. j. viac ako 2 % celkového
objemu vyplatených miezd (pre 0,1 % zamestnancov je úhrn 169 383 eur a pre 2 % najnižších miezd
je úhrn 164 217 eur).
Pozornosť však treba sústrediť aj na len niekoľko zistených hodnôt najvyšších miezd v 1 %-nom
náhodnom výbere z rozsahu údajovej základne
Treximy (náš rozsah výberu n = 9900 zodpovedá
zisťovaniu Treximy s rozsahom cca 990 tisíc za-
Hodnoty základných opisných štatistík miezd
za SR ako aj za osem regiónov SR v členených
podľa NUTS III (v slovenskom označení ako
RŠÚJ 3, alebo osem VÚC, tiež osem samosprávnych krajov) sumarizuje tabuľka 1.
Tab. 1: Charakteristiky priemerných hrubých mesačných miezd zamestnancov SR
REGIÓN KRAJ
SR
1
BA
2
TT
3
TN
4
NR
5
ZA
6
BB
7
PO
8
KE
KRAJ
NORM.
ŠIKMOSŤ
SR
BA
TT
TN
NR
ZA
BB
PO
KE
698
249
106
49
63
126
45
72
95
ROZSAH
9900
2188
1006
1152
1193
1142
1012
972
1235
PRIEMER
829
1130
771
727
714
755
723
684
820
NORM.
ŠPICATOSŤ
MEDIÁN
671
851
681
631
615
654
633
585
693
SMER.OD.
840
1469
557
430
466
566
441
508
576
Tab. 1 (pokračovanie)
PRIEMERNÁ MZDA(95 %)
DOLNÁ HR.
HORNÁ HR.
MIN
40
94
77
52
40
64
45
82
58
MAX
36949
36949
10013
4700
6680
12289
4716
6220
11041
Q0,25
492
596
516
473
475
476
456
432
495
Q0,75
931
1242
892
843
796
879
844
776
985
MEDIÁNOVÁ MZDA(95 %)
DOLNÁ HR. HORNÁ HR.
11627
821
838
669*
2492
1099
1162
828
721
753
788
657
143
714
740
613
243
701
728
597
1094
739
772
636
138
710
737
615
299
667
700
566
650
804
836
670
Zdroj: vlastné výpočty, údaje Trexima, s.r.o za rok 2010
674*
881
702
651
634
671
656
603
717
Poznámka: *Bootstrapový interval s rozsahom 9500 podsúborov
Okrem maximálnej hodnoty mzdy aj normované
miery šikmosti a špicatosti upozorňujú na významne predĺžený pravý koniec rozdelenia, hlavne
v regióne 1 (Bratislavskom) a za ním vzostupne
v regióne 5 (Žilinskom), regióne 2 (Trnavskom)
a regióne 8 (Košickom).
Škatuľkové grafy (obrázok 2) charakterizujú
slabú kladnú asymetriu dolných troch štvrtín
(pod 1 500 eur) všetkých mzdových rozdelení podľa regiónov SR. Empirické tvary funkcií hustôt
v regiónoch SR do hodnoty mzdy 2 000 eur možno
porovnať na obrázku 3 a nad túto hodnotu konce
mzdových rozdelení v jednotlivých regiónoch znázorňuje ľavá polovica obrázka 2.
Porovnaním 99 %-ných intervalov spoľahlivosti
pre priemerné a pre mediánové mzdy na obrázku 4
získame predstavu o charakteristickom stredovom
umiestnení mzdových rozdelení v jednotlivých
ôsmich regiónoch SR.
Všímame si nielen významne vyššie priemerné
mzdy v regióne 1 (nad 1 100 eur v Bratislavskom
kraji) a v regióne 8 ( nad 800 eur v Košickom kraji), ale aj veľkosť odstupu medzi dvoma intervalmi
v určitom regióne, čo nás môže upozorniť na významnú kladnú asymetriu celých rozdelení (porovnaním kvantilovej a momentovej miery stredového
umiestnenia).
Obr. 2: Škatuľkové grafy priemerných hrubých mesačných miezd zamestnancov v regiónoch SR
Zdroj: Vlastné zobrazenie, údaje Trexima, s.r.o. za rok 2010
Obr. 3: Empirické funkcie hustôt priemerných hrubých mesačných miezd zamestnancov SR za rok
2010 v eurách, podľa regiónov SR
Zdroj: Vlastné zobrazenie, údaje Trexima, s.r.o
Štatisticky významne vyššie stredové umiestnenie hlavne v regióne 1 a v regióne 8 (Košický kraj)
oproti ostatným regiónom je zrejmé na obrázku 4.
Grafická ANOVA (obrázok 5) však potvrdzuje, že
aj región 7 (Prešovský kraj) má významne rozdielnu priemernú mzdu, ale najnižšiu, s hodnotou pod
700 eur.
Obr. 4: Graf 99% intervalov spoľahlivosti pre priemery a mediány (nižšie) priemerných hrubých mesačných miezd zamestnancov SR
za rok 2010 v eurách
Zdroj: Vlastné zobrazenie, údaje Trexima, s.r.o
V súlade s výsledkom Kruskalovho-Wallisovho
testu je najnižšia aj mediánová úroveň mzdového
rozdelenia regiónu 7. V regióne 4 (Nitriansky kraj),
sa dolná hranica intervalu spoľahlivosti pre medián
tesne prekrýva s hornou hranicou intervalu pre me-
dián regiónu 7 (pozri tabuľku 1-pokračovanie).
Mediánové stredové umiestnenie mzdového rozdelenia možno s 95 % spoľahlivosťou považovať za
rovnako nízke aj v regióne 4 (v Nitrianskom).
mich regiónov SR, pričom medziregionálna mzdová nerovnosť v SR nie je oddelene v článku kvantifikovaná (len v rámci celkovej nerovnosti za SR).
III. VÝSLEDNÉ KAPPA MODELY A ANALÝZA
NEROVNOSTI PODĽA KRAJOV SR
Výsledkom kvantilového modelovania, s aplikáciou metód estimácie pomocou downhillsimplexovej maximalizácie koeficienta korelácie
podľa vzťahu (3), sú hodnoty dvoch parametrov
normovaného tvaru kappa funkcie podľa
vzťahu (2) s pozíciou p i v súlade s odporúčaním
Obr. 5: Grafická ANOVA pre priemerné hrubé mesačné mzdy zamestnancov SR za rok 2010 v eurách
(bez regiónu 1)
Zdroj: Vlastné zobrazenie, údaje Trexima, s.r.o.
Pri hodnotení príjmovej nerovnosti v regiónoch
SR nás porovnanie stredových umiestnení v rámci
jednotlivých krajov zaujíma v zmysle hodnotenia
mzdovej nerovnosti medzi jednotlivými geografickými regiónmi. V ďalšom texte príspevku
sa mzdovou nerovnosťou medzi jednotlivými regiónmi nezaoberáme. Hodnotíme a porovnávame
len mzdovú nerovnosť vo vnútri jednotlivých ôs-
Landwehra. Hodnoty týchto dvoch parametrov
vlastného tvaru kappa kvantilových modelov
mzdových rozdelení za SR a aj za osem jej
NUTS III regiónov uvádzame v tabuľke 2. Sumarizujeme v nej aj hodnoty koeficientov korelácie
na overenie kvality odhadnutých deväť kappa modelov, ako aj výsledné hodnoty Tarsitanovej Vnerovnosti, ktoré boli počítané podľa vzťahu (5).
Hodnoty mier pre ľahšie porovnanie uvádzame
aj priamo v Q-Q grafoch na obrázku 7 pre SR
a obrázku 6 (A až H) postupne pre všetkých osem
NUTS III regiónov SR.
Tab. 2: Výsledky pre kappa modely a miery nerovnosti rozdelení miezd v regiónoch SR
KOEF.
V-NEROVNOSŤ
GINI
DeVERGOTTINI
REGIÓN LAMBDA3 LAMBDA4 KOREL.
SR
0,4442
0,8194
0,9920
0,0210
0,3210
0,0973
0,4700
0,0655
0,9865
0,0466
0,3808
0,1480
1
0,4197
1,2441
0,9810
0,0409
0,2756
0,1192
2
0,2344
0,0609
0,9906
0,0499
0,2676
0,1093
3
0,2879
0,0516
0,9933
0,0468
0,2221
0,1325
4
0,4275
1,4396
0,9910
0,0401
0,2682
0,1899
5
0,2304
0,1554
0,9923
0,0546
0,2754
0,1048
6
0,3292
0,0001
0,9735
0,0501
0,2856
0,1114
7
0,3789
0,0516
0,9948
0,0420
0,2460
0,1374
8
Zdroj: vlastné výpočty, údaje Trexima, s.r.o za rok 2010
94 ■ NEROVNOS
NEROVNOSŤ
Obr. 6 (A až H)
H): Q-Q
Q Q grafy pre kappa modely
model priemerných hrubých miezd zamestnancov regiónov:
A: Bratislavský;
Bratislavský; B: Trnavský; C: Trenčiansky; D: Nitriansky; E:
E Žilinský; F: Banskobystrický; G
G: Prešovský;
Prešovský
H:: Košický
Zdroj: Vlastné zobrazenie,
zobrazenie údaje Trexima, s.r.o.(2010)
Obr. 7:: Q-Q
Q graf pre mzdy zamestnancov SR
Zdroj: Vlastné zobrazenie,
zobrazenie údaje Trexima, s.r.o.(2010)
ZÁVER
V uplatnenom parametrickom prístupe kkaždá
aždá apliapl
kovaná miera nerovnosti rozdelenia miezd vychávych
dza z porovnania s iným teoretickým pravdepopravdep
dobnostným tva
tvarom
rom modelu.
modelu. Giniho koeficient je
mierou
ou nerovnosti s porovnaním k rovnomernému
rozdeleniu
a
De
Vergottini
Vergottiniho
ho
miera
k exponenciálnemu tvaru. Miera V--nerovnosť
nerovnosť je
počítaná v súlade s prístupom Agostina Tarsitana
Tarsitan
s porovnaním ku kappa pravdepodobnostnému
modelu
u. Väčšia hodnota Tarsitánom definovanej
V-nerovnosti
nerovnosti znamená väčšiu
äčšiu smernicu priamky v
Q-Q
Q grafických znázorneniach a väčšiu nerovnosť
rozdelení miezd
miezd.
V príspevku sme aplikovali metodológiu
metodológiu navrhnutú
Tarsitánom, ktorá vychádza z prístupu podľa Sena
(1973) a meria mzdovú
mzdov nerovnosť
nerovnosť podľa priemerprieme
ného rozdielu medzi výmenami vyšších a nižších
príjmových skupín oproti kappa modelu rozdelenia
príjmov. Uvádzané ttri
ri miery nerovnosti vzájomne
nemajú korešpond
korešpondovať,
ovať, každá porovnáva k inému
tvaru modelu a odráža
ža iný aspekt v nerovnosti.
nerovnosti
V súlade s uvedeným
ým je Tarsitanova sumarizásumariz
cia výsledkov pravdepodobnostného modelovania
a posúdenia nerovnosti rozdelenia v Q-Q
Q grafoch
veľmi názorná, je zaujímavým riešením a prínosom
v regionálnych štúdiách príjmovej nerovno
nerovnosti..
Na základe porovnania Q-Q
Q Q grafických znázorznázo
není (obrázok 6 a obrázok 7) rankitu kappa modemode
empirickým tvarom
m,, upravených podľa
lov oproti empirickým
Tarsitána, možno konštatovať nasledovné:
Pre dobrú názornosť pri regionálnom porovn
porovnávaní V-nerovností
V nerovností považ
považujeme
ujeme za dôležité vhodne
voliť rozsahy stupníc na osiach v Q
Q-Q
Q grafickom
zobrazení tak, aby sa sklon priamok (teda smern
smernice) dali vizuálne vzájomne porovnávať. Podľa kkolísania bodov v okolí priamok možno postrehnúť
miesta v mzdových rozdeleniach, v ktorých sa mom
del najviac odchyľuje od empirického rozdelenia
miezd. Je to najčastejšie pravý koniec, v ktorom je
však aj variabilita najvyšších miezd vždy najvä
najväčšia. Znamená to, že hodnota koeficienta korelácie
narastá hlavne sumarizáciou práve odchýlok v pr
pravých koncoch rozdelení.
Zovšeobecnený kappa kvantilový
kva tilový tvar funkcie
sa ukázal primerane elastický pre regionálnu an
analýzu mzdových rozdelení v SR (posledné empiri
empirické hodnoty v Q-Q
Q grafoch ležia pod priamkou).
Napriek tomu v regióne 7 koeficient korelácie
0,9735
5 je nízky a miera V-nerovnos
nerovnos
nerovnosti môže byť
tým do určitej miery ovplyvnená. Je však otázne, či
veľkú menlivosť empirických hodnôt v pravých
koncoch mzdových rozdelení je možné lepšie m
modelovať inou súvislou a relatívne „hladkou“ fun
funkciou (vhodnou aj pre celý tvar rozdelenia). Navyše,
zvlnený pravý koniec empirického rozdelenia, kt
ktorý je názorný v Q-Q
Q grafoch, je výsledkom vz
vzá-
jomnej korelovanosti usporiadaných hodnôt výberu
(podobne ako v časových radoch).
Podľa veľkosti získaných hodnôt nerovnosti
rozdelení miezd zamestnancov SR v jednotlivých
regiónoch, meranej Tarsitanom navrhnutou mierou
(V-nerovnosť), je poradie od najväčšej hodnoty po
najnižšiu takéto: región 6 (Banskobystrický), región 7 (Prešovský), región 3 (Trenčiansky), re-
gión 4 (Nitriansky), región 1 (Bratislavský), región 8 (Košický), región 2 (Trnavský) a región 5
(Žilinský). Poradie možno podľa nášho názoru interpretovať v súlade s teóriou podľa Sena aj ako
poradie
„možného
vnímania
nerovnosti
v existujúcej mzdovej distribúcii“ samotnými zamestnancami v regiónoch SR od najsilnejšieho
po najslabšie.
LITERATÚRA
Bartošová, J.- Bína, V. (2007). Mixture Models of
Household Income Distribution in the Czech Republic. Bratislava 06. 2.2007– 09.02.2007. In: 6th International Conference APLIMAT 2007, Part I. Bratislava : Slovak University of Technology, s. 307-316.
ISBN 978-80-969562-4-1.
Champernowne, D.G. (1953) A Model of Income Distribution. Economic Journal. Vol 63, No. 250, pp.
318-351.
Chipman, J. S. (1985) The Theory and Measurement
of Income Distribution. In: Basmann, R. L., Rhodes,
G. F. (eds.): Economic Inequality : Survey, Methods
and Measurements, 1985 (Advances in Econometrics : A Research Annual, Vol 4). Greenwich, Connecticut a London, England: JAI Press Inc. pp. 135165.
Dagum, C. (1978). A Measure of Inequality Between
Income Distributions. Economie Apliquée. Vol.
XXXI, No. 3-4, pp. 401-413.
Dagum, C. (1977) A new model of personal distribution: specification and estimation. Economie
Appliquée. Vol. XXX, No. 3, pp. 413-437.
Dagum, C. (1984). Income Distribution Models. The
Encyclopedia of Statistical Science. Vol. 4, pp. 2734.
David, H.A.; Nagaraja, H. N. (2003). Order Statis-
tics. 3rd Edn. John Wiley and Sons, USA.
ISBN 0-471-38926-9.
Dudewicz, E. J.; Karian, Z. A. (1999). Fitting the
Generalized Lambda Distribution (GLD) system by
a method of percentiles. In: II: Tables, American
Journal of Mathematical and Management Sciences.
Vol. 19, No. 1, pp. 1-73.
Edgeworth, F. Y. (1898) On the Representation of Statistics by Mathematical Formulae. Journal of the
Royal Statistical Society. 61, Part I - December, 670700, Part II - 62, March, 125-140, Part III – 62, June,
373-385, Part IV – 62, September, 534-555, 18981899.
Fowlkes, E. B. (1987). A Folio of Distributions, A collection of Theoretical Q-Q plots. New York: Marcel
Deckker,.
Freimer, M., Mudholkar, G.S., Kollia, G., Lin, C.T.
(1988) A study of the generalized Tukey Lambda
family. In: Communications in Statistics, Theory and
Methods. Vol. 17, No. 10, pp. 3547-3567.
Gastwirth, J. L. (1971). A General Definition of the
Lorenz Curve. Econometrica. Vol. 39, No. 6, pp.
1037-1039.
Gilchrist, W.G. (1997). Modelling with quantile distribution functions. In: Journal of Applied Statistics.
Vol. 24, No. 1, pp. 113-122.
Gilchrist, W.G. (2000). Statistical modelling with
quantile functions. Chapman & Hall. ISBN 1-58488174-7.
Hosking J. R. M. (1994). The four-parameter kappa
distribution. In: IBM Journal of Research, Development. Vol. 38, No. 3, pp. 251-258.
Karian, Z. A., Dudewicz, E. J. (2000). Fitting Statistical Distributions: The Generalized Lambda Distribution and Generalized Boostrap Methods. Boca
Raton, FL: CRC Press.
Karian, Z. E.; Dudewicz, E. J. (1999). Fitting the
Generalized Lambda Distribution to data: a method
based on percentiles. In: Communications in Statistics: Simulation and Computation. Vol. 28, No. 3,
pp. 793-819.
Labudová, V., Vojtková, M. (2010). Aplikácia
viacrozmerných metód pri meraní chudoby. In:
E + M. Ekonomie a management. Roč. 13, č. 1,
s. 6-22.
Labudová, V. (2010). Miery príjmovej nerovnosti. In:
Forum statisticum Slovacum. Roč. 6, č. 5, s. 127131.
Pacáková, V., Sipková, Ľ. (2007). Generalized lambda distributions of household´s incomes. In: E + M.
Ekonomie a management. Roč. 10, č. 1, s. 98-107.
Pacáková, V., Sipková. Ľ. (2011). A quantitative analysis of income disparities. In: Data analysis methods
for modelling and forecasting economic processes.
Kraków : Cracow University of Economic Press, pp.
64-75. ISBN 978-83-7252-523-4.
Pacáková, V., Sipková. Ľ., Sodomová, E. (2005).
Štatistické modelovanie príjmov domácností
Roč. 53, č. 4, s. 427-439.
Ramberg, J. - Schmeiser, B. (1974). An approximate
method for generating asymmetric random variables.
In: Communications of the ACM. Vol. 17, No. 2, pp.
78-82.
Sen, A. K. (1973). On economic inequality. Oxford:
Clarendon Press.
Sipko,J., Sipková, Ľ. (2010). Aktuálny vývoj
príjmovej nerovnosti na Slovensku. In: Forum
statisticum Slovacum. Roč. 6, č. 5, s. 218-223.
Sipková, Ľ. (2005). Modelovanie príjmov domácností
zovšeobecneným lambda rozdelením. In: Ekonomika
a informatika. Roč. 3, č. 1, s. 90-104.
Sipková, Ľ. (2007). Nový prístup - nové možnosti
štatistického modelovania, alebo ako "ušiť"
pravdepodobnostný model na mieru. In: Forum
statisticum Slovacum. Roč. 3, č. 6, s. 147-151.
Sipková, Ľ. (2004). Zovšeobecnené lambda rozdelenie
a odhad jeho parametrov. In: Ekonomika
a informatika. Roč. 2, č. 1, s. 107-128.
Sipková, Ľ., Sipko, J. (2012). Charakteristika
rozdelenia
miezd
zamestnancov
Slovenskej
republiky. In: Forum statisticum Slovacum. Roč. 8,
č. 5, s. 154-160.
a chudoba v regiónoch Slovenska. Košice: TU Košice. s. 51-66. ISBN 978-80-553-0573-8..
Sipková, Ľ., Sodomová, E. (2007). Modelovanie
Kvantilovými funkciami. Bratislava: Ekonóm. ISBN
978-80-225-2346-2.
Sipková. Ľ. (2004). Prehľad teoretických východísk
merania príjmovej nerovnosti. In: Slovenská
štatistika a demografia. Roč. 14, č. 3, s. 36-49.
Košice. s. 67-75. ISBN 978-80-553-0573-8.
Tarsitano, A. (2006). A new Q-Q plot and its application to income data. In: Statistica & Applicazioni.
Vol. IV, special issue no. 1. V upravenej verzii
dostupné na internete: http://www3.unisi.it/eventi/
GiniLorenz05/ABSTRACT_PAPER_24%20May/P
APER_Tarsitano.pdf
Tarsitano, A. (1988). Estimating the Income Shares of
a Grouped Frequency Distribution of Incomes.
Lavoro apparso in Statistica applicata. Vol. 21, No.
3, pp. 307-319.
Tarsitano, A. (2004). Fitting the Generalized Lambda
Distribution to Income Data, dostupné na internete:
http://www.ecostat.unical.it/Tarsitano/pub02a1.htm
Vojtková, M, Labudová, V. (2010). Regionálna
analýza príjmov a výdavkov v Slovenskej republike.
In: Ekonomický časopis. Roč. 58, č. 8, s. 802-820.
Želinský, T. (2010). Nerovnosť rozdeľovania príjmov v
krajoch Slovenskej republiky. In: Slovenská
štatistika a demografia. Roč. 20, č. 1, s. 49-60.
Alena TARTAĽOVÁ, Tomáš ŽELINSKÝ ■ 99
Rozdelenie príjmov na Slovensku: Analýza citlivosti rozdelenia príjmov na
voľbu ekvivalentnej škály
Alena TARTAĽOVÁ1a, Tomáš ŽELINSKÝ1b
1
Income Distribution in Slovakia: Sensitivity Analysis of Income Distribution to the
Choice of Equivalence Scales
Abstract
Keywords
Equivalence scales, Income distribuThe paper shows how the income distribution and various measures of
tion, Income inequality, EU SILC, Sloincome inequality are affected by the choice of the equivalence scale.
vakia.
Income distribution and inequality studies use an equivalence scale to
adjust raw income to account for the cost of maintaining households and
JEL Classification
families. These costs are said to vary with household size and composiO15, C 46, I32
tion, and sometimes the number of employed in the household and
other household characteristics. The choice of the equivalence scale
1
Technical University of Košice, Faculty of
can be advantageous for certain social groups, while disadvantageous
Economics, Němcovej 32, 040 01 Košice,
for others. The aim of this paper is to review the most common equivaSlovakia
lence scales used and compare them with the official equivalence scale
a [email protected],
applied by Eurostat since 1994, called OECD scale. According to the
b [email protected]
results we could say, that choice of the equivalence scales affect income distribution as well as inequality measures.
Príspevok bol vytvorený s podporou vedeckovýskumného projektu VEGA1/0127/11 Priestorová distribúcia chudoby v Európskej únii.
ÚVOD
Znalosť vhodného tvaru pravdepodobnostného
rozdelenia príjmov domácnosti je dôležitá v rozličných oblastiach sociálnej politiky. Je tiež kľúčová
pri odhadovaní spotreby domácností. Niekoľko
užitočných informácií je možno získať aj priamo
z odhadnutých parametrov rozdelení, ktoré reprezentujú základné charakteristiky ako napríklad
priemer, či smerodajnú odchýlka. Pomocou vhodne
odhadnutého rozdelenia pravdepodobnosti potom
môžeme merať nerovnosť rozdelenia príjmov využitím indexov nerovnosti napr. Giniho index, prípadne je možné tieto informácie využiť pri meraní
chudoby. Znalosť rozdelenia nám umožní výpočet
všetkých dôležitých charakteristík základného súboru, kvantilov, pravdepodobností ľubovoľných intervalov hodnôt a pod.
ková a Vlačuha, 2010; Pacáková et al., 2010; Stankovičová, 2010; Želinský, 2010). Z teórie pravdepodobnosti poznáme dva základné prístupy
k odhadu hustoty výberových údajov: parametrický
prístup, ktorý je v súčasnosti najviac používaný
a menej známy neparametrický prístup (pozri Tartaľová, 2010, 2011).
Zisťovaniu životnej úrovne obyvateľstva
a sociálnej situácii jednotlivcov je venovaných
množstvo publikácií v časopisoch a zborníkoch
(pozri napr. Bartošová a Forbelská, 2010; Ivančí-
Cieľom príspevku je analyzovať, ako sa budú
meniť základné charakteristiky a tvar rozdelenia
príjmov a miery nerovnosti, pri použití rôznych
ekvivalentných stupníc. V analýze sa pritom zame-
Za jeden z najpoužívanejších zdrojov údajov na
analýzu príjmov možno považovať mikroúdaje výberového zisťovania EU SILC. Hodnota príjmu sa
zisťuje priamo v domácnosti formou interview. Na
zabezpečenie porovnateľnosti výsledkov za jednotlivé domácnosti sa používa hodnota ekvivalentného disponibilného príjmu domácnosti. Ide o odhad
takého príjmu „na člena“ domácnosti, ktorý zohľadňuje vekovú štruktúru členov domácnosti.
riame na bežne používané typy ekvivalentných škál
a skúmame ich vplyv na základe údajov EU SILC
2010 (ŠÚ SR, 2011).
I. EKVIVALENTNÉ ŠKÁLY A ROZDELENIE
PRÍJMOV
V analýzach o rozdelení príjmov domácností sa
na zabezpečenie porovnateľnosti rôznych domácností spravidla používa ekvivalentná stupnica, pomocou ktorej sa vypočíta tzv. ekvivalentná veľkosť domácnosti. Výsledkom je ekvivalentný príjem na člena domácnosti, ktorý zohľadňuje vekovú
štruktúru členov domácnosti. Je zrejmé, že domácnosť s dvoma deťmi potrebuje vyšší príjem ako
domácnosť bez detí na to, aby dosiahla rovnakú
úroveň zabezpečenia. Na tento účel sa používajú
v praxi ekvivalentné stupnice resp. ekvivalentné
škály. Avšak výber vhodnej ekvivalentnej škály je
nejasný a rôzni autori uprednostňujú použitie iných
škál.
S využitím štúdií od autorov Buhmann et al.
(1988) a Hunter, Kennedy a Smith (2002) stručne
zhrnieme najznámejšie prístupy.
Ekvivalentná škála sa aplikuje na celkový disponibilný príjem domácnosti tak, že sa získa ekvivalentný príjem domácnosti
I
I
= H ,
E
S
i
(1)
Kde IE je ekvivalentný príjem, IH je celkový
disponibilný príjem domácnosti a Si je ekvivalentná veľkosť i-tej domácnosti. Ak je Si rovné jednej,
tak sa ekvivalentný príjem rovná priamo celkovému príjmu a teda sa nemení s veľkosťou ani štruktúrou domácnosti. Ak je Si rovné počtu členov domácnosti, tak ekvivalentný príjem je rovný príjmu
na jedného člena alebo tzv. príjem na hlavu
(z angl. prekladu per capita income). Uvedené dva
prípady sú extrémnymi prípadmi, použitie ekvivalentnej škály vedie k tomu, že vypočítaný ekvivalentný príjem sa pohybuje v hraniciach medzi
príjmom na hlavu a celkovým disponibilným príjmom domácnosti.
Najjednoduchší tvar navrhnutý Buhmannom et
al. ,1998 je nasledovný:
S = Hα ,
(2)
Kde H je veľkosť domácnosti a α je parameter,
ktorý reprezentuje elasticitu ekvivalentnej stupnice
podľa veľkosti domácnosti a má hodnotu z intervalu [0;1]. Pri hodnote α = 0 dostávame celkový disponibilný príjem a pri hodnote α = 1 dostávame
tzv. príjem na hlavu. Tento tvar ekvivalentnej
stupnice bol pre α = 0,55 pod názvom Hendersonova stupnica použitý v analýzach o príjmoch domácností v Austrálii. Na znázornenie vplyvu parametra α, sme vypočítali ekvivalentný príjem pre
α = 0; α = 0,33; α = 0,6 a α = 1 a pre každý z nich
sme znázornili hustotu rozdelenia pravdepodobnosti (pozri Obr. 1).
Rozšírením vzťahu o ďalší člen možno zohľadniť napr. rozdielny počet dospelých a detí v domácnosti s rozdielnou váhou pri zohľadnení „potrebného príjmu“ na udržanie zodpovedajúcich životných podmienok domácnosti.
Si = (Ai + ηKi )α,
(3)
kde Ai je počet dospelých v i-tej domácnosti; Kije počet detí v i-tej domácnosti; η je relatívna váha
prislúchajúca každému dieťaťu v domácnosti; α je
parameter reprezentujúci proporciu nákladov pri
ďalších dospelých členoch v i-tej domácnosti (elasticitu), α ∈ (0, 1).
Prvou ekvivalentnou škálou, ktorá sa objavila
v literatúre a ktorá zohľadňuje vekovú štruktúru aj
počet členov domácnosti je tzv. Oxfordská stupnica, neskôr nazvaná stupnica OECD, z roku 1982.
V tejto stupnici sa priradí váha rovná 1 prvému
dospelému členovi domácnosti a každému ďalšiemu váha 0,7. Ešte menšia váha sa priradí deťom,
0,5. Jednou z nevýhod tejto stupnice je, že nie je
špecifikovaný vek dieťaťa a navyše kritici tejto
stupnice tvrdia, že váhy by mohli dať príliš veľký
dôraz na náklady detí vo veľmi vyspelých krajinách. Preto bola táto stupnica v roku 1994 modifikovaná tak, že sa priradí nižšia váha každému ďalšiemu dieťaťu a navyše bol špecifikovaný vek dieťaťa na 14 rokov. V modifikovanej stupnici sa pri-
radí váha rovná 1 prvému dospelému členovi domácnosti a každému ďalšiemu váha 0,5 a každému
dieťaťu v domácnosti sa priradí váha 0,3. Túto
stupnicu používa v súčasnosti aj Eurostat pri zisťovaní sociálnej situácie domácnosti v Európskej
únii, teda aj na Slovensku v rámci zisťovania EU
SILC. Tieto stupnice sú príkladom lineárnej ekvivalentnej škály, ktoré sa dajú napísať všeobecne
Si = 1 + α (Ai – 1) + β Ki ,
(3)
Kde Ai je počet dospelých v i-tej domácnosti; Kije počet detí v i-tej domácnosti; α je parameter reprezentujúci proporciu nákladov pri ďalších dospelých členoch v i-tej domácnosti (resp. ich váha),
α ∈ (0, 1);β je parameter reprezentujúci proporciu
nákladov u detí v i-tej domácnosti (resp. ich váha),
β ∈ (0, 1).
Obr. 1: Tvar rozdelenia príjmov pre ES=Hα
Zdroj: vlastné výpočty podľa údajov EU-SILC
Medzi ďalšie ekvivalentné stupnice patrí tzv.
odmocninová škála z angl. square root scale, v tva, kde H je veľkosť domácnosti (počet všetre
kých členov).
Tab. 1: Ekvivalentná škála a elasticita
Oxfordská
stupnica
Modifikovaná
OECD stupnica
Odmocninová
stupnica
1
2
1
1,7
1
1,5
1
1,4
3
2,2
1,8
1,7
4
2,7
2,1
2,0
5
3,2
2,4
2,2
0,73
0,53
0,50
Príjem „na
hlavu“
1 dospelý
2 dospelý
2 dospelí, 1
dieťa
2 dospelí, 2
deti
2 dospelí, 3
deti
Elasticita
1
Zdroj: OECD Social Policy Division http://www.oecd.org/
V Tab.1 sú zhrnuté všetky vyššie spomenuté
ekvivalentné stupnice a ich porovnanie pre päť typov domácnosti. V tabuľke uvádzame aj elasticitu
stupnice, ktorá ilustruje, aká zmena v potrebe disponibilných príjmov sa predpokladá, ak sa veľkosť
a štruktúra zmení. Elasticita predstavuje násobok
pôvodných príjmov, o aký vzrastie potreba príjmov
v domácnosti, ak veľkosť domácnosti sa zväčší
o jedného člena. Môže nadobúdať hodnoty
z intervalu [0; 1], minimálna hodnota 0 sa nadobúda vtedy, ak potreba príjmov je nezávislá od počtu
členov domácnosti, teda v prípade, že sa jedná
o celkový disponibilný príjem, maximálna hodnota
1 sa nadobúda pre príjem na hlavu, n-členná domácnosť, potrebuje n-krát väčší príjem na zachovanie porovnateľných životných podmienok . Na-
príklad elasticita 0,73 znamená, že každý ďalší člen
by potreboval príjem o 73% vyšší ako pôvodný,
aby sa zachovali životné podmienky domácnosti.
Vo všeobecnosti neexistuje ekvivalentná stupnica, ktorá by bola považovaná za najlepšiu. Voľba
stupnice závisí od technických požiadaviek v súvislosti s výškou úspor, ako aj ohodnotenia dôležitosti a veľkosti potrieb podľa veku členov domácnosti. V nasledujúcej časti sa budeme venovať citlivosti výsledkov analýz na voľbu ekvivalentnej
stupnice.
II. VPLYV EKVIVALENTNEJ ŠKÁLY NA ROZDELENIE PRÍJMOV
V tejto časti príspevku sa zameriame na skúmanie,
ako voľba ekvivalentnej stupnice vplýva na rozdelenie príjmov a mieru príjmovej nerovnosti. Ako
vstupné dáta použijeme údaje výberového zisťovania o príjmoch a životných podmienkach domácnosti EU SILC 2010 (ŠÚ SR, 2011). EU SILC je
ročné výberové zisťovanie, ktorého cieľom je získať informácie o príjmoch, o úrovni chudoby
a ďalších premenných. Obdobie, za ktoré sa sledujú príjmy v zisťovaní EU SILC (príjmové referenčné obdobie), je kalendárny rok predchádzajúci
roku zisťovania, t.j. pre zisťovanie EU SILC 2010
predstavovalo príjmové referenčné obdobie kalendárny rok 2009.
Jednotkami výberu v EU SILC sú hospodáriace
domácnosti. Hospodáriace domácnosti sú podľa
metodiky Eurostatu definované ako súkromné domácnosti tvorené osobami v byte, ktoré spoločne
žijú a spoločne hospodária, vrátane spoločného zabezpečovania životných potrieb. Za znak spoločného hospodárenia sa považuje spoločná úhrada
základných výdavkov domácnosti (strava, úhrada
nákladov na bývanie, elektrina, plyn a pod.). Definície premenných v EU SILC 2010, ktoré budeme
v analýze používať sú nasledovné:
Celkový disponibilný príjem domácnosti [premenná
HY020] predstavuje príjem vypočítaný ako suma
zložiek hrubého osobného príjmu všetkých členov
domácnosti plus zložky hrubého príjmu na úrovni
domácnosti (napr. príjem z prenájmu majetku, pri-
jaté transfery od iných domácností) mínus pravidelné dane z majetku, pravidelné platené transfery
medzi domácnosťami (napr. výživné, pravidelná
peňažná pomoc od iných domácností), daň z príjmu a príspevky na sociálne poistenie.
Ekvivalentná škála [premenná EQ_SS] je škála koeficientov použitá na výpočet indikátorov chudoby
v súlade s metodikou Eurostatu, tzv. modifikovaná
škála OECD, kde koeficient 1 sa použije pre prvého dospelého člena domácnosti, 0,5 pre druhého a
každého dospelého člena domácnosti, 0,5 pre 14ročných a starších a 0,3 pre každé dieťa mladšie
ako 14 rokov. Používa sa na výpočet ekvivalentnej
veľkosti domácnosti.
Ekvivalentný disponibilný príjem (v texte v skratke
EDP) [premenná EQ_INC20] je disponibilný príjem domácnosti vydelený ekvivalentnou veľkosťou
domácnosti. Tento príjem je potom priradený každému členovi domácnosti.
Osobná prierezová váha [premenná RB050] sa používa na zovšeobecnenie výsledkov pre základný
súbor.
V príspevku sme pre analýzu tvaru rozdelenia
vzhľadom na voľbu ekvivalentnej stupnice (ES)
zvolili tie, ktoré sa najčastejšie používajú: označenie „Oxford“ Budeme používať pre Oxfordskú
stupnicu, „OECD“ pre modifikovanú OECD stupnicu, „Per Capita“ je označenie pre príjem na hlavu
a poslednú stupnicu, ktorú budeme analyzovať je
tzv. odmocninová stupnica s označením „sqrt“.
Všetky použité škály sú opísané v predchádzajúcej
časti. Všetky odhady a výpočty v štúdii sú uskutočnené v prostredí softvéru R (R Development
Core Team, 2012) s použitím knižníc „laeken“ (Alfons, Holzer, a Templ, 2012) a „ineq“ (Zeileis,
2012) a v programe Statgraphics Centurion XV.
Každá ekvivalentná stupnica po aplikácii na
celkový disponibilný príjem domácnosti, má vplyv
na tvar rozdelenia ekvivalentného príjmu. Výsledné rozdelenia, sa líšia nielen tvarom (pozri Obr. 3
až Obr. 8) ale aj základnými číselnými charakteristikami (Tab.2).
Tab. 2: Výberové charakteristiky pre rôzne
ekvivalentné stupnice
Oxford
OECD
Per Capita
Sqrt
Average
5595,86
6818,94
4378
8126,82
Standard deviation
3622,34
4418,73
2907,22
5432,15
Coeff. of variation
64,73%
64,80%
66,41%
66,84%
Minimum
52,72
52,72
52,72
52,72
Maximum
139553
173046
108154
216308
Range
139501
172993
108101
216255
Lower quartile
3929,03
4748,59
2962,38
5520,8
Upper quartile
6679,78
8165,11
5285,67
9727,28
Skewness
16,2411
16,7596
14,98
17,0621
Kurtosis
530,236
558,584
468,743
582,702
Box-and-W hisker Plot
Oxford
dú premennú vhodné trojparametrické loglogistické rozdelenie, ale s inými parametrami (pozri
Tab.4). Zhodu teoretického rozdelenia sme overovali Kolmogorovým Smirnovovým testom dobrej
zhody, kde p-hodnota dosahovala veľmi malé hodnoty, iba okolo 0,01, čo naznačuje, že by bolo
vhodné použiť zložitejšie typy rozdelení alebo
kvantilový model rozdelenia (pozri napr. Pacáková
et al., 2004).
Tab. 3: Trojparametrické loglogistické rozdelenie
a jeho parametre pre rôznu ekvivalentnú stupnicu
Parametre 3-par. Loglogistického rozdelenia
Oxford
6939,68
0,184579
-1792,4
OECD
8150,19
0,190878
-1892,6
Per Capita
5488,15
0,193174
-1484,8
Sqrt
9221,28
0,206921
-1816,7
Je zrejmé, že od tvaru rozdelenia a jeho parametrov závisia aj všetky hodnoty indikátorov príjmovej nerovnosti a chudoby. Na porovnanie sme
zvoli tri, ktoré sa najčastejšie používajú: Giniho index, Theilov a Atkinsonov koeficient.
OECD
Per Capita
Sqrt
0
4
8
12
16
response
20
24
(X 10000,0)
Obr. 2: Porovnanie box-plotov pri použití rôznych
ekvivalentných stupníc
Predtým, ako vyslovíme záver o tom, že rozdelenie príjmov pri porovnaní rôznych typov ekvivalentných stupníc je rovnaké, na základe grafického
porovnania histogramov a hustôt, je potrebné túto
hypotézu otestovať. Použitím KolmogorovovhoSmirnovovho testu sme testovali, či je rozdelenie
príjmov pri použití ekvivalentnej stupnice OECD
a ďalších analyzovaných rovnaké. Pre všetky prípady je p-hodnota testu menšia ako hladina významnosti, čo znamená, že hypotézu o zhode rozdelení zamietame a nemôžeme dané rozdelenia považovať za rovnaké.
Na hľadanie vhodného pravdepodobnostného
rozdelenia príjmov sme využili procedúru Distribution Fitting v programe Statgraphics Centurion
XV. Pomocou nej, sme dospeli k záveru, že spomedzi všetkých ponúknutých rozdelení, je pre kaž-
Tab. 4: Porovnanie nerovnosti príjmov pre rôzne
ekvivalentné stupnice
Oxford
OECD
Per Capita
Sqrt
Gini
25,99221
25,88272
27,25898
26,60692
Theil
25,08295
24,95365
26,34286
25,76556
Atkinson
25,95365
24,95365
26,34286
25,76556
Podľa Buhmanna et al. (1988) všetky miery nerovnosti patria medzi relatívne miery, a preto by
nemali byť citlivé na zmenu ekvivalentnej škály.
Napriek tomu, Atkinsonov index je citlivý na
zmenu najmä v dolnej oblasti rozdelenia príjmov
(pre najnižšie príjmy), Giniho index je citlivý na
zmenu hodnôt okolo mediánu a Theilov index je
najviac citlivý na zmenu v najvyšších príjmoch. Je
zrejmé, že všetky miery nerovnosti sú najvyššie
v prípade príjmu na hlavu, naopak, najnižšie pri
použití ekvivalentnej stupnice OECD, ktorá je aj
oficiálnou stupnicou používanou v údajoch EU
SILC. Pri použití jednoduchej ekvivalentnej stupnice, príjem na hlavu je nevýhodou pre rodiny
s viacerými deťmi, že sa každému členovi domácnosti priradí rovnaký ekvivalentný príjem, bez
ohľadu na vek, preto je aj príjmová nerovnosť
v tomto prípade najvyššia. Ak sa použije ekvivalentná stupnica, ktorá priradí menšiu váhu dieťaťu
v domácnosti, napr. pri Oxfordskej stupnici 0,5, tak
sa zníži aj príjmová nerovnosť, tá je nižšia aj pri
použití stupnice OECD, kde sa dieťaťu priradzuje
váha
rovná
0,3.
OECD
Density Traces
(X 0,00001)
6
4
5
Variables
OECD
Oxford
4
2
density
frequency
(X 1000,0)
6
0
3
2
2
1
4
0
6
0
0
0,2
0,4
0,6
Oxford
0,8
3
6
9
12
15
1
(X 100000,)
Obr. 3: Histogram EDP, „Oxford“ a „OECD“
18
(X 10000,0)
Obr. 4: Jadrový odhad hustoty EDP,
„Oxford“ a „OECD“
Density Traces
OECD
(X 0,00001)
6
4500
Variables
OECD
Per Capita
5
4
density
frequency
2500
500
3
2
1500
1
0
3500
0
1
2
3
Per Capita
4
0
5
(X 10000,0)
Obr. 5: Histogram EDP, „Per Capita“ a „OECD“
3
6
9
12
15
18
(X 10000,0)
„Per Capita“ a „OECD“
OECD
Density Traces
2400
(X 0,00001)
5
1400
4
400
3
density
frequency
3400
600
1600
Variables
OECD
Sqrt
2
1
2600
0
1
2
3
Sqrt
4
5
(X 10000,0)
Obr. 7: Histogram EDP, „Sqrt“ a „OECD“
0
0
4
8
12
16
20
24
(X 10000,0)
„Sqrt“ a „OECD“
ZÁVER
Testovanie citlivosti tvaru a charakteristík rozdelenia príjmov na zmenu ekvivalentnej škály nie je
v literatúre nové a venuje sa mu stále pozornosť
v zahraničnej literatúre (pozri napr. Buhmann et
al.,1988 a Hunter, Kennedy a Smith, 2002) aj
v domácej literatúre (napr. Sipková, 2009).
Od roku 1994 sa v Európskej únii používa tzv.
OECD modifikovaná škála, ktorá je aplikovaná
plošne na každú členskú krajinu Európskej únie.
Vedecké štúdie sa preto venujú analýzam, či takáto
plošná aplikácia rovnakých škál na všetky krajiny
EÚ je správna, alebo nie. Je zrejmé, že použitie
rovnakej ekvivalentnej stupnice u menej početných
domácností
a pri viacdetných
domácnostiach
skresľuje analýzy o rozdelení príjmov, čo sme ukázali pri výpočte mier nerovnosti, a to, že čím je
nižšia váha dieťaťa, tak tým je aj nižší index, ktorý
vyjadruje nerovnosť príjmov. Riešením by mohlo
byť použitie iných typov ekvivalentných stupníc.
Sú to napríklad tzv. subjektívne stupnice, kde elasticita veľkosti domácnosti je priamo odvodená od
subjektívnych názorov, ktoré sú zisťované v dotazníku. Väčšie uplatnenie majú stupnice, ktoré sú
odhadnuté na základe analýzy spotreby domácnosti
a tým odzrkadľujú skutočné preferencie jednotlivých členov.
LITERATÚRA
Alfons, A., Holzer, J., Templ, M. (2012). laeken: Estimation of indicators on social exclusion and poverty. R package version 0.3.3. URL http://CRAN.Rproject.org/package=laeken.
Buhmann, B. et al. (1988): Equivalence Scales, Wellbeing, Inequality and Poverty: Sensitivity Estimates
Across Ten Countries Using the Luxembourg Income Study Database. In: The Review of Income and
Wealth. Vol.34, No.2, pp. 115–142.
Eurostat. (2010). Algorithms to compute Social Inclusion Indicators based on EU-SILC and adopted under the Open Method of Coordination (OMC). Working Group meeting “Statistics on Living Conditions”, 10-12 May 2010. Luxembourg: Eurostat.
Hunter, B., Kennedy, S., Smith D. (2002). Sensitivity
of Australian Income Distribution To Choice of
Equivalence Scales: Exploring Some Parameters of
Indigenous Incomes. in T. Eardley and B.Bradbury
(eds).: Competing Visions: Proceedings of the National Social Policy Conference, Sydney 4-6 July
2001. Social Policy Research Centre Report 1/02,
SPRC, University of New South Wales, Sydney.
Pacáková, V., Sipková, Ľ., Sodomová, E. (2004). Štatistické modelovanie príjmov domácností v Slovenskej republike. In: Ekonomický časopis. Vol. 53,
No.4, pp.427-439, ISSN 0013-3035
R Development Core Team. (2012). R: A language
and environment for statistical computing. Viedeň:
R Foundation for Statistical Computing. ISBN 3900051-07-0. URL http://www.R-project.org/.
Sipková, Ľ. (2009). Ekvivalentná škála v EU-SILC
analýzach príjmovej nerovnosti a chudoby. In: Pacáková, V. (ed.): Štatistické metódy v ekonómii so zameraním na sociálne analýzy : monografický zborník z riešenia vedeckého projektu VEGA 1/4586/07.
Bratislava: EKONÓM. ISBN 978-80-225-2704-0. s.
81-126.
Košice. s. 67-75. ISBN 978-80-553-0573-8.
ŠÚ SR. (2011). Zisťovanie o príjmoch a životných
podmienkach EU SILC 2010 (UDB_31/08/11). [da-
tabáza s mikroúdajmi]. Bratislava: Štatistický úrad
SR.
Tartaľová, A. (2010). Neparametrické metódy odhadu
hustoty rozdelenia. In: Forum Statisticum Slovacum.
Vol. 6, No. 5, pp. 250-255.
Tartaľová, A. (2011). Odhad hustoty rozdelenia zmesou exponenciálnych funkcií. In: Forum Statisticum
Slovacum. Vol. 7, No. 7, pp. 251-256.
Zeileis, A. (2012). Ineq: Measuring Inequality, Concentration, and Poverty. R package version 0.2.10. URL
http://CRAN.R-project.org/package=ineq.
Viera LABUDOVÁ ■ 107
Miery príjmovej nerovnosti
Viera LABUDOVÁ1
1
Income Inequality Measures
Keywords
Income inequality, Theil’s L index,
Theil’s T index, Atkinson index.
JEL Classification
D63, I32
University of Economics, Faculty of
Economic Informatics, Dolnozemská 1,
852 35 Bratislava, Slovakia,
[email protected]
1
Abstract
The measurement of social inequality is a timely and important topic. Income inequality measure or income distribution measures are used to
measure the distribution of income and economic inequality among the
participants in a particular economy. Among the most common metrics
used to measure inequality are the Lorenz curve and the Gini index
(Gini coefficient). Income inequality measures such as the generalised
entropy index and the Atkinson index offer the ability to examine the effects of inequalities in different areas of the income spectrum.
ÚVOD
Nerovnosť príjmov a z neho vyplývajúce štatistické rozloženie domácností podľa príjmov je indikátorom ekonomickej vyspelosti krajiny, funkčnosti
sociálnej politiky štátu a správnosti opatrení aplikovaných v sociálnej oblasti. Kvantifikácia nerovnosti príjmov býva často súčasťou širšej analýzy
týkajúce sa chudoby a blahobytu, hoci existuje výrazný rozdiel medzi týmito pojmami.
Nerovnosť je širší pojem ako chudoba, pretože
je definovaná a meraná na celej distribúcii príjmov
(pri jej kvantifikácii sú vstupmi príjmy celej populácie), pričom chudoba je definovaná len na distribúcii pod určitou hranicou chudoby. Na druhej
strane je nerovnosť oveľa užší pojem ako blahobyt.
V mnohých analýzach sa často zamieňajú pojmy nerovnosť a polarizácia. Pod nerovnosťou vo
všeobecnosti rozumieme nedostatok rovnosti, napr.
v oblasti príležitostí, postavenia, zaobchádzania.
Polarizáciu potom chápeme ako koncentráciu skupín, síl aspoň dvoch konfliktných pozícií.
Nerovnosť síce patrí medzi ekonomické kategórie, no jej multidisciplinárny charakter vyžaduje,
aby sa jej analýza realizovala pri zohľadnení sociálnych, etických, psychologických, politických
a kultúrnych súvislostí. K nerovnosti možno pristupovať ako k nerovnosti vertikálnej, ktorá sa pre-
javuje medzi skupinami a jednotlivcami, a horizontálnej – medzi regiónmi, krajinami.
Najviditeľnejšími formami nerovnosti sú nerovnosť bohatstva a príjmu. Ako uvádza Mareš (1999)
príjmová nerovnosť (nerovnosť v rozdelení príjmov) je ovplyvnená sociálnou pozíciou, etnickou
príslušnosťou, pohlavím, vekom a povolaním jednotlivca. Príčinou príjmovej diferenciácie môže
byť regionálna príslušnosť jednotlivca, domácnosti, typ a veľkosť sídla. Ďalej ju môže ovplyvňovať
veľkosť domácnosti, počet ekonomicky aktívnych
členov, ich vek a vzdelanie, stabilita a forma ich
príjmu.
Problematikou nerovnosti rozdeľovania príjmov
sa na Slovensku zaoberá viacero autorov, pričom
za hlavný zdroj vstupných údajov ich analýz možno považovať zisťovanie EU SILC (pozri napr.
Labudová, 2010; Labudová, 2011; Pacáková, Sipková a Sodomová, 2005; Sipková, 2004; Sipková
a Sipko, 2010, 2012; Želinský, 2010a, 2010b; Želinský a Stankovičová, 2012), rodinné účty (pozri
napr. Labudová a Pacáková, 2011), príp. individuálne údaje Sociálnej poisťovne (pozri napr. Pauhofová, 2010).
I. MERANIE PRÍJMOVEJ NEROVNOSTI
Na meranie príjmovej nerovnosti a pozorovanie jej
zmien možno použiť rôzne miery. Všeobecne ich
možno rozdeliť do dvoch skupín. Jednu tvoria ukazovatele, ktoré majú tvar pomeru príjmu (prepočítaného na obyvateľa, domácnosť, resp. inú jednotku) najbohatšej a najchudobnejšej skupiny obyvateľov. Hlavným nedostatkom týchto mier je skutočnosť, že uvažujú príjmy vybraných skupín obyvateľstva a nezohľadňujú rozdelenie príjmov
v sledovaných skupinách a v intervale medzi týmito skupinami.
Druhú skupinu tvoria miery, ktoré sú založené
na rozdelení (distribúcii) príjmov celej populácie.
Sala-i-Martin (2002) rozdeľuje tieto miery do
troch kategórií. Do prvej patria „ad hoc“ indexy
ako je Giniho koncentračný koeficient (Giniho index), stredná kvadratická odchýlka príjmu, stredná
kvadratická odchýlka logaritmu príjmu.
Druhú skupinu tvoria indexy, ktoré sú založené
na „sociálnej funkcii“ blahobytu (Social Welfare
Function Indexes). Sem patrí napr. Atkinsonov index nerovnosti.
Do poslednej skupiny patria miery, ktoré vyhovujú tzv. axiomatickému princípu nerovnosti –
axiomatické indexy. Buourguignon (1979) a Cowell (1995) ukazujú, že axiomatickému princípu
(všetkým axiomám) vyhovujú iba miery generalizovanej entropie.
II. AXIOMATICKÝ KONCEPT PRÍJMOVEJ
NEROVNOSTI
Miery, ktorými meriame nerovnomernosť rozdelenia, by mali vyhovovať požiadavkám, ktoré sú obsiahnuté v nasledujúcich axiómach (Cowell, 1985):
Pigou-Daltonov princíp prenosu (citlivosti
prenosu v rámci daného rozdelenia) znamená, že
pri prerozdelení hodnôt premennej by sa mala hodnota tejto miery primeraným spôsobom zmeniť.
Napríklad pri transfere príjmu od skupiny chudobných smerom k bohatým by sa mala hodnota miery príjmovej nerovnosti zvýšiť (nemala by klesnúť). Prenos príjmov od bohatých k chudobným by
mal viesť ku zníženiu jej hodnoty (hodnota by sa
nemala zvýšiť).
Predpokladajme, že
y
je vektor príjmov
y1 , y2 , ... yn , kde n vyjadruje počet jednotiek
o1 , o2 , ...on danej populácie (jednotlivcov, domácností,...) a y , je vektor príjmov, ktorý vznikol
transferom príjmu δ medzi objektmi s príjmami
y j a yi vektora príjmov y . Ak platí yi > y j , pričom yi + δ > y j − δ , podmienka je splnená ak pre
( )
miery I y ,
( )
a I (y ) platí nerovnosť I y , ≥ I (y ) .
Tejto požiadavke vyhovujú miery zo skupiny generalizovanej entropie, miery Atkinsonovej triedy,
ale aj Giniho index. (Cowell, 1995)
Nezávislosť od stupnice merania znamená, že
veľkosť miery nerovnomernosti sa nebude meniť
pri proporcionálnej zmene analyzovanej premennej. Ak meriame nerovnomernosť rozdelenia príjmov, po zvýšení všetkých príjmy na ich λ - násobok, kde λ je ľubovoľná konštanta, veľkosť miery
sa nezmení: I (y ) = I (y ⋅ λ ) .
Väčšina používaných mier nerovnomernosti
spĺňa túto podmienku, výnimkou je rozptyl.
Princíp symetrie (anonymity) je definovaný
ako schopnosť miery zachovať si svoju veľkosť, ak
dôjde k výmene príjmov medzi dvojicou jednotlivcov alebo domácností. To znamená, že veľkosť
miery nie je ovplyvnená inými charakteristikami
jednotlivcov alebo domácností, okrem tých charakteristík, ktorých nerovnomernosť rozdelenia je meraná. Miera sa nezmení, ak dôjde k náhodnej permutácii hodnôt medzi objektmi, ktoré sú predmetom analýzy. Pre všetky permutácie y a y , platí:
( )
I y , = I (y ) .
Princíp relatívnej nezávislosti od priemeru
Princíp populačnej homogénnosti vyžaduje od
miery nerovnosti, aby sa nemenila, ak sa zmení
veľkosť populácie. To znamená, že veľkosť miery
sa nezmení, ak dôjde k zlúčeniu identických rozdelení. Pre ľubovoľnú konštantu λ >0 platí:
I (y ) = I (y[λ ]) , kde y[λ ] vyjadruje λ - násobnú
replikáciu populácie.
Princíp rozložiteľnosti. Ak je splnená požiadavka rozložiteľnosti, môžeme mieru nerovnosti
pre celú populáciu vypočítať aj na základe jej hodnôt pre podmnožiny, na ktoré je možné celú populáciu rozložiť bezo zvyšku:
I TOTAL = I BETWEEN + IWITHIN , kde I TOTAL je hodnota
miery na celej populácii, I BETWEEN je medziskupinová hodnota miery a IWITHIN je vnútroskupinová
hodnota miery.
Praktický význam tejto vlastnosti spočíva v tom,
že po zvýšení hodnoty takejto miery na podmnožinách celkovej populácie, možno očakávať jej zvýšenie na celej populačnej množine:
Všetky uvedené vlastnosti majú miery zo skupiny generalizovanej entropie a Atkinsonov index.
Veľmi často používaný Giniho index nespĺňa
podmienku rozložiteľnosti. Pri jeho rozklade môže
vzniknúť tzv. prekryvová časť (transvariation).
zvyšuje príjmová nerovnosť. Koeficient α vo vzťahoch (1) a (2) je váhou vzdialeností medzi príjmami v rôznych častiach príjmového rozdelenia a najčastejšie nadobúda hodnoty 0,1 a 2.
Pre hodnotou α = 0 dostávame Theilov L index:
Theil L = GE (0) =
1 n
y
log
∑
n i =1
yi
Pre hodnotu α = 1 dostávame Theilov T index:
1 n yi
y
(4)
log i
∑
n i =1 y
y
Obidva vzťahy môžeme pri rozdelení populácie do
k regiónov vyjadriť vo váženom tvare:
k n
y
(5)
Theil L = GE (0 ) = ∑ j log
yj
j =1 n
Theil T = GE (1) =
k
Theil T = GE (1) = ∑
i= j
nj yj
n y
1
GE (α ) = 2
α −α
 1 n  y α 
 ∑  i  − 1
 n i=1  y 

1  y 
Aε = 1 −  ∑  i 
 n i =1  y 
Aε = 1 −
kde yi je hodnota premennej (príjmu) pre i-tý
1
GE (α ) = 2
α −α
nj

 n
α

 yj 


−
1

∑
 
j =1  y 

k
kde y j je priemerná hodnota premennej a
(2)
nj
n
je
podiel obyvateľov v j-tom regióne.
GE (α )
nadobúda
minimálnu
hodnotu
1− ε
n
1
n
i
n
Ak sú objekty celej populácie rozdelené do
k oblastí (regiónov), môžeme použiť vážený tvar
vzorca (1)
0
v prípade príjmovej rovnosti, s rastom jej hodnôt sa
yj
y
(6)
Ďalšiu skupinu mier predstavujú miery Atkinsonovho indexu nerovnosti:
(1)
objekt, (i = 1, 2,...n ) , y je jej priemerná hodnota.
log
IV. ATKINSONOV INDEX NEROVNOSTI
III. MIERY GENERALIZOVANEJ ENTROPIE
Miery zo skupiny generalizovanej entropie majú
všeobecný tvar:
(3)
∏y
i =1
y



1
1− ε
, ε ≠1
,ε =1
(7)
(8)
Atkinsonov index nerovnosti je založený na
„spravodlivom
priemernom
príjme“
1
1− ε
1 n
1− ε 
yε =  ∑ ( yi )  . „Spravodlivý priemerný prí n i =1

jem“ je príjmom, ktorý ak je rovnomerne rozdelený
v populácii, zabezpečí jej rovnakú úroveň blahobytu ako existujúce rozdelenie príjmov.
Vo vzťahoch (7) a (8) vystupuje parameter ε ,
ktorý sa nazýva parameter averzie voči rovnosti.
Jeho nulová hodnota indikuje nezáujem spoločnosti o rozdelenie príjmov. Opakom je jeho extrémna
hodnota ∞ , ktorá je prejavom záujmu spoločnosti
len o jednotlivca s najnižšou hodnotou príjmu.
Atkinsonov index nerovnosti nadobúda minimálnu hodnotu 0 v prípade absolútnej príjmovej
rovnosti a maximálnu hodnotu 1 v prípade absolútnej príjmovej nerovnosti.
k
k
y y
y 
y 
(12)
Theil T = ∑  j  T j + ∑  j  log j
nj n
j =1  y 
j =1  y 
Rozklad Theilovho indexu umožňuje identifikovať vplyv regionálnych nerovností na rôznych
úrovniach regionálneho členenia (podmnožinách
populácie) na príjmovú nerovnosť celej krajiny
(celej populácie.)
V. ROZKLAD MIER NEROVNOSTI
Ak je celá populácia rozdelená do niekoľkých populačných podmnožín, môžeme obidve vyššie uvedené miery I vyjadriť ako súčet tzv. vnútroskupinovej nerovnosti (within-group) IW a medziskupinovej nerovnosti (between group) I B .
V tomto príspevku uvedieme rozklad generalizovanej entropie. Vnútroskupinovú zložku nerovnosti určíme na základe vzťahu:
k
IW = ∑ w j GE (α ) j , pričom w j = vαj f j1−α
(9)
j =1
kde f j je podiel populácie j-tej podmožiny, v j
je podiel príjmu j-tej podmožiny a GE (α ) j je miera nerovnosti v j-tej podmnožine (j =1, 2, ...k).
Medziskupinovú zložku nerovnosti vypočítame
takto:
α

1  k  yj 
IB = 2
∑ f j   − 1
α − α  j =1  y 


(10)
Podiel I B I potom vyjadruje podiel regionálnych rozdielov na celkovej nerovnomernosti rozdelenia príjmov.
Theilovo L môžeme rozložiť na vnútroskupinovú a medziskupinovú nerovnosť:
k
k n
n n
n 
Theil L = ∑  j  L j + ∑ j log j
yj y
j =1  n 
j =1 n
(11)
kde y j je príjem a n j početnosť j-tej podmnožiny, y je príjem, n je početnosť celej populácie a
L j je Theilovo L na j-tej podmnožine.
Rozklad Theilovho T je potom:
VI. VÝSLEDKY ANALÝZY
Na meranie nerovnosti rozdelenia ekvivalentného
disponibilného príjmu sme použili individuálne
údaje zo Zisťovanie o príjmoch a životných podmienkach (EU SILC). Príjmovou premennou, ktorú
sme sledovali, bol ekvivalentný disponibilný príjem domácnosti. Disponibilný príjem domácnosti
vzniká napočítaním všetkých zložiek príjmu
a odpočítaním daní a odvodov na sociálne poistenie a pravidelných platených transferov medzi domácnosťami. Okrem hodnoty Giniho koeficienta
sme vypočítali hodnoty Theilovho indexu. Rozklad
Theilovho indexu nám umožnil vyčísliť individuálny podiel každej z jednotiek vstupujúcej do analýzy. Uskutočnili sme dva rozklady, pri prvom nás
zaujímalo, aký vplyv majú regióny úrovne NUTS 3
(kraje SR) na celkovú nerovnomernosť rozdelenia
ekvivalentného disponibilného príjmu a ako sa jednotlivé kraje podieľajú na celkovej nerovnomernosti v rozdelení príjmov, resp. ktoré z krajov majú
najväčší podiel na nerovnomernosti.
Pri druhom rozklade sme analyzovali vplyv
ekonomickej aktivity osoby stojacej na čele domácnosti.
Najväčšou nerovnosťou v rozdelení ekvivalentného disponibilného príjmu sa vyznačoval Bratislavský kraj (Thail T=0,058554; Gini=0,282375),
najnižšia nerovnosť bola zistená v Prešovskom kraji (Thail T=0,035894; Gini=0,218522).
Vzhľadom na vlastnosť rozkladu Theilovho indexu sme mali možnosť porovnať vplyv regionálnych rozdielov na celkovú nerovnosť v rozdelení
výdavkov na celom území Slovenska. Medziregionálne rozdiely (rozdiely medzi jednotlivými krajmi
Slovenska) predstavovali z celkovej nerovnosti
rozdelenia výdavkov meranej na území Slovenska
len 5,5 %, (tab.1).
Tab. 1: Miery nerovnosti pre kraje
Kraj
T_index
Giniho index
TB
BL 0,058554
0,282375
TA 0,038737
0,228406
TC 0,046418
0,230886
NI 0,042959
0,241247
0,00257
ZI
0,04436
0,240996
(5,5%)
BC 0,045204
0,245218
PV 0,035894
0,218522
KI 0,039863
0,234938
SR 0,046619
0,246633
Meranie sociálnej nerovnosti využívajúce ukazovateľ ekvivalentný disponibilný príjem domácnosti sme zrealizovali aj na objektoch, ktoré nepredstavovali regióny v zmysle regionálneho členenia územia Slovenska. Regióny v poňatí geografickom sme nahradili pomyselnými regiónmi, ktoré
boli tvorené skupinami domácností líšiacimi sa základným ekonomickým statusom osoby stojacej na
čele domácnosti.
Tab. 2: Miery nerovnosti pre sociálne skupiny
domácností
Status zákl.
ekon. aktivity
pracujúci
nezamestnaný
dôchodca
iná neaktívna
osoba
SR
T_index
TB
0,045378
0,107423
0,005637
0,025038
(12,14%)
0,040915
0,046436
Giniho index
0,244588
0,372055
0,176327
0,234829
0,246178
Najväčšia nerovnomernosť v rozdelení ekvivalentného disponibilného príjmu bola v skupine domácností, ktorých prednosta je nezamestnaný
(Thail T=0,0,107423; Gini=0,372055). Množina
domácností, na čele ktorých je dôchodca sa vyzna-
čuje najmenšou nerovnosťou v rozdelení ekvivalentného
disponibilného
príjmu
(Thail
T=0,025038; Gini=0,176327). Vplyv základného
ekonomického statusu osoby stojacej na čele domácnosti je oveľa silnejší ako vplyv príslušnosti
domácnosti k regiónu. Medziskupinová zložka
Thailovho indexu predstavovala 12,14 % celkovej
hodnoty indexu (tab. 2).
Uvedené výsledky možno konfrontovať aj
s výsledkami analýzy monetárnej chudoby, pri ktorej bol sledovaný vplyv premenných, ktoré opisujú
domácnosti a osoby stojace na čele týchto domácností (Labudová, 2011). Pri analyzovaní vplyvu
premenných na výskyt monetárnej chudoby v domácnostiach Slovenska sa ukázalo, že najsilnejšie
ovplyvňuje výskyt monetárnej chudoby premenná
základný ekonomický status osoby stojacej na čele
domácnosti. Premenná kraj bola z hľadiska svojho
vplyvu až na šiestom mieste (za premennými typ
domácnosti, počet detí, najvyššie dosiahnuté vzdelanie osoby stojacej na čele domácnosti, pohlavie
osoby stojacej na čele domácnosti, stupeň urbanizácie).
ZÁVER
Pri meraní príjmovej nerovnosti sa najčastejšie používa Lorenzova krivka a Giniho koeficient koncentrácie. Existuje skupina mier, ktoré umožňujú
analyzovať príjmovú nerovnosť populácie vzhľadom na existujúce disparity jej podmnožín, ktoré
sú vytvorené na základe istých charakteristík jej
subjektov. V tomto príspevku sme načrtli možnosti
použitia Theilovho indexu. Väčšina analýz využíva
tento index na meranie vplyvu geografického regiónu alebo regiónu v zmysle NUTS klasifikácie.
My sme naznačili možnosť rozšírenia takejto analýzy aj pre objekty, „regióny“, ktoré sú vytvorené
klasifikáciou domácností na základe hodnôt (kategórií) sledovanej štatistickej premennej.
LITERATÚRA
Atkinson, A. B. (1970). On the Measurement of Inequality. In: Journal of Economic Theory. Vol. 3, No. 2,
pp. 244-263.
Bourguignon, F. (1979). Decomposable Income Inequality Measures. In: Econometrica. Vol. 47, No. 4,
pp. 901-920.
Cowell, F.A. (1985). Measures of Distributional Change: An Axiomatic Approach. In: Review of Economic Studies. Vol. 52, No. 1, pp. 135-151.
Cowell, F.A. (1995). Measuring Income Inequality.
Harvester Wheatsheaf, Hemel Hempstead.
Cowell, F.A., S.P. Jenkins. (1995). How Much Inequality can we Explain? A Methodology and an Application to the USA. In: Economic Journal. Vol. 105,
No. 429, pp. 421-430.
Jílek, J. a kol. (2001). Nástin sociáněhospodářské statistiky. Praha: Vydavatelstvo VŠE. ISBN 80-2450214-3.
Labudová, V. (2010). Miery príjmovej nerovnosti. In:
Forum statisticum Slovacum. Roč. 6, č. 5, s. 127131.
Labudová, V. (2011). Predictive Modeling Using SAS
Enterprise Miner. In: Quantitative Methods for the
Analysis of Economic and Social Consequences of
Transition Processes in Central-East European Countries. proceedings of the 18th Polish-SlovakUkrainian scientific seminar organized by the Department of Demography of the Cracow University
of Economics. Krakow : Akademia Ekonomiczna w
Krakowie.
Labudová, V., Pacáková, V. (2011). Regionálna
analýza výdavkov domácností Slovenskej republiky
v rokoch 2004-2008. In: Bartošová, J. (ed.): Analýza
a modelování finančního potenciálu českých
(slovenských) domácností: monografický sborník
statí z řešení projektu GAČR 402/09/0515. Praha:
Nakladatelství Oeconomica. s. 61-72. ISBN 978-80245-1753-7.
Litchfield, J. A. (1999). Inequality: Methods and
Tools.Washington, DC: Svetová banka. Dostupné
na: www.worldbank.org/poverty/inequal/index.htm
Mareš, P. (1999). Sociologie nerovnosti a chudoby.
Praha: Sociologické nakladatelství. ISBN 80-8585061-3.
Mussard, S. et. al. (2003). Decomposition of Gini and
the generalized entropy inequality measures. In:
Economics Bulletin. Vol. 4, No. 7, pp. 1−6.
Pacáková, V., Sipková, Ľ., Sodomová, E. (2005). Štatistické
modelovanie
príjmov
domácností
Roč. 53, č. 4, s. 427-439.
Sala-i-Martin, X. (2002). The Distributing „Rise“ of
Global Income Inequality. National Bureau of Economic Research, NBER Working Paper No. 8904.
Sipková, Ľ. (2004). Prehľad teoretických východísk
merania príjmovej nerovnosti. In: Slovenská štatistika a demografia. Roč. 14, č. 3, s. 36-49.
Sipková, Ľ., Sipko, J. (2012). Analysis of income inequality of employees in the Slovak Republic. In: International Days of Statistics and Economics. Praha,
September 13-15, 2012. Slaný : Melandrium. ISBN
978-80-86175-79-9.
Želinský, T. (2010a). Nerovnosť rozdeľovania príjmov
v krajoch Slovenskej republiky. In: Slovenská štatistika a demografia. Roč. 20, č. 1, s. 49-60.
Želinský, T. (2010b). Pohľad na regióny Slovenska cez
Želinský, T., Stankovičová, I. (2012). Spatial Aspects
of Poverty in Slovakia. In: International Days of
Statistics and Economics. Praha, September 13-15,
2012. Slaný: Melandrium. ISBN 978-80-86175-799.
Jitka LANGHAMROVÁ, Ondřej ŠIMPACH ■ 113
Příjmové nerovnosti podnikatelské a nepodnikatelské sféry
v České republice
Jitka LANGHAMROVÁ1a, Ondřej ŠIMPACH1b
1
Vysoká škola ekonomická v Praze, Fakulta informatiky a statistiky
The Income Inequality of Business and Non-business Sphere in the Czech Republic
Abstract
Keywords
Average wage, business sector, nonThe aim of this study is to compare the inequality of the average gross
business sector, SARIMA.
monthly wage between the Czech business and non-business sector,
using sophisticated approach of modelling of seasonal time series. If we
JEL Classification
compare the evolution of income in the business and non-business secJ11, J31
tor in the Czech Republic, we find the significant inequality between
them, especially at the times of changing of economic growth with eco1 University of Economics in Prague,
nomic slowdown. Czech business sector develops with a different trend
Faculty of Informatics and Statistics,
than the non-business sector. While the non-business sector is manDepartment of Demography, nám. W.
aged by the tables and by the administrative decision and officials, the
Churchilla 4, 130 67 Praha 3, Česká
business sector reacts very quickly to current events in the economy.
republika
The work aims to explain these differences and to outline the trend in
a [email protected]
average wages of Czech business and non-business sector in the future
b [email protected]
to make it clear that the inflexibility of wages in some phases of the economic cycle has significant consequences for the income asymmetry.
Příspěvek byl zpracován v rámci projektu VŠE IGA 29/2011 „Analýza stárnutí obyvatelstva a dopad na
trh práce a ekonomickou aktivitu“.
ÚVOD
Srovnáme-li vývoj příjmů v podnikatelské a nepodnikatelské sféře v České republice zjistíme, že
je mezi nimi výrazná nerovnost (Bílková, 2012).
Vývoj příjmů se zpravidla popisuje pomocí průměrné mzdy. Průměr je však nerobustní statistika,
díky níž často dochází ke značnému vychýlení sledované veličiny (Bílková, 2009 nebo Želinský,
2010). Z tohoto důvodu se v poslední době v příjmové statistice začalo využívat mzdových mediánů, které splňují lepší očekávání robustnosti, avšak
tyto časové řady zatím nejsou dostatečně dlouhé
pro významnější analýzy (viz Bartošová, 2009).
Český podnikatelský sektor se vyvíjí jiným trendem než sektor nepodnikatelský. Zatímco nepodnikatelský sektor je řízen tabulkami a administrativním rozhodnutím úředníků, podnikatelský většinou
velmi rychle reaguje na aktuální dění v ekonomice
(Pavelka, 2011). V nepodnikatelském sektoru v
dobách příchodu hospodářského poklesu prakticky
tito zaměstnanci nezaznamenávají pohybu na
úrovni svého měsíčního příjmu. Statistiky neza
znamenávají až tak velký pokles mezd v ekonomice, jaký by reálně nastal. To má za následek, že lidé v podnikatelském sektoru, kteří byli zasaženi
vlnou ekonomického zpomalení, získávají z medií
informace o situaci, která je publikována pozitivněji, než je její reálná podstata (viz např. Čadil et al.,
2011).
Ovšem tato asymetrie a pozdní reakce mají i
svou opačnou stranu. Když už nepodnikatelský
sektor zaznamená, že došlo ke zpomalení a přichází do plánu nové přepočítání tarifních mezd, ekonomická situace se nachází v jiném bodě, než byla
(Miskolczi, Langhamrová Jitka, Langhamrová Jana, 2011). Dříve nebo později přijde ekonomické
oživení, které může přinést podnikatelskému sektoru nové zakázky, rozšíření výroby, růst zaměstnanosti a posléze pravděpodobně i růstu mezd (Löster, Langhamrová, 2011). Nepodnikatelský sektor
je opět fixován v nějaké úrovni a i přes příchod
krátkodobého oživení v této úrovni zůstává. Z mé-
dií plynou informace, že průměrné mzdy v České
republice rostou. To se ovšem netýká lidí, zaměstnaných v nepodnikatelském sektoru. Jejich mzdy
stagnují, nebo dokonce podle předem naplánovaného tarifního kalendáře, klesají (viz např. Megyesiová, Hudák, 2010).
Srovnáme-li mezi sebou český podnikatelský a
nepodnikatelský sektor z pohledu příjmové statistiky, zjistíme, že dochází z pohledu vývoje v čase k
určitému zpoždění ve vývoji mezd (obdobné, jako
ve studii Řezankové, Löstera, 2011). S využitím
sofistikovaného přístupu modelování časových řad
lze poměrně velmi dobře odhadnout i vývoj příjmové situace podnikatelské a nepodnikatelské sféry v blízké budoucnosti. S využitím namodelovaného trendu inflace lze upozornit i na situaci, jak se
bude vyvíjet mzdová nerovnost mezi zaměstnanci
podnikatelské a nepodnikatelské sféry v České republice a s využitím namodelovaného trendu
hrubého domácího produktu lze zase upozornit na
vzájemnou nesouvislost mezi některými úseky vývoje průměrných mezd a výkonu národního hospodářství
(obdobná
studie
viz
Miskolczi,
Langhamrová, Fiala, 2011).
I. VSTUPNÍ PŘEDPOKLADY A METODIKA
Pro potřeby analýzy příjmových nerovností české
podnikatelské a nepodnikatelské sféry byly využity
databáze Českého statistického úřadu (ČSÚ) a Informačního systému o průměrném výdělku (ISPV).
Z důvodu harmonizace všech uvažovaných časových řad byl v předkládané studii zvolen jednotný
počátek roku 2000 a všechny zde uvedené časové
řady jsou uvažovány s čtvrtletní frekvencí. Využito
bylo čtvrtletních pozorování průměrné hrubé měsíční mzdy v nepodnikatelské sféře a průměrné
hrubé měsíční mzdy v podnikatelské sféře, hrubého
domácího produktu České republiky v běžných cenách a indexů spotřebitelských cen, kde báze v indexech spotřebitelských cen je z metodiky ČSÚ
zvolena jako průměr roku 2005. Hrubý domácí
produkt České republiky je uvažován v běžných
cenách z toho důvodu, že průměrné mzdy jsou
uvažovány v cenách svého běžného roku, tj. také
v běžných cenách (Bartošová, Forbelská, 2010).
Žádné očišťování o vliv cenové hladiny se u průměrných mezd neprovádí, proto využití stálých cen
roku 2005 v nominální hodnotě domácího produktu
by zapříčinilo klamavé výsledky. Uvažovaná časová řada průměrných hrubých měsíčních mezd české nepodnikatelské sféry od 1. čtvrtletí 2000 do 4.
čtvrtletí 2011 je zobrazena na obrázku 1.
Obr. 1: Vývoj průměrné hrubé měsíční mzdy v nepodnik. sféře ČR(v Kč, 1Q2000–4Q2011)
Zdroj: ČSÚ, ISPV, vlastní konstrukce
Je důležité upozornit zejména na výrazné sezónní výkyvy při přechodu mezi 4. a 1. čtvrtletím
každého roku. Je to způsobeno zejména tím, že ke
konci roku nepodnikatelský sektor rozděluje zbývající peněžní prostředky zaměstnancům na vyšších pracovních pozicích v podobě mimořádných
odměn či třináctých platů (Megyesiová, 1999). Jelikož se většinou právě jedná o vyšší pracovní pozice, jsou i běžné průměrné mzdy těchto zaměstnanců vyšší a tím i úměrně vyšší tyto odměny. Při
pohledu na obrázek 2 vidíme vývoj časové řady
průměrných hrubých měsíčních mezd české podnikatelské sféry od 1. čtvrtletí 2000 do 4. čtvrtletí
2011. Je znatelné mnohem menší rozkolísání
v úrovni průměrných mezd při přechodech mezi 4.
a 1. čtvrtletím. Český podnikatelský sektor je totiž
silně zatížen sezónností různých odvětví v různých
ročních obdobích (stavebnictví, zemědělství, průmysl, doprava apod.), a tato různá odvětví výrazná
rozkolísání při střídání jednotlivých kvartálů kompenzují.
dě nepodnikatelského sektoru ještě celý rok 2009
nenastává žádná změna, ten ve svém trendovém
vývoji pokračuje dál.
Obr. 2: Vývoj průměrné hrubé měsíční mzdy v podnik. sféře ČR (v Kč, 1Q2000–4Q2011)
Obrázky 1 a 2 mají stejné měřítko osy y, a proto
je možné vzájemně je porovnat. Pro lepší vystižení
trendu, který je zakryt sezónností, bylo provedeno
sezónní očištění obou časových řad sofistikovanou
metodou X12-ARIMA a tyto očištěné časové řady
jsou v obrázkách 1 a 2 též zobrazeny. Zatímco u
nepodnikatelské sféry prakticky ještě celý rok
2009, kdy již naplno probíhal ekonomický pokles
světové i domácí ekonomiky, průměrné mzdy stále
neměnily trend a pokračovaly v růstu, u podnikatelské sféry byl zaznamenán jiný trend. Počátek
ekonomického oslabení nastal přibližně ve třetím
čtvrtletí roku 2008 a z vývoje průměrných mezd
českého podnikatelského sektoru vyplývá, že již
v průběhu roku 2008 došlo ke zpomalení růstu.
Na obrázku 3 je zobrazen vývoj průměrných
mezd české podnikatelské a nepodnikatelské sféry
v jednom grafu, ze kterého je patrné, že průměrné
mzdy nepodnikatelského sektoru byly od počátku
roku 2000 nad úrovní sektoru podnikatelského.
Mezi lety 2004 až 2008 byl rozdíl v těchto průměrných mzdách nejvyšší. Jelikož podnikatelský sektor reaguje na tržní impulzy rychleji, v počátku
roku 2008 došlo k jakémusi dohnání úrovně mezd
nepodnikatelského sektoru a to pravděpodobně
z důvodu, že začalo docházet k přehřívání ekonomiky. V závěru roku 2008 nastává hospodářský
pokles a průměrné mzdy podnikatelského sektoru
začínají ve svém rostoucím trendu brzdit. V přípa-
Obr. 3: Vývoj průměrné hrubé měsíční mzdy v nepodnikatelské a podnikatelské sféře ČR
(v Kč, 1Q2000–4Q2011)
Pro nastínění vývoje výkonu národního hospodářství České republiky je v obrázku 4 konfrontován vývoj průměrných hrubých měsíčních mezd
české podnikatelské a nepodnikatelské sféry (od 1.
čtvrtletí 2000 do 4. čtvrtletí 2011) s vývojem
hrubého domácího produktu v běžných cenách (od
1. čtvrtletí 2000 do 1. čtvrtletí 2012).
Obr. 4: Vývoj průměrné hrubé měsíční mzdy v nepodnik. a podnik. sféře ČR (v Kč) v konfrontaci
s vývojem HDP (v mil. Kč)
Zdroj: ČSÚ, vlastní konstrukce
I když ve srovnání s odhady průměrných mezd
jsou odhady hrubého domácího produktu značně
nepřesné, neboť se jedná o matematicky složitý a
administrativně náročný proces, je možno hovořit o
jisté korelaci mezi vývojem průměrných mezd
podnikatelského sektoru a hrubého domácího produktu.
Jiného výsledku dosáhneme, když vypočteme
indexy hrubého domácího produktu a indexy průměrných hrubých měsíčních mezd nepodnikatelské
a podnikatelské sféry. Indexy hrubého domácího
produktu v běžných cenách získáme jako
a dále pak obdobným způsobem indexy průměrných hrubých měsíčních mezd v nepodnikatelské
sféře jako
Obr. 5: Vývoj indexů průměrné hrubé měsíční mzdy
v nepodnik. a podnik. sféře ČR v konfrontaci
s vývojem indexů HDP (průměr 2005 = 100)
Zdroj: vlastní výpočet na základě dat ČSÚ
a indexy průměrných hrubých měsíčních mezd
v nepodnikatelské sféře jako
Jelikož indexy v sobě mají zakomponovánu i
sezónnost, která zastiňuje trend, v obrázku 6 jsou
zobrazeny po sezónním očištění. Při této interpretaci bychom mohli dospět k závěru, že podnikatelský sektor nezaznamenal ani po ekonomickém
zpomalení po roce 2008 žádné výraznější zpomalení.
kde MNS je průměrná mzda v nepodnikatelské sféře a MPS je průměrná mzda v podnikatelské sféře.
Jelikož je pro všechny indexy společný základ
průměr roku 2005 = 100 %, je možno je mezi sebou srovnávat. Toto srovnání zachycuje obrázek 5,
kde jsou zobrazeny vypočtené indexy hrubého domácího produktu v běžných cenách a indexy průměrných hrubých měsíčních mezd nepodnikatelské
a podnikatelské sféře.
Nyní po převedení na společný základ je patrný
jiný závěr. Jelikož v období roku 2005 byly průměrné hrubé měsíční mzdy nepodnikatelské sféry
nad úrovní sféry podnikatelské, jmenovatel ve výpočtu indexů hrubých měsíčních mezd nepodnikatelské sféry je vyšší a tím dochází k tomu, že indexy růstu ve sféře podnikatelské jsou v závěru pozorování vyšší a indexy růstu ve sféře nepodnikatelské v závěru pozorování nižší.
Obr. 6: Vývoj sezonně očištěných indexů průměrné
hrubé měsíční mzdy v nepodnik. a podnik. sféře ČR
v konfrontaci s vývojem indexů HDP
(průměr 2005 = 100)
Je vidět, že indexy hrubého domácího produktu
začaly na ekonomické oslabení světové ekonomiky
reagovat již v roce 2008. Indexy průměrné mzdy
nepodnikatelského i podnikatelského sektoru dále
rostly, avšak z výše uvedených výsledků je patrné,
že ve třetím čtvrtletí 2009 reaguje jako první index
průměrné mzdy nepodnikatelského sektoru. Klesá
na úroveň vývoje indexů hrubého domácího produktu a od 3. čtvrtletí 2010 se drží na obdobném
trendu, jako je růst indexů HDP.
Aby bylo přehledné, jaký rozdíl vytvoří změna
v interpretaci vývoje průměrných mezd a hrubého
domácího produktu, srovnejme nyní obrázek 6,
který zobrazuje sezonně očištěné indexy těchto veličin s obrázkem 7, který zmíněné veličiny zobrazuje ve svém nominálním, též sezonně očištěném
vyjádření. HDP již v průběhu roku 2008 začíná
klesat a klesá i v roce 2009.
Obr. 7: Vývoj sezonně očištěné průměrné hrubé měsíční mzdy v nepodnik. a podnik. sféře ČR (v Kč)
v konfrontaci s vývojem HDP (v mil. Kč)
Zdroj: ČSÚ, vlastní konstrukce
Sezonně očištěné průměrné hrubé měsíční mzdy
začínají ve svém růstu od roku 2009 zpomalovat,
s průměrnými hrubými měsíčními mzdami nepodnikatelského sektoru se až do konce roku 2009
prakticky nic neděje. Od počátku roku 2010 přichází úsporná opatření, která tabulkově mění měsíční mzdy zaměstnancům nepodnikatelské sféry.
Ty jsou korigovány tak, aby dosáhly na podobnou
úroveň, jako je tomu u podnikatelského sektoru po
sezonním očištění. Od počátku roku 2011 je vývoj
průměrných mezd v podnikatelské a nepodnikatelské sféře České republiky obdobný.
II. REÁLNÝ MZDOVÝ VÝVOJ
Pro další část analýzy byla z databáze ČSÚ pořízena časová řada indexů spotřebitelských cen s čtvrtletní frekvencí, kde indexy mají zvolený základ
průměr roku 2005 = 100 %. Pozorování začínají 1.
čtvrtletím 2000 a končí 2. čtvrtletím 2012. Konfrontace indexů spotřebitelských cen se základem
průměru roku 2005 = 100 % s indexy průměrných
hrubých měsíčních mezd podnikatelské a nepodnikatelské sféry, kde základ je též průměr roku 2005
= 100 % je v obrázku 8. Všechny tři uvažované časové řady vykazují přítomnost sezónnosti i na 1%
hladině významnosti.
Obr. 8: Vývoj indexů průměrné hrubé měsíční mzdy
v nepodnik. a podnik. sféře ČR v konfrontaci
s vývojem ISC (průměr 2005 = 100)
I přes přítomnost sezónnosti je zřejmé, že nárůst
cenové hladiny v čase je pomalejší než nárůst průměrných hrubých měsíčních mezd. Pro lepší vystižení trendu však uvažujme raději obrázek 9, kde
jsou výše zmíněné časové řady indexů spotřebitelských cen a indexů průměrných hrubých měsíčních
mezd zobrazeny po svém sezónním očištění.
Přibližně od počátku roku 2008 má časová řada
indexů průměrných hrubých měsíčních mezd podnikatelské sféry shodný trend jako časová řada indexů spotřebitelských cen. Z tohoto důvodu zaměstnanci podnikatelského sektoru v období od
roku 2008 do roku 2011 nezaznamenávali změny
ve svém reálném hrubém měsíčním příjmu, neboť
znehodnocování peněz růstem cenové hladiny probíhalo obdobnou rychlostí, jako narůstaly jejich
mzdy.
hrubých měsíčních mezd v podnikatelské sféře (viz
tabulka 2) a dále model ARIMA (1, 0, 0) s konstantou pro časovou řadu indexů hrubého domácího produktu v běžných cenách (viz tabulka 3).
Tab. 1: Model pro indexy průměrných mezd
- nepodnikatelská sféra
Parametr Koeficient St.chyba t-stat. p-hodn.
AR(1)
1.012639 0.001749 578.8290 0.0000
Zdroj: Statgraphics Centurion, vlastní výpočet
Tab. 2: Model pro indexy průměrných mezd
- podnikatelská sféra
C
148.1076 25.70988 5.760726 0.0000
AR(1)
0.974372 0.012830 75.94609 0.0000
Obr. 9: Vývoj sezonně očištěných indexů průměrné
v konfrontaci s vývojem ISC
(průměr 2005 = 100)
Jiná situace ovšem byla u zaměstnanců nepodnikatelské sféry. V období největšího dopadu hospodářského poklesu jejich reálné mzdy spíše rostly,
neboť indexy průměrných hrubých měsíčních
mezd rostly rychleji než indexy spotřebitelských
cen. Zaměstnanci nepodnikatelského sektoru si
v období 1. až 3. čtvrtletí 2009 mohli reálně nakoupit větší množství zboží a služeb. Teprve k závěru roku 2009 přichází opatření, které mzdy staví
na jinou úroveň. Ve 4. čtvrtletí 2009 již nastává
pokles těchto mzdových indexů a až do konce roku
2010 intenzivní pokles neustává.
III. PREDIKCE BUDOUCÍHO VÝVOJE
Dle příslušných postupů, uvedených Boxem a Jenkinsem (1970), je možno analyzovat sezónní i nesezónní časové řady a odhadnout předpovědi do
budoucna (za předpokladu ceteris paribus). Z uvedené metodologie byl identifikován model ARIMA
(1, 0, 0) pro časovou řadu indexů průměrných
hrubých měsíčních mezd v nepodnikatelské sféře
(viz tabulka 1), dále model ARIMA (1, 0, 0) s konstantou pro časovou řadu indexů průměrných
Tab. 3: Model pro indexy HDP
C
153.8104 28.76917 5.346362 0.0000
AR(1)
0.978675 0.011197 87.40229 0.0000
Z výše uvedených modelů, které na 5% hladině
významnosti nevykazují přítomnost autokorelace v
reziduích (viz Box, Pierce, 1970), mají konstantní
rozptyl, tzv. homoskedasticitu (viz Engle, 1995) a
normální rozdělení (viz Jarque a Bera, 1980), je
možno vypočítat krátkodobé předpovědi indexů
průměrných
hrubých
měsíčních
mezd
v nepodnikatelské sféře, indexů průměrných
hrubých měsíčních mezd v podnikatelské sféře a
indexů hrubého domácího produktu v běžných cenách za jinak stejných okolností s využitím všech
doposud známých událostí, které jsou v časové řadě zaznamenány.
Trend indexů průměrných hrubých měsíčních
mezd v nepodnikatelské a podnikatelské sféře od 1.
čtvrtletí 2012 do 4. čtvrtletí 2015 je zobrazen v obrázku 10, pro srovnání s odhadovaným vývojem
indexů hrubého domácího produktu je možno tyto
řady konfrontovat v obrázku 11. Je zřejmé, že
v nejbližších letech se pro Českou republiku nedá
očekávat nějaký výraznější růst ekonomiky.
SARIMA s konstantou (viz tabulka 4) a pro podnikatelskou sféru byl identifikován sezónní autoregresní model SARIMA bez konstanty (viz tabulka
5).
Tab. 4: Model pro průměrnou hrubou měsíční mzdu
– nepodnikatelské sféra
C
33784.76 5570.062 6.065419 0.0000
AR(1)
0.418765 0.144309 2.901857 0.0060
SAR(4) 0.927906 0.027689 33.51222 0.0000
Obr. 10: Předpověď sezonně očištěných indexů
průměrné hrubé měsíční mzdy v nepodnik. a podnik. sféře ČR pro 1Q2012–4Q2015
(průměr 2005 = 100)
Zdroj: vlastní výpočet
Tab. 5: Model pro průměrnou hrubou měsíční mzdu
– podnikatelské sféra
AR(1)
0.760476 0.107668 7.063180 0.0000
SAR(4) 1.044882 0.010407 100.4026 0.0000
Jelikož i nyní zmíněné diagnostické testy indikují, že nesystematická složka modelu není autokorelovaná, je homoskedastická a má normální rozdělení, byly zkonstruovány předpovědi průměrné
hrubé měsíční mzdy v nepodnikatelské a podnikatelské sféře pro 1. čtvrtletí 2012 až 4. čtvrtletí
2015.
Obr. 11: Předpověď sezonně očištěných indexů
průměrné hrubé měsíční mzdy v nepodnik. a podnik. sféře ČR v konfrontaci s předpovědí indexů
HDP pro 1Q2012–4Q2015
(průměr 2005 = 100)
Vzhledem k tomu, že indexy růstu průměrných
hrubých měsíčních mezd nemusí, (ale mohou), nastínit budoucí vývoj shodně jako vyjádření v nominálním vyjádření, byly zkonstruovány ještě modely
pro časové řady průměrných hrubých měsíčních
mezd nepodnikatelské a podnikatelské sféry ve
svém nominálním vyjádření. Pro nepodnikatelskou
sféru byl identifikován sezónní autoregresní model
Obr. 12: Předpověď průměrné hrubé měsíční mzdy
v nepodnik. a podnik. sféře ČR (v Kč) pro 1Q2012–
4Q2015
Předpovědi jsou zobrazeny v obrázku 12 a je
evidentní, že nyní se rozdílnost v přístupech interpretace neliší. Předpověď průměrné hrubé měsíční
mzdy (se zakomponovanou sezónností) zaměstnanců v podnikatelské sféře leží nad průměrnou
hrubou měsíční mzdou zaměstnanců v nepodnikatelské sféře. To koresponduje i se současným trendem, který od počátku roku 2010 v nepodnikatelské sféře upravuje tarifní mzdy. Jejich úroveň je
naplánována a zatím se neplánuje žádné výraznější
zvyšování mezd.
Sezónnost v uvažovaných časových řadách je
podstatná. V případě, že ji ale odstraníme, získáme
očekávaný trend. Můžeme tak porovnat mezi sebou
obrázky 10 a 13. V obrázku 10 je zachycen trend
sezonně očištěných indexů průměrných hrubých
měsíčních mezd v nepodnikatelské a podnikatelské
sféře od 1. čtvrtletí 2012 do 4. čtvrtletí 2015,
v obrázku 13 zase sezonně očištěné průměrné
hrubé měsíční mzdy v nepodnikatelské a podnikatelské sféře od 1. čtvrtletí 2012 do 4. čtvrtletí 2015.
Průběhy trendu na obou grafech jsou podobné.
V případě indexů je nárůst v podnikatelské sféře
strmější, neboť báze průměru roku 2005 byla pro
podnikatelskou sféru malá a zmenšila tak velikost
jmenovatele. V případě nominálního vyjádření je
sice nárůst v podnikatelské sféře méně strmý,
nicméně je predikován s více rostoucí intenzitou
než nárůst ve sféře nepodnikatelské.
Obr. 13: Předpověď sezonně očištěné průměrné
(v Kč) pro 1Q2012–4Q2015
ZÁVĚR
Do konce roku 2012 se již žádné výraznější oživení
domácí ekonomiky obecně neočekává. Jestli k nějakému dojde, pravděpodobně až v roce 2013, což
bude do jisté míry záviset i na situaci obchodních a
partnerských zemí České republiky a Evropské
unie. V případě, že k oživení dojde, první, kdo zaznamená nárůst v hrubých měsíčních mzdách, budou zaměstnanci podnikatelského sektoru. Zaměstnanci sektoru nepodnikatelského mají dlouhodobě
mzdy zafixovány na konkrétních tarifech a případné oživení národního hospodářství bude muset mít
dlouhodobější ráz, než ke změně tarifů dojde. Pro
úplnost jsou v tabulce 6 uvedeny předpovědi konkrétních hodnot sezónně neočištěných průměrných
mezd zaměstnanců v obou sférách. V tabulce 7
jsou pak tyto mzdy uvedeny po sezónním očištění.
Tab. 6: Odhady průměrných hrubých měsíčních
mezd bez sezónního očištění
Období Nepodnikatelská Podnikatelská
sféra
sféra
2012Q1
23 531,8
24 075,8
2012Q2
24 588,3
24 924,7
2012Q3
24 845,5
25 041,1
2012Q4
27 495,3
27 038,2
2013Q1
24 269,7
25 034,6
2013Q2
25 250,8
25 950,8
2013Q3
25 489,7
26 094,6
2013Q4
27 948,6
28 198,2
2014Q1
24 955,6
26 117,5
2014Q2
25 866,0
27 084,5
2014Q3
26 087,8
27 242,3
2014Q4
28 369,4
29 445,8
2015Q1
25 592,1
27 276,1
2015Q2
26 436,9
28 289,8
2015Q3
26 642,7
28 457,1
2015Q4
28 759,8
30 761,4
Tab. 7: Odhady průměrných hrubých měsíčních
mezd po sezónním očištění
Období Nepodnikatelská Podnikatelská
sféra
sféra
2012Q1
24 934,5
24 907,7
2012Q2
25 047,8
25 152,3
2012Q3
25 187,6
25 375,9
2012Q4
25 346,7
25 622,0
2013Q1
25 623,1
25 894,4
2013Q2
25 705,6
26 176,2
2013Q3
25 800,9
26 447,9
2013Q4
25 873,2
26 726,7
2014Q1
26 288,0
27 014,3
2014Q2
26 312,5
27 313,9
2014Q3
26 385,5
27 612,9
2014Q4
26 320,8
27 911,0
2015Q1
26 935,1
28 212,9
2015Q2
26 880,4
28 527,7
26 937,4
28 844,6
2015Q3
2015Q4
26 710,2
29 158,4
Po sezónním očištění je patrné, že jen jedna
předpovězená hodnota průměrné hrubé měsíční
mzdy zaměstnanců nepodnikatelského sektoru může být vyšší než u zaměstnanců sektoru podnikatelského. Je pravděpodobné, že v blízké budoucnosti
bude průměrná mzda v národním hospodářství
nadhodnocována skupinou zaměstnanců, pracujícím v podnikatelském sektoru.
LITERATURA
Bartošová, J. (2009). Analysis and Modelling of Financial Power of Czech Households. In: 8th International Conference APLIMAT 2009, Bratislava
03.02.2009 – 06.02.2009. Bratislava : Slovak University of Technology. ISBN 978-80-89313-31-0.
pp. 717-722.
Bílková, D. (2009). Pareto Distribution and Wage Models. In: 8th International Conference APLIMAT
2009, Bratislava 03.02.2009 – 06.02.2009. Bratislava : Slovak University of Technology. ISBN 97880-89313-31-0. pp 723–732.
and Income Distribution in the Czech Republic.
Prague Economic Papers. Roč. 21, č. 2, s. 233–250.
Box, G.E.P., Pierce, D.A. (1970). Distribution of the
Autocorrelations in Autoregressive Moving Average
Time Series Models. In: Journal of the American
Statistical Association. Vol. 65, No. 332, p. 15091526.
Čadil, J., Pavelka, T., Kaňková, E., Vorlíček, J.
(2011). Odhad nákladů nezaměstnanosti z pohledu
veřejných rozpočtů. In: Politická ekonomie. Roč. 59,
č. 5, s. 618-637.
Engle, R.F. (1995). „ARCH: selected readings“. Oxford University Press.
Jarque, C.M., Bera, A.K. (1980). Efficient tests for
normality, homoscedasticity and serial independence of regression residuals. Economics Letters.
Vol. 6, No. 3, pp. 255-259.
Löster, T., Langhamrová, J. (2011). Analysis of
Long-Term Unemployment in the Czech Republic.
In: Löster, T., Pavelka, T. (eds.). International Days
of Statistics and Economics. Slaný : Melandrium,
2011, s. 228 234. ISBN 978-80-86175-73-7. ISBN
978-80-86175-72-0 CD.
Megyesiová, S., Hudák, M. (2010). Regionálne rozdiely mier nezamestnanosti a miezd na Slovensku
a v Českej republike. In Forum Statisticum Slovacum. Roč. 6, č.5, s. 155-160.
Megyesiová, S. (1999). Nezamestnanosť na Slovensku
a v okolitých krajinách. In Acta oeconomica Cassoviensia No 3. Košice : Podnikovohospodárksa fakulta EU so sídlom v Košiciach, 1999. ISBN 8088964-15-6. s. 303-308.
Miskolczi, M., Langhamrová, J., Fiala, T. (2011).
Unemployment and GDP. Prague 22.09.2011 –
23.09.2011. In: International Days of Statistics and
Economics at VŠE, Prague [CD-ROM]. Prague :
VŠE. s. 1–9. ISBN 978-80-86175-72-0.
Miskolczi, M., Langhamrová, J., Langhamrová, J.
(2011). Recognition of Differentiation in Unemployment Trends among Regions in the Czech Republic. Jindřichův Hradec 07.09.2011 – 09.09.2011.
In: IDIMT-2011. Linz : Trauner Verlag universitat,
2011, s. 387–388. ISBN 978-3-85499-873-0.
Pavelka, T. (2011). Long-term unemployment in the
Czech republic. Praha 22.09.2011 – 23.09.2011. In:
PAVELKA, Tomáš (ed.). International Days of Statistic and Economics at VŠE [CD-ROM]. Slaný :
Melandrium, 2011. 9 s. ISBN 978-80-86175-72-0.
Řezanková, H., Löster, T. (2011). Analysis of the dependence of the housing characteristics on the household type in the household type in the Czech Republik. Journal of Applied Mathematics. Vol. 4, No.
3, pp. 351-358.
Tomáš LÖSTER ■ 123
Nerovnost mezi regiony České republiky u podnikatelské sféry z hlediska
trhu práce
Tomáš LÖSTER1
1
Inequality between Regions of the Czech Republic for Business Sphere from the Viewpoint of Labour Market
Keywords
Abstract
Labour market, unemployment, inSince 2004 is the Czech Republic one of the countries of European Uncome, analysis of variance.
ion. For the purposes of Statistical Office and Eurostat is its territory divided into territorial units using standard CZ-NUTS. Classification of
JEL Classification
NUTS-3 is the division of the Czech Republic to a 14 regions. The aim
C40, E24
of this paper is to analyse individual regions of NUTS-3 in terms of labour costs. Two selected quarters are analysed, in both cases, the
1 University of Economics, Prague,
fourth quarter of the year (hereafter referred to only by number). In the
Faculty of informatics and statistics,
first case we are talking about 2008 and in the second about 2011. 2008
nam. W. Churchila 4, 13067 Prague,
was chosen because it is last year before the start of the global financial
Czech Republic,[email protected]
crisis. Analyses are based on the data of the Ministry of Labour and Social Affairs (MLSA) and data of regional labour rates statistics (RLRS),
which represents the regular monitoring of the actual earnings level and
working hours of employees in regions of the Czech Republic in the
form of statistical investigation. The attention of this article is paid only to
the business (wage) sphere (the subdivision MLSA). In terms of labour
cost the average gross wage, the median of gross wage, the average
hourly wage, median hourly wages, average hourly wages of men and
women are analysed for individual regions. Furthermore, in both periods
is observed proportion of workers with below average labour costs. Unemployment is analysed in this paper too. Regional unemployment rate
is analysed by analysis of variance (ANOVA). Statistically significant differences between regions were found by multiple comparisons methods.
Příspěvek byl vytvořený za podpory projektu Interní grantové agentury VŠE v Praze č. 19/2012 pod názvem Flexibilita trhu práce České republiky (IG 307042).
ÚVOD
Česká republika je od roku 2004 jedna ze zemí Evropské unie. Pro potřeby statistického úřadu a Eurostatu je její území členěno do územních celků
pomocí normalizované klasifikace CZ-NUTS. Klasifikace NUTS-3 představuje členění České republiky do celkem 14 krajů. Cílem tohoto příspěvku je
analýza jednotlivých krajů v členění NUTS-3 jednak z hlediska míry nezaměstnanosti v jednotlivých krajích a jednak z hlediska ceny práce. Analyzována jsou dvě vybraná čtvrtletí, a to v obou
případech 4. čtvrtletí příslušného roku (dále označována pouze číslem roku). V prvním případě se
jedná o rok 2008 a ve druhém případě se jedná
o rok 2011. Rok 2008 byl zvolen proto, že se jednáo poslední rok před počátkem celosvětové finanční krize. Jednotlivé analýzy jsou prováděny na
základě dat Ministerstva práce a sociálních věcí
(dále jen MPSV) a údajů regionální statistiky ceny
práce (dále jen RSCP), která představuje pravidelné sledování aktuální výdělkové úrovně a pracovní
doby zaměstnanců v jednotlivých krajích České republiky formou statistického šetření. Pozornost je
v rámci tohoto článku věnována pouze podnikatelské (mzdové) sféře (podle členění MPSV). Z hledi-
ska ceny práce jsou za jednotlivé kraje analyzovány průměrný hrubý výdělek, medián hrubého výdělku, průměrný hodinový výdělek, medián hodinového výdělku, průměrný hodinový výdělek za
muže a ženy. Dále je za obě období sledován podíl
zaměstnanců s podprůměrnou cenou práce. Kromě
srovnání v jednotlivých krajích je sledována i mezi-obdobní změna z roku 2008 do roku 2011.
I. ANALÝZA CENY PRÁCE
Problematice příjmových rozdělení, nerovnosti,
chudoby, nezaměstnanosti a jejich regionálním
analýzám je věnována řada výzkumných prací a
článků a to nejen v České republice, na Slovensku
ale také v dalších zemích EU. Nezaměstnanost je
závažný ekonomický problém s řadou aspektů na
celý ekonomický proces. Svědčí o tom řada prací,
jako například Megyesiová (1999), Miskolczi,
Langhamrová, Fiala (2011) či Miskolczi, Lan-
ghamrová, Langhamrová (2011). Z řad ekonomů je
dále pak speciálně analyzována dlouhodobá nezaměstnanost vzhledem k jejím důsledkům, viz Pavelka (2011). Modelováním a analýzou chudoby a
příjmovým rozdělením se pak věnují další práce,
viz např. Bartošová (2009), Bílková (2009), Bílková (2011) či Želinský (2011).
Mezi základní charakteristiky ceny práce, které
jsou v rámci tohoto článku v jednotlivých krajích
sledovány patří, průměrná hrubá mzda (v Kč), medián mzdy (v Kč), podíl zaměstnanců s podprůměrným hodinovým výdělkem, průměrná hodinová
mzda (v Kč), medián hodinového výdělku (v Kč),
průměrná hodinová mzda žen (v Kč) a průměrná
hodinová mzda mužů (v Kč). Hodnoty těchto charakteristik jsou uvedeny v tabulce 1 (pro 4. čtvrtletí
roku 2008) a v tabulce 2 (pro 4. čtvrtletí roku
2011).
Tab. 1: Základní charakteristiky jednotlivých krajů v roce 2008
Kraj
Jihočeský
Jihomoravský
Karlovarský
Královéhradecký
Liberecký
Moravskoslezský
Olomoucký
Pardubický
Plzeňský
Hl. město Praha
Středočeský
Ústecký
Vysočina
Zlínský
Podíl zam.
Průměrná
Medián s podprům. Průměrná
hrubá
hod. mzda
hod.
mzdy
mzda
výdělkem
22 544
25 901
23 882
24 165
23 072
23 291
23 708
22 572
24 454
28 706
23 525
23 125
23 124
22 482
19 657
21 070
23 118
23 036
22 079
22 174
22 640
21 839
23 174
26 335
22 853
22 131
22 212
21 924
64,6
124,65
67,5
144,37
54,6
138,05
57,7
143,12
55,8
135,76
55,2
135,76
56,0
137,49
54,8
133,14
56,6
141,33
59,4
166,09
55,6
136,79
55,4
136,80
55,7
133,60
54,4
130,83
Zdroj: MPSV ČR
Z grafu na obrázku 1, stejně jako z tabulky 1, je
patrné, že průměrný hodinový výdělek v podnikatelské sféře je v roce 2008 u mužů ve všech krajích
vyšší než u žen. Nejvyšší průměrný hodinový výdělek byl, jak u mužů, tak u žen v Praze, kde dosáhl hodnoty 233,77 Kč u mužů a 177,37 Kč u žen.
Medián
hod.
výdělku
107,36
116,23
132,73
134,30
129,07
129,57
130,63
127,79
133,72
151,63
130,10
129,77
127,54
125,52
Průměr.
Průměr.
hod. ženy hod. muži
103,52
115,22
126,63
131,35
127,88
125,80
129,67
125,61
131,78
151,61
127,20
127,56
123,93
121,33
140,24
163,14
158,17
165,57
150,42
159,08
150,13
146,98
160,61
189,27
157,36
153,87
154,76
155,06
Zajímavostí při srovnání průměrného hodinového
výdělku mužů a žen je, že kromě Hlavního města
Prahy, které je z hlediska trhu práce atypické, oproti zbývajícím krajům České republiky maximální
průměrný hodinový výdělek ženy nedosahuje na
minimální hodnotu u mužů u ostatních krajů (bez
Hlavního města Prahy). Pokud jde o podíl zaměszamě
tnanců s podprůměrným hodinovým výdělkem, ve
všech krajích je tato hodnota
hodnota větší než 50 %, v JiJ
hočeském a Jihomoravském kraji je podíl zaměszamě
tnanců s podprůměrným výdělkem vyšší než 60 %,
což znamená že více než 50 % nedosahuje na průpr
měrný hodinový výdělek (v Jihomoravském kraji
dokonce 67,5 %). (Poznámka: „Hodinový
„Hodinový výdělek
se zjišťuje jako průměrný hodinový výdělek defin
definovaný v § 351 až § 362 zákona č. 262/2006 Sb., zzákoníku práce, ve znění pozdějších předpisů
předpisů“, viz
MPSV).
MPSV)
Obr. 1: Průměrné hodinové výdělky mužů a žen (v Kč) v roce 2008
Zdroj: vlastní výpočet, MPSV ČR
Obr.
Obr 2: Průměrné hodinové výdělky mužů a žen (v Kč) v roce 2011
Zdroj: vlastní výpočet, MPSV ČR
Z grafu na obrázku 2, stejně jako z tabulky 2,
jsou zřejmé průměrné hodinové výdělky ve 4.
čtvrtletí roku 2011. Je zřejmé, že Hlavní město
měs
Praha vykazuje opět nejvyšší průměrné hodinové
výdělky, a to jak u mužů tak u žen. Z hlediska podpo
ílu lidí s podprůměrným výdělkem se oproti roku
2008 situace značně zkomplikovala a podíl s po
podprůměrným výdělkem se zvýšil (kromě Hlavního
Města Prahy, kde je nižší – 50,8 %) na hodnotu
vyšší, než 70 % a v Karlovarském kraji dokonce na
hodnotu 79,7 %. Znamená to, že došlo ke prohlo
prohloubení nerovnoměrností v příjmovém rozdělení.
Tab. 2: Základní charakteristiky jednotlivých okresů v roce 2011
Kraj
Jihočeský
Jihomoravský
Karlovarský
Královéhradecký
Liberecký
Moravskoslezský
Olomoucký
Pardubický
Plzeňský
Hl. město Praha
Středočeský
Ústecký
Vysočina
Zlínský
Podíl zam.
Průměrná
Medián s podprům. Průměrná
hrubá
mzdy
hr. měs.
hod. mzda
mzda
platem
22 811
24 195
20 928
22 066
23 123
23 815
22 023
22 674
23 371
34 104
25 628
22 908
22 331
22 332
19 549
20 095
18 003
19 286
20 185
21 037
19 768
19 888
20 608
26 210
22 038
19 884
19 366
19 744
74,4
135,63
71,7
141,79
79,7
125,10
77,2
131,64
73,5
137,88
70,8
142,71
77,0
132,59
76,1
125,08
74,2
144,03
50,8
209,46
65,8
151,45
74,3
136,33
77,7
131,96
76,3
130,57
Zdroj: MPSV ČR
V tabulce 3 jsou uvedeny rozdíly průměrné hodinové sazby mužů a žen (v Kč) mezi 4. čtvrtletím
roku 2008 a 4. čtvrtletím roku 2011. Je zřejmé, že
v Hlavním městě Praze došlo k nárůstu průměrného hodinového výdělku, a to o 25,76 Kč u žen a
44,51 Kč u mužů. Z tabulky je také patrné, že ve
většině krajů došlo k poklesu průměrného hodinového výdělku a to jak u mužů, tak u žen. K největšímu propadu průměrného hodinového výdělku u
žen došlo v kraji Vysočina (o 18,88 Kč) a u mužů v
Královéhradeckém kraji (o 20,23 Kč).
Zajímavé je i srovnání ukazatelů, jako je rozdíl
průměrného hodinového výdělku mužů a žen (v
Kč), rozdíl průměrného hodinového výdělku a mediánu hrubého výdělku, stejně tak rozdíl průměrného hrubého výdělku a mediánu hrubého výdělku.
Hodnoty těchto ukazatelů jsou zachyceny v tabulce
4 (pro rok 2008) a v tabulce 5 (pro rok 2011). Z tabulek je zřejmé, že průměrný hodinový výdělek je
ve všech krajích v obou letech vyšší, než medián
hodinového výdělku. Znamená to tedy, že více než
50 % v podnikatelské sféře nedosahuje na průměrný hodinový výdělek.
Medián
hod.
výdělku
117,38
118,45
105,84
114,53
121,99
123,86
119,09
108,23
126,30
158,22
126,84
117,87
115,07
114,42
Průměr.
Průměr.
hod. ženy hod. muži
116,32
117,99
108,71
112,55
120,88
116,78
115,35
106,73
123,52
177,37
125,43
114,54
105,02
106,86
149,56
158,12
138,28
145,33
149,52
159,41
144,55
137,95
158,69
233,77
167,36
152,12
148,37
145,02
Tab. 3: Změny průměrného hodinového výdělku
mezi roky 2008 a 2011 (v Kč)
Kraj
Průměr.
hod. ženy
Průměr.
hod.
muži
12,80
Jihočeský
9,31
2,77
Jihomoravský
-5,02
-17,92
Karlovarský
-19,89
-18,81
Královéhradecký
-20,23
-7,00
Liberecký
-0,90
-9,02
Moravskoslezský
0,33
-14,31
Olomoucký
-5,58
-18,88
Pardubický
-9,04
-8,26
Plzeňský
-1,92
25,76
Hl. město Praha
44,51
-1,77
Středočeský
10,00
-13,02
Ústecký
-1,76
-18,91
Vysočina
-6,39
-14,47
Zlínský
-10,04
Zdroj: Vlastní výpočet, MPSV ČR
Tab. 4: Srovnání ukazatelů (v Kč) v roce 2008
Kraj
Rozdíl Rozdíl
pr. hod. pr. hod.
muži medián
ženy
Rozdíl
průměr.
h.mzda medián
Jihočeský
36,72
17,29
2887
Jihomoravský
47,92
28,14
4830
Karlovarský
31,54
5,33
764
Královéhradecký
34,21
8,82
1129
Liberecký
22,55
6,69
993
Moravskoslezský
33,28
6,19
1116
Olomoucký
20,46
6,86
1068
Pardubický
21,37
5,35
733
Plzeňský
28,84
7,61
1280
Hl. město Praha
37,66
14,46
2371
Středočeský
30,16
6,69
671
Ústecký
26,31
7,03
994
Vysočina
30,83
6,06
913
Zlínský
33,73
5,31
558
Kromě analýzy nerovnoměrnosti rozdělení výdělků je zajímavé sledovat, k jaké změně v této nerovnoměrnosti došlo mezi 4. čtvrtletím roku 2008 a
4. čtvrtletím roku 2011. Tyto údaje jsou zachyceny
v tabulce 6. Je zřejmé, že kromě několika krajů (Jihočeský, Jihomoravský, Karlovarský a Královéhradecký) docházelo k prohlubování rozdílů mezi
průměrným hodinovým výdělkem mužů a žen. K
nejvyššímu prohloubení došlo v Hlavním městě
Praze, kde se rozdíl v průměrném hodinovém výdělku zvýšil o 49,79 %. Zároveň je z tabulky 6
zřejmé, že docházelo (kromě Jihomoravského kraje) ke zvyšování rozdílu mezi průměrným hodinovým výdělkem a mediánem hodinového výdělku,
což znatelně prohlubovalo nerovnoměrnost rozdělení výdělků v podnikatelské sféře.
Tab. 5: Srovnání ukazatelů (v Kč) v roce 2011
Rozdíl Rozdíl
pr. hod. pr. hod.
muži ženy medián
Kraj
Rozdíl
průměr.
h.mzda medián
Jihočeský
33,23
18,25
3262
Jihomoravský
40,13
23,35
4100
Karlovarský
29,57
19,26
2925
Královéhradecký
32,79
17,11
2780
Liberecký
28,64
15,89
2938
Moravskoslezský
42,63
18,85
2778
Olomoucký
29,20
13,49
2256
Pardubický
31,22
16,85
2786
Plzeňský
35,17
17,73
2763
Hl. město Praha
56,41
51,24
7894
Středočeský
41,93
24,61
3590
Ústecký
37,58
18,46
3024
Vysočina
43,34
16,89
2965
Zlínský
38,16
16,15
2587
Tab. 6: Změny ukazatelů (v %) mezi roky 2008 a
2011
Kraj
Rozdíl
prům.
hod. výd.
M-Ž
Rozdíl
hod.
prům. medián
Jihočeský
-9,50
5,57
Jihomoravský
-16,25
-17,02
Karlovarský
-6,25
261,33
Královéhradecký
-4,17
94,06
Liberecký
27,04
137,44
Moravskoslezský
28,11
204,42
Olomoucký
42,70
96,77
Pardubický
46,08
215,12
Plzeňský
21,97
132,90
Hl. město Praha
49,79
254,28
Středočeský
39,05
267,92
Ústecký
42,81
162,50
Vysočina
40,61
178,59
Zlínský
13,14
204,08
Rozdíl
PHMMM
13,01
-15,13
283,09
146,26
195,78
148,83
111,21
280,16
115,84
232,89
434,65
204,20
224,84
364,06
II. ANALÝZA NEZAMĚSTNANOSTI
Pro získání komplexnější představy o trzích práce
je vhodné analyzovat míru nezaměstnanosti v jednotlivých regionech. Jak bylo uvedeno výše, problematice nezaměstnanosti se věnuje mnoho ekonomů a analytiků. Například v Čadil, Pavelka,
Kaňková, Vorlíček (2011) se řeší také dopady nezaměstnanosti na veřejné rozpočty, a proto je také
vhodné nezaměstnanost analyzovat podle regionů.
Hodnoty jednotlivých regionálních měr nezaměstnaností za 4. čtvrtletí roku 2008 i 2011 jsou
zaznamenány v tabulce 7. Je zřejmé, že v obou obdobích je standardně nejvyšší úroveň nezaměstnanosti v Ústeckém kraji, která v obou obdobích dosáhla úrovně více než 10 %. Mezi oběma roky došlo ve všech krajích k nárůstu míry nezaměstnanosti, přičemž nejvyšší nárůst byl v Olomouckém kraji
(o 4,5 %) a nejnižší byl v Hlavním městě Praze (o
1,8 %).
Obr. 3: Výstup analýzy rozptylu ze systému Statgraphics Plus pro rok 2008
ANOVA Table for mira_nezam08 by kraj
Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Between groups
0,0229502
13
0,0017654
5,24
0,0000
Within groups
0,021239
63 0,000337127
----------------------------------------------------------------------------Total (Corr.)
0,0441892
76
Tab. 7: Míry nezaměstnanosti (v %)
Kraj
Míra
nezam.
2008
Míra
nezam.
2011
Rozdíl
2011 2008
4,80
7,50
Jihočeský
6,80
9,80
Jihomoravský
7,60
9,80
Karlovarský
4,80
7,50
Královéhradecký
7,00
9,50
Liberecký
8,50
11,20
Moravskoslezský
6,90
11,40
Olomoucký
6,00
8,40
Pardubický
5,00
7,00
Plzeňský
2,10
3,90
Hl. město Praha
4,50
7,10
Středočeský
10,30
12,90
Ústecký
6,30
9,40
Vysočina
6,10
9,40
Zlínský
2,70
3,00
2,20
2,70
2,50
2,70
4,50
2,40
2,00
1,80
2,60
2,60
3,10
3,30
Z hlediska podrobnější analýzy nezaměstnanosti
v regionech je zajímavé zkoumat, zdali je míra ne-
zaměstnanosti statisticky významně ovlivněna
územím (krajem). K tomuto ověření bude vzhledem k povaze dat využita analýza rozptylu (ANOVA), jejíž výstup je na obrázku 3.
Z uvedeného výstupu vyplývá, že míra nezaměstnanosti v roce 2008 je na 5% hladině významnosti statisticky významně ovlivněna krajem
(p-hodnota v posledním sloupci tohoto výstupu je
menší než zvolená 5% hladina významnosti, a tak
můžeme testovanou hypotézu o shodě středních
hodnot jednotlivých měr nezaměstnanosti v krajích
zamítnout).
Poznámka: Podmínka užití ANOVA o shodně
skupinových rozptylů je na 5% hladině významnosti splněna, neboť testovaná hypotéza Bartlettova testu o shodě skupinových rozptylů není
zamítnuta
(Bartlett's test: 1,32284 P-Value = 0,182651 ).
Obdobný závěr je možné učinit pro míru nezaměstnanosti i v roce 2011. Na 5% hladině významnosti je možné prohlásit, že míra nezaměstnanosti je statisticky významně ovlivněna krajem,
neboť p-hodnota je opět menší než 5% hladina
významnosti, viz obrázek 4.
Obr. 4: Výstup analýzy rozptylu ze systému Statgraphics Plus pro rok 2011
ANOVA Table for mira_nezam11 by kraj
Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Between groups
0,0310656
13
0,00238966
4,81
0,0000
Within groups
0,0313202
63 0,000497146
----------------------------------------------------------------------------Total (Corr.)
0,0623858
76
Poznámka: Podmínka užití ANOVA o shodně
skupinových rozptylů je i v roce 2011 na 5% hladině významnosti splněna, testovaná hypotéza Bartlettova testu o shodě skupinových rozptylů není
zamítnuta
(Bartlett's test: 1,16748 P-Value = 0,706246 ).
Vzhledem k tomu, že byly prokázány statisticky
významné rozdíly mezi mírou nezaměstnanosti
v jednotlivých krajích, je vhodné zkoumat pomocí
metod vícenásobného porovnávání, mezi kterými
dvojicemi krajů je možné pozorovat statisticky
významné rozdíly (pro stanovení tzv. „významnostní“ hodnoty rozdílů měr nezaměstnanosti
je uvažována 5% hladina významnosti). Dvojice
krajů, jejichž míry nezaměstnanosti je možné považovat na 5% hladině významnosti za odlišné jsou
zaznamenány křížkem v tabulce 8 (pro rok 2008) a
v tabulce 9 (pro rok 2011).
Tab. 8: Dvojice krajů, jejichž míry nezaměstnanosti
jsou v roce 2008 významně odlišné
PHA
JČ
JM
KV
KRÁL
LIB
MOR
OL
PAR
PLZ
STČ
ÚST
VYS
ZL
PHA JČ JM
X
X
X X
X X
X
X
X X
X X
X
X
X
X
KV KRÁL LIB
X
X
X
X
X
X
X X
X X X
X
X
MOR OL PAR PLZ STČ ÚST
X X X
X
X X
X
X X
X X
X X
X X
X X
X X X
X
X X
X
X X X
X
X
X X X X
X
X
X
VYS ZL
X X
X
X
X
Zdroj: Vlastní výpočet
Z tabulky 8 i 9 je zřejmé, že Ústecký kraj, stejně
kraj Hlavní město Praha se v obou obdobích statisticky významně odlišují od většiny ostatních krajů.
Hlavní město Praha má oproti ostatním odlišným
krajům významně nižší míru nezaměstnanosti, Ús-
tecký kraj má oproti ostatním odlišným krajům
významně vyšší míru nezaměstnanosti.
Tab. 9: Dvojice krajů, jejichž míry nezaměstnanosti
jsou v roce 2011 významně odlišné
PHA
JČ
JM
KV
KRÁL
LIB
MOR
OL
PAR
PLZ
STČ
ÚST
VYS
ZL
PHA JČ JM KV KRÁL LIB
X X
X
X
X X
X
X
X
X
X X
X
X X
X
X
X
X
X X X
X X
X
X
MOR OL PAR PLZ STČ ÚST VYS ZL
X X X
X X X
X X
X
X X X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Zdroj: Vlastní výpočet
ZÁVĚR
Výše výdělku, stejně tak míra nezaměstnanosti v
jednotlivých regionech ovlivňují celý ekonomický
proces a život obyvatelstva, a proto je analýza
těchto ukazatelů velmi důležitá pro získání komplexní představy o jednotlivých trzích práce. Při
analýzách jednotlivých krajů bylo například zjištěno, že v podnikatelské sféře byl nejvyšší nárůst
rozdílu mezi průměrným hrubým výdělkem a mediánem hrubého výdělku mezi rokem 2008 a 2011
v Hlavním městě Praze a to o 434 %, což prohloubilo nerovnost v rámci rozdělení výdělků. Naopak
opačná situace byla identifikována v Jihomoravském kraji, kde došlo ke snížení rozdílu mezi průměrným hrubým výdělkem a mediánem hrubého
výdělku a to o 15,13 %, čímž došlo ke snížení nerovnoměrnosti v rámci rozdělení. Z hlediska pohlaví u podnikatelské sféry bylo zjištěno, že ve
všech krajích v obou sledovaných obdobích byl
průměrný hodinový výdělek mužů vždy větší (mi-
nimálně o 17,01 % v Pardubickém kraji, maximálně o 41,59 % v Jihomoravském kraji). Během sledovaného období se kromě Jihočeského a Jihomoravského kraje rozdíly mezi průměrným hodinovým výdělkem mužů a žen ještě více prohloubily a
to na maximální hodnotu 41,27 % v kraji Vysoči-
na. Pomocí ANOVA byly identifikovány dvojice
krajů, jejichž míry nezaměstnanosti je možné považovat za statisticky významně odlišné. Ústecký
kraj vykazuje standardně vysokou míru nezaměstnanosti a kraj Praha nejnižší.
LITERATURA
Bartošová, J., Forbelská, M. (2010). Comparison of
Regional Monetary Poverty in the Czech and Slovak
Republics. Conference on Social Capital, Human
Capital and Poverty in the Regions of Slovakia.
Herlany, Slovakia, October 13, 2010. ISBN 978-80553-0573-8, pp. 76–84.
Bartošová, J. (2009). Analysis and Modelling of Financial Power of Czech Households. In: 8th International Conference APLIMAT 2009, Bratislava
03.02.2009 – 06.02.2009. Bratislava : Slovak University of Technology. ISBN 978-80-89313-31-0.
pp. 717-722.
Bílková, D. (2009). Pareto Distribution and Wage Models. In: 8th International Conference APLIMAT
2009, Bratislava 03.02.2009 – 06.02.2009. Bratislava : Slovak University of Technology. ISBN 97880-89313-31-0. pp 723–732.
and Income Distribution in the Czech Republic.
Prague Economic Papers. Roč. 21, č. 2, s. 233–250.
Čadil, J., Pavelka, T., Kaňková, E., Vorlíček, J.
(2011). Odhad nákladů nezaměstnanosti z pohledu
veřejných rozpočtů. In: Politická ekonomie. Roč. 59,
č. 5, s. 618-637.
Megyesiová, S., Hudák, M. (2010). Regionálne rozdiely mier nezamestnanosti a miezd na Slovensku
a v Českej republike. In Forum Statisticum Slovacum. Roč. 6, č.5, s. 155-160.
Megyesiová, S. (1999). Nezamestnanosť na Slovensku
a v okolitých krajinách. In Acta oeconomica Cassoviensia No 3. Košice : Podnikovohospodárksa fakulta EU so sídlom v Košiciach, 1999. ISBN 8088964-15-6. s. 303-308.
Miskolczi, M., Langhamrová, J., Fiala, T. (2011).
Unemployment and GDP. Prague 22.09.2011 –
23.09.2011. In: International Days of Statistics and
Economics at VŠE, Prague [CD-ROM]. Prague :
VŠE. s. 1–9. ISBN 978-80-86175-72-0.
Miskolczi, M., Langhamrová, J., Langhamrová, J.
(2011). Recognition of Differentiation in Unemployment Trends among Regions in the Czech Republic. Jindřichův Hradec 07.09.2011 – 09.09.2011.
In: IDIMT-2011. Linz : Trauner Verlag universitat,
2011, s. 387–388. ISBN 978-3-85499-873-0.
Pavelka, T. (2011). Long-term unemployment in the
Czech republic. Praha 22.09.2011 – 23.09.2011. In:
PAVELKA, Tomáš (ed.). International Days of Statistic and Economics at VŠE [CD-ROM]. Slaný :
Melandrium, 2011. 9 s. ISBN 978-80-86175-72-0.
Pavla JINDROVÁ ■ 131
Hodnocení regionálních disparit užitím Bayesovy věty
Pavla JINDROVÁ1
1
Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav matematiky a kvantitativních metod
Evaluation of Regional Disparities Using Bayes' Theorem
Keywords
Abstract
Regional disparity, region, probability,
Regional disparities mean heterogeneous regional development delife expectancy.
pending on the number of sub-factors. Quality of life is largely reflected
in the health status of the population of the different regions. CompariJEL Classification
son of morbidity and mortality could have significant explanatory ability
C110, R110
about the quality of life in these regions. In the analysis of regional disparities is used several methods, including probability theory. Less fre1 University of Pardubice, Faculty of
quent but still effective method is to use Bayes theorem. The article preEconomics and Administration, Stusents a comparative analysis of reasons mortality to serious illness of
dentská 84, 532 10 Pardubice, Czech
people in the 14 regions of the Czech Republic using Bayes theorem.
Republic,[email protected]
ÚVOD
Disparitami regionů je nazýván nehomogenní rozvoj jednotlivých oblastí v závislosti na více dílčích
faktorech. Disparity jsou pro potřeby regionálních
analýz zkoumány, aby bylo možno identifikovat
jednotlivé parametry a charakteristiky, ve kterých
se jednotlivé regiony vzájemně odlišují.
Značná pozornost je v případě jednotlivých regionů věnována kvalitě života, která výrazně
ovlivňuje zdravotní stav obyvatel. Srovnávání disparit regionů se zaměřením na nemocnost a úmrtnost proto může mít o úrovni kvality života
v regionu značnou vypovídací schopnost.
Ke specifikaci disparit mezi regiony je užívána
řada metod včetně teorie pravděpodobnosti. V této
oblasti méně často využívanou, ale přitom efektivní metodou je využití Bayesovy věty. Tento příspěvek předkládá modelový příklad použití Bayesovy věty při porovnávací analýze úmrtnosti osob
na závažná onemocnění v rámci 14 krajů České republiky.
V rámci příspěvku bylo aplikací Bayesovy věty
na základě statistických dat z jednotlivých krajů
České republiky určeno pro konkrétní skupiny nemocí jakožto příčiny úmrtí pravděpodobnost, se
kterou zemřelý pochází právě z konkrétního regionu. Použitý příklad je vzhledem k rozsahu příspěv-
ku z kategorie elementárních, plně však postačuje
jako názorná ukázka rozsáhlých možností aplikace
bayesovské statistiky v praxi. Příklad obsahuje relativně malá množství vstupních dat, výsledky proto lze zhruba odhadnout i bez výpočtů. Pokud však
na vstupu budou rozsáhlé databáze, bude již empirický odhad obtížný a Bayesova věta se stane rychlou a efektivní cestou k získání relevantních závěrů. Z tohoto pohledu lze Bayesovu větu doporučit
jako jeden z vhodných prostředků pro analýzy regionálních disparit.
I. ANALÝZA POČTU ÚMRTÍ PODLE PŘÍČIN
V KRAJÍCH ČR
Demografický vývoj v České republice je sledován
a zveřejňován např. Českým statistickým úřadem,
odkud byla čerpána také data pro tento příspěvek.
Tyto informace jsou zpracovávány nejen za celou
republiku, ale také za jednotlivé kraje. Z těchto informací byla pro tento příspěvek vybrána data o
počtech zemřelých na nejzávažnější skupiny nemocí v jednotlivých krajích v roce 2011. Tyto příčiny smrti jsou rozděleny do 20 následujících skupin nemocí spolu s uvedeným označením diagnózy
[www.czso.cz]:
I. Některé infekční a parazitární nemoci (A00 B99)
II. Novotvary (C00 - D48)
XVI. Některé stavy vzniklé v perinatálním období
(P00 - P96)
III. Nemoci krve, krvetvorných orgánů a některé
poruchy týkající se mechanismu imunity (D50 D89)
XVII. Vrozené vady, deformace a chromosomální
abnormality (Q00 - Q99)
IV. Nemoci endokrinní, výživy a přeměny látek
(E00 - E90)
XVIII. Příznaky, znaky a abnormální klinické a laboratorní nálezy nezařazené jinde (R00 - R99)
V. Poruchy duševní a poruchy chování (F00 - F99)
XX. Vnější příčiny nemocnosti a úmrtnosti (V01 Y98)
VI. Nemoci nervové soustavy (G00 - G99)
Z těchto 20 skupin bylo pro naši analýzu použito 16, neboť některé druhy nemocí nebyly příčinou
žádné smrti anebo jejich počet byl v celé republice
velmi nízký. Zvlášť byla provedena analýza pro
muže a ženy. U mužů nebyly do analýzy zahrnuty
skupiny VII a VIII s nulovým počtem úmrtí a samozřejmě skupina XV. U žen nebyly do analýzy
zahrnuty skupiny VII s nulovým počtem úmrtí, dále skupina VIII s jedním úmrtím ve Zlínském kraji
a skupina XV, kde došlo ke dvěma úmrtím a to po
jedom v Moravskoslezském a Zlínském kraji.
Uvedené skupiny příčin úmrtí tedy v analýze
nejsou zpracovány, ale počty zemřelých na tyto typy nemocí byly do celkového počtu zemřelých zařazeny.
VII. Nemoci oka a očních adnex (H00 - H59)
VIII. Nemoci ucha a bradavkového výběžku (H60 H95)
IX. Nemoci oběhové soustavy (I00 - I99)
X. Nemoci dýchací soustavy (J00 - J99)
XI. Nemoci trávicí soustavy (K00 - K93)
XII. Nemoci kůže a podkožního vaziva (L00 L99)
XIII. Nemoci svalové a kosterní soustavy a pojivové tkáně (M00 - M99)
XIV. Nemoci močové a pohlavní soustavy (N00 N99)
V tabulkách 1 a 2 jsou uvedeny analyzované
hodnoty.
XV. Těhotenství, porod a šestinedělí (O00 – O99)
Tab. 1: Počty úmrtí podle příčin - muži
I
II
III
IV
V
VI
IX
X
XI
XII
XIII
XIV
XVI
XVII
XVIII
XX
Hl. město Praha
90
1 567
7
110
45
145
2 622
357
272
6
7
58
10
6
115
386
Jihočeský
32
942
4
102
28
63
1 433
213
124
6
4
40
4
5
30
250
Jihomoravský
74
1 625
8
87
26
101
2 603
339
281
3
7
57
7
9
100
448
Karlovarský
24
490
1
36
17
35
652
92
61
2
3
12
11
3
8
127
Královéhradecký
29
815
1
44
19
41
1 339
206
119
4
5
27
4
3
46
218
Liberecký
22
614
2
36
17
41
961
90
116
0
3
25
5
5
15
177
Moravskoslezský
83
1 891
8
176
42
107
3 052
438
404
4
8
59
12
12
82
544
Olomoucký
18
856
3
54
31
83
1 553
203
176
7
2
28
4
7
51
280
Pardubický
39
701
5
50
15
56
1 247
199
114
2
2
31
6
7
21
228
Plzeňský
27
928
4
75
50
52
1 304
148
107
5
3
29
5
3
40
199
Středočeský
85
1 894
11
181
48
110
2 819
355
278
2
6
68
12
9
83
456
Ústecký
65
1 279
5
108
32
67
1 918
257
226
8
6
60
12
6
53
372
Vysočina
32
715
2
84
14
50
1 143
164
107
1
0
34
3
1
22
198
Zlínský
24
863
1
59
26
37
1 475
192
177
4
8
29
6
9
50
259
Zdroj: www.czso.cz
Tab. 2: Počty úmrtí podle příčin - ženy
I
II
III
IV
V
VI
IX
X
XI
XII
XIII
XIV
XVI
XVII
XVIII
XX
112
1 544
13
138
74
145
3 298
322
220
13
6
85
5
5
86
223
Jihočeský
28
718
10
150
46
74
1 582
184
89
7
8
48
4
4
24
118
Jihomoravský
64
1 298
7
118
37
119
3 243
227
244
7
11
58
8
7
45
198
Karlovarský
27
370
2
46
20
65
742
92
47
1
5
17
4
6
16
46
Královéhradecký
32
632
5
74
38
57
1 551
151
78
9
8
41
1
5
36
110
Liberecký
34
510
4
48
22
26
1 156
96
66
3
4
20
3
2
4
101
106
1 480
10
201
42
93
3 585
303
326
18
10
58
3
5
27
194
Olomoucký
29
782
3
82
26
77
1 724
169
119
3
3
42
6
5
28
105
Pardubický
44
587
3
91
20
62
1 454
119
87
5
4
37
4
3
19
103
Plzeňský
35
709
5
106
71
69
1 538
114
101
9
6
30
3
2
17
94
Středočeský
74
1 420
9
220
53
137
3 405
269
220
17
8
90
8
7
61
206
Ústecký
65
1 092
13
140
43
95
2 287
178
182
6
3
63
14
9
39
138
Vysočina
22
577
2
118
19
77
1 318
113
69
7
3
27
4
3
12
90
Zlínský
42
640
7
60
15
48
1 721
100
121
11
3
43
2
8
24
105
Hl. město Praha
Moravskoslezský
Zdroj: www.czso.cz
Z těchto zveřejněných dat lze vyčíst počty osob,
které zemřely v jednotlivých krajích na vybranou
nemoc. Pomocí relativních četností je možné odhadnout pravděpodobnosti výskytu jednotlivých
příčin úmrtí v jednotlivých krajích.
Podívejme se na tento problém z opačného směru, tedy pokud někdo v České republice zemře na
vybranou nemoc, s jakou pravděpodobností bude
tato osoba právě z vybraného kraje. Dále nás může
také zajímat, ve kterém z krajů je nejmenší pravděpodobnost, že příčinou smrti je právě vybraná nemoc. Jedním z měřítek vyspělosti dané země a také
regionu je často udávána střední délka života při
narození. V poslední části této analýzy bude ověřeno, zda existuje vztah mezi pravděpodobností úmrtí na danou nemoc a střední délkou života
v jednotlivých regionech České republiky.
K odpovědi na první otázku, tedy v případě, že
někdo v České republice zemře na vybranou skupinu nemocí, s jakou pravděpodobností bude tato
osoba z vybraného kraje, využijeme Bayesovu větu.
libovolný náhodný jev takový, že
Potom platí:
Uvažujme následující situaci.
Mějme k disjunktních množin Bi, které tvoří základní prostor S. Nechť množiny Bi mají Ni prvků.
Uvažujme jev A, který nastane u ni prvků
z příslušné množiny Bi.
Pak pravděpodobnost, že nastane
v množině Bi, lze vyjádřit ve tvaru:
jev
A
.
Dále platí, že jevy
systém a platí, že
tvoří úplný disjunktní
Pak pro pravděpodobnost jevu A platí, že
Bayesova věta: (Pacáková, 2004; Linda, 2010)
Nechť {Bi} je spočetný systém náhodných jevů,
tvořících rozklad základního prostoru S. Nechť
Tuto situaci lze znázornit graficky:
B1
B2
pinu příčin nemocí, ale na více, budeme uvažovat
označení Aj, které představuje úmrtí na skupinu
příčin nemocí j, kde j = 1, …, 16.
B3
B4
Pro počty úmrtí pro jednotlivé kraje a podle
uvedených příčin, které jsou uvedeny v tabulkách 1
a 2, označíme jako prvky sij matice S.
A
B5
…
Obr. 1: Zobrazení modelu podmíněné pravděpodobnosti
Zdroj: vlastní zpracování
V praxi si představme Českou republiku jako
základní prostor, která je rozdělena do Bi krajů, tedy i = 1, …, 14.
Užitím Bayesovy věty vypočítáme hodnoty
podmíněných pravděpodobností, vyjadřující pravděpodobnost, že pokud nastane případ, kdy zemře
osoba v České republice na příčinu nemoci Aj,
s jakou pravděpodobností je z kraje Bi. Tyto
aposteriorní pravděpodobnosti lze vyjádřit ve tvaru
pomocí Bayesovy věty.
V tabulkách 3 a 4 jsou uvedeny tyto odhadnuté
aposteriorní pravděpodobnosti.
Jevem A lze označit úmrtí na vybranou skupinu
nemocí. Protože neuvažujeme úmrtí na jednu skuTab. 3: Odhadnuté pravděpodobnosti pro muže
I
II
III
IV
V
VI
IX
X
XI
XII
XIII
XIV
XVI
XVII
XVIII
XX
Hl. město Praha
0,140 0,103 0,113 0,092 0,110 0,147 0,109 0,110 0,106 0,111 0,109 0,104 0,099 0,071 0,161 0,093
Jihočeský
0,050 0,062 0,065 0,085 0,068 0,064 0,059 0,065 0,048 0,111 0,063 0,072 0,040 0,059 0,042 0,060
Jihomoravský
0,115 0,107 0,129 0,072 0,063 0,102 0,108 0,104 0,110 0,056 0,109 0,102 0,069 0,106 0,140 0,108
Karlovarský
0,037 0,032 0,016 0,030 0,041 0,035 0,027 0,028 0,024 0,037 0,047 0,022 0,109 0,035 0,011 0,031
Královéhradecký 0,045 0,054 0,016 0,037 0,046 0,041 0,056 0,063 0,046 0,074 0,078 0,048 0,040 0,035 0,064 0,053
Liberecký
0,034 0,040 0,032 0,030 0,041 0,041 0,040 0,028 0,045 0,000 0,047 0,045 0,050 0,059 0,021 0,043
Moravskoslezský 0,129 0,125 0,129 0,146 0,102 0,108 0,127 0,135 0,158 0,074 0,125 0,106 0,119 0,141 0,115 0,131
Olomoucký
0,028 0,056 0,048 0,045 0,076 0,084 0,064 0,062 0,069 0,130 0,031 0,050 0,040 0,082 0,071 0,068
Pardubický
0,061 0,046 0,081 0,042 0,037 0,057 0,052 0,061 0,044 0,037 0,031 0,056 0,059 0,082 0,029 0,055
Plzeňský
0,042 0,061 0,065 0,062 0,122 0,053 0,054 0,045 0,042 0,093 0,047 0,052 0,050 0,035 0,056 0,048
Středočeský
0,132 0,125 0,177 0,151 0,117 0,111 0,117 0,109 0,109 0,037 0,094 0,122 0,119 0,106 0,116 0,110
Ústecký
0,101 0,084 0,081 0,090 0,078 0,068 0,080 0,079 0,088 0,148 0,094 0,108 0,119 0,071 0,074 0,090
Vysočina
0,050 0,047 0,032 0,070 0,034 0,051 0,047 0,050 0,042 0,019 0,000 0,061 0,030 0,012 0,031 0,048
Zlínský
0,037 0,057 0,016 0,049 0,063 0,037 0,061 0,059 0,069 0,074 0,125 0,052 0,059 0,106 0,070 0,063
Zdroj: vlastní výpočty
Z tabulky 3 lze například vyčíst, že zemře-li
muž např. na rakovinu, tj. skupina II, pak s největší
pravděpodobností (0,1248) je z kraje Středočeského a s nejmenší pravděpodobností (0,0323) je
z kraje Karlovarského.
Z tabulky 4 lze například vyčíst, že zemře-li žena např. na novotvary, pak s největší pravděpodob-
ností (0,1249) je z hlavního města Praha a s nejmenší pravděpodobností (0,0299) z Karlovarského
kraje.
V tabulce 5 pro muže a 6 pro ženy jsou uvedeny
pro jednotlivé příčiny úmrtí kraje, kde je nejmenší
a největší pravděpodobnost nastání tohoto jevu.
Tab. 4: Odhadnuté pravděpodobnosti pro ženy
I
II
III
IV
V
VI
IX
X
XI
XII
XIII
XIV
XVI
XVII
XVIII
XX
Hl. město Praha
0,157 0,125 0,140 0,087 0,141 0,127 0,115 0,132 0,112 0,112 0,073 0,129 0,072 0,070 0,196 0,122
Jihočeský
0,039 0,058 0,108 0,094 0,087 0,065 0,055 0,076 0,045 0,060 0,098 0,073 0,058 0,056 0,055 0,064
Jihomoravský
0,090 0,105 0,075 0,074 0,070 0,104 0,113 0,093 0,124 0,060 0,134 0,088 0,116 0,099 0,103 0,108
Karlovarský
0,038 0,030 0,022 0,029 0,038 0,057 0,026 0,038 0,024 0,009 0,061 0,026 0,058 0,085 0,037 0,025
Královéhradecký 0,045 0,051 0,054 0,046 0,072 0,050 0,054 0,062 0,040 0,078 0,098 0,062 0,014 0,070 0,082 0,060
Liberecký
0,048 0,041 0,043 0,030 0,042 0,023 0,040 0,039 0,034 0,026 0,049 0,030 0,043 0,028 0,009 0,055
Moravskoslezský 0,148 0,120 0,108 0,126 0,080 0,081 0,125 0,124 0,166 0,155 0,122 0,088 0,043 0,070 0,062 0,106
Olomoucký
0,041 0,063 0,032 0,052 0,049 0,067 0,060 0,069 0,060 0,026 0,037 0,064 0,087 0,070 0,064 0,057
Pardubický
0,062 0,047 0,032 0,057 0,038 0,054 0,051 0,049 0,044 0,043 0,049 0,056 0,058 0,042 0,043 0,056
Plzeňský
0,049 0,057 0,054 0,067 0,135 0,060 0,054 0,047 0,051 0,078 0,073 0,046 0,043 0,028 0,039 0,051
Středočeský
0,104 0,115 0,097 0,138 0,101 0,120 0,119 0,110 0,112 0,147 0,098 0,137 0,116 0,099 0,139 0,113
Ústecký
0,091 0,088 0,140 0,088 0,082 0,083 0,080 0,073 0,092 0,052 0,037 0,096 0,203 0,127 0,089 0,075
Vysočina
0,031 0,047 0,022 0,074 0,036 0,067 0,046 0,046 0,035 0,060 0,037 0,041 0,058 0,042 0,027 0,049
Zlínský
0,059 0,052 0,075 0,038 0,029 0,042 0,060 0,041 0,061 0,095 0,037 0,065 0,029 0,113 0,055 0,057
Tab. 5: Kraje s nejmenší a největší pravděpodobností úmrtí podle nemocí - muži
Největší
pravděpodobnost.
Hl. město Praha
Středočeský
Středočeský
IV.
V.
VI.
IX
X.
XI.
XII.
XIII.
XIV.
XVI.
Nejmenší
pravděpodobnost
Olomoucký
Karlovarský
Karlovarský, Zlínský
Královéhradecký
Karlovarský, Liberecký
Vysočina
Karlovarský
Karlovarský
Liberecký
Karlovarský
Liberecký
Vysočina
Karlovarský
Vysočina
XVII.
XVIII.
XX.
Vysočina
Karlovarský
Karlovarský
Moravskoslezský
Hl. město Praha
Moravskoslezský
I.
II.
III.
Tab. 6: Kraje s nejmenší a největší pravděpodobností úmrtí podle nemocí - ženy
Nejmenší
pravděpodobnost
Vysočina
Karlovarský
Karlovarský,
Vysočina
Karlovarský
Zlínský
Liberecký
Karlovarský
Karlovarský
Karlovarský
Karlovarský
Olomoucký, Ústecký,
Vysočina, Zlínský
Karlovarský
Královéhradecký
Liberecký
Liberecký
Karlovarský
I.
II.
III.
IV.
V.
VI.
IX
X.
XI.
XII.
XIII.
Středočeský
Plzeňský
Hl. město Praha
Moravskoslezský
Moravskoslezský
Moravskoslezský
Ústecký
Moravskoslezský
Středočeský
Moravskoslezský, Středočeský, Ústecký
XIV.
XVI.
XVII.
XVIII.
XX.
Největší
pravděpodobnost.
Praha
Praha
Praha, Ústecký
Středočeský
Praha
Praha
Moravskoslezský
Praha
Moravskoslezský
Moravskoslezský
Jihomoravský
Středočeský
Ústecký
Ústecký
Praha
Praha
V dalším kroku bylo určeno pořadí rij pravděpodobností nastání úmrtí podle příčiny j v krajích i.
Jednotlivé skupiny nemocí se jako příčina úmrtí
liší svou četností i více než v jednom řádu. Proto
byly vypočteny váhy pro příčiny úmrtí ve tvaru
Hypotetický kraj, který by měl nejlepší podmínky, tedy nejnižší hodnoty pravděpodobností výskytu sledované příčiny úmrtí by měl výskyty příčin
úmrtí blízký kraji Karlovarskému jak u mužů, tak u
žen.
si
, kde si je počet zemřelých na příčinu úmrtí
s
i, tj. si = ∑ sij , a dále s je celkový počet zemřelých
wi =
j
v daném roce.
Pro prvky rij byl určen průměr ri vážených pořadí pro kraje i. Pro tyto hodnoty bylo určeno pořadí.
Toto pořadí je uvedeno v tabulce 7.
Tab. 7: Pořadí sumy vážených pořadí pro
muže a ženy
Pořadí sumy vážených
pořadí
Muži Ženy
Hl. město Praha
12
Jihočeský
9
Jihomoravský
11
Karlovarský
1
Královéhradecký
5
Liberecký
2
Moravskoslezský
14
Olomoucký
8
Pardubický
4
Plzeňský
6
Středočeský
13
Ústecký
10
Vysočina
3
Zlínský
7
12
8
11
1
6
2
14
9
4
5
13
10
3
7
Nejnižší pořadí v tomto seznamu znamená, že
pokud nějaká osoba zemře v důsledku sledovaných
příčin úmrtí, pak s nejmenší pravděpodobností to
bude v tomto kraji. Z výsledku vyplývá, že pokud
v České republice zemře muž na některou ze všech
zkoumaných příčin úmrtí, tak s nejmenší pravděpodobností bude z kraje Karlovarského a s největší
pravděpodobností ze Středočeského kraje. Tento
závěr je platný také pro případ, kdy zemře žena.
II. ANALÝZA ZÁVISLOSTI PŘÍČIN ÚMRTÍ
A STŘEDNÍ DÉLKY ŽIVOTA
Jedním z měřítek vyspělosti daného regionu je
střední délka života při narození. Při hledání vhodného regionu pro život, který by nejlépe vyhovoval
vybraným kritériím pro kvalitu života, lze zohlednit i tento faktor. Pro kraje České republiky byly
pro rok 2011 na stránkách Českého statistického
úřadu získány tyto hodnoty, které jsou uvedeny
v tabulce 8.
Tab. 8: Střední délka života při narození pro muže a
ženy v krajích ČR v roce 2011
Muži
Hl. město Praha
76,46
Jihočeský
74,96
Jihomoravský
75,14
Karlovarský
73,23
Královéhradecký
75,47
Liberecký
74,77
Moravskoslezský
72,71
Olomoucký
74,14
Pardubický
74,84
Plzeňský
75,06
Středočeský
74,64
Ústecký
72,76
Vysočina
75,54
Zlínský
73,72
Zdroj: www.czso.cz
Ženy
81,66
80,80
81,46
79,47
81,33
80,77
79,86
80,67
80,34
80,37
80,58
78,70
81,26
81,30
Otázkou zůstává, zda existuje vztah mezi délkou
střední délky života v regionu a pravděpodobností
úmrtí na analyzované nemoci, jako příčiny úmrtí.
Je možné očekávat, že pravděpodobnosti úmrtí na
analyzované nemoci jsou nižší v těch regionech,
kde je vyšší střední délka života. K tomuto ověření
byl použit Spearmanův test korelace.
Vstupními daty bylo pořadí vážených pořadí
a pořadí středních délek života, a to zvlášť pro muže a pro ženy za rok 2011. Byla ověřována hypotéza o neexistenci pořadové závislosti mezi uvedenými veličinami proti alternativní hypotéze, že taková závislost existuje. Test byl proveden na hladině významnosti 0,05.
Hodnota testovacího kritéria Spearmanova testu
padla v obou případech, jak pro muže, tak pro ženy, do oblasti přípustných hodnot. Tedy nulovou
hypotézu nelze zamítnout ve prospěch alternativní
hypotézy. Jinými slovy lze říci, že neexistuje závislost mezi pořadím aposteriorní pravděpodobnosti
úmrtí na sledované nemoci v jednotlivých krajích a
střední délkou života.
ZÁVĚR
Regionální disparity představují nerovnoměrný
rozvoj jednotlivých oblastí. Mezi tyto rozdílnosti
lze zařadit také vnímání kvality života v daném regionu.
Pro posuzování kvality života existuje řada parametrů, přičemž z hlediska obyvatel mohou být preferována různá kritéria. Mezi významné aspekty
kvality života lze zařadit také pravděpodobnost
úmrtí na konkrétní typy onemocnění.
Při zpracování tohoto příspěvku byla s využitím
Bayesovy věty hledána aposteriorní pravděpodobnost, se kterou v případě, kdy osoba v České republice zemře na některou z posuzovaných nemocí, je tato osoba z konkrétního kraje. Jednotlivé
kraje ČR jsou rozdílné v mnoha faktorech a také
pravděpodobnosti úmrtí na vybrané nemoci jsou
zde odlišné. Příčiny tohoto stavu jsou různé, může
se jednat o vlivy související s přírodním charakterem regionu, ale rovněž o příčiny plynoucí z lidské
činnosti, tedy např. znečištění životního prostředí
průmyslem a dopravou.
Získané výsledky mohou být využity jak občany
pro preferenci regionů, které nejlépe splňují jejich
představy o kvalitním životě, tak státní správou
a samosprávou pro určení, která kritéria kvality života je nutno v jednotlivých regionech zlepšovat.
Výše uvedené užití Bayesovy věty je pro analýzu
stavu kritérií kvality života v jednotlivých regionech vhodným a efektivním nástrojem.
LITERATÚRA
Český statistický úřad. (2012). [Online] [cit. 14-082012]. Dostupné na WWW: <http://www.czso.cz>.
Linda, B. (2010). Pravděpodobnost. Pardubice: Univerzita Pardubice. ISBN 978-80-7395-303-4.
Pacáková, V. (2004). Aplikovaná poistná štatistika.
Bratislava: Iura Edition. ISBN 80-8078-004-8.
Pacáková, V., Kubanová, J. (2009). Selected problems of actuarial demography. In: Prace naukowe
Uniwersytetu Ekonomicznego we Wroclawiu. p. 370377. ISSN 1899-3192.
Stankovičová, I., Vojtková, M. (2007). Viacrozmerné
štatistické metódy s aplikáciami. Bratislava: Iura
Edition. ISBN 978-80-8078-152-1.
Beáta STEHLÍKOVÁ ■ 139
Priame zahraničné investície a príjmová nerovnosť
Beáta STEHLÍKOVÁ1
1
Fakulta ekonómie a podnikania, Paneurópska vysoká škola v Bratislave
Foreign Direct Investment and Income Inequality
Keywords
Abstract
Income inequality, Gini coefficient, FDI, The deepening globalization has increased the interest in studying the
spatial lag model.
effects on income inequality. One of the results of economic growth is
also reduction in poverty. Foreign direct investments support economic
JEL Classification
growth of the country, and hence reduce income poverty. The key to the
F21, I32
economic development of the country is the transfer and diffusion of
knowledge, which are the results of foreign direct investment. Foreign
1 Pan-European University, Faculty of
direct investments do not reduce income inequality automatically. There
Economics and Business, Tematínska
are many empirical analyses with contradictory results on the relation10, 851 05 Bratislava, Slovakia,
ship between FDI and income inequality. The contribution is focused on
[email protected]
a brief overview of these models and a presentation of a new spatial
model for estimation of income inequality in the different countries of the
European Union.
Príspevok bol vytvorený s podporou vedeckovýskumného projektu VEGA 1/0127/11 Priestorová distribúcia chudoby v Európskej únii.
ÚVOD
Obdobie zásadných rozhodnutí, ktoré viedli ku
vzniku súčasnej globálnej krízy siaha do šesťdesiatych rokov minulého storočia, keď proces zhodnocovania kapitálu narazil na ekologickú bariéru a z
produktívnej priemyselnej výroby sa kapitál preorientoval na parazitné finančné a menové špekulácie. Avšak práve v tomto období zaznamenal svet
nebývalý hospodársky rozvoj. Tvorba bohatstva a
prosperity ale neprebiehala rovnomerne. Vzniknutá
ekonomická nerovnováha prispela k zhoršovaniu
sociálnych problémov, čoho dôsledkom bol vznik
politickej nestability prakticky vo všetkých častiach sveta – v Afrike, Ázii, Južnej Amerike. Problémom sa nevyhla ani Európa a USA.
Pojem chudoby je ťažké merať, pretože je založená na subjektívnych pocitoch jedinca. Existuje
však úsilie chudobu merať. Koncept chudoby je tak
preložený do reči politiky prostredníctvom presného súboru definícií a mier. Definícií a mier chudoby je skutočne veľa. Fundamentálne sú definície
Townsenda (1979) a Sena (1979). Townsend definoval chudobu ako neschopnosť zúčastniť sa spoločenského diania a žiť na úrovni, ktorá je v danej
spoločnosti bežná. Podľa Sena chudoba nie je ne-
dostatok príjmov, ale nemožnosť plnohodnotne žiť
kvôli nedostatku ekonomických prostriedkov. Syntézou rôznych stanovísk Svetová banka (2001) zverejnila definíciu chudoby. Zásadnou otázkou však
vždy zostáva vzťah medzi nízkymi príjmami a
schopnosťou človeka žiť určitý spôsob života.
Existuje súbor štandardov, podľa ktorých sa určuje,
či sú príjmy a životné podmienky najchudobnejších
v spoločnosti prijateľné, alebo nie. Senova formulácia tohto vzťahu je užitočná v mnohých ohľadoch. Sen pripomína, že príjem je prostriedkom na
dosiahnutie cieľa, nie cieľom sám o sebe. Gajdoš
(2002) upozornil na fakt, že chudoba, bez ohľadu
na jej vymedzenie, je vážnym problémom aj hospodársky najvyspelejších krajinách sveta. Tu sa
človek môže stať chudobným bez vlastného pričinenia, pretože chudoba sa stala štrukturálnym javom. Poklesom významu určitých odvetví v hospodárskej štruktúre štátu sa časť populácie môže
stať chudobnou bez ohľadu na to, či sa o to pričiní
alebo nie. Ďalším z dôvodov je skutočnosť, že tieto krajiny sú lákadlom pre ľudí z chudobných krajín, ale pohľad občanov týchto vyspelých krajín na
imigrantov je nie ako na rovnocenných ľudí, ale
ako na menejcenných než sú oni.
Je potrebné si uvedomiť, že aj keď chudoba býva často spojovaná s nerovnosťou, neznamená úplne to isté (Alcock, 1993). Alcock chápe nerovnosť ako pojem popisný a chudobu ako pojem, který obsahuje hodnotenie a vzťahuje sa k sociálnemu
a triednemu statusu.
I. MATERIÁL A METÓDY
V článku sa zameriame na analýzu medzinárodne
definovaných a porovnateľných indikátorov chudoby, ktoré vychádzajú z ekvivalentného disponibilného príjmu definovaného v zisťovaní EU SILC.
Ekvivalentný disponibilný príjem domácností pred
sociálnymi transfermi, je disponibilný príjem domácnosti pred sociálnymi transfermi vydelený ekvivalentnou veľkosťou domácnosti. Pre výpočet
ekvivalentnej veľkosti domácnosti sa v zisťovaní
EU SILC používa tzv. modifikovaná OECD škála,
na základe ktorej je každému prvému dospelému
členovi domácnosti priradený koeficient 1, každému druhému a ďalšiemu dospelému členovi domácnosti a 14-ročným a starším osobám koeficient
0,5 a každému dieťaťu mladšiemu ako 14 rokov
koeficient 0,3. Takto vypočítaný ekvivalentný disponibilný príjem domácnosti je následne priradený
každej osobe v rámci domácnosti.
Podľa Medzinárodného menového fondu priama
zahraničná investícia predstavuje kategóriu medzinárodných investícií, ktorá vyjadruje zámer subjektu, ktorý je rezidentom jednej ekonomiky, získať
trvalý podiel v podniku so sídlom v inej ekonomike. Ukazovateľ Intenzita priamych zahraničných
investícii - % HDP predstavuje priemer tokov prílevu a odlivu priamych zahraničných investícií
(PZI) delený hrubým domácim produktom (HDP).
Index meria intenzitu investičnej integrácie do svetovej ekonomiky. Priame investície sa týkajú medzinárodných investícií zo strany rezidenta získať
trvalú účasť v subjekte pôsobiaceho v ekonomike
inej ako ekonomike investora. Priama investícia
zahŕňa pôvodne transakcie medzi oboma subjektmi
a všetky nasledujúce kapitálové transakcie medzi
nimi a medzi dcérskymi spoločnosťami, zapísané
aj nezapísané v obchodnom registri. Údaje sú vyjadrené ako percento HDP za účelom odstrániť
vplyv rozdielov vo veľkosti ekonomík v sledovaných krajinách.
O závislosti úrovne príjmovej nerovnosti od
HDP na obyvateľa hovorí Kuznetzova krivka
(Kuznetz, 1955), ktorá má tvar prevráteného U.
Lorenzova krivka je jedným z najpoužívanejších spôsobov grafického znázornenia diverzifikácie. Lorenzova krivka sa využíva na grafické vyjadrenie stupňa príjmovej nerovnosti. Horizontálna
os udáva kumulatívne zoradený počet obyvateľov
v percentách a vertikálna os podiel týchto obyvateľov na vytvorenom dôchodku. Giniho koeficient je
číselná charakteristika diverzifikácie. Jeho hodnota
je veľkosť plochy medzi Lorenzovou krivkou a
diagonálou jednotkového štvorca. Hodnota Giniho
koeficienta leží v intervale [0,1], kde hodnota 0
značí perfektnú diverzifikačnú schopnosť a hodnota 1 značí nulovú.
Moranov koeficient je jednou z mier priestorovej autokorelácie. Priestorový lag model je taký regresný model, keď hodnoty závisle premennej y
v jednotke i sú priamo ovplyvňované hodnotami y,
ktoré sú v jeho okolí (Stehlíková, 2002).
Údaje boli čerpané z databázy Eurostatu a EU
SILC. Pri výpočtoch bol použitý softvér GeoDa.
II. VÝSLEDKY A DISKUSIA
Výsledky týkajúce sa existencie Kuznetzovovej
krivky nie sú celkom presvedčivé, hoci mnohým
učencom sa zdá, že našli dôkazy podporujúce
Kuznetzovu hypotézu. Williamson a Lindert
(1985) vytvorili čisto ekonomický model vysvetľujúci klesajúci trend nerovnosti v USA a Veľkej
Británii. Soderberg (1991) poukazuje skôr na kolísanie nerovnosti vo Švédsku ako na proces narastajúcej nerovnosti. Dumke (1991), v prípade Pruska našiel rastúcu nerovnosť v období industrializácie. Nerovnosť podľa neho je viac závislá na kapitále ako rozmanitosti zručností. Stiglitz (2002)
vyjadril skeptický postoj k benefitom PZI.
Ekonomický rast predstavuje zvyšovanie HDP
v čase. PZK je kľúčovou zložkou pre úspešný hospodársky rast v rozvojových krajinách, tvrdí Klein
ai. (2001). To je preto, píše, že podstatou ekonomického rozvoja je rýchly a efektívny prenos a prijatie osvedčených postupov cez hranice. PZI sú
vhodné k uskutočneniu rozsiahleho rastu a v neposlednom rade na modernizáciu ľudského kapitálu.
Ako rast je jedným z najdôležitejších faktorov
ovplyvňujúci znižovanie chudoby, tak FDI je prostriedkom na dosiahnutie tohto cieľa, konštatuje.
Herzer a Nunnenkapm (2011) dospeli k protichodným záverom, pričom v dlhom období PZI znižujú
príjmové nerovnosti.
Mold (2004) uvádza prehľad literatúry zaoberajúcej sa vzťahom PZI a redukcie chudoby. Uvádza
závislosť podielu populácie s príjmom pod 2 USD
na deň od veľkosti PZK na osobu vypočítaného
z údajov za 30 rozvojových krajín v roku 2000.
Konštatuje, že závislosť je nepriama i keď slabá
(R2 = 0,149), ale štatisticky signifikantná. Mold
ďalej dáva otázku – aký je smer kauzality a cez aké
kanály? PZI sa naozaj podieľa na redukcii chudoby
alebo tento vzťah jednoducho odráža sklon PZI
vyhľadávať ekonomiky, kde je chudoba nízka.
Ďalšia možnosť je, že vzťah je klamlivý a je dôsledkom vynechania ďalších nešpecifikovaných
faktorov, s ktorými sú chudoba a PZI korelované.
Bez ďalšieho spracovania viac sofistikovaného
modelu je nemožné odpovedať na položenú otázku.
Obr. 1: Závislosť podielu populácie s príjmom pod
2 USD na deň od PZK na osobu
Zdroj: Mold, 2004
Battacharya ai. (2004) tvrdí, že existuje základný rozpor medzi cieľom zníženia chudoby na jednej strane a nárokmi zahraničných investorov na
zníženie daní, nižšie mzdy a privatizáciu služieb na
strane druhej. Zlepšenie podmienok pre súkromné
investície nie je bez nákladov pre spoločnosť. Deregulácia v pracovnej oblasti môže síce zvýšiť zisky, ale v neprospech zamestnancov. Znižovanie
daní vážne poškod9 tých, ktorí sú závislí na takých
verejných službách ako vzdelávanie, zdravotná starostlivosť, pitná voda v rozvojových krajinách
a podobne. Je zrejmé, že investície hrajú dôležitú
úlohu v procese ekonomického rastu. Napriek tomu, ako bolo uvedené vyššie, rast sám o sebe nie je
postačujúcou podmienkou pre rozvoj. Investície na
podporu rozvoja majú priame i nepriame pozitívne
dopady na život ľudí. Niektoré pozitívne dôsledky
investícií pre ľudí sú spojené so zvýšením zamestnanosti, spoľahlivým príjmom, zvýšením úrovne
gramotnosti, strednej dĺžky života a zdravia, lepšou
kvalitou tovaru a služieb na trhu, lepšími verejnými
službami. Toto vylepšenie nesmie mať inverzný
efekt inde. Ak sa investíciami do miesta A vytvorí
päť pracovných miest za cenu straty desať pracovných miest v mieste B, existuje dôvodné podozrenie, že táto investícia neprispela k rozvoju Štandardný argument je, že miesto B nebolo konkurencieschopné, a že desať miest by zaniklo skôr alebo
neskôr. Existuje mnoho prípadov, kedy spoločnosti
- najmä nadnárodné korporácie - presúvajú svoje
výrobné závody z jedného miesta na druhé, zároveň zoštíhľujú počet pracovníkov, ich mzdy, šetria
na daniach a zvyšujú tak návratnosť investícií. Aj
kvôli takýmto javom sa vzťah PZI a chudoby či
príjmovej nerovnosti ťažko modeluje.
Nerovnosť je často považovaná za nutné zlo,
ktoré musí byť tolerované, aby bol udržaný rast
(Clarke, 1992). Existujú názory, že nerovnosť je
nevyhnutná pre hromadenie bohatstva, a obsahuje
zárodky prípadných zvyšovaní príjmu. Iní argumentujú, že nerovnosť spomaľuje rast, pretože zvýšená nerovnosť spôsobuje väčší konflikt nad otázkami týkajúcich sa rozdeľovania, čím sa podporia
práve väčšie ekonomické zásahy a vyššie dane.
Klein ai. (2001) podrobne analyzovali články
autorov zaoberajúcich sa ekonomickým rastom,
príjmovou nerovnosťou a redukciou chudoby, PZI
a ekonomickým rastom, vzťahom miezd, pracovných podmienok, životného prostredia a PZI. Clarke (1995) dospel k výsledku, že medzi počiatočnou
príjmovou nerovnosťou a ekonomickým rastom je
negatívna korelácia. Ravallion a Chen (1997) zistili
nezávislosť medzi rastom priemerného príjmu domácností a rôznymi mierami príjmovej nerovnosti.
Dollar a Kraay (2000) zistili, že logaritmus priemerného príjmu kvintilu najchudobnejších nie je v
korelácii s logaritmom HDP. Baroo (2000) uvádza
negatívnu koreláciu medzi HDP na obyvateľa a
otvorenosťou ekonomík.
Pri modelovaní je nutné zohľadniť priestorový
aspekt skúmaných javov. V ďalšom uvidíme, že
tento názor je správny. K vysloveniu tohto predpokladu nás viedla skutočnosť, že okrem intenzity
priamych zahraničných investícii - % HDP skúmané javy vykazujú kladnú priestorovú autokoreláciu.
Hodnota Moranovho koeficienta pre Giniho koeficient v roku 2010 je 0,6375. Je signifikantný, nakoľko P hodnota pre 9999 simulácií je 0,00060.
Rovnako medián ekvivalentného disponibilného
príjmu pred sociálnymi transfermi vykazuje kladnú priestorovú autokoreláciu, nakoľko Moranov
koeficient 0,4813 je signifikantný. Jeho P hodnota
je 0,01070. FDI nevykazuje priestorovú autokoreláciu. Moranov koeficient pre túto veličinu je
0,1197, s P hodnotou 0,13930. Ďalšie ukazovatele
analogické v existujúcich modeloch pre rozvojové,
či nešpecifikované krajiny nevykazovali priestorovú autokoreláciu. Napríklad, rozdiel logaritmov
mediánov ekvivalentného disponibilného príjmu
pred sociálnymi transfermi v rokoch 2010 a 2005
nevykazuje kladnú priestorovú autokoreláciu na
hladine významnosti 0,01– hodnota Moranovho
koeficienta je 0,2612 (P= 0,09360). Rozdiel logaritmov Giniho koeficienta v roku 2010 a 2005 tiež
nevykazuje priestorovú autokoreláciu. Hodnota
Moranovho koeficienta je -0,0787 (P=0,45730).
Medián ekvivalentného disponibilného príjmu
pred sociálnymi transfermi v krajinách EÚ v roku
2010, nevykazoval závislosť od intenzity priamych
zahraničných investícii - % HDP (Model 1).
Zaradením priestorového aspektu – vytvorením
priestorového lag modelu - sa síce koeficient determinácie zvýšil, ale intenzita priamych zahranič-
ných investícii - % HDP nie je štatisticky signifikantná (Model 2).
Hodnota Giniho koeficientu v krajinách EÚ v
roku 2010 tiež nevykazuje závislosť od intenzity
priamych zahraničných investícii - % HDP (Model
3).
Zaradením priestorového aspektu – vytvorením
priestorového lag modelu - sa síce koeficient determinácie opäť zvýšil, ale intenzita priamych zahraničných investícii - % HDP nie je štatisticky
signifikantná. Zvýšenie koeficientu determinácie je
v oboch prípadoch v dôsledku kladnej priestorovej
autokorelácie skúmanej závisle premennej (Model
4).
Postupne sme vytvorili niekoľko modelov (pozri
prílohu), z ktorých najlepší je lag model pre závislosť hodnoty Giniho koeficienta od mediánu ekvivalentného disponibilného príjmu pred sociálnymi
transfermi (Model 5)
,
kde
•
INC2010 je medián ekvivalentného disponibilného príjmu pred sociálnymi transfermi
v roku 2010
•
GINI2010 je hodnota Giniho koeficienta
v roku 2010
•
KOD sa rovná hodnote 1 pre štáty EÚ 15,
inak sa rovná nule
•
wi je i-ty riadok matice susedstva štátov Európskej únie W
Priestorový lag model pre hodnotu Giniho koeficienta má pre krajiny EÚ v roku 2010 dobrú vypovedaciu schopnosť. Koeficient determinácie je
až 0,634795. Všetky koeficienty sú štatisticky signifikantné, lebo ich p-hodnota je menšia ako hladina významnosti 0,05. Hodnota Giniho koeficientu
v roku 2010 závisí od mediánu ekvivalentného disponibilného príjmu domácností pred sociálnymi
transfermi v roku 2010. Čím je hodnota mediánu
ekvivalentného disponibilného príjmu pred sociálnymi transfermi vyššia, tým je hodnota Giniho ko-
eficientu nižšia. I keď je koeficient nízky, ale je
štatisticky signifikantný. Preto môžeme tvrdiť, že
existuje nepriama závislosť medzi týmito skúmanými veličinami. Ďalej hodnota Giniho koeficientu
závisí od príslušnosti štátu k štátom EÚ 15. Kladná
hodnota 0,48957 pri lag(ρ) indikuje, že hodnota
Giniho koeficientu bude vyššia v krajinách, ktoré
sú obkolesené s krajinami s vysokými hodnotami
Giniho koeficienta a nižšia v krajinách, ktoré sú
obkolesené s krajinami s nízkymi hodnotami Giniho koeficienta. Dá sa vysloviť hypotéza, že je to
v dôsledku voľného pohybu pracovných síl. Bude
si to však vyžadovať ďalší výskum. Signifikantná
je tiež príslušnosť k štátom EU15, resp. novoasociovaným (KOD).
Zanedbaním priestorového aspektu dostaneme
síce dobrý model, ale s oveľa nižšou hodnotou koeficientu determinácie (Model 6).
LITERATÚRA
Alcock, P. (1993). Understanding Poverty. London:
Macmillian Press. ISBN 0-333-56758.
Bhattacharya, D. ai. (2004). Foreign Direct Investment. Bonn: EED.
Baroo, R. (2000). Inequality and growth in a panel of
countires . In: Journal of Economic Growth . Vol. 5,
No. 1, pp. 5-32.
Clarke, R. G. (1992). More evidence on income distribution and growth. Policy Research Working Paper
Series 1064. Washington DC: The World Bank.
Clarke, R. G. (1995). More evidence on income distribution and growth. In: Journal of Development
Economics. Vol. 47, No.2, pp. 403-427.
Dollar, D. , Kraay, A. (2000). Growth is good for
poor. Washington DC: The World bank.
Dumke, R. (1964). Income inequality and industrialization in Germany, 1850-1913: the Kuznets hypothesis
reexamined In: Brenner, H. ai. (eds.) Income Distribution in Historical Perspective Cambridge: Cambridge University Press. ISBN-10: 0-52-135647-4.
ZÁVER
Výskyt chudoby v silných a vyspelých ekonomikách môže byť signálom zlyhania riadenia a vládnutia v spoločnosti. Preto sa mnohí snažia tento
problém pomenovať a nájsť vysvetlenie, nájsť riešenie tohto problému, alebo aspoň nájsť nástroje na
jeho predchádzanie. Problematika skúmania závislosti chudoby a príjmovej nerovnosti od ostatných
ukazovateľov je náročná a komplikovaná. Neexistuje všeobecne akceptovaná ekonomická teória.
Výsledky - Model 5 - lag model závislosti príjmovej nerovnosti meranej pomocou Giniho koeficienta od mediánu ekvivalentného disponibilného príjmu pred sociálnymi transférmi - ukázali, že v modeloch je nevyhnutné uvažovať s priestorovým aspektom. V súčasnosti existujú pokročilejšie štatistické metódy ako priestorové regresné modely, ktoré vylepšujú klasické regresné modely, ktoré by
bolo v budúcnosti vhodné použiť.
Gajdoš, P. (2002). Človek, spoločnosť, prostredie
(priestorová sociológia). Bratislava: Sociologický
ústav SAV. ISBN: 80-855444-15-6.
Klein M., Aaron C., Hadjimichael B. (2001). Foreign
direct investment and poverty reduction, World Bank
Policy Research Working Paper 2613. Washington
DC: The World Bank.
Kuznets, S. (1955). Economic Growth and Income Inequality. In: American Economic Review. Vol. 45,
No. 1, pp. 1-28.
Lindert, P. H., Williamson, J. G. (1985). Growth,
equality and history. Explorations in Economic History. Vol. 22, No. 10, pp. 341-77.
Lisý, J., Zámečníková, Z. (2007). Úvod do makroekonómie pre OA. Bratislava: SPN. ISBN 978-80-1001198-8.
MMF. Manuál platobnej bilancie. 5. edícia, paragraf
359.
Mold, A. (2004). FDI and poverty reduction: A critical
reappraisal of the arguments. Revue Région et Developpment. Vol. 20, pp. 91-122.
Ravallion, M. , Chen, S. (1997). Distribution and poverty in developing and transition economies. New
data on Spells During 1981-1993. World bank Economic review, Vol. 2, No. 11, pp. 357-82.
Stiglitz, J. (2002). Globalization and its discontens.
London: Allen Lane. ISBN 0-71-399664-1.
Sen, A. (1979). Issues in the Measurement of Poverty.
In: Scandinavian Journal of Economics. Vol. 81,
No. 2, pp. 285-307.
Townsend, P. (1979). Poverty in the United Kingdom: A Survey of Household Resources and
Standards of Living. Harmondsworth: Penguin
Books (Reprinted 1983). ISBN 0-14-022139-5.
Soderberg, J. (1964). Wage differentials in Sweden,
1725-1950. In: Brenner, H. ai. (eds.) Income Distribution in Historical Perspective. Cambridge: Cambridge University Press. ISBN-10: 0-52-135647-4.
Stehlíková, B. (2002). Priestorová štatistika. Nitra:
SPU. ISBN 80-8069-046-4.
World Bank. (2001). Poverty Manual, (Chapter 1:
The Concept of Poverty and Well-Being). Washington DC: The World Bank.
PRÍLOHA
Tab. 1: Model 1
Zdroj: vlastné výpočty z údajov EÚ SILC a Eurostatu
Tab. 2: Model 2
Tab. 3: Model 3
Tab. 4: Model 4
Tab. 5: Model 5
Tab. 6: Model 6
Katarína RIMEGOVÁ ■ 147
To what Extent European Development Aid Is Linked to Donors’ Political or
Commercial Interests in Developing World?
Katarína RIMEGOVÁ1
1
Faculty of Economics, Technical University of Košice
To what Extent European Development Aid Is Linked to Donors’ Political or Commercial Interests in Developing World?
Keywords:
Abstract
Development aid, aid allocation stratThe development aid is a controversial topic and the donors allocation
egy, donors’ behaviours.
strategies are so too. Major changes have taken place in the global
economy during last four decades, targets and ways of aid delivery have
JEL Classification
been changing from one decade to the next, and so it was for the attiF35, F50
tude of donors when it comes to aid allocation strategies. The target of
this paper is to analyse the decisions of EU donors during the last dec1 Technical University of Košice, Faculty of
ade, more specifically, it is to observe to what extent they link the develEconomics, Němcovej 32, 040 01 Košice,
opment aid flows with their own political or commercial interests. We
Slovakia, [email protected]
found contradictory trends in behaviours of EU donors. Our observations confirm the findings of other authors pointing at the Nordic countries as being the “less selfish” donors providing aid for purely development related aims, while countries as France, Portugal, or Germany being the examples of those lining aid with their own political or commercial aims. The new EU donors are found to have very divers behaviours
(differences between their behaviours being even more divergent than
for the group of “old” EU donors), when it comes to their bilateral aid which is however still a very small part of the total aid they provide.
INTRODUCTION
At the origins of the development aid, the transfer
of funds to developing world were provided by the
former colonial governments and the international
financial institutions (IFIs), such as the IMF and
the World Bank, along with several bilateral donors (that followed the lead set by the IFIs), via a
mechanism for supporting the balance of payments
of developing economies, in view to promote imports through provision of convertible currencies,
or was meant for debt servicing purposes.
During the last four decades - while the approaches to development economics were evolving
and global political situation changing – the meaning and understanding of development aid naturally
demanded few transformations, too. To best illustrate the result of this process is giving the example
of Executive Board of the IMF, who in 1999, decided to transform its Enhanced Structural Adjustment Facilities (ESAF) into the Poverty Reduction
and Growth Facilities (PRGF) via International
Development Assistance (IDA), with aid being
since directed to achieve goals related to alleviation of poverty in the world, later defined, as Millennium Development Goals (MDG 8, 2000). At
least on a formal level, the aid marked a fundamental shift in the procedures of conditional lending,
and instead of imposing conditionality and demanding policy alignment from recipient countries,
donors are since “expected to alien their funds with
the partner’s countries policies, and draw their
conditionality from a comprehensive, nationally
elaborated strategy on development and poverty
reduction” (Tarp, 2006). In other words, the donors
are now expected to – politically and economically
– “untie” the aid and bring their focus on the countries that need it the most.
Newetherless, the donors don´t always act with
the only target to help their receiving countries to
develop. Some of them still tend to be drawn by
their own needs, considering development aid as a
tool of their foreign politics. Some tend to direct
their aid flows in accordance with their strategic
assessments of changing international situations
(Dollar and Levis, 2004), while others aiming to
spread their own markets (Berthelemy, 2006).
ies the question was drawn as flows: Do donors allocate aid according to the „needs“ (related to the
partner countries GDP or poverty indicators) and
„merits“ of the recipient countries (mirroring the
quality of their governance), or according to their
own commercial or political interests? In other
words, is their selection process, when choosing
partner countries, altruistic or selfish? Most of the
authors find diverging results between multilateral
and bilateral aid flows, with highly divergent results among the group of bilateral donors. When it
comes to the question of „merits“ they tend not to
agree, which is due to the fact that they consider a
different set of indicators to judge good governance. However when it is up to the question of
„needs“ and „selfish“ behaviors they got very similar results. There is a broad consensus in the literature, that Nordic countries, including Denmark,
Finland, Norway and Sweden, behave similarly in
purelly altrustic way - allocating more aid to recipients with less per capita income (Allesina and
Dollar, 2000, Berthelemy, 2006, Canavire, Nunnenkamp, Thiele, Triveño, 2005, etc) and with
whom they have no commercial neither political
ties. It has also been found that the US behaves
similar to the Nordic countries from commercial
point of view but allocates more aid to its political
allies, such as Egypt and Israel. France and Japan
have been found among countries that allocate
more aid to their political allies or former colonies
and pay less attention to recipient „needs“ and
good governance (Allesina and Dollar, 2000,
Berthelemy, 2006, etc.). New Asian donors such as
India, Arab countries, and Venezuela have also
been blamed for commercial and political selfishness (Canavire, Nunnenkamp, Thiele, Triveño,
2005).
II. LITERATURE REVIEW
III. DATA AND OBSERVATIONS
In paralel to a growing body of aid effectiveness
literature, focusing on effects of aid on economic
development of receiving countries, emerged the
question whether donors, indeed, allocate foreign
aid aiming to promote economic development and
welfare in recipient countries. In most of the stud-
We use the development aid data from the database
of the Organization of Economic Cooperation and
Development (OECD). Our study covers the data
of disbursements and commitments of the multilateral aid flows from EU institutions and of the bilateral aid flows from 22 EU countries (with the ex-
I. THEORIES
Starting from development theories based on the
idea of rising investment, passing through the era
of industrialisation, we reached today to the development approach, which is linked to the so called
“Washington consensus” (1990) that defines the
“good governance” policies seen as the sure route
to growth and development. There is now, indeed,
a broad agreement among economists that good
policies are not enough and that there is other important determinant of long-term growth and poverty reduction, which is the so called „capacity
building“. The quality of institutions plays a pivotal role here as the “implementation tool to bring
good policies to fruition” (C. Saldanha, 2006).
Those mainly refer to “strong, transparent and accountable institutions guaranteeing efficient management and regulation of policy, establishing and
enforcing legal frameworks, provisioning of essential public services, catalysing private investment,
etc.” (Kaufmann et al, 1999). This is why the
World Bank study „Assessing Aid“ (1998) argues
that the allocation of development aid would have
greater impact on poverty reduction if it were targeted to the poorest countries and among them favored the ones with stronger economic institutions
and policies.
ception of aid commitments for which we found
the data just for the 15 “old” EU donors) to 154
developing partner countries. So to obtain these
variables relative to the size of the country, we did
vide them by the population - data for all the 154
receiving
receiving countries are sourced from the World
Bank database. When it comes to the world trade
data, we use the UNCTAD database. The observed
period is from 1996 to 2010.
Political ties
Dollar and Levis (2004) found a strong influence
of political ties on aid when it comes to the donors´
former colonies. On the other hand Berthelemy
(2006) is getting different results, considering
however aid flows per receiving countries GDP.
When it comes to our results, when aid considered
per head, we found parallel results to the Dollar
and Levis paper.
Figure 1: The proportion of aid directed to the donors´ former colonies in 2010
Source: Own, based on economy-point.org
economy point.org data
In the figure 1 it is possible to observe that EU
donors commit much higher percentage of their aid
(measured per head) to their former colonies, espeesp
cially when it comes to France, Belgium, Spain and
Portugal. Less significant results are found for
Great Britain with around 70% of their aid targe
targeting their former colonies. The trend is not really
evolving in time. In the table 1, we can observe the
percentage in 2005 and 2000 that are very similar
to the results of 2010 for all of the donors.
Table 1: The proport
proportion
ion of aid directed to the donors´ former colonies
flows
GRB
FRA
BEL
ESP
PRT
2010
collonies
(per cent of
the total aid
per head)
comm.
69
95
98
89
97
disb.
70
94
94
88
96
2000
comm.
78
94
96
89
92
disb.
89
88
86
87
92
93
92
99
78
97
90
91
disb.
Source: Own, based on economy-point.org
economy point.org data
99
1996
comm.
76
98
150 ■ NEROVNOS
NEROVNOSŤ
Commitments data tend to better reflect the ded
cisions made by donors, while disbursements are
influenced by the capacity of the recipients to meet
the donors´ conditionality (Berthelemy, 2006). We
however observed that when it comes to our obserobse
vation, we can easily obtain very similar results usu
ing these two variables. We thus can use the disdi
bursements data for the observations when we obo
serve the corre
correlations
lations for new EU donors for which
the aid commitments statistics are not complete.
In addition to the question of former colonial
partners, Berthelemy (2006) found a tendency of
EU donors to turn their focus on the ACPs councou
tries with who they have a special
special relationship
granted by the Lomé and Cottonou agreement.
We found that not just EU multilateral instit
institutions but also bilateral aid from EU donors is
strongly turned toward the ACP countries, when it
comes to the “old” EU members. In figure 2, we
can observe that the results are however different
for the new EU donors. This observation can be
explained by the geographic factor. The new
ew EU
donors tend to turn their financial flows and tec
technical assistance to the countries with which they
have common political
political past.
Notes: GRB: Great Britain, DEU: Germany, FRA: France, AUS: Austria, BEL: Belgium, DNK: Denmark,
IRL: Ireland, LUX: Luxemburg, NLD: Netherlands, SWE: Sweden, FIN: Finland, ESP: Spain, ITA: Italy,
PRT: Portugal, GRC: Greece, EST: Estonia, CZE: Czech Republic, SVK: Slovakia, POL: Poland, SVN:
Slovenia, LVA: Latvia, LTU: Lithuania
Figure 2: The proportion of aid directed to the ACP counties
Source: Own, based on ACP countries website
Commercial ties
As it was mentioned before, authors were applying
multivariate econometric techniques to account for
various determinants of aid. To determine the
commercial motives of aid donors, some authors
apply the ratio of the donors „exports plus imports“
to GDP (Berthelemy, 2006), others find it is better
to consider only the donor’s exports since export
promotion seems to be the motive underlying the
aim of the donors to spread their export zones (Ca(C
navire, Nunnenkamp, Thiele, Triveño, 2005). We
joined
oined the second group.
Just for the sake of completeness, we observed
the correlations between export flows and the aid
data related to disbursements, commitments, but
also commitments legging one year. The last vari
variation is interesting to consider, due to the fact that if
aid is committed for commercial targets, it needs
time to be translated into the observed trade flows
(Berthelemy, 2006).
We have got very parallel results to other aauthors that gave as examples of „less sel
selfish“
fish“ donors
the Nordic countries. There is no observed correlacorrel
tion between aid and trade for any of the observed
year for these countries (see also table 3 for observation from 2000 to 2010).
The other countries among which Belgium,
Denmark, Ireland, Luxemburg, Netherland and Italy also seem to target partner countries without
considering their commercial aims. When it comes
to other „old“ EU donors we observe, even if not
very significant, but existing and lasting correlations between aid and trade. We found slightly
higher correlations for Germany, especially when it
comes to aid commitments. In regards to the new
EU donors, their behavior is not following the
same trend. Some of them tend to provide aid targeting development aims, as it is for Estonia,
Czech Republic, or Slovakia, others use it as a tool
of foreign politics aiming to spread their trade
zone, as it seems to be so for Poland and, mainly,
Slovenia with the observed „record“ correlation of
0.9.
These observations are however linked to the
purely bilateral aid these countries provide. This is
why it is necessary to consider the percentage of
the aid the donors give via bilateral channel. In table 3 it is possible to observe that new donors tend
to give much less aid via bilateral channel than
more experienced donors. Their bilateral behavior
is thus not to be translated to their general attitude
towards development aid.
Table 2: correlations between aid flows and trade for EU donors
Donor
GRB
DEU
FRA
AUS
BEL
DNK
IRL
LUX
NLD
SWE
FIN
ESP
ITA
PRT
GRC
EST
CZE
SVK
POL
SVN
LVA
LTU
Correlation aid and trade
2010
2005
2000
comm.
- year
comm.
comm.
- year
comm.
- year
0.2
0.7
0.3
0.3
0.0
0.0
-0.1
-0.1
0.0
0.0
0.0
0.3
0.0
0.2
0.3
0.3
0.7
0.3
0.3
0.0
0.0
-0.1
-0.1
-0.1
0.0
0.0
0.2
0.0
0.2
0.3
disb.
comm.
disb.
0.2
0.2
0.1
0.1
0.4
0.4
0.5
0.4
0.2
0.2
0.2
0.3
0.2
0.0
0.0
0.3
0.0
0.0
0.0
0.0
-0.1
0.0
0.0
0.0
-0.1
0.0
0.0
0.0
-0.1
-0.1
-0.1
-0.1
-0.1
-0.1
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.1
0.2
0.1
0.2
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.2
0.8
0.3
0.3
0.3
0.3
0.4
0.3
0.1
0.1
0.1
0.2
0.2
0.1
0.5
0.3
0.9
0.1
0.3
0.1
0.4
Source: Own, based on UNCTAD database
We observe that the part of the total aid of the
„old“ donors have very similar rates of about 60%
0.2
0.4
0.3
0.3
0.0
0.0
0.0
0.0
0.0
0.2
0.0
0.0
0.0
0.3
0.2
comm.
disb.
0.2
0.5
0.4
0.1
0.0
0.0
0.0
0.0
0.1
0.1
0.1
0.0
0.0
0.2
0.3
0.2
0.3
0.3
0.2
0.0
0.0
0.0
0.0
0.0
0.1
0.2
0.0
0.0
0.3
0.3
to 70%, while the new donors allocate much less
aid via bilateral chanel. The lowest percentage we
find for Slovenia. Thus we can say that even if
with higher tendency to allocate its aid to their export zones, it is just a very small part of its total
aid. Slovenia is the best example of a new country
who uses the bilateral aid as a tool of foreign politics to help its own development, while providing
aid targeted to help development in the world via
more experienced multilateral channel.
Table 3: percentage of bilateral aid of total aid of donors and correlations between aid disbursements
and exports from donor countries to their aid partners
Donor
GRB DEU FRA AUS BEL DNK IRL LUX NLD SWE FIN
61.4 61.8 60.3 50.6 68.0 73.4 65.3 65.0 76.2 64.3 62.9
Bilat. aid (% of total)
0.2
0.2
0.0
-0.1 -0.1 -0.1 -0.1
0.0
0.0
Correlation aid and trade 0.2
0.4
Donor
ESP ITA PRT GRC EST CZE SVK POL SVN LVA LTU
67.2 25.3 61.0 41.7 26.2 34.8 27.0 25.0 38.0 10.3 44.6
Bilat. aid (% of total)
0.0
0.2
0.1
0.1
0.2
0.1
Correlation aid and trade 0.2
0.3
0.5
0.9
0.3
Source: Own, based on UNCTAD database
CONCLUSION
The development aid is a controversial topic and
the donors allocation strategies are so too. Major
changes have taken place in the global economy
during last four decades, targets and ways of aid
delivery have been changing from one decade to
the next, and so it was for the attitude of donors
when it comes to aid allocation strategies. The target of this paper is to analyse the decisions of EU
donors during the last decade, more specifically, it
is to observe to what extent they link the development aid flows with their own political or commer-
cial interests. We found contradictory trends in behaviours of EU donors. Our observations confirm
the findings of other authors pointing at the Nordic
countries as being the “less selfish” donors providing aid for purely development related aims, while
countries as France, Portugal, or Germany being
the examples of those lining aid with their own political or commercial aims. The new EU donors are
found to have very divers behaviours (differences
between their behaviours being even more divergent than for the group of “old” EU donors), when
it comes to their bilateral aid - which is however
still a very small part of the total aid they provide.
REFERENCES
Berthélemy, J-C. (2006). Bilateral donors' interest vs.
recipients' development motives in aid allocation: do
all donors behave the same?. In: Review of Development Economics. Vol. 10, No. 2, pp.179-194.
Canavire, G., Nunnenkamp, P., Thiele, R., and
Triveño, L. (2005) Assessing the Allocation of Aid:
Developmental Concerns and the Self-Interest of
Donors. In: Kiel Working Paper No. 1253.
Dreher, A. Nunnenkamo, P., Thiele, R. (2010) Are
‘New’ Donors Different? Comparing the Allocation
of Bilateral Aid between Non-DAC and DAC Donor
Countries. In: Kiel Working Paper, Revised in 2010
Dollar, B., Levin, V. (2004) Selectivity of Foreign Aid,
1984-2002. In: World Bank Policy Research Working Paper 3299.
Krueger, A. O. (1995) Policy lessons from development experience since the Second World War. In:
Behrman, J. and Srinivasan, T.N. (eds.): Handbook
of Development Economics, Volume III. Elsevier
Science B.V.
Tarp, F. (2004) Aid and Development. In: MPRA
Paper No. 13171.
■ 153
Informácie o konferencii
NÁZOV KONFERENCIE
Nerovnosť a chudoba v Európskej únii a na Slovensku
MIESTO A ČAS KONANIA
Herľany, 26. septembra 2012
VEDECKÝ VÝBOR KONFERENCIE
doc. Ing. Iveta PAUHOFOVÁ, CSc.
predsedníčka vedeckého výboru konferencie
RNDr. Jitka BARTOŠOVÁ, Ph.D.
Fakulta managementu, Vysoká škola ekonomická Praha, Česká republika
prof. RNDr. Oto HUDEC, CSc.
Ing. Tomáš LÖSTER, Ph.D.
Fakulta informatiky a statistiky, Vysoká škola ekonomická Praha, Česká republika
prof. RNDr. Viera PACÁKOVÁ, PhD.
Fakulta ekonomicko-správní, Univerzita Pardubice, Česká republika
Mgr. Alena ROCHOVSKÁ, PhD.
Prírodovedecká fakulta, Univerzita Komenského v Bratislave
Ing. Ľubica SIPKOVÁ, PhD.
Ing. Iveta STANKOVIČOVÁ, PhD.
Fakulta managementu, Univerzita Komenského v Bratislave
prof. RNDr. Beáta STEHLÍKOVÁ, CSc.
Fakulta ekonómie a podnikania, Paneurópska vysoká škola
Mgr. Alena TARTAĽOVÁ, PhD.
Ing. Tomáš ŽELINSKÝ, PhD.
ORGANIZAČNÝ VÝBOR KONFERENCIE
Ing. Tomáš Želinský, PhD. – predseda organizačného výboru
Bc. Štefan Kováč
Mgr. Alena Tartaľová, PhD.
Ing. Lenka Vejačková
Informácie o konferencii ■ 155
Conference Information
CONFERENCE TITLE
Inequality and Poverty in the European Union and Slovakia
CONFERENCE VENUE
Herľany, Slovakia, 26th September 2012
INTERNATIONAL SCIENTIFIC COMMITTEE
Assoc. Prof. Dr. Iveta PAUHOFOVÁ
Institute of Economic Research, Slovak Academy of Sciences
Head of Committee
Dr. Jitka BARTOŠOVÁ
Faculty of Management, University of Economics, Prague, Czech Republic
Prof. Dr. Oto HUDEC
Faculty of Economics, Technical University of Košice, Slovakia
Dr. Tomáš LÖSTER
Faculty of Informatics and Statistics, University of Economics, Prague, Czech Republic
Prof. Dr. Viera PACÁKOVÁ
Faculty of Economics and Administration, University of Pardubice, Czech Republic
Dr. Alena ROCHOVSKÁ
Faculty of Natural Sciences, Comenius University in Bratislava, Slovakia
Dr. Ľubica SIPKOVÁ
Faculty of Economic Informatics, University of Economics in Bratislava, Slovakia
Dr. Iveta STANKOVIČOVÁ
Faculty of Management, Comenius University in Bratislava, Slovakia
Prof. Dr. Beáta STEHLÍKOVÁ
Faculty of Economics and Business, Pan-European University, Slovakia
Dr. Alena TARTAĽOVÁ
Dr. Tomáš ŽELINSKÝ
ORGANISING COMMITTEE
Tomáš Želinský – Head of Organising Committee
Štefan Kováč
Alena Tartaľová
Lenka Vejačková
Inequality and Poverty in the European Union and Slovakia
Scientific Conference Proceedings
Editors:
Iveta Pauhofová
Tomáš Želinský
Published by:
© Faculty of Economics, Technical University of Košice
Košice, Slovakia, 2012
Number of Copies: 150
ISBN 978-80-553-1225-5

VS - CS - 2012

Transkript

Podobné dokumenty

SMART, zima 2016 - Svaz podnikatelů ve stavebnictví v ČR

Forum Statisticum Slovacum, Number 6/2014

rok 2006 - Kniha ve 21. století (2016)

pdf, 437 kB - Fairtrade.cz

Puls únor - Vrchlabí

Determinanty polarizácie bohatstva v

Celý text v PDF ke stažení zde - Human

návrh závěr účtu2011 Obec

A) Ekonomika, průmysl – základní aktuální komentáře