BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Pietrzak Michał B. (Nicolaus Copernicus University in Toruń, Poland), Wilk Justyna (Wrocław University of Economics, Poland), Bivand Roger S. (Norwegian School of Economics; Adam Mickiewicz University in Poznań), Kossowski Tomasz (Adam Mickiewicz University in Poznań, Poland)
Tytuł
The Application of Local Indicators for Categorical Data (LICD) in the Spatial Analysis of Economic Development
Zastosowanie lokalnych wskaźników dla danych jakościowych (LICD) w przestrzennej analizie rozwoju gospodarczego
Źródło
Comparative Economic Research, 2014, vol. 17, nr 4, s. 203-220, tab., rys., bibliogr. 36 poz.
Słowa kluczowe
Rozwój gospodarczy, Autokorelacja przestrzenna, Analiza taksonomiczna
Economic development, Spatial autocorrelation, Taxonomic analysis
Uwagi
summ., streszcz.
Abstrakt
W artykule podjęto próbę zastosowania lokalnych wskaźników dla danych jakościowych (LICD) w przestrzennej analizie rozwoju gospodarczego. W pierwszej części omówiono testy służące do badania autokorelacji przestrzennej na podstawie danych jakościowych. W drugiej części zaprezentowano dwu etapowe badanie empiryczne obejmujące 66 polskich regionów klasy NUTS 3. Najpierw zidentyfikowano klasy regionów prezentujące różny poziom rozwoju gospodarczego, z wykorzystaniem taksonomicznych metod wielowymiarowej analizy statystycznej. Następnie zastosowano test join-count w celu określenia przestrzennych zależności między regionami. Bada on tendencje do tworzenia się klastrów przestrzennych. Test globalny wskazuje ogólne interakcje przestrzenne między regionami, natomiast testy lokalne dają szczegółowe wyniki w odniesieniu do poszczególnych regionów. Globalny test join-count ujawnił przestrzenne grupowanie się regionów o niskim poziomie rozwoju gospodarczego, nie potwierdził jednak zależności przestrzennych w odniesieniu do regionów dobrze rozwiniętych. Z tego względu badanie uzupełniono o zastosowanie lokalnego testu join-count. Ujawnił on występowanie pięciu klastrów przestrzennych i trzech regionów odstających. Zidentyfikowane zostały trzy klastry bogactwa. Ich rozwój bazuje na dyfuzyjnym oddziaływaniu regionalnych centrów wzrostu. Obszar Polski wschodniej oraz północno-zachodniej zajmują klastry biedy. Sytuacja pierwszego z nich jest pogarszana przez trzy indywidualne centra wzrostu, natomiast drugi klaster znajduje się poza zasięgiem dyfuzyjnego wpływu większych aglomeracji. (abstrakt oryginalny)

The paper makes an attempt to apply local indicators for categorical data (LICD) in the spatial analysis of economic development. The first part discusses the tests which examine spatial autocorrelation for categorical data. The second part presents a two-stage empirical study covering 66 Polish NUTS 3 regions. Firstly, we identify classes of regions presenting different economic development levels using taxonomic methods of multivariate data analysis. Secondly, we apply a join-count test to examine spatial dependencies between regions. It examines the tendency to form the spatial clusters. The global test indicates general spatial interactions between regions, while local tests give detailed results separately for each region. The global test detects spatial clustering of economically poor regions but is statistically insignificant as regards well-developed regions. Thus, the local tests are also applied. They indicate the occurrence of five spatial clusters and three outliers in Poland. There are three clusters of wealth. Their development is based on a diffusion impact of regional economic centres. The areas of eastern and north western Poland include clusters of poverty. The first one is impeded by the presense of three indiviual growth centres, while the second one is out of range of diffusion influence of bigger agglomerations. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Anselin L. (1988), Spatial Econometrics: Methods and Models, Kluwer Academic, Dordrecht.
  2. Anselin L. (1995), Local indicators of spatial association - LISA, 'Geographical Analysis', Ohio State University Press, vol. 27, issue 2.
  3. Arbia G. (2006), Spatial Econometrics: Statistical Foundations and Applications to Regional Convergence, Springer-Verlag, Berlin Heidelberg.
  4. Bivand R.S. et al. (2014), The spdep package of R, http://cran.r-project.org.
  5. Bivand R.S., Pebesma E.J., Gómez-Rubio V. (2008), Applied Spatial Data Analyses with R, Springer, New York.
  6. Boots B.( 2003), Developing local measures of spatial association for categorical data, 'Journal of Geographical Systems', Springer-Verlag, no. 5, 139-160.
  7. Chojnicki Z., Czyż T. (1973), Metody taksonomii numerycznej w regionalizacji geograficznej, PWN, Warszawa.
  8. Cliff A.D., Ord J.K. (1973), Spatial Autocorrelation, Pion, London.
  9. Cliff A.D., Ord J.K. (1981), Spatial Processes: Models and Applications, Pion, London.
  10. Everitt B.S., Dunn G. (2001), Applied Multivariate Data Analysis, Arnold, London.
  11. Florek K., Łukaszewicz J., Perkal J., Steinhaus H., Zubrzycki S. (1951), Taksonomia wrocławska, ʻPrzegląd Antropologicznyʼ, Vol. XVII.
  12. Geary R.C. (1954), The contiguity ratio and statistical mapping, ʻThe incorporated Statisticianʼ, Vol. 5(3), pp. 115-145.
  13. Getis A., Ord J.K. (1992), The analysis of spatial association by distance statistics, ʻGeographical Analysisʼ, Vol. 24, Issue 4, pp. 189-206.
  14. Grabiński T. (1984), Wielowymiarowa analiza porównawcza w badaniach dynamiki zjawisk ekonomicznych, Akademia Ekonomiczna w Krakowie, seria specjalna: monografie, nr 61, Kraków.
  15. Grabiński T., Wydymus S., Zeliaś A. (1989), Metody taksonomii numerycznej w modelowaniu zjawisk społeczno-gospodarczych, PWN, Warszawa.
  16. Haining R. (2003), Spatial Data Analysis: Theory and Practice, Cambridge University Press, Cambridge.
  17. Hair J.F., Black W.C., Babin B.J., Anderson R.E., Tatham R.L. (2006), Multivariate Data Analysis, Pearson Prentice Hall, New Jersey.
  18. Hellwig Z. (1968), Zastosowanie metody taksonomicznej do typologicznego podziału krajów ze względu na poziom ich rozwoju oraz zasoby i strukturę wykwalifikowanych kadr, 'Przegląd Statystycznyʼ, R. XV, zeszyt 4, s. 307-327.
  19. Hwang C.L., Lai Y.J., Liu T.Y. (1993), A new approach for multiple objective decision making, Computers and Operational Research, No20, pp 889-899.
  20. Hwang C.L., Yoon K. (1981), Multiple Attribute Decision Making: Methods and Applications, Springer-Verlag, New York.
  21. Kolenda M. (2006), Taksonomia numeryczna. Klasyfikacja, porządkowanie i analiza obiektów wielocechowych, Akademia Ekonomiczna im. Oskara Langego we Wrocławiu, Wrocław.
  22. Kopczewska K. (2006), Ekonometria i statystyka przestrzenna z wykorzystaniem programu R CRAN, Cedewu, Warszawa.
  23. LeSage J., Pace R.K. (2009), Introduction to Spatial Econometrics, Chapman & Hall/CRC, Boca Raton.
  24. Łuczak A., Wysocki F. (2011), Porządkowanie liniowe obiektów z wykorzystaniem rozmytych metod AHP i TOPSIS, ʻPrzegląd Statystycznyʼ, Vol. LVIII, Issue 1-2.
  25. Markowska M. (2012), Dynamiczna taksonomia innowacyjności regionów, Uniwersytet Ekonomiczny we Wrocławiu, Wrocław.
  26. Nowak E. (1990), Metody taksonomiczne w klasyfikacji obiektów społeczno-ekonomicznych, PWE, Warszawa.
  27. Paelinck J.H.P., Klaassen L.H. (1979), Spatial Econometrics, Saxon House, Farnborough.
  28. Pietrzak M.B., Wilk J., Kossowski T., Bivand R. (2014), The identification of spatial dependence in the analysis of regional economic development - join-count test application, [in:] Papież M., Śmiech S. (Ed.), Proceedings of the 8TH Professor Aleksander Zelias International Conference on Modelling and Forecasting of Socio-Economic Phenomena.
  29. Pluta W. (1976), Wielowymiarowa analiza porównawcza w badaniach ekonomicznych, PWE, Warszawa.
  30. Strahl D. (ed.) (2006), Metody oceny rozwoju regionalnego, Wyd. Akademii Ekonomicznej we Wrocławiu, Wrocław.
  31. Suchecka J. (ed.) (2014), Statystyka przestrzenna. Metody analiz struktur przestrzennych, C.H. Beck., Warszawa.
  32. Suchecki B. (ed.) (2010), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa.
  33. Tobler W. (1970), A computer movie simulating urban growth in the Detroit region, ʻEconomic Geographyʼ, Oxford University Press, No 46(2), pp. 234-240.
  34. Walesiak M. (1993), Strategie postępowania w badaniach statystycznych w przypadku zbioru zmiennych mierzonych na skalach różnego typu, ʻBadania Operacyjne i Decyzjeʼ, No 1, pp. 71-77.
  35. Wysocki F. (2010), Metody taksonomiczne w rozpoznawaniu typów ekonomicznych rolnictwa i obszarów wiejskich, Uniwersytet Przyrodniczy w Poznaniu, Poznań.
  36. Yoon K. (1987), A reconciliation among discrete compromise situations, Journal of Operational Research Society, No 38, pp. 277-286.
Cytowane przez
Pokaż
ISSN
1508-2008
Język
eng
URI / DOI
http://dx.doi.org/10.2478/cer-2014-0041
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu