ECONOMIC AND REGIONAL STUDIES

ECREG STUDIES
Vol. 9, No. 1, 2016
www.ers.edu.pl
PDF OPEN ACCESS
Authors’ contribution /
Wkład autorów:
A. Zaplanowanie badań/
Study design
B. Zebranie danych/
Data collection
C. Analiza statystyczna/
Statistical analysis
D. Interpretacja danych/
Data interpretation
E. Przygotowanie tekstu/
Manuscript preparation
F. Opracowanie
piśmiennictwa/
Literature search
G. Pozyskanie funduszy/
Funds collection
ORIGINAL ARTICLE
JEL code: H76
Submitted:
June 2014
Accepted:
December 2015
Number of characters:
18 317
Tables: 1
Figures: 3
References: 14
ORYGINALNY ARTYKUŁ
NAUKOWY
Klasyfikacja JEL: H76
Zgłoszony:
czerwiec 2014
Zaakceptowany:
grudzień 2015
Liczba znaków ze
spacjami: 18 417
Tabele: 1
Rysunki: 3
Literatura: 14
ECONOMIC AND REGIONAL STUDIES
STUDIA EKONOMICZNE I REGIONALNE
ISSN 2083-3725
Volume 9, No. 1, 2016
DISPARITIES ASSESSMENT IN THE DEVELOPMENT
OF SELECTED ELEMENTS OF TECHNICAL INFRASTRUCTURE
OF THE DISTRICTS IN MAZOWIECKIE VOIVODESHIP
OCENA DYSPROPORCJI W ROZWOJU
WYBRANYCH ELEMENTÓW INFRASTRUKTURY TECHNICZNEJ
POWIATÓW WOJEWÓDZTWA MAZOWIECKIEGO
Łukasz Pietrych
Warsaw University of Life Sciences
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
Pietrych Ł. (2016), Disparities assessment in the development of selected elements of technical infrastructure of
the districts in mazowieckie voivodeship / Ocena dysproporcji w rozwoju wybranych elementów infrastruktury
technicznej powiatów województwa mazowieckiego. Economic and Regional Studies, Vol. 9, No. 1, pp. 68-76.
Summary
Subject and purpose of work: The subject of the work was the issue related to development of
technical infrastructure. The aim of the work was to identify the differences in the scope of development
of the selected elements of technical infrastructure at the level of poviats of the Masovian voivodeship.
Materials and methods: To create the ranking of poviats multi-dimensional statistical methods were
used. Three research methods were used, that is: Czekanowski’s diagram, Hellwig’s measurement and
k-mean method. Data which served for the analysis were obtained from Local Database for the year
2012.
Results: It was noted that within the Masovian voivodeship areas characterized with higher level
of infrastructure development occur, which are above all the poviats located in the central part of
the voivodeship, mainly around the largest cities of the voivodeship. Areas with weak infrastructural
investments are above all poviats located in the southern area of the region, typically agricultural
ones.
Conclusions: Basic conclusion which stems from the work indicates that availability of drainage
infrastructure is not sufficient in all the poviats of the Masovian voivodeship. It was noted that
a justification of this state of affairs is the specificity of their location.
Keywords: districts, sewage infrastructure, multidimensional statistical analysis
Streszczenie
Przedmiot i cel pracy: Przedmiotem pracy były zagadnienia związane z rozwojem infrastruktury
technicznej. Za cel przyjęto natomiast identyfikację różnic w zakresie rozwoju wybranych elementów
infrastruktury technicznej na poziomie powiatów województwa mazowieckiego.
Materiały i metody: Do budowy rankingu powiatów zastosowano wielowymiarowe metody statystyczne. Wykorzystano trzy metody badawcze, tj.: diagram Czekanowskiego, miara Hellwiga oraz metoda k – średnich. Dane, które posłużyły do analizy pochodziły z Banku Danych Lokalnych za rok 2012.
Wyniki: Stwierdzono, że w województwie mazowieckim występują obszary cechujące się wyższym
poziomem rozwoju infrastruktury, są to przede wszystkim powiaty położone w centralnej części województwa, głównie wokół największych miast województwa. Obszary o słabym zainwestowaniu infrastrukturalnym to przede wszystkim powiaty zlokalizowane w południowej części regionu, typowo
rolnicze.
Wnioski: Podstawowy wniosek płynący z pracy wskazuje, że dostępność do infrastruktury kanalizacyjnej nie we wszystkich powiatach województwa mazowieckiego jest wystarczająca. Stwierdzono,
że uzasadnieniem takiego stanu rzeczy jest specyfika renty ich położenia.
Słowa kluczowe: powiaty, infrastruktura kanalizacyjna, wielowymiarowa analiza statystyczna
Address for correspondence/ Adres korespondencyjny: mgr Łukasz Pietrych, Warsaw University of Life Sciences, Faculty of Economic
Sciences Department of Agricultural Economics and International Economic Relations, Nowoursynowska St. 166, 02-787 Warszawa, Poland;
phone: +48 22 59-34-148, e-mail: [email protected]
Journal indexed in/ Czasopismo indeksowane w: AGRO, BazEkon, Index Copernicus Journal Master List, ICV 2014: 70.81 (6.96); Polish Ministry of Science and Higher
Education 2015: 8 points/ AGRO, BazEkon, Index Copernicus Journal Master List ICV 2014: 70,81 (6,96); Ministerstwie Nauki i Szkolnictwa Wyższego 2015: 8 punktów.
Copyright: © 2016 Pope John Paul II State School of Higher Education in Biała Podlaska. All articles are distributed under the terms of the Creative Commons AttributionNonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) License (http://creativecommons.org/licenses/by-nc-sa/4.0/), allowing third parties to copy and
redistribute the material in any medium or format and to remix, transform, and build upon the material, provided the original work is properly cited and states its license.
68
Disparities assessment in the development...
Ocena dysproporcji w rozwoju...
Introduction
Wstęp
It is justified to say that the development of
infrastructure is strictly connected with improving the
quality of life of society as it influences attractiveness
of regions’ working and living conditions and
effectiveness of agricultural production to a significant
extent. Taking care of every element of infrastructure
encourages i.a. alleviating the problems of a socioeconomic nature (e.g., unemployment), reducing the
gaps between the level of development of neighbouring
regions, supporting industrial sectors specialised in
the manufacture of construction materials, reducing
transport costs or creating international cooperating
network (Brdulak 2005).
The basic division specifies material, institutional
and population infrastructure. Within the first
type, communal infrastructure is situated. It can be
subdivided into two subsystems.
Zasadnym jest stwierdzenie, że rozwój infrastruktury jest ściśle związany z poprawą jakości życia społeczeństwa, wpływa bowiem w znaczący sposób na
atrakcyjności regionów, warunki życia i pracy oraz na
efektywności produkcji rolniczej. Dbanie o wszystkie
elementy infrastruktury sprzyja m.in.: łagodzeniu problemów o charakterze społeczno – ekonomicznym (np.
bezrobocia), zmniejszaniu różnic w poziomie rozwoju
regionów sąsiadujących, wspieraniu działów przemysłu
specjalizujących się w produkcji materiałów budowlanych, zmniejszeniu kosztów transportu, czy też stwarzaniu sieci międzynarodowej współpracy (Brdulak 2005).
Podstawowy podział wyszczególnia infrastrukturę materialną, instytucjonalną oraz ludnościową.
W ramach tej pierwszej jest umiejscowiona infrastruktura komunalna, tą z kolei można podzielić na
dwa podsystemy.
Figure 1. Division of infrastructure
Rysunek 1. Podział infrastruktury
Source: own elaboration on the basis of Denczew (2006).
Źródło: opracowanie własne na podstawie Denczew (2006).
69
Łukasz Pietrych
The notion of communal infrastructure is strictly
connected with delivering basic services to the citizens
such as: water, heat and electricity supply, education
or healthcare. In the subject literature, a particular
attention on significant influence of infrastructure on
socioeconomic development of regions is paid. This
is also testified by the activities undertaken by the
EU countries, including Poland, which are focused
on reducing differences in the level of infrastructure
arrangement.
Despite significant role of infrastructure in the
economy, its condition is not satisfactory in every
part of the country. There is also a clear inverse
correlation between the investment needs, economic
situation of a given region and natural conditions of
infrastructure development (Piszczek, Biczkowski
2010). As the research carried out indicates, in 2008
there were large disparities in water supply and
sewage system. The highest density of water network
occurred within: Śląskie, Kujawsko-pomorskie
and Łódzkie voivodeships and the lowest within
Zachodniopomorskie and Lubuskie voivodeships.
However, with regard to density of the sewage network,
the situation was different. The highest density was
observed in rural areas of Podkarpackie, Małopolskie
and Śląskie voivodeships, what was justified by the
level of urbanisation and higher capital expenditures
on environmental protection. In the research,
a particular attention on disparities between the level
of water supply coverage and sewage system coverage
is paid. In spatial terms, bigger differences between
the length of water supply system and sewer system
were observed in: Kujawsko-pomorskie, Łódzkie and
Śląskie voivodeships (Jarosz 2008).
In 2012, water supply network increased by
almost 2% over the previous year. In spatial layout
the highest density of networks [in km per 100 km2]
occurred in Śląskie, Kujawsko-pomorskie, Łódzkie and
Małopolskie; the lowest in Zachodnio-pomorskie and
Lubuskie voivodeships (Adamczyk et al. 2012).
It is also important to pay attention to an issue in
accordance with the importance of rural areas. They
occupy approximately 93,2% of the nation territory
and about 14,9 mln persons inhabit here, representing
39 % of total population of the country. Water supply
network in the rural areas constituted almost 78% of
the entire length in Poland. Mazowieckie, Warmińskomazurskie, Lubelskie and Kujawsko-pomorskie
voivodeships were characterized by the greatest
increase of networks [in km] in rural areas. With
regard to the sewerage network, the greatest increase
[in km] occurred also in Mazowieckie and Śląskie
voivodeships.
70
Pojęcie infrastruktury komunalnej jest ściśle
związane z świadczeniem podstawowych usług mieszkańcom, takich jak: dostawa wody, ciepła, energii elektrycznej, oświata, czy też opieka zdrowotna. W literaturze przedmiotu zwraca się szczególną uwagę na
istotny wpływ infrastruktury na rozwój społeczno-gospodarczy regionów. Świadczą również o tym, działania podejmowane przez kraje Unii Europejskiej, w tym
także Polskę, nastawione na zmniejszenie różnic w poziomie zagospodarowania infrastrukturalnego.
Pomimo znaczącej roli infrastruktury w gospodarce, jej stan nie w każdej części kraju jest zadawalający. Występuje również wyraźna odwrotna zależność
między potrzebami inwestycyjnymi, a sytuacja ekonomiczną danego regionu oraz naturalnymi warunkami rozwoju infrastruktury (Piszczek, Biczkowski
2010). Jak wskazują dotychczas przeprowadzone
badania w 2008 roku istniały duże dysproporcje
w zakresie rozwoju sieci wodociągowej i kanalizacyjnej. Największe zagęszczenie sieci wodociągowej
występowało na terenach województwa: śląskiego,
kujawsko-pomorskiego i łódzkiego, a najmniejsze
w zachodniopomorskim i lubuskim. Natomiast jeśli
chodzi o zagęszczenie sieci kanalizacyjnej, to sytuacja
przedstawiała się nieco inaczej, największe zagęszczenie stwierdzono na obszarach wiejskich województw:
podkarpackiego, małopolskiego i śląskiego, co uzasadniono stopniem urbanizacji i większymi wydatkami
inwestycyjnymi na ochronę środowiska. W badaniach
zwraca się również szczególną uwagę na dysproporcje pomiędzy stopniem zwodociągowania, a stopniem
skanalizowania. W ujęciu przestrzennym największe
różnice pomiędzy długością sieci wodociągowej, a kanalizacyjnej zaobserwowano w województwach: kujawsko-pomorskim, łódzkim i śląskim (Jarosz 2008).
W roku 2012 r. sieć wodociągowa rozdzielcza
zwiększyła się w stosunku do roku poprzedniego
o prawie 2%. W układzie przestrzennym największe
zagęszczenie sieci [w km na 100 km2] występowało
na terenach województw: śląskiego, kujawsko-pomorskiego, łódzkiego i małopolskiego; najmniejsze na
terenach województw zachodnio-pomorskiego i lubuskiego (Adamczyk i in., 2012).
Ważnym jest również zwrócenie uwagi na rozpatrywane zagadnienie z uwzględnieniem znaczenia
obszarów wiejskich. Zajmują one około 93,2% terytorium państwa, a zamieszkuje je 14,9 mln osób, co stanowi 39% ogółu ludności kraju. Sieć wodociągowa na
terenach wiejskich stanowiła prawie 78% całkowitej
długości sieci w Polsce. Największym przyrostem sieci [w km] na terenach wiejskich charakteryzowały się
województwa: mazowieckie, warmińsko-mazurskie,
lubelskie i kujawsko-pomorskie. Jeśli chodzi o sieć
kanalizacyjną to największy przyrost [w km] również
wystąpił w mazowieckim, a także śląskim.
Disparities assessment in the development...
Ocena dysproporcji w rozwoju...
Figure 2. Change of water supply and sewerage network length in 2012 (2011=100)
Rysunek 2. Zmiana długości sieci wodociągowej i kanalizacyjnej w 2012 (2011=100)
Source: own elaboration on the basis of Adamczyk et al. (2012).
Źródło: opracowanie własne na podstawie Adamczyk i in. (2012).
The study analysed Mazowieckie voivodeship
region. Its purpose was to assess disparities between
the districts in terms of selected elements of technical
infrastructure. These elements were water supply and
sewerage networks.
Materials and methods
The most significant in multidimensional
statistical analysis procedure is selection of an
appropriate set of variables. The literature mentions
the following processes: finding an initial set of
variables on the basis of substantive criteria, formalstatistical analysis and selection of an optimal
set (Kisielińska, Stańko 2009). The choice of the
variables describing a set research goal was made via
brainstorming method, having regard the factors such
as accessibility of data and desirability in relation to
the subject of the work. The following variables were
chosen:
X1 – Population using the waste water treatment in %
of the total population (situation on 31.12);
X2 – Municipal solid waste collected per 1 inhabitant;
X3 – Water mains ramification network per 100 km2
(situation as per 31.12);
X4 – Separate sewage system per 100 km2 (situation as
per 31.12);
X5 – Municipal waste water and trade effluent requiring
treatment discharged to water or to the ground in
dam3;
6
X – Municipal waste water and trade effluent treated
in % requiring treatment;
X7 – Water supply connection leading to residential
buildings (in units)
X8 – Sewage connection leading to residential buildings
(in units)
X9 – Water consumption from water supply in
households in m3 per one inhabitant;
10
X – Municipal sewage treatment plant capacity in m3
per 24 hours.
All data were referred to 2012, and their source
was Local Data Bank.
W pracy poddano analizie region województwa
mazowieckiego. Celem była ocena dysproporcji pomiędzy powiatami w zakresie wybranych elementów
infrastruktury technicznej. Tymi elementami były sieci wodociągowe i kanalizacyjne.
Materiał i metody
Najistotniejszym elementem w procedurze wielowymiarowej analizy statystycznej jest wybór odpowiedniego zestawu zmiennych. W literaturze wymienia się następujące etapy: ustalenie pierwotnego
zestawu zmiennych na podstawie kryteriów merytorycznych, analiza formalno – statystyczna oraz wybór optymalnego zestawu (Kisielińska, Stańko 2009).
Wyboru zmiennych opisujących postawiony cel badawczy dokonano metodą burzy mózgów, mając na
uwadze takie czynniki, jak dostępność danych oraz
celowość w stosunku do tematu pracy. Wybrano następujące zmienne:
X1 – Ludność korzystająca z oczyszczalni ścieków w %
ogółu ludności (stan w dniu 31 XII);
X2 – Zmieszane odpady komunalne zebrane na 1 mieszkańca;
X3 – Sieć wodociągowa rozdzielcza na 100 km2 (stan
w dniu 31 XII);
X4 – Sieć kanalizacyjna rozdzielcza na 100 km2 (stan
w dniu 31 XII);
X5 – ścieki komunalne i przemysłowe wymagające
oczyszczenia odprowadzone do wód lub do ziemi
w dam3;
X6 – ścieki komunalne i przemysłowe oczyszczane w %
wymagających oczyszczenia;
X7 – połączenia wodociągowe prowadzące do budynków
mieszkalnych w szt.;
X8 – połączenia kanalizacyjne prowadzące do budynków
mieszkalnych w szt.;
X9 – zużycie wody z wodociągów w gospodarstwach domowych w m3 na jednego mieszkańca;
X10 – projektowana przepustowość komunalnych oczyszczalni ścieków w m3 na dobę.
Wszystkie dane dotyczyły roku 2012, a ich źródłem był Bank Danych Lokalnych.
71
3
Xsource
10 – Municipal sewage treatment plant capacity in m per 24 hours.
X7 –to
Water
supply
connection
leading towas
residential
buildings
un
All dataX were
referred
to
2012,
and
their
was
Local
Data
Bank.
All
data
were
referred
2012,
and
source
Local
Data (in
Ban
supply
connection
leading
to residential
buildings
units)
7 – Waterto
All
data to
were referred
2012,
and their
source
was Local
Data
All (in
data
Bank.
were referred to 2012, and their source their
was Local
Data Bank.
on
leading
buildings
(in units)
data
wereresidential
referred
to 2012,
and their source was Local Data Bank.
X
8 – Sewage connection leading to residential buildings (in units)
X7 – Water supply connection leading to residential buildings (in units)
X8 – Sewage connection leading to residential buildings
(indata
units)were referred to
All
2012,
theirconsumption
source was
Localsupply
Data
Bank. in m3 per
ding to residential buildings
(in units)
– Water
from
in households
X9entire
Firstly,
existing
data
gaps
were
filled
–
they
constituted
a
limited
part
of were
theand
Firstly,
existing
data
gaps
were
– water
theybuildings
a oflimited
3
X
connection
to residential
(in part
units)
8 – Sewage
Firstly,
existing
data
were filled
– they
constituted
aFirstly,
limited
part
of data
the entire
gaps
filled
– leading
theyfilled
constituted
aconstituted
limited
the e
Watergaps
consumption
from water
supply
in households
in
m perexisting
one
inhabitant;
Łukasz
Pietrych
9–
m water supply in X
households
in
m3 per one inhabitant;
X10 – Municipal sewage treatment plant capacity in m3 3per 24 hours
tly,
existing
data
gaps
were
filled
–
they
constituted
a
limited
part
of
the
entire
3
–
Water
consumption
from
water
supply
in
households
in
m
per
one
inh
X
9
3
ata,
mean
was(the
chosen
data
gaps
were
filled
by
the
average
Xarithmetic
Municipal
sewagemethod
treatment
plant
capacity
in (the
m per
24data,
hours.
therefore
arithmetic
mean
was
chosen
(the
data
gapspart
fith
10in–m
tmenttherefore
plant
capacity
per 24method
hours.
erefore
arithmetic
mean
was
chosen
data
data,
gaps
therefore
were
filled
arithmetic
by data
the
mean
average
method
wasmethod
chosen
(the
data gaps
were
filled
bywere
theofave
Firstly,
existing
gaps
were
filled
– they
constituted
a limited
3
Xaverage
treatment
plant to
capacity
in m
24 hours.
All data
were referred
2012, and
theirper
source
was Local D
10 – Municipal sewage
ore
arithmetic
mean
method
was
chosen
(the
data
gaps
were
filled
by
the
alue
of considered
characteristic
from
every
object).
The
next
was to the
calculate
thedokonano
value
ofstep
considered
characteristic
from
every
object).
The
next
step
w
Firstly,
existing
data
gaps
filled
–step
they
W pierwszym
kroku
uzupełnienia
brafd toconsidered
from
every
object).
The
value
next
of
considered
was
to
calculate
characteristic
from
every
object).
The
next
wasfilled
to calculat
All
were
referred
to 2012,
andwere
their
source
was
Local
Data
Bank.
2012, and theircharacteristic
source
wasdata
Local
Data
Bank.
data,
therefore
arithmetic
mean method
was
chosen
(the
data
gapsstep
were
by the
a limited
of𝑆𝑆 object).
the entire
data,
therefore
kujących
danych
–
stanowiły
one
niewielką
część
caFirstly,
existing
data
gaps
were
filled
–
they
constituted
a
onsidered constituted
characteristic
from part
every
The
next
step
was
to
calculate
the
All
data
were
referred
to
2012,
and
their
source
was
Local
Data
Ban
𝑆𝑆
𝑆𝑆𝑖𝑖
𝑖𝑖
𝑆𝑆𝑖𝑖
oefficient
of
variation
from
formula
𝑉𝑉𝑖𝑖entire
=
and
to
eliminate
Xłości,
variable
(1,84%)
using
arithmetic
mean
method
chosen
(the
data
6(1,84%)
dlatego
wybrano
metodę
średniej
arytmetycznej
ent
ofwere
variation
from
the
formula
𝑉𝑉𝑖𝑖part
coefficient
of
variation
from
the
formula
𝑉𝑉
= of𝑖𝑖was
and
to
eliminate
X
variable
using
=
and
to
eliminate
X
variable
(1,84%)
u
coefficient
of
variation
the
formula
𝑉𝑉
=
and
to
eliminate
X
vari
gaps
filled
– they
constituted
a the
limited
the
Firstly,
existing
data
gaps
were
filled
–
they
constituted
a
limited
part
of
the
entire
6
6
6
value
of
considered
characteristic
from
every
object).
The
next
step
was
to
calcu
𝑖𝑖
𝑖𝑖
data,
therefore
arithmetic
mean
method
was
chosen
(the
data
gaps
𝑋𝑋𝑖𝑖
𝑋𝑋𝑖𝑖𝑖𝑖
𝑋𝑋𝑖𝑖
𝑋𝑋𝑖𝑖
𝑆𝑆
gaps
were
filled
by
average
value
of (the
considered
(brakujące
dane
uzupełniono
o średnią
wartość
rozFirstly,
existing
data
gaps
were
filled
–
they
constituted
a
limited
ean
was
chosen
(the
data
gaps
werethe
filled
by
the
average
of method
variation
from
the
formula
𝑉𝑉mean
=
and
to
eliminate
X
variable
(1,84%)
using
data,
therefore
arithmetic
method
was
chosen
data
gaps
were
filled
by
the
average
6
𝑖𝑖
value of considered
characteristic from every object). The next
𝑆𝑆
𝑋𝑋𝑖𝑖
characteristic
from
every
object).
The
next
step of
was
to equal
patrywanej
cechy
obiektów).
Następnie
reshold
value
10
% (Kola-Bezka,
2012).
dteristic
value
equal
toequal
10 %to
(Kola-Bezka,
2012).
threshold
value
to
10equal
%the
(Kola-Bezka,
threshold
value
totherefore
10ze%wszystkich
(Kola-Bezka,
coefficient
variation
from
formula
𝑉𝑉𝑖𝑖 2012).
= 𝑋𝑋𝑖𝑖 mean
and
to2012).
eliminate
X(the
(1,84%
6 variable
from every
object).
The next step
was to calculate
the
data,
arithmetic
method
was chosen
𝑆𝑆 data gaps were fil
value
of
considered
characteristic
from
every
object).
The
next
step
was
to
calculate
the
calculate
the
coefficient
of
variation
from
the
formula
obliczono
współczynnik
ze
wzoru:
coefficientzmienności
of 𝑖𝑖variation from
the
formula 𝑉𝑉𝑖𝑖 = 𝑖𝑖 and to eliminate
𝑋𝑋𝑖𝑖
𝑆𝑆𝑖𝑖
alue
equal
to
10
%
(Kola-Bezka,
2012).
𝑆𝑆𝑖𝑖
value of considered
characteristic
from every
object). The next step wa
m the formula 𝑉𝑉𝑖𝑖 =coefficient
and to eliminate
X6 variable
using
tovariation
eliminate
X(1,84%)
variable
usingX6 variable
przyjmując
oraz wyeliminowani
zmienną
X6 (1,84%)
from the
formula
𝑉𝑉threshold
= 𝑋𝑋(1,84%)
and tovalue
eliminate
(1,84%)
using potential
𝑋𝑋𝑖𝑖 and of
6analysis
𝑖𝑖via
equal
tothe
10used.
% wartość
(Kola-Bezka,
2012).
n the In
next
part,
information
potential
In Hellwig’s
the
method
nextInprogową
part,
was
information
The
analysis
Hellwig’s
method
was used.
threshold
value
equal
tovia
10 %analysis
(Kola-Bezka,
2012).
the
next
part,
information
potential
analysis
via
method
was
used.
The
𝑖𝑖Hellwig’s
next
part,
information
potential
meth
𝑆𝑆(Kola
𝑖𝑖 via Hellwig’s
threshold
value
equal
to
10%
(Kola-Bezka
2012).
współczynnika
równą
10%
coefficient of variation from the formula 𝑉𝑉𝑖𝑖 = and to–eliminate X6 varia
% (Kola-Bezka, 2012).
𝑋𝑋
𝑖𝑖
threshold
value
equal
to
10
%
(Kola-Bezka,
2012).
In
the
next
part,
information
potential
analysis
Bezka
2012).
he
next
part, information
potential
analysis
via
Hellwig’s
method
wasofamounts
used.
The
absolute
amounts
of the elements
of every
column
ofcolumn
sum
received
of absolute
matrix
was
indicated:
the elements
ofelements
every
column
of received
matrix
wasviaindicate
In
the next
part,
information
potential
analysis
Hellwig
m of
absolute
amounts
of the
elements
of
every
ofsum
received
matrix
was
indicated:
ofamounts
absolute
of
the
ofanalizy
every
column
received
matri
thresholdczęści
value
equal
toanalysis
10 % (Kola-Bezka,
2012). ofmethod
via analysis
Hellwig’s
method
waswas
used.
W kolejnej
dokonano
potencjału
In absolute
the next part, information
potential
via
Hellwig’s
was
u
ormation potential
via Hellwig’s
method
used.The
The sum of
sum of absolute
amounts
of the elements of
every column of receive
In
the
next
part,
information
potential
analysis
via
Hellwig’s
method
was
used.
The
amounts
of
the
elements
of
every
column
of
received
informacyjnego
metodą
Hellwiga.
Wyznaczono
sumę
olute
amounts
of
the
elements
of
every
column
of
received
matrix
was
indicated:
𝑚𝑚
𝑚𝑚
the elements of every column of received matrix was𝑚𝑚
indicated:
𝑚𝑚
In the next
part,
information
potential
analysis
via Hellwig’s
meth
matrix
indicated:
wartości
elementów
każdej
kolumny
absolute
amounts
of indicated:
thebezwzględnych
elements
of every
column
of received
matrix
was indi
sum ofwas
absolute
amounts of the elements
ofsum
every of
column
of received
matrix
was
𝑚𝑚
′
′
=
∑|𝑟𝑟
|
𝑗𝑗 ′ = 1,2,
…′ ,=𝑚𝑚1,2, … , 𝑚𝑚
𝑅𝑅
𝑅𝑅𝑗𝑗′ = ∑|𝑟𝑟𝑗𝑗𝑗𝑗′ | 𝑗𝑗 ′ = 1,2, … , 𝑚𝑚′
𝑗𝑗
𝑗𝑗𝑗𝑗
otrzymanej
macierzy:
𝑚𝑚
′
′
′
=
∑|𝑟𝑟
|
𝑗𝑗
𝑅𝑅
sum of absolute amounts
the elements
of𝑗𝑗=
column
′ every
𝑚𝑚 𝑗𝑗
=1,2,
∑|𝑟𝑟
𝑗𝑗 of=received
1,2, … , 𝑚𝑚matri
∑|𝑟𝑟
…
𝑅𝑅𝑗𝑗′ = of
𝑗𝑗𝑗𝑗
𝑗𝑗𝑗𝑗 ′ |, 𝑚𝑚
𝑗𝑗𝑗𝑗 ′ | 𝑗𝑗 𝑅𝑅
𝑚𝑚
′
𝑗𝑗=1
𝑅𝑅𝑗𝑗′ = ∑|𝑟𝑟𝑗𝑗𝑗𝑗′ | 𝑗𝑗 = 1,2, … , 𝑚𝑚
′
1,2,
… ′, 𝑚𝑚
𝑅𝑅𝑗𝑗′ = ∑|𝑟𝑟𝑗𝑗𝑗𝑗′ | 𝑗𝑗=1
∑|𝑟𝑟
𝑅𝑅𝑗𝑗𝑗𝑗′ ==
𝑗𝑗=1
𝑗𝑗𝑗𝑗 ′ | 𝑗𝑗 = 1,2, … , 𝑚𝑚
𝑗𝑗=1
𝑗𝑗=1
max
{𝑅𝑅𝑗𝑗′ } was
created
what
At
the same time, 𝑅𝑅𝑗𝑗′what
0 = made
′ = max{𝑅𝑅 ′ } was created
it possible
to indicate the
0
𝑗𝑗=1
𝑚𝑚
𝑗𝑗=1
𝑗𝑗=1
𝑚𝑚
′
′ = ∑|𝑟𝑟𝑗𝑗𝑗𝑗At
′ | the𝑗𝑗same
=
1,2,
…
, 𝑚𝑚
𝑅𝑅
′
time,
𝑅𝑅
max
} was
made
′
′ | {𝑅𝑅
=
∑|𝑟𝑟
𝑗𝑗 ′it
1,2, created
… , 𝑚𝑚 towhat
𝑅𝑅
𝑗𝑗
𝑗𝑗 0 =
𝑗𝑗 ′=
𝑗𝑗𝑗𝑗
madeAtit the
possible
indicate
themax{𝑅𝑅 ′ } was created𝑗𝑗 what
made
possible
indicat
same to
time,
𝑅𝑅 ′ =
𝑗𝑗 0
𝑗𝑗
At 𝑗𝑗the same time, 𝑅𝑅𝑗𝑗′ 0 = max{𝑅𝑅𝑗𝑗′ } was created what madeAtit the
possible
indicate
themax
same to
time,
𝑅𝑅column
{𝑅𝑅the
was
created
what
𝑗𝑗=1
which
of𝑗𝑗=1
absolute
values
is themade
highestit
– itposs
was
𝑗𝑗 ′ 0 =for
𝑗𝑗 ′ }sum
At absolute
the
time,
𝑅𝑅𝑗𝑗′ 0is=
max
} was
created
made
it possible
indicate
Athighest
the
same
was
ffor
absolute
values
the
– itsame
wastime,
represented
bythe
X8. highest
It{𝑅𝑅is𝑗𝑗′sowhich
theissum
of
values
–column
itcreated
waswhat
represented
forwhat
which
the
bysum
X to. of
It
isabsolute
so-the
values is the highest – it was represented by X . It i
8
8 neg
called
central
Then{𝑅𝑅
using
the created
graph method,
the most
=which
max
{𝑅𝑅
was
created
what
made
it the
possible
toTym
indicate
he same
𝑅𝑅itthe
was
made
it poss
At
same
time,variable.
𝑅𝑅
. the
It
is
soolumn
for time,
which
ofthe
absolute
values
is the
highest
was
represented
bysum
Xthe
co
pozwomade
to
indicate
the
column
for
which
𝑗𝑗 ′possible
0the
𝑗𝑗 ′ } of
8wyznaczono
for which
the
of
absolute
values
is the
– what
it was
represe
𝑗𝑗 ′ 0 = max
𝑗𝑗 ′ } ,highest
column
forsum
sum
absolute
values
is the
highest
––column
ititwas
represented
by Xsamym
n using the graph
method,
most negatively
correlated
variable
8. It is so′ 0 using
= max
{𝑅𝑅
created
made
it Xpossible
At
the
same
time,
𝑅𝑅𝑗𝑗variable
(r*<0,5)
with
the
variable
Xmost
was chosen,
i.e.
X2. to ind
entral variable.
using the
graphis method,
the most
negatively
central
variable.
correlated
Then
the
graph
method,
thewhat
negatively
correlated
var
8suma
9 and
liło na
wskazanie
kolumny
dla
której
sum Then
of absolute
values
the highest
–called
it was
repre𝑗𝑗 ′ } was
column forvariable
which
the sum
absolute
values iswartości
the highest – it was represen
was chosen,
X
X
called
central
Thenthe
using
thehighest
graph
method,
the most
negatively
correlated
8which
9 and
2.
lled
central
variable.
using
graph
method,
most
negatively
correlated
It is Then
sothei.e.
sum
ofby
absolute
is the
– it the
was
represented
byvariable.
X
called
central
using
theofgraph
method,
thejąmost
8. variable
. variable.
It is values
so-called
central
variable.
Then
usbezwzględnych
jest największa
– odzwierciedlała
X8. negatively
sented
X8Then
with the variable
X8with
wasthechosen,
i.e.was
X9chosen,
and Xi.e.
. X (r*<0,5)
with thethe
variable
X8absolute
was
chosen,
i.e.The
X9variable
andhighest
XX22.isthe
2column
called
central
variable.
Then
using
method,
theitmost
negatively
destimulant,
therefore
was changed
for
which
sumtooftzw.
values
is
the
–graph
it
was
represented
by Xint8
(r*<0,5)
variable Xthe
8
9 and X
2.
ingthe
the
graph
method,
most
Jest
zmienna
centralna.
Następnie
stosując
meestimulant,
therefore
it variable
wasusing
changedX
into
stimulant,
in accordance
*<0,5)
with
chosen,
i.e.negatively
Xthe
X2correlated
.negatively
8 was
9 and
al variable.
Then
the
graph
method,
most
correlated
variable
(r*<0,5)
with
the
variable
X
was
chosen,
i.e.
X
X
.
8 thezmienne
9𝑥𝑥and
2and
with
the
formula:
𝑥𝑥was
:
=
max
−
𝑥𝑥
.
(r*<0,5)
with
variable
X8najsłabiej
chosen,
i.e.
X
X
.
variable (r*<0,5) with the variable X8 was chosen, i.e. todę grafów
wybrano
skorelowane
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖 9
2
called
central
variable.
using
the graph
method,
correlated
𝑥𝑥𝑖𝑖𝑖𝑖 −
𝑥𝑥𝑖𝑖𝑖𝑖 .
is destimulant,
therefore
it was
changed
into stimulant,
accordance
The
it was
changed
into
stimulant,
in
isindestimulant,
therefore
it was the
changed
in accord
The
variable
The
variable
XThen
and
. variable X2therefore
zmienne
X9most
orazinto
Xnegatively
. stimulant,
X9 X
(r*<0,5)
ze
zmienną
X8, czyli
2 is
2accordance
2was chosen, i.e. X9 and X2.
2
th the
variable
XX8destimulant,
(X
,X
,X
)
were
standardized
using
the stimu
formu
Next,
all
three
variables
2 8związku
9
The
variable
X
is
destimulant,
therefore
it
was
changed
into
is
destimulant,
therefore
it
was
jest
destymulantą,
w z tym
The
variable
X
Zmienna
X
2
The
variable
X
is
destimulant,
therefore
it
was
changed
into
stimulant,
in
accordance
2
with
the
formula:
𝑥𝑥
:
=
max
𝑥𝑥
−
𝑥𝑥
.
The variable
therefore
it was changed into
stimu
2 2is destimulant,
𝑖𝑖𝑖𝑖 2
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖
i.e. X9 and
X2.
(r*<0,5) with the variable
X8 wasXchosen,
,X ) were standardized using the formula:
9
formula:
thethe
formula:
𝑥𝑥changed
𝑥𝑥𝑖𝑖𝑖𝑖 −
𝑥𝑥𝑖𝑖𝑖𝑖 .
𝑥𝑥𝑖𝑖𝑖𝑖do
. postaci stymulanty, zgodnie ze
𝑖𝑖𝑖𝑖 : = max into
𝑖𝑖𝑖𝑖 : = max 𝑥𝑥𝑖𝑖𝑖𝑖 −ją
stimulant,
in accordancewith
with
for- 𝑥𝑥sprowadzono
with the formula:
𝑥𝑥 : = max 𝑥𝑥 − 𝑥𝑥 .
8
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖
𝑋𝑋 − ̅̅̅
𝑋𝑋
ith
the formula:
𝑥𝑥̅̅̅
= max
𝑥𝑥𝑖𝑖𝑖𝑖(X−
𝑥𝑥𝑖𝑖𝑖𝑖 . it was
𝑋𝑋𝑖𝑖𝑖𝑖 ≔ 𝑆𝑆
the wzorem:
formula:
𝑥𝑥𝑖𝑖𝑖𝑖 : = max 𝑥𝑥𝑖𝑖𝑖𝑖 − 𝑥𝑥𝑖𝑖𝑖𝑖 .
mula:
𝑖𝑖𝑖𝑖 :three
is𝑋𝑋 −destimulant,
changed
into
stimulant,
in accordance
variable
X
𝑋𝑋all
2 Next,
standardized
using
thewith
formula:
variablestherefore
2,X8,X9) were
𝑋𝑋𝑖𝑖𝑖𝑖 ≔ 𝑆𝑆
Next,
all9) three
variables (Xusing
,X ,X9Next,
) were
standNastępnie
wszystkie
zmienne
,X8,X
) poddestimulant,
therefore
was
changed
into
stimulant,
in acc
The
variable
X2 is
were standardized
formula:
(X
were
standardized
using
the(X
formula:
three variables (X
all three
variables
(X2it
,X
,X
standardized
formula:
Next,
three
variablestrzy
2,X8,X
2,X8,X
9) all
2 8 the
2 method
9 using
8order
9) were
Multidimensional
preference
can bethe
divided
into two
mula:
𝑥𝑥𝑖𝑖𝑖𝑖 :ardized
=canmax
𝑥𝑥𝑖𝑖𝑖𝑖 into
− the
𝑥𝑥two
𝑋𝑋𝑗𝑗
using
dano standaryzacji, wykorzystując formułę:
𝑖𝑖𝑖𝑖 . formula:
erence method
be divided
major groups: linear 𝑋𝑋
and≔ 𝑋𝑋𝑖𝑖𝑖𝑖 − ̅̅̅
using
the
formula:
ext, all three variables (X2,X8,X9) were standardized
𝑖𝑖𝑖𝑖
standardized
using
the formula:
Next,
variables
ordering
methods. The linear
ordering
method allows for
8,X9) were
𝑗𝑗
with 𝑆𝑆the
formula:
𝑥𝑥all :three
= max
𝑥𝑥 −(X
𝑥𝑥 2,X
. non-linear
̅̅̅
𝑖𝑖𝑖𝑖
𝑗𝑗
𝑖𝑖𝑖𝑖
𝑗𝑗
. The linear ordering method allows for ordering analysed
𝑋𝑋𝑖𝑖𝑖𝑖 − ̅̅̅
𝑋𝑋objects
𝑗𝑗
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖
𝑖𝑖𝑖𝑖
𝑋𝑋𝑖𝑖𝑖𝑖 − ̅̅̅
𝑋𝑋𝑗𝑗
𝑋𝑋 ≔
𝑗𝑗
𝑗𝑗
𝑋𝑋𝑖𝑖𝑖𝑖 − 𝑋𝑋𝑗𝑗
𝑖𝑖𝑖𝑖
𝑆𝑆to
𝑗𝑗 transfer them into a stra
a way that it becomes possible
𝑋𝑋𝑖𝑖𝑖𝑖 ≔ 𝑆𝑆method can be divided into two major groups: linear and in such
𝑋𝑋𝑖𝑖𝑖𝑖 ≔
Multidimensional order preference
𝑆𝑆𝑗𝑗
𝑗𝑗
mes
possible to transfer
into
a
straight
line
with
taking
into
(X2,Xthem
,X
)
were
standardized
using
the
formula:
ee variables
8 9
𝑋𝑋𝑖𝑖𝑖𝑖 − ̅̅̅
𝑋𝑋𝑗𝑗
̅̅̅
𝑋𝑋
−
𝑋𝑋
𝑖𝑖𝑖𝑖 from
𝑗𝑗 the
method
can
be objects
dividedstanding
into twoonmajor
their preference
hierarchy, that
is,
the to
non-linear ordering methods. The linear
ordering method allows for ordering analysedMultidimensional
objects accountorder
𝑋𝑋 ≔
𝑋𝑋𝑖𝑖𝑖𝑖 ≔ the
(X2Wielowymiarowe
,X
) were
standardized
using
formula:
Next,
all
threemajor
variables
𝑖𝑖𝑖𝑖 in the
8,X9and
is, from the order
objectsMultidimensional
standing
on themethod
top to those
situated
𝑆𝑆𝑗𝑗Multidimensional
order
method
can groups:
metody
obiektów
mensional
preference
can
bepreference
divided
into
two
order
linear
preference
method
can
beporządkowania
divided
into
major allows
groups:
lineam
𝑆𝑆𝑗𝑗 two
lower positions.
the methods
as: for
diagram
non-linear
ordering
methods.This
The includes
linear ordering
methodsuch
orderin
in
such
a
way
that
it
becomes
possible
to
transfer
them
into
a
straight
line
with
taking
into
be divided
into two
major
groups:
można podzielić na dwie zasadnicze grupy: metody podes the methods
such as: diagram
methods
(Czekanowski’s),
𝑋𝑋𝑖𝑖𝑖𝑖 − ̅̅̅
𝑋𝑋𝑗𝑗 linear and non-linmethods
on synthetic
variables
andanalysed
≔
ultidimensional
order
preference
method
can
be
divided
into
twoanalysed
major
groups:
linear
and
ar
orderingear
methods.
The
linear 𝑋𝑋
ordering
method
allows
non-linear
for ordering
ordering
methods.
objects
The
linear
ordering
method
allows
for(reference
ordering
ob
in
such
a way
that
itbased
becomes
to Metody
transfer
them
into
anon-reference
straight
lin
Multidimensional
order
preference
method
can
be
divided
into
two
major
𝑖𝑖𝑖𝑖The
ordering
methods.
ordering
method
al-top
oraz
nieliniowego.
poaccount
their
hierarchy,
is, linear
from
the
objects
standing
on
the
torządkowania
those situated
inliniowego
the
𝑋𝑋
− ̅̅̅
𝑋𝑋𝑗𝑗 possible
𝑆𝑆𝑗𝑗method.
𝑖𝑖𝑖𝑖
variables (reference
and non-reference)
andthat
interactive
𝑋𝑋
≔
𝑖𝑖𝑖𝑖
lows
for
ordering
analysed
objects
in
such
a way
that
rządkowania
liniowego
pozwalają
na
uporządkowanie
account
their
hierarchy,
that
is, from
the a
objects
standing
the top
to th
𝑆𝑆𝑗𝑗 them
positions.
This
includes
the
methods
such
diagram
methods
(Czekanowski’s),
a way that
it lower
becomes
possible
tolinear
transfer
them into
in such
aas:straight
a non-linear
wayline
thatwith
itordering
becomes
takinganalysed
into
possible
to
transfer
into
straight
lineonwith
taking
on-linear
ordering
methods.
The
ordering
method
allows
for
ordering
objects
methods.
The
linear
ordering
allows
for
orderin
sional order
preference
method
can be
divided
intoa two
major
groups:
linear
and
it becomes
possible
to transfer
them into
straight
analizowanych
obiektów
w taki
sposób,
że method
możliwe
jestdiagram
lower
positions.
This
includes
the
methods
such
as:
methods
based
on into
synthetic
variables
(reference
and
and
interactive
method.
Multidimensional
order
preference
method
can
bestanding
divided
two
major
groups:
lii
linemethods
with
account
their
hierarchy,
that
przeniesienie
nathe
linię
prostą
z uwzględnieniem
hietheir
that
is,
from
the
objects
on
account
thenon-reference)
top
their
tosuch
those
hierarchy,
situated
that
is,
from
objects
oninto
thethem
top to
those
situatedlin
suchhierarchy,
a way
that
it taking
becomes
possible
tostanding
transfer
them
into
ais,
straight
line
with
taking
into
inordering
aich
way
thatin
itthe
becomes
possible
to transfer
into
a straight
methods
based on stojących
synthetic variables
(reference
andzajnon-reference) and i
ordering methods.
linear
ordering
forsituatanalysed
objects
from the The
objects
standing
onmethod
the top allows
to those
rarchii,
czyli
od obiektów
najwyżej,
do tych
ositions.
This
thepositions.
methods
suchobjects
as:non-linear
diagram
lower
positions.
methods
This
thethat
methods
such
diagram
methods
(Czekanows
ordering
methods.
The
linear
ordering
method
allows
for
ordering
analysed
count their
that
is,
from This
the
standing
on
the (Czekanowski’s),
top
to includes
those
situated
in
edhierarchy,
inincludes
the lower
includes
the methods
mujących
najniższe
pozycje.
Można
tutaj
wymienić
takie
account
their
hierarchy,
is,the
from
theas:
objects
standing
on the
top
to th
way that itsuch
becomes
possible
to
transfer
them
into
a
straight
line
with
taking
into
as:
diagram
methods
(Czekanowski’s),
methods
metody
jak:
metody
diagramowe
(Czekanowskiego),
mebased
on
synthetic
variables
(reference
and
non-reference)
methods
based
and
interactive
on
synthetic
method.
variables
(reference
and
non-reference)
and
interactive
suchas:a non-refway
that positions.
ittody
becomes
possible
to transfer
them (wzorcowe
into
straight
with me
tak
wer positions.
Thissynthetic
includesvariables
the methods in
such
diagram
methods
(Czekanowski’s),
lower
This
the
methods
sucha as:
diagram
based
oparte
na
zmiennej
syntetycznej
i bez line methods
ir hierarchy,
thatonis,
from the objects (reference
standing onand
the top
to those
situated
in includes
the
erence)
and
interactive
method.
For
the
work,
Hellwzorcowe)
oraz
metody
iteracyjne.
Na
potrzeby
pracy
account
theirmethods
hierarchy,
that
from method.
thevariables
objects standing
onand
thenon-reference)
top to those situate
ethods based on synthetic variables (reference
and non-reference)
and
interactive
based
onis,synthetic
(reference
and i
wing’s
method,
mean
Cze- wykorzystano
miarę Hellwiga,
metodę
średniej
arytmetions. This
includes
the arithmetical
methods such
as:method
diagramandmethods
(Czekanowski’s),
kanowski’s diagram were used (Baranek
tycznej
oraz diagram
Czekanowskiego
lower 1011).
positions. This
includes
the methods
such as: (Baranek
diagram 2011).
methods (Czekano
sed on synthetic
(reference
and non-reference)
The variables
second group
of methods
are non-linear and
or- interactive
Drugamethod.
grupa metod, to metody porządkowania
methods
based
on synthetic
variables
(reference
and non-reference)
and interactive
dering methods. As a result of their
usage, it
is posnieliniowego.
W wyniku
ich zastosowania
możliwe jest
sible to project the objects onto a plane in order to rzutowanie analizowanych obiektów na płaszczyznę,
compare the similarity of them without putting into w celu porównywania podobieństwa obiektów, bez
hierarchies. This includes the methods such as: den- dokonywania ich hierarchizacji. Można wymienić tutaj
dritic method (taxonomy, Prim’s method), agglom- takie metody jak: metody dendrytowe (taksonomia,
eration method or the k- nearest neighbour method metoda Prima), metoda aglomeracyjna, czy też metoda
(Petrovska, Pietrych 2013).
najbliższego sąsiedztwa (Petrovska, Pietrych 2013).
Research results
Wyniki badań
The data after standardization were subjected
to further analyses that aimed at indicating the socalled Hellwing’s measure of development and synthetic measure (in the case of using arithmetic mean
method).
Dane po standaryzacji poddano dalszym analizom, których celem było wyznaczenie tzw. miary rozwoju Hellwiga oraz miary syntetycznej (w przypadku
metody średniej arytmetycznej).
72
Disparities assessment in the development...
Ocena dysproporcji w rozwoju...
Table 1. Ranking of districts by using middle average and Hellwig methods
Tabela 1. Ranking powiatów za pomocą metody średniej arytmetycznej oraz miary Hellwiga
Hellwig’s measure/ Miara Hellwiga
Arithmetic mean method/ Metoda średniej arytm.
Piaseczyński
0,46487008
Piaseczyński
0,73504274
Radomski
0,37829381
Radomski
0,66452224
Płocki
Miński
Przasnyski
Wołomiński
Garwoliński
Pruszkowski
Łosicki
Otwocki
Ostrołęcki
….
Nowodworski
Grójecki
0,42460766
0,34195564
0,31181134
0,30238711
0,28694614
0,28503501
0,27092025
0,26991763
….
0,12927058
0,12553007
0,1251397
Płocki
0,66718618
Przasnyski
0,59756984
Wołomiński
0,58975904
Żuromiński
0,58763066
Pruszkowski
0,55893261
Miński
0,55088598
Łosicki
Przysuski
Sokołowski
0,55028936
…
Żyrardowski
Sochaczewski
Przysuski
0,11736447
Legionowski
0,10149612
Nowodworski
Szydłowiecki
0,04699325
Białobrzeski
Węgrowski
Lipski
Białobrzeski
Zwoleński
Source: own elaboration.
Źródło: obliczenia własne.
0,11305452
0,07382393
0,03760165
0,00021171
For the purpose of comparison of the results
compliance, the Spearman’s rank coefficient: r=0,77
was calculated. It must be stated that both methods
gave similar results, especially with regard to the first
positions of the ranking – they are identical. The first
places took Piaseczno, Płock and Radom Districts. In
the case of lower positions, certain divergences can be
observed. The last in the ranking was Zwoleń District.
In the next step, one of the diagram order
preference methods – Czekanowski’s diagram was
used. Calculations were made via MaCzek programme.
Code of practice looks as follows:
-- standardization of data (via method taking
into account standard deviation)
-- indication of ordered diagram with application
of the “Simple out algorithm” module.
Węgrowski
Płoński
Grójecki
Legionowski
Zwoleński
…
0,54613296
0,45290382
0,4322484
0,42476515
0,42372353
0,4060141
0,39239305
0,39187251
0,3807735
0,3695428
0,36914896
W celu porównania zgodności otrzymanych wyników obliczono współczynnik rang Spearmana: rs=0,77.
Należy stwierdzić, że obie metody dały zbliżone wyniki,
szczególnie jeśli chodzi o pozycje początkowe rankingu
to są one identyczne: początkowe miejsca zajmują kolejno powiaty: piaseczyński, płocki i radomski. W przypadku
niższych miejsc da się zaobserwować pewne rozbieżności,
natomiast ostatnie miejsce zajmuje powiat zwoleński.
W kolejnym kroku zastosowano jedną z metod
diagramowych porządkowania obiektów – diagram
Czekanowskiego. Obliczeń dokonano z użyciem programu MaCzek. Procedura postępowania przedstawia
się następująco:
-- standaryzacja danych (metodą uwzględniającą
odchylenia standardowe),
-- wyznaczenie uporządkowanego diagramu
z zastosowaniem modułu „Simple aut algortim”.
73
Łukasz Pietrych
Figure 3. Cluster analysis by using Czekanowski’s diagram
Rysunek 3. Porządkowanie województw za pomocą Diagramu Czekanowskiego
Source: own elaboration.
Źródło: opracowanie własne.
Upon analyzing the received diagram it can be
stated that this method has not given satisfying results,
however, some characteristics can be noticed:
-- Pruszków, Piaseczno and Wołomin Districts
create three single groups, showing no similarity
to the others;
-- Warsaw West District and Grodzki District create
two-component group;
-- Łosice, Zwoleń, Płońsk, Płock Districts create
linear focus in which neighboring objects are
similar to each other;
-- The next groups similar to each other are
Mińsk and Radom Districts, and the next threecomponent group: Garwolin, Grójec and Otwock
Districts;
74
Analizując otrzymany diagram, można stwierdzić, że
metoda ta nie dała zadawalających rezultatów, jednakże
można zaobserwować kilka charakterystycznych cech:
-- powiaty: pruszkowski, piaseczyński oraz wołomiński tworzą trzy oddzielne grupy, nie wykazujące podobieństwa do pozostałych;
-- powiaty: warszawski zachodni oraz grodziski
tworzą dwuelementową grupę;
-- łosicki, zwoleński, płoński, płocki tworzą liniowe
skupienie, w którym sąsiadujące obiekty są do
siebie podobne;
-- kolejne dwie grupy powiatów podobnych do siebie to miński i radomski, oraz kolejna trzyelementowa: garwoliński, grójecki i otwocki;
-- można stwierdzić, że wszystkie pozostałe powiaty tworzą jedno duże skupisko o charakterze
Disparities assessment in the development...
Ocena dysproporcji w rozwoju...
-- It can be stated that all remaining districts create
one big cluster with linear character. Obviously,
under this cluster, groups more similar to each
other can be distinguished (e.g. Maków, Żuromin,
Przasnysz, Mława, Ostrów Districts)
It should be noticed, that in order to interpret the
reasons of these disparities more accurately, in-depth
analysis should be conducted. Any differences can be
a reason of overlapping of a few factors i.e.: conducting
pro-development policy, activity in obtaining external
funds for investments or those caused by location rent
(Piaseczno District) resulting from the neighborhood
of the big city (Warsaw).
Conclusion
liniowym. Oczywiście w ramach tego skupiska
można wyróżnić grupy nieco bardzie podobne do
siebie, np. taką grupę tworzą powiaty: makowski,
żuromiński, przasnyski, mławski oraz ostrowski.
Należy zauważyć, że w celu dokładnej interpretacji
przyczyn tych dysproporcji trzeba przeprowadzić dogłębniejszą analizę. Wszelkiego rodzaju różnice mogą
być przyczyną, wzajemnie nakładających się, kilku
czynników m.in.: prowadzeniem prorozwojowej polityki przez władze tych jednostek, aktywnością w pozyskiwaniu zewnętrznych środków na inwestycje, czy też
będące skutkiem renty położenia (piaseczyński) wynikającym z sąsiedztwa dużego miasta (Warszawa).
Taking care of and the development of the sewage
infrastructure is the responsibility of local government
unit. It must be noted that this is a cost-intensive task,
arranged over a long period of time. Local authorities
often seek alternative national or EU sources of
finance (Kłos 2011). Therefore, it can be reasonably
assumed that one of the main factors having an impact
on facilitating new investments in this field is the
available budget (Chudy 2011).
The condition of infrastructure in Poland is quite
diverse. Disparities occur in the equipment with the
most necessary elements of technical infrastructure
in subsequent Poland regions. A huge concentration
of these elements in the cities and weak concentration
in the rural areas have a negative impact on the
development of the latter ones and on the quality of
life of the citizens. It is clear that better developed
infrastructure has an impact on the attractiveness of
territories and economic development (Gruszczyński
2001).
In Poland, a considerable diversification of the
development level of technical infrastructure occurs,
especially with reference to the rural areas (Piszczek:
2013). After more accurate analysis for selected
research area it should be stated that in Mazowieckie
voivodeship, the areas characterized by the higher
level of infrastructure development are districts
located in the central part of the voivodeship, mainly
around the biggest cities of the voivodeship. They are
characterized to a greater extent by non-agricltural
activity (i.a. large share of economic operator
working in the third sector) which dealt with political
transformations. In Mazowieckie voivodeship there
are also areas with poor infrastructure investing
(significantly diverge from those of the first places in
the ranking). These are most often districts located in
the southern part of the region, typically agricultural.
It can be concluded that the justification for this is the
specificity of their location rent (Piszczek 2013).
The results presented in the thesis indicate
that the accessibility to the sewage infrastructure
is sufficient not in every district of Mazowieckie
voivodeship. Linear ordering methods made it possible
to hierarch the districts in terms of the development of
sewage infrastructure. It was made in terms of three
variables: amount of municipal solid waste collected
per 1 inhabitant, the number of sewage connections
Dbanie oraz rozwój infrastruktury kanalizacyjnej należy do zadań jednostek samorządu terytorialnego. Należy stwierdzić, że jest to zadanie kosztowne
i zazwyczaj rozplanowane w długim okresie czasu.
Władze lokalne na realizacje tych celów często poszukują dodatkowych źródeł finansowania krajowych, jak
i unijnych (Kłos 2011). Zasadnym jest zatem stwierdzenie, że jednym z głównych czynników wpływającym na podejmowaniem nowych inwestycji z tego
zakresu jest pula dostępnych środków (Chudy 2011).
Stan infrastruktury w Polsce jest dość zróżnicowany. Dysproporcje, jakie występują w wyposażeniu
poszczególnych regionów Polski w najpotrzebniejsze
elementy infrastruktury technicznej, duża ich koncentracja w miastach, a słaba na obszarach wiejskich niekorzystnie wpływają na rozwój tych drugich, a także
na jakość życia ich mieszkańców. Wiadomym jest, że
lepiej rozwinięta infrastruktura, pozytywnie wpływa
na atrakcyjność terenów oraz rozwój gospodarczy
(Gruszczyński 2001).
W Polsce nadal występuje duże zróżnicowaniem
stopnia rozwoju infrastruktury technicznej, szczególnie w odniesieniu do obszarów wiejskich (Piszczek
2013). Po przeprowadzeniu dokładniejszej analizy dla
wybranego obszaru badań należy stwierdzić, że w województwie mazowieckim występują obszary cechujące się wyższym poziomem rozwoju infrastruktury, to
przede wszystkim powiaty położone w centralnej części województwa, głównie wokół największych miast
województwa. Charakteryzują się w większym stopniu działalnością pozarolniczą (m.in. dużym udziałem
podmiotów gospodarczych działających w trzecim
sektorze), które poradziły sobie z przeobrażeniami
ustrojowymi. W województwie mazowieckim są także
obszary o słabym zainwestowaniu infrastrukturalnym
(w istotny sposób odbiegające od tych z pierwszych
miejsc rankingu). Są to najczęściej powiaty zlokalizowane w południowej części regionu, typowo rolnicze.
Można stwierdzić, że uzasadnieniem takiego stanu
rzeczy jest specyfika renty ich położenia (Piszczek
2013).
Wyniki przedstawione w pracy wskazują, że dostępność do infrastruktury kanalizacyjnej nie we
wszystkich powiatach województwa mazowieckiego
jest wystarczająca. Metody porządkowania liniowego
pozwoliły na hierarchizację powiatów ze względu na
rozwój infrastruktury kanalizacyjnej. Dokonano tego
Podsumowanie
75
Łukasz Pietrych
leading to residential buildings in units and the
quantity of water consumption from water supply in
households in m3 per one inhabitant. The arithmetical
mean method and the Hellwing’s measure were used.
They gave similar results. Czekanowski’s diagram
allowed for indicating linear clusters of similar to each
other districts. However, it should be noted that due to
the subjectivism in determining the scale, this method
is not fully correct.
It can be stated that the presented methods can be
used to indicate disparities between regions in terms
of the development in a specific area, and this in turn
may be used to stimulate local authorities activity in
reducing these differences. In conclusion, the increase
of accessibility to the sewage infrastructure causes
the improvement of the quality of life and increase of
attractiveness of a given region for potential investors.
References/ Literatura:
pod kątem trzech zmiennych: ilości zmieszanych odpadów komunalnych zebranych na 1 mieszkańca, liczby
połączeń kanalizacyjnych prowadzących do budynków
mieszkalnych w szt. oraz ilości zużytej wody z wodociągów w gospodarstwach domowych w m3 na jednego
mieszkańca. Zastosowano metodę bez wzorcową (średniej arytmetycznej) oraz wzorcową (miarę Hellwiga),
które dały zbliżone rezultaty. Diagram Czekanowskiego
pozwolił na wyznaczenie liniowych skupisk powiatów
podobnych do siebie, jednakże należy pamiętać, że ze
względy na subiektywizm w określaniu skali podobieństwa nie jest to metoda bardzo dobra.
Można stwierdzić, że przedstawione metody mogą
służyć do wykazywania dysproporcji pomiędzy regionami, pod względem rozwoju w określonej dziedzinie, a to
z kolei może służyć pobudzeniu aktywności władz lokalnych w celu pomniejszania różnic. Podsumowując należy
stwierdzić, że zwiększenie dostępności do infrastruktury
kanalizacyjnej powoduje poprawę jakości życia mieszkańców oraz zwiększenie atrakcyjności danego regionu
dla potencjalnych inwestorów.
1.Adamczyk I., Przybylska M., Różańska B., Sobczak M. (2012), Infrastruktura komunalna w 2012 r. Główny Urząd Statystyczny.
Informacje i Opracowania Statystyczne.
2.Baranek H. (2011), Porządkowanie liniowe. Zeszyty Naukowe Metody Analizy Danych nr 873, s. 43-51.
3.Brdulak J. (red.) (2005), Rozwój elementów infrastruktury życia społeczno-gospodarczego. Szkoła Główna Handlowa. Oficyna
Wydawnicza, Warszawa.
4.Chudy W. (2011), Rozwój infrastruktury obszarów wiejskich. Infrastruktura i Ekologia Obszarów Wiejskich, nr 10/2011, POLSKA
AKADEMIA NAUK, Komisja Technicznej Infrastruktury Wsi, Oddział w Krakowie, s. 97–106.
5.Denczew S. (2006), Organizacja i zarządzanie infrastrukturą w ujęciu systemowym. Szkoła Główna Służby Pożarniczej, Warszawa.
6.Gruszczyński J. (2001), Zróżnicowanie infrastruktury technicznej obszarów wiejskich w województwie podkarpackim. Zeszyty
Naukowe AR w Krakowie, nr 377, z. 78, Kraków, s. 435-446.
7.Jarosz Z. (2008), Ocena poziomu rozwoju infrastruktury technicznej. Inżynieria Rolnicza 2(100), s. 51-55.
8.Kisielińska J., Stańko S. (2009), Wielowymiarowa analiza danych w ekonomice rolnictwa. Rocznik Nauk Rolniczych, SERIA G,
t. 96, z. 2, s. 63-76.
9.Kłos L. (2011), Stan infrastruktury wodno – kanalizacyjnej na obszarach wiejskich w Polsce a wymogi ramowej dyrektywy wodnej.
Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania nr 24, s. 75-87.
10.Kola – Bezka M. (2012), Wielowymiarowa analiza porównawcza jako narzędzie zarządzania regionem na przykładzie województwa kujawsko – pomorskiego. Studia i Materiały, Miscellanea Oeconomicae, Rok 16, nr 2, s. 51-64.
11.Piszczek S., Biczkowski M. (2010), Infrastruktura komunalna jako element planowania i kształtowania rozwoju obszarów wiejskich ze szczególnym uwzględnieniem terenów chronionych. Infrastruktura i Ekologia Terenów Wiejskich, nr 14, s. 41-56.
12.Piszczek S. (2013), Zróżnicowanie przestrzenne wybranych elementów infrastruktury technicznej na obszarach wiejskich Polski
ze szczególnym uwzględnieniem województwa kujawsko – pomorskiego. Acta Universitatis Lodziensis, Folia Geographica Socio
– Oeconomica 13, s. 237-250.
13.Petrovska I., Pietrych Ł. (2013), Ocena zróżnicowania potencjału produkcji żywca wołowego w Polsce z zastosowaniem wielowymiarowych metod statystycznych. Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu 2013, T. 15, z. 2,
s. 289-292.
Websites/ strony internetowe:
1.Bank Danych Lokalnych, http://stat.gov.pl/bdl/app/strona.html?p_name=indeks, (dostęp: 20.01.2014).
76