Maria JOHANN*
Poziom ˝ycia ludnoÊci Polski i krajów Unii Europejskiej
Wprowadzenie
W artykule przedstawione zosta∏y wyniki badaƒ poziomu ˝ycia ludnoÊci Polski i krajów UE w latach 1990-2000, przeprowadzonych w oparciu o wy-brane metody taksonomiczne. Analiza materia∏u empirycznego umo˝liwiç mia-∏a uzyskanie odpowiedzi na pytanie: czy w ciàgu wy˝ej wymienionych 10 lat, dystans pomi´dzy Polskà a krajami UE, pod wzgl´dem poziomu ˝ycia ludno-Êci, zmniejszy∏ si´. Dodatkowym celem badaƒ by∏o potwierdzenie pozytyw-nych skutków, a tak˝e korzyÊci p∏ynàcych z integracji, zwiàzapozytyw-nych z poprawà warunków ˝ycia ludnoÊci oraz zacieraniem si´ ró˝nic pomi´dzy poszczególny-mi paƒstwaposzczególny-mi nale˝àcyposzczególny-mi do UE.
Metody badania poziomu ˝ycia
Mimo i˝ zagadnienie poziomu ˝ycia jest przedmiotem licznych badaƒ i dys-kusji naukowych, nie wykszta∏ci∏y si´ dotychczas jednolite podstawy termino-logiczne i metodyczne. W powszechnym u˝yciu znajdujà si´ takie terminy, jak: poziom ˝ycia, jakoÊç ˝ycia, dobrobyt spo∏eczny czy warunki ˝ycia. W literatu-rze pliteratu-rzedmiotu mo˝na znaleêç liczne okreÊlenia odnoszàce si´ do wy˝ej wy-mienionych poj´ç, brak jest jednak jednoznacznych definicji rozró˝niajàcych te kategorie. Ze wzgl´du jednak na koniecznoÊç przyj´cia okreÊlonej termino-logii dla potrzeb przeprowadzonych badaƒ, poziom ˝ycia definiuj´ jako sto-pieƒ zaspokojenia potrzeb indywidualnych oraz zbiorowych ludnoÊci, w ra-mach, których wyró˝niç mo˝na potrzeby wy˝ywieniowe, mieszkaniowe, zdrowotne, oÊwiatowe, kulturalne, rekreacyjne, bezpieczeƒstwa osobistego i socjalnego oraz zagospodarowania materialnego, okreÊlane przez wskaêniki obiektywne.
W badaniach dotyczàcych zró˝nicowania poziomu ˝ycia ludnoÊci mogà byç stosowane tak˝e ró˝ne podejÊcia metodologiczne, w których wykorzysty-wane sà zarówno wskaêniki obiektywne, do których zalicza si´ wskaêniki
warto-* Autorka jest pracownikiem Wy˝szej Szko∏y Mened˝erskiej w Warszawie. Artyku∏ wp∏ynà∏ do
Êciowe i naturalne, oraz wskaêniki subiektywne. Do oceny poziomu ˝ycia w opar-ciu o wskaêniki wartoÊciowe, stosowana jest m.in. wielkoÊç dochodu narodo-wego przypadajàcego na 1 mieszkaƒca, wskaêniki wyszczególnione na podsta-wie dochodu narodowego, a tak˝e miary poziomu, dynamiki oraz struktury dochodów i wydatków konsumpcyjnych. Ocena poziomu ˝ycia przy wykorzy-staniu wskaêników naturalnych dotyczy natomiast analizy stopnia zaspokoje-nia poszczególnych potrzeb badanej populacji, której uzupe∏nienie mogà sta-nowiç badania odczuç ludzi w stosunku do stopnia zaspokojenia tych potrzeb1.
Dobór wskaêników naturalnych jest du˝o bardziej skomplikowany ze wzgl´-du na brak jednoznacznych kryteriów, które mog∏yby byç zastosowane przy ich wyborze. W praktyce badawczej stosuje si´ dwa sposoby pomiaru i oceny stopy ˝yciowej, które bazujà na wskaênikach naturalnych. Pierwszy sposób polega na analizie zestawu wskaêników reprezentujàcych najwa˝niejsze ele-menty poziomu ˝ycia, a drugi na zastosowaniu syntetycznego wskaênika, któ-rym mo˝e byç d∏ugoÊç ˝ycia ludzkiego bàdê wskaênik skonstruowany ze wskaê-ników szczegó∏owych odnoszàcych si´ do podstawowych wyznaczwskaê-ników poziomu ˝ycia [Bywalec, 1998, s. 42]. W przypadku gdy analiza obejmuje zestaw wskaê-ników, nale˝y wyró˝niç podstawowe grupy potrzeb, a nast´pnie dobraç do wy-mienionych segmentów po kilka wskaêników czàstkowych, charakteryzujà-cych w przybli˝eniu rozmiar konsumpcji, a poÊrednio stopieƒ zaspokojenia poszczególnych potrzeb. Stosujàc wybrane metody taksonomiczne, nale˝y przeprowadziç agregacj´ wskaêników czàstkowych i obliczyç wskaênik zbior-czy dla ka˝dej z wymienionych grup potrzeb, co umo˝liwia dokonanie oceny poszczególnych elementów poziomu ˝ycia. Drugi sposób pomiaru i oceny sto-py ˝yciowej w oparciu o wskaêniki naturalne, polega na u˝yciu wskaênika syntetycznego. U˝ycie wskaênika syntetycznego, utworzonego ze wskaêników czàstkowych, powinno byç poprzedzone wyró˝nieniem g∏ównych elementów poziomu ˝ycia, co umo˝liwia prawid∏owy dobór wskaêników czàstkowych. Nast´pnie nale˝y obliczyç wskaênik agregatowy, dzi´ki któremu mo˝liwe jest dokonanie syntetycznej oceny poziomu ˝ycia.
W praktyce badawczej wykorzystywane sà dwa sposoby oceny stopy ˝ycio-wej w oparciu o wskaêniki naturalne, a decyzja dotyczàca wyboru jednego z nich w du˝ym stopniu zale˝y od celu i zasi´gu badaƒ oraz posiadanego ma-teria∏u empirycznego. Wskaêniki syntetyczne umo˝liwiajà formu∏owanie gene-ralnych opinii, dokonywanie porównaƒ i ocen poziomu ˝ycia, dzi´ki czemu majà zastosowanie w analizach porównawczych krajów bàdê regionów, a tak-˝e, gdy celem badawczym jest okreÊlenie dynamiki zmian rozwoju spo∏eczne-go danespo∏eczne-go obszaru w uj´ciu ca∏oÊciowym. Wskaêniki czàstkowe dostarczajà informacji o tendencjach rozwoju poszczególnych elementów poziomu ˝ycia i w du˝o wi´kszym stopniu pozwalajà okreÊliç struktur´ badanego zjawiska, co pozwala wyró˝niç obszary, w których stopieƒ rozwoju spo∏ecznego jest niewystarczajàcy.
1 Podstawowe kategorie opisu oraz metody pomiaru rozwoju spo∏ecznego zosta∏y omówione
Metody taksonomiczne wykorzystane w badaniach
Badanie poziomu ˝ycia i struktury konsumpcji w przekrojach przestrzennych wymaga zastosowania odpowiednich narz´dzi i metod statystycznych. W tym przypadku stosowanie tradycyjnych metod statystycznych jest niewystarczajàce. Dotyczy to w szczególnoÊci analiz klasyfikacyjnych i porównawczych wykonywa-nych w ramach wielu badaƒ ekonomiczwykonywa-nych. Dzieje si´ tak, gdy˝ klasyfikowa-ne (porównywaklasyfikowa-ne) obiekty przestrzenklasyfikowa-ne (gminy, województwa, makroregiony, paƒstwa) sà opisywane ze wzgl´du na poziom konsumpcji, warunki bytu, po-ziom ˝ycia itp. przez wiele zmiennych (cech), których liczba dochodzi niekie-dy do kilkudziesi´ciu. Dlatego te˝ coraz cz´Êciej w badaniach poziomu i struk-tury przestrzennej wykorzystywane sà metody taksonomiczne, które umo˝liwiajà analiz´ (klasyfikacj´, porównywanie) obiektów w przestrzeni wielocechowej. Za stosowaniem metod analizy taksonomicznej przemawiajà nast´pujàce przes∏anki:
• „zredukowanie nagromadzonych informacji do kilku podstawowych kate-gorii, co pozwala na wyciàgni´cie wniosków uogólniajàcych oraz ustalenie typologii w zakresie badanej problematyki,
• okreÊlenie jednorodnych przedmiotów analizy, w ramach których ∏atwiej jest wyodr´bniç czynniki systematyczne oraz ewentualne zwiàzki przyczy-nowo-skutkowe,
• zmniejszenie czasu i kosztów badaƒ przez ograniczenie rozwa˝aƒ do naj-bardziej typowych faktów, zjawisk, obiektów przy stosunkowo niewielkich stratach informacji i zmniejszenia si´ prawdopodobieƒstwa otrzymania znie-kszta∏conych rezultatów analizy” [Mynarski, 1992, s. 117-118].
W metodach taksonomicznych, podstawowy problem stanowi odpowiedni dobór cech diagnostycznych, charakteryzujàcych badane zjawisko oraz wybór miar umo˝liwiajàcych porównanie i klasyfikacje rozwa˝anych obiektów. Do naj-cz´Êciej stosowanych miar nale˝à miary podobieƒstwa – okreÊlajàce stopieƒ podobieƒstwa struktur cech opisujàcych porównywane obiekty, oraz miary odle-g∏oÊci – umo˝liwiajàce pomiar zró˝nicowania poziomu cech diagnostycznych w porównywanych obiektach oraz okreÊlenie dystansu pomi´dzy obiektami. Jednà z miar, wykorzystywanych do porównywania obiektów, jest miara mpj, mierzàca podobieƒstwo struktur cech obiektów p-tego i j-tego [Michalski, 1996, s. 23-29].
Miara podobieƒstwa obiektów
gdzie:
Zp – p-ty wiersz macierzy Z
Zj – j-ty wiersz macierzy Z
Zp ∞ Zj – iloczyn skalarny wektorów Zp i Zj |Zp|•|Zj| – iloczyn d∏ugoÊci wektorów Zp i Zj
( ; )p j cos , Z Z Z Z Z Z p j p j p j : B = = n
%
_ iPodobieƒstwo struktur cech diagnostycznych dwóch obiektów (p-tego i j-tego) mierzona jest cosinusem kàta mi´dzy wektorami Zporaz Zj, obrazujàcymi roz-wa˝ane obiekty. Wi´ksza wartoÊç wskaênika podobieƒstwa dla porównywa-nych obiektów oznacza wi´ksze ich podobieƒstwo, ze wzgl´du na uwzgl´dnio-ne cechy diagnostyczuwzgl´dnio-ne.
W porównywaniu obiektów wielowymiarowych nie mo˝na ograniczyç si´ jedynie do miar podobieƒstwa, które sà miernikami zgodnoÊci struktur cech diagnostycznych. Mo˝e to doprowadziç do sytuacji, w której otrzymamy wy-sokà wartoÊç miary podobieƒstwa, mimo i˝ porównywane obiekty ró˝nià si´ istotnie pod wzgl´dem poziomu cech diagnostycznych. To Êwiadczy o wyso-kim podobieƒstwie struktur przy istotnym zró˝nicowaniu poziomu badanego zjawiska. Dlatego te˝ w porównaniach obiektów wielowymiarowych nale˝y obok wyznaczenia miar podobieƒstwa okreÊlajàcych podobieƒstwo struktur tak˝e wy-znaczyç wartoÊci umo˝liwiajàce pomiar poziomu cech w rozwa˝anym obiek-cie oraz pomiar odleg∏oÊci mi´dzy dwoma badanymi obiektami.
Miarà zró˝nicowania poziomu cech diagnostycznych mo˝e byç np. miara dystansu mi´dzy obiektami.
Miara dystansu mi´dzy obiektami
Miara dystansu d jest najcz´Êciej oparta na metryce euklidesowej i jest jed-nà z najbardziej czytelnych i najcz´Êciej stosowanych miar zró˝nicowania po-ziomu cech diagnostycznych. Miara dystansu d okreÊla odleg∏oÊç mi´dzy obiek-tami (punkobiek-tami przestrzeni Rk) j-tym oraz p-tym. Poziom wartoÊci miary dystansu obrazuje ró˝nice w wartoÊciach cech diagnostycznych porównywanych obiek-tów. Im wi´kszà wartoÊç przyjmuje miara d, tym wi´ksze jest zró˝nicowanie wartoÊci cech w porównywanych obiektach.
Jednà z podstawowych metod analizy taksonomicznej jest analiza skupieƒ
(cluster analysis). Metoda ta pozwala na dokonywanie analizy obiektów
wie-lowymiarowych, ró˝niàcych si´ mi´dzy sobà, w celu ich pogrupowania w sku-piska obiektów wykazujàcych okreÊlony stopieƒ podobieƒstwa. WÊród metod grupowania wa˝nà rol´ pe∏nià metody grupowania oparte na podobieƒstwie taksonomicznym obiektów wielowymiarowych (wielocechowych). Metody te mo˝na podzieliç na trzy grupy: metody aglomeracyjne, podzia∏owe i dendry-towe. W pracy skupiono si´ na najcz´Êciej stosowanych w praktyce metodach grupowania obiektów, do jakich niewàtpliwie nale˝à metody aglomeracyjne. W metodach tych przyjmuje si´ za∏o˝enie, ˝e ka˝dy obiekt Wi nale˝àcy do zbioru W = {W1, W2, W3, … Wi … Wn}, gdzie p = 1, 2, 3, …, n, obiektów wie-locechowych, stanowi odr´bnà klas´. Nast´pnie ∏àczy si´ stopniowo poszcze-gólne obiekty w mniejszà liczb´ klas. Proces grupowania koƒczy si´ w mo-mencie uzyskania jednej klasy zawierajàcej wszystkie obiekty zbioru W. Punktem wyjÊcia w metodach aglomeracyjnych jest macierz obserwacji Z na podstawie której wyznaczana jest macierz odleg∏oÊci D [ZeliaÊ, 2000, s. 154-155].
( ; ) Z Z d p j / pi ji i k 1 1 2 2 -= = _ i )
/
3Macierz obserwacji
gdzie:
Zpj = (p = 1, …, n; j = 1, …, k) – wartoÊç j-tej zmiennej diagnostycznej w p-tym obiekcie.
gdzie:
dpj= (p, j = 1, …, n;) – jest odleg∏oÊcià mi´dzy p-tym oraz j-tym obiektem. W metodzie aglomeracji, przy formowaniu skupieƒ, wykorzystywane sà miary odleg∏oÊci pomi´dzy obiektami. WÊród miar odleg∏oÊci najcz´Êciej sto-sowane sà: odleg∏oÊç euklidesowa, kwadrat odleg∏oÊci euklidesowej, odleg∏oÊç miejska (Manhattan, City block), Czebyszewa, pot´gowa, niezgodnoÊç procen-towa. Do pomiaru odleg∏oÊci w badaniach wykorzystana zosta∏a odleg∏oÊç eu-klidesowa.
W metodzie aglomeracyjnej analizy skupieƒ stosuje si´ wiele ró˝nych metod ∏àczenia lub wiàzania obiektów. W pierwszym etapie, gdy ka˝dy obiekt repre-zentuje swoje w∏asne skupienie, odleg∏oÊci mi´dzy tymi obiektami definiuje si´ za pomocà wybranej miary odleg∏oÊci. Powstaje jednak problem, jak okreÊliç odleg∏oÊci mi´dzy nowymi skupieniami, które powstanà z powiàzanych obiek-tów? W tym celu stosowana jest jedna z metod wiàzania lub aglomeracji, któ-ra okreÊla, kiedy dwa skupienia sà dostatecznie podobne, aby mo˝na je by∏o po∏àczyç. Istnieje kilka mo˝liwoÊci: na przyk∏ad, mo˝na powiàzaç ze sobà dwa skupienia, gdy dowolne dwa obiekty z tych dwóch skupieƒ znajdujà si´ w mniej-szej odleg∏oÊci ni˝ odpowiednia odleg∏oÊç wiàzania. Innymi s∏owy, aby okre-Êliç odleg∏oÊci mi´dzy skupieniami, wykorzystamy „najbli˝szych sàsiadów” mi´dzy skupieniami. Metoda ta nosi nazw´ pojedynczego wiàzania (single
lin-kage). W wyniku zastosowania tej metody powstajà skupienia typu
„w∏ókniste-go”, co oznacza, ˝e sà one po∏àczone ze sobà tylko przez pojedyncze obiekty, które le˝à najbli˝ej siebie. Alternatywnie, mo˝na wykorzystaç sàsiadów, którzy sà najbardziej od siebie oddaleni. Ta metoda nosi nazw´ pe∏nego wiàzania
(com-plete linkage). Oprócz wymienionych, stosowane sà takie metody, jak: metoda
Êrednich po∏àczeƒ, Êrednich po∏àczeƒ wa˝onych, Êrodków ci´˝koÊci, wa˝onych Êrodków ci´˝koÊci (mediany) oraz metoda Warda.
d d d d d d D 0 0 0 n n n n 21 1 12 2 1 2 f f f f f f f = J L K K K KK N P O O O O O Z Z Z Z Z Z Z Z Z Z n n k k nk 11 21 1 12 22 2 1 2 f f f f f f f = J L K K K KK N P O O O O O
W badaniach wykorzystano metod´ Warda. Nale˝y ona do aglomeracyj-nych metod grupowania wielowymiarowych obiektów i ró˝ni si´ od wszyst-kich pozosta∏ych, poniewa˝ do oszacowania odleg∏oÊci mi´dzy skupieniami wykorzystuje podejÊcie analizy wariancji. Metoda ta zmierza do minimalizacji sumy kwadratów odleg∏oÊci dowolnych dwóch skupieƒ, które mogà zostaç ufor-mowane na ka˝dym etapie. Ogólnie metoda ta jest traktowana jako bardzo efek-tywna, chocia˝ zmierza do tworzenia skupieƒ o ma∏ej wielkoÊci. Algorytm po-st´powania w metodzie Warda przedstawia si´ nast´pujàco:
1. Nale˝y przyjàç, ˝e ka˝dy z obiektów Qi (i = 1, …, m) tworzy jednoelemen-towà grup´.
2. Na podstawie macierzy odleg∏oÊci D znajduje si´ par´ skupieƒ p i q (p < q), najmniej odleg∏ych od siebie.
3. Nast´pnie ∏àczy si´ skupienia p i q w jedno nowe skupienie, nadajàc mu numer p i usuwajàc skupienie q. W ten sposób liczba skupieƒ zmniejsza si´ o jeden.
4. Oblicza si´ odleg∏oÊç nowo utworzonej grupy od wszystkich pozosta∏ych skupieƒ.
5. Na koƒcu nale˝y powtórzyç kroki 2-4, do chwili, gdy wszystkie obiekty utwo-rzà jednà grup´2.
Do wykrywania skupieƒ i ich interpretacji stosowana jest metoda ∏àczenia, której graficznym obrazem jest dendrogram – wykres przedstawiajàcy hierar-chiczne drzewo. Na osi pionowej wykresu zaznaczone sà obiekty, przy czym ka˝dy z nich stanowi swojà w∏asnà klas´. JeÊli zaczniemy stopniowo „os∏a-biaç” nasze kryterium tego, na ile dany obiekt jest lub nie jest wyjàtkowy, to tym samym b´dziemy obni˝aç próg stanowiàcy o decyzji przypisania dwóch lub wi´cej obiektów do tego samego skupienia. W ten sposób wià˝emy ze so-bà coraz to wi´cej obiektów i agregujemy je w coraz to wi´ksze skupienia ele-mentów coraz bardziej ró˝niàcych si´ od siebie. W koƒcu, w ostatnim etapie, wszystkie obiekty zostajà ze sobà po∏àczone. Na osi poziomej wykresu odk∏a-dane sà odleg∏oÊci aglomeracyjne. Stàd przy ka˝dym w´êle na wykresie (gdzie uformowa∏o si´ nowe skupienie) mo˝emy odczytaç odleg∏oÊç, przy której od-powiednie elementy zosta∏y powiàzane ze sobà, tworzàc nowe pojedyncze sku-pienie. JeÊli istniejà obiekty podobne do siebie, to ich skupienia znajdujà od-bicie na hierarchicznym drzewie w postaci oddzielnych ga∏´zi.
Wyznaczenie syntetycznego miernika poziomu ˝ycia ludnoÊci
W badaniach dotyczàcych zró˝nicowania poziomu ˝ycia ludnoÊci, najcz´-Êciej wykorzystywane sà miary syntetyczne, uzyskiwane poprzez agregacj´ zmiennych nale˝àcych do zbioru cech diagnostycznych, charakteryzujàcych badane zjawisko. Miary te umo˝liwiajà opis analizowanych obiektów za po-mocà jednej zagregowanej wielkoÊci, co u∏atwia porównywanie oraz klasyfi-2 Szczegó∏owy opis tej metody mo˝na znaleêç w pracy [Warda, 1963], a tak˝e w pracy
kowanie badanych obiektów. Podstawowym problemem przy zastosowaniu ta-kiego podejÊcia jest dobór zmiennych diagnostycznych. Najcz´Êciej punktem wyjÊcia jest okreÊlenie grup odpowiadajàcych podstawowym potrzebom cz∏owie-ka np.: wy˝ywienie, mieszcz∏owie-kalnictwo, zdrowie, educz∏owie-kacja, kultura, komunicz∏owie-kacja, bezpieczeƒstwo. Nast´pnie do ka˝dej z grup dobierane sà zmienne diagno-styczne, z których – po przeprowadzeniu selekcji i wyeliminowaniu zmien-nych nie spe∏niajàcych kryteriów merytoryczzmien-nych i formalzmien-nych – wyznaczany jest finalny zbiór zmiennych diagnostycznych. Podstawà konstrukcji syntetycz-nego miernika poziomu ˝ycia ludnoÊci sà wi´c zmienne nale˝àce do finalne-go zbioru cech diagnostycznych. Ze wzgl´du jednak na brak jednoznacznych zasad doboru zmiennych diagnostycznych, dobór uwarunkowany jest przede wszystkim mo˝liwoÊcià uzyskania porównywalnych danych oraz konieczno-Êcià spe∏nienia wymogów merytoryczno-formalnych. W badaniach poziomu ˝ycia wyst´pujà zatem znaczne ró˝nice przy konstruowaniu syntetycznych mierników. W analizach wykorzystywane sà wybrane metody taksonomii nu-merycznej.
W badaniach nad poziomem ˝ycia ludnoÊci w Polsce i UE, przedstawiona zosta∏a taksonomiczna analiza zró˝nicowania poziomu ˝ycia ludnoÊci w uj´ciu dynamicznym dla lat: 1990 i 2000. Jako podstawowy cel badaƒ przyj´to okreÊle-nie dysproporcji w zakresie poziomu ˝ycia ludnoÊci pomi´dzy Polskà i krajami UE oraz wyodr´bnienie grup paƒstw o podobnym poziomie ˝ycia ludnoÊci. Badania te umo˝liwiç mia∏y uzyskanie odpowiedzi na pytanie, czy w przecià-gu 10 lat Polska zmniejszy∏a dystans w zakresie poziomu ˝ycia ludnoÊci, od-dzielajàcy jà od krajów UE oraz czy – w ramach post´pujàcej integracji – po-ziom ˝ycia ludnoÊci w poszczególnych paƒstwach UE wyrównuje si´3.
èród∏em danych statystycznych, wykorzystanych w badaniu, by∏y nast´pu-jàce opracowania statystyczne: Eurostat Yearbook z lat 1997-2003; Statistical
Yearbook on Candidate and South-East European Countries, Eurostat 2000, 2002; Statistical Yearbook, UNESCO, 1999; World Economic and Social Survey, 1998,
2000; Bulletin of Housing and Building Statistics for Europe and North America z lat 1980-1992, 1996, 1998, 2000 oraz roczniki statystyczne badanych paƒstw z lat 1990-2003.
Podstawowym narz´dziem analizy by∏y taksonomiczne mierniki poziomu ˝ycia ludnoÊci obliczone dla Polski oraz paƒstw UE, oraz wzorzec, do którego kraje mia∏y byç porównywane. Oprócz metod bazujàcych na miernikach syn-tetycznych, w pracy wykorzystano metod´ Warda, umo˝liwiajàcà grupowanie paƒstw podobnych do siebie pod wzgl´dem poziomu ˝ycia ludnoÊci. Analiza skupieƒ zosta∏a wykonana za pomocà programu komputerowego Statistica (den-drogram, macierze odleg∏oÊci), natomiast obliczenia i wykresy przedstawiajà-ce odleg∏oÊci i podobieƒstwa w stosunku do wzorca za pomocà programu Excel4.
3 Badania poziomu ˝ycia ludnoÊci Polski i krajów UE w latach 1970-1989 prowadzi∏ [Bywalec
i Wydymus, 1992].
W celu okreÊlenia zbioru finalnych zmiennych diagnostycznych, stworzo-na zosta∏a baza danych, w której wyodr´bnione zosta∏y grupy zmiennych cha-rakteryzujàce podstawowe sfery poziomu ˝ycia, a mianowicie: wy˝ywienie, zdro-wie, wyposa˝enie gospodarstw domowych, edukacja, kultura, bezpieczeƒstwo, Êrodowisko naturalne. Szczegó∏owa analiza zbioru zmiennych, uwzgl´dniajà-ca zarówno kryteria merytoryczne, jak i formalne, umo˝liwi∏a dokonanie wy-boru zmiennych najwa˝niejszych z punktu widzenia prowadzonych badaƒ. Ja-ko najwa˝niejsze kryterium merytoryczne przyj´to zasad´, ˝e ostateczny zbiór cech powinien zawieraç zmienne reprezentujàce wszystkie aspekty poziomu ˝ycia, natomiast w ramach kryteriów formalno-statystycznych uwzgl´dniono kompletnoÊç czasowà danych w latach 1990-2000 oraz brak skorelowania cech reprezentujàcych poszczególne grupy. Jako ostateczny zbiór zmiennych diagnostycznych, przyj´to nast´pujàcy zestaw zmiennych5:
P1 WartoÊç energetyczna przeci´tnej dziennej racji pokarmowej na 1 miesz-kaƒca.
P2 Przeci´tne trwanie ˝ycia ludzkiego – kobiety. P3 Przeci´tne trwanie ˝ycia ludzkiego – m´˝czyêni. P4 Liczba zgonów niemowlàt na 1 tys. urodzeƒ.
P5 ZachorowalnoÊç na gruêlic´ na 100 tys. mieszkaƒców. P6 Liczba komputerów osobistych na 100 mieszkaƒców. P7 Liczba pod∏àczonych do Internetu na 100 mieszkaƒców. P8 Liczba telefonów komórkowych na 100 mieszkaƒców. P9 Liczba samochodów osobowych na 1 tys. mieszkaƒców. P10 Liczba studentów szkó∏ wy˝szych na 1 tys. mieszkaƒców. P11 Stopa bezrobocia.
P12 Zanieczyszczenie dwutlenkiem w´gla, tony na osob´. P13 Zanieczyszczenie dwutlenkiem siarki, kilogram na osob´. P14 Zanieczyszczenie dwutlenkiem azotu, kilogram na osob´.
Podstawà konstrukcji syntetycznego miernika poziomu ˝ycia ludnoÊci by∏y zmienne nale˝àce do finalnego zbioru cech diagnostycznych. WartoÊci wzorca zosta∏y przyj´te jako wartoÊci maksymalne wystandaryzowanych cech diagno-stycznych b´dàcych stymulantami oraz wartoÊci minimalne wystandaryzowanych cech b´dàcych destymulantami. Tak ustalony wzorzec reprezentowaç mia∏
naj-5 Podstawowym problemem zwiàzanym z konstruowaniem syntetycznego wskaênika poziomu
˝ycia jest dobór zmiennych diagnostycznych oraz dobór odpowiednich wag. Przyjmujàc za-∏o˝enie, ˝e zmienne diagnostyczne powiny reprezentowaç podstawowe potrzeby cz∏owieka, nale˝a∏oby si´ zastanowiç, które z tych potrzeb sà kluczowe, a których znaczenie jest mniej-sze bàdê wr´cz marginalne. Przyj´cie jakiegokolwiek rozwiàzania zawmniej-sze b´dzie mia∏o cha-rakter subiektywny i b´dzie zale˝a∏o od stanowiska badacza. Jak dotàd, nie wykszta∏ci∏y si´ jednolite podstawy metodyczne badania poziomu ˝ycia, dlatego te˝ zarówno dobór zmien-nych, jak i wag, umo˝liwiajàcy konstrukcj´ wskaênika sytetycznego, mo˝e wydawaç si´ ten-dencyjny. Wa˝ne jest natomiast wykorzystanie tego samego zestawu zmiennych w badaniach poziomu ˝ycia ludnoÊci, w uj´ciu dynamicznym, w szczególnoÊci w analizach porównawczych. Mo˝na wtedy okreÊliç dynamik´ zmian rozwoju spo∏ecznego w analizowanych regionach bàdê krajach, na przestrzeni danego okresu, w oparciu o przyj´te zmienne.
wy˝sze wartoÊci cech diagnostycznych pozytywnie wp∏ywajàcych oraz najni˝sze wartoÊci cech diagnostycznych negatywnie wp∏ywajàcych na poziom ˝ycia.
Tablica 1 Ranking wg miar podobieƒstwa i dystansu krajów UE i Polski do wzorca w 1990 r.6
Rok 1990 podobieƒstwo dystans ranking wg miary podobieƒstwa ranking wg miary dystansu
Polska 0,358 10,640 2 16 Belgia 0,320 5,401 4 3 Dania 0,089 5,763 10 7 Niemcy 0,089 6,286 10 9 Hiszpania 0,372 6,798 1 12 Grecja 0,226 7,567 6 13 Francja 0,326 5,458 3 6 Irlandia 0,078 6,687 11 11 W∏ochy 0,026 5,436 13 5 Luksemburg 0,066 8,141 12 14 Holandia 0,276 4,940 5 2 Austria 0,184 3,790 9 1 Portugalia 0,226 9,003 6 15 Finlandia 0,186 6,297 8 10 Szwecja 0,326 5,426 3 4 W. Brytania 0,212 6,088 7 8
èród∏o: obliczenia w∏asne
Rys. 1. Odleg∏oÊç paƒstw UE i Polski od wzorca wed∏ug miary podobieƒstwa – 1990 r.
èród∏o: obliczenia w∏asne
0,500Polska Belgia Dania Niemcy Grecja Hiszpania Francja Irlandia W∏ochy Luksemburg Holandia Austria Portugalia Finlandia Szwecja W. Brytania podobieƒstwo 0,450 0,400 0,350 0,300 0,250 0,200 0,150 0,100 0,050 0,000
6 Wyniki dla Luksemburga sà obarczone pewnym b∏´dem, gdy˝ niektóre dane dla tego kraju
znacznie odbiegajà od Êredniej europejskiej, np. liczba studentów w Luksemburgu jest bar-dzo niska, gdy˝ wi´kszoÊç studentów studiuje poza granicami tego kraju.
Rys. 2. Odleg∏oÊç paƒstw UE i Polski od wzorca wed∏ug miary dystansu – 1990 r.
èród∏o: obliczenia w∏asne
Tablica 2 Ranking wg miar podobieƒstwa i dystansu krajów UE i Polski do wzorca w 2000 r. Rok 2000 podobieƒstwo dystans ranking wg miary podobieƒstwa ranking wg miary dystansu
Polska 0,500 15,427 4 16 Belgia 0,132 7,448 14 7 Dania 0,314 7,250 8 5 Niemcy 0,188 7,632 12 9 Hiszpania 0,259 8,964 10 13 Grecja 0,341 9,330 7 14 Francja 0,147 7,624 13 8 Irlandia 0,108 7,989 15 11 W∏ochy 0,407 6,817 6 3 Luksemburg 0,103 8,829 16 12 Holandia 0,519 6,558 3 2 Austria 0,812 4,000 1 1 Portugalia 0,678 11,182 2 15 Finlandia 0,309 7,814 9 10 Szwecja 0,489 7,067 5 4 W. Brytania 0,231 7,341 11 6
èród∏o: obliczenia w∏asne
Polska Belgia Dania Niemcy Hiszpania Grecja Francja Irlandia dystans W∏ochy Luksemburg Holandia Austria Portugalia Finlandia Szwecja W. Brytania 12 10 8 6 4 2 0
Rys. 3. Odleg∏oÊç paƒstw UE i Polski od wzorca wed∏ug miary podobieƒstwa – 2000 r.
èród∏o: obliczenia w∏asne
Rys. 4. Odleg∏oÊç paƒstw UE i Polski od wzorca wed∏ug miary dystansu – 2000 r.
èród∏o: obliczenia w∏asne
16 14 12 10 8 6 4 2 0 Polska Belgia Dania Niemcy Hiszpania Grecja Francja Irlandia W∏ochy Luksemburg Holandia Austria Portugalia Finlandia Szwecja W. Brytania dystans 0,700 0,600 0,500 0,400 0,300 0,200 0,100 0,000 Polska Belgia Dania Niemcy Grecja Hiszpania Francja Irlandia W∏ochy Luksemburg Holandia Portugalia Finlandia Szwecja W. Brytania podobieƒstwo
Wyniki przeprowadzonej analizy wskazujà, i˝ kraje UE wyrównujà dzielàce je ró˝nice wg miar dystansu w poziomie ˝ycia, skupiajà si´ i coraz szybciej zbli˝ajà do wzorca. Natomiast Polska w latach 1990-2000, pod wzgl´dem po-ziomu ˝ycia mierzonego miarami dystansu, systematycznie oddala∏a si´ od przy-j´tego wzorca (dystans w 1990 r. wynosi∏ 10,64, a w 2000 r. a˝ 15,43). Pod wzgl´dem miar podobieƒstwa sytuacja wyglàda znacznie lepiej, chocia˝ tutaj równie˝ istnieje tendencja do oddalania si´ od wzorca. I tak w 1990 r. Polska by∏a na drugim miejscu, pod wzgl´dem podobieƒstwa zgodnoÊci struktur cech diagnostycznych, a w 2000 r. na miejscu czwartym. Mo˝na zatem stwierdziç, ˝e pomimo wysokiej wartoÊci miar podobieƒstwa Polska znacznie ró˝ni si´ pod wzgl´dem poziomu cech diagnostycznych od ustalonego wzorca, co wi´-cej ró˝nice te powi´kszy∏y si´ z up∏ywem lat, tzn. w okresie 1990-2000.
Ustalanie grup paƒstw o podobnym poziomie ˝ycia ludnoÊci
W wyniku zastosowania metody Warda wyodr´bnione zosta∏y grupy paƒstw charakteryzujàce si´ podobnym poziomem ˝ycia ludnoÊci w 1990 oraz 2000 r. Podstawà obliczeƒ by∏y zmienne nale˝àce do finalnego zbioru cech diagno-stycznych.
Rys. 5. Skupiska paƒstw w 1990 r. przy zastosowaniu odleg∏oÊci euklidesowej, wiàzanej
èród∏o: obliczenia w∏asne
Diagram drzewa Metoda Warda Odleg∏. euklidesowa Odleg∏oÊç wiàz. 0 2 4 6 8 10 12 14 Polska Portugalia Belgia Francja W∏ochy Austria Holandia Niemcy Grecja Hiszpania Irlandia Dania W. Brytania Finlandia Szwecja Luksemburg
W 1990 r. dendrogram po∏àczeƒ pozwala na wyró˝nienie 3 skupieƒ paƒstw podobnych pod wzgl´dem poziomu ˝ycia:
• skupienie I reprezentowane przez Polsk´ i Portugali´;
• skupienie II reprezentowane przez Belgi´, Francj´, W∏ochy, Austri´, Ho-landi´, Niemcy, Grecj´, Hiszpani´, i Irlandi´;
• skupienie III reprezentowane przez Dani´, W. Brytani´, Finlandi´, Szwecj´ i Luksemburg.
Rys. 6. Skupiska paƒstw w 2000 r. przy zastosowaniu odleg∏oÊci euklidesowej, wiàzanej
èród∏o: obliczenia w∏asne
W 2000 r. dendrogram po∏àczeƒ pozwala na wyró˝nienie 2 skupieƒ paƒstw podobnych pod wzgl´dem poziomu ˝ycia:
• skupienie I reprezentowane przez Belgi´, Irlandi´, Dani´, Holandi´, W. Bry-tani´, Niemcy, Francj´, W∏ochy, Finlandi´, Szwecj´, Luksemburg i Austri´; • skupienie II reprezentowane przez. Grecj´, Hiszpani´ i Portugali´;
• Polska jest tutaj skupieniem dla samej siebie.
Przedstawione wyniki analizy skupieƒ pokazujà, i˝ na przestrzeni 10 lat nastàpi∏y istotne zmiany w poziomie ˝ycia porównywanych krajów. Polska, która na poczàtku lat 90. tworzy∏a wspólne skupienie z Portugalià, w 2000 r. stanowi skupienie dla siebie samej, a Portugalia zbli˝y∏a si´ pod wzgl´dem po-ziomu ˝ycia do Hiszpanii i Grecji, tworzàc razem z nimi jedno skupienie.
Diagram drzewa Metoda Warda Odleg∏. euklidesowa Odleg∏oÊç wiàz. 0 2 4 6 8 10 12 14 16 18 Polska Portugalia Belgia Francja W∏ochy Austria Holandia Niemcy Grecja Hiszpania Irlandia Dania W. Brytania Finlandia Szwecja Luksemburg
Drugie skupienie w 2000 r. tworzy 12 paƒstw. Porównujàc to skupienie ze skupieniami paƒstw z 1990 r., mo˝na zauwa˝yç i˝ Grecja i Hiszpania wypad∏y poza to skupienie (pozosta∏y w tyle) co sprawi∏o, i˝ zbli˝y∏a si´ do nich Portuga-lia. Natomiast takie paƒstwa, jak Belgia, Francja, Holandia, W∏ochy, Niemcy, Austria oraz Irlandia tworzàce w 1990 r. jedno skupienie oraz Dania, W. Bry-tania, Finlandia, Szwecja i Luksemburg tworzàce drugie skupienie, w 2000 r. zbli˝y∏y si´ do siebie pod wzgl´dem poziomu ˝ycia tworzàc jedno skupienie.
Podsumowanie
Wyniki przeprowadzonych badaƒ, w oparciu o wybrane metody taksono-miczne, prowadzà do nast´pujàcych wniosków:
Polska w latach 1990-2000, pod wzgl´dem poziomu ˝ycia mierzonego mia-rami dystansu, systematycznie oddala∏a si´ od przyj´tego wzorca. W tym sa-mym czasie kraje UE skupia∏y i zbli˝a∏y si´ do wzorca, zmniejszajàc dzielàce je ró˝nice. Pod wzgl´dem miar podobieƒstwa sytuacja przedstawia si´ korzyst-niej, chocia˝ i w tym przypadku zauwa˝alna jest tendencja do oddalania si´ Polski od wzorca. Taka sytuacja wskazuje na relatywnie wysokie podobieƒ-stwo, przy znacznych ró˝nicach w zakresie dystansu Polski do wzorca, co Êwiad-czy o wysokim podobieƒstwie struktur przy istotnym zró˝nicowaniu poziomu badanego zjawiska. Oznacza to, ˝e pomimo wysokiej wartoÊci miar podobieƒ-stwa, Polska znacznie ró˝ni si´, pod wzgl´dem poziomu cech diagnostycznych od ustalonego wzorca, co wi´cej ró˝nice te powi´kszy∏y si´ z up∏ywem lat, co z kolei wskazuje na zwi´kszenie si´ dystansu w zakresie poziomu ˝ycia lud-noÊci pomi´dzy Polskà a przyj´tym wzorcem oraz badanymi krajami.
Przedstawione wyniki analizy skupieƒ wskazujà na znaczne zmiany w zakre-sie poziomiu ˝ycia ludnoÊci porównywanych krajów. Polska, która w 1990 r. two-rzy∏a wspólnie skupienie z Portugalià, w 2000 r. stanowi∏a skupienie dla samej siebie, podczas gdy pozosta∏e kraje znacznie zbli˝y∏y si´ do siebie na przestrzeni badanego okresu. Tak wi´c ró˝nice pomi´dzy Polskà a pozosta∏ymi krajami, pod wzgl´dem poziomu ˝ycia ludnoÊci, zwi´kszy∏y si´, natomiast zauwa˝alne sà tendencje do wyrównywania poziomu ˝ycia w paƒstwach nale˝àcych do UE. Analiza materia∏u empirycznego pozwala stwierdziç, i˝ w okresie obj´tym badaniami – mimo systematycznego wzrostu poziomu ˝ycia ludnoÊci – Polska nie zbli˝y∏a si´ do krajów UE, a wr´cz dystans pomi´dzy naszymi krajami po-wi´kszy∏ si´. Widoczny jest tak˝e sta∏y wzrost poziomu ˝ycia ludnoÊci, przy jednoczesnym zmniejszaniu si´ ró˝nic mi´dzy poszczególnymi krajami UE, w ra-mach post´pujàcej integracji.
Bibliografia
Berbeka J., [1999], Porównanie poziomu ˝ycia w krajach Europy Ârodkowej, „WiadomoÊci Staty-styczne”, nr 8.
Bywalec C., Wydymus S., [1992], Poziom ˝ycia ludnoÊci Polski w porównaniu z krajami
Bywalec C., [1995], Transformacja gospodarcza a poziom ˝ycia spo∏eczeƒstwa polskiego (1989-1993), „Ekonomista”, nr 4.
Bywalec C., [1998], Spo∏eczne aspekty transformacji gospodarczej w Europie Ârodkowo-Wschodniej, Wydawnictwo AE w Krakowie, Kraków.
G´bala J., [1994], Poziom ˝ycia ludnoÊci w makroregionie po∏udniowym, „WiadomoÊci Statystyczne”, nr 6.
Grabiƒski T., Wydymus S., ZeliaÊ A., [1989], Metody taksonomii numerycznej w modelowaniu
zja-wisk spo∏eczno-gospodarczych, PWN, Warszawa.
Johann M., [2005], Polska – UE. Porównanie poziomu ˝ycia ludnoÊci, Difin, Warszawa. Kamiƒski S., [2002], Poziom ˝ycia Polaków, „WiadomoÊci Statystyczne”, nr 9.
Michalski T., [1996], Metody taksonomiczne w badaniu konkurencyjnoÊci gospodarki, „Gospodarka Narodowa”, nr 3.
Michalski T., [1996], Metody taksonomiczne w analizie porównawczej – podstawowe poj´cia i
meto-dy. Praca zrealizowana w ramach grantu „Perspektywy dojÊcia do Unii Europejskiej, miary
podobieƒstwa i dystansu, kryteria oceny kandydatów, programy dojÊcia”, SGH, Warszawa. Michalski T., [1997], Porównanie gospodarki Polski z gospodarkami krajów Unii Europejskiej –
ce-chy mierzalne i niemierzalne, Zeszyty Instytutu Funkcjonowania Gospodarki Narodowej
SGH, Warszawa.
Michalski T., [1997], Droga Polski do Unii Europejskiej. Gdzie jesteÊmy? Jak iÊç?, Studia i Prace, Kolegium Zarzàdzania i Finansów SGH, Zeszyt nr 7.
Michalski T., [2000], Polska w drodze do Unii Europejskiej, Difin, Warszawa.
Michalski T., [2002], Wykorzystanie miar taksonomicznych w ocenie procesu integracji wszerz na
przyk∏adzie Polski, Zeszyty Naukowe SGH, Nr 12, Warszawa.
Michalski T., [2002], Polska w procesie integracji europejskiej, Difin, Warszawa.
Mynarski S. (red.), [1992], Badania przestrzenne rynku i konsumpcji, Wydawnictwo Naukowe PWN, Warszawa.
Narkiewicz J., [1994], Poziom ˝ycia ludnoÊci w miastach woj. lubelskiego, „WiadomoÊci Staty-styczne nr 12.
Nowak E., [1990], Metody taksonomiczne w klasyfikacji obiektów spo∏eczno-gospodarczych, PWE, Warszawa.
Âmi∏owska T., [1995], Zró˝nicowanie poziomu i jakoÊci ˝ycia ludnoÊci w przekroju terytorialnym, GUS, z. 229.
ZeliaÊ A. (red.), [1988], Metody statystyki mi´dzynarodowej, PWE, Warszawa.
ZeliaÊ A. (red.), [2000], Taksonomiczna analiza przestrzennego zró˝nicowania poziomu ˝ycia w
Pol-sce w uj´ciu dynamicznym, Wydawnictwa AE w Krakowie, Kraków.
POPULATION LIVING STANDARDS IN POLAND AND THE EU-15
S u m m a r y
The article presents the results of research into the standards of living in Poland and old European Union member states in 1990-2000. The research was conducted on the basis of select taxonomic methods. The analysis of the empirical material was designed to determine whether or not the standard-of-living gap between Poland and the EU-15 narrowed over the decade. An additional aim of the research was to confirm the positive effects of integration following an improvement of population living standards and shrinking differences among individual member states. The author characterizes taxonomic methods with a special focus on those used in the research. He also discusses
the results of the analyses conducted. The comparison of Poland and the EU-15 was made on the basis of criteria of similarity and discrepancy, while the Ward method was used to identify groups of countries characterized by a similar standard of living in 1990 and 2000. The analysis of the empirical material reveals that in the period covered by the research – despite the consistent growth of population living standards – Poland did not bridge the gap separating it from the EU-15. In fact, the gap widened. However, population living standards continue to improve and differences among individual EU countries are shrinking as integration progresses.
