Do zbadania zależności przestrzennych w zakresie zaawansowania regionalnych gospodarek opartych na wiedzy w Polsce posłużyła statystyka Morana I. Dla tej metody nie ma określonej minimalnej liczby jednostek terytorialnych, które muszą być poddane jednoczesnemu badaniu. Oczywiście im więcej obszarów tym lepiej z punktu widzenia merytorycznej interpretacji wyników. W niniejszej pracy badaniu autokorelacji przestrzennej poddano 16 polskich województw147.
W pierwszej kolejności dokonano zbadania występowania globalnej autokorelacji przestrzennej na podstawie indeksu wiedzy KI (zob. rysunek 4.27). Kolejnym krokiem analizy było zbadanie występowania globalnej autokorelacji przestrzennej na podstawie indeksu gospodarki opartej na wiedzy KEI, który uwzględnia wszystkie kluczowe filary GOW (zob. rysunek 4.28). Wartości statystyk dla obu mierników zaprezentowano na moranowskich wykresach rozproszenia w czterech okresach analizy, czyli lata: 2003, 2007, 2011 oraz 2014. Dla każdej z tych wartości przeprowadzono test permutacji, na podstawie którego można stwierdzić czy występowanie autokorelacji przestrzennej jest istotne statystycznie. Przy każdym wykresie zaprezentowano empiryczny poziom prawdopodobieństwa dla tego testu. Wartość p-value większa od wartości krytycznej (ustalonej na poziomie α=0,05) informuje o tym, że badane zjawisko nie wykazuje występowania autokorelacji przestrzennej. W przypadku, gdy wartość, p-value jest mniejsza od wartości krytycznej to wówczas autokorelacja przestrzenna jest istotna statystycznie.
Z powodu relatywnie niewielkiej liczby obiektów zrezygnowano z prezentacji map klastrów i istotności dla lokalnej autokorelacji przestrzennej148.
147 Z reguły technikę tę używa się przy większej liczbie obiektów niż 16, jednak i takie badania są dostępne w powszechnie dostępnej literaturze:
Zob. R. Pietrzykowski, 2011, Koncepcja i zastosowanie modyfikacji macierzy wag w przestrzennych badaniach ekonomicznych, [w:] B. Borkowski (red.), Metody ilościowe w badaniach ekonomicznych. Tom XII/2, s. 270–278, Katedra Ekonometrii i Statystyki SGGW, Warszawa.
Zob. A. Ojrzyńska, S. Twaróg, 2012, Dynamics of Change in Spatial Dependencies in Blood Donation System in Poland, [w:] Comparative Economic Research Central and Eastern Europe. Vol. 15, No. 4/2012, s. 177-189, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Zob. A. Tłuczak, 2014, Regionalne zróżnicowanie cen żywca w skupie w Polsce w latach 2005-2012, [w:] Journal of Agribusiness and Rural Development, Vol. 1(31), 2014, s. 151-158, Wydawnictwo Uniwersytetu Przyrodniczego w Poznaniu, Poznań.
148 Jedynym województwem, które zaznaczone było na mapach dla istotnej autokorelacji na podstawie testu permutacji w poszczególnych latach analizy było województwo mazowieckie, które posiadało wysokie wartości cechy, otoczone przez sąsiadujące z nim regiony, charakteryzujące się niskimi wartościami cechy. Ponadto istotność tej autokorelacji nie była znacząca.
Rysunek 4.27. Globalna autokorelacja przestrzenna dla indeksu KI
Test permutacji, p-value=0,062 Test permutacji, p-value=0,035
Test permutacji, p-value=0,093 Test permutacji, p-value=0,009
Źródło: opracowanie własne przy pomocy pakietu GeoDa.
Dla indeksu KI we wszystkich latach analizy odnotowano ujemną globalną autokorelację przestrzenną. Wartość statystyki Morana I oscylowała od (-0,34) do (-0,24) jednostek. Świadczy to o niskiej sile tego zjawiska. Na podstawie testu permutacji istotność statystyczną wykazano w roku 2007 i w roku 2014. Polskie województwa układały się w schemat szachownicy, gdzie obszary z wysokimi wartościami indeksu graniczyły z obszarami o niskich jego wartościach.
Rysunek 4.28. Globalna autokorelacja przestrzenna dla indeksu KEI
Test permutacji, p-value=0,051 Test permutacji, p-value=0,064
Test permutacji, p-value=0,077 Test permutacji, p-value=0,018
Źródło: opracowanie własne przy pomocy pakietu GeoDa.
Podobne wyniki jak w przypadku indeksu KI zanotowano dla indeksu KEI. Wykazano niską ujemną globalną autokorelację przestrzenną. Większość obserwacji gromadziło się w drugiej i czwartej ćwiartce układu współrzędnych na wykresach rozproszenia. Z pewnością na taki stan rzeczy znaczący wpływ ma województwo mazowieckie, które posiada znacznie odstające wartości indeksów od regionów z nim bezpośrednio sąsiadujących. Ponadto z mazowieckim nie graniczy żaden region, który charakteryzuje się relatywnie wysokimi wartościami cechy (tj. dolnośląskie, pomorskie, małopolskie, wielkopolskie lub śląskie).
4.6. Podsumowanie
Zastosowanie w metodologii KRAM (Knowledge in Region Assessment Methodology) metod statystyki przestrzennej, wielowymiarowej analizy porównawczej oraz ekonometrii przestrzennej pozwoliło na ocenę zaawansowania regionalnych gospodarek opartych na wiedzy w polskich województwach. Zaobserwowano, że na przestrzeni ostatnich kilku lat minimalnie zmniejsza się w tej dziedzinie amplituda rozwojowa, dzieląca regiony z najwyższymi od regionów z najniższymi wskaźnikami potencjału wiedzy i gospodarki opartej na wiedzy. Dysproporcje jednak są w dalszym ciągu na znacznie wysokim poziomie, a droga do ich wyrównania długa i wątpliwa do całkowitego przebycia. Należy jednak wierzyć, że redukcja różnic społeczno-gospodarczych będzie przebiegać w znacznie szybszym tempie, a właśnie takie postulaty są zasadniczym celem wspólnej polityki regionalnej Unii Europejskiej.149
Rezultaty analizy skupień wykazały najbardziej podobne do siebie województwa, dzieląc je na homogeniczne zbiory. Regiony te, z racji na wspólne cechy i podobny stopień zaawansowania, mogą nawiązywać współpracę przy opracowywaniu strategii rozwojowej dotyczącej GOW i szeroko rozumianych innowacji.
Do wyznaczenia rankingu zaawansowania gospodarek opartych na wiedzy w ujęciu regionalnym w Polsce posłużył taksonomiczny miernik rozwoju. Układ przestrzenny dotyczący regionalnych GOW, który został przestrzennie zwizualizowany w poszczególnych latach jest stosunkowo podobny. We wszystkich okresach poddanych analizie można wyróżnić jedno wyraźnie dominujące województwo (mazowieckie), z którym bardzo ciężko jest konkurować innym obszarom. Pozostałe skupienia województw z nieznacznymi wahaniami również prezentowały się podobnie. Wśród relatywnie dobrze rozwiniętych województw pod względem lokalnych gospodarek opartych na wiedzy znalazły się: dolnośląskie, pomorskie, śląskie, wielkopolskie oraz małopolskie. Z pewnością na stosunkowo wysokie jak na polskie możliwości wskaźniki wpływ miało położenie dużych miast w obrębie tych obszarów. Są to odpowiednio: Wrocław, Trójmiasto, konurbacja górnośląska na czele z Katowicami, Poznań oraz Kraków. Nie zawsze jednak duże miasto jest gwarantem wysokich poziomów indeksów. Przykładowo w łódzkim, pomimo obecności dużego miasta, jakim jest Łódź, nie zanotowano wysokich wartości indeksów KI oraz KEI.
149 Zob. Z. Wysokińska, J. Witkowska, 2002, Integracja europejska. Rozwój rynków, PWN, Warszawa – Łódź.
Ogólnie rzecz biorąc średnia wskaźnika KEI, według metodologii KRAM, w roku 2014 dla Polski wyniosła 3,21 – jest to raczej wynik poniżej oczekiwań. Ma to również odzwierciedlenie w analizach krajowych i międzynarodowych, gdzie Polska, w tej dziedzinie, zajmuje jedno z ostatnich miejsc wśród państw członkowskich Unii Europejskiej oraz bardzo odległe w rankingach światowych. Niestety na przestrzeni ostatnich kilku lat indeksy wzrastają bardzo nieznacznie lub wcale, w konsekwencji czego, Polska nie poprawia swojej pozycji w zestawieniach. Być może marnuje się wielka szansa, jaka pojawiła się przed Polską po przystąpieniu do struktur UE, gdyż z budżetu unijnego płyną znaczne środki przyznane na poprawę sytuacji, szczególnie, jeżeli chodzi o kwestię gospodarki opartej na wiedzy. Zagadnienia wiedzy i innowacji powinny stać się priorytetowymi w kreowaniu ogólnie funkcjonującej polityki, gdyż aspekty te wpływają w sposób bezpośredni na rozwój społeczno-gospodarczy i poprawę jakości życia wszystkich mieszkańców.
Szukając pozytywów w rezultatach należy podkreślić powolną, lecz stale poprawiającą się sytuacje Polski Wschodniej. Na pewno nie bez znaczenia w tej kwestii ma wspomniane wcześniej wsparcie Unii Europejskiej, która obejmuje te regiony dodatkowymi programami pomocniczymi. Z kolei zadziwiająco słabo wypada polska zachodnia. Mogłoby się wydawać, że bezpośrednie położenie przy wyżej rozwiniętych regionach Niemiec przyczyni się do transferu technologii i wiedzy do tych obszarów. Brak tego zjawiska wyjaśnia autokorelacja przestrzenna, która posłużyła do zbadania zależności między poszczególnymi województwami. Wykazano, że odległość od siebie danych jednostek terytorialnych przy transferze wiedzy i technologii nie odgrywa aż tak istotnego znaczenia, jak w innych procesach ekonomiczno-gospodarczych. Obecnie funkcjonująca infrastruktura informatyczna i techniczna powoduje, że przepływ ten nie jest ograniczony w żaden sposób. Obszary mogą pochłaniać wiedzę z regionów oddalonych bardzo daleko od siebie, a nie tylko z tych ościennych lub znajdujących się w relatywnie niedalekiej odległości. Wyniki badań dla Polski wskazują również na umiarkowaną współpracę między regionami w ujęciu ogólnym, jednak nie zaobserwowano istotnych zależności lokalnych. Może być to spowodowane tym, że jednostki administracyjne wymuszają na województwach konkurowanie ze sobą, głównie, jeżeli chodzi o pozyskiwanie zewnętrznych źródeł finansowania innowacyjnych przedsięwzięć.
ROZDZIAŁ 5
Wpływ czynnika wiedzy i innowacji na poziom
egzystencji społeczeństwa w polskich
województwach
5.1. Wprowadzenie
Prezentowane do tej pory analizy były podstawą do oceny regionalnych gospodarek opartych na wiedzy w Polsce, ich klasyfikacji i specyfikacji. Niniejszy rozdział ma na celu analizę wpływu poszczególnych filarów GOW150 na poziom egzystencji społeczeństwa w polskich województwach, wyrażony poprzez syntetyczny wskaźnik (WPE)151. Miernik ten obejmował następujące zmienne, które podzielono na trzy wymiary152:
Wymiar 1. Finansowy – wartości ekonomiczno-techniczne:
1. DOC – przeciętny dochód na osobę w gospodarstwie domowym (zł), jako odzwierciedlenie możliwości finansowych.
2. DOM – budynki oddane do użytkowania na 1000 ludności – budownictwo indywidualne (szt.), jako odzwierciedlenie wartości bytowych (zakładając, że osoby posiadające własny dom mają większy komfort mieszkaniowy).
150 1. System bodźców ekonomicznych i reżim instytucjonalny (EKO); 2. Sprawny system innowacji (INN); 3. Edukacja i jakość zasobów ludzkich (EDU); 4. Nowoczesna infrastruktura informacyjna (ICT). 151 Do obliczenia współczynnika poziomu egzystencji społeczeństwa w polskich województwach wykorzystano taksonomiczną miarę rozwoju (opisaną w podrozdziale 3.3). Obliczenia poszczególnych wymiarów WPE wykonano analogicznie do filarów w metodologii KRAM (prezentowanych w podrozdziale 4.4). Przy obliczaniu miernika WPE oprócz trzech prezentowanych wymiarów uwzględniono również ogólną wydajność gospodarki. Inne zmienne, takie jak, np. wykształcenie, bezrobocie, bezpieczeństwo wyrażone poprzez przestępstwa stwierdzone, liczba ludności na łóżko w szpitalach (które z pewnością mają wpływ na poziom egzystencji) pominięto z powodu uwzględnienia ich przy obliczaniu filarów w metodologii KRAM, które w niniejszym badaniu są zmiennymi egzogenicznymi. Ponadto, takie zmienne jak, np. podróże (ilość wyjazdów na wczasy), realizowanie innych pasji i hobby, zawieranie znajomości i przyjaźni pominięto ze względu na niemierzalność lub brak dostępu do tych zmiennych.
3. SAM – samochody osobowe na 1000 ludności (szt.), jako odzwierciedlenie poprawy wygody w codziennym życiu.
4. DRO – drogi o twardej nawierzchni na 100 km2 (km), jako odzwierciedlenie dostępu do infrastruktury technicznej.
Wymiar 2. Niematerialny – środowisko i wartości społeczno-kulturowe:
5. SRO – jakość środowiska wyrażona poprzez emisję zanieczyszczeń gazowych ogółem z zakładów szczególnie uciążliwych (tys. t na 100 km2) – zmienna wyrażona jako destymulanta, odzwierciedlająca ogólny stan środowiska naturalnego na danym obszarze.
6. PAR – powierzchnia parków spacerowo-wypoczynkowych, jako procent powierzchni województwa (%), odzwierciedlający możliwości wszelkiego rodzaju relaksu i rekreacji.
7. HOT – liczba hoteli (z uwzględnieniem wszystkich kategoriach gwiazdkowych – od 1 do 5), jako odzwierciedlenie atrakcyjności turystycznej danego województwa (szt.).
8. MUZ – liczba ludności zwiedzających muzea na 10 tys. mieszkańców (os.), jako odzwierciedlenie walorów kulturowych.
Wymiar 3. Emocjonalny – wartości psychologiczno-moralne:
9. MAL – małżeństwa zawarte na 1000 ludności, jako odzwierciedlenie poczucia zadowolenia i stabilności.
10. PRZ – odsetek dzieci objętych wychowaniem przedszkolnym w wieku 3 - 5 lat (%), jako odzwierciedlenie ułatwień przy opiece nad dziećmi i lepszymi możliwościami rozwoju kariery osobistej.
11. ROZ – rozwody na 1000 ludności – zmienna wyrażona, jako destymulanta, odzwierciedlająca brak trwałości uczuciowej.
12. MIG – migracje, jako wymeldowania zagraniczne na pobyt stały na 1000 ludności – zmienna wyrażona, jako destymulanta, odzwierciedlająca brak zadowolenia z miejsca zamieszkania na terenie danego województwa.
W pierwszej części niniejszego rozdziału zaprezentowano sam współczynnik egzystencji społeczeństwa polskich województw w latach 2003, 2007, 2011 oraz 2014. W ujęciu graficznym wskazano zależności przestrzenne dotyczące tej miary.
W kolejnej części posłużono się metodą Hellwiga do zidentyfikowania najlepszego układu zmiennych egzogenicznych, czyli kluczowych filarów gospodarki opartej na wiedzy:
- system bodźców ekonomicznych i reżim instytucjonalny, - efektywny system innowacji,
- edukacja i jakość zasobów ludzkich, - nowoczesna infrastruktura informacyjna,
które posłużyły do modelowania ekonometrycznego, gdzie zmienną endogeniczną był poziom egzystencji w ujęciu wojewódzkim (WPE). Dla każdego województwa dokonano obliczeń pojemności integralnych nośników informacji. Pozwoliło to na wyodrębnienie grup o podobnych strukturach rozwoju gospodarki opartej na wiedzy.
W dalszej części zaprezentowano wyniki estymacji modeli ekonometrycznych. Na wstępie badania wyłączono województwo mazowieckie, które znacznie odbiegało od reszty obiektów. Region ten został uznany za „idealny”153 jeżeli chodzi o poziom zaawansowania gospodarki opartej na wiedzy w kontekście analiz w skali Polski. Uwzględnienie tego województwa łącznie z pozostałymi mogłoby zakłócić wiarygodność wyników, dlatego też mazowieckie poddano analizie indywidualnej.
Do ostatecznej oceny wpływu filarów gospodarki opartej na wiedzy na poziom egzystencji społeczeństwa w polskich województwach posłużyły modele panelowe154. Analizę przeprowadzono w latach 2003–2014. Dokonano estymacji trzech modeli (model podstawowy, model FEM z dekompozycją wyrazu wolnego oraz model REM z dekompozycją składnika losowego).155 Na podstawie oceny parametrów strukturalnych oraz testowania statystycznego wyodrębniono najefektywniejszy model opisujący badane zjawisko. Po usunięciu zmiennych statystycznie nieistotnych i reestymacji modelu dokonano obszernego etapu wnioskowania.
153 W analizach z zakresu marketingu i zarządzania zjawisko takie określone jest pojęciem benchmarkingu. Proces ten polega na ustaleniu jednego obiektu godnego naśladowania, gdzie inne obiekty biorą przykład z jego najefektywniejszych sposobów postępowania. Powoduje to pojawienie się możliwości osiągania najlepszych wyników przez uczenie się od ustalonego wzorca i wykorzystywanie jego doświadczenia (zob. J. Woźnicki (red.), 2008, Benchmarking w systemie szkolnictwa wyższego, Fundacja Rektorów Polskich, Warszawa, s. 16-17).
154 Modele panelowe opisano w podrozdziale 3.5.