regionÁlnÍ analÝza metody

REGIONÁLNÍ ANALÝZAMETODY

2

Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

Název projektu: Kvalitní vzdělání je efektivní investice do lidského kapitálu – cesta k uplatnění absolventů VŠE na trhu práce; CZ.2.17/3.1.00/32102

Co nás dnes čeká?• opakování výpočtu míry heterogenity

• téma modely a metody hodnocení

regionálních procesů


Příklad – zadáníkraj rozloha / km2 % rozlohy na

ČR jev % jevu

Jihočeský 10057 12,8% 3237 6,1%

Jihomoravský 7066 9,0% 5628 10,7%

Karlovarský 3314 4,2% 1829 3,5%

Královéhradecký 4758 6,0% 2731 5,2%

Liberecký 3163 4,0% 2425 4,6%

Moravskoslezský 5554 7,0% 5948 11,3%

Olomoucký 5140 6,5% 3009 5,7%

Pardubický 4519 5,7% 2561 4,9%

Plzeňský 7561 9,6% 2921 5,5%

Praha 496 0,6% 6647 12,6%

Středočeský 11014 14,0% 5872 11,1%

Ústecký 5334 6,8% 4447 8,4%

Vysočina 6925 8,8% 2600 4,9%

Zlínský 3964 5,0% 2877 5,5%

? 78865 100,0% 52732 100,0%

Vypočtěte míru heterogenity


Metody a modely hodnocení regionálních

procesů


Regionální procesy

• pravidelně se opakují• vázané na různé druhy aktérů• významné pro společnost

• procesy pohybu osob, zboží a surovin,

peněz v území, informací• např. dojížďka do školy, finanční služby apod.


Přístupy k hodnocení regionálních procesů

• dynamický přístup • kauzální přístup • prostorově-diferenciační přístup • statistický přístup• topograficko-morfometrický přístup• komparativní přístup • prostorově-interakční přístup • strukturální přístup


Dynamický přístup

• cílem je poznání obecnějších trendů ve vývoji určité charakteristiky

• snaha poznat plynulost trendu• projekce• prognóza

• časové řady údajů, ukazatelů• grafy (spojnicový, sloupcový, apod.)• indexy – bazické, řetězové


Kauzální přístup (2)• typy závislostí:

• lineární – přímá, nepřímá• nelineární – přímá, nepřímá

• používané metody:• porovnání 2 kartogramů• metoda regresních zbytků• pseudokorelační kartogram• párové korelační koeficienty – Pearsonův, Spearmanův korelační koeficient, koeficient geografické asociace


Pseudokorelační kartogram

zdroj: http://gis.fzp.ujep.cz/files/K_100_kartogram_kartodiagram.pdf


Korelační koeficienty• Pearsonův korelační koeficient

rx,y = • Spearmanův korelační koeficient

• Koeficient geografické asociace

KG,A =

1

61

2

2

nn

di

yx

yyxxn ii

1

1001002

1100

c

i

c

i

Y

Y

X

X


Kauzální přístup – příklad č.1


KRAJ PŘISTĚHOVALÍ(relat.údaje)

PRŮMĚRNÁ MZDA (Kč)

Praha 26,3 21 093Středočeský 21,8 16 568Jihočeský 9,2 14 881Plzeňský 11,2 15 821

Karlovarský 13,2 14 472Ústecký 10,8 15 313

Liberecký 12,4 15 106Královehradecký 9,7 14 752

Pardubický 9,6 14 581Vysočina 8,9 14 491

Jihomoravský 10,1 15 193Olomoucký 7,6 14 304

Zlínský 7,3 14 693Moravskoslezský 5,2 15 837

Zdroj: ČSÚ

Vypočtěte Spearmanův KK


SPEARMANŮV KORELAČNÍ KOEFICIENT

(pořadový) KRAJ PŘISTĚHOVALÍ POŘ

ADÍPRŮMĚRNÁ MZDA (Kč)

POŘADÍ

d2

Praha 26,3 14. 21 093 14. 0Středočeský 21,8 13. 16 568 13. 0Jihočeský 9,2 5. 14 881 7. 4Plzeňský 11,2 10. 15 821 11. 1Karlovarský 13,2 12. 14 472 2. 100Ústecký 10,8 9. 15 313 10. 1Liberecký 12,4 11. 15 106 8. 9Královehradecký 9,7 7. 14 752 6. 1

Pardubický 9,6 6. 14 581 4. 4Vysočina 8,9 4. 14 491 3. 1Jihomoravský 10,1 8. 15 193 9. 1Olomoucký 7,6 3. 14 304 1. 4Zlínský 7,3 2. 14 693 5. 9Moravskoslezský 5,2 1. 15 837 12. 121


437,0

)114.(14

256.61

)1.(

.61

2

2

2,

xy

xy

yixxy nn

d

Výsledek


KORELAČNÍ GRAF

0

5 000

10 000

15 000

20 000

25 000

0 5 10 15 20 25 30

počet přistěhovalých

prů

mě

rná

mzd

a/

Kč


Kauzální přístup – příklad č.2


Zdroj: ČSÚVSTUPNÍ TABULKA

Vypočtěte Spearmanův korelační koeficient!

Kraj Počet narozených SňatkyPraha 13 195 7 149Středočeský 14 279 6 682Jihočeský 6 922 3 449Plzeňský 6 100 2 989Karlovarský 3 438 1 737Ústecký 9 715 5 006Liberecký 5 045 2 564Královehradecký 6 122 2 964Pardubický 5 709 2 765Vysočina 5 373 2 580Jihomoravský 12 371 6 287Olomoucký 6 931 3 325Zlínský 6 059 2 966Moravskoslezský 13 373 6 694


Prostorově diferenciační přístup

• analýza konkrétního prostorového rozmístění a uspořádání jevu

• nejstarší a nejrozšířenější typ regionální analýzy s nejrozsáhlejším souborem používaných metod

• snaha popsat koncentraci, dekoncentraci atp., znázorňuje také kartogram.


Statistický přístup• analýza velikostní diferenciace hodnot

analyzovaného souboru dat• průměr, modus, medián, kvantily, variační

rozpětí, směrodatná odchylka, rozptyl,

variační koeficient apod.)• typy rozložení – gausovo normální,

levostranně (pravostranně) asymetrické,

vychýlení různé podle jevů


Topograficko-morfometrický přístup

• cílem je „tvarová“ analýza územních

jednotek a vlastností územních prvků• hodnocení sítí, spojnic, hranic, tvarů,

rozmístění bodů• koeficient okliky• koeficient optimality tvaru území


Komparativní přístup• srovnávací analýzu (dvou nebo více)

územních jednotek• zjistit míru podobnosti mezi územními

jednotkami - podílové, strukturální

charakteristiky, apod.• srovnávat lze pouze srovnatelné: město/město; kraj/ČR atd.


Komparativní přístup

• regionální indexy

• lokalizační index

• index celkové strukturální odlišnosti

• ukazatel abstraktní vzdálenosti


Lokalizační index = index specializace


Lokalizační index

• významnost zaměření území na odvětví

IL=

j – nadřazená; i – podřazená jednotka k - dílčí část struktury; K - celý průmysl

jK

jk

iK

ik

X

XX

X

´

Lokalizační index

• 0 - 0,70 odvětví minimálně zastoupené,• 0,71 -0,90 málo významné zastoupení• 0,91 - 1,10 stejná významnost zastoupení• 1,11 - 1,30 vyšší významnost zastoupení,

mírná specializace,• 1,31 + silná specializace podřízené

jednotky v příslušném odvětví


Lokalizační indexpříklad č.1

I. II. III.Olomoucký 11 900 126 900 157 200 296 000 Zlínský 7 900 137 700 137 900 283 500 Střední Morava 19 800 264 600 295 100 579 500

Územní jednotka kraj

Počet zaměstnanců v sektoru (2008)


I. II. III.Olomoucký 4,02% 42,87% 53,11%Zlínský 2,79% 48,57% 48,64%Střední Morava 3,42% 45,66% 50,92%

kraj% zastoupení zaměst. v sektoru

I. II. III.Olomoucký 11 900 126 900 157 200 296 000 Zlínský 7 900 137 700 137 900 283 500 Střední Morava 19 800 264 600 295 100 579 500

Územní jednotka kraj

Počet zaměstnanců v sektoru (2008)

vypočteme zastoupení dílčí části struktury vůči celému průmyslu, např. I v Olomouckém kraji = 11900/296000, II =

126900/296000, III=157200/296000


kraj I. II. III.Olomoucký 1,18 0,94 1,04Zlínský 0,82 1,06 0,96

Lokalizační index

I. II. III.Olomoucký 4,02% 42,87% 53,11%Zlínský 2,79% 48,57% 48,64%Střední Morava 3,42% 45,66% 50,92%

kraj% zastoupení zaměst. v sektoru

dosadíme do vzorce

IL= , např. II,OL=4,02/3,42; III,OL=42,87/45,66 atd.

jK

jk

iK

ik

X

XX

X

´


Lokalizační index - příklad č.2

I. II. III.Královehradecký 10 400 121 000 133 600 Liberecký 5 200 103 000 91 500 Pardubický 11 400 112 100 121 600

krajPočet zaměstnanců v sektoru (2008)


Index celkové strukturální odlišnosti

ICSOij=

- měří totéž jako koeficient strukturální asociace

KSA = 100 –

1002

1

2

m

X

X

X

X

k jK

jk

iK

ik

XjK

Xjk

XiK

Xik

2

1


Ukazatel abstraktní vzdálenosti • vyjadřuje větší či menší míru podobnosti• charakteristiky vyjádřeny v různých měrných

jednotkách, nesčitatelné• abstraktivní vzdálenost – vzdálenosti v tzv.

m- rozměrném (ortogonálním) prostoru

vlastností

dijA= 2

jkik XX


Ukazatel abstraktní vzdálenosti

• standardizace dat

•pořadím

•pomocí směrodatné proměnné • např.porovnávám kraje podle 4 ukazatelů

(sňatky, rozvody, potraty, zemřelí)


Strukturální přístup

• strukturální analýza územních jednotek• klasická strukturální analýza (zkoumané dílčí

části jsou sčitatelné )• monografický „strukturální“ popis (charakteristiky v různých měrných jednotkách)

• informace o vnitřní „struktuře“ územní jednotky


Strukturální přístup

• Podílové ukazatele

• Piaseckého index

• Trojúhelníkový graf

• Webbův graf


Podílové ukazatele• %, ‰

• možnost agregace – např. souhrnný

agregovaný ukazatel vzdělanosti

• grafy – sloupcový, koláčový, kruhový,

trojúhleníkový


Piaseckého index• zda je struktura je spíše rovnoměrná, nebo zda jsou nějaké složky dominantní (národností roztříštění, náboženské rozložení, odvětvová struktura, průmyslová odvětví)

• Ip = ∑li2/L2 <1/n,1> 1/n - rovnoměrné rozložení, maximálně

diversifikovaná struktura, heterogenní společnost 1 - nerovnoměrné rozložení, nediversifikovaná

struktura, dominantní prvek, homogenní zastoupení


Trojúhelníkový graf

• ke grafickému znázornění základních jevů,

k vytvoření typologie územ. jednotek,

můžeme je seskupit do určitých skupin,

které jsou si podobné• typogram


Webbův graf

• typy A H, každý typ je nějak definovaný• A + PP > -MS E – PP > +MS• B + PP > +MS F – PP > -MS• C + MS > +PP G – MS > -PP• D + MS > -PP H – MS > +PP• A,B,C,D – přírůstkové regiony, teplejší odstíny

• E,F,G,H – úbytek obyvatel, studenější odstíny


Pseudostrukturální přístup

• zkoumány kvalitativně odlišné věci

•verbální hodnocení

•Webbův graf


regionÁlnÍ analÝza metody

Documents