społecznymi. W celu oceny siły powiązań posłużono się współczynnikiem eta,
2
adekwatnym do pomiaru stopnia związku pomiędzy zmienną metryczną
3
a niemetryczną, który można wyrazić jako [zob. Malarska 2005, s.89]:
4
𝜂𝑍 =𝑠(𝑧𝑗)
𝑠(𝑧), 𝑠2(𝑧𝑗) = 1
𝑛∑𝑘𝑗=1(𝑧𝑗− 𝑧)2𝑛.𝑗, (5)
5
gdzie: s(z) – odchylenie standardowe rozpatrywanej zmiennej metrycznej,
6
k – liczba kategorii zmiennej niemetrycznej, 𝑧𝑗 – średnia zmiennej metrycznej dla
7
danej kategorii zmiennej niemetrycznej. Współczynnik eta jest miarą unormowaną
8
w przedziale <0,1>, co pozwala na ocenę i porównywanie siły zależności.
9
WYNIKI BADAŃ EMPIRYCZNYCH 10
W niniejszym rozdziale przedstawiono wyniki analizy zasobów kompetencji
11
w podziale na kompetencje twarde i miękkie. W odniesieniu do każdego
12
z obszarów przeprowadzono grupowanie zmiennych niemetrycznych
13
i wyodrębniono ich skupienia, których liczbę określono na podstawie kształowania
14
się skorygowanego indeksu Randa. Dla otrzymanych w ten sposób klas obliczono
15
zmienne syntetyczne je reprezentujące, które następnie wykorzystano do oceny
16
powiązań ze zmiennymi demograficznymi.
17
Na rysunku 1 zilustrowano wyniki procedury grupowania zmiennych
18
niemetrycznych odzwierciedlających kompetencje twarde.
19
Rysunek 1. Wyniki hierarchicznej procedury aglomeracyjnej dla kompetencji twardych
20
Nr grupy Elementy składowe 1 komputer, Office, zaawansowane,
specjalistyczne 2 urządzenia 3 obliczenia, proste
4 nowe, tektst, informacje, logika
Źródło: opracowanie własne
21
Otrzymano cztery klasy, w tym jedną jednoelementową – jest to skupienie nr
22
2 zawierające wyłącznie umiejętności w zakresie obsługi urządzeń technicznych,
23
co oznacza, że poziom tej kompetencji charakteryzuje się dużą odrębnością i nie
24
wiąże się z deklarowaniem innych umiejętności. Skupienie nr 3 łączy kompetencje
25
matematyczne jako kategorię ogólną z wykonywaniem prostych rachunków. Warto
26
zauważyć, że wykonywanie zaawansowanych obliczeń nie zostało przyłączone do
27
tej klasy, lecz stanowi element skupienia nr 1 obejmującego ponadto wszystkie
28
rozpatrywane kompetencje informatyczne, zarówno na poziomie podstawowym,
29
jak i specjalistycznym. Ostatnia z wyodrębnionych grup zawiera umiejętności
1
związane z wyszukiwaniem i analizą informacji oraz uczeniem się nowych rzeczy.
2
Powiązania zmiennych syntetycznych reprezentujących poszczególne
3
skupienia z charakterystykami demograficzno-społecznymi odzwierciedlają
współ-4
czynniki eta zawarte w tabeli 1.
5
Tabela 1. Wartości współczynników eta pomiędzy zmiennymi syntetycznymi dla
6
kompetencji twardych i charakterystykami demograficzno-społecznymi
7
Nr grupy Płeć Wiek Miejsce
zamieszkania Wykształcenie Sytuacja zawodowa
1 0,053 0,423 0,166 0,497 0,170
2 0,294 0,048 0,009 0,091 0,152
3 0,063 0,163 0,102 0,407 0,183
4 0,107 0,241 0,147 0,501 0,211
Źródło: opracowanie własne
8
Z wyjątkiem skupienia nr 2 (obsługa urządzeń) najwyższe wartości miary
9
otrzymano dla poziomu wykształcenia. Można więc stwierdzić, że ten czynnik
10
w największym stopniu jest związany z oceną kompetencji twardych,
11
w szczególności wysoko z umiejętnościami dotyczącymi analizy informacji oraz
12
kompetencjami informatycznymi w powiązaniu z wykonywaniem
zaawanso-13
wanych obliczeń. Należy również podkreślić wysoki stopień powiązania zmiennej
14
syntetycznej dla skupienia nr 1 z wiekiem ankietowanych, co wiąże się z lepszą
15
znajomością nowoczesnych technologii przez ludzi młodych. Z kolei umiejętność
16
obsługi urządzeń pozostaje w zależności z płcią respondentów, co wynika z lepszej
17
samooceny mężczyzn w tym zakresie.
18
Analogiczna procedura przeprowadzona dla zestawu kompetencji miękkich
19
wskazała na istnienie sześciu grup (rysunek 2).
20
Rysunek 2. Wyniki hierarchicznej procedury aglomeracyjnej dla kompetencji miękkich
21
Nr grupy Elementy składowe 1 biuro, dyscyplinowanie,
kierownicze, koordynacja 2 dyspozycyjność, wyjazdy,
elastyczność 3 terminowość, relacje,
komunikatywność, kontakty, grupa 4 przedsiębiorczość, kreatywność,
samoorganizacja, decyzje
5 stres
6 konflikty Źródło: opracowanie własne
22
Istnieją dwa rodzaje umiejętności, które stanowią odrębne klasy, mimo iż
23
w badaniu Bilans Kapitału Ludzkiego były rozpatrywane jako kompetencje
24
szczegółowe stanowiące składowe kompetencji o charakterze ogólnym. Należą do
1
nich odporność na stres (skupienie nr 5) oraz radzenie sobie w sytuacjach
2
konfliktowych (skupienie nr 6). Wyniki aglomeracji wskazują na podobieństwo
3
w ocenie zdolności kierowniczych oraz organizowania i prowadzenia prac
4
biurowych (skupienie nr 1). W skupieniu nr 2 znalazły się wszystkie zmienne
5
reprezentujące kwestie związane z dyspozycyjnością. Grupa nr 3 składa się
6
z umiejętności interpersonalnych oraz przestrzegania terminów wykonywania
7
zadań. Skupienie 4 obejmuje kompetencje związane z operatywnością i inwencją
8
twórczą.
9
W tabeli 2 ujęto wartości współczynników eta pomiędzy zmiennymi
synte-10
tycznymi reprezentującymi skupienia a zmiennymi demograficzno-społecznymi.
11
Tabela 2. Wartości współczynników eta pomiędzy zmiennymi syntetycznymi dla
12
kompetencji miękkich i charakterystykami demograficzno-społecznymi
13
Nr grupy Płeć Wiek Miejsce
zamieszkania Wykształcenie Sytuacja zawodowa
1 0,071 0,157 0,132 0,444 0,233
2 0,136 0,165 0,072 0,248 0,315
3 0,077 0,156 0,072 0,352 0,237
4 0,052 0,208 0,089 0,420 0,274
5 0,018 0,090 0,015 0,137 0,130
6 0,045 0,074 0,066 0,237 0,114
Źródło: opracowanie własne
14
Najwyższe wartości współczynników wystąpiły w przypadku poziomu
15
wykształcenia, choć zależności te są słabsze niż dla kompetencji twardych.
16
W najwyższym stopniu z wykształceniem korelują umiejętności kierownicze
17
i organizowania prac biurowych (skupienie 1) oraz kompetencje ze sfery
18
przedsiębiorczości i samoorganizacji pracy (skupienie 4). Kompetencje tworzące
19
odrębne skupienia (nr 5 i nr 6) nie są mocno związane z żadną z rozpatrywanych
20
cech demograficzno-społecznych. Warto zauważyć, że ocena umiejętności
21
w bardzo niewielkim stopniu jest powiązana z płcią i miejscem zamieszkania
22
respondentów. Z kolei kategoria wieku wykazuje najsilniejszą relację ze
23
skupieniem nr 4, którego domena to przedsiębiorczość.
24
PODSUMOWANIE 25
Zasadniczym wkładem artykułu jest zastosowanie rzadko używanego
26
podejścia w analizie danych ze słabych skal pomiarowych – procedury grupowania
27
zmiennych niemetrycznych w celu wyodrębnienia klas cech podobnych i
wyzna-28
czenia odpowiadających im zmiennych syntetycznych. Otrzymane w ten sposób
29
reprezentantki skupień posłużyły do identyfikacji powiązań z charakterystykami
30
społeczno-demograficznymi respondentów, które okazały się być najsilniejsze
1
w przypadku wykształcenia i wieku.
2
Należy zaznaczyć, że aplikacje metod klasyfikacji obejmują najczęściej
3
wyodrębnianie skupień obiektów, a nie zmiennych. Natomiast przedstawione
4
w artykule odmienne podejście, tj. grupowanie zmiennych pozwoliło na redukcję
5
wymiarów i przedstawienie struktury ocen kompetencji w uogólniony sposób.
6
Procedura ujawniła istnienie kompetencji, które pozostają w izolacji od
7
pozostałych, oraz umiejętności, które pozostają ze sobą w bliskiej relacji.
8
Efekty analiz zaprezentowanych w pracy wskazują, że warto sięgać po
9
specyficzne metody analityczne adekwatne dla zmiennych o charakerze
10
niemetrycznym. Ze względu na ogranicznone ramy niniejszej pracy analizy zostały
11
przeprowadzone wyłącznie za pomocą hierarchicznej procedury aglomeracyjnej.
12
Wykorzystana metoda daje natomiast podstawy do pogłębienia rozważań o inne
13
metody analiz wielowymiarowych, np. grupowanie metodą k-średnich, co
wska-14
zuje na potencjalne dalsze kierunki badań. Kolejnym obszarem zainteresowania
15
może być wykorzystanie omówionych metod w celu oceny zmian zachodzących
16
w zasobach kompetencji w wymiarze czasowym.
17
BIBLIOGRAFIA 18
Bilans Kapitału Ludzkiego w Polsce. Badania ludności (2013) Polska Agencja Rozwoju
19
Przedsiębiorczości, https://bkl.parp.gov.pl/pobierz.html/kwestionariusze_IV_2013.7z.
20
Bühlmann P., Rütimann P., van de Geer S., Zhang C. H. (2013) Correlated Variables
21
in Regression: Clustering and Sparse Estimation. Journal of Statistical Planning
22
and Inference, 143(11), 1835-1858.
23
Chavent M., Kuentz V., Liquet B., Saracco L. (2013) ClustOfVar: An R Package for the
24
Clustering of Variables. Journal of Statistical Software, 50(13), 1-16.
25
Czarnik Sz., Turek K. (2015) Polski rynek pracy – aktywność zawodowa i struktura
26
wykształcenia. PARP, Warszawa.
27
Dhillon I. S., Marcotte E. M., Roshan U. (2003) Diametrical Clustering for Identifying
anti-28
Correlated Gene Clusters. Bioinformatics, 19(13), 1612-1619.
29
Dziechciarz-Duda M., Dziechciarz J. (2016) The Identification of Training Needs
30
for Human Capital Quality Improvement in Poland – a Statistical Approach. Statistics
31
in Transition New Series, 17(4), 723-736.
32
Everitt B. S., Landa S., Leese M., Stahl D. (2011) Cluster Analysis. Wiley, Chichester.
33
podstawie danych sondażowych o charakterze niemetrycznym. Acta Universitatis
38
Nicolai Copernici. Nauki Humanistyczno-Społeczne. Ekonomia, 45 (2), 2014, 161-171.
39
Grześkowiak A. (2015) Competences of Adult Poles - Evaluation of the Age as
40
a Differentiating Factor. [w:] Rotschedl J., Cermakova K. (red.) Proceedings of the 15th
41
International Academic Conference. International Institute of Social
1
and Economic Sciences, Prague, 381-391.
2
Grześkowiak A. (2016) Wielowymiarowa analiza kompetencji zawodowych według grup
3
wieku ludności. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 427,
4
122-130.
5
Hubert L., Arabie P. (1985) Comparing Partitions. Journal of Classification, 2(1), 193-218.
6
Analysis. John Wiley & Sons, Hoboken.
10
Kiers H. A. (1991) Simple Structure in Component Analysis Techniques for Mixtures
11
of Qualitative and Quantitative Variables. Psychometrika, 56(2), 197-212.
12
Lasek M., Pęczkowski M. (2010) Grupowanie zmiennych w procesach eksploracji danych
13
(Data Mining). Ekonomia i Zarządzanie, 2(1), 83-94.
14
Malarska A. (2005) Statystyczna analiza danych wspomagana programem SPSS. SPSS
15
Polska, Kraków.
16
Palla K., Ghahramani Z., Knowles D. A. (2012) A Nonparametric Variable Clustering
17
Model. [w:] Advances in Neural Information Processing Systems, 2987-2995.
18
Rand W. M. (1971) Objective Criteria for the Evaluation of Clustering Methods. Journal
19
of the American Statistical Association, 66(336), 846-850.
20
Vigneau E., Chen M., Qannari E. M. (2015) ClustVarLV: An R Package for the Clustering
21
of Variables Around Latent Variables. The R Journal, 7 (2), 134-148.
22
Vigneau E., Qannari E. M. (2003) Clustering of Variables Around Latent Components.
23
Communications in Statistics-Simulation and Computation, 32(4), 1131-1150.
24
Wagner S., Wagner D. (2007) Comparing Clusterings: an Overview. Karlsruhe: Universität
25
Karlsruhe, Fakultät für Informatik. http://www.cs.ucsb.edu/~veronika/MAE/wagner07
26
comparingclusterings.pdf.
27
Yeung K. Y., Ruzzo W. L. (2001) Details of the Adjusted Rand Index and Clustering
28
Algorithms, Supplement to the Paper An Empirical Study on Principal Component
29
Analysis for Clustering Gene Expression Data. Bioinformatics, 17(9), 763-774.
30
ANALYSIS OF COMPETENCES RESOURCES USING
31
THE CLUSTERING METHOD FOR NONMETRIC VARIABLES
32
Abstract: The article presents the application of a nonmetric variables
33
clustering method to a study of competences resources in Poland.
34
The analysis is based on results from a nationwide survey on Human Capital
35
in Poland, including data both on hard and soft skills. The analytical
36
procedure allowed for grouping competences assessed similarly into clusters
37
and assigning to them synthetic variables – representatives, which were used
38
to evaluate the relationships with chosen socio-demographic characteristics.
39
Keywords: competences, nonmetric variables, cluster analysis
40
DOI: 10.22630/MIBE.2017.18.4.55
ZANURZANIE OBSERWACJI W PRÓBIE W OCENIE
1
ZRÓŻNICOWANIA PRZESTĘPCZOŚCI PRZECIWKO MIENIU
2
ORAZ STOPY BEZROBOCIA W POLSCE
3
Małgorzata Kobylińska
4
Wydział Nauk Ekonomicznych
5
Uniwersytet Warmińsko-Mazurski w Olsztynie
6
e-mail:angosiak@poczta.onet.pl
7
Streszczenie: W artykule przedstawiono wykorzystanie koncepcji zanurzania
8
obserwacji w próbie w analizie danych dotyczących liczby przestępstw
9
przeciwko mieniu oraz stopy bezrobocia. Dokonano rangowania województw
10
względem oddalenia od centralnego skupienia zbiorów danych. Wykresy
11
oparte na miarach zanurzania obserwacji w próbie pozwoliły na
zobra-12
zowanie pewnych własności tych danych.
13
Słowa kluczowe: zanurzania obserwacji w próbie, miara zanurzania Tukeya,
14
miara zanurzania simpleksowego Liu, kontury zanurzania
15
WSTĘP 16
We współczesnym świecie przestępczość jest jednym z głównych
17
problemów społecznych. Kluczowe staje się wykrywanie przestępczości oraz jej
18
zapobieganie. Zauważyć można wzrost zainteresowania tym zagadnieniem przez
19
społeczeństwo, organy ścigania jak i ośrodki badań naukowych Sztaudynger
20
i Sztaudynger 2003.
21
Przestępczość ma istotny wpływ na codzienne życie lokalnych społeczności
22
oraz całego społeczeństwa. Zasadniczo wpływa na poczucie bezpieczeństwa, które
23
jest podstawowym wyznacznikiem jakości życia.
24
Przestępstwa przeciwko mieniu pojmowane są jako napady na własność lub
25
inne prawa majątkowe m.in. kradzieże, włamania, paserstwa, rozboje lub
26
niszczenie mienia. Istotą tych przestępstw jest spowodowanie poszkodowanemu
27
straty majątkowej Zawłocki 2011. Na przestępczość przeciwko mieniu istotny
28
wpływ ma wiele czynników mających charakter społeczno-ekonomiczny.
29
Bezrobociu przypisuje się ważną rolę na kształtowanie jego poziomu patrz np.