diff --git "a/data/wiadomosci_statystyczne_pl/wiadomosci_statystyczne_pl.sample.jsonl" "b/data/wiadomosci_statystyczne_pl/wiadomosci_statystyczne_pl.sample.jsonl"
new file mode 100644--- /dev/null
+++ "b/data/wiadomosci_statystyczne_pl/wiadomosci_statystyczne_pl.sample.jsonl"
@@ -0,0 +1,12 @@
+{"added": "2026-09-10", "author": "Dorota Kierska", "created": "2025-10-31", "id": "wiadomosci_statystyczne_pl_2025_10_084-086", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Dyskusje. Recenzje. Informacje / Discussions. Reviews. Information\n\n© Centralna Biblioteka Statystyczna im. Stefana Szulca\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nNOWOŚCI WYDAWNICZE\nW ZBIORACH CENTRALNEJ BIBLIOTEKI STATYSTYCZNEJ\nNEW PUBLICATIONS\nIN THE CENTRAL STATISTICAL LIBRARY RESOURCES\n\nW zbiorach Centralnej Biblioteki Statystycznej im. Stefana Szulca dostępne są następujące, warte polecenia publikacje:\nThe resources of t he Stefan Szulc Central Statistical Library offer the following , highly recommendable publications:\nRedakcja naukowa: Patrycja Bełtowska, Marta Szulc\nObrazy starości. Analiza interdyscyplinarna\nImages of old age: an interdisciplinary analysis\nMonografia przedstawiająca zjawisko starości z perspektywy różnych dyscyplin naukowych: psychologii, prawa, ekonomii, politologii, pedagogiki i dziennikarstwa.\nJęzyk/Language: polski/Polish\nWydawnictwo/Publisher: Wydawnictwo Adam Marszałek\nMiejsce i rok wydania/Place and year of publication: Toruń 2024\nLiczba stron/Number of pages: 182\n\nPublikacja składa się z siedmiu rozdziałów. W pierwszym Karolina Zapolska omawia zagadnienia polityki senioralnej zawarte w prawodawstwie. Podkreśla znaczenie ochrony prawnej seniorów oraz ocenia kierunki zmian sytuacji osób starszych w prawie Polski i Uni i Europejskiej. Rozdział drugi, autorstwa Patrycji Bełtowskiej i Marty Szulc, dotyczy ubóstwa i wykluczenia społecznego osób powyżej\n65. roku życia w Polsce na tle innych krajów. Podstawą analiz są m.in. dane Eurostatu. W rozdziale trzecim Ewa Korzeniewska i Mateusz Zaremba przedstawiają starość z punktu widzenia psychologii. Analizują role społeczn e, style życia i potrzeby osób starszych. Tematem rozdziału czwartego są sposoby motywowania seniorów do podejmowania różnych form aktywności społecznej. Jego autorki Anna Orlińska i Karolina Pirianowicz omawiają także korzyści wynikające z indywidualnej ak tywności ludzi starszych i postrzeganie ich w tym kontekście przez społeczeństwo.\nW rozdziale piątym Olga Żukowicz i Mateusz Kufliński koncentrują się na zagadnieniach związanych z wykonywaniem przez seniorów pracy opiekuńczej na rzecz\n\nD. KIERSKA Nowości wydawnicze w zbiorach Centralnej Biblioteki Statystycznej 85\n\nrodziny, m.in. w ramach projektu „Aktywny rodzic”. Rozdział szósty, autorstwa Dominiki Zięby i Marty Szulc, jest poświęcony udziałowi osób starszych w gminnych radach seniora. W rozdziale siódmym Roksana Gloc i Aleksandra Konieczna zajmują się osobami star szymi jako użytkownikami mediów. Badają rolę, jaką media odgrywają w życiu seniorów.\nKsiążka jest przykładem kompleksowego podejścia do wyjaśnienia dynamicznych procesów społecznych i ekonomicznych, które kształtują życie osób starszych we współczesnym społeczeństwie. Dzięki interdyscyplinarnemu podejściu i bazie naukowej wnosi istotny wkł ad w badanie procesu starzenia.\nAnthony Giddens, Philip W. Sutton\nSocjologia. Kluczowe pojęcia\nEssential Concepts in Sociology\nPrzewodnik po najważniejszych terminach współczesnej socjologii.\nJęzyk/Language: polski/Polish\nWydawnictwo/Publisher: Wydawnictwo Naukowe PWN\nMiejsce i rok wydania/Place and year of publication: Warszawa 2024\nLiczba stron/Number of pages: 352\nWydanie: 2, nowe uzupełnione\nEdition: 2, new supplemented\n\nSocjologia to nauka badająca funkcjonowanie społeczeństwa i zmiany zachodzące w jego strukturach. Pojęcia stosowane w tej dyscyplinie nieustannie ewoluują. Anthony Giddens i Philip W. Sutton omówili je, osadzili w kontekście historycznym, a także wskazali sposoby ich współczesnych zastosowań.\nTerminy zostały podzielone na dziesięć kategorii: myślenie socjologiczne; uprawianie socjologii; środowisko i życie miejskie; struktury społeczne; nierówne szanse życiowe; relacje i bieg życia; interakcja i komunikacja; zdrowie, choroba i ciało; przestępczość i kontrola społeczna; socjologia polityki. Przy każdym pojęciu zamieszczono bibliografię, która odsyła czytelnika do współczesnych prac empirycznych i teoretycznych. Wśród terminów przywołanych przez autorów znajdziemy zarówno te bardzo popularne, jak: klasa, kapitalizm, rodzina, władza czy ubóstwo, jak i nowe, które są w obiegu od niedawna. Słowa alienacja , panika moralna czy globalizacja, stworzone przez badaczy zjawisk społecznych, przeniknęły do języka potocznego i wpływają na postrzeganie świata. W tym wydaniu, w porównaniu z pierwszą edycją, dodano takie pojęcia jak m.in. postkolonializm i rewolucja cyfrowa, które znalazły szerokie\n\nzastosowanie w rozwoju myśli społecznej i teorii socjologicznej. Hasła zostały omówione bardziej szczegółowo niż w opracowaniach typu słownikowego, w których kładzie się nacisk na wyliczenie i zdefiniowanie jak największej liczby terminów, kosztem kontekstu historycznego i pogłębionej analizy znaczeń. W odszukaniu innych użytych w tekście pojęć oraz nazwisk pomagają indeksy umieszczone na końcu publikacji.\nDzięki uniwersalnemu charakterowi z książki mogą korzystać nie tylko studenc i i badacze, lecz także wszys cy, którzy chcą lepiej zrozumieć otaczającą ich rzeczywistość oraz poznać pojęciową mapę współczesnej socjologii.\n\nDorota Kierska\nCentralna Biblioteka Statystyczna, Polska / Central Statistical Library, Poland\n\nCentralna Biblioteka Statystyczna im. Stefana Szulca\n\nBiblioteka została założona w 1918 r. Gromadzi i udostępnia polskie i zagraniczne wydawnictwa staty - styczne, bieżące i archiwalne (od początku XIX w.). Katalog CBS jest dostępny online na stronie http://cbs.stat.gov.pl. Biblioteka posiada zbiory cyfrowe: zeskanowane książki i czasopisma statystyczne z okresu międzywojennego, cimelia statystyczno-demograficzne z końca XIX i początku XX w. oraz najważniejsze publikacje GUS wydane po II wojnie światowej. Znajdują się w nich także wszystkie numery „WS”.\nZapotrzebowanie na kwerendy oraz zamówienia na odbitki kserograficzne i skany można zgłaszać pod adresem: [REDACTED:EMAIL].\n\nThe Stefan Szulc Central Statistical Library\n\nThe library was founded in 1918. It collects and provides access to Polish and foreign statistical publications, both current and archival (from the beginning of the 19th century). The catalogue of the book collection is available online at http://cbs.stat.gov.pl. The library offers digital resources: scanned statistical books and journals from the interwar period, rare statistical -demographic publications from the late 19th and early 20th centuries and the most important publications of Statistics Poland issued a fter World War II.\nThese also include all the issues of WS.\nRequests for queries or photocopies and scans can be submitted to: [REDACTED:EMAIL].", "token_count": 2188}
+{"added": "2026-09-10", "author": "Przemysław Śleszyński", "created": "2026-08-31", "id": "wiadomosci_statystyczne_pl_2026_8_069-087", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Dyskusje. Recenzje. Informacje / Discussions. Reviews. Information\nGospodarstwa domowe i rodziny w świetle wyników\nNarodowego Spisu Powszechnego Ludności i Mieszkań 2021 w podziale na rejony statystyczne\nHouseholds and families in the light of the 2021 National Census with a breakdown by statistical regions\n1. Wprowadzenie\nW listopadzie 2025 r. Główny Urząd Statystyczny udostępnił dane o strukturze gospodarstw domowych i rodzin w podziale na obwody spisowe i rejony statystyczne\n(Główny Urząd Statystyczny [GUS ], b.r.). Informacje te opracowano na podstawie wyników Narodowego Spisu Powszechnego Ludności i Mieszkań 2021 (NSP 2021).\nSą to – pomijając dane typowo demograficzne, czyli liczbę ludności oraz strukturę jej płci i wieku – pierwsze w historii polskiej statystyki publicznie dostępne dane dla całego kraju w tak szczegółowej dezagregacji przestrzennej. Warto zarówno odnotować ten sukces organizacyjny oraz merytoryczny, jak i przybliżyć same wyniki.\nCo prawda GUS już znacznie wcześniej udostępniał pochodzące ze spisów powszechnych dane społeczne w podziale na obwody spisowe i rejony statystyczne\n1, ale tylko dla niektórych miast i gmin. Teraz są dostępne dla całego kraju, co wynika z konsekwentnej polityki GUS w zakresie udostępniania danych, uznawanej w porównaniach międzynarodowych za wzorcową (Polska w 2025 r. znalazła się na pierwszym miejscu w rankingu Open Data Inventory, który ocenia dostępność oraz otwartość danych w krajowych urzędach statystycznych). Jest to ważne także z powodu znaczenia tych danych dla badań naukowych i ich zastosowania w polityce społecznej, szczególnie lokalnej. Należy nadmienić, że ostatnie dostępne dane o gospodarstwach domowych i rodzinach w obwodach spisowych i rejonach statystycznych pochodziły z Narodowego Spisu Powszechnego Ludności i Mieszkań 2002 (NSP 2002) i w zasadzie były przygotowywane tylko odpłatnie, na zamówienie.\n1 Były wykorzystane w wielu badaniach, o czym mowa w dalszej części artykułu.\n© Przemysław Śleszyński\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nCelem artykułu jest po pierwsze scharakteryzowanie zróżnicowania przestrzennego gospodarstw domowych i rodzin na podstawie dostępnych cech, po drugie – wskazanie dalszych potrzeb statystycznych w zakresie udostępnian ia cech i danych, a po trzecie – określenie najważniejszych potrzeb diagnostycznych w kontekście wiedzy o współczesnych przemianach społecznych w Polsce oraz racjonalnej, opartej na faktach polityki (ang. place-based policy) lokalnej i regionalnej.\n2. Dotychczasowe wykorzystanie danych ze spisów powszechnych w małych jednostkach przestrzennych\nW Polsce społeczne dane spisowe były dotychczas dostępne w umiarkowanym zakresie, niemniej na ich podstawie przeprowadzono wiele badań. Warto zwrócić uwagę, że przed drugą wojną światową dostępne były dane na poziomie szczegółowości współczesnych obwodów spisowych i rejonów statystycznych, ale – nie licząc opracowań, w których przedstawiano cechy społeczne np. dla małych miejscowości wiejskich\n– trudno znaleźć opracowania ukazujące szczegółowe zróżnicowanie przestrzenne miast. Dane sprzed 1939 r. były natomiast wykorzystywane w latach powojennych, m.in. dla Warszawy (Gawryszewski, 2009; Węcławowicz, 1975).\nPrzegląd pierwszych polskich prac z zastosowaniem danych dla małych jednostek przestrzennych (nie tylko ze spisów powszechnych) zawiera wspomniana praca Węcławowicza (1975). Autor wymienia kilkanaście opracowań socjologów i geografów, m.in. m.in. pionierskie badania z zakresu demografii Krakowa (Bromek, 1964) i ekologii społecznej Sosnowca (Ziółkowski, 1960), Lublina, Torunia (Pióro, 1962) i Łodzi\n(Piotrowski, 1966).\nW latach 70. i 80. XX w. zaczęło ukazywać się coraz więcej prac, których podstawę stanowiły dane społeczne i mieszkaniowe z obwodów spisowych i rejonów statystycznych. Analizy były prowadzone głównie w ośrodkach geograficznych wyspecjalizowanych w analizach przestrzennych, m.in. w Instytucie Geografii i Przestrzennego Zagospodarowania Polskiej Akademii Nauk (Werwicki, 1973; Węcławowicz, 1975, 1981,\n1988) oraz ośrodkach akademickich, m.in. na Uniwersytecie Łódzkim (Dzieciuchowicz, 1976), Uniwersytecie Wrocławskim (Jagielski, 1978) i Uniwersytecie im. Adama\nMickiewicza w Poznaniu (Matykowski, 1990). Przegląd badań geograficznych bazujących na takich danych zawiera opracowanie Liszewskiego (1994). W 1975 r. została opublikowana dysertacja doktorska Węcławowicza, w której autor porównał przedwojenną i powojenną społeczną strukturę przestrzenną Warszawy. Praca miała przełomowe znaczenie dla rozwoju badań dotyczących ekologii miejskiej i geografii społecznej miast w Polsce. Zastosowanie komputerowych technik oblicz eniowych, bardzo nowoczesnych jak na ówczesne czasy, pozwoliło na przeprowadzenie pogłębionej\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 71\n\nanalizy (za pomocą regresji wielokrotnej i analizy czynnikowej) związków przyczynowo-skutkowych na podstawie dużych zbiorów danych. Dzięki temu w pracy udowodniono empirycznie, że w komunistycznej Polsce zachodziły takie same zjawiska i procesy jak na kapitalistycznym Zachodzie. Na przykład za obserwowano, że w dużych miastach następuje istotne zróżnicowanie wewnętrzne pod względem cech struktury społeczno-ekonomicznej ludności, w tym bytowej (czyli warunków mieszkaniowych), zawodowej i wykształcenia , co prowadzi do kształtowania się mozaikowej struktury społecznej oraz „lepszych” i „gorszych” obszarów w przestrzeni miasta. Jak można się domyślać, takie ustalenia nie wzbudziły entuzjazmu elit odpowiedzialnych za socjalistyczną i egalitarną modernizację społeczną, ale odegrały kluczową rolę m.in.\nw rozwoju teorii miasta socjalistycznego (Węcławowicz, 1988). Z godnie z tą teorią kluczowe struktury społeczne są identyfikowane na podstawie trzech pozycji (statusów): społeczno-zawodowej, rodzinno-mieszkaniowej oraz migracyjnej.\nPo 1989 r., wraz z nastaniem kryzysu społeczno-gospodarczego, w Polsce ujawniły się braki w statystyce. Wynikały one zarówno z niedostatku środków na sprawną organizację państwa, jak i z bardziej ogólnych cech transformacji systemu z nakazowo-\n-rozdzielczego w wolnorynkowy: różnego rodzaju reform, powstania nowych instytucji i zjawisk, wzrostu mobilności mieszkańców oraz coraz powszechniejszej tendencji do nieprzestrzegania licznych nieżyciowych przepisów administracyjnych, w tym obowiązku meldunkowego. Rozwój obiecujących badań z zakresu ekologii miejskiej i – ogólnie – zróżnicowań społecznych w szczegółowym podziale przestrzennym wyraźnie wyhamował, chociaż pierwsze dwie dekady transformacji społeczno -ekonomicznej przyniosły jeszcze sporo prac bazujących na NSP 1988 i wcześniejszych spisach, m.in. dla Warszawy (seria Atlas Warszawy, np. Węcławowicz i Księżak, 1993),\nŁodzi (Kaczmarek, 1996), Słupska (Rydz, 2001) i Torunia (Jaroszewska -Brudnicka,\n2004).\nJeśli chodzi o NSP 2002, to dostępność szczegółowych informacji pochodzących z tego spisu była ograniczona – dane udostępniano odpłatnie, co przełożyło się na mniejszą liczbę badań. Dzięki wsparciu projektowemu, w tym współpracy z samorządami, które były szczególnie zainteresowane informacjami na temat intensywnych, zasadniczych zmian społecznych po 1989 r., więcej prac udało się opublikować jedynie dla Warszawy (Górczyńska, 2014; Smętkowski, 2009; Stępniak, 2014; Stępniak i in.,\n2009; Śleszyński, 2010) i Łodzi (Dzieciuchowicz, 2011; Jakóbczyk-Gryszkiewicz, 2015;\nMarcińczak, 2009, 2013; Szafrańska, 2016).\nNarodowy Spis Powszechny Ludności i Mieszkań z 2011 r. nie spełnił oczekiwań w zakresie szczegółowości przestrzennej danych społecznych na poziomie rejonów spisowych. Nie sprawdziło się pobieranie danych ze źródeł (rejestrów) administracyjnych – przyjęte jako podstawowa metoda uzyskiwania danych – ponieważ rejestry nie\n\nodzwierciedlały stanu rzeczywistego na obszarach o najwyższej dynamice zmian, takich jak intensywnie rozwijające się strefy podmiejskie, wyludniające się centra miast i peryferia wiejskie. Było to spowodowane przede wszystkim powszechnym ignorowaniem obowi ązku meldunkowego, co prowadziło do tego, że przeważająca część emigracji zagranicznej i istotna część migracji wewnętrznych nie znajdowała potwierdzenia w zapisach urzędowych\n2. Na ten problem zwracano uwagę już wcześniej, zarówno w kontekście nierejestrowanej emigracji po stanie wojennym (Kędelski, 1990), jak i na początku transformacji (Korcelli, 1997). Podczas prac przygotowawczych do\nNSP 2011 nie uwzględniono jednak głosów ś rodowiska naukowo-eksperckiego o ryzyku niepowodzenia i niedokładnościach pomiaru spowodowanych przyjęciem wadliwych założeń metodologicznych i nadmiernym zaufaniem do rejestrów administracyjnych.\nKierując się wnioskami wyciągniętymi z NSP 2011, ostatni spis przeprowadzono metodami mieszanymi, co spowodowało, że jego wyniki są oceniane znacznie lepiej\n(Śleszyński, 2024). NSP 2021 pozwolił m.in. zrewidować wiedzę na temat dzietności.\nDotychczasowe dane o potencjalnych młodych matkach były bowiem znacznie zawyżone na peryferiach, a niedoszacowane w miastach najatrakcyjniejszych pod względem zamieszkania i pracy (np. we Wrocławiu spis wykazał o 47% więcej kobiet w wieku od 20 do 34 lat, a w Warszawie – o 39%).\nW tabl. 1 zawarto podsumowanie dostępności danych na poziomie rejonów statystycznych na przykładzie Warszawy. Wynika z niego, że największą dostępność odnotowano w 1988 r., kiedy udało się zgromadzić dane według 353 cech. W 2002 r. było to 235 cech (ale dane można było uzyskać jedynie odpłatnie), w 2011 r. – tylko 17 cech biologicznych (wiek i płeć), przy czym ich wiarygodność okazała się niska, a w 2021 r.\n– 44 cechy. Ponadto od 2011 r. dane są dostępne dla poziomu obwodów spisowych, a więc jednostek rzędu kilkuset osób. Należy też zwrócić uwagę na stopniowe skracanie się czasu udostępniania danych po 1989 r. Co ciekawe, czas ten był najkrótszy w 1988 r., a więc w epoce w zasadzie przedkomputerowej. Ten paradoks da się wytłumaczyć tym, że w Polskiej Rzeczypospolitej Ludowej ludność była kontrolowana znacznie bardziej restrykcyjnie niż w późniejszym okresie, a zjawisko wielolokalności, czyli cykli cznego i okresowego przebywania w różnych miejscach zamieszkania\n(Jaczewska, 2025), występowało znacznie rzadziej.\n\n2 Problem nierejestrowanych czy słabo rejestrowanych przepływów międzynarodowych i niekiedy wewnętrznych występuje na całym świecie i poważnie zafałszowuje obraz rzeczywistości prawdopodobnie w większości krajów.\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 73\n\nTabl. 1. Charakterystyka danych demograficzno-społecznych dostępnych na poziomie rejonów statystycznych dla Warszawy w latach 1988–2021\nGrupy cech\nSpisy powszechne\n1988 2002 2011 2021\nLiczba cech ogółem ............................................................... 353 235 17 44 wiek i płeć ............................................................................. 75 69 17a 17a pochodzenie terytorialne, migracje ............................ . 15 . .\nnarodowość, obywatelstwo ........................................... . 9 . .\npraca (zatrudnienie) .......................................................... 56 31 . .\nwykształcenie ...................................................................... 12 8 . .\ngospodarstwa domowe ................................................... 56 15 . 15a stan cywilny i rodzinny ..................................................... 9 17 . 12a mieszkalnictwo ................................................................... 145 62 . .\nCzas udostępnienia od momentu spisu (w latach) ..... 3 6 5 4 a Dane dostępne także dla obwodów spisowych.\nŹródło: opracowanie własne na podstawie zbiorów zgromadzonych w Instytucie Geografii i Przestrzennego\nZagospodarowania Polskiej Akademii Nauk, otrzymywanych bezpośrednio z GUS i za pośrednictwem Urzędu m.st. Warszawy.\n3. Źródła danych i metody analizy\nŹródłem danych statystycznych analizowanych w artykule jest – wspomniany we wstępie – zbiór udostępniony przez GUS w listopadzie 2025 r. (z korektami z grudnia\n2025 r.). Obejmuje on cztery zbiory w formacie XLS: dwa z danymi o gospodarstwach domowych i dwa z danymi o rodzinach. Obydwa zbiory – dotyczący gospodarstw i dotyczący rodzin – obejmują po 34 960 rejonów statystycznych i 185 917 obwodów spisowych. W niniejszym artykule rozpatrywano wyłącznie rejony statystyczne. W tabl. 2 przedstawiono strukturę danych zawartych w analizowanym zbiorze. W 2021 r. zarejestrowano 12,5 mln gospodarstw domowych i 10,6 mln rodzin. Największy udział w poszczególnych kategoriach miały dwuosobowe gospodarstwa domowe – 25,1%, a pod względem liczby osób w gospodarstwie struktura była dość wyrównana (najmniej liczne kategorie cztero-, pięcioosobowych i liczniejszych gospodarstw skupiały po 16 –17% wszystkich gospodarstw domowych). W podziale według składu rodzinnego dominowały gospodarstwa jednorodzinne, a nierodzinne stanowiły blisko 30% ogółu. W podziale według typu biologicznego przeważały małżeństwa z dziećmi – po uwzględnieniu związków niesformalizowanych wychowujących dzieci była to blisko połowa wszystkich rodzin (49,2%). Z kolei samotni rodzice (głównie matki) stanowili 24,2% rodzin. Nie wiadomo, ilu z nich wychowywało dziecko poniżej 18. roku życia, jaki procent stanowiły dorosłe dzieci i w jakim były wieku (np. gniazdownicy do ok. 35. roku życia czy starsze\n\ndzieci opiekujące się rodzicem). Do tego dochodzi jeszcze grupa samotnych rodziców wychowujących dorosłe niepełnosprawne dziecko lub dzieci.\nPowyższe wątpliwości interpretacyjne można rozstrzygnąć na wyższych poziomach agregacji. W całym kraju było 2196 tys. samotnych matek, w tym 1028 tys. (czyli mniej niż połowa) z dziećmi do 24. roku życia. Samotnych ojców było odpowiednio 371 tys.\ni 167 tys. Już na tym etapie nasuwają się wątpliwości dotyczące przydatności wskaźników do prowadzenia badań i zastosowań praktycznych.\n\nTabl. 2. Struktura danych z NSP 2021 dotyczących gospodarstw domowych i rodzin udostępnianych przez GUS\nWyszczególnienie Liczba w tys. Udział procentowy w grupie\nGospodarstwa domowe według liczby osób\nOgółem ................................................................................. 12 516 100,0\n5 i więcej ................................................................................ 2 129 17,0\nGospodarstwa domowe według składu rodzinnego\nOgółem ................................................................................. 12 516 100,0\nJednorodzinne .................................................................... 7 711 61,6\nDwurodzinne ....................................................................... 1 202 9,6\nTrzyrodzinne i większe ..................................................... 159 1,3\nNierodzinne jednoosobowe ........................................... 2 825 22,6\nNierodzinne wieloosobowe ........................................... 620 5,0\nRodziny według typu biologicznego\nOgółem ................................................................................. 10 619 100,0\nMałżeństwa bezdzietne ................................................... 2 493 23,5\nMałżeństwa z dziećmi ....................................................... 4 664 43,9\nZwiązki niesformalizowane bezdzietne ..................... 330 3,1\nZwiązki niesformalizowane z dziećmi ......................... 565 5,3\nSamotne matki ................................................................... 2 196 20,7\nSamotni ojcowie ................................................................. 371 3,5\n\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 75\n\nTabl. 2. Struktura danych z NSP 2021 dotyczących gospodarstw domowych i rodzin udostępnianych przez GUS (dok.)\nWyszczególnienie Liczba w tys. Udział procentowy w grupie\nRodziny według liczby dzieci\nOgółem ................................................................................. 10 619 100,0\n3 ............................................................................................... 648 6,1\n4 i więcej ................................................................................ 183 1,7\nŹródło: opracowanie własne na podstawie: GUS (b.r.).\n\nNastępnie dane w rejonach statystycznych analizowano na dwa sposoby: statystycznie i kartograficznie. W pierwszym przypadku zestawiono podstawowe statystyki gospodarstw domowych i rodzin, a w drugim – przedstawiono i omówiono strukturę przestrzenną kilku wybranych wskaźników: przeciętna wielkość gospodarstwa domowego, udział gospodarstw domowych dwurodzinnych i większych, udział gospodarstw domowych nierodzinnych jednoosobowych, udział związków niesformalizowanych w ogóle rodzin, udział rodzin z co najmniej czworgiem dzieci w ogóle rodzin.\nMapy wykonano, łącząc zbiory danych z rejonami statystycznymi w formacie wektorowym (poligony SHP), udostępnianymi przez GUS (zbiór danych przestrzennych\nBREC, upubliczniany w ramach usługi INSPIRE za pośrednictwem Portalu Geostatystycznego)\n3.\nNa rozkładzie i w histogramach (wykres) pokazano wielkość rejonów statystycznych pod względem powierzchni oraz liczby gospodarstw domowych i rodzin. Najmniejsze rejony zajmują powierzchnię liczoną w ułamkach ha (25 jednostek), znajduje się na nich po kilka gospodarstw domowych i zamieszkuje je k ilka rodzin, a powierzchnia największych wynosi do 19,9 tys. ha, znajduje się na nich do 2314 gospodarstw domowych i zamieszkuje je do 1782 rodzin. Przeważają rejony znajdujące się w następującym przedziale: od ok. 10 ha do 1000 ha, od 150 do 500 gospodarstw domowych (z dominantą w przedziale 250– 350 gospodarstw) i od 150 do 400 rodzin\n(dominanta w przedziale 200–250 rodzin).\n\n3 Jest dostępny także w Państwowym Rejestrze Granic i na Geoportalu Krajowym.\n\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 77\n\n4. Wyniki\nWyniki analizy przedstawiono na mapach 1–5. Nie uwzględniono wszystkich możliwych kombinacji różnych zmiennych, ale wybrano zagadnienia interesujące zarówno z poznawczego, jak i metodycznego punktu widzenia. Mapa 1 ilustruje jeden z najważniejszych wskaźni ków do oceny struktury gospodarstw domowych, czyli przeciętną liczbę osób w gospodarstwie. Generalnie im wyższa wartość tego wskaźnika, tym więcej dużych (czteroosobowych i większych) gospodarstw domowych, a mniej\n– małych (jedno- i dwuosobowych). Posługując się nim, można pośrednio identyfikować zmiany społeczne. Niskie wartości odnotowywane na danym obszarze oznaczają zazwyczaj, że rodzi się mniej dzieci, coraz więcej osób decyduje się na życie w pojedynkę albo jest samotnych z powodu śmierci współmałżonka. Wskazuje to na postępujący proces starzenia się społeczeństwa. Ponadto ten wskaźnik ma istotne znaczenie praktyczne, np. dla banków podczas wyliczania zdolności kredytowej i gmin w procesie planowania wydatków na infrastrukturę.\nNa mapie 1 (s. 78) wyraźnie widać, że wysoką przeciętną wielkością gospodarstwa domowego cechują się bardzo różne obszary geograficzne: znane z wysokiej dzietności Kaszuby i Podhale, byłe woj. łomżyńskie, Kurpie, południowa Wielkopolska i niemal cały obszar byłego zaboru au striackiego (Galicja). Niskie wartości odnotowuje się w dużych miastach, zwłaszcza w Warszawie, Trójmieście, we Wrocławiu, w Krakowie i konurbacji katowickiej, oraz na niektórych terenach wiejskich, np. w prawosławno-białoruskiej części woj. podlaskiego (z właszcza w powiatach hajnowskim i bielskim) oraz na peryferiach przygranicznych (oprócz województw śląskiego, małopolskiego i podkarpackiego).\nAnaliza dołączonego do mapy 1 kartonu, przedstawiającego powiększony fragment Warszawy i okolic, wskazuje na występowanie dwóch prawidłowości. Po pierwsze najniższe wartości opisywanego wskaźnika notuje się w centrum stolicy (niekiedy nawet poniżej dwóch osób w gospodarstwie domowym), po drugie – granica między\nWarszawą a pobliskimi gminami jest bardzo płynna, a wartość wskaźnika odnotowywana np. na obrzeżach dzielnicy Bielany jest bardzo zbliżona do wartości w gminach\nIzabelin i Łomianki, a na obrzeżach Wł och – do wartości notowanych w gminie Raszyn.\n\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 79\n\nMapa 2 (s. 79) przedstawia udział gospodarstw dwurodzinnych i większych w ogóle rodzinnych gospodarstw domowych. W tym przypadku nie daje się zauważyć żadnych prawidłowości, a struktura przestrzenna jest zdecydowanie mozaikowa.\nDosyć często się zdarza, że z obszarami, na których udział tego typu rodzin wynosi poniżej 50%, sąsiadują takie, gdzie kształtuje się on na poziomie powyżej 90%. Z danych nie wynika jednoznacznie, ile wśród tych gospodarstw jest rodzin wielopokoleniowych, a ile rodzin nuklearnych i nienuklearnych z odrębnym gospodarstwem domowym (np. rodzeństw), co utrudnia interpretację.\nNa mapie 3 (s. 81) zestawiono udział rodzin z co najmniej trojgiem dzieci w ogóle rodzin z dziećmi. To jeden z najciekawszych rozkładów: z jednej strony bardzo wyraźnie wyróżniają się Kaszuby, prawie cały wschód kraju i dawna Galicja jako obszary, na których rodzina z co najmniej trojgiem dzieci stanowi ponad 20% populacji rodzin z dziećmi, a z drugiej – są obszary, na których tego typu rodziny należą do wyjątków: północna część woj. śląskiego, Kotlina Kłodzka (co dziesiąta rodzina i rzadziej) i Warszawa (n awet co dwudziesta rodzina albo w ogóle brak rodzin z co najmniej trojgiem dzieci, co widać na kartonie dla stolicy i okolic).\nNa mapie 4 (s. 82), co do zasady, uwzględniono wszystkie osoby, które mieszkają same. Społeczno-przestrzenna interpretacja tych danych jest jednak trudna, ponieważ dotyczą dużej i zróżnicowanej grupy: młodych singli, par niemieszkających razem, starszych kawalerów, starszych panien i samotnych osób w podeszłym wieku, głównie wdów. Rozkład przestrzenny ma w tym wypadku zdecydowanie mozaikowy charakter zarówno w całym kraju, jak i na kartonie dla Warszawy i okolic.\nMapa 5 (s. 83) przedstawia udział związków niesformalizowanych w ogóle rodzin.\nW tym aspekcie wyraźnie wyróżnia się zachodnia i północna Polska, gdzie udział tych związków przekracza 10%, a nawet 15%. Podobne wartości wskaźnika charakteryzują większe aglomeracje miejski e (poza Białymstokiem i Lublinem). W Warszawie w wielu rejonach wskaźnik ten przekracza 15%. Niesformalizowane związki z dziećmi stanowią znaczący odsetek wszystkich rodzin, co wskazuje, że tradycyjny model polskiego gospodarstwa domowego s ię zmienia. W tym kontekście interesujące wydaje się zwłaszcza większe wysunięcie aglomeracji warszawskiej na południowy zachód niż na południowy wschód. Może to wskazywać na swego rodzaju barierę przestrzenną w migracjach z bardziej konserwatywnie nastawi onego wschodu kraju.\n\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 81\n\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 83\n\n5. Dyskusja i wnioski\nPrzedstawione dane mają duży potencjał badawczy i praktyczny (przy czym jest on obwarowany pewnymi warunkami, o czym mowa dalej). Daje to szansę na wznowienie badań nad wewnętrzną strukturą miast w Polsce, w szczególności z zakresu ekologii społecznej. W latach 70. i 80. XX w. był to jeden z wyróżniających się nurtów badań miejskich, którego rozwój wyhamował później z powodu braku danych.\nDostęp do danych o gospodarstwach domowych i rodzinach może pomóc w przezwyciężaniu trudności związanych z rozpoznaniem struktury społecznej na potrzeby samorządów. Dzięki wskazaniu obszarów problematycznych lub generalnie innych pod względem tej struktury niż obszary sąsiednie łatwiejsze staje się prowadzenie racjonalnej polityki społecznej, planowanie przestrzenne czy organizowanie transportu. Dla przykładu, wiedza o tym, że na danym terenie mieszka dużo samotnych matek albo rodzin wielodzietnych, pozwala na lepsze dostosowanie oferty usługowej, zwłaszcza edukacyjnej i opiekuńczej, do potrzeb mieszkańców.\nWyniki analizy wskazują na występowanie bardzo dużego zróżnicowania lokalnego.\nŚwiadczą też o tym, że jednoznaczna interpretacja danych nie zawsze jest możliwa. Wynika to przede wszystkim z niedostatecznego zróżnicowania klasyfikacyjnego danych według wieku i płci. Potrzebne jest większe uszczegółowienie udostępnianych danych, zwłaszcza w zakresie struktury rodzin. Najbardziej przydatne zarówno w badaniach naukowych, jak i praktyce byłyby następujące kategorie:\n• w przypadku jednoosobowych gospodarstw domowych i jednoosobowych nierodzinnych gospodarstw domowych – podział na młodszą i starszą część populacji, najlepiej według wieku (0 –18, 19–24, 25–29, 30–39 lat itd.); to ważne zwłaszcza z punktu widzenia zjawiska singlizmu oraz samotności, szczególnie samotności osób starszych i związanej z tym zwiększonej opieki;\n• w przypadku małżeństw z dziećmi – wyodrębnienie grup wieku dzieci, np. 0 –18,\n19–24, 25–29, 30 lat i więcej;\n• w przypadku samotnych rodziców z dziećmi – podział ze względu na wiek dzieci\n(0–4, 5–9, 10–19 lat); są to rodziny mające zupełnie inne potrzeby niż rodzice mieszkający z dorosłym synem lub córką (gniazdownictwo, sprawowanie opieki nad dorosłym niepełnosprawnym dzieckiem lub dorosłego dziecka nad rodzicem).\nPowyższe uwagi pokazują, że należy dokonywać ostrożnej interpretacji danych, zwłaszcza w przypadku niektórych wskaźników.\nUdostępnienie przez GUS danych o gospodarstwach domowych i rodzinach według obwodów spisowych i rejonów statystycznych dla całego kraju jest bardzo cenne. Należy wyrazić nadzieję, że upublicznione zostaną również dane społeczno-zawodowe, a także mieszkaniowe. Wartościowe byłoby też zwiększenie częstotliwości udostępniania\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 85\n\ndanych, prawdopodobnie możliwe jedynie w przypadku informacji mieszkaniowych.\nPrzyczyniłoby się to do rozwoju badań naukowych i ułatwiłoby pracę samorządom.\nBibliografia\nBromek, K. (1964). Rozwój demograficzny regionu Krakowa w okresie od 1869 do 1950. Uniwersytet\nJagielloński.\nDzieciuchowicz, J. (1976). Szczegółowa rejonizacja warunków mieszkaniowych ludności Łodzi w roku 1970. Acta Universitatis Lodziensis, (7), 3–40.\nDzieciuchowicz, J. (2011). Środowisko mieszkaniowe wielkiego miasta. Przykład Łodzi . Wydawnictwo Uniwersytetu Łódzkiego.\nGawryszewski, A. (2009). Ludność Warszawy w XX wieku. Polska Akademia Nauk.\nhttps://rcin.org.pl/Content/2063/WA51_13604_r2009-nr10_Monografie.pdf.\nGłówny Urząd Statystyczny. (b.r.). Gospodarstwa domowe oraz rodziny według rejonów statystycznych i obwodów spisowych.\nhttps://stat.gov.pl/spisy-powszechne/nsp-2021/nsp-2021-wyniki-ostateczne/gospodarstwa-domoweoraz-rodziny-wedlug-rejonow-statystycznych-i-obwodow-spisowych,13,1.html.\nGłówny Urząd Statystyczny. (2023). Narodowy Spis Powszechny Ludności i Mieszkań 2021. Rodziny w Polsce w świetle wyników NSP 2021.\nhttps://stat.gov.pl/spisy -powszechne/nsp-2021/nsp-2021-wyniki-ostateczne/ rodziny-w-polscew-swietle-wynikow-nsp-2021,7,2.html#.\nGórczyńska, M. (2014). Zmiany zróżnicowań społecznych i przestrzennych w wybranych dzielnicach\nWarszawy i aglomeracji paryskiej: dynamika i aktorzy. Polska Akademia Nauk.\nhttps://rcin.org.pl/dlibra/doccontent?id=54200.\nJaczewska, B. (2025). Pomiędzy dwoma miejscami pobytu. Wielolokalność mieszkaniowa a przywiązanie do miejsca i zaangażowanie w sprawy lokalne. Przegląd Geograficzny , 97(3), 301–325.\nhttps://doi.org/10.7163/PrzG.2025.3.4.\nJagielski, A. (1978). Struktura społeczno -ekologiczna miast polskich a koncepcje szkoły chicagowskiej. W: J. Turowski (red.), Procesy urbanizacji kraju w okresie XXX-lecia Polskiej Rzeczypospolitej Ludowej (s. 111–133). Ossolineum.\nJakóbczyk-Gryszkiewicz, J. (red.). (2015). Procesy gentryfikacji w obszarach śródmiejskich wielkich miast na przykładzie Warszawy, Łodzi i Gdańska. Polska Akademia Nauk.\nJaroszewska-Brudnicka, R. (2004). Zróżnicowanie przestrzeni społecznej Torunia . Wydawnictwo\nUniwersytetu Mikołaja Kopernika.\nKaczmarek, S. (1996). Struktura przestrzenna warunków zamieszkania w Łodzi. Łódzkie Towarzystwo Naukowe.\nKędelski, M. (1990). Fikcja demograficzna w Polsce i RFN (ze studiów nad migracjami zagranicznymi). Studia Demograficzne, 99(1), 21–55.\nKorcelli, P. (1997). Alternatywne projekcje zmian demograficznych i migracji w aglomeracjach miejskich. W: P. Korcelli (red.), Aglomeracje miejskie w procesie transformacji (s. 5–22). Polska Akademia Nauk.\nhttps://rcin.org.pl/igipz/Content/34064/PDF/WA51_44756_r1997-nr45_Zeszyty-IGiPZ.pdf.\n\nLiszewski, S. (1994). Studia nad strukturami przestrzennymi miast. W: S. Liszewski (red.), Geografia osadnictwa i ludności w niepodległej Polsce. Lata 1918 –1993: Tom 2. Kierunki badań naukowych\n(s. 181–199). Polskie Towarzystwo Geograficzne.\nMarcińczak, S. (2009). Przemiany struktury społeczno -przestrzennej Łodzi w latach 1988– 2005.\nWydawnictwo Uniwersytetu Łódzkiego.\nMarcińczak, S. (2013). Segregacja społeczna w mieście postsocjalistycznym. Bukareszt, Warszawa i Tallin na początku XXI wieku. Wydawnictwo Uniwersytetu Łódzkiego.\nhttp://dx.doi.org/10.18778/7525-946-9.\nMatykowski, R. (1990). Struktura przestrzenna Gniezna i przemieszczenia jego mieszkańców.\nPaństwowe Wydawnictwo Naukowe.\nPiotrowski, W. (1966). Społeczno-przestrzenna struktura m. Łodzi. Studium ekologiczne. Zakład Narodowy im. Ossolińskich.\nPióro, Z. (1962). Ekologia społeczna w urbanistyce na przykładzie badań lubelskich i toruńskich .\nArkady.\nRydz, E. (2001). Społeczna i przestrzenna struktura Słupska w świetle geograficznej interpretacji ekologii miasta. W: I. Sagan, M. Czepczyński (red.), Wybrane problemy badawcze geografii społecznej w Polsce (s. 151–160). Uniwersytet Gdański.\nSmętkowski, M. (2009). Zróżnicowania społeczno- przestrzenne Warszawy – inercja czy metamorfoza struktury miasta. Przegląd Geograficzny, 81(4), 461–482.\nhttps://doi.org/10.7163/PrzG.2009.1.2.\nStępniak, M. (2014). Przekształcenia przestrzennego rozmieszczenia zasobów mieszkaniowych w Warszawie w latach 1945–2008. Polska Akademia Nauk.\nhttps://rcin.org.pl/dlibra/doccontent?id=54199.\nStępniak, M., Węcławowicz, G., Górczyńska, M., Bierzyński, A. (2009). Warszawa w świetle Narodowego Spisu Powszechnego 2002. Polska Akademia Nauk.\nhttps://rcin.org.pl/dlibra/publication/15816/edition/5180/content.\nSzafrańska, E. (2016). Wielkie osiedla mieszkaniowe w mieście postsocjalistycznym. Geneza, rozwój, przemiany, percepcja. Wydawnictwo Uniwersytetu Łódzkiego.\nhttps://doi.org/10.18778/8088-210-2.\nŚleszyński, P. (2010). Struktura przestrzeni i delimitacja obszarów społecznych w Warszawie. Dane\nNSP 2002. Polityka Społeczna, (1), 14–18.\nŚleszyński, P. (2024). Monitoring rzeczywistych zmian w przestrzeni jako podstawa kształtowania rozwoju regionalnego i lokalnego. W: A. Gałązka, P. Szukalski (red.), Demograficzne zróżnicowanie przestrzenne Polski (s. 53–82). Rządowa Rada Ludnościowa.\nhttps://rrl.stat.gov.pl/Files/pozostale/demograficzne_zroznicowanie_przestrzenne_polski%20(4).pdf.\nWerwicki, A. (1973). Struktura przestrzenna średnich miast ośrodków wojewódzkich w Polsce. Polska\nAkademia Nauk.\nhttps://rcin.org.pl/Content/13844/PDF/Wa51_21838_r1973_nr101_Prace-Geogr.pdf\nWęcławowicz, G. (1975). Struktura przestrzeni społeczno -gospodarczej Warszawy w latach 1931 i 1970 w świetle analizy czynnikowej. Polska Akademia Nauk.\nhttps://www.rcin.org.pl/igipz/dlibra/publication/5463/edition/633/content?ref=L3B1YmxpY2F0 aW9uLzgxNzY3L2VkaXRpb24vNjI4MTY.\nP. ŚLESZYŃSKI Gospodarstwa domowe i rodziny w świetle wyników Narodowego Spisu... 87\n\nWęcławowicz, G. (1981). Próba teorii struktury wewnętrznej miast Polski. Studium z ekologii czynnikowej. W: K. Dziewoński, P. Korcelli (red.), Studia nad migracjami i przemianami systemu osadniczego w Polsce (s. 234–267). Zakład Narodowy im. Ossolińskich, Wydawnictwo Polskiej\nAkademii Nauk.\nWęcławowicz, G. (1988). Struktury społeczno -przestrzenne w miastach Polski . Polska Akademia\nNauk. https://www.rcin.org.pl/igipz/dlibra/publication/35248?language=en.\nWęcławowicz, G., Księżak, J. (1993). Atlas Warszawy. Struktury demograficzne i gospodarstw domowych. Polska Akademia Nauk.\nZiółkowski, J. (1960). Sosnowiec. Drogi i czynniki rozwoju miasta przemys��owego. Wydawnictwo\nŚląsk.\n\nPrzemysław Śleszyński\nInstytut Geografii i Przestrzennego Zagospodarowania Polskiej Akademii Nauk, Polska\nInstitute of Geography and Spatial Organization of the Polish Academy of Sciences, Poland\nORCID: https://orcid.org/0000-0002-1369-6129", "token_count": 11757}
+{"added": "2026-09-10", "author": "Joanna Sadowy", "created": "2022-11-30", "id": "wiadomosci_statystyczne_pl_2022_11_067-069", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Dyskusje. Recenzje. Informacje / Discussions. Reviews. Information\n\n© Główny Urząd Statystyczny\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nWYDAWNICTWA GUS. PAŹDZIERNIK 2022\nPUBLICATIONS OF STATISTICS POLAND. OCTOBER 2022\n\nW ofercie wydawniczej Głównego Urzędu Statystycznego z ubiegłego miesiąca warto zwrócić uwagę na następujące publikacje:\nAmong Statistics Poland’s last month’s publications, we would like to recommend:\nTytuł: Ludność. Stan i struktura oraz ruch naturalny w przekroju terytorialnym w 2021 r. Stan w dniu 31 grudnia\nTitle: Population. Size and structure and vital statistics in Poland by territorial division in 2021. As of 31 December\nJęzyk: polski, angielski\nLanguage: Polish, English\nDodatkowe informacje: opracowanie dostępne w wersji elektronicznej\nAdditional information: publication available in the electronic form\n\nNajnowsze wydanie opracowania zawierającego szczegółowe dane o liczbie i strukturze ludności Polski . Publikacja ukazuje się od lat 70. ubiegłego wieku w cyklu półrocznym (według stanu na 30 czerwca oraz 31 grudnia) , od 2017 r. – wyłącznie w wersji elektronicznej, co umożliwia rozszerzenie zakresu prezentowanych danych o informacje na temat ruchu naturalnego i migracji w gminach.\nW tegorocznej edycji przedstawiono wyniki bilansu ludności sporządzonego według stanu na 31 grudnia 2021 r. dla wszystkich jednostek podziału administracyjnego i terytorialnego kraju, czyli województw, powiatów oraz gmin , z uwzględnieniem rozróżnienia na tereny miejskie i wiejskie. Dodatkowo pod ano wyniki bilansu dla jednostek podziału statystycznego (NUTS 2016) , dla którego punktem wyjścia były wyniki Narodowego Spisu Powszechnego Ludności i Mieszkań 2021.\n\nTytuł: Sektor non-profit w 2020 r. Stowarzyszenia, fundacje, społeczne podmioty wyznaniowe, samorząd gospodarczy i zawodowy\nTitle: The non-profit sector in 2020. Associations, foundations, faith-based charities, business and professional associations\nJęzyk: polski, angielski\nLanguage: Polish, English\nDodatkowe informacje: opracowanie dostępne w wersji drukowanej i elektronicznej\nAdditional information: publication available both in the printed and in the electronic form\n\nOpracowanie analityczne poświęcone problematyce społeczeństwa obywatelskiego .\nPrezentuje dane niezbędne do oceny stopnia realizacji polityki publicznej dotyczącej rozwoju ekonomii społecznej oraz kapitału społecznego, a ponadto służy monitorowaniu sytuacji organizacji pozarządowych objętych ustawą o działalności pożytku publicznego i o wolontariacie. Tegoro czna edycja publikacji została wzbogacona o analizę działalności kół gospodyń wiejskich.\nKompleksowo przedstawiono wyniki badania „Stowarzyszenia, fundacje, samorząd gospodarczy i zawodowy oraz społeczne jednostki wyznaniowe”, pochodzące ze sprawozdań Głównego Urzędu Statystycznego za 2020 r., uzupełnione danymi Instytutu\nStatystyki Kościoła Katolickiego SAC im. ks. Witolda Zdaniewicza o przyparafialnych organizacjach Kościoła katolickiego.\n\nW październiku br. ukazały się ponadto:\n• Aktywność ekonomiczna ludności Polski – 2 kwartał 2022 r.;\n• „Biuletyn statystyczny” nr 9/2022;\n• Ceny robót budowlano-montażowych i obiektów budowlanych (sierpień 2022 r.);\n• Koniunktura w przetwórstwie przemysłowym, budownictwie, handlu i usługach\n2000–2022 (październik 2022 r.);\n• Oświata i wychowanie w roku szkolnym 2021/2022;\n• Pracujący w gospodarce narodowej w 2021 r.;\n• Produkcja budowlano-montażowa w 2021 r.;\n• Produkcja ważniejszych wyrobów przemysłowych we wrześniu 2022 r.;\n• „Przegląd Statystyczny. Statistical Review” nr 2/2022;\n• Rocznik Statystyczny Handlu Zagranicznego 2022;\n• Ruch graniczny oraz wydatki cudzoziemców w Polsce i Polaków za granicą w 2021 r.;\n\nJ. SADOWY Wydawnictwa GUS. Październik 2022 69\n\n• Rynek wewnętrzny w 2021 r.;\n• Sytuacja społeczno-gospodarcza kraju – 1–3 kwartał 2022 r.;\n• Szkolnictwo wyższe i jego finanse w 2021 r.;\n• Wyniki finansowe przedsiębiorstw niefinansowych 01–06 2022 r.;\n• Żegluga śródlądowa w Polsce w latach 2020 i 2021.\n\nWszystkie publikacje GUS w wer sji elektronicznej są dostępne na stronie stat.gov.pl/publikacje/publikacje-a-z. Wersje drukowane (jeśli zostały wydane) można zamawiać pod adresem [REDACTED:EMAIL].\nAll the publications of Statistics Poland in an electronic form are available at stat.gov.pl/en/publications. The printed versions (if published) may be ordered at [REDACTED:EMAIL].\n\nJoanna Sadowy\nGłówny Urząd Statystyczny, Departament Opracowań Statystycznych\nStatistics Poland, Statistical Products Department", "token_count": 1581}
+{"added": "2026-09-10", "author": "Ilona Błaszczak-Przybycińska; Anna Putkowska", "created": "2025-10-31", "id": "wiadomosci_statystyczne_pl_2025_10_040-059", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Studia metodologiczne / Methodological studies\nZgłoszony/submitted: 5.12.2023, poprawiony/revised: 27.06.2025, zaakceptowany/accepted: 4.09.2025\nWpływ stawek wynagrodzeń na wycenę pracy domowej\nIlona Błaszczak-Przybycińskaa, Anna Putkowskab\nStreszczenie. Nierynkowa produkcja wytwarzana nieodpłatnie w gospodarstwach domowych stanowi wysoką wartość w ujęciu w monetarnym, jednak nie ma odzwierciedlenia w europejskim systemie rachunków narodowych. Rachunek produkcji domowej będzie natomiast ważnym elementem rachunków społecznych w ramach tworzonego obecnie systemu statystyki społecznej, który ma być koncepcyjnie zgodny z europejskim systemem rachunków narodowych. Eurostat, po długich dyskusjach nad metodami szacowania produkcji domowej, zarekomendował metodę nakładu, zgodnie z którą wycenie podlegają trzy elementy: nakład pracy, nakład kapitału i konsumpcja pośred nia. W kilku krajach europejskich wykonano eksperymentalne rachunki satelitarne produkcji domowej, bazujące na zharmonizowanych europejskich badaniach budżetu czasu. Najwyżej wycenionym nakładem w ramach produkcji domowej był nakład pracy domowej, szacowany pośrednio poprzez wycenę nakładu czasu poświęcanego na nieodpłatne prace w gospodarstwie domowym. Obecnie nie wypracowano jeszcze wspólnych ustaleń odnośnie do typu stawek stosowanych w procesie wyceny. Niektórzy autorzy przyjmują rynkowe stawki wynagrodzeń dla zawodów lub ceny usług odpowiadających wybranym pracom domowym, inni preferują stawkę jednolitą, opierającą się na kategorii średniego wynagrodzenia, dzięki czemu wycena jest mniej pracochłonna. Wybór odpowiedniego rozwiązania jest istotny, ponieważ wielkość nakładu pracy domowej – zgodnie z wycenami prowadzonymi w wybranych krajach europejskich – stanowi nawet do 80% całkowitej wartości produkcji domowej.\nCelem artykułu jest sprawdzenie, jak rodzaj stawek wynagrodzeń przyjętych do wyceny wpływa na wyniki, strukturę i dynamikę wartości prac domowych w Polsce według rodzaju aktywności, a także zaproponowanie metody kalkulacji średniej stawki wynagrodzenia do wyceny wszystkich prac domowych niezależnie od ich rodzaju. Przeprowadzona analiza pozwala stwierdzić, że dla uproszczenia procesu wyceny pracy domowej w Polsce można rozważyć przyjęcie stawki na poziomie 70% przeciętnego wynagrodzenia w gospodarce narodowej, ale warto kontynuować wycenę na podstawie stawek zróżnicowanych, która wiąże wartość pracy domowej z wyceną analogicznych usług przez rynek i odzwierciedla zależność dynamiki wartości pracy domowej od rodzaju wykonywanych prac.\nSłowa kluczowe: praca domowa, wycena pracy domowej, produkcja domowa, rachunek satelitarny\nJEL: D13 a Szkoła Główna Handlowa w Warszawie, Kolegium Analiz Ekonomicznych, Instytut Statystyki i Demografii,\nZakład Statystyki Stosowanej, Polska / SGH Warsaw School of Economics, Collegium of Economic Analysis,\nInstitute of Statistics and Demography, Applied Statistics Unit, Poland.\nORCID: https://orcid.org/0000-0001-7712-7323. Autor korespondencyjny / Corresponding author , e-mail:\n[REDACTED:EMAIL].\nb Badaczka niezależna, Polska / Independent researcher, Poland.\nORCID: h ttps://orcid.org/0009 -0002-7061-6161. E-mail: [REDACTED:EMAIL].\n© I lona Błaszczak-Przybycińska, Anna Putkowska\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 41\n\nThe impact of remuneration rates on the valuation of housework\nAbstract. The monetary value of non -market household production is high, although it is not reflected in the European System of National Accounts. However, the household production account will constitute an important part of the social accounts in the framework of the system of social statistics that is currently built and is expected to be conceptually consistent with the above-mentioned European System of National Accounts. Eurostat, after long deliberation on the methods of the household production estimation, re commended an ‘input method’, in line with which three elements are valued, namely: the labour input, the capital input and the intermediate consumption. Some European countries have created experimental satellite accounts of household production, based on the harmonised European Time Use Surveys.\nHousework input, estimated indirectly through the evaluation of the input of time devoted to unpaid jobs within a household, has been valued the highest. As of now, there is no consensus regarding the best type of rates to be used in the process of the estimation. Some authors adopt market remuneration rates for occupations corresponding to the types of housework or prices of the corresponding market services. Some choose a uniform remuneration rate based on the average remuneration, which makes the estimation less labour-intensive. The selection of a relevant indicator is very important as, according to evaluations conducted in some European countries, the value of household work constitutes approximately up to 80% of the total value of household production.\nThe aim of the article is to check the way in which the type of remuneration rates adopted for the evaluation of housework affects the results, structure and dynamics of the housework value in Poland (measured by the type of work), and to propose a method of the calculation of an average remuneration rate for the estimation of all types of housework. The results of our analysis indicate that in order to simplify the process of the housework valuation, we can consider adopting a wage rate at 70% of the average remuneration in the national economy. At the same time, it seems worthwhile to continue the evaluation of housework using varied rates, which links the value of such work to the value of related market services and which reflects the dependence of the dynamics of housework value on the type of such work.\nKeywords: housework, estimation of unpaid housework, household production, satellite account\n1. Wprowadzenie\nRachunki społeczne, opierające się na wspólnych pojęciach, definicjach i klasyfikacjach przyjętych w rachunkach narodowych, są postrzegane jako łącznik pomiędzy różnymi składnikami statystyki społecznej, a także „pozwalają zbudować pomost pomiędzy statystyką społeczną a ekonomiczną” (Kordos, 2014). Ich ważnym elementem jest rachunek produkcji domowej.\nOd końca lat 90. XX w. w Eurostacie trwają prace nad utworzeniem satelitarnego rachunku produkcji domowej1, wspólnego dla wszystkich krajów europejskich. Założenia teoretyczne tego rachunku mają źródło m.in. w pracy Beckera (1990), a jego\n\n1 Rachunki satelitarne są rachunkami odrębnymi od rachunków narodowych i dotyczą tych dziedzin działalności, które w rachunkach narodowych w ogóle nie są ujęte albo są ujęte tylko częściowo. Pozostają oddzielone od rachunków narodowych, aby nie powodować przeciążenia funkcjonującego systemu, ale są z nimi zgodne pod względem koncepcji. W Polsce opublikowano wstępne propozycje rachunków satelitarnych nauki, turystyki, zdrowia i produkcji domowej.\n\nistotnym elementem jest wartościowe ujęcie nieodpłatnej pracy wykonywanej w gospodarstwach domowych. Wstępne propozycje rachunku produkcji domowej wykonano m.in. w Finlandii i Niemczech (Varionen i Aalto, 2006, 2013; Varionen i Rüger, 2008) , Wielkiej Brytanii (Holloway i in., 2002), we Francji (Poissonnier i Roy, 2013), a także w Polsce (Marszałek, 2015). Zagadnieniu wartościowego ujęcia produkcji domowej poświęca się uwagę także w Stanach Zjednoczonych, gdzie corocznie jest przeprowadzana wycena produkcji domowej. Analizowano tam m.in. dynamikę wartości pracy domowej w kontekście zmian społecznych i gospodarczych będących skutkiem pandemii COVID-19 (Bridgman i in., 2022). Na podstawie wyników wielu badań można przyjąć, że w ujęciu wartościowym nakład pracy stanowi nawet do 80% łącznej wartości produkcji domowej (Marszałek, 2015, 2025).\nDotychczasowe badania nad wartością pracy domowej potwierdziły tezę, że ma ona duże znaczenie w gospodarce narodowej. Ze względu na stosowanie różnych metod wyceny nie można bezpośrednio porównywać wyników uzyskanych w różnych krajach. Jednak niezależnie od sposobu wyceny globalna wartość prac wykonywanych w gospodarstwach domowych, szacowana zarówno w badaniach prowadzonych w XX w., jak i obecnie, kształtuje się na poziomie 30–50% PKB (Błaszczak-Przybycińska, 2008; Goldschmidt-Clermont, 1982; Hawrylyshyn, 1976; Marszałek, 2015).\nEurostat zaleca metodę nakładu do wyceny produkcji domowej. Zgodnie z tą metodą produkcja domowa obejmuje nakład pracy, nakład kapitału i konsumpcję pośrednią (Eurostat, 1999, 2003). Porównywalności uzyskanych wyników sprzyja to, że do wyceny nakładu pracy wykorzystywane są dane o rozkładzie czasu przeznaczonego na prace domowe pochodzące ze zharmonizowanych europejskich badań budżetu czasu (Harmonized European Time Use Surveys – HETUS; w Polsce to Badanie budżetu czasu ludności – BBCL), które są wykonywane w krajach europejskich co 10 lat.\nW procesie tworzenia pierwszych eksperymentalnych rachunków produkcji domowej pojawiła się także propozycja wyceny pracy domowej metodą wyniku (Holloway i in.,\n2002). Nie uzyskała jednak poparcia i nie kontynuowano prac w tym kierunku, ponieważ w przypadku produkcji domowej problem pojawia się już na etapie zdefiniowania wyniku. Na przykład trudno okrelić, co jest wynikiem sprzątania, i dlatego niemożliwe jest podanie takiego wyniku w ujęciu ilościowym.\nUżytkownicy chcieliby korzystać z pełnej sekwencji rachunków produkcji domowej, prowadzonych w ramach statystyki publicznej. Wdrożenie zharmonizowanych rachunków produkcji domowej do praktyki statystycznej poszczególnych krajów dałoby możliwość włączenia tego elementu do systemu statystyki społecznej (będącego w trakcie tworzenia), jednak jest to uwarunkowane zaakceptowaniem przez wszystkie kraje wielu finalnych rozstrzygnięć metodologicznych. Należą do nich m.in. ustalenia dotyczące rodzaju, zakresu i sposobu wykorzystania stawek do wyceny czasu pracy domowej, która w ujęciu wartościowym stanowi największy nakład w produkcji domowej. Stosuje się tu różne rozwiązania. Wielu autorów wskazuje, że\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 43\n\nstawki wykorzystywane do wyceny poszczególnych prac domowych powinny być zróżnicowane w zależności od rodzaju wykonywanych prac. Duża szczegółowość tego rozwiązania jest zaletą, ale wiąże się ze znaczną pracochłonnością i koniecznością dysponowania obszernym materiałem źródłowym. Dlatego w niektórych krajach proponuje się stosowanie jednolitej stawki do wyceny każdego rodzaju pracy domowej. Takie rozwiązanie daje w efekcie inną strukturę wartości prac domowych – zarówno ze względu na rodzaj wykonywanych pra c, jak i ze względu na cechy społeczno -demograficzne zbiorowości – w porównaniu z wynikami wyceny przeprowadzonej z wykorzystaniem zróżnicowanych stawek.\nCelem artykułu jest sprawdzenie, jak rodzaj stawek wynagrodzeń przyjętych do wyceny wpływa na wyniki, strukturę i dynamikę zmian wartości prac domowych w Polsce według rodzaju aktywności, a także zaproponowanie metody kalkulacji średniej stawki wynagrodzenia do wyceny wszystkich prac domowych niezależnie od ich rodzaju. Analizę oparto na danych uzyskanych z pierwszej i drugiej edycji BBCL, przeprowadzonych przez Główny Urząd Statystyczny (GUS) w latach 2003/2004 i 2013. Przedstawione rozważania mają chara kter metodologiczny, dlatego wyciągnięte wnioski i zaproponowana metoda wyznaczania tej samej stawki do wyceny pracy domowej, bazująca na wynikach obydwu edycji BBCL, pozostają aktualne. Analiza może być rozszerzona na bazie już opublikowanych wyników wyceny pracy domowej w Polsce za maj 2023 r. (Błaszczak-Przybycińska, 2025). Omawiane zagadnienie jest istotne w kontekście prowadzonych studiów nad wyceną produkcji domowej jako elementu rachunków społecznych w planowanym europejskim systemie statystyki społecznej (zakłada się, że będą to rachunki zharmonizowane, prowadzone corocznie i porównywalne). Dodatkowo jest ono ważne ze względu na konieczność podjęcia trafnych decyzji dotyczących metodyki wyceny pracy domowej w Polsce.\n2. Wycena pracy domowej w Polsce – dotychczasowe doświadczenia\nDane z pierwszej edycji BBCL posłużyły do wyceny wartości nieodpłatnej pracy domowej wykonywanej w gospodarstwach domowych w Polsce w maju 2004 r.\n(Błaszczak-Przybycińska, 2005), a wyniki drugiej edycji BBCL – do wyceny w maju\n2013 r. (Błaszczak-Przybycińska i Marszałek, 2015). W obu przypadkach zastosowano metodę nakładu. Zgodnie z zaleceniem Eurostatu wartość pracy domowej analizowano w czterech grupach prac:\n• utrzymanie mieszkania;\n• zapewnienie wyżywienia;\n• utrzymanie odzieży;\n• opieka nad dziećmi i dorosłymi (czynności opiekuńcze)2.\n\n2 W wycenie wartości pracy domowej przeprowadzonej w maju 2004 r. czynnościom związanym z opieką nadano nazwę opieka nad dziećmi i dorosłymi (Błaszczak-Przybycińska, 2005). W wycenie z 2013 r. grup ę\n\nŁącznie wyodrębniono 37 czynności szczegółowych. Wyznaczono też wartość prac domowych wykonywanych nieodpłatnie na rzecz obcych gospodarstw domowych.\nKażdej czynności z zakresu prac domowych przypisano odpowiadający jej zawód lub zawody. Na przykład czynności określonej jako „przygotowanie posiłków, przekąsek, napojów, pieczenie” przypisano stawki dla zawodów „kucharze”, „kelnerzy i barmani” oraz „robotnicy w przetwórstwie spożywczym i pokrewni” i uśredniono je z wykorzystaniem średniej arytmetycznej nieważonej, a czynności „nauka z dziećmi” przypisano stawkę dla zawodu „nauczyciele szkół podstawowych i specjaliści do spraw wychowania małego dziecka”. Dla każdego zawodu przyjęto średnie wynagrodzenie godzinowe brutto\n3.\nPrzeciętną miesięczną wartość pracy domowej z wykorzystaniem stawek zróżnicowanych w zależności od rodzaju wykonywanej czynności wyznaczono w przeliczeniu na osobę, odrębnie dla kobiet i mężczyzn, zgodnie z formułami:\n\nHHK = 52\n12 [UNREADABLE_GLYPH][UNREADABLE_GLYPH] tt̅K aaaassaaaa nnaa aa=1 aa=1\n, (1)\n\nHHM = 52\n12 [UNREADABLE_GLYPH][UNREADABLE_GLYPH] tt̅M aaaassaaaa, nnaa aa=1 aa=1\n(2)\n\ngdzie:\nHHK , HHM – średnia miesięczna wartość pracy domowej, odpowiednio dla kobiet i mężczyzn, tt̅K aaaa, tt̅M aaaa – średni tygodniowy czas trwania a-tej czynności z j-ej grupy, odpowiednio dla kobiet i mężczyzn, ssaaaa – stawka godzinowa przypisana a-tej czynności z j-ej grupy, nnaa – liczba czynności wykonywanych w ramach każdej z czterech grup prac.\nŚredni tygodniowy czas trwania każdej czynności został wyznaczony na podstawie średniej wartości dobowej, policzonej jako średnia arytmetyczna ważona. Przyjęto wagę 5/7 dla czasu przeznaczanego na czynność w dzień powszedni oraz wagę 1/7 dla czasu w sobotę i niedzielę. Bazową wartość pracy domowej wyznaczono z wykorzystaniem stawek wynagrodzeń za październik 2002 r. i październik 2012 r., uzyskanych w dwóch edycjach Badania struktury wynagrodzeń według zawodów (BSWZ)\n\ntych prac nazwano bardziej ogólnie czynności opiekuńcze, ponieważ obejmuje ona m.in. opiekę nad zwierzętami domowymi (Błaszczak-Przybycińska i Marszałek, 2015).\n3 Lista szczegółowych czynności podlegających wycenie i przypisane do nich zawody wraz ze stawkami godzinowymi są zawarte w pracach: Błaszczak -Przybycińska (2005, s. 217 –220) oraz Błaszczak -Przybycińska i Marszałek (2015, s. 344–349).\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 45\n\nprzeprowadzonego przez GUS (2004, 2014b). Przeciętne godzinowe stawki brutto uzyskane z badania przeszacowano za pomocą ogólnego wskaźnika dynamiki wynagrodzeń i uzyskano stawki zindeksowane odpowiednio dla maja 2004 r. i maja 2013 r.\n3. Różnice w strukturze wartości prac domowych w zależności od rodzaju stawek – wycena dla lat 2002 i 2012\n3.1. Założenia, sposób wyceny i baza danych\nOpublikowane wyceny wartości pracy domowej w Polsce wykonane na podstawie dwóch edycji BBCL pokazywały wartość pracy domowej w maju 2004 r. i maju 2013 r.\n(Błaszczak-Przybycińska, 2005; Błaszczak-Przybycińska i Marszałek, 2015). Wykorzystane do tych wycen przeciętne godzinowe stawki wynagrodzeń (jak napisano wyżej) przeszacowano za pomocą ogólnego wskaźnika dynamiki wynagrodzeń. Dynamika stawek wynagrodzeń jest jednak zróżnicowana w zależności od zawodu. Dlatego w celu zbadania różnic w wartości i strukturze prac domowych w zależności od rodzaju zastosowanych stawek wynagrodzeń do wyceny (na podstawie struktury czasu z dwóch edycji BBCL ) przyjęto godzinowe stawki wynagrodzeń według wybranych zawodów z października 2002 r. i października 2012 r., uzyskane bezpośrednio z BSWZ, zgodnie z formułami (1) i (2).\nPonadto oszacowano przeciętną miesięczną wartość pracy domowej z wykorzystaniem stawki jednolitej, która została wyznaczona jako iloczyn czasu przeznaczonego na prace domowe, i jednolitej stawki godzinowej brutto, odpowiednio dla kobiet i mężczyzn:\n\nhK = 52\n12 [UNREADABLE_GLYPH][UNREADABLE_GLYPH] tt̅K aaaass, nnaa aa=1 aa=1\n(3)\n\nhM = 52\n12 [UNREADABLE_GLYPH][UNREADABLE_GLYPH] tt̅M aaaass, nnaa aa=1 aa=1\n(4)\n\ngdzie:\nhK , hM – średnia miesięczna wartość pracy domowej liczona według stawki jednolitej, odpowiednio dla kobiet i mężczyzn, tt̅K aaaa, tt̅M aaaa – średni tygodniowy czas trwania a-tej czynności z j-ej grupy, odpowiednio dla kobiet i mężczyzn, s – przeciętne godzinowe wynagrodzenie brutto (stawka jednolita), nnaa – liczba czynności wykonywanych w ramach każdej z czterech grup prac.\n\nStawkę jednolitą dla 2002 r. wyznaczono , dzieląc łączną wartość prac domowych, policzoną według stawek zróżnicowanych w zależności od typu prac z października\n2002 r., przez średni łączny czas przeznaczany na wszystkie czynności domowe według struktury z BBCL 2003/2004. Uzyskano stawkę jednolitą 8,73 zł, która stanowiła\n69,8% przeciętnej godzinowej stawki wynagrodzenia brutto w gospodarce narodowej w październiku 2002 r.\nStawkę jednolitą dla 2012 r. wyznaczono , dzieląc łączną wartość prac domowych, policzoną według stawek zróżnicowanych w zależności od typu prac z października\n2012 r., przez średni łączny czas przeznaczany na wszystkie czynności domowe według struktury z BBCL 2013. Uzyskano stawkę jednolitą 14,54 zł, która stanowiła\n66,8% przeciętnej godzinowej stawki wynagrodzenia brutto w gospodarce narodowej w październiku 2012 r.\n3.2. Wartość pracy domowej w zależności od przyjętych stawek na podstawie struktury czasu z BBCL 2003/2004\nWartość pracy domowej wyznaczona za pomocą stawek zróżnicowanych według zawodów i stawki jednolitej z 2012 r., przy założeniu stałej struktury czasu z pierwszej edycji BBCL, bardzo się różniła w zależności od rodzaju wykonywanych prac (tabl. 1).\nW efekcie zastosowania stawek zróżnicowanych uzyskano niższą wycenę prac z zakresu utrzymania mieszkania, zapewnienia wyżywienia i utrzymania odzieży niż z użyciem stawki jednolitej (odpowiednio o 10,7%, 13,2% i 17,7%), a wyższą – w przypadku prac z zakresu opieki (aż o 65,5%) i prac domowych wykonywanych nieodpłatnie na rzecz obcych gospodarstw domowych (o 19,1%).\nWycena wartości pracy domowej wykonana przy zastosowaniu stawek zróżnicowanych i stawki jednolitej z 2002 r. (tabl. 1) pokazała taki sam kierunek różnic dla prawie wszystkich grup prac, jednak zaznaczyły się one słabiej. Wyjątek stanowiła grupa prac z zakresu utrzymania odzieży, ale absolutna wartość pracy domowej była w niej bardzo niska.\n\n4 Ze względu na to, że stawkę jednolitą uzyskano jako iloraz łącznej wartości prac domowych dla wszystkich prac wykonywanych na rzecz własnego gospodarstwa domowego według stawek zróżnicowanych i łącznego czasu przeznaczonego na wykonywanie tych prac, wartością, która jest zbieżna dla obu sposobów wyceny (tj. z wykorzystaniem stawek zróżnicowanych i stawki jednolitej), pozostaje kategoria łącznej wartości prac na rzecz własnego gospodarstwa (czyli suma wartości prac domowych z zakresu utrzymania mieszkania, zapewnienia wyżywienia, utrzymania odzieży oraz opieki nad dziećmi i dorosłymi).\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 47\n\nTabl. 1. Miesięczna wartość pracy domowej przy zastosowaniu stawek zróżnicowanych i stawki jednolitej – struktura czasu z BBCL 2003/2004\nWyszczególnienie1\nOgółem Kobiety Mężczyźni w zł\nNa rzecz własnego gospodarstwa domowego i obcych gospodarstw domowych a 1715,37 2125,20 1279,01 b 1997,15 2171,00 1201,95 c 1029,00 1278,28 764,88 d 1019,05 1303,57 721,71\nNa rzecz własnego gospodarstwa domowego ............ a 1601,56 2022,63 1169,02 b 1601,56 2088,09 1106,25 c 961,66 1217,19 700,04 d 961,66 1253,79 664,25 utrzymanie mieszkania .................................................... a 316,04 291,72 363,36 b 353,97 368,73 363,50 c 196,73 183,86 224,28 d 212,54 221,41 218,26 zapewnienie wyżywienia ................................................ a 748,22 1019,85 474,94 b 862,26 1198,25 520,78 c 460,68 631,16 288,78 d 517,74 719,49 312,70 utrzymanie odzieży ........................................................... a 99,40 151,71 33,49 b 120,79 193,09 30,44 c 55,84 86,51 17,13 d 72,53 115,94 18,28 opieka nad dziećmi i dorosłymi .................................... a 437,90 559,34 297,23 b 264,54 328,02 191,53 c 248,40 315,66 169,85 d 158,84 196,96 115,01\nPraca na rzecz obcych gospodarstw domowych ........ a 113,81 102,57 109,99 b 95,59 82,91 95,70 c 67,34 61,09 64,84 d 57,39 49,78 57,46\n1 Wartość według: a – stawek zróżnicowanych według zawodów z października 2012 r., ustalonych na podstawie BSWZ, b – stawki jednolitej z października 2012 r., c – stawek zróżnicowanych dla zawodów z października 2002 r., ustalonych na podstawie BSWZ, d – stawki jednolitej z października 2002 r.\nŹródło: opracowanie własne na podstawie: Błaszczak-Przybycińska (2005), GUS (2004, 2014b).\n\nPrzyglądając się szczegółowo czterem grupom prac domowych, można wskazać, że w ramach jednej grupy występują czynności wyceniane zarówno relatywnie wysoko, jak i nisko (tabl. 2). Na przykład w grupie prac z zakresu utrzymania mieszkania znalazły się „sprzątanie mieszkania”, wykonywane głównie przez kobiety, z bardzo niską stawką rynkową (6,99 zł/godz. w 2002 r.), oraz „remont i konserwacja pojazdów”, wykonywane głównie przez mężczyzn, ze stawką 13,25 zł/godz., więc prawie dwu - krotnie wyższą. Jeżeli porówna się wartość pracy kobiet i mężczyzn w 2002 r. w zależności od sposobu wyceny, to okazuje się, że wartość prac z zakresu utrzymania mieszkania wyznaczona z wykorzystaniem stawek zróżnicowanych według zawodów była w przypadku kobiet o 17,0% niższa niż wartość wyznaczona z wykorzystaniem stawki\n\njednolitej, podczas gdy w przypadku mężczyzn – wyższa o 2,8%. Warto również zaznaczyć, że przy zastosowaniu stawek zróżnicowanych wartość prac z zakresu utrzymania mieszkania była jedyną grupą prac domowych, w której wartość prac dla mężczyzn okazała się w yższa niż dla kobiet. Przy zastosowaniu stawki jednolitej wartość prac domowych była wyższa w przypadku kobiet we wszystkich czterech grupach prac wykonywanych na rzecz własnego gospodarstwa domowego.\n\nTabl. 2. Wartość miesięcznej pracy domowej według zróżnicowanych godzinowych stawek płac dla wybranych czynności domowych z zakresu utrzymania mieszkania – struktura czasu z BBCL 2003/2004\nWyszczególnienie Stawka w zł/godz.\nOgółem Kobietya Mężczyźni w zł\nBudowa domu, przebudowa, remonty kapitalne 2002 9,21 4,67 . 12,67\n2012 15,20 7,70 . 20,90\nNaprawy, drobne remonty w mieszkaniu ............ 2002 9,57 17,29 4,17 30,42\n2012 15,88 28,70 6,92 50,49\nProdukowanie, naprawianie i konserwowanie sprzętu gospodarstwa domowego\n2002 12,05 5,21 . 11,29\n2012 20,26 8,76 . 18,99\nInne czynności budowlane ....................................... 2002 9,57 4,17 . 8,29\n2012 15,88 6,92 . 13,76\nCzynności związane z ogrzewaniem i zaopatrywaniem gospodarstwa domowego w wodę\n2002 8,86 24,96 12,17 37,75\n2012 14,74 41,54 20,25 62,83\nSprzątanie mieszkania ................................................ 2002 6,99 75,76 116,64 33,84\n2012 11,17 121,04 186,36 54,06\nSprzątanie podwórza, chodnika koło domu, usuwanie śniegu\n2002 7,63 7,17 3,88 14,34\n2012 11,50 10,81 5,84 21,62\nRemonty, konserwacja pojazdów .......................... 2002 13,25 19,13 . 39,25\n2012 21,82 31,49 . 64,64\nCzynności porządkowe i organizacyjne związane z gospodarstwem domowym\n2002 6,99 27,75 33,84 21,71\n2012 10,76 42,71 52,08 33,41 a Kropki oznaczają, że w badanej próbie nie było kobiet, które wykonywały prace tego typu.\nŹródło: opracowanie własne na podstawie: Błaszczak-Przybycińska (2005), GUS (2004, 2014b).\n\nW analizie skutków przyjęcia określonych stawek na wyniki wyceny istotnym pytaniem pozostaje to, jak silny wpływ mają one na zmianę wartości w czasie. W tym celu zastosowano formułę zgodną z agregatowym indeksem cen według Laspeyresa:\n\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 49\n\nIIppL =\n[UNREADABLE_GLYPH]ppaa1qqaa0 nn aa=1\n\n, (5)\n[UNREADABLE_GLYPH]ppaa0qqaa0 nn aa=1\n\ngdzie:\nppaa1 – godzinowa stawka wynagrodzenia przypisana j-ej czynności na rzecz gospodarstwa domowego na podstawie struktury wynagrodzeń według zawodów z października 2012 r., ppaa0 – godzinowa stawka wynagrodzenia przypisana j-ej czynności na rzecz gospodarstwa domowego na podstawie struktury wynagrodzeń według zawodów z października 2002 r., qqaa0 – czas w godzinach przeznaczany na j-ą czynność według BBCL 2003/2004.\nPrzy założeniu stałej struktury czasu z BBCL 2003/2004 oraz stawek zróżnicowanych w zależności od zawodów odpowiadających wykonywanym pracom domowym za lata 2012 i 2002 można wskazać, że tak wyznaczona łączna wartość prac domowych wzrosła w badanym okresie o 66,5%; w grupie kobiet był to wzrost o 66,2%, a w grupie mężczyzn – o 67% (tabl. 3). Ze względu na przyjęcie założenia o stałej strukturze czasu z BBCL ten wynik odzwierciedla przeciętną zmianę godzinowych stawek płac za prace będące rynkowym odpowiednikiem prac domowych. Warto w tym miejscu odnieść uzyskany wynik do wzrostu przeciętnej stawki godzinowej w gospodarce narodowej. W 2002 r. była to kwota 12,50 zł, a w 2012 r. – 21,76 zł, więc nastąpił wzrost o 74,1%. P rzeciętny wzrost stawek godzinowych dla zawodów odpowiadających pracom domowym na rzecz własnego gospodarstwa domowego był zatem niższy o 7,6 p.proc. niż wzrost przeciętnej godzinowej stawki wynagrodzenia.\n\nTabl. 3. Dynamika wartości pracy domowej przy zastosowaniu stawek zróżnicowanych według zawodów za lata 2012 i 2002 – struktura czasu z BBCL 2003/2004\nWyszczególnienie\nWskaźnik wzrostu wartości pracy domowej ogółem kobiety mężczyźni w %\nNa rzecz własnego gospodarstwa domowego i obcych gospodarstw domowych ............................................................... 66,7 66,3 67,2 na rzecz własnego gospodarstwa domowego .......................... 66,5 66,2 67,0 utrzymanie mieszkania ...................................................................... 60,6 58,7 62,0 zapewnienie wyżywienia .................................................................. 62,4 61,6 64,5 utrzymanie odzieży ............................................................................. 78,0 75,4 95,5 opieka nad dziećmi i dorosłymi ...................................................... 76,3 77,2 75,0\nPraca na rzecz obcych gospodarstw domowych ......................... 69,0 67,9 69,6\nŹródło: opracowanie własne na podstawie: Błaszczak-Przybycińska (2005), GUS (2004, 2014b).\n\nPrzeciętny wzrost stawek zróżnicowanych według zawodów w 2012 r. w porównaniu z 2002 r. był niejednakowy w analizowanych grupach prac domowych. Najsłabszy wystąpił w grupie prac z zakresu utrzymania mieszkania – wyniósł 60,6% i był niższy od wzrostu płacy przeciętnej o 13,5 p.proc. Relatywnie niski by ł także wzrost stawek wykorzystanych do wyceny wartości prac związanych z zapewnieniem wyżywienia.\nJest to ta grupa prac, która zarówno w przypadku kobiet, jak i mężczyzn ma największy udział w łącznej wartości prac na rzecz gospodarstwa domowego. Wartość prac z zakresu zapewnienia wyżywienia wzrosła o 62,4% (o 61,6% dla kobiet i 64,5% dla mężczyzn). Największy przeciętny wzrost stawek – o 78,0% – zanotowano w grupie prac związanych z utrzymaniem odzieży: w przypadku kobiet – o 75,4%, a w przypadku mężczyzn – o 95,5%. Stawki z zakresu czynności opiekuńczych wzrosły o 76,3%\n(77,2% dla kobiet i 75,0% dla mężczyzn).\nW przypadku gdy czas przeznaczany na prace domowe według struktury czasu z BBCL 2003/2004 był wyceniony przy zastosowaniu stawki jednolitej dla każdej wymienionej grupy prac domowych oraz dla wszystkich prac domowych łącznie, w 2012 r. uzyskano stały wzrost wartości w porównaniu z 2002 r. – o 71,1%. Można więc stwierdzić, że przyjęcie stawek zróżnicowanych daje dokładniejsze informacje.\nUjawnia się najwyższe tempo wzrostu – w przypadku wartości prac związanych z utrzymaniem odzieży (wzrost o 78% wobec p rzeciętnego na poziomie 66,5%) . Na drugim miejscu plasuje się opieka nad dziećmi i dorosłymi ze wzrostem o 76,3%. Najniższym tempem wzrostu charakteryzowało się zapewnienie wyżywienia (62,4%) i utrzymanie mieszkania (60,6%).\n3.3. Wartość pracy domowej w zależności od przyjętych stawek na podstawie struktury czasu z BBCL 2013\nDo oceny dynamiki zróżnicowanych stawek wynagrodzeń w 2012 r. w porównaniu z 2002 r. wykorzystano agregatowy indeks cen według formuły Paaschego:\n\nIIppP =\n[UNREADABLE_GLYPH]ppaa1qqaa1 nn aa=1\n\n, (6)\n[UNREADABLE_GLYPH]ppaa0qqaa1 nn aa=1\n\ngdzie:\nppaa1 – godzinowa stawka wynagrodzenia przypisana j-ej czynności na rzecz gospodarstwa domowego na podstawie struktury wynagrodzeń według zawodów z października 2012 r.,\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 51\n\nppaa0 – godzinowa stawka wynagrodzenia przypisana j-ej czynności na rzecz gospodarstwa domowego na podstawie struktury wynagrodzeń według zawodów z października 2002 r., qqaa1 – czas w godzinach przeznaczany na j-ą czynność według BBCL 2013.\nPrzy założeniu stałej struktury czasu przeznaczonego na wykonywanie prac domowych, wyznaczonej na podstawie drugiego BBCL, można stwierdzić, że tylko na skutek zmian godzinowych stawek wynagrodzeń w 2012 r. w porównaniu z 2002 r. roczna wartość pracy domow ej wykonywanej na rzecz własnego gospodarstwa wzrosła o 65,1%. Wzrost ten był jednak bardzo zróżnicowany w zależności od rodzaju prac\n(tabl. 4).\n\nTabl. 4. Dynamika wartości pracy domowej przy zastosowaniu stawek zróżnicowanych według zawodów za lata 2012 i 2002 – struktura czasu z BBCL 2013\nWyszczególnienie\nWskaźnik wzrostu wartości pracy domowej ogółem kobiety mężczyźni w %\nNa rzecz własnego gospodarstwa domowego i obcych gospodarstw domowych ......................................................... 65,0 65,2 64,7\nNa rzecz własnego gospodarstwa domowego ....................... 65,1 65,3 64,9 utrzymanie mieszkania ................................................................ 49,7 47,4 51,9 zapewnienie wyżywienia ............................................................ 62,7 61,8 64,2 utrzymanie odzieży ....................................................................... 78,0 75,7 92,2 czynności opiekuńcze .................................................................. 76,8 77,0 76,0\nPraca na rzecz obcych gospodarstw domowych ................... 63,0 63,3 61,4\nŹródło: opracowanie własne na podstawie: Błaszczak-Przybycińska (2005), GUS (2004, 2014b), Marszałek (2015).\n\nW analizowanym okresie największy wzrost nastąpił w grupie prac z zakresu utrzymania odzieży. Wyniósł 78,0% i był taki sam, jak ten wyznaczony zgodnie z agregatowym indeksem według formuły Laspeyresa, tj. przy założeniu stałej struktury czasu z BBCL 2003/2004 (wzór 1). Szczególnie wysoki przyrost zaobserwowano dla prac wykonywanych przez mężczyzn, ale bezwzględna wartość pracy z tej grupy w przypadku mężczyzn okazała się bardzo niska. Wysokie tempo zmian odnotowano też w zakresie czynności opiekuńczych (wzrost o 76,8%).\nPorównując przeciętną dynamikę stawek wynagrodzeń przypisanych pracom domowym według ich rodzaju przy założeniu stałej struktury czasu z BBCL 2013 i 2003/2004, można stwierdzić, że dla prac z zakresu zapewnienia wyżywienia, utrzymania odzieży i opieki wskaźnik dynamiki jest podobny. Natomiast dla prac z zakresu utrzymania mieszkania przy założeniu stałej struktury czasu z BBCL 2013 był on niższy o ponad 10 p.proc. niż przy założeniu stałej struktury czasu z BBCL 2003/2004.\nTa grupa prac charakteryzuje się największym rozrzutem wartości stawek\n\nprzypisanych poszczególnym pracom domowym w ramach grupy, ponieważ łączy niskopłatne prace, takie jak sprzątanie mieszkania, z wysoko wycenionymi przez rynek pracami z zakresu remontów czy naprawy i konserwacji pojazdów i sprzętów gospodarstwa domowego.\n4. Porównanie wyników wyceny pracy domowej opartej na stawkach zróżnicowanych według zawodów z października 2018 r.\ni wykorzystującej ogólny wskaźnik dynamiki wynagrodzeń\nW badaniu porównano również wycenę czasu uzyskanego z BBCL 2013, ale opartą na stawkach szczegółowych z października 2018 r. (GUS, 2020), i wartości pracy domowej w 2018 r. obliczonej na bazie wyceny z 2013 r. (Błaszczak-Przybycińska, Marszałek, 2015) poprzez indeksowanie wartości pracy domowej za pomocą ogólnego wskaźnika wzrostu wynagrodzeń w 2018 r. w stosunku do 2013 r. Analiza przeprowadzona dla 2018 r. odzwierciedla stan w połowie okresu pomiędzy dwoma edycjami BBCL –\n2013 i 2023.\nW pierwszym sposobie szacowania zastosowano wzory (1) i (2). Szczegółowe stawki określono dla 37 wyszczególnionych czynności, ujętych w cztery grupy: utrzymanie mieszkania, zapewnienie wyżywienia, utrzymanie odzieży i czynności opiekuńcze.\nDo oszacowania wartości pracy domowej w październiku 2018 r. wykorzystano – jako wyjściowe – monetarne wartości pracy domowej według rodzaju prac z maja\n2013 r. (Błaszczak-Przybycińska i Marszałek, 2015). W celu przeszacowania wartości pracy domowej wyznac zono ogólny wskaźnik wzrostu wynagrodzeń, zdefiniowany jako stosunek średniego miesięcznego wynagrodzenia brutto w sektorze przedsiębiorstw w październiku 2018 r. do średniego miesięcznego wynagrodzenia brutto w sektorze przedsiębiorstw w maju 2013 r. War tości te wynosiły odpowiednio\n4921,39 zł (GUS, 2019) i 3699,67 zł (GUS, 2014a). Tak wyliczony wskaźnik wynosił\n1,33. Przeciętną wartość pracy domowej na osobę obliczono osobno dla kobiet i mężczyzn, z podziałem na pracujących i niepracujących. Dodatkowo oszacowano wartość pracy domowej dla wybranych typów gospodarstw domowych wyszczególnionych w badaniach Eurostatu.\nŁączna miesięczna wartość pracy domowej na osobę za październik 2018 r. oszacowana z wykorzystaniem stawek zróżnicowanych wynosiła 2345,73 zł i była bardzo zbliżona do łącznej wartości pracy domowej obliczonej za pomocą ogólnego wskaźnika wzrostu wynagrodzeń, tj. 2354,72 zł (tabl. 5). W październiku 2018 r. wynagrodzenie minimalne brutto wynosiło 2100 zł (GUS, 2020). Wartość pracy domowej kobiety niepracującej oszacowana z wykorzystaniem szczegółowych godzinowych stawek wynagrodzeń według zawodów była o 53,3% wyższa od tej kwoty, a wartość pracy wyliczona za pomocą ogólnego wskaźnika wzrostu wynagrodzeń – wyższa o 52,1%.\nWartość pracy domowej mężczyzny niepracującego stanowiła odpowiednio 96,2%\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 53\n\ni 95,0% wynagrodzenia minimalnego. W tym czasie mediana wynagrodzeń miesięcznych dla osób zatrudnionych w podmiotach o liczbie pracujących powyżej dziewięciu osób wynosiła 4094,98 zł (GUS, 2020), a więc wartość pracy domowej stanowiła 57,5% tej kwoty w prz ypadku obliczeń, w których zastosowano szczegółowe godzinowe stawki wynagrodzeń, i 57,3% dla obliczeń za pomocą ogólnego wskaźnika wzrostu wynagrodzeń. W przypadku średniej miesięcznej wartości pracy domowej wykonywanej przez kobiety wyniki uzyskane za pomocą obu metod były zbliżone i wynosiły odpowiednio 2952,59 zł i 2954,49 zł, co dawało różnicę 1,92 zł. Większą różnicę\n(20,12 zł ) zanotowano w przypadku mężczyzn – oszacowana wartość nieodpłatnej pracy wykonywanej na rzecz własnego gospodarstwa wyliczona dla mężczyzn wyniosła 1698,80 zł miesięcznie, gdy użyto szczegółowych godzinowych stawek wynagrodzeń, i 1718,92 zł miesięcznie w przypadku drugiej metody.\n\nTabl. 5. Porównanie wartości pracy domowej obliczonej przy zastosowaniu szczegółowych godzinowych stawek wynagrodzeń w październiku 2018 r. według zawodów i ogólnego wskaźnika wzrostu wynagrodzeń\nWyszczególnienie1 Ogółem\nKobiety Mężczyźni razem pracujące niepracujące razem pracujący niepracujący\nRazem .......................................... a 2345,73 2952,59 2589,47 3219,60 1698,80 1505,45 2020,09 b 2354,72 2954,49 2622,12 3193,19 1718,92 1555,27 1995,75 c –0,38 –0,06 –1,25 0,83 –1,17 –3,20 1,22\nUtrzymanie mieszkania .......... a 403,01 384,64 309,76 427,17 409,55 348,99 558,79 b 395,32 375,89 302,68 417,28 403,79 345,05 550,20 c 1,95 2,33 2,34 2,37 1,43 1,14 1,56\nZapewnienie wyżywienia a 1041,37 1358,19 1102,95 1540,41 693,20 526,22 981,94 b 1001,95 1303,37 1057,29 1478,66 671,14 509,22 951,57 c 3,93 4,21 4,32 4,18 3,29 3,34 3,19\nUtrzymanie odzieży ................. a 85,03 137,93 109,01 160,19 29,17 19,72 43,48 b 84,85 135,92 107,91 157,08 30,26 20,92 45,13 c 0,21 1,48 1,02 1,98 –3,60 –5,74 –3,66\nCzynności opiekuńcze ............ a 683,28 926,55 1004,83 871,64 468,31 562,39 260,13 b 741,52 995,90 1092,74 923,27 515,04 631,65 275,30 c –7,85 –6,96 –8,04 –5,59 –9,07 –10,96 –5,51 w tym opieka nad dziećmi a 594,41 823,88 930,93 737,64 375,97 497,69 138,54 b 657,30 901,54 1022,24 803,89 427,48 567,61 159,09 c –9,57 –8,61 –8,93 –8,24 –12,05 –12,32 –12,92\nPraca na rzecz obcych gospodarstw domowych a 133,03 145,28 62,92 220,20 98,57 48,13 175,74 b 131,08 143,42 61,51 216,91 98,68 48,42 173,74 c 1,49 1,30 2,29 1,52 –0,11 –0,60 1,15\n1 Wartość pracy domowej w zł oszacowana przy zastosowaniu: a – szczegółowych godzinowych stawek wynagrodzeń według zawodów, b – ogólnego wskaźnika wzrostu wynagrodzeń; c – relacja wartości pracy wyznaczonej przy zastosowaniu stawek zróżnicowanych do wartości pracy wyznaczonej za pomocą ogólnego wskaźnika wzrostu wynagrodzeń według wzoru: (a/b – 1)·100%.\nŹródło: opracowanie własne na podstawie: Błaszczak-Przybycińska i Marszałek (2015), GUS (2020).\n\nŁączna wartość pracy domowej uzyskana dwiema metodami szacowania była zbliżona, jednak w poszczególnych grupach wystąpiły różnokierunkowe różnice. Zastosowanie szczegółowych godzinowych stawek wynagrodzeń według zawodów dało wynik wyższy niż oszacowanie za pomocą ogólnego wskaźnika dynamiki wynagrodzeń w przypadku prac z zakresu zapewnienia wyżywienia (o 3,9%), utrzymania mieszkania (o 1,9%), utrzymania odzieży (o 0,2%) i prac na rzecz obcych gospodarstw domowych (o 1,5%). Odwrotna zależność wystąpiła w prz ypadku czynności opiekuńczych\n– wyższy wynik uzyskano za pomocą ogólnego wskaźnika wynagrodzeń. Było to szczególnie widoczne w przypadku opieki nad dziećmi, której wartość oszacowana przy zastosowaniu stawek zróżnicowanych była o ponad 9,6% niższa niż oszacowana za pomocą ogólnego wskaźnika wzrostu wynagrodzeń. Duża różnica pomiędzy metodami obliczeń w tej podgrupie dotyczyła zwłaszcza mężczyzn niepracujących i wyniosła prawie 13%.\nPrzeprowadzono także – za pomocą szczegółowych godzinowych stawek wynagrodzeń według zawodów i ogólnego wskaźnika wzrostu wynagrodzeń – wycenę pracy domowej dla wybranych typów gospodarstw domowych według klasyfikacji Eurostatu:\n• samotnej matki z najmłodszym dzieckiem w wieku do 18 lat;\n• kobiety zamężnej lub w związku nieformalnym z najmłodszym dzieckiem w wieku do 6 lat;\n• samotnego ojca z najmłodszym dzieckiem w wieku do 18 lat;\n• mężczyzny żonatego lub w związku nieformalnym z najmłodszym dzieckiem w wieku do 6 lat (tabl. 6).\n\nTabl. 6. Porównanie wartości pracy domowej uzyskanej przy zastosowaniu szczegółowych godzinowych stawek wynagrodzeń według zawodów i ogólnego wskaźnika wzrostu wynagrodzeń dla wybranych typów gospodarstw domowych w październiku 2018 r.\nWyszczególnienie1\nSamotna matka, wiek najmłodszego dziecka\n0–18 lat\nKobieta zamężna lub w związku nieformalnym, wiek najmłodszego dziecka 0–6 lat\nSamotny ojciec, wiek najmłodszego dziecka\n0–18 lat\nMężczyzna żonaty lub w związku nieformalnym, wiek najmłodszego dziecka 0–6 lat\nRazem ...................................... a 3982,78 5465,13 2407,59 2649,96 b 4125,28 5699,05 2432,48 2854,37 c –3,45 –4,10 –1,02 –7,16\nUtrzymanie mieszkania ...... a 387,60 397,20 482,92 340,73 b 378,43 387,94 476,54 336,46 c 2,42 2,39 1,34 1,27\nZapewnienie wyżywienia a 1219,28 1245,20 942,75 488,20 b 1167,79 1191,08 904,59 471,23 c 4,41 4,54 4,22 3,60\nUtrzymanie odzieży ............. a 123,89 132,98 64,73 24,97 b 123,59 131,83 65,08 26,17 c 0,24 0,87 –0,54 –4,59\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 55\n\nTabl. 6. Porównanie wartości pracy domowej uzyskanej przy zastosowaniu szczegółowych godzinowych stawek wynagrodzeń według zawodów i ogólnego wskaźnika wzrostu wynagrodzeń dla wybranych typów gospodarstw domowych w październiku 2018 r.\n(dok.)\nWyszczególnienie1\nSamotna matka, wiek najmłodszego dziecka\n0–18 lat\nKobieta zamężna lub w związku nieformalnym, wiek najmłodszego dziecka 0–6 lat\nSamotny ojciec, wiek najmłodszego dziecka\n0–18 lat\nMężczyzna żonaty lub w związku nieformalnym, wiek najmłodszego dziecka 0–6 lat\nCzynności opiekuńcze ........ a 2200,43 3663,66 899,60 1768,80 b 2405,16 3962,21 969,84 1993,35 c –8,51 –7,53 –7,24 –11,26 w tym opieka nad dziećmi a 2097,76 3629,88 762,44 1716,91 b 2310,79 3927,57 835,19 1945,74 c –9,22 –7,58 –8,71 –11,76\nPraca na rzecz innych gospodarstw a 51,58 26,09 17,59 27,26 b 50,32 26,00 16,43 27,15 c 2,50 0,35 7,06 0,41\n1 Wartość pracy domowej w zł oszacowana przy zastosowaniu: a – szczegółowych godzinowych stawek wynagrodzeń według zawodów, b – ogólnego wskaźnika wzrostu wynagrodzeń; c – relacja wartości pracy wyznaczonej przy zastosowaniu stawek zróżnicowanych do wartości pracy wyznaczonej za pomocą ogólnego wskaźnika wzrostu wynagrodzeń według wzoru: (a/b – 1)·100%.\nŹródło: opracowanie własne na podstawie: Błaszczak-Przybycińska i Marszałek (2015), GUS (2020).\n\nDla wszystkich wymienionych typów gospodarstw domowych łączna wartość pracy domowej była wyższa wtedy, gdy obliczenia wykonywano za pomocą ogólnego wskaźnika dynamiki wynagrodzeń. Szczególnie wysoka była średnia miesięczna wartość pracy domowej wyznaczona dla kobiety zamężnej lub w związku nieformalnym posiadającej dziecko w wieku do 6 lat. W zależności od sposobu obliczeń stanowiła odpowiednio 133% lub 139% mediany wynagrodzeń miesięcznych w październiku\n2018 r., podczas gdy analogiczna wartość pracy wyznaczona dla mężczyzny żonatego lub w związku niefo rmalnym stanowiła odpowiednio 65% i 70% mediany wynagrodzeń. Warto zauważyć, że w obu metodach łączna wartość pracy domowej wykonywanej przez kobietę będącą w związku stanowiła w przybliżeniu dwukrotność wartości pracy wykonywanej przez mężczyznę będącego w związku.\nWśród analizowanych grup prac domowych największe różnice wartości pracy domowej w zależności od przyjętego sposobu wyceny dotyczyły prac opiekuńczych.\nWyższe wyniki w tej grupie były każdorazowo uzyskiwane z szacunków za pomocą ogólnego wskaźnika dynamiki wynagrodzeń. Wartość prac opiekuńczych oszacowana na bazie stawek zróżnicowanych dla mężczyzny w związku mającego najmłodsze dziecko w wieku do 6 lat była niższa o 11,3% od wartości pracy oszacowanej z użyciem stawki jednolitej, a dla samotnych matek – o 8,5%. Największą składową czynności opiekuńczych stanowiła opieka nad dziećmi i w jej przypadku różnice między metodami obliczeń były jeszcze większe. Niższe wartości pracy domowej obliczone przy\n\nzastosowaniu szczegółowych godzinowych stawek wynagrodzeń według zawodów wynikały z tego, że wskaźnik dynamiki wynagrodzeń dla poszczególnych zawodów, które odpowiadają wyszczególnionym czynnościom w zakresie opieki, był niższy od ogólnego wskaźnika dynamiki wynagrodzeń. Drugą grupą prac domowych z największymi różnicami wynikającymi z zastosowania różnych sposobów obliczeń było zapewnienie żywności. Wyższe wyniki uzyskano za pomocą szczegółowych godzinowych stawek według zawodów. Najmniejsze różnice zaobse rwowano w przypadku czynności z zakresu utrzymania odzieży, jednak nominalnie wartość pracy w ramach tej grupy stanowiła relatywnie niewielką składową wartości pracy domowej.\nNa podstawie otrzymanych wyników można stwierdzić, że łączna wartość pracy domowej oszacowana przy zastosowaniu stawek zróżnicowanych była bardzo zbliżona do wartości uzyskanej z wykorzystaniem ogólnego wskaźnika wzrostu wynagrodzeń, ale już wewnętrzna str uktura wartości prac znacznie się różniła. Duże i różnokierunkowe różnice ujawniły się zarówno przy porównaniach według rodzaju prac domowych, jak i przy analizie ze względu na cechy społeczno -demograficzne osób je wykonujących.\nAnalogicznie do wyceny dla lat 2002 i 2012 łączną wartość pracy domowej na rzecz własnego gospodarstwa policzoną według stawek zróżnicowanych w zależności od typu prac z października 2018 r. podzielono przez średni łączny czas przeznaczany na wszystkie czynności domowe według struktury czasu z BBCL 2013. Uzyskano stawkę jednolitą 20,01 zł, która stanowiła 71,14% przeciętnej godzinowej stawki wynagrodzenia brutto w gospodarce narodowej w październiku 2018 r.\n5. Podsumowanie\nWycena pracy domowej jako składowej produkcji domowej mieści się w obszarze rachunków społecznych, które będą stałym elementem systemu statystyki społecznej.\nSystem ten ma być koncepcyjnie zgodny z systemem rachunków narodowych.\nProwadzone na świecie badania dotyczące produkcji domowej koncentrują się na tworzeniu koncepcji pełnej sekwencji rachunków produkcji domowej. Prezentowane są empiryczne wyniki takich rachunków w poszczególnych krajach, testowane założenia metodologiczne, omawiane rozwiązania, które mogłyby być zaakceptowane przez wszystkie kraje europejskie, zarówno w zakresie metodyki szacowania wielkości konsumpcji pośredniej i nakładów kapitału w produkcji domowej, jak i doboru stawek do wyceny wartości dodanej w rachunku produkcji domowej. Dyskusja i badania nad tymi zagadnieniami będą sprzyjały szybszemu przyjęciu ostatecznych rozstrzygnięć metodologicznych i wdrożeniu tego elementu systemu.\nObecnie wpływ określonych rozwiązań w zakresie stawek przyjmowanych do wyceny wartości pracy w gospodarstwie domowym na ostateczne wyniki wykonywanych szacunków nie jest dobrze rozpoznany, dlatego warto badać, jaka jest relacja dynamiki\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 57\n\npłac w przypadku zawodów będących rynkowymi odpowiednikami wybranych prac domowych do dynamiki przeciętnego wynagrodzenia w gospodarce narodowej. Przy podejmowaniu decyzji dotyczących ostatecznych rozwiązań w zakresie szacowania wartości pracy domowej jako istotnego elementu zharmonizowanych rachunków satelitarnych produkcji domowej trzeba rozważyć, czy – pomimo dużej pracochłonności wyceny pracy domowej przy zastosowaniu stawek dopasowywanych do rodzaju wykonywanych prac – warto kontynuować wycenę pracy do mowej w tej formie. Za przyjęciem tego rozwiązania przemawia fakt, że zastosowanie stawek zróżnicowanych daje wyniki, które nie są jedynie odzwierciedleniem różnic w strukturze czasu. Wycena według stawek zróżnicowanych pozwala analizować różnice w dynamice wartości pracy domowej w zależności od rodzaju wykonywanych prac, analogicznie do wyceny rynkowej odpowiadających im usług. Istotnym argumentem jest również to, że tempo zmian wynagrodzeń dla poszczególnych zawodów odpowiadających pracom domowym odbiega w różnym stopniu i w różnych kierunkach od tempa wzrostu przeciętnego wynagrodzenia w gospodarce narodowej. Ma to istotne znaczenie praktyczne przy wykorzystywaniu wyników wyceny m.in. w sprawach sądowych związanych z odszkodowaniami, podziałem majątku i ustalaniem wysokości alimentów w przypadku opieki jednego rodzica nad dzieckiem z niepełnosprawnością.\nTeoretycznie do wyceny wartości pracy w gospodarstwie domowym jako składowej produkcji domowej można byłoby przyjąć stawkę jednolitą. Dzięki temu znacznie łatwiejsze byłoby prowadzenie regularnych wycen pracy domowej na potrzeby zharmonizowanych europejskich rachunków satelitarnych produkcji domowej. Na podstawie przeprowadzonych analiz uzyskano – w zależności od roku badania (2002, 2012, 2018)\n– stawkę jednolitą na poziomie odpowiednio 69,8%, 66,8% i 71,1% przeciętnego godzinowego wynagrodzenia brutto w gospodarce narodowej. W przypadku całkowitego odejścia od pracochłonnej wyceny pracy domowej według szczegółowych stawek wynagrodzeń dla zawodów odpowiadających wyszczególnionym czynnościom uzasadnione byłoby – w świetle uzyskanych wyników – przyjęcie w Polsce stawki jednolitej na poziomie ok. 70% przeciętnej godzinowej stawki wynagrodzenia brutto w gospodarce narodowej. Jednak w takim przypadku następowałaby duża utrata informacji o wewnętrznej strukturze agregatu, co byłoby niekorzystne dla tych użytkowników rachunków satelitarnych produkcji domowej, którzy są zainteresowani wybranymi grupami aktywności na rzecz gospodarstwa domowego.\n\nBibliografia\nBecker, G. S. (1990). Ekonomiczna teoria zachowań ludzkich. Wydawnictwo Naukowe PWN.\nBłaszczak-Przybycińska, I. (2005). Wycena pracy własnej gospodarstw domowych na podstawie badania budżetu czasu. W: Budżet czasu ludności 1 VI 2003 –31 V 2004 (s. 76–98). Główny Urząd\nStatystyczny.\nBłaszczak-Przybycińska, I. (2008). Produkcja gospodarstw domowych jako czynnik dochodotwórczy .\nOficyna Wydawnicza SGH.\nBłaszczak-Przybycińska, I. (2025). Wycena pracy własnej gospodarstw domowych. W: Budżet czasu ludności w 2023 r. Część 1 i 2 (s. 105–145). Główny Urząd Statystyczny.\nhttps://stat.gov.pl/files /gfx/portalinformacyjny/pl/defaultaktualnosci/5486/36/1/1/budzet_czasu\n_ludnosci_2023_2.pdf.\nBłaszczak-Przybycińska, I., Marszałek, M. (2015). Wycena wartości pracy własnej gospodarstw domowych na podstawie badania budżetu czasu. W: Budżet czasu ludności 2013. Część I\n(s. 131–183). Główny Urząd Statystyczny. https://stat.gov.pl/files/gfx/portalinformacyjny/pl\n/defaultaktualnosci/5486/19/1/1/budzet_czasu_ludnosci_2013r.pdf.\nBridgman, B., Craig, A., Kanal, D. (2022). Accounting for Household Production in the National\nAccounts. Survey of Current Business , 102(2), 1 –13. https://apps.bea.gov/scb/issues/2022/02\n-february/pdf/0222-household-production.pdf.\nEurostat. (1999). Proposal for a Satellite Account of Household Production (Eurostat Working Papers\nNo. 9/1999/A4/11).\nEurostat. (2003). Household Production and Consumption. Proposal for a Methodology of Household\nSatellite Accounts . Office for Official Publications of the European Communities.\nhttps://ec.europa.eu/eurostat/documents/3888793/5823569/KS-CC-03-003-EN.PDF.pdf/8e284578\n-a435-4bd8-b42d-b86d4a911637?t=1414778944000.\nGłówny Urząd Statystyczny. (2004). Struktura wynagrodzeń według zawodów w październiku 2002 r.\nGłówny Urząd Statystyczny. (2014a). Biuletyn statystyczny , (1). https://stat.gov.pl/obszary\n-tematyczne/inne-opracowania/informacje-o-sytuacji-spoleczno-gospodarczej/biuletyn-statystyczny\n-nr-12014,4,22.html.\nGłówny Urząd Statystyczny. (2014b). Struktura wynagrodzeń według zawodów w październiku\n2012 r. https://stat.gov.pl/obszary-tematyczne/rynek-pracy/pracujacy-zatrudnieni-wynagrodzenia\n-koszty-pracy/struktura-wynagrodzen-wedlug-zawodow-w-pazdzierniku-2012-r-,4,6.html.\nGłówny Urząd Statystyczny. (2019). Biuletyn statystyczny, (9). https://stat.gov.pl/obszary-tematyczne\n/inne-opracowania/informacje-o-sytuacji-spoleczno-gospodarczej/biuletyn-statystyczny-nr-92019\n,4,92.html.\nGłówny Urząd Statystyczny. (2020). Struktura wynagrodzeń według zawodów w październiku\n2018 r . https://stat.gov.pl/obszary-tematyczne/rynek-pracy/pracujacy-zatrudnieni-wynagrodzenia\n-koszty-pracy/struktura-wynagrodzen-wedlug-zawodow-w-pazdzierniku-2018-roku,4,9.html.\nGoldschmidt-Clermont, L. (1982). Unpaid work in the household: A review of economic evaluation methods. International Labour Office. https://webapps.ilo.org/public/libdoc/ilo/1982/82B09\n_500_engl.pdf.\nHawrylyshyn, O. (1976). The value of Household Services: A Survey of Empirical Estimates. The\nReview of Income and Wealth , 22(2), 101–103. https://doi.org/10.1111/j.1475-4991.1976\n.tb01146.x.\nHolloway, S., Short, S., Tamplin, S. (2002). Household Satellite Account (Experimental) Methodology.\nUK Office for National Statistics.\nI. BŁASZCZAK-PRZYBYCIŃSKA, A. PUTKOWSKA Wpływ stawek wynagrodzeń na wycenę pracy domowej 59\n\nKordos, J. (2014). Statystyczne badanie zjawisk społecznych. W: T. Panek (red.), Statystyka społeczna\n(s. 15–39). Polskie Wydawnictwo Ekonomiczne.\nMarszałek, M. (2015). Rachunek produkcji domowej w Polsce w koncepcji systemu statystyki społecznej. Oficyna Wydawnicza SGH.\nMarszałek, M. (2025). Household Production Satellite Account as an Integral Account for Estima - ting Value Added in the National Economy. Econometrics. Ekonometria. Advances in Applied\nData Analysis, 29(1), 1–14. https://doi.org/10.15611/eada.2025.1.01.\nPoissonnier, A., Roy, D. (2013). Household Satellite Account for France in 2010. Methodological issues on the assessment of domestic production . Institut National de la Statistique et des Études\nÉconomiques. https://www.insee.fr/en/statistiques/1381047.\nVarionen, J., Aalto, K. (2006). Household Production and Consumption in Finland 2001. House - hold Satellite Account. Statistics Finland, National Consumer Research Centre. http://hdl.\nhandle.net/10138/152276.\nVarionen, J., Aalto, K. (2013). Households’ unpaid production and change 2001–2009 (NCRC Working Papers No. 145).\nVarionen, J., Rüger, Y. (2008). Value of Household Production in Finland and Germany. Analysis and\nRecalculation of the Household Satellite Account System in both countries (NCRC Working Papers\nNo. 112). http://hdl.handle.net/10138/152405.", "token_count": 19894}
+{"added": "2026-09-10", "author": "Monika Osińska", "created": "2024-01-31", "id": "wiadomosci_statystyczne_pl_2024_1_019-036", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Statystyka w praktyce / Statistics in practice\nZgłoszony/submitted: 18.01.2023, poprawiony/revised: 13.07.2023, zaakceptowany/accepted: 17.10.2023\nEfektywność wykorzystania zasobów naturalnych a stopień zapobiegania powstawaniu odpadów komunalnych w krajach Unii Europejskiej\n\nMonika Osińskaa\n\nStreszczenie. Zapobieganie powstawaniu odpadów komunalnych jest nadrzędnym celem polityki gospodarczej i środowiskowej Unii Europejskiej, ponieważ zostało uznane za najskuteczniejszy sposób poprawy efektywności wykorzystania zasobów naturalnych i przerwania dodatniej zależności pomiędzy wzrostem gospodarczym krajów członkowskich a ilością wytwarzanych odpadów. Głównym celem badania omawianego w artykule jest porównanie krajów\nUE pod względem efektywności wykorzystania zasobów naturalnych oraz ocena siły i kierunku zależności między tą efektywnością a ilością wytwarzanych odpadów komunalnych. Ponadto zbadano siłę zależności pomiędzy ilością wytwarzanych odpadów komunalnych a rozwojem gospodarczym krajów UE, zarówno w ujęciu ogólnym, jak i w skupieniach krajów o różnej efektywności wykorzystania zasobów naturalnych. Wykorzystano dane statystyczne z bazy\nEurostatu za lata 2011–2020. Zastosowano analizę skupień i analizę korelacji. Za pomocą metody k-średnich wyznaczono pięć skupień krajów ze względu na efektywność wykorzystania zasobów naturalnych. Stwierdzono, że kraje o wysokiej efektywności wykorzystania zasobów produkują więcej odpadów komunalnych per capita, a to stoi w sprzeczności z założeniami polityki UE. Z kolei analiza korelacji uwidoczniła, że utrzymuje się zależność między PKB per capita a ilością wytwarzanych odpadów komunalnych per capita (współczynnik korelacji liniowej Pearsona tych dwóch wielkości od 2011 r. jest niezmiennie dodatni i pozostaje na istotnym poziomie). Siła tej relacji nie słabnie wraz ze wzrostem efektywności wykorzystania zasobów.\nPrzeprowadzone badanie dowiodło także, że kraje UE uzależniają skalę recyklingu od ilości wytwarzanych odpadów komunalnych, co może stanowić poważne zagrożenie na drodze do zminimalizowania ilości odpadów i osiągnięcia unijnych celów w tym zakresie.\nSłowa kluczowe: wzrost gospodarczy, odpady komunalne, zasoby naturalne, efektywność wykorzystania zasobów, zapobieganie powstawaniu odpadów, analiza skupień, analiza kore - lacji\nJEL: C10, C12, C20, Q32, Q53\n\na Uniwersytet Ekonomiczny w Poznaniu, Instytut Informatyki i Ekonomii Ilościowej, Polska / Poznań University of Economics and Business, Institute of Informatics and Quantitative Economics, Poland.\nORCID: https://orcid.org/0000-0002-9722-6940. E-mail: [REDACTED:EMAIL].\n\n© Monika Osińska\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nNatural resource efficiency and the extent of municipal waste prevention in European Union countries\n\nAbstract. Municipal waste prevention is the key objective of the European Union ’s environmental policy, as it is believed to be the most effective way to improve the natural resource efficiency and to stop economic growth intensifying the generation municipal waste in member states. The main aim of this paper is to compare the efficiency of the use of natural resources in particular EU states and to investigate the strength and direction of the correlation between the former and the amount of the generated municipal waste. Moreover, the study assesses the strength of the relationship between the amount of the generated municipal waste and the economic growth of member states both at EU level and in groups of countries characterised by similar levels of resource efficiency. The study used statistical data from the Eurostat database for 2011 –2020 and performed the cluster and correlation analyses.\nFive groups of countries, formed on the basis of their natural resources efficiency, were distinguished from the sample using the k -means method. The results showed that the higher the resource efficiency, the more municipal waste per capita is generated by a country, which is inconsistent with the assumptions of the EU policy. The correlation analysis found that the relationship between economic growth and the amount of the generated municipal waste exists (Pearson’s linear correlation coefficient for these two values has been positive since 2011 and has remained at a relatively high level). The strength of this correlation has not been weakened along the increase in the resource efficiency. The study additionally demonstrates that EU member states link the scale of the recycling activity to the amount of the generated municipal waste, which might pose to a serious threat to the EU target to minimise the amount of the generated municipal waste.\nKeywords: economic growth, municipal waste, natural resources, resource efficiency, municipal waste prevention, cluster analysis, correlation analysis\n1. Wprowadzenie\nOd wielu lat obserwuje się dodatnią zależność między wzrostem gospodarczym mierzonym za pomocą PKB per capita a ilością wytwarzanych odpadów per capita\n(European Environment Agency [EEA], 2023). Bank Światowy wylicza, że w 2050 r.\nmieszkańcy globu będą wytwarzali aż 3,88 mld t stałych odpadów, aż o 73 proc. więcej niż w roku 2020 (The World Bank, 2022). EEA (2022) zwraca uwagę, że co prawda w ostatnich latach pomimo wzrostu gospodarczego nastąpiło nieznaczne spowolnienie wzrostu wytwarzania odpadów w UE, jednak jest ono wciąż zbyt słabe, aby mówić o przerwaniu zależności między tymi wielkościami.\nDyrektywa Parlamentu Europejskiego i Rady 2008/98/WE z dnia 19 listopada\n2008 r. w sprawie odpadów oraz uchylająca niektóre dyrektywy (dalej: Dyrektywa\n2008/98/WE) ustanowiła ramy prawne dotyczące przetwarzania odpadów przez kraje członkowskie. Dokument określa sposoby postępowania z odpadami według następującej hierarchii:\n\n• zapobieganie;\n• przygotowanie do ponownego użycia;\n• recykling;\n• inne metody odzysku, w tym odzysk energii;\n• unieszkodliwianie.\nZapobieganie powstawaniu odpadów jest nadrzędnym celem polityki gospodarczej i środowiskowej UE od wielu lat. Dyrektywa 2008/98/WE wprowadziła wymóg opracowywania przez kraje członkowskie programów zapobiegania powstawaniu odpadów. Programy te mają doprowadzić do takiego stanu, że wzrost gospodarczy przestanie być jednoznaczny ze wzrostem ilości odpadów.\nDyrektywa Parlamentu Europejskiego i Rady (UE) 2018/851 z dnia 30 maja\n2018 r. zmieniająca dyrektywę 2008/98/WE w sprawie odpadów (dalej: Dyrektywa\n2018/851/WE) zaostrzyła przepisy dotyczące zapobiegania powstawaniu odpadów.\nZgodnie z jej założeniami powinno to zmobilizować kraje europejskie do podjęcia wszelkich środków mających na celu zmniejszenie ilości wytwarzanych odpadów.\nKomisja Europejska (b.r.) podkreśla, że przejście z liniowego modelu weź–wyprodukuj–zużyj–wyrzuć na model regeneracyjnego wzrostu (inaczej: gospodarkę o obiegu zamkniętym – GOZ) jest niezbędne do utrzymania konsumpcji zasobów naturalnych w rozsądnych granicach (Smol i in., 2019). Podaje, że jeśli nie zostaną podjęte żadne środki zaradcze, to do 2050 r. będziemy potrzebować zasobów naturalnych z trzech planet Ziemi. W GOZ wartość produktów, materiałów i zasobów jest utrzymywana tak długo, jak to możliwe, a wytwarzanie odpadów ograniczane do minimum, co pozwala poprawić efektywność gospodarki, prowadzi do redukcji kosztów operacyjnych, zwiększa rentowność oraz redukuje negatywny wpływ działalności na środowisko (Gorokhova i in., 2023). Głównym celem jest zatem osiągnięcie samowystarczalności zasobowej przez gospodarki europejskie.\nW Dyrektywie 2018/851/WE zwrócono uwagę, że zmniejszenie zależności UE od importu surowców oraz przejście na bardziej zrównoważoną gospodarkę materiałami i model GOZ jest możliwe dzięki poprawie efektywności wykorzystania zasobów naturalnych oraz wykorzystaniu surowców wtórnych pochodzących z recyklingu jako zasobów w procesie produkcji. A najbardziej skutecznym sposobem poprawy efektywności wykorzystania zasobów naturalnych jest zapobieganie powstawaniu odpadów.\nEEA (2019) podkreśla, że\n\nEuropa nadal wytwarza duże ilości odpadów, pomimo że trendy w tym zakresie są raczej stabilne i istnieje dążenie do oddzielenia wytwarzania odpadów od rozwoju gospodarczego\n(ang. decoupling). Jednocześnie odpady są coraz bardziej postrzegane w europejskiej gospodarce jako cenne źródło zasobów. Odsetek odpadów poddawanych recyklingowi powoli rośnie, natomiast ilość składowanych odpadów spada. Różnice między wynikami poszczególnych państw są jednak wciąż duże.\n\nShpak i in. (2021) przyznają, że UE jest postrzegana jako światowy lider w implementacji założeń GOZ, jednak efekty transformacji zależą w dużej mierze od aktywności krajów członkowskich. Według Vranjanaca i Rađenovicia (2022) zróżnicowanie krajów UE pod względem stopnia transformacji w kierunku GOZ jest nadal bardzo duże. Wnioski te potwierdza weryfikacja sposobu gospodarowania odpadami z tworzyw sztucznych w Europie przeprowadzona przez Najwyższą Izbę Kontroli\n(NIK). Kontrola ujawniła, że środki podejmowane przez kraje UE są ��niewystarczające, aby ograniczyć wytwarzanie odpadów z tworzyw sztucznych i zapewnić ich właściwe przetwarzanie”, a „gospodarka o obiegu zamkniętym jest na razie bardziej widoczna jako teoretyczny koncept niż praktyczne działania podejmowane w poszczególnych krajach objętych audytem” (NIK, 2022, s. 15).\nGłównym celem badania omawianego w artykule jest porównanie krajów UE pod względem efektywności wykorzystania zasobów naturalnych oraz ocena siły i kierunku zależności zachodzącej między tą efektywnością a ilością wytwarzanych odpadów komunalnych. Ponadto zbadano siłę zależności między ilością wytwarzanych odpadów komunalnych a rozwojem gospodarczym krajów UE zarówno w ujęciu ogólnym, jak i w skupieniach krajów o różnej efektywności wykorzystania zasobów naturalnych. Badanie dotyczyło odpadów komunalnych, ponieważ – jak wynika z Dyrektywy 2018/851/WE – jest to „jeden z najbardziej złożonych strumieni odpadów i sposób gospodarowania nim zasadniczo świadczy o jakości całego systemu gospodarowania odpadami w danym państwie”.\n2. Metoda badania\nBadanie obejmowało 27 krajów UE i opierało się na danych statystycznych zaczerpniętych z bazy Eurostatu (b.r.) za lata 2011– 2020. Składało się z następujących etapów:\n1. Wybór wskaźników określających efektywność wykorzystania zasobów naturalnych. Do oceny efektywności wykorzystania zasobów naturalnych wybrano dwa wskaźniki (Główny Urząd Statystyczny [GUS], b.r. a):\n• produktywności zasobów (ang. resource productivity – RP), czyli stosunek PKB do krajowej konsumpcji materialnej (ang. domestic material consumption –\nDMC; w euro/kg);\n• powtórnego wykorzystania materiałów (ang. circular material use – CMU), czyli udział materiału odzyskanego i wprowadzonego powtórnie do obiegu gospodarki w zużyciu materiału ogółem (GUS, b.r. b).\nWzrost efektywności wykorzystania zasobów naturalnych powinien zostać odzwierciedlony nie tylko przez wzrost wskaźnika produktywności zasobów, lecz także wzrost wskaźnika ponownego wykorzystania materiałów (EEA, 2020).\n2. Podział krajów na skupienia na podstawie wartości RP i CMU. Pięciokrotnie zastosowano metodę kk-średnich i za każdym razem otrzymywano inną liczbę sku-\n\npień (2 –6). Wybór metody kk-średnich był podyktowany tym, że jest ona jedną z najpopularniejszych metod grupowania (Lander, 2018), powszechnie stosowaną w analizach danych z różnych dziedzin (Sobolewski i Sokołowski, 2017). Zapewnia minimalizację wariancji wewnątrzgrupowej i pozwala uzyskać bardziej zwarte skupienia obiektów w porównaniu z innymi metodami. Do wyboru optymalnej liczby skupień wykorzystano wskaźnik Hartigana, który według Landera (2018) jest najodpowiedniejszy przy zastosowaniu metody kk-średnich. W celach porównawczych obliczono wartości kilku innych wskaźników oceny jakości podziału, tj.\nCalińskiego i Harabasza, Bakera i Huberta oraz Huberta i Levina. Szczegółowy opis wymienionych wskaźników znajduje się w publikacjach Walesiaka (2007,\n2013). Obliczenia przeprowadzono w programie R (pakiet ClusterSim).\n3. Weryfikacja relacji między stopniem zapobiegania powstawaniu odpadów a efektywnością wykorzystania zasobów naturalnych. W zestawieniu 1 zaprezentowano wskaźniki, które posłużyły do oceny stopnia zapobiegania powstawaniu odpadów.\nMają one charakter destymulant, co oznacza, że wzrost wartości danego wskaźnika jest równoznaczny ze spadkiem stopnia zapobiegania wytwarzaniu odpadów.\nZa rok bazowy przyjęto 2018 ze względu na wejście w życie Dyrektywy\n2018/851/WE, która – jak wspomniano – poprzez zaostrzenie przepisów miała zmobilizować kraje UE do zmniejszenia ilości wytwarzanych odpadów.\n\nZestawienie 1. Wskaźniki zapobiegania powstawaniu odpadów\nNazwa Definicja\nTempo wytwarzania odpadów ogółem ilość odpadów ogółem wytworzonych w 2020 r. w stosunku do ilości odpadów wytworzonych w 2018 r.\n(2018 = 100)\nPoziom odpadów komunalnych per capita ilość odpadów komunalnych per capita wytworzonych w 2020 r. w kg/osobę\nTempo wytwarzania odpadów komunalnych ilość odpadów komunalnych wytworzonych w 2020 r.\nw stosunku do ilości odpadów komunalnych wytworzonych w 2018 r. (2018 = 100)\nUdział odpadów komunalnych udział odpadów komunalnych w całości wytworzonych odpadów w %\n\nŹródło: opracowanie własne na podstawie: Eurostat (b.r.).\n\nTen etap badania polegał na wyliczeniu współczynników korelacji pomiędzy wskaźnikami z zestawienia 1 oraz RP i CMU. W celu weryfikacji istotności statystycznej współczynników korelacji wyznaczono wartość statystyki testowej o dwustronnym rozkładzie t-Studenta (Aczel, 2000):\n\nHH0: ρρ = 0,\nHH1: ρρ ≠ 0,\n\ntt = rr[UNREADABLE_GLYPH]nn−2\n1 −rr2 ~tt(nn−2), (1)\n\ngdzie:\nρρ – współczynnik korelacji w populacji (nieznany), rr – współczynnik korelacji z próby, nn – liczebność próby.\n\nObliczenia wykonano w programie GRETL.\n4. Wyliczenie współczynników korelacji PKB per capita i poziomu odpadów komunalnych per capita w latach 2011 –2020. Oceniono siłę relacji, w jakiej pozostają powyższe wskaźniki w analizowanym okresie . Ten etap badania został również przeprowadzony w programie GRETL.\n5. Oszacowanie współczynników korelacji PKB per capita i poziomu odpadów komunalnych per capita w poszczególnych skupieniach. Porównano siłę tej relacji w skupieniach krajów o niskiej efektywności wykorzystania zasobów z siłą relacji w skupieniach krajów o wysokiej efektywności.\n3. Wyniki badania\n3.1. Efektywność wykorzystania zasobów naturalnych w UE\nNa podstawie danych za 2020 r. można zaobserwować pozytywną zależność między\nRP a CMU, co jest zgodne z założeniami GOZ (EEA, 2020). Kraje, które wykorzystują więcej materiałów recyklingowych w procesie produkcji, powinny zużywać mniej zasobów naturalnych, co powinno prowadzić do wzrostu PKB przypadającego na\n1 kg zużywanych zasobów. Współczynnik korelacji tych wskaźników wynosi 0,691 i jest istotnie różny od 0. Jednak zróżnicowanie wartości tych wskaźników między krajami UE jest dość duże (współczynnik zmienności dla CMU wynosi ponad 73%, a dla RP – 64%). Ponadto gdyby dopasować linię regresji do danych jedynie za pomocą CMU, to udałoby się wyjaśnić 50% zmienności RP. P o oszacowaniu parametrów klasyczną metodą najmniejszych kwadratów (KMNK) m odel liniowy przedstawia się następująco (w nawiasach podano wartości pp testu t-Studenta)\n1:\n\nRRRR = 0,786879 + 0,11778 ∙CCCCCC, (2)\n(0,0175) (6,615e–05)\nRR2 = 44,74%.\n\n1 Jakość uzyskanego model została oceniona w programie GRETL za pomocą dostępnych testów statystycznych. Model spełnia założenia KMNK : specyfikacja liniowa modelu jest właściwa (test RESET Ramseya), składniki resztowe ε są homoskedastyczne (test White ’a) i pochodzą z rozkładu normalnego (test\nDoornika-Hansena).\n\nW kolejnym kroku podzielono kraje ze względu na efektywność wykorzystania zasobów określoną przez RP i CMU. W celu wyodrębnienia skupień zastosowano metodę kk-średnich. Wskaźnik Hartigana przyjmuje minimalną wartość dla podziału na pięć skupień, co potwierdzają wartości pozostałych miar oceny jakości podziału\n(z wyjątkiem wskaźnika Calińskiego i Harabasza – tabl. 1), dlatego ten podział uznano za optymalny.\n\nTabl. 1. Wartości wskaźników oceny jakości podziału krajów ze względu na efektywność wykorzystania zasobów naturalnych\nWskaźniki\nLiczba skupień\n2 3 4 5 6\nHartigana (min.) ................................................... 24,34 6,49 3,69 1,15 12,84\nCalińskiego i Harabasza (maks.) ..................... 29,60 32,24 24,48 24,97 20,24\nBakera i Huberta (maks.) ................................... 0,658 0,654 0,657 0,776 0,711\nHuberta i Levina (min.) ...................................... 0,18 0,12 0,17 0,03 0,04\n\nUwaga. W nawiasach podano kierunek optymalizacji wskaźników. Pogrubioną czcionką oznaczono optymalny podział.\nŹródło: obliczenia własne wykonane w programie R na podstawie: Eurostat (b.r.).\n\nWyniki klasyfikacji krajów podano w zestawieniu 2.\n\nZestawienie 2. Średnia i współczynnik zmienności wskaźników produktywności zasobów i powtórnego wykorzystania materiałów w grupach krajów\nWyszczególnienie\nGrupy efektywności wykorzystania zasobów\nI (wysoka) II (średnia) III (niska) IV (zasobooszczędność)\nV (zasobochłonność)\nKraje ........................................................ BE, FR, IT, LU,\nNL\nAT, DE, DK,\nES, MT, SE, SI\nBG, CY, FI,\nGR, HR, LT,\nLV, PT, RO, SK\nIE CZ, EE, HU, PL\nRP ...................... średnia w euro/kga 4,02 2,24 1,07 3,3 0,97 zmienność w % 25 19 37 . 30\nCMU ................. średnia w %b 22,26 10,23 4,12 1,8 12,33 zmienność w % 28 25 42 . 31\n\na, b Średnia dla UE: a – 1,99, b – 10,19.\nUwaga. AT – Austria, BE – Belgia, BG – Bułgaria, CY – Cypr, CZ – Czechy, DE – Niemcy, DK – Dania, EE – Estonia, ES – Hiszpania, FI – Finlandia, FR – Francja, GR – Grecja, HR – Chorwacja, HU – Węgry, IE – Irlandia,\nIT – Włochy, LT – Litwa, LU – Luksemburg, LV – Łotwa, MT – Malta, NL – Holandia, PL – Polska, PT – Portugalia, RO – Rumunia, SE – Szwecja, SI – Słowenia, SK – Słowacja.\nŹródło: obliczenia własne wykonane w programie Excel na podstawie: Eurostat (b.r.).\n\nGrupę I tworzą kraje o relatywnie wysokiej efektywności wykorzystania zasobów naturalnych (charakteryzujące się wartościami RP i CMU wyższymi od średniej unijnej). W dużym stopniu zastępują one zasoby naturalne zużywane w procesie produkcji materiałami z recyklingu, co podnosi efektywność wykorzystania zasobów naturalnych. Do tej grupy należą: Belgia , Francja, Holandia, Luksemburg i Włochy.\nSkupienie to charakteryzuje się najwyższą średnią RP spośród wszystkich rozpatrywanych skupień, która wynosi 4,02 euro/kg (średnia UE – 1,99 euro/kg), i najwyższą średnią CMU – 22,26% (średnia UE – 10,19%).\nW grupie II znajdują się kraje o średniej efektywności wykorzystania zasobów naturalnych (wartości RP i CMU są zbliżone do średniej unijnej): Austria, Dania,\nHiszpania, Malta, Niemcy, Słowenia i Szwecja.\nKraje, które mieszczą się w grupie III, charakteryzuje niska efektywność wykorzystania zasobów naturalnych. W tym przypadku relatywnie niska średnia RP\n(1,07 euro/kg) częściowo wynika z niskiej średniej CMU (4,12%). Do tej grupy należą: Bułgaria, Chorwacja, Cypr, Finlandia, Grecja, Litwa, Łotwa, Portugalia, Rumunia i Słowacja.\nDo grupy IV (zasobooszczędnej) zakwalifikowała się tylko Irlandia – z wysokim\nRP (3,33 euro/kg), ale niskim CMU (1,8%), przez co jest postrzegana jako kraj nieefektywnie wykorzystujący zasoby. Powodem niskiego CMU jest deficyt materiałów recyklingowych – Irlandia ma jedną z najniższych wartości wskaźnika recyklingu w UE (w 2020 r. przetworzyła w ten sposób jedynie niecałe 9% wytworzonych odpadów komunalnych, podczas gdy średnia UE wyniosła 13,6%). Ponadto pod względem ilości wytworzonych odpadów komunalnych (555 kg per capita) znalazła się powyżej średniej UE (533 kg per capita).\nGrupę V (zasobochłonną) tworzą kraje, które osiągają najniższą średnią RP\n(0,97 euro/kg) przy relatywnie wysokiej średniej CMU (12,33%). Są to: Czechy,\nEstonia, Polska i Węgry.\nNa wykr. 1 zilustrowano podział krajów na skupienia. W idać na nim, że kraje poprawiające efektywność wykorzystywania zasobów naturalnych przesuwają się w górę równolegle do linii regresji, której nachylenie informuje o tym, że jednostkowy wzrost CMU prowadzi do wzrostu RP średnio o 0,12 euro/kg. Analiza natężenia zmian w poszczególnych skupieniach daje zróżnicowane wyniki – w jednych skupieniach przyrosty są większe, w innych mniejsze od przyrostu wyznaczonego dla krajów ogółem.\n\nZróżnicowanie obserwowane wewnątrz skupienia krajów o niskim RP wynika z tego, że niska wartość tego wskaźnika może być efektem:\n• nieodpowiednich decyzji rządzących – w przypadku tych krajów wzrost CMU powinien przełożyć się na wyższą wartość RP;\n• wysokiej zasobochłonności gospodarek – wtedy wzrost CMU nie przełoży się na wzrost RP w takim samym stopniu, jak w wyróżnionej wyżej grupie krajów. Dotyczy to np. Bułgarii, Estonii, Polski czy Rumunii, których gospodarki są w dużej mierze oparte na przemyśle wydobywczym (EEA, 2020).\n3.2. Zapobieganie powstawaniu odpadów w UE\nJak wspomniano, zapobieganie powstawaniu odpadów jest uznawane w UE za najskuteczniejszy sposób poprawy efektywności wykorzystania zasobów naturalnych.\nRównież EEA (2022) przypisuje temu działaniu szczególną rolę w procesie transformacji w kierunku GOZ. Zwraca uwagę, że w 2018 r. w stosunku do 2014 r. osiągnię-\n\nto spowolnienie wzrostu wytwarzania odpadów w UE w odniesieniu do wzrostu gospodarczego, czyli tzw. oddzielenie względne. W 2020 r. w stosunku do 2018 r.\nzaobserwowano spadek wytworzonych odpadów ogółem per capita w całej UE średnio o 4%, jednak w stosunku do odpadów komunalnych per capita nastąpił wzrost średnio o 7%, chociaż panowało wtedy spowolnienie gospodarcze wywołane pandemią COVID -19. Jak wyjaśnia Organisation for Economic Cooperation and Development (OECD, 2021), w 2020 r. kraje wstrzymały tymczasowo swoją aktywność recyklingową związaną z segregacją odpadów, co w połączeniu ze zwiększeniem skali zakupów online, liczby zamówień posiłków na wynos i zużycia jednorazowych środków ochrony osobistej doprowadziło do wzrostu ilości wytworzonych odpadów. Aby przeciwdziałać spowolnieniu gospodarczemu, większość krajów uruchomiła programy naprawcze, których celem było osłabienie negatywnych skutków pandemii.\nJednak w większości krajów – jak wynika z badania przeprowadzonego przez OECD\n(2021) – jedynie 1% wszystkich funduszy przeznaczonych na naprawę skutków pandemii wykorzystano na zarządzanie odpadami i podnoszenie efektywności wykorzystania zasobów.\nWartości analizowanych wskaźników świadczą o tym, że przygotowane przez poszczególne kraje programy zapobiegania powstawaniu odpadów nie sprawdziły się w obliczu pandemii. Wprowadzenie zmian do tych programów stanowi zatem pierwszy krok na drodze do wyjścia z kryzysu ekologicznego. Jednak w 2022 r.\n10 z 32 krajów europejskich nawet nie miało takiego programu (EEA, 2022), choć jest on wymagany przez przepisy europejskie. Bagatelizowanie tego wymogu znajduje odzwierciedlenie w wynikach korelacji wskaźników efektywności wykorzystania zasobów naturalnych i stopnia wytwarzania odpadów, która powinna być – zgodnie ze stanowiskiem UE – ujemna i istotna. Wzrost efektywności wykorzystania zasobów naturalnych powinien iść w parze ze spadkiem ilości wytworzonych odpadów, a w 2020 r. tak nie było (tabl. 2).\n\nTabl. 2. Wartości współczynnika korelacji liniowej Pearsona wskaźników zapobiegania powstawaniu odpadów i wskaźników efektywności wykorzystania zasobów naturalnych\nZapobieganie powstawaniu odpadów\nEfektywność wykorzystania zasobów naturalnych\nRP CMU wartość p wartość p\nTempo wytwarzania odpadów ogółem .... 0,002 0,993 –0,132 0,513\nPoziom odpadów komunalnych .................. 0,509* 0,007 0,225 0,259\nTempo wytwarzania odpadów komunalnych .................................................................. 0,091 0,653 0,283 0,152\nUdział odpadów komunalnych .................... –0,148 0,460 –0,327 0,096\n\nUwaga. * – istotność statystyczna na poziomie 0,01.\nŹródło: obliczenia własne wykonane w programie GRETL na podstawie: Eurostat (b.r.).\n\nMiędzy wskaźnikami zapobiegania powstawaniu odpadów a wskaźnikami efektywności wykorzystania zasobów naturalnych nie zaobserwowano istotnej zależności w przypadku żadnego z analizowanych wskaźników. Co prawda można dostrzec istotną korelację poziomu odpadów komunalnych per capita i RP, ale kierunek tej relacji nie jest zgodny z oczekiwanym w GOZ. Przyczyn tej sytuacji należy szukać w silnym skoncentrowaniu się krajów UE na aktywności recyklingowej, która przynosi wymierne korzyści nie tylko w postaci przyrostu ilości surowców wtórnych możliwych do wykorzystania w procesie produkcji, lecz także w postaci wzrostu PKB przez tworzenie nowych miejsc pracy (EEA, 2020). Jak zauważa EEA (2020), polityka\nUE dotycząca gospodarowania odpadami napędza recykling, ale niepewne jest, jak zapobieganie powstawaniu odpadów.\nZróżnicowanie RP może zatem w większym stopniu wynikać ze zróżnicowania\nPKB per capita niż ze zróżnicowania CMU, które – jak już wspomniano – wyjaśnia\n45% zróżnicowania badanych krajów pod względem RP. Dlatego do uprzednio oszacowanego modelu wyjaśniającego zależność pomiędzy RP a CMU wprowadzono\nPKB per capita jako dodatkową zmienną. Uzyskano następujący model (w nawiasach podano wartość p testu t-Studenta istotności zmiennych)\n2:\n\nRRRR = −0,145083 + 0,0921263 ∙CCCCCC+ 0,000045 ∙RRPPPP_pppprr_ccccppccttcc\n(0,5199) (1,83e–06) (2,43e–07)\n\n(3)\nRR2 = 83,15%.\n\nWzrost współczynnika determinacji (z 44,74% do 83,15%) świadczy o wysokiej wartości informacyjnej PKB per capita w wyjaśnianiu zróżnicowania RP.\n3.3. Rozwój gospodarczy a ilość wytwarzanych odpadów komunalnych w UE\nZależność pomiędzy PKB per capita a ilością wytwarzanych odpadów komunalnych w UE nie słabnie – współczynnik korelacji liniowej Pearsona jest dodatni niezmiennie od 2011 r. i pozostaje na istotnym poziomie (tabl. 3).\n\n2 Oceny jakości uzyskanego modelu dokonano w programie GRETL za pomocą dostępnych testów statystycznych. Model spełnia założenia KMNK: specyfikacja liniowa modelu jest właściwa (test RESET Ramseya), składniki resztowe ε są homoskedastyczne (test White ’a) i pochodzą z rozkładu normalnego (test\nDoornika-Hansena).\n\nTabl. 3. Wartości współczynnika korelacji liniowej Pearsona PKB per capita i poziomu odpadów komunalnych per capita\nWyszczególnienie 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020\nWspółczynnik korelacji ..... 0,652 0,664 0,656 0,646 0,618 0,757 0,729 0,725 0,704 0,657\nWartość pp ....... 0,0002 0,0002 0,0002 0,0003 0,0006 4,87e–06 1,61e–05 1,89e–05 4,17e–05 0,0002\n\nŹródło: obliczenia własne wykonane w programie Excel na podstawie: Eurostat (b.r.).\n\nNa wykr. 2 zaprezentowano rozrzut wartości poziomu odpadów komunalnych względem wartości PKB per capita w podziale na skupienia. Do każdego skupienia dopasowano linię regresji. Jak można zauważyć, kierunek zależności jest taki sam niezależnie od skupienia, jednak kąt nachylenia linii regresji jest zróżnicowany. Zarówno w grupie I (o wysokiej efektywności wykorzystania zasobów naturalnych), jak i w trzech pozostałych grupach\n3 kierunek tej zależności jest dodatni.\n\n3 Oszacowanie regresji dla grupy IV nie było możliwe ze względu na liczebność skupienia (jeden obiekt).\n\nAby zweryfikować istotność statystyczną tych zależności, ponownie przeprowadzono analizę skupień, ale z wykorzystaniem większej liczby obiektów. Do zdefiniowania obiektów wybrano dane za lata 2020, 2016 i 2012. Każdy kraj w każdym roku został potraktowany jako odrębny obiekt (kraj_2020, kraj_2016, kraj_2012).\nW ten sposób uzyskano 27 × 3 = 81 obserwacji. Wybierano okresy możliwie najbardziej od siebie oddalone ze względu na większe zróżnicowanie wskaźników pomiędzy obiektami. Dokonano podziału obiektów z wykorzystaniem metody kk-średnich i ustalono optymalną liczbę skupień (optymalny okazał się ponownie podział na pięć skupień). Analogicznie do wcześniejszego podziału przyjęto następującą interpretację uzyskanych grup: grupa I to obiekty o wysokiej efektywności wykorzystania zasobów, grupa II – obiekty o średniej efektywności wykorzystania zasobów, a grupy\nIII i IV to obiekty o niskiej efektywności wykorzystania zasobów naturalnych\n4. Wyniki analizy korelacji PKB per capita i ilości wygenerowanych odpadów komunalnych per capita w poszczególnych skupieniach zaprezentowano w tabl. 4.\n\nTabl. 4. Wartości współczynnika korelacji PKB per capita i poziomu odpadów komunalnych w podziale na skupienia\nWyszczególnienie\nEfektywność wykorzystania zasobów\nI – wysoka II – średnia III i IV – niska\nLiczba obiektów ................................................... 13 21 36\nWspółczynnik korelacji ...................................... 0,666* 0,504* 0,634**\nWartość p ............................................................... 0,0129 0,0198 3,30306e–05\n\nUwaga. Istotność statystyczna na poziomie: * – 0,05, ** – 0,01.\nŹródło: obliczenia własne wykonane w programie Excel na podstawie danych z bazy Eurostatu.\n\nJak wynika z tabl. 4, wszystkie korelacje są istotne statystycznie (w skupieniach o wysokiej i średniej efektywności wykorzystania zasobów – na poziomie 0,05;\nw skupieniu o niskiej efektywności wykorzystania zasobów – nawet na poziomie\n0,001). Uzyskane wyniki świadczą o tym, że UE potrzebuje jeszcze bardzo wielu zmian w zakresie gospodarowania odpadami, które powinny zostać wprowadzone w krajach członkowskich. Nawet w przypadku krajów o najwyższej efektywności wykorzystania zasobów naturalnych nie można mówić o przerwaniu zależności pomiędzy poziomem rozwoju gospodarczego a ilością wytwarzanych odpadów komunalnych. Konieczność wprowadzenia modyfikacji do krajowych strategii zarządzania odpadami dotyczy zatem także krajów o wysokiej efektywności wykorzystania zasobów naturalnych.\n\n4 Grupy V nie można było przypisać do żadnej z wyróżnionych kategorii, dlatego została pominięta w ana - lizie.\n\nAnalizując możliwości przerwania relacji pomiędzy wzrostem gospodarczym krajów UE a ilością wytwarzanych odpadów komunalnych, należy zwrócić uwagę na relacje między omawianymi wskaźnikami. Dane za 2020 r. (schemat) wyraźnie pokazały, że:\n• RP w poszczególnych krajach pozostaje w istotnej dodatniej zależności z CMU\n(współczynnik korelacji – 0,691);\n• CMU pozostaje w istotnej dodatniej zależności ze wskaźnikiem recyklingu, wyznaczonym jako udział odpadów komunalnych przetwarzanych w celu odzysku materiałów w odpadach komunalnych ogółem (współczynnik korelacji – 0,608);\n• współczynnik korelacji wskaźnika recyklingu i ilości wytworzonych odpadów komunalnych per capita jest dodatni i wynosi 0,386; jest istotny statystycznie na poziomie 0,05. Oznacza to, że im więcej odpadów kraje wytworzyły w 2020 r., tym większa część odpadów została poddana recyklingowi w celu odzysku materiałów;\n• wskaźnik recyklingu pozostaje również w istotnej dodatniej zależności ze wskaźnikiem inwestycji, wyznaczonym jako poziom inwestycji w gospodarowanie odpadami ogółem na 10 tys. mieszkańców (współczynnik korelacji – 0,505; istotność statystyczna – 0,01). Jak zauważają Subedi i in. (2023), efektywne zarządzanie odpadami wymaga znacznych inwestycji w infrastrukturę, wyposażenie i personel,\n\nco prowadzi do wzrostu stopnia recyklingu, a wzrost odsetka przetwarzanych odpadów zwiększa zapotrzebowanie na pracowników w branży recyklingowej i prowadzi do wzrostu gospodarczego;\n• skala inwestycji jest uzależniona od poziomu rozwoju gospodarczego poszczególnych krajów i ich zamożności – współczynnik korelacji PKB per capita i wskaźnika inwestycji wynosi 0,569 i jest istotny statystycznie na poziomie 0,01.\nWarto także zwrócić uwagę, że wskaźnik recyklingu nie tylko pozostaje w istotnej dodatniej relacji z CMU, lecz także:\n• z jednej strony przyspiesza wzrost gospodarczy przez tworzenie nowych miejsc pracy (współczynnik korelacji PKB per capita i wskaźnika recyklingu wynosił\n0,497 i był istotny statystycznie). Według EEA (2020) tylko w 2016 r. w obszarze zarządzania odpadami w UE powstało ponad 3 mln miejsc pracy;\n• z drugiej strony wskaźnik recyklingu jest dodatnio i istotnie skorelowany z ilością wytworzonych odpadów komunalnych (0,386). Jedną z przyczyn występowania tej relacji może być unijny system pomiaru stopnia transformacji w kierunku gospodarek cyrkularnych, który obejmuje m.in. takie wskaźniki, jak RP czy CMU.\nHorvath i in. (2019) zwracają uwagę, że rozliczanie krajów przez pryzmat tych wskaźników stanowi wręcz zachętę do wytwarzania większych ilości odpadów.\n\nO ile występowanie pierwszej z tych relacji uważa się za pożądane (Potârniche i in., 2022; Roleders, 2023), o tyle druga może utrudniać przerwanie zależności między PKB a ilością wytwarzanych odpadów.\nSkutecznym sposobem na przerwanie tej relacji może być właśnie oddzielenie stopnia recyklingu odpadów komunalnych od ilości wytwarzanych odpadów. Korelacja wskaźnika recyklingu i ilości wytworzonych odpadów komunalnych per capita jest najsłabsza spośród wszystkich rozpatrywanych, ale jednak istotna statystycznie.\nWarto zaznaczyć, że w Dyrektywie 2018/851/WE określono cele przygotowania do ponownego użycia i recyklingu odpadów komunalnych jednakowe dla wszystkich krajów – niezależnie od ilości produkowanych odpadów. Brzmią one następująco:\n\nAby zapewnić zgodność z celami niniejszej dyrektywy oraz przejść na europejską gospodarkę o obiegu zamkniętym o wysokim poziomie efektywnego wykorzystania zasobów, państwa członkowskie przyjmują środki służące do osiągnięcia następujących celów [...]:\nc) do 2025 r. przygotowanie do ponownego użycia i recykling odpadów komunalnych zostaną zwiększone wagowo do minimum 55%;\nd) do 2030 r. przygotowanie do ponownego użycia i recykling odpadów komunalnych zostaną zwiększone wagowo do minimum 60%;\ne) do 2035 r. przygotowanie do ponownego użycia i recykling odpadów komunalnych zostaną zwiększone wagowo do minimum 65%.\n\nWskaźnik recyklingu odpadów komunalnych powinien wzrastać, ale nie powinien być zależny od ilości odpadów wytwarzanych przez kraje. Im więcej odpadów zostanie wykorzystanych w procesie produkcji, tym mniej nowych odpadów zostanie wytworzonych, co będzie miało wymierny pozytywny wpływ na środowisko przyrodnicze i tym samym zdrowie ludzi.\n4. Podsumowanie\nBadanie omówione w artykule składało się z dwóch zasadniczych części. W pierwszej porównano kraje członkowskie UE pod względem efektywności wykorzystania zasobów naturalnych oraz dokonano oceny siły i kierunku zależności zachodzącej pomiędzy tą efektywnością a ilością wytwarzanych odpadów komunalnych. W drugiej zbadano siłę zależności pomiędzy ilością wytwarzanych odpadów komunalnych a rozwojem gospodarczym krajów unijnych, zarówno w ujęciu ogółem, jak i w skupieniach krajów o różnej efektywności wykorzystania zasobów naturalnych.\nPierwsza część badania pozwoliła wyróżnić pięć skupień krajów podobnych pod względem efektywności wykorzystania zasobów w 2020 r. Najliczniejsze okazały się grupy o niskiej i średniej efektywności wykorzystania zasobów, składają się odpowiednio z 10 i 7 krajów. W przypadku większości krajów trudno zatem mówić o za - awansowanym procesie transformacji w kierunku GOZ. Aby przyspieszyć ten proces, powinny one zmniejszyć ilość zużywanych zasobów naturalnych i zwiększyć skalę wykorzystania w gospodarce materiałów pochodzących z recyklingu – w ten sposób mogą podnieść produktywność zasobów.\nTrudno również mówić o skutecznym zapobieganiu powstawaniu odpadów w krajach UE. O ile w 2020 r. w porównaniu z 2018 r. zaobserwowano we Wspólnocie średni spadek ilości wytworzonych odpadów per capita, o tyle ilość wytworzonych odpadów komunalnych per capita wzrosła. Co więcej, ilość wytworzonych odpadów komunalnych per capita w 2020 r. okazała się istotnie dodatnio skorelowana ze wskaźnikiem produktywności zasobów naturalnych. Oznacza to, że kraje, które wytwarzają więcej odpadów komunalnych per capita, charakteryzują się wyższą produktywnością zasobów, co stoi w sprzeczności z przyjętym w UE założeniem o zapobieganiu powstawaniu odpadów jako najskuteczniejszym środku podnoszenia efektywności wykorzystania zasobów naturalnych. Przyczyny tego stanu rzeczy można upatrywać w aktywności recyklingowej krajów, które skalę recyklingu uzależniają od ilości wytwarzanych odpadów. Konieczne jest jednak przeprowadzenie dalszych badań za pomocą metod pozwalających na uwzględnienie bardziej skomplikowanych sieci relacji pomiędzy wskaźnikami gospodarowania odpadami komunalnymi. Taka analiza pozwoli ocenić skalę i istotność wpływu aktywności recyklingowej na produktywność zasobów z uwzględnieniem wpływu innych czynników.\n\nZ drugiego etapu badania wynika, że w 2020 r. nadal istniała istotna dodatnia zależność między ilością wytwarzanych odpadów komunalnych a poziomem rozwoju gospodarczego poszczególnych krajów. Zależność ta jest istotna nieprzerwanie od\n2011 r. i nie słabnie (wartość współczynnika korelacji w 2011 r. wynosiła 0,652, a w 2020 r. – 0,657). Należy zwrócić uwagę, że w poszczególnych grupach krajów UE o różnej efektywności wykorzystania zasobów naturalnych kierunek tej korelacji się nie zmienia i jest ona istotna statystycznie. Wynika z tego, że nawet w krajach o wysokiej efektywności wykorzystania zasobów występuje dodatnia i istotna zależność pomiędzy ilością wytwarzanych odpadów komunalnych a PKB per capita. Konieczne jest zatem przeprowadzenie dalszych analiz diagnostycznych, które pozwolą na ustalenie przyczyn takiego stanu. Aby wzrost gospodarczy przestał się wiązać z ilością wytwarzanych odpadów, niezbędne są także zmiany w krajowych programach zapobiegania powstawaniu odpadów.\nBibliografia\nAczel, D. A. (2000). Statystyka w Zarządzaniu (tłum. Z. Czerwiński, W. Latusek). Wydawnictwo\nNaukowe PWN.\nDyrektywa Parlamentu Europejskiego i Rady 2008/98/WE z dnia 19 listopada 2008 r. w sprawie odpadów oraz uchylająca niektóre dyrektywy.\nDyrektywa Parlamentu Europejskiego i Rady (UE) 2018/851 z dnia 30 maja 2018 r. zmieniająca dyrektywę 2008/98/WE w sprawie odpadów.\nEuropean Environment Agency. (2019). Efektywne gospodarowanie zasobami i odpady .\nhttps://www.eea.europa.eu/pl/themes/waste/intro.\nEuropean Environment Agency. (2020, 11 maja). The European environment — state and outlook\n2020: Knowledge for transition to a sustainable Europe. https://www.eea.europa.eu/soer/2020.\nEuropean Environment Agency. (2022, 31 stycznia). Wyraźne możliwości oddzielenia wytwarzania odpadów od wzrostu gospodarczego w Europie. https://www.eea.europa.eu/pl/highlights/wyrazne\n-mozliwosci-oddzielenia-wytwarzania-odpadow.\nEuropean Environment Agency. (2023, 28 czerwca). Waste generation in Europe . https://www\n.eea.europa.eu/en/analysis/indicators/waste-generation-and-decoupling-in-europe.\nEurostat. (b.r.). Waste [Data set]. https://ec.europa.eu/eurostat/web/waste/data/database.\nGłówny Urząd Statystyczny. (b.r. a). Cel 12 – Odpowiedzialna produkcja i konsumpcja. Wskaźnik\n12.1.a – Produktywność zasobów. https://sdg.gov.pl/statistics_nat/12-1-a/.\nGłówny Urząd Statystyczny. (b.r. b). Cel 12 – Odpowiedzialna produkcja i konsumpcja. Wskaźnik\n12.1.c – Wskaźnik powtórnego wykorzystania materiałów. https://sdg.gov.pl/statistics_nat/12-1-c/.\nGorokhova, T., Shpatakova, O., Toponar, O., Zolotarova, O., Pavliuk, S. (2023). Circular Economy as an Alternative to the Traditional Linear Economy: Case Study of the EU. Revista de Gestão\nSocial e Ambiental, 17(5), 1–15. https://doi.org/10.24857/rgsa.v17n5-002.\nHorvath, B., Bahna, M., Fogarassy, C. (2019). The Ecological Criteria of Circular Growth and the\nRebound Risk of Closed Loops. Sustainability , 11(10), 1 –15. https://doi.org/10.3390\n/su11102961.\n\nKomisja Europejska. (b.r.). Circular economy . https://environment.ec.europa.eu/topics/circular\n-economy_en.\nLander, J. P. (2018). R dla każdego. Zaawansowane analizy i grafika statystyczna (tłum. M. Włodarz). APN Promise.\nNajwyższa Izba Kontroli. (2022, 9 maja). Odpady z tworzyw sztucznych w Europie – raport.\nhttps://www.nik.gov.pl/aktualnosci/odpady-z-tworzyw-sztucznych-w-europie-raport.html.\nOrganisation for Economic Co- operation and Development. (2021). Towards a more resource - efficient and circular economy. The role of the G20 . https://www.oecd.org/env/waste/OECD\n-G20-Towards-a-more-Resource-Efficient-and-Circular-Economy.pdf.\nPotârniche, M. E., Giuca, A. D., Stoica, G. D., Sterie, C. M. (2022). The circular economy in Romania and in the EU Member States. Proceedings of the International Conference on Business Excellence, 16(1), 409–419. https://doi.org/10.2478/picbe-2022-0040.\nRoleders, V. (2023). Transformation of the EU countries to the circular economy model. Economies’ Horizons, 2(24), 129–135. https://doi.org/10.31499/2616-5236.2(24).2023.281264.\nShpak, N., Melnyk, O., Horbal, N., Ruda, M. Sroka, W. (2021). Assessing the implementation of the circular economy in the EU countries. Forum Scientiae Oeconomia , 9(1), 25–39.\nhttps://doi.org/10.23762/FSO_VOL9_NO1_2.\nSmol, M., Kulczycka, J., Czaplicka -Kotas, A., Włóka, M. (2019). Zarządzanie i monitorowanie gospodarki odpadami komunalnymi w Polsce w kontekście gospodarki o obiegu zamkniętym\n(GOZ). Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią Polskiej\nAkademii Nauk, (108), 165–184. https://doi.org/10.24425/znigsme.2019.130174.\nSobolewski, M., Sokołowski, A. (2017). Grupowanie metodą k -średnich z warunkiem spójności.\nPrace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Research Papers of Wrocław\nUniversity of Economics, (468), 215–221. https://doi.org/10.15611/pn.2017.468.22.\nSubedi, M., Pandey, S., Khanal, A. (2023). Integrated Solid Waste Management for the Circular\nEconomy: Challenges and Opportunities for Nepal. Journal of Multidisciplinary Research\nAdvancements, 1(1), 21–26. https://doi.org/10.3126/jomra.v1i1.55100.\nThe World Bank. (2022, 11 lutego). Solid Waste Management. https://www.worldbank.org/en\n/topic/urbandevelopment/brief/solid-waste-management.\nVranjanac, G. Ž., Rađenović, Ž. (2022). EU countries hierarchical clustering towards circular economy performance indicators. Facta Universitatis Series Working and Living Environmental\nProtection, 19(3), 149–155. https://doi.org/10.22190/FUWLEP2203149V.\nWalesiak, M. (2007). Wybrane zagadnienia klasyfikacji obiektów z wykorzystaniem programu komputerowego clusterSim dla środowiska R. Zeszyty Naukowe Akademii Ekonomicznej we Wrocławiu. Research Papers of Wrocław University of Economics, (1169), 46–56.\nWalesiak, M. (2013). Zagadnienie doboru liczby klas w klasyfikacji spektralnej. Prace Naukowe\nUniwersytetu Ekonomicznego we Wrocławiu. Taksonomia 20 – Klasyfikacja i analiza danych – teoria i zastosowania, (278), 33–43.", "token_count": 15224}
+{"added": "2026-09-10", "author": "Dorota Rozmus", "created": "2024-04-02", "id": "wiadomosci_statystyczne_pl_2024_3_001-017", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Statystyka w praktyce / Statistics in practice\nZgłoszony/submitted: 30.11.2022, poprawiony/revised: 19.09.2023, zaakceptowany/accepted: 10.11.2023\nMiara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem analizy spektralnej i metody propagacji podobieństwa\n\nDorota Rozmusa\n\nStreszczenie. Od lat 90. XX w. częstym i tematami rozważań w dziedzinie taksonomii są podejście zagregowane i stabilność metod grupowania. Dotychczas były one rozpatrywane osobno, ale w ostatnim czasie pojawiła się w literaturze propozycja połączenia tych dwóch pojęć\n– miara stabilności (ang. proportion of ambiguously clustered pairs – PAC), którą można zastosować w podejściu zagregowanym w taksonomii i która ma służyć jako kryterium wyboru optymalnej liczby grup. Celem badania omawianego w artykule jest porównanie wyników wyboru optymalnej liczby grup w taksonomii zagregowanej na przykładzie realizacji trzech Celów\nZrównoważonego Rozwoju w krajach UE. Wykorzystano miarę PAC i wybrane klasyczne indeksy: Calińskiego-Harabasza, Dunna i Daviesa-Bouldina. Jako metody bazowe w podejściu zagregowanym zastosowano propagację podobieństwa (ang. affinity propagation method) i taksonomię spektralną (ang. spectral clustering). Badanie opierało się na danych z bazy Eurostatu za 2019 r.\nUzyskane rezultaty świadczą o tym, że zarówno wybór kryterium ustalania liczby grup, jak i metody bazowej w taksonomii zagregowanej wpływają na ostateczne rozstrzygnięcie dotyczące ustalenia liczby grup. Bez względu na to, czy stosowano metodę propagacji podobieństwa czy taksonomię spektralną z klasycznymi indeksami, albo też metody te wykorzystywano jako bazowe w podejściu zagregowanym i wybierano liczbę grup za pomocą miary PAC, rozbieżności we wskazywanej liczbie grup okazywały się bardzo duże.\nSłowa kluczowe: podejście zagregowane w taksonomii, stabilność, taksonomia spektralna, metoda propagacji podobieństwa\nJEL: C38\n\nStability measure in the selection of the number of groups in aggregate taxonomy using spectral analysis and the method of affinity propagation\n\nAbstract. Since the 1990s, the aggregate approach and the stability of grouping methods have been concepts frequently discussed in the field of taxonomy. So far, they have been considered separately, but recently, there has been a postulate in the literature to combine these two concepts in the form of the PAC ( proportion of ambiguously clustered pairs) stability measure, which can be used in the aggregate approach to taxonomy and which is intended to serve as\n\na Uniwersytet Ekonomiczny w Katowicach, Wydział Finansów, Polska / University of Economics in Katowice,\nFaculty of Finance, Poland. ORCID: https://orcid.org/0000-0002-0565-5319.\nE-mail: [REDACTED:EMAIL].\n\n© Dorota Rozmus\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\na criterion for selecting an optimal number of groups. The aim of the research presented in this article is to compare the results of the selection of the optimal number of groups in aggregate taxonomy on the example of the attainment of three Sustainable Development Goals (SDGs) by\nEU countries. The PAC measure and selected classic indices , namely the Caliński-Harabasz, the\nDunn and the Davies -Bouldin indices were applied for this purpose. The affinity propagation method and spectral clustering served as base methods in the aggregate approach. The study used Eurostat data for 2019. The obtained results demonstrate that both the choice of the criterion for determining the number of groups and the choice of the base method in aggregate taxonomy have an influence on the final decision on how to determine the number of groups. Regardless of whether the affinity propagation method or spectral taxonomy with classic indices was used, or whether these methods were used as base ones in the aggregate approach and the number of groups was selected using the PAC measure, the differences between the indicated numbers of groups were very large.\nKeywords: aggregate approach to taxonomy, stability, spectral taxonomy, affinity propagation method\n1. Wprowadzenie\nDuża dokładność wyników grupowania stanowi kluczowy cel analizy taksonomicznej. Precyzja w tym zakresie przesądza o słuszności decyzji podejmowanych na podstawie uzyskanych rezultatów. Przez dokładność grupowania należy rozumieć zdolność rozpatrywanej metody analizy skupień do rozpoznawania rzeczywistej struktury grup – pod warunkiem że znana jest rzeczywista struktura grup (w literaturze opisano wiele indeksów badających zgodność między rzeczywistą strukturą grup a tą, którą uzyskuje się w wyniku zastosowania dowolnej metody taksonomicznej).\nGdy struktura grup nie jest jednak znana a priori , jakość grupowania można ocenić tylko przez pryzmat homogeniczności (wewnętrznej jednorodności skupień) i heterogeniczności (odrębności skupień). Wciąż proponowane są metody i rozwiązania umożliwiające uzyskanie dokładniejszych wyników niż te, które można otrzymać dzięki tradycyjnym algorytmom grupowania (np. kk-średnich, kk-medoidów i metod hierarchicznych). Przykładami takich rozwiązań są metody taksonomii zagregowanej (Dudoit i Fridlyand, 2003; Fred i Jain, 2002; Hornik, 2005; Kuncheva i Vetrov, 2006; Leisch, 1999; Monti i in., 2003).\nPożądaną cechą dowolnego algorytmu taksonomicznego jest również stabilność danej metody względem niewielkich zakłóceń występujących w zbiorze danych (np.\nwybór podzbioru danych, małe wahania wartości cech) lub parametrów algorytmu\n(np. losowa inicjalizacja algorytmu). Nieformalnie kryterium stabilności zakłada, że jeśli metoda taksonomiczna jest wielokrotnie stosowana w przypadku niezależnych podprób (przy niezmienionych parametrach algorytmu) i daje podobne wyniki grupowania, to można je uznać za stabilne i odzwierciedlające rzeczywistą strukturę grup (Shamir i Tishby, 2008). Volkovich i in. (2010) stwierdzają nawet, że liczba grup, która maksymalizuje stabilność grupowania, może służyć jako informacj a\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 3\n\no rzeczywistej liczbie grup w zbiorze danych. Z tego powodu to kryterium stosuje się najczęściej do określania liczby grup, na które zostanie podzielony zbiór obiektów.\nZagraniczni badacze proponują wiele sposobów pomiaru stabilności (np. Ben-\n-Hur i Guyon, 2003; Brock i in., 2008; Fang i Wang, 2012; Henning, 2007; Lord i in.,\n2017; Marino i Presti, 2019; Suzuki i Shimodaira, 2006). W Polsce prace z zakresu zaproponowanych metod zagregowanych i metod badania stabilności opublikowała\nRozmus (2011, 2013), a za granicą – Leone i in. (2007), Meng i in. (2016) oraz Yu i in.\n(2015). Propozycję miary stabilności w taksonomii zagregowanej przedstawili natomiast Șenbabaoğlu i in. (2014). Na podstawie schematu agregacji – bazującego na macierzy współwystąpień (ang. consensus matrix) – oraz kryterium doboru liczby grup (empiryczna funkcja dystrybuanty [ang. cumulative distribution function\n– CDF] i proporcjonalna zmiana powierzchni pod CDF [ Δkk]) zaproponowanych przez Montiego i in. (2003) wprowadzili miarę stabilności PAC (ang. proportion of ambiguously clustered pairs ), określającą udział niejednoznacznych grupowań par obiektów przy wielokrotnie dokonywanym podziale zbioru obiektów na grupy podobnych do siebie obserwacji.\nCelem badania omawianego w artykule jest porównanie wyników wyboru wartości parametru kk w taksonomii zagregowanej na przykładzie realizacji trzech Celów\nZrównoważonego Rozwoju w krajach UE. Wykorzystano miarę PAC i wybrane klasyczne indeksy służące do określania liczby grup, a mianowicie indeksy Calińskiego-Harabasza, Dunna i Daviesa- Bouldina. Jako metody bazowe w podejściu zagregowanym zastosowano propagację podobieństwa (ang. affinity propagation method) i taksonomię spektralną (ang. spectral clustering).\n2. Grupowanie na podstawie macierzy współwystąpień\nGrupowanie na podstawie macierzy współwystąpień jest jednym z przykładów podejścia zagregowanego w taksonomii. Polega ono na tym, że wykorzystując wybraną metodę taksonomiczną (np. kk-średnich) jako metodę bazową, dokonuje się wielokrotnego grupowania danych – za każdym razem na innym podzbiorze obiektów wybranym z pierwotnego zbioru danych. Warto nadmienić, że nie jest to nowa koncepcja, pierwotnie została bowiem opracowana przez Fred i Jaina (2002, 2005) pod nazwą co-association matrix.\nAlgorytm grupowania zagregowanego z wykorzystaniem macierzy współwystąpień wymaga, aby w pierwszym kroku określić BB podprób bootstrapowych XX bb(bb =\n= 1, 2, ... , BB), które zostały wylosowane z pierwotnego zbioru danych XX =\n= {xx1, xx2, ... , xxNN}, gdzie NN oznacza liczbę obserwacji w zbiorze danych. Dla każdego grupowania z osobna wyznaczana jest macierz zgodności CCbb(ang. connectivity matrix).\nMacierze tego rodzaju posłużą potem do utworzenia macierzy współwystąpień QQkk.\n\nMacierz zgodności CCbb jest (NN× NN) -wymiarową macierzą konstruowaną po zastosowaniu pojedynczego algorytmu taksonomicznego do podzbioru XX bb i na podstawie grupowania uzyskanego za pomocą tego algorytmu. Jej elementy definiuje się następująco:\n\nCCbb(ii, jj) = [UNREADABLE_GLYPH]1, gdy obiekty ii oraz jj należą do tej samej grupy,\n0 w przeciwnym przypadku. (1)\n\nZ kolei macierz współwystąpień QQkk – przy podziale na kk grup – jest (NN× NN)-wymiarową macierzą, której elementem na przecięciu ii-tego wiersza i jj-ej kolumny jest odsetek grupowań (wśród BB podzbiorów), w których ii-ty oraz jj˗y element należą do tej samej grupy. Elementy macierzy współwystąpień, oznaczane jako QQ (ii, jj), są nazywane indeksami współwystąpień (ang. consensus index). Stanowią znormalizowane sumy elementów macierzy zgodności po wszystkich podzbiorach XXbb(bb =\n= 1, 2, ... , BB):\n\nQQ(ii, jj) =\n∑ CCbb(ii, jj)bb\n∑ IIbb(ii, jj)bb\n, (2)\n\ngdzie IIbb jest (NN× NN)-wymiarową macierzą wskaźnikową, której element z ii-tego wiersza oraz jj-ej kolumny IIbb(ii, jj) przybiera wartość 1, gdy obiekty ii-ty oraz jj˗y znalazły się w podpróbie XXbb, lub 0 – w przeciwnym przypadku.\n\nKonieczność uwzględniania macierzy wskaźnikowej IIbb wynika z tego, że w schemacie tego podejścia zagregowanego losowane są podpróby X b, które nie zawierają wszystkich obserwacji z pierwotnego zbioru danych.\nKażdy element macierzy QQkk jest liczbą z przedziału [0, 1]. Doskonała zgodność pojawi się w momencie, gdy wszystkie elementy tej macierzy będą równe 0 lub 1. Ta własność macierzy współwystąpień zainspirowała Șenbabaoğlu i in. (2014) do zaproponowania miary stabilności w podejściu zagregowanym, tj. miary PAC, czyli proporcji niejednoznacznie grupowanych par obiektów.\n3. Miara stabilności PAC\nZnając macierz współwystąpień QQkk, można sporządzić histogram dla\nNN(NN−1)\n2 wartości indeksów współwystąpień QQ (ii, jj), dla ii < jj, zawartych w tej macierzy. Doskonałą zgodność wszystkich par obiektów wśród BB podziałów (wykr. 1) reprezentują dwa słupki odpowiadające wartościom 0 i 1. Słupki między 0 i 1, w środkowej części histogramu (wykr. 2), oznaczają wszelkie niezgodności w grupowaniu par obiektów.\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 5\n\nKolejnym krokiem w konstruowaniu miary PAC jest wyznaczenie odpowiedniej\nCDF w przedziale [0, 1]. Dla zadanego histogramu jest ona definiowana jako:\n\nCCCCCC(xx) =\n∑ II{QQ(ii, jj) ≤ xx}ii<jj\nNN(NN−1)\n, (3)\n\ngdzie II{. } jest funkcją wskaźnikową, a NN to liczba obserwacji w zbiorze danych.\n\nPo przeanalizowaniu wykresu funkcji dystrybuanty nasuwają się następujące uwagi dotyczące miary PAC:\n• lewa dolna część wykresu reprezentuje punkty z pierwotnego zbioru danych, które przy wielokrotnym grupowaniu nigdy nie znalazły się w tej samej grupie lub rzadko się w niej znajdowały;\n• prawa górna część reprezentuje obserwacje, które przy wielokrotnym grupowaniu zawsze albo często umieszczane są w tej samej grupie;\n• środkowa część wykresu reprezentuje obserwacje, których współwystępowanie w tej samej grupie różni się w zależności od wybranego podzbioru danych.\nNa podstawie wyżej wymienionych własności można zatem stwierdzić, że wykres funkcji dystrybuanty odzwierciedla optymalną wartość parametru kk, czyli liczby grup. Dla poprawnie dobranej wartości kk wykres dystrybuanty powinien być bowiem płaski w środkowej części. Na tej podstawie miara PAC ( Șenbabaoğlu i in., 2014) została zdefiniowana jako frakcja par obiektów, dla których indeks QQ(ii, jj) znajduje się w przedziale (xx1, xx2), który to przedział zawiera się między 0 a 1:\n\nPPPPCCkk(xx1, xx2) = CCCCCCkk(xx2) −CCCCCCkk(xx1). (4)\n\nWe wzorze (4) xx1 i xx2 to progi zależne od danych, które zazwyczaj są wybierane odpowiednio w pobliżu 0 i 1. W swoim badaniu Ș enbabaoğlu i in. (2014) przyjęli wartości równe odpowiednio xx1 = 0,1 i xx2 = 0,9. Takie same wartości zostały przyjęte dla xx1 i xx2 w omawianym badaniu.\nNiskie wartości miary PAC sugerują, że środkowa część wykresu dystrybuanty jest płaska. Optymalną wartość parametru kk dobieramy zatem jako:\n\nkkoooooo = arg min kk\nPPPPCCkk. (5)\n\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 7\n\nNa wykr. 3 zilustrowano koncepcję struktury miary PAC. Indeks współwystąpień, dany wzorem (2), oraz wartości xx1 i xx2 są dobierane przez badacza (standardowe ustawienia to xx1 = 0,1 i xx2 = 0,9).\n\nNa podstawie wykresów CDF dla różnych wartości parametru (kk = 2, 3, 4 i 5) można zauważyć, że najbardziej płaski kształt w swojej środkowej części przyjmuje dystrybuanta dla kk = 2. Stąd wniosek, że zbiór rozpatrywanych obiektów powinien zostać podzielony na dwie grupy.\n4. Taksonomiczna metoda propagacji podobieństwa\nFrey i Dueck (2007) opisują taksonomiczną metodę propagacji podobieństwa (ang.\naffinity propagation method) jako algorytm, który identyfikuje reprezentantów (ang.\nexem-plars) wśród obiektów w zbiorze danych i tworzy wokół nich grupy obiektów podobnych. Istota tej metody polega na jednoczesnym traktowaniu wszystkich obiektów w zbiorze jako potencjalnych reprezentantów. Wymiana informacji po-\n\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 9\n\nmiędzy obiektami trwa aż do momentu, gdy uda się znaleźć odpowiedni zbiór reprezentantów i odpowiadający mu podział obiektów. Celem tej metody jest maksymalizacja sumy podobieństw między obiektami i ich reprezentantami.\nMetoda propagacji podobieństwa składa się z siedmiu kroków (Frey i Dueck, 2007):\n1. Określenie macierzy podobieństw między obiektami przy zastosowaniu ujemnego kwadratu odległości euklidesowej:\n\nss(ii, jj) = −[UNREADABLE_GLYPH]xxii −xxjj[UNREADABLE_GLYPH]\n. (6)\n\n2. Ustalenie preferencji wejściowej (ang. preference):\n\nss(jj, jj) = pp. (7)\n\nktóra dla każdej obserwacji wskazuje tendencję do tego, by stała się ona reprezentantem (Bodenhofer i in., 2011).\nPreferencja wejściowa jest (oprócz macierzy podobieństwa – zob. część 4) najważniejszym parametrem wejściowym metody. Można ją wybrać indywidualnie dla każdej obserwacji, a także przyjąć taką samą wartość dla wszystkich obserwacji w zbiorze danych. Co ważne, preferencje wejściowe w dużej mierze determinują liczbę skupień.\nFrey i Dueck (2007, s. 972) wprowadzili następującą praktyczną zasadę: „Wspólną wartością może być mediana podobieństw w macierzy podobieństw (skutkująca umiarkowaną liczbą skupień) lub ich minimum (skutkujące małą liczbą skupień)”.\n3. Wymiana między obserwacjami dwóch rodzajów informacji:\n• odpowiedniość (ang. responsibility) rr(ii, jj) – przenoszona od obserwacji xx ii do potencjalnego reprezentanta xxjj; odzwierciedla, w jakim stopniu obserwacja otrzymująca informację powinna być reprezentantem dla obserwacji wysyłającej informację, biorąc pod uwagę informację płynącą z innych punktów będących potencjalnymi reprezentantami dla obserwacji xx ii;\n• osiągalność (ang. availability) aa(ii, jj) – przekazywana od potencjalnego reprezentanta xxjj do obserwacji xxii; odzwierciedla, w jakim stopniu obserwacja wysyłająca informację powinna być reprezentantem dla obserwacji otrzymującej informację, biorąc pod uwagę informację płynącą z innych obserwacji, dla których xx jj jest potencjalnym reprezentantem.\n4. Zainicjowanie algorytmu przy założeniu, że początkowe wartości osiągalności przyjmują wartość aa(ii, jj) = 0.\n5. Obliczanie wartości odpowiedniości i osiągalności z formuły:\n\nrr(ii, jj) ←ss(ii, jj) −max jj′≠jj\n{aa(ii, jj′) + ss(ii, jj′)}, (8)\n\ngdzie\n\naa(ii, jj) =\n⎩\n⎪\n⎨\n⎪\n⎧min [UNREADABLE_GLYPH]0, rr(jj, jj) + [UNREADABLE_GLYPH] max {0, rr(ii′, jj)} ii′∉{ii,jj}\n[UNREADABLE_GLYPH], gdy ii ≠ jj\n[UNREADABLE_GLYPH]max {0, rr(ii′, jj)} ii′≠jj\n, gdy ii = jj.\n(9)\n\n6. Zakończenie procedury przesyłania informacji:\n• po określonej liczbie iteracji;\n• jeśli zmiana w przesyłanej informacji będzie mniejsza niż z góry ustalona wartość;\n• gdy przez określoną liczbę iteracji nie zachodzą zmiany w przesyłanej informacji.\n7. Przydział obiektów do skupień cc[UNREADABLE_GLYPH] = (cĉ1, ... , cĉkk) według reguły:\n\ncĉkk = arg maxkk [aa(ii, jj) + rr(ii, jj)], (10)\n\ngdzie cĉkk jest reprezentantem skupienia, do którego przydzielona jest obserwacja xxii.\n\nW czasie implementacji rozpatrywanej metody w bibliotece apcluster w programie R domyślnie korzysta się z reguły mediany, jeśli użytkownik nie poda niestandardowej reguły doboru wartości preferencji wejściowych. W obliczeniach przeprowadzonych w omawianym badaniu przyjęto wartość domyślną dla pp.\n5. Taksonomia spektralna\nW taksonomii spektralnej stosuje się wartości własne pochodzące ze spektralnej dekompozycji macierzy podobieństwa opisującej badane obiekty. Następnie największe wartości własne i odpowiadające im wektory własne są wykorzystywane do ostatecznego podziału obserwacji. W literaturze zaproponowano kilka metod spektralnych, z których każda w nieco inny sposób stosuje wektory własne (Kannan i in., 2004;\nNg i in., 2001; Shi i Malik, 2000).\nW niniejszym badaniu zastosowana została metoda, którą zaproponowali Ng i in.\n(2001).\nDany jest zbiór obserwacji XX = {xx\n1, xx2, ... , xxNN}, który należy podzielić na kk grup.\nOdbywa się to w sześciu etapach:\n1. Konstrukcja macierzy podobieństwa (ang. affinity matrix ) AA ∈ RRNN × NN, której elementy zostały zdefiniowane jako:\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 11\n\nPPiijj = exp [UNREADABLE_GLYPH]−[UNREADABLE_GLYPH]xxii −xxjj[UNREADABLE_GLYPH]\n2σσ2 [UNREADABLE_GLYPH], (11)\n\ngdy i ≠ j oraz PPiiii = 0 a σσ to parametr skalujący dobierany przez badacza.\n\n2. Definiowanie DD jako macierzy diagonalnej, której element (ii, ii) jest sumą ii-tego wiersza macierzy AA, i konstrukcja macierzy:\n\nLL = DD−1/2AADD−1/2. (12)\n\n3. Znalezienie kk pierwszych wektorów własnych (zz\n1, zz2, ... , zzkk) macierzy LL i zestawienie ich w kolumnach. Konstrukcja macierzy:\n\nZZ = [zz1, zz2, ... , zzkk] ∈ RRNN×kk. (13)\n\n4. Konstrukcja macierzy YY poprzez normalizację każdego wiersza macierzy ZZ tak, aby miały jednakową długość, czyli:\n\nyyiijj = zziijj\n[UNREADABLE_GLYPH]∑ zziijj jj [UNREADABLE_GLYPH]\n. (14)\n\n5. Podział każdego wiersza macierzy YY, czyli punktu w przestrzeni R kk, na kk grup z zastosowaniem metody kk-średnich (lub innej).\n6. Przydzielenie każdej pierwotnej obserwacji xxii do kk-tej grupy tylko wtedy, gdy ii-ty wiersz macierzy YY został przydzielony do kk-tej grupy.\n6. Wyniki badania\nDo przeprowadzenia analizy empirycznej wykorzystano dane z bazy Eurostatu za\n2019 r. dotyczące realizacji trzech wybranych Celów Zrównoważonego Rozwoju w krajach UE:\n• celu 8: Wzrost gospodarczy i godna praca;\n• celu 9: Innowacyjność, przemysł, infrastruktura;\n• celu 12: Odpowiedzialna konsumpcja i produkcja1.\n\n1 Pobrano dane z bazy https://ec.europa.eu/eurostat/data/database, zgromadzone w zakładce Sustainable development indicators, odnoszące się do celów 8, 9 i 12.\n\nJako metody grupowania wykorzystane w budowaniu macierzy zgodności przyjęto analizę spektralną i propagację podobieństwa. Każdej metody użyto 100 razy, za każdym razem na innym podzbiorze danych obejmujący m 70% obserwacji z pierwotnego zbioru danych. Wszystkie obliczenia przeprowadzono w programie R z wykorzystaniem biblioteki dicer (Chiu i Talhouk, 2018).\nPorównano wartość parametru kk wskazywaną przez miarę stabilności PAC z wartościami wskazywanymi przez wybrane klasyczne indeksy, a mianowicie indeksy\nCalińskiego-Harabasza, Dunna i Daviesa-Bouldina. Liczba grup wahała się od 2 do 7.\nWyniki analiz dla poszczególnych Celów Zrównoważonego Rozwoju zestawiono w tabl. 1–3.\n\nTabl. 1. Wartości miary stabilności PAC i klasycznych indeksów dla kk = 2, ... , 7 dla danych dotyczących celu 8: Wzrost gospodarczy i godna praca kk\nTaksonomia spektralna Metoda propagacji podobieństwa\nPAC Caliński-\n-Harabasz Dunn Davies-\n-Bouldin PAC Caliński-\n-Harabasz Dunn Davies-\n-Bouldin\nUwaga. Pogrubieniem wyróżniono optymalne wartości parametru kk.\nŹródło: obliczenia własne na podstawie danych Eurostatu za 2019 r.\n\nNa podstawie wyników przedstawionych w tabl. 1 można stwierdzić, że w przypadku agregacji taksonomii spektralnej wartość parametru kk wskazana przez miarę stabilności PAC jest zgodna jedynie z wartością wskazaną przez indeks Calińskiego -\n-Harabasza. W przypadku agregacji metody propagacji podobieństwa między miarą stabilności PAC a pozostałymi indeksami nie ma żadnej zgodności co do wskazywanej wartości parametru kk. Przyglądając się wynikom uzyskanym dzięki zastosowaniu metody propagacji podobieństwa, można zauważyć, że każda miara wskazała inną optymalną wartość parametru kk.\nW badaniu liczby skupień krajów UE pod względem celu 8 zaskakuje ogromny rozrzut wartości parametru kk, czyli optymalnej liczby skupień , sugerowanych przez różne kryteria. Jedyną „niezaproponowaną” wartością parametru kk w przypadku omawianego celu jest 6. Może to świadczyć np. o głębokim zróżnicowaniu krajów członkowskich pod względem realizacji celu dotyczącego wzrostu gospodarczego i zapewnienia godnej pracy . Trzeba zaznaczyć, że najczęściej sugerowaną liczbą skupień jest 7, więc może warto byłoby rozpatrzyć jeszcze wyższe wartości parametru kk.\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 13\n\nTabl. 2. Wartości miary stabilności PAC i klasycznych indeksów dla kk = 2, ... , 7 dla danych dotyczących celu 9: Innowacyjność, przemysł, infrastruktura kk\nTaksonomia spektralna Metoda propagacji podobieństwa\nPAC Caliński-\n-Harabasz Dunn Davies-\n-Bouldin PAC Caliński-\n-Harabasz Dunn Davies-\n-Bouldin\nUwaga. Jak przy tabl. 1.\nŹródło: obliczenia własne na podstawie danych Eurostatu za 2019 r.\n\nPrzedstawione w tabl. 2 wyniki dotyczące celu 9: Innowacyjność, przemysł, infrastruktura wskazują, że miara stabilności PAC nie jest zgodna z żadnym klasycznym indeksem w kwestii wyboru optymalnej wartości parametru kk – i to zarówno w przypadku gdy pojedyncze grupowania tworzono z zastosowaniem analizy spektralnej, jak i metody propagacji podobieństwa. Jedyne zgodności, jakie można dostrzec, zachodzą między indeksem Calińskiego -Harabasza i indeksem Dunna, jednak wartości te były różne dla grupowania zagregowanego z wykorzystaniem taksonomii spektralnej (kk = 2) i metody propagacji podobieństwa (kk = 7).\nAnalizując wszystkie wyniki przedstawione w tabl. 2, należy zwrócić uwagę, że najczęściej wskazywane wartości parametru kk w przypadku celu 9 to 2 i 7, czyli krańcowe wartości założonego przedziału zmienności wartości parametru kk. Świadczy to albo o małym zróżnicowaniu krajów UE pod względem realizacji celu 9 ( dla kk = 2), albo wręcz przeciwnie – o dużych różnicach między nimi, jeśli chodzi o realizację omawianego celu (dla kk = 7).\n\nTabl. 3. Wartości miary stabilności PAC i klasycznych indeksów dla kk = 2, ... , 7 dla danych dotyczących celu 12: Odpowiedzialna konsumpcja i produkcja kk\nTaksonomia spektralna Metoda propagacji podobieństwa\nPAC Caliński-\n-Harabasz Dunn Davies-\n-Bouldin PAC Caliński-\n-Harabasz Dunn Davies-\n-Bouldin\nUwaga. Jak przy tabl. 1.\nŹródło: obliczenia własne na podstawie danych Eurostatu za 2019 r.\n\nNa podstawie danych przedstawionych w tabl. 3 można zaobserwować, że w przypadku przyjęcia taksonomii spektralnej jako metody bazowej miara stabilności PAC nie wykazuje zgodności co do optymalnej wartości parametru kk z żadnym z zastosowanych indeksów. Dla taksonomii zagregowanej, wykorzystującej metodę propagacji podobieństwa, miara stabilności PAC, podobnie jak indeks Daviesa- Bouldina, jako optymalną liczbę grup wykazuje kk = 7. Warto również odnotować zgodność indeksów Calińskiego-Harabasza i Dunna, które sugerują z kolei wartość kk = 6.\nAnalizując wszystkie wyniki przedstawione w tabl. 3, należy zwrócić uwagę, że dwie najczęściej wskazywane liczby skupień to 6 i 7, co może świadczyć o wyraźnym zróżnicowaniu krajów UE pod względem realizacji celu 12.\nNa podstawie badania przeprowadzonego dla taksonomii zagregowanej można stwierdzić, że wybór zarówno kryterium ustalania optymalnej liczby grup (miara stabilności PAC lub klasyczny indeks), jak i metody bazowej w tym podejściu (propagacja podobieństwa lub taksonomia spektralna) wpływa na to, jaka wartość parametru k zostanie wskazana.\nPodsumowując, można sformułować następujące wnioski:\n• cel 8 – proponowana wartość parametru kk charakteryzuje się największą zmiennością:\nobejmuje wartości 2–5 i 7; tak duża rozbieżność może świadczyć o głębokim zróżnicowaniu krajów członkowskich w zakresie realizacji tego celu;\n• cel 9 – proponowane są tylko skrajne wartości parametru kk (2 lub 7), co może świadczyć albo o niewielkim zróżnicowaniu krajów członkowskich pod względem realizacji tego celu (dla kk = 2), albo wręcz przeciwnie – o dużym zróżnicowaniu (dla kk = 7);\n• cel 12 – najczęściej wskazywanymi wartościami parametru kk są 7 i 8, co może świadczyć o wyraźnych różnicach w osiąganiu tego celu przez kraje członkowskie.\n7. Podsumowanie\nW artykule przedstawiono proporcję niejednoznacznie grupowanych par obiektów\nPAC jako miarę stabilności zaproponowaną przez Șenbabaoğlu i in. (2014). To kolejna koncepcja miary stabilności, która mimo że odnosi się do podejścia zagregowanego w taksonomii, to opiera się na przekonaniu, że wartość parametru kk wskazywana przez miarę stabilności powinna oznaczać rzeczywistą strukturę grup.\nWyniki badania przeprowadzonego na zbiorach danych za 2019 r. , opisujących trzy wybrane C ele Zrównoważonego Rozwoju w krajach UE , pozwalają przede wszystkim stwierdzić, że wskazywana przez klasyczne indeksy wartość parametru kk niemalże w każdym przypadku całkowicie rozmija się z wartościami wskaz ywanymi przez miarę stabilności PAC. Pierwszym wyjątkiem – dla celu 8 – jest taksonomia zagregowana bazująca na taksonomii spektralnej, gdzie zarówno miara stabilności\nPAC, jak i indeks Calińskiego -Harabasza jako optymalną wskazały taką samą liczbę\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 15\n\ngrup, a mianowicie 7. Drugim wyjątkiem – zaobserwowanym wtedy, gdy w taksonomii zagregowanej jako bazową wybierze się metodę propagacji podobieństwa – jest cel 12, w przypadku którego miara stabilności PAC i indeks Daviesa -Bouldina jako optymalną wskazały tę samą wartość parametru kk.\nZ przeprowadzonych badań wynika również, że klasyczne indeksy różnią się między sobą w zakresie wskazywania optymalnej liczby grup. Tego typu rozbieżności można zaobserwować w ramach tej samej metody wybranej jako bazowa do utworzenia macierzy zgodności, ale także porównując różne metody służące jako bazowe do utworzenia taksonomii zagregowanej.\nWarto podkreślić, że wyniki omówione w artykule są zbieżne z wynikami badań przedstawionymi we wcześniejszych pracach autorki (Rozmus, 2021, 2022), w których również wykazano, że stosowanie różnych miar stabilności i klasycznych indeksów w odniesieniu do taksonomii zagregowanej, jak również różnych metod bazowych do budowy taksonomii zagregowanej nie daje zbieżnych wyników w kontekś - cie wyboru wartości parametru kk. Uzyskane rezultaty pokazują dodatkowo, że nawet opracowanie specjalnej miary stabilności w odniesieniu do podejścia zagregowa - nego w taksonomii nie rozwiązuje problemu niejednoznacznego wskazywania liczby grup, na które należy podzielić zbiór obiektów.\nBibliografia\nBen-Hur, A., Guyon , I. (2003). Detecting stable clusters using principal component analysis.\nW: M. J. Brownstein, A. B. Kohodursky (red.), Functional Genomics: Methods and Protocols\n(s. 159–182). Humana press. https://doi.org/10.1385/1-59259-364-X:159.\nBodenhofer, U., Kothmeier, A., Hochreiter, S. (2011). APCluster: an R package for affinity pro - pagation clustering. Bioinformatics , 27(17), 2463– 2464. https://doi.org/10.1093/bioinformatics\n/btr406.\nBrock, G., Pihur, V., Datta, S., Datta, S. (2008). clValid: An R Package for Cluster Validation. Journal of Statistical Software, 25(4), 1–22. https://doi.org/10.18637/jss.v025.i04.\nChiu, D. S., Talhouk, A. (2018). diceR: an R package for class discovery using an ensemble driven approach. BMC Bioinformatics, 19(11), 1–4. https://doi.org/10.1186/s12859-017-1996-y.\nDudoit, S., Fridlyand, J. (2003). Bagging to improve the accuracy of a clustering procedure. Bioinformatics, 19(9), 1090–1099. https://doi.org/10.1093/bioinformatics/btg038.\nFang, Y., Wang, J. (2012). Selection of the number of clusters via the bootstrap method. Computational Statistics and Data Analysis, 56(3), 468–477. https://doi.org/10.1016/j.csda.2011.09.003.\nFred, A. L. N., Jain, A. K. (2002). Data clustering using evidence accumulation. W: 2002 International Conference on Pattern Recognition (s. 276–280). IEEE. https://doi.org/10.1109/ICPR\n.2002.1047450.\nFred, A. L. N., Jain, A. K. (2005). Combining multiple clusterings using evidence accumulation. IEEE\nTransactions on Pattern Analysis and Machine Intelligence, 27(6), 835–850. https://doi.org/10.1109\n/TPAMI.2005.113.\n\nFrey, B. J., Dueck, D. (2007). Clustering by Passing Messages Between Data Points . Science,\n315(5814), 972–976. https://doi.org/10.1126/science.1136800.\nHenning, C. (2007). Cluster-wise assessment of cluster stability. Computational Statistics and Data\nAnalysis, 52(1), 258–271. https://doi.org/10.1016/j.csda.2006.11.025.\nHornik, K. (2005). A CLUE for CLUster Ensembles. Journal of Statistical Software, 14(12), 1–25.\nhttps://doi.org/10.18637/jss.v014.i12.\nKannan, R., Vempala, S., Vetta, A. (2004). On clustering: Good, Bad and Spectral. Journal of the\nACM, 51(3), 497–515. https://doi.org/10.1145/990308.990313.\nKuncheva, L. I., Vetrov, D. P. (2006). Evaluation of Stability of k-Means Cluster Ensembles with\nRespect to Random Initialization. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(11), 1798–1808. https://doi.org/10.1109/TPAMI.2006.226.\nLeisch, F. (1999). Bagged Clustering (SFB Working Papers No. 51). https://doi.org/10.57938\n/9b129f95-b53b-44ce-a129-5b7a1168d832.\nLeone, M., Sumedha, Weigt, M. (2007). Clustering by soft -constraint affinity propagation: applications to gene- expression data. Bioinformatics , 23(20), 2708–2715. https://doi.org/10.1093\n/bioinformatics/btm414.\nLord, E., Willems, M., Lapointe, F. J., Makarenkov , V. (2017). Using the stability of objects to determine the number of clusters in datasets. Information Sciences , 393, 29–46. https://doi.org\n/10.1016/j.ins.2017.02.010.\nMarino, V., Presti, L. L. (2019). Stay in touch! New insights into end -user attitudes towards engagement platforms. Journal of Consumer Marketing , 36(6), 772–783. https://doi.org/10.1108\n/JCM-05-2018-2692.\nMeng, J., Hao, H., Luan, Y. (2016). Classifier ensemble selection based on affinity propagation clustering. Journal of Biomedical Informatics , 60, 234–242. https://doi.org/10.1016/j.jbi.2016.02\n.010.\nMonti, S., Tamayo, P., Mesirov, J., Golub, T. (2003). Consensus Clustering: A Resampling- Based\nMethod for Class Discovery and Visualization of Gene Expression Microarray Data. Machine\nLearning, 52(1–2), 91–118. https://doi.org/10.1023/A:1023949509487.\nNg, A. Y., Jordan, M. I., Weiss, Y. (2001). On Spectral Clustering: Analysis and an algorithm.\nW: T. G. Dietterich, S. Becker, Z. Ghahramani (red.), Advances in Neural Information Processing\nSystems 14. The MIT Press.\nRozmus, D. (2011). Porównanie stabilności zagregowanych algorytmów taksonomicznych opartych na macierzy współwystąpień. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu.\nResearch Papers of Wrocław University of Economics, (176), 212–220.\nRozmus, D. (2013). Porównanie dokładności taksonomicznej metody propagacji podobieństwa oraz zagregowanych algorytmów taksonomicznych opartych na idei metody bagging. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Research Papers of Wrocław University of\nEconomics, (279), 106–114.\nRozmus, D. (2021). The Number of Groups in an Aggregated Approach in Taxonomy with the Use of Stability Measures and Classical Indices – A Comparative Analysis . Acta Universitatis\nLodziensis. Folia Oeconomica, 6(357), 55–67. https://doi.org/10.18778/0208-6018.357.04.\nRozmus, D. (2022). Cluster Ensemble Stability in Clustering of EU Members in Terms of Sustainable Development Goals. W: K. Jajuga , G. Dehnel, M. Walesiak (red.), Modern Classification and\nData Analysis. Methodology and Applications to Micro - and Macroeconomic Problems (s. 289–\n301). Springer. https://doi.org/10.1007/978-3-031-10190-8_20.\nD. ROZMUS Miara stabilności w wyborze liczby grup w taksonomii zagregowanej z zastosowaniem... 17\n\nȘenbabaoğlu, Y., Michailidis, G., Li, J. Z. (2014). Critical limitations of consensus clustering in class discovery. Scientific Reports, 4, 1–13. https://doi.org/10.1038/srep06207.\nShamir, O., Tishby, N. (2008). Cluster stability for finite samples. W: J. C. Platt, D. Koller, Y. Sin - ger, S. T. Roweis (red.), Advances in Neural Information Processing Systems 20 (NIPS 2007) (s. 1297–\n1304). Curran Associates.\nShi, J., Malik, J. (2000). Normalized Cuts and Image Segmentation . IEEE Transactions on Pattern\nAnalysis and Machine Intelligence, 22(8), 888–905. https://doi.org/10.1109/34.868688.\nSuzuki, R., Shimodaira, H. (2006). Pvclust: an R package for assessing the uncertainty in hierarchical clustering. Bioinformatics, 22(12), 1540–1542. https://doi.org/10.1093/bioinformatics/btl117.\nVolkovich, Z., Barzily, Z., Toledano -Kitai, D., Avros, R. (2010). The Hotteling’s metric as a cluster stability measure. Computer Modelling and New Technologies , 14(4), 65–72. http://www.cmnt.lv\n/upload-files/ns_3914_4_cmnt2010.pdf.\nYu, Z., Li, L., Liu, J., Zhang, J., Han, G. (2015). Adaptive noise immune cluster ensemble using affinity propagation. IEEE Transactions on Knowledge and Data Engineering , 27(12), 3176–\n3189. https://doi.org/10.1109/TKDE.2015.2453162.", "token_count": 12050}
+{"added": "2026-09-10", "author": "Artur Mikulec; Marta Małecka; Aleksandra Baszczyńska", "created": "2022-05-02", "id": "wiadomosci_statystyczne_pl_2022_4_064-071", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Dyskusje. Recenzje. Informacje / Discussions. Reviews. Information\n\n© Artur Mikulec, Marta Małecka, Aleksandra Baszczyńska.\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nXXXIX Międzynarodowa Konferencja Naukowa\nMultivariate Statistical Analysis MSA 2021\nThe 39th International Scientific Conference\nMultivariate Statistical Analysis MSA 2021\n\nW dniach 8 –10 listopada 2021 r. na Wydziale Ekonomiczno -Socjologicznym Uniwersytetu Łódzkiego (UŁ) odbyła się XXXIX Międzynarodowa Konferencja Naukowa Multivariate Statistical Analysis MSA 2021 ( znana również pod polską nazwą\n„Wielowymiarowa Analiza Statystyczna WAS”). Głównym organizatorem wydarzenia była Katedra Metod Statystycznych UŁ, a współorganizatorami były: Instytut\nStatystyki i Demografii UŁ, Komitet Statystyki i Ekonometrii Polskiej Akademii\nNauk oraz łódzki oddział Polskiego Towarzystwa Statysty cznego. Patronat honorowy nad konferencją objęli: prof. dr hab. Elżbieta Żądzińska, rektor UŁ, oraz dr Dominik Rozkrut, prezes Głównego Urzędu Statystycznego.\nKonferencja została zorganizowana we współpracy merytorycznej z konferencją\nMASEP (Measurement and Assessment of Social and Economic Phenomena). Partnerem merytorycznym konferencji była także firma StatSoft Polska. Finansowego wsparcia udzieliły Ministerstwo Edukacji i Nauki oraz Narodowy Bank Polski\n1.\nKomitetowi Naukowemu przewodniczył prof. dr hab. Czesław Domański, a Komitetowi Organizacyjnemu – dr hab. Alina Jędrzejczak, prof. UŁ; obowiązki sekretarzy naukowych konferencji sprawowali: dr Marta Małecka, dr Artur Mikulec oraz dr hab. Aleksandra Baszczyńska.\nGłównym celem konferencji było stworzenie międzynarodowego forum dyskusji oraz wymiany myśli i poglądów na temat rozwoju statystyki jako nauki. Do jej celów szczegółowych należy zaliczyć: zapoznanie uczestników z najnowszymi osiągnięciami z zakresu wielowymiarowej analizy statysty cznej, upowszechnianie wiedzy dotyczącej analizy danych oraz zastosowania metod statystycznych w innych dyscyplinach naukowych, zwłaszcza w ekonomii i finansach, wymianę doświadczeń, a także stworzenie pomostu pomiędzy nauką (statystyką) a praktyką badawcz ą, czyli użytkownikami, w tym odbiorcami prywatnymi i administracją państwową.\n\n1 Ministerstwo Edukacji i Nauki udzieliło dofinansowania w ramach programu „Doskonała nauka”\n(DNK/SP/515427/2021). Działania edukacyjne związane z konferencją uzyskały wsparcie Narodowego\nBanku Polskiego w ramach projektu edukacyjnego „Nowe horyzonty myśli ekonomicznej” (NBP -DEW-\nWPE-AB-0662-0226-2021), wpisującego się w priorytetowe obszary edukacji ekonomicznej NBP.\n\nA. MIKULEC, M. MAŁECKA, A. BASZCZYŃSKA XXXIX Międzynarodowa Konferencja Naukowa... 65\n\nOtwarcie konferencji MSA 2021. Na podium (od lewej): Agnieszka Kurczewska, Ewa Kusideł,\nAlina Jędrzejczak, Joanna Adrianowska, Kamila Trzcińska i Marta Małecka\n\nKonferencja MSA 2021 odbywała się w formule hybrydowej. Wzięły w niej udział\n84 osoby (62 stacjonarnie i 22 online) z ośrodków akademickich w Gdańsku,\nKatowicach, Krakowie, Lublinie, Łodzi, Poznaniu, Radomiu, Szczecinie, Warsza wie i we Wrocławiu, przedstawiciele GUS, Urzędu Statystycznego w Łodzi, a także goście z Czech, Indii, Iranu i Włoch.\nKonferencję otworzyła Alina Jędrzejczak. W imieniu Elżbiety Żądzińskiej uczestników konferencji powitała dr hab. Agnieszka Kurczewska, prof. UŁ, prorektor ds.\nwspółpracy z otoczeniem. W dalszej kolejności głos zabrali dr hab. Ewa Kusideł, prof. UŁ, prodziekan ds. nauki, oraz Czesław Domański.\nW trakcie konferencji odbyło się 15 sesji plenarnych i równoległych, w tym 5 w języku angielskim. Wygłoszono 63 referaty: 41 stacjonarnie i 22 online; pełna lista wystąpień jest przedstawiona w zestawieniu. Warto nadmienić, że inauguracyjna sesja plenarna miała charakter historyczny i wspomnieniowy. Upamiętniono m.in.\nwybitnych statystyków, którzy odeszli w 2020 r.: Dominika Szynala, Daniela Kosiorowskiego i Ryszarda Walkowiaka.\n\nFot. A. Mikulec, UŁ\n\nZestawienie referatów wygłoszonych podczas XXXIX Międzynarodowej Konferencji Naukowej Multivariate Statistical Analysis MSA 2021\nAutor, afiliacja Tytuł\n\nPIERWSZY DZIEŃ KONFERENCJI\nSesja I plenarna przewodniczący Bronisław Ceranka, Uniwersytet Przyrodniczy w Poznaniu\nMirosław Krzyśko, Uniwersytet im. Adama Mickiewicza w Poznaniu Antoni Łomnicki (1881–1941) – probabilista i statystyk\nCzesław Domański, Uniwersytet Łódzki\nJózef Kleczyński (1841–1900) – prekursor szacowania liczby ludności pomi��dzy spisami\nKazimierz Władysław Kumaniecki (1880 –1941) – inicjator Polskiego Towarzystwa Statystycznego i pierwszego Rocznika Statystycznego – Statystyka Polska\nMariusz Bieniek, Uniwersytet Marii Curie-Skłodowskiej w Lublinie Dominik Szynal – twórca środowiska probabilistycznego w Lublinie\nJózef Pociecha, Uniwersytet Ekonomiczny w Krakowie Daniel Kosiorowski – wybitny krakowski statystyk\nMałgorzata Graczyk, Uniwersytet Przyrodniczy w Poznaniu Ryszard Walkowiak – statystyk i przyrodnik\nSesja II plenarna (wykłady przygotowane na zaproszenie) przewodniczący Czesław Domański, Uniwersytet Łódzki\nDominik Rozkrut, Główny Urząd Statystyczny Harnessing the power of earth observation for official statistics\nJanusz Wywiał, Uniwersytet Ekonomiczny w Katowicach O planach losowania prób zależnych od statystyk pozycyjnych zmiennej pomocniczej\nSesja IIIA przewodniczący Jerzy Korzeniewski, Uniwersytet Łódzki\nGrzegorz Kończak, Uniwersytet Ekonomiczny w Katowicach Wnioskowanie statystyczne w modelu Fishera-Pitmana\nPiotr Nowak, Uniwersytet Wrocławski\nMagdalena Skolimowska-Kulig, Uniwersytet Wrocławski\nFisherowska zgodność estymatorów współczynników regresji w wybranych modelach czasu trwania\nDorota Rozmus, Uniwersytet Ekonomiczny w Katowicach Wybór liczby grup w podejściu zagregowanym w taksonomii z wykorzystaniem miar stabilności oraz klasycznych indeksów – porównanie wyników\nKatarzyna Budny, Uniwersytet Ekonomiczny w Krakowie Wielowymiarowe nierówności probabilistyczne związane z odległością Mahalanobisa\nSesja IIIB przewodniczący Sławomir Śmiech, Uniwersytet Ekonomiczny w Krakowie\nAndrzej Sokołowski, Uniwersytet Ekonomiczny w Krakowie „Triple 2” rule for identification of intervention in macroeconomic time series\nJacek Białek, Uniwersytet Łódzki Moving from raw scanner data to price indices in the original PriceIndices package\nKarolina Tura-Gawron, Politechnika Gdańska Multifariousness of the subjective factor in probabilistic quantification of qualitative survey -based inflation perceptions and expectations. The case of Poland\nAdam Juszczak, Uniwersytet Łódzki The use of web-scraped data to analyze the dynamics of clothing and footwear prices\n\nZestawienie referatów wygłoszonych podczas XXXIX Międzynarodowej Konferencji Naukowej Multivariate Statistical Analysis MSA (cd.)\nAutor, afiliacja Tytuł\n\nPIERWSZY DZIEŃ KONFERENCJI (dok.)\nSesja IVA przewodniczący Andrzej Sokołowski, Uniwersytet Ekonomiczny w Krakowie\nKarolina Bolesta, Szkoła Główna Handlowa w Warszawie Principal component analysis of the older workers registered in the public employment offices in\nPoland\nAlka Sabharwal, University of Delhi\nBabita Goyal, University of Delhi\nRita Jain, University of Delhi\nTruncated binomial model to estimate the effect of interactive workshop on cognitive abilities of elderly people staying in old age homes in Delhi, India\n\nAlka Sabharwal, University of Delhi\nSakshi Kaushik, University of Delhi\nGurprit Grover, University of Delhi\nPrediction of inter episodic time for reoccuring mental illness using order statistics\nSławomir Śmiech, Uniwersytet Ekonomiczny w Krakowie Do sentiment and uncertainty change birth dynamics in Poland\nAgata Szymańska, Uniwersytet Łódzki Differentiation of Polish voivodships from the point of view of selected socio-economic aspects related to the situation of the elderly\nSesja IVB przewodnicząca Małgorzata Graczyk, Uniwersytet Przyrodniczy w Poznaniu\nGrażyna Trzpiot, Uniwersytet Ekonomiczny w Katowicach Demografia miast w pandemii COVID-19\nEwa Kusideł, Uniwersytet Łódzki Błędy prognoz rynku pracy wobec zmian klasyfikacji i pandemii\nKrzysztof Dmytrów, Uniwersytet Szczeciński\nBeata Bieszk-Stolorz, Uniwersytet Szczeciński\nPodobieństwo dynamiki wybranych wskaźników rynku pracy w państwach europejskich przed i w trakcie pandemii COVID-19 – metoda Dynamic Time Warping\nStanisław Jaworski, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie\nZofia Zielińska -Kolasińska, Uniwersytet Przyrodniczo -Humanistyczny w Siedlcach\nDocelowy wskaźnik zatrudnienia w grupach wiekowych i płciowych\nArtur Gajdos, Uniwersytet Łódzki Wykorzystanie danych z BAEL w analizach przekrojowych rynku pracy\nDRUGI DZIEŃ KONFERENCJI\nSesja IA przewodniczący Jacek Białek, Uniwersytet Łódzki\nBarbara Kowalczyk, Szkoła Główna Handlowa w Warszawie Analysis of the properties of a new proposed non-randomized response technique\nAshok Kumar, University of Dehli\nGopa Karmakar, University of Dehli\nAggregation of opinions using fuzzy numbers\nA. MIKULEC, M. MAŁECKA, A. BASZCZYŃSKA XXXIX Międzynarodowa Konferencja Naukowa... 67\n\nZestawienie referatów wygłoszonych podczas XXXIX Międzynarodowej Konferencji Naukowej Multivariate Statistical Analysis MSA (cd.)\nAutor, afiliacja Tytuł\n\nDRUGI DZIEŃ KONFERENCJI (cd.)\nSesja IA (dok.)\nAnna Tatarczak, Uniwersytet Marii Curie -Skłodowskiej w Lublinie\nSupply chain risk management: horizontal cooperation and resilience in logistics\nMorteza Nazifi, University of Bojnord\nHamid Fadishei, University of Bojnord\nSupsim: a novel computerized algorithm simulating two-predictor suppression and non-suppression situations\nSecond Bwanakare, Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie\nMarek Cierpiał-Wolan, Uniwersytet Rzeszowski\nEnergy consumption forecast for official statistics: a cross-entropy econometrics approach\n\nSesja IB przewodnicząca Maria Grzelak, Uniwersytet Łódzki\nWielisława Warzywoda-Kruszyńska, Uniwersytet Łódzki\nKamil Kruszyński, Uniwersytet Łódzki\nSpołeczne koszty „udanej” transformacji Łodzi\nAgnieszka Stanimir, Uniwersytet Ekonomiczny we Wrocławiu Jakość powietrza – postrzeganie zagrożeń przez pokolenia\nAndrzej Marcinkowski, Politechnika Łódzka Ilościowe ujęcie wpływu działalności gospodarczej na środowisko\nMarta Znajmiecka, Uniwersytet Łódzki, Stowarzyszenie Rozwoju Kadr\nMarta Stasiła-Sieradzka, Uniwersytet Śląski\nKorzyści wynikające z łączenia badań ilościowych i jakościowych w pomiarze kultury bezpieczeństwa organizacji – studium przypadku\nŁukasz Ziarko, Uniwersytet Łódzki Metody statystyczne jako narzędzie identyfikacji ex-ante zmów przetargowych\nSesja IIA przewodniczący Sławomir Bukowski, Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu\nMałgorzata Just, Uniwersytet Przyrodniczy w Poznaniu\nAleksandra Łuczak, Uniwersytet Przyrodniczy w Poznaniu\nObserwacje nietypowe w analizie wielowymiarowej – metodyczne aspekty badań sytuacji społeczno-\n-ekonomicznej jednostek terytorialnych\nEwa Okoń-Horodyńska, Uniwersytet Jagielloński w Krakowie Kultura innowacji jako kluczowy czynnik transformacji przemysłowej\nMichał Bernard Pietrzak, Politechnika Gdańska\nMarta Kuc-Czarnecka, Politechnika Gdańska\nAnaliza wrażliwości dla miernika syntetycznego na przykładzie Global Competitiveness Index\nAnna Tatarczak, Uniwersytet Marii Curie-Skłodowskiej w Lublinie\nMichał Wawryszczuk, Uniwersytet Marii Curie -Skłodowskiej w Lublinie\nAnaliza porównawcza atrakcyjności inwestycyjnej województw w Polsce\n\nA. MIKULEC, M. MAŁECKA, A. BASZCZYŃSKA XXXIX Międzynarodowa Konferencja Naukowa... 69\n\nZestawienie referatów wygłoszonych podczas XXXIX Międzynarodowej Konferencji Naukowej Multivariate Statistical Analysis MSA (cd.)\nAutor, afiliacja Tytuł\n\nDRUGI DZIEŃ KONFERENCJI (cd.)\nSesja IIB przewodniczący Wojciech Zieliński, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie\nStanislav Anatolyev, CERGE-EI\nMikkel Soelvsten, University of Wisconsin-Madison\nTesting many restrictions under heteroskedasticity\nStefano Bonnini, University of Ferrara\nGetnet Melak Assegie, University of Parma\nAdvances on permutation multivariate analysis of variance for Big Data\nStanislav Anatolyev, CERGE-EI\nVladimir Pyrlik, CERGE-EI\nShrinkage for Gaussian and t-copulas in ultra-high dimensions\nMarta Małecka, Uniwersytet Łódzki Robust bootstrap procedure for testing VaR\nSesja IIIA przewodnicząca Beata Bieszk-Stolorz, Uniwersytet Szczeciński\nAlicja Jajko-Siwek, Uniwersytet Ekonomiczny w Poznaniu Sieci adekwatnych świadczeń emerytalnych w Europie\nMarzanna Lament, Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu\nSławomir Bukowski, Uniwersytet Technologiczno -Humanistyczny im. Kazimierza Pułaskiego w Radomiu\nRaportowanie niefinansowe jako determinanta efektywności finansowej zakładów ubezpieczeń\nGrażyna Trzpiot, Uniwersytet Ekonomiczny w Katowicach\nMagdalena Kawecka, Uniwersytet Ekonomiczny w Katowicach\nOcena sytuacji na rynku pracy młodych ludzi w krajach Unii Europejskiej – podejście regresji wielorakiej\nPaweł Ulman, Uniwersytet Ekonomiczny w Krakowie Dochody polskich gospodarstw domowych z osobami niepełnosprawnymi\nAleksandra Łuczak, Uniwersytet Przyrodniczy w Poznaniu\nSławomir Kalinowski, Instytut Rozwoju Wsi i Rolnictwa PAN\nOd słów do liczb – kwantyfikacja ubóstwa subiektywnego\n\nSesja IIIB przewodniczący Mirosław Krzyśko, Uniwersytet im. Adama Mickiewicza w Poznaniu\nIwona Markowicz, Uniwersytet Szczeciński\nPaweł Baran, Uniwersytet Szczeciński\nTrwanie przedsiębiorstw polskich na rynku wewnątrzwspólnotowym\nAneta Ptak-Chmielewska, Szkoła Główna Handlowa w Warszawie\nKarolina Baszniak, ING Tech Poland\nJarosław Kurpanik, Uniwersytet Ekonomiczny w Katowicach\nAnaliza społecznych i gospodar czych skutków pandemii COVID-19 z wykorzystaniem metod uczenia maszynowego\nMałgorzata Graczyk, Uniwersytet Przyrodniczy w Poznaniu\nBronisław Ceranka, Uniwersytet Przyrodniczy w Poznaniu\nUwagi o optymalnych układach wagowych\n\nA. MIKULEC, M. MAŁECKA, A. BASZCZYŃSKA XXXIX Międzynarodowa Konferencja Naukowa... 69\n\nZestawienie referatów wygłoszonych podczas XXXIX Międzynarodowej Konferencji Naukowej Multivariate Statistical Analysis MSA (dok.)\nAutor, afiliacja Tytuł\n\nDRUGI DZIEŃ KONFERENCJI (dok.)\nSesja IIIB (dok.)\nArtur Mikulec, Urząd Statystyczny w Łodzi\nAneta Staszek, Urząd Statystyczny w Łodzi , Ośrodek Małych i Średnich Przedsiębiorstw\nStatystyka mikroprzedsiębiorstw – organizacja rocznego badania przedsiębiorstw i jego wyniki w latach 2009–2021\n\nTRZECI DZIEŃ KONFERENCJI\nSesja IA przewodnicząca Grażyna Trzpiot, Uniwersytet Ekonomiczny w Katowicach\nStanisław Wanat, Uniwersytet Ekonomiczny w Krakowie\nAnna Denkowska, Uniwersytet Ekonomiczny w Krakowie\nZastosowanie algorytmu Dynamic Time Warping w modelowaniu ryzyka systemowego w europejskim sektorze ubezpieczeń\nJoanna Landmesser, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie\nZależność między pandemią COVID-19 a kursami walut – badanie za pomocą metody Dynamic Time\nWarping (DTW)\nPaweł Rokita, Uniwersytet Ekonomiczny we Wrocławiu\nRadosław Pietrzyk, Uniwersytet Ekonomiczny we Wrocławiu\nWłaściwości statystyczne kursów i ich dynamika na rozwijającym się rynku wybranych kryptowalut\nBłażej Kochański, Politechnika Gdańska Ile można zarobić na statystyce? Opłacalność bankowych modeli scoringowych\nSesja IB przewodniczący Stanisław Maciej Kot, Politechnika Gdańska\nStanisław Jaworski, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie\nWojciech Zieliński, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie\nNajkrótszy przedział ufności dla kombinacji liniowej dwóch prawdopodobieństw sukcesu\nCzesław Domański, Uniwersytet Łódzki\nRobert Kubacki\nModel regresyjny popytu na wodę w zależności od czynników atmosferycznych dla miasta Łodzi\nAdam Idczak, Uniwersytet Łódzki\nJerzy Korzeniewski, Uniwersytet Łódzki\nKlasyfikacja polskojęzycznych dokumentów tekstowych pod względem sentymentu\nPiotr Sulewski, Akademia Pomorska w Słupsku Logarytmiczny test niezależności dla tablic trójdzielczych małych rozmiarów\nSesja II plenarna przewodnicząca Alina Jędrzejczak, Uniwersytet Łódzki\nStanisław Maciej Kot, Politechnika Gdańska The appearance of the Rawlsian paradox when neglecting income dependence of the random equivalence scales\nFrancesca Greselin, University of Milan Graphical and computational tools to guide parameter choice for robust clusterwise regression\n\nA. MIKULEC, M. MAŁECKA, A. BASZCZYŃSKA XXXIX Międzynarodowa Konferencja Naukowa... 71\n\nPodsumowania obrad oraz zamknięcia konferencji dokonał Czesław Domański, który podziękował uczestnikom za przybycie oraz czynne uczestnictwo w konferencji. Słowa podziękowania skierował również do wszystkich partnerów konferencji i instytucji współpracujących przy organizacji wydarzenia. Na koniec poinformował, że kolejna konferencja MSA odbędzie się w dniach 7–9 listopada 2022 r. w Łodzi.\n\nArtur Mikulec\nUniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Instytut Statystyki i Demografii,\nPolska / University of Lodz, Faculty of Economics and Sociology, Institute of Statistics and Demography, Poland. ORCID: https://orcid.org/0000-0001-8249-2296\n\nMarta Małecka\nUniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Instytut Statystyki i Demografii,\nPolska / University of Lodz, Faculty of Economics and Sociology, Institute of Statistics and Demography, Poland. ORCID: https://orcid.org/0000-0003-4465-9811\n\nAleksandra Baszczyńska\nUniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Instytut Statystyki i Demografii,\nPolska / University of Lodz, Faculty of Economics and Sociology, Institute of Statistics and Demography, Poland. ORCID: https://orcid.org/0000-0002-4477-2438", "token_count": 6313}
+{"added": "2026-09-10", "author": "Justyna Gustyn", "created": "2022-05-02", "id": "wiadomosci_statystyczne_pl_2022_4_072-074", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Dyskusje. Recenzje. Informacje / Discussions. Reviews. Information\n\n© Główny Urząd Statystyczny. Artykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nWYDAWNICTWA GUS. MARZEC 2022\nPUBLICATIONS OF STATISTICS POLAND. MARCH 2022\n\nW ofercie wydawniczej Głównego Urzędu Statystycznego z ubiegłego miesiąca warto zwrócić uwagę na następujące publikacje:\nAmong Statistics Poland’s last month’s publications, we would like to recommend:\nTytuł: Obszary wiejskie w Polsce w 2020 r.\nTitle: Rural areas in Poland 2020\nJęzyk: polski (przedmowa, spis treści i synteza dodatkowo w języku angielskim)\nLanguage: Polish (preface, contents, and executive summary additionally in English)\nDodatkowe informacje: opracowanie dostępne w wersji elektronicznej\nAdditional information: publication available in the electronic form\n\nW najnowszym wydaniu ukazującej się co dwa lata publikacji scharakteryzowano aktualną sytuację i przemiany, jakie nastąpiły na obszarach wiejskich na poziomie krajowym oraz regionalnym w dziesięcioleciu 2010 –2020. Informacje statystyczne zawarte w tym opracowaniu stanowią podstawę programowani a rozwoju obszarów wiejskich w zmieniającym się otoczeniu oraz monitorowania tych zmian.\nObszary wiejskie pokazano przez pryzmat potencjału demograficznego, sytuacji ekonomicznej ludności, infrastruktury technicznej i społecznej, działalności pozarolniczej i rolnictwa oraz środowiska naturalnego i źródeł finansowania. Dynamikę zmian przedstawiono również w odniesieniu do sytuacji w miastach. Tegoroczne wydanie wzbogacono o informacje dotyczące aktywności ekonomicznej ludności, bezrobocia rejestrowanego, emerytur i rent rolników indywidualnych oraz gruntów rolnych i leśnych wyłączonych z produkcji, a także wstępne wyniki Powszechnego\nSpisu Rolnego 2020. Część publikacji, zawierająca dane na poziomie kraju i regionów według podziału TERYT, klasyfikacji NUTS or az typologii terytorialnych\nEurostatu i OECD, dostępna jest wyłącznie w formie tablic MS Excel.\n\nJ. GUSTYN Wydawnictwa GUS. Marzec 2022 73\n\nTytuł: Informator o badaniach i opracowaniach dotyczących obszarów transgranicznych\nTitle: Guide to surveys and studies on cross-border areas\nJęzyk: polski, angielski, rosyjski\nLanguage: Polish, English, Russian\nDodatkowe informacje: opracowanie dostępne w wersji drukowanej i elektronicznej\nAdditional information: publication available in the paper and electronic form\n\nCzwarta edycja informatora – ukazującego się co dwa lata – dostarcza ogólnej wiedzy o badaniach obszarów przygranicznych. W najnowszym wydaniu scharakteryzowano systematyczny rozwój badań nad tymi obszarami, uwzględniając zmieniające się uwarunkowania i zapotrzebowanie na informacje o tych terenach , a także zamieszczono podstawowe dane o metodologii badania.\nPonadto dokonano przeglądu analiz, folderów i opracowań statystycznych , które dotyczą obszarów transgranicznych oraz wskazano, gdzie dostępne są infor macje z tego zakresu.\n\nW marcu br. ukazały się ponadto:\n• „Biuletyn statystyczny” nr 2/2022;\n• Ceny robót budowlano-montażowych i obiektów budowlanych (styczeń 2022 r.);\n• Grupy przedsiębiorstw w Polsce w 2020 r.;\n• Jak korzystamy z Internetu? 2021 [folder];\n• Koniunktura w przetwórstwie przemysłowym, budownictwie, handlu i usługach\n2000–2022 (marzec 2022);\n• Nauka i technika w 2020 r.;\n• Produkcja ważniejszych wyrobów przemysłowych w lutym 2022 r.;\n• „Przegląd Statystyczny. Statistical Review” nr 4/2021;\n• Rachunek podaży i wykorzystania wyrobów i usług w 2018 r.;\n• Rocznik Statystyczny Rolnictwa 2021;\n• Rozwój regionalny Polski ‒ raport analityczny 2021;\n• Różnice w wynagrodzeniach kobiet i mężczyzn w Polsce w 2020 r.;\n• „Statistics in Transition new series” nr 1/2022;\n• Sytuacja społeczno-gospodarcza kraju w lutym 2022 r.;\n• Zmiany strukturalne grup podmiotów gospodarki n arodowej w rejestrze REGON,\n2021 r.\n\nWszystkie publikacje GUS w formie elektronicznej są dostępne na stronie stat.gov.pl/publikacje/publikacje-a-z.\nElectronic forms of all the publications by Statistics Poland are available at stat.gov.pl/en/publications.\n\nJustyna Gustyn\nGłówny Urząd Statystyczny, Departament Opracowań Statystycznych\nStatistics Poland, Statistical Products Department", "token_count": 1426}
+{"added": "2026-09-10", "author": "Dominik Krężołek", "created": "2023-10-31", "id": "wiadomosci_statystyczne_pl_2023_10_001-023", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Statystyka w praktyce / Statistics in practice\nZgłoszony/submitted: 20.09.2022, poprawiony/revised: 5.07.2023, zaakceptowany/accepted: 26.08.2023\nZastosowanie jednowskaźnikowego semiparametrycznego modelu ekonometrycznego w analizie ryzyka inwestycyjnego1\n\nDominik Krężołeka\n\nStreszczenie. Jednym z zadań ekonometrii stosowanej i statystyki jest estymacja funkcji średniej warunkowej w założonym modelu. Dostępne metody estymacji takiej funkcji i wyniki oszacowania zależą głównie od przyjętych a priori założeń dotyczących populacji lub procesu, który generuje dane. Celem badania omówionego w artykule jest ocena możliwości zastosowania jednowskaźnikowego semiparametrycznego modelu ekonometrycznego do pomiaru ryzyka inwestycyjnego na Giełdzie Papierów Wartościowych w Warszawie (GPW). Taki model charakteryzuje się tym, że niektóre jego założenia są mniej restrykcyjne niż założenia modeli parametrycznych dla funkcji średniej warunkowej (takich jak model liniowy i binarny model probitowy), a jednocześnie zachowuje wiele pożądanych cech modelu liniowego i metody najmniejszych kwadratów.\nW przeprowadzonym badaniu semiparametryczny model jednowskaźnikowy został wykorzystany do pomiaru ryzyka dla 10 wybranych spółek sektora informatycznego notowanych na GPW od 2018 r. do\n2021 r. Dane pobrano z serwisu finansowego Bloomberg. Jako czynniki ryzyka przyjęto stopy zwrotu dwóch indeksów giełdowych: WIG20 (Polska) i S&P 500 (Stany Zjednoczone). Uzyskane wyniki wskazują, że polski rynek znacznie silniej niż amerykański determinuje zmienność stóp zwrotu badanych spółek. Z badania wynika również, że modele semiparametryczne są bardziej elastyczne niż modele parametryczne w odniesieniu do założeń teoretycznych, co w warunkach napływu ogromnej ilości informacji może ułatwiać podejmowanie właściwych decyzji inwestycyjnych.\nSłowa kluczowe: semiparametryczny model jednowskaźnikowy, analiza ryzyka, Giełda Papierów Wartościowych w Warszawie, GPW\nJEL: C14, C50, C58\n\nApplication of single-index semiparametric econometric model in investment risk analysis\n\nAbstract. One of the tasks of applied econometrics and statistics is the estimation of the conditional mean function of the assumed model. The available methods for estimating such a function and the estimation results depend mostly on the a priori assumptions about the\n\n1 Artykuł został opracowany na podstawie referatu wygłoszonego na XV Międzynarodowej Konferencji\nNaukowej im. Profesora Aleksandra Zeliasia „Modelowanie i prognozowanie zjawisk społeczno -gospodarczych”, która odbyła się w dniach 9 –12 maja 2022 r. w Zakopanem . / The article is based on a paper delivered at the 15th Professor Alexander Zelias International Conference on ‘Modeling and Forecasting of Socio-economic Phenomena’, held on 9–12 May 2022 in Zakopane.\na Uniwersytet Ekonomiczny w Katowicach, Wydział Informatyki i Komunikacji, Polska / University of Economics in Katowice, Faculty of Informatics and Communication, Poland.\nORCID: https://orcid.org/0000-0002-4333-9405. E-mail: [REDACTED:EMAIL].\n\n© Dominik Krężołek\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\npopulation or process that generates the data. The aim of the research presented in this paper is to apply single -index semiparametric econometric model to measure investment risk on the\nWarsaw Stock Exchange (WSE). Such a model is characterised by some assumptions less restrictive than in the case of other parametric models for the conditional mean function, such as a linear model or a binary probit model. At the same time, a single-index model retains many of the desirable features of a linear model and a least squares method.\nThe presented model was used to measure investment risk for 10 IT companies quoted on the WSE in the period from 2018 to 2021. The data came from the Bloomberg financial service.\nRates of return of two stock market indices, WIG20 (Poland) and S&P 500 (USA), were adopted as risk factors. The results indicate that the Polish market determines the volatility of returns of the analysed companies to a much larger extent than is the case with the US market.\nFurthermore, semiparametric models proved more flexible than the parametric ones regarding theoretical assumptions, which in the event of a large inflow of information might facilitate making correct investment decisions.\nKeywords: semiparametric single-index model, risk analysis, Warsaw Stock Exchange\n1. Wprowadzenie\nMetody nieparametryczne to techniki statystyczne i ekonometryczne, które nie wymagają od badacza określenia postaci funkcji dla szacowanych modeli. Dane prezentowane w formie nieparametrycznej informują o kształtowaniu się jakiegoś zjawiska.\nNajprostszą taką formą jest histogram empiryczny (w metodach parametrycznych dopasowuje się do niego odpowiednią funkcję gęstości). W przypadku modeli regresji podejście nieparametryczne jest znane jako regresja nieparametryczna lub wygładzanie nieparametryczne. Wśród metod nieparametrycznych szczególną rolę odgrywa estymacja jądrowa, która pozwala empirycznie oszacować funkcję gęstości lub dystrybuantę analizowanej zmiennej losowej.\nMetody nieparametryczne są coraz szerzej wykorzystywane w analizie danych użytkowych. Najlepiej sprawdzają się w pracy z dużymi zbiorami danych, co pierwotnie spotykało się z krytyką, głównie ze względu na złożoność obliczeniową, niedokładność obliczeń czy brak statystycznej istotności wyników (Wasserman, 2006).\nZ tych powodów z metod nieparametrycznych często korzysta się, gdy powszechnie stosowane specyfikacje parametryczne okazują się nieodpowiednie w przypadku badanego problemu. Dzieje się tak zwłaszcza wtedy, gdy formalne odrzucenie modelu parametrycznego na podstawie testów specyfikacji nie daje żadnych wskazówek co do kierunku poszukiwań ulepszonego modelu parametrycznego. Popularność metod nieparametrycznych wynika z tego, że nie wymagają spełnienia niektórych sztywnych założeń nałożonych na proces generowania danych, co jest konieczne w przypadku modeli parametrycznych. Innymi słowy, metody nieparametryczne pozwalają, aby to dane same określiły odpowiedni model.\nW ciągu ostatnich kilkudziesięciu lat metody nieparametryczne, jak również semiparametryczne stały się przedmiotem dużego zainteresowania statystyków.\nModel semiparametryczny stanowi połączenie model i parametrycznego i niepara-\n\nmetrycznego – jedna jego część jest określona przez znane parametry (jak w modelach parametrycznych), a druga – elastyczna i nieokreślona przez stałą liczbę parametrów (jak w modelach nieparametrycznych).\nW latach 50. XX w. opublikowano pierwszą pracę na temat estymacji jądrowej\n(Rosenblatt, 1956). Rozwiązanie to zaproponowano w raporcie technicznym Sił\nPowietrznych Stanów Zjednoczonych jako sposób na uwolnienie analizy dyskryminacyjnej od sztywnych specyfikacji parametrycznych (Fix i Hodges , 1951). Na przestrzeni lat nastąpił gwałtowny rozwój omawianej dziedziny, zarówno w wymiarze teoretycznym, jak i praktycznym.\nCelem badania omawianego w artykule jest ocena możliwości zastosowania jednowskaźnikowego semiparametrycznego modelu ekonometrycznego do pomiaru ryzyka inwestycyjnego na Giełdzie Papierów Wartościowych w Warszawie (GPW).\nAnalizę przeprowadzono dla wybranych spółek sektora informatycznego notowanych na GWP w latach 2018– 2021. Spółki te są składowymi indeksu WIG -\n-informatyka, a jako czynniki ryzyka przyjęto stopy zwrotu dwóch indeksów giełdowych: polskiego WIG20 i amerykańskiego S&P 500. Badanie przeprowadzono na podstawie dziennych logarytmicznych stóp zwrotu analizowanych walorów. Postawiono hipotezę, że semiparametryczny model jednowskaźnikowy umożliwia szacowanie ryzyka determinowanego zmiennością rynku przy relatywnie niskich wartościach średniego błędu absolutnego (ang. mean absolute error – MAE). Ponadto przyjęto, że spółki sektora informatycznego w Polsce w większym stopniu zależą od zmienności obserwowanej na giełdzie polskiej niż amerykańskiej.\n2. Semiparametryczny model jednowskaźnikowy\nMetody semiparametryczne to jedne z najpopularniejszych metod bazujących na estymacji elastycznej, odnoszącej się do wyznaczenia funkcji, która – inaczej niż w tradycyjnych modelach parametrycznych – nie jest ściśle określona przez stałą liczbę parametrów. Funkcja jest elastyczna i można ją dostosowywać do skomplikowanych wzorców w zbiorze danych bez konieczności określania a priori jej formy.\nDzięki temu w modelu można uwzględnić nieliniowe zależności w zbiorze danych, co mogłoby się okazać trudne w przypadku zastosowania typowych modeli parametrycznych (Silverman, 1986). Modele semiparametryczne, powstałe dzięki połączeniu modeli parametrycznych i nieparametrycznych, są przydatne w sytuacjach, w których narzędzia w pełni nieparametryczne nie dają właściwych oszacowań. Do takiej sytuacji dochodzi, gdy nadwymiarowość analizowanego zbioru danych prowadzi do bardzo zróżnicowanych oszacowań lub gdy nie jest znana postać funkcyjna określonej zależności w odniesieniu do podzbioru regresorów lub rozkładu składnika losowego. Wspomniana nadmiarowość dotyczy zbiorów danych charakteryzujących się dużą liczbą cech i zmiennych. Może się też zdarzyć, że niektóre regresory\n\nwystępują jako funkcja liniowa względem zmiennych, ale postać funkcyjna parametrów w odniesieniu do innych zmiennych nie jest znana, lub że funkcja regresji jest nieparametryczna, ale struktura składnika losowego ma postać parametryczną\n(Li i Racine, 2007).\nModele semiparametryczne są postrzegane jako rodzaj kompromisowego rozwiązania między specyfikacjami w pełni nieparametrycznymi i w pełni parametrycznymi. Opierają się na założeniach parametrycznych i dlatego mogą być błędnie określane, tak jak ich parametryczne odpowiedniki. Znanych jest wiele metod semiparametrycznych. W dalszej części artykułu ograniczono się do opisu modelu typu regresyjnego, a dokładnej – modelu jednowskaźnikowego.\nDokonując analizy dużych zbiorów danych, badacze niejednokrotnie spotykają się ze zjawiskiem nadwymiarowości w zbiorze danych. Jednym ze sposobów jej redukcji jest zastosowanie modelu jednowskaźnikowego. W modelu tego typu występuje jednowymiarowy wskaźnik (skalar), który stanowi element nieznanej funkcji nieparametrycznej. Modele jednowskaźnikowe zawdzięczają swoją popularność temu, że działają podobnie jak wiele znanych modeli parametrycznych, np. regresja Poissona, modele logitowe, probitowe i tobitowe (Härdle i Stoker, 1989).\nModel jednowskaźnikowy to jeden z najpopularniejszych modeli semiparametrycznych stosowanych w naukach ilościowych. Estymacja wektora ββ współczynników modelu była analizowana przez wielu badaczy, którzy rozważali kwestię efektywności. Wśród wykorzystywanych do tego celu technik należy wymienić metody:\nśredniej pochodnej (Powell i in., 1989; Stoker, 1986), odwróconej regresji krokowej\n(Duan i Li, 1991; Li, 1991), najmniejszych kwadratów (Härdle i in., 1993; Li i in.,\n2014; Yang i Song, 2014), minimalnej uśrednionej warunkowej wariancji (Xia, 2006;\nXia i in., 2002) i empirycznego prawdopodobieństwa (Xue, 2013; Xue i Zhu, 2006;\nZhu i Xue, 2006). Model jednowskaźnikowy należy uznać za atrakcyjne i efektywne podejście do nieparametrycznego wielowymiarowego modelowania, ponieważ redukuje on problem nadwymiarowości zbioru danych przy jednoczesnym zachowaniu interpretowalności modeli liniowych.\nSemiparametryczne modele jednowskaźnikowe mają przewagę nad klasycznymi modelami liniowymi w kilku kluczowych aspektach (Pagan i Ullah, 1999). Pierwszy z nich to elastyczność dotycząca kształtu funkcji. W modelu liniowym zakłada się zachodzenie liniowej relacji między zmiennymi objaśniającymi a zmienną zależną, co może prowadzić do niedoszacowania lub przeszacowania efektów zmiennych objaśniających, jeśli rzeczywista relacja jest nieliniowa. W jednowskaźnikowym semiparametrycznym modelu ekonometrycznym można uwzględnić nieliniowe zależności między zmiennymi, co pozwala na dokładniejsze oszacowanie efektów zmiennych objaśniających. Istotną cechą tego modelu jest także brak założeń dotyczących rozkładu składnika losowego. W modelu liniowym wymaga się, aby błędy\n\nmiały rozkład normalny, co w niektórych przypadkach może być niewłaściwe.\nW jednowskaźnikowym semiparametrycznym modelu ekonometrycznym taki warunek nie jest wymagany, co czyni ten model bardziej odpornym na nieodpowiednie założenia. Inną właściwością podejścia semiparametrycznego jest brak założeń dotyczących homoskedastyczności składnika losowego. W modelu liniowym zakłada się, że błędy mają stałą wariancję. Ten warunek może okazać się nieodpowiedni w przypadku, gdy wariancja błędów zależy od wartości zmiennych objaśniających (Racine,\n2008). Jednowskaźnikowy semiparametryczny model ekonometryczny nie wymaga takiego założenia i może dostarczyć bardziej wiarygodnych oszacowań, gdy homoskedastyczność wariancji składnika losowego nie występuje. Ponadto istnieje możliwość uwzględnienia efektów nieliniowych zmiennych w wariancji błędów, a także nieliniowych zależności między zmiennymi objaśniającymi a błędami, co może się przyczyniać do zwiększania dokładności oszacowań. Za kolejną zaletę modelu jednowskaźnikowego należy uznać to, że oszacowania składnika parametrycznego są asymptotycznie zbieżne z rzeczywistymi w tempie podobnym do modelu w pełni parametrycznego. Te korzyści wiążą się jednak z pewnymi kosztami, np.\ntrudnościami z włączeniem do wskaźnika (skalara) zmiennych dyskretnych lub w ogóle brakiem takiej możliwości czy problemami z określeniem właściwej struktury modelu, głównie w kontekście zastosowanej funkcji łączącej i funkcji składowych takiego modelu (Henderson i Parmeter, 2015).\nOgólna postać modelu jednowskaźnikowego jest następująca (Horowitz, 2009):\n\nyyii = mm[UNREADABLE_GLYPH]φφ(xxii, ββ)[UNREADABLE_GLYPH]+ uuii, (1) gdzie:\nmm(∙) – nieznana funkcja wygładzająca,\nφφ(∙,∙) – znana funkcja parametryczna qq zmiennych objaśniających xxii i pp-wymiarowego wektora ββ współczynników, uuii – składnik losowy nieskorelowany z xxii, ii = 1, 2, ... , nn.\n\nNawet jeśli φφ(xx ii, ββ) jest funkcją nieliniową, to uważa się ją za pojedynczy wskaźnik, ponieważ φφ(xxii, ββ) jest skalarem.\nW większości badań ekonomicznych przyjmuje się, że mamy do czynienia z pojedynczym liniowym wskaźnikiem (skalarem), a zatem funkcja φφ(∙,∙) przyjmuje postać:\n\nφφ(xxii, ββ) = ββ1xx1ii + ββ2xx2ii + ⋯+ ββqqxxqqii, (2) gdzie liczba zmiennych niezależnych jest równa liczbie szacowanych parametrów, tj.\npp = qq.\n\nPostać macierzowa modelu jednowskaźnikowego ma więc formę (Ramanathan,\n1989):\n\nyyii = mm(xxiiββ) + uuii, (3) gdzie:\nxxii = [UNREADABLE_GLYPH]xx1ii, xx2ii, ... , xxqqii[UNREADABLE_GLYPH],\nββ = [UNREADABLE_GLYPH]ββ1, ββ2, ... , ββqq[UNREADABLE_GLYPH]′, ii = 1, 2, ... , nn.\n\nWarto zauważyć, że w modelu (2) nie występuje wyraz wolny, ponieważ nie można zidentyfikować punktu przecięcia bez ograniczeń nałożonych na nieznaną funkcję, a wektor parametrów ββ zazwyczaj nie może być zidentyfikowany bez normalizacji (podobnie jak w przypadku modeli logitowych i probitowych). W literaturze najczęściej występują dwie normalizacje. Pierwsza z nich polega na ustawieniu współczynnika pierwszego regresora na poziomie 1 (przy założeniu, że prawdziwy parametr jest różny od 0), a w drugiej zakłada się, że wektor ββ ma długość jednostkową (tj. jego norma euklidesowa wynosi 1). Więcej szczegółowych informacji na temat normalizacji parametrów w modelach jednowskaźnikowych można znaleźć w pracy Camerona i Trivediego (2005).\nPodstawowa różnica pomiędzy modelem parametrycznym a semiparametrycznym polega na wykorzystaniu funkcji wygładzającej mm(∙). W modelu parametrycznym ta funkcja jest znana i możliwe jest zastosowanie estymacji nieliniowej metodą najmniejszych kwadratów lub estymacji metodą największej wiarygodności. W przypadku modelu semiparametrycznego funkcja mm(∙) jest nieznana i należy ją oszacować. Warto zauważyć, że w sensie ogólnym mm(∙) jest średnią warunkową yy względem xxββ. Wynika z tego wybór przeprowadzenia nieparametrycznej regresji yy względem xxββ. Gdyby wektor ββ był znany, taka regresja byłaby bardzo prosta, jednak w praktyce jest on nieznany, dlatego należy oszacować zarówno mm(∙), jak i ββ.\n2.1. Estymacja parametrów semiparametrycznego modelu jednowskaźnikowego\nPrzy założeniu, że funkcja wygładzająca mm(∙) jest znana, oszacowanie wektora ββ można uzyskać za pomocą nieliniowej metody najmniejszych kwadratów. W takim przypadku należy minimalizować funkcję celu postaci:\n\nnn\n[UNREADABLE_GLYPH][yyii −mm(xxiiββ)]2 nn ii=1\n(4)\n\nwzględem wektora ββ (Ichimura, 1993). Jednak w sytuacji, kiedy funkcja mm(∙) nie jest znana, należy oszacować zarówno mm(∙), jak i ββ. W pracy Ichimury (1993) zaproponowano wykorzystanie w tym celu estymatora typu leave-one-out średniej warunkowej zmiennej yy względem xxββ przy jednoczesnej minimalizacji sumy kwadratów reszt względem qq-wymiarowego wektora ββ. W statystyce estymacja typu leave -one-\n-out odnosi się do specyficznego schematu estymacji, w którym pojedyncza obserwacja jest pomijana przy estymacji parametru. Następnie tej pominiętej obserwacji używa się do obliczenia błędu estymacji.\nEstymator typu leave-one-out średniej warunkowej yy względem xxββ ma następującą postać:\n\nEE−ii(yyii|xxiiββ) =\n∑ yyjjKKh[UNREADABLE_GLYPH]xxjjββ, xxiiββ[UNREADABLE_GLYPH]nn jj≠ii\n∑ KKh[UNREADABLE_GLYPH]xxjjββ, xxiiββ[UNREADABLE_GLYPH]nn jj≠ii\n, (5) gdzie:\nKKh[UNREADABLE_GLYPH]xxjjββ, xxiiββ[UNREADABLE_GLYPH] = ∏ kk[UNREADABLE_GLYPH] xxddddββdd−xxddddββdd hdd\n[UNREADABLE_GLYPH]qq dd=1 – iloczyn funkcji jądrowej kk(⋅)2, hdd – szerokość pasma (parametr wygładzania).\n\nProblem optymalizacyjny dany wzorem (4) przyjmuje ostatecznie postać:\n\nnn[UNREADABLE_GLYPH][UNREADABLE_GLYPH]yyii −\n∑ yyjjKKh[UNREADABLE_GLYPH]xxjjββ, xxiiββ[UNREADABLE_GLYPH]nn jj≠ii\n∑ KKh[UNREADABLE_GLYPH]xxjjββ, xxiiββ[UNREADABLE_GLYPH]nn jj≠ii\n[UNREADABLE_GLYPH]\n2nn ii=1\n. (6)\n\nEstymator wektora ββ jest definiowany jako wartości wektora oszacowań ββ[UNREADABLE_GLYPH], które minimalizują funkcję celu określoną wzorem (6).\nW badaniach teoretycznych nad modelem jednowskaźnikowym funkcja celu określona wzorem (6) różni się na ogół w dwóch aspektach od funkcji danej wzorem (4). Po pierwsze, biorąc pod uwagę, że lokalnie stały estymator najmniejszych kwadratów jest zbieżny jednostajnie po zbiorach zwartych, niezbędna jest pewna funkcja ucinająca, aby wyeliminować małe wartości w mianowniku. Po drugie, funkcja celu szacowana jest często za pomocą funkcji wagowej. Ichimura (1993) sugeruje wykorzystanie jako funkcji wagowej odwrotności wariancji niejednorodnej. Funkcja wagowa nie jest niezbędna do osiągnięcia tempa zbieżności rzędu √nn dla w spółczynników kierunkowych, gdy składnik losowy jest heteroskedastyczny, ale jest wymagana do osiągnięcia granicy efektywności dla oszacowań semiparametrycznych.\n\n2 Dla ciągu XX1, XX2, ... , XXnn realizacji zmiennej losowej XX funkcja kk[UNREADABLE_GLYPH] xx−XXdd h [UNREADABLE_GLYPH] jest funkcją jądrową o szerokości pasma h.\n\n2.2. Wybór optymalnej szerokości pasma semiparametrycznego modelu jednowskaźnikowego\nFunkcja jądrowa kk(⋅) występująca we wzorze (5) jest funkcją nieujemną i powinna spełniać następujące warunki:\n• ∫ kk(ψψ)ddψψ = 1\n+∞\n−∞ ;\n• ∫ ψψ\n+∞\n−∞ kk(ψψ)ddψψ = 0;\n• ∫ ψψ2+∞\n−∞ kk(ψψ)ddψψ = κκ2 < ∞, gdzie κκ2 to moment centralny rzędu drugiego.\nDodatkowo funkcja kk(ψψ) powinna być symetryczna i przyjmować duże (małe) wartości dla małych (dużych) ψψ. Wśród najpopularniejszych funkcji jądra wyróżnia się funkcje (Henderson i Parmeter, 2015):\n• gaussowską: kk(ψψ) =\n√2ππ exp [UNREADABLE_GLYPH]−\nψψ2\n2 [UNREADABLE_GLYPH];\n• Epanecznikowa: kk(ψψ) =\n4√5[UNREADABLE_GLYPH]1 −\nψψ2\n5 [UNREADABLE_GLYPH] dla |ψψ| < √5;\n• trójkątną: kk(ψψ) = 1 −|ψψ| dla |ψψ| < 1;\n• jednostajną: kk(ψψ) =\n2 dla |ψψ| < 1;\n• dwuwagową: kk(ψψ) =\n(1 −ψψ2)2 dla |ψψ| < 1;\n• trójwagową: kk(ψψ) =\n(1 −ψψ2)3 dla |ψψ| < 1.\nSzerokość pasma h dd występująca we wzorze (5) określa stopień wygładzenia funkcji mm(∙). Optymalna szerokość pasma h to taka, która minimalizuje określoną miarę dokładności estymatora, np. błąd średniokwadratowy (ang. mean squared error – MSE) lub scałkowany błąd średniokwadratowy (ang. integrated mean squared error – IMSE). W semiparametrycznym modelu jednowskaźnikowym wybór szerokości pasma jest dość skomplikowany. Nie jest oczywiste, że optymalna szerokość pasma najlepsza do oszacowania średniej warunkowej jest jednocześnie najlepsza do estymacji parametrów modeli parametrycznych. Nie jest również ściśle określone, czy szerokość pasma należy szacować w jednym kroku, czy w większej liczbie kroków. W pracy Härdle’a i in. (1993) zaproponowano procedurę wyboru optymalnej wartości h. Wykazano przy tym, że równoczesna estymacja szerokości pasma h i wektora ββ jest bardzo zbliżona do minimalizacji sumy kwadratów reszt oraz zwykłej funkcji walidacji krzyżowej dla osobnej estymacji h i ββ. W rzeczywistości prowadzi to do uzyskania √nn-zgodnych oszacowań wektora ββ współczynników, jak również asymptotycznie optymalnych oszacowań szerokości pasma h.\nFunkcja celu wykorzystana do wyznaczenia optymalnej szerokości pasma otrzymywana jest metodą walidacji krzyżowej i przyjmuje postać\n\nCCCC[UNREADABLE_GLYPH]ββ[UNREADABLE_GLYPH], h[UNREADABLE_GLYPH] = 1 nn[UNREADABLE_GLYPH][UNREADABLE_GLYPH]yyii −mm−ii[UNREADABLE_GLYPH]xxiiββ[UNREADABLE_GLYPH][UNREADABLE_GLYPH][UNREADABLE_GLYPH]\n, nn ii=1\n(7) gdzie mm−ii(∙) jest estymatorem typu leave-one-out funkcji wygładzającej mm(∙).\n\nFunkcja celu CCCC[UNREADABLE_GLYPH]ββ[UNREADABLE_GLYPH], h[UNREADABLE_GLYPH] jest minimalizowana zarówno względem ββ[UNREADABLE_GLYPH], jak i względem h. Udowodniono (Härdle i in., 1993), że funkcję daną wzorem (7) można przybliżyć jako\n\nCCCC[UNREADABLE_GLYPH]ββ[UNREADABLE_GLYPH], h[UNREADABLE_GLYPH] = 1 nn[UNREADABLE_GLYPH][UNREADABLE_GLYPH]yyii −mm−ii[UNREADABLE_GLYPH]xxiiββ[UNREADABLE_GLYPH][UNREADABLE_GLYPH][UNREADABLE_GLYPH] nn ii=1\n≈ 1 nn[UNREADABLE_GLYPH][UNREADABLE_GLYPH]yyii −mm[UNREADABLE_GLYPH]xxiiββ[UNREADABLE_GLYPH][UNREADABLE_GLYPH][UNREADABLE_GLYPH] nn ii=1\n+\n+ 1 nn[UNREADABLE_GLYPH][UNREADABLE_GLYPH]mm[UNREADABLE_GLYPH]−ii[UNREADABLE_GLYPH]xxiiββ[UNREADABLE_GLYPH][UNREADABLE_GLYPH]−mm[UNREADABLE_GLYPH]xxiiββ[UNREADABLE_GLYPH][UNREADABLE_GLYPH][UNREADABLE_GLYPH] nn ii=1\n.\n(8)\n\nAnalizując wzór (8), można zauważyć, że pierwszy składnik jest problemem optymalizacyjnym najmniejszych kwadratów dla oszacowania wektora parametrów, gdy funkcja mm(∙) jest znana, a drugi składnik jest problemem optymalizacyjnym najmniejszych kwadratów dla oszacowania szerokości pasma nieznanej funkcji mm(∙), przy założeniu że wektor parametrów jest znany. Funkcja walidacji krzyżowej zachowuje się więc tak, jakby każdy składnik modelu estymowano osobno.\n2.3. Ocena semiparametrycznego modelu jednowskaźnikowego\nZastosowanie semiparametrycznego modelu jednowskaźnikowego wymaga oceny stopnia, w jakim dopasowuje się on do danych. Wśród najważniejszych kryteriów takiej oceny można wymienić miary jakości, zgodności i odporności modelu.\nModele parametryczne mają ustalony zestaw parametrów opisuj ących ich strukturę, np. w modelu regresji liniowej parametrami są współczynniki nachylenia i przesunięcia. Modele semiparametryczne odznaczają się większą elastycznością i w większym stopniu mogą dostosowywać się do danych – niektóre części ich struktury są parametryczne, a inne nieparametryczne. Oznacza to, że pewne elementy modelu nie są ograniczone do określonych parametrów, co pozwala na lepszą adaptację do różnych form danych (Horowitz, 2009).\nJeśli chodzi o miary jakości, to różnica między rozpatrywanymi typami narzędzi może wynikać z elastyczności modeli semiparametrycznych. Modele parametryczne charakteryzują się bowiem zazwyczaj mniejszą liczbą parametrów i ściśle określoną strukturą, co może prowadzić do uproszczeń w zakresie interpretacji i oceny modelu. Jeśli jednak dane są bardziej skomplikowane lub nie spełniają założeń modelu parametrycznego, to modele semiparametryczne mogą się do nich lepiej dostosować\n(Yatchew, 2003).\nZnanych jest kilka miar dobroci dopasowania, które mogą być wykorzystywane do oceny efektywności semiparametrycznego modelu jednowskaźnikowego. Wybrane z nich przedstawiono w zestawieniu (Henderson i Parmeter, 2015).\n\nZestawienie wybranych miar dobroci dopasowania\nMiary dobroci dopasowania Charakterystyka\nŚredni kwadrat błędu (MSE) Miara średniej kwadratowej różnicy między wartościami przewidywanymi a rzeczywistymi; niskie wartości MSE świadczą o lepszym dopasowaniu\nKryterium informacyjne Akaikego (ang. Akaike information criterion – AIC)\nMiara relacji między dopasowaniem modelu a jego złożonością; niższa wartość AIC wskazuje na lepszą równowagę między tymi cechami\nKryterium informacyjne Bayesa (ang. Bayesian information criterion – BIC)\nMiara podobna do AIC, ale nakłada większą karę za złożoność modelu; niższa wartość BIC wskazuje na lepsze dopasowanie\nR2 Miara jakości dopasowania określająca proporcję zmienności zmiennej zależnej, która jest wyjaśniona przez zmienne niezależne; wyższy R 2 wskazuje na lepsze dopasowanie\nMiara rozbieżności Kullbacka-Leiblera Miara różnicy pomiędzy prawdziwym rozkładem danych a założonym rozkładem teoretycznym; niższe wartości miary wskazują na lepsze dopasowanie\nŚredni błąd bezwzględny (MAE) Miara średniej różnicy między wartościami przewidywanymi a rzeczywistymi; niższe wartości MAE wskazują na lepsze dopasowanie modelu\nŹródło: opracowanie własne na podstawie: Pagan i Ullah (1999).\n\nNależy podkreślić, że zastosowanie jakiejkolwiek pojedynczej miary nie pozwala w pełni uchwycić dobroci dopasowania modelu, a zastosowanie różnych miar może prowadzić do odmiennych wniosków na temat wydajności modelu. Do oceny wydajności modelu zaleca się zatem stosowanie kilku miar.\nZnane są również bardziej zaawansowane miary jakości, wykorzystywane do oceny dopasowania semiparametrycznych modeli ekonometrycznych do danych o bardziej skomplikowanej strukturze, czyli takich, które nie mogą być łatwo modelowane przy użyciu standardowych metod parametrycznych z powodu ich różnorodności, nieliniowości lub interakcji zmiennych. Należą do nich miary oparte na estymatorach jądrowych, metody bootstrapowe i różne testy nieparametryczne (Horowitz,\n2009). Miary oparte na estymatorach jądrowych, takie jak jądrowa funkcja gęstości, wykorzystuje się do oceny dopasowania modelu do rozkładu danych, np. estymator jądrowy może być użyty do porównania empirycznego rozkładu danych z rozkładem przewidywanym przez model semiparametryczny. Metody bootstrapowe, czyli techniki próbkowania z powtórzeniami, pozwalają na estymację rozkładu próbkowego w przypadku analizowanych statystyk i są stosowane w semiparametrycznych modelach ekonometrycznych do oszacowania przedziałów ufności dla parametrów lub innych statystyk modelu. Testy nieparametryczne opierają się z kolei na rozkładzie empirycznym danych, który jest porównywany z rozkładem przewidywanym przez model. Za przykład mogą w tym wypadku posłużyć testy dopasowania rozkładu (np.\n\ntest Kołmogorowa-Smirnowa – K-S) lub testy porównujące grupy (np. test rangowy\nWilcoxona-Manna-Whitneya). Wymienione miary jakości stosuje się w różnych kontekstach, w zależności od konkretnego semiparametrycznego modelu ekonometrycznego i charakterystyki danych. Wybór odpowiedniej miary jakości zależy od celu analizy i struktury danych.\nInną grupą miar, za pomocą których można dokonywać oceny modeli semiparametrycznych, są miary zgodności. Pomagają one określić, w jakim stopniu model odpowiada danym, czyli jak dalece pasuje do kształtowania się obserwacji. Miary zgodności stosowane w przypadku modeli semiparametrycznych mogą się różnić od tych wykorzystywanych w przypadku modeli parametrycznych. Wśród miar zgodności dla modeli semiparametrycznych można wyróżnić m.in. krzywą ROC (ang.\nreceiver operating characteristic ) i krzywą Kaplana- Meiera. Krzywa ROC znajduje zastosowanie m.in. w przypadku modeli klasyfikacyjnych, np. logistycznych. Im krzywa ROC jest położona wyżej i im większe jest pole powierzchni pod krzywą\n(AUC – area under the curve), tym większa zgodność modelu z danymi. Krzywa\nKaplana-Meiera może być z kolei wykorzystana w analizie historii zdarzeń (analizie przeżycia). Przedstawia ona szanse przeżycia w zależności od czasu. Miara zgodności w postaci testu log-rank i różne metody porównawcze mogą być natomiast stosowane do porównywania różnych semiparametrycznych modeli przeżycia. Aby ocenić, który model semiparametryczny lepiej pasuje do danych, warto zastosować testy porównawcze, np. porównanie funkcji straty (ang. loss function comparison; Henderson i Parmeter, 2015).\nSemiparametryczne modele ekonometryczne różnią się od modeli parametrycznych również pod względem miar odporności. Miary te służą do oceny stopnia stabilności modelu i jego niezależności od odstępstw od założeń lub skrajnych obserwacji w zbiorze danych. W przypadku modeli parametrycznych – o ściśle określonych założeniach dotyczących struktury modelu i parametrów – miary odporności mogą być wykorzystywane do identyfikacji obserwacji odstających, które mają duży wpływ na estymowane parametry lub dopasowanie modelu. Warto tutaj wymienić współczynnik wpływu Cooka, statystykę DFBETA (mierzącą zmianę w estymowanych parametrach modelu po usunięciu poszczególnych obserwacji) i błąd standardowy\nHubera-White’a (odporna miara wariancji estymatora parametrów, która uwzględnia obserwacje odstające).\nW przypadku semiparametrycznych modeli ekonometrycznych – o większej elastyczności w strukturze modelu i możliwości dopasowywania się do różnych form danych – miary odporności mogą być wykorzystywane w podobny sposób. W tym przypadku warto wykorzystać ocenę reszt lub odchyleń standardowych. Analiza reszt modelu może ujawnić obserwacje odstające lub niezgodności z założeniami modelu, a duże wartości odchylenia standardowego mogą wskazywać na obserwacje,\n\nktóre mają znaczący wpływ na model. Inne miary bazują na estymacji kwantylowej, która pozwala na modelowanie rozkładu zmiennych zależnych w bardziej elastyczny sposób. Do analizy wpływu obserwacji ekstremalnych na model i estymowane parametry można stosować różne kwantyle, zależnie od problemu badawczego. W modelach semiparametrycznych przydatne są także techniki wykorzystujące modele odporne (takie jak odporna regresja lub odporna estymacja jądrowa), które minimalizują wpływ obserwacji odstających na estymację parametrów modelu. Ma to szczególne znaczenie w przypadku danych nietypowych lub obserwacji odstających, które mogą istotnie wpływać na wyniki estymacji modelu (Pagan i Ullah, 1999).\n3. Pomiar ryzyka rynkowego z wykorzystaniem miar wrażliwości\nFunkcjonowanie jednostki gospodarczej na rynku wiąże się z procesem podejmowania decyzji. Ze względu na posiadane informacje problemy decyzyjne można podzielić na trzy grupy (Jajuga, 2003):\n• decyzje podejmowane w warunkach pewności, gdy każda decyzja pociąga za sobą określone, znane konsekwencje;\n• decyzje podejmowane w warunkach ryzyka , gdy każda decyzja pociąga za sobą więcej niż jedną konsekwencję oraz znany jest zbiór możliwych konsekwencji i prawdopodobieństwo ich wystąpienia;\n• decyzje podejmowane w warunkach niepewności , gdy prawdopodobieństwo wystąpienia konsekwencji decyzji nie jest znane.\nW praktyce gospodarczej decyzje najczęściej podejmowane są w warunkach ryzyka i niepewności. Przez niepewność należy rozumieć obawę związaną z niewiedzą dotyczącą otaczającego świata i konsekwencj ami tej niewiedzy. Może być ona wynikiem wielu czynników, np. niedostatecznej i nie w pełni transparentnej informacji, braku umiejętności interpretacji zjawisk gospodarczych – hipotetycznie związanych z rozważanym zakresem działalności rynkowej – lub indywidualnego podejścia każdego uczestnika rynku. Najczęstsza prawidłowość jest taka, że im bardziej złożone jest zjawisko rynkowe, tym większa niepewność i nieprzewidywalność dotycząca jego realizacji w przyszłości. Pojawia się bowiem ryzyko, że oczekiwania okażą się odmienne od nieznanej rzeczywistości (Krężołek, 2020).\nTermin ryzyko najczęściej kojarzy się z sytuacją, w której realizacja podjętych działań przebiega na niższym poziomie, niż oczekiwano. Znane są dwa sposoby rozumienia tego terminu: neutralne i negatywne. W podejściu neutralnym przyjmuje się, że rzeczywista wielkość badanego zjawiska różni się od jej zakładanego poziomu\n(nie jest istotny znak tej różnicy), a w podejściu negatywnym rzeczywista wielkość badanego zjawiska jest mniejsza od jej oczekiwanego poziomu. Warto wskazać paradoks wynikający z neutralnego podejścia do rozumienia ryzyka – brak istotności\n\nznaku różnicy poziomu badanego zjawiska zakłada, że w przypadku różnicy dodatniej (co z inwestycyjnego punktu widzenia oznacza zysk) uczestnik rynku nie postrzega takiej sytuacji jako ryzykownej. Stąd wniosek, że ryzyko jest zazwyczaj postrzegane negatywnie. W literaturze podano wiele definicji i kryteriów klasyfikacji ryzyka z uwzględnieniem jego możliwych konsekwencji (Alexander, 2008; Daníelsson, 2011; Dowd, 2005; Trzpiot, 2010).\nZ punktu widzenia funkcjonowania gospodarki szczególnie ważną kategorią ryzyka jest ryzyko rynkowe (ang. market risk ). Pojawia się ono wtedy, gdy na realizację transakcji kupna -sprzedaży pomiędzy stronami popytową i podażową wpływają różne czynniki rynkowe, najczęściej niezależne od realizowanego przedsięwzięcia.\nNajogólniej mówiąc, ryzyko rynkowe związane jest z prawdopodobieństwem wystąpienia straty, która stanowi efekt nieprzewidywalnego kierunku zmiany ceny przedmiotu transakcji. Stąd wniosek, że ryzyko rynkowe związane jest z każdym rynkiem, na którym prowadzi się wymianę handlową (materialną lub niematerialną), w tym z rynkiem kapitałowym (akcje, obligacje), instrumentów pochodnych (opcji, kontraktów terminowych na różnego rodzaju produkt y bazowe), towarów i surowców, a także ze zmianami kursów walut (Holliwell, 2001; Jajuga, 2003).\nAby efektywne kontrolowanie ryzyka było możliwe, należy postrzegać to zagadnienie jako proces. Wyróżnia się następujące elementy procesu zarządzania ryzykiem (Christoffersen, 2012):\n• identyfikacja ryzyka;\n• pomiar i analiza ryzyka;\n• opracowanie strategii ograniczającej lub minimalizującej ryzyko;\n• implementacja strategii;\n• kontrola, monitorowanie i korygowanie strategii ograniczającej lub minimalizującej ryzyko.\nKażdy z powyższych elementów należy traktować równorzędnie.\nW literaturze przedmiotu opisano wiele metod pomiaru ryzyka. Jedną z nich jest analiza wrażliwości, polegająca na dokonaniu oceny stopnia reakcji zmiennej ryzyka na zmienność określonych czynników, które to ryzyko determinują, za pomocą miary wrażliwości. Miary wrażliwości umożliwiają przeprowadzenie analizy przyczyn ryzyka, ponieważ obrazują wpływ czynników na zmienną ryzyka dzięki pewnej funkcji zależności od zmiennej ryzyka (Van Groenendaal, 1995). Matematyczna postać funkcji zależności zmiennej ryzyka od czynników ryzyka przyjmuje zatem postać\n\nRR = gg(FF1, FF2, ... , FFii, εε), (9) gdzie:\nRR – zmienna ryzyka (zmienna losowa),\nFFii – ii-ty czynnik ryzyka (ii = 1, 2, ... , qq),\n\ngg(∙) – funkcja określająca zależność pomiędzy zmienną ryzyka a czynnikami ryzyka,\nεε – składnik losowy.\n\nFunkcja gg(∙), określająca zależność między zmienną ryzyka a czynnikami ryzyka, może być liniowa lub nieliniowa. W przypadku liniowej postaci funkcji gg(∙) zmienna ryzyka przyjmuje postać\n\nRR = ββ1FF1 + ββ2FF2 + ⋯+ ββiiFFii + εε. (10)\n\nMiara wrażliwości powiązana z funkcją gg(∙) definiowana jest jako pierwsza pochodna tej funkcji względem ii-tego czynnika ryzyka:\n\nββii = ∂∂RR\n∂∂FFii\n. (11)\n\nW szczególności:\n• jeśli gg(∙) jest funkcją liniową, to miara wrażliwości dla ii-tego czynnika jest parametrem występującym przy ii-tym czynniku ryzyka w modelu liniowym;\n• jeśli gg(∙) jest funkcją nieliniową, to wykorzystując rozwinięcie ∆RR w szereg Taylora, miarę wrażliwości dla ii-tego czynnika wyznacza się jako ∆RR ≈\n∂∂∂∂\n∂∂FFdd\n∆FFii.\nNależy zwrócić uwagę na podobieństwo funkcji definiujących semiparametryczny model jednowskaźnikowy (1) i (2) z funkcją gg(∙), określającą zależność między zmienną ryzyka a czynnikami ryzyka (9), co w nomenklaturze modelu semiparametrycznego można zapisać jako\n\nyyii = mm[UNREADABLE_GLYPH]φφ(xxii, ββ)[UNREADABLE_GLYPH]+ uuii ⇒ RR = mm[UNREADABLE_GLYPH]φφ(FF, ββ)[UNREADABLE_GLYPH]+ εεii. (12)\n\nStąd wniosek, że zmienna ryzyka może zostać zapisana przy wykorzystaniu nieznanej funkcji wygładzającej mm(∙), znanej funkcji parametrycznej φφ(∙,∙), qq-wymiarowego wektora czynników FF i pp-wymiarowego wektora ββ. Tę własność wykorzystano w przeprowadzonym badaniu.\n4. Analiza ryzyka wybranych spółek notowanych na GPW\n4.1. Metoda badania\nW badaniu empirycznym przeprowadzono analizę ryzyka z wykorzystaniem semiparametrycznego modelu jednowskaźnikowego, uwzględniając koncepcję miar wrażliwości. Do analizy wybrano 10 spółek sektora informatycznego notowanych na GPW\n\nod 4 stycznia 2018 r. do 30 grudnia 2021 r.: Ailleron, Atende, Betacom, Comarch,\nIfirmę, LiveChat, LSI, NTT, Talex i Wasko . Dane zaczerpnięto z serwisu finansowego Bloomberg. Wyboru spółek dokonano na podstawie kryterium zbieżności liczby dni notowań danej spółki z liczbą notowań WIG20 w badanym okresie. Jako czynniki ryzyka wskazano dwa indeksy giełdowe: WIG20 i S&P 500. Na podstawie dziennych cen zamknięcia wyznaczono dzienne logarytmiczne stopy zwrotu zgodnie ze wzorem RRtt = 100 ln pptt pptt−1\n(gdzie pptt oznacza cenę zamknięcia w dniu tt, a pptt−1 – cenę zamknięcia w dniu tt−1). Estymację semiparametrycznego modelu jednowskaźnikowego przeprowadzono, wykorzystując procedurę Ichimury (1993), w której zastosowano estymator typu leave-one-out średniej warunkowej RR względem FFββ przy jednoczesnej minimalizacji sumy kwadratów reszt względem qq -wymiarowego wektora ββ.\n4.2. Wyniki analizy empirycznej\nBadanie rozpoczęto od przeprowadzenia analizy podstawowych charakterystyk stóp zwrotu badanych aktywów. Jej wyniki zawiera tabl. 1.\n\nTabl. 1. Statystyki opisowe dla szeregów stóp zwrotu analizowanych spółek notowanych na GWP w latach 2018–2021\nWyszczególnienie M Sd Wzm S K Min Max\nTest normalności\nK-S wartość p*\nWIG20 ........... –0,008 1,410 –16924,324 –1,150 12,640 –14,246 6,335 0,069 <0,001\nS&P 500 ........ 0,057 1,326 2334,836 –1,076 19,000 –12,765 8,968 0,127 <0,001\nAilleron ........ –0,038 3,322 –8685,027 0,308 5,604 –21,492 19,236 0,089 <0,001\nAtende ......... 0,036 2,392 6647,479 0,237 5,237 –14,540 13,353 0,151 <0,001\nBetacom ...... –0,051 2,752 –5384,450 –0,426 1,707 –14,023 7,688 0,152 <0,001\nComarch ...... –0,003 2,073 –73124,217 –0,077 4,162 –12,851 9,345 0,074 <0,001\nIfirma ............ 0,202 2,863 1418,183 0,101 2,920 –13,352 14,774 0,071 <0,001\nLiveChat ...... 0,120 2,581 2142,977 0,426 3,777 –11,118 14,228 0,089 <0,001\nLSI .................. –0,009 2,573 –30197,148 0,203 9,833 –22,182 18,740 0,132 <0,001\nNTT ................ 0,096 2,906 3024,925 0,514 5,142 –19,416 15,207 0,130 <0,001\nTalex ............. –0,009 2,654 –28883,459 –0,318 6,369 –18,469 14,898 0,157 <0,001\nWasko ........... –0,030 2,810 –9284,848 –0,381 7,090 –21,911 11,772 0,104 <0,001\nUwaga. M – średnia, Sd – odchylenie standardowe, Wzm – współczynnik zmienności, S – skośność, K – kurtoza istotność, Min – minimum, Max – maksimum. * – istotność statystyczna na poziomie 0,01.\nŹródło: obliczenia własne na podstawie danych z serwisu Bloomberg.\n\nZaobserwowano, że większość analizowanych walorów charakteryzowała się średnio ujemną stopą zwrotu. Ponadto inwestycje w WIG20 generowały w badanym okresie średniookresowe straty, a indeks S&P 500 uzyskał średnio dodatnią stopę zwrotu. Odnotowano także wysoką zmienność stóp zwrotu. Większość rozkładów wykazywała asymetrię prawostronną. Zauważono również silną leptokurtyczność i rozbieżność z rozkładem normalnym (odrzucono hipotezę zerową w teście zgodności K-S).\nZ punktu widzenia potencjalnych inwestycji decydent jest zazwyczaj zainteresowany oczekiwanym poziomem zysku lub straty i związanym z tym ryzykiem. Na wykr. 1 zestawiono te dwie charakterystyki dla analizowanych walorów.\n\nZ informacji zamieszczonych na wykr. 1 wynika, że WIG20 i S&P 500 wykazywały niższy poziom ryzyka w porównaniu z pozostałymi walorami. Najbardziej ryzykowne spośród badanych aktywów były Ailleron, NTT i Ifirma, a najmniej – Comarch.\nNajbardziej dochodowe okazały się natomiast inwestycje w walory Ifirmy, a najmniej\n– Betacomu. Wszystkie spółki (poza Talexem) wykazywały także statystycznie istotną, dodatnią korelację z oboma indeksami (tabl. 2).\n\nTabl. 2. Współczynniki korelacji Pearsona pomiędzy analizowanymi aktywami GPW w latach 2018–2021\nWyszczególnienie WIG20 S&P 500 Ailleron Atende Betacom Comarch Ifirma LiveChat LSI NTT Talex Wasko\nWIG20 ............................ 1,000 0,497* 0,290* 0,177* 0,137* 0,280* 0,206* 0,251* 0,324* 0,102* 0,044 0,155*\nS&P 500 ......................... 0,497* 1,000 0,169* 0,109* 0,072* 0,207* 0,176* 0,139* 0,219* 0,071* 0,046 0,116*\nAilleron ......................... 0,290* 0,169* 1,000 0,111* 0,048 0,103* 0,087* 0,158* 0,172* 0,121* – 0,002 0,066*\nAtende .......................... 0,177* 0,109* 0,111* 1,000 0,013 0,024 0,040 0,058 0,103* 0,121* 0,053 0,075*\nBetacom ....................... 0,137* 0,072* 0,048 0,013 1,000 0,070* 0,022 0,033 0,110* 0,082* 0,019 0,053\nComarch ....................... 0,280* 0,207* 0,103* 0,024 0,070* 1,000 0,153* 0,123* 0,176* – 0,055 0,036 0,006\nIfirma ............................. 0,206* 0,176* 0,087* 0,040 0,022 0,153* 1,000 0,085* 0,154* 0,036 0,008 0,015\nLiveChat ....................... 0,251* 0,139* 0,158* 0,058 0,033 0,123* 0,085* 1,000 0,097* 0,022 0,053 0,052\nLSI ................................... 0,324* 0,219* 0,172* 0,103* 0,110* 0,176* 0,154* 0,097* 1,000 0,027 0,046 0,072*\nNTT ................................. 0,102* 0,071* 0,121* 0,121* 0,082* – 0,055 0,036 0,022 0,027 1,000 0,010 0,005\nTalex .............................. 0,044 0,046 – 0,002 0,053 0,019 0,036 0,008 0,053 0,046 0,010 1,000 0,017\nWasko ............................ 0,155* 0,116* 0,066* 0,075* 0,053 0,006 0,015 0,052 0,072* 0,005 0,017 1,000\nUwaga. * – istotność statystyczna na poziomie 0,05.\nŹródło: obliczenia własne na podstawie danych z serwisu Bloomberg.\nD. KRĘŻOŁEK Zastosowanie jednowskaźnikowego semiparametrycznego modelu...17\n\nNa kolejnym etapie badania oszacowano semiparametryczny model jednowskaźnikowy określany dla każdej analizowanej spółki sektora informatycznego GPW, gdzie czynnikiem ryzyka były stopy zwrotu indeksów WIG20 i S&P 500. Zastosowano procedurę estymacji Ichimury, wykorzystując gaussowską funkcję jądra. Wyniki oszacowań przedstawiono w tabl. 3.\n\nTabl. 3. Oszacowania parametrów semiparametrycznych modeli jednowskaźnikowych dla analizowanych aktywów GWP w latach 2018–2021\nSpółki Współczynniki\nWartości współczynników\nWartość p* dla testu t\nSzerokość pasma\nFunkcja celu R2 MAE\nAilleron ............................. ββ̂WWWWWW20 0,64347 <0,001 0,23865 3,43276 0,176 2,181\nββ̂SS&PP 500 0,08356 0,003\nAtende .............................. ββ̂WWWWWW20 0,27754 <0,001 0,28711 4,66361 0,204 2,356\nββ̂SS&PP 500 0,05016 0,001\nBetacom ........................... ββ̂WWWWWW20 0,26387 <0,001 0,21953 3,21873 0,193 2,729\nββ̂SS&PP 500 0,00900 0,001\nComarch ........................... ββ̂WWWWWW20 0,34570 <0,001 0,20779 3,98047 0,147 1,986\nββ̂SS&PP 500 0,14046 0,005\nIfirma ................................. ββ̂WWWWWW20 0,31893 <0,001 0,31653 5,29474 0,164 2,794\nββ̂SS&PP 500 0,21110 0,002\nLiveChat ........................... ββ̂WWWWWW20 0,44187 <0,001 0,27931 4,31885 0,221 1,874\nββ̂SS&PP 500 0,03700 0,001\nLSI ....................................... ββ̂WWWWWW20 0,51985 <0,001 0,36271 5,96080 0,178 2,501\nββ̂SS&PP 500 0,15067 0,002\nNTT ..................................... ββ̂WWWWWW20 0,18278 <0,001 0,53862 6,32957 0,148 2,893\nββ̂SS&PP 500 0,05961 0,001\nTalex .................................. ββ̂WWWWWW20 0,05308 <0,001 0,61496 6,99463 0,093 2,653\nββ̂SS&PP 500 0,06349 0,001\nWasko ................................ ββ̂WWWWWW20 0,25670 <0,001 0,56328 6,23192 0,113 2,776\nββ̂SS&PP 500 0,10992 0,001\nUwaga. * – istotność statystyczna na poziomie 0,01.\nŹródło: obliczenia własne na podstawie danych z serwisu Bloomberg.\n\nWyniki zamieszczone w tabl. 3 pokazują, że wybrane indeksy są statystycznie istotnymi czynnikami zmienności stóp zwrotu analizowanych spółek. Wartości oszacowań ββ[UNREADABLE_GLYPH] wektora ββ dla WIG20 są wyższe niż dla S&P 500. To prawdopodobnie wynik powiązania analizowanych spółek z polskim rynkiem kapitałowym. W badanym okresie na zmienność WIG20 najwrażliwsze były stopy zwrotu Ailleron u, LSI i LiveChatu, a na zmienność S&P 500 – Ifirmy, LSI i Comarch u. Wszystkie oszacowane modele są istotne statystycznie, a wartości współczynnika R 2 wskazują, że jakość dopasowania jest niska (najmniejszą wartość współczynnika uzyskał Talex).\nAnalizując wartości błędu MAE, zaobserwowano z kolei, że najmniejsze błędy wystąpiły w przypadku LiveChatu i Comarchu. Zauważono ponadto, że wartości funk-\n\ncji celu wzrastają wraz ze zwyżką wartości parametru wygładzania (szerokości pasma). Oszacowania wartości wektora ββ zaprezentowano na wykr. 2.\n\nJak widać na wykresie, największe różnice w oszacowaniach współczynników ββ[UNREADABLE_GLYPH] w semiparametrycznym modelu jednowskaźnikowym dotyczyły Ailleronu, LiveChatu i LSI, a najmniejsze – Talexu.\n5. Podsumowanie\nW artykule przedstawiono wyniki pomiaru ryzyka rynkowego z wykorzystaniem jednowskaźnikowego semiparametrycznego modelu ekonometrycznego. Badaniem objęto wybrane spółki sektora informatycznego notowane na GPW w latach 2018 –\n2021. Analizowano dzienne logarytmiczne stopy zwrotu badanych aktywów, a jako czynniki ryzyka wskazano dwa indeksy giełdowe: polski WIG20 i amerykański\nS&P 500. E stymację semiparametrycznego modelu jednowskaźnikowego przepro-\n\nwadzono z zastosowaniem procedury Ichimury bazującej na estymatorze typu leave-\n-one-out. Ponadto jako funkcję jądra wykorzystano funkcję gaussowską.\nModel semiparametryczny opiera się na estymacji elastycznej i powstaje dzięki połączeniu model i parametrycznego i nieparametrycznego. Modele semiparametryczne są przydatne w sytuacjach, w których modele w pełni parametryczne i w pełni nieparametryczne nie dają właściwych oszacowań. Skutecznym sposobem redukcji zjawiska nadmiarowości, z którym można się spotkać podczas przeprowadzania analizy dużych zbiorów danych, jest wykorzystanie modelu jednowskaźnikowego. W takim modelu występuje jednowymiarowy wskaźnik, który stanowi element nieznanej funkcji nieparametrycznej. Modele jednowskaźnikowe działają podobnie jak wiele znanych modeli parametrycznych, co potwierdza ich użyteczność.\nJednowskaźnikowy semiparametryczny model ekonometryczny ma tę przewagę nad modelem liniowym, że pozwala na uwzględnienie nieliniowych zależności między zmiennymi objaśniającymi a zmienną zależną, nie wymaga założeń dotyczących rozkładu i homoskedastyczności składnika losowego oraz umożliwia uwzględnienie efektów nieliniowych zmiennych w wariancji błędów. Ponadto szacunki składnika parametrycznego są asymptotycznie zbieżne z rzeczywistymi w tempie zbliżonym do modelu w pełni parametrycznego.\nNa podstawie przeprowadzonego badania wykazano, że zarówno WIG20, jak i S&P 500 były istotnymi czynnikami zmienności stóp zwrotu badanych spółek sektora informatycznego w analizowanym okresie. Oszacowania współczynników ββ [UNREADABLE_GLYPH] semiparametrycznych modeli jednowskaźnikowych dla indeksu polskiej giełdy były znacznie wyższe niż oszacowania dla S&P 500 (wyjątek stanowiła spółka Talex). Oba indeksy przyjmowały wartości dodatnie, poniżej progu 1. Świadczy to o tym, że stopy zwrotu badanych spółek zmieniały się w tym samym kierunku co stopy zwrotu indeksów, jednak ich reakcje na zmiany stopy zwrotu rynków polskiego i amerykańskiego były niewielkie. Nawet gdy spadek stóp zwrotu rynku był znaczny, stopy zwrotu badanych akcji zmniejszyły się tylko nieznacznie. Prowadzi to do wniosku, że akcje badanych spółek cechowało ryzyko niższe od rynkowego (są to akcje defensywne).\nZ analizy oszacowanych semiparametrycznych modeli jednowskaźnikowych wynika, że w przypadku badanych spółek parametr wygładzania zawierał się w przedziale 0,20–0,62. Dodatkowo wraz ze wzrostem wartości tego parametru zwiększała się wartość funkcji celu wykorzystywanej do oszacowywania współczynników ββ [UNREADABLE_GLYPH] modeli. Warto jednak zwrócić uwagę, że jakość dopasowania określona za pomocą wartości współczynnika R\n2 jest niezadowalająca. Największą wartość uzyskano dla modelu spółek LiveChat i Atende, a najmniejszą – dla Talexu. Zaobserwowano także małe wartości błędu MAE (najmniejsze dla LiveChatu i Comarchu). Te wyniki są zbieżne z wynikami oceny korelacji pomiędzy badanymi spółkami i indeksami.\n\nSemiparametryczne modele jednowskaźnikowe mają wiele zalet przydatnych w analizie ryzyka na giełdzie. Przede wszystkim są bardziej elastyczne – w przeciwieństwie do modeli parametrycznych (np. CAPM) nie narzucają szczegółowych założeń dotyczących formy funkcyjnej relacji między zmiennymi. Dzięki temu mogą lepiej dopasowywać się do rzeczywistych danych i trafniej uchwycić złożone zależności zachodzące między zmiennymi. Ponadto pozwalają na modelowanie wpływu wielu indeksów giełdowych na stopę zwrotu akcji, co może prowadzić do precyzyjniejszch oszacowań ryzyka. Za ich inną zaletę należy uznać uwzględnianie zmienności czasowej, ponieważ współczynnik ββ[UNREADABLE_GLYPH] jest funkcją zmiennych niezależnych i może zmieniać się w czasie. To pozwala na uwzględnienie zmienności ryzyka systematycznego w czasie, co jest istotne w dynamicznie zmieniającym się środowisku giełdowym.\nModele jednoindeksowe mają również wady. Estymacja semiparametryczna może okazać się bardziej złożona i czasochłonna niż estymacja parametryczna, a uzyskane wyniki – wrażliwsze na wybór metody estymacji i parametrów modelu. Ważne zatem, aby przed zastosowaniem tych modeli dobrze zrozumieć ich założenia i związane z nimi ograniczenia.\nZ punktu widzenia inwestora korzystanie z semiparametrycznego modelu jednowskaźnikowego w analizie ryzyka giełdowego może przynieść wiele korzyści. Modele tej klasy pozwalają na dokładniejszą ocenę ryzyka, ponieważ w ich przypadku nie zakłada się konkretnej formy funkcjonalnej zależności między zmiennymi, dzięki czemu mogą one lepiej pasować do rzeczywistych danych i zapewniać dokładniejsze oceny ryzyka, a tym samym prowadzić do właściwszych decyzji inwestycyjnych.\nSemiparametryczne modele jednowskaźnikowe pozwalają także trafniej uchwycić złożone zależności między stopami zwrotu a indeksami giełdowymi, co powinno pomóc inwestorom zrozumieć, jakie czynniki wpływają na ryzyko ich inwestycji.\nŁatwo je dostosować do zmieniających się warunków giełdowych, co w konsekwencji pozwala inwestorom na dokonywanie bardziej świadomych decyzji inwestycyjnych. Dokładniejsza ocena ryzyka przekłada się ponadto na możliwość lepszego alokowania kapitału. Inwestorzy mają możliwość przeznaczenia większego kapitału na aktywa o niższym ryzyku i wyższym potencjalnym zwrocie, czym zwiększają swoje szanse na osiągnięcie większych korzyści przy określonym poziomie ryzyka.\nNależy przy tym pamiętać, że korzystanie z semiparametrycznych modeli ekonometrycznych nie gwarantuje sukcesu inwestycyjnego. Ważne, aby inwestorzy mieli świadomość ograniczeń tych modeli i traktowali je jako jedno z wielu narzędzi analizy inwestycyjnej.\n\nBibliografia\nAlexander, C. (2008). Market Risk Analysis (vol. 1–4). John Wiley & Sons.\nCameron, A. C., Trivedi, P. K. (2005). Microeconometrics . Methods and Applications . Cambridge\nUniversity Press.\nChristoffersen, P. F. (2012). Elements of Financial Risk Management (2nd edition). Elsevier.\nDaníelsson, J. (2011). Financial Risk Forecasting. The Theory and Practice of Forecasting Market\nRisk with Implementation in R and MATLAB. John Wiley & Sons.\nDowd, K. (2005). Measuring Market Risk (2nd edition). John Wiley & Sons.\nDuan, N., Li, K. C. (1991). Slicing regression: A link -free regression method. The Annals of Statistics, 19(2), 505–530. https://doi.org/10.1214/aos/1176348109.\nFix, E., Hodges, J. L. (1951). Discriminatory Analysis . Nonparametric Discrimination: Consistency\nProperties. https://apps.dtic.mil/sti/pdfs/ADA800276.pdf.\nHärdle, W., Hall, P., Ichimura, H. (1993). Optimal smoothing in single -index models. The Annals of Statistics, 21(1), 157–178. https://doi.org/10.1214/aos/1176349020.\nHärdle, W., Stoker, T. M. (1989). Investigating Smooth Multiple Regression by the Method of\nAverage Derivatives. Journal of the American Statistical Association , 84(408), 986–995.\nhttps://doi.org/10.2307/2290074.\nHenderson, D. J., Parmeter, C. F. (2015). Applied Nonparametric Econometrics. Cambridge University Press. https://doi.org/10.1017/CBO9780511845765.\nHolliwell, J. (2001). Ryzyko finansowe. Metody identyfikacji i zarządzania ryzykiem finansowym .\nWydawnictwo Liber.\nHorowitz, J. L. (2009). Semiparametric and Nonparametric Methods in Econometrics. Springer.\nIchimura, H. (1993). Semiparametric Least Squares (SLS) and Weighted SLS Estimation of Single-\nIndex Models. Journal of Econometrics , 58(1–2), 71–120. https://doi.org/10.1016/0304-4076(93)\n90114-K.\nJajuga, K. (2003). Metody statystyczne w finansach . StatSoft Polska. https://media.statsoft.pl\n/_old_dnn/downloads/jajuga.pdf.\nKrężołek, D. (2020). Modelowanie ryzyka na rynku metali . Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach.\nLi, K. C. (1991). Sliced Inverse Regression for Dimension Reduction. Journal of American Statistical Association, 86(414), 316–327. https://doi.org/10.2307/2290563.\nLi, G., Peng, H., Dong, K., Tong, T. (2014). Simultaneous confidence bands and hypothesis testing for single-index models. Statistica Sinica, 24(2), 937–955. http://dx.doi.org/10.5705/ss.2012.127.\nLi, Q., Racine, J. S. (2007). Nonparametric Econometrics . Theory and Practice. Princeton University\nPress.\nPagan, A., Ullah, A. (1999). Nonparametric Econometrics . Cambridge University Press.\nhttps://doi.org/10.1017/CBO9780511612503.\nPowell, J. L., Stock, J. H., Stoker, T. M. (1989). Semiparametric estimation of index coefficients.\nEconometrica, 57, 1403–1430.\nRacine J. S. (2008). Nonparametric Econometrics. A Primer. Foundations and Trends in Econometrics, 3(1), 1–88.\n\nRamanathan R. (1989). Introductory Econometrics with Applications. Harcourt Brace Jovanovich.\nRosenblatt, M. (1956). Remarks on Some Nonparametric Estimates of a Density Function. The\nAnnals of Mathematical Statistics, 27(3), 832–837. https://doi.org/10.1214/aoms/1177728190.\nSilverman, B. W. (1986). Density Estimation for Statistics and Data Analysis. Chapman & Hall.\nStoker, T. M. (1986). Consistent estimation of scaled coefficients. Econometrica, 54(6), 1461–1481.\nTrzpiot, G. (red.). (2010). Wielowymiarowe metody statystyczne w analizie ryzyka inwestycyjnego .\nPolskie Wydawnictwo Ekonomiczne.\nVan Groenendaal, W . J. H. (1995). Measuring Risk: Risk Analysis or Sensitivity Analysis?. IFAC\nProceedings Volumes, 28(7), 443–450. https://doi.org/10.1016/S1474-6670(17)47145-X.\nWasserman, L. (2006). All of Nonparametric Statistics . Springer. https://doi.org/10.1007/0 -387\n-30623-4.\nXia, Y. (2006). Asymptotic distributions for two estimators of the single- index model. Econometric\nTheory, 22(6), 1112–1137. https://doi.org/10.1017/S0266466606060531.\nXia, Y., Tong, H., Li, W. K. (2002). An adaptive estimation of dimension reduction space. Journal of the Royal Statistical Society. Series B: Statistical Methodology, 64(3), 363–410. https://doi.org\n/10.1111/1467-9868.03412.\nXue, L. (2013). Estimation and empirical likelihood for single -index models with missing data in the covariates. Computational Statistics and Data Analysis , 68, 82 –97. https://doi.org/10.1016\n/j.csda.2013.06.017.\nXue, L., Zhu, L. (2006). Empirical likelihood for single-index model. Journal of Multivariate Analysis, 97(6), 1295–1312. https://doi.org/10.1016/j.jmva.2005.09.004.\nYang, Y., Song, Q. (2014). Jump detection in time series nonparametric regression models:\na polynomial spline approach. Annals of the Institute of Statistical Mathematics , 66(2), 325–344.\nhttps://doi.org/10.1007/s10463-013-0411-3.\nYatchew, A. (2003). Semiparametric Regression for the Applied Econometrician. Cambridge University Press. https://doi.org/10.1017/CBO9780511615887.\nZhu, L., Xue, L. (2006). Empirical likelihood confidence regions in a partially linear single -index model. Journal of the Royal Statistical Society. Series B : Statistical Methodology, 68(3), 549–570.\nhttps://doi.org/10.1111/j.1467-9868.2006.00556.x.", "token_count": 20763}
+{"added": "2026-09-10", "author": "Dorota Kałuża-Kopias", "created": "2025-05-30", "id": "wiadomosci_statystyczne_pl_2025_5_033-052", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Statystyka w praktyce / Statistics in practice\nZgłoszony/submitted: 13.02.2024, poprawiony/revised: 15.11.2024, zaakceptowany/accepted: 11.03.2025\nZależność między depopulacją a napływem imigrantów zarobkowych z Ukrainy na przykładzie województw łódzkiego i śląskiego\n\nDorota Kałuża-Kopiasa\n\nStreszczenie. Polska doświadcza postępującej depopulacji. Równocześnie obserwuje się wzmożony napływ imigrantów zarobkowych. Celem badania omawianego w artykule jest ustalenie zależności zachodzącej pomiędzy poziomem depopulacji a liczbą oświadczeń o zamiarze zatrudnienia obywateli Ukrainy składanych na poziomie lokalnym. Badaniem objęto powiaty leżące w województwach łódzkim i śląskim. Analizę przeprowadzono na podstawie danych Głównego\nUrzędu Statystycznego pochodzących z powszechnych spisów ludności 2011 i 2021 oraz informacji o średniej liczbie oświadczeń o powierzeniu pracy cudzoziemcowi składanych w latach\n2019–2021, publikowanych przez Ministerstwo Rodziny, Pracy i Polityki Społecznej. Skoncentrowano się wyłącznie na czynniku demograficznym. Posłużono się taksonomicznym wskaźnikiem opartym na odległości euklidesowej i współczynnikiem korelacji Pearsona.\nWyniki badania wskazują, że zachodzi statystycznie istotny związek między depopulacją a napływem obywateli Ukrainy do pracy w województwach łódzkim i śląskim. Ubytek liczby ludności w wieku produkcyjnym, a zwłaszcza mobilnym (18–44 lata), ma znaczenie dla zatrudniania Ukraińców w ramach uproszczonej procedury. W województwach łódzkim i śląskim ubytek naturalny i odpływ mieszkańców do województw ościennych są głównymi barierami rozwoju regionalnego rynku pracy. Dla części firm sposobem na uzupełnianie niedoborów kadrowych staje się zatrudnianie imigrantów.\nSłowa kluczowe: depopulacja, migracje, rynek pracy, Ukraina, województwo łódzkie, województwo śląskie\nJEL: F22, J11\n\nThe dependence between depopulation and the inflow of economic migrants from Ukraine on the example of the Łódzkie and Śląskie voivodships\n\nAbstract. Poland is experiencing progressing depopulation. At the same time, an intensified influx of economic migrants is observed. The aim of the study described in this article is to determine the dependence between the level of depopulation and the number of submitted declarations of intent to employ Ukrainian citizens at local level. The study covers powiats in the\nŁódzkie and Śląskie voivodships. The analysis was carried out on the basis of Statistics Poland’s data from the 2011 and 2021 national censuses and the information on the average number of declarations of employment of foreigners submitted in 2019 –2021 that is published by the\nMinistry of Family, Labour and Social Policy. The focus was placed exclusively on the\n\na Uniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Polska / University of Lodz, Faculty of Economics and Sociology, Poland. ORCID: https://orcid.org/0000-0001-5023-2596. E-mail: [REDACTED:EMAIL].\n\n© Dorota Kałuża-Kopias\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\ndemographic factor. The analysis used a taxonomic indicator based on Euclidean distance and\nPearson’s correlation coefficient.\nThe results of the study demonstrate that there is a statistically significant relationship between the depopulation and the influx of Ukrainian citizens intending to work in the Łódzkie and Śląskie voivodships. The loss of the working -age population, especially within the mobile age group (18 –44 years), is significant in the context of employing Ukrainians under the simplified procedure. In the case of the Łódzkie and Śląskie voivodships, the natural population decline and the outflow of residents to the neighbouring voivodships are the main barriers to the development of the regional labour market. Some companies deal with staff shortages by employing immigrants.\nKeywords: depopulation, migrations, labour market, Ukraine, Łódzkie Voivodship, Śląskie\nVoivodship\n1. Wprowadzenie\nOd kilkunastu lat Polska doświadcza depopulacji. W kolejnych dekadach proces ten będzie postępować. Głównym zagrożeniem ekonomicznym ściśle związanym ze spadkiem liczby ludności są zmiany wielkości zasobów pracy, które przekładają się na niedobory pracowników, a co za tym idzie – obniżenie atrakcyjności inwestycyjnej i osiedleńczej danego obszaru (Szukalski, 2019; Śleszyński, 2013, 2018).\nZmniejszanie się liczby ludności jest zróżnicowane przestrzennie. W ostatnim dwudziestoleciu wyludnianie się zaczęło dotyczyć – oprócz większości peryferyjnych obszarów wiejskich (Heffner i Latocha, 2021) – małych i średnich miast, a także niektórych dużych miast (np. Katowic), w tym największych (np. Łodzi; Szmytkie i Sikorski,\n2020; Szukalski, 2017; Wyszkowska i Wyszkowski, 2023).\nJednocześnie od kilku lat można zaobserwować szybki wzrost liczby ludności przybywającej do Polski z Europy Wschodniej (głównie Ukrainy), właściwie do wszystkich województw, przy jednoczesnej dywersyfikacji miejsc podejmowania pracy przez imigrantów (Brzózka i Sowa, 2016; Chmielewska i in., 2018; Kałuża- Kopias, 2020). Procesowi temu sprzyjają spadek bezrobocia, który przekłada się na łatwość znalezienia pracy, i systematyczny wzrost średniej płacy (Górny i van der Zwan, 2024; Greenwood, 2021; Kałuża-Kopias, 2021, 2023).\nPolityka migracyjna jako narzędzie administrowania rynkiem pracy koncentruje się na emigracji w sytuacji bezrobocia, a na imigracji w przypadku występowania niedoborów kadrowych, zwłaszcza w sektorach gospodarki, które są mniej atrakcyjne dla rodzimych pracowników. W świetle wspomnianych procesów można postawić hipotezę, że migracja pracowników z zagranicy działa kompensująco na zmiany wielkości zasobów pracy. Należy się spodziewać, że im większa będzie skala depopulacji, tym zaistnieje większe zapotrzebowanie na pracowników z zagranicy i tym większą rolę zaczną oni odgrywać na lokalnym rynku pracy.\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 35\n\nCelem badania omawianego w artykule jest ustalenie zależności zachodzącej pomiędzy poziomem depopulacji a liczbą oświadczeń o zamiarze zatrudnienia obywateli\nUkrainy składanych na poziomie lokalnym. Analizę przeprowadzono dla powiatów leżących w województwach łódzkim i śląskim. Wybrano te dwa województwa, ponieważ notują one jedne z największych w kraju ubytków ludności (zarówno ogółem, jak i w wieku produkcyjnym), a równocześnie w ostatniej dekadzie wydano tam najwięcej dokumentów (zezwoleń i oświadczeń) u możliwiających podjęcie pracy przez cudzoziemców (Brzózka i Sowa, 2016; Kałuża-Kopias, 2023).\n2. Depopulacja w Polsce\nPunktem wyjścia badania – ukazującym specyfikę badanych województw – były dane dla kraju w układzie regionalnym. Porównując wyniki dwóch ostatnich spisów powszechnych: Narodowego Powszechnego Spisu Ludności i Mieszkań (NSP) 2011 i NSP 2021 (tabl. 1), można zauważyć, że największe ubytki liczby ludności dotyczyły województw, które od dwóch dekad odnotowują zarówno ujemny przyrost naturalny, jak i ujemny przyrost migracyjny, czyli świętokrzyskiego, opolskiego (w obu nastąpił ubytek liczby mieszkańców o niemal 7%) i łódzkiego (o ok. 6%). Natomiast tylko w czterech województwach w porównywanych latach liczba mieszkańców się zwiększyła: mazowieckim (o ok. 5%), pomorskim (ok. 4%), małopolskim (ok. 3%) i wielkopolskim (ok. 2%), a więc w regionach, które od dłuższego czasu odnotowują nadwyżkę liczby urodzeń na d liczbą zgonów i w większości lat ostatniej dekady miały dodatni bilans migracyjny. Należy jednak zwrócić uwagę, że przyrost liczby ludności w tych województwach jest efektem siły przyciągania migracyjnego największych miast w regionach, a poza nimi i ic h suburbiami w większości powiatów obserwuje się ubytek liczby mieszkańców (Kałuża-Kopias, 2010; Szukalski, 2019; Śleszyński, 2018).\nProcesowi depopulacji z jednej strony towarzyszy spadek liczby ludzi młodych, a z drugiej – szybki wzrost liczby osób starszych. W rezultacie zmniejsza się odsetek osób w wieku produkcyjnym i proces ten przebiega na ogół bardziej dynamicznie niż zmiana liczby ludności ogółem (Szukalski, 2017). W okresie między dwoma ostatnimi spisami powszechnymi, czyli między 2011 r. a 2021 r., liczba ludności w wieku produkcyjnym (kobiety w wieku 18–59 lat, mężczyźni w wieku 18–64 lat) spadała w całym kraju. Kurczenie s ię potencjalnych zasobów pracy było najbardziej zauważalne w regionach, które od dłuższego czasu notują największe ubytki ludności ogółem.\nW województwach świętokrzyskim, łódzkim, opolskim i śląskim ubytek liczby mieszkańców w wieku produkcyjnym wyniósł ok. 14%, a w małopolskim, mazowieckim i wielkopolskim nie przekraczał 3% (tabl. 1).\n\nTabl. 1. Liczba ludności w województwach w 2021 r. i prognozowana na 2060 r.\nWojewództwa\nOgółem W tym w wieku produkcyjnym Ogółem W tym w wieku produkcyjnym\n2021 2060 rok 2011 = 100 rok 2022 = 100\nPolska ................................ . 98,8 91,0 81,9 68,9\nDolnośląskie .............................. 99,6 90,3 83,5 70,6\nKujawsko-pomorskie ............. 96,6 88,7 76,7 65,2\nLubelskie ................................ .... 94,3 87,5 73,1 62,5\nLubuskie ................................ ..... 96,9 87,5 77,7 65,8\nŁódzkie ................................ ....... 94,9 86,4 74,7 64,4\nMałopolskie ............................... 102,8 97,3 89,9 76,2\nMazowieckie ............................. 104,7 97,5 92,9 79,2\nOpolskie ................................ ..... 93,9 86,4 73,4 60,8\nPodkarpackie ............................ 98,4 92,6 78,6 65,9\nPodlaskie ................................ .... 96,0 90,1 77,4 65,7\nPomorskie ................................ .. 103,6 95,6 92,5 78,7\nŚląskie ................................ ......... 95,1 86,0 74,9 63,9\nŚwiętokrzyskie .......................... 93,4 85,7 69,3 58,9\nWarmińsko-mazurskie ........... 95,2 87,2 74,3 62,3\nWielkopolskie ........................... 101,7 93,6 85,8 72,7\nZachodniopomorskie ............ 96,2 86,6 77,2 65,2\nŹródło: opracowanie własne na podstawie: Bank Danych Lokalnych (BDL) Głównego Urzędu Statystycznego oraz Główny Urząd Statystyczny ([GUS], 2023a).\nPrognoza Głównego Urzędu Statystycznego (2023b) 1 jednoznacznie wskazuje, że obserwowane zmiany będą się pogłębiać (tabl. 1). W 2060 r. liczba ludności woj. świętokrzyskiego zmniejszy się w porównaniu z 2022 r. o ok. 30%, a województw opolskiego i lubelskiego – o ponad 26%. W województwach łódzkim i śląskim nastąpi 25procentowy spadek liczby mieszkańców. Jeszcze szybciej będzie spadała liczba ludności w wieku produkcyjnym. Do 2060 r. odsetek osób w wieku produkcyjnym zmniejszy się w skali kraju o ponad 31%, w tym w woj. świętokrzyskim o ponad 40%, a w opolskim – o 39%.\n3. Depopulacja województw łódzkiego i śląskiego\nŁódzkie to jeden z najbardziej wyludniających się regionów w Polsce. Rzeczywisty ubytek2 liczby mieszkańców notuje się tutaj już od połowy lat 80. XX w. Analiza zmian liczby ludności na poziomie 24 powiatów wskazuje jednak, że nie na całym obszarze\n\n1 Prognoza ludności na lata 2023–2060 opublikowana w 2023 r. uwzględnia dane o populacji zgromadzone w trakcie NSP 2021. Prognoza ta, jak każda inna, jest obarczona pewnym błędem wynikającym m.in. z braku pełnej wiedzy o wyjściowym stanie liczby ludności (pomimo częściowej korekty dokonanej na podstawie ostatniego spisu). Autorka artykułu nie ocenia poziomu trafności najnowszej prognozy ludności, lecz skupia się wyłącznie na przedstawieniu oczekiwanych zmian liczby ludności w poszczególnych województwach.\n2 Jest to suma ubytku naturalnego (różnica między liczbą zgonów a liczbą urodzeń) oraz salda migracji (różnica między liczbą osób, które opuściły dany obszar, a liczbą osób, które tam przybyły).\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 37\n\nwoj. łódzkiego mamy do czynienia z depopulacją . Porównanie wyników NSP 2011 i NSP 2021 wskazuje na spadek liczby mieszkańców w 21 powiatach, a w trzech – na wzrost (wykr. 1).\n\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 39\n\nDepopulacja przybrała największe rozmiary względne w Piotrkowie Trybunalskim oraz powiatach łęczyckim i kutnowskim, a więc na obszarach, które należą do najmniej atrakcyjnych w regionie pod względem społeczno- gospodarczym (Kałuża -\n-Kopias, 2021). W badanym okresie liczba osób w wieku produkcyjnym w Piotrkowie Trybunalskim zmniejszyła się o 20%, w pow. kutnowskim – o 18%, a w łęczyckim – o 15%. W relatywnie dobrej sytuacji znalazły się powiaty okalające stolicę regionu Łódź, wchodzące w skła d obszaru metropolitalnego miasta: łódzki wschodni, zgierski i pabianicki. Dzięki suburbanizacji nie odnotowywały one strat ludności ogółem, a ubytek liczby mieszkańców w wieku pro dukcyjnym był tam najmniejszy.\nW pow. łódzkim wschodnim liczba ludności w wieku produkcyjnym zmniejszyła się na przestrzeni lat 2011 –2021 o ok. 2%, w zgierskim – o 7%, a pabianickim – o niespełna 10% (wykr. 1).\nW woj. śląskim, podobnie jak w łódzkim, powiaty okalające duże miasta, czyli np.\nmikołowski i bieruńsko-lędziński (wchodzące w skład obszaru metropolitalnego Katowic) czy bielski (suburbium Bielska-Białej) w ostatniej dekadzie odnotowały wzrost liczby mieszkańców i najmniejszy ubytek potencjalnych zasobów pracy. W analizowanym okresie spadek liczby ludności w wieku produkcyjnym nie przekroczył tam\n5% (wykr. 2). Do najszybciej wyludniających się powiatów w woj. śląskim należą miasta górnicze i hutnicze: Bytom, Zabrze i Świętochłowice – ubytek liczby mieszkańców w wieku produkcyjnym wyniósł tam ponad 20%.\nWedług najnowszej prognozy GUS (2023b) w perspektywie 2060 r. we wszystkich powiatach województw łódzkiego i śląskiego obserwowany będzie ubytek liczby mieszkańców. Największe spadki w porównaniu z 2022 r., przekraczające 30%, w woj.\nłódzkim dotkną powiatów grodzkich (czyli miast na prawach powiatu): Łodzi i Piotrkowa Trybunalskiego, a w woj. śląskim – powiatów grodzkich związanych z przemysłem wydobywczym: Bytomia, Dąbrowy Górniczej, Jastrzębia- Zdroju, Jaworzna, Sosnowca i Zabrza.\n4. Napływ imigrantów zarobkowych z Ukrainy\nBadania pokazują, że cudzoziemcy przyjeżdżają do Polski głównie w celach zarobkowych (Górny i van der Zwan, 2024; Szpakowska i in., 2016 ). Systematyczny wzrost liczby pracowników z zagranicy, spowodowany szybkim rozwojem gospodarczym i niedoborem rodzimej siły roboczej (zwłaszcza w branżach spożywczej, logistycznej i budowlanej), można zaobserwować od czasu akcesji Polski do Unii Europejskiej.\nNależy zaznaczyć, że omawiane badanie dotyczące imigrantów zarobkowych z Ukrainy obejmuje okres do 2021 r. Jest to spowodowane zmianami w przepisach o zatrudnianiu cudzoziemców, które weszły w życie po inwazji Rosji na Ukrainę (Ustawa z dnia\n12 marca 2022 r. o pomocy obywatelom Ukrainy w związku z konfliktem zbrojnym na\n\nterytorium tego państwa, tzw. specustawa). W związku z tym dane za 2022 r. dotyczące liczby wydawanych dokumentów związanych z zatrudnianiem cudzoziemców w Polsce są nieporównywalne z wcześniejszymi latami.\nW analizowanym okresie odnotowano dynamiczny wzrost liczby zezwoleń wydawanych w ramach uproszczonej procedury, czyli oświadczeń o zamiarze powierzenia wykonywania pracy cudzoziemcowi (od 2018 r. – o powierzeniu pracy)\n3 składanych przez pracodawców. W 2021 r. tylko obywatelom Ukrainy wydano ponad 325 tys. zezwoleń na pracę w Polsce, czyli o 10% więcej niż rok wcześniej, i złożono ponad 1,7 mln oświadczeń o powierzeniu pracy cudzoziemcowi (dalej również: oświadczeń), co oznacza wzrost o 8% w porównaniu z rokiem wcześniejszym\n4. Chociaż dane o faktycznej liczbie osób zatrudnionych na podstawie oświadczeń nie są zbierane i powszechne jest zjawisko multiplikowania tych dokumentów5 – a więc nie dają one pełnego obrazu imigrantów na polskim rynku pracy – to pozwalają jednak oszacować skalę zjawiska (Gońda, 2021; Górny i in., 2018). Należy zaznaczyć, że liczba dokumentów nie jest tożsama z liczbą osób wykonujących w tym czasie pracę. Część z tych osób uzyskała bowiem więcej niż jedno zezwolenie lub oświadczenie, a poza tym cudzoziemiec mógł nie otrzymać wizy lub zrezygnować z przyjazdu do Polski. Ponadto obywatele państw trzecich posiadający np. zezwolenie na pobyt stały, rezydenci długookresowi, posiadacze Karty Polaka i studenci nie potrzebują zezwolenia ani oświadczenia, aby podjąć pracę w Polsce.\nWzrost liczby cudzoziemców pracujących w Polsce przekłada się na zwiększenie liczby obcokrajowców opłacających składki i korzystających z ubezpieczenia społecznego. Co ważne, dane Zakładu Ubezpieczeń Społecznych (ZUS)\n6 pokazują liczbę osób, które podjęły legalną pracę w danym roku kalendarzowym. W 2021 r. liczba obywateli Ukrainy zarejestrowanych w ZUS przekroczyła 627 tys., co stanowi wzrost o 18% w stosunku do roku poprzedniego. Natomiast w latach 2015–2021 jedne z największych średniorocznych przyrostów liczby wydanych zezwoleń na pracę i złożonych oświadczeń uzyskano w województwach charakteryzujących się jednymi z największych ubytków liczby ludności (tabl . 2), m.in. łódzkim (średnioroczny wzrost\n\n3 Oficjalne dane o oświadczeniach na poziomie powiatów są dostępne od 2019 r.\n4 Obecnie imigranci z państw trzecich mogą uzyskać zezwolenie na pracę w Polsce na okres nie dłuższy niż trzy lata, z możliwością przedłużenia. Ponadto , oprócz zwyczajowych sposobów uzyskania pozwolenia na pracę, przyjęto szczególne rozwiązania dla obywateli niektórych krajów (Armenii, Białorusi, Gruzji, Mołdawii, Ukrainy, Rosji – do 20 października 2022 r.), którzy mogą skorzystać z uproszczonej procedury, a więc z oświadczenia pracodawcy o powierzeniu pracy cudz oziemcowi.. Okres wykonywania pracy przez cudzoziemca na podstawie oświadczenia wpisanego do ewidencji (lub kilku takich oświadczeń) nie może przekroczyć 6 miesięcy w ciągu kolejnych 12 miesięcy.\n5 Oznacza to, że oświadczenia mogą być składane wielokrotnie przez te same osoby (zmiana pracodawcy, koniec okresu ważności dokumentów, niepodjęcie pracy przez imigranta), co prowadzi do nadmiernej liczby zgłoszeń w stosunku do rzeczywistej liczby zatrudnionych osób.\n6 Liczba cudzoziemców ubezpieczonych w ZUS stanowi jedynie pewne przybliżenie liczby pracujących cudzoziemców, ponieważ nie obejmuje m.in. pracujących na umowę o dzieło lub umowę o pomocy przy zbiorach czy świadczących pracę w szarej strefie.\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 41\n\nliczby wydawanych zezwoleń rok do roku to ponad 58%, a składanych oświadczeń –\n47%), śląskim (odpowiednio: 64% i 47%) i opolskim (odpowiednio: 32% i 68%).\nDla porównania, w latach 2015–2021 w woj. mazowieckim, notującym największy przyrost liczby ludności, liczba wydawanych zezwoleń wzrastała średnio rok do roku o ok. 10%, a składanych oświadczeń – o 14%.\nTabl. 2. Obywatele Ukrainy pracujący w Polsce\nWojewództwa\nNa podstawie zezwoleń Na podstawie oświadczeń Zarejestrowani w ZUS\n2015 2020 2021 2015 2020 2021 2020 2021 w tys.\nPolska ................................ .. 57,3 295,3 325,2 762,7 1329,4 1635,1 532,5 627,0\nDolnośląskie ....................... 3,3 16,6 33,3 72,0 151,9 169,7 53,3 65,2\nKujawsko-pomorskie ...... 3,1 22,2 20,6 28,7 54,8 60,6 12,8 24,5\nLubelskie ............................. 1,2 8,9 14,3 33,4 28,1 34,2 8,0 16,9\nLubuskie .............................. 2,6 10,5 10,2 55,0 59,2 79,3 16,0 25,7\nŁódzkie ................................ 1,0 29,9 20,4 36,9 125,0 176,0 24,0 44,5\nMałopolskie ........................ 5,5 31,4 21,3 44,6 68,8 78,2 25,0 52,7\nMazowieckie ...................... 27,9 44,7 54,2 306,7 252,1 289,4 74,6 127,3\nOpolskie .............................. 1,1 8,5 6,6 14,3 72,5 116,8 10,1 19,4\nPodkarpackie ..................... 1,0 5,7 5,2 10,0 20,7 24,7 6,4 11,9\nPodlaskie ............................. 0,3 5,3 5,5 6,6 25,7 31,8 4,3 8,8\nPomorskie ........................... 3,6 18,3 25,4 24,7 105,1 134,0 24,5 39,5\nŚląskie ................................ .. 1,8 26,8 39,5 33,9 120,2 139,9 38,9 57,7\nŚwiętokrzyskie ................... 0,6 3,9 5,6 16,7 13,3 15,9 3,2 6,9\nWarmińsko-mazurskie .... 0,6 4,7 3,7 3,4 42,6 57,0 5,3 13,2\nWielkopolskie .................... 3,0 39,9 47,6 57,7 137,4 158,9 45,8 75,2\nZachodniopomorskie ..... 0,9 17,9 12,0 17,8 52,0 68,8 22,4 30,7\nŹródło: opracowanie własne na podstawie: Ministerstwo Rodziny, Pracy i Polityki Społecznej ([MRPiPS ], b.r.) oraz ZUS (b.r.).\n\nWzrost liczby obywateli Ukrainy pracujących w Polsce powoduje, że notuje się coraz większą liczbę Ukraińców opłacających składki i korzystających z ubezpieczenia społecznego. W 2021 r. w ZUS było zarejestrowanych o 18% Ukraińców więcej niż w 2020 r.; najczęściej pracowali w województwach: mazowieckim, dolnośląskim, wielkopolskim i śląskim.\n\n5. Napływ imigrantów zarobkowych z Ukrainy do województw łódzkiego i śląskiego\nW ostatnim dziesięcioleciu wzrosła liczba imigrantów zarobkowych, którzy przybyli do województw łódzkiego i śląskiego. Tempo ich napływu jest większe niż obserwowane dotąd w regionach Polski najbardziej atrakcyjnych dla obcokrajowców (Mazowsze, Małopolska i Wielkopolska). Jak można sądzić, w obliczu wyczerpywania się możliwości podjęcia pracy w tych regionach na atrakcyjności zaczęły zyskiwać inne regiony, a w nich zwłaszcza duże miasta (m.in. ze względu na to, że mieszczą się w nich siedziby dużych agencji zatrudnienia).\nW 2021 r. powiatowe urzędy pracy w woj. łódzkim wydały ponad 176 tys. oświadczeń (drugie miejsce w kraju po woj. mazowieckim), co stanowi 11,1% wszystkich oświadczeń wydanych w Polsce (1,71 mln). W woj śląskim zarejestrowano prawie 140 tys. oświadczeń (8,4% wszystkich oświadczeń; szósta lokata w kraju).\nMapa 1 obrazuje rozkład przestrzenny napływu imigrantów zarobkowych z Ukrainy podejmujących pracę na podstawie oświadczeń w województwach łódzkim i śląskim. Widać na niej wyraźne różnice w liczbie oświadczeń składanych w poszczególnych powiatach w przeliczeniu na 1000 mieszkańców. W woj. łódzkim w latach\n2019–2021 najwięcej obywateli Ukrainy przybyło do powiatów: Łódź (134 Ukraińców na 1000 mieszkańców powia tu), zgierskiego (105) i kutnowskiego (63). Na przeciwnym biegunie znalazły się powiaty zduńskowolski i łaski (maksymalnie 10 Ukraińców na 1000 mieszkańców powiatu).\nW woj. śląskim najwięcej średniorocznie oświadczeń w przeliczeniu na 1000 mieszkańców (ponad 70) zostało złożonych w miastach: Ruda Śląska, Tychy i Gliwice, a najmniej – w Świętochłowicach (3), Piekarach Śląskich (mniej niż 4) i Bytomiu (6).\nW powiatach charakteryzujących się ponadprzeciętnym ubytkiem liczby osób w wieku produkcyjnym na ogół złożono więcej oświadczeń. Warto zaznaczyć, że wiele z tych powiatów wchodziło w skład Łódzkiej Specjalnej Strefy Ekonomicznej lub\nKatowickiej Specjalnej Strefy Ekonomicznej.\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 43\n\n6. Metoda badania\nBadanie omawiane w artykule przeprowadzono na przykładzie województw łódzkiego i śląskiego. Z jednej strony zachodzą tam poważne procesy depopulacyjne, a z drugiej\n– dynamicznie napływają w te rejony imigranci zarobkowi, zwłaszcza z Ukrainy.\nMożna założyć, że wyludnianie się analizowanych województw i w konsekwencji kurczenie się potencjalnych zasobów pracy – zwłaszcza ubytek osób młodych, najbardziej mobilnych – pociąga za sobą wzrost zainteresowania pracodawców zatrudnianiem cudzoziemców, którzy przynajmniej częściowo kompensują spadek liczby rodzimych pracowników.\nAby sprawdzić, czy zachodzi statystycznie istotny związek między depopulacją a napływem imigrantów zarobkowych z Ukrainy do poszczególnych powiatów, dokonano analizy danych o liczbie oświadczeń o powierzeniu pracy cudzoziemcowi (obywatelowi Ukrainy) złożonych w latach 2019 –2021, a pochodzących z bazy MRPiPS.\nChoć oświadczenia są tylko jedną z form legalnego funkcjonowania cudzoziemców zza wschodniej granicy na polskim rynku pracy, to jedynie te dokumenty są udostępniane w układzie przestrzennym na poziomie powiatów (zezwolenia ani informacje o cudzoziemcach zgłoszonych do ubezpieczeń emerytalnego i rentowych nie dają takiej wiedzy). Dodatkowo oświadczenia dostarczają informacji o planowanym miejscu wykonywania pracy przez cudzoziemca, podczas gdy dane ZUS zawierają jedynie informacje o liczbie zarejestrowanych cudzoziemców według siedziby płatnika.\nDo analizy zróżnicowania przestrzennego poziomu depopulacji powiatów województw łódzkiego i śląskiego wykorzystano dane z ostatnich dwóch powszechnych spisów ludności. Pozwoliło to na ukazanie zmiany liczby mieszkańców ogółem, jak i w wieku produkcyjnym między 2011 a 2021 r. Dane spisowe – w przeciwieństwie do danych pochodzących z bieżącej ewidencji ludności, opartej na statystyce zameldowań i wymeldowań – ukazują rzeczywisty obraz zjawiska, co pozwala na zmniejszenie skali niedoszacowania lub przeszacowania liczby mieszkańców powiatów, zwłaszcza w przypadku ludzi młodych.\nPodczas analizy zróżnicowania przestrzennego poziomu depopulacji powiatów województw łódzkiego i śląskiego posłużono się wskaźnikiem taksonomicznym opartym na odległości euklidesowej (OE; Jabłoński i Tokarski, 2010) bazującym na dwóch zmiennych:\n• zmienna 1 – zmiana liczby ludności ogółem w okresie międzyspisowym wyrażona równaniem:\n\niitt1/tt0\n1 =\nLLtt1\nLLtt0\n, (1) gdzie:\nL – liczba ludności,\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 45\n\nt0 – dzień spisu NSP 2011, t1 – dzień spisu NSP 2021;\n• zmienna 2 – zmiana udziału liczby ludności w wieku produkcyjnym mobilnym\n(18–44 lata) w liczbie ludności w wieku produkcyjnym pomiędzy dwoma ostatnimi spisami powszechnymi, wyrażona równaniem:\n\niitt1/tt0\n2 =\nLL18−44,tt1\nLL18−59KK/64MM,tt1\nLL18−44,tt0\nLL18−59KK/64MM,tt0\n, (2)\n\ngdzie:\nLL18−44 – liczba ludności w wieku produkcyjnym mobilnym,\nLL18−59KK/64MM – liczba ludności w wieku produkcyjnym.\nPrzy konstrukcji wskaźnika wybór ograniczono do dwóch najważniejszych zmiennych, które wywierają największy wpływ na badane zjawisko oraz wskazują na dużą zmienność wartości w analizowanych powiatach, a także brak między nimi statystycznie istotnej korelacji. Ograniczenie liczby zmiennych może ponadto prowadzić do trafniejszych i bardziej użytecznych wniosków.\nZmienne 1 i 2 zostały potraktowane jako destymulanty rozwoju demograficznego i społeczno-gospodarczego powiatów:\n\nSSii = xxiiii\n, (3)\n\ngdzie xxiiii to wartość jj-ej zmiennej dla ii-tego powiatu.\nPo zamianie destymulant na stymulanty zostały one poddane procesowi normalizacji zgodnie z procedurą:\n\nZZii =\nSSii maxxxiiii\n, (4)\n\ngdzie ZZ ii oznacza znormalizowane wartości zmiennej dla ii-tego powiatu.\nDysponując znormalizowanymi wartościami zmiennych, obliczono wartości wskaźnika obrazującego przestrzenne zróżnicowanie poziomu depopulacji bazujące na odległości w przestrzeni euklidesowej:\n\nOOOO = [UNREADABLE_GLYPH]\n∑ (1−ZZii)2mm ii=1 mm , (5) gdzie mm jest liczbą stymulant.\nOE przyjmuje wartości z przedziału [0, 1] i mierzy odległości w przestrzeni euklidesowej ii-tego powiatu od hipotetycznego powiatu (wzorca), czyli takiego, który\n\ncharakteryzowałby się maksymalną wartością każdej z badanych stymulant. Im wyższa wartość OE, tym większe problemy depopulacyjne danego powiatu.\nW kolejnym kroku sprawdzono, czy zachodzi związek między OE a średnią liczbą oświadczeń dotyczących obywateli Ukrainy składanych w poszczególnych powiatach w latach 2019–2021.\nZe względu na zróżnicowany potencjał demograficzny badanych jednostek administracyjnych liczba zarejestrowanych w nich oświadczeń została przeliczona na 1000 mieszkańców. Do analizy został zastosowany współczynnik korelacji Pearsona.\n7. Wyniki badania\nPrzestrzenne zróżnicowanie wartości wskaźników taksonomicznych opartych na o dległości w przestrzeni euklidesowej obliczone dla powiatów leżących w województwach łódzkim i śląskim wskazuje, że w wyraźnie najlepszej sytuacji demograficznej znajdowały się powiaty: bełchatowski, wieruszowski, piotrkowski, łódzki wschodni i skierniewicki (woj. łódzkie) oraz pszczyński, bieruńsko -lędziński, rybnicki, lubliniecki i Mysłowice (woj. śląskie).\nDo powiatów borykających się z największymi problemami demograficznymi zaliczają się stolice regionów, czyli Łódź i Katowice, a także Piotrków Trybunalski, powiaty: kutnowski, łęczycki i tomaszowski (woj. łódzkie) oraz Sosnowiec, Częstochowa,\nBielsko-Biała i Dąbrowa Górnicza (woj. śląskie). Wyniki przedstawiono na mapie 2.\nZa pomocą współczynnika korelacji Pearsona sprawdzono, czy zachodzi związek między sytuacją demograficzną wyrażoną wskaźnikiem OE a liczbą zarejestrowanych oświadczeń dotyczących obywateli Ukrainy w poszczególnych powiatach województw łódzkiego i śląskiego (tabl. 3).\nTabl. 3. Wyniki analizy korelacji\nWartość Woj. łódzkie Woj. śląskie\nWspółczynnik korelacji\nPearsona ........................ 0,482 0,368\nStatystyka t-Studenta ..... 2,784 2,782 p-value ................................ . 0,019 0,018\nŹródło: opracowanie własne.\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 47\n\nWyniki badania wskazują, że zachodzi statystycznie istotny związek między poziomem depopulacji wyrażonym OE a liczbą rejestrowanych oświadczeń dotyczących obywateli Ukrainy w przeliczeniu na 1000 mieszkańców powiatu. Wartość odpowiednich wartości współczynnika korelacji wskazuje na umiarkowaną dodatnią zależność, która w przypadku woj. łódzkiego wynosi 0,482, a w przypadku woj. śląskiego – 0,368.\nZnacząca różnica wartości współczynnika korelacji między badanymi województwami może wynikać z ich odmiennej struktury administracyjnej. Z punktu widzenia rynku pracy do najbardziej atrakcyjnych obszarów w obu województwach należą miasta grodzkie.\nW woj. łódzkim leżą trzy miejscowości mające status miasta na prawach powiatu:\nŁódź, Piotrków Trybunalski i Skierniewice. To miasta o zróżnicowanym poziomie depopulacji, które przyciągają imigrantów zarobkowych w znacznie większym stopniu niż pozostałe pow iaty. Natomiast w woj. śląskim leży 19 miast na prawach powiatu :\nKatowice, Bielsko-Biała, Bytom, Chorzów, Częstochowa, Dąbrowa Górnicza, Gliwice,\nJastrzębie-Zdrój, Jaworzno, Mysłowice, Piekary Śląskie, Ruda Śląska, Rybnik, Siemianowice Śląskie, Sosnowiec, Świętochłowice, Tychy, Zabrze i Żory. Procesy depopulacyjne kształtują się w nich na zbliżonym poziomie, co wpływa na rozproszenie napływu imigrantów zarobkowych na terenie województwa.\nUmiarkowany poziom zależności może wynikać także z wykorzystania w analizie tylko jednego typu dokumentu zezwalającego na legalną pracę – oświadczenia, które w dużej mierze dotyczy cudzoziemców podejmujących pierwszą pracę w Polsce. Obywatele Ukrainy, którzy przepracowali już w naszym kraju kilka lat, korzystają z innych form zatrudnienia, w tym pozwoleń na pracę ( Górny i van der Zwan, 2024; Kałuża-\n-Kopias, 2020).\n8. Dyskusja i podsumowanie\nProcesy depopulacyjne zachodzące w Polsce niosą zagrożenie dla regionalnych rynków pracy. W najgorszej sytuacji znajdują się województwa, które od lat charakteryzują się spadkiem liczby ludności: łódzkie, świętokrzyskie, opolskie i śląskie.\nW ostatniej dekadzie liczba imigrantów zarobkowych – przede wszystkim z Ukrainy – systematycznie wzrastała, co pokazują statystyki rynku pracy oraz ZUS. Dane\nNarodowego Banku Polskiego wskazują, że przed wybuchem pandemii COVID -19 w Polsce pracowało ok. 1,5 mln migrantów zarobkowych, a ponad 80% z nich pochodziło z Ukrainy (Strzelecki i in., 2021).\nWyniki badania omawianego w artykule potwierdziły, że zachodzi związek między depopulacją a napływem obywateli Ukrainy do pracy w województwach łódzkim i śląskim. Można jednak przypuszczać, że nie sam proces wyludniania się regionu jest głównym czynnikiem przyciągającym do niego imigrantów zarobkowych. Największe\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 49\n\nznaczenie dla napływu Ukraińców w ramach uproszczonej procedury ma spadek liczby ludności w wieku produkcyjnym, a zwłaszcza mobilnym. Należy zaznaczyć, że w badaniu nie uwzględniono zmiennych związanych z rozwojem społeczno -gospodarczym poszczególnych regionów i powiatów. Skupiono się wyłącznie na czynniku demograficznym.\nUbytek naturalny i odpływ mieszkańców do województw ościennych to główne bariery rozwoju regionalnego rynku pracy w województwach łódzkim i śląskim. Część firm uzupełnienia niedobory kadrowe, zatrudniając imigrantów. Często korzystają one z usług agencji zatrudnienia (Pawlak i Lashchuk, 2020), które w ramach uproszczonej procedury rekrutują cudzoziemców na konkretne stanowiska.\nWedług ostatniej prognozy GUS (2023b ) ubytek liczby potencjalnych pracowników będzie w Polsce postępował szybciej niż ubytek liczby mieszkańców ogółem.\nMoże to oznaczać potrzebę zwiększenia udziału obcokrajowców w rynku pracy – nie tylko imigrantów pochodzących z krajów ościennych, lecz także spoza Europy. To realny scenariusz, tym bardziej że prognoza Organizacji Narodów Zjednoczonych\n(2023) wyraźnie wskazuje na proces starzenia się społeczeństw i kurczenia zasobów pracy w krajach europejskich. W kolejnych dekadach XXI w. wzrost liczby ludności w wieku produkcyjnym będzie zauważalny głównie w Afryce i Azji Środkowej.\nZ uwagi na znaczenie omawianego problemu w Europejskim Funduszu Rozwoju\nSpołecznego na lata 2021–2027 przewidziano środki na szkolenia i wspieranie rynku pracy z uwzględnieniem potrzeb cudzoziemców. W strategicznych dokumentach dotyczących rozwoju województw łódzkiego (Grabowka i Styrc, 2015) i śląskiego ( Strategia rozwoju województwa śląskiego „Śląskie 2030”; Strategia Polityki Społecznej Województwa Śląskiego na lata 2020–2030) brakuje jednak wskazania konkretnych działań w zakresie wykorzystania potencjału imigracyjnego w łagodzeniu negatywnych zmian demograficznych (Gońda, 2021; Kałuża- Kopias, 2020; Lesińska i Matuszczyk,\n2019). Władze woj. łódzkiego proponują następujące działania na rzecz poprawy sytuacji demograficznej: stymulowanie dzietności, poprawę jakości opieki zdrowotnej oraz – w obszarze migracji – zahamowanie odpływu ludności do innych regionów i poza granice naszego kraju, głównie poprzez zwiększenie ogólnej atrakcyjności regionu i jego rynku pracy. W dokumentach dotyczących woj. śląskiego i migracja jest postrzegana jako część globalnych procesów, do których region powinien się dostosować, a jednocześnie jako szansa na pobudzenie gospodarki oraz zwiększenie atrakcyjności osiedleńczej regionu.\n\nŹródło finansowania\nArtykuł powstał w ramach projektu „Polityki władz samorządowych województw łódzkiego i śląskiego wobec imigracji” finansowanego przez Narodowe Centrum Nauki (nr UMO-2020/39/D/HS5/03186).\nBibliografia\nBrzózka, P., Sowa, S. (2016). Praca w Łódzkiem. Coraz więcej Ukraińców pracuje w regionie łódzkim.\nPobrane 28 lipca 2021 r. z https://dzienniklodzki.pl/praca -w-lodzkiem-coraz-wiecej-ukraincow\n-pracuje-w-regionie-lodzkim/ar/10341421.\nChmielewska, I., Dobroczek, G., Panuciak, A. (2018). Obywatele Ukrainy pracujący w Polsce – raport z badania . Departament Statystyki Narodowego Banku Polskiego. https://nbp.pl/wp\n-content/uploads/2022/11/obywatele-Ukrainy-pracujacy-w-Polsce-raport-2017.pdf.\nGłówny Urząd Statystyczny. (2023a). NSP 2021 – wyniki ostateczne . https://stat.gov.pl/spisy\n-powszechne/nsp-2021/nsp-2021-wyniki-ostateczne/.\nGłówny Urząd Statystyczny. (2023b). Prognoza ludności na lata 2023–2060 . https://stat.gov.pl\n/obszary-tematyczne/ludnosc/prognoza-ludnosci/prognoza-ludnosci-na-lata-2023-2060,11,1.html.\nGońda, M. (2021). Czy imigracja to remedium dla wyludniających się regionów? Cudzoziemcy w dokumentach strategicznych województw łódzkiego i śląskiego. Polityka Społeczna , 570(9),\n15–24. https://doi.org/10.5604/01.3001.0015.4542.\nGórny, A., Kaczmarczyk, P., Szulecka, M., Bitner, M., Okólski, M., Siedlecka, U., Stefańczyk, A.\n(2018). Imigranci w Polsce w kontekście uproszczonej procedury zatrudniania cudzoziemców. WiseEuropa, Ośrodek Badań nad Migracjami Uniwersytetu Warszawskiego. http://www.\nmigracje.uw.edu.pl/wp-content/uploads/2016/11/raport-power.pdf.\nGórny, A., van der Zwan, R. (2024). Mobility and labor market trajectories of Ukrainian migrants to\nPoland in the context of the 2014 Russian invasion of Ukraine. European Societies , 26(2),\n438–468. https://doi.org/10.1080/14616696.2023.2298425.\nGrabowska I., Styrc , M. (2015). Plan przeciwdziałania depopulacji w województwie łódzkim 2020.\nEGO na zlecenie Regionalnego Centrum Polityki Społecznej w Łodzi. https://rcpslodz.pl/content\n/artykuly/files/2017_03_27_Plan_przeciwdzialania_depopulacji_w_woj_lodzkim_2020.pdf.\nGreenwood, M. J. (2021). Migration and Labor Market Opportunities. W: M. M. Fischer, P. Nijkamp\n(red.), Handbook of Regional Science (s. 467–480). Springer. https://doi.org/10.1007/978-3-662\n-60723-7_5.\nHeffner, K., Latocha, A. (2021). Depopulacja i zanikające wsie w strukturze obszarów wiejskich pogranicza polsko -czeskiego. Rozwój Regionalny i Polityka Regionalna , (55), 67–89.\nhttps://doi.org/10.14746/rrpr.2021.55.06.\nJabłoński, Ł., Tokarski, T. (2010). Taksonomiczne wskaźniki przestrzennego zróżnicowania rozwoju powiatów. Studia Prawno-Ekonomiczne, (81), 261–289.\nKałuża-Kopias, D. (2010). Migracje wewnętrzne w Łodzi na tle wybranych największych miast w Polsce. Acta Universitatis Lodziensis. Folia Sociologica, (35), 199–217.\nD. KAŁUŻA-KOPIAS Zależność między depopulacją a napływem imigrantów zarobkowych... 51\n\nKałuża-Kopias, D. (2020). Imigranci z krajów b. ZSRR na polskim rynku pracy – analiza przestrzenna na poziomie powiatów. Rynek Pracy, (4), 16–27.\nKałuża-Kopias, D. (2021). Wynagrodzenie, łatwość znalezienia pracy czy odległość od domu? Co decyduje o miejscu wykonywania pracy w Polsce przez emigrantów zarobkowych z Ukrainy. Polityka Społeczna, 569(8), 10–18. https://doi.org/10.5604/01.3001.0015.3613.\nKałuża-Kopias, D. (2023). Atrakcyjność powiatów grodzkich dla migrantów zarobkowych z Ukrainy z perspektywy rozwoju społeczno -gospodarczego. W: B. Solga (red.), Migracje i rozwój regionu\n(s. 167–184). Rządowa Rada Ludnościowa.\nLesińska, M., Matuszczyk, K. (2019). Działania samorządów wobec migracji w kontekście zmian demograficznych. Przykład trzech polskich województw. Studia Regionalne i Lokalne, (3), 64 –82.\nhttps://doi.org/10.7366/1509499537704.\nMinisterstwo Rodziny, Pracy i Polityki Społecznej. (b.r.). Urząd Pracy. Wortal Publicznych Służb\nZatrudnienia. https://psz.praca.gov.pl/web/urzad-pracy.\nOrganizacja Narodów Zjednoczonych. (2023). United Nations World Polulation Prospects 2022.\nhttps://population.un.org/wpp/.\nPawlak, M., Lashchuk, J. (2020). Dostęp do rynku pracy, ale nie do państwa. Sytuacja pracowników migrujących w Polsce. Friedrich-Ebert-Stiftung.\nSerwis Regionalnego Programu Operacyjnego Województwa Łódzkiego. (2013). Plan przeciwdziałania depopulacji w województwie łódzkim. Rodzina. Dzieci. Praca. https://rpo.lodzkie.pl\n/images/prawo-i-dokumenty/Plan-przeciwdziaania-depopulacji-w-wojewdztwie-dzkim.pdf.\nStrategia Polityki Społecznej Województwa Śląskiego na lata 2020 –2030 (Załącznik do Uchwały nr VI/25/1/2020 Sejmiku Województwa Śląskiego z dnia 16.11.2020 r.). https://old.rops\n-katowice.pl/wp-content/uploads/2020/11/2020.11.24-SPSWS_2020-2030.pdf.\nStrategia rozwoju województwa śląskiego „Śląskie 2030” (Załącznik do U chwały Nr VI/24/1/2020\nSejmiku Województwa Śląskiego z dnia 19 października 2020 r.). https://www.slaskie.pl\n/content/strategia-rozwoju-wojewodztwa-slaskiego-slaskie-2030.\nStrategia w zakresie polityki społecznej województwa łódzkiego do 2030 roku (Załącznik do\nUchwały nr XLVIII/577/22 Sejmiku Województwa Łódzkiego z dnia 27 września 2022 r .).\nhttps://rcpslodz.pl/o-rcps-lodz-t20/strategie-t29.\nStrzelecki, P., Growiec, J., Wyszyński, R. (2021). The contribution of immigration from Ukraine to economic growth in Poland. Review of World Economics , 158, 365–399. https://doi.org/10.1007\n/s10290-021-00437-y.\nSzmytkie, R., Sikorski, D. (2020). Zmiany ludnościowe małych miast w strefach zaplecza głównych aglomeracji miejskich w Polsce. Space – Society – Economy, (31), 7–24. https://doi.org/10.18778\n/1733-3180.31.01.\nSzpakowska, J., Buchwald, T., Romanowski, R. (2016). Atrakcyjność polskiego rynku pracy dla obywateli Ukrainy – przyczyny, mechanizmy, konsekwencje migracji zarobkowych. Optimum. Studia Ekonomiczne, (2), 163–184. http://dx.doi.org/10.15290/ose.2016.02.80.12.\nSzukalski, P. (2017). Depopulacja – konsekwencje dla rynku pracy. Rynek Pracy , (1), 11 –19.\nhttps://bc.gbpizs.gov.pl/Content/3874/PDF/Rynek_Pracy_1_2017.pdf.\nSzukalski, P. (2019). Depopulacja – wybrane konsekwencje dla lokalnej polityki społecznej . Polityka\nSpołeczna, 547(10), 10–15. https://polityka-spoleczna.ipiss.com.pl/article/139842/pl.\n\nŚleszyński, P. (2013). Delimitacja Miejskich Obszarów Funkcjonalnych stolic województw. Przegląd\nGeograficzny, 85(2), 173–197. https://doi.org/10.7163/PrzG.2013.2.2.\nŚleszyński, P. (2018). Demograficzne wyzwania rozwoju regionalnego Polski. Studia Komitetu Przestrzennego Zagospodarowania Kraju PAN, (183), 225–247.\nUstawa z dnia 12 marca 2022 r. o pomocy obywatelom Ukrainy w związku z konfliktem zbrojnym na terytorium tego państwa (Dz.U. 2022 poz. 583).\nWyszkowska, D., Wyszkowski, A. (2023). Depopulacja i starzenie się ludności – konsekwencje dla finansów gmin w Polsce. Studia BAS, (3), 27–53. https://doi.org/10.31268/StudiaBAS.2023.23.\nZakład Ubezpieczeń Społecznych. (b.r.). Cudzoziemcy . https://www.zus.pl/baza-wiedzy\n/statystyka/opracowania-tematyczne/cudzoziemcy.", "token_count": 15958}
+{"added": "2026-09-10", "author": "Wiktoria Jędrusik", "created": "2025-09-01", "id": "wiadomosci_statystyczne_pl_2025_8_037-052", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Statystyka w praktyce / Statistics in practice\nZgłoszony/submitted: 18.07.2024, poprawiony/revised: 10.03.2025, zaakceptowany/accepted: 5.06.2025\nDostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich1\nWiktoria Jędrusika\nStreszczenie. Gospodarstwa domowe w Polsce zmagają się ze znacznym wzrostem wydatków na cele mieszkaniowe, spowodowanym w głównej mierze gwałtowną zwyżką cen mieszkań , która nastąpiła po 2020 r. Wpłynęło to na poziom dostępności mieszkań w największych miastach. Celem badania omawianego w artykule jest ocena przestrzennego zróżnicowania poziomu dostępności mieszkań w Polsce i identyfikacja typów gospodarstw domowych, dla których mieszkania są najbardziej i najmniej dostępne. Dostępność mieszkań rozpatrywano w kontekście kosztów utrzymania mieszkania w zależności od formy władania nim (własność lub najem). Założono, że mieszkanie jest dostępne, gdy gospodarstwo domowe przeznacza na koszty jego utrzymania nie więcej niż 40% swojego dochodu rozporządzalnego. Badaniem objęto miasta wojewódzkie z wyłączeniem Gorzowa Wielkopolskiego i Torunia. Porównano stan w latach 2020 i 2023, opierając się na danych z raportów Narodowego Banku Polskiego, Banku Danych Lokalnych Głównego\nUrzędu Statystycznego, Urzędu Regulacji Energetyki, EWE (obecnie Elenger) i platformy OtoDom\nAnalytics. Badanie pozwoliło na skategoryzowanie miast wojewódzkich pod względem poziomu dostępności mieszkań. Najdostępniejsze cenowo mieszkania znajdowały się w Katowicach, Bydgoszczy, Zielonej Górze i Olsztynie, a najmniej dostępne – w Warszawie, we Wrocławiu, w Krakowie i Białymstoku. Najem okazał się korzystniejszą formą władania mieszkaniem pod względem kosztów utrzymania niż posiadanie mieszkania na własność. Najwyższy poziom dostępności mieszkań dotyczył dwuosobowych gospodarstw domowych (par), a najniższy – gospodarstw jednoosobowych (singli) oraz pięcioosobowych (rodzin 2+3). Wyniki badania mogą okazać się przydatne dla władz centralnych i lokalnych do określenia odbiorców instrumentów polityki mieszkaniowej.\nSłowa kluczowe: dostępność mieszkań, koszty utrzymania mieszkania, dochód rozporządzalny, gospodarstwo domowe\nJEL: R29\nHousing affordability of households in voivodship capital cities1\nAbstract. Polish households are facing a significant increase in housing-related expenses, primarily caused by a sharp rise in housing prices after 2020. This affected the level of housing affordability in the largest cities in Poland. The aim of the study discussed in the article is to assess the geographical variability in housing affordability levels in Poland and to identify the types of households for which housing is the most and the least affordable. Housing affordability was considered in the context of housing expenses depending on the form of tenure (ownership or rental). It was assumed that housing is affordable when a household spends no more than\n40% of its disposable income on housing maintenance costs. The study covered voivodship\n\n1 Artykuł został opracowany na podstawie referatu wygłoszonego na konferencji „Zrozumieć przyszłość rynku nieruchomości”, która odbyła się w dniach 20–21 czerwca 2024 r. w Łodzi. / The article is based on a paper delivered at the ‘Zrozumieć przyszłość rynku nieruchomości’, held on 20–21 June 2024 in Lodz, Poland.\na Uniwersytet Ekonomiczny w Katowicach, Wydział Gospodarki Przestrzennej i Transformacji Regionów,\nKatedra Badań Strategicznych i Regionalnych, Polska / University of Economics in Katowice, Faculty of Spatial\nEconomy and Regions in Transition, Department of Strategic and Regional Studies, Poland.\nORCID: https://orcid.org/0000-0002-0709-3276. E-mail: [REDACTED:EMAIL].\n\n© Wiktoria Jędrusik\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\ncapital cities, excluding Gorzów Wielkopolski and Toruń. The comparison of the situation in\n2020 and 2023 was based on data from reports of the National Bank of Poland, the Local Data\nBank of Statistics Poland, the Energy Regulatory Office, EWE (now Elenger) and the OtoDom\nAnalytics platform. The research allowed voivodship capital cities to be categorised according to the level of housing affordability. Katowice, Bydgoszcz, Zielona Góra and Olsztyn were cities with the most affordable housing, whereas in Warsaw, Wrocław, Kraków and Białystok, housing was least affordable. The study showed that in voivodship capital cities, rental is a more affordable form of tenure in terms of housing costs than ownership. The highest level of housing affordability was observed in two- person households (couples), while the lowest in one-person households (singles) and five -person households (families with two adults and three children). The findings may prove useful for central and local governments in determining the target groups for future housing policy instruments.\nKeywords: housing affordability, housing expenses, disposable income, household\n1. Wprowadzenie\nOd początku lat 20. XXI w. koszty życia gospodarstw domowych w Polsce – w tym wydatki na cele mieszkaniowe – wyraźnie rosną. Z badania ankietowego przeprowadzonego przez fundację Habitat for Humanity Poland (2023) wynika, że co czwarta osoba zmaga się z problemami mieszkaniowymi. Analiza wyników poprzednich badań tej fundacji prowadzi do wniosku, że coraz mniej obywateli Polski deklaruje, że nie ma problemów mieszkaniowych – w 2018 r. było to 56% osób, w 2020 r. – 37%, a w 2022 r. – 32% (Habitat for Humanity Poland, 2018, 2021, 2023). Coraz częściej mówi się o gospodarstwach domowych znajdujących się w luce czynszowej, czyli z jednej strony niebędących w stanie zaspokoić swoich potrzeb mieszkaniowych na wolnym rynku, a z drugiej – wykazujących zbyt wysokie dochody, aby stać się najemcą mieszkania komunalnego (Cyran, 2017). W luce czynszowej może obecnie znajdować się ok. 35% mieszkańców Polski (Czerniak i Kroszka, 2024).\nCoraz częściej gospodarstwa domowe nie tylko nie są w stanie zaspokoić swoich potrzeb mieszkaniowych, lecz także regularnie pokrywać kosztów utrzymania mieszkania – zarówno wynajmowanego, jak i własnościowego. W tym kontekście warto prowadzić pogłębione analizy sytuacji mieszkaniowej, uwzględniające poziom dostępności mieszkań dla różnych typów gospodarstw domowych w Polsce. Wyniki takich analiz pozwoliłyby wdrożyć skuteczne instrumenty polityki mieszkaniowej. W związku z tym jako problem badawczy określono zagadnienie dostępności mieszkań dla różnych typów gospodarstw domowych w miastach wojewódzkich w zależności od formy władania mieszkaniem (własność lub najem). Celem badania omawianego w artykule jest ocena przestrzennego zróżnicowania poziomu dostępnośc i mieszkań w Polsce i identyfikacja typów gospodarstw domowych, dla których mieszkania są najbardziej i najmniej dostępne. Postawiono następującą hipotezę badawczą: poziom dostępności mieszkań jest wyższy dla gospodarstw domowych w miastach wojewódzkich mniejszych pod względem liczby ludności. Dotyczy to zwłaszcza jednoosobowych gospodarstw domowych będących najemcami.\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 39\n\n2. Przegląd literatury\nW literaturze przedmiotu dostępność mieszkań jest definiowana wielorako. W kontekście możliwości finansowych gospodarstw domowych rozumie się ją jako przystępność cenową mieszkań, która dotyczy zdolności gospodarstw domowych do nabycia mieszkania lub pokry cia kosztów związanych z jego eksploatacją (Sendi, 2014).\nW kontekście podaży rynkowej oznacza liczbę mieszkań, których potrzebują gospodarstwa domowe niebędące w stanie zaspokoić swoich potrzeb mieszkaniowych na wolnym rynku (Reeves, 2005). Warto zauważyć, że dostępność nie jest nieodłączną cechą mieszkania; to rodzaj relacji między mieszkaniem a gospodarstwem domowym\n(Stone i in., 2011). Zgodnie z jedną z definicji mieszkanie uznaje się za dostępne, jeśli można je utrzymać przy zachowaniu minimalnego i akceptowanego standardu mieszkaniowego, a jednocześnie pozostawiać środki wystarczające na pokrycie podstawowych wydatków gospodarstwa domowego niezwiązanych z mieszkaniem (Stephens,\n2017).\nOd lat 80. XX w. zagadnieniem dostępności mieszkań zajmują się przede wszystkim badacze z amerykańskich, australijskich, brytyjskich i chińskich ośrodków naukowych.\nWyszukiwarka Scopus pokazuje, że do 6 czerwca 2024 r. opublikowano 1855 prac na ten temat. W Unii Europejskiej największe zainteresowanie problematyką dostępności mieszkaniowej przejawiali naukowcy z Holandii (40 publikacji), Niemiec (35) i Włoch\n(34). Polscy autorzy opublikowali 12 opracowań dotyczących dostępności mieszkaniowej, głównie z zakresu budownictwa mieszkaniowego.\nWskaźnik dostępności mieszkań – jako miernik określający zdolność danej grupy dochodowej do najmu lub nabycia mieszkań na określonym obszarze – powinien uwzględniać średni poziom lub medianę cen na lokalnym rynku (Fisher i in., 2009).\nGeneralnie wskaźnik dostępności mieszkań określa się jako relację ceny mieszkania do przeciętnego wynagrodzenia brutto. W literaturze można spotkać się również z podejściem dochodowym, zgodnie z którym dostępność mieszkań jest mierzona wysokością dochodu rezydualnego, który pozostaje gospodarstwu domowemu po pokryciu kosztów związanych z utrzymaniem mieszkania (Meen, 2018). Ekonomiści szczególnie chętnie stosują podejście, w którym analizuje się stosunek wydatków mieszkaniowych do dochodu rozporządzalnego gospodarstwa domowego (Bieri, 2012).\nW literaturze zagranicznej występuje również wskaźnik nadmiernego obciążenia kosztami mieszkaniowymi (ang. housing affordability stress ), służący do określania wpływu stresu związanego z przystępnością cenową mieszkań na zdrowie członków gospodarstw domowych. Miernik ten wykorzystuje się w badaniach dotyczących gospodarstw domowych z najniższego, 40. percentyla rozkładu dochodów, które pr zeznaczają na wydatki mieszkaniowe ponad 30% dochodu rozporządzalnego (Baker i in., 2015).\nOrganizacja Współpracy Gospodarczej i Rozwoju wskazała, że koszty mieszkaniowe są znacznym obciążeniem finansowym dla gospodarstw domowych, zwłaszcza tych wykazujących niskie dochody (Organisation for Economic Co -operation and\n\nDevelopment [OECD], b.r.). Mieszkanie uznaje się za dostępne, jeśli gospodarstwo domowe nie przeznacza na wydatki z nim związane więcej niż 40% dochodu rozporządzalnego.\nZbyt wysoki udział wydatków mieszkaniowych w dochodzie rozporządzalnym skutkuje tym, że gospodarstwa domowe nie są w stanie pokryć kosztów wyżywienia, dojazdu do pracy lub opieki zdrowotnej (Anacker, 2019). To z kolei prowadzi do zahamowania rozwoju gospod arstw domowych (np. nie pozwala na założenie firmy, zdobycie wyższego wykształcenia i lepiej płatnej pracy), co przekłada się na niższą jakość życia.\nNarodowy Bank Polski (NBP) określa poziom dostępności mieszkań jako stosunek ceny transakcyjnej mieszkania do przeciętnego wynagrodzenia brutto osiąganego w sektorze przedsiębiorstw. Drugą miarą stosowaną przez NBP jest kredytowa dostępność mieszkani a, wyrażona przez liczbę metrów kwadratowych mieszkania, które można nabyć, posiłkując się kredytem, przy przeciętnym miesięcznym wynagrodzeniu brutto (NBP , 2024).\nPolscy badacze poruszający problematykę dostępności mieszkaniowej odwołują się do powszechnie stosowanego wskaźnika określającego relację ceny mieszkania do przeciętnego wynagrodzenia brutto (Bryx, 2021; Matel i Marcinkiewicz, 2017; Trojanek, 2014), a także do wskaźnika dostępności najmu mieszkań jako ilorazu średniego wynagrodzenia brutto i średniej miesięcznej stawki czynszu za wynajem mieszkania\n(Marona i Tomasik, 2023). Cyran (2013) przyjmuje podejście podażowe , w którym dostępność mieszkań jest rozumiana jako zwiększenie efektów rzeczowych budownictwa mieszkaniowego, w tym szczególnie budownictwa społecznego i komunalnego.\nZastosowanie wymienionych miar nie wystarcza jednak, aby właściwie ocenić poziom dostępności mieszkań, ponieważ nie uwzględniają one zróżnicowania gospodarstw domowych pod względem wielkości i osiąganego dochodu rozporządzalnego.\n3. Metoda badania\nW omawianym badaniu analizowano poziom dostępności mieszkań dla gospodarstw domowych w miastach wojewódzkich. Zdecydowano, że każde województwo będzie reprezentowane przez jedno miasto. Z tego powodu wyłączono Gorzów Wielkopolski i Tor uń – miasta o specyficznym statusie administracyjnym, niebędące jedynymi stolicami województw ani ośrodkami dominującymi (w woj. kujawsko-pomorskim takim ośrodkiem jest Bydgoszcz, a w woj. lubuskim – Zielona Góra). Posłużono się danymi za lata 2020 i 2023 pochodzącymi z raportów NBP, Banku Danych Lokalnych (BDL)\nGłównego Urzędu Statystycznego (GUS), Urzędu Regulacji Energetyki, EWE (obecnie\nElenger), platformy OtoDom Analytics i publikacji GUS (2024).\nDo oceny poziomu dostępności mieszkań wykorzystano relację kosztów utrzymania mieszkania (dalej również jako: koszty mieszkaniow e, wydatki mieszkaniowe lub koszty) do dochodu rozporządzalnego (dalej również jako: dochód) osiąganego przez gospodarstwo domowe. Statystyki dotyczące obciążenia gospodarstw domowych\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 41\n\nkosztami mieszkaniowymi prowadzi Eurostat. Publikowany przez niego wskaźnik określa odsetek ludności żyjącej w gospodarstwach domowych, w których całkowite koszty mieszkaniowe (po odliczeniu dodatków mieszkaniowych) stanowią więcej niż\n40% osiąganego dochodu rozporządzalnego (Eurostat, b.r.). Na koszty mieszkaniowe składają się: wydatki na media (wodę, prąd, gaz, ogrzewanie) i wywóz odpadów stałych, a także podatki i opłaty lokalne. Zalicza się do nich również koszty kredytu hipotecznego (w przypadku własności) lub czynsz brutto (w przypadku najmu; Eurostat, b.r.).\nW badaniu przyjęto, że dostępność mieszkania występuje, gdy gospodarstwo domowe wydatkuje na utrzymanie mieszkania nie więcej niż 40% osiąganego dochodu rozporządzalnego (jest to progowy poziom dostępności). Ze względu na to, że koszty utrzymania są determinowane w dużej mierze powierzchnią mieszkania, poszczególnym typom gospodarstw przyporządkowano – na podstawie ich potrzeb, tak aby mieszkania nie można było uznać za przeludnione – konkretną powierzchnię uż ytkową. Analizę przeprowadzono dla pięciu typów gospodarstw domowych według kwintyli dochodu rozporządzalnego i liczby osób wchodzących w skład gospodarstwa:\n• gospodarstwo jednoosobowe (singiel) – mieszkanie o powierzchni użytkowej 35 m\n2;\n• gospodarstwo dwuosobowe (para) – mieszkanie o powierzchni użytkowej 50 m2;\n• gospodarstwo trzyosobowe (rodzina 2+1) – mieszkanie o powierzchni użytko - wej 60 m2;\n• gospodarstwo czteroosobowe (rodzina 2+2) – mieszkanie o powierzchni użytko - wej 70 m2;\n• gospodarstwo pięcioosobowe (rodzina 2+3) – mieszkanie o powierzchni użytko - wej 80 m2.\nZałożono, że w gospodarstwach wieloosobowych dochód wykazywały dwie osoby.\nZa dochód rozporządzalny uznano przeciętne wynagrodzenie netto. Wielkość tę uzyskano z przekształcenia – za pomocą dostępnych kalkulatorów (Infor, b.r.) – przeciętnego wynagrodzenia brutto ogłaszanego przez GUS.\nPoziom dostępności mieszkań analizowano, uwzględniając formę władania nieruchomością: najem (mieszkania wynajmowane na wolnym rynku) lub własność (mieszkania zakupione na rynku pierwotnym lub wtórnym). Na potrzeby badania przyjęto, że:\n• mieszkania znajdują się w budynkach objętych wspólnotami mieszkaniowymi;\n• koszty utrzymania mieszkania w przypadku najmu to: czynsz ofertowy, zaliczka na koszty zarządu nieruchomością wspólną, koszty mediów (energii elektrycznej, doprowadzania wody i odprowadzania ścieków, ogrzewania mieszkania, podgrzewania wody i wywozu nieczystości stałych);\n• koszty utrzymania mieszkania w przypadku własności to: rata kapitałowo -odsetkowa, zaliczka na koszty zarządu nieruchomością wspólną, zaliczka na fundusz remontowy, podatek od nieruchomości oraz koszty mediów (energii elektrycznej, doprowadzania wody i odprowadzania ścieków, ogrzewania mieszkania, podgrzewania wody i wywozu nieczystości stałych).\n\n4. Wyniki badania\n4.1. Średni poziom dostępności mieszkań dla gospodarstw domowych\n– porównanie lat 2020 i 2023\nW badanym okresie, tj. między 2020 r. a 2023 r., koszty życia gospodarstw domowych średnio w Polsce – w tym koszty związane z utrzymaniem mieszkania – znacznie wzrosły. Największy wzrost kosztów utrzymania dotyczył mieszkań własnościowych pochodzących z rynku pierwotnego – średnio o 95% w ciągu czterech lat. W 2023 r.\nkoszty utrzymania mieszkania własnościowego pochodzącego z rynku wtórnego zwiększyły się średnio o 80% w porównaniu z 2020 r., a koszty utrzymania mieszkania wynajmowanego wzrosły średnio o 45%.\nBiorąc pod uwagę udział poszczególnych składowych w całkowitych kosztach utrzymania mieszkania w zależności od typu gospodarstwa domowego (liczby członków gospodarstw), można stwierdzić, że wśród singli największy wydatek stanowił czynsz za najem mieszkania lub rata kapitałowo-odsetkowa. Im więcej osób wchodziło w skład gospodarstwa domowego, tym większy był udział wydatków na media, zwłaszcza ogrzewanie. Gospodarstwa wieloosobowe (szczególnie rodziny 2+2 i 2+3) były bardziej wrażliwe na wzrost kosztów ogrzewania, a tym samym narażone na ubóstwo energetyczne.\nW 2023 r. średnia cena mieszkania na rynku pierwotnym w miastach wojewódzkich wynosiła 9861 zł/m\n2. W sześciu z szesnastu badanych miast: Poznaniu, Szczecinie,\nGdańsku, we Wrocławiu, w Krakowie i Warszawie średnia cena mieszkania była wyższa od średniej dla miast wojewódzkich. Najniższą cenę na rynku pierwotnym odnotowano w Zielonej Górze (7577 zł/m\n2), a najwyższą – w Warszawie (13 695 zł/m2).\nMiędzy 2020 r. a 2023 r. najbardziej wzrosły ceny mieszkań w Szczecinie (o 54,3%),\nOpolu (o 50,8%) i Zielonej Górze (o 50,1%). Mieszkania na rynku wtórnym w 2023 r.\nbyły tańsze – średnia cena za 1 m\n2 powierzchni użytkowej wynosiła 9504 zł. Ceny powyżej średniej osiągały mieszkania w pięciu miastach – tych samych co w przypadku rynku pierwotnego, z wyłączeniem Szczecina. Najniższe ceny odnotowano w Zielonej\nGórze (7329 zł/m 2), a najwyższe – w Warszawie (14 925 zł/m 2). Na rynku wtórnym ceny wzrosły mniej niż na rynku pierwotnym. Największy wz rost cen między 2020 r.\na 2023 r. nastąpił w Krakowie, we Wrocławiu i w Zielonej Górze (o ok. 41%) , a najmniejszy – w Gdańsku, Bydgoszczy, Katowicach i Warszawie (średnio o ok. 26%).\nAnalizę wysokości czynszów przeprowadzono dla trzech typów mieszkań, wyodrębnionych na podstawie powierzchni użytkowej: do 40,0 m 2, od 40,1 m 2 do 60,0 m2 i od 60,1 m2 do 90,0 m2. Czynsze za najmniejsze mieszkania były najniższe i wynosiły średnio 2033 zł miesięcznie. W siedmiu miastach czynsz był wyższy od średniej; najniższy odnotowano w Bydgoszczy, a najwyższy – w Warszawie. W 2023 r. w porównaniu z 2020 r. czynsze wzrosły najbardziej w Rzeszowie i Krakowie (średnio o 64%), a najmniej\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 43\n\n– w Szczecinie (35%). Średni czynsz za najem mieszkania o powierzchni od 40,1 m 2 do 60,0 m2 wynosił 2496 zł miesięcznie; najniższy odnotowano w Kielcach, a najwyższy\n– w Warszawie. W przypadku mieszkań o największej powierzchni średni czynsz kształtował się na poziomie 3248 zł miesięcznie. W sześciu miastach był wyższy od średniej;\nnajniższy odnotowano w Białymstoku, a najwyższy – w Warszawie. W 2023 r. w porównaniu z 2020 r. w Rzeszowie i Olsztynie czynsz wzrósł najbardziej (aż o 67%), a w Łodzi i Białymstoku – najmniej (o ok. 20%).\nW 2023 r. średni dochód rozporządzalny (przeciętne wynagrodzenie netto) wynosił 5144 zł. W siedmiu miastach był on wyższy od średniej. Najwyższy odnotowano w Krakowie, Warszawie i Gdańsku, a najniższy – w Kielcach i Białymstoku. W 2023 r.\nw stosunku do 2020 r. największy wzrost dochodu nastąpił w Zielonej Górze i Krakowie (o 40%), a najmniejszy – w siedmiu miastach : Katowicach, Łodzi, Warszawie,\nRzeszowie, Bydgoszczy, Kielcach i Lublinie (średnio o 28%). Analiza poszczególnych grup dochodowych wskazuje, że w 2023 r. w stosunku do 2020 r. spadek dochodu rozporządzalnego nastąpił jedynie wśród najbiedniejszych gospodarstw domowych\n(z pierwszej grupy kwintylowej) z siedmiu miast wojewódzkich: Katowic, Łodzi, Warszawy, Rzeszowa, Bydgoszczy, Kielc i Lublina. W pozostałych miastach odnotowano niewielki wzrost dochodu (o ok. 2,7%). Wśród gospodarstw domowych znajdujących się w drugim kwintylu dochodowym największy wzrost (o 40%) nastąpił w Zielonej\nGórze i Krakowie, a najmniejszy – w Katowicach (o 25%). Podobnie było w trzeciej i czwartej grupie dochodowej. Największe zmiany zaobserwowano wśród najbogatszych gospodarstw domowych. Najwięks zy wzrost odnotowano w Krakowie i Zielonej Górze (o 46,5%), a najmniejszy – w Katowicach (o 32%).\nW 2020 r. średni poziom dostępności mieszkań w miastach wojewódzkich był najwyższy dla właścicieli mieszkań zakupionych na rynku pierwotnym (koszty mieszkaniowe stanowiły 38% dochodu). Dla właścicieli mieszkań z rynku wtórnego i najemców poziom dostępności mieszkań był jednakowy – 42%. W 2023 r. średni poziom dostępności mieszkań bez względu na formę władania mieszkaniem był niższy niż w 2020 r.\ni nie przekroczył poziomu uznanego za progowy (koszty mieszkaniowe stanowiły 40% dochodu). Gospodarstwa domowe będące najemcami przeznaczały na koszty utrzymania mieszkania średnio 52% dochodu, gospodarstwa zamieszkujące mieszkanie własnościowe z rynku pierwotnego – 56% dochodu, a z rynku wtórnego – 57% dochodu.\n4.2. Poziom dostępności mieszkań dla gospodarstw domowych w 2023 r. w zależności od liczby osób w gospodarstwie\nWykres 1 obrazuje, jak kształtował się poziom dostępności mieszkań dla różnych typów gospodarstw domowych określonych na podstawie liczb osób. Wykres 1A dotyczy dostępności mieszkań dla najemców, wykr. 1B – dla właścicieli mieszkań z rynku pierwotnego, a wykr. 1C – dla właścicieli mieszkań z rynku wtórnego.\n\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 45\n\nAnaliza sytuacji jednoosobowych gospodarstw domowych pokazuje, że w 2023 r.\nżadna forma władania mieszkaniem nie była dla nich dostępna. Singiel wynajmujący mieszkanie musiał przeznaczać na pokrycie kosztów utrzymania mieszkania średnio\n51% dochodu rozporządzalnego. Najwyższy poziom dostępności mieszkań dla singli najemców odnotowano w Katowicach (koszty stanowiły 42% dochodu), a najniższy\n– w Warszawie i Białymstoku (59%). Singiel posiadający własne mieszkanie z rynku pierwotnego przeznaczał na koszty mies zkaniowe średnio 62% dochodu, najmniej\n– w Zielonej Górze (53%), a najwięcej – w Warszawie (72%). Mieszkania własnościowe nabyte na rynku wtórnym były dla singli dostępne tak samo jak na rynku pierwotnym (koszty stanowiły 62% dochodu). Najwyższy poziom dostępności odnotowano w Katowicach (48%), a najniższy – w Białymstoku (75%).\nDla dwuosobowych gospodarstw domowych progowa dostępność mieszkań nie wystąpiła jedynie w Warszawie (41%). Najdostępniejsze były mieszkania na wynajem (koszty stanowiły średnio 33% dochodu). Najwyższy poziom dostępności mieszkań odnotowano w Katowicach (29%). Pary posiadające mieszkanie własnościowe z rynku pierwotnego musiały przeznaczać na koszty utrzymania mieszkania średnio 40% dochodu, najmniej\n– w Zielonej Górze (35%), a najwięcej – w Warszawie (46%). Poniżej progu dostępności plasowało się sześć miast. W przypadku mieszkań na rynku wtórnym próg dostępności przekroczono w połowie miast. Pary wydawały na utrzymanie mieszkania średnio 41% dochodu, najmniej – w Katowicach (32%), a najwięcej – w Warszawie (52%).\nTrzyosobowe gospodarstwa domowe będące najemcami przeznaczały na pokrycie kosztów utrzymania mieszkania 43% dochodu, najmniej – w Katowicach, Białymstoku, Bydgoszczy, Kielcach, Olsztynie i Opolu (40%), a najwięcej – w Warszawie\n(57%). Na utrzymanie mieszkania własnościowego nabytego na rynku pierwotnym rodzina z dzieckiem musiała przeznaczyć średnio 50% dochodu, najmniej – w Zielonej\nGórze (44%), a najwięcej – w Warszawie (57%). Koszty utrzymania mieszkania własnościowego z rynku wtórnego pochłaniały ponad 50% dochodu rodziny 2+1. Progowy poziom dostępności mieszkań osiągnęły wyłącznie rodziny z Katowic, a najniższą dostępność odnotowano w Warszawie (ponad 60%).\nŚredni poziom dostępności mieszkań dla czteroosobowych gospodarstw domowych będących najemcami wynosił 46%. Największą dostępność zaobserwowano w Katowicach (41%), a najmniejszą – w Warszawie (60%). Rodzina z dwójką dzieci, która zakupiła mieszkanie na rynku pierwotnym, musiała wyasygnować na jego utrzymanie 60% dochodu. Najmniej na utrzymanie mieszkania wydawały gospodarstwa z Zielonej Góry (53% do chodu), a najwięcej – z Warszawy (67% dochodu). Koszty utrzymania mieszkania z rynku wtórnego wynosiły średnio 61% dochodu, najmniej\n– w Katowicach (48%), a najwięcej – w Warszawie (75%).\nPięcioosobowe gospodarstwa domowe wynajmujące mieszkanie wydatkowały na jego utrzymanie średnio ponad połowę dochodu rozporządzalnego. Najwyższy\n\npoziom dostępności mieszkań odnotowano w Bydgoszczy, Olsztynie i Opolu (48%), a najniższy – w Warszawie (68%). Rodziny 2+3 będące właścicielami mieszkania zakupionego na rynku pierwotnym przeznaczały na pokrycie kosztów mieszkaniowych niemal 70% dochodu, najmniej – w Katowicach i Zielonej Górze (62%), a najwięcej\n– w Warszawie (78%). Trudniejsza była sytuacja gospodarstw posiadających mieszkanie z rynku wtórnego, ponieważ musiały one przeznaczać na utrzymanie mieszkania średnio ponad 70% dochodu. Poziom dostępności mieszkań wahał się w tym przypadku od 56% w Katowicach do 87% w Warszawie.\n4.3. Poziom dostępności mieszkań dla gospodarstw domowych w 2023 r.\nwedług grup dochodowych\nWykres 2 (s. 47) ilustruje, jak w 2023 r. kształtował się średni poziom dostępności mieszkaniowej dla różnych typów gospodarstw domowych określonych na podstawie wysokości osiąganego dochodu rozporządzalnego (według kwintyli dochodu) i liczby osób w gospodarstwie. Na wykr. 2A przedstawiono sytuację w przypadku najmu mieszkania, na wykr. 2B – posiadania mieszkania zakupionego na rynku pierwotnym, a na wykr. 2C – posiadania mieszkania zakupionego na rynku wtórnym.\nNajbiedniejsze gospodarstwa domowe (czyli te, których dochód plasował się w pierwszym kwintylu) mieszkające w miastach wojewódzkich nie były w stanie utrzymać mieszkania pochodzącego z wolnego rynku bez względu na formę władania mieszkaniem. Najemcy przeznaczali na pokrycie kosztów utrzymania mieszkania średnio 144% dochodu rozp orządzalnego, a osoby posiadające mieszkanie własnościowe nabyte przy udziale kredytu hipotecznego – 163% (rynek pierwotny) i 171%\n(rynek wtórny).\nW drugiej grupie dochodowej single wynajmujący mieszkanie wydatkowali na jego utrzymanie średnio 76% dochodu, najmniej – w Białymstoku i Katowicach (64%), a najwięcej – w Warszawie (93%). W przypadku jednoosobowych gospodarstw domowych posiadających mieszkanie własnościowe odnotowano niższy poziom dostępności mieszkań niż dla najemców.\nNa utrzymanie mieszkania własnościowego pochodzącego z rynku pierwotnego gospodarstwa domowe w drugiej grupie dochodowej przeznaczały prawie cały miesięczny dochód rozporządzalny, a z rynku wtórnego – ok. 61% dochodu. Najwyższy poziom dostępności mieszkań zaobserwowano dla par będących najemcami (koszty stanowi - ły średnio 52% dochodu). Wynajmująca mieszkanie rodzina z dzieckiem wydatkowała na utrzymanie mieszkania średnio 68% dochodu, najmniej – w Białymstoku (49%), a najwięcej – w Warszawie (121%) i Krakowie (101%). Trzyosobowe gospodarstwa domowe, które zakupiły mieszkanie na rynku pierwotnym, przeznaczały na jego utrzymanie 74% dochodu, a te, które zakupiły mieszkanie z rynku wtórnego – 76%.\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 47\n\nCzteroosobowe gospodarstwa domowe na utrzymanie mieszkania wynajmowanego przeznaczały średnio 72% dochodu, a własnościowego – ok. 90%. Najkorzystniejszą formą władania mieszkaniem dla rodzin pięcioosobowych okazał się najem (koszty stanowiły ok. 80% dochodu). Rodziny z trójką dzieci mieszkające w Krakowie i Warszawie nie były w stanie utrzymać wynajmowanego mieszkania, ponieważ koszty jego utrzymania przekraczały ich dochód rozporządzalny odpowiednio o 16% i 34%, ani mieszkania własnościowego (koszty stanowiły 104% dochodu).\nWśród gospodarstw domowych z trzeciego kwintyla dochodu rozporządzalnego dostępność mieszkań na progowym poziomie 40% odnotowano jedynie dla par, przy czym w dwunastu miastach pary wynajmujące mieszkanie przeznaczały na jego utrzymanie więcej niż 40% dochodu. Mieszkania własnościowe z rynku pierwotnego były dostępne dla tej grupy dochodowej jedynie w Katowicach i Zielonej Górze (koszty poniżej 40% dochodu), a średni poziom dostępności wynosił 45%. Mieszkania własnościowe z rynku wtórnego były dostępne tylko w Katowicach, a średni poziom dostępności wynosił 52%.\nGospodarstwa jednoosobowe z trzeciej grupy dochodowej na pokrycie kosztów utrzymania wynajmowanego mieszkania przeznaczały średnio 58% dochodu rozporządzalnego. Dla singli posiadających mieszkanie własnościowe z rynku pierwotnego poziom dostępności mieszkań był niższy (koszty stanowiły 68% dochodu), a dostępność mieszkań z rynku wtórnego kształtowała się na jeszcze niższym poziomie (koszty stanowiły prawie 80% dochodu). Para z dzieckiem na pokrycie kosztów utrzymania wynajmowanego mieszkania przeznaczała 50% dochodu, mieszkania własnościowego z rynku pierwotnego – 56%, a z rynku wtórnego – 64%. Dla czteroosobowych gospodarstw domowych zaobserwowano niższy poziom dostępności mieszkań. Rodzina 2+2 na pokrycie kosztów utrzymania wynajmowanego mieszkania przeznaczała 54% dochodu, mieszkania własnościowego z rynku pierwotnego – 66%, a z rynku wtórnego – 76%. Najniższy poziom dostępności mieszkań w tej grupie dochodowej zaobserwowano dla pięcioosobowych gospodarstw domowych – w przypadku najemców wyniósł on 58%, a w przypadku wła��cicieli mieszkań – 77% (rynek pierwotny) i 88% (rynek wtórny).\nPoziom dostępności mieszkań dla singli z czwartego kwintyla dochodów wynosił\n45% (najem mieszkania), 54% (mieszkanie własnościowe z rynku pierwotnego) i 61%\n(mieszkanie własnościowe z rynku wtórnego). Progowy poziom dostępności mieszkań osiągnęły gospodarstwa domowe wynajmujące mieszkanie w Katowicach i Bydgoszczy. Najwyższy poziom dostępności mieszkań zaobserwowano dla par wynajmujących mieszkanie (30%) i posiadających mieszkanie własnościowe z rynku pierwotnego\n(35%). W przypadku mieszkań z rynku wtórneg o progowy poziom dostępności nie został osiągnięty w połowie badanych miast: Poznaniu, Rzeszowie, Białymstoku,\nGdańsku, Lublinie, Krakowie, Wrocławiu i Warszawie.\nTrzyosobowe gospodarstwa domowe z czwartej grupy dochodowej, które wynajmowały mieszkania, przeznaczały na ich utrzymanie średnio 39% dochodu (poziom progowy nie został osiągnięty jedynie w Warszawie i we Wrocławiu). Na utrzyma - nie mieszkania własnościowego z rynku pierwotnego rodzina 2+1 przeznaczała średnio 43% dochodu, najmniej – w Zielonej Górze (38%) i Katowicach (39%), a na\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 49\n\nutrzymanie mieszkania z rynku wtórnego – 50% dochodu. Najwyższy poziom dostępności mieszkań odnotowano w Katowicach (39%), a najniższy – w Warszawie (62%).\nDla gospodarstw cztero - i pięcioosobowych mieszkania były mniej dostępne.\nW przypadku rodziny z dwójką dzieci koszty utrzymania wynajmowanego mieszkania stanowiły średnio 42% dochodu. W sześciu miastach: Bydgoszczy, Olsztynie, Opolu,\nKatowicach, Poznaniu i Zielonej Górze osiągnięto progowy poziom dostępności mieszkań. Mieszkania własnościowe były mniej dostępne (52% – rynek pierwotny, 59% – rynek wtórny). Rodzina z trójką dzieci na najem mieszkania przeznaczała średnio 45% dochodu. Jeśli posiadała mieszkanie własnościowe, to na pokrycie kosztów jego utrzymania przeznaczała 60% dochodu (rynek pierwotny) i 69% dochodu (rynek wtórny).\nNajwyższy poziom dostępności mieszkań odnotowano w przypadku najbogatszych gospodarstw domowych. Gospodarstwa jednoosobowe przeznaczały na pokrycie kosztów związanych z najmem mieszkania 25% dochodu rozporządzalnego. Jeśli singiel posiadał mieszkanie własnościowe, to koszty jego utrzymania stanowiły 26% dochodu (rynek pierwotny) i 31% dochodu (rynek wtórny; jedynie we Wrocławiu i w Warszawie było to ponad 40% dochodu).\nPoziom dostępności mieszkań dla najbogatszych par okazał się najwyższy wśród najemców (17%). W przypadku mieszkania własnościowego z rynku pierwotnego wyniósł\n35%, a z rynku wtórnego – 23%. Trzyosobowe gospodarstwa domowe na pokrycie kosztów mieszkaniowych przeznaczały średnio 22% dochodu, a czteroosobowe – 26%. Najniższy poziom dostępności mieszkań w piątej grupie dochodowej wynosił 40% i dotyczył gospodarstw pięcioosobowych posiadających mieszkanie z rynku wtórnego. W siedmiu miastach na pokrycie kosztów związanych z utrzymaniem mieszkania przeznaczano ponad 40% dochodu. Gospodarstwa wynajmujące mieszkanie asygnowały na ten cel średnio 26% dochodu, a właściciele mieszkań z rynku pierwotnego – 34%.\n5. Podsumowanie\nW artykule omówiono wyniki badania, którego celem była ocena przestrzennego zróżnicowania poziomu dostępności mieszkań w Polsce i identyfikacja typów gospodarstw domowych, dla których mieszkania są najmniej dostępne. Oceniając sytuację pod względem liczby osób w gospodarstwie domowym, należy stwierdzić, że najwyższy poziom dostępności mieszkań dotyczył gospodarstw dwuosobowych. Dostępność na przyjętym przez OECD i Eurostat poziomie 40% zaobserwowano jedynie w przypadku najbogatszych gospodarstw domowych.\nNajniższy poziom dostępności mieszkań odnotowano w Warszawie, we Wrocławiu, w Krakowie i Białymstoku. Koszty utrzymania mieszkania w tych miastach okazały się nieproporcjonalnie wysokie w stosunku do dochodu rozporządzalnego osiąganego przez gospodarstwa domowe. W przypadku Warszawy, Wrocławia i Krakowa wynika to z wysokich cen mieszkań zarówno na rynku pierwotnym, jak i wtórnym. Podobnie czynsze za wynajem i opłaty za media są w tych miastach znacznie wyższe niż w pozostałych miastach wojewódzkich. W p rzypadku Białegostoku niski poziom\n\ndostępności mieszkań wynika głównie z niskiego dochodu rozporządzalnego i wysokich cen mieszkań. Najwyższy poziom dostępności mieszkań odnotowano w Katowicach, Bydgoszczy, Zielonej Górze i Olsztynie. Katowice zajęły czwarte miejsce pod względem wysokości przeciętnego dochodu rozporządzalnego wśród badanych miast.\nW Bydgoszczy, Zielonej Górze i Olsztynie dochód rozporządzalny był znacznie niższy, ale proporcjonalny do kosztów utrzymania mieszkania.\nPostawiona hipoteza badawcza została potwierdzona częściowo. Stwierdzono, że poziom dostępności mieszkań w miastach wojewódzkich rzeczywiście był wyższy w przypadku najmu niż własności, natomiast okazało się, że nie dla gospodarstw jednoosobowych, lecz dla par. Nie dostrzeżono korelacji między poziomem dostępności mieszkań a liczbą ludności w danym mieście. Co prawda najmniejszą dostępność zaobserwowano w największych miastach (Warszawa, Wrocław i Kraków), ale niskie wskaźniki charakteryzowały również mniejsze miasta (Białystok czy Lublin). Zdecydowanie najkorzystniejszą formą władania mieszkaniem pod względem kosztów jego utrzymania okazał się najem.\nNależy zauważyć, że na spadek poziomu dostępności mieszkań w Polsce między\n2020 r. a 2023 r. wpłynęły dwa czynniki: pandemia COVID-19 i wojna w Ukrainie. Kryzys uchodźczy w Polsce spowodował nagły wzrost cen najmu w największych miastach\n(Trojanek i Glusza k, 2022). Wywołany konfliktem w Ukrainie kryzys energetyczny przełożył się na odczuwalne zwiększenie kosztów energii ponoszonych przez gospodarstwa domowe. Ponadto w analizowanym okresie nastąpił wyraźny wzrost stóp procentowych, co przełożyło się na wysokość rat kredytów hipotecznych spłacanych przez gospodarstwa domowe. Wzrost kosztów utrzymania wpłynął na zmniejszenie dostępności mieszkań szczególnie dla jedno - i pięcioosobowych gospodarstw domowych.\nW przypadku singli znaczenie miał wzrost wysokości czynszu (najem) lub raty kapitałowo-odsetkowej (mieszkania własnościowe). Na spadek dostępności mieszkań dla rodzin 2+3 wpływała natomiast zwyżka opłat za media, szczególnie ogrzewanie.\nWyniki badania mogą okazać się przydatne dla władz centralnych i lokalnych prowadzących politykę mieszkaniową w Polsce. Pierwszym krokiem do stworzenia lub implementacji instrumentów polityki mieszkaniowej powinno być bowiem ustalenie, jaka jest sytuacja mieszkaniowa w kraju. Tylko kompleksowa ocen a, biorąca pod uwagę pomiar dostępności mieszkań (z uwzględnieniem kosztów utrzymania mieszkania), pozwala na opracowanie rozwiązań dostosowanych do potrzeb mieszkańców.\nPokrycie kosztów związanych z utrzymaniem mieszkania to obecnie jedno z największych wyzwań gospodarstw domowych, zwłaszcza tych znajdujących się w pierwszych trzech kwintylach dochodu rozporządzalnego. Warto pamiętać, że gminy mają możliwość skorzystania z programów wpływających na poprawę dostęp ności mieszkań, np. programu Mieszkanie na start, który polega na dopłatach do czynszów dla najemców w danej gminie, lub promowanego wśród zarządców nieruchomości programu\nTERMO, pozwalającego na obniżenie kosztów związanych ze stratą ciepła. Duże znaczenie ma również dobranie mieszkania do potrzeb danego gospodarstwa domowego, np. powierzchnia lokalu powinna odpowiadać liczbie mieszkańców i wysokości ich\nW. JĘDRUSIK Dostępność mieszkań dla gospodarstw domowych w miastach wojewódzkich 51\n\ndochodów. Gmina może pomagać w zamianie lokali mieszkalnych, stając się pośrednikiem nadzorującym proces, który będzie odbywać się między zainteresowanymi stronami.\nW dalszych badaniach nad rozwiązaniami sprzyjającymi poprawie dostępności mieszkań warto zastanowić się nad reformą dodatków mieszkaniowych lub wprowadzeniem dodatków osłonowych dla gospodarstw domowych zagrożonych ubóstwem energetycznym.\nBibliografia\nAnacker, K. B. (2019). Introduction: housing affordability and affordable housing. International Journal of Housing Policy, 19(1), 1–16. https://doi.org/10.1080/19491247.2018.1560544.\nBaker, E., Mason, K., Bentley, R. (2015). Measuring Housing Affordability: a longitudinal approach.\nUrban Policy and Research, 33(3), 275–290. https://doi.org/10.1080/08111146.2015.1034853.\nBieri, D. S. (2012). Housing Affordability. W: A. C. Michalos (red.), Encyclopedia of Quality of Life and Well -Being Research (s. 2971–2975). Springer. https://doi.org/10.1007/978-94-007-0753-\n5_1329.\nBryx, M. (2021). Mieszkanie dostępne w zrównoważonym mieście. CeDeWu.\nCyran, R. (2013). Zintegrowana polityka mieszkaniowa jako instrument rozwoju lokalnego. Studia\nEkonomiczne, (144), 217–266.\nCyran, R. (2017). Luka podażowa i czynszowa na rynku mieszkaniowym a polityka mieszkaniowa państwa. Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, (316), 29–\n44. https://www.ue.katowice.pl/fileadmin/user_upload/wydawnictwo/SE_Artyku%C5%82y_291_320\n/SE_316/03.pdf.\nCzerniak, A., Kroszka, J. (2024). Luka czynszowa w Polsce w latach 2010–2022. Polityka Insight, PFR\nNieruchomości. https://pfrnieruchomosci.pl/document/685.\nEurostat. (b.r.). Glossary: Housing cost overburden rate. Pobrane 6 marca 2025 r. z https://ec.europa\n.eu/eurostat/statistics-explained/index.php?title=Glossary:Housing_cost_overburden_rate.\nFisher, L. M., Pollakowski, H. O., Zabel, J. (2009). Amenity -Based Housing Affordability Indexes.\nReal Estate Economics, 37(4), 705–746. https://doi.org/10.1111/j.1540-6229.2009.00261.x.\nGłówny Urząd Statystyczny. (2024). Sytuacja gospodarstw domowych w 2023 r. w świetle badania budżetów gospodarstw domowych . https://stat.gov.pl/obszary-tematyczne/warunki-zycia/dochody\n-wydatki-i-warunki-zycia-ludnosci/sytuacja-gospodarstw-domowych-w-2023-r-w-swietle-badania\n-budzetow-gospodarstw-domowych,3,23.html.\nHabitat for Humanity Poland. (201 8). Problemy mieszkaniowe Polek i Polaków oraz ocena istniejących rozwiązań . https://habitat.pl/wp-content/uploads/2018/04/HabitatPoland_badanie-opinii\n-publ_mieszkalnictwo2018.pdf .\nHabitat for Humanity Poland. (2021). Problemy mieszkaniowe Polek i Polaków oraz ocena istniejących rozwiązań. https://habitat.pl/files/fm2020/problemy_mieszkaniowe_Polek_i_Polakow.pdf.\nHabitat for Humanity Poland. (2023). Problemy mieszkaniowe osób mieszkających w Polsce oraz ocena istniejących rozwiązań – raport z badania opinii publicznej. https://habitat.pl/files/HfH%20-%20badanie\n%20opinii%20publicznej%20-%20problemy%20mieszkaniowe%20-%202023.pdf.\n\nInfor. (b.r.). Kalkulator wynagrodzeń. Pobrane 20 maja 2024 r. z https://www.infor.pl/kalkulatory/kalkulator-wynagrodzen.html.\nMarona, B., Tomasik, K. (2023). Problem dostępności mieszkań w Polsce w kontekście realizowanych programów polityki mieszkaniowej w latach 2016–2022. Studia BAS, (4), 27 –53. https://doi.org\n/10.31268/StudiaBAS.2023.29.\nMatel, A., Marcinkiewicz, J. (2017). Analiza dostępności mieszkań w miastach wojewódzkich Polski z wykorzystaniem metody TOPSIS. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu,\n(475), 170–182. https://doi.org/10.15611/pn.2017.475.15.\nMeen, G. (2018). How should housing affordability be measured?. UK Collaborative Centre for Housing Evidence. https://www.thinkhouse.org.uk/site/assets/files/1565/measure.pdf.\nNarodowy Bank Polski. (2024). Informacja o cenach mieszkań i sytuacji na rynku nieruchomości mieszkaniowych i komercyjnych w Polsce w I kwartale 2024 r . https://nbp.pl/wp-content/uploads\n/2025/02/Informacja -o-cenach-mieszkan-i-sytuacji-na-rynku-nieruchomosci-mieszkaniowych\n-i-komercyjnych-w-Polsce-w-I-kwartale-2024-r.pdf.\nOrganisation for Economic Co-operation and Development. (b.r.). OECD Affordable Housing Database. Pobrane 10 czerwca 2024 r. z http://oe.cd/ahd.\nOtoDom. (b.r.). Dane Otodom: aktualne ceny ofertowe mieszkań i domów i ceny najmu w 40 największych miastach. https://www.otodom.pl/wiadomosci/dane/otodom-analytics/dane-otodom-aktualne-ceny\n-ofertowe-mieszkan-i-domow.\nReeves, P . (2005). An Introduction to Social Housing (wyd. 2). Elsevier.\nSendi, R. (2014). Housing Accessibility Versus Housing Affordability: Searching for an Alternative Approach to Housing Provision. Sociologija i prostor, 52(3), 239–260. https://doi.org/10.5673/sip.52.3.1.\nStephens, M. (2017). e Urban Institute, Edinburgh [Can different social housing regime types exist within the same nation state? Social rented housing in the (Dis)United Kingdom ]. ENHR2017\nConference Affordable Housing for All! – Redefining the Roles of Public and Private Sectors.\n26–29 June 2018, Tirana.\nStone, M. E., Burke, T., Ralston, L. (2011). The Residual Income Approach to Housing Affordability:\nThe Theory and the Practice. University of Massachusetts Boston. https://scholarworks.umb.edu/cgi\n/viewcontent.cgi?article=1003&context=communitystudies_faculty_pubs.\nTrojanek, R. (2014). Dostępność mieszkaniowa w wybranych miastach w Polsce w latach 1997–2012.\nBiuletyn Stowarzyszenia Rzeczoznawców Majątkowych Województwa Wielkopolskiego, (1–2), 5–7.\nhttps://srmww.pl/wp-content/uploads/2024/05/5-7.pdf.\nTrojanek, R., Gluszak, M. (2022). Short -run impact of the Ukrainian refugee crisis on the housing market in Poland. Finance Research Letters, 50, 1–6. https://doi.org/10.1016/j.frl.2022.103236.", "token_count": 15722}
+{"added": "2026-09-10", "author": "Mirosław Szreder", "created": "2023-02-28", "id": "wiadomosci_statystyczne_pl_2023_2_056-061", "license": "CC-BY-SA-4.0", "source": "wiadomosci_statystyczne_pl", "text": "Dyskusje. Recenzje. Informacje / Discussions. Reviews. Information\n\n© Mirosław Szreder\nArtykuł udostępniony na licencji CC BY-SA 4.0 / Article available under the CC BY-SA 4.0 licence\n\nPolemika z artykułem Mirosława Błażeja i Emilii Gosińskiej pt. Dylematy związane z estymacją dominanty wynagrodzeń\nPolemic on the article entitled Dilemmas relating to mode estimation of wages and salaries by Mirosław Błażej and Emilia Gosińska\n1. Wprowadzenie\nArtykuł Mirosława Błażeja i Emilii Gosińskiej pt. Dylematy związane z estymacją dominanty wynagrodzeń, opublikowany w nr. 12/2022 „Wiadomości Statystycznych.\nThe Polish Statistician ”, wymaga sprostowania i kilku wyjaśnień. Jest on oparty na błędnych założeniach i tezach i przez to wprowadza zamęt do problematyki wyznaczania wartości modalnej oraz jej interpretacji w rozkładach ciągłych, w tym w szczególności w rozkładzie płac.\n2. Definicja i rozumienie dominanty\nAutorzy omawianego artykułu wykazują daleko idącą niekonsekwencję w samym definiowaniu i rozumieniu dominanty. Przypomnijmy, że dominantą w rozkładzie cechy statystycznej nazywa się wartość, która w tym rozkładzie występuje najczęściej\n(z największą częstotliwością). Innymi słowy, jest to taka wartość cechy, która powtarza się u największej liczby jednostek badanej zbiorowości. Definicja ta jest jednoznaczna i nie można jej zmieniać w zależności od rodzaju rozpatrywanej cechy statystycznej lub rodzaju rozkładu. Nie jest więc prawdą stwierdzenie, że definicja dominanty zależy od „typu rozpatrywanych zmiennych ” (Błażej i Gosińska, 2022, s. 63). Warto było się natomiast w tym miejscu pokusić o refleksję, jaką interpretację oraz jak ą wartość poznawczą ma dominanta w rozkładach ciągłych. O ile w rozkładach skokowych sprawa jest prosta – wskazuje się wartość, której odpowiada największa częstotliwość występowania, o tyle w rozkładach ciągłych kwestie te są bardziej złożone (zostaną on e omówione w części 5 niniejszego opracowania). Ale, powtórzmy, nie definicja budzi wątpliwości, lecz sposób wyznaczania dominanty, jej interpretacja i walory poznawcze.\n3. Wynagrodzenia jako zmienna ciągła\nWypada najpierw ustalić, jakim rodzajem rozkładu cechy jest rozkład wynagrodzeń w Polsce, scharakteryzowany obserwacjami wysokości płac ok. 869 tys. pracowników\nM. SZREDER Polemika z artykułem Mirosława Błażeja i Emilii Gosińskiej... 57\n\n(w badaniu Głównego Urzędu Statystycznego z 2018 r. 1, do którego odwołują się\nBłażej i Gosińsk a; por. GUS, 2020). Płace pracowników określa się w Polsce z dokładnością do 1 gr i każda wartość z przedziału od ustawowej płacy minimalnej do nieskończoności ma prawo pojawić się jako możliwa wartość tej cechy. Jeżeli cecha\n(lub zmienna) może przyjmować dowolną wartość rzeczywistą z określonego przedziału (skończonego lub nieskończonego), to oznacza to, że mamy do czynienia z cechą ciągłą. Rozkład wynagrodzeń należy więc uznać za rozkład ciągły. Dopuszczalne byłoby ewentualnie nazwanie go quasi -ciągłym dla podkreślenia faktu, że nie pojawiają się w nim wartości ułamkowe mniejsze od 1 gr (czyli na trzecim i dalszych miejscach po przecinku w wysokości płac, które zwyczajowo wyrażone są w złotych).\nPo pierwsze nie można zakładać, że rozkład ciągły lub quasi-ciągły jest rozkładem skokowym (dyskretnym), tak jak nie można przyjąć, że liczba niewymierna jest liczbą wymierną „ przy założeniu, że rozkład wynagrodzeń jest dyskretny [...]” (Błażej i Gosińska, 2022, s. 64). Sformułowana przez autorów teza zamieszczona została w podsumowaniu artykułu, co dodatkowo może być dla czytelników mylące. Sugeruje to bowiem, że wykonane i omówione analizy sposobów szacowania dominanty mogą służyć do oceny, czy rozważany rozkład jest ciągły czy mieszany. W rzeczywistości zaś logi czna kolejność działań powinna być odwrotna. Na wstępie badacz określa, z jakim rozkładem ma do czynienia – nie tylko po to, aby dobrać adekwatne metody przybliżeń punktowej oceny wartości dominującej, lecz także aby poprawnie zastosować wiele innych miar opisu statystycznego. Po drugie nie można tworzyć niczym nieuzasadnionego konstruktu mieszanego rozkładu płac, w części skokowego, a w części ciągłego, tylko dlatego że pewna (względnie duża) część jednostek przyjmuje stałą wartość (równą płacy minimalnej) : „Analiza otrzymanych wyników daje podstawy do rozważenia tezy, że rozkład wynagrodzeń jest mieszany: ma charakter rozkładu dyskretnego dla wynagrodzeń w wysokości płacy minimalnej i rozkładu ciągłego dla wynagrodzeń powyżej płacy minimalnej” (Błażej i Gosińska, 2022, s. 78).\n4. Błędna percepcja dominanty\nZa najpoważniejsze merytoryczne uchybienie w opracowaniu Błażeja i Gosińskiej uważam powielenie błędnego rozumienia dominanty. Dodatkowo na swojej błędnej percepcji wartości dominującej w rozkładzie pła c autorzy oparli uzasadnienie celu podjętych przez siebie i opisanych w artykule badań. Owo błędne rozumienie dominanty lub błędna jej percepcja zasadza się na oczekiwaniu, że wartość dominująca\n\n1 Jest to badanie reprezentacyjne, którym objęte są przedsiębiorstwa o liczbie zatrudnionych powyżej dziewięciu osób.\n\nbędzie w rozkładzie reprezentowana przez dużą lub bardzo dużą frakcję jednostek.\nTak jednak być nie musi. Z definicji wartości dominującej wynika, że jest to wartość najczęściej występująca w rozkładzie, przy czym nie ma znaczenia, jak często – ważne, aby częściej niż każda inna wartość. Autorzy przyznają dwukrotnie w swoim tekście, że w rozpatrywanym rozkładzie płac najczęściej występującą wielkością wynagrodzenia jest płaca minimalna wynosząca 2100,00 zł, którą w 2018 r. otrzymywało 7,44% jednostek badanej zbiorowości. Nie ma merytorycznych powodów, aby nie uznać tej wysokości płacy za dominującą, czyli określającą dominantę w tym rozkładzie. Natomiast następujący po tym wywód: „Wartość ta reprezentuje jednak małą frakcję przypadków w relacji do liczebności badanej zbiorowości. Z uwagi na to celem artykułu jest eksploracja wybranych metod [...]” (Błażej i Gosińska, 2022, s. 64) wskazuje na niezrozumienie definicji dominanty. A dalsza deklaracja autorów o poszukiwaniu oszacowań „dominanty wynagrodzeń reprezentującej większą frakcję przypadków, która ma uzasadnienie met odologiczne i społeczno- gospodarcze oraz odzwierciedla sytuację na rynku pracy ” jest nie do przyjęcia z co najmniej dwóch powodów. Zasadniczy powód to sugerowanie czytelnikowi, że w sytuacji gdy jednoznacznie wskazano dominantę, czyli wartość liczbową najczęściej występującą w rozkładzie, celowe może być poszukiwanie jakiejś lepszej (?) dominanty. Poza tym nie wiadomo, co się kryje za stwierdzeniem, że dominanta – albo większa od 7,44% frakcja jednostek, z którą, zdaniem Błażeja i Gosińskiej, powinna być po wiązana dominanta – ma mieć uzasadnienie metodologiczne. O jakie uzasadnienie chodzi?\nI dalej, jakie uzasadnienie społeczno-gospodarcze autorzy mają na myśli przy wyznaczaniu dominanty, skoro definicja dominanty jest jednoznaczna? Tego rodzaju sugestie narażają ich na zarzut manipulacji miarami statystycznymi. Jeżeli o wyznaczonej poprawnie wartości dominującej pisze się, że „ nie jest w pełni satysfakcjonującym, reprezentatywnym wynikiem ” (Błażej i Gosińska, 2022, s. 75), to czytelnik może zapytać, czy sta tystyk ma prawo sięgać po argument „niesatysfakcjonującego”\n(kogo?) wyniku, aby go unieważnić i poszukiwać innego.\nRozważając rozkład płac z 2018 r., w którego lewym krańcu ulokowało się najwięcej jednostek, ponieważ otrzymywały one ustalone urzędowo wynagrodzenie, autorzy powinni byli postąpić inaczej, nie prowokując czytelników do podejrzeń o manipulację. Pierwsza z możliwości to rozpatrzenie rozkładu wynagrodzeń z wyłączeniem płacy minimalnej, czyli oznajmienie czytelnikom, że autorzy świadomie i celowo pomijają (ucinają) część rozkładu odpowiadającą płacy minimalnej i poszukują wartości modalnej w tak przekształcony m rozkładzie. Drugie możliwe podejście to poszukiwanie innej, różnej od dominanty, miary statystycznej, która spełniałaby oczekiwania autorów. Trzeba jednak przyznać, że oczekiwania te wyrażone są niejednoznacznie, o czym świadczą zacytowane wyżej fragment y, jak również stwierdzenie\nM. SZREDER Polemika z artykułem Mirosława Błażeja i Emilii Gosińskiej... 59\n\no poszukiwaniu oszacowania dominanty „ która opisuje rozkład wynagrodzeń w oczekiwany sposób, tzn. tak, aby reprezentowała odpowiednio wysoką frakcję przypadków” (Błażej i Gosińska, 2022, s. 78). Nieprecyzyjne są w tym ostatnim zdaniu oba wyrażenia: „oczekiwany sposób” oraz „odpowiednio wysoka frakcja”.\n5. Dominanta w rozkładach ciągłych\nRzadko zwraca się uwagę na to, że dominanta – jako liczbowa charakterystyka rozkładu cechy statystycznej – nie ma interpretacji ekonomicznej w rozkładach ciąg - łych2. W tych rozkładach, w przeciwieństwie do skokowych (dyskretnych), można jedynie interpretować dominujący przedział, ale nie pojedynczą wartość liczbową.\nPrzypisanie jakiejś liczbie interpretacji, że pojawia się ona w rozkładzie ciągł ym najczęściej, stałoby w sprzeczności z właściwością modelu probabilistycznego opisującego rozkład ciągły, a najczęściej także z obserwacjami statystycznymi.\nModelem probabilistycznym dla rozkładu ciągłej cechy statystycznej jest rozkład ciągły zmiennej losowej, opisywany funkcją gęstości lub dystrybuantą. Dla każdego ciągłego rozkładu zmiennej losowej prawdą jest, że prawdopodobieństwo przyjęcia przez tę zmienną jakiejkolwiek pojedynczej wartości liczbowej jest równe 0. Gdyby zaś zamiast pojedynczej licz by utworzyć wokół niej przedział liczbowy o dowolnie małej rozpiętości, to oczywiście prawdopodobieństwo przyjęcia przez zmienną losową wartości z tego przedziału ma prawo być większe od 0. Innymi słowy, przedziałowi, a nie pojedynczej wartości z tego przedziału, można przypisać niezerowe prawdopodobieństwo realizacji. Nie można więc żadnej wartości liczbowej z rozkładu ciągłego interpretować jako najczęściej występującej, ponieważ prawdopodobieństwo jej wystąpienia jest równe 0.\nInterpretowanie punktowej wartości dominanty w rozkładzie ciągłym będzie też często przeczyło rzeczywistym obserwacjom. Dana wartość dominująca nie tylko nie będzie występowała najczęściej, ale może w ogóle nie wystąpić w rozkładzie. Weźmy na przykład jedną z wartości dominaty osza cowanych przez autorów omawianego artykułu, którzy raz podają wielkość 2379,67 zł, a w innym wariancie – 3013,79 zł.\nZinterpretowanie którejś z tych wartości jako wynagrodzenia najczęściej występującego w badanej zbiorowości w październiku 2018 r. jest nie poprawne. Wynagrodzenie dokładnie tej wysokości mogło nie pojawić się ani razu albo pojawić się w od - osobnionych, rzadkich przypadkach.\n\n2 Ściślej rzecz ujmując, nie da się o niej powiedzieć, że występuje w rozkładzie najczęściej. Celem poszukiwania punktowej oceny dominanty w rozkładzie ciągłym może być natomiast dążenie do oszacowania takiej wartości D, wokół której liczebności w jej obustr onnym sąsiedztwie będą przejawiały tendencję do zmniejszania się wraz z oddalaniem się wartości zmiennej od D.\n\nMożna podać kontrargument , że opatrzenie punktowej wartości dominanty w rozkładzie ciągłym słowem „ około” pozwoliłoby zasugerować odniesienie się do pewnego przedziału dominanty, a nie jej konkretnej wartości liczbowej. Tyle że tego typu uzupełnienie interpretacyjne domaga się doprecyzowania, o jakim przedziale dominanty mow a, w szczególności – jaka ma być jego rozpiętość. Wydaje się, że w tych okolicznościach znacznie lepiej byłoby pozostać przy interpretacji wyznaczonego wcześniej w rozkładzie dominanty przedziału niż szacować jej wartość punktową, pozbawioną interpretacji ekonomicznej. Przy założeniu jednakowej rozpiętości przedziałów wartości cechy wskazanie jako dominującego (przedziału dominanty) tego, któremu odpowiada największa liczebność, nie rodzi żadnych kontrowersji interpretacyjnych podobnych do wyżej opisanych\n3. Z tym jednak zastrzeżeniem, że niedopuszczalne jest wtedy sugerowanie – tak jak to zrobili Błażej i Gosińska – że zbyt mała frakcja jednostek reprezentujących taki przedział czyni go „nie w pełni satysfakcjonującym”.\nW rozkładach o niewielkim stopniu koncentracji należy się spodziewać, że przedział dominanty będzie reprezentowany przez mały procent jednostek zbiorowości.\nW Polsce takimi rozkładami są zarówno rozkład wynagrodzeń, jak i rozkład emerytur. Jeśli chodzi o ten drugi przypadek, to z raportu Struktura wysokości świadczeń wypłacanych przez ZUS po waloryzacji w marcu 2022 roku (ZUS, 2022) wynika, że największy odsetek emerytur ( 16,6%) mieści się w przedziale od 2000,01 zł do\n2400,00 zł. W rozkładach wynagrodzeń i emerytur przedziały dominanty reprezentowane są przez kilku - lub kilkunastoprocentowe frakcje analizowanych zbiorowości. W niczym nie odbiera im to prawa do miana dominując ych przedziałów wartości cechy. Przy czym warta namysłu jest kwestia walorów poznawczych takiego przedziału i stopnia zgodności jego interpretacji z powszechną percepcją terminu dominujący. Wiele osób, w tym także przedstawiciel e mediów, utożsamia terminy najczęściej występująca wartość lub wartość dominująca w zbiorowości z dużymi frakcjami jednostek reprezentujących te wartości. Niekiedy wręcz zakładają, że mowa jest o większości jednostek w populacji, czyli o frakcji przewyższającej 50%. W konfrontacji z małymi frakcjami, np. kilkunastoprocentowymi, tracą spójność w postrzeganiu rozkładu danej cechy. Z tego powodu należy uznać za ważne, aby informację o granicach przedziału dominującego uzupełniać każdorazowo o wskazanie, jaki odsetek zbiorowości on zaw iera. Wówczas odbiorca sam będzie mógł ocenić poznawczy walor przedziału dominanty w rozkładach ciągłych. Dotyczy to także informacji GUS o charakterystykach rozkładu wynagrodzeń.\n\n3 Nie oznacza to wszakże, że taki przedział jest określony w sposób jednoznaczny, niezależny od grupowania obserwacji, w tym zwłaszcza rozpiętości przedziałów. W tym sensie może to powodować niejednoznaczności o charakterze raczej poznawczym niż interpretacyjnym.\nM. SZREDER Polemika z artykułem Mirosława Błażeja i Emilii Gosińskiej... 61\n\nBibliografia\nBłażej, M., Gosińska, E. (2022). Dylematy związane z estymacją dominanty wynagrodzeń. Wiadomości Statystyczne. The Polish Statistician , 67(12), 62–79. https://doi.org/10.5604/01.3001\n.0016.1615.\nGłówny Urząd Statystyczny. (2020). Struktura wynagrodzeń według zawodów w październiku\n2018 r . https://stat.gov.pl/obszary-tematyczne/rynek-pracy/pracujacy-zatrudnieni-wynagrodzenia\n-koszty-pracy/struktura-wynagrodzen-wedlug-zawodow-w-pazdzierniku-2018-roku,4,9.html.\nZakład Ubezpieczeń Społecznych. (2022). Struktura wysokości świadczeń wypłacanych przez ZUS po waloryzacji w marcu 2022 roku . https://www.zus.pl/documents/10182/39637/Struktura\n+wysoko%C5%9Bci+%C5%9Bwiadcze%C5%84+wyp%C5%82acanych+przez+ZUS+po+waloryzacji\n+w+marcu+2022+r..pdf/75b859ca-4130-0372-9d23-27c1882aced6?t=1653904662501.\n\nMirosław Szreder\nUniwersytet Gdański, Wydział Zarządzania, Polska / University of Gdańsk,\nFaculty of Management, Poland\nORCID: https://orcid.org/0000-0002-7597-0816", "token_count": 5470}