Indikátory kvality života a udržitelného rozvoje: kvantitativní

Transkript

Indikátory kvality života a udržitelného rozvoje:
kvantitativní, vícerozměrný a variantní přístup
Peter Mederly, Ján Topercer, Pavel Nováček
ÚVOD A VÝZKUMNÝ PROBLÉM ...................................................................................................................... 2
1. SPECIFIKACE ŘEŠENÍ ..................................................................................................................................... 3
1.1. RÁMEC A PŘEDMĚT VÝZKUMU ........................................................................................................................ 3
1.2. STAV VÝZKUMU .............................................................................................................................................. 3
1.3. CÍLE VÝZKUMU A PŘEDPOKLADY JEJICH SPLNĚNÍ ............................................................................................ 4
1.4. PROSTŘEDKY VÝZKUMU.................................................................................................................................. 6
2. REGIONÁLNÍ ÚROVEŇ ................................................................................................................................. 12
2.1. MOTIVY, PŘEDMĚT A CÍL ............................................................................................................................... 12
2.2. VÝBĚR A PŘÍPRAVA DAT ................................................................................................................................ 12
2.3. SKRÍNING A ÚPRAVY DAT .............................................................................................................................. 13
2.4. ANALÝZA A INTERPRETACE DAT ................................................................................................................... 14
3. NÁRODNÍ ÚROVEŇ ........................................................................................................................................ 31
3.1. MOTIVACE, CÍL, PŘEDMĚT ............................................................................................................................ 31
3.2. VÝBĚR A PŘÍPRAVA DAT................................................................................................................................ 32
3.4. ANALÝZA A INTERPRETACE DAT.................................................................................................................... 33
4. GLOBÁLNÍ ÚROVEŇ ...................................................................................................................................... 46
4.1. MOTIVACE, PŘEDMĚT, CÍL ............................................................................................................................ 46
4.2. VÝBĚR A PŘÍPRAVA DAT ............................................................................................................................... 48
4.4. ANALÝZA A INTERPRETACE DAT ................................................................................................................... 49
5. DISKUSE, ZÁVĚRY A DOPORUČENÍ.......................................................................................................... 58
PŘÍLOHA 1 - UKAZATELE VSTUPUJÍCÍ DO VÝPOČTU INDEXU LIDSKÉHO ROZVOJE (ROK 2000) ............................... 65
PŘÍLOHA 2 – SEZNAM UKAZATELŮ ROZVOJE REGIONŮ ČR (DATA ZA ROK 2001) .................................................. 67
PŘÍLOHA 3 –VSTUPNÍ DATA PRO VÝPOČET INDEXU LIDSKÉHO ROZVOJE ROZVOJE REGIONŮ ČR (DATA ZA ROK
2001) ................................................................................................................................................................... 70
PŘÍLOHA 4 - SEZNAM UKAZATELŮ POUŽITÝCH PRO TVORBU INDEXU KVALITY A UDRŽITELNOSTI ŽIVOTA ............ 74
PŘÍLOHA 5 –VSTUPNÍ DATA PRO VÝPOČET INDEXU KVALITY A UDRŽITELNOSTI ŽIVOTA ....................................... 78
PŘÍLOHA 6 – ZDROJE DAT PRO VÝPOČET SD INDEXU.......................................................................................... 80
PŘÍLOHA 7 – VSTUPNÍ DATA POUŽITÁ PRO VÝPOČET SD INDEXU ......................................................................... 82
PŘÍLOHA 8 – ZÁKLADNÍ STATISTICKÉ UKAZATELE VSTUPNÍCH DAT SD INDEXU ................................................... 83
PŘÍLOHA 9 – SD INDEX – SOUHRNNÉ VÝSLEDKY PRO 179 ZEMÍ (VERZE 2003) .................................................... 85
1
Úvod a výzkumný problém
V posledních letech se objevuje stále více pokusů o souhrnné vyjádření úrovně lidského rozvoje
formou agregovaných číselných ukazatelů (indexů). Přibývají nejen v tradičních oblastech, jako
je ekonomika a sociální rozvoj, ale také v dozrávajících komplexních oblastech celkové kvality
lidského života a udržitelného rozvoje. V nich několik let pracovali také autoři této publikace.
Zabývali se především tvorbou a ověřováním indikátorů udržitelného rozvoje a kvality života
na třech hierarchických úrovních (globální, národní a regionální). Výsledky byly publikovány
ve více periodikách i knižních publikacích (například GLENN, GORDON ET AL., 2001, POTŮČEK,
M., et al. 2002, POTŮČEK, M., et al. 2003, MEDERLY, P., NOVÁČEK, P. & TOPERCER, J. 2002a,
MEDERLY, P., NOVÁČEK, P. & TOPERCER, J. 2003).
Hlavním cílem naší práce v rámci „The Millennium Project“ (rozsáhlý prognostický program
pod záštitou Americké rady Univerzity OSN ve Washingtonu) a výzkumných úloh CESES
(Centrum pro sociální a ekonomické strategie Fakulty sociálních věd Univerzity Karlovy
v Praze) v letech 1999 - 2004 bylo vyjadření kvality života a udržitelného rozvoje na každé
z uvedených hierarchických úrovní pomocí jednoho agregovaného ukazatele - indexu. Výpočet
se řídil přístupem a priori (vnitřní struktura indexu je určena předem), používajícím metody
popisné statistiky (agregace průměrováním) na všech třech úrovních porovnatelným způsobem
na data porovnatelné kvality. Výhody takto získaného bezrozměrného ukazatele plynou
zejména z jeho jednoduchosti a intuitivní samozřejmosti, přitažlivé i pro širší veřejnost
a využitelné při orientačních průzkumech (rychlé porovnání regionů nebo zemí, monitoring
meziročních změn), v médiích (sestavování rozličných „žebříčků“) i v politice (stanovení
prioritních regionů a zemí pro politická řešení). Právě tyto zjevné výhody se však mohou při
jinak postavených cílech změnit na nevýhody a rizika, které spočívají hlavně v silném
a nekontrolovaném zjednodušení reality. Doprovází ho omezená schopnost indexu vypovídat
o příčinách rozdílů, o jejich relatívní významnosti (váze) a vnitřní struktuře, zakrývání její
složitosti i nejasná míra spolehlivosti jako důsledek subjektivních prvků v procesu jeho tvorby
a vyhodnocování, metodicky ne právě nejjednodušším a nejčistším. Pohled na tyto výhody
a nevýhody optikou kvantitativního, daty vedeného operacionálního přístupu, nás přiměl
k využívání pokročilejších, dvoj- i vícerozměrných (multivariate) metod statistické analýzy
a modelování způsobem a posteriori (vnitřní struktura modelu vyjde z analýzy), které by mohly
odstranit či zmírnit uvedené nedostatky, objektivizovat a standardizovat postupy analýzy
a interpretace/vysvětlení dat, ukázat varianty přístupů a metod hodnocení úrovně lidského
rozvoje a poskytnout hlubší vhled do struktury vztahů mezi ukazateli. Touto cestou jsme se
ubírali zvláště v roce 2003 v úzké spolupráci s CESES.
Předkládaná publikace sumarizuje výsledky hodnocení kvality života a udržitelného rozvoje na
globální, národní a regionální úrovni s uplatněním obou uvedených přístupů (a priori,
a posteriori) a jim odpovídajích statistických metod. Kromě textové části obsahuje také
bohatou tabulkovou a grafickou přílohu. Při poskytnutí východiskové báze dat a její
kvantitatívní analýzy s interpretací a/nebo vysvětlením má také ambici seznámit čtenáře
s některými variantními přístupy a metodami statistické analýzy a modelování, využitelnými
v oblasti hodnocení udržitelného rozvoje a kvality života ve světě, v České republice a jejích
regionech. Budeme rádi, když tato publikace podnítí diskuzi na uvedená témata.
2
1. Specifikace řešení
1.1. Rámec a předmět výzkumu
Hlavní problémové okruhy studované v této publikaci se nacházejí kolem „klíčových slov“
kvalita lidského života, udržitelný rozvoj a lidský rozvoj. Tyto pojmy jsou blíže vysvětlené
například v práci POTŮČEK et al. (2002). My se přikláníme k širokému chápání problematiky,
které zahrnuje více dimenzí (politicko-společenskou, sociální, ekonomickou a environmentální)
a shoduje se s všeobecně přijímanými aspekty udržitelného rozvoje. Náš zájem se soustřeďuje
na tři úrovně organizace a vývoje lidské společnosti - globální (179 zemí na přelomu tisíciletí),
národní (Česká republika v období 1990 - 2001) a regionální (14 regionů ČR v období 1990 2001).
Hlavní předmět výzkumu tvoří ukazatele kvality života a udržitelného rozvoje. Rozumíme
jimi jakákoliv číselná fakta, tedy data (proměnné, indexy a jiné odvozené kvantitatívní
charakteristiky), které mají anebo mohou mít nějaký vztah ke kvalitě lidského života
a udržitelnému rozvoji. Vzhledem k bohatství existujících statistických databází a jiných
poznatkových bází tohoto zaměření ve světě a v České republice však spĺňuje tuto podmínku
příliš mnoho a příliš různorodých ukazatelů (viz část 1.2). Proto jsme na každé ze tří
hierarchických úrovní začínali sérií rozhodnutí, které z existujících a možných ukazatelů vybrat
pro další zpracování a proč. Jelikož neznáme žádnou formální metodu na vytváření takových
rozhodnutí, vybrali jsme do výchozích souborů:
•
ty proměnné, použité jinými výzkumníky při studiu kvality života a udržitelného
rozvoje na globální a národní úrovni, které nám byly dostupné v dostatečně
reprezentativních vzorcích co do velikosti, časového a prostorového pokrytí, přesnosti
(accuracy & precision) a spolehlivosti, a které jako celek v co najvětší míře naplňují
východiskové představy o vnitřní struktuře souboru ukazatelů kvality života
a udržitelného rozvoje;
•
ty dosud nepoužité proměnné, které splňují podmínku dostatečné reprezentativnosti
vzorků a podle našeho názoru (víry, předvědecké zkušenosti, „předporozumění“)
mohou mít nejaký vztah ke kvalitě (lidského) života a udržitelného rozvoje.
Záměrem bylo sestavit co nejúplnější výchozí soubory a nechat objektivizovaný výběr
proměnných do modelů na využití vhodných statistických metod a technik (korelační analýza,
analýza položek, kroková regrese, vícerozměrný výběr proměnných, ordinace a jiné).
Výchozí soubory proměnných na všech třech úrovních spolu s dostupnými metodami
a technikami na jejich analýzu a interpretaci/vysvětlení a se souvisejícími teoriemi
a hypotézami vytvářejí potom informační prostor (anebo „universe of discourse“), kterým se
v celé publikaci pohybujeme.
1.2. Stav výzkumu
Sledováním a hodnocením indikátorů kvality života a lidského rozvoje se už delší čas zabývá
více světových institucí, jako například Světová banka (World Development Indicators,
Monitoring Environmental Progress), Rozvojový program OSN (UNDP - Human Development
Report), World Resource Institute (World Resources), World Health Organization (databáze
„Health For All“), United Nations DESA (Indicators of Sustainable Development), United
Nations FAO (statistická databáze FAOSTAT), Evropská agentura životního prostředí (Yearly
Indicator-Based Report), Eurostat (Pressure Indices Project), OECD (Core Set Of
3
Environmental Indicators). Díky jejich činnosti vznikly rozsáhlé soubory ukazatelů, které
v členění na jednotlivé rozvojové oblasti sice přinášejí množství informací, avšak jsou málo
integrované a pro většinu uživatelů neposkytují jednoduchý a souhrnný pohled na rozvojovou
problematiku. Proto v současnosti vystupují do popředí složené (agregované) ukazatele indexy. Jde o ukazatele, které formou jediného čísla umožňují relativní porovnání pokroku zemí
(regionů) ve zkoumané oblasti. Tyto ukazatele bývají chápány také jako alternativa
k tradičnímu hodnocení úrovně země ekonomickou výkonností, nejčastěji v podobě hrubého
domácího produktu (v absolutní hodnotě, na obyvatele, nebo podle parity kupní síly v dané
zemi), který z více důvodů těžko možno brát jako objektivní ukazatel rozvoje zemí.
Nejznámějšími alternativními ukazateli jsou především Human Development Index (HDI,
vyhodnocovaný od roku 1990 Programem OSN pro rozvoj - UNDP), Index of Freedom
(Freedom House), Index of Corruption (Transparency International), Index of Sustainable and
Economic Welfare (Centre for Environmental Strategies) a Global Competitiveness Index
(World Economic Forum). Základní kvantitativní výzkum, orientovaný na hledání vzorců
(patterns) ve vztazích mezi ukazateli a vysvětlování procesů zodpovědných za tyto vzorce
prostředky vícerozměrné analýzy, dosud zdomácněl jen v některých „zavedených“
subdisciplínách (ekonometrie, sociometrie), zatímco na poli celkové kvality lidského života
není ještě vidět ani dílčí syntézy tohoto druhu.
V oblasti udržitelného rozvoje jsou agregované indikátory doposud řídkým jevem. Hlavním
problémem je široký záběr a komplexnost problematiky, která značně stěžuje tvorbu takového
typu ukazatelů a vyvolává i metodické nejednoznačnosti. Existuje sice více národních souborů
indikátorů udržitelného rozvoje (např. ve Finsku, Švýcarsku, USA a Velké Británii), pro
porovnávání na mezinárodní úrovni jsou však nepoužitelné. V letech 2000 - 2001 se objevily
nové přístupy k celkovému vyjádření udržitelnosti rozvoje zemí světa - 2001 Environmental
Sustainability Index (ESI), UN CSD Dashboard a námi vyvinutý Sustainable Development
Index (SD Index - GORDON & GLENN 2001, MEDERLY, NOVÁČEK & TOPERCER 2002a).
Na národní úrovni v ČR nacházíme souhrnné indikátory (indexy) ješte omezeněji. Přesněji
řečeno, dosud jsme žádné výsledky ani probíhající výzkumy zaměřené tímto směrem nenašli.
Naše přístupy, publikované v pracích POTŮČEK et al. (2002) a MEDERLY, NOVÁČEK
& TOPERCER (2002b), je proto možné považovat za pionýrské. Na regionální úrovni se pokusili
o vyjádření regionálních rozdílů v kvalitě života například v Maďarsku a na Slovensku (VAGAČ
et al. 2000).
Velká pozornost vývoji a metodice souhrnných indikátorů je věnovaná také na úrovni Evropské
komise (EC JOINT RESEARCH CENTRE 2002). Zevšeobecnění, vycházející z hodnocení deseti
metodických přístupů a 24 konkrétních příkladů tvorby souhrnných indexů, které shrnuje
uvedená publikace, byla pro nás jedním z metodických usměrnění.
1.3. Cíle výzkumu a předpoklady jejich splnění
Cíle, předpoklady jejich splnění, metodická východiska, principy a přístupy k předmětu zájmu,
vymezené níže, platí hlavně v současné etapě výzkumu s převládajícími postupy a posteriori,
podpořenými vícerozměrnou analýzou. V této etapě máme za cíl zejména:
•
4
popsat strukturu vztahů v souborech vybraných ukazatelů kvality života a udržitelného
rozvoje, zvláště hlavní trendy proměnlivosti a hlavní nespojitosti, odhadnout jejich
informační hodnotu včetně predikční schopnosti, najít zajímavé vzorce (patterns)
projevující sa na nich, testovat zajímavé hypotézy o nich a vysvětlit co nejvíce z jejich
proměnlivosti (faktory, procesy);
•
standardizovat anebo formalizovat procesy výběru (rozhodovaní), analýzy, interpretace
a vysvětlování ukazatelů;
•
navrhnout a testovat (verifikovat/validizovat) co nejúspornější souhrnné ukazatele
(modely) kvality života a udržitelnosti, které by vysvětlovaly co nejvíce z celkové
proměnlivosti původních dat a potřebovaly na to co nejméně (a co nejjednodušších)
vyjadřovacích prostředků.
Při formulování cílů jsme vycházeli z předpokladů, že:
a)
neexistuje hodnotově neutrální lidské konání (tedy ani zkoumání), že každý výzkum je
„hodnotově zatížený“ (value-laden) a že je věcí poctivosti, otevřenosti a srozumitelnosti
pokusit se napřed jasně pojmenovat alespoň ty nejvýznamnější „hodnotové zátěže“;
b) každé stanovení cílů obsahuje vyslovené nebo zamlčené předpoklady, principy a přístupy
(počáteční nebo okrajové podmínky), bez jejichž splnění není možné stanovených cílů
dosáhnout. V našem případě jde zejména o:
•
systémový přístup: chápat rámec a předmět výzkumu i jeho informační prostor jako
ohraničení i jednotu, tedy jako systém (množinu prvků, jejichž vzájemné vztahy z nich
dělají celek) s různou složitostí, různou mírou otevřenosti/uzavřenosti, dynamiky,
trvání, všeobecnosti/konkrétnosti, různými směry propojení a různou silou vazeb mezi
prvky (srv. FILKORN 1998);
•
princip parsimonie: vysvětlovat co nejvíce z celkové proměnlivosti původních dat
a vynakládat na to co nejméně (a co nejjednodušších) vyjadřovacích prostřiedků;
•
kvantitatívní (numerický) přístup: přiměřeně přesně kvantifikovat (číselně vyjadřovat)
vstupy a jejich explorační i konfirmační analýzou získavat dostatek spolehlivých
kvantitativních výstupů poskytujících výzkumníkům opory a vodítka při interpretaci
procesů a struktur zachycených v datech;
•
hypoteticko-deduktivní přístup: navrhovat a testovat hypotézy o výběrových souborech
ukazatelů kvality života a udržitelného rozvoje, z nich inferenční statistikou usuzovat
na vlastnosti základních souborů a predikovat jejich budoucí vývoj pomocí vhodných
nástrojů (statistických procedur a kvantitativních modelů);
•
evoluční přístup: do výzkumů a modelů kvality života a udržitelného rozvoje
zahrnovat také původ, rychlost, směr a jiné kvality (zejména návratnost/nevratnost
a škálování) změn struktury a procesů ve společnosti i v okolním světě;
•
empirický a observační přístup: získavat vstupy empiricky - pozorováním (statistická
zjišťování - cenzy, průzkumy veřejného mínění);
•
přístup vedený daty (data-driven, data-dependent): dělat proces zkoumání a jeho
výsledky co nejvíc závislými na pozorovaných datech a co nejméně závislými na
pozorovatelích a badatelích (na jejich vírách, předsudcích, individuálním i skupinovém
vkusu a jiných subjektivních sklonech), zejména ve fázích od sběru po analýzu dat;
•
vícerozměrný (multivariate) přístup: soubory tří a více ukazatelů analyzovat nejen
ukazatel po ukazateli (jednorozměrně), či po dvojicích (dvojrozměrně), ale
také (a hlavně) všechny ukazatele v souboru naráz (vícerozměrně);
•
hierarchický přístup: pokud ukazatele mají tendenci uspořádávat se do skupin se
vzájemnými vztahy nadřazenosti/podřazenosti (pokud tvoří částečně uspořádané
množiny - partially ordered sets), analyzovat je také podle takových vztahů;
5
•
operacionální přístup: postup i výsledky výzkumu (hypotézy, interpretace a/nebo
vysvětlení, pojmy) popsat co nejkonkrétněji v termínech operací potřebných na jejich
dosažení;
•
variantní (pluralistický) přístup: neexistuje žádná „jediná správná cesta“ pro analýzu
kteréhokoliv souboru dat, každá další cesta může odkrýt zajímavou stránku souboru
dat, víc cest může otevírat více „oken“ do světa za daty a zvyšovat důvěryhodnost toho
společného, co se v těchto „oknech“ ukazuje.
Třináctka vyjmenovaných předpokladů, principů a přístupů v základních rysech vystihuje náš
postoj k výzkumnému problému, resp. naše výzkumné paradigma. „Rodově“ je blízká
kvantitativně-scientickému směrování výzkumu (srv. RITOMSKÝ 2001).
1.4. Prostředky výzkumu
V této kapitole rámcově specifikujeme původ použitých dat, metody/techniky jejich zpracování,
pojmový (konceptuální) model výzkumu, interpretační/vysvětlovací a návrhová pravidla a další
prostředky potřebné pro dosažení vytýčených cílů. Při analýzách na jednotlivých hierarchických
úrovních je upřesníme do nezbytných podrobností.
Zdroje dat
Všechna původní (primární) data jsme získali z veřejně přístupných publikací citovaných
v seznamu literatury. Na globální úrovni byla klíčovým zdrojem informací databáze World
Development Indicators (WORLD BANK 2000, 2003), na národní úrovni statistické ročenky ČR
(ČESKÝ STATISTICKÝ ÚŘAD 1994 - 2003) a na regionální úrovni to byly statistické ročenky krajů
ČR (ČESKÝ STATISTICKÝ ÚŘAD 2001 - 2003).
Příprava dat
V tomto kroku různorodá „surová“ data transformujeme do podoby zpracovatelné počítačem,
přesněji vybraným počítačovým statistickým systémem. Zahrnuje:
•
homogenizování škál přesnosti dat tak, aby co nejvíce dat bylo v poměrné (ratio) škále,
co nejméně v řadové (ordinal) a podle možností žádná v nominální škále, z které by
bylo žádoucí převést je alespoň do ordinální škály;
•
výpočet vhodných poměrných (procenta, promile, podíly „na hlavu“ a jiné)
a souhrnných či agregovaných ukazatelů (indexů) z vybraných proměnných;
•
uspořádání hotových dat do maticového tvaru (proměnné obvykle v sloupcích
a pozorovaní v řádcích), všechno v prostředí vhodného tabulkového procesoru (u nás
Microsoft Excel 2000).
Skríning a úpravy dat
Počítačově zpracovatelná data zde procházejí předběžnými analýzami, poskytujícími podklady
pro informovaný výběr vhodných metod/technik vlastní analýzy dat a pro transformace dat
v případech, kdy se předpoklady použitelnosti některé z metod/technik nenaplňují. Obsah tvoří:
•
6
kontrola integrity dat (jejich platnosti, správnosti vkládání, kódování, formátu apod.)
v tabulkovém procesoru nebo procedurou skríningu dat (data screening) ve vhodném
počítačovém statistickém systému (u nás NCSS 2001 - HINTZE 1997 - 2002);
•
testy splnění předpokladů pro statistickou analýzu, hlavně normality rozdělení
početností
(D‘Agostinovým-Pearsonovým testem normality), rovnosti rozptylů
(modifikovaným Leveneho testem rovnosti rozptylů), zjisťování nelineárnosti vztahů
(na korelogramech), zjisťování přítomnosti a rozdělení chybějících, závislých a
odlehlých hodnot (prostředky popisné statistiky), přítomnosti autokorelací
a multikolinearity procedurami skríningu dat, popisné statistiky (descriptive statistics)
a regresní analýzy ve statistickém softwaru NCSS 2001 (více HINTZE 1997 - 2002, ZAR
1996);
•
transformace dat, pokud nesplňují některé předpoklady (najčastěji normality, rovnosti
rozptylů a linearity), případně převod do společné škály velikosti a proměnlivosti
v tabulkovém procesoru.
Analýza dat
První a z více hledisek nejdůležitejší krok, ve kterém se z dat stává informace. Má několik
navazujících a/nebo komplementárních fází a metod:
Popisná statistika
Výpočet dílčích indexů a jejich agregování do souhrnného indexu jsme provedli standardní
metodou průměrování, pracující s váženými aritmetickými průměry (weighted arithmetic
means) jednotlivých proměnných. Operace „očištění“ (trimming) průměrů, kterou se odstraňuje
určité procento krajních hodnot z obou stran rozpětí, nám umožnila zbavit proměnné odlehlých
hodnot (outliers) a přiblížit rozdělení jejich početností k normálnímu. Očištěné hodnoty všech
proměnných jsme nakonec převedli do společné škály velikosti a proměnlivosti.
Korelační analýza
V korelační analýze zjišťujeme míru asociovanosti (společné variability) dvou závislých resp.
funkčně nerozlišených proměnných. Najčastěji je analyzujeme v tzv. Q-modu (zde vztahy mezi
vzorky - roky, kraji, státy) a/nebo v R-modu (vztahy mezi indikátory). Se zřetelem na porušený
předpoklad normality při značné části použitých proměnných jsme jejich výchozí soubory
analyzovali jednoduchými pořadovými korelacemi pomocí matic Spearmanových pořadových
korelačních koeficientů (Spearman rank correlation coefficients) s řádkovým odstraňováním
chybějících hodnot.
Analýza položek
Analýza položek (item analysis) prověřuje spolehlivost měření a/nebo sociometrických nástrojů
(testy, dotazníky, soubory ukazatelů), tedy jejich schopnost dávat identické výsledky při
opakovaných aplikacích. Nehodnotí však jejich validitu - jestli nástroje opravdu měří to, co
chceme (nebo vyhlašujeme). Tato vícerozměrná procedura může prospět hlavně větším a priori
členěným souborům ukazatelů. Postupovali jsme metodou vnitřní konzistentnosti, využívající
Cronbachův koeficient alfa, ze statistického software NCSS 2001 (HINTZE 1997 - 2002).
Cronbachova alfa má nejméně 3 interpretace:
•
je rovna průměrné hodnotě koeficientů alfa získaných pro všechny možné kombinace
dělení 2K položek na 2 skupiny (každá s K položkami) a počítání 2 skupinových testů
(two-half tests);
•
odhaduje očekávanou korelaci jednoho nástroje (dotazník, soubor proměnných) s jeho
alternativou obsahující stejný počet položek;
•
odhaduje očekávanou korelaci mezi skutečným testem a hypotetickým testem (který
nikdy nemusí být napsaný).
7
Když se považuje Cronbachova alfa za korelaci, měla by se pohybovat mezi -1 a 1. Třebaže
v naprosté většině případů bývá kladná, může být i menší než -1, pokud se vyskytnou relativně
velká záporná čísla. CARMINES (1990 sec. HINTZE 1997 - 2001) stanovuje pravidlo, že pro
široce používané nástroje by byla žádoucí hodnota nejméně 0,8. Zlepšit hodnotu Cronbachovy
alfy je možné buď přidáváním položek, nebo zvyšováním průměrné korelace mezi nimi.
Regresní analýza
Na rozdíl od korelační analýzy v příbuzné regresní analýze jde o hledání funkční závislosti
jedné nebo více závisle proměnných (response, criterion) na jedné nebo více nezávisle
proměnných (predictor, regressor - SOKAL & ROHLF 1995, ZAR 1996). Při větším počtu
nezávisle proměnných obyčejně předchází výběr proměnných, u nás uskutečňovaný krokovým
(stepwise) či vícerozměrným způsobem (multivariate variable selection, MVS), McHenryho
heuristickým algoritmem. V samotné regresní analýze jsme aplikovali zejména techniky
mnohonásobné lineární regrese (multiple linear regression), krokové regrese (stepwise
regression), logistické regrese (logistic regression) a kanonické (omezené) vícerozměrné regrese
[canonical (constrained) multivariate regression] ze statistického softwaru NCSS 2001
a CANOCO for Windows 4.5.
Nepřímá ordinace
Metody nepřímé ordinace (též nepřímá gradientová analýza, faktorová analýza) se používají na
sumarizování a popis vzorců (patterns) ve vícerozměrných souborech dat. Vytvářením
kombinací závisle proměnných ukazujících společné trendy proměnlivosti (gradienty, ordinační
osy) redukují rozměrnost velkých souborů dat při zachování co největšího podílu vysvětlené
informace a nezávislosti (nekorelovanosti) ordinačních os. Výběr vhodné metody závisí na tom,
zda na společné trendy proměnlivosti odpovídají jednotlivé proměnné přibližně lineárně,
nelineárně monotónně, nebo jejich hodnoty kulminují kolem nějakých optim. Ke každé
metodě/technice se váže jiná soustava analytických a interpretačních pravidel (případné ctitele
tvrdých metodických „škatulek“ upozorňujeme, že zde, ale nejen zde, by s dělením na analýzy
a interpretace příliš neuspěli). V zásadě se však výsledky interpretují takto:
•
charakteristické hodnoty kvantifikují množství proměnlivosti (rozptylu) původních dat
soustředěné v jednotlivých ordinačních osách,
•
charakteristické vektory obsahují koeficienty (váhy, loadings), které vztahují původní
proměnné k ordinačním osám.
Na základě toho se stanoví počet zkoumaných os, potom se určí, které proměnné mají vztah ke
každé netriviální (interpretovatelné) ose, a nakonec vícerozměrné skóre ukáže polohu
pozorování (regionů, států) podél ordinačních os. Když zde ordinační osy nedefinujeme přímo
(zavedením souboru nezávisle proměnných do analýzy), ale interpretujeme nepřímo a tedy do
určité míry subjektivně (KENDALL 1980), slouží nepřímé ordinace jako explorační metoda, ne
na testovaní hypotéz. Na stanovení míry asociovanosti proměnných s ordinačními osami se
nejčastěji používají jednoduchá pravidla ze zkušenosti (rules of thumb), že váhy se považují za
významné (významně se lišící od nuly) tehdy, když jejich absolutní hodnota přesáhne určitou
předem stanovenou hodnotu (cut-off value, např. 0.25, 0.3, 0.5). Podobně jako číselné, také
grafické výstupy (ordinační diagramy) mají při každé ordinační technice vlastní pravidla
analýzy a interpretace. Spojuje je platnost dvou principů:
•
8
centroidní princip (centroid principle) a „pravidlo vzdálenosti“ (distance rule) jako jeho
rozšíření, hodící se spíše pro delší gradienty (>4 průměrné směrodatné odchylky)
a unimodální odpovědi proměnných;
•
„pravidlo dvojrozměrného diagramu“ (biplot rule), vhodnější pro kratší gradienty
(<3 průměrné směrodatné odchylky) a lineární odpovědi proměnných (více GAUCH
1982, JONGMAN et al. 1995, TER BRAAK & ŠMILAUER 2002).
Pro studium výchozích souborů proměnných přicházejí do úvahy metody analýzy hlavních
komponentů (principal component analysis, PCA), vícerozměrného škálování
(multidimensional scaling, MDS) klasickou (metrickou - MMDS) i nemetrickou (NMDS)
technikou, korespondenční analýzy (correspondence analysis, CA) ve formě eigenanalýzy
a detrendované korespondenční analýzy (detrended correspondence analysis, DCA) ze
statistického softwaru NCSS 2001 (HINTZE 1997-2002) a CANOCO for Windows 4.5 (TER
BRAAK & ŠMILAUER 2002). S ohledem na složitost a další větvení jejich výpočtů, stejně
jako potřebu testovat výsledky jinými prostředky (přímá ordinace, diskriminační analýza, nebo
metody prediktivní numerické klasifikace) je do této publikace nezařazujeme, s výjimkou
závěrů důležitých pro další postup analýz na regionální úrovni.
Přímá ordinace
Nazývá se též kanonická, nebo omezená (constrained) ordinace (JONGMAN et al. 1995, TER
BRAAK 1996) a pracuje hlavně s procedurou kanonické korespondenční analýzy (canonical
correspondence analysis, CCA) v softwaru CANOCO for Windows 4.5. Přímá proto, neboť její
ordinační osy na rozdíl od předcházejících metod neinterpretujeme, ale přímo definujeme
prostřednictvím souboru nezávisle proměnných vysvětlujících chování závisle proměnných
(regionů, zemí). Tím se množství vysvětlitelné proměnlivosti omezuje na podíl odpovídající
lineární kombinaci nezávisle proměnných (proto omezená ordinace). Díky této vlastnosti může
CCA fungovat nejen explorativně, ale také testovat hypotézy o statistické významnosti vlivu
jednotlivých nezávisle proměnných na složení závisle proměnných pomocí regresního výběru
s přidáváním (forward variable selection), posuzovaného neparametrickým Monte Carlo
permutačním testem (blíže TER BRAAK & VERDONSCHOT 1995, TER BRAAK & ŠMILAUER 2002).
Ostatní platí přiměřeně jako při nepřímé ordinaci.
Popisná numerická klasifikace (shluková analýza)
Obstarává číselná i grafická vyhodnocení (ne)podobnosti mezi zkoumanými jednotkami
(proměnné, regiony, země) a jejich uspořádání na základě těchto (ne)podobností. Může také
přímo stavět na výsledcích ordinačních metod (např. na faktorovém skóre) a jako druhý krok
strukturní analýzy (LEGENDRE & LEGENDRE 1983) vyjadřovat spojité ordinační obrázky
diskrétně. Naše výchozí soubory proměnných jsme podrobili klasifikaci divizními algoritmy
(fuzzy a K-průměry) a hierarchickým aglomerativním algoritmem s technikami nevážených
skupinových průměrů (UPG) ze statistického softwaru NCSS 2001. Jejich výsledky tak úzce
souvisí s výstupy ordinací, že bude vhodnější publikovat je společně na jiném místě.
Analýza časových řad
„Deštníkový“ pojem analýzy časových řad (time-series analysis) skrývá více statistických
technik, kterými se zkoumají data sbíraná za nějakou časovou periodu. Cílem bývá nejčastěji
predikce chování (vývoje) pozorovaných veličin za pomoci modelů, schopných odlišit
krátkodobou (např. sezónní) proměnlivost včetně cyklů od dlouhodobějších trendů a vysvětlit
je. Našim potřebám nejlépe vyhovovaly techniky trendového exponenciálního vyhlazování
(exponential smoothing of trends) s algoritmy Holtova lineárního trendu a trendu nejmenších
čtverců (HINTZE 1997 - 2001).
Pojmový (konceptuální) model výzkumu
V návaznosti na předmet a cíle popisuje pojmový model obsah používaných informací a jejich
strukturu, tedy vztahy mezi „položkami“ informací, vycházející ze vztahů v okolním světě
9
a zprostředkované použitými metodami. Hlavní vývojovou linii pojmového modelu v našem
případě tvoří stádia: výchozí soubory nezávisle proměnných - struktura vztahů mezi nimi konečné soubory nezávisle a závisle proměnných - modely.
Výchozí soubory nezávisle proměnných
Z množiny existujících a možných ukazatelů kvality života a udržitelnosti jsme se snažili vybrat
takovou podmnožinu (výchozí soubor) nezávisle proměnných, kde:
•
každý její prvek (proměnná) splňuje podmínku široké dostupnosti, dostatečné
reprezentativnosti vzorku a podmínku konsenzu o vhodnosti (t. j. zúčastnění
výzkumníci dospěli k dohodě, že má nebo může mít vztah ke kvalitě lidského života
a udržitelnosti a/nebo k prvkům jejich vnitřní struktury);
•
jako celek splňuje podmínku konsensu o úplnosti (analogie konsensu o vhodnosti).
Struktura vztahů mezi nezávisle proměnnými
Vedou k ní dva základní přístupy:
•
přístup a priori: současně s výběrem do výchozích souborů jsme arbitrárně zařazovali
a kódovali nezávisle proměnné do předem vytvořených skupin, založených na
teoretických představách (vírách, obyčejích, dohodách) výzkumníků, konkrétně do
sedmi hlavních problémových oblastí a čtrnácti indikátorů SD Indexu (MEDERLY,
NOVÁČEK & TOPERCER 2002a), čtyř hlavních oblastí IKUŽ (POTŮČEK et al. 2002)
a tří hlavních dimenzí lidského rozvoje (POTŮČEK et al. 2003);
•
přístup a posteriori: ve výchozích souborech jsme vhodnými technikami (korelace,
analýza položek, nepřímé a přímé ordinace, numerická klasifikace) analyzovali
strukturu vztahů a z výsledků - hlavně z počtu a vlastností ordinačních os - odvodili
počet a strukturu skupin (shluků) v souboru; takto definované skupiny jsou na rozdíl od
apriorních navzájem nezávislé (nekorelované) a už z definice vybavené i údaji
o množství informace (podíly celkové proměnlivosti vysvětlené každou netriviální osou
jako ukazatele relativní významnosti či „váhy“ skupin) i o její kvalitě, resp. obsahu,
který odhaluje interpretace os.
Konečné soubory nezávisle a závisle proměnných
Z výchozích souborů nezávisle proměnných jsme vhodnými technikami (korelační a regresní
analýza, analýza položek, ordinace) vyloučili informačně nadbytečné (silně korelované) a/nebo
nedostatečné proměnné (s malou vysvětlující silou), a získali jsme tak konečné soubory
dobrých nezávisle proměnných s dostatečnou velikostí vzorku n (technicky i statisticky jsou
totiž platné pouze matice s počtem proměnných nepřesahujícím n). Z nich jsme vhodnými
technikami (transformace a agregace průměrováním při postupu a priori odvodili soubory
závisle proměnných. Použité byly také metody mnohonásobné regresní analýzy, nepřímých
a přímých ordinací (při postupu a posteriori), dávaly však příliš rozdílné výsledky na to, aby se
daly jednoduše zevšeobecňovat.
Modely
Z konečných souborů nezávisle a závisle proměnných jsme vhodnými technikami
(vícerozměrný výběr proměnných, regresní analýza, přímé ordinace) vytvořili také modely na
popis a predikci chování souborů proměnných, aby vyhovovaly:
•
10
principu parsimonie, tedy maximalizovaly podíl vysvětlené proměnlivosti a zároveň
minimalizovaly velikost modelů (počet prvků a vztahů mezi nimi), nebo je alespoň
„nepředefinovaly“ (over-define, over-fit);
•
podmínkám validity, úplnosti, efektivnosti a přesnosti (accuracy & precision) se
zřetelem na co nejmenší míru zkreslení (bias).
Metody analýzy časových řad nám pomohly odhadnout chování indexů v čase a predikovat
jejich budoucí očekávané hodnoty.
Interpretační/vysvětlovací a návrhová pravidla
„Dvojkrok“ interpretace (v hermeneutickém smyslu „tvoření pravdy“, truth-creation) a/nebo
vysvětlování (v hermeneutickém smyslu „hledání pravdy“, truth-searching) následuje „půl
kroku“ za analýzou a završuje proces získavání informací z dat. Kromě předpokladů a principů
jmenovaných v části 1.4. se většinou podřizuje požadavku cílové orientovanosti
a konzistentnosti s poznatky uvnitř zúčastněných oborů i mezi nimi.
Mezi naše základní interpretační/vysvětlovací pravidla patří zejména odpovědi na otázku, co
považovat v případě každé jednotlivé nezávisle proměnné za žádoucí či optimální hodnotu ve
vztahu k použité závisle proměnné (ukazateli kvality života a udržitelnosti) a jakou logikou se
tento vztah řídí, t. j. jestli je přímý (se vzrůstem hodnoty nezávisle proměnné vzrůstá i hodnota
závisle proměnné), nebo nepřímý (se vzrůstem hodnoty nezávisle proměnné hodnota závisle
proměnné klesá). Pro mnohé proměnné můžeme žádoucí/optimální hodnotu ztotožnit
s extrémní hodnotou (minimem, nebo maximem) a vystačíme přitom s prostým „selským
rozumem“ [málokdo asi něco namítne proti interpretaci typu „čím více lidí zdravých, sytých, ...,
tím lépe“, anebo „čím více vražd, nádorů, emisí SO2..., tím hůře“]. Nemálo proměnných se však
takové přímočaré logice vzpírá (přírůstek obyvatelstva, výdaje na obranu, HDP...) a žádá si
vlastní interpretační pravidla, která zmiňujeme na příslušné hierarchické úrovni.
Na úrovni celých souborů proměnných se interpretační pravidla liší podle přístupů. Přístup
a priori předpokládá, že:
•
vnitřní struktura modelu - indexu (hlavní problémové oblasti, dimenze, pilíře apod.) je
dána a interpretována už před naplněním modelu, a tedy z jiných informačních zdrojů,
než jsou analyzovaná data (viz pojmový model v části 1.4.);
•
vnitřní struktura indexu je hierarchická (proměnné - dílčí indexy - souhrnný index)
a popisem chování dílčích indexů se nahrazuje rozklad souhrnného indexu, obvyklý
v indexové analýze (CHAJDIAK, KOMORNÍK & KOMORNÍKOVÁ 1999);
•
jednotlivé proměnné, naplňující dílčí i souhrnné indexy, jsou interpretovány a kódovány
tak, aby jejich příspěvky k výsledné hodnotě indexu měly konzistentní smysl, nejčastěji
aby se sčítaly (tedy čím vyšší hodnota indexu, tím vyšší očekávaná kvalita života, resp.
tím lepší očekávané předpoklady pro udržitelný rozvoj).
Přístup a posteriori předpokládá, že kromě uvedených základních pravidel na úrovni
jednotlivých proměnných nejsou nevyhnutelná žádná speciální interpretační pravidla, která by
nebyla obsažena už v instrumentáriu analytických metod, nebo z nich nevyplývala podle
všeobecných pravidel logiky a teorie modelů.
Návrhové pravidlo máme pouze jedno, odvozené z principu „zodpovědnosti informovaného“
a analogické „konsensu o vhodnosti“: jakmile zúčastnění výzkumníci dospejí k dohodě, že
kterýkoliv z výsledků této práce může být důležitý pro rozvoj dotčených vědních oborů, nebo
pro informovanější rozhodování a výkon příslušných regionálních, státních i jiných orgánů,
uvede se výslovně jako návrh buď teoretický a metodický, nebo aplikovaný v samostané části
(Diskuse, závěry a doporučení).
11
2. Regionální úroveň
2.1. Motivy, předmět a cíl
Motivem práce s indikátory kvality života a udržitelného rozvoje v regionech České republiky
byl především fakt, že i když se ČR řadí mezi vyspělé země s vysokou úrovní kvality života
(což je vyjádřeno např. hodnotou indexu lidského rozvoje podle UNDP), jeden souhrnný
ukazatel na národní úrovni nemůže dostatečně popsat rozdíly mezi jednotlivými oblastmi
kvality života (zejména sociální a ekonomické) a ani mezi jednotlivými regiony.
Nezanedbatelná je přitom i časová dimenze - kvalita života v regionech se mění v čase, stejně
jako se mění velikost rozdílů mezi regiony.
Hlavní cíl a priori orientovaného statistického zpracování regionálních ukazatelů kvality života
a udržitelného rozvoje jsme spatřovali v popisu úrovně kvality života v regionech ČR formou
souhrnného regionálního indexu kvality života. Index byl sestaven a publikován v rámci
Národní zprávy o lidském rozvoji pro Českou republiku (POTŮČEK et al. 2003).
Variantní způsoby popisu a predikce kvality života v regionech, její vzorce a vysvětlující
faktory a/nebo procesy v pozadí jsme hledali přístupem a posteriori, opřeným zejména o dvoua vícerozměrnou analýzu aktualizovaného a doplněného souboru ukazatelů v roce 2003.
Prostorové jednotky na regionální úrovni jsou dány administrativním rozdělením ČR na
regiony, které tvoří základ statistického sledování dat. Jde o kraje ČR podle regionálního
členění platného od 1. 1. 2000 (14 krajů odpovídajících 3. úrovni klasifikace územních
statistických jednotek NUTS).
2.2. Výběr a příprava dat
Výběr ukazatelů pro analýzu přístupem a priori byl podmíněn chápáním lidského rozvoje
podle UNDP, tedy požadavkem naplnit tři základní oblasti lidského rozvoje. „Poptávku“ jsme
však museli přizpůsobit nabídce proměnných statisticky sledovaných v České republice
(a hlavnímu kritériu, aby vybrané ukazatele byly sledovány minimálně na úrovni krajů ČR)
s ohledem na jednotlivé oblasti kvality života a úrovně lidského rozvoje.
Konceptuální a priori model lidského rozvoje v krajích ČR jsme strukturovali následovně:
A11 - Demografické předpoklady
A12 - Zdraví a bezpečnost obyvatelstva
A13 - Kvalita životního prostředí
B11 - Úroveň školství a vzdělanost obyvatel
B. Předpoklady pro tvořivý
B12 - Rodina a sociální soudržnost
B13 - Práce a možnosti společenského
život s dostatečným vzděláním
uplatnění
C. Předpoklady pro přiměřenou C11 - Ekonomická výkonnost regionu
C12 - Sociální status obyvatel
životní úroveň
A. Předpoklady pro dlouhý
a zdravý život
LIDSKÝ
ROZVOJ
(KVALITA
ŽIVOTA)
Ve třech hlavních oblastech lidského rozvoje jsme tak vymezili osm problémových okruhů, do
kterých jsme zařadili celkem 39 proměnných. Jejich seznam spolu s hodnotami za rok 2000 je
uveden v příloze 1.
Pro účely výpočtu indexu lidského rozvoje jsme hodnoty všech proměnných vyjádřili v relativní
stupnici vzhledem k jejich průměrům pro ČR, které představovaly 100 %. Při kódování jsme
12
vycházeli ze vztahu jednotlivých proměnných ke kvalitě života. Byla-li hodnota proměnné ve
vztahu ke kvalitě života příznivější než národní průměr, rozdíl jsme k němu připočetli
(100 + d), v opačném případě jej odečetli (100 - d).
Přístup a posteriori s takovou přípravou dat nepočítá. Výchozí soubor dat, aktualizovaný
a doplněný v roce 2003 (viz přílohy 2 a 3), sestává ze 111 proměnných v 13, resp. 14 krajích
ČR (Praha a Středočeský kraj společně, resp. odděleně). Všechna původní data mají poměrnou
škálu přesnosti, tudíž nebylo třeba nic homogenizovat. Celkem 93 proměnných (83.79 %) jsme
vyjádřili ve tvaru poměrných ukazatelů (z nich 7 jako promile, 36 jako procenta a 50 jako
podíly na měrnou jednotku, např. na 1, 1000 nebo 10000 obyvatel, na 1 km2 apod. ). Dalším
šesti proměnným (5.41 %) se dostalo podoby souhrnných ukazatelů (index vitality, indexy
diverzity a vyrovnanosti) a zbývajících dvanáct (10.8 %) jsou prosté hodnoty, zpravidla počty.
Hotová data jsme uspořádali do matice s proměnnými ve sloupcích a pozorováními (regiony)
v řádcích (tedy do R-módu) v prostředí tabulkového procesoru Microsoft Excel 2000.
2.3. Skríning a úpravy dat
Jelikož aritmetický průměr (náš nástroj agregování v přístupu a priori) citlivě reaguje na
odlehlé hodnoty a asymetrii rozdělení četností, bývá dobrou praxí testovat alespoň základní
statistický předpoklad normality rozdělení četností dat vstupujících do dalších výpočtů.
Procedurami popisné statistiky z programu NCSS 2001 jsme v roce 2002 také kontrolovali
vlastnosti vzorků (velikost, chybějící a odlišné hodnoty), míry polohy (aritmetický průměr,
medián), variability (směrodatná odchylka, rozptyl) a rozdělení četností vyjádřené asymetrií
a špičatostí (vizuálně na histogramech, číselně statistikami a percentily). Aritmetické průměry
proměnných nesplňujících předpoklad normality jsme „očistili“ (trimming) od odlehlých
hodnot odstraněním zvoleného procenta (trimming percentage: 10 %, v některých případech
25 %) krajních hodnot rozpětí. Většina z nich se týká regionu hlavního města Prahy. Mnohem
závažnější a tvrdší meze vypovídací schopnosti a spolehlivosti našich výsledků diktuje velikost
vzorku (n = 14 krajů), zjevně v mnoha ohledech nedostatečná, s čímž ale mnoho nenaděláme
(pro značně větší vzorek okresů totiž odpovídající data chybí).
Datové matice připravené na zpracování a posteriori (111 proměnných, 13, resp. 14 krajů ČR)
splňují předpoklad normality rozdělení početností při 66.67 % resp. 47.75 % proměnných
a předpoklad rovnosti rozptylů při 97.3 % proměnných. Nelineárnosti ve vztazích mezi
proměnnými se vyskytují jen v menší míře, chybějící a odlehlé hodnoty vůbec ne (ani
vícerozměrné). Po logaritmické transformaci (blíže ZAR 1996: 279, 13.1 a 13.3) sice vzrostl
podíl proměnných splňujících předpoklad normality na 72.97 %, zbývajících 27.03 %
„nenormálních“ dat je však pro některé parametrické analýzy stále poněkud velké sousto. Proto
ve většině případů dostala přednost analýza netransformovaných dat neparametrickými
prostředky. Data jsme pouze konvertovali do stejné škály velikosti a variability způsobem,
který navrhnul GOWER (1971 sec. LEGENDRE & LEGENDRE 1983).
13
2.4. Analýza a interpretace dat
Regionální index kvality života (přístup a priori)
Ukazatele kvality života na regionální úrovni byly hodnoceny v práci POTŮČEK et al. (2003).
Z dat za rok 2000 jsme sestavili regionální index kvality života v krajích ČR. Pro každý kraj
byly jako aritmetický průměr příslušných proměnných vypočteny tří dílčí indexy pro oblasti
A, B, C a poté celkový index kvality života jako jejich aritmetický průměr. Jedná se tedy
o hierarchický index se stejnými váhami všech třech hlavních oblastí kvality života. Srovnávací
úrovní pro všechny kraje byl průměr daného ukazatele pro Českou republiku, který
představoval 100 %. Jednotlivé kraje dosahovaly úroveň vyšší než 100 %, byla-li hodnota
daného ukazatele ve vztahu k lidskému rozvoji a kvalitě života příznivější než národní průměr,
a nižší než 100 % v opačném případě. Výsledky výpočtu indexů pro 14 krajů ČR jsou uvedeny
v tabulce 1 a v obrázku 1.
Tabulka 1 - Hodnoty regionálních indexů kvality života v krajích ČR (rok 2000)
Kód
PHA
JHC
HKK
STC
PLK
LBK
PAK
VYS
JHM
OLK
ZLK
KVK
ULK
MSK
Kraj
Hlavní město Praha
Jihočeský
Královéhradecký
Středočeský
Plzeňský
Liberecký
Pardubický
Vysočina
Jihomoravský
Olomoucký
Zlínský
Karlovarský
Ústecký
Moravskoslezský
A
82.0
115.5
115.4
104.5
107.3
106.9
105.5
109.4
103.5
103.6
102.8
102.8
90.7
84.2
B
140.5
102.8
104.0
98.8
101.9
99.2
103.1
97.3
100.4
91.8
94.1
92.0
74.0
80.6
C
143.5
101.3
96.3
110.8
101.5
98.3
91.5
91.6
89.7
92.1
89.7
88.4
94.6
77.1
I
122.0
106.5
105.2
104.7
103.6
101.5
100.0
99.4
97.9
95.8
95.5
94.4
86.5
80.6
A - předpoklady pro dlouhý a zdravý život, B - předpoklady pro tvořivý život s dostatečným vzděláním, C - předpoklady pro
přiměřenou životní úroveň, I - celkový regionální index kvality života
Po výpočtu indexů za rok 2000 jsme přistoupili k další statistické operaci. Cílem byl výběr
klíčových proměnných pro analýzu časové řady indexu v období 1990 - 2000. Pro tento účel
posloužily techniky Spearmanova pořadového korelačního koeficientu a vícerozměrného
výběru proměnných. Jako nezávisle proměnné do výpočtů vstupovaly všechny použité
ukazatele, jako závisle proměnné pak hodnoty dílčích indexů kvality života pro rok 2000.
Těmito technikami jsme pro výpočet časové řady vybrali takové proměnné, které nejlépe
vysvětlují proměnlivost hodnot jednotlivých indexů a přitom nejsou významně korelovány. Pro
výpočet dílčího indexu v každé ze tří hlavních oblastí byl mnohonásobnou lineární regresí
sestaven model (rovnice) se třemi nezávisle proměnnými následovně:
14
Obrázek 1 – Regionální index kvality života (Human Devepoment Index) v krajích ČR
obrazek 1. jpg
1. pro oblast A byly vybrány proměnné A11 - Přirozený přírůstek obyvatelstva na 1000
obyvatel, A21 - Úmrtnost na 1000 obyvatel a A32 - Podíl městského obyvatelstva v % do
regresní rovnice ve tvaru:
Index A = 94.239 + 5.43*A11 + 5.075*A21 - 0.525*A32
2. Pro oblast B byly vybrány proměnné B12 - Studující na gymnáziích jako % středoškoláků,
B21 - Sňatečnost na 1000 obyvatel a B32 - Počet uchazečů na jedno volné pracovní místo
do regresní rovnice:
Index B = -38.381 + 3.375*B12 + 11.17*B21 - 0.658*B32
3. Pro oblast C byly vybrány proměnné C11 - HDP na 1 obyvatele v Kč, C12 - Soukromí
podnikatelé na 1000 obyvatel a C21 - Průměrná hrubá měsíční mzda v Kč do regresní
rovnice:
Index C = 14.282 + 3.693E-05*C11 + 0.247*C12 + 3.247E-03*C21
Tyto proměnné jsme pak dosazovali do výpočtu indexů za roky 1990 a 1994 - 1999.
Posledním krokem výpočtu byla analýza časových řad ukazatelů a výpočet indexů kvality života
pro vybrané roky 1990 a 1994 - 1999. Stejně jako v roce 2000 byly vypočteny dílčí indexy pro
tři hlavní oblasti a souhrnný index kvality života. Hodnoty dílčích indexů vyšly z regresních
rovnic, celkový index jako aritmetický průměr hodnot dílčích indexů. Výsledky jsou uvedeny
v tabulkách 2-4 a grafech 1-3.
15
Tabulka 2 - Regionální indexy kvality života - oblast A (předpoklady pro dlouhý a zdravý život)
Kraj
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
ČR
SM_OD
PR_OD
ROZ
1990
80.9
102.0
118.0
107.2
94.9
88.8
106.0
114.0
104.7
112.5
104.4
106.2
104.8
89.0
100.0
10.095
7.697
101.903
1994
78.9
101.8
117.8
107.0
103.6
90.6
105.0
114.4
105.1
113.3
105.5
105.6
104.4
87.0
100.0
10.304
7.330
106.181
1995
79.2
103.6
117.2
106.0
103.6
89.6
105.6
115.2
106.5
113.1
104.7
104.5
104.7
87.0
100.0
10.316
7.329
106.413
1996
79.1
103.8
116.3
107.0
100.6
89.8
107.2
117.1
106.4
112.9
105.3
105.5
104.3
87.6
100.0
10.426
7.627
108.709
1997
79.4
104.0
116.9
105.4
101.5
89.6
105.5
116.5
107.6
113.3
104.4
105.1
102.2
86.7
100.0
10.446
7.451
109.122
1998
80.1
103.5
116.1
106.1
103.7
90.3
106.1
115.9
107.0
112.5
104.6
105.2
102.2
85.7
100.0
10.209
7.295
104.226
1999
81.0
103.4
116.2
106.1
101.6
89.9
106.1
116.3
108.0
110.9
104.5
105.4
103.4
85.3
100.0
10.113
7.315
102.273
2000
82.0
104.5
115.5
107.3
102.8
90.7
106.9
115.4
105.5
109.4
103.5
103.6
102.8
84.2
100.0
9.773
6.964
95.517
SM_OD - směrodatná odchylka, PR_OD - průměrná odchylka, ROZ - variační rozpětí
Graf 1 - Regionální indexy kvality života - oblast A (předpoklady pro dlouhý a zdravý život)
graf1 ze souboru grafy1-4.xls
A. Předpoklady pro dlouhý a zdravý život
V roce 2000 byla v této oblasti, která zahrnuje ukazatele demografie, zdraví, životního prostředí
a bezpečnosti obyvatel, velmi příznivá situace v krajích Jihočeském a Královéhradeckém
(hodnota indexu 115, přičemž hodnota 100 znamená celorepublikový průměr), příznivá
v krajích Vysočina (109), Plzeňském a Libereckém (oba 107), mírně nadprůměrná v krajích
16
Pardubickém (105), Středočeském a Olomouckém (104) a v krajích Jihomoravském, Zlínském
a Karlovarském (103). Podprůměrný stav je v kraji Ústeckém (91) a výrazně neuspokojivě se
jeví předpoklady v Moravskoslezském kraji (84) a v hlavním městě Praze (82).
V časovém srovnání se situace v uplynulém desetiletí příliš nezměnila. Dlouhodobě
nadprůměrné podmínky vidíme v krajích Jihočeském, Královéhradeckém a Vysočina, naopak
podprůměrné v krajích Ústeckém, Moravskoslezském a zejména v Praze. Ostatní kraje se
z hlediska podmínek pro dlouhý a zdravý život pohybují mírně nad průměrem.
Co se týče míry variability ukazatelů, je téměř stejná po celé období, dokonce nepatrně klesá,
co naznačuje zmírňování rozdílů mezi regiony v této oblasti. Ani pořadí krajů se za celých 10
let téměř neměnilo. Mírně pozitivní trend zaznamenáváme v kraji Pardubickém a částečně
i v Praze, naopak mírně negativní trend vzhledem k národnímu průměru ukazují kraje
Moravskoslezský a Vysočina.
Celkově v této oblasti tedy nejsou problémem prohlubující se regionální rozdíly, ale spíše
dlouhodobé zaostávání některých regionů za průměrem. Jedná se zejména o Prahu,
Moravskoslezský a částečně i Ústecký kraj.
Tabulka 3 - Regionální indexy kvality života - oblast B (předpoklady pro tvořivý život s dostatečným
vzděláním)
Kraj
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
ČR
SM_OD
PR_OD
ROZ
1990
119.4
87.9
98.7
99.4
98.5
96.1
103.1
97.7
97.9
107.8
109.2
134.2
58.1
113.9
100.0
16.456
10.506
270.799
1994
153.4
89.4
93.2
104.4
94.0
84.6
100.1
95.0
98.5
102.8
105.7
100.8
96.8
122.4
100.0
16.387
9.999
268.529
1995
144.6
97.3
105.9
100.8
92.2
80.8
100.1
100.0
100.4
86.7
108.4
102.4
97.7
131.9
100.0
15.979
10.372
255.339
1996
141.4
98.8
109.1
104.6
90.5
86.7
102.1
97.5
104.5
91.5
107.6
102.7
94.3
121.0
100.0
13.446
8.972
180.792
1997
144.6
100.7
103.2
104.3
99.0
83.6
98.4
99.6
103.1
87.9
105.9
99.9
96.4
118.9
100.0
13.901
8.237
193.231
1998
136.2
97.9
104.4
103.2
94.2
75.5
102.0
106.1
107.0
98.8
97.7
99.0
94.6
82.5
100.0
13.129
7.909
172.380
1999
140.1
101.7
102.4
103.8
94.6
76.2
104.2
105.5
102.0
99.5
98.4
93.7
97.8
65.8
100.0
15.758
9.035
248.314
2000
140.5
98.8
102.8
101.9
92.0
74.0
99.2
104.0
103.1
97.3
100.4
91.8
94.1
80.6
100.0
14.345
8.329
205.778
17
Graf 2 - Regionální indexy kvality života - oblast B (předpoklady pro tvořivý život s dostatečným
vzděláním)
graf2 ze souboru grafy1-4.xls
B. Předpoklady pro tvořivý život s dostatečným vzděláním
V této oblasti jsou hodnoceny ukazatele vzdělanosti a školství, rodiny, sociální soudržnosti
a práce. Situace je poměrně diferencovaná, a to nejenom v rozdílech mezi jednotlivými kraji,
ale i v časovém vývoji ukazatelů.
Daleko nejpříznivějších hodnot v roce 2000 dosahuje hlavní město Praha (hodnota indexu 141).
Mírně nadprůměrné hodnoty vycházejí pro kraj Královéhradecký (104), Pardubický, Jihočeský
(103) a Plzeňský (102). Průměrné až mírně podprůměrné hodnoty mají kraje Jihomoravský
(100), Středočeský, Liberecký (99) a kraj Vysočina (97). Nepříznivý stav je v krajích Zlínském
(94), Karlovarském a Olomouckém (92), velmi nepříznivý v kraji Moravskoslezském (81)
a zejména v Ústeckém (74).
Jednoznačně nejlepší podmínky v celém sledovaném období jsou v Praze, která nad zbytkem
ČR ční velmi vysoko. Nejhorší podmínky v současnosti vládnou v Ústeckém
a Moravskoslezském kraji, i když zejména druhý z nich patřil na počátku devadesátých let
k regionům s nejlepšími poměry v této oblasti. Tyto poměry se však postupně relativně rychle
zhoršovaly. Podmínky v ostatních krajích během sledovaného období oscilují okolo hodnoty
90 - 110 % národního průměru, mírné zlepšování lze konstatovat pro kraje Středočeský,
Královéhradecký a Pardubický, naopak postupné zhoršování se kromě zmíněných dvou krajů
projevuje i v krajích Vysočina, Jihomoravský a Olomoucký.
Míra variability ukazatelů je mnohem vyšší než v oblasti A a zjevně se nijak nesnižuje.
Znamená to, že rozdíly mezi regiony jsou velmi velké a hluboce zakořeněné. Rozdíly v letech
1999 - 2000 byly přibližně na stejné úrovni, avšak vyšší, než tomu bylo v letech 1996 - 1998.
Výrazně odlišné hodnoty Olomouckého a Zlínského kraje v roce 1990 mohou být důsledkem
statistické nekonzistence dat.
18
Celkově je v oblasti podmínek pro tvořivý život s dostatečným vzděláním možno konstatovat,
že problémem jsou především velké rozdíly v úrovni regionů, které se nezmenšují. Z jedné
strany k nim nejvíce přispívá zaostávání zejména Moravskoslezského a Ústeckého kraje za
ostatními regiony, z druhé strany zase dlouhodobě a výrazně vyšší úroveň regionu Prahy, která
je důsledkem celkových sociálně-ekonomických vztahů a koncentrace vzdělanostních a řídících
institucí.
Tabulka 4 - Regionální indexy kvality života - oblast C (předpoklady pro přiměřenou životní úroveň)
Kraj
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
ČR
SM_OD
PR_OD
ROZ
1990
130.5
104.3
102.7
98.4
93.2
103.9
102.0
104.1
100.6
97.5
90.3
95.5
89.4
77.2
100.0
11.294
7.147
127.546
1994
132.9
111.2
104.1
102.3
92.1
98.6
98.8
97.7
92.4
93.7
88.1
94.6
89.0
79.2
100.0
12.170
7.954
148.120
1995
135.4
111.7
99.4
103.0
91.1
98.9
99.3
98.2
94.3
93.4
91.6
93.9
89.9
78.1
100.0
12.587
7.721
158.427
1996
135.3
111.1
103.4
103.8
89.5
98.9
98.1
96.9
92.1
93.7
91.9
93.0
90.2
78.3
100.0
12.717
8.272
161.720
1997
134.0
110.3
103.0
103.1
91.1
97.7
100.7
99.5
94.8
92.8
90.8
93.3
90.6
78.4
100.0
12.251
7.969
150.091
1998
139.5
110.6
101.6
101.1
88.9
96.2
99.0
97.6
93.6
92.4
90.0
93.3
90.8
78.3
100.0
13.554
8.362
183.708
1999
142.7
110.3
101.2
102.2
88.5
95.3
98.2
96.3
92.0
91.1
89.5
93.0
89.8
77.8
100.0
14.462
8.984
209.147
2000
143.5
110.8
101.3
101.5
88.4
94.6
98.3
96.3
91.5
91.6
89.7
92.1
89.7
77.1
100.0
14.764
9.188
217.989
Graf 3 - Regionální indexy kvality života - oblast C (předpoklady pro přiměřenou životní úroveň)
graf 3 ze souboru grafy1-4.xls
19
C. Předpoklady pro přiměřenou životní úroveň
V této oblasti hodnotíme ukazatele ekonomické výkonnosti regionu a sociální situace obyvatel.
Regionální rozdíly jsou zde velké a trendově se zvětšují, zvláště mezi nejvíce a nejméně
úspěšnými regiony.
Opět výrazně nejpříznivější je situace v hlavním městě Praze (hodnota indexu v roce 2000 byla
143). Příznivých hodnot dosahuje také kraj Středočeský (111), mírně nadprůměrně si vedou
kraje Plzeňský (102) a Jihočeský (101). Mírně podprůměrných hodnot nabývá tento index
v kraji Libereckém (98), Královéhradeckém (96) a Ústeckém (95). Nepříznivou situaci indikuje
v krajích Olomouckém, Pardubickém, na Vysočině (92), v krajích Jihomoravském, Zlínském
(90) a Karlovarském (88). Výrazně nejhůř dopadá Moravskoslezský kraj (77).
Relativní rozdíly mezi Prahou a ostatními regiony se zejména od roku 1998 stále zvyšují
(v období 1990 - 1994 představovaly okolo 130 % průměru, v roce 2000 už přes 140 %).
Nadprůměrné předpoklady pro přiměřenou životní úroveň nalézáme ještě ve Středočeském
kraji (dlouhodobě cca 110 % průměru), ostatní kraje se ve sledovaném období pohybují na
průměrné až mírně podprůměrné úrovni (90 - 105 %), od roku 1994 bez významnějších trendů.
Výjimkou je Moravskoslezský kraj, vyznačující se podmínkami hluboko pod průměrem
v celém sledovaném období, v jehož průběhu ukazatel poklesl z 80 na 77 % celostátního
průměru.
Míra variability ukazatelů v této oblasti je poměrně vysoká a nepřestává růst, což odráží
zvětšující se rozdíly mezi Prahou a ostatními regiony a stálé zaostávání Moravskoslezského
kraje co do přiměřenosti životní úrovně. Proto je potřeba v této oblasti víc než jinde poukázat
na střetávající se problémy velkých rozdílů v sociálně-ekonomické úrovni regionů ČR (které se
stále zvětšují), s problémy výrazné polarizace Prahy a jejího zázemí vůči zbytku republiky,
zejména pak vůči Moravskoslezskému regionu.
Tabulka 5 - Regionální indexy kvality života - souhrnný index
Kraj
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
ČR
SM_OD
PR_OD
ROZ
1990
110.3
98.1
106.4
101.7
95.5
96.3
103.7
105.3
101.1
105.9
101.3
112.0
84.1
93.4
100.0
7.025
5.149
49.346
1994
121.7
100.8
105.0
104.5
96.5
91.3
101.3
102.3
98.6
103.3
99.7
100.3
96.7
96.2
100.0
6.693
4.109
44.795
1995
119.8
104.2
107.5
103.3
95.6
89.8
101.7
104.5
100.4
97.7
101.6
100.3
97.4
99.0
100.0
6.550
4.246
42.908
1996
118.6
104.6
109.6
105.1
93.5
91.8
102.5
103.8
101.0
99.4
101.6
100.4
96.3
95.6
100.0
6.608
4.623
43.672
1997
119.3
105.0
107.7
104.3
97.2
90.3
101.5
105.2
101.8
98.0
100.4
99.4
96.4
94.6
100.0
6.676
4.654
44.569
20
1998
118.6
104.0
107.4
103.4
95.6
87.3
102.4
106.5
102.5
101.2
97.4
99.2
95.8
82.2
100.0
8.481
5.890
71.923
1999
121.3
105.1
106.6
104.0
94.9
87.2
102.9
106.0
100.7
100.5
97.4
97.4
97.0
76.3
100.0
9.844
6.493
96.907
2000
122.0
104.7
106.5
103.6
94.4
86.5
101.5
105.2
100.0
99.4
97.9
95.8
95.5
80.6
100.0
9.338
6.260
87.193
Graf 4 - Regionální indexy kvality života - souhrnný index
I. Souhrnný regionální index kvality života
Výsledný index je aritmetickým průměrem indexů ze tří dílčích oblastí, proto se v něm
projevují všechny výše uvedené trendy v „kompromisní“ a „vyhlazené“ podobě.
V roce 2000 vyšlo nejlépe v celkovém hodnocení hlavní město Praha (hodnota indexu 122).
Relativně příznivá je situace v krajích Jihočeském (107), Královéhradeckém, Středočeském
(105) a Plzeňském (104). Průměrných hodnot dosahují kraje Liberecký (101), Pardubický
(100), Vysočina (99) a Jihomoravský (98). Méně příznivá je indikace pro kraj Olomoucký
a Zlínský (oba 96) a také pro Karlovarský (94). Silně nepříznivě to podle vypočteného indexu
lidského rozvoje vypadá v kraji Ústeckém (86) a zejména v kraji Moravskoslezském (81).
Protože údaje za rok 1990 mohou být zejména v oblasti B nekonzistentní, směrodatné jsou až
trendy od roku 1994. V celém období 1994 - 2000 evidentně dominuje Praha jakožto region
s nejlepšími podmínkami pro život a tím i nejvyšší kvalitou života měřenou vybranými
ukazateli. Její pozice ve srovnání s celostátním průměrem je jednoznačná a mírně se posilující
(na současných 122 %). Velkou většinu krajů lze označit za kraje s průměrnou úrovní kvality
života, v celém sledovaném období se pohybující v rozmezí 95 - 110 % celostátního průměru.
Zvláště je třeba upozornit na dva kraje, které jsou výrazně podprůměrné - Ústecký kraj (86 %)
a zejména Moravskoslezský kraj (76 %). V těchto dvou krajích je evidentní negativní trend
hodnoty indexu, výrazný zejména u Moravskoslezského kraje v období 1997 - 1999.
Ve skupině „průměrných“ krajů je možno uvést kraje Středočeský a Královéhradecký, ve
kterých jsou trendy vývoje indexu pozitivní, a na druhé straně kraje Karlovarský, Vysočina,
Jihomoravský a Olomoucký, kde se kvalita života relativně snižuje (je to však dáno spíše
výraznějším zvyšováním hodnoty indexu v Praze a tím i zlepšováním celostátního průměru, než
absolutním poklesem kvality života v uvedených regionech). Ostatní regiony (kraje Jihočeský,
Plzeňský, Liberecký, Pardubický, Zlínský) nevykazují v sledovaném období významnější
21
relativní trendy, i když rozdíly v dosažené úrovni indexu mezi nimi samozřejmě jsou (např.
Jihočeský kraj dosahuje 107 % a Zlínský jenom 96 % průměru).
Míra variability souhrnného regionálního indexu kvality života se od roku 1994 stále zvyšuje
(s výjimkou roku 2000, kdy se vzhledem k předešlému roku snížila). Za velkou část této
variability však zodpovídají především dva faktory:
•
zvětšující se rozdíly mezi Prahou a ostatními regiony ve dvou sledovaných oblastech
(B a C)
•
zaostávání Ústeckého a zejména Moravskoslezského kraje za úrovní ostatních regionů.
Mezi ostatními kraji ČR nenacházíme v kvalitě života měřené vybranými indikátory
významnější rozdíly (ani v absolutním, ani v relativním vyjádření), i když je možné pozorovat
trendové zaostávání zejména moravských regionů a Karlovarska za ostatními regiony a naopak
pozitivní trend ve Středočeském kraji (pravděpodobně efekt zázemí Prahy)
a Královéhradeckém kraji.
Struktura vztahů mezi proměnnými a regiony (přístup a posteriori)
Nehledě na přemíru statistického žargonu, tato kapitola zřejmě přijde i pluralistickým čtenářům
poněkud více pluralistická a variantní, než by pokládali za zdravé. Stejně však nabízí jen torzo
prostředků použitelných k „osahání“ problémů natolik mnohorozměrných a málo zřejmých.
Metody - spíše z těch jednodušších - jsme vybírali tak, aby alespoň naznačily šíři použitelného
a aby každá přispěla do vícerozměrné mozaiky příhodným a originálním dílem informace.
Doufáme, že se mezi jednotlivými informacemi čtenářům neztratí linie postupného separování,
koncentrování a vyčišťování poznatků.
Dvě výsledné matice 111 × 111 hodnot Spearmanových pořadových korelačních koeficientů
pro 13 a 14 krajů ČR (t. j. velikost vzorku n1 = 13, n2 = 14, žádné chybějící hodnoty) se 111
proměnnými roztříděnými podle vzrůstajícího podílu statisticky významných korelací (na
hladině významnosti α = 0.05 a α = 0.01) jsou uložené u autorů. Z důvodů objasněných
v postupových závěrech k nepřímým ordinacím (viz níže) zde i dále rozebíráme pouze variantu
14 krajů. Děláme to samostatně v R-módu (korelace mezi proměnnými) i v Q-módu (korelace
mezi kraji ČR).
V celém souboru 111 proměnných se našla jediná (B35 - Počet lůžek nemocnic), která není statisticky
významně korelovaná s jinými proměnnými. Jednu statisticky významnou korelaci (0.9 %) ukazuje
preměnná B36 - Počet ordinací praktických lékařů a dětských lékařů na 10000 obyvatel, dvě korelace
(1.8 %) B06 - Přírůstek stěhováním. Do 10 % statisticky významně korelovaných hodnot na hladině
α = 0.05 se vejdou ještě proměnné B29 - Průměrná obytná plocha dokončených bytů, D10 - Využití
odpadů jako druhotné suroviny (po 3.6 %), B07 - Celkový přírůstek obyvatelstva (7.21 %), C05 Objem stavebních prací, D12 - Podíl nahodilé těžby na celkové těžbě dřeva, A04 - Počet znásilnění,
C25 - Hustota silniční sítě, D08 - Celková produkce odpadů (po 8.11 %), B11 - Zastoupení žen
v populaci, D02 - Index vyrovnanosti využití země, C23 - Hustota železniční a silniční sítě, B40 Studující na středních školách, C04 - Tržby z průmyslové činnosti, D01 - Index diverzity využití země,
C14 - Volná pracovní místa (po 9.01 %), C09 - Zaměstnanost v sekundárním sektoru, B30 Novorozenecká úmrtnost a B45 - Podíl vysokoškolsky vzdělaného obyvatelstva (po 9.91 %).
Naproti tomu mezi proměnnými s největším podílem statisticky významných korelací v celém souboru
(víc než 25 % na hladině α = 0.05) se ocitly A10 - Počet dopravních nehod, C06 - Ekonomicky aktivní
obyvatelstvo, B17 - Podíl městského obyvatelstva, C15 - Uchazeči o zaměstnání, C16 - Registrovaná
míra nezaměstnanosti (po 26.13 %), A07 - Rozvody na 1000 obyvatel, A06 - Sňatky, B20 - Podíl
22
obyvatel v obcích do 1000 obyvatel (po 27.03 %) a B26 - Vyplacené dávky státní sociální podpory na
obyvatele (27.93 %). Hranici 29 % překračuje A02 - Zjištěné trestné činy, B24 - Průměrná měsíční výše
důchodu (po 29.73 %) a C22 - Počet evidovaných motorových vozidel (30.63 %).
Podílem statisticky významných korelací (α = 0.05) každé ze 111 proměnných a mírou jejich
diferenciace (21 proměnných má do 10 %, 78 mezi 10 - 25 % a 12 nad 25 % statisticky významných
korelací) se výchozí soubor řadí k těm průměrně až mírně podprůměrně „překorelovaným“. Do
takových mezí ho vykazují také hodnoty Gleasonovy-Staelinovy míry redundance φ (pohybují se mezi
0.337 a 0.505), když výsledky Bartlettova testu sféricity (BARTLETT 1950 sec. HINTZE 1997 - 2001)
svědčí o silnější korelační struktuře v celém souboru (H0: všechny korelace jsou nulové; χ20.05,91 =
1257.32, p = 0.000). Vedle nemalé redundantnosti proměnných (a potřebě důrazně ji snížit) z toho
můžeme usuzovat také na značnou míru komplexnosti vztahů mezi nimi. Podle ní se zdá opodstatněné
rozlišovat komplexní proměnné s největším podílem statisticky významných korelací (u nás více než
25 %) a nejtěsnější strukturou asociací od unikátních s nejmenším podílem statisticky významných
korelací (u nás méně než 10 %), nejvolnější strukturou (pokud vůbec nějakou) a největším vkladem
unikátní (originální) informace. Rozlišení má zásadní význam pro rozhodování o dalším směřování
analýz. Pokud cílem bude výběrový soubor vnitřně co nejtěsněji „provázaný“ (konzistentní), uniformně
odpovídající na měnící se podmínky používání a (tímto způsobem) co nejspolehlivější, sáhneme spíše
do oboru komplexních proměnných, například pomocí analýzy položek. Pokud však chceme vysvětlit
co nejvíce celkovou proměnlivost dat, budou to hlavně unikátně proměnné, ze kterých si vybereme
(nejdříve asi technikami regresní analýzy).
Z nejtypičtějších případů „unikátních proměnných“ můžeme jmenovat B35 - Počet lůžek
nemocnic, B36 - Počet ordinací praktických lékařů a dětských lékařů na 10000 obyvatel i B06 Přírůstek stěhováním. Zřejmě nebude náhodou, že dvě z nich se vztahují na značně nezávislý
a specifický subsystém veřejných služeb - zdravotnictví, a speciálně na dva jeho spíše netečné
až rezistentní parametry.
Do pojmu „komplexní proměnné“ nejlépe zapadají B26 - Vyplacené dávky státní sociální
podpory na obyvatele, A02 - Zjištěné trestné činy, B24 - Průměrná měsíční výše důchodu
a C22 - Počet evidovaných motorových vozidel, každá v husté a silné síti vztahů natažené
napříč celým souborem proměnných. Třebaže regresní analýzy je velmi „nerady“ (kromě
nevelké vysvetlující síly jim způsobují také problémy s multikolinearitou), neznamená to
automaticky jejich nadbytečnost. Například v modelech nepřímých ordinací některé z nich
mohou mít velký význam a ve výstupech analýzy položek obvykle mají dokonce „navrch“,
protože jsou to právě ony, které zabezpečují vnitřní konzistentnost a odolnost výběrových
souborů vůči změnám okolností použití. Všeobecně vzato, efektivní modely se kromě
unikátních proměnných neobejdou ani bez příměsi komplexních proměnných v poměru
odpovídajícím algoritmu výběru a očekávané struktuře vztahů ve studovaném systému.
Horní trojúhelníkovou matici hodnot Spearmanových pořadových korelačních koeficientů,
měřících těsnost párových vztahů mezi 14 kraji ČR, přináší tabulka 6.
Tab. 6 - Míra asociovanosti mezi 14 kraji ČR, vyjádřená maticí Spearmanových pořadových korelačních
koeficientů (n = 111)
Kraj
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
PHA STC
JHC
PLK
-0.478 -0.461 -0.399
0.4656 0.5892
0.7083
-
KVK
-0.428
0.0938
0.4658
0.2862
-
ULK
-0.534
0.2279
0.1483
0.2526
0.453
-
LBK
-0.457
0.38
0.6229
0.5545
0.6013
0.3954
-
HKK
-0.375
0.4204
0.8023
0.6363
0.3906
0.1704
0.7026
-
PAK
-0.549
0.4423
0.6784
0.6233
0.3091
0.38
0.545
0.755
-
VYS
-0.572
0.5714
0.7168
0.6975
0.2226
0.2343
0.4059
0.6933
0.751
-
JHM
-0.304
0.3873
0.5527
0.5827
0.0605
0.1555
0.3071
0.5869
0.6333
0.6449
-
OLK
-0.615
0.4283
0.5882
0.5454
0.2214
0.4003
0.4839
0.6304
0.7338
0.6626
0.7174
-
ZLK
-0.536
0.2846
0.597
0.4673
0.2907
0.2355
0.3914
0.6014
0.7013
0.6671
0.6619
0.696
-
MSK
-0.529
0.0547
0.2814
0.2704
0.3856
0.652
0.2927
0.2523
0.464
0.328
0.4365
0.5908
0.4496
Průměr
-0.4797
0.2975
0.4744
0.4473
0.2579
0.2439
0.4012
0.4821
0.4975
0.4633
0.4171
0.468
0.4237
23
MSK
-
0.3022
PHA až MSK - zkratky jmen krajů ČR; Průměr - aritmetické průměry hodnot korelačních koeficientů pro jednotlivé kraje
(n = 14); rovným typem jsou tištěny statisticky významné hodnoty korelačních koeficientů s p 0.01, kurzívou
s 0.01 < p < 0.05 a podtržení označuje statisticky nevýznamné hodnoty s p 0.05
O celkově velmi těsných vztazích mezi kraji a jim odpovídající míře společné variability nejlépe svědčí
aritmetický průměr z průměrů korelačních koeficientů pro jednotlivé kraje s velkou a statisticky velmi
významnou hodnotou 0.3355 (z absolutních hodnot dokonce 0.404 při p << 0.001). Nejtěsněji
s ostatními koreluje Pardubický kraj (průměr 0.4975), následovaný krajem Královéhradeckým (0.4821)
a Prahou (-0.4797), kterou jedinou od všech ostatních krajů odpudzují silné inverzní vztahy. Nejméně
„natěsno“ jsou párové vztahy kraje Ústeckého (0.2439) a Karlovarského (0.2579), těsností vazeb však
nevynikají ani kraje Středočeský (0.2975) a Moravskoslezský (0.3022). Ústecký kraj má i nejvíce
statisticky nevýznamných párových vztahů (3), a to k Jihočeskému, Jihomoravskému
a Královéhradeckému kraji, který stojí za ním se dvěma statisticky nevýznamnými vztahy, tak jako
Středočeský a Jihomoravský kraj. Po jedné statisticky nevýznamné korelaci ukazují kraje
Moravskoslezský, Jihočeský a Královéhradecký, ostatní kraje jsou statisticky významně korelované ve
všech případech. Vůbec nejtěsnější párový vztah váže Jihočeský a Královéhradecký kraj (0.8023), ale
nezaostávají ani vztahy krajů Královéhradecký vs Pardubický (0.755), Pardubický vs Vysočina (0.751),
Olomoucký vs Pardubický (0.7338), Jihomoravský vs Olomoucký (0.7174), Jihočeský vs Vysočina
(0.7168), Jihočeský vs Plzeňský (0.7083), Královéhradecký vs Liberecký (0.7026) a Pardubický vs
Zlínský (0.7013).
Do vysvětlování významnosti a těsnosti párových vztahů mezi kraji by se jistě daly vtahovat
rozličné faktory, počínaje těmi z rané historie a konče nejsoučasnějšími regionálně
diferencovanými dopady společenské transformace. Dobrý tón parimonie (s příchutí
redukcionismu) a „držení se při zemi“ nám však káže zdůraznit, že na objasnění velké části
vztahů stačí prostá prostorová autokorelace (čím jsou regiony bližší v prostoru, tím jsou jejich
vlastnosti těsněji korelované, což platí pro kraje Královéhradecký vs Pardubický, Pardubický vs
Vysočina, Olomoucký vs Pardubický, Jihomoravský vs Olomoucký a některé další), podobnost
přírodních podmínek (zčásti platí pro Jihočeský vs Královéhradecký kraj) a podobnost resp.
návaznost infrastruktury, sehrávající úlohu matrice pro mnohé vzorce chování a procesy
v regionálních populacích.
Už z uvedeného lze vidět, že korelační analýza může být užitečná také výzkumníkům kvality
života. Sílu jí dává zejména jednoduchost a srozumitelnost výsledků (míry těsnosti párových
vztahů či společná variabilita), testovatelnost korelačních hypotéz a široká použitelnost i na
data nesplňující předpoklad normality rozdělení početnosti. S růstem velikosti analyzovaných
souborů však roste také nepřehlednost a komplexnost korelačních vztahů v nich, a tím také
potřeba nějak je sumarizovat (například nepřímými ordinacemi).
Analýza položek
Účel analýzy položek a softwarová omezení (maximum 90 proměnných najednou) vedly k
rozhodnutí analyzovat soubor 111 proměnných dvouúrovňově: nejdříve po apriorních
skupinách (A, B, C a D) a potom výsledné nejkonzistentnější skupinové výběry proměnných
společně.
Ve skupině A výchozí hodnota Cronbachova koeficientu alfa pro všech 12 proměnných (A01 - A12)
vyšla 0.6285, zjevně méně než číslo 0.8, které CARMINES (1990 sec. HINTZE 1997 - 2001) při šířeji
použitelných nástrojích pokladá za minimum. Po vyloučení proměnné A01 - Účast ve volbách do
krajských zastupitelstev se zlepšila nejvíce - na 0.7727 a další maxima jejího zlepšení následovaly po
vyloučení A03 - Objasněnost trestných činů (na 0.8424), A11 - Počet usmrcených při dopravních
nehodách (na 0.8841), A05 - Počet vražd (na 0.8958) a A04 - Počet znásilnění (na 0.9013), čímž se
možnosti maximalizace Cronbachovy alfy v této skupině vyčerpaly. Výsledný soubor zahrnuje
7 proměnných: A02 - Zjištěné trestné činy na 1000 obyvatel, A06 - Sňatky na 1000 obyvatel, A07 Rozvody na 1000 obyvatel, A08 - Rozvody na 100 sňatků, A09 - Potraty na 100 narozených dětí, A10 Počet dopravních nehod na 1000 obyvatel a A12 - Sebevraždy na 100000 obyvatel.
24
Mnohem početnější skupina B se 49 proměnnými (B01 - B49) měla na počátku hodnotu Cronbachovy
alfy slabých 0.0357. Nejvíce se zvýšila vynecháním B31 - Kojenecká úmrtnost (na 0.269), potom B14 Index stáří/vitality (na 0.4266), B30 - Novorozenecká úmrtnost (na 0.5406), B03 - Přirozený přírůstek
(na 0.6247), B12 - Podíl populace do 14 let (na 0.687), B26 - Vyplacené dávky státní sociální podpory
na obyvatele (na 0.737), B01 - Porodnost (na 0.7775), B34 - Počet obyvatel na 1 lékaře (na 0.8075),
B19 - Index vyrovnanosti velikostní struktury obcí (na 0.8333), B18 - Index diverzity velikostní
struktury obcí (na 0.8559), B28 - Počet míst v zařízeních sociální péče (na 0.8749), B27 - Podíl
dlouhodobě nezaměstnaných (nad 24 měsíců) na 0.8905, B25 - Osoby v evidenci sociálně potřebných
(na 0.9042), B38 - Průměrné procento pracovní neschopnosti (na 0.9167), B39 - Průměrná doba trvání
pracovní neschopnosti (na 0.9257), B47 - Počet veřejných knihoven (na 0.9331), B49 - Počet muzeí na
100000 obyvatel (na 0.9404), B20 - Podíl obyvatel v obcích do 1000 obyvatel (na 0.9477), B07 Celkový přírůstek obyvatelstva (na 0.9541), B29 - Průměrná obytná plocha dokončených bytů (na
0.9595), B06 - Přírůstek stěhováním (na 0.9643), B36 - Počet ordinací praktických a dětských lékařů na
10000 obyvatel (na 0.9681), B32 - Zemřelí na novotvary (na 0.9696), B04 - Imigrace (na 0.9711), B33 Zemřelí na nemoci oběhové soustavy (na 0.9723), B40 - Studující na středních školách (na 0.9735),
B10 - Střední očekávaná délka života při narození (ženy) na 0.9747, B35 - Počet lůžek nemocnic a OLÚ
(na 0.976), B02 - Úmrtnost (na 0.9774), B17 - Podíl městského obyvatelstva (na 0.9787), B08 - Střední
délka života (na 0.9791), B09 - Střední očekávaná délka života při narození (muži) na 0.9795, B05 Emigrace (na 0.9799), B48 - Počet divadel na 100000 obyvatel (na 0.9808), B13 - Podíl populace nad
65 let (na 0.9814), B41 - Studující na gymnáziích (na 0.9823), B37 - Počet stomatologických ordinací
na 10000 obyvatel (na 0.983), B44 - Počet fakult vysokých škol (na 0.9839), B24 - Průměrná měsíční
výše důchodu (na 0.9841), B21 - Podíl obyvatel ve městech nad 50000 obyvatel (na 0.9844), B11 Zastoupení žen v populaci (na 0.9845), B15 - Průměrný věk obyvatel (na 0.9852), B43 - Podíl žen se
středoškolským vzděláním (na 0.9855) a B42 - Podíl středoškolsky vzdělaného obyvatelstva (na
0.9887). Až na této úrovni (blízké dokonalosti) došlo k ustálení hodnot Cronbachovy alfy, když ve
výsledném výběru zůstalo 5 proměnných: B16 - Hustota obyvatelstva na 1 km2, B22 - Průměrná
velikost obce [počet obyvatel], B23 - Průměrná hrubá měsíční mzda [Kč], B45 - Podíl vysokoškolsky
vzdělaného obyvatelstva [% z počtu obyvatel nad 15 let) a B46 - Podíl žen s vysokoškolským
vzděláním [%].
Protože je Cronbachova alfa konstruována jako korelační koeficient (s „normálním“ rozpětím hodnot
od -1 do 1) a její počátečná hodnota ve skupině B (na rozdíl od A) neleží daleko od nuly (0.0357), zdálo
se nám zajímavé vyzkoušet zde i „zápornou“ variantu, tedy minimalizaci hodnot Cronbachovy alfy k -1.
Začalo to slibně: nejvíce poklesla po vynechání 15 - Průměrný věk obyvatel (na -0.2457) a potom po
B22 - Průměrná velikost obce (na -0.638). Jenže s vynecháním B13 - Podíl populace nad 65 let se
dostavil pokles do sféry „pokleslých“ hodnot menších než -1 (na -1.2718), který prudce pokračoval po
eliminaci B41 - Studující na gymnaziích (na -2.3232), B16 - Hustota obyvatelstva (na -4.1359), B33 Zemřelí na nemoci oběhové soustavy (na -7.398), B44 - Počet fakult vysokých škol (na -14.3672)
a B05 - Emigrace (na -22.7351). S odchodem této proměnné náhle zavládlo konečné stádium, podle
hluboce „ulétlých“ hodnot a jejich číselného rozvoje jasně degenerované. Proto jsme k „záporné“
variantě analýzy položek zaujali záporné stanovisko (cf. HINTZE 1997 - 2001).
Ve skupině C s 33 proměnnými (C01 - C33) jsme začínali s hodnotou Cronbachovy alfy rovnou na
0.3902. Odstranění proměnné C09 - Zaměstnanost v sekundárním sektoru tuto hodnotu zdvihlo
nejvíce (na 0.51), potom C15 - Uchazeči o zaměstnání (na 0.5896), C17 - Míra nezaměstnanosti žen (na
0.66), C16 - Registrovaná míra nezaměstnanosti (na 0.7207), C19 Počet uchazečů na 1 volné místo (na
0.7686), C18 - Neumístění absolventi škol a mladiství (na 0.799), C30 - Intenzita chovu prasat (na
0.8248), C25 - Hustota silniční sítě (na 0.8481), C29 - Intenzita chovu skotu (na 0.8695), C23 - Hustota
železniční a silniční sítě (na 0.8876), C08 - Zaměstnanost v primárním sektoru (na 0.9022), C27 - Orná
půda na 1 obyvatele (na 0.9171), C28 - Podíl orné půdy z výměry území (na 0.9294), C20 - Počet
vydaných stavebních povolení (na 0.9424), C14 - Volná pracovní místa (na 0.9533), C31 - Počet lůžek
v ubytovacích zařízeních (na 0.9596), C04 - Tržby z průmyslové činnosti (na 0.9642), C26 - Hustota
dálniční sítě (na 0.9702), C32 - Hosté v ubytovacích zařízeních (na 0.9749), C06 - Ekonomicky aktivní
obyvatelstvo (na 0.9776), C21 - Průměrná hodnota na 1 stavební povolení (na 0.9801), C22 - Počet
evidovaných motorových vozidel (na 0.9809) a C33 - Cizinci v ubytovacích zařízeních (na 0.9819), což
znamená najvyšší dosažitelnou hodnotu Cronbachovy alfy v této sestavě proměnných (zastavila sa opět
nedaleko ideálu). Odpovídá jí výsledný soubor o 10 proměnných: C1 - Hrubý domácí produkt, C2 25
Hrubý domácí produkt na 1 obyvatele, C3 - Hmotné a nehmotné investice [tis. Kč/obyv.], C5 - Objem
stavebních prací [tis. Kč/obyv.), C7 - Evidenční počet zaměstnanců [%], C10 - Zaměstnanost
v terciárním sektoru [%], C11 - Počet právnických osob [na 1000 obyv.], C12 - Počet fyzických osob
[na 1000 obyv.], C13 - Soukromí podnikatelé podle živnostenského zákona [na 1000 obyv.] a C24 Hustota železničních tratí [km/km2].
Sedmnáctičlenná skupina D (D01 - D17) představuje celkem slušnou hodnotou Cronbachovy alfy
0.8199. Pokud ještě chceme, největšího přírůstku dosáhneme zbavením se proměnné D10 - Využití
odpadů jako druhotné suroviny (na 0.8522), potom D03 - Index ekologické stability krajinné struktury
(na 0.8689), D13 - Podíl čištěných odpadních vod (na 0.8856), D12 - Podíl nahodilé těžby na celkové
těžbě dřeva (na 0.8961), D07 - Emise základních znečišťujících látek REZZO 1-3 (na 0.9097), D09 Produkce nebezpečných odpadů (na 0.9136), D01 - Index diverzity využití země (na 0.9198), D02 Index vyrovnanosti využití země (na 0.9312) - a tím „zeštíhlovací kúra D“ končí, neboť lepší
Cronbachovu alfu už ze zbývajících proměnných nedostaneme (a nemáme ani důvod příliš se do toho
nutit, tím méně, že ješte čeká druhé kolo). Zůstaly nám po ní proměnné (celkem 9) D4 - Podíl
maloplošných chráněných území [%], D5 - Podíl lesů ochranných a zvláštního určení [%], D6 - Měrné
emise ze zdrojů REZZO 1 - 3 [t/km2], D8 - Celková produkce odpadů [t/obyv.], D11 - Spotřeba vody
(fakturovaná pitná voda na 1 obyv.), D14 - Podíl obyvatel zásobovaných z veřejných vodovodů [%],
D15 - Podíl obyvatel v domech napojených na veřejnou kanalizaci [%], D16 - Investice na ochranu
životního prostředí [Kč/obyv.] a D17 - Investice na ochranu životního prostředí [Kč/ha].
Druhá úroveň analýzy (vnitřně nejkonzistentnější výběry proměnných ze skupin A, B, C a D celkem, to
znamená 31 proměnných, 7 z A, 5 z B, 10 z C a 9 z D) začíná podle očekávání velmi vysoko: počáteční
Cronbachova alfa dosáhla až 0.979. Ale i ta se ješte dá o něco zvýšit, nejvíce odebráním A08 - Rozvody
na 100 sňatků (na 0.9806), potom A09 - Potraty na 100 narozených dětí (na 0.9821), A12 - Sebevraždy
(na 0.9832), D06 - Emise ze zdrojů REZZO 1-3 (na 0.9845), A07 - Rozvody na 1000 obyvatel (na
0.9859), D14 - Podíl obyvatel zásobovaných z veřejných vodovodů (na 0.9875), A06 - Sňatky (na
0.9891), D16 - Investice na ochranu životního prostředí na 1 obyvatele (na 0.9895), D15 - Podíl
obyvatel v domech napojených na veřejnou kanalizaci (na 0.9909), D11 - Spotřeba vody (fakturovaná
pitná voda na 1 obyvatele) na 0.9917, D08 - Celková produkce odpadů (na 0.9923), A10 - Počet
dopravních nehod (na 0.9926), C07 - Evidenční počet zaměstnanců (na 0.9927), D04 - Podíl
maloplošných chráněných území (na 0.9929), C12 - Počet fyzických osob (na 0.9931), C13 - Soukromí
podnikatelé podle živnostenského zákona (na 0.9934), C24 - Hustota železničních tratí (na 0.9936),
D05 - Podíl lesů ochranných a zvláštního určení (na 0.9937), C03 - Hmotné a nehmotné investice (na
0.9939), C01 - Hrubý domácí produkt (na 0.9939), A02 - Zjištěné trestné činy (na 0.9941) a konečně
C10 - Zaměstnanost v terciárním sektoru (na 0.9943). Stojíme na konci operace obrušování
„nejtvrdšího“ jádra 9 proměnných, pouze 0.0057 od mety nejvyšší, kam se dostaly už jen tyto
proměnné: B16 - Hustota obyvatelstva na 1 km2, B22 - Průměrná velikost obce [počet obyvatel], B23 Průměrná hrubá měsíční mzda [Kč], B45 - Podíl vysokoškolsky vzdělaného obyvatelstva [% z počtu
obyv. nad 15 let), B46 - Podíl žen s vysokoškolským vzděláním [%], C2 - Hrubý domácí produkt na
1 obyv., C5 - Objem stavebních prací [tis. Kč/obyv.], C11 - Počet právnických osob [na 1000 obyv.]
a D17 - Investice na ochranu životního prostředí [Kč/ha].
Zdá se, že jako nástroj „přirozeného“ (daty vedeného) výběru proměnných, zaměřeného na
komplexnější z nich, podala analýza položek pozoruhodný výkon, přinejmenším z kvantitativní
stránky. Vytěžila z rozložitého souboru o 4 skupinách a 111 proměnných těch 31 (27.93 %)
resp. 9 (8.11 %), které by ho měly nejvíc držet pohromadě. Na první úrovni (po skupinách)
nejhlouběji zasáhla do dílčího souboru B (ze 49 proměnných v něm zůstalo 5, tedy 10.2 %),
obnažila tak ani ne jeho relativně nejmenší redundantnost (největší počet unikátních
proměnných), jako spíše největší významovou heterogenitu, a tím i největší rezervy v a priori
vymezení souboru. Citelně, ale už méně, se dotkla dílčího souboru C (redukce z 33 na 10
proměnných, t. j. na 30.3 %), ještě méně D (ze 17 na 9 proměnných, t. j. na 52.94 %) a nejméně
A (z 12 na 7 proměnných, t. j. na 58.33 %).
Druhá úroveň redukce však soubor B už nepostihla, takže nakonec z toho s 5 zbývajícími
proměnnými vychází nejlépe. Vyměnil si tak úlohu nejhoršího se souborem A, ze kterého po
26
druhé redukci nezůstalo nic. Tím ale, věřme, metoda nemusí naznačovat, že A je zbytečný,
pouze že není nejlépe definovaný (že proměnné z jiných souborů vyjadřují „jeho“ informaci
lépe/plněji). Trochu více odolával soubor D s jednou ponechanou proměnnou (5.88 %) a ještě
více C s 3 proměnnými (9.09 %).
Podle podílu „pozůstalých“ proměnných v souborech A - C (10.2 - 58.33 % na první
a 0 - 10.2 % na druhé úrovni) je to dost špatné, příliš mnoho „odpadu“ a silný důvod
zredukovat a redefinovat dílčí soubory. Ale to by byla jen polovina informace. S tou druhou
(o totožnosti a podílech „dobrých“ unikátních proměnných) musíme vyčkat do regresní analýzy.
Odhlédneme-li od toho, můžeme už nyní navrhnout buď podíl „pozůstalých“ proměnných (asi
raději ten z první úrovně analýzy), nebo odpovídající podíl „odpadu“ z dílčích souborů
A - D jako kandidáta na měření jejich relativní významnosti (váhy) v „oboru“ komplexních
proměnných.
Získané výsledky analýzy položek možná stačí interpretovat takto: výběrový soubor
9 proměnných vyselektovaných v druhé úrovni analýzy tvoří „nejtvrdší“ jádro výchozího
souboru (určitě by neměly chybět v žádné české regionální analýze kvality života), a soubor
31 proměnných z první úrovně ještě dostatečně tvrdé jádro, které by v žádné české regionální
analýze kvality života chybět nemuselo (alespoň ve výchozím souboru).
Podaná interpretace dokládá také užitečnost hierarchického postupu analýzy, spočívající
v možnosti odstupňovat intenzitu výběru a vybrat si úroveň přiměřenější cíli.
Mezi šířeji dostupnými vícerozměrnými metodami působí analýza položek jako nástroj nejvíce
„vstřícný“ vůči výzkumníkům upřednostňujícím apriorně stanovené skupiny. Přijímá je za
východiska, ale dovoluje je zredukovat, zpřehlednit a různou silou redukce nepřímo určit váhy
jednotlivých skupin (tím, kolik proměnných zůstane v každé z nich po analýze). Otvírá též
možnost validizovat některé jiné nástroje, jako třeba apriorně odvozené indexy, které po
zprůměrování z vnitřně konzistentnějších skupin mohou dávat méně zkreslené výsledky napříč
různými regiony a/nebo časovými úseky.
Ordinace
Ordinační metody poskytly množství nových podnětů a zajímavých výsledků – ty jsou však
interpretovatelné více způsoby a je potřebné je analyzovat i ve vazbě na přímé ordinace,
shlukovou analýzu a diskriminační analýzu. Proto jsme se rozhodli výsledky publikovat
samostatně, až po důkladnější analýze. Pro informaci o výsledcích těchto metod přinášíme
alespoň některé dílčí závěry.
Porovnání informačního zisku z ordinace 13 vs 14 regionů vychází ve prospěch 14 regionů,
protože tato varianta nabízí jednak lepší proporce rozdělení celkového rozptylu mezi jednotlivé
ordinační osy s příznivějšími mírami dobré shody (4 osy např. vysvětlují průměrně o 6.76 %
více rozptylu, mají o 0.326 větší pseudo-R2 a o 0.016 menší stres než při 13 regionech),
a jednak větší vzorek, sice jen o 1 (14 > 13), ale při takových malých vzorcích je každý
přírůstek dobrý. Nabízí sice také o něco méně příjemný přírůstek vícerozměrných odlehlých
hodnot (10 oproti 3 pro 13 regionů podle T2 testu), při nadbytku kolineárních proměnných nás
to však nemusí rušit v soustředění se na soubor 1 4 r e g i o n ů .
Proporcemi vysvětleného rozptylu a ukazateli dobré shody je možné měřit i rozdíly ve
výkonnosti zpracování (projekce) dat mezi použitými 5 ordinačními technikami. V trojici
nejefektivnějších (1. PCA, 2. - 3. MMDS a CA) rozdíly nijak „nekřičí“ - při 4 osách zůstávají
mezi 0.55 - 1.06 % v R-módu, resp. 0.24 - 6.6 % v Q-módu. Jako méně robustní se tentokrát
předvedlo NMDS (ale jen v R-módu) a překvapivě nejmenší výkonnost vidíme u DCA
s 19.82 % ztrátou za PCA (kterou v Q-módu snižuje na 5.3 %). Když k tomu připočítáme
poměrně dobře zpracovatelný soubor dat (ne příliš velký, s krátkými gradienty, bez
27
traumatických poruch normality, rovnosti rozptylů, linearity či monotonicity, s nevysokou
hladinou šumu a se stejnorodými proměnnými) a uvážíme také vybavenost
analytickými/interpretačními nástroji a odolnost vůči porušení definičních předpokladů při
jednotlivých technikách, můžeme náš ordinačně-technický arzenál pro tento případ zredukovat
na P C A a její „pojistku“ v podobě D C A .
Z dosavadních analýz povstává už i cosi jako „hrubá stavba“ vícerozměrného a posteriori
modelu kvality života pro regiony ČR. Má takovéto základní parametry:
•
počet skupin (hlavních oblastí) modelu, ztotožnitelný s počtem ordinačních os
potřebných k vysvětlení dostatečného podílu celkového rozptylu (zejména podle
výsledků PCA, MMDS a CA v R-módu), vychází na t ř i a ž č t y ř i ( s p í š e
čtyři);
•
relativní významnost („váha“) skupin, zastupovaná podílem vysvětleného rozptylu
připadajícího na příslušnou osu, dosahuje v první skupině 4 2 . 8 8 ± 1.5 % (aritmetický
průměr ± směrodatná odchylka hodnot PCA, MMDS a CA v R-módu), v druhé
1 8 . 2 6 ± 0.39 %, v třetí 1 0 . 9 ± 0.76 % a ve čtvrté 9 . 1 4 ± 0.15 % (celkem 81.18 ±
0.53 %);
•
maximální počet proměnných, ve statisticky platném a „nepředefinovaném“ modelu
hodnotu velikosti vzorku, nebude v našem modelu větší než
nepřekračující
1 4 p r o m ě n n ý c h ; které z těch 111 to budou a jak budou rozdělené do 4 skupin,
se můžeme dozvědět z velikostí jejich váh (loadings) v jednotlivých osách
a z relativních významností každé skupiny, přihlížejíc i na výsledky analýzy položek
(zejména na vnitřně nejkonzistentnější výběr 9 proměnných - „nejtvrdší“ jádro
souboru), mnohonásobné regresní analýzy a T2 testu přítomnosti vícerozměrných
odlehlých hodnot;
•
přes velikosti a konfigurace vah (loadings) proměnných v jednotlivých netriviálních
osách se můžeme dopátrat také významu (informačního obsahu) odpovídajících skupin.
Regresní analýza
Návrhy statisticky významných, platných a co nejinformativnějších lineárních regresních
modelů kvality života pro každý ze 14 krajů ČR a celou ČR, s nezávisle proměnnými
vybranými ze souboru 111 proměnných procedurou postupného výběru s přidáváním (forward
selection) v modulu krokové regrese, podáváme v tabulce 7. Za závisle proměnné dosazujeme
jednotlivé kraje, tedy sloupce hodnot všech 111 proměnných v příslušném kraji. Základní
otázka této regresní analýzy tedy zní, zda existují závislosti stavu kvality života v každém
jednotlivém kraji na proměnlivosti hodnot některé ze 111 proměnných. Je to vlastně otázka
kontextová (jestli a jakou vysvětlující sílu má pro stav kvality života v každém kraji celostátní
kontext některého ukazatele kvality života).
28
Tab. 7 - Výsledky regresní analýzy kvality života v krajích ČR vyjádřené hodnotami odhadů parciálních
regresních koeficientů analyzovaných proměnných a dalšími statistikami mnohonásobné lineární regrese
Proměnná
PK
rk
CN
b0
A01
A03
A04
A09
A11
A12
B04
B06
B07
B20
B21
B25
B29
B35
B36
B37
B40
B44
B46
B48
C01
C03
C04
C05
C06
C21
C23
C24
C25
C26
D03
D08
D09
D10
D13
D14
R2
AdjR2
PressR2
Ν
F
P
RMSE
COV
PHA
.1349
ns
18.7
.998
O
O
O
O
O
O
O
O
O
O
O
O
O
O
-.706
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.3616
.3084
.1281
1
6.8
.0229
.2954
.5122
STC
.9626
ns
115.8
ns
O
O
O
O
O
O
O
O
O
-.281
O
.691
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.517
O
.8997
.8696
.7841
3
29.9
.0000
.0842
.1493
JHC
.2015
Ns
78
Ns
O
O
O
O
O
O
O
.557
O
O
O
O
O
O
O
O
1.033
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.7077
.6546
.4653
2
13.32
.0012
.1501
.3291
PLK
.0458
ns
766.9
ns
O
O
O
O
O
O
O
O
.222
O
.663
O
O
O
O
O
.421
O
O
O
-.397
O
O
O
O
.068
O
O
O
O
O
O
O
O
O
.073
.9946
.99
.884
6
214.62
.0000
.0151
.0277
KVK
.7056
ns
39.2
1.508
O
O
O
O
O
O
O
O
O
O
O
O
-.61
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
-.705
-1.534
O
O
O
O
.7803
.7144
.6178
3
11.84
.0013
.2213
.3724
ULK
.0293
Ns
524.9
-1.011
1.68
O
O
1.129
O
.282
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.512
O
O
O
O
-.723
O
-.651
O
O
O
O
O
O
.9858
.9736
.9366
6
80.76
.0000
.0494
.0913
LBK
.0261
ns
7.4
.641
O
O
O
O
O
O
O
O
O
O
O
O
-.439
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.426
.3782
.2206
1
8.9
.0114
.1348
.2621
HKK
.5217
ns
23.7
ns
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.697
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.5072
.4661
.3385
1
12.35
.0043
.1895
.4154
PAK
.3754
ns
127.6
.361
O
O
O
O
O
O
O
O
O
O
O
O
O
-.452
O
O
O
O
-1.882
O
O
O
O
3.013
O
O
O
O
O
O
O
O
O
O
O
O
.8519
.8074
.5559
3
19.17
.0002
.1406
.4505
VYS
.7337
ns
20.5
.849
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
-.947
O
O
O
O
O
O
O
O
O
.6513
.6222
.5548
1
22.41
.0005
.2081
.738
JHM
.0121
ns
123.7
.541
O
O
O
O
O
O
-.418
O
O
O
O
O
O
-.135
O
O
O
O
O
O
O
.902
O
O
O
O
O
O
O
O
O
O
O
O
-.234
O
.955
.935
.8107
4
47.74
.0000
.0455
.14
OLK
.0328
ns
81.4
-.179
O
O
O
O
.8
O
O
O
O
O
O
O
O
O
O
.842
O
O
O
O
O
O
O
O
O
O
O
O
O
O
-.124
O
.271
-.458
O
O
.9895
.9829
.9726
5
150.26
.0000
.0319
.0884
ZLK
.7478
ns
172.4
1.586
O
O
O
O
.436
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
-.675
O
O
O
-1.49
O
O
O
O
O
O
O
.8211
.7674
.5512
3
15.3
.0005
.157
.5564
MSK
.7892
ns
289.2
-.766
O
.766
.197
O
O
O
O
O
O
O
O
O
O
O
.618
.658
-.289
O
O
.463
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.9898
.9811
.9363
6
113.53
.0000
.0383
.098
ČR
.4823
ns
69.3
.313
O
O
O
O
O
O
O
O
O
O
O
O
O
-.103
O
.429
O
.147
O
O
O
O
.184
O
O
O
O
O
O
-.254
O
O
O
O
O
O
.9779
.9641
.8477
5
70.84
.0000
.0247
.0594
Vysvětlivky:
pK
- hladina významnosti testovací statistiky D´ Agostiniho-Personova omnibus testu normality
rk
- významnost seriálního korelačního koeficientu, tedy koeficientu autokorelace jako míry nezávislosti
reziduálů [1, 2...14: statisticky významný koeficient s periodou (lag) k = 1, 2...14; ns: statisticky
nevýznamný koeficient s absolutní hodnotou < 0.5345]
CN
- největší stavové nebo podmínkové číslo (condition number), t. j. podíl největší a nejmenší
charakteristické hodnoty (eigenvalue) matice necentrovaných korelací vybraných nezávisle proměnných
jako míra multikolinearity [CN < 500: nevýznamná; 500 < CN < 5000: mírná; CN > 5000: silná
multikolinearita (HINTZE 1997 - 2001)]
b0
- úsek (intercept), t. j. odhad hodnoty závisle proměnné Y pri X1, X2...Xm = 0
A01, A09,...D14
- odhady parciálních regresních koeficientů (b1, b2...bm) příslušných nezávisle proměnných v jednotlivých
krajích, významné na hladině α = 0.05 [hodnota podtrhnutá: marginální výsledek testu 0.046 < p < 0.055;
29
O: proměnná se nedostala do modelu (vyřazena nebo nezařazena výběrovou procedurou); ns: statisticky
nevýznamný regresní koeficient proměnné v modelu]
R2
- koeficient determinace celého modelu jako míra jeho shody s daty (fit)
AdjR2 - adjustovaný koeficient determinace modelu, který eliminuje zkreslující vlivy různé velikosti modelů
a/nebo malých vzorků (ZAR 1996, HINTZE 1997 - 2001)
PressR2 - predikční koeficient determinace (z predikčních reziduálů) jako míra predikční schopnosti modelu
a „vestavěný“ nástroj jeho validizace
ν
- stupně volnosti modelu
F
- hodnota testovací statistiky F na testování nulové hypotézy, že všechny populační parciálně regresní
koeficienty = 0 (míra celkové statistické významnosti modelu)
p
- pravděpodobnost testovací statistiky F
RMSE - druhá odmocnina z průměrného čtverce reziduálů jako odhad směrodatné odchylky reziduálů
COV - koeficient variace jako relativní míra disperze reziduálů
Z řádků F, p a ν v tab. 7 vyplývá, že statisticky významné a platné lineární regresní modely kvality
života je možné odvodit pro všech 14 krajů i celou ČR. Ne všechny sice v plné míře vyhovují všem
definičním předpokladům lineární regresní analýzy (linearita, stálost reziduálních rozptylů, normalita
a nekorelovanost reziduálů, nepřítomnost multikolinearity), ale ani porušení normality při modelech pro
Ústecký, Liberecký, Jihomoravský a Olomoucký kraj, ani lehčí případy multikolinearity v Plzeňském
a Ústeckém kraji (viz. první, resp. třetí řádek tab. 7) je nediskvalifikují.
Největší vysvětlující silou disponují v nevšední vyrovnanosti modely pro kraj Plzeňský (adjustovaný
koeficient determinace až 0.99), Olomoucký (0.9829), Moravskoslezský (0.9811), Ústecký (0.9736)
a pro celou ČR (0.9641), na který moc neztrácí ani model z kraje Jihomoravského (0.935). Validitou
a predikčními schopnostmi se ukazují být nejvíce „nadané“ modely Olomouckého (predikční R2 =
0.9726), Ústeckého (0.9366) a Moravskoslezského kraje (0.9363). Je třeba však vidět i to, že:
•
všeobecně při malých vzorcích (jako naše n = 14) se velké hodnoty R2 dostavují relativně
lehce;
•
v modelech pro Plzeňský, Moravskoslezský a Ústecký kraj informační hodnota narostla dost
extenzívně (zvětšením až na 6 proměnných).
Naopak nejhůře svým datům „padnou“ jedinou statisticky významnou proměnnou osazené modely kraje
Královéhradeckého (adjustovaný R2 = 0.4661), Libereckého (0.3782) a obzvlášť Prahy, ze které
hodnota adjustovaného R2 rovná 0.3084 a predikčního R2 jen 0.1281 dělá invalidní „modelářský“
oříšek.
Na tvorbu 14 krajských plus 1 celostátního modelu se využilo celkem 36 proměnných:
6 (16.67 %) z apriorní skupiny A, 14 (38.88 %) z B, 10 (27.78 %) z C a 6 (16.67 %) z D.
Výchozí soubor obsahuje 12 proměnných ve skupině A (10.81 %), 49 v B (44.14 %),
33 v C (29.73 %), 17 v D (15.32 %) a test těchto dvou proporcí neukazuje statisticky významný
rozdíl (kontingenční tabulka; χ24,0.05 = 8, p = 0.0916), tedy výběrová procedura vybírala
nediskriminačně a o váhách čtyř a priori skupin nám mnoho nepoví. Napoví však alespoň cosi
o užitečnosti oněch 36 proměnných, a tím i o zřetelně menší lineárně-regresní použitelnosti těch
ostatních 75 proměnných. Vůbec nejproduktivnější proměnná (B40 - Studující na středních
školách) figuruje ve čtyřech krajských modelech (pro kraj Jihočeský, Plzeňský,
Královéhradecký a Moravskoslezský), dvě v pořadí za ní (B37 - Počet stomatologických
ordinací na 10000 obyvatel a B35 - Počet lůžek nemocnic a OLÚ) ve dvou krajských (pro
Olomoucký a Moravskoslezský, resp. Pardubický a Jihomoravský kraj) a v celostátním modelu.
„Dvoumodelových“ proměnných máme 7 (A11 - Počet usmrcených při dopravních nehodách,
B29 - Průměrná obytná plocha dokončených bytů, B36 - Počet ordinací praktických a dětských
lékařů na 10000 obyvatel, C04 - Tržby z průmyslové činnosti, C26 - Hustota dálniční sítě,
D03 - Index ekologické stability krajinné struktury a D13 - Podíl čištěných odpadních vod),
ostatní obsazují modely jednotlivě.
30
Odhadnuté a diagnostikované parametry regresních modelů 14 krajů i celé ČR umožňují
s výjimkou Prahy (a částečně Libereckého a Královéhradeckého kraje) statisticky platně
a informovaně hodnotit kvalitu života a na rozdíl od souhrnných a priori indexů i rozlišit
statisticky významné změny ve zvolených časových horizontech od těch nevýznamných.
Růzností proměnných vybraných do modelů též upozorňují na značnou regionální různorodost
činitelů a podmínek kvality života v ČR a konkrétně na statisticky významné regionální rozdíly
a specifika (silná či slabá místa). V tomto smyslu se předložené výsledky mnohonásobné
regresní analýzy nejvíc přibližují představě „pravé“, regionům „na míru šité“ regionální analýzy
kvality života, zaměřené na regionálně specifické činitele a ukazující různé stránky heterogenity
regionů.
Proměnná B40 - Studující na středních školách, nejčastěji vyvolávající statisticky významnou
„kontextově citlivou“ odpověď v krajích, upozorňuje na důležitost vztahu (regionální) kvality
života k (celostátní) proměnlivosti zastoupení této věkově-vzdělanostní kohorty v populaci.
V míře jen o málo menší to může platit i pro dvě „zdravotnické“ proměnné B37 - Počet
stomatologických ordinací na 10000 obyvatel a B35 - Počet lůžek nemocnic a OLÚ, v míře
přiměřeně menší pro ostatní, regionálně specifičtější proměnné. Stejně jako při analýze
položek, můžeme také interpretaci výsledků regresní analýzy uzavřít doporučením, že žádná
z vybraných 36 víceméně unikátních proměnných by v (případných dalších) celostátních
analýzách kvality života nemusela chybět.
Pokud jde o navržené modely jako celky, pokud by i z nějakých vnějších důvodů nebyly
použity na predikci, mohou přinejmenším přispět k větší spolehlivosti výběru proměnných do
jiných procedur vícerozměrné analýzy (např. do přímých ordinací), nebo na validizaci
apriorních indexů (dílčích i souhrnného).
Pro regresní analýzu a její příbuzné techniky je příznačné, že do modelů si vybírá (na rozdíl od
analýzy položek) v naprosté většině unikátní proměnné (málo korelované s ostatními
v souboru). Kromě jejich větší vysvětlující síly (většího přínosu jedinečné informace) je třeba
vidět za tím fakt, že do modelů vnášejí méně multikolinearity, tedy nežádoucích závislostí mezi
nezávisle proměnnými.
3. NÁRODNÍ ÚROVEŇ
3.1. Motivace, cíl, předmět
Tvorba apriorního Indexu kvality a udržitelnosti života pro Českou republiku (Index KUŽ) byla
součástí práce na publikaci „Průvodce krajinou priorit pro Českou republiku“ (POTŮČEK et al.
2002). Hlavním cílem bylo poskytnout databázi pro hodnocení sociálních a ekonomických
souvislostí vývoje české společnosti v uplynulých letech (1990 - 2000) a nastínit
pravděpodobné trendy pro nejbližší období (do roku 2006) na základě dostupných statistických
dat a jejich statistické analýzy.
Naším záměrem proto nebylo podat matematicky přesnou analýzu stavu a vývoje ČR nebo
prognózovat krátkodobý vývoj jednotlivých rozvojových indikátorů, ale pomocí Indexu KUŽ
poukázat na silné a slabé stránky současného vývoje ČR a jeho trendů.
Cíle aposteriorního přístupu - tedy hledání variantních způsobů popisu a predikce kvality
života, vzorců a vysvětlujících faktorů a/nebo procesů v pozadí - se na národní úrovni nemění,
stejně jako metodické prostředky (dvou- a vícerozměrná statistická analýza). Zásadně se však
mění předmět zájmu: z prostorové (meziregionální) variability 111 ukazatelů kvality života
31
ve 14 krajích na časovou (meziroční) variabilitu 96 ukazatelů pro celou ČR v průběhu let
1990 - 2001.
V rámci prací na vyhodnocení Indexu KUŽ jsme vymezili čtyři hlavní oblasti kvality života společensko-politickou, sociální, ekonomickou a environmentální. Tyto oblasti byly dále
členěny na problémové okruhy (viz následující kapitola). Aposteriorní přístup se na tyto oblasti
neváže.
Výběr oblastí a konkrétních ukazatelů kvality života, vstupujících do tvorby indexu, byl
určován několika faktory. Nejdůležitějším omezením je (ne)dostupnost statistických dat, které
by vystihovaly jednotlivé problémové okruhy a byly by dlouhodobě sledovány. Celkově jsme
do hodnocení zahrnuli 101 indikátor z různých oblastí lidského rozvoje. Seznam použitých
ukazatelů a jejich hodnot je uveden v přílohách 4 a 5.
Index kvality a udržitelnosti života
(Index KUŽ)
Shromážděná data jsme následně transformovali do podoby databáze rozdělené podle dvanácti
hlavních problémových okruhů rozvoje, tvořících čtyři hlavní oblasti kvality života (viz
následující schéma):
1 - Společensko-politická
oblast
2 - Sociální oblast
3 - Ekonomická oblast
A - Mezinárodní postavení ČR
B - Vnitřní bezpečnostní a politicko-společenská situace
C - Demografický vývoj
D - Životní úroveň obyvatel
E - Zdravotní stav obyvatel a zdravotní péče
F - Vzdělání, věda a výzkum
G - Přístup k informacím, informatizace
H - Výkonnost ekonomiky a ekonomický rozvoj
I - Zadluženost a saldo ekonomiky
J - Vybrané ekonomické indikátory
4 - Environmentální oblast
K - Spotřeba přírodních zdrojů, eko-efektivita
L - Kvalita životního prostředí
Všechna data jsme podrobili testování z hlediska splnění předpokladů pro statistické
zpracování, které spočívalo zejména v testování normality rozdělení četností (použili jsme
statistický programový balík NCSS 2001 - HINTZE 1997 - 2002). V případě „nenormálního“
rozdělení dat jsme přistoupili k „ořezání“ (trimming) 10 % odlehlých hodnot z obou extrémů
rozdělení.
Ve výchozím souboru pro přístup a posteriori se nachází 96 proměnných v časové řadě 12 let,
z toho 58 „tvrdých“ dat ze statistických cenzů a 38 „měkkých“ dat z průzkumů veřejného
mínění (označení ukazatelů a jejich hodnoty jsou stejné jako v případě přístupu a priori – viz
přílohy 4 a 5). Všechna „tvrdá“ data patří do poměrové škály přesnosti. Z nich 26 proměnných
(44.83 %) má tvar poměrných ukazatelů (4 jsou promile, 16 procenta a 6 podíly na měrnou
jednotku), 5 proměnných (8.62 %) zastupuje ukazatele souhrnné (indexy) a zůstávajících 27
(46.55 %) prosté. „Měkká“ data původně odpovídala ordinální (priority) až nominální (ano/ne,
dobré/špatné) škále přesnosti. Z ordinální (12 proměnných, 31.58 %) jsme je převedli na
procenta a z nominální (26 proměnných, 68.42 %) na podíly první ke druhé možnosti odpovědi.
32
Nakonec dostala tvar matice s proměnnými v sloupcích a pozorováními (roky) v řádcích (Rmód) v prostředí tabulkového procesoru Microsoft Excel 2000.
Vzhledem k tomu, že jsme chtěli vyjádřit Index KUŽ pro období do roku 2006, bylo třeba
přistoupit k hodnocení pravděpodobných trendů vývoje jednotlivých ukazatelů. Stávající
a předpokládané trendy byly analyzovány s pomocí časových řad (HINTZE 1997 - 2002). Data
byla také testována z hlediska vhodnosti použití jednotlivých technik. Jako nejvhodnější se
ukázalo exponenciální vyhlazování dat (exponential smoothing), a to hlavně z důvodů krátké
časové řady, absence sezónnosti a cykličnosti dat. Konkrétní algoritmus byl pak vybrán
empiricky na základě předběžného vyhodnocení jednotlivých indikátorů. Pro každý indikátor
jsme na základě vývoje v období 1990 - 2000 odhadli trend do roku 2006. Chybějící data
v období 1990 - 2000 byla doplněna lineární extrapolací.
Protože jednotlivé ukazatele byly vyjádřeny v různých měrných jednotkách, po základní
statistické analýze jsme přistoupili k jejich úpravě (transformaci) na společnou stupnici.
Transformace indikátorů spočívala v převodu na jednotnou škálu <0,1> podle vzorce
navrženého GOWEREM (1971 sec. LEGENDRE & LEGENDRE 1983) a upraveného do tvaru:
Ixi = (Xi - Xmin / Xmax - Xmin), pokud se s rostoucí hodnotou indikátoru Xi kvalita života zvyšuje
Ixi = (Xmax - Xi / Xmax - Xmin), pokud se s rostoucí hodnotou Xi kvalita života snižuje,
přičemž 0 = nejméně příznivá hodnota indikátoru v hodnoceném období 1990 - 2006 a 1 =
nejpříznivější hodnota Ixi vzhledem ke kvalitě a udržitelnosti života.
Matice připravených dat pro přístup a posteriori vyhovuje předpokladu normality rozdělení
početností v 72.41 % případů „tvrdých“ a 94.74 % „měkkých“ proměnných a předpokladu
rovnosti rozptylů v úplné většině případů. Nelineárnosti ve vztazích mezi proměnnými se
vyskytují jen v malé míře, odlehlé hodnoty vůbec ne (ani vícerozměrné), chybějící hodnoty
však ano: ve skupině „tvrdých“ dat při 2 proměnných (3.45 %), nejvíce (7 z 12) při S2,
ve skupině „měkkých“ dat až při 33 proměnných (86.84 %), nejvíce (5 z 12) při P15, P22, P33
a P38. Z těch samých důvodů jako na regionální úrovni jsme upřednostnili analýzu
netransformovaných dat neparametrickými prostředky, jen s konverzí do stejné škály velikosti
a variability podle GOWERA (l. c.).
Výpočet indexu metodami popisné statistiky (přístup a priori)
Index KUŽ jsme koncipovali jako hierarchický index, sestávající z dvanácti dílčích indexů
(subindexů) pro vybrané problémové okruhy, čtyř indexů pro hlavní rozvojové oblasti
a jednoho integrovaného (agregovaného) indexu. Problémové oblasti jsme volili tak, aby
postihly pokud možno všechny podstatné faktory rozvoje české společnosti v posledních
jedenácti letech a reflektovaly prioritní problémy dalšího vývoje.
Způsob sestavení indexu a subindexů je významným metodickým problémem. Zvažovali jsme
výhody a nevýhody „vážení“ (určování relativní významnosti) jednotlivých indikátorů,
problémových okruhů a rozvojových oblastí. V této etapě jsme pro to nenalezli dostatečně
pevný (objektivní) základ a nakonec se přiklonili k ponechání stejných vah - subindexy pro
problémové okruhy jsou tedy aritmetickým průměrem hodnot všech uvažovaných indikátorů,
33
indexy rozvojových oblastí jsou průměrem subindexů v dané oblasti a výsledný index KUŽ je
průměrem hodnot indexů za čtyři hlavní rozvojové oblasti.
Samotné indexy byly vypočteny na všech úrovních jako aritmetické průměry transformovaných
indikátorů vstupujících do výpočtu, a to pro každý rok zvlášť. Teoreticky nejvyšší možná
hodnota dílčích indexů i celkového indexu je 1.00 (v případě, že všechny indikátory v daném
roce mají hodnotu 1.00), naopak nejnižší možná hodnota indikátoru je 0.00. Vyšší hodnota
indexu znamená lepší kvalitu života, nižší hodnota je znakem horší kvality života v hodnocené
oblasti.
Indexy umožňují relativní srovnání kvality života (stupně rozvoje) v jednotlivých oblastech,
jejich vývoj v období 1990 - 2000 a extrapolaci trendů do roku 2006.
Společensko-politická oblast
Oblast byla hodnocena na základě dvou problémových okruhů a celkem 16 indikátorů. Do
problémového okruhu mezinárodního postavení ČR byly zahrnuty např. ukazatele indexu
politických práv a občanských svobod (sledovány jsou mezinárodní organizací Freedom
House), integrace do mezinárodních organizací a oficiální rozvojová pomoc, kterou ČR
poskytuje. V problémovém okruhu vnitřní bezpečnostní a politicko-společenská situace byl
hodnocen např. index vnímání korupce (sledován mezinárodní organizací Transparency
International), počet odsouzených, počet trestných činů, počet vražd, hospodářská kriminalita,
vnímání korupce a kriminality ze strany občanů.
V tabulce 9 a grafu 5 jsou uvedeny hodnoty indexu pro problémové okruhy A a B i hodnota
celkového indexu pro společensko-politickou oblast, vypočtená jako aritmetický průměr indexů
z problémových okruhů A a B.
Tabulka 9 - Index KUŽ - společensko-politická oblast
1990 1991 1992
A
0.000 0.083 0.083
B
0.823 0.733 0.500
Index 0.412 0.408 0.292
1993
0.350
0.507
0.429
1994
0.317
0.451
0.384
1995
0.606
0.683
0.644
1996
0.621
0.700
0.661
1997
0.585
0.542
0.564
1998
0.434
0.390
0.412
Graf 5 - Index KUŽ - společensko-politická oblast
34
1999
0.524
0.507
0.515
2000
0.577
0.498
0.537
2001
0.590
0.404
0.497
2002
0.594
0.362
0.478
2003
0.615
0.322
0.469
2004
0.802
0.282
0.542
2005
0.801
0.242
0.521
2006
0.799
0.203
0.501
Na základě hodnocených indikátorů byl dokumentován výrazně odlišný vývoj v mezinárodním
postavení ČR (které se posilovalo začleňováním do předních světových organizací - trend
vývoje indexu v této podoblasti je pozitivní) a v okruhu vnitřní bezpečnostní a politickospolečenské situace. V tomto okruhu je vývoj značně kolísavý - negativně působil nárůst
kriminality a korupce ve společnosti, stejně jako nárůst významnosti těchto problémů z pohledu
veřejného mínění obyvatel. Trend vývoje je negativní a jeho zvrácení bude vyžadovat přijetí
opatření na centrální úrovni.
Vzhledem k těmto skutečnostem je trend vývoje celkového indexu ve společensko-politické
oblasti do roku 2006 stagnující, s malým předpokladem jeho zlepšování.
Sociální oblast
Oblast byla hodnocena na základě pěti problémových okruhů a celkem 38 indikátorů.
V problémovém okruhu demografického vývoje byly hodnoceny např. ukazatele přirozeného
přírůstku obyvatel, úhrnné plodnosti a věkové struktury obyvatel. Do okruhu životní úrovně
obyvatel byly zahrnuty mimo jiné ukazatele míry nezaměstnanosti, reálné mzdy a kupní síly
obyvatel, soukromé spotřeby a vnímání důležitosti sociální problematiky ze strany občanů.
V okruhu zdravotního stavu obyvatel a zdravotní péče byly hodnoceny indikátory střední délky
života, kojenecké úmrtnosti, standardizované úmrtnosti mužů a žen, pracovní neschopnosti,
počtu lékařů a lůžek ve zdravotnických zařízeních a výdaje na zdravotnictví. Do okruhu
vzdělání, vědy a výzkumu byly zahrnuty např. ukazatele výdajů na vzdělání, výzkum a vývoj,
počtu studentů, profesorů a docentů na vysokých školách a počtu vědeckých pracovníků.
V okruhu sdílení informací a informatizace jsme hodnotili např. ukazatele počtu televizních
přijímačů, vydaných knih a časopisů, telefonních stanic a mobilních telefonů, osobních počítačů
a připojení na internet.
V tabulce 10 a grafu 6 jsou uvedeny hodnoty indexu pro problémové okruhy C - G a hodnota
celkového indexu pro sociální oblast, vypočtená jako aritmetický průměr indexů za jednotlivé
problémové okruhy.
V okruhu demografického vývoje je v hodnoceném období zřejmý negativní trend, který je
vyvolán absolutním úbytkem obyvatel ČR a stárnutím populace. Tento trend je velmi výrazný
a jeho zastavení bude vyžadovat přijetí opatření na centrální úrovni státu. Vývoj
v problémovém okruhu životní úrovně obyvatel je kolísavý, po poklesu životní úrovně v období
1991 - 1992 přichází postupný nárůst hodnoty indexu, v roce 1998 však jeho výrazný pokles
(zejména z důvodu zvýšení nezaměstnanosti, zhoršení sociální situace obyvatel a citlivějšího
vnímání této oblasti jako prioritního problému). Roky 1999 - 2000 přinesly zvýšení hodnoty
indexu sociálního statusu a předpoklady jeho mírného pozvolného nárůstu v letech 2001 - 2006.
Vývoj indexů v problémových okruzích zdravotního stavu, zdravotní péče a vzdělání, vědy
a výzkumu byl rovněž kolísavý (především z důvodů poklesu relativních výdajů ze státního
rozpočtu na tyto resorty), i když zdravotní stav obyvatel a jeho vzdělanostní úroveň se postupně
zlepšují. Rovněž trendy vývoje indexů do roku 2006 jsou pozitivní. V problémovém okruhu
„Přístup k informacím a informatizace“ je trend vývoje jednoznačně pozitivní prakticky
v celém sledovaném období (především od roku 1994) s předpokladem výrazného nárůstu
hodnoty indexu do roku 2006.
35
Tabulka 10 - Index KUŽ - sociální oblast
1990
C
0.967
D
0.559
E
0.304
F
0.082
G
0.062
Index 0.395
1991
0.898
0.333
0.267
0.312
0.032
0.368
1992
0.804
0.420
0.279
0.303
0.086
0.378
1993
0.765
0.498
0.471
0.309
0.086
0.426
1994
0.632
0.452
0.545
0.307
0.137
0.415
1995
0.481
0.494
0.488
0.270
0.250
0.396
1996
0.437
0.597
0.412
0.422
0.318
0.437
1997
0.403
0.567
0.359
0.368
0.382
0.416
1998
0.378
0.408
0.497
0.372
0.440
0.419
1999
0.320
0.513
0.573
0.581
0.485
0.494
2000
0.279
0.502
0.537
0.553
0.539
0.482
2001
0.233
0.515
0.577
0.596
0.604
0.505
2002
0.187
0.522
0.605
0.641
0.671
0.525
2003
0.133
0.531
0.632
0.685
0.742
0.545
2004
0.088
0.538
0.660
0.730
0.817
0.566
2005
0.044
0.547
0.688
0.774
0.898
0.590
2006
0.000
0.555
0.715
0.819
0.987
0.615
Graf 6 - Index KUŽ - sociální oblast
Vzhledem ke kolísavému vývoji většiny indikátorů životní úrovně obyvatel v ČR je dosavadní
vývoj celkového indexu za sociální oblast stagnující, s trendem velmi mírného nárůstu v období
2001 - 2006. Hlavním motorem růstu by měla být oblast informatizace společnosti, vzdělání,
vědy a výzkumu, naopak brzdou sociálního rozvoje je nepříznivý demografický vývoj obyvatel
ČR.
Ekonomická oblast
Oblast byla hodnocena na základě tří problémových okruhů a celkem 18 indikátorů.
V problémovém okruhu výkonnosti ekonomiky a ekonomického rozvoje byly hodnoceny např.
ukazatele hrubého domácího produktu na obyvatele, jeho meziroční nárůst a míra inflace.
V okruhu zadluženosti a salda ekonomiky hodnotíme m. j. ukazatele hrubé zahraniční
zadluženosti a dluhové služby, salda státního rozpočtu a obchodní bilance. Do okruhu
vybraných ekonomických indikátorů byly zařazeny např. ukazatele zahraničních investic,
obchodu, přidané hodnoty ve službách, výkonu dopravy a příjmů z cestovního ruchu.
V tabulce 11 a grafu 7 jsou uvedeny hodnoty indexu pro problémové okruhy H - J a hodnota
celkového indexu pro ekonomickou oblast, vypočítaná jako aritmetický průměr indexů za tyto
problémové okruhy.
36
Tabulka 11 - Index KUŽ - ekonomická oblast
H
I
J
Index
1990
0.290
1.001
0.369
0.553
1991
0.000
0.964
0.420
0.462
1992
0.333
0.922
0.353
0.536
1993
0.360
0.908
0.368
0.545
1994
0.508
0.876
0.349
0.578
1995
0.714
0.763
0.326
0.601
1996
0.812
0.625
0.467
0.634
1997
0.736
0.437
0.451
0.541
1998
0.691
0.417
0.440
0.516
1999
0.739
0.482
0.386
0.536
2000
0.829
0.372
0.454
0.552
2001
0.860
0.308
0.546
0.571
2002
0.880
0.243
0.606
0.576
2003
0.901
0.178
0.666
0.582
2004
0.921
0.122
0.726
0.590
2005
0.942
0.057
0.786
0.595
2006
0.963
0.001
0.847
0.604
Graf 7 - Index KUŽ - ekonomická oblast
Celkový vývoj indexů v jednotlivých problémových okruzích ekonomiky je nejednoznačný.
Výkonnost ekonomiky po počátečním propadu v roce 1991 zaznamenala nárůst až do období
1996, v letech 1997 - 1998 naopak pokles. Pozitivní trend pro období 2001 - 2006 je důsledkem
zlepšení hodnoty indexu v letech 1999 - 2000. Toto konstatování platí i pro problémový okruh
vybraných ekonomických indikátorů, které dokumentují oživení ekonomiky i přes kolísavý
trend vývoje v období 1990 - 1998. Naopak výrazně nepříznivý vývoj indexu je v problémovém
okruhu zadluženosti ekonomiky, její obchodní bilance a salda státního rozpočtu, ve kterém
převažoval negativní vývoj v celém období 1990 - 2000 a rovněž trend do roku 2006 je
negativní.
Uvedené skutečnosti vedly ke stagnujícímu trendu vývoje celkového indexu v ekonomické
oblasti - jeho hodnota je pro rok 2000 prakticky na stejné úrovni jako v roce 1990. Trend
vývoje do roku 2006 je velmi mírně pozitivní a vychází z předpokladu mírného růstu
ekonomiky a jejích klíčových indikátorů. Brzdou zlepšování hodnoty indexu bude
pravděpodobně rostoucí hodnota zadluženosti ekonomiky a negativní saldo obchodní bilance a
státního rozpočtu.
Environmentální oblast
Oblast byla hodnocena ve dvou problémových okruzích s celkem 29 indikátory.
V problémovém okruhu spotřeby přírodních zdrojů a eko-efektivity byly hodnoceny např.
37
ukazatele spotřeby energie, těžby dřeva a energetické náročnosti ekonomické produkce.
V okruhu kvality životního prostředí byly hodnoceny ukazatele znečištění ovzduší a vody,
ukazatele kvality lesů, biodiverzity a ochrany přírody, produkce odpadů a financování resortu
životního prostředí.
V tabulce 12 a grafu 8 jsou uvedeny hodnoty indexu pro problémové okruhy K a L a hodnota
celkového indexu pro environmentální oblast, vypočtená jako aritmetický průměr indexů za
tyto problémové okruhy. V samostatném grafu je znázorněn vývoj indexů pro vybrané
environmentální oblasti (kvalita ovzduší a vody, lesy, biodiverzita a ochrana přírody, odpady,
financování ŽP).
Tabulka 12 - Index KUŽ - environmentální oblast
1990 1991 1992
K
0.208 0.477 0.453
L
0.092 0.166 0.263
Index 0.150 0.322 0.358
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
0.510 0.565 0.483 0.440 0.416 0.467 0.536 0.518 0.532 0.547 0.561 0.574 0.587 0.600
0.274 0.349 0.414 0.479 0.446 0.555 0.700 0.678 0.721 0.760 0.797 0.831 0.864 0.895
0.392 0.457 0.448 0.460 0.431 0.511 0.618 0.598 0.627 0.653 0.679 0.703 0.726 0.747
Graf 8 - Index KUŽ - environmentální oblast
Na základě vybraných indikátorů je možno konstatovat pozitivní trend vývoje v obou
problémových okruzích životního prostředí. Zlepšovaly se především indikátory znečištění
prostředí a zatížení jeho složek (zejména ovzduší a vody), snižovala se produkce odpadů. Méně
pozitivní vývoj zaznamenáváme v oblasti financování péče o životní prostředí, kde přes
poměrně stálý podíl investic na domácím produktu se celkový objem investic postupně snižuje.
Navzdory poklesu hodnoty indexu v roce 2000 je v problémovém okruhu kvality životního
prostředí do roku 2006 předpoklad pozitivního vývoje indexu. V problémovém okruhu spotřeby
přírodních zdrojů a eko-efektivity byl po počátečním nárůstu hodnoty indexu v období 1990 1994 (podmíněným především snížením výroby) trend až do roku 2000 stagnující. Do roku
2006 je předpoklad mírného nárůstu hodnoty indexu.
38
Celkový vývoj indexu v environmentální oblasti v období 1990 - 2000 je pozitivní, přes určitou
stagnaci v období 1995 - 1997 a v roce 2000. Stejně tak je pozitivní předpokládaný trend
vývoje indexu do roku 2006.
Celkový index kvality a udržitelnosti života a jeho hodnocení
V tabulce 13 a grafu 9 jsou uvedeny hodnoty indexů pro čtyři hlavní oblasti kvality života
a celkový index kvality života, vypočítaný jako aritmetický průměr indexů za tyto oblasti.
Tabulka 13 - Celkový index KUŽ
1
2
3
4
Index
1990
0.412
0.395
0.553
0.150
0.377
1991
0.408
0.368
0.462
0.322
0.390
1992
0.292
0.378
0.536
0.358
0.391
1993
0.429
0.426
0.545
0.392
0.448
1994
0.384
0.415
0.578
0.457
0.458
1995
0.644
0.396
0.601
0.448
0.522
1996
0.661
0.437
0.634
0.460
0.548
1997
0.564
0.416
0.541
0.431
0.488
1998
0.412
0.419
0.516
0.511
0.464
1999
0.515
0.494
0.536
0.618
0.541
2000
0.537
0.482
0.552
0.598
0.542
2001
0.497
0.505
0.571
0.627
0.550
2002
0.478
0.525
0.576
0.653
0.558
2003
0.469
0.545
0.582
0.679
0.568
2004
0.542
0.566
0.590
0.703
0.600
2005
0.521
0.590
0.595
0.726
0.608
2006
0.501
0.615
0.604
0.747
0.617
1 - index za společensko-politickou oblast, 2 - index za sociální oblast, 3 - index za ekonomickou oblast, 4 - index za
environmentální oblast, Index - celkový index KUŽ
Graf 9 - Celkový index KUŽ
Období 1990 - 1992 (před vznikem samostatné České republiky) je charakteristické stagnujícím
vývojem indexu KUŽ těsně pod hodnotou 0.4. Stagnace byla způsobena zejména nepříznivým
ekonomickým vývojem doprovázeným poklesem kvality indexu ve společensko-politické
oblasti a stagnací v sociální oblasti. Naopak silně pozitivní vývoj zaznamenala environmentální
oblast.
Období prvních čtyř let samostatné České republiky (1993 - 1996) je charakterizováno růstem
hodnoty indexu KUŽ, jehož motorem byl především pozitivní vývoj v ekonomické
39
a společensko-politické oblasti. Naopak environmentální oblast po počátečném růstu
zaznamenává stagnaci a dlouhodobě stagnující je vývoj v sociální oblasti.
V období 1997 - 1998 zaznamenává index KUŽ poměrně výrazný pokles, který je způsobený
negativním vývojem indexů téměř ve všech hlavních oblastech, s výjimkou environmentální
oblasti.
Rok 1999 se jeví jako rozhodující z hlediska nastartování pozitivních trendů v hodnotách
indexu KUŽ - prakticky všechny oblasti rozvoje společnosti zaznamenaly zlepšení hodnoty
indexu, což se promítlo do výrazného posílení celkového indexu. V roce 2000 se hodnota
indexu sice zlepšila jenom nepatrně, zastavení negativního trendu je však rozhodující z hlediska
krátkodobého výhledu do roku 2006.
Odhad dalšího vývoje indexu KUŽ pro období 2001 - 2006 byl pozitivní - hodnota indexu by se
měla trvale mírně zlepšovat, přičemž hlavním faktorem zlepšení by měla být oblast životního
prostředí a po delší době i sociální oblast - naopak stagnující a kolísavý vývoj je možné
očekávat ve společensko-politické oblasti, a to především z důvodu negativních trendů v oblasti
vnitřní bezpečnosti a politicko-společenské oblasti.
Struktura vztahů mezi proměnnými a roky (přístup a posteriori)
Na národní úrovni pro analýzy a interpretace využíváme tři základní metody - korelační
analýzu, analýzu položek a mnohonásobnou regresní analýzu.
Jak už jsme předeslali v části 1.4., korelační analýzu provádíme dvěma způsoby - v R-modu
(mezi 98 proměnnými) a v Q-modu (mezi 12 roky z období 1990 - 2001).
Matici 98 × 98 hodnot Spearmanových pořadových korelačních koeficientů za období 7 12 roků (velikosti vzorků n = 7 - 12, počty 0 - 5 chybějících hodnot, odstraňování po řádcích),
měřících těsnost párových vztahů 98 proměnných v uspořádání podle vzrůstající průměrné
hodnoty jejich korelačních koeficientů, jsme uložili do samostatného souboru, který je
archivován u autorů publikace. Rozšiřující údaje o statistické významnosti jednotlivých
korelací (p-hodnoty) a o velikostech jejich vzorků rovněž uchováváme v nepublikovaném
textovém souboru.
Ze všech 98 aritmetických průměrů Spearmanových pořadových korelačních koeficientů leží
nejníže hodnota patřící proměnné S53 - Spotřeba průmyslových hnojiv na 1 ha zemědělské
půdy celkem (0.1683), která ji pasuje na nejtypičtější unikátní proměnnou v souboru.
Porovnatelně volné vztahy vycházejí pro „měkké“ proměnné P1 - Uprchlíci u nás jako prioritní
problém veřejného mínění (0.1951) a P5 - Organizovaný zločin jako prioritní problém
veřejného mínění (0.1953), o něco méně volné vztahy pro P8 - Sociální jistoty, bydlení
a nájemné jako prioritní problém veřejného mínění (0.2551), S15 - Index reálné mzdy (0.2603),
P21 - Důvěra obyvatel v policii, armádu a soudy 1990 - 2000 (0.2733), S56 - Investice do
životního prostředí vzhledem k HDP (0.2923), P37 - Důvěra obyvatel sdělovacím prostředkům
1995 - 2000 (0.3001), S20 - Výdaje na zdravotnictví (0.3076), P15 - Podpora občanů vstupu do
EU 1996 - 2000 (0.3208), P19 - Hodnocení vlastní životní úrovně 1993 - 2001 (0.3242), S23 Výdaje na vzdělání (0.3319), P10 - Ekonomická reforma jako prioritní problém veřejného
mínění (0.3495), P33 - Spokojenost občanů s lékařskou péčí (0.3515), S24 - Výdaje na výzkum
a vývoj (0.3726) a P17 - Názory na působení církví ve společnosti 1993 - 2001 (0.378).
Extrémem z opačné strany je skupina proměnných S55 - Výměra maloplošných chráněných
území, S51 - Podíl obyvatel napojených na veřejnou kanalizaci, S50 - BSK5 (hodnota
40
biologické spotřeby kyslíku za 5 dní) odpadních vod vypouštěných do vodních toků, S49 Automobily vybavené katalyzátory, S47 - Tuhé emise ze zdrojů REZZO 1, S31 - Počet
osobních počítačů na 1000 obyvatel, S30 - Počet mobilních telefonů na 100 obyvatel, S29 Počet telefonních stanic na 100 obyvatel, S17 - Kojenecká úmrtnost, S16 - Střední délka života
při narození a S10 - Index vitality obyvatel, se společnou, velmi vysokou hodnotou průměrné
korelace (0.7082) a chováním jasných komplexních proměnných. V těsném sledu se připojují
proměnné S32 - Počet uživatelů internetu na 10000 obyvatel (0.7073), S18 - Podíl obyvatel
zásobovaných vodou z veřejných vodovodů (0.7059), S22 - Počet vědeckých pracovníků
(0.7053), S21 - Studenti na vysokých školách celkem (0.7039), S41 - Export produktů
pokročilých technologií (0.7031), S6 - Hospodářská kriminalita (0.7006) a nakonec S9 Úhrnná plodnost s průměrnou korelací 0.6985, statisticky ještě stále více než velmi významnou.
Celý soubor charakterizuje velmi vysoká intenzita a koncentrovanost vztahů i převaha
komplexních proměnných nad unikátními, o čemž výmluvně vypovídá vysoká a statisticky
velmi významná hodnota aritmetického průměru ze všech průměrných korelačních koeficientů
0.5506 ± 0.148 (směrodatná odchylka) svorně s vysokou Gleasonovou-Staelinovou mírou
redundance φ = 0.627. Taková silná „překorelovanost“ a hlavně velká míra redundance
výchozího souboru volá po (vícerozměrném) snížení, buď selekcí na komplexnější proměnné
(analýzou položek), nebo na unikátně proměnné regresní analýzou (porovnejte s regionální
úrovní).
Zajímavou zákonitost odkrývají proporce „měkkých“ (P) vs „tvrdých“ (S) proměnných při
pólech unikátních vs komplexních proměnných ve výchozím souboru. Zatímco mezi 25
„nejunikátnějšími“ proměnnými (s nejnižšími hodnotami průměru korelačních koeficientů)
statisticky významný rozdíl v zastoupení „měkkých“ (15) vs „tvrdých“ (10) proměnných
nenacházíme (dvojstranný test chí-kvadrát; χ21,0.05 = 1, p = 0.317), na straně 25
„nejkomplexnejších“ proměnných se hypotéza o rovnosti proporcí „měkkých“ (2) vs „tvrdých“
(23) proměnných přesvědčivě zamítá (χ21,0.05 = 17.64, p = 0.000) přesilou „tvrdých“
proměnných. Zjištění této asymetrie (unikátní proměnné se rekrutují víceméně proporciálně
z „měkkých“ i „tvrdých“ dat, ale komplexní proměnné téměř výlučně z „tvrdých“ dat) přidává
nový uhel pohledu na vztah „měkkých“ a „tvrdých“ dat (cf. TOPERCER, MEDERLY & NOVÁČEK
in prep.) i na jejich další použití v analýzách.
Horní trojúhelníková matice hodnot Spearmanových pořadových korelačních koeficientů jako
měr těsnosti párových vztahů mezi 12 roky v sledovaném období 1990 - 2001 je uvedena
v tabulce 14.
Tab. 14 - Míra asociovanosti mezi roky 1990 - 2001 v ČR, vypočtená ze všech proměnných kvality života
a vyjádřená maticí Spearmanových pořadových korelačních koeficientů (n = 98)
Rok
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
1990 1991 1992 1993
- 0.5118 0.527 0.311
0.6891 0.5486
0.7714
-
1994
0.1372
0.2885
0.4881
0.8344
-
1995
-0.178
-0.215
0.1951
0.3709
0.652
-
1996
-0.356
-0.423
-0.171
0.0031
0.299
0.7506
-
1997
-0.456
-0.451
-0.187
-0.096
0.1786
0.4888
0.5857
-
1998
-0.594
-0.402
-0.22
-0.063
0.1221
0.2438
0.3253
0.7807
-
1999
-0.603
-0.565
-0.436
-0.359
-0.208
0.0818
0.2154
0.459
0.6635
-
2000
-0.528
-0.55
-0.466
-0.398
-0.322
-0.014
0.128
0.3511
0.4875
0.7833
-
2001
-0.691
-0.661
-0.544
-0.568
-0.433
-0.021
0.146
0.3272
0.314
0.5605
0.6904
-
Průměr
-0.174
-0.112
0.0588
0.1233
0.1852
0.2141
0.1367
0.1801
0.1507
0.0539
0.0148
-0.08
|Průměr|
0.4448
0.4822
0.4268
0.393
0.3603
0.2919
0.3093
0.3965
0.3832
0.4486
0.4289
0.4506
1990 až 2001 - roky vyhodnocovaného období; Průměr resp. |Průměr| - aritmetické průměry prostých resp. absolutních
hodnot korelačních koeficientů pro jednotlivé roky (n = 12); rovným typem jsou tištěny statisticky významné hodnoty
korelačních koeficientů s p 0.01, kurzívou s 0.01 < p < 0.05 a podtržení označuje statisticky nevýznamné hodnoty s p 0.05
41
Velmi těsné meziroční vztahy a velkou míru společné variability ve výchozím souboru dobře
odráží aritmetický průměr z průměrů korelačních koeficientů za sledované období svojí
vysokou a statisticky velmi významnou hodnotou 0.4013 (p << 0.001, počítaná z absolutních
hodnot). Nejtěsněji s ostatními koreluje rok 1991 (průměr absolutních hodnot 0.4822), trochu
méně těsně 2001 (0.4506), 1999 (0.4486) a 1990 (0.4448), tedy všechno roky buď ze začátku,
nebo z konce sledovaného období. Nejméně těsné meziroční vztahy se váží na rok 1995
(0.2919), potom 1996 (0.3093) a 1994 (0.3603), tedy pro změnu roky ze středu období. Stav,
kdy nejsilnější korelace pozorujeme mezi časově nejbližšími a (s opačným znaménkem)
nejvzdálenějšími intervaly (roky), svědčí o přítomnosti trendu v datech.
Podle změn ve statistické významnosti, velikosti a smyslu (+ anebo -) korelačních koeficientů
se dá kromě trendu dobře datovat a kalibrovat i závažná změna ve vývoji kvality života v ČR,
která podle průměrných hodnot koeficientů proběhla v letech 1993 - 1998 a její jádro v období
1994 - 1996.
Matice Spearmanových korelačních koeficientů a jejich průměry odvádějí celkem dobrou práci
při odhadování trendu vývoje kvality života, zřejmě lepší než index KUŽ. Se stejnými
možnostmi extrapolace (analýzou časových řad) a odlišným vyčíslováním změn (těsností
párových vztahů) jsou korelace „výrazově“ úspornější (zde do jednoho čísla vtěsnají vztahy
2 × 98 hodnot), dovolují podrobněji zmapovat „regiony“ či „body obratu“ a brát přitom v úvahu
i statistickou významnost vztahů. Ani ony však neumějí říci (tentokrát ve vzácné shodě
s indexem KUŽ), jestli, nakolik a jak dlouho výše uvedená změna může takovým trendem
pokračovat dále, a už vůbec ne to, jestli a nakolik je dlouhodobě udržitelná. Na takové soudy
nejen že chybějí argumenty, ale i nástroje, jak je vyrobit. Přinejmenším zde použitý metodický
design souhrnných indexů ani korelační, regresní, položkové a jiné analýzy takové nástroje
neposkytuje. Schůdnější by mohla být cesta konkrétnějších, lokalizovanějších, dobře
dokumentovaných případových studií, ze kterých by se snad analýzou vícerozměrných
časových řad, nebo pomocí „path analysis“ dařilo identifikovat řídící proměnné, odhadovat
jejich prahové hodnoty s intervaly spolehlivosti a k nim vztahovat trendy ostatních ukazatelů.
Analýza položek
Stejně jako na regionální úrovni, i zde nám cíle práce v družné jednotě se softwarovými limity
určují dvouúrovňový postup, ve kterém po samostatné analýze podsouborů „tvrdých“
a „měkkých“ proměnných následuje ješte společná analýza obou výsledných
nejkonzistentnějších výběrů.
Podsoubor „tvrdých“ proměnných se odráží z patřičně „tvrdé“ výchozí hodnoty Cronbachovy alfy pro
všech 58 proměnných (S1 - S58) - až 0.8125 (dobře koresponduje s vysokou komplexností „tvrdých“
proměnných podle korelační analýzy). K jejímu dalšímu zpevňování nejvíce přispívá vyloučení
proměnných S56 - Investice do životního prostředí vzhledem k HDP (na 0.8595), S38 - Saldo státního
rozpočtu (na 0.8793), S27 - Vydané časopisy (na 0.8957), S5 - Počet trestných činů (na 0.9097), S1 Integrace do mezinárodních institucí (na 0.9182), S23 - Výdaje na vzdělání (na 0.924), S17 - Kojenecká
úmrtnost (na 0.9293), S10 - Index vitality obyvatelstva (na 0.934), S47 - Tuhé emise ze zdrojů REZZO
1 (na 0.9379), S39 - Obchodní bilance celkem (na 0.9408), S50 - BSK5 odpadních vod vypouštěných do
vodních toků (na 0.9433), S7 - Spáchané vraždy (na 0.9458), S48 - Celkové emise skleníkových plynů
(na 0.9483), S11 - Počet sňatků na 1000 obyvatel (na 0.95), S36 - Míra inflace (na 0.9517), S44 - Hrubá
spotřeba primárních energetických zdrojů (na 0.9532), S12 - Počet rozvodů na 100 sňatků (na 0.9547),
S42 - Devizové příjmy z cestovního ruchu (na 0.9562), S54 - Celková plocha chráněných území (na
0.9574), S9 - Úhrnná plodnost (na 0.9586), S20 - Výdaje na zdravotnictví (na 0.9596), S19 - Počet
lůžek ve zdravotnických zařízeních na 1000 obyvatel (na 0.9603), S6 - Hospodářská kriminalita (na
0.961), S33 - HDP na 1 obyvatele (na 0.9616), S37 - Hrubá zahraniční zadluženost (na 0.9621), S3 Počet odsouzených celkem (na 0.9624), S15 - Index reálné mzdy (na 0.9627), S2 - Index vnímání
korupce (na 0.9686), S8 - Přirozený přírůstek na 1000 obyvatel (na 0.9765), S43 - Počet dokončených
bytů (na 0.9797), S24 - Výdaje na výzkum a vývoj (na 0.982), S57 - Výdaje na životní prostředí
42
z centrálních zdrojů (na 0.9866), S53 - Spotřeba průmyslových hnojiv na 1 ha zemědělské půdy celkem
(na 0.9904), S35 - Roční růst HDP (na 0.9918), S34 - HDP v základních cenách - stálé ceny 1995 (na
0.9926), S45 - Konečná spotřeba elektrické energie (na 0.9931), S58 - Index regionálních rozdílů (na
0.9935), S30 - Počet mobilních telefonů na 100 obyvatel (na 0.9937), S28 - Výpůjčky z veřejných
knihoven (na 0.9939), S14 - Soukromá spotřeba na 1 obyvatele (na 0.9943) a S22 - Počet vědeckých
pracovníků (na 0.9944), který uzavírá etapu maximalizace Cronbachovy alfy „tvrdých“ proměnných ve
stavu blízkém „superkonzistentnosti“ (chybí do ní jen 0.0056). Nachází se v něm 17 proměnných (S4,
S13, S16, S18, S21, S25, S26, S29, S31, S32, S40, S41, S46, S49, S51, S52 a S55), tedy výchozí
soubor se smrštil na 29.31 % původní velikosti.
V podsouboru 38 „měkkých“ proměnných (P1 - P38) i výchozí hodnota Cronbachovy alfy nabíhá
mnohem „měkčeji“ (z 0.2794). Největší nárůst zaznamenává po odebrání proměnné P38 - Úroveň
sociálních podmínek v zemi (na 0.457), potom P35 - Hodnocení úspěšnosti ekonomické transformace
1993 - 2001 (na 0.5839), P11 - Životní prostředí jako prioritní problém veřejného mínění (na 0.6713),
P19 - Hodnocení vlastní životní úrovně 1993 - 2001 (na 0.7339), P4 - Obecná kriminalita jako prioritní
problém veřejného mínění (na 0.7725), P6 - Životní úroveň jako prioritní problém veřejného mínění (na
0.8016), P8 - Sociální jistoty, bydlení a nájemné jako prioritní problém veřejného mínění (na 0.8275),
P24 - Důvěra obyvatel odborům 1991 - 2000 (na 0.8494), P20 - Názory na mínění zahraničí o ČR
1994 - 1995, 1999 - 2000 (na 0.8646), P22 - Důvěra obyvatel bankám a peněžním ústavům 1996 - 2000
(na 0.8781), P9 - Školství jako prioritní problém veřejného mínění (na 0.8907), P23 - Postoj veřejnosti
k trestu smrti 1992 - 2001 (na 0.901), P33 - Spokojenost občanů s lékařskou péčí (na 0.9091), P12 Národnostní a rasová nesnášenlivost 1991 - 2000 (na 0.917), P27 - Hodnocení situace firem a podniků
1992 - 2001 (na 0.9232), P5 - Organizovaný zločin jako prioritní problém veřejného mínění (na
0.9284), P1 - Uprchlíci u nás jako prioritní problém veřejného mínění (na 0.9328), P37 - Důvěra
obyvatel sdělovacím prostředkům 1995 - 2000 (na 0.9361), P15 - Podpora občanů vstupu do EU 1996 2000 (na 0.942), P17 - Názory na působení církví ve společnosti 1993 - 2001 (na 0.9469), P28 - Důvěra
obyvatel církvím 1991 - 2000 (na 0.9508), P18 - Zkušenost s nabízením a užíváním drog 1993 - 2001
(na 0.9531), P14 - Hodnocení pracovních jistot zaměstnanců 1992 - 2001 (na 0.9548), P13 - Tolerance
vůči různým skupinám občanů 1995 - 2000 (na 0.9554), P3 - Korupce a hospodářská kriminalita jako
prioritní problém veřejného mínění (na 0.9565), P10 - Ekonomická reforma jako prioritní problém
veřejného mínění (na 0.9582), P30 - Prospěšnost působení vybraných hnutí (na 0.9613), P2 - Funkční
legislativa jako prioritní problém veřejného mínění (na 0.9668), P36 - Hodnocení objektivnosti
televizního zpravodajství 1995 - 2001 (na 0.9698), P21 - Důvěra obyvatel v policii, armádu a soudy
1990 - 2000 (na 0.9736), P7 - Nezaměstnanost jako prioritní problém veřejného mínění (na 0.9751)
a nejvýše sa dostáva po vynechání P26 - Hodnocení činnosti institucí v oblasti ekologie 1995 - 2000 (na
0.9807). Takto ve výsledném souboru zůstalo šest „měkkých“ proměnných (P16, P25, P29, P31, P32
a P34), reprezentujících 15.79 % výchozího souboru.
Na druhé úrovni analýzy se sešly vnitřně nejkonzistentnější výběry 17 „tvrdých“ a 6 „měkkých“
proměnných, aby spolu začaly tam, kde končily „tvrdé“ proměnné - na (do této doby) vrcholu
Cronbachovy alfy s hodnotou 0.9944. Ale ještě o něco výše je možné vystoupit zbavením se proměnné
P16 - Důvěra občanů obecním zastupitelstvům 1991 - 2000 (na 0.9945), dále P32 - Hodnocení úrovně
základního vzdělání občany 1991 - 2001 (na 0.9947), P31 - Hodnocení vztahů mezi lidmi 1990 - 2000
(na 0.995), S40 - Obchod (na 0.9951), S26 - Vydané knižní tituly (na 0.9952), S18 - Podíl obyvatel
zásobovaných vodou z veřejných vodovodů (na 0.9953) a konečně S52 - Podíl čištěných odpadních vod
(na 0.9955). Za ní už vypuštění žádné další proměnné hodnotu Cronbachovy alfy zvýšit nedokázalo. Po
druhé úrovni „filtrování“ tak máme před sebou výsledný produkt analýzy položek. Je to soubor
16 proměnných (16.67 % z původních 96), jehož „tvrdou“ složku jsme zredukovali z 58 na 13
proměnných (S4, S13, S16, S21, S25, S29, S31, S32, S41, S46, S49, S51 a S55, tedy na 22.41 %)
a „měkkou“ z 38 na pouhé 3 proměnné (P25, P29 a P34, tedy na 7.89 %).
Poměr „tvrdých“ a „měkkých“ proměnných v souboru se z původních 60.42 % ku
39.58 % změnil na 81.25 % ku 18.75 % na úkor „měkkých“ proměnných. Ubylo z nich tedy
opravdu výrazně disproporciálně, na hladině α = 0.05 však ještě ne statisticky významně
(dvojstranný test chí-kvadrát; χ21,0.05 = 2.9, p = 0.088). Zato na hladině α = 0.1 by už úbytek
statisticky významný byl. Výsledné vnitřně nejkonzistentnější výběry 17 „tvrdých“ plus
43
6 „měkkých“ (z první úrovně analýzy) resp. 13 „tvrdých“ plus 3 „měkkých“ proměnných
(z druhé úrovně analýzy) si dovolujeme doporučit bližší pozornosti všem analytikům kvality
života v ČR.
Regresní analýza
Statisticky významné a platné lineárně regresní modely, vysvětlující co nejvíce proměnlivosti
kvality života v ČR v každém z 12 roků období 1990 - 2001, s nezávisle proměnnými
vybranými ze souboru 47 „tvrdých“ a 38 „měkkých“ proměnných procedurou postupného
výběru s přidáváním (forward selection), navrhujeme v tabulce 15. Z nezávisle proměnných
jsme dopředu vyloučili těch 11, které nejtěsněji korelují se zbytkem souboru (S55, S51, S50,
S49, S47, S31, S30, S29, S17, S16 a S10 – viz. výsledky korelační analýzy). Jako závisle
proměnné vkládáme jednotlivé roky (sloupce hodnot všech 96 proměnných v příslušném roce)
a v posledním sloupci také jejich aritmetický průměr za sledované období. V zásadě se tedy
ptáme, zda existují závislosti stavu kvality života v každém jednotlivém roce (a v jejich
průměru) na proměnlivosti hodnot některé z 85 proměnných v celém období 1990 - 2001.
Tab. 15 - Výsledky regresní analýzy kvality života v ČR v letech 1990 – 2001, vyjádřené hodnotami odhadů
parciálních regresních koeficientů analyzovaných proměnných a dalšími statistikami mnohonásobné lineární
regrese
Proměnná
PK
rk
CN
b0
S1
S3
S8
S23
S26
S38
P1
P2
P3
P13
P14
P28
P30
P35
P36
P37
R2
AdjR2
PressR2
ν
F
p
RMSE
COV
1990
.0454
ns
31.4
1.476
O
-1.476
O
O
O
-1.461
O
O
O
O
O
O
O
O
O
O
.6787
.5983
0
2
8.45
.0107
.3088
.6422
1991
.7605
ns
17
ns
O
O
O
O
O
O
O
O
.872
O
O
O
O
O
O
O
.5491
.4927
.316
1
9.74
.0142
.278
.7949
1992
.91
ns
22.7
.541
O
O
O
O
O
O
ns
O
O
O
O
-1.739
O
O
O
O
.5886
.4711
0
2
5.01
.0447
.2353
.6145
1993
.1793
ns
41.1
.561
ns
O
ns
ns
O
O
O
O
O
O
O
O
O
O
O
O
.3946
.1351
0
3
1.52
ns
.3
.664
1994
.6039
1
29.3
ns
O
O
O
O
O
O
O
O
O
O
.704
O
O
O
O
O
.4598
.3923
.311
1
6.81
.0312
.2204
.6083
1995
.3402
ns
29.3
ns
O
O
O
O
O
O
O
O
O
O
ns
O
O
O
O
O
.2469
.1528
0
1
2.62
ns
.2853
.9695
1996
.555
ns
747.1
ns
ns
O
O
O
3.492
O
O
O
ns
O
O
O
O
O
O
O
.5049
.2574
0
3
2.04
ns
.2949
.8795
1997
.0748
Ns
814.9
Ns
Ns
O
O
O
Ns
O
O
O
O
-1.246
O
O
O
O
O
O
.7455
.5547
0
3
3.91
Ns
.2306
.5429
1998
.3565
ns
26.8
1.081
O
.828
O
O
O
O
O
-1.008
O
O
O
O
O
O
O
O
.6188
.5099
0
2
5.68
.0342
.2997
.6214
1999
.5566
ns
7.2
ns
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.926
.4932
.4088
.1388
1
5.84
.0521
.3238
.8176
2000
.5125
ns
59.9
.227
O
.606
O
O
O
O
O
O
O
O
O
O
ns
.647
O
O
.9825
.9694
0
3
74.91
.0006
.0614
.1527
2001 Průměr
.4431 .5251
ns
ns
8.4
47.1
.611
ns
O
O
.669
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
O
.437
O
O
O
O
O
ns
-.665
O
O
O
.893
.5542
.8501 .4268
0
0
2
2
20.86
4.35
.0037
ns
.1504 .1299
.3918 .3288
Vysvětlivky:
pK
- hladina významnosti testovací statistiky D’Agostiniho-Pearsonova omnibus testu normality
- významnost seriálního korelačního koeficientu, tedy koeficientu autokorelace jako míry nezávislosti
rk
reziduálů [1, 2...14: statisticky významný koeficient s periodou (lag) k = 1, 2...14; ns: statisticky
nevýznamný koeficient s absolutní hodnotou < 0.6325]
CN
- největší stavové nebo podmínkové číslo (condition number), t. j. podíl největší a nejmenší
charakteristické hodnoty (eigenvalue) matice necentrovaných korelací vybraných nezávisle proměnných
jako míra multikolinearity [CN < 500: nevýznamná; 500 < CN < 5000: mírná; CN > 5000: silná
multikolinearita (HINTZE 1997 - 2001)]
b0
- úsek (intercept), t. j. odhad hodnoty závisle proměnné Y pri X1, X2...Xm = 0
S1, S3,...P37
44
- odhady parciálních regresních koeficientů (b1, b2...bm) příslušných nezávisle proměnných v jednotlivých
letech a v jejich průměru, významné na hladině α = 0.05 [hodnota podtržená: marginální výsledek testu
0.046 < p < 0.055; O: proměnná se nedostala do modelu (vyřazená nebo nezařazená výběrovou
procedurou); ns: statisticky nevýznamný regresní koeficient proměnné v modelu]
R2
- koeficient determinace celého modelu jako míra jeho shody s daty (fit)
AdjR2 - adjustovaný koeficient determinace modelu, který eliminuje zkreslující vlivy různé velikosti modelů
a/nebo malých vzorků (ZAR 1996, HINTZE 1997 - 2001)
PressR2 - predikční koeficient determinace (z predikčních reziduálů) jako míra predikční schopnosti modelu
a „vestavěný“ nástroj jeho validizace
ν
- stupně volnosti modelu
F
- hodnota testovací statistiky F na testování nulové hypotézy, že všechny populační parciálně regresní
koeficienty = 0 (míra celkové statistické významnosti modelu)
p
- pravděpodobnost testovací statistiky F
RMSE - druhá odmocnina z průměrného čtverce reziduálů jako odhad směrodatné odchylky reziduálů
COV - koeficient variace jako relativní míra disperze reziduálů
Pohled do řádků F, p a ν tabulce 15 říká, že v hledání statisticky významných a platných
regresních modelů kvality života jsme tentokrát uspěli jen ze dvou třetin (v 8 ze 12 roků, pokud
nepočítáme i nevýznamný model pro průměr). Navíc jeden z 8 statisticky významných modelů
(pro rok 1999 s marginální p-hodnotou 0.0521) zas až tak úplně významně nevyšel, další (pro
rok 1994) trpí poruchou nezávislosti reziduálů, i když ne fatální, a model pro rok 1990 se úplně
nekryje s předpokladem normality.
Slovo „vysvětlující síla“ zní ve spojení s touto skupinou regresí poněkud silně, snad kromě dvou
modelů z nejbližší minulosti, konkrétně z let 2000 a 2001 s adjustovanými koeficienty determinace až
0.9694 a 0.8501. Ty další v pořadí už sestupují na 0.5983 (pro změnu časově nejvzdálenější model
z roku 1990), a potom přes 0.5099 (1998), 0.4927 (1991), 0.4711 (1992) a 0.4088 (1999) na informačně
nejslabších 0.3923 (1994). Ještě hůře jsou na tom navržené modely po stránce validity a predikčních
schopností, protože o něčem takovém se zde dá hovořit pouze u modelu z roku 1991 (predikční R2 =
0.316), 1994 (0.311) a 1999 (0.1388). A co více, na všechno toto intelektuální „bohatství“ se vztahuje
jen velmi omezená záruka ve výši dané velikostí vzorku (n = 12 let) a úměrně malá může být i důvěra,
kterou do výsledků a jejich možných implikací vkládáme (to ovšem platí pro všechny informace
odvozené z tohoto souboru proměnných, tedy i pro dílčí a souhrnné indexy KUŽ).
Samé statisticky nevýznamné modely nám vracela regresní analýza pro roky 1993, 1995, 1996 a 1997
(dva posledně jmenované postihla i multikolinearita) a pro průměry hodnot za sledované období.
Nejhůře z nich dopadl rok 1993 (F3,10,0.05 = 1.52, p = 0.291), o něco méně špatně rok 1996 (F3,9,0.05 =
2.04, p = 0.2099), potom roky 1995 (F1,9,0.05 = 2.62, p = 0.144), 1997 (F3,7,0.05 = 3.91, p = 0.1106) a těsně
pod hladinou významnosti zůstal průměr (F2,9,0.05 = 4.35, p = 0.0592).
Ladění 12 modelů pro jednotlivé roky a 1 modelu pro jejich aritmetický průměr si vyžádalo
celkem 16 proměnných, z nichž jen 11 se uplatňuje statisticky významně alespoň
v jednom modelu. Šest ze 16 proměnných (37.5 %) je „tvrdých“ (3 statisticky významné) a 10
(62.5 %) „měkkých“ (8 statisticky významných), když výchozí soubor zahrnuje 58 (60.42 %)
„tvrdých“ a 38 (39.58 %) „měkkých“ proměnných. Test těchto proporcí pro všechny „tvrdé“ vs
„měkké“ proměnné neprokázal statisticky významné rozdíly na hladine α = 0.05 (dvojstranný
test chí-kvadrát; χ21,0.05 = 2.94, p = 0.0864), pro statisticky významně se uplatňující proměnné
však ano (χ21,0.05 = 4.42, p = 0.0354), a sice ve prospěch „měkkých“ proměnných. Práve ony
v lineárních regresních modelech získavají statisticky významně větší účast než „tvrdé“
proměnné kvůli vyššímu podílu unikátních proměnných mezi nimi, jenž sám o sobě nemusí být
statisticky významný (viz. korelační analýzu), ale regresní „selekce na unikátně proměnné“ ho
dostatečně zvýznamní (porovnejte s výsledky regresí na regionální úrovni). Vůbec největší
uplatnění mezi těmito 16 proměnnými našla proměnná S3 - Počet odsouzených celkem,
statisticky významně fungující ve 4 modelech (1990, 1998, 2000 a 2001), nejdříve jako
důsledek charakteristické „post sametové“ dynamiky tohoto zajímavého ukazatele s více
45
(nejen) sociálně-patologickými koreláty. Znatelně menší funkčnost vidíme u P14 - Hodnocení
pracovních jistot zaměstnanců se dvěma statisticky významnými (1994 a aritmetický průměr)
a jednou nevýznamnou (1995) pozicí v modelech. Ještě méně je v modelech „cítit“ proměnné
s jednou statisticky významnou a jednou nevýznamnou účastí: P3 - Korupce a hospodářská
kriminalita jako prioritní problém veřejného mínění (1991, 1996), P35 - Hodnocení úspěšnosti
ekonomické transformace (2000, průměr) a S26 - Vydané knižní tituly (1996, 1997). Jedinou
statisticky významnou účast vykazují proměnné S38 - Saldo státního rozpočtu (1990), P2 Funkční legislativa jako prioritní problém veřejného mínění (1998), P13 - Míra tolerance
obyvatel k menšinovým skupinám (1997), P28 - Důvěra občanů církvím (1992), P36 Hodnocení objektivnosti televizního zpravodajství ČT (2001) a P37 - Důvěra občanů ve
sdělovací prostředky (1999).
Celkem zákonitě bylo hledání regresních modelů uprostřed sledovaného období (1993 - 1997)
nejobtížnější a dávalo i nejhorší výsledky. Asociace proměnných kvality života byly tehdy
nejvolnější a statisticky nejméně významné, takže regresní modely jen jiným způsobem
označují „inflexní bod“ či inflexní fázi zásadní změny trendu vývoje kvality života v ČR, podle
(ne)významnosti modelů spadající do období 1993 - 1997. Poměrně plasticky též zobrazují
časovou posloupnost
proměnných v roční periodě modelů změny jejich statistické
významnosti, případně strmosti závislostí. Můžeme dokonce registrovat i změny smyslu
závislosti (- vs +) v čase, jako při už zmíněném celkovém počtu odsouzených.
Závěrem poznamenáváme, že na národní úrovni by se v pojmovém modelu a v regresní analýze
mohla objevit i jiná varianta uspořádání závisle a nezávisle proměnných, v níž by jako závisle
proměnné vystupovaly vybrané „měkké“ ukazatele a jako nezávisle proměnné zase „tvrdé“
ukazatele.
4. GLOBÁLNÍ ÚROVEŇ
4.1. Motivace, předmět, cíl
Hlavní motivací při tvorbě Indexu udržitelného rozvoje (SD Index) byla pro nás výzva hledat
takový souhrnný ukazatel, který by dostatečně přesně vyjadřoval míru pokroku zemí (států)
ve směřování k udržitelnému rozvoji, a to na základě všeobecně dostupných údajů pro
dostatečně velký počet zemí, čímž by umožňoval pravidelné porovnávání jejich „pokročilosti“
v delším časovém horizontu.
Shromážděné množství statistických údajů poskytuje také materiál na důkladnější (dvoua vícerozměrnou) statistickou analýzu vztahů v souborech ukazatelů kvality života, směřující
k variantním popisům (modelům) kvality života na globální úrovni, a případně i k predikci
očekávaného vývoje ve vztahu k žádoucímu.
U indexu samozřejmě nejde o novou snahu, ve světě se v posledním desetiletí objevilo více
souhrnných ukazatelů s podobným zaměřením. Nejznámějším takovým ukazatelem je Index
lidského rozvoje (Human Developmet Index, HDI), který se vyhodnocuje v rámci Programu
OSN pro rozvoj (UNDP) pravidelně od roku 1990. Základní komponenty lidského rozvoje,
vstupující do výpočtu HDI, jsou očekávaná délka života, gramotnost, přístup ke vzdělání
a hrubý domácí produkt. Jako nejrozvinutější země světa bývají pravidelně vyhodnocovány
Norsko, Austrálie, Kanada, Švédsko a některé západoevropské země, na posledních místech
nacházíme téměř výlučně africké země (zejména Sierra Leone, Niger, Burundi a Burkina Faso).
HDI je ve zprávě o lidském rozvoji (rok 2003) hodnocen pro většinu světových zemí, přičemž
teoreticky stupnice lidského rozvoje zahrnuje interval <0,1>, ale prakticky se nejrozvinutější
46
země pohybují v rozmezí 0.90 - 0.95 a nejméně rozvinuté země dosahují indexu menšího než
0.35.
Environmental Sustainability Index (World Economic Forum, Yale Center for Environmental
Law and Policy 2001 a později) vyjadřuje pozici zemí vzhledem k dosaženému pokroku
v environmentálním aspektu udržitelného rozvoje na základě pěti hlavních oblastí,
vypovídajících o stavu životního prostředí a jeho zatížení, závislosti a citlivosti lidí vůči
vnějším vlivům, ale i o sociální a institucionální kapacitě zemí a zapojení se do mezinárodní
spolupráce. Hlavním výstupem ESI je celkový index pro 122 zemí (v první verzi indexu z roku
2001) a dílčí indexy pro hlavní složky environmentální udržitelnosti, zohledňující 22 indikátorů
a 67 proměnných. Teoretická stupnice ESI je 0 - 100, přičemž 0 znamená nejhorší pozici a 100
nejlepší. Nejlepší hodnocení indexem ESI mají vyspělé světové země, zejména ze severní
Evropy, alpské země, Kanada, Austrálie a Nový Zéland, nejhorší jsou tradičně africké země.
UN CSD Dashboard (Consultative Group for Sustainable Development, UN CSD 2000) je
celkovým indexem udržitelnosti rozvoje světových zemí, vytvořeným na základě dílčích indexů
pro čtyři hlavní oblasti (sociální, ekonomická, environmentální a institucionální). Navazuje na
výsledky testovaní indikátorů udržitelnosti rozvoje v rámci Komise OSN pro udržitelný rozvoj
(UN CSD) a hodnotí celkem 45 indikátorů a 170 zemí. Byla zvolena hodnotící stupnice 0 1000, přičemž hodnota 0 patří nejhorší zemi a 1000 nejlepší zemi podle každého indikátoru. Na
prvních místech žebříčku byly vyhodnoceny vyspělé země severní a západní Evropy, na
opačném konci africké země.
SD Index jsme vyvinuli v letech 2000 - 2001 ve středoevropském výzkumném uzlu Millennium
Project v rámci studie „Global Partnership for Sustainable Development“. Poprvé byl
publikován v pravidelné roční zprávě „2001 State of the Future“ (GORDON & GLENN 2001).
Jeho cílem je komplexní vyjádření stavu (a postupně i vývoje) jednotlivých zemí světa v oblasti
směřování k udržitelnému rozvoji. Strukturou indexu jsme se pokusili rovnocenně vyjádřit
hlavní problémové oblasti světového vývoje prostřednictvím tematických okruhů a jednotlivých
ukazatelů - proměnných. Naší ambicí bylo navázat na některé z výše uvedených ukazatelů,
hodnotících pokrok jednotlivých světových zemí v oblasti lidského rozvoje, kvality života
a udržitelného rozvoje s tím, aby šlo o ukazatel komplexní (hodnotící všechny hlavní
problémové oblasti) a zároveň i vyhodnotitelný pro většinu světových zemí (sestavený ze široce
vzorkovaných a dostupných údajů). Největší předností tohoto indexu by mohlo být, že vychází
z dostupných celosvětových zdrojů informací, které jsou pravidelně vyhodnocovány
a aktualizovány (zejména Světové indikátory rozvoje - WDI). Použity byly v podstatě jen dva
hlavní zdroje - materiál Světové banky World Development Indicators a ročenka UNDP Human
Development Report. Doplňkovým zdrojem informací je Freedom House - Index of Freedom.
Proto je reálné sestavení indexu několik let nazpět a jeho pravidelná aktualizace v budoucnosti.
Stejně tak je možné i určení trendů vývoje SDI v jednotlivých zemích do současnosti, jako i
jejich prodloužení do budoucnosti, což by mohlo být významným politickým nástrojem. Ostatní
porovnávané přístupy tvorby indexů udržitelnosti rozvoje mají v této oblasti o mnoho horší
výchozí pozici.
V dalším textu předkládáme výsledky aktualizované verze SD Indexu, kterou jsme zpracovali
na přelomu let 2003 a 2004, zejména na základě nových údajů Světové banky (World
Development Indicators 2003). Tato nová verze nebyla doposud publikována. Výsledky
umožňují porovnání jednotlivých zemí světa, ale i vymezených regionů v hodnocených
7 oblastech udržitelného rozvoje.
47
Sustainable Development Index (SD Index)
Hlavní problémové oblasti SD Indexu jsme zvolili tak, aby zachytily podle možností všechny
nejdůležitější aspekty světového vývoje (k čemuž se čtyři konvenční oblasti udržitelného
rozvoje - environmentální, sociální, ekonomická a institucionální - jeví jako nedostatečné, resp.
nehomogenní). V každé ze sedmi oblastí byly vytipovány dva tematické okruhy a v nich různý
počet proměnných (viz. příloha 6). Hlavní oblasti a okruhy byly stanoveny teoreticky, na
základě víceletého studia globální problematiky. Výběr proměnných byl přizpůsoben tak, aby
bylo možné jejich dlouhodobé sledování a vyhodnocování, aby byly zabezpečeny co nejúplnější
soubory údajů pro co nejvíce zemí a aby potřebné zdroje dat byly široce dostupné a jejich počet
minimalizován.
A - Politika a lidská práva
B – Rovnost
C - Demografické ukazatele
2 - Demografické ukazatele a očekávaná
délka života
D - Očekávaná délka života, úmrtnost
E - Zdravotní péče
3 - Zdravotní stav a zdravotní péče
F - Nemoci a výživa
G – Vzdělání
4 - Vzdělání, technologie a informace
H - Technologie a sdílení informací
I – Ekonomika
5 - Ekonomický rozvoj a zahraniční
zadlužení
K – Zadluženost
L - Ekonomika - čisté domácí úspory
6 - Spotřeba zdrojů, ekologická efektivnost
M - Ekonomika - spotřeba zdrojů
N - Životní prostředí – přírodní zdroje, využití
půdy
7 - Kvalita životního prostředí
O - Životní prostředí - problémy měst
a venkovské krajiny
1 - Lidská práva, svoboda a rovnost
Získané údaje byly zpracovány pomocí statistického balíku NCSS 2001 (HINTZE 1997 - 2002).
Protože velká většina proměnných nesplňuje předpoklady normality rozdělení početností,
rovnosti rozptylů, linearity vztahů a/nebo má příliš velké zastoupení odlehlých hodnot, bylo
potřebné před samotným výpočtem indexů data upravit tzv. „ořezáním“ (trimming)
a logaritmickou transformácí.
Do výchozího souboru pro přístup a posteriori, aktualizovaného v roce 2003 hodnotami z let
1998 - 2001, jsme zařadili 67 proměnných ze 179 zemí světa (označení je shodné s přílohami 6
a 7). Všechny proměnné patří do poměrové škály přesnosti. Z nich 62 proměnných (92.54 %) je
ve formě poměrných ukazatelů (37 je procentových a 25 podílů na měrnou jednotku),
3 proměnné (4.48 %) patří k souhrnným ukazatelům (indexů) a zbývající 2 (2.98 %) k prostým.
Konečným tvarem - jako dosud vždy - byla matice s proměnnými ve sloupcích a pozorováními
(země) v řádcích (R-mod) v tabulkovém procesoru Microsoft Excel 2000.
Dílčí indexy byly transformovány do jednotné škály v intervalu <0,1> tak, aby vždy 0 byla
rovná nejnepříznivější hodnotě a 1 rovná nejpříznivější hodnotě.
48
Celkový index SDI pro jednotlivé země byl vypočítán jako aritmetický průměr
transformovaných hodnot všech vybraných proměnných a obdobným způsobem byly
vypočítány i dílčí indexy pro 7 problémových oblastí. Do hodnocení vstupovalo 179 zemí,
přičemž celkové pokrytí údaji bylo velmi dobré (podařilo se získat 91.2 % potřebných dat). Pro
všechny zařazené země máme k dispozici více než 50 % údajů - nejméně v případě
Afghánistánu, Svatého Tomáše, Korejské LDR a Somálska, kde bylo dostupných méně než
60 % proměnných. Ve verzi SD Indexu z roku 2001 jsme index vypočítali pro 148 zemí. Pro
další země nebyl tehdy vypočítán z důvodu nedostatku dat (méně než 50 %, např. Afghánistán,
Somálsko, Libérie, přičemž údaje nebyly po ruce ani pro některé vyspělé země, jako Island
a Lucembursko).
V maticích dat na aposteriórní zpracování (67 proměnných, 179 zemí světa) splňuje předpoklad
normality rozdělení početností jediná proměnná (I4B - 1.49 %), předpoklad rovnosti rozptylů
však všechny proměnné. Nelinearity ve vztazích mezi proměnnými se ukazují jen menšinově,
avšak chybějící hodnoty ve většině případů (55 proměnných, t. j. 82.09 %) a někdy dost výrazně
(v počtu 1 - 77, t. j. 0.56 - 43.02 %). Odlehlé hodnoty jsme nezjistili (ani vícerozměrné).
Důvody platné na regionální i národní úrovni rozhodly i zde o zamítnutí transformace dat
a o jejich analýze neparametrickými prostředky. Konverzi do stejné škály velikosti a variability
podle GOWERA (1971 sec. LEGENDRE & LEGENDRE 1983) jsme však provedli.
Výpočet indexu metodami popisné statistiky (přístup a priori)
SD Index byl vypočítán pro 179 zemí světa v relativní stupnici 0 - 1, přičemž s rostoucí
hodnotou indexu se zlepšuje i pozice země ve směřování k udržitelnému rozvoji. Celkový
index byl stanoven jako aritmetický průměr dílčích indexů sledovaných 65 proměnných (z toho
počtu proměnných, pro které byly k dispozici údaje). Kromě toho byly vypočítány i dílčí indexy
pro 7 sledovaných problémových oblastí a na základě jejich porovnání byla hodnocena
vyrovnanost rozvoje jednotlivých zemí. Seznam všech proměnných vstupujících do výpočtů je
uveden v příloze 6, vstupní hodnoty všech proměnných pro jednotlivé země světa jsou uvedeny
v příloze 7, základní statistické ukazatele vstupních dat jsou v příloze 8. V dalším textu stručně
komentujeme dosažené výsledky, včetně přehledných mapek.
První problémová oblast monitoruje lidská práva, svobodu a rovnost. Udržitelný rozvoj zřejmě
není dosažitelný, pokud lidé musí žít v totalitním státu, v nesvobodě, nebo také ve společnosti,
která je polarizována obrovskými majetkovými rozdíly. Proto považujeme tuto oblast za jednu
z klíčových v celé problematice udržitelného rozvoje, i když byla dosud poněkud opomíjena.
V této oblasti jsou na prvních deseti místech vyspělé demokratické země Kanada a Island
1.000, Japonsko 0.998, Lucembursko 0.986, Nový Zéland 0.983, Austrálie 0.967, Irsko 0.965,
Španělsko 0.963, Nizozemsko a Švýcarsko 0.960, na posledních místech Eritrea 0.021, Bhutan
0.175, Burundi 0.18, Etiopie 0.21, Angola 0.23, Rwanda 0.263, Zaire 0.264, Haiti 0.28, Sudán
0.296 a Kongo 0.338. Celkem jsme tento dílčí index vyhodnotili pro 155 zemí.
49
Obrázek 2 – SD Index pro oblast lidských práv, svobody a rovnosti
obrazek 2.jpg
Druhá problémová oblast zachycuje demografický vývoj a očekávanou délku života. Přesto, že
celosvětově klesá míra populačního růstu, zatím každý rok přibývá na Zemi šedesát miliónů
lidí, především v rozvojových zemích. Rozvinuté země naopak stagnují, populace stárne
a v některých regionech dokonce vymírá (počet narozených je menší než počet úmrtí).
Oblast byla hodnocena pro všech 179 zemí - na prvních místech se umístily Island 0.91, Nový
Zéland 0.907, Kypr 0.894, Kuba 0.891, Finsko 0.876, Norsko 0.874, Jižní Korea 0.873, Francie
0.872, Japonsko 0.866 a Austrálie 0.866. Na posledních místech jsou Niger 0.021, Afghánistán
0.03, Mali 0.04, Angola 0.042, Sierra Leone 0.043, Somálsko 0.044, Etiopie 0.046, Burkina
Faso 0.048, Zaire 0.049 a Zambie 0.055.
Obrázek 3 – SD Index pro oblast demografického vývoje
obrazek 3.jpg
50
Třetí problémová oblast obsahuje zdravotní stav a zdravotní péči. Ta je do značné míry závislá
na výkonnosti ekonomiky. Proto zůstává v rozvojových zemích lepší zdravotní stav obyvatel
a zdravotní péče jednou z priorit a tato oblast je rovněž jednou z klíčových na cestě lidstva
k udržitelnému rozvoji.
Na prvních místech z hodnocených 177 zemí v této oblasti se umístily vyspělé země - Island
0.985, Norsko 0.975, Holandsko 0.965, Německo 0.958, Izrael 0.952, Švýcarsko 0.952,
Lucembursko 0.951, Dánsko 0.948, Finsko 0.947 a Belgie 0.944. Na posledních místech jsou
Etiopie 0.1, Angola 0.119, Afghánistán 0.123, Čad 0.138, Niger 0.144, Kongo 0.145,
Středoafrická republika 0.145, Somálsko 0.147, Rovníková Guinea 0.165 a Burkina Faso 0.172.
Obrázek 4 – SD Index pro oblast zdravotního stavu obyvatel a zdravotní péče
obrazek 4.jpg
Čtvrtá problémová oblast zahrnuje vzdělání, technologie a informace. V rozvinutých zemích
s moderními ekonomikami se stalo vzdělání, informace a jejich dostupnost hlavním faktorem
ekonomického rozvoje a vytváření bohatství. Je to také oblast, která může napomoci
rozvojovým zemím překonat bludný kruh chudoby a zaostalosti, rychlého populačního růstu
a ničení životního prostředí. Informace jsou zbožím, které se sdílením nezmenšuje, nýbrž
naopak (tzv. ekonomika s nenulovým součtem, „non-zero sum economy“).
Hodnoceno bylo celkem 175 zemí. Na prvních místech v této oblasti jsou Švédsko 0.996,
Dánsko 0.994, Island 0.99, Norsko 0.986, Finsko 0.974, Švýcarsko 0.963, Holandsko 0.957,
Spojené království 0.953, Rakousko 0.95 a Nový Zéland 0.949. Na posledních místech jsou
Burkina Faso 0.004, Zaire 0.017, Středoafrická republika 0.035, Čad 0.04, Mali 0.048,
Mozambik 0.052, Niger 0,054, Etiopie 0.07, Sierra Leone 0.08 a Haiti 0.083.
51
Obrázek 5 – SD Index pro oblast vzdělání, technologií a informatizace
obrazek 5.jpg
Pátá problémová oblast se vztahuje na ekonomický rozvoj a zahraniční zadluženost. Aniž
bychom chtěli snižovat význam ostatních oblastí, stupeň ekonomické vyspělosti podmiňuje
schopnost země směřovat k udržitelnému rozvoji. Bohaté země si udržitelný rozvoj „mohou
dovolit“ a obyvatelstvo je vůči životnímu prostředí a udržitelnému rozvoji vnímavější. Naopak
zahraniční zadluženost, především v rozvojových zemích, ničí nadějné vyhlídky na lepší
budoucnost. Země, které mají věnovat desítky procent výnosů svého exportu na umořování
dluhu, nebo dokonce jen na splácení úroků, jsou v pasti, ze které se samy nemohou vymanit.
Obrázek 6 – SD Index pro oblast ekonomického rozvoje a zahraniční zadluženosti
obrazek 6.jpg
Na prvních místech v této oblasti jsou Lucembursko 0.97, Singapur 0.954, Irsko 0.949,
Holandsko 0.939, Švýcarsko 0.939, Dánsko 0.917, Kanada 0.906, Finsko 0.905, Švédsko 0.903
a Spojené království 0.896. Na posledních místech jsou Libanon 0.254, Sierra Leone 0.258,
Svatý Tomáš 0.297, Komory 0.3, Guayana 0.313, Nikaragua 0.316, Surinam 0.318,
52
Šalamounovy ostrovy 0.343, Eritrea 0.344 a Malawi 0.347. Hodnoceno bylo 169 zemí
s dostatečnou dostupností dat.
Šestá problémová oblast sleduje spotřebu přírodních zdrojů a eko-efektivnost. Existují
ekonomicky úspěšné země, které nedosahují příznivých hodnot tohoto indexu. Naopak některé
rozvojové země se mohou chovat efektivně při spotřebě přírodních zdrojů.
Na první místa z hodnocených 171 zemí v této oblasti se dostaly Svatý Tomáš 0.965, Irak
0.962, Svazijsko 0.946, Mauricius 0.944, Vanuatu 0.944, St. Kitts a Nevis 0.939, Fidži 0.91,
Komory 0.905, Makedonie 0.903 a Belize 0.902. Na posledních pozicích jsou Libérie 0.37,
Guinea 0.375, Ghana 0.378, Kuvajt 0.381, Sierra Leone 0.408, Etiopie 0.427, Austrálie 0.434,
Bahrajn 0.434, Pakistán 0.434 a Kanada 0.439.
Obrázek 7 – SD Index pro oblast spotřeby přírodních zdrojů a eko-efektivnosti
obrazek 7.jpg
Sedmá problémová oblast vystihuje kvalitu životního prostředí a environmentální problémy,
které jsou pro dosažení udržitelného rozvoje klíčovým ukazatelem. Bez kvalitního životního
prostředí není možný udržitelný rozvoj společnosti.
Na prvních místech v této oblasti jsou Guayana 0.881, Středoafrická republika 0.879, Samoa
0.845, Zambie 0.829, Guinea-Bissau 0.827, Namíbie 0.823, Zaire 0.803, Kambodža 0.796,
Laos 0.795 a Panama 0.798. Na posledních místech jsou Kuvajt 0.176, Spojené arabské emiráty
0.312, Libye 0.314, Libanon 0.315, Jordánsko 0.333, Bahrajn 0.367, Singapur 0.372, Omán
0.376, Egypt 0.391 a Salvádor 0.392. Hodnoceno bylo 178 zemí.
53
Obrázek 8 – SD Index pro oblast kvality životního prostředí a environmentálních problémů
obrazek 8.jpg
Výsledná hodnota celkového indexu byla vypočítána jako aritmetický průměr všech dílčích
indexů jednotlivých proměnných. Do hodnocení vstupovalo 179 zemí, přičemž počet
dostupných údajů pro jednotlivé země byl různý a pohyboval se v rozmezí od 34 (Afghánistán)
až po kompletních 65 údajů (Bulharsko, Chile, Česká republika, Maďarsko, Jordánsko,
Mexiko, Peru, Slovenská republika). Celkově však bylo pokrytí daty velmi dobré (což je dáno
především výběrem proměnných), když z 11 456 údajů bylo k dispozici 10 346 údajů (90.3 %).
Obrázek 9 – Celkový SD Index
obrazek 9.jpg
54
Zařazení zemí do tříd podle hodnocení udržitelnosti rozvoje je do značné míry podobné, jako
v případě dílčích indexů za první až pátou problémovou oblast. Potvrzuje to dnešní rozdělení
světa a jeho polarizaci na bohaté a „západním“ způsobem rozvinuté země Severu (velmi často
za cenu příliš velké spotřeby přírodních zdrojů, nižší eko-efektivnosti a kvality životního
prostředí) a chudé, ze „západního“ úhlu pohledu málo rozvinuté země Jihu. Mezi první je
možné jednoznačně zařadit západoevropské země, USA, Kanadu, Austrálii, Nový Zéland
a Japonsko, když v současnosti se k vyspělým zemím řadí také některé státy z bývalého
východního bloku (středoevropské a pobaltské státy). K těm druhým patří většina afrických
zemí, některé země jižní a jihovýchodní Asie a ze západní civilizační oblasti Haiti. Mezi těmito
skupinami zemí je propastný rozdíl. V tomto prostoru se pohybuje např. většina zemí Jižní
Ameriky, většina zemí bývalého Sovětského svazu, většina asijských zemí.
Mezi deset nejrozvinutějších zemí světa podle SD Indexu patří Švédsko 0.885, Finsko 0.882,
Švýcarsko 0.874, Lucembursko 0.873, Nový Zéland 0.871, Norsko 0.87, Dánsko 0.858, Irsko
0.855, Holandsko 0.848 a Rakousko 0.847. K deseti nejméně rozvinutým zemím patří
Mauretánie 0.339, Zaire 0.338, Eritrea 0.337, Burkina Faso 0.336, Etiopie 0.325, Sierra Leone
0.313, Niger 0.312, Burundi 0.306, Somálsko 0.295 a Afghánistán 0.233.
Výsledky pro vybrané země jsou uvedeny v následující tabulce č. 16, kompletní výsledky pro
179 zemí jsou v příloze 9.
Tab. 16 - Výsledky SD Indexu pro vybrané země
Země
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Švédsko
Finsko
Švýcarsko
Lucembursko
Nový Zéland
Norsko
Dánsko
Irsko
Holandsko
Rakousko
Island
Německo
Japonsko
Kanada
Francie
Belgie
Slovinsko
Španělsko
Velká Británie
Spojené státy
25
28
29
41
Slovensko
Maďarsko
Česká republika
Polsko
161 Nigérie
162 Kongo
163 Libérie
1
2
3
4
SD Index
20 nejlépe hodnocených zemí
0.885
21
12
12
1
0.882
15
5
9
5
0.874
10
15
6
6
0.873
4
16
7
20
0.871
5
2
19
10
0.870
22
6
2
4
0.858
12
11
8
2
0.855
7
23
22
22
0.848
9
19
3
7
0.847
14
14
15
9
0.844
2
1
1
3
0.843
17
20
4
15
0.837
3
9
18
16
0.836
1
18
14
14
0.832
33
8
11
12
0.826
11
17
10
11
0.824
23
21
21
18
0.821
8
32
28
25
0.817
19
24
24
8
0.816
27
29
26
19
Země Visegrádské skupiny
0.783
31
30
20
33
0.773
25
43
23
27
0.763
28
39
13
26
0.725
29
33
34
34
20 nejhůře hodnocených zemí
0.380
95 159 165 157
0.368
146 147 172 149
0.368
169 155 148
5
6
7
Průměrné pořadí
9
8
5
1
17
14
6
3
4
15
19
12
20
7
16
13
41
22
10
11
113
120
58
105
134
138
69
92
84
71
142
76
59
162
89
94
81
57
96
111
24
33
52
11
20
159
103
129
75
140
149
152
81
116
153
50
114
135
119
27.4
27.9
21.7
25.5
28.3
29.4
38.1
38.9
36.4
30.4
44.0
41.9
39.6
42.4
40.7
44.1
36.4
40.9
45.1
48.9
81
53
56
75
85
54
97
87
31
112
124
132
44.4
48.1
54.7
60.6
87
84
118
155
141
171
136
121
37
136.3
137.1
133.0
55
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
Země
Rwanda
Mosambik
Angola
Guinea
Čad
Haiti
Mauretánie
Kongo, Dem. rep.
Eritrea
Burkina Faso
Etiopie
Sierra Leone
Niger
Burundi
Somálsko
Afghánistán
SD Index
0.366
0.366
0.354
0.354
0.350
0.348
0.339
0.338
0.337
0.336
0.325
0.313
0.312
0.306
0.295
0.233
1
150
125
151
92
141
148
134
149
155
128
152
131
123
153
2
167
164
176
158
165
137
157
171
146
172
173
175
179
168
174
178
3
152
148
176
160
174
167
145
166
147
168
177
164
173
153
170
175
4
146
170
163
165
172
166
154
174
162
175
168
167
169
161
5
113
152
79
133
132
88
147
138
161
142
102
168
140
153
6
140
153
121
170
43
122
145
128
63
36
166
167
160
154
7
134
44
48
106
21
168
146
7
94
67
83
55
109
156
117
125
Průměrné pořadí
143.1
136.6
130.6
140.6
121.1
142.3
146.9
133.3
132.6
126.9
145.9
146.7
150.4
156.9
153.7
159.3
1 - 7 - pořadí v dílčích problémových oblastech
Struktura vztahů mezi proměnnými a zeměmi (přístup a posteriori)
Globální úroveň nám připravila „tvrdý oříšek“ v podobě velkého vzorku (179 zemí světa),
zahlcující nás zejména při regresním modelování. Proto jsou naše aposteriorní analýzy o tyto
modely chudší a přinášíme zde pouze výsledky dvou metod - korelační analýzy a analýzy
položek. Vstupní data jsou shodná s daty pro přístup a priori (viz přílohy 6 a 7).
I na této úrovni jsme výchozí soubor analyzovali jak v R-modu (64 proměnných), tak i v Qmodu (179 zemí světa).
Matici 65 × 65 hodnot Spearmanových pořadových korelačních koeficientů pro 102 – 179 států
světa [t. j. velikosti vzorků n = 102 - 179 a počty 0 - 77 - (109) chybějících hodnot s dost
komplikovaným vzorcem, odstraňovaných po řádcích], která vyjadřuje míru asociovanosti 65
proměnných roztříděných podle vzrůstající průměrné hodnoty jejich korelačních koeficientů,
jsme uložili společně s ještě objemnějšími údaji o statistické významnosti jednotlivých korelací
(p-hodnoty) a o velikostech jejich vzorků do obsáhlého tabulkového souboru, archivovaného
u autorů.
Nejmenší aritmetický průměr ze všech 64 Spearmanových pořadových korelačních koeficientů dává
proměnná O3 - Přírůstek městského obyvatelstva (0.0827) a jen o málo větší D5 - Úmrtnost (0.09),
I4B - Čisté domácí úspory (0.0917) a K3 - Celková dluhová služba (0.0926), všechno dost čisté
unikátní proměnné. Velmi volnými průměrnými korelacemi se vyznačují i proměnné F1 - Nemocní na
tuberkulózu (0.1168), B3 - Dětská pracovní síla (0.1363), N4 - Podíl orné půdy (0.1425), A4 - Výdaje
na zbrojení (0.1467), I5 - Rozvojová pomoc na obyvatele (0.1528), O1 - Obyvatelstvo v aglomeracích
větších než 1 milión (0.1545), E3B - Očkování dětí proti neštovicím (0.1578) a F3 - Výskyt dětské
podvýživy (0.169), volnými ještě F2 - Výskyt HIV (0.1758), I6 - Vyrovnanost běžného účtu (0.1853)
a I7 - Přímé zahraniční investice (0.2023).
Na druhé straně nejtěsnější průměrné korelace vážou s ostatními proměnnou N3 - Lesnatost (0.6143).
K velmi těsně „překorelovaným“, a tedy i velmi komplexním, můžeme zařadit proměnné L1 - Čerpání
energie (0.5843), H6 - Mobilní telefony (0.5796), M4 - Spotřeba elektrické energie (0.5743), M1 - HDP
na jednotku spotřeby energie (0.5731), K1 - Celkový zahraničný dluh (0.5728) i L2 - Čerpání
minerálních surovin (0.5726), a těsnými se dají nazvat též vztahy B2 – Rodový (gender) index rozvoje
56
(0.5675), C3A - Obyvatelstvo ve věku nad 65 let (0.5659) a I10 - Celková nezaměstnanost (0.5615)
vůči zbytku souboru.
Ve výchozím souboru jako celku panuje velká intenzita vztahů, vyjádřitelná vysokou
a statisticky velmi významnou hodnotou průměru z průměrných korelačních koeficientů
0.3889 ± 0.169. To naznačuje, že není natolik „překorelovaný“ (a tím ani natolik redundantní)
jako výchozí soubor na národní úrovni. Vícerozměrné snížení redundance osvědčenými cestami
analýzy položek (směr komplexnější proměnné) resp. regresní analýzy (směr unikátní
proměnné) však prospěje i jemu. Ostatní zákonitosti o vztazích unikátních vs komplexních
proměnných (a jejich malé intenzitě s difúzností vs velké intenzitě s koncentrovaností vztahů)
už byly dostatečně objasněny na nižších úrovních.
Skoro trojnásobně velká matice (179 × 179 hodnot) Spearmanových pořadových korelačních
koeficientů pro 33 - 65 proměnných (t. j. s velikostmi vzorků n = 33 - 65 a počty 0 - 32
chybějících hodnot), vyjadřující míru asociovanosti 179 států světa v uspořádání podle
vzrůstající průměrné hodnoty jejich korelačních koeficientů, je k dispozici v tabulkovém
souboru u autorů společně s textovým souborem doprovodných dat o statistické významnosti
korelací (p-hodnoty) a o velikostech jejich vzorků.
Aritmetický průměr ze všech 178 Spearmanových pořadových korelačních koeficientů dosahuje
minimum u Eritreje (0.3673), a nominuje ji tak do role „nejunikátnější“ světové země s globálně
nejméně těsnými vztahy ke „zbytku světa“. K nejzvláštnějším či relativně nejvolněji asociovaným
zemím můžeme počítat také Katar (0.3756), následovaný velmi různorodou směsí států, jako Island
(0.3936), Sierra Leone (0.3982), Kuvajt (0.3986), Afghánistán (0.4044), Etiopie (0.4128), Kongo
(0.4138), Lucembursko (0.4151), Rovníková Guinea (0.4152), Niger (0.4187), Mauretánie (0.4238),
Norsko (0.4258), Japonsko (0.4271), USA (0.4297), Rwanda (0.432), Korejská LDR (0.434), Somálsko
(0.436), Angola (0.4364) a Burundi (0.4377). Vidíme tedy, že různými specifikami a „exotikou“ není
kořeněný jen chudý a „nerozvinutý“ Jih, ale i země řadící se k těm nejrozvinutějším.
Maximální hodnota průměru všech korelačních koeficientů (0.6833) patří státu Svatý Vincenc.
Podobný stupeň těsnosti a komplexnosti vazeb zaznamenáva Tonga (0.6816) a sestupně dále Honduras
(0.6661), Samoa (0.6643), Paraguay (0.6616), Albánie (0.657), Kyrgyzstán (0.6514), Turecko (0.6429),
Jamajka (0.6422), Tunis (0.6406), Fidži (0.64), Belize (0.6372), Rumunsko (0.6364), Mexiko (0.6351),
Srí Lanka (0.6348), Peru (0.6324), Thajsko (0.6317), Panama (0.6307), Svatá Lucie (0.63) a Salvador
(0.6297). Bez větších pochybností máme tentokrát co do činění vesměs se státy z těch rozlehlých
a mnohorozměrných „meziprostorů“, které oddělují Jih od Severu.
Pro zajímavost, Česká republika (0.5246) i Slovensko (0.55) na ose unikátnost - komplexnost zaujímají
postavení kolem celosvětového průměru (který je 0.5338).
Když odhlédneme od všech jedinečností a zvláštností, přes „okno“ analyzovaného souboru
proměnných vypadá celý svět velmi těsně a velmi významně provázaný. Celkem lehce to však
může být pouze první a nediferencovaný obraz, kterému chybějí například míry relativní
významnosti jednotlivých propojení, perspektiva hierarchických úrovní proměnlivosti, rychlostí
procesů a jiné parametry, prostými korelacemi asi jen těžko (pokud vůbec) zprostředkovatelné.
Analýza položek
Díky menší rozměrnosti jsme mohli výchozí soubor proměnných na této úrovni analyzovat
v jediném kroku.
Analýza se uvedla hodnotou Cronbachova koeficientu alfa pro všech 64 proměnných (A1 - O7) stejnou
- 0.564. Po odstranění proměnné C3B - Obyvatelstvo ve věku 0 - 14 roků vystoupila nejvýše (na
0.6766), a dále maximalizace pokračovala s vyloučením C2 - Roční přírůstek obyvatelstva (na 0.7414),
A1 - Index politických práv (na 0.7859), O3 - Přírůstek městského obyvatelstva (na 0.8223), M1 - HDP
na jednotku spotřeby energie (na 0.8483), A5 - Zaměstnanci v ozbrojených silách (na 0.8659), O1 Obyvatelstvo v aglomeracích větších než 1 milión (na 0.8801), G2B - Zapsaní do základních škol (na
57
0.8877), O7 - Městské obyvatelstvo (na 0.894), N2 - Sladkovodní zdroje (na 0.9001), F1 - Nemocní
tuberkulózou (na 0.9056), D1 – Kojenecká úmrtnost (na 0.9108), G1 - Míra negramotnosti dospělých
(na 0.9154), N3 - Lesnatost (na 0.9199), L2 - Čerpání minerálních surovin (na 0.924), I5 - Rozvojová
pomoc na obyvatele (na 0.9277), A4 - Výdaje na zbrojení (na 0.9313), D2 - Úmrtnost dětí do 5 let (na
0.9343), I9 - Celková vyrovnanost rozpočtu (na 0.9366), F4 - Nedostatečná výživa (na 0.9384), B3 Dětská pracovní síla (na 0.9408), I3 - Roční růst HDP (na 0.9459), L3 - Čerpání zdrojů dřeva (na
0.9476), L1 - Čerpání energie (na 0.9487), N1 - Chráněná území (na 0.9495), E3B - Očkování dětí proti
neštovicím (na 0.9522), O2 - Hustota venkovského obyvatelstva (na 0.953), I7 - Přímé zahraniční
investice (na 0.9532), I6 - Vyrovnanost bežného účtu (na 0.9534) a I8 - Export produktů pokročilých
technologií (na 0.9536). Po tomto kroku už žádné další možnosti maximalizace Cronbachovy alfy
nenastaly.
Konečné stádium souboru má 34 proměnných (A3, B2, C3A, D4, D5, E1, E2, E3A, E4, E5, E6,
F2, F3, F6, G2A, G3, H1, H2, H3, H4, H5, H6, I1, I2, I4A, I4B, I10, K1, K3, M3, M4, N4, O5
a O6) a vyneslo tak redukci na 53.12 % výchozího stavu, výrazně diferencovanou podle
apriorních skupin A - O.
V porovnání s hodnotami na národní a regionální úrovni tu nejde o velkou redukci. Ani selekce
podle apriorních skupin A - O, jakž takž diferencovaná, nepokročila až do „vyhlazovacího“
stádia a v každé skupině ponechala aspoň jednu proměnnou. Vyvozujeme z toho závěr, že
soubor jako celek disponuje silně nadstandardní výbavou komplexních proměnných, a že
v žádné ze 7 apriorně zvolených skupin silné komplexní proměnné nechybějí (t. j. z hlediska
zastoupení komplexních proměnných jsou apriorní skupiny naplněné velmi dobře).
Jak jsou apriorní skupiny naplněné z pohledu unikátních proměnných, a další otázky o tomto
typu proměnných, jsme se pokoušeli (v souladu s národní a regionální úrovní) zodpovědět za
pomoci mnohonásobné lineární regresní analýzy. Musíme však přiznat, že na vyvinutí
a odladění 179 regresních modelů pro jednotlivé země světa naše časové kapacity nestačily.
5. DISKUSE, ZÁVĚRY A DOPORUČENÍ
Hlavním cílem této publikace je sumarizace výsledků hodnocení kvality života a udržitelného
rozvoje na globální, národní a regionální úrovni s uplatněním dvou základních přístupů a priori (vnitřní struktura modelů je určena předem, na základě teoretických představ
zkoumajícího subjektu) a a posteriori (vnitřní struktura modelů se odvozuje z výsledků
empirických analýz). Kromě toho, že má tato práce poskytnout dostatečnou bázi dat, její
kvantitativní analýzu a interpretaci, dává také přehled o některých variantních přístupech
a metodách statistické analýzy a modelovaní kvality života. Tyto přístupy a metody je možné
využít nejen ve výzkumných směrech orientovaných na kvalitu života a udržitelný rozvoj (jako
např. v Centru pro ekonomické a sociální strategie FSV UK v Praze, pod jehož záštitou jsme na
publikaci pracovali), ale i v ostatních směrech sociologického bádání.
Celý náš výzkum doprovázely některé klíčové otázky, na které zkusíme v dalším textu
nabídnout odpovědi, resp. přispět do diskuse o nich:
1.
Jaké jsou vztahy mezi pojmy „kvalita života“ a „udržitelný rozvoj“ a jaká je jejich
relativní užitečnost?
2.
Jaká je informační hodnota dvou základních typů používaných dat - „tvrdých“ (ze
statistických zjišťování) a „měkkých“ (z průzkumů veřejného mínění)?
3.
Jaký význam má odlišení přístupů a priori a a posteriori v kvantitativním sociologickém
výzkumu, jaké jsou hlavní výhody a nevýhody těchto dvou přístupů?
58
Jaké závěry/doporučení plynou ze získaných výsledků pro směřování výzkumné činnosti
pracoviště CESES?
4.
Jaké jsou vztahy mezi pojmy „kvalita života“ a „udržitelný rozvoj“ a jaká je jejich
relativní užitečnost?
Pojem kvality života podle našich výsledků vyhovuje systémovému, kvantitatívnímu,
hypoteticko-deduktivnímu, daty podloženému, observačnímu a vícerozměrnému přístupu
i požadavku operacionalizovatelnosti. Výhodou může být i jeho široká otevřenost vůči:
•
objevujícím se novým východiskům, přístupům, chápáním a ukazatelům kvality života,
a to nejen kvality života lidí, ale i jiných živých bytostí a životadárných systémů;
•
budoucnosti, která uživatelům dovoluje zacházet s ním jak prediktivně, tak i
preskriptivně, a to i v aplikacích jako je analýza alternativních (neprediktabilních)
budoucností (cf. COSTANZA 2000, BAKER et al. 2004).
Hodnotové „zátěže“ v tomto pojmu jsou znát dost výrazně, ale ne natolik výrazně jako
ve druhém klíčovém pojmu udržitelného rozvoje. Ten je i vůči budoucnosti otevřený méně,
neboť předpokládá jen určitý druh rozvoje (takový, který „neohrozí možnosti budoucích
generací uspokojovat jejich vlastní potřeby“; podotýkáme, že možnosti a potřeby budoucích
generací viděné z pohledu generace současné). A potom, takto viděný rozvoj je vyhlašován za
žádoucí, čímž se orientuje spíše na předepisování než na předvídání. Jenže na předepisování
tento koncept příliš spolehlivý základ nemá, neboť:
•
„idea o univerzální hierarchii potřeb není dostatečně empiricky podložena“ (SMELSER
1994), což zjevně platí nejen v prostoru, ale (možná ješte více) i v čase;
•
také naše normy a standardy (toho, co je optimální či žádoucí) jsou historickými
produkty (vyvíjejí se v čase) a vždy odrážejí naše zájmy a hodnoty (cf. PUTNAM
& RORTY 1997), zdaleka ne vždy mezikulturně přenosné a přijatelné;
•
je těžké operacionalizovat už i současné potřeby a možnosti jejich uspokojování, natož
ještě ty budoucí, zejména „díky“ enormní neurčitosti některých předpokladů i faktů,
„rozparcelování“ informací o světě a jejich kontrole různými (navzájem
nekomunikujícími) technickými elitami, nekonzistentnosti a „prchavosti“ veřejného
mínění a podobně (cf. COSTANZA 2000);
•
je extrémně těžké až sporné operacionalizovat a kvantifikovat celou množinu
okrajových podmínek, určujících proměnných, jejich prahových hodnot a časových škál,
v nichž se udržitelný vývoj ekosystému nějaké hierarchické úrovně (včetně jeho lidské
složky) může změnit na neudržitelný, s jakou pravděpodobností k tomu může dojít,
jakou rychlostí, do jaké míry budou změny vratné, kompenzovatelné, jaké jsou jejich
alternativy...
•
je těžké (trvale) udržitelný rozvoj už jen konceptualizovat (porovnejme množství
různých přístupů a chápání), natož ještě navrhovat testovatelné hypotézy a na základě
jejich testovaní/falzifikace budovat něco jako teorii udržitelného rozvoje, která v tomto
smyslu vlastně stále neexistuje.
Navíc z tohoto pojmu „vyčuhuje“ i jedna z nápadných podob univerzální touhy většiny lidí touhy dívat se na svět z pohledu „Božího oka“ (cf. PUTNAM & RORTY 1997), které je schopné
nezkresleně vidět a vyhodnocovat nejen potřeby a možnosti minulých a současných generací,
ale i potřeby a možnosti těch budoucích. Pro realisty, věřící i nevěřící, by to byl pohled
pravděpodobně velmi lákavý, jen jestli při něm (jak se to už realistům občas stává) ambice
poněkud nepřesahují schopnosti/možnosti a nevyžadují důraznou korekci popperovským
59
požadavkem intelektuální skromnosti a karteziánskou metodickou skepsí. Obě paradigmata kvalitu života i udržitelný rozvoj – proto můžeme pracovně zařadit do kategorie „science
& art“, tedy mezi obory na pomezí vědy a umění. S tou drobnou „diferencí“, že kvalitě života
by asi bylo lépe v koutku bližším vědě, zatímco udržitelný rozvoj bude bližší uměleckému
rozměru této kategorie.
Nyní se zase můžeme vrátit do normálního diskurzu a pokusit se najít nějaké vědecky
konformní východisko. Nabízí se jedno parsimonické: přinejmenším pro výzkumné účely pojem
udržitelného rozvoje není nevyhnutelný, stačí vyvíjející se produktivní pojem kvality života,
operacionalizovaný vhodnými proměnnými a modelovaný vícerozměrnými metodami jak
stavově (synchronicky), tak i průběhově (diachronicky) a podle možností i alternativně anebo
variantně. Při diachronickém přístupu - založeném standardně na metodách analýzy časových
řad (i vícerozměrných) - nám kromě dostupnosti dat, jejich neurčitosti a vlastní předpojatosti
nic zásadního nebrání zkoumat vybrané ukazatele (skupiny ukazatelů) kvality života simultánně
v různě dlouhých časových škálách a statistickou inferencí dospět k adekvátnějšímu poznání
zákonitostí a úrovní jejich chování v čase, jako je periodicita, trendy, jejich perzistenční časy
(doby trvání či udržování) a porovnáváním s prahovými hodnotami - pokud jsou známé
a spolehlivé - i jejich udržitelnosti.
Jaká je informační hodnota dvou základních typů používaných dat - „tvrdých“ (ze
statistických zjišťování) a „měkkých“ (z průzkumů veřejného mínění)?
Zde se stručně zaměříme jen na několik dílčích poznatků, ke kterým jsme došli v průběhu prací:
•
analyzované unikátní proměnné se rekrutují víceméně proporciálně z „měkkých“
i „tvrdých“ dat, zatímco komplexní proměnné téměř výlučně z „tvrdých“ dat, což má
nepřehlédnutelné metodologické důsledky na použitelnost regresní analýzy (do modelů
si vybírá hlavně unikátně proměnné) vs analýzy položek, upřednostňující komplexní
proměnné, a tím vytěsňující „měkká“ data;
•
neproporciální úbytek „měkkých“ proměnných po „zásahu“ analýzy položek na národní
úrovni dokládají i výsledky statistických testů (dvojstranný test chí-kvadrát; χ21,0.05 =
2.9, p = 0.088), i když ne na hladině významnosti α = 0.05.
Jaký význam má odlišení přístupů a priori a a posteriori v kvantitativním sociologickém
výzkumu, jaké jsou hlavní výhody a nevýhody těchto dvou přístupů?
Hned zpočátku jetřeba poznamenat (zcela v duchu apriorního přístupu), že pokud chceme
dostat líbivé a přehledné výsledky v úhledných mapách, grafech a tabulkách, silně
zjednodušujících komplexní realitu a dávajících jasné a jednoznačné odpovědi, pak apriorní
postupy jsou vhodnou volbou. Pokud jste však ochotni podstoupit složité až ezoterické výpočty,
dávající několikeré možnosti interpretace, pak jistě najdete zalíbení v aposteriorních přístupech.
Při teoreticky (anebo expertním odhadem) odvozených konstrukčních parametrech modelů na
způsob indexu kvality a udržitelnosti života (parametry jako počet a složení skupin, podíl
„měkkých“ a „tvrdých“ dat v nich) doporučujeme vždy validizovat parametry i modely
vhodnými komputačními (daty vedenými) technikami výběru proměnných, analýzy položek,
regresní analýzy, ordinace (faktorové analýzy), shlukové analýzy apod. Silný důraz by se měl
klást na jednotlivé proměnné, ne na jejich různé možné skupiny, zvláště ne na ty definované
a priori (jako např. „hlavní problémové okruhy“, „vývojové potenciály“, „formativní
regulátory“). To hlavně proto, že jen proměnné samotné nesou originální informaci. Jejich
a priori seskupení mohou tuto informaci jen přeuspořádat (i když někdy dost podstatně),
zatímco a posteriori přístupy (jako nepřímá ordinace a shluková analýza) jsou schopny přinést i
dodatečný informační zisk odhalením „latentních“ vlastností společných pro některé
60
podmnožiny proměnných. Z těchto důvodů je třeba jakékoli apriorní teoretické klasifikační
schéma indikátorů kvality života přijímat opatrně.
Jiný silný podnět pro používání efektivních technik výběru proměnných dává velká
redundantnost celých souborů indikátorů na všech úrovních, kterou je žádoucí značně
zredukovat. Tím udržíme modely dostatečně jednoduché a interpretovatelné.
Všeobecně v procesu získávání poznatků z dat o kvalitě života musíme zdůraznit potřebu
kvantitativního a daty vedeného přístupu soustřeďujícího se na testování konkrétních hypotéz
s predikční silou za pomoci transdisciplinárních kvantitativních nástrojů (statistických
procedur). Takový přístup může mít několik výhod vůči kvalitativnímu a popisnému přístupu
vedenému teoretickými konstrukcemi a úvahami. Může dělat výsledky méně idiosynkratickými
a vybavit je větší vědeckou přísností, konzistentností, všeobecností, operacionálností,
opakovatelností, porovnatelností a komunikovatelností napříč vědeckými disciplínami.
Z hlediska kvantitativního a daty vedeného přístupu můžeme dosud předložené dvoja vícerozměrné metodologické poznatky shrnout do „přehledného plánu trasování poznání“
v oblasti kvality života. Trasa poznávání (po skríningovém „zorientování“ plánu, tedy
otestování splnění předpokladů dat na statistickou analýzu) by v naprosté většině případů mohla
začínat u korelační analýzy vybraného souboru proměnných. Na konci trasy leží „rozdvojka“
(bifurkace), posílající nás buď ke komplexním (pokud chceme maximalizovat vnitřní
konzistentnost, opakovatelnost a spolehlivost výsledků), nebo unikátním proměnným (pokud
chceme maximalizovat informační zisk). Na další „vyčištění“ komplexních proměnných je
zvlášť dobře stavěna analýza položek, na „vychytání“ unikátních proměnných zase regresní
analýza. Obojí najednou je možné provést cestou nepřímé ordinace. Regresní analýza
a nepřímá ordinace, společně s přímou ordinací, umožňují kromě „čištění“ (třídění) i „nalévat“
proměnné do cíli přiměřených modelů a interpretovat/vysvětlovat jejich chování.
Pokud kvantitativní a daty vedený (aposteriorní) přístup nepřijmeme, i tak některé
z naznačených metodických tras pro nás zůstávají otevřené. Analýza položek například může
udělat dobrou službu při výberu proměnných uvnitř a priori vymezených skupin, a korelační
i regresní analýza jsou metody natolik nespecifické a přizpůsobivé, že je možné se jimi
smysluplně ptát i na mnohé otázky postavené na apriorně vymezených skupinách.
Jaké závěry/doporučení plynou ze získaných výsledků pro směřování výzkumné činnosti
pracoviště CESES?
Pro sociologii i příbuzné nauky o společnosti se netušený vysvětlovací potenciál a inspirační
zdroje (a možnosti „nového redukcionismu“ a nové etiky) mohou skrývat v nesamolibém
a nedomýšlivém darwinovském obrázku lidí a jejich společenství jako jen o něco
komplikovanějších živočichů, nesoucích si s sebou všechna břemena prehistorické evoluce
a různými způsoby a na různých úrovních se s nimi vyrovnávajících.
V této souvislosti navrhujeme naplno uplatňovat princip subsidiarity vysvětlování, čímž máme
na mysli vyčerpávání vysvětlující síly zdola nahoru, tedy požadavek nevystupovat při
vysvětlování daného jevu na vyšší úrovně integrace/organizace společnosti (např. sociologické),
pokud se může uspokojivé vysvětlení podat na nižší úrovni (např. biologické).
Z výše nastíněného „přehledného plánu trasování poznání“ v oblasti kvality života vychází
i závěrečná stručná rekapitulace nejdůležitějších metodologických „strategických tahů“ pro
výzkumníky z oblasti sociálních i biologických disciplín:
1) tah principu parsimonie, nutícího nás s minimem prostředků (proměnných, modelů,
teoretických konstrukcí) získat maximum užitečné informace o předmětu zájmu,
a používat jen ty pojmy a teoretické konstrukce, které jsou pro vysvětlení či předvídání
61
a intervenci do pozorovaných jevů nevyhnutelné (což např. nemusí být případ pojmu
udržitelný rozvoj);
2) tah hypoteticko-deduktivního přístupu: 2a) klást si co nejkonkrétnější, dobře
definovatelné a testovatelné otázky a hledat na ně odpovědi s co největší predikční
schopností, méně se věnovat univerzálním a více speciálním až jedinečným modelům
(případové studie), 2b) v rámci těchto modelů se méně věnovat modelování
(popisování) vzorců (struktur) a více modelování důležitých společenských procesů
(demografických, urbanizačních...);
3) tah kvantitativního, daty vedeného přístupu: 3a) je krásné a užitečné, když se poznání
volně roztéká po krajině (například po „krajině priorit“), ale této konkrétní krajině
v tomto konkrétním čase by velmi prospělo právě hlubší „trasování“ poznání (viz.
výše) do standardizovaných, vhodně dimenzovaných metodických koryt s měřitelnými
přítoky a jinými parametry na přítocích (východiscích) i v ústích (cílech); 3b) je krásné
a užitečné, když je zkoumající subjekt přítomen v každé chvíli na každém místě své
práce, ale by spíše prospělo čestné „vycouvání“ subjektu z některých míst (konkrétně
z co nejvíce míst ve fázi od sběru po analýzy dat včetně), aby mohl být o to
soustředěněji přítomný ve fázi před (při projektování výzkumu) i ve fázi po, tedy při
interpretaci a/nebo vysvětlování výsledků;
4) tah operacionálního přístupu: při snaze operacionalizovat takové těžké pojmy jako
udržitelný rozvoj doporučujeme co nejkonkrétnější přístup, krok za krokem, přes
případové studie, analyzující okrajové podmínky a prahy (thresholds) událostí nebo
procesů, které se už staly a ukázaly jako neudržitelné. „Učit se z budoucnosti“ sice zní
hezky metaforicky až básnicky, nicméně operacionalizovatelnost a praktická
použitelnost tohoto výroku zůstává velmi problematická.
62
Literatura
BAKER, J. P., HULSE, D. W., GREGORY, S. V., WHITE, D., VAN SICKLE, J., BERGER, P. A., DOLE,
D. & SCHUMAKER, N. H. 2004: Alternative futures for the Willamette River Basin, Oregon.
Ecological Applications, 14/2: 313–324.
COSTANZA, R. 2000: Visions of alternative (unpredictable) futures and their use in policy analysis.
Conservation Ecology 4/1: 1–18.
Český statistický úřad 1994-2003: Statistické ročenky České republiky. ČSÚ, Praha <online:
www.czso.cz>
FILKORN, V. 1998: Povaha súčasnej vedy a jej metódy. Veda, Bratislava, 379 pp.
GAUCH, H. G., Jr. 1982: Multivariate Analysis in Community Ecology. Cambridge University Press,
Cambridge, 299 pp.
GLENN, J. C., GORDON, T. J., et al. 2001: State of the Future. The Millennium Project. American
Council for the United Nations University, Washington, D.C.
HINTZE, J. L. 1997–2001: User’s Guide - I, II, IV. NCSS Statistical System. Number Cruncher
Statistical Systems, Kaysville, Utah, 3492 pp.
CHAJDIAK, J., KOMORNÍK, J. & KOMORNÍKOVÁ, M. 1999: Štatistické metódy. Statis, Bratislava, 284 pp.
JONGMAN, R. H. G., TER BRAAK, C. J. F. & VAN TONGEREN, O. F. R. 1995: Data Analysis in Community
and Landscape Ecology. Cambridge University Press, Cambridge, 324 pp.
KENDALL, M. 1980: Multivariate analysis. 2nd ed. Charles Griffin, London.
LEGENDRE, L. & LEGENDRE, P. 1983: Numerical Ecology. Elsevier, Amsterdam - Oxford - New York.
MATULNÍK, J. 2001: Tvorba projektu sociologického výskumu - príklady z výskumu pôrodnosti. Pp. 29–
43 in: RITOMSKÝ, A. & IMRICHOVIČOVÁ, M. (eds), Súčasné trendy v analýze sociologických
údajov. Honner a Fakulta humanistiky Trnavskej univerzity, Martin.
MEDERLY, P., NOVÁČEK, P. & TOPERCER, J. 2002a:How to Measure Progress Towards Sustainability –
The Sustainable Development Index. Futures Research Quarterly, 18,2, pp. 5-24.
MEDERLY, P., NOVÁČEK, P. & TOPERCER, J. 2002b: Indikátory vývoje české společnosti v kontextu
společenské modernizace, kvality a udržitelnosti života. 29 pp., ms. [depon. in: CESES, Praha]
MEDERLY, P., NOVÁČEK, P. & TOPERCER, J. 2003: Sustainable Development Assessment: Quality and
Sustainability of Life Indicators at Global, National and Regional Level. Foresight, 5,5, pp. 4249.
Ministerstvo životního prostředí ČR & Český statistický úřad 2000: Statistická ročenka životního
prostředí ČR. MŽP ČR & ČSÚ, Praha.
MOLDAN, B. et al., 2000: Czech Republic 2000. Ten Years on: Environment and Quality of Life after
Ten Years of Transition. Prague: Charles University Environment Center.
POTŮČEK, M., et al. 2002: Průvodce krajinou priorit pro Českou republiku. CESES, Fakulta sociálních
věd Univerzity Karlovy & Gutenberg, Praha, 686 pp.
POTŮČEK, M., et al. 2003: Zpráva o lidském rozvoji. Česká republika 2003. Univerzita Karlova
v Praze, UNDP, Praha. 123 pp.
PRESCOTT-ALLEN, R. 1999: Assessing Progress Towards Sustainability: The System Assessment
Method. IUCN International Assessment Team / PADATA. <online:
http://iucn.org/themes/eval/english/index.htm>
PUTNAM, H. & RORTY, R. 1997: Co po metafyzice? (Hilary Putnam a Richard Rorty o realismu
a relativismu). Archa, Bratislava, 96 pp.
63
RITOMSKÝ, A. 2001: Metodologická reflexia sociologických výskumov. Pp. 11–28 in: RITOMSKÝ,
A. & IMRICHOVIČOVÁ, M. (eds), Súčasné trendy v analýze sociologických údajov. Honner
a Fakulta humanistiky Trnavskej univerzity, Martin.
SAMUEL-JOHNSON, K., ESTY, D. C., et al. 2001: 2001 Environmental Sustainability Index. An Initiative
of the Global Leaders of Tomorrow Environment Task Force, World Economic Forum. Yale
Center for Environmental Law and Policy, Yale University. <online: http://www.weforum.org>
SMELSER, N. J. 1994: Sociology. Blackwell, Cambridge.
SOKAL, R. R. & ROHLF, F. J. 1995: Biometry. 3rd ed. W. H. Freeman & Co., New York, 892 pp.
TER BRAAK, C.
J. F. 1996: Unimodal models to relate species to environment. DLO-Agricultural
Mathematics Group, Wageningen, 266 pp.
TER BRAAK, C.
J. F. & ŠMILAUER, P. 2002: CANOCO Reference Manual and CanoDraw for Windows
User’s Guide: Software for Canonical Community Ordination (version 4.5). Biometris,
Wageningen & České Budějovice, 500 pp.
TER BRAAK, C.
J. F. & VERDONSCHOT, P. F. M. 1995: Canonical correspondence analysis and related
multivariate methods in aquatic ecology. Aquatic Sciences 57/3: 255–289.
TOPERCER, J., MEDERLY, P. & NOVÁČEK, P. in prep.: Information value of the „soft“ vs „hard“
data on quality and sustainability of (human) life. 5 pp., ms.
UN 2000: Information for decision-making and participation. Report to the Secretary-General.
Commission on Sustainable Development work programme on indicators of sustainable
development. United Nations, Economic and Social Council, New York. <online:
http://www.sdi.gov/reports.htm>
UN 2000: Report on the Aggregation of Indicators of Sustainable Development. Background paper for
the ninth session of the CSD. United Nations, Division for Sustainable Development, New York.
UN 2000: Indicators of Sustainable Development: Framework and Methodologies. Background paper
for the ninth session of the CSD. United Nations, Division for Sustainable Development, New
York.
UN CSD 2001: Highly Aggregated Sustainable Development Indices. Consultative Group on
Sustainable Development Indicators, IISDnet. <online: http://esl.jrc.it/envind/dashbrds.htm>
UNDP 1990-2002: Human Development Report. United Nations Development Program, New York.
VAGAČ, L. (ed.) 2000: Národná správa o ľudskom rozvoji. Slovenská republika 1999. UNDP, Centrum
pre hospodársky rozvoj, Bratislava, 141 pp.
VAN DE KAA, D.
J. 1996: Anchored narratives: the story and findings of half a century of research into
determinants of fertility. Population Studies, 50/3: 389–432.
VOTOČKOVÁ, T. (ed.) 1998: Testing United Nations Indicators of Sustainable Development - Results of
the Czech Republic. Český ekologický ústav, Praha, 15 pp. + přílohy.
World Bank 2003: World Development Indicators CD-ROM. The World Bank, Washington, D.C.
ZAR, J. H. 1996: Biostatistical Analysis. 3rd ed. Prentice-Hall, Upper Saddle River, 662+256 pp.
64
Příloha 1 - Ukazatele vstupující do výpočtu indexu lidského rozvoje (rok 2000)
Hodnocené ukazatele
ČR
A11 - přirozený přírůstek na 1000 obyvatel
-1.8
-3.4
-2.6
-1.2
-2.0
-0.4
-0.9
-1.0
A12 - přírůstek stěhováním na 1000 obyvatel
0.6
-1.5
5.9
0.8
0.9
-1.0
0.8
1.3
74.74
76.16
74.22
75.16
74.80
73.91
73.21
74.16
10.6
11.3
11.5
10.2
10.8
9.9
10.6
10.5
A13 - střední délka života (pravděp. dožití při narození,roky)
PHA
STČ
JHČ
PLK
KVK
ULK
LBK
A21 - celková úmrtnost na 1000 obyvatel
A22 - kojenecká úmrtnost na 1000 dětí
4.1
2.3
3.5
3.5
5.1
5.2
5.9
4.9
A23 - prům. procento pracovní neschopnosti
6.46
5.00
5.75
6.33
6.48
6.18
6.50
7.13
A24 - počet obyvatel na 1 lékaře
290
179
346
292
250
295
324
315
A25 - počet lůžek v nemocnicích a OLÚ na 1000 obyv.
8.5
10.2
7.7
7.7
9.5
6.8
8.9
7.5
A26 - počet zjištěných trestných činů na 1000 obyv.
38.1
90.4
40.8
29.8
31.3
35.0
38.8
37.4
A27 - objasněnost trestných činů v %
44.0
26.2
42.8
57.6
49.0
54.5
53.7
46.9
A31 - hustota obyvatel na 1 km2
130
2382
101
62
73
92
155
136
A32 - podíl městského obyvatelstva v %
70.1
100.0
55.8
64.9
67.5
81.8
80.4
78.9
A33 - podíl lesů v % celkové plochy
33.4
9.8
27.6
37.2
39.4
43.1
29.7
44.1
1.9
A34 - rozloha maloplošných chráněných území v % celkové plochy
1.1
4.3
1.1
1.2
1.1
1.0
0.5
A35 - měrné emise REZZO 1-43 v t na km2 (celkem)
10.8
37.2
8.5
4.4
5.8
14.3
34.5
8.1
A36 – podíl obyvatel napojených na veřejný vodovod (%)
87.1
99.9
72.3
92.7
81.4
99.1
95.1
82.3
A37 – podíl obyvatel napojených na veřejnou kanalizaci (%)
74.8
99.3
51.2
84
70.8
95.4
80.2
64.2
B1 – Úroveň školství a vzdělanost obyvatel
B11 - podíl studujících na středních školách z celkového počtu
obyvatel produktivního věku (%)
6.3
B12 - podíl studentů gymnázií na celk. počtu studentů na SŠ (%)
25.3
B13 - podíl vysokoškolsky vzděl. obyv. na dospělé populaci (%)
8.6
B14 - podíl středoškolsky vzděl. obyv. na dospělé populaci (%)
30.0
B15 - podíl zaměstn. terciárního sektoru na celk. počtu zaměstn.
(%)
51.2
7.2
5.0
7.1
5.7
5.9
6.0
5.9
30.6
27.2
23.4
23.8
22.0
20.7
22.6
19.3
5.7
6.9
7.4
6.0
5.0
6.1
40.3
28.7
30.8
30.1
28.5
25.2
26.4
79.6
46.1
43.8
45.3
47.6
49.8
42.5
B21 - počet sňatků na 1000 obyvatel
5.4
5.9
5.4
5.5
5.7
6.1
5.4
5.7
B22 - počet rozvodů na 100 sňatků
53.7
55.1
54.7
50.2
53.4
62.9
60.4
53.2
B23 - počet potratů na 1000 narozených dětí
52.0
54.6
51.4
50.6
57.1
68.8
63.4
58.6
B24 - podíl VŠ vzdělaných žen z počtu žen ve věku nad 15 let (%)
6.8
15.1
4.8
5.7
5.8
4.9
4.1
5.4
B31 - registrovaná míra nezaměstnanosti v %
8.78
3.42
6.8
5.82
6.47
8.02
16.15
6.44
B32 - počet uchazečů o práci na 1 volné pracovní místo
8.8
4.5
4.6
5.8
5.4
8.5
23.8
3.8
B33 - podíl absolventů a mladistv. na neumístěn. uchazečích (%)
12.7
8.4
12.0
12.9
10.5
12.3
12.2
11.9
B34 – podíl ekonomicky aktivních obyvatel (%)
50.1
54.1
50.6
50.9
51.5
54.0
50.1
51.4
B3 – Práce a možnosti společenského uplatnění
C1 – Ekonomická výkonnost regionu
C11 - hrubý domácí produkt na obyvatele (Kč)
190750 408259 159813 170696 184811 157259 155305 161031
C12 - počet soukromých podnikatelů na 1000 obyv.
143
214
148
140
141
149
124
158
C13 - pořízené hmotné a nehmotné investice na obyv.
49.2
93.4
55.8
57.9
45.0
35.2
40.1
40.3
C14 – délka železniční a silniční sítě v km / km2
0.8
0.5
1.0
0.7
0.8
0.7
1.0
0.9
C21 - průměrná hrubá měsíční mzda v Kč
13484
C22 - průměrná výše starobního důchodu v Kč
6292
18865 13429 12551 12829 12119 12646 12435
6682
6269
6181
12.0
23.5
20.3
20.9
14.3
9.4
11.9
2610
1199
843
1003
1642
2244
1253
19.4
19.4
22.0
53.1
46.9
21.8
C23 - počet vydaných stavebních povolení na 1000 obyv.
16.4
C24 – průměrná hodnota staveb na 1 stavební povolení
1356
C25 - osoby v evidenci sociálně potřebných na 1000 obyv.
35.0
12.6
6262
6243
6337
6215
65
Příloha 1 - pokračování
Hodnocené ukazatele
ČR
A11 - přirozený přírůstek na 1000 obyvatel
-1.8
-1.5
-1
-1.2
-2.2
-1.9
-1.5
-1.2
A12 - přírůstek stěhováním na 1000 obyvatel
0.6
-0.1
0.7
-0.2
0.7
0.4
0.7
-1.4
74.74
75.4
74.7
75.3
75.3
75.0
74.7
74.0
A13 - střední délka života (pravděp. dožití při narození,roky)
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
A21 - celková úmrtnost na 1000 obyvatel
10.6
10.5
10.1
10.3
10.6
10.5
10.3
10
A22 - kojenecká úmrtnost na 1000 dětí
4.1
2.8
4.1
3.2
3.2
4.5
3.8
5.8
A23 - prům. procento pracovní neschopnosti
6.46
6.6
6.7
6.5
7.0
7.0
7.8
7.8
A24 - počet obyvatel na 1 lékaře
290
269
331
331
268
288
335
301
A25 - počet lůžek v nemocnicích a OLÚ na 1000 obyv.
8.5
8.7
8.1
9.9
8.1
8.1
8.4
8.6
A26 - počet zjištěných trestných činů na 1000 obyv.
38.1
24.3
23.2
17.9
32.2
28.6
21.6
32.65
A27 - objasněnost trestných činů v %
44.0
61.9
57.6
57.7
44.5
52.1
54.1
51.6
A31 - hustota obyvatel na 1 km2
130
115.8
112.6
75.2
161
124.7
150.8
230.1
A32 - podíl městského obyvatelstva v %
70.1
69
62
58.4
63.5
58.4
61.2
77
A33 - podíl lesů v % celkové plochy
33.4
30.9
29.3
30.3
27.8
34.4
39.6
35.4
A34 - rozloha maloplošných chráněných území v % celkové plochy
1.1
2.5
1.1
0.8
1.1
1.1
0.4
0.8
A35 - měrné emise REZZO 1-43 v t na km2 (celkem)
10.8
7.2
12
3.9
2.7
5.5
6
36.5
A36 – podíl obyvatel napojených na veřejný vodovod (%)
87.1
86.5
91.5
71.9
87.4
82
80
92.1
A37 – podíl obyvatel napojených na veřejnou kanalizaci (%)
74.8
71.9
64.1
63.3
75
63
75.7
80.5
6.3
6.3
6.7
6.8
6.4
6.7
6.2
25.2
25.0
22.9
27.4
26.9
22.5
24.2
7.1
7.3
5.8
10.6
7.4
7.2
7.4
29.8
30.4
30.6
29.7
27.0
27.3
28.6
44.2
43.8
36.8
53.5
47.6
41.9
47.4
B1 – Úroveň školství a vzdělanost obyvatel
B11 - podíl studujících na středních školách z celkového počtu
obyvatel produktivního věku (%)
6.3
B12 - podíl studentů gymnázií na celk. počtu studentů na SŠ (%)
25.3
B13 - podíl vysokoškolsky vzděl. obyv. na dospělé populaci (%)
8.6
B14 - podíl středoškolsky vzděl. obyv. na dospělé populaci (%)
30.0
B15 - podíl zaměstnanců tercierního sektoru na celk. počtu
zaměstnanců (%)
51.2
B21 - počet sňatků na 1000 obyvatel
5.4
5.5
5.2
5.1
5.3
4.9
5
5
B22 - počet rozvodů na 100 sňatků
53.7
51.1
49.8
43.7
48.2
54.7
43.3
62.6
B23 - počet potratů na 1000 narozených dětí
52.0
50.2
44
41.5
47
49.4
44.1
51.4
B24 - podíl VŠ vzdělaných žen z počtu žen ve věku nad 15 let (%)
6.8
5.0
6.4
4.1
7.8
6.1
5.6
5.7
B31 – registrovaná míra nezaměstnanosti v %
8.78
5.89
7.87
7.48
9.35
11.87
8.14
15.13
B32 - počet uchazečů o práci na 1 volné pracovní místo
8.8
3.3
5.4
7.4
12.3
10.3
12.3
31.8
B33 - podíl absolventů a mladistv. na neumístěn. uchazečích (%)
12.7
12.3
11.5
12.3
15.6
12.9
12.9
13.3
B34 – podíl ekonomicky aktivních obyvatel (%)
50.1
50.9
49.1
49.2
50.0
43.4
48.8
48.4
B3 – Práce a možnosti společenského uplatnění
C1 – Ekonomická výkonnost regionu
C11 - hrubý domácí produkt na obyvatele (Kč)
190750 168764 160563 152820 171977 148455 158124 159690
C12 - počet soukromých podnikatelů na 1000 obyv.
143
141.9
121.6
110.7
135.4
129.1
139.0
120.1
C13 - pořízené hmotné a nehmotné investice na obyv.
49.2
37.7
39.8
37.1
41.8
41.8
37.4
41.7
C14 – délka železniční a silniční sítě v km / km2
0.8
0.9
0.9
0.8
0.7
0.8
0.6
0.7
C21 - průměrná hrubá měsíční mzda v Kč
13484
C22 - průměrná výše starobního důchodu v Kč
6292
6187
6158
6131
6215
6142
6159
6388
C23 - počet vydaných stavebních povolení na 1000 obyv.
16.4
17.6
14.2
21.0
19.4
18.7
14.3
12.6
C24 – průměrná hodnota staveb na 1 stavební povolení
1356
1523
1134
952
895
924
1277
993
C25 - osoby v evidenci sociálně potřebných na 1000 obyv.
35.0
41.3
32.7
32.4
44.6
32.0
32.6
68.4
66
12312 11917 11721 12534 11892 12114 12966
Příloha 2 – Seznam ukazatelů rozvoje regionů ČR (data za rok 2001)
Kód
Oblast / indikátor
Měrná jedn.
A01
Společensko-politická oblast
Účast ve volbách do krajských zastupitelstev
%
A02
Zjištěné trestné činy
na 1000 obyv.
A03
Objasněnost trestných činů
%
A04
Počet znásilnění
Počet vražd
na 100000 obyv.
na 100000 obyv.
A07
Sňatky
Rozvodovost na 1000 obyv.
na 1000 obyv.
%o
A08
Rozvody na 100 sňatků
%
A09
A10
Potraty na 100 narozených dětí
Počet dopravních nehod
%
na 1000 obyv.
A11
Počet usmrcených osob při dopravních nehodách
na 100000 obyv.
A12
Sebevraždy
na 100000 obyv.
A05
A06
Sociální oblast
B01
B02
Porodnost
Úmrtnost
%o
%o
B03
Přirozený přírůstek
na 1000 obyv.
B04
Imigrace
%o
B05
Emigrace
%o
B06
Přírůstek stěhovánim
na 1000 obyv.
B07
Celkový přírůstek obyvatelstva
%o
B08
Střední délka života
roky
B09
Střední očekávaná délka života při narození – muži
roky
B10
B11
Střední očekávaná délka života při narození – ženy
Zastoupení žen v populaci
roky
%
B12
Podíl populace do 14 let
%
B13
Podíl populace nad 65 let
%
B14
B15
Index stáří / vitality
Průměrný věk obyvatel
index
roky
B16
Hustota obyvatelstva
obyv/km
B17
Podíl městského obyv.
%
B18
B19
Index diverzity velikostní struktury obcí
Index vyrovanosti velikostní struktury obcí
index
index
B20
Podíl obyvatel v malých obcích /do 1000 obyv./
%
B21
Podíl obyvatel ve větších městech /nad 50000 obyv./
%
B22
Průměrná velikost obce
obyv./obec
B23
Průměrná hrubá měsíční mzda v Kč
Kč
B24
Průměrná měsíční výše důchodu v Kč
Osoby v evidenci sociálně potřebných
Kč
na 1000 obyv.
B25
2
67
Kód
B26
Oblast / indikátor
Měrná jedn.
B27
Vyplacené dávky státní sociální podpory celkem
Podíl dlouhodobě nezaměstnaných osob /nad 24 měs./
Kč/obyv.
%
B28
Počet míst v zařízeních sociální péče
na 1000 obyv.
B29
Průměrná obytná plocha dokončených bytů
m
B30
Novorozenecká úmrtnost
%o
B31
B32
Kojenecká úmrtnost
Zemřelí na novotvary
na 1000 obyv.
na 100000 obyv.
B33
Zemřelí na nemoci oběhové soustavy
na 100000 obyv.
B34
Obyvatelé na 1 lékaře
osoby
B35
Lůžka nemocnice a OLU
na 1000 obyv.
B36
Počet ordinací /praktický a dětský lékař/
na 10000 obyv.
B37
B38
Počet stomatologických ordinací
Průměrné procento pracovní neschopnosti
na 10000 obyv.
%
B39
Průměrná doba trvání pracovní neschopnosti
dny
B40
Studující na stř. školách
% obyv. 15+
B41
Studující na gymnáziích
% středoškoláků
B42
B43
Podíl středoškolsky vzdělaného obyvatelstva
Podíl žen se středoškolským vzděláním
% obyv. 15+
% z obyv. 15+
B44
Počet fakult VŠ
% z celk. průměru
B45
Podíl vysokoškolsky vzdělaného obyvatelstva
% obyv. 15+
B46
Ženy – vysokoškolské vzdělání
%
B47
Počet veřejných knihoven
na 10000 obyv.
B48
Počet divadel
na 100000 obyv.
B49
Počet muzeí
na 100000 obyv.
2
Ekonomická oblast
68
C01
Hrubý domácí produkt
mld. Kč
C02
C03
Hrubý domácí produkt
Hmotné a nehmotné investice
tis. Kč / obyv.
tis. Kč/obyv
C04
Tržby z průmyslové činnosti
tis. Kč/zaměst.
C05
Stavební práce – objem
tis. Kč/obyv.
C06
C07
Ekon. aktivní obyv.
Evidenční počet zaměstnanců
%
% obyv.
C08
Zaměstnanost v primárním sektoru
%
C09
Zaměstnanost v sekundárním sektoru
%
C10
Zaměstnanci v terciárním sektoru
%
C11
C12
Počet právnických osob
Počet fyzických osob
na 1000 obyv.
na 1000 obyv.
C13
Soukromí podnikatelé podnikající dle živnost. zákona
na 1000 obyv.
C14
Volná pracovní místa
na 1000 EA obyv.
C15
Uchazeči o zaměstnání
% ekon. aktivních
C16
Registrovaná míra nezaměstnanosti
%
C17
Míra nezaměstnanosti žen
%
Kód
Oblast / indikátor
Měrná jedn.
C18
Neumístění absolventi škol a mladiství
% neumíst.
C19
Počet uchazečů na 1 volné místo
osoby
C20
Počet vydaných staveb. povolení
na 1000 obyv.
C21
Průměrná hodnota na 1 stavební povolení v tis. Kč
tis. Kč
C22
Počet evidovaných motorových vozidel
voz./1000 obyv.
C23
Hustota železniční a silniční sítě/km
km/km
2
C24
Hustota železničních tratí
km/km
2
C25
Hustota silniční sítě
km/km
2
C26
Hustota dálniční sítě
km/100 km
C27
Orná půda na obyvatele
ha/obyv.
C28
Orná půda % z území
% plochy
C29
Intenzita chovu skotu
na 100 ha ZP
C30
Intenzita chovu prasat
na 100 ha OP
C31
Počet lůžek v ubytovacích zařízeních
na 1000 obyv.
C32
Hosté v ubytovacích zařízeních
na 1000 obyv.
C33
Cizinci v ubytovacích zařízeních
na 1000 obyv.
2
Environmentální oblast
D01
Index diverzity využití země
Index
D02
Index vyrovnanosti využití země
Index
D03
Index ekologické stability krajinné struktury
Index
D04
Podíl maloplošných chráněných území
%
D05
Podíl lesů ochranných a zvláštního určení
%
D06
Emise ze zdrojů REZZO 1-3
na km
D07
Emise základních znečisťujících látek REZZO 1-3
t / obyv.
D08
Celková produkce odpadů
t/obyv.
D09
Produkce nebezpečných odpadů
kg/obyv.
D10
Využití odpadů jako druhotné suroviny
%
D11
Spotřeba vody – fakturovaná pitná voda na obyv.
m /obyv.
D12
Podíl nahodilé těžby na celkové těžbě dřeva
%
D13
Podíl čištěných odpadních vod
%
D14
Podíl obyv. zásob. vodou z veřej. vodovodů /%/
%
D15
Podíl obyv. bydl. v domech napojených na veřejnou kanalizaci /%/
%
D16
Investice na ochranu životního prostředí
Kč/obyv.
D17
Investice na ochranu životního prostředí
Kč/ha
2
3
69
Příloha 3 –Vstupní data pro výpočet indexu lidského rozvoje regionů ČR (data za rok 2001)
Kód ČR
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
A01
33,64
35,29
32,77
34,13
35,55
28,44
29,68
33,07
34,74
36,46
35,86
34,93
34,19
36,07
32,24
A02
A03
A04
A05
A06
A07
A08
A09
38,10
43,98
4,87
2,72
5,40
2,89
53,70
52,00
90,60
26,15
4,91
4,15
5,90
3,25
55,10
54,60
40,80
42,84
5,29
6,01
5,40
3,00
54,70
51,40
29,80
57,61
4,47
2,08
5,50
2,74
50,20
50,60
31,30
49,01
4,90
3,63
5,70
3,03
53,40
57,10
35,00
54,48
4,27
1,31
6,10
3,81
62,90
68,80
38,80
53,74
7,26
2,54
5,40
3,29
60,40
63,40
37,36
46,94
5,83
2,56
5,70
3,05
53,20
58,60
24,30
61,87
5,08
1,27
5,50
2,83
51,10
50,20
23,20
57,63
3,15
1,97
5,20
2,61
49,80
44,00
17,90
57,70
3,65
1,15
5,10
2,23
43,70
41,50
32,20
44,49
4,05
2,11
5,30
2,56
48,20
47,00
28,60
52,14
5,77
1,56
4,90
2,70
54,70
49,40
21,60
54,14
3,01
2,17
5,00
2,20
43,30
44,10
32,65
51,56
5,16
1,88
5,00
3,10
62,60
51,40
A10
A11
A12
B01
B02
B03
B04
B05
B06
B07
B08
B09
B10
B11
B12
B13
B14
B15
B16
B17
B18
B19
B20
B21
16,65
12,23
16,06
8,80
10,60
-1,80
6,30
5,70
0,60
-1,20
74,74
71,65
78,35
51,33
16,21
13,86
116,97
38,80
130,00
70,10
1,72
0,88
16,88
33,05
34,34
6,77
18,20
8,00
11,30
-3,40
9,40
10,90
-1,50
-4,80
76,16
73,29
79,03
52,63
13,52
16,31
82,89
41,20
2382,10
100,00
0,00
0,00
0,00
100,00
22,79
19,55
14,62
8,90
11,50
-2,60
12,40
6,60
5,90
3,30
74,22
70,91
77,53
51,17
15,99
14,40
111,10
39,10
101,20
55,80
1,78
0,92
30,46
6,42
22,28
20,93
15,34
9,00
10,20
-1,20
5,50
4,70
0,80
-0,40
75,16
72,04
78,27
50,91
16,63
13,65
121,89
38,40
62,20
64,90
1,84
0,94
22,92
15,69
24,65
15,42
15,96
8,90
10,80
-2,00
5,00
4,10
0,90
-1,10
74,80
71,82
77,77
51,02
15,72
14,32
109,82
39,20
73,00
67,50
1,71
0,88
22,04
30,25
22,67
16,43
21,02
9,50
9,90
-0,40
6,20
7,20
-1,00
-1,40
73,91
70,78
77,03
51,11
16,92
11,95
141,56
37,70
91,80
81,80
1,66
0,85
11,25
17,79
19,02
9,79
15,60
9,70
10,60
-0,90
6,30
5,60
0,80
-0,20
73,21
69,83
76,59
50,96
16,96
12,18
139,31
37,70
155,00
80,40
1,60
0,82
12,12
38,92
21,89
11,88
16,31
9,50
10,50
-1,00
7,60
6,30
1,30
0,30
74,16
70,94
77,38
51,31
16,90
12,86
131,44
38,10
135,70
78,88
1,73
0,89
14,66
23,11
19,33
15,07
17,25
9,00
10,50
-1,50
5,70
5,80
-0,10
-1,60
75,42
72,16
78,67
51,35
16,36
14,55
112,47
39,00
115,80
69,00
1,77
0,91
22,79
17,81
16,17
13,17
11,21
9,10
10,10
-1,00
6,20
5,50
0,70
-0,40
74,71
71,10
78,32
51,05
16,84
14,06
119,75
38,40
112,60
62,00
1,75
0,90
26,65
17,95
16,91
15,75
12,67
9,10
10,30
-1,20
5,40
5,50
-0,20
-1,40
75,29
72,04
78,53
50,59
17,31
13,80
125,40
38,10
75,20
58,40
1,90
0,97
32,92
9,87
17,98
10,66
15,85
8,40
10,60
-2,20
4,30
3,60
0,70
-1,50
75,29
71,90
78,67
51,52
15,99
14,34
111,53
39,00
161,00
63,50
1,68
0,86
17,78
33,63
15,39
11,86
15,44
8,60
10,50
-1,90
5,30
4,80
0,40
-1,50
74,98
71,31
78,65
51,36
16,48
13,62
120,94
38,40
124,70
58,40
1,74
0,90
18,07
16,02
14,96
11,54
18,23
8,80
10,30
-1,50
5,00
4,20
0,70
-0,80
74,73
71,01
78,45
51,28
16,53
13,71
120,57
38,40
150,80
61,20
1,70
0,87
17,29
13,56
14,92
11,11
17,06
8,80
10,00
-1,20
2,60
4,00
-1,40
-2,60
73,95
70,13
77,77
51,15
17,16
12,33
139,22
37,80
230,10
77,00
1,44
0,74
6,08
46,44
70
Kód ČR
B22
B23
B24
B25
B26
B27
B28
B29
B30
B31
B32
B33
B34
B35
B36
B37
B38
B39
B40
B41
B42
B43
B44
B45
B46
B47
B48
B49
C01
C02
C03
C04
C05
C06
C07
1642,38
13484,00
6292,00
35,00
3102,76
19,06
7,25
72,70
2,50
4,10
279,60
566,81
290,00
8,54
6,34
5,26
6,46
28,00
6,31
25,32
30,04
33,13
100,00
8,56
6,77
7,01
2,11
6,32
1984833,
00
193,33
49,19
1726,00
18,79
50,14
30,39
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
1181126,
00
971,29
1004,61
1091,65
2306,06
2336,19
1986,67
1229,42
1122,66
713,37
1755,16
1631,23
1992,97
4245,97
18865,00 13429,00 12551,00 12829,00 12119,00 12646,00 12435,00 12312,00 11917,00 11721,00 12534,00 11892,00 12114,00 12966,00
6682,00
6269,00
6181,00
6262,00
6243,00
6337,00
6215,00
6187,00
6158,00
6131,00
6215,00
6142,00
6159,00
6388,00
12,56
19,40
19,37
22,00
53,09
46,87
21,81
41,27
32,73
32,41
44,60
31,99
32,59
68,35
1897,43
2912,37
3085,92
2822,44
3389,71
3628,15
3194,07
3143,65
3392,13
3508,86
3142,63
3417,95
3249,04
3512,81
7,60
17,10
11,77
16,99
15,55
25,66
17,22
14,80
17,06
18,40
16,93
21,20
16,49
22,76
3,79
7,14
6,83
6,98
8,38
9,87
5,88
7,12
7,83
6,90
7,28
9,13
9,36
7,38
60,40
86,60
71,00
63,50
75,10
64,90
63,80
66,70
61,30
68,20
69,20
64,70
65,90
70,00
1,60
2,10
2,10
3,30
3,80
3,20
3,20
2,00
3,00
2,30
2,40
2,40
1,90
3,20
2,30
3,50
3,50
5,10
5,20
5,90
4,90
2,80
4,10
3,20
3,20
4,50
3,80
5,80
313,94
298,55
279,29
297,31
295,66
286,94
298,05
261,63
233,20
268,45
273,78
268,14
237,84
270,26
604,25
611,55
541,64
557,61
480,62
547,75
533,42
572,82
567,67
597,39
598,37
555,01
583,22
508,36
179,00
346,00
292,00
250,00
295,00
324,00
315,00
269,00
331,00
331,00
268,00
288,00
335,00
301,00
10,21
7,69
7,67
9,49
6,76
8,94
7,48
8,74
8,07
9,88
8,08
8,09
8,36
8,59
6,28
6,31
6,77
6,26
6,01
5,73
6,69
6,52
6,27
6,03
6,58
6,72
6,67
6,11
6,99
4,42
5,37
5,82
4,40
4,53
5,13
5,56
4,68
4,69
5,37
5,52
5,47
4,84
5,00
5,75
6,33
6,48
6,18
6,50
7,13
6,61
6,65
6,55
6,96
6,97
7,78
7,75
25,87
26,30
26,02
26,10
24,57
28,81
27,32
26,59
27,49
26,33
29,56
29,15
31,89
32,43
7,19
4,97
7,08
5,71
5,91
5,96
5,89
6,30
6,34
6,71
6,75
6,44
6,66
6,16
30,62
27,19
23,39
23,76
21,98
20,67
22,58
25,22
25,00
22,92
27,36
26,91
22,49
24,17
40,28
28,66
30,77
30,07
28,49
25,23
26,39
29,76
30,38
30,63
29,65
26,95
27,29
28,61
44,55
32,58
32,56
33,05
32,41
27,31
30,09
33,79
31,88
34,28
32,56
30,41
28,78
31,18
434,26
0,00
72,38
84,44
12,06
36,19
72,38
48,25
36,19
0,00
349,82
84,44
24,13
144,75
19,30
5,72
6,93
7,35
5,98
5,02
6,07
7,13
7,30
5,84
10,63
7,37
7,15
7,43
15,13
4,79
5,72
5,78
4,90
4,14
5,41
5,03
6,44
4,10
7,81
6,10
5,62
5,66
0,80
10,45
11,57
11,26
5,06
4,70
6,25
9,13
9,06
12,77
6,61
8,56
7,02
3,36
5,16
1,97
1,92
1,63
2,96
1,81
2,10
3,63
2,56
1,15
1,41
0,62
1,00
1,17
2,20
7,89
8,15
5,99
7,23
3,02
7,69
11,08
9,44
9,22
6,69
5,93
7,19
4,46
492708,1 179727,9 108716,0 103386,3
129874,1
197929,0
205248,0
3
4
1
1 48299,85
2 69268,40 94021,42 82910,49 81039,22
4 96535,41 95168,62
3
417,15
161,19
173,70
187,54
158,67
157,04
161,42
170,71
163,03
155,62
174,30
150,58
159,17
160,60
93,44
55,78
57,90
45,02
35,24
40,05
40,32
37,73
39,76
37,11
41,78
41,80
37,38
41,67
2317,00
2850,00
1444,00
1586,00
983,00
2714,00
1202,00
1415,00
1283,00
1170,00
1338,00
1166,00
1216,00
1654,00
54,21
9,40
21,76
12,59
9,08
12,97
12,22
12,60
16,74
12,85
20,68
13,53
17,76
11,13
54,09
50,58
50,86
51,51
54,00
50,13
51,35
50,91
49,10
49,24
50,00
43,43
48,82
48,39
39,63
26,45
30,57
32,09
30,17
28,25
29,85
31,15
30,09
30,26
29,39
28,32
29,01
28,47
71
Kód ČR
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
C08
5,15
0,24
6,54
9,63
8,12
3,18
3,04
2,77
6,26
7,55
12,79
5,67
7,50
4,40
3,06
C09
43,63
20,15
47,40
46,62
46,57
49,23
47,18
54,70
49,52
48,64
50,44
40,83
44,87
53,74
49,52
C10
51,22
79,61
46,07
43,75
45,32
47,59
49,77
42,53
44,22
43,81
36,77
53,51
47,63
41,86
47,42
C11
3,61
8,91
3,14
3,28
3,43
3,47
2,88
3,19
3,00
2,83
2,48
3,60
2,28
2,70
2,15
C12
16,37
22,99
16,78
16,37
16,12
16,54
14,09
17,73
16,68
14,43
13,62
15,89
15,07
16,56
13,70
C13
143,23
214,48
148,22
139,71
140,90
149,29
123,77
158,39
141,91
121,65
110,69
135,39
129,10
138,99
120,14
C14
10,12
7,66
14,64
9,95
12,08
9,37
6,75
16,96
17,93
14,67
10,28
7,73
13,22
6,65
4,80
C15
8,89
3,41
6,78
5,81
6,52
8,00
16,05
6,51
5,93
7,97
7,56
9,50
13,67
8,20
15,27
C16
8,78
3,42
6,80
5,82
6,47
8,02
16,15
6,44
5,89
7,87
7,48
9,35
11,87
8,14
15,13
C17
10,60
5,00
10,00
7,90
7,20
8,00
18,40
6,80
7,50
11,00
8,50
10,20
15,90
10,30
16,90
C18
12,67
8,41
11,98
12,86
10,55
12,33
12,23
11,92
12,33
11,53
12,27
15,61
12,89
12,94
13,31
C19
8,79
4,45
4,63
5,84
5,40
8,54
23,79
3,84
3,31
5,43
7,35
12,28
10,34
12,32
31,82
C20
16,39
11,97
23,52
20,33
20,92
14,33
9,38
11,90
17,61
14,24
20,98
19,36
18,66
14,32
12,61
C21
1356,00
2610,00
1199,00
843,00
1003,00
1642,00
2244,00
1253,00
1523,00
1134,00
952,00
895,00
924,00
1277,00
993,00
C22
363,12
491,47
401,14
395,82
410,93
338,42
335,44
363,72
374,69
348,26
341,93
338,21
295,95
304,78
291,00
C23
0,82
0,51
0,99
0,70
0,77
0,75
0,98
0,94
0,91
0,91
0,83
0,73
0,82
0,62
0,73
C24
0,12
0,37
0,13
0,09
0,09
0,13
0,19
0,17
0,12
0,12
0,09
0,11
0,14
0,08
0,12
C25
0,70
0,11
0,85
0,61
0,66
0,62
0,78
0,77
0,79
0,79
0,73
0,60
0,67
0,53
0,61
C26
0,63
2,02
1,51
0,00
1,16
0,00
0,34
0,00
0,00
0,00
1,34
1,76
0,00
0,00
0,00
C27
0,30
0,01
0,50
0,51
0,48
0,19
0,23
0,17
0,35
0,40
0,63
0,32
0,33
0,21
0,14
C28
39,08
31,49
50,77
31,97
35,20
17,64
35,24
22,53
40,92
44,69
47,21
50,90
41,15
32,07
32,47
C29
37,00
4,30
28,70
47,20
45,10
24,10
17,50
28,70
43,60
47,90
57,10
22,20
39,00
37,30
31,90
C30
116,59
11,50
97,30
130,30
103,20
86,30
84,30
85,90
136,80
120,70
122,90
160,90
126,30
107,00
105,20
C31
48,92
61,53
33,24
83,62
43,69
92,48
31,37
124,89
99,65
35,15
43,91
32,59
31,97
38,28
25,34
C32
1056,71
2103,07
724,64
1607,30
843,27
2031,15
613,16
2045,24
1772,96
647,37
757,12
775,05
621,02
784,90
497,08
C33
454,52
1557,28
244,60
516,62
283,33
1077,58
227,16
626,39
547,68
185,47
195,47
302,69
165,81
236,30
157,23
D01
1,48
1,60
1,59
1,48
1,39
1,10
1,61
1,64
1,47
1,41
1,33
1,39
1,42
1,03
1,52
D02
0,64
0,73
0,69
0,67
0,63
0,53
0,70
0,75
0,67
0,68
0,61
0,63
0,62
0,47
0,73
D03
1,23
0,57
0,74
1,78
1,55
3,50
1,24
2,81
1,18
1,01
0,94
0,71
1,12
1,71
1,62
D04
1,13
4,30
1,08
1,25
1,10
1,00
0,53
1,91
2,51
1,14
0,76
1,13
1,14
0,42
0,80
D05
23,73
98,04
33,05
23,25
18,98
38,03
36,90
31,06
30,85
10,88
7,43
31,33
21,67
11,72
14,39
D06
10,80
37,20
8,50
4,40
5,80
14,30
34,50
8,10
7,20
12,00
3,90
2,70
5,50
6,00
36,50
D07
86,50
15,20
86,10
78,30
90,50
158,50
213,90
75,20
75,70
102,70
60,20
19,70
48,50
43,30
168,70
D08
3,91
8,18
4,34
3,17
5,19
2,54
3,79
1,03
1,72
2,34
3,61
3,97
2,21
2,35
4,01
D09
231,84
308,92
219,30
111,05
208,57
92,85
107,20
223,98
90,68
51,65
63,64
111,13
128,38
88,06
784,59
D10
14,81
8,69
41,49
21,55
15,46
18,82
5,67
5,10
5,61
5,04
33,82
8,20
8,91
9,98
9,82
72
Kód ČR
PHA
STC
JHC
PLK
KVK
ULK
LBK
HKK
PAK
VYS
JHM
OLK
ZLK
MSK
D11
53,98
79,91
38,73
52,60
52,89
68,03
62,26
49,12
51,30
52,05
38,90
50,29
45,21
44,48
57,55
D12
33,46
24,21
16,12
44,65
25,60
48,76
27,70
20,73
33,38
25,83
22,23
26,62
31,74
35,36
58,07
D13
94,80
100,00
97,10
94,10
98,90
98,20
81,30
93,70
92,40
95,70
94,50
98,80
89,60
96,20
92,10
D14
87,10
99,90
72,30
92,70
81,40
99,10
95,10
82,30
86,50
91,50
71,90
87,40
82,00
80,00
92,10
D15
74,80
99,30
51,20
84,00
70,80
95,40
80,20
64,20
71,90
64,10
63,30
75,00
63,00
75,70
80,50
D16
2084,40
5026,20
2479,63
1239,77
1446,06
2539,49
3957,76
700,82
963,48
1368,36
1162,96
1167,26
1807,12
1195,76
1366,92
119715,5
D17
2713,44
8
2510,19
771,59
1054,35
2332,31
6135,28
950,76
1115,27
1540,11
874,52
1876,05
2254,13
1803,55
3145,36
73
Příloha 4 - Seznam ukazatelů použitých pro tvorbu Indexu kvality a udržitelnosti života
Měrná
Zdroj dat
Charakteristika indikátoru
jednotka
A - Mezinárodní postavení ČR
Index vyjadřující míru politické svobody v zemi ve
A1 Index politických práv
index
FH
škále 1-7 (vyhodnocovaný každoročně organizací
Freedom House)
Index vyjadřující míru občanských svobod v zemi ve
A2 Index občanských svobod
index
FH
škále 1-7 (vyhodnocovaný každoročně organizací
Freedom House)
Integrace do mezinárodních
Index vyjadřující členství ČR v mezinárodních
index
různé
A3
institucí
organizacích (8-1)
Oficiální rozvojová pomoc
Pomoc poskytnutá ze státního rozpočtu rozvojovým
A4
% HDP WDI
ČR
zemím, v % HDP
Vztahy se SR jako prioritní
%
CVVM
A5
Výsledky opakovaných průzkumů veřejného mínění
problém veřejného mínění
Uprchlíci u nás jako prioritní
A6
%
CVVM
B - Vnitřní bezpečnostní a politicko-společenská situace
Index vyjadřující míru korupce ve společnosti podle
B1 Index vnímání korupce
index
TI
zpráv Transparency International
Celkový počet osob pravomocně odsouzených
B2 Počet odsouzených celkem tis.
ČSÚ
v daném roce
Odsouzení
za
drogové
B3
počet
ČSÚ
Počet osob pravomocně odsouzených v daném roce
trestné činy
na 1000
Celkový počet trestných činů projednávaných soudem
B4 Počet trestných činů
ČSÚ
obyv.
na základě obžaloby
B5 Hospodářská kriminalita
počet
ČSÚ
Počet trestných činů v oblasti hosp. kriminality
B6 Spáchané vraždy
počet
ČSÚ
Počet vražd spáchaných v daném roce
Funkční
legislativa
jako
B7 prioritní problém veřejného %
CVVM
mínění
Korupce, hosp. kriminalita
B8 jako
prioritní
problém %
CVVM
veřejného mínění
Obecná
kriminalita
jako
CVVM
mínění
Organizovaný zločin jako
CVVM
mínění
C - Demografický vývoj
Přirozený přírůstek na 1000
Rozdíl narozených a zemřelých v daném roce
C1
%o
ČSÚ
obyv.
přepočtený na 1000 obyvatel
Počet živě narozených dětí připadajících na 1 ženu
C2 Úhrnná plodnost žen
Index
ČSÚ
v daném roce
Index
vitality
obyvatel
Podíl obyvatel do 15 let a obyvatel nad 65 let
C3 (poměr obyv. 0-15 let a obyv. Index
ČSÚ
násobený 100
65 + )
C4 Počet vyplácených důchodů tis.
ČSÚ
Celkový počet vyplácených důchodů v daném roce
D – Životní úroveň obyvatel
Míra nezaměstnanosti z celk.
Podíl nezaměstnaných osob v % z celkového počtu
D1 počtu disponibilních prac. %
ČSÚ
disponibilních prac. míst
míst
Parita kupní síly - konverzní
Poměr kupní síly obyvatel ČR ke kupní síle obyvatel
D2
Kč/USD WDI
faktor
USA v daném roce (Kč/USD)
Indikátor
74
Indikátor
na USD,
1995
WDI
D4 Index reálné mzdy
%
ČSÚ
D5 Index spotřebitelských cen
%
ČSÚ
D3
Soukromá
obyvatele
spotřeba
Měrná
Zdroj dat
jednotka
Celková hodnota zboží a služeb spotřebovaných
domácnostmi v daném roce přepočtená na obyvatele
(ve stálých cenách, USD r. 1995)
Podíl
indexu
nominální
mzdy
a
indexu
spotřebitelských cen v daném roce – srovnání s r.
1970 (100 %)
Index vyjadřující změny cen vybraných výrobků a
služeb ve srovnání s r. 1995 (100 %)
Počet osobních a malých užitkových vozidel na 1000
obyvatel
Počet automobilů na 1000
%o
ČSÚ
obyv.
Životní úroveň jako prioritní
D7
%
CVVM
Nezaměstnanost
jako
D8 prioritní problém veřejného %
CVVM
mínění
Sociální jistoty, bydlení a
D9 nájemné
jako
prioritní %
CVVM
E - Zdravotní stav obyvatel a zdravotní péče
Očekávaná střední délka
E1
roky
ČSÚ
Očekávaná doba dožití obyvatel při narození
života
%o
E2 Kojenecká úmrtnost
ČSÚ
Úmrtnost do 1 roku života na 1000 narozených
Standardizovaná úmrtnost – na
100
E3
ČSÚ
Součet celkové úmrtnosti podle vybraných nemocí
muži
000 obyv.
Standardizovaná úmrtnost –
ČSÚ
Součet celkové úmrtnosti podle vybraných nemocí
E4
ženy
Podíl obyv. zásobovaných
E5
%
ČSÚ
vodou z veřej. vodovodů
Průměrné procento prac.
Čas strávený v pracovní neschopnosti z celkového
E6
%
ČSÚ
neschopnosti
počtu pracovního času
E7 Počet obyvatel na 1 lékaře počet
ČSÚ
Počet lůžek ve zdrav.
E8
%o
ČSÚ
zařízeních na 1000 obyv.
E9 Výdaje na zdravotnictví
% HDP WDI
Výdaje na zdravotnictví ze státního rozpočtu
Zdravotnictví jako prioritní
E10
%
CVVM
F - Vzdělávání, věda a výzkum
Studenti
na
vysokých
tis. osob ČSÚ
F1
školách celkem
F2 Profesoři a docenti na VŠ
počet
ČSÚ
F3 Počet vědeckých pracovníků počet
ČSÚ
F4 Výdaje na vzdělání
% HDP ČSÚ
Výdaje na vzdělání ze státního rozpočtu
F5 Výdaje na výzkum a vývoj
% HNP WDI
Výdaje na výzkum a vývoj ze státního rozpočtu
Investiční výdaje na rozvoj
F6
mil. Kč
ČSÚ
VaT
Školství
jako
prioritní
F7
%
CVVM
G - Sdílení informací, informatizace
na 1000
G1 Televizní přijímače
WDI
obyv.
G2 Vydané knižní tituly
tituly
ČSÚ
G3 Vydané časopisy
tituly
ČSÚ
G4 Veřejné knihovny - výpůjčky Tis.
ČSÚ
G5 Počet telefonních stanic na %
ČSÚ
D6
75
Indikátor
Měrná
Zdroj dat
jednotka
100 obyvatel
G6
G7
G8
H1
H2
H3
H4
H5
I1
I2
I3
I4
Počet mobilních telefonů na
%
WDI
100 obyvatel
na 1000
Osobní počítače
WDI
obyv.
na 10.000
WDI
Připojení na internet
obyv.
H - Výkonnost ekonomiky a ekonomický rozvoj
Hrubý domácí produkt na obyvatele v USD v běžných
HDP/obyvatele
USD
ČSÚ
cenách
HDP/obyvatele/PPP
USD
ČSÚ
Hrubý domácí produkt podle parity kupní síly
HDP v základních cenách mld. Kč ČSÚ
Hrubý domácí produkt ve stálých cenách roku 1995
stálých cenách 1995
Roční růst HDP
%
ČSÚ
Průměrný meziroční růst HDP
Míra inflace
nárůst, % ČSÚ
Průměrná meziroční míra inflace
I - Zadluženost a saldo ekonomiky
Hrubá
zahraniční
Stav finančních pasiv vlády, bankovního sektoru a
% HDP ČSÚ
zadluženost
podnikové sféry ve vztahu k zahraničí
Souhrn plateb v zahraniční měně, zboží nebo
Celková dluhová služba
% of HNP WDI
službách na splácení dluhů a úroků
Rozdíl příjmové a výdajové části státního rozpočtu
Saldo státního rozpočtu
% HDP ČSÚ
v daném roce
Obchodní bilance celkem
mil. Kč
ČSÚ
Rozdíl vývozu a dovozu zboží a služeb v daném roce
J - Vybrané ekonomické indikátory
Přímé zahraniční investice
Souhrn vkladů zahraničních investorů v podnikové
J1
mil. Kč
ČSÚ
do ČR
sféře ČR
J2 Obchod
% HDP WDI
Součet hodnoty vývozu a dovozu v poměru k HDP
Souhrn přidané hodnoty v sektoru služeb v poměru
J3 Přidaná hodnota ve službách % HDP WDI
k HDP
Vývoz výrobků a služeb s vysokou náročností na
J4 Export high-tech produkce %
WDI
využití vědy a techniky
Výkony železn. a silniční mil. tarif.
J5
ČSÚ
Celkový objem přepraveného zboží
dopravy celkem
tkm
Příjezdy
zahraničních
J6
tis.
ČSÚ
návštěvníků
J7 Devizové příjmy z cest. ruchu mil. USD ČSÚ
J8 Počet dokončených bytů
počet
ČSÚ
Ekonomická reforma jako
J9 prioritní problém veřejného %
CVVM
mínění
K - Spotřeba přírodních zdrojů, eko-efektivita
Hrubá spotřeba prim. energ.
Celková spotřeba domácích a dovezených přírodních
K1
PJ
ČSÚ
zdrojů
energetických zdrojů v petajoulech
Konečná spotřeba energie
Spotřeba paliv a energie zachycená před vstupem do
K2
PJ
ČSÚ
celkem
spotřebičů
Spotřeba elektrické energie očištěná o ztráty v sítích a
K3 Konečná spotřeba el. energie mil. kWh ČSÚ
spotřebu v energetickém sektoru
HDP na jednotku spotřeby USD/kg
K4
WDI
energie
rop. ekviv.
K5 Podíl těžby dřeva k přírůstku %
ČSÚ
L - Kvalita životního prostředí
Znečištění ovzduší
L1 tuhé emise - REZZO 1
tis.t.
ČSÚ, MŽP Objem emisí z velkých zdrojů znečištění podle registru
76
Měrná
Zdroj dat
jednotka
SO2 - REZZO 1
tis.t.
ČSÚ, MŽP REZZO 1
NOx - REZZO 1
tis.t.
ČSÚ, MŽP
CO - REZZO 1
tis.t.
ČSÚ, MŽP
CxHy – REZZO 1
tis.t.
ČSÚ, MŽP
Celkové emise skleníkových
Emise skleníkových plynů přepočtené na ekvivalent
mil.t
ČSÚ, MŽP
plynů – CO2 ekv.
CO2
Automobily
vybavené
Automobily vybavené katalyzátory k celkovému počtu
%
MŽP
katalyzátory
automobilů
Znečištění vody
Nerozpuštěné
látky
Objem vypouštěných nerozpustných látek do vodních
t
ČSÚ, MŽP
vypoušt. do vodních toků
toků
Biologická spotřeba kyslíku (vyjadřuje míru znečištění
BSK5 - vypoušt. do vodních
t
ČSÚ, MŽP
toků
vody organickými látkami)
CHSK - vypoušt. do vodních
t
ČSÚ, MŽP Chemická spotřeba kyslíku
toků
Počet havárií na vodních
počet
ČSÚ, MŽP
zdrojích
Podíl obyv. napojených na
%
ČSÚ
VK
Podíl čištěných odpadních
Podíl čištěných odpadních vod na celkovém množství
%
ČSÚ, MŽP
vod
vypouštěných vod do vodních toků
Spotřeba prům. hnojiv na 1
Spotřeba průmyslových hnojiv v kg čistých živin na 1
kg č.ž.
ČSÚ
ha zem. půdy celkem
ha zemědělské půdy
Lesy, biodiverzita, ochrana přírody
Poškození lesních porostů %
ČSÚ, MŽP
jehličnaté (2-4 st.)
Součet poškozených lesů ve 2. až 4. třídě poškození
(nad 25 %)
Poškození lesních porostů %
ČSÚ, MŽP
listnaté (2-4 st.)
Celková plocha chráněných
Plocha národních parků, chráněných krajinných
tis. ha
ČSÚ, MŽP
území
oblastí a maloplošných CHÚ celkem
Plocha maloplošných CHÚ tis. ha
ČSÚ, MŽP
Podíl ochranných lesů
%
ČSÚ, MŽP Podíl na celkové rozloze lesů
Podíl stabilnějších prvků krajinné struktury (lesy, louky
Index stability krajiny
Index
ČSÚ, MŽP a pastviny, zahrady, vodní plochy) k méně stabilním
prvkům (orná půda, zastavěná plocha, ostatní plochy)
Odpady
Produkce odpadů celkem
tis. t
ČSÚ, MŽP
Financování životního prostťedí
Investice do ŽP vzhledem
%
ČSÚ, WDI Výdaje do životního prostředí v poměru k HDP
k HDP
Výdaje do ŽP z centrálních
mil. Kč
ČSÚ, MŽP Výdaje do životního prostředí ze státního rozpočtu
zdrojů
Vnímaní naléhavosti problémů ŽP
Životní prostředí jako prioritní
problém podle veřejného %
CVVM
mínění
Indikátor
L2
L3
L4
L5
L6
L7
L8
L9
L10
L11
L12
L13
L14
L15
L16
L17
L18
L19
L20
L21
L22
L23
L24
77
Příloha 5 –Vstupní data pro výpočet Indexu kvality a udržitelnosti života
Kód
A1
A2
A3
A4
A5
A6
B1
B2
B3
B4
B5
B6
B7
B8
B9
B10
C1
C2
C3
C4
D1
D2
D3
D4
D5
D6
D7
D8
D9
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
F1
F2
F3
F4
F5
F6
F7
G1
G2
G3
G4
78
1990
2
2
5
18,871
246
1991
2
2
4
42,383
194
1992
2
2
4
43,732
258
73
0,1
0,5
0,1
1,89
1,67
1,58
171,5
164,0
158,1
2952
2997
3033
0,7
4,1
2,6
4,89
6,66
7,62
2603,22 2055,84 2235,16
94,50
73,70 110,30
246
254
262
54
44
71,7
10,8
71,9
10,4
72,2
9,9
83,2
4,8
286
13,1
4,8
84,6
5,8
291
12,9
5,1
84,8
5,8
293
12,6
5,2
118,2
4026
7855
4,2
1652
112
4219
8230
4,4
2,1
1754
114,2
4307
8642
4,5
1,8
1703
4136
1870
54397
315
6057
1553
45693
309
6743
2983
45112
1993
1
2
4
1994
1
2
4
1995
1
2
3
21
20
14
25
10
15
47,647
52,695
38,6
278
48
70
82
68
0,3
1,47
152,4
3052
3,5
9,02
2260,07
103,70
83,3
277
55
41
84
72,7
8,5
36
18431
286
48
77
82
75
-1
1,44
146,5
3051
3,2
10,02
2379,64
107,70
91,7
305
56
45
98
73,0
7,9
85,1
5,9
279
12,3
6,8
57
127,1
4437
9055
5,3
1,4
1678
41
378
8203
1367
45857
85,5
6
273
12,1
6,9
46
129,5
4169
9467
5,3
1,3
1665
35
387
9309
1977
46846
1996
1
2
3
0,025
10
18
54,957
57974
79
180
36,4
38,2
18440
25431
277
267
48
39
73
70
76
72
66
68
-2,1
-2,2
1,28
1,19
140,6
135,1
3057
3052
2,9
3,5
10,76
11,71
2524,12 2703,36
108,60 108,80
100,0
108,8
322
350
54
49
37
26
103
102
73,4
73,8
7,7
6
1268,5
750,0
85,8
86
6,2
6,1
269
269
11,4
11,1
6,8
6,5
56
54
139,8
155,9
4177
4220
9255
9606
5,2
5,2
1,1
1,1
1551
2226
36
28
406
427
8994
10244
4380
5028
51503
52799
1997
1998
1999
2000
2001
1
1
1
1
1
2
2
2
2
2
2
3
3
2
2
0,016
0,022
0,017
0,017
0,017
13
10
6
3,6
2,2
16
22
21
20
13
4,8
4,6
4,3
3,9
3,7
59,777 54,083 62,595
63211
60182
212
505
502
543
652
39,2
41,4
41,5
38,1
35,1
30156
36031
42907
37582
35173
291
313
265
279
287
56
55
52
56
56
81
82
77
79
80
67
71
66
62
60
67
71
66
68
63
-2,1
-1,8
-2
-1,8
-1,7
1,17
1,16
1,13
1,14
1,14
130,1
125,9
122,1
118,5
114,9
3239
3088
3147
3184
3210
5,2
7,5
9,4
8,8
8,9
17,12
12,61
14,31
15,03
16,08
2835,66 2749,26 2805,21 2873,50 2998,65
101,80
98,80 106,10 102,60 103,60
118,0
130,6
136,0
140,8
483
372
402
428
456
49
55
47
46
44
35
57
71
73
59
103
105
92
96
83
73,9
74,5
74,7
75,0
75,3
5,9
5,2
4,6
4,1
4,0
1251,3 1202,8 1178,9 1151,0 1123,1
702,9
744,3
714,3
710,5
706,7
86
86,2
86,9
87,1
87,3
6,2
6,3
5,8
6
6,5
259
259
265
262
261
11,0
10,9
10,8
10,7
10,6
6,5
6,4
6,5
6,6
6,5
52
75
63
48
50
165,8
174,2
184
207,3
219,5
4290
4346
4550
4203
11490
10666
12151
13119
18191
4,7
4,4
4,1
4,3
4,3
1,2
1,3
1,3
1,3
1,3
2607
2729
2831
3421
3146
41
40
25
29
35
521
447
461
481
501
11519
11738
12551
11965
14321
5263
5440
3894
3295
3467
53437
55286
62339
62503
64604
Kód
G5
G6
G7
G8
H1
H2
H3
H4
H5
I1
I2
I3
I4
J1
J2
J3
J4
J5
J6
J7
J8
J9
K1
K2
K3
K4
K5
L1
L2
L3
L4
L5
L6
L7
L8
L9
L10
L11
L12
L13
L14
L15
L16
L17
L18
L19
L20
L21
L22
L23
1990
16
0
12
0
-1,2
9,7
1991
17
0,01
15
0
2479
10357
1450
-11,6
56,6
1992
18
0,05
24
0
2887
10579
1281
-0,5
11,1
3,0
4,2
5,6
87,8
47,6
98,5
51,2
108,6
52,1
48851
38984
44594
41719
2076,1
1303,2
46403
2,80
81,8
401,5
1596,0
493,9
105,2
23,8
187,5
1993
19
0,14
29
6
3388
10851
1275
0,1
20,8
24,3
4,0
0,1
1994
21
0,3
44
13
3976
11351
1275
2,2
10
26
6,1
0,9
1995
24
0,5
53
15
5036
12308
1303
5,9
9,1
31,7
4,7
0,5
1996
28
1,9
68
19
5616
13039
1381
3,8
8,8
35,9
4,6
-0,1
1997
37
5,1
83
29
5108
13134
1440
0,3
8,5
40,4
8,5
-0,9
-4483
-39535
-99569
-152990
-150450
38774,8
41251,4
112,1
58,0
6,6
31440
109405
4075
14037
33
1720
1056
48348
3,16
76,3
92,9
821,1
175,7
264,6
18,2
149,6
17,5
84102
49744
181979
225
73,3
90,3
91,3
74,9
34,0
1187,7
82,5
2,7
0,900
52062
2,4
13905
119,0
56,8
7,2
61650
107884
3647
15904
57
1744,7
1098,1
48007
3,13
81,3
56,6
598,0
161,9
256,5
19,7
151,5
20,6
70676
38876
152831
161
73,5
90,9
89,5
71,9
26,5
1189,0
84,7
3,0
0,904
68508
2,5
9062
118,2
56,6
8,0
52669
102843
3719
21245
58
1658,8
1047,2
47485
3,19
84,3
33,3
362,6
143,5
207,9
21,2
144,7
24,1
42425
27338
114896
204
74,4
91,3
84,4
58,3
16,8
1191,8
86,3
3,0
0,902
44118
2,0
9185
37969
108,9
56,2
3,3
31993
103,7
56,6
3,7
32778
112,0
56,4
5,1
31336
1877
1262
45990
2,50
66,0
319,0
1564,0
346,0
167,0
26,1
170,3
36397
69
1868
1157
45325
2,47
60,4
232,0
1285,0
304,0
220,0
24,5
155,2
31509
56
1837
1105
44462
2,62
63,8
169,0
1057,0
266,0
294,0
23,5
149,1
190500
148200
406500
598
72,6
72,6
121,8
168780
127297
295483
501
72,8
75,0
86,9
46,3
37,6
141150
104010
257858
415
73,0
79,0
82,0
57,9
29,2
118044
84982
225024
258
73,1
82,2
96,9
51,5
54,4
2,5
0,849
2,4
0,856
2,4
0,861
2,7
0,866
18162
45
1797
1080
43318
2,83
72,4
142,3
1030,6
206,2
291,1
24,8
143,4
9,5
108349
79160
172620
219
73,0
82,2
97,2
59,0
48,0
1184,8
78,2
2,6
0,873
2875
12662
41
1749,7
1091,3
46569
3,04
74,9
102,2
956,3
190,3
311,6
22,6
142,8
14,0
100066
70964
157689
243
73,2
89,5
86,3
60,7
30,6
1188,2
81,8
2,7
0,880
1,1
1,3
2,1
12066
2,2
12022
2,5
13707
2,4
14937
1998
46
9,4
97
39
5412
13008
1429
-2,3
10,7
42,5
9,7
-1,6
1999
56
18,9
107
68
5161
13182
1412
-0,2
2,1
41,9
9,0
-1,6
2000
80
42,3
121
97
5250
14042
1407
2,5
3,9
42,1
9,7
-2,4
2001
105
67,6
146
136
5310
-80239
-64413
-120825
-117189
81947,5
168744
25540
342337
122,0
56,3
8,8
53677
100832
3035
22299
60
1621
1052,1
46800
3,54
84,5
16,1
193,1
135,0
159,9
17,7
142,1
26,6
30228
22399
90361
186
74,6
95,0
88,4
63,4
19,7
1192,4
88,8
3,6
0,903
38088
1,5
9918
142,5
56,0
8,6
56532
104246
3567
25207
52
1656
991,8
47958
3,59
86
18,3
268,0
106,3
132,4
17,6
150,0
29,4
29758
19264
81799
166
74,8
94,8
92,0
63,6
16,9
1152,7
89,4
3,4
0,910
40163
1,0
10000
144,8
55,7
10,1
58425
107660
3555
24759
48
1695,0
1480
3,3
4,7
42,3
10,4
-3,1
49906
3,65
13,3
220,3
93,2
102,3
16,9
145,0
32,2
15675
74,9
95,5
92,0
63,6
15,0
1244,4
90,9
3,5
1,2
10200
Kurzívou jsou označeny data, které byla doplněna interpolací
79
Příloha 6 – Zdroje dat pro výpočet SD Indexu
A1
A2
A3
A4
B1
B2
C1
C2
D1
D2
D3
D4
E1
E2
E3
E4
E5
E6
E7
F1
F2
F3
F4
F5
G1
G2
G3
G4
H1
H2
H3
H4
H5
H6
I1
I2
I3
I4
I5
I6
I7
I8
I9
I10
I11
80
Indikátor
Jednotka
Lidská práva, svoboda a rovnost
Index politických práv
index
Uprchlíci podle země původu
na tis. obyv.
Vojenské výdaje
% HDP
Počet vojáků
% pracovní síly
Rodový (genderový) index
index
Dětská práce
% z věkové skupiny 10-14 let
Demografické ukazatele a očekávaná délka života
Roční populační nárůst
%
Podíl populace 0-14 k 65+
%
Kojenecká úmrtnost
na 1000 narození
Úmrtnost do 5 let věku
na 1000 narození
Očekávaná délka života při narození
roky
Úmrtnost
na 1,000 obyv.
Zdravotní stav a zdravotní péče
Veřejné výdaje na zdravotnictví
% HDP
Výdaje na zdravotnictví/osobu
USD/osobu
Očkování dětí – DPT
% dětí
Očkování dětí – spalničky
% dětí
Lékaři
na 1000 obyv.
Porody s přítomností kvalifikovaného personálu %
Lůžka v nemocnicích
na 1000 obyv.
Tuberkulóza
na 100,000 obyv.
Výskyt HIV
% dospělých
Výskyt dětské podvýživy
% dětí < 5
Podvýživa
% z celkové populace
Přístup k nezávadné pitné vodě
% z celkové populace
Vzdělání, technologie a informace
Negramotnost dospělých
% z 15+
Docházka do školy, 2. stupeň
%
Docházka do školy, 1. stupeň
%
Celkové veřejné výdaje na vzdělání
% HDP
Telefonní linky
na 1000 obyv.
Osobní počítače
na 1000 obyv.
Uživatelé internetu
na 1000 obyv.
Noviny
na 1000 obyv.
Televizní přijímače
na 1000 obyv.
Mobilní telefony
na 1000 obyv.
Ekonomický rozvoj a zahraniční zadlužení
HDP na osobu
USD, v konst. cenách 1995
HDP na osobu podle parity kupní síly
USD, součas. hodn.
Roční růst HDP
%
Úspory: čisté národní úspory
% hrubého nár. příjmu
Hrubé domácí úspory
% HDP
Rozvojová pomoc na obyvatele
USD, součas. hodn.
Současná vyrovnanost účtu
% HDP
Přímé zahraniční investice
% HDP
Export high-tech
% z exportu
Celková vyrovnanost rozpočtu
% HDP
Nezaměstnanost
% z celkové pracovní síly
Zdroj
Rok
Počet
FH
HDR
WDI
WDI
HDR
WDI
2000
2000
2000
1999
2000
2000
179
107
139
159
145
167
WDI
WDI
WDI
WDI
WDI
WDI
2000
2000
2000
2000
2000
2000
179
179
179
179
179
179
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
HDR
WDI
2000
2000
1999
2000
1998
2000
1998
2000
2000
2000
2000
2000
177
175
178
176
167
159
109
149
149
126
129
146
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
2000
2000
2000
2000
2000
2000
2000
1998
2000
2000
154
134
154
157
179
150
177
152
179
170
WDI
WDI
HDR
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
2000
2000
2000
2000
2000
2000
2000
2000
2000
2000
1999
170
162
163
166
154
156
161
159
129
117
102
K1
K2
L1
L2
L3
M1
M2
M3
M4
N1
N2
N3
N4
O1
O2
O3
O4
O5
Indikátor
Celkový zahraniční dluh
Celková dluhová služba
Spotřeba zdrojů
Spotřeba energie
Spotřeba minerálních zdrojů
Spotřeba dřeva
HDP ja jednotku použité energie
Komerční využití energie
Spotřeba elektrické energie
Osobní automobily
Kvalita životního prostředí
Chráněná území na národní úrovni
Zdroje pitné vody
Plocha lesů
Orná půda
Populace v aglomeracích > 1 mil.
Hustota venkovské populace
Růst městské populace
Emise CO2
Městská populace
Jednotka
USD
Zdroj
WDI
WDI
Rok
2000
2000
Počet
138
136
USD na kg ropného ekvivalentu
kg ropného ekvivalentu na osobu
kWh na osobu
na 1,000 obyv.
WDI
WDI
WDI
WDI
WDI
WDI
WDI
2000
2000
2000
2000
2000
2000
1999
176
171
171
121
128
123
166
% území
m3 na osobu
% území
% území
%
obyv/km2
v %/rok
tuny/osobu
%
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
WDI
2001
2000
2000
2000
2000
2000
2000
1999
2000
144
148
174
176
175
174
178
178
178
Indikátor – jméno indikátoru, Jednotka – měřící jednotka, Zdroj – zdroj dat (WDI – World Development Indicators,
FH – Freedom House, HDR – Human Development Report), Rok – rok pořízení údaje, Počet – počet zemí, pro která
jsou data k dispozici
81
Příloha 7 – Vstupní data použitá pro výpočet SD Indexu
Tabulka je v souboru příloha7.xls, nejsem schopen ji tam vložit. Počítám 16 A4 – rozdělení sloupců na 4 strany krát 4 strany řádků.
82
Příloha 8 – Základní statistické ukazatele vstupních dat SD Indexu
Indikátor
A1
A2
A3
A4
B1
B2
C1
C2
D1
D2
D3
D4
E1
E2
E3
E4
E5
E6
E7
F1
F2
F3
F4
F5
G1
G2
G3
G4
H1
H2
H3
H4
H5
H6
I1
I2
I3
I4
I5
I6
I7
I8
I9
I10
I11
K1
Průměr
3,559
46,832
2,837
1,386
0,685
10,430
1,479
8,201
46,026
67,121
64,955
10,103
3,344
418,326
Medián
3,000
3,000
1,900
0,918
0,729
1,870
1,522
6,958
28,000
34,000
69,272
8,840
2,884
82,000
StOdch
2,239
114,212
3,138
1,654
0,185
14,115
1,039
5,986
42,744
69,621
12,025
4,972
1,779
760,190
KV
0,6291
2,4388
1,1059
1,1936
0,2695
1,3533
0,7024
0,9287
1,0373
0,1851
0,4921
0,5321
1,8172
Min
1,000
0,000
0,000
0,000
0,263
0,000
-1,853
0,784
2,900
3,900
37,328
2,230
0,376
2,000
80,377
80,875
1,474
76,803
4,777
163,349
2,923
13,921
16,791
78,973
19,222
58,921
85,044
4,442
184,539
97,484
714,384
90,000
87,500
1,200
93,000
3,745
104,000
0,300
10,450
12,000
84,500
12,546
67,639
92,146
4,212
102,911
36,751
178,000
21,104
18,673
1,325
28,316
3,877
160,757
6,654
14,061
17,973
20,504
20,861
27,182
17,975
1,941
206,608
137,499
1199,323
0,2626
0,2309
0,8989
0,3687
0,8115
0,9841
2,2768
1,0100
1,0704
0,2596
1,0853
0,4613
0,2114
0,4369
1,1196
1,4105
1,6788
18,000
19,000
0,023
5,000
0,117
5,000
0,050
0,000
0,000
13,000
0,000
4,793
30,445
0,462
0,387
0,466
0,000
94,616
36,431
120,927
242,768 194,093
217,487
157,516
48,161
223,437
6487,33 1602,615 10772,230
4
8457,65 5405,000 9026,233
4
3,929
4,000
4,114
16,892
17,311
14,376
8,784
8,200
10,168
40,608
20,850
51,535
-2,823
-3,287
9,664
4,600
2,789
8,357
10,890
5,000
14,470
-2,115
-1,779
3,615
10,145
8,700
6,907
931,253 584,648
884,041
1,2781
0,8959
1,4185
1,6605
0,009
0,091
0,189
91,617
1,0672
450,000
1,0470
0,8511
1,1575
1,2691
-3,4236
1,8166
1,3287
-1,7094
0,6809
0,9493
-12,052
-28,367
-16,800
-4,212
-33,438
-4,209
0,100
-16,155
1,100
0,000
Max
7,000
568,000
27,500
10,755
0,956
51,130
3,600
25,453
180,000
316,000
81,066
25,140
8,273
4499,00
0
99,440
99,000
5,800
100,000
18,900
757,000
38,800
49,300
73,000
100,000
84,045
101,205
109,461
10,362
754,819
572,097
6000,00
0
585,395
891,811
769,958
56206,1
00
53410,0
00
20,400
63,082
43,200
236,284
40,941
93,720
71,500
10,017
39,300
3991,53
8
UDH
1,000
0,000
1,200
0,420
0,934
0,000
0,136
2,000
4,100
6,000
78,604
4,040
6,587
2277,60
0
99,000
99,000
3,791
100,000
12,175
9,000
0,050
0,000
0,000
100,000
0,000
93,689
102,480
8,210
524,612
337,641
2678,00
0
294,864
563,400
608,375
23487,0
00
24022,0
00
7,770
40,840
27,525
1,372
9,338
9,386
28,900
2,408
2,060
119,433
Perc (+) (-)
5
(-)
5
(-)
25
(-)
25
(-)
95
(+)
5
(-)
10 (O)
25 (O)
5
(-)
5
(-)
95
(+)
5
(-)
95
(+)
Orez
5
5
5
5
5
5
5
5
5
5
5
5
5
95
95
95
95
95
95
5
5
5
5
95
5
95
95
95
90
90
(+)
(+)
(+)
(+)
(+)
(+)
(-)
(-)
(-)
(-)
(+)
(-)
(+)
(+)
(+)
(+)
(+)
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
10
10
90
90
90
90
(+)
(+)
(+)
(+)
10
10
10
10
90
(+)
10
90
90
95
95
5
90
90
90
95
5
(+)
(+)
(+)
(+)
(-)
(+)
(+)
(+)
(+)
(-)
10
10
5
5
5
10
10
10
5
5
5
(-)
5
83
Indikátor
K2
L1
L2
L3
M1
M2
M3
M4
N1
N2
N3
N4
O1
O2
O3
O4
O5
Průměr
Medián
StOdch
5,790
4,783
4,172
5,573
0,000
13,016
0,464
0,000
1,959
0,537
0,000
1,704
4,775
4,373
2,308
2529,47 1371,277 3245,749
4
3468,04 1767,541 4535,025
2
124,048
41,378
159,370
10,425
6,650
11,730
16664,7 5756,500 31935,130
80
28,836
27,460
22,820
14,651
10,556
13,738
12,674
9,000
15,776
568,730 251,860 1627,695
2,564
4,619
53,967
2,643
2,101
56,115
1,719
8,415
23,325
KV
0,7206
2,3357
4,2248
3,1734
0,4835
1,2832
Min
0,165
0,000
0,000
0,000
1,107
142,431
1,3077
22,069
1,2848
1,1252
1,9163
0,115
0,000
0,000
0,7914
0,9377
1,2447
2,8620
0,003
0,061
0,000
3,540
0,6705
1,8217
0,4322
-1,662
0,000
6,152
Max
24,805
51,800
18,900
12,700
12,047
26772,6
40
24778,5
70
586,588
67,500
275679,
000
90,604
62,526
89,000
19838,1
50
6,195
91,485
100,000
UDH
1,019
0,000
0,000
0,000
9,452
1371,27
7
1767,54
1
41,400
23,350
39637,0
00
62,710
10,556
9,000
124,000
1,080
0,068
34,181
Perc (+) (-)
5
(-)
10
(-)
10
(-)
10
(-)
95
(+)
Orez
5
10
10
10
5
50
(O)
5
50
50
90
(O)
(O)
(+)
5
10
5
90
90
50
50
(+)
(+)
(-)
(-)
10
5
5
5
25
25
5
25
(-)
(-)
(-)
(-)
10
5
5
5
Průměr – aritmetický průměr, Medián – medián, StOdch – standardní odchylka, KV – koeficient variace, Min –
minimální hodnota, Max – maximální hodnota, UDH – „udržitelná“ hodnota, Perc – percentil vztažený k UDH,
(+)(-) – vztah k udržitelnosti: (+) znamená zlepšování udržitelnosti s rostoucí hodnotou indikátoru, (-) znamená
zlepšování udržitelnosti s klesající hodnotou indikátoru, (0) znamená nejasný vztah, Orez - % ořezaných dat
84
Příloha 9 – SD Index – souhrnné výsledky pro 179 zemí
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
AFG
ALB
DZA
AGO
ARG
ARM
AUS
AUT
AZE
BHS
BHR
BGD
BRB
BLR
BEL
BLZ
BEN
BTN
BOL
BIH
BWA
BRA
BRN
BGR
BFA
BDI
KHM
CMR
CAN
CPV
CAF
TCD
CHL
CHN
COL
COM
ZAR
COG
CRI
CIV
HRV
CUB
CYP
CZE
DNK
DJI
DMA
DOM
ECU
Země
Afghánistán
Albánie
Alžírsko
Angola
Argentina
Arménie
Austrálie
Rakousko
Azerbajdžán
Bahamy
Bahrajn
Bangladéš
Barbados
Bělorusko
Belgie
Belize
Benin
Bhútán
Bolívie
Bosna a Hercegovina
Botswana
Brazílie
Brunej
Bulharsko
Burkina Faso
Burundi
Kambodža
Kamerun
Kanada
Kapverdy
Středoafrická republika
Čad
Chile
Čína
Kolumbie
Komory
Dem. rep. Kongo
Kongo
Kostarika
Pobřeží slonoviny
Chorvatsko
Kuba
Kypr
Česká republika
Dánsko
Džibuti
Dominika
Dominikánská republika
Ekvádor
SD
Index
0,233
0,650
0,543
0,354
0,696
0,580
0,801
0,847
0,622
0,736
0,640
0,468
0,739
0,731
0,826
0,653
0,404
0,456
0,602
0,597
0,586
0,665
0,659
0,663
0,336
0,306
0,422
0,422
0,836
0,564
0,426
0,350
0,716
0,635
0,615
0,408
0,338
0,368
0,741
0,403
0,714
0,729
0,790
0,763
0,858
0,381
0,640
0,574
0,577
1
0,725
0,602
0,230
0,893
0,607
0,967
0,946
0,463
0,522
0,583
0,728
0,954
0,790
0,480
0,175
0,714
0,451
0,526
0,692
0,476
0,758
0,441
0,180
0,382
0,532
1,000
0,766
0,367
0,786
0,512
0,591
0,264
0,338
0,819
0,482
0,585
0,574
0,814
0,891
0,952
0,625
0,642
2
0,030
0,698
0,531
0,042
0,698
0,708
0,866
0,859
0,543
0,649
0,586
0,370
0,809
0,580
0,852
0,519
0,152
0,312
0,368
0,676
0,156
0,567
0,698
0,600
0,048
0,059
0,211
0,185
0,845
0,461
0,128
0,074
0,763
0,657
0,607
0,296
0,049
0,169
0,748
0,086
0,752
0,891
0,894
0,742
0,863
0,130
0,734
0,507
0,565
3
0,123
0,682
0,636
0,119
0,705
0,667
0,919
0,921
0,660
0,799
0,674
0,365
0,814
0,851
0,944
0,599
0,365
0,438
0,564
0,636
0,545
0,652
0,743
0,830
0,172
0,282
0,225
0,249
0,926
0,532
0,145
0,138
0,751
0,583
0,634
0,470
0,189
0,145
0,699
0,315
0,848
0,831
0,887
0,934
0,948
0,377
0,741
0,559
0,531
4
5
6
0,460
0,442
0,105
0,750
0,497
0,942
0,950
0,629
0,750
0,755
0,232
0,853
0,760
0,947
0,738
0,208
0,283
0,605
0,596
0,581
0,691
0,740
0,761
0,004
0,111
0,156
0,192
0,937
0,586
0,035
0,040
0,768
0,560
0,645
0,182
0,017
0,199
0,711
0,322
0,775
0,615
0,840
0,863
0,994
0,187
0,678
0,533
0,545
0,537
0,504
0,604
0,585
0,445
0,816
0,859
0,680
0,765
0,771
0,643
0,694
0,758
0,879
0,442
0,522
0,523
0,632
0,355
0,763
0,659
0,725
0,726
0,595
0,801
0,702
0,434
0,713
0,719
0,864
0,434
0,473
0,822
0,612
0,667
0,902
0,491
0,737
0,591
0,899
0,743
0,696
0,565
0,573
0,780
0,514
0,689
0,560
0,439
0,746
0,623
0,753
0,698
0,623
0,767
0,905
0,575
0,555
0,825
0,682
0,748
0,804
0,742
0,663
0,713
0,890
0,578
0,472
0,420
0,646
0,505
0,906
0,358
0,585
0,512
0,630
0,810
0,596
0,300
0,492
0,596
0,714
0,461
0,608
0,708
0,654
0,917
0,380
0,379
0,658
0,576
0,762
0,716
7
0,558
0,718
0,544
0,691
0,596
0,560
0,600
0,652
0,554
0,615
0,367
0,465
0,461
0,603
0,484
0,755
0,691
0,732
0,726
0,629
0,758
0,684
0,515
0,556
0,669
0,464
0,796
0,702
0,643
0,630
0,879
0,748
0,674
0,592
0,629
0,565
0,803
0,560
0,711
0,611
0,716
0,616
0,662
0,559
0,456
0,504
0,686
0,501
0,664
IDB
1,58
1,64
16,29
1,53
1,59
2,23
1,46
1,55
1,40
2,10
2,77
1,85
1,47
1,97
2,04
4,54
4,20
1,97
2,54
4,89
1,23
1,56
1,49
178,15
8,72
5,12
3,79
2,28
2,14
25,29
18,70
1,25
1,58
1,30
4,99
46,77
4,12
1,18
7,89
1,45
1,55
1,35
1,67
2,18
6,87
1,52
1,35
85
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
86
EGY
SLV
GNQ
ERI
EST
ETH
FJI
FIN
FRA
GAB
GMB
GEO
DEU
GHA
GRC
GRD
GTM
GIN
GNB
GUY
HTI
HND
HUN
ISL
IND
IDN
IRN
IRQ
IRL
ISR
ITA
JAM
JPN
JOR
KAZ
KEN
PRK
KOR
KWT
KGZ
LAO
LVA
LBN
LSO
LBR
LBY
LTU
LUX
MKD
MDG
MWI
MYS
Země
Egypt
Salvádor
Rovníková Guinea
Eritrea
Estonsko
Etiopie
Fidži
Finsko
Francie
Gabun
Gambie
Gruzie
Německo
Ghana
Řecko
Grenada
Guatemala
Guinea
Guinea-Bissau
Guyana
Haiti
Honduras
Maďarsko
Island
Indie
Indonésie
Irán
Irák
Irsko
Izrael
Itálie
Jamajka
Japonsko
Jordánsko
Kazachstán
Keňa
KLDR
Korejská rep.
Kuvajt
Kyrgyzstán
Laos
Lotyšsko
Libanon
Lesotho
Libérie
Libye
Litva
Lucembursko
Makedonie
Madagaskar
Malawi
Malajsie
SD
Index
0,561
0,561
0,466
0,337
0,782
0,325
0,621
0,882
0,832
0,535
0,469
0,672
0,843
0,442
0,755
0,671
0,534
0,354
0,406
0,608
0,348
0,593
0,773
0,844
0,515
0,546
0,603
0,488
0,855
0,759
0,803
0,662
0,837
0,579
0,658
0,436
0,501
0,741
0,589
0,645
0,440
0,758
0,538
0,413
0,368
0,547
0,740
0,873
0,689
0,435
0,382
0,678
1
0,495
0,697
0,496
0,021
0,939
0,210
0,657
0,941
0,880
0,503
0,753
0,937
0,657
0,733
0,603
0,580
0,393
0,815
0,280
0,667
0,893
1,000
0,626
0,688
0,426
0,965
0,665
0,881
0,852
0,998
0,477
0,780
0,531
0,771
0,579
0,751
0,364
0,946
0,484
0,486
0,521
0,925
0,986
0,685
0,594
0,527
0,654
2
0,496
0,531
0,151
0,169
0,645
0,046
0,654
0,876
0,872
0,263
0,175
0,713
0,840
0,310
0,834
0,626
0,392
0,094
0,081
0,507
0,226
0,436
0,733
0,910
0,414
0,528
0,554
0,276
0,825
0,788
0,859
0,742
0,866
0,498
0,426
0,163
0,542
0,873
0,606
0,545
0,210
0,613
0,608
0,205
0,056
0,589
0,686
0,852
0,768
0,180
0,081
0,675
3
0,658
0,586
0,165
0,322
0,851
0,100
0,525
0,947
0,944
0,438
0,439
0,665
0,958
0,392
0,895
0,725
0,486
0,242
0,268
0,617
0,185
0,549
0,902
0,985
0,395
0,439
0,658
0,549
0,908
0,952
0,917
0,682
0,912
0,747
0,756
0,294
0,384
0,750
0,749
0,687
0,216
0,846
0,765
0,407
0,274
0,710
0,838
0,951
0,754
0,294
0,355
0,588
4
0,530
0,499
0,264
0,108
0,931
0,070
0,629
0,974
0,946
0,552
0,246
0,632
0,935
0,290
0,791
0,715
0,401
0,088
0,146
0,638
0,083
0,464
0,855
0,990
0,329
0,491
0,550
0,438
0,900
0,915
0,886
0,705
0,933
0,648
0,661
0,311
5
0,598
0,606
0,724
0,344
0,673
0,575
0,517
0,905
0,841
0,649
0,530
0,528
0,880
0,478
0,751
0,575
0,621
0,510
0,417
0,313
0,594
0,560
0,656
0,823
0,676
0,601
0,716
6
0,617
0,749
0,779
0,723
0,656
0,427
0,910
0,595
0,682
0,724
0,751
0,819
0,702
0,378
0,709
0,949
0,764
0,779
0,548
0,820
0,569
0,636
0,516
0,711
0,375
0,660
0,713
0,593
0,834
0,741
0,552
0,571
0,529
0,696
0,962
0,676
0,749
0,747
0,722
0,727
0,834
0,647
0,597
0,881
0,744
0,467
0,227
0,851
0,671
0,341
0,205
0,369
0,807
0,918
0,692
0,150
0,243
0,780
0,763
0,707
0,522
0,547
0,589
0,254
0,460
0,544
0,709
0,381
0,792
0,696
0,802
0,795
0,577
0,370
0,568
0,970
0,536
0,568
0,347
0,777
0,685
0,640
0,903
0,717
0,603
0,610
7
0,391
0,392
0,738
0,624
0,673
0,642
0,757
0,717
0,564
0,690
0,619
0,673
0,491
0,656
0,555
0,678
0,636
0,602
0,827
0,881
0,398
0,715
0,580
0,518
0,539
0,715
0,516
0,435
0,604
0,418
0,545
0,560
0,488
0,333
0,664
0,635
0,560
0,411
0,176
0,762
0,795
0,748
0,315
0,527
0,715
0,314
0,646
0,649
0,688
0,629
0,633
IDB
1,68
1,91
5,16
34,26
1,46
13,88
1,76
1,64
1,68
2,75
4,29
1,55
1,95
2,27
1,61
1,82
6,84
10,27
2,82
7,16
1,91
1,56
1,93
2,06
1,63
1,68
1,60
2,28
1,68
1,56
2,04
2,50
1,83
3,91
2,14
4,25
1,69
3,78
1,61
3,13
2,82
12,72
1,63
1,54
1,68
4,79
7,72
1,33
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
MDV
MLI
MLT
MRT
MUS
MEX
MDA
MNG
MAR
MOZ
MMR
NAM
NPL
NLD
NZL
NIC
NER
NGA
NOR
OMN
PAK
PAN
PNG
PRY
PER
PHL
POL
PRT
QAT
ROM
RUS
RWA
WSM
STP
SAU
SEN
SYC
SLE
SGP
SVK
SVN
SLB
SOM
ZAF
ESP
LKA
KNA
LCA
VCT
SDN
SUR
SWZ
Země
Maledivy
Mali
Malta
Mauretánie
Mauricius
Mexiko
Moldávie
Mongolsko
Maroko
Mosambik
Barma
Namibie
Nepál
Holandsko
NovýZéland
Nikaragua
Niger
Nigérie
Norsko
Omán
Pakistán
Panama
Papua Nová Guinea
Paraguay
Peru
Filipíny
Polsko
Portugalsko
Katar
Rumunsko
Rusko
Rwanda
Samoa
SvatýTomáš a Principe
Saudská Arábie
Senegal
Seychely
Sierra Leone
Singapur
Slovensko
Slovinsko
Šalamounovy ostrovy
Somálsko
Jihoafrická republika
Španělsko
Srí Lanka
St. Kitts a Nevis
Sv. Lucie
Sv. Vincent & Grenadines
Sudán
Suriname
Svazijsko
SD
Index
0,613
0,409
0,793
0,339
0,688
0,690
0,664
0,611
0,527
0,366
0,493
0,574
0,455
0,848
0,871
0,509
0,312
0,380
0,870
0,537
0,427
0,708
0,466
0,610
0,602
0,589
0,725
0,781
0,646
0,678
0,657
0,366
0,640
0,508
0,615
0,459
0,654
0,313
0,748
0,783
0,824
0,463
0,295
0,576
0,821
0,579
0,650
0,679
0,656
0,454
0,623
0,525
1
0,489
0,927
0,400
0,889
0,789
0,844
0,664
0,507
0,455
0,349
0,626
0,545
0,960
0,983
0,653
0,468
0,566
0,916
0,354
0,386
0,837
0,654
0,668
0,679
0,714
0,891
0,857
0,522
0,737
0,599
0,263
0,409
0,543
0,426
0,638
0,885
0,911
0,907
0,963
0,528
0,296
0,509
2
0,426
0,040
0,819
0,111
0,694
0,620
0,622
0,494
0,515
0,075
0,361
0,226
0,296
0,842
0,907
0,443
0,021
0,092
0,874
0,568
0,309
0,658
0,253
0,511
0,549
0,505
0,775
0,813
0,630
0,641
0,560
0,066
0,620
0,420
0,513
0,173
0,713
0,043
0,810
0,790
0,839
0,479
0,044
0,338
0,788
0,686
0,591
0,708
0,713
0,294
0,648
0,128
3
0,757
0,243
0,884
0,326
0,688
0,673
0,747
0,607
0,511
0,321
0,504
0,464
0,329
0,965
0,911
0,531
0,144
0,201
0,975
0,681
0,362
0,675
0,382
0,574
0,568
0,489
0,847
0,858
0,683
0,677
0,815
0,290
0,731
4
0,556
0,048
0,843
0,189
0,703
0,700
0,647
0,532
0,476
0,052
0,189
0,531
0,194
0,957
0,949
0,435
0,054
0,169
0,986
0,571
0,244
0,698
0,296
0,594
0,570
0,606
0,828
0,825
0,760
0,716
0,694
0,215
0,562
0,768
0,348
0,636
0,284
0,786
0,080
0,842
0,830
0,926
0,300
0,612
0,655
0,551
0,449
0,297
0,793
0,588
0,472
0,258
0,954
0,603
0,705
0,343
0,659
0,871
0,464
0,684
0,763
0,618
0,290
0,692
0,453
0,619
0,812
0,520
0,476
0,506
0,650
0,603
0,318
0,682
0,203
0,771
0,909
0,909
0,533
0,147
0,526
0,884
0,563
0,803
0,708
0,668
0,279
0,680
0,369
5
0,655
0,561
0,708
0,454
0,622
0,731
0,564
0,576
0,537
0,436
6
0,781
0,754
0,769
0,549
0,944
0,743
0,808
0,541
0,750
0,518
0,639
0,675
0,939
0,836
0,316
0,477
0,595
0,877
0,547
0,565
0,584
0,551
0,557
0,575
0,646
0,615
0,825
0,846
0,550
0,695
0,564
0,524
0,449
0,499
0,557
0,539
0,434
0,833
0,470
0,805
0,712
0,679
0,687
0,778
0,547
0,695
0,448
0,556
0,596
0,965
0,567
0,640
0,875
0,408
0,646
0,690
0,696
0,557
0,731
0,734
0,939
0,866
0,846
0,714
0,642
0,946
7
0,629
0,729
0,491
0,502
0,521
0,607
0,603
0,769
0,468
0,704
0,735
0,823
0,639
0,551
0,786
0,764
0,599
0,529
0,749
0,376
0,459
0,789
0,710
0,678
0,679
0,529
0,541
0,498
0,419
0,662
0,714
0,535
0,845
0,654
0,431
0,642
0,620
0,686
0,372
0,723
0,690
0,706
0,563
0,490
0,570
0,669
0,730
0,695
0,602
0,755
0,726
0,687
IDB
1,83
18,66
1,89
4,94
1,81
1,30
1,50
1,56
1,60
13,58
3,74
3,48
1,75
1,74
2,42
28,88
6,48
1,77
1,93
2,31
1,43
2,81
1,58
1,30
1,46
1,65
1,72
1,81
1,20
1,82
8,38
1,88
1,94
3,72
15,99
2,57
1,51
1,34
2,68
1,69
1,58
1,97
1,71
1,41
2,70
2,28
7,42
87
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
SWE
CHE
SYR
TJK
TZA
THA
TGO
TON
TTO
TUN
TUR
TKM
UGA
UKR
ARE
GBR
USA
URY
UZB
VUT
VEN
VNM
YEM
YUG
ZMB
ZWE
Země
Švédsko
Švýcarsko
Sýrie
Tadžikistán
Tanzánie
Thajsko
Togo
Tonga
Trinidad a Tobago
Tunisko
Turecko
Turkmenistán
Uganda
Ukrajina
Spojené arabské emiráty
Velká Británie
Spojené státy
Uruguay
Uzbekistán
Vanuatu
Venezuela
Vietnam
Jemen
Jugoslávie
Zambie
Zimbabwe
SD
Index
0,885
0,874
0,514
0,590
0,416
0,657
0,388
0,663
0,671
0,622
0,587
0,577
0,429
0,627
0,616
0,817
0,816
0,710
0,609
0,632
0,638
0,540
0,437
0,674
0,415
0,464
1
0,921
0,960
0,370
0,663
0,500
0,701
0,441
0,875
0,715
0,428
0,594
0,402
0,622
0,539
0,926
0,893
0,854
0,713
0,819
0,368
0,393
0,522
0,519
0,361
2
0,860
0,857
0,514
0,495
0,082
0,664
0,142
0,716
0,728
0,653
0,576
0,366
0,071
0,562
0,674
0,824
0,802
0,754
0,504
0,439
0,623
0,601
0,199
0,735
0,055
0,159
3
0,941
0,952
0,596
0,553
0,325
0,518
0,234
0,731
0,692
0,676
0,670
0,746
0,264
0,767
0,737
0,900
0,893
0,843
0,713
0,632
0,641
0,474
0,359
0,753
0,334
0,402
4
0,996
0,963
0,419
0,505
0,099
0,645
0,344
0,577
0,757
0,603
0,686
0,308
0,190
0,626
0,724
0,953
0,925
0,783
0,506
0,443
0,698
0,433
0,351
0,693
0,270
0,450
5
0,903
0,939
0,576
0,596
0,579
0,693
0,458
0,510
0,642
0,619
0,531
0,674
0,638
0,618
0,896
0,886
0,520
0,593
0,625
0,634
0,689
0,574
0,545
0,350
0,454
6
0,609
0,729
0,659
0,605
0,569
0,831
0,604
0,866
0,533
0,665
0,891
0,590
0,595
0,562
0,577
0,663
0,611
0,794
0,551
0,944
0,487
0,519
0,586
0,643
0,561
0,673
SD Index – Celkový index udržitelného rozvoje, 1-7 –Hodnoty dílčích indexů, IDB – index vyváženosti rozvoje
88
7
0,736
0,689
0,428
0,711
0,694
0,650
0,605
0,636
0,561
0,441
0,438
0,674
0,652
0,509
0,312
0,532
0,561
0,573
0,645
0,772
0,675
0,609
0,516
0,705
0,829
0,666
IDB
1,64
1,40
1,78
1,44
8,46
1,60
4,25
1,70
1,64
1,62
2,08
2,42
9,20
1,51
2,36
1,79
1,65
1,64
1,42
2,15
1,68
1,87
2,94
1,44
15,13
4,23

Indikátory kvality života a udržitelného rozvoje: kvantitativní

Transkript

Podobné dokumenty

Textové procesory (Word), typografie

Kapitola 2 Metody porovnávání dokumentů a dotazů

4.8. Indikátory udržitelného rozvoje

Ontologický model pro portály

Výroční zpráva za rok 2010

Modelování proudění vody na měrném přelivu

40. číslo časopisu Informátor - Česká společnost pro výzkum a

Biozvěst - Studiumbiologie.cz

Metodická příručka učitele 2. stupně ZŠ. I. díl (2015)

mys dobré naděje - Naucnastezka.cz

Diagnostika a léčba hemofilie

Místní agenda 21

THOMAFLUID - Reichelt Chemietechnik

poruchy

Obchodní podmínky OTE, a.s. pro elektroenergetiku

Postoje ke sportu

Anotace předmětů

Pravděpodobnost a statistika - Bodové odhady a intervaly spolehlivosti

Vliv odlehlých hodnot, korelační koeficient, mnohonásobná regrese

Kontingenční tabulky, korelační koeficienty