REGIONÁLNÍ ANALÝZA METODY Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti REGIONÁLNÍ ANALÝZA METODY 2 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 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

Vypočtěte míru heterogenity Příklad – zadání Vypočtěte míru heterogenity 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

Metody a modely hodnocení regionálních procesů 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 4

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. Osob – migrace, dojížďka Peněz v území – tj. finanční toky v území Zboží a surovin – dodavatelsko-odběratelské vztahy Informací – přesun informací v území, šíření informací, novinek v prostoru (difuze inovace) 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 5

Přístupy k hodnocení regionálních procesů dynamický přístup kauzální přístup prostorově-diferenciační přístup statistický přístup topograficko-morfometrický přístup komparativní přístup prostorově-interakční přístup strukturální přístup 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 6

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 představuje typ vývojové analýzy jevů, zahrnuje také analýzu difúzních změn může prostřednictvím prolongace jevu vyústit až do podoby jednoduché projekce budoucího vývoje cílem je poznání obecnějších trendů ve vývoji nějaké charakteristiky, poznání plynulosti trendu zlom – změna spol. uspoř., změna metodiky, změna územního uspořádání, změna počtu obcí (pol. 90. let); poznání minulosti  předpovědi do budoucnosti formou projekcí, prognóz projekce – mechanické zobecnění pomocí nějakého modelu x prognóza – složitější postupy (demografie) kombinace se všemi přístupy s prostorově diferenciačním přístupem – zda dochází ke koncentraci či dekoncentraci jevů v časovém horizontu se strukturálním přístupem – zda se struktura unifikuje či urovnává časové řady údajů časové řady ukazatelů (změna jevu v čase) grafy – velice populární; spojnicový graf, plošný strukturální graf; sloupcový graf – spíše pro vyjádření struktury indexy: Bazické - v bodě, např. nějaký zlom, vůči jednomu roku 2001/1995; 2002/1995; 2003/1995, výhodnější pro RA charakterizují změny hodnot vzhledem k určitému, pevně stanovenému období Indexy se stálým základem, důležitá je volba základního období, zvolit nějakou „normální“ hodnotu (ne extrémní, atypickou) It/z = xt/xz b) Řetězové - 01/00; 02/01; …, vyjadřují meziroční změnu, spíše ekonomické disciplíny charakterizují změny hodnot vzhledem k předcházejícímu období Indexy s měnícím se základem It/t-1 = xt/xt-1 Interpretace: Iv < 1 regresní vývoj Iv = 1 stabilní trend Iv > 1 růstová tendence index zaplněnosti Iz = ((Xt+1 – Xt)/100-Xt)*100; měří významnost změny, pro procentuální údaje index celkové strukturální změny Icsz =( ∑(Xt+1 – Xt)2)/2k 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 7

Kauzální přístup (1) analýza statistických souvislostí mezi dvěma, příp. více charakteristikami územních jednotek zjišťování úrovně shody mezi prostorovými rozloženími dvou nebo více jevů přímá závislost zprostředkované vztahy (vícenásobně podmíněné) pseudokauzální vztahy představuje analýzu statistických souvislostí mezi dvěma nebo i více charakteristikami územních jednotek. Snaha zjistit zda (ne)existují vztahy mezi 2 nebo více charakteristikami jde v podstatě o zjištění úrovně shody mezi prostorovými rozloženími dvou nebo více jevů (nositeli jevu jsou územní jednotky nikoliv jedinci). Přitom zjištěný statistický vztah může být pouze vyjádřením náhodného paralelismu, paralelismu způsobeného obecnějším společným faktorem „stojícím v pozadí“, ne vždy musí mít podobu čistě kauzálního vztahu. Zjištění vztahů mezi dvěma charakteristikami, mezi ukazateli na základě podobnosti či nepodobnosti prostorového rozložení. obtížnost odlišení náhodných, zprostředkovaných a příčinných souvislostí je u tohoto typu analýz navíc zvýšena i objektivně existující všeobecnou souvislostí jevů, multikauzalitou či vzájemným zřetězením přičin a následků. přímá závislost - kauzální vztahy – výskyt klíšťat a výskyt boreliózy (přímá kauzalita) zprostředkované vztahy (vícenásobně podmíněné) – rozvodovost, kriminalita, migrační pohyb – dáno faktorem stojícím v pozadí – př.: míra urbanizace prostředí, věková struktura pseudokauzální vztahy – není tam věcná závislost, souvislost mezi zelenookými myslivci a rezavými mravenci, je to náhoda? 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 8

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 vizuální porovnání 2 kartogramů (prostorového rozložení) metoda regresních zbytků, vypočtu regresní funkci, dosadím konkrétní hodnotu, dopočítám y pseudokorelační kartogram – obrysová kartografická kresba, zakresluje se dvojice proměnných použití párových korelačních koeficientů KK – nejpřesnější metoda, dají se otestovat, měří intenzitu vztahů mezi jednotlivými proměnnými 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 9

Pseudokorelační kartogram vyjadřuje nezávisle na sobě více jevů současně (jejich korelaci) Vyjádření dvou vzájemně podmíněných kvantitativních charakteristik (vyjádřených liniemi) vztažených ke stejnému areálu. Osnova obou typů čar rastru musí být vedena v odlišném směru (nejlépe kolmém). Složený kartogram Korelaní – statisticky prokázaná závislost mezi zobrazovanými jevy (nap. nadmoská výška a výnosy z ha) – Pseudokorelaní – závislost není prokázána statisticky (nezávislé jevy), ale logicky je možná a z vizualizace patrná zdroj: http://gis.fzp.ujep.cz/files/K_100_kartogram_kartodiagram.pdf 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 10

Korelační koeficienty Pearsonův korelační koeficient rx,y = Spearmanův korelační koeficient Koeficient geografické asociace KG,A = Pearsonův KK – je vhodný pro lineární závislosti, lépe se hodí pro změření síly lineárního vztahu (přímka), KK se musí testovat, zda je statisticky významný parametrický statistický test (předpokládající normální rozdělení)zjišťující, jak těsný je vztah proměnných (např. do 0,20 je vztah zanedbatelný, 0,20-0,40 je nepříliš těsný vztah, 0,40-0,70 je středně těsný vztah, O,70-O,90 je velmi těsný vztah a více než 0,90 je extrémně těsný vztah ) a jaký má směr (kladný nebo záporný) Spearmanův KK – lépe vystihuje nelineární závislosti (paraboly…) z pořadí n – rozsah souboru; <-1,1> -1 – silná nepřímá závislost 1 – silná přímá závislost okolo 0 – nezávislost Používá se u měné rozsáhmlých souborů nebo v případě, že chceme získat rychlou představu o intenzitě zívislosté. Koeficient zachycuje monotónní zvtahy (ne pouze lienární, ale obecně rostoucí nebo klesající) je rezistentní vůči odlehlým hodnotám. Títmo koeficientem měříme sílu vztahu X a Y, když nemůžeme předpokládáat linearitu očekáváaného vztahu nebo nrmální rozdělení proměnných X a Y. Jesliže , 1, reps. -, 1, párové hodnoty (X_i,Y_i) ležží na nějaké vzestupné, respektive klesající funkci. Koeficient korelace pořadových čísel , . 1 , 1 se vypočte podle vztahu -, 1 6 Σ 0 1 1 Kde d_1 jsou rozdíli pořadí R_X a R_Y hodnota x_I a Y_i vzhledem k ostatním hodntám seřazeného výběru podle velikosti. Spearmanův koeficient r_S se někdy používá pro odhad Pearsonova korelančího koeficientu r. Pro dvourozměnrně normální rozdělení proměnné X a Y platí přibližný vztah 2 sin0,524 , Parciální KK – vztah 2 veličin X a Y při vyloučení vlivu 3. proměnné Z Vícenásobný KK – závisle proměnná Y – X1,X2,X3, do jaké míry je podmíněna vysvětlujícími proměnnými Koeficient geografické asociace (podobnosti) i - územní jednotky c - celek vyjadřuje míru shody v územním rozložení 2 charakteristik 0 max. nepodobnost 100 identické územní rozložení 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 11

Kauzální přístup – příklad č.1 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 12

Vypočtěte Spearmanův KK KRAJ PŘISTĚHOVALÍ (relat.údaje) PRŮMĚRNÁ MZDA (Kč) Praha 26,3 21 093 Středočeský 21,8 16 568 Jihočeský 9,2 14 881 Plzeňský 11,2 15 821 Karlovarský 13,2 14 472 Ústecký 10,8 15 313 Liberecký 12,4 15 106 Královehradecký 9,7 14 752 Pardubický 9,6 14 581 Vysočina 8,9 14 491 Jihomoravský 10,1 15 193 Olomoucký 7,6 14 304 Zlínský 7,3 14 693 Moravskoslezský 5,2 15 837 Pro zpracování tohoto úkolu jsem si vybrala následující 2 charakteristiky: počet přistěhovalých a průměrnou mzdu. Domnívám se, že by zde mohla existovat souvislost mezi těmito charakteristikami. Myslím si, že někteří lidé se stěhují do jiných krajů za novým a mnohdy lépe placeným zaměstnáním. Např. v Praze je největší průměrná mzda a zajisté to naláká spoustu lidí. Naopak se třeba domnívám, že do Moravskoslezského kraje se tolik lidí nestěhuje, neboť je zde skoro nejvyšší míra nezaměstnanosti (16,84 % v roce 2003), i když průměrná mzda je třetí nejvyšší. Zdroj: ČSÚ 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 13

SPEARMANŮV KORELAČNÍ KOEFICIENT (pořadový) KRAJ PŘISTĚHOVALÍ POŘADÍ PRŮMĚRNÁ MZDA (Kč)  POŘADÍ   d2 Praha 26,3 14. 21 093 Středočeský 21,8 13. 16 568 Jihočeský 9,2 5. 14 881 7. 4 Plzeňský 11,2 10. 15 821 11. 1 Karlovarský 13,2 12. 14 472 2. 100 Ústecký 10,8 9. 15 313 Liberecký 12,4 15 106 8. 9 Královehradecký 9,7 14 752 6. Pardubický 9,6 14 581 4. Vysočina 8,9 14 491 3. Jihomoravský 10,1 15 193 Olomoucký 7,6 14 304 1. Zlínský 7,3 14 693 Moravskoslezský 5,2 15 837 121 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

Výsledek Pokud se podíváme na korelační graf, tak je zřejmé, že daná statistická závislost je lineární a přímá. Co se týče rozptylu, tak není moc veliký. 10 hodnot se nachází velmi blízko korelační křivky. Z toho se dá usoudit, že zde existuje přímá závislost mezi počtem přistěhovalých a průměrnou mzdou a že tato závislost je poměrně silná. Co se týče interpretace pseudokorelačního kartogramu, tak lze říci, že vyššímu x odpovídá vyšší y téměř v 50%. Dalo by se zde tedy uvažovat o možnosti přímé závislosti. Jako poslední pro zhodnocení závislosti jsem použila Spearmanův korelační koeficient. Jeho hodnota mi vyšla 0,437. Hodnota tohoto koeficientu 0 nám říká, že neexistuje závislost a hodnota 1, že existuje přímá závislost. V tomto případě je tato hodnota skoro 0,5. Dá se tedy usoudit, že zde tendence k přímé závislosti je, ale ne nějak výrazná. Mohla by zde tedy existovat jiná než lineární závislost. 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 15

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

Kauzální přístup – příklad č.2 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 17

Vypočtěte Spearmanův korelační koeficient! VSTUPNÍ TABULKA Zdroj: ČSÚ Pro zpracování tohoto úkolu jsem si vybrala následující 2 charakteristiky: počet přistěhovalých a průměrnou mzdu. Domnívám se, že by zde mohla existovat souvislost mezi těmito charakteristikami. Myslím si, že někteří lidé se stěhují do jiných krajů za novým a mnohdy lépe placeným zaměstnáním. Např. v Praze je největší průměrná mzda a zajisté to naláká spoustu lidí. Naopak se třeba domnívám, že do Moravskoslezského kraje se tolik lidí nestěhuje, neboť je zde skoro nejvyšší míra nezaměstnanosti (16,84 % v roce 2003), i když průměrná mzda je třetí nejvyšší. Vypočtěte Spearmanův korelační koeficient! 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 18

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. 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

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 představuje analýzu velikostní diferenciace (rozmístěnosti) hodnot analyzovaného souboru dat. Nejdůležitějším výstupem tohoto přístupu je rozpoznání typu statistického rozložení četností a popis souboru dat pomocí základních statistických veličin (průměr, modus, medián, kvantily, variační rozpětí, směrodatná odchylka, rozptyl, variační koeficient apod.). Typy rozložení – gausovo normální, levostranně (pravostranně) asymetrické, vychýlení různé podle jevů 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 20

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 přístup představuje méně častý typ analýz, kdy cílem je „tvarová“ analýza územních jednotek a vlastností územních prvků. Jde především o hodnocení sítí, spojnic, hranic, tvarů, rozmístění bodů. Tvary územních jednotek z hlediska optimality, snaha charakterizovat samotné územní prvky. koeficient okliky hodnocení dopravní sítě = přímková vzdálenost/skutečná vzdálenost porovnává přímkovou vzdálenost mezi dvěma sídly se vzdáleností skutečnou koeficient optimality tvaru v území vyjadřuje spíše myšlenku = skutečná délka hranic/optimální délka ideál – kruh (o = 2πr)  P = πr2 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 21

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. představuje klasickou srovnávací analýzu (dvou nebo i více) územních jednotek. Jejím cílem je zjištění míry podobnosti mezi územními jednotkami, a to jak na základě podílových, strukturálních charakteristik, tak i na základě souborů jiných, různorodých, různě měřených charakteristik. Zjištěná míra vzájemné podobnosti či nepodobnosti územních jednotek může pak být podkladem pro tvorbu typologií a následné vymezování relativně homogenních regionů. představuje klasickou srovnávací analýzu územních jednotek jejím cílem je zjištění míry podobnosti mezi územními jednotkami, a to jak na základě podílových, strukturálních charakteristik, tak i na základě souboru jiných, různorodých, různě měřených charakteristik podstatou je porovnání vybraných územních jednotek z hlediska jednoho jevu pomocí reg. indexů pak můžeme říct, o kolik nebo kolikrát se hodnota jevu v území odlišuje z hlediska celé struktury sledovaného jevu (koef. strukturální asociace) z hlediska souboru různých charakteristik (metoda tzv. abstraktních vzdáleností) jde o zjištění o kolik (kolikrát, jak významně) se dvě jednotky liší nejpoužívanější je vertikální popis rozdílů možno použít absolutní, relativní, přepočtené na 1000 obyv srovnávat lze pouze srovnatelné: město/město; kraj/ČR; ČR/EU 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 22

Komparativní přístup regionální indexy lokalizační index index celkové strukturální odlišnosti ukazatel abstraktní vzdálenosti regionální indexy: dávají se do vztahu rovnocenné jednotky – kvantitativní údaje (velikost charakteristiky ve dvou jednotkách, porovnání struktury dvou regionů) ČR/EU, KRAJ/ČR, MĚSTO/OKRES… 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 23

Lokalizační index = index specializace 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

Lokalizační index významnost zaměření území na odvětví IL= j – nadřazená; i – podřazená jednotka k - dílčí část struktury; K - celý průmysl 25 25

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 0 - 0,70 odvětví minimálně zastoupené, v podřízené jednotce podřazená jednotka je nedovybavená v regionu, 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 čím vyšší, tím specializovanější 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 26 26

Lokalizační index příklad č.1 Index lokalizace územní jednotk ypočet zaměstnanců v podnikách nad 20 osob v průmyslu počet obyvatel index loklaizace Benešov9 62593 204 0,94964322 Praha - východ9 35799 440 0,89008997 Praha - západ3 98987 769 0,417939525 Středočeský kraj123 0281 131 404 ILij = Pij / SPj Pij = xij / yi SPj = Sj / S Index lokalizace pro Benešov IL Benešov = ( 9625 / 123028) / 93204 / 1131404) = 0,95 Index lokalizace pro Praha – východ IL Praha – východ = ( 9357 / 123028) / ( 99440 / 1131404) = 0,89 Index lokalizace – Praha – západ IL Praha – západ = ( 3989 / 123028) / ( 87769 / 1131404) = 0,42 Interpretace výsledku: Index lokalizace pro Benešov je 0,95. to znamená že je zde zastoupení tohoto odvětví tak akorát, dobré zastoupení tohoto odvětví. Index lokalizace pro Prahu východ je 0,89, což znamená, že je zde málo významné zastoupení tohoto odvětví. Index lokalizace pro Prahu západ je 0,42, což znamená, že je zde nevýznamné zastoupení tohoto odvětví. 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 27 27

vypočteme zastoupení dílčí části struktury vůči celému průmyslu, např vypočteme zastoupení dílčí části struktury vůči celému průmyslu, např. I v Olomouckém kraji = 11900/296000, II = 126900/296000, III=157200/296000 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

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

Lokalizační index - příklad č.2 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

Index celkové strukturální odlišnosti ICSOij= měří totéž jako koeficient strukturální asociace KSA = 100 – jak se liší 2 struktury 0 = jednotky jsou stejné, <0;∞) tento koeficient měří totéž, jako index „Koeficient strukturální asociace“ vyčíslení podobnosti či nepodobnosti dvou ÚJ z hlediska struktury KSA = 100 – <0;100> 0 - neshodnost 100 – identická struktura v obou územních jednotkách snažíme se zjistit míru podobnosti koeficient strukturální asociace – používá se v případech, kdy je známá např. klasická věková, vzděl., národní struktura obyv.; chtěli bychom zjistit ty oblasti, které jsou si nejpodobnější, relativně hodně podobné nebo naopak ty nejvíce odlišné; vychází z údajů o procentuálním zastoupení jednotl. částí struktury (součet 100 %) 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 31

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= vyjadřuje větší či menší míru podobnosti uvažované charakteristiky jsou vyjádřeny v různých měrných jednotkách; jsou nesčitatelné rozdílná variabilita identická poloha bodů (nulová vzdálenost) – naprostá shoda abstraktivní vzdálenost – vzdálenosti v tzv. m- rozměrném (ortogonálním) prostoru vlastností jednotlivé proměnné – vlastnosti, které charakterizují územní jednotky = druhá odmocnina ze sumy čtvercových rozdílů hodnot všech uvažovaných charakteristik v územních jednotkách i a j dijA= k – rozměry, proměnné – charakteristiky území, se kterými pracujeme př. porovnávám kraje podle 4 ukazatelů (sňatky, rozvody, potraty, zemřelí) před výpočtem - standardizace dat: 2 způsoby: standardizace pořadím – původní hodnoty Xij nahradíme jejich pořadím v souboru standardizace pomocí směrodatné proměnné 0 – maximální podobnost, identita kladné hodnoty – neomezené velikosti 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 32

Ukazatel abstraktní vzdálenosti standardizace dat pořadím pomocí směrodatné proměnné např.porovnávám kraje podle 4 ukazatelů (sňatky, rozvody, potraty, zemřelí) 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

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 čili strukturální analýza územních jednotek může nabývat podobu klasické strukturální analýzy, kdy jednotlivé zkoumané dílčí části jsou sčitatelné (obvykle vyjádřené v % nebo %o) a tvoří dohromady jeden celek (100% nebo 1000%o). Pod tento typ analýzy však patří i případ monografického „strukturálního“ popisu, kdy jednotlivé sledované charakteristiky jsou vyjádřeny v různých měrných jednotkách a jsou tedy nesčitatelné, neslučitelné do jednoho celku, přesto však podávají určitou informaci o vnitřní „struktuře“ územní jednotky. př. vzdělanostní struktura, národnostní struktura. strukturální analýza územních jednotek může nabývat podobu klasické strukturální analýzy, kdy jednotlivé zkoumané dílčí části jsou sčitatelné a tvoří dohromady jeden celek podává určitou informaci o vnitřní „struktuře“ územní jednotky poznání vnitřní struktury/poměrů jevu v určité územní jednotce diversifikace – rovnoměrné rozložení jevů mezi x částí struktura vykazující dominanci určitých částí 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 34

Strukturální přístup Podílové ukazatele Piaseckého index Trojúhelníkový graf Webbův graf 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

Podílové ukazatele %, ‰ možnost agregace – např. souhrnný agregovaný ukazatel vzdělanosti grafy – sloupcový, koláčový, kruhový, trojúhleníkový v podobě tabulek, grafů dají se dále upravovat – např. agregovat, vážit agregace – agregované ukazatele umožňují sloučit informaci do jednoho čísla; např. souhrnný agregovaný ukazatel vzdělanosti; přiřazení významových vah; princip váženého aritmetického průměru použití grafu – nejoblíbenější - koláčový graf, kruhový, sloupcový graf trojúhelníkový graf 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 36

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 vyjadřuje, zda t 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 li - velikost jednotlivých složek L = ∑li = 100% i - územní jednotky 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 37

Trojúhelníkový graf ke grafickému znázornění základních jevů, k vytvoření typologie územ. jednotek, můžeme je seskupit do určitých skupin, které jsou si podobné typogram vývojový, strukturální, komparativní přístup slouží ke grafickému znázornění základních graf. jevů, k vytvoření typologie územ. jednotek, můžeme je seskupit do určitých skupin, které jsou si podobné územní jednotky nejblíže podobné i strukturálně, čím větší vzdálenost tím větší odlišnost vytváří určité typologie (zobecnění)- typogram, setřídění ú. j. do skupin které jsou si podobné, v případě velké koncentrace – výsek, např. Atlas životního prostředí ČR, kvalifikační struktura (ZŠ, SŠ, VŠ, …) ČR typogram – přenesení zpět do prostoru; jeden typ – jedna barva; rozložení typů 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 38

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 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 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 39

Pseudostrukturální přístup zkoumány kvalitativně odlišné věci verbální hodnocení Webbův graf pseudostrukturální přístup: Monografický; ne 100% v územní jednotce jsou zkoumány kvalitativně odlišné věci, spíše: verbální hodnocení Webbův graf umožňuje na základě dvou charakteristik vytvořit určitou typologii 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 40