REGIONÁLIS TUDOMÁNYI TANULMÁNYOK 11.

REGIONÁLIS ELEMZÉSI MÓDSZEREK

Appendix:
REGIONÁLIS TUDOMÁNYI KISLEXIKON

Szerkesztette: Nemes Nagy József

2005

ELTE REGIONÁLIS FÖLDRAJZI TANSZÉK

MTA-ELTE REGIONÁLIS TUDOMÁNYI KUTATÓCSOPORT
 Regionális Tudományi Tanulmányok

Az ELTE Regionális Földrajzi Tanszék és az MTA-ELTE Regionális Tudományi Kutatócsoport

kiadványsorozata

Szerkeszti: Nemes Nagy József

1. (1995) Korompai Attila: Regionális stratégiák jövőkutatási megalapozása

2. (1995) Földrajz, regionális tudomány (Tudományelméleti tanulmányok)
3. (1996) Európa: országok, régiók (Oktatási célú adattár)
4. (1999) Helyek, terek, régiók (Tanulmányok)
5. (2001) Helyi fejlődés, intézmények és konfliktusok a magyarországi átmenetben
6. (2001) Geográfia az ezredfordulón
7. (2002) A Regionális Földrajzi Tanszék jubileuma
8. (2003) Kistérségi mozaik (Tanulmányok)
9. (2004) Térségi és települési növekedési pályák Magyarországon
10. (2004) Dusek Tamás: A területi elemzések alapjai
11. (2005) Regionális elemzési módszerek

Jelen kötet „A régiók és a hazai települések versenyképessége az európai gazdasági térben” c.

5/074/2001 sz. NKFP kutatás keretében készült. A kötet kiadását támogatta az MTA.

Lektor: Probáld Ferenc DSc, egyetemi tanár

ISSN 1585-1419

Felelős kiadó: Nemes Nagy József

Készült a MACROPOLIS Bt. nyomdaüzemében
Felelős vezető: Fehérvári Béla
 SZERZŐK

Regionális elemzési módszerek

Dusek Tamás PhD, közgazdász – Széchenyi István Egyetem, Győr

Farkas Tibor PhD, közgazdász – Szent István Egyetem, Gödöllő
Győri Róbert földrajz-történelem szakos tanár – MTA RKK, Budapest
Jakobi Ákos geográfus – ELTE Regionális Földrajzi Tanszék
Jeney László geográfus – ELTE Regionális Földrajzi Tanszék
Kiss János Péter földrajz-történelem szakos tanár, szociológus – MTA-ELTE Regionális
Tudományi Kcs.
Major Klára PhD, közgazdász – Corvinus Egyetem, Budapest
Mattányi Zsolt geográfus, térinformatikus – MTA-ELTE Regionális Tudományi Kcs.
Nagy András geográfus – VÁTI
Németh Nándor geográfus – MTA Közgazdaságtudományi Intézet
Salamin Géza geográfus, közgazdász – VÁTI
Szabó Pál geográfus – ELTE Regionális Földrajzi Tanszék

Regionális tudományi kislexikon

Balogh Zoltán közgazdász, PhD hallgató – Corvinus Egyetem, Budapest

Berényi Eszter geográfus, PhD hallgató – ELTE Társadalom- és Gazdaságföldrajzi T.
Jankó Ferenc geográfus, PhD hallgató – Nyugat-Dunántúli Egyetem, Sopron
Kusztor Adél földrajz-történelem szakos tanár, PhD hallgató – ELTE Regionális Földrajzi T.
Lengyel Tamás geográfus, PhD hallgató – ELTE Társadalom- és Gazdaságföldrajzi T.
Lőcsei Hajnalka geográfus, PhD hallgató – ELTE Regionális Földrajzi T.
Osváth László geográfus, PhD hallgató – ELTE Regionális Földrajzi T.
Regős Szilvia földrajz-történelem szakos tanár, PhD hallgató
Tagai Gergely geográfus, PhD hallgató – ELTE Regionális Földrajzi T.

Mindkét témakörben szerzőként és szerkesztőként munkálkodott:

Nemes Nagy József DSc, egyetemi tanár
 TARTALOM

BEVEZETÉS

1 TERÜLETI INFORMÁCIÓK
1.1.1 Térbeliség, területegységek
1.1.2 Területi összehasonlítás
1.1.3 Térségi szintek
1.1.4 Településnagyság
1.1.5 Időbeliség
1.1.6 A reálfolyamatok elemzésének fő dimenziói
1.2 TERÜLETI ADATBÁZISOK
1.2.1 Népszámlálások (Kiss János Péter)
1.2.2 A KSH T–STAR adatbázisa és településazonosító rendszere (Kiss János Péter)
1.2.3 Az Országos Területfejlesztési és területrendezési Információs Rendszer – TeIR (Nagy András)
1.2.4 Az Európai Unió regionális indikátorai (Szabó Pál)
1.2.5 Hazai történeti adatforrások (Győri Róbert)
1.3 A TERÜLETI ADATGYŰJTÉS SAJÁTOS MÓDSZEREI
1.3.1 Térképi információk
1.3.2 Területi mintavétel
1.3.3 Terepi adatgyűjtés
1.3.4 Adatpótlás, becslés
1.3.5 Az információk területhez kötésének nehézségei
1.3.6 Szimuláció
1.3.7 Kontrollcsoportok a területi elemzésben

2 ADATKEZELÉS, STATISZTIKAI ÉS SZÁMÍTÁSTECHNIKAI ALAPOK

2.1 TERÜLETI STATISZTIKA ÉS TÉRELEMZÉS
2.2 MŰVELETEK TERÜLETI ADATTÁBLÁKBAN ÉS ADATTÁBLÁKKAL
2.2.1 Szám, vektor, mátrix
2.2.2 A területi adatmátrix
2.2.3 Műveletek adatsorokkal
2.2.4 Azonosság, egyenlőség, egyenlőtlenség
2.2.5 Függvények
2.3 ADATTÍPUSOK, MÉRÉSI SKÁLÁK
2.4 KÓDOLÁS
2.5 MATEMATIKAI-STATISZTIKAI ALAPOK
2.5.1 Valószínűségszámítási háttér
2.5.2 Adatsorok statisztikai jellemzői, jellegadó értékei
2.6 TÉRBELI KÖZÉPÉRTÉKEK, SÚLYPONT
2.7 A TERÜLETI MOZGÓÁTLAG (DUSEK TAMÁS)
2.7.1 A területi mozgóátlag számítása és típusai
2.7.2 A mozgóátlag kiterjedésének meghatározása
2.8 SZÁMÍTÁSTECHNIKAI ALAPOK (JAKOBI ÁKOS)
2.8.1 A területi elemzésben leggyakrabban használt szoftverek
2.8.2 Szövegszerkesztés
2.8.3 Táblázatkezelés
2.8.4 Adatelemzés
2.8.5 Prezentációs eszközök
2.8.6 Speciális szoftverek
2.9 GRAFIKONOK (SZABÓ PÁL)
2.9.1 Általános szempontok
2.9.2 Oszlopdiagram
2.9.3 Kördiagram
2.9.4 Egyéb alakzatdiagram típusok
2.9.5 Pontdiagramok (Jeney László)
2.9.6 Vonaldiagram (Jeney László)
2.9.7 Háromszögdiagram (Jeney László)
2.10 TÉRKÉPEK
2.10.1 Geodéziai, topográfiai és földrajzi térképek (MattányiZsolt)
2.10.2 Tematikus térképek
2.10.3 Topológikus térképek
2.10.4 A mentális térkép (Kiss János Péter)
2.10.5 Térinformatikai és térképkészítő programok (Jakobi Ákos)
2.10.6 A természetföldrajzi térinformatika egységei és szintjei (Mattányi Zsolt)
2.10.7 A természeti és társadalmi tartalom összekapcsolt elemzése

3 TERÜLETI EGYENLŐTLENSÉGEK
3.1 FOGALMI KERETEK
3.2 TERÜLETI EGYENLŐTLENSÉGI MUTATÓK
3.2.1 A (területi) polarizáltság mérőszámai (Németh Nándor)
3.2.2 Szórás-típusú mérőszámok (Németh Nándor)
3.2.3 Területi megoszlások eltérését mérő indexek (Németh Nándor)
3.2.4 Néhány további szempont az egyenlőtlenségi mutatók használatához
3.2.5 A térbeli szegregáció sajátos mérőszámai
3.3 KIEGYENLÍTŐDÉS ÉS DIFFERENCIÁLÓDÁS
3.3.1 A Williamson hipotézis
3.3.2 A σ és β konvergencia (Major Klára)
3.4 IDŐBELI ÁTMENETEK: A MARKOV-LÁNCOK (MAJOR KLÁRA)
3.4.1 A koncepció
3.4.2 Példák a Markov-láncok alkalmazására
3.4.3 A Markov láncok modellje
3.4.4 Kistérségek jövedelemeloszlásának Markov-folyamattal történő modellezése

4 TÁRSADALMI JELENSÉGEK TÉRBELI EGYÜTTMOZGÁSA

4.1 ÁLTALÁNOS SZEMPONTOK
4.2 KORRELÁCIÓK
4.2.1 Lineáris korrelációs együtthatók
4.2.2 A súlyozás problémája a korrelációszámításban
4.3 SZOMSZÉDSÁGI HATÁSOK: TERÜLETI AUTOKORRELÁCIÓ
4.4 REGRESSZIÓSZÁMÍTÁS A TERÜLETI ELEMZÉSBEN (NÉMETH NÁNDOR)
4.4.1 Függő és független változók
4.4.2 A kétváltozós lineáris regresszió számítási menete
4.4.3 Nem lineáris összefüggések
4.4.4 Logaritmikus regressziók (Major Klára)
4.4.5 Többváltozós regresszió
4.4.6 Többváltozós lineáris regresszió az SPSS-ben (Jakobi Ákos)
4.5 A TÉRBELISÉG REGRESSZIÓ-ELEMZÉSE
4.5.1. Területi autoregressziós modellek, területi dummyk
4.5.2 Térparaméterek
4.5.3 A térbeliség magyarázóereje Európa tagoltságában (Szabó Pál)
5 ÖSSZETETT JELENSÉGEK, OSZTÁLYOZÁS, REGIONALIZÁLÁS
5.1 ÖSSZETETT JELENSÉGEK MÉRÉSÉNEK IGÉNYE
5.2 A SOKDIMENZIÓS ÉS SOKMUTATÓS JELLEG
5.3 KIEMELT MUTATÓSZÁMOK HASZNÁLATA
5.3.1 A GDP
5.3.2 A GDP területi szinten (GRP)
5.4 KOMPLEX MUTATÓK
5.4.1 A komplex mutatók számításának előfeltételei
5.4.2 Komplex mutatók számítása
5.5 A FAKTORANALÍZIS
5.5.1 A módszer logikája
5.5.2 A faktoranalízis az SPSS-programban (Jakobi Ákos)
5.6 ÖSSZETETT JELENSÉGEK TÉNYEZŐI
5.7 HATÁSARÁNY-ELEMZÉS (SHIFT-SHARE ANALÍZIS)
5.8 VEKTORIÁLIS TÍPUSÚ ÉRTÉKELŐ ELJÁRÁSOK: AZ „INFORMÁCIÓS LÁBNYOM” (JAKOBI ÁKOS)
5.9 MULTIPLIKATÍV TÉNYEZŐKRE BONTÁS
5.10 TÍPUSOK, TÉRFELOSZTÁS
5.11 TÉRFELOSZTÁS ÉS A KLASSZIFIKÁCIÓ (DUSEKTAMÁS)
5.11.1 A térfelosztás és klasszifikáció általános elvei
5.11.2 A térfelosztás konkrét elvei
5.12 EGYDIMENZIÓS OSZTÁLYOZÁS
5.13 KÉTDIMENZIÓS OSZTÁLYOZÁS: KERESZTTÁBLÁK
5.14 KLASZTER-ELEMZÉS
5.14.1 A modell
5.14.2 Fuzzy-klaszterezés
5.14.3 A klaszteranalízis az SPSS-ben (Jakobi Ákos)
5.14.4 Regionalizálás
5.15 EGY „PUHA” SOKDIMENZIÓS MÓDSZER: A SWOT ANALÍZIS (SALAMIN GÉZA)

6 TÉRKAPCSOLATOK
6.1 RENDEZETTSÉG, ALAKZAT ÉS FOLYAMAT
6.2 GEOMETRIA, TOPOLÓGIA
6.2.1 Geometriai alakzatok
6.2.2 Topológiai relációk
6.3 A TÁVOLSÁG
6.3.1 Földi, térképi távolság
6.3.2 Távolságfüggés
6.3.3 Irányfüggés
6.4 FEKVÉS, ELÉRHETŐSÉG
6.5 HÁLÓZATOK
6.5.1 A hálózat
6.5.2 A hálózat, mint gráf
6.5.3 A hálózatok jellemzőinek számszerűsítése
6.5.4 Hálózati hányados (Szalkai Gábor)

6.6 ÁRAMLÁSOK
6.7 TÉRBELI EGYMÁSRAHATÁSOK, SZOCIÁLFIZIKAI MODELLEK (DUSEK TAMÁS)
6.7.1 A gravitációs modell
6.7.2 A potenciál modell
6.8 TÉRFELOSZTÁS A TÉRKAPCSOLATOK ALAPJÁN – VONZÁSKÖRZETEK, AGGLOMERÁCIÓK

BEFEJEZÉS
A MÓDSZEREK EGYMÁSRA ÉPÜLÉSE
AZ EREDMÉNYEK KÖZZÉTÉTELE

APPENDIX

Regionális tudományi kislexikon

 BEVEZETÉS
Ha felvetődik egy tudományosan megoldandó kérdés, maga a vizsgálati út és módszer nem tolakodhat
a kutatott problémakör elé. A módszer azonban nem pusztán valamifajta mellékes kellék. Abban, hogy
a tudományok mindmáig fennmaradtak, s a jövőben is fennmaradnak, nemcsak az ismétlődően
felbukkanó, tudományos eszközökkel megválaszolandó problémáknak, a természeti és társadalmi
kihívásoknak, hanem a létrejött vizsgálati, elemzési eszközöknek is szerepe van. Ezek a tudományágak
intézményesülésének is alapelemei. A módszertan sajátos szókészletű és grammatikájú konstrukció,
„nyelv”, amit használójának meg kell tanulnia, hogy értsen és megértsék. Ez bizonyos „nyelvérzéket”
és sok munkát, erőfeszítést kíván.

Szubjektív szerkesztői előtörténet

Immár negyedszázada, amikor az egyetemi munkát a tudományos kutató, munkarendjében akkor még kissé
szigorúbb, de – az elemző munkába még egyetemi hallgatóként beavató Kovács Csabával egy szobában
füstölögve az OT Tervgazdasági Intézetében – szellemileg semmiképp sem eseménytelenebb elfoglaltságára
cseréltem. Annak is már több mint egy évtizede, hogy visszakerültem az egyetemre. A „világ” nagyot változott
azóta, hogy a hetvenes évek közepén néhány, már a kiadás percében megsárgult egyetemi jegyzet adta a hátteret
a „modern” területi elemzési módszerek (akkor értsd: a regionális földrajzi összefüggések elemzésére
használható statisztikai eljárások) oktatásához. A vaktérképeket még Koh-I-Noor-ral vagy filctollal színeztük ki.
Ebben Sárfalvi Béla volt az igazi művész. A területi elemzés, a geográfia kvantitatív forradalmának
alapműveihez – Chorley, Haggett modelljei, orosz fordításban – néhány forintért hozzájuthattunk. A műszaki
alapokat korszerű zsebszámológépek adták, a drágábbakkal már négyzetgyököt is lehetett vonni, szabad volt az
út a relatív szórásokhoz, korrelációkhoz.

A nyolcvanas évek kisvállalkozási „boom”-jában már érlelődtek a nagy változások. A kvantitatív elemzőnek
mindez új adatbázisokat, a determinált telepítés helyébe lépő spontán térbeli terjedés tömegjelenségeinek
diffúziós hullámát hozta. Mint előtte és azóta is sokszor, az elmélet és az eszköztár „nagybani importőre” és sok
úttörő kutatás elindítója Enyedi György volt. Az EU-ból még csak azt láttam – micsoda regionalista csőlátás! –,
hogy ott egyre gyarapodnak a regionális GDP-adatsorok, mi meg még mindig az ipari volumenindexszel
küszködünk (kutatói becslések után a KSH 1996-ban közölte az első hivatalos, 1994-es megyei GDP adatsort).

A rendszerváltozással egy időben megkaptam saját használatra az első kincstári PC-t s Vági Gábortól az első,
szépen kiprintelt, s így könnyen újragépelhető 1988-as települési SZJA-adatsort. Sikos Tamástól megtanultam
rettegés nélkül be- és kikapcsolni a számítógépet. Indulhatott a dBase- és SPSS-őrület. Faktorok, klaszterek,
regressziók. Meg aztán a nagy felismerés (akkortájt volt időm és jó szemem az olvasáshoz): a térbeliség a
helyzet, a szomszédság, a távolság segítségével számszerűsíthető is, s beépíthető a kvantitatív modellekbe. Jaj
nektek „puha” módszerek!

Az ország, a régiók „gazdasági egészsége” ugyan még leginkább depressziós tüneteket mutatott, de lassan
formálódni kezdett az új térszerkezet. S már ismét az egyetem. Régi épület (Ludovika), régi kollégák (Szegedi
Nándor, Probáld Ferenc). De! Új szak, geográfusok, regionális tudomány, területfejlesztés. És új hallgatók.
Majd: új kampusz Lágymányoson, száz fős geográfus-földrajzos évfolyamok (az arcokat ismerem, de az összes
nevet, azt végleg nincs időm megjegyezni: öregség, lustaság, udvariatlanság – micsoda komplex mutatót lehetne
ebből farigcsálni!), számítógép-laborok, printerek, szkennerek, internet, projektorok. A „szlájdon” dalolva
beszáll balról a cím, jobbról a szerző, csak néha a gondolat, az téved el a kibertérben!

No és a Doktori Iskola, s vele a szokásos fordulat:

akik nélkül ez a kötet nem születhetett volna meg:

• A „RÉKÁS” geográfus mag: Jakobi Ákos, Jeney László, Kovács Ervin, Németh Nándor, Szabó Pál.
• A regionalitással megfertőzött közgazdászok: a Győrből átigazolt Dusek Tamás, a csepeli Major Klára,
a „vidékfejlesztő” Farkas Tibor.
• A kutatócsoporti alapító tagok: Kiss János Péter és Mattányi Zsolt.
• Akit (Beluszky Pállal együtt) kiragadtunk a történészek karmaiból: Győri Róbert.
• Az „idegenbe szakadt” Szalkai Gábor, a VÁTI-ban edződő Nagy András és Salamin Géza.
 • És még: a legifjabb geográfusok közül Tagai Gergely, a legtapasztaltabbak képviseletében Varga
Gábor, aki hosszú éveken át vezette – írásos tananyag nélkül – a földrajzosok statisztika-gyakorlatait,
Lőcsei Hajnalka, aki ugyanebben talán már használhatja ezt a kötetet is és Csáki Lajos, aki a mindig
beteg számítógépeinket istápolja.

Azaz a kötetet egy nagy létszámú fiatal csapat (mínusz a szerkesztő) jegyzi. Az egyes fő- és alfejezetek szerzőit
a fejezetcímekben feltüntettük, ezek a szerzők önálló, nevükkel hivatkozandó írásai (a névvel nem jelölt
szövegrészek a szerkesztő igyekezetét tükrözik). A kötet számos témaköre fiatal kollégáim már sikeresen
megvédett illetve készülő doktori értekezéseihez is kapcsolódik, a mintapéldák jó része saját kutatásainkból való.
(Dusek Tamás értekezését a Regionális Tudományi Tanulmányok 10. kötetében önálló munkaként
megjelentettük1, annak e munkába is beilleszthető mennyiségi módszertani jellegű fejezeteire ezért itt most
többnyire csak utalunk.) Külön köszönet illeti Probáld Ferencet, empatikus kritikájáért s jobbító lektori
javaslataiért.

A több mint két éves együttes forrásfeltárás és kutatómunka ráébresztett bennünket újra arra is, hogy a regionális
elemzés folyamatosan bővülő nemzetközi tudományos eszköztárának értő megismerése és átadása még sok
erőfeszítésünket igényli. Az itt közreadott ismeretkör egy átfogó, valóban minden lényeges új és maradandó
hagyományos eszközre is kitekintő műnek pusztán szerény előmunkálata. Remélem, hogy a forrongó, átalakuló
egyetemi világban lesz mód a „teljesebb” változat, egy igazi módszertani monográfia elkészítésére is. Ez az itt
már jelen lévő új regionalista generáció számára nagyszerű kihívás.

Használati útmutató

A területi elemzés alapjaival ismerkedő, különböző szakterületekről induló fiatalok, vagy a már gyakorlott
elemzők előképzettsége, módszertani ismeretei természetesen nagyon különbözők. Ezt a „szórást” minden igényt
kielégítően lefedni lehetetlen. A kötet ezt nem is célozza. Egyik fő célja, hogy az ELTE geográfus szak
Regionális elemző szakirányának hallgatóit segítse a szakirányú ismeretszerzésben, kapcsolódva a tanterv
módszertani moduljaihoz. Tartalma azonban talán másoknak is ad ötleteket, segítséget.

Az írás egészében tartózkodtunk attól, hogy az esetenként nagyon összetett eljárások finom matematikai
részleteivel túlzottan terheljük az olvasót (ellenben jelezzük azokat a forrásokat, ahol a teljesebb leírások
olvashatók). Az azonban mindenütt célunk, hogy lehetőleg világossá tegyük az adott eljárás, módszer
alkalmazási területeit, célját, koncepcionális magját, használatának feltételeit, információigényét, esetleges
buktatóit. Bár a mennyiségi elemzés számos alapvető kutatás-módszertani momentuma s számos általános
társadalomkutatási elemzési témakör és fogalom is szükségszerűen szóba kerül, kifejezetten törekszünk arra,
hogy ezek területi elemzési szerepét emeljük ki. A munka szakirodalmi hátterét, a hivatkozott források jegyzékét
az írás végén egységes fejezetbe rendeztük. A bemutatásra kerülő módszerek többségét ma már számítógépek
segítségével alkalmazzák az elemzők. Külön alfejezetben pillantunk rá a területi elemzés legelterjedtebb
szoftvereire s azok jellemző alkalmazási körére, s több eljárás esetén külön is összefoglaljuk a számítógépi
használat fontosabb lépéseit, a kötet azonban hangsúlyozottan nem számítástechnikai segédkönyv. Az ilyen célt
az egyes programok útmutatói, „helpjei” s a tanórai vagy kollegiális magyarázatok támogathatják2.

A különböző fejezetekben tárgyalt kérdéskörök között vannak szükségszerű – a tárgyalás szerkezeti vonalában
alternatívákat is felkínáló, de végül is egy kötetben csak egyféleképp megjeleníthető – kapcsolatok, átfedések.
Az ismétléseket elkerülendő, ezekre a fejezetek közötti keresztutalásokkal hívjuk fel a figyelmet, ezeket a
szövegben → és a hivatkozott fejezet száma jelzi.

A
ikonnal jelölt szövegrészekben az adott kérdéskör, módszer mintapéldáit, a kapcsolódó szakirodalom

fontos munkáinak fő gondolatait jelezzük, illetve néhány kisebb feladatot fogalmazunk meg.
A
szimbólummal (EZT NE!) jelzett szövegrészek a mindenképp elkerülendő hibákra emlékeztetnek.
A  jel az adott kérdéskör speciális részletkérdéseit, elméleti vonatkozásait tárgyaló fejezeteket,
szövegrészeket jelöli („haladóknak”).

1
Dusek Tamás 2004 A területi elemzések alapjai, „Regionális Tudományi Tanulmányok” 10. sz., ELTE, Bp.
2
Egyetlen példaként: a kötetben több helyen utalunk az SPSS statisztikai program használatára, ennek
mintaértékű módszertani útmutatója Székelyi M. – Barna I. 2002 munkája.
 1 TERÜLETI INFORMÁCIÓK
1.1 Milyen a jó területi adatbázis?

Ha eltekintünk azoktól az elterjedt és racionálisnak tűnő véleményektől, miszerint a legjobb adatbázis

a nem-létező (ezzel van a legkevesebb gond, ekkor legnagyobb a kutató „szellemi szabadsága”) vagy
attól, hogy minden a kutatási feladattól függ, azaz minden vizsgálat teljesen egyedi adatgyűjtési és
módszertani problémákat hoz elő, az adatbázisok összeállítása kapcsán megfogalmazható néhány
nagyon általános s kifejezetten gyakorlatias szempont. A „jó” területi adatbázis:

1. Megbízható, ellenőrzött forrásból származik – a feladatra „akkreditált” adatszolgáltatók gyűjtése,

tudományosan korrekt adatfelvételi módszerekkel készült. Ez a szempont az adatok
ellenőrzöttségét jelenti már az adatgyűjtés során, az elemzőnek, kutatónak erre ugyanis általában
utólagos lehetősége nincs. (Legfeljebb a durva, feltűnő – az adatbázisokban nem egyszer
felbukkanó – hibás adatok szűrhetők ki.) Ehhez a kritériumhoz sorolható a mintavételes (pl.
véleménykutatási) eljárások esetében az adatok reprezentativitása.
2. Egyértelmű, világos tartalmú indikátorokból áll. Az egyértelmű, világos adattartalom hiánya
tévkövetkeztetések forrása lehet. Egy olyan jelzőszám például, ami a definiálatlan „a városi
népesség aránya” megnevezést viseli, különböző országok esetében nagyon eltérő tartalmat
hordozhat, s a nemzetközi összevetéseket tévútra viheti. A gazdasági adatbázisok esetében hasonló
a helyzet például a jövedelem-mutatókkal. Ezek esetében is lényeges azok pontos tartalmi
meghatározása. Annak ellenére, hogy a különböző tartalmú jövedelemadatok – például a fizetések
és komponenseik, a teljes jövedelmi kör és komponensei – területi megoszlása általában erősen
korrelál egymással, de például a tőkejövedelmek térben messze koncentráltabbak, mint a pénzbeni
társadalmi juttatásokat is magában foglaló, szociálpolitikai alapon nivellált teljes lakossági
jövedelemtömeg.
3. Területileg egyértelműen lokalizáltak a közölt adatok. Gyakori az, hogy nem területegységekhez,
hanem más társadalmi aggregátumokhoz rendelt információkat kívánunk területi szempontból
feldolgozni (pl. a különböző területfejlesztési projektekhez kötött támogatásokat elemezzük),
ekkor nem az információtartalommal, hanem a területhez rendeléssel lehetnek gondok. Általában
az a jellemző, hogy a lokalizáció csak nagyobb, összevont területi egységekben, térségekben
megbízható. A térben (térképeken) lokalizált adatrendszerekre épülnek a földrajzi információs
rendszerek (GIS).
4. Teljes – lehetőleg minden elemzésbe vett indikátor minden területegységre rendelkezésre áll. A
sok hiányzó (az adott megfigyelési egységben elvileg létező, de nem számba vett) adat nagyon
bizonytalanná teszi az elemzést, s legtöbb összetettebb módszernek eleve gátat szab. Itt érdemes
talán utalni arra, hogy a hiányzó adat nem azonos azzal, hogy az adott jelzőszám értéke 0. A
„nagyon lyukas” adatsorokat jobb eleve kihagyni az elemzésből.
5. Alapadatokat (is) tartalmaz, amelyekből számított, származtatott, aggregált indikátorok
képezhetők. Az alapadatokat is tartalmazó, azokból összeállított adatbázisok általában
megsokszorozzák az elemzési lehetőségeket, sokfajta összevetésre, érdekes jelzőszámok
létrehozására alkalmasak s így nagyon előnyösek. Csak származtatott adatok birtokában
ugyanakkor bizonyos elemzési lehetőségektől elesünk. Ha például csak az egy lakosra jutó területi
GDP adatok állnak rendelkezésre, de a megfelelő területegységek népességszáma nem, térképeket
készíthetünk, de számos kiváló tulajdonságú egyenlőtlenségi mutató eleve nem számítható.
6. Keresztmetszeti és időbeli összehasonlításokra is lehetőséget ad. A történeti és keresztmetszeti
összehasonlítás lehetősége, a „külső” viszonyítási pontok ismerete nélkül csökken az adott
kérdéskör érdemi elemzésének esélye.
7. Áttekinthető, kezelhető méretű. A mai számítástechnika lényegében tetszőleges adattömeg
tárolására és gyors feldolgozására alkalmas. A már nem áttekinthető méret – ez persze függ a
kutatói kapacitástól is – nagyon gyakorlatias kritériuma arra utal, hogy a kutatás elmerül az
adatbázis-adjusztálásban, s a tényleges elemzésre már nem jut idő és energia. (A sokoldalas
társaságiadó-bevallások minden sorát aligha van értelme területi szempontból feldolgozni,
 szelektálni kell az adatok között, a kevesebb legtöbbször több. Sok ígéretes kutatás fulladt már
bele a gigaadatbázisokba.)

Mindezekkel együtt, a társadalomkutatásban hosszasan várni minden tekintetben kifogástalan és teljes

adatbázisokra, (ha ilyenek elvileg egyáltalán léteznek) nem más, mint a semmittevés ideológiája. A
kutatót – a feldolgozott mennyiségi vagy más típusú információk alapos ellenőrzésén túl – biztos
szakmai felkészültsége és önmérséklete teheti alkalmassá arra, hogy az adott vizsgálati (információs)
feltételek között megtalálja azt a megbízhatósági szintet, amelyen megállapításai, következtetései
terjedelmüket, mélységüket, általánosíthatóságukat tekintve tudományosan is megállnak.

A nagy adatbázisok elemzésbe vétele kapcsán, a leírtakon túlmenően megfogalmazható néhány, tulajdonképp
kutatás-etikai szabály és gyakorlati szempont is:
• A nagy adatbázisokat ellenőrizhetően kell, s szabad használni. Ez mindenek előtt azt jelenti, hogy mások
számára is hozzáférhetők legyenek a tudományos publikációkban elemzett adatok (forrásuk, elérhetőségük
pontosan megjelölendő). A társadalomkutatásban tulajdonképp ez a viszonylag puha kritérium felel meg a
természettudományi kutatás alaptörvényének: egy természeti törvény akkor igazolt, ha több, független
kísérlet is megerősíti.
• Mivel a nagy adatbázisok bonyolult feldolgozási módszereire általában jellemző az, hogy a használt
elemzési módszerek több alternatív megoldási utat is tartalmazhatnak (a klaszter-elemzésben → 5.14
például sokfajta távolság-fajta közül választhatunk), ezért a kutatás módszertani lépéseit is a lehető
legpontosabban kell leírni (nem elég tehát így fogalmazni: „az adatokat klasztereztük”, a faktorokat is
egyértelműen azonosítani kell, nem csak elnevezni). A bonyolultabb módszerek nagyvonalú használata nem
megengedett! Még akkor sem, ha a például a hazai területi tagoltság olyannyira markáns is, hogy vélhetően
komoly tévedéshez még hibás számítások sem vezetnek. (Csenger a „legtrükkösebb” vagy hibás módszerrel
sem lesz fejlettebb vagy versenyképesebb ma Sárvárnál.)
• A nagyméretű adatbázisokat (még a nagy kapacitású számítógépeken is) szegmentált, részekre bontott
formában érdemes tárolni, néhány, az összekapcsolást lehetővé tevő közös azonosítóval.

1.1.1 Térbeliség, területegységek

A területi elemzés karakterét más társadalomtudományi kutatásokkal szemben az adja, hogy a

vizsgálatok középpontjában a társadalom (általában mennyiségi térparaméterekkel is azonosítható)
térbelisége áll, a jellegadó megfigyelési egységek pedig a különböző területegységek3.

A térbeliségre koncentráló közelítésben általában egy-egy meghatározott társadalmi szférát (ágazatot)

vagy jelenséget elemzünk, azért, hogy bemutassuk, igazoljuk, hogy annak megjelenésében,
működésében milyen módon és formában van jelen a területi tagoltság, a térbeli konfiguráció, a
térszerkezet. Gyakori kérdés itt: miként hat a működésre (hatékonyságra) a térbeli eloszlás? Ebben a
szemléletben az adott szféra szereplői (pl. különböző társadalmi csoportok, gazdálkodó egységek vagy
intézmények) és azok működése, kapcsolatai állnak a figyelem középpontjában. E vizsgálatok
általában az egyes jelenségek sajátos naturális jellemzői, mérőszámai mentén folynak.

A második közelítésben lehatárolt térrészeket, területegységeket vizsgálunk. Tulajdonképp ez a

szűkebb értelemben vett regionális vizsgálatok terepe. Bár a két közelítés gyakran összekapcsolódik
(például a mezőgazdaság vizsgálható tájkörzetek szerint is4, nemcsak az egyes növényfajták
szemszögéből), ez a vizsgálati út már ellép az összetettebb rendszerek, a területegységek (régiók),

3
Igazából persze a térbeli és a nem-térbeli alapkategóriák vegyes használata az, ami a területi, földrajzi
szempontú vizsgálatokra jellemző. Békési L. 2004 nem szokványos új politikai földrajzi összefoglalójának
Bevezetésében például ezek így követik egymást: nemzet, identitás, távolság, állam, állampolgárság, határ,
terület. Ezzel szemben olyan ismert módszertani alapmunka, mint például E. Babbie (2003) kötete, szinte szót
sem ejt a területi vagy települési dimenzióról.
4
Hazánkban 9 ilyen ágazati makrokörzetet („régiót”) jelölt ki a KSH, kifejezetten természetföldrajzi alapon
(Kovács T. 2003): Északi-középhegység, Nyírség, Tisza és Kőrös mente, Dunai Alföld, Kisalföld, Dunántúli-
középhegység, Nyugat-magyarországi dombság, Dunántúli dombság, Mecsek vidéke.
mint komplex entitások vizsgálata irányába. Ez természetszerűleg hozza magával az információs
háttérnek és az elemzési módszertannak azokat az elemeit, amelyekkel a naturálisan nagyon
különböző társadalmi szegmensek is összehasonlíthatóvá, összemérhetővé válnak (makrogazdasági és
társadalmi jelzőszámok, komplex mutatók)5.

1.1.2 Területi összehasonlítás

A regionális elemzések jellegét nagyban befolyásolja a vizsgálatba vont területegységek száma.

Három jellegzetes közelítés emelhető ki:

• Egy kiválasztott egység vizsgálata

• Több, összehasonlított egység
• Területegységek rendszerének vizsgálata

Bár a történeti és keresztmetszeti (egyidejű térbeli, területi) összehasonlításokat a legegyedibb

jelenségekre koncentráló vizsgálat sem nélkülözheti, de ebben az esetben a komparatív momentum
általában csak keretként, háttérként bukkan fel, a vizsgálat a kiválasztott egység (pl. egy ország vagy
egy város) bemutatására összpontosít. Ebbe a körbe sorolhatók a sok kutatásban felbukkanó területi
esettanulmányok.

Ritkább, de azért jellegzetes kutatási vonulat az, amikor több (legalább két) területegység, település
együttes elemzése a cél. Ugyanakkor talán ez a szemlélet az, amelyben legerőteljesebb az
összehasonlító momentum, hisz e vizsgálatokban épp az aktuális állapotok vagy a fejlődési irányok
azonosságának és különbözőségeinek bemutatásán van a hangsúly. Ebben az esetben kardinális
jelentőségű az, hogy az összevetett területegységeknek jellegzetes azonosságai is legyenek (például
méretükben, gazdasági vagy társadalmi jellemzőikben), mert épp ezek tükrében válik érdekessé annak
felmutatása, hogy melyek azok a jegyek, amelyek különböznek, s milyen okai, tényezői vannak az
eltéréseknek, az elágazó pályáknak.

A hazai térfolyamatok vizsgálatakor jó terep az ilyen összehasonlításokra az egymáshoz közel fekvő vagy
azonos nagyságrendű városok – például Zalaegerszeg-Nagykanizsa, Dorog-Esztergom, Sárospatak-
Sátoraljaújhely – jellemzőinek, növekedési pályáinak összehasonlító elemzése. Nemzetközi színtérre lépve,
hasonló közelítésekkel elemezhetők lehetnek a határokkal elválasztott várospárok (Szeged-Szabadka, Debrecen-
Nagyvárad, Miskolc-Kassa, Pécs-Eszék).

Önmagukban bármennyire is érdekesek, minden lényeges jegyükben különböző területegységek – mondjuk a

Ruhr-vidék és a Kanári szigetek – tudományos összehasonlításának nincs sok értelme, hacsak nem a világ
sokszínűségének szemléltetése a cél a két területtel. A két téregység más szemléletben természetesen
összekapcsolódhat. Ilyen lehet e példában a nemzetközi migráció vagy a turizmus témaköre.

A területegységek (teljes) rendszereinek (pl. egy ország összes régiójának, egy kontinens összes
nagyvárosának) vizsgálatát is kifejezetten az összehasonlító momentumok uralják. E közelítés
leggyakoribb kérdései a vizsgált egységek különbözőségére, a területi differenciáltságra, az
egyenlőtlenségek mértékére és jellegére, változási irányaira vonatkoznak. Ezekhez kapcsolódóan
jelenik meg a közös és egyedi vonások, a lokális, regionális és globális sajátosságok viszonyának
kérdésköre. Mivel a teljes területi rendszerek általában már sok egységből állnak, e vizsgálati úthoz
kötődik leginkább a regionális elemzés matematikai-statisztikai eszköztára, hisz annak használatában
fontos megbízhatósági követelmény a nagy elemszám.

Az összehasonlító vizsgálatokban nemcsak a területegységek száma, hanem a felhasznált indikátorok jellege

is figyelmet érdemel. Naturális jellemzők esetében sem problémamentes az összevetés (még az olyan alapvető

5
A területi adatok típusairól lásd Dusek Tamás (2004, 4. fejezet)
adatok, mint a népesség száma tekintetében is különböző számbavételi eljárások lehetségesek), de különös
figyelmet érdemel az értékadatok (jövedelem, termelési érték, fogyasztás) időbeli és keresztmetszeti
összehasonlítása. Mindkét esetben elsődlegesen az árak változása illetve különbözősége lép fel módszertani
problémaként. A területi kutatásban gyakori, hogy a termelés, a jövedelmek, a beruházások, netán a különböző
támogatási források éves pénzügyi adatait vizsgálják. Ekkor nagyon vigyázni kell arra, hogy csak összehasonlító,
rögzített áras pénzügyi adatok adhatók össze. Erről elfeledkezve – különösen a magas inflációval sújtott
időszakokban – az éves folyó áras adatok meggondolatlan kumulálása nemcsak, hogy értelmetlen, hanem
nagyon torz eredményeket hozhat (felülértékeli az időszak legmagasabb inflációjú éveit, nagy növekedést
sugallva, noha megeshet, hogy a valóságban visszaesés volt). A rögzített áras összehasonlítás legjellemzőbb útja
az időszak kezdő vagy végső időpontjának áraira való átszámítás (ezzel a problémával a közgazdaságtanban
részletesen foglalkozik az index-elmélet). Míg az országos pénzügyi makrogazdasági adatsorokra ezeket az
átalakításokat a statisztikai adatforrások rendszeresen közreadják, területi árindexek hiányában a területileg
bontott pénzügyi adatsorok ilyen átalakítása legtöbbször csak becsléssel lehetséges.A leggyakoribb, szükség
szülte, bár nyilvánvalóan hamis feltevés ekkor, hogy a megfelelő árindex területileg nem szóródik. Az
árstruktúra-, árindex-probléma nemzetközi összehasonlításokban is felmerül, ehhez kötődik például a GDP ún.
vásárlóerő-paritásos (PPS) összehasonlítása → 5.3.1.

1.1.3 Térségi szintek

Kevésbé a regionális elemzés, a geográfia, jóval inkább az igazgatás, az irányítás kérdésköréhez

kapcsolódik a társadalmi térfelosztások sajátos vertikalitása, a térségi szintek problémaköre6. A
különböző térségi szintek (ezek egyfajta rendszerét tartalmazza az 1.1 táblázat) nemcsak méretüket, de
az ott jellemzően szerveződő társadalmi tevékenységeket, intézményeket tekintve is különböznek
egymástól. A térségi szintrendszer sajátos megjelenési formája a hierarchizáltságnak (bár az egyes
szintek között általában nincs meg a hierarchiákra olyannyira jellemző egyértelmű függő viszony, s
ezért a fogalomnak csak átvitt, analóg jelentésében tekinthetők hierarchiáknak). A területi elemzések
során figyelemmel kell lenni a vizsgált jelenség s az azt leíró mutatók valóságos térségi
szerveződésére, kerülni kell a formális aggregációt (a helyi, városi közlekedést aligha indokolt a
nagytájak, makrorégiók szintjén vizsgálni, míg a személygépkocsi-ellátottság regionális
differenciáltsága már szóba jöhet a regionális összehasonlítások során is).

Makroterek Világ (Föld)

országcsoport (nemzetközi integráció)
ország
Regionális terek nagytérség (országrész)
mezokörzet (gazdasági körzet, megye)
kistérség (kistáj, városi vonzáskörzet)
Lokális terek település (helyi önkormányzat)
lakókörzet (településrész, kerület)
szomszédság
Mikroterek család (háztartás) – munkahely
egyén

1.1. táblázat Térségi szintek a társadalomban (Nemes Nagy J. 1998)

A térségi szintrendszerek közül a legnagyobb „karriert” az Európai Unió szintrendszere, az 5 szintű,

ún. NUTS futotta be7, amelynek regionális szintjei (NUTS 2 és NUTS 3) a közösség regionális

6
Itt érdemes talán utalni arra, hogy a hazai településföldrajznak mindmáig virulens kutatási iránya a városok
belső tagoltságának (az 1.1. táblázat lokális tereiben mozgó) vizsgálata (Mészáros R. szerk. 2004, Csapó T.
2004). E munkák módszertani szempontból visszatérően összekapcsolják a társadalomszerkezeti és az építészeti-
funkcionális tagozódást (népszámlálási információk illetve terepi adatgyűjtés alapján). A kutatási irány gyökerei
egyértelműen Mendöl Tibor munkásságához vezetnek, akinek születési centenáriumáról kötetünk
megjelenésének évében emlékezik meg a hazai geográfus társadalom.
7
Az Európai Unió statisztikai területi egységeinek jegyzékét (NUTS – Nomenclature des Unites Territoriales
Statistiques) – a tagállamok javaslatai alapján - az Európai Közösség Statisztikai Hivatala állította össze abból a
politikájának térbeli keretét adják (1.2. táblázat). Ez az egységesnek szánt rendszer az egyes
tagállamok területi és népességi nagyságszóródása okán eleve erősen inhomogén. A NUTS-szisztémát
a területi elemzések során nem feltétlenül szükséges merev keretként használni, a konkrét
elemzésekben ezek az egységek kombinálhatók, kiegészíthetők (pl. Svájc és Norvégia egységeivel),
illetve – épp a területi nagyságrendi hasonlóságot vagy az elérhető adattartalmat biztosítandó – ezek a
szintek „keverhetők” is. A NUTS egységek csak részben követik a hagyományos történeti régiókat
(Hajdú-Moharos J. 1988).

NUTS 1 NUTS 2 NUTS 3

Ausztria Gruppen von 3 Bundesländer 9 Gruppen von Politischen 35
Bundesländer Bezirken
Belgium Gewesten/Régions 3 Provincies/Provinces 11 Arrondissementen 43
/Arrondissements
Ciprus – 1 – 1 – 1
Csehország Území 1 Oblasti 8 Kraje 14
Dánia – 1 – 1 Amter 15
Észtország – 1 – 1 Groups of Maakond 5
Finnország Manner-Suomi, 2 Suuralueet/ 5 Maakunnat /Landskap 20
Ahvenanmaa/Fasta Storområden
Finland, Åland
Franciaország Z.E.A.T + DOM 9 Régions + DOM 26 Départements + DOM 100
Görögország Groups of development 4 Periferies 13 Nomoi 51
regions
Hollandia Landsdelen 4 Provincies 12 COROP regio’s 40
Írország – 1 Regions 2 Regional Authority 8
Regions
Lengyelország Regiony 6 Województwa 16 Podregiony 45
Lettország – 1 – 1 Reģioni 6
Litvánia – 1 – 1 Apskritys 10
Luxemburg – 1 – 1 – 1
Magyarország Statisztikai nagyrégiók 3 Tervezési-statisztikai 7 Megyék + Budapest 20
régiók
Málta – 1 – 1 – 2
Nagy- Government Office 12 Counties (some 37 Upper tier authorities or 133
Britannia* Regions; Country grouped); Inner and groups of lower tier
Outer London; authorities (unitary
Groups of unitary authorities or districts)
authorities
Németország Länder 16 Regierungsbezirke 41 Kreise 439
Olaszország Gruppi di regioni 5 Regioni 21 Provincie 103
Portugália Continente + 3 Comissões 7 Grupos de Concelhos 30
Regiões autónomas decoordenação
regional+ Regiões
autónomas
Spanyolország Agrupación de 7 Comunidades y 19 Provincias + Ceuta y 52
comunidades autónomas ciudadesautónomas Melilla
Svédország – 1 Riksområden 8 Län 21
Szlovákia – 1 Oblasti 4 Kraje 8
Szlovénia – 1 – 1 Statistične regije 12
EU-15 72 213 1091
EU-25 89 254 1214

1.2. táblázat A 25 tagú Európai Unió regionális szintjei és egységei

*Angliában, Walesben, Skóciában és Észak-Írországban részben eltérő az egyes térségi egységek megnevezése

Mivel bizonyos jelenségek meghatározott térségi szintekhez kötődnek, óvatosan kell bánni a szintek közötti
analógiákkal. Teljesen formális s így valós tartalom nélküli például a városökológia klasszikus térszerveződési
modelljeit (koncentrikus, szektorális, mozaikos) tágabb regionális keretekben, netán a települési szintű jövedelmi
térképek konfigurációiban „felfedezni”. A két esetben alapjaiban eltérő térszerveződési mechanizmusok hoznak
létre látszólagos formai hasonlóságot.

célból, hogy egy egységes és összefüggő váz álljon rendelkezésre az integráció területi felosztásáról, és ennek
alapján lehessen összeállítani a regionális statisztikákat.
Nagyon különböző eredményekhez, térszerkezethez juthatunk, ha egy jelenséget, indikátort különböző térségi
szinteken vizsgálunk. A „vidékiség” gyakorta emlegetett egyszerű, de nem mereven rögzített mennyiségi
kritériuma (a 100-120-150 fő/km2-nél kisebb népsűrűség) teljesen más lehatárolást eredményez, ha azt települési
(NUTS5), kistérségi (NUTS4) netán regionális (NUT2) szinten használják a térségek besorolására (az EU-ban a
jellemző osztályozási szint a magyar megyéknek megfelelő NUTS3). Ez óvatosságra int egy nagyobb térségre
(ez esetben az EU egészére) kidolgozott szempont vagy mérőszám automatikus átvitelekor egy alacsonyabb (pl.
az országon belüli) területegységek osztályozására.

1.1.4 Településnagyság

A különböző területegységekben végzett kutatások mellett gyakori elemzési út a települések

népességnagyság szerinti csoportjainak összevetése. Elvileg ekkor is többfajta összevonás szóba
kerülhet (a települések egyenközű, azonos elemszámú, azonos népességet tömörítő, az átlagos
településnagysághoz viszonyított csoportjai), a bevett csoportosítás azonban inkább az adott térség
településhálózatának jellegzetes szintjeit (és ezekhez tartozó elemeit) próbálja érzékeltetni a
lélekszám-határokkal. Az aktuális hazai megoldást tartalmazza az 1.3. táblázat (kissé túlzó – de
mondhatnánk azt is, hogy nagyon túlzó, hibás – „precizitással” megadva az egyes kategóriákba eső
népességszámokat, messze túl a számbavételi hibahatáron8). E felosztástól is el lehet térni. Egy-egy
országrész, kisebb terület elemzésekor az országos rendszer sematikus használata sok üres sort
eredményezhet, ez kerülendő. Van mikor összevontabb, máskor részletezettebb csoportosítás a
megfelelő. Az összevont csoportok nagyobb elemszámúak, nagyobb belső méretszóródással, a
részletezettebbek a lélekszám szempontjából egyveretűbbek. Az egyedi csoportosítás hátránnyal is jár,
ekkor ugyanis vélhetően kevés az összehasonlítható korábbi eredmény, kontrollként más kutatásokból
átvehető azonos szempontú megállapítás.

Népességnagyság- Települések Lakónépesség az év végén

csoport (fő) Száma (2001)
- 199 311 37 607
200 – 499 701 238 207
500 – 999 690 501 929
1 000 – 1 999 648 929 570
2 000 – 4 999 504 1 510 892
5 000 – 9 999 139 964 408
10 000 – 19 999 79 1 106 169
20 000 – 49 999 42 1 209 979
50 000 – 99 999 12 767 043
100 000 – 199 999 7 963 516
200 000 - 2 1 965 133
Ország összesen 3135 10 174 853
Ebből Budapest 1 1 739 569
1.3. táblázat A KSH „hivatalos” települési népességnagyság-kategóriái és a hazai település- és népességeloszlás
F: Területi Statisztikai Évkönyv 2001

A lélekszámhatár szerinti csoportosítás ad megoldást a gyakorta elemzett városfejlődés nemzetközi

összehasonlításakor arra a problémára, hogy a városi jogállás a világ különböző országaiban nagyon
eltérő kritériumokhoz kötött. Világméretű vagy kontinentális összehasonlítások esetében „városnak”
leggyakrabban a 100 ezer főnél népesebb településeket tekintik. Az elemzések során mindenképp
érdemes emlékezni arra is, hogy a nagy lélekszám önmagában még nem biztosít helyi vagy regionális
központi szerepet. A különböző nagyságú települések és környezetük térben változó
(népesség)növekedési trendjeit foglalja össze az urbanizációs ciklusok elmélete.
8
A Lektor megjegyzése nyomán.

A területi elemzés számos ún. térparaméteres módszerében előfordul (amikor például a helyzettel, fekvéssel
magyarázzuk valamely jelenség differenciáltságát, ilyen például a súlypont számítás → 2.6), hogy egy-egy
téregységet annak valamely pontjával reprezentálunk. Ha közigazgatási területegységekről van szó, akkor
leggyakrabban a közigazgatási központ (pl. a megyeszékhely) jön szóba, de választhatjuk a legnépesebb
települést (országok közötti összehasonlítások során ez sok esetben nem azonos a fővárossal), abban az esetben
azonban, amikor az előző két szempontnak megfelelő központ jellemzően periférikus helyzetű az adott területen,
indokolt választást jelent a térség földrajzi középpontja (ahol esetleg nincs is település). Az említett alternatívák
közül való választásra nincs „tudományos” szabály, arra azonban vigyázni kell, hogy a reprezentatív pontot ne
váltogassuk egy-egy vizsgálaton belül, mert ez lehetetlenné teszi például az időbeli összehasonlítást vagy
különböző jelenségek eloszlásának szembesítését.

1.1.5 Időbeliség

Mind az időbeliség (a dinamika) megjelenítése a területi vizsgálatokban, mind a területi sokféleségé (a

helyi, lokális vagy a táji, regionális sajátosságoké) a történeti elemzésekben bizonyítottan erősíti a
kutatások valóságfeltáró erejét.

A területi vizsgálatok az idő-dimenzió szempontjából két nagyobb csoportba sorolhatók: a jelenkori

(egyidejű) és a történeti vizsgálatok csoportjába. Lényegében ugyanezt az osztályozást jelenti, de már
az elemzés szemléletére, módszertanára is utal a statikus (keresztmetszeti) és dinamikus vizsgálatok
megkülönböztetése.

A jelen idejű elemzések magától értetődően az aktualitásokra összpontosítanak, sokszor erősen

gyakorlatorientáltak. Jellegzetesen ilyenek a területi irányítási és szabályozási rendszert, a politikát
érintő témakörök. A jelen idejű és a történeti jellegű elemzések között nagyon nehéz szigorú
határvonalat húzni – a dolog érdemét tekintve minden elemzés „történeti”. Időbeli pozícióját tekintve
jellegzetes átmeneti vizsgálati témakört jelentenek a rövidtávú gazdasági konjunktúra-elemzések
(amelyek természetesen bármilyen területi szinten elvégezhetők).

A történeti elemzések tovább oszthatók aszerint, hogy a maitól időben távoli periódus a vizsgálat
tárgya vagy az elemzést egy távoli időponttól a máig vezetik9. A történeti elemzéseknek fontos
szerepe van a területi folyamatok előrejelzésében. A távoli időszakok analógiákat szolgáltathatnak, a
hosszú idősorok pedig a trendek, irányzatok felrajzolását teszik lehetővé. A történeti elemzések
azonban – módszertanukat tekintve – nem jelenthetik azt, hogy az elemzési eszköztár is „ódivatú”
legyen, sokkal inkább azt, hogy a történeti tényanyag elemzésében is alkalmazni kell a helyénvaló
legkorszerűbb eljárásokat. A történeti folyamatok vizsgálatakor elemzési szempontból a módszertani
korszerűtlenség a valódi anakronizmus.

A dinamikus, történeti vizsgálatokban az adatok tekintetében az idődimenzió bevezetése nem más,

mint a területi adatmátrix → 2.2.2 megsokszorozása (több különböző időpontra vonatkozó azonos
tartalmú adatmátrix, adattömb). Ha egy területi megfigyelésrendszerhez (például a megyékhez) nem
különböző jellemzőket, hanem egy jellemző különböző időpontra vonatkozó adatsorait rendeljük
(például a munkanélküliségi ráta havi alakulását), kapjuk a területi idősorokat.

Az idődimenziót tartalmazó dinamikus elemzések gyakori gondja a területi adatsorok időbeli

összehasonlíthatóságának biztosítása akkor, ha a megfigyelési egységek változnak. Ekkor szükség van
a területi idősorok homogenizálására.

9
A társadalmi-gazdasági fejlettségben tapasztalható tragikus mérvű világméretű szakadék, s a globalizáció
kapcsán a gyökerek, az okok keresése természetszerűleg hozza előtérbe a hosszú történeti távú elemzéseket.
Ennek sokat idézett példája A. Maddison (2001) a GDP történeti távú becsléseit tartalmazó kötete.
 Talán a legjellegzetesebb példa itt is a városhálózat történeti elemzése. Mivel a városok száma változik
(általában növekszik), így a "város" fogalom különböző időpontokban más és más településkört foglalhat
magába. Az elemzésben ilyen esetben többfajta út kínálkozik. Elemezhető, összehasonlítható a
"mindenkori" városok köre, de gyakori az, hogy a vizsgálat zárópontjában városi jogállású települések
csoportját vizsgálják a periódus egészére vonatkozóan. Az ilyen elemzés lehetőséget kínál arra, hogy a
településcsoport különböző jellemzői – például különböző demográfiai, társadalmi vagy infrastrukturális
ellátottsági mutatók – kapcsán kimutassák azt, hogy a változás, a fejlődés mennyiben tényleges elmozdulás,
illetve milyen arányban magyarázható a településkör változásával. Nehezítik az időbeli összehasonlítást a
közigazgatási változások is (a határváltozások, a települések összevonása, szétválása – ezek sajátos időbeli
irányváltozásait és regionális különbségeit érzékelteti az 1.4. táblázat). A korrekt vizsgálat érdekében ezeket
az eltéréseket – amennyiben van rá mód – ki kell küszöbölni, az adatsorokat homogenizálni kell → 1.2.5.

Évek, Régiók Községalakítások Településegyesítések

1900-1924 51 34
1925-1944 22 201
1945-1959 169 136
1960-1989 19 173
1990-1999 70 -
Összesen 331 544
Közép-Magyarország 39 18
Közép-Dunántúl 36 70
Nyugat-Dunántúl 25 199
Dél-Dunántúl 40 114
Észak-Magyarország 34 88
Észak-Alföld 50 35
Dél-Alföld 107 20

1.4. táblázat. Községalakítások és településegyesítések a 20. században Magyarországon

F. Szigeti E. 2002, 19. o. (1920 előtt a mai országterületre vonatkozó adatok)

Időismérvek

A területi megfigyelési egységekre vonatkozó adatok természetes és nélkülözhetetlen azonosítója az

időpont is. Sajátos, de ismert adattáblák azok, amelyekben a területegységekhez időpontok tartoznak
jellemzőként. Ilyen lehet valamely jelenség, jellemző, intézmény megjelenésének vagy eltűnésének
múltbeli vagy prognosztizált időpontja az adott területen (például az első vasútvonal elkészültének éve
vagy egy adott nyersanyagkészlet kimerülésének várható időpontja, adott kitermelési szint mellett),
vagy valamilyen társadalmi jellemző adott szintre kerülésének időpontja (például a mezőgazdasági
népesség arányának 50 százalék alá csökkenése10). Ha ezeknek az adattáblák információi
térképezhetők, így születnek az ún. időtérképek. Az időtérképekkel látványosan jeleníthetők meg a
terjedési-visszaszorulási folyamatok.

10
Sárfalvi Béla egyik klasszikus tanulmányának témája ez (Sárfalvi B. 1965).
A területi elemzésekben alkalmazott időbeli szakaszolás esetében leggyakrabban négy jellegzetes út
kínálkozik:

• Elfogadott társadalomfejlődési periódusok szerinti elemzés (történeti szakaszolás)

• Tervezési időszakokhoz kötődő szakaszolás (pl. a szocializmus tervidőszakai, az EU
programozási periódusai)
• Az adatrendszerből fakadó szakaszolás (a leggyakoribb az évtizedek szerinti szakaszolás,
nagyjából követve az egyik legfontosabb „adattermelőt”, a népszámlálásokat→ → 1.2.1 és 1.5.
táblázat)
• Az adott folyamat térbeli fordulópontjait követő szakaszolás

Az első három út már a vizsgálat megkezdése előtt meghatározza az időbeli kereteket, a negyedik
esetben azonban a területi-települési folyamatok maguk jelölik ki a periódusokat. „Ideálisnak” ez
utóbbi közelítés tekinthető, ennek feltétele azonban nem mindig adott. A területi folyamatok
elemzésekor használt különböző időbeli szakaszolás hatására is aggregációs torzulások léphetnek fel
(az aggregáció itt az időpontok, évek összevonását jelenti időszakaszokká), eltűnhetnek a valóságos
fordulópontok, az érdekes időbeli ingadozások is.

Eszmei időpont Az előző

Az eredmények közzététele (magyar nyelven,
népszám-
előzetes jelentésekkel, módszertani és elemző
lálástól eltelt
munkákkal együtt)
Év vége (éjfél) Év eleje (0h) idő (év)

1869. dec. 31. 1870. jan. 1. 1 kötet (1871)

1880. dec. 31. 1881. jan. 1. 11 2 kötet (1882)
1890. dec. 31 1891. jan. 1. 10 3 kötet (1893)
1900. dec. 31. 1901. jan. 1. 10 10 kötet (1902-1909)
1910. dec. 31. 1911. jan. 1. 10 6 kötet (1912-1920)
1920. dec. 31. 1921. jan. 1. 10 6 kötet (1923-1929)
1930. dec. 31. 1931. jan. 1. 10 6 kötet (1932-1941)
(1940) 1941. feb. 1. 10 1 kötet (1947) + 8 kötet (1975-1982)
1948. dec. 31. 1949. jan. 1. 8 15 kötet (1949-1952) + 2 kötet (1995-1996)
1959. dec. 31. 1960. jan. 1. 11 36 (ebből 20 megyei) kötet (1960-1966)
1969. dec. 31. 1970. jan. 1 10 69 (ebből 2*20 megyei) kötet (1970-1981)
92 (ebből 2*20 megyei,+8 városi) kötet
1979. dec. 31. 1980. jan. 1. 10
(1980-88)
83 (ebből 20 megyei, 4 városi, 24 bp.-i
1989. dec. 31. 1990. jan. 1. 10 kerületi) kötet, 4 floppy lemez, 3 CD (1990-
1995)
tematikus kötetek, 2*20 megyei kötet, CD-
(2000) 2001. feb. 1. 11
ROM-ok

1.5. táblázat. A magyarországi népszámlálások eszmei időpontjai és az eredmények közzététele

(vastaggal szedve az elterjedt évszámmegjelölés)

A területi elemzésekhez jellemzően közép- és hosszú időtáv tartozik (ritkán a 15 évnél távolabbra
kitekintő nagytávlatú előrejelzésekkel is találkozhatunk). A területi szerkezetekben és folyamatokban
viszonylag erős a stabilitás, így egy-két év alatt ritkák a markáns változások. A területi elemzésben
viszonylag ritkák az éven belüli szakaszolások, bár bizonyos folyamatok esetében a szezonalitás ezt
megkívánja (turizmus, munkanélküliség). A rövidebb időperiódus a térbeli mozgások esetében is
fontos szempont (épp a napi, heti, havi periódusú térpályák különbségeire, eltérő térbeli kereteire és
céljaira mutat rá az időföldrajz).
Lényegében az idődimenzió jelenik meg a gazdasági elemzésekben gyakori két nagy adattípusban is:
az ún. stock (állomány) mutatók egy-egy időpontra vonatkozóan jelzik a különböző gazdasági
volumenek (tőke, állóeszköz) nagyságát, míg az ún. flow (kibocsátás, áramlás) mutatók jellemzően
egy-egy időszak (év) termelési produkciójára, létrehozott jövedelmeire utalnak. A két közelítést a
regionális gazdaságtanban a különböző hatékonysági mutatók (élőmunka-termelékenység,
tőkehatékonyság) kapcsolják össze, amelyek a kibocsátást az állományra vetítik (termelési
érték/foglalkoztatottak illetve állóeszközök). Ez a kettősség megjelenik másutt is: a területi
szempontból gyakorta elemzett infrastruktúra mutatói közül stock típusú például a hálózatok
(elektromos, víz, csatorna) hossza, míg flow jellegű a szolgáltatott áram, víz, az elszállított szennyvíz
mennyisége.

A statisztikai adatgyűjtés illetve az információk közreadása természetszerűleg bizonyos időbeli

késéssel követi a valóságos folyamatokat. A nagy, szerteágazó területi adatbázisok (például a
népszámlálások → 1.2.1) vagy a bonyolultabb számbavételi, becslési fázisokat is tartalmazó
információk (pl. területi szintű GDP adatok) esetében a késés akár több év is lehet. Jelen idejű területi
elemzésekről ezért alig beszélhetünk. Az egyszerűbb összehasonlítások, de az összetett, többváltozós
elemzések során (például a faktoranalízises fejlettség-vizsgálatok adatrendszereiben → 5), gyakori az,
hogy nem minden mutatót sikerül ugyanazon évre beszerezni. A korábban említett térszerkezeti
stabilitás miatt azonban általában nem okoz komoly gondot, ha néhány adat nem egyazon évre áll
rendelkezésre (2-3 éves intervallum megengedett). Hiányos információk esetén a hosszabb távú
összehasonlítás igényét kielégítendő becslési eljárások → 1.2.11 is szóba jönnek.

Itt érdemes talán még szólni egyes indikátorok sajátos követő jellegéről (ez indokolja az ún.
késleltetett változók – lagging indicators – használatát). A munkanélküliség megugrása például
általában egy-egy korábbi negatív gazdasági eseményt (pl. cégfelszámolást, dekonjunktúrát) tükröz.

„A városi élet sebessége”

Ide is köthető a teret és az időt közvetlenül összekapcsoló mennyiségi jellemző, a sebesség, ami hétköznapi
jelentésén, közlekedés-földrajzi használatán túlmenően egészen sajátos módon is felbukkan a területi-települési
vizsgálatokban. Szociológusok (Levin – Norenzayan 1999) a társadalmi aktivitás, a mindennapos sürgés-forgás,
ügyintézés „sebességét” 31 ország nagyvárosában – azonos metodikával – vizsgálva 7 hipotézist teszteltek:

1. A gazdasági vitalitás gyors életritmust eredményez

2. A forró klímájú helyeken lassabb az élet
3. Az individualista kultúra gyorsabb teret generál, mint a kollektivista
4. Minél nagyobb egy város, annál gyorsabb ott az élet
5. A gyors városokban magasabb az infarktus-halálozás
6. A gyors helyeken többen dohányoznak
7. A gyorsabb helyeken erősebb a szubjektív jólét érzése

A sebesség-rangsor élére Svájc, Írország, Németország nagyvárosai kerültek, Brazília, Indonézia, Mexikó zárta a
sort. Budapest a 31 mintaterület közül a 19. helyre került. Az élet sebessége a városi átlaghőmérséklettel – 0,58-
as, az egy lakosra jutó GDP-vel 0,74-es szignifikáns korrelációt adott. Nem igazolta ellenben a vizsgálat a
lélekszám és az életritmus közötti kapcsolat meglétét, s nem szignifikáns a viszony az infarktus-halálozással sem
(további részletek a tanulmánynak a világhálóról is letölthető szövegében).

1.1.6 A reálfolyamatok elemzésének fő dimenziói

A következőkben sorra vett témakörök önmagukban is fontos kutatási, elemzési csomópontokat

jelentenek, összeállításuk azonban célzottan olyan, hogy a címszavak akár egy komplex regionális
elemzés vázlataként is felfoghatók (egy ilyen tanulmány címe lehetne: „Regionális folyamatok
Erdélyben” vagy „Százhalombatta fejlődési pályája a 20. században”).
Természeti keretek

A társadalmi folyamatok legtöbbjében kimutatható a természeti feltételek, körülmények befolyása, így magától
értetődően vizsgálat, elemzés tárgyát képezik ezek a faktorok is. A társadalmi fejlődés, átalakulás (itt
természetesen nem részletezhető) folyamatában egyaránt megfigyelhető bizonyos természeti tényezők háttérbe
szorulása, mások esetében pedig épp a felértékelődés, az egyre nyilvánvalóbb hatások tanúi lehetünk. A
természethez kötődő tényezőcsoportok közül három külön is kiemelésre érdemes. Ezek nemcsak önmagukban
vizsgálhatók, hanem számos kifejezetten társadalmi nézőpontú elemzésben is szerepet kapnak:

• Fekvés
• Természeti erőforrások
• Környezeti állapot

A fekvés az egyik legfontosabb térparaméter, a helyzet földrajzi (külső térbeli) megjelenése. Annak felismerése,
hogy a fekvés a térbeli egyenlőtlenségek egyik legfontosabb faktora (ez a magja például a földrajzi centrum-
periféria modelleknek), számos összetett elemzési módszerben önálló változóként is indokolttá teszi
megjelenítését. A fekvési különbségek a társadalomföldrajzi vizsgálatokban gyakran az időbeli elérhetőség →
6.4 vagy annak költségei differenciáiban jelennek meg.

Nagyon sok regionális elemzés, térségleírás indul a természeti feltételek (pl. az éghajlat, a talajadottságok) és
erőforrások (vízkészletek, ásványi anyagok) számbavételével. A hagyományos agrár- és ipari társadalmak
esetében ezek a tényezők a társadalmi folyamatok alaptényezői. Ma a nagy globális földi problémák egy része is
kifejezetten a természeti feltételeket érinti (lásd globális felmelegedés). Hagyományos földrajzi indíttatású
elemzésekben előfordul azonban bizonyos természeti faktorok indokolatlan túldimenzionálása. (A mai hazai
regionális gazdasági fejlődés hatótényezőit elemezve nagyon kivételes esetekben lehet csak indokolt a geológiai
fejlődésmenet részletes bemutatása.) Fordítva kissé a logikán, ide tartozik ellenben az, hogy a tudomány számára
nagy lehetőség és kihívás egyben a természeti és társadalmi folyamatok valóságos szintézise, a természeti tájakat
alakító társadalmi faktorok hatásmechanizmusainak bemutatása.

A természeti tényezők és a társadalmi dimenziók összekapcsolásában elvi-módszertani nehézséget okoz, hogy a

két tényezőcsoportot jellemzően más-más megfigyelési egységek szerint veszik számba. A természeti tényezők
mérése jellemzően mintavételi pontokban, természetföldrajzi vagy sajátos geometriai, kartográfiai egységekben
történik, a legtöbb társadalmi jellemző ellenben a közigazgatás területegységeiben lokalizált. A „közös”
területegység megtalálása itt önmagában is alapvető elemzési, kutatási feladat. (A két tényezőcsoport
összekapcsolt elemzésének problémaköre természetesen nem merül ki a közös területegység hiányának
nehézségeiben.) A Földrajzi Információs Rendszerek máig leginkább csak a különböző, vegyes tartalmú
„layerek” létrehozásáig jutottak el, ami az információs bázis oldaláról jó kiindulás lehet, de még nem jelent
valóságos együttes elemzést → 2.10.6.

A környezeti problémák kutatása mára önálló, multidiszciplináris tudományággá vált, sajátos elemzési
eszközrendszerrel, kultúrával, ami messze túlnyúlik (bár analógiákat kínál) a társadalmi folyamatokra
koncentráló regionális elemzések főáramán. Sajátos érintkezési pont lehet a környezeti kultúra, a környezet-
tudatosság vagy a környezetvédelem kifejezetten társadalmi tartalmú kérdésköre.

Humán alapok

Az emberek, a különböző csoportok a társadalmi folyamatok résztvevői, eltérő aktivitású szereplői, alakítói,
elszenvedői. A társadalomkutatás jellemző elemi egysége az egyes ember, az egyén. Az egyénekből szerveződő,
együtt élő vagy a közös jellemzők alapján alkotott csoportok számbavétele a regionális elemzések esetében is
gyakori kiindulópont.

A népesség (vagy annak változása, folyamata: a népesedés) a maga legegyszerűbb számszerűségében az egyik

legalapvetőbb térbeli és területi vizsgálati téma és indikátor. Ez egészül ki aztán a vizsgálatokban a népesség

különböző jellemzői szerinti nézőponttal. Ilyenek a szűkebb demográfiai jellemzők: a születés, a halálozás, a

vándorlás, a nemek szerinti szerkezet, a kormegoszlás (L. Rédei M. 2000, Kovács Z. 2002).
A manapság sokat emlegetett humán (emberi) tőke fogalma és mutatószámai egyrészt magukba integrálják
ezeket a demográfiai jegyeket és szerkezeti jellemzőket (hisz ezek önmagukban is erőforrások), de ki is
egészülnek a társadalmi jellemzők sorával (Stroombergen, A. et al 2002, Rechnitzer J. – Smahó M. 2005). Ezek
közé tartozik – a szűk demográfiai jellemzőkhöz talán legszorosabban kapcsolódó – egészségi állapot, majd a
11
„tőke-formát” a kutatási gyakorlatban legtöbbször közelítő iskolázottság és képzettség , s a történetileg nagyon
változatos életpályát befutó etnikai, kulturális, vallási azonosítók. Újabban önálló tartalommal használatba került
a területi vizsgálatokban is a társadalmi tőke fogalma is, leginkább a közösségi kohézióban, a különböző
társadalmi hálózatokban megtestesülő erőforrásként.
12
A gazdasági aktivitási, foglalkoztatási jellemzők már a gazdaság felé nyitják a humán dimenziót, míg a
szociális (leggyakrabban az egyszerűbb jövedelmi és az összetettebb státusz vagy deprivációs) jellemzők már túl
is mutatnak az ökonómián. A területi kutatásoknak ezektől inkább elválasztott, mint velük összekapcsolt tárgya a
társadalom politikai tagoltsága.

Az itt sorra vett tényezők nem pusztán a maguk valóságos fontossága okán kiemelt tárgyai és témái a regionális
elemzésnek, hanem a többségükről rendelkezésre álló információk azon sajátossága miatt is, hogy azok
jellemzően különböző területegységek szintjén érhetőek csak el.

Ugyancsak itt érdemes utalni arra, hogy az utóbbi évtizedek egyik legdinamikusabb, önállósuló
tudományágazatává vált a nemek társadalmi szerepének kutatása (gender studies), amelynek keretében
kifejezetten területi szempontú elemzésekkel is találkozunk.

Településhálózat

Látszólag megtöri ugyan az ”ágazati” logikát, de mindenképp önálló témakörként érdemel szót a területi
vizsgálatokban a településhálózat, a településrendszerek elemzése. Természetesen ezek önmagukban is
kiemelkedő fontosságú kutatási témák: az urbanizációs ciklusok elmélete egyike azon ritka elméleti
modelleknek, amelyek kifejezetten a területi vizsgálatokhoz köthetők. Bármely nagyobb térség folyamatait az
egyes gazdasági-társadalmi ágazatok a településhálózati jellemzőkkel kombinálódva alakítják. Ennek
következtében a regionális vizsgálatok alapvető jelentőségű kutatási témája a települési és térségi, regionális
dimenzió hatásának, egymáshoz viszonyított súlyarányainak feltárása → 5.7. A település egyébként is a területi
elemzés egyik természetes alapegysége. (A települések és a településhálózat kutatási módszereinek is gazdag
tárháza Beluszky Pál monográfiája - Beluszky P. 1999). E témakörhöz indokolt kapcsolni a települési épített
környezet kérdéskörét is (Meggyesi T. 2002), ahol magától értetődő sajátos „módszertani” eszközként
megjelenik a fotó-dokumentáció is (példaként lásd Barta Gy. szerk. 2004).

Gazdaság

A gazdaság térbeliségének, magának a gazdasági térnek a vizsgálata önálló területi tudományt hozott létre, a
regionális gazdaságtant (Illés I. 1975, Lengyel I. – Rechnitzer J. 2004), sok elemében szembe is fordulva
magával a közgazdaságtannal, illetve annak főáramaival. A geográfia mellett meghatározóan a gazdaság területi
vizsgálata vezetett a regionális tudomány, mint önálló vagy önállósodó diszciplína létrejöttéhez is (W. Isard
1960). A kifejezetten a gazdaság kategóriáin és szereplőkörén belül mozgó, de azok térbeliségét – annak sajátos
matematikai-statisztikai követelményei és következményei okán – már figyelembe venni szándékozó kutatások,
módszertani szempontból is számos figyelemre méltó eredményt hoztak felszínre a tér-ökonometriában (Varga
A. 2002). Mindmáig jelen lévő kutatási irányt képeznek a nagy ágazati aggregátumok területi szempontú
elemzései (a legújabb ilyen példa a hazai ipar társadalmi rendszereken átívelő, földrajzi és közgazdasági
elemzési szempontokat ötvöző területi analízise: Barta Gy. 2002)

A gazdaság a területi vizsgálatokban jellemzően mint erőforrás- (tőke-)hasznosító és mint kibocsátó, termelő,
jövedelmet létrehozó tevékenység jelenik meg. Az erőforrás-oldal alapvető kategóriái az elemzésekben a föld, a
pénztőke, a munkaerő (a foglalkoztatás) s újabban a technikai–technológai faktorhoz is kapcsolt kutatás-

11
Érdekes társadalmi és területi összefüggésekre világíthat rá, de nagyon óvatos interpretációt követel meg a
képzettség vagy épp a tudományos teljesítmény statisztika adatainak fogalmi kiterjesztése tehetség-térképek,
tehetségföldrajz néven (Tóth J. 1990, Florida, R.. 2002, Győri F. 2004).
12
A munkaerőpiacot területi szempontból is vizsgáló gazdag hazai szakirodalomból kiemelt figyelmet érdemel a
2000. óta megjelenő Munkaerőpiaci Tükör c. évkönyvsorozat (Fazekas Károly szerkesztésében, MTA KTI,
OFA), nemcsak értékes elemzései, hanem bő statisztikai adattartalma okán is.
fejlesztés (Grosz A. – Rechnitzer J. szerk. 2005). Bár szélesebb társadalmi tevékenységi kört érint, de
leggyakrabban mégis a gazdasági témák között szerepel az infrastruktúra is. Az ipari társadalmak térszerkezetét
jellemző „nagyüzem” ma már sokkal inkább a kereskedelem, a fogyasztás „katedrálisaiban”, a
bevásárlóközpontokban jelenik meg, egy diszperz, sokszereplős gazdaság előterében (Sikos T. T. – Hoffmann I.-
né szerk. 2004)

A gazdaság sajátos, önállóan is vizsgálható szegmensét jelenti a gazdasági szereplők területi szempontú
számbavétele, elemzése. E témakörben érdekes szemléletet hordoz a holland kutatók által útjára indított ún.
gazdaságdemográfia (Smith, S. K. – Morrison P. 2003). Ez a cégek elemzésére a demográfia kategóriáit
(születés-alakulás, halálozás-megszűnés, házasság-egyesülés, válás-önállósodás, migráció-telephelyváltoztatás)
használja. Ebből kiindulva aztán lehet „fiatalos” vagy „elöregedő”, merev vagy mobil gazdasági
szervezetrendszerről beszélni.

1.2. Területi adatbázisok

A területi elemző legtöbbször „készen kapott” adatbázisokkal dolgozik, de esetenként önálló, célzott
adatgyűjtést is végez. Az alábbi fejezetekben e kétfajta adatszerzési út néhány jellegzetes példáját
mutatjuk be.

1.2.1 Népszámlálások (Kiss János Péter)

A népszámlálás olyan, rendszeresen ismétlődő társadalomstatisztikai állapotfelvétel, amelynek célja

egy adott terület (ország) adott időpontban fennálló legfontosabb társadalmi viszonyainak –
demográfiai helyzet, lakó- és munkahely, iskolázottság, háztartási és családi összetétel, foglalkoztatási
viszonyok, élet- és lakáskörülmények – teljes körű (minden egyes állampolgárra kiterjedő) pontos,
számszerű felmérése, és az országosan illetve területileg összesített adatok közzététele.

A népszámlások igen hosszú múltra tekintenek vissza, gyakorlatilag a legősibb

statisztikai adatgyűjtésnek tekinthetők. A Bibliában többször is van utalás népszámlálásra,
Kínából i.e. 2238-ból van már tudomásunk népszámlálási jellegű felmérésről, s a Római
Birodalomban is több átfogó, vagy csak egy-egy tartományra kiterjedő népszámlálást
tartottak. A középkorban az írásbeliség és a jól szervezett állami bürokráciák
visszaszorulása miatt hosszú időre megszakadt a népszámlálások sorozata is, csak a XIV–
XVI. századból van tudomásunk ilyenekről egyes itáliai városállamokból és német
fejedelemségekből. Az újkor előtti népszámlálások persze a maiakhoz képest igen
egyszerűek, és szűkebb tematikájúak voltak. Az első mai értelemben vett népszámlálást az
egykori Francia-Kanadában (Québec) tartották 1665-ben, az első európai modern összeírás
helye és ideje a szakirodalomban vitatott (Spanyolország – 1787 vagy a svéd fennhatóság
alatti mai finn területek – 1749). A felvilágosodás és a polgári átalakulás, a modern
államszervezet kialakulása aztán a XVIII.-XIX. századtól kezdődően minden civilizált
országban lehetségessé és szükségessé tette népszámlálások végrehajtását. A legtöbb
országban a népszámlálás jelentette a modern statisztikai tevékenység kezdetét, s az ezzel
foglalkozó, a későbbiekben egyre bővülő tevékenységi körű hivatalokból alakult ki az
állami statisztikai szervezet.

A népszámlálás a világ legtöbb országában kérdőíves felmérést (összeírást) jelent. A szakmai fórumok
által javasolt, s a megfelelő kormányszervek által is jóváhagyott népszámlálási kérdőívekkel
(összeíróívekkel) általában egységes kiképzésben részesült kérdezőbiztosok (számlálóbiztosok,
összeírók) keresik fel lakóhelyükön és/vagy tartózkodási helyükön az állampolgárokat. Egyes
országokban a postán vagy egyéb úton kézbesített népszámlálási kérdőíveket maguknak az
adatszolgáltatóknak kell kitölteni és visszajuttatni a statisztikai szervezethez. Az utóbbi évtizedekben
egyre több országban a hagyományos kikérdezés útján kapott adatokat igazgatási, hivatali
nyilvántartás(ok)ból vagy reprezentatív felvételekből származó adatokkal kombinálják, vagy – pl.
egyes skandináv államokban – az összeírás teljes mellőzésével csak ilyen, ún. „regiszter” adatokat
tesznek közzé. Ennek hátránya azonban, hogy adattartalma szűkebb, mivel a népszámlálások
tematikájában „szokásos” számos kérdéskörről még a fejlett nyilvántartási rendszerekkel és az
adatbázisok összekapcsolását megengedő jogrendszerrel rendelkező államokban sincs nyilvántartás.

A népszámlálások valamennyi más statisztikai adatgyűjtéstől eltérő, speciális jellemzőik miatt a

legalapvetőbb általános információforrást jelentik az államigazgatás részére csakúgy, mint a
társadalomtudományi kutatások, ezen belül a területi tudományok számára. A népszámlálások
kiemelkedő jelentőségét adó speciális jellemzők a következők:

1. A teljeskörűség. Az ország minden egyes lakosára kiterjedő nyilvántartások általában csak

igen kevés információ vonatkozásában léteznek, ami a népesség összetételének részletes jellemzéséhez
nem elegendő. Magyarországon a legfontosabb ilyen regiszter a népesség-nyilvántartás, amit a
Belügyminisztérium Központi Nyilvántartó és Választási Hivatala kezel. Ez azonban csak a nem, kor,
állampolgárság, családi állapot és a bejelentett lakcím(ek) adataira terjed ki. A bejelentett állandó
lakcímek alapján a népesség-nyilvántartás a forrása a települések–régiók „állandó népesség” adatának.
A többi lakossági adatfelvétel viszont a népszámlálást kivéve mintavételes eljárásokkal, országonként
legfeljebb néhány ezer ember megkérdezésével folyik, s így az egyéb problémákon túl mintavételi
hibával is terhelt. Ezért van szükség a népességnek, illetve egyes csoportjainak 5-10 évenkénti,
teljeskörű felmérésére, amelynek adatai „hivatalosnak” számítanak, a következő összeírásig az állami
tervezés számára alapul vehetők, továbbvezetésre alkalmasak, a kutatások számára a teljes
társadalomra vonatkozó ismeretek forrásait jelentik, egyszersmind a mintavételes vizsgálatok
„etalonjaként” is használhatók.

A teljeskörűség ugyanakkor a gyakorlatban természetesen sohasem valósítható meg 100%-osan.

Több-kevesebb lakos a leggondosabb szervezés mellett is kimarad az összeírásból – a nemzetközi
szakirodalom 2%-os alulszámlálást még konszolidált viszonyok között, civilizált államokban is
normálisnak tekint –, ezt a korlátozó tényezőt tehát a népszámlálási adatok felhasználásakor is
célszerű figyelembe venni. Az összeírást elkerülők aránya ráadásul nem is egyenletes: a többi
kérdőíves felméréshez hasonlóan a társadalom szélső helyzetű (legmagasabb és legalacsonyabb
státusú) csoportjai körében a legmagasabb a kimaradók aránya. Az alulszámlálás mellett ritkábban
előfordulhat felülszámlálás, kettőződés is. A több lakcímmel rendelkezőket ugyanis esetenként
mindkét helyen összeírják, és az azonos személyre vonatkozó adatok azonosítását a pontatlan
adatfelvétel lehetetlenné teheti.

2. A népszámlálási adatok az adatfelvétel hosszától – ez néhány naptól néhány hétig terjed –

függetlenül egységesen egy előre megadott ún. „eszmei időpontra” vonatkoznak, így a nagy tömegű,
különféle adat segítségével egyidejű keresztmetszeti kép nyerhető az adott ország és térségei
társadalmi viszonyairól.

3. A népszámlálások rendszeres ismétlődése. Ennek, és a viszonylag állandó tematikának

köszönhetően a világ legtöbb országában a népszámlálások eredményeiből állnak rendelkezésre a
leghosszabb, azonosan értelmezhető adatokból álló idősorok. A népszámlálási adatok használata ezért
a történeti jellegű kutatások, illetve az időbeni összehasonlítások – köztük a térszerkezeti változások
kimutatása – szempontjából is megkerülhetetlen.

A felmért adatok köre természetesen nem állandó, hiszen a népszámlálásnak követnie kell az adott

társadalom változásait. A gazdasági, technikai fejlődés, az életmód, a szokások, a társadalmi tagozódás

és intézményrendszerek stb. átalakulása az egyes változók indikátornak való alkalmasságát is

befolyásolják, s a társadalmi információk iránti igény, illetve a cenzus mindenkori költségvetési

támogatása is jelentősen befolyásolhatja az összeírt adatok körét. Magyarországon pl. az írni-olvasni

tudást utoljára az 1960-as népszámlálás során mérték fel, mert ezt követően a fiatal korosztályokban

gyakorlatilag általánossá vált ez az ismeret. A lakások árammal való ellátottsága 1930-ban érte el azt

az arányt, hogy a népszámlálásban már érdemesnek tartották kitérni rá, 1980 után viszont a 98-99%-

osra növekedett ellátottság miatt már ismét nem kérdezték.

4. A népszámlálások alapelvei, tematikája és módszerei már a XIX. század második fele (1872)
óta nemzetközileg viszonylag egységesek, az 1950-es évek népszámlálásaitól kezdve pedig a világ
legtöbb országában az ENSZ ajánlásaihoz igazodva végzik az adatok gyűjtését és közzétételét is. Így a
népszámlálási információk a nemzetközi összehasonlításokra leginkább alkalmas, egyszersmind a
legszélesebb országkörre rendelkezésre álló adatok közé tartoznak. Az ENSZ által rögzített
népszámlálási alapelvek – teljeskörűség, egyidejűség, a felvett adatok egyedi és személyes jellege,
földrajzilag jól meghatározott terület, kormányzati finanszírozás, 10 éves népszámlálási ciklusok – fél
évszázada változatlanok, s csak kisebb módosításokon estek át az előkészítésre, végrehajtásra és
közzétételre vonatkozó módszertani előírások is. A felmérendő témakörökre vonatkozó ajánlások
azonban a 10 éves ciklusok, s ezen belül régiók szerint is eltérőek. A 2001-es magyarországi cenzusnál
pl. az Európai Gazdasági Bizottság régiójában a 2000 körüli népszámlálásokra vonatkozó ENSZ-
ajánlásokat vették figyelembe, de emellett immár az Európai Unió által megfogalmazott népszámlálási
adatigényeket és közzétételi („táblázási”) előírásokat is ki kellett elégíteni, sőt a cenzus időpontja is
európai uniós ajánlás nyomán került a korábbi hazai gyakorlatból következőnél (0-ra végződő évek
eleje) egy évvel későbbre. (Az Eurostat harmonizációs törekvéseinek eredményeként jelenhetett meg
először 1996-ban az akkori tagországok egységes népszámlálási adattára az 1990 körüli cenzusok
eredményeivel.) Természetesen minden országnak vannak sajátos, gyakran hagyományos nemzeti
adatigényei is, és a nemzetközi szabványok ajánlás-jellege miatt is meglehetős eltérések vannak az
egyes országokról rendelkezésre álló népszámlálási információk között.

A magyarországi népszámlálások

Néhány részleges vagy töredékesre sikeredett összeírási kísérletet követően hazánkban II. József
uralkodása alatt, 1784–1787 között került sor az első teljes körű népesség-összeírásra. Ezt azonban nem
követték továbbiak, a Habsburg-birodalom keretein belül már csak részösszeírások történtek (1805, 1820,
1838, 1850, 1857). Az 1867-es kiegyezés után viszont a modern államiság információs bázisának és a
megfelelő közigazgatási szervezet kialakításának érdekében azonnal szükségessé vált a népszámlálás
lebonyolítása, amelyre 1870 elején került sor. Azóta általában 10 évenként egymást követve rendszeres a
népszámlálások lebonyolítása és az adatok közzététele. 2001-ig összesen 14 összeírásra került sor, minden
esetben az újév körüli eszmei időpontban. Ez a logikus és szisztematikus megoldás a nemzetközi
gyakorlatban igen ritka, bár a legtöbb országban azért általában az évtizedek azonos éveiben, és az év
azonos szakaszában kerül sor a cenzusokra. A kaotikus időpontok rendezése érdekében az ENSZ az
azonos dekádba tartozó népszámlálásokat tekinti összetartozónak (pl.„1990 körüli” népszámlálásoknak az
1985 és 1994 közötti eszmei időpontúakat).

Az utóbbi évtizedek népszámlálási adatainak felhasználásakor az eszmei időpontra külön is oda kell
figyelni, mert azok az adott év elejére estek, míg az egyes évek állapot-adatait általában az év utolsó
napjára közli a KSH. Tehát az 1990-es (jan. 1-időpontú) népszámlálás adataival közvetlenül az 1989-es
13
évre (dec. 31-re) vonatkozó állapotadatokat lehet csak összevetni, de a 2001-es népszámlálást is a 2000-es
statisztikai évkönyvek állapotadataival célszerű párosítani.

13
Elérhető: http://www.nepszamlalas.hu/
 A tízéves perióduson belüli változások pontosabb nyomon követése és a következő népszámlálás
14
előkészítése érdekében 1963-ban, 1968-ban, 1973-ban, 1984-ben és 1996-ban és 2005-ben népszámlálás-
jellegű, de reprezentatív – 2%-os mintán alapuló – ún. mikrocenzust végeztek, és eredményeiket több
kötetben közzétették. Ezek területi következtetések levonására kevésbé alkalmasak, de – mivel a
legfontosabb adatokat a 19 megyére és a fővárosra, illetve településtípusra (megyeszékhely, többi város,
község) is közzétették – megyei szintű elemzésekre felhasználhatók. A rendszerváltozás utáni változások
hatásainak kimutatása miatt – a területi kutatások szempontjából is – különösen értékesek az 1996-os
mikrocenzus adatsorai.

A népszámlálásokkal kapcsolatos teendőket a második, 1880-as cenzustól kezdődően a Központi

Statisztikai Hivatal (illetve jogelődei) szervezi a helyi közigazgatási szervezetek (önkormányzatok,
tanácsok) segítségével. Az 1970-es népszámlálás óta minden személyről egy személyi, és lakásonként egy
lakáskérdőívet kell kitölteni, emellett külön kérdőívek szolgálják a közösségi elhelyezésre szolgáló ún.
intézeti háztartások (pl. kórházak, szociális otthonok, kollégiumok) és ezek épületeinek, valamint az
üdülőegységek adatainak felvételét. Így az eredményeket nemcsak a személyekre, hanem az épületekre,
lakásokra, családokra, és háztartásokra vonatkozóan is összegezni és publikálni lehet.

A népszámlálási adatszolgáltatás Magyarországon is kötelező, elvileg

szabálysértésnek minősül az adatszolgáltatás megtagadása vagy a hamis adatok közlése. A
lakosság jogainak védelme érdekében a népszámlálást elrendelő jogszabályok általában külön
is garantálták, hogy a gyűjtött adatok kizárólag statisztikai célra használhatók. Ezt a korlátot
egyetlen esetet kivéve – a magyarországi németek 1945 utáni kitelepítésekor az érintettek
körének megállapításához az 1941-es népszámlálás kérdőíveinek személyes adatait is
felhasználták – soha, még a diktatórikus korszakokban sem szegték meg. A 2001-es
népszámlálás pedig további adatvédelmi biztosítékokkal zajlott: a kikérdezés a név és cím
feljegyzése nélkül történt, s néhány „érzékeny” adat – fogyatékosság, vallás, anyanyelv,
nemzetiség – vonatkozásában önkéntes volt az adatszolgáltatás. (Mindkettő újdonság volt a
magyar népszámlálások történetében, és a nemzetközi gyakorlatban is szokatlan.)
A publikált adatok megnevezését, pontos jelentését, felvételük módját a népszámlálási kiadványok
módszertani fejezetei részletesen ismertetik. Minthogy ezek egyrészt sok esetben eltérnek a köznapi
fogalomhasználattól, az alkalmazott módszerek pedig nagyban befolyásolják az eredményeket, ráadásul
az azonos adattípusok felvételi módja és értelmezése az egyes népszámlálások során gyakran megváltozott,
a tévedések elkerülése érdekében nem nélkülözhető e magyarázó fejezetek alapos, előzetes
tanulmányozása. A nemzetiségek számát például 1920-ig az anyanyelv adata alapján állapították meg és
közölték, 1941-től kezdődően azonban az egyének szabad identitásválasztása, bevallása alapján adják
meg.

A népszámlálási adatok tematikája, adatfelvételi és közzétételi programja és területi részletezettsége hazánkban

mindig is meghaladta az aktuális nemzetközi ajánlásokat: az 1880-as évek óta folyamatosan világszínvonalúnak
tekinthető magyar statisztikai szolgálatnak köszönhetően Magyarország rendelkezik a világon az egyik
legrészletesebb népszámlálási adatbázissal. A publikációk többségét a kezdetektől fogva, s egyre növekedő
súllyal a területi adatok teszik ki. 1949-ig a kiadványok tematikus adattárak voltak, s az egyes témákon belül
közölték az országos összesítések után a településsoros információkat is. 1960-tól viszont az országos
összefoglaló és elemző kötetek mellett minden megyéről egy vagy két kötetben külön adattárat adnak ki. E
megyei kötetek tartalmazzák a településenkénti (Budapesten a kerületenkénti) adatokat is, emellett azonban más
területi csoportosítások is találhatók bennük: a megye összesített, illetve településtípusonkénti (megyeszékhely,
többi város, község), népességnagyság-csoportonkénti, 1960–1980-ban járásonkénti, 2001-ben kistérségenkénti
adatai. Az adatközlések tematikai csoportosítása is régóta állandó struktúrájú: demográfia – iskolázottság – nyelv
– nemzetiség, gazdasági aktivitás–foglalkozás, háztartás – család, lakás – üdülő – épület sorrendben, többféle
kombinációban szerepelnek az információk a kötetek mellett az új, elektronikus kiadványokban is. Unikális
jelentőségű továbbá a területi kutatások szempontjából, hogy a népszámlálási kiadványok településnél kisebb
egységekről is kínálnak információkat. Kiemelendő egyrészt a számos speciális sajátosságokkal rendelkező
külterületi lakott helyek főbb adatainak elkülönítése és közlése, amely többek között a tanyák kutatásához

14
A 2005-ös Mikrocenzus felvételi időszaka 2005. április 1-21, eszmei időpontja pedig a március 31. és április
1. közötti éjfél volt, 847 településen 83 ezer lakás és az azokban élő személyek kerültek összeírásra. (Részletek:
http://www.nepszamlalas.hu/mc2005/.)
nélkülözhetetlen. Másfelől az 1970–1990-es időszakban az egy számlálóbiztos által megkérdezett – általában
ötven–száz háztartásból, egy-kétszáz lakosból álló – számlálókörzetek feldolgozási egységként is szolgáltak, így
a népszámlálási adatok – a megfelelő térképi háttér beszerzése, összeállítása esetén – igen részletes
településszerkezeti, városföldrajzi elemzésekre is lehetőséget adtak. 1970-ben és 1980-ban külön megyei
kötetekben jelentek meg a számlálókörzeti adatok, 1990-ben CD-ROM kiadványban voltak elérhetők. A 2001-es
népszámlálás számlálókörzeti adatainak közzétételét sajnos nem tervezi a Központi Statisztikai Hivatal. Az
1980-ig kizárólagos nyomtatott forma mellett az 1990-es és 2001-es népszámlálás adatbázisát – köztük igen sok
visszatekintő adattal – elektronikus változatban is kiadták (floppyn, illetve 2001-ben már csak CD-ROM-on). Az
utóbbi cenzusok kiadványai között az adattárak mellett számos tematikus kiadvány, elemző jellegű munka is
található.

Az 1870–1980 közötti magyarországi népszámlálások kiadványainak jegyzéke

megtalálható „A magyar népszámlálások előkészítése és publikációi 1869–1990”. II. kötet,
153-166. oldalán. Az 1960–1990 közötti népszámlálások, illetve az 1963–1996 közötti
mikrocenzusok, és a népszámlálásokhoz kötődő egyéb kiadványok jegyzékét lásd Czibulka
Zoltán és Lakatos Miklós tanulmányában. A 2001 előtti népszámlálások teljes kérdésanyagát
táblázatszerűen tartalmazza „A magyar népszámlálások előkészítése és publikációi 1869–
1990” I. c. KSH-kiadvány). A hosszabb távú, közvetlen történeti összehasonlításokra tehát
leginkább az alábbiakban felvázolt témakörökben van lehetőség.

A népesség száma

A népszámlálás legalapvetőbb, leggyakrabban idézett adatai a települések, térségek népességszámai,

ezért különösen fontos a különböző népességszám-fogalmak helyes értelmezése. A helyzet sokáig
egyértelmű volt: a magyar népszámlálások 1949-ig minden egyes személyt azon település
lakójának tekintettek, ahol összeírták. Az így kapott népességszám a jelenlevő népesség. 1960-
ban és 1970-ben azonban további két népességi adatot is megállapítottak, 1980-ban és 1990-ben
pedig már csak ezeket közölték. Az egyik az állandó népesség: az adott településen bejelentett
állandó lakcímmel rendelkezők száma. A másik, a települések lakónépessége két csoportból
tevődik össze, azokból, akiknek az adott településen van az állandó lakóhelyük és máshol nincs
ideiglenes lakcímük, illetve azokból, akiknek a bejelentett ideiglenes lakcíme van az illető helyen.
1960 óta a népszámlálások valamennyi további, egyéb ismérvek alapján megadott létszámadata
a lakónépességre vonatkozik, annak megoszlásait mutatja. Sőt, a népszámlálások közötti
időszakban is túlnyomórészt ezekre a lakónépesség-adatokra támaszkodik a statisztikai
adatközlés, a népszámlálási időpontja óta bekövetkezett népmozgalmi (természetes szaporodási
és vándorlási) adatokkal korrigálva azokat. A különböző fajlagos adatokat is általában ehhez az
ún. továbbvezetett lakónépességhez viszonyítva adják meg. Kivételt azoknak az adatoknak az
esetében tesz a KSH – és érdemes nekünk is tenni –, amelyek az állandó lakcímhez kötött
nyilvántartásokból származnak (ilyen például a személyi jövedelemadó-statisztika, vagy a
gépjármű-nyilvántartás). Ezekben az esetekben az állandó népesség a viszonyítási alap, amit az
állami népesség-nyilvántartó hivatal 1970-es évekbeni megszervezése óta ettől, és nem a
népszámlálási adatokból vesznek át. A 2001-es népszámlálásban újabb jelentős változás
következett be, amennyiben (a valósághoz igazodva) sem az állandó, sem pedig a lakónépességet
nem a bejelentett lakcímek, hanem – az összeírt személy nyilatkozata alapján – a tényleges lakó-,
illetve tartózkodási hely alapján állapították meg. 2001-ben kiszámították a más településbe
ingázó tanulók és dolgozók számával korrigált ún. nappali (lakó)népességet is.

Fontos megjegyezni, hogy az egyes népszámlálások során nem volt teljesen egységes az
összeírtak, illetve a népességbe beszámítottak köre sem. 1890-ig például az egyes települések
népességszámaként az ott élő polgári népességet közölték (a katonákat nem). 2001-ben pedig a
korábbiakhoz képest bővült az összeírás alanyainak köre, hiszen míg 1990-ben a magyar
állampolgárok mellett csak az ország területén engedéllyel tartózkodó külföldiekre terjedt ki,
addig 2001-ben valamennyi, három hónapnál régebben az országban tartózkodó külföldi
állampolgárt és hontalant, valamint a menekülteket is számba vették.
 A népszámlálásokkor összeírt népességszámok a korábbiakban említett tényezők miatt többé-
kevésbé mindig eltérnek az előző népszámlálásból a továbbvezetett adatoktól. Ha ez az eltérés
jelentős, az új népszámlálási adatok alapján a KSH minden területi egységre és minden, az előző
népszámlálás óta eltelt évre elvégzi a korábban közölt népességadatok revideálását. Ezzel
természetesen megváltozik a korábbi évekre közölt fajlagos (népességarányos) mutatók értéke
is, ezért pl. a korábbi statisztikai évkönyvekben közöltekhez képest megváltoznak a visszatekintő
adatok is. Természetesen azonban a revideált fajlagosok közlésére csak ritkán van mód, ezért az
aktuális évek adatközlései alapján összeállított idősorok esetén erre is figyelnünk kell, és a
népszámlálási években tapasztalt váratlan „ugrásokat” lehetőség szerint korrigálnunk, de
legalábbis megfelelően értelmeznünk kell. A probléma jelentőségét növeli, hogy sajnos épp a
legutóbbi két népszámlálás esetén volt a legjelentősebb a továbbvezetett és a számlált adatok
eltérése: 1990-ben országosan 193 ezer fővel kisebb lakónépességet írtak össze az 1980-as
adatból továbbvezetettnél, míg 2001-ben 193 ezer fővel több volt a „végeredmény”, mint ami az
1990-es adatok továbbvezetése alapján várható volt. A kisebb területi egységekben pedig
nemritkán igen jelentős különbségek mutatkoztak: pl. a települések egytizedében a 10%-ot is
meghaladta az eltérés az 1990-es népszámlálás adatából továbbszámított, illetve a 2001-ben
összeírt népességszám között.

Az eltérések meglepően hasonló mértéke valószínűleg nem teljesen véletlen. A 2001-es „többletben”
szerepet játszhat ugyan az összeírtak körének korában említett bővülése, valamint a név és lakcím
nélküli felvétel miatt 2001-ben a korábbiaknál vélhetően nagyobb arányú kettőződések is, a fő ok
azonban valószínűleg az, hogy a rendszerváltás viharos időszakában lezajlott 1990-es népszámlálás
során a népszámlálásból kimaradók köre, az alulszámlálás mértéke érzékelhetően nagyobb volt a
korábbi cenzusokénál, illetve a 2001-esnél is.

A népesedés és a lakások jellemzői

A népességszámon túlmenően a területi kutatások számára a népszámlálási adatok jelentik a

legfontosabb – csak ebből a forrásból hozzáférhető, vagy a többi lehetséges adatforrásnál nagyobb
területi részletezettségű, illetőleg pontosságú – települési és regionális adatokat:
• a népességi dinamika mutatói a népszámlálások közötti időszakban: természetes és
tényleges szaporodás, vándorlási különbözet;
• a korszerkezet adatai: átlagos életkor, öregedési index, korcsoportok szerinti megoszlás;
• iskolázottsági mutatók: a legmagasabb iskolai végzettség, az elvégzett osztályok átlagos
száma, a legfeljebb 8 osztályt végzett, illetőleg az érettségizett és a diplomás népesség;
• a gazdasági aktivitás mutatói: a foglalkoztatottak, munkanélküliek száma (2001-ben a
munkát keresők adatai is), az aktivitási és a munkanélküliségi ráta, a foglalkoztatotti arány
változása az eltartottak és az inaktív keresők, illetve egyes főbb csoportjaik adatai;
• a foglalkoztatottak ágazati, és foglalkozási jelleg szerinti megoszlása (pl. mezőgazdasági
keresők, fizikai foglalkozásúak, vezetők, alkalmazottak stb. aránya);
• az ingázás mértéke, irányai, a települések ingázási egyenlege, a helyi munkahelyek
(foglalkoztatottak) száma, 2001-ben a nappali és éjszakai népesség aránya;
• a lakásállomány száma, dinamikája, a laksűrűség és változása az előző népszámlálás óta;
• a lakások minőségi és felszereltségi állapotjelzői: átlagos szobaszám és alapterület, a
falazat anyaga szerinti megoszlás, az n szobás lakások aránya, a lakásállomány kor,
komfortfokozat, vízellátás, fűtési mód szerinti megoszlása, a WC-vel, fürdőszobával,
csatornával, gázzal ellátott lakások aránya.

Ezeken felül természetesen számos egyéb népszámlálási adat is szükséges, sőt néha
megkerülhetetlen lehet bizonyos speciálisabb témájú területi elemzésekhez. Az etnikai és
vallásföldrajzi vizsgálatok például szinte lehetetlenek a népszámlálások nemzetiségi, anyanyelvi,
vallási adatainak elemzése nélkül; a lakótelepek sajátosságainak elemzéséhez a népszámlálási
épület-adatok jelentik a kiindulópontot; a társadalmi térszerkezet szociálgeográfiai vizsgálatához a
cenzusok részletes demográfiai, család-, és háztartás-adatai nélkülözhetetlenek; a részletes férfi–nő
 bontásban közölt népszámlálási információk pedig a nőföldrajzi kutatások számára különösen
értékesek.

A 2001-es népszámlálás tematikája a korábbiakhoz – az 1960-tól kialakult hazai gyakorlathoz –

illeszkedik, az EU ajánlásai, az EU-országok adataival való összevethetőség érdekében azonban több
új kérdéskör – ezek elsősorban a jelenlét, születési hely, a munkáltató szektora, az iskolába és a
munkába utazás – adatai is szerepelnek benne. Közülük kiemelendő, hogy a jelenlegi állandó,
ideiglenes, illetve tényleges lakóhely települése mellett a születéskori, az előző, és az egy évvel
korábbi lakóhelyet is megkérdezték, így a vándorlások minden korábbinál részletesebb elemzésére is
lehetőség nyílik. A térkapcsolatok feltárása szempontjából fontos, hogy 2001-ben a munkahely mellett
az iskola települését, valamint a munkába, iskolába járás (közlekedés) módját is megkérdezték.

A népszámlálási adatokkal kapcsolatban is jelentős, az időbeli összehasonlítást is gátló

problémákat okoznak a közigazgatás változásai: a település-összevonások és -szétválások, illetve
a határmódosulások. Ezek csökkentése érdekében a legfontosabb adatok idősorait a
pillanatnyilag aktuális területi beosztásnak és településállománynak megfelelően újraszámítva is
közli különböző kiadványaiban a KSH. A legfontosabb alapadat, a lakosságszám
vonatkozásában az aktuális népszámlálás kiadványai 1870-től kezdődően valamennyi korábbi
népszámlálás adatát is tartalmazzák, de – elsősorban megyei szinten, az egyes megyei kötetek
bevezető fejezeteként – sok más vonatkozásban is közlik hosszabb-rövidebb megelőző időszak
népszámlálási eredményeit. Ezért az időbeli összehasonlításoknál, ahol lehetőség van rá, célszerű
a legutóbbi népszámlálás kiadványait alapul venni a korábbi adatokra vonatkozóan is.

1.2.2 A KSH területi adatbázisai és településazonosító rendszere (Kiss János Péter)

A hazai regionális folyamatok vizsgálatának legfontosabb forrásai azok a települési részletezettségű

adatbázisok, amelyekből tetszőleges térségi aggregáltságú adatrendszerek állíthatók elő. (A hazai
modern területi statisztikai adatrendszerek fejlődéséről, tartalmáról ad áttekintést Faluvégi A. 2002 és
J. Hantos É. szerk. 2002) Ezek nemcsak a térszervezés, a közigazgatás magasabb térségi szintjei és
egységei (kistérségek, megyék, régiók) vagy a különböző településcsoportok (jogállás vagy nagyság
szerinti településosztályok) elemzéséhez szolgáltatnak információkat, hanem sajátos, a kutatók által
lehatárolt terek (pl. a határmenti területek, autópályák, nagy folyók menti zónák) térfolyamatainak
elemzéséhez is. Magukból az adatokból összetettebb módszerekkel település- és térségtípusok is
meghatározhatók. Ezekből az adatrendszerekből nagysága, sajátos karaktere és szerepköre okán
egyedül a főváros „lóg ki”, számos vizsgálat esetében felmerül emiatt, hogy az elemzést Budapest
elhagyásával érdemes elvégezni.

A T-STAR

A Magyarországra vonatkozó empirikus területi vizsgálatok számára leggazdagabb tartalommal és legnagyobb

területi részletezettséggel rendelkezésre álló információforrás a Központi Statisztikai Hivatal 1977-től
üzemszerűen működtetett adatterméke, a TelepülésStatisztikai AdatbázisRendszer (rövidítve T-STAR). A T-
STAR elektronikus (Oracle rendszerű) adatbázis, csak számítógépes állományként létezik. A rendszer 1985-re,
valamint 1990-től kezdve évenként tartalmazza valamennyi, a KSH által gyűjtött vagy megkapott, s az adott évre
vagy annak valamely időpontjára (lehetőség szerint december 31-re) településenkénti részletezettségben,
teljeskörűen rendelkezésre álló települési adatok, illetve a városi jogállású településeken gyűjtött városi adatok
állományát. A T-STAR-ba integrálták az 1980-as, 1990-es és 2001-es népszámlálások illetve az 1994-es és
2000-es Általános Mezőgazdasági Összeírások települési szinten feldolgozott adatait, valamint a KSH ún.
területi számjelrendszerét is. (Emellett, a T-STAR-nak megfelelő formátumban archivált állományokban szintén
elérhető a KSH-ban az 1965-ös, 1970-es, 1975-ös, valamint az 1980–84 és 1986–89 közötti évek települési
adatbázisa.) A rendszer adatai minden évben a január 1-jén aktuális településállományra, illetve városállományra
vonatkoznak. A településstatisztikai adatbázisrendszer nagy jelentőségét egyrészt teljeskörűsége adja, hiszen bár
adatainak egy részét közlik más kiadványokban is (pl. a megyei statisztikai évkönyvekben), legtöbbjüket máshol
csak nagyobb területi egységekre, vagy egyáltalán nem publikálják. Másrészt, az elektronikus formátum lehetővé
teszi a gyors adatfeldolgozást, harmadrészt – az előző kettőből következően – a T-STAR segítségével a
gyakorlatban is könnyen kivitelezhetővé teszi igen nagyszámú jelzőszám tetszőleges területi egységekbe, illetve
településcsoportba való aggregálását. Mindezek miatt a hazai területfejlesztési szakemberek, a területi kutatók,
és még néhány egyéb területen tevékenykedők számára is szinte megkerülhetetlen, de legalábbis erősen ajánlott
a használata.

A T-STAR adatainak köre természetesen nem állandó, követi a KSH adatgyűjtési programjának és
módszertanának évről évre akár igen jelentős mértékű változásait. Ezért az egy adott évre rendelkezésre álló
adatok köréről mindig célszerű tájékozódni a rendszer részét képező, és minden egyes változó főbb jellemzőit –
kód, megnevezés, mértékegység, gyűjtésének első éve, illetve az esetlegesen szükséges egyéb tudnivalók –
tartalmazó „katalógus” alapján. Ennek tanulmányozása azért is nélkülözhetetlen a T-STAR használatához, mert
az adattáblákban a változókat csak egy kód azonosítja (pl. TAAF058). Szerencsére az adatbázis struktúrája némi
támpontot nyújt a kereséshez, hiszen minden változó neve TA-val (a népszámlálásból átvetteké TB-vel)
kezdődik, a 3. karakter A vagy B attól függően, hogy minden településre, vagy csak a városokra rendelkezésre
álló adatról van-e szó, a 4. karakter pedig megadja, hogy milyen témakörbe tartozik az adott mutató. (Az iménti
példában szereplő kódról így a katalógusból már viszonylag rövid idő alatt kideríthető, hogy az nem más, mint a
gépjárműüzemanyag-töltő állomások – magyarul benzinkutak – száma minden településen december 31-én, amit
jelenlegi módszertanával mérve 1997-től kezdve tartalmaz a T-STAR, ám az 1991 és 1996 közötti időszak éveire
is megtudhatunk egy jórészt azonos tartalmú információt az – „üzemanyagtöltő állomások számát” – a
TAAF047-es kód alatt.) Ha egy változó a városi körből a minden településre elérhető adatok közé kerül, akkor
kódja is megváltozik (az állandó odavándorlások számát pl. 2001-ig csak a városokra tartalmazta a TSTAR,
TABB102 kóddal, a 2002-től kezdődő évekre ez minden településre elérhető, a TAAB102 kód alatt). Fontos
még megemlíteni, hogy ha egy adat mérésének módszertanában jelentős, a korábbi évek adataival való pontos
megfeleltetést akadályozó változás történik, akkor a KSH új kódon (és változóleírással) szerepelteti azt a T-
STAR-ban, s a régi kód a későbbiekben sem használható fel más változó azonosítására. (A példában szereplő
TAAF047 – „Üzemanyagtöltő állomások száma” – változóra tehát csak az 1991 és 1996 közötti években van
adat.)

A T-STAR éves állományai az 1990-es évek elején 3–400, a 2000-es években mintegy 5–600 változó (2003-ra
636) adatait tartalmazták. Ez azonban nem teljesen mérvadó, lévén, hogy a T-STAR-ban néhány, a területi
elemzés szempontjából érdektelenül részletezett adat is található, míg néhány fontos témakör részben vagy
teljesen hiányzik. Általánosságban elmondható, hogy a bővülés elsősorban a társadalomstatisztikai adatköröket
jellemezte, míg hiány, sőt néhány tekintetben visszalépés elsősorban a gazdasági témájú adatközlésekben
mutatkozik. 2003-ig sem sikerült megoldani pl. a helyi adók, a nyugdíjak, vagy a helyi úthálózat – más
adatkezelők által egyébként pontosan nyilvántartott – fontos települési adatainak integrálását a T-STAR
rendszerébe, s a 90-es évek eleje óta nincsenek érdemi adatok pl. az ipar, a beruházások, helyi foglalkoztatás
témakörében sem.

A valamennyi településre rendelkezésre álló adatok témacsoportjai a következők (elöl a témacsoportok

betűjelzése, amely a változókódok 4. karaktere):
A: terület, népességszám, nem és korszerkezet (a lakónépesség adatai 1965 óta, az állandó népességé zömmel a
80-as évektől állnak rendelkezésre; 2003-ra összesen 27-féle adat)
B: népmozgalom (az alapadatok 1965-től óta folyamatosan; 2003-ra 9-féle adat)
C: önkormányzati költségvetés (2001 óta minden évre 32-féle adat)
E: ipar (foglalkoztatottak és telepek száma, állóeszközök értéke – 1997-től teljesen megszűnt)
F: kereskedelem, vendéglátás és idegenforgalom (többször változó struktúrában, folyamatosan bővülő
tartalommal – 2003-ban 147-féle adat –; 1991 óta ugyanakkor nincsenek a kereskedelmi forgalomra vonatkozó
adatok)
G: a lakásállomány nagysága, lakásépítés és -megszűnés volumene (építtetők, típus és felszereltség szerint
részletezve a 90-es évektől; 1996 óta minden évre 39-féle adat)
H: a víz-, villamosenergia-, vezetékesgáz-ellátás, csatornázottság (zömmel a 80-as évek végétől, 2003-ra 37 db)
és 1993-tól 8-féle környezetterhelés adata
J: az egészségügy (a 80-as évek eleje óta, részben változó struktúrában) és a szociális rendszer (a 90-es évektől)
állapota, teljesítmény-adatai (2003-ra összesen 66-féle adat)
K: a közoktatási intézményrendszer állapota, teljesítmény-adatai (folyamatosan, de 2001-től új struktúrában,
2003-ra már 59-féle adat)
L: közművelődési adatok (könyvtár, mozi, korábban művelődési otthonok is; csökkenő részletességgel, 2003-ra
csak 8 adat)
M: a települések közhasznú intézményekkel való ellátottságának (van-nincs) adatai (3 évenként frissítve; utoljára
2002-ben 37-féle adat)
O: a mezőgazdaság állapot-adatai (a mezőgazdasági összeírások évében; 2000-ben 52 adat)
P: a gazdasági szervezetek száma a különböző ágazatokban, tulajdoni formákban és létszámkategóriákban
(1992-től, változó struktúrában; 2001-től 49-féle adat)
Q: a személyi jövedelemadó-bevallások 3 fő adata (az adóalap és adó összege, az adófizetők száma; a T-STAR
csak 2001 óta tartalmazza)
R: a gépjármű- és vezetékestelefon-állomány, és a kábeltelevízió-előfizetők száma (1992-től, folyamatosan
bővülő adatkörrel; 2003-ban már 34-féle adat)
S: munkanélküliségi adatok (1993 óta; 2003-ban 18-féle adat)
T: az önkormányzati segélyezés adatai, folyamatosan bővülő részletezettséggel (1993-tól; 2003-ban már 21 db)
X: bűnözési adatok (2000-től, 2001-től évi 25-db).

Az adott évben városi jogállású településekre ezen kívül a következő adatokat közli a T-STAR:

B: az állandó el- és odavándorlások száma (1977-től 2001-ig, azóta a teljes településkörre elérhető)
D: beruházási teljesítményadatok (1996-ig)
G: az ingatlankezelés, bérlakás szektor adatai (zömmel 1986-tól; 2003-ban 14 db)
H: egyes közműszolgáltatási adatok: távfűtés, melegvíz-ellátás, közvilágítás, villamosenergia-ellátás utak,
járdák, zöldterületek, fürdők adatai (az 1970–80-as évektől; 2003-ban 15 db)
I: helyi autóbusz-közlekedés, posták, az 1970–80-as évektől; (2003-ban 7 db), 1990-ig sajtókiadványok száma,
1995-ig vezetékes telefonok is
K: a település felsőoktatási intézményeinek létszám-adatai (részletesebben 2001-től, 2003-ban 13 adat)
L: a színházak, múzeumok, kiállítások (korábban könyvtárak) száma és teljesítményadatai (a 80-as évektől;
2003-ban 8 db)
M: városi intézményekkel való ellátottság (van–nincs; 1988-tól 3 évente; 2002-ben 9-féle intézmény).

Az adatok többségének forrása a KSH rendszeres, évenkénti adatgyűjtése. Meghatározó adatszolgáltatók pl. az
önkormányzatok, számos adat azonban külső szervezetek nyilvántartásaiból kerül az adatbázisba (pl. az állandó
népesség adatai a Belügyminisztérium Központi Nyilvántartó és Választási Hivatalától, a munkanélküliségé a
Foglalkoztatási Hivataltól, a jövedelemadó-adatok az APEH-től és számos további adat különböző
minisztériumoktól és egyéb igazgatási szervektől). Ugyanakkor azonban a KSH integrálja a rendszerbe néhány
ritkább időközönkénti, vagy „alkalmi” adatfelvétel települési eredményeit is (ilyenek a már említett
népszámlálási, illetve mezőgazdasági összeírási adatok, vagy a 2000-es kiskereskedelmi üzlethálózat-felmérés
változói is). A rendszer feltöltése az adatok beérkezésének függvényében, folyamatosan történik, ezért a
legutolsó év adatbázisának túl korai megvásárlása esetén előfordulhat, hogy „kimarad” néhány később beérkező
változó adatsora.

A rendszerből az egyes évekre vonatkozó adatállományok (vagy annak kívánt részei) lekérdezés útján állíthatók
elő, és ezeket vásárolhatják meg a külső felhasználók. A lekérdezés elsődlegesen .dat formátumú szöveges
állományokat eredményez, az utóbbi években azonban szerencsére már .xls formátumú Excel-táblákban is
forgalmazza a T-STAR adatokat a KSH. Az 1997-es és utána következő évek adatai az adott év január 1-i
közigazgatási beosztás mellett bármelyik közigazgatási beosztásnak megfelelően lekérdezhetők, a korábbiak
viszont csak az 1997. jan. 1-i szerkezetben. Természetesen a legtöbbször a legutóbbi évre beszerzett
adatbázisokat használjuk. Ezért, ha a korábbi években megvásárolt éves adatbázisok segítségével idősorokat is
használni kívánunk, mindig gondolni kell a közigazgatási változásokra, és szükség esetén, az
összehasonlíthatóság érdekében kölcsönösen egyértelmű megfeleltetést kell kialakítani a különböző évekből
származó adatok között. A KSH elektronikus adatszolgáltatásaiban, így a T-STAR adatbázisban – és immár
egyre több államigazgatási nyilvántartásban, térinformatikai rendszerben is – a települések azonosítása a
településazonosító törzsszám (elterjedtebb megnevezései: településkód, KSH-kód) alapján történik → 2.4.

A T-STAR folyamatos fejlesztésének eredményeképpen az elérhető adatok köre a következő években várhatóan
tovább bővül majd. Ezen túlmenően várható, hogy a következő években adattartalmának legalább egy részét az
Interneten keresztül nyílt hozzáférésűvé teszik, s tervezik a T-STAR-hoz kapcsolódó térképező rendszer
kifejlesztését is.

A KSH további éves rendszerességű, elektronikus területi adatbázisai

Budapest a T-STAR-ban egy településként jelenik meg, ugyanakkor az 1990-es évek közepétől a KSH Budapesti
és Pest Megyei Igazgatósága minden évre összeállítja és forgalmazza a T-STAR 23 budapesti kerületre
vonatkozó kerületsoros megfelelőjét is. Az adatbázis felépítése a T-STAR-éval analóg és a T-STAR változóinak
nagy többségét tartalmazza, ráadásul a 2000. évtől kezdődően térképező rendszerrel egybekapcsolva,
térinformatikai adatbázisként is elérhető, így a főváros térszerkezetének és területi folyamatainak elemzéséhez
kiválóan használható.

A KSH Megyei-Regionális Statisztikai AdatbázisRendszere az MR-STAR. Ez gyakorlatilag valamennyi, a

Hivatal által évente gyűjtött, megyei és regionális szinten is kifejezhető adatot tartalmazza, teljes állománya 27

témakörbe csoportosítva évente több mint 2800 változót tartalmaz a megyékről, illetve a csak régiók szintjén

reprezentatív felvételek alapján a régiókról. Az MR-STARt a KSH 2003 óta forgalmazza, ugyanakkor a

társadalomstatisztikai adatok idősorai általában 1990-től, a gazdaságstatisztikai adatok idősorai 1992-től

megtalálhatók a rendszerben. Az MR-STAR adatainak többségét a KSH a megyei statisztikai évkönyvekben,

illetve a megfelelő szakstatisztikai évkönyvekben is publikálja, ugyanakkor bizonyos adatok csak itt találhatók

meg, emellett különösen az idősorok összeállítása lényegesen egyszerűbb és gyorsabb az elektronikus adatbázis

segítségével. A mutatókör fejlesztése a T-STAR-hoz hasonlóan folyamatos, az elérhető változólista évről évre

bővül.

A kistérségi szintre – mivel kistérségi adatgyűjtés a KSH-ban nem folyik – nem létezik hasonló
adatbázisrendszer, a kistérségek adatai a T-STAR települési adatainak aggregálásával állíthatók elő.

1.2.3 Az Országos Területfejlesztési és területrendezési Információs Rendszer – TeIR (Nagy

András)

Az országos területfejlesztési és területrendezési információs rendszer (TeIR) célja az, hogy: objektív,
pontos és friss információkkal lássa el a területfejlesztési és rendezési tevékenységet végző szerveket.
A rendszer működtetésének jogszabályi keretét a területfejlesztésről és területrendezésről szóló 1996.
évi XXI. törvény és a 112/1997. (VI. 27.) kormányrendelet teremtette meg. A törvény szerint „A
társadalom, a gazdaság és a környezet területi jellemzőinek és változásainak figyelemmel kisérése,
illetve előrejelzése érdekében az országos, a regionális, a megyei és a települési szintek között az
információcsere biztosításával területi információs rendszert kell létrehozni és működtetni.” .A
működtetésért felelős Kormány ezt követően rendeletben szabályozta a működtetését, a kötelező
adatszolgáltatás rendjét. Az országos hatáskörű szervezetek (KSH, APEH, Foglalkoztatási Hivatal
stb.) adatgyűjtésén alapuló rendszer két szinten működik. Országos szinten a rendszer felügyelete, az
adatbázisok frissítése a VÁTI Kht feladata, melyet a többi irodával együttműködve az Informatikai
Iroda lát el. Megyei szinten az adatbázis egyedileg bővíthető a megyére vonatkozó információkkal.

A térinformatikai alapon működő rendszer az adatokat települési, továbbá földrajzi azonosítókkal

tartja nyilván, azok különböző területi szintekre aggregálhatók. A rendszer településenként több mint
35 ezer adatot tartalmaz az 1990 utáni időszakra vonatkozóan (de a népszámlálások adatai 1960-ig
visszamenően megtalálhatók benne). Az adatok hálózaton keresztül elérhetők. Adatbiztonsági
okokból azonban csak regisztrált felhasználók férhetnek hozzá a teljes rendszerhez.

A TeIR felhasználói:
• Országgyűlés Területfejlesztési Bizottsága
• Állami Számvevőszék
• Miniszterelnöki Hivatal
• Minisztériumok, önálló állami szervezetek és háttérintézményeik
• Megyei és települési önkormányzatok
• Az országos valamint, regionális, megyei, térségi területfejlesztési tanácsok,
területfejlesztési önkormányzati társulások és ezek munkaszervezeteik

A szabadon hozzáférhető weboldalon (http://www.teir.vati.hu/), mindenki számára elérhetők az előre elkészített

elemzések, a rendszer meta-adatbázisa, a fogalmak adatbázisa. Az alábbiakban az országos TeIR, regisztrált
felhasználók számára elérhető teljes rendszere kerül bemutatásra. A rendszer átfogó képet ad a társadalom, a
gazdaság, a műszaki infrastruktúra és a természet állapotáról különböző területi egységekre vetítve, a
szakterületeket reprezentáló adatok és mutatók alapján. Bemutatja a területfejlesztés intézményrendszerét és
pénzügyi eszközeit. A településre vetített adatok a demográfiai folyamatokról, a társadalom összetételéről,
képzettségéről, a gazdaságról és az idegenforgalomról adnak képet. Az infrastruktúráról, a népesség
életkörülményeiről ellátottsági mutatók képzésével tájékoztatnak. Másrészt az ágazati adatgyűjtésekből
származtatott adatok szemléltetik a környezet, ezen belül a természet állapotát, és térségi nézőpontból a
jellemző elemeit, azok lényeges adataival együtt.

A TeIR főbb adatcsoportjai:

Demográfia, társadalom
Munkanélküliség
Gazdaság (ipar, mezőgazdaság, idegenforgalom)
Lakosság és vállalkozások jövedelme
Műszaki infrastruktúra hálózatok nyomvonalai, ellátottság
Területhasználat
Természeti adottságok és a környezet állapota
A területrendezés és fejlesztés jogi eszközeinek, határozatoknak, döntéseknek főbb adatai
Önkormányzatok gazdálkodása
A területfejlesztés pénzügyi eszközei forrás és felhasználás adatai.
Területi és települési koncepciók, tervek, programok
A területfejlesztésben és területrendezésben érintett szervezetek adatai
Az EU regionális adatai

A rendszer meta-adatbázisa tájékoztat a TeIR-ben tárolt adatok köréről. Adatbázisonként tartalmazza, az egyes
adatok pontos leírását, frissítésének időpontját, az adat forrását, mértékegységét, topológiáját. A menü
keresőfunkcióval is rendelkezik, így megtekinthető, hogy egy adott fogalommal kapcsolatosan mely
adatbázisok tartalmaznak adatot.

Pl. a „személygépkocsi” kifejezéssel kapcsolatban a következő adatok találhatók az adatbázisokban.

Személygépkocsik száma (település, 1992-től), átlagos életkora (megye, 1994-től), benzin-, gázolaj-, egyéb
üzemű személygépkocsik száma (település, 2001-től), első alkalommal üzembe helyezett személygépkocsik
száma (település, 2001-től), száz háztartásra jutó személygépkocsik száma (régió, 1996-tól), ittas
személygépkocsi-vezető által okozott közlekedési balesetek száma (megye, 1990-től).

Elérhető továbbá a rendszer egy másik eleme a fogalmak adatbázisa is. Ez tartalmazza a TeIR-ben tárolt adatok
meghatározását, feltüntetve a definíció forrását és időpontját is, követhető tehát az adatfelvétel esetlegesen
változó módszertana.

A rendszerben tárolt adatok alapadatok korlátozott hozzáféréssel letölthetők az adatszolgáltatás menüpontból, a

Kormányrendeletben meghatározott intézmények számára. Ez a szolgáltatás azon felhasználóknak szól, akik
saját maguk szeretnének elemzéseket végezni. Természetesen az adatok továbbvitele, későbbi felhasználása
során a felhasználóknak be kell tartani a külön szerződésben rögzített feltételeket. A TeIR-ből az adatok,
információk az egyes feldolgozási szintek esetén a felhasználók számára az adatgazdákkal történt megállapodás
alapján - a hozzáférési jogosultságnak megfelelően érhetők el. A hozzáférési jogosultságnak három szintje van:
• kormányzati szervek által elérhető adatok információk (MEH és területfejlesztéssel, területrendezéssel
foglalkozó intézményei, országos hatáskörű területfejlesztéssel területrendezéssel foglalkozó intézmények,
minisztériumok, központi államigazgatási szervek, MEH engedélyével rendelkező szervezetek )
• megyei önkormányzatok és egyéb közigazgatási szervek számára is hozzáférhető adatok, információk
(megyei információs rendszerek felhasználói, megyei főjegyzők, megyei, regionális fejlesztési tanácsok,
területfejlesztési önkormányzati társulások, önkormányzatok, kiemelt térségek, a MEH vagy az érintett megye
engedélyével rendelkező szervezetek
• “nyílt” adatok, információk (külső felhasználók, akik közvetett módon, előre megfogalmazott igények
alapján kapnak információt; kamarák, képviselők, területfejlesztési és területrendezési terveket megbízás
alapján készítők, nyilvánosság, sajtó képviselői, egyéb felhasználók)

Az információszolgáltatás menü alatt az információk nyerésére többféle megoldás kínálkozik. A statikus elérés
során a felhasználó a VÁTI Kht. által készített kartogramokat, diagramokat, táblázatokat tekintheti meg. A
települési, kistérségi, megyei, regionális szinten kiválasztott és megjelenített adatok az egyes térségek
demográfiai, társadalmi-gazdasági helyzetét, műszaki infrastrukturális ellátottságát, környezeti állapotát mutatják
be.

Az előre elkészített elemzések mellett a felhasználónak lehetősége van az adatok kartogram, táblázat, diagram,
formájában történő megjelenítésére, illetve az Internet Map Server segítségével térinformatikai alkalmazások
használatára.

Az információs rendszer alaptérképe az 1:50 000-es méretarányú Digitális Topográfiai Alaptérkép, amely a
Országos Területi Alapadatbázis (OTAB) 1:100 000-es léptékű térinformatikai adatbázisával egészül ki. Az
alaptérkép tartalmazza a települések és megyék határait, a hidakat kategorizálva, a vasút- és közúthálózat elemeit,
valamint az olaj-, gáz-, villamosenergia-szállító és hírközlési vezetékek hálózatát, a vízrajzi elemeket – folyók,
csatornák, patakok, tavak, mesterséges tavak –, és a települések beépített területeit.

A fentiekben bemutatott adatokon túl elérhető a szintén VÁTI által működtetett TÉRPORT elnevezésű szakmai
portál is (http://www.terport.hu/) mely a területfejlesztéssel és -rendezéssel kapcsolatos dokumentumokat
tartalmaz.

1.2.4 Az Európai Unió regionális indikátorai (Szabó Pál)

A REGIO adatbázis

A világot felölelő, nemzetközi területi adatbázisok (nemzetközi szervezeteké, pl. ENSZ, OECD,
Világbank, vagy magáncégekké, pl. Calendario Atlante de Agostini, Fischer Weltalmanach), döntően
országos szintűek, szűkölködnek – a klasszikus mutatók (terület, népesség stb.) kivételével – az
összevethető regionális szintű adattáblákban. A több országra kiterjedő regionális egyenlőtlenségi
vizsgálatoknál emiatt gyakran a kutatónak kell az adatbázisokat összeállítania, összehangolnia. Ez alól
kellemes kivételt jelent „Európa”: egyre szélesebb körű és egyre használhatóbb, az Európai Unió
statisztikai hivatalának, a luxemburgi székhelyű Eurostat-nak – a tagállamokra és a csatlakozásra váró
országokra kiterjedő, regionális szintű statisztikai adatgyűjtésen alapuló – területi adatbázisa, az ún.
REGIO.

A REGIO adatbázis alapját az országok – statisztikai célból rendszerezett – területi beosztása, a NUTS
jelenti → 1.2.1. A REGIO adatbázis, mely beépül az EU teljes, ún. NewCronos adatbázisába, NUTS 1,
2, 3 szintű adatokkal feltöltött, térinformatikával (GISCO) támogatott, megvásárolható statisztikai
adatgyűjtemény. Az EU intézményei, a tag-, valamint a tagjelölt országok statisztikai hivatalai
felhasználói azonosítóval és jelszóval használhatják, lekérdezhetik ezeket az adatbázisokat. A
használat azonban korlátozott, s az adatok továbbadása tiltott, hiszen ezek egyben piaci termékek is.

A REGIO-ba az 1970-es évektől gyűjtik az adatokat. Tizenkét témakörben (collection), ezeken belül
alcsoportokban (group) találjuk az idősoros adattáblákat. A következő témaköröket különítették el:
Mezőgazdaság, Demográfia, Gazdasági termelés, Oktatás, Munkaerő, Tudomány és technika (K+F,
találmányok), Gazdasági élet, Egészségügy, Turizmus, Közlekedés és Energia, Munkanélküliség, illetve
Regionális Statisztikai Évkönyv. A rendszerben való eligazodást segíti a European Regional Statistics–
Reference Guide című kiadvány. Ebben megtalálható a mutatókészlet – adatok nélküli – részletes leírása
(mutatók kódjai, tartalmuk, évek), valamint a statisztikai adatgyűjtési metódus és a NUTS rendszer részletes
bemutatása. A leírás segítségével kiválaszthatók és megrendelhetők az egyes adattáblák a teljes adatbázisból.

Regionális statisztikai évkönyv

A teljes adatbázisnak egy keresztmetszetét jelenti a legismertebb, évente publikálásra kerülő
Regionális Statisztikai Évkönyv (Regions: Statistical yearbook). A kötet a társadalmi és gazdasági
állapot legfontosabbnak ítélt indikátorainak regionális (NUTS 0, 1, 2) szintű gyűjteménye. Több mint
25 éve jelennek meg évente az abszolút és relatív mutatókkal feltöltött évkönyvek.

Az évkönyv struktúrája az 1970-es évektől napjainkig jelentős változásokon ment keresztül. Egyrészt
mennyiségileg bővült az integrációba belépő országok térségeivel és azok adataival, például a 2001-es
kötet a csatlakozásra váró országok, köztünk hazánk régióinak adatait is tartalmazza. (A Központi
Statisztikai Hivatal 1996-tól szolgáltat megyei, 1997-től megyei és regionális adatokat a REGIO
adatbázisba). Másrészt külső és belső formája idomult a modern igényekhez: 1999-ig nyomtatott
formátumban jelent meg az évkönyv, kezdetben csak adattáblákkal, majd térképekkel, viszont a
legutóbbi évek adatai és a hozzájuk tartozó térképek, valamint az újdonságnak számító szöveges
elemzések (köztük egyes mutatókra számolt relatív szórási értékek idősoraival) már CD-n kaphatók (a
szöveges rész kiadványként is elérhető). A harmadik, számunkra legizgalmasabb változást az jelenti,
hogy folyamatosan alakult, átalakult az évkönyvbe beválogatott és publikált indikátorok köre.

A változásokat már a kötetek első, kiemelt fejezetében fellelhető ún. fő indikátorok (main indicators) listáján is
érzékelhetjük (1.6. táblázat). E mutatócsoportok, a népesség és területnagyság kivételével relatív mutatókból
állnak, melyeket a társadalom és gazdaság állapotának kiemelt indikátoraiként jelöltek meg. Nevezéktani
érdekesség, hogy az 1970-es években még összefoglaló tábla (summary table) volt e gyűjtemény neve,
módszertani érdekesség viszont, hogy a 2001-es évkönyvben már nem különítettek el ilyen mutatócsoportot. A
mutatók elhagyásának, cserélődésének részben módszertani, részben – nem mindig azonosítható – tartalmi
okai vannak. Az előbbinél például a mutatók egymásból való kiszámíthatósága indokolta az elhagyásokat,
melyre klasszikus példa, hogy az 1975-ben publikált terület, népsűrűség, népesség mutatók közül az egyik
felesleges. A tartalmi okok sokrétűek, közöttük – feltehetőleg – a minél teljesebb adatsorok közlése iránti
külső-belső igény kiemelt szempont volt. Egyes mutatók (pl. terület, népsűrűség, születési ráta, aktivitási ráta,
munkanélküliségi ráta, egy főre jutó GDP) végig fő indikátorok voltak. Ezek azok a mutatók, melyeket nem
kezdett ki az idő, végig megtartották súlyukat. Azonban, ha megnézzük a többi mutatót, akkor kiderül, hogy e
jelzőszámok között sincs olyan elem, mely az elmúlt harminc évben érvényét vesztette volna, az egész világon
elfogadott közismert társadalmi-gazdasági jelzőszámokról van szó, így összességében csak a válogatás
szubjektivitása érződik a táblázatot szemlélve.
 Indikátorok 1975 1980 1985 1990 1995 2000
Terület (km2) X X X X X X
Népesség (fő) X – – – – –
Népsűrűség (fő/km2) X X X X X X
Népesség megoszlása régiónként (‰) – X X – – –
Népességváltozás (%) – X X X X X
Nettó migráció (1970/1975, %) X – – – – –
Születési ráta (%,‰-1975) X X X X X X
Csecsemőhalandóság (%) – – – X X X
Halálozási ráta (‰) X – – – – –
0-14 évesek aránya (%) X – – – – –
25 év alattiak aránya (%) – – – X X X
65 év felettiek aránya (%) X – – X X X
Index: 0-14 év/65 év felettiek aránya X – – – – –
Aktivitási ráta, teljes (%) – X X X X X
Aktivitási ráta 14-64 éveseknél, teljes X – – – – –
Aktivitási ráta, férfi (%) – – – X X X
Aktivitási ráta, nő (%) – X X X X X
Aktivitási ráta 14-64 éveseknél, nő X – – – – –
Aktivitási ráta, 14-24 év (%) – – X – – –
Függőségi ráta (aktív/inaktív) (%) X – – X X X
Munkanélküliségi ráta, teljes (%) X X X X X X
Munkanélküliségi ráta, férfi (%) – – – X X X
Munkanélküliségi ráta, nő (%) – X X X X X
Munkanélküliségi ráta, 14-24 év (%) X X X – – –
Mezőgazdaságban dolgozók aránya (%) X – – X X X
Iparban dolgozók aránya (%) X – – X X X
Szolgáltatásban dolgozók aránya (%) X – – X X X
Egy főre jutó GDP EU15 (EUR12, 10, 9)=100 (ECU) X X X X X X
Egy főre jutó GDP EU15 (EUR12, 10, 9)=100 (PPS) – X X X X X
Egy foglalkoztatottra jutó GDP EUR12 (10, 9)=100 (ECU) – X X X – –
Egy foglalkoztatottra jutó GDP EUR12 (10, 9)=100 (PPS) – X X X – –
GDP megoszlása régiónként, ECU (%) – X X – – –
GDP megoszlása régiónként, PPS (%) – X X – – –
Mezőgazdaság részesedése a GDP-ből (%) – X X – – –
Ipar részesedése a GDP-ből (%) – X X – – –
Szolgáltatás részesedése a GDP-ből (%) – X X – – –

1.6. táblázat. Az EU regionális adatbázisának fő indikátorai (1975-2000)

Ha az évkönyvek teljes mutatóskáláját vetjük össze, akkor – a módszertani csemegék mellett – más
tényezők is előtérbe kerülnek. Ezek közül az egyik leglényegesebb, hogy az elmúlt harminc évben
Európában bekövetkezett társadalmi-gazdasági fejlődés felkeltette a megváltozott helyzet megváltozott
indikátorainak igényét. Míg egyes jelzőszámok kisebb súlyúvá váltak és a háttérbe szorultak, addig új,
a modern kor állapotait leíró jellemzők bukkantak és értékelődtek fel. Ennek tipikus példája, hogy az
energia blokk megszűnt, ugyanakkor belépett a kutatás-fejlesztés.

Egyes kiválasztott mutatókról elmondható, hogy az általuk képviselt jelenség világméretű

egyenlőtlenségei számottevőek, azonban az Európai Unióban ezeknek már nincs különösebb súlya, az
integráció nem terepe az ilyen jelenségek regionális különbségeinek. Emiatt egyes jelzőszámok
regionális értékeinek, illetve ezek különbségeinek nincs különösebb információtartalma. A regionális
differenciák már más dimenzióban, más jelenségekben jelentkeznek, a területi különbségeket más
indikátorokkal lehet megfogni.

A területi tagoltság csökkenése nem mindig indokolja egy-egy mutató elhagyását. Vannak olyan
jelzőszámok, melyek regionális egyenlőtlensége ugyan ma már csekély, azonban maga a jelenség
komoly társadalmi problémát tükrözhet. (Például egyenletesen alacsony regionális szinten a 25 év
alattiak aránya a teljes uniós népességen belül, azaz az európai társadalom elöregedő.) Az ilyen jellegű
problémák kezelése inkább országos vagy „ágazati”, semmint regionális politikai ügy. Ha azonban a
beavatkozás eredményeként egyes térségekben például kedvező folyamatok indulnak el, máris
megugrik a jelzőszám regionális differenciáltsága, és ismét „felértékelődik” a regionális adatsor.
Általában elmondható, hogy olyan jelzőszámok kerülnek a fókuszba, nagy számban és részletes
bontásban, melyek a legproblematikusabb folyamatok feltárását, leírását, területi különbségeinek
elemzését teszik lehetővé. Erre klasszikus példa az Unióban a mezőgazdaság. Az integráció már
évtizedek óta nagyon érzékeny a mezőgazdasági kérdésekre, és döntően ennek köszönhető, hogy
mutatói az 1980-as évek elején bekerültek az évkönyvbe, és idővel egyre részletesebb, egyre több
területre kiterjedő információkat hordoznak. (Példa erre, hogy a földbirtoktípusok 2001-ben 155 elemű
bontásban szerepelnek egy adattáblában.)

Területi adatbázisok az interneten

A fentiekben bemutatott Európai Unió mellett természetesen számos világszervezet is közzétesz – elsődlegesen
az országos szintű, világméretű összehasonlításokban használható – adatforrásokat. Ezek közül érdemes külön
kiemelni néhányat (az internetes cím megjelölésével):

Évente teszi közzé például az ún. Human Development Report-okat, szabadon letölthető formában a UNDP (az
ENSZ Fejlesztési Programja): http://www.undp.org/.

Regionális fejlesztéssel kapcsolatos elemzések és világméretű adatbázis érhető el a World Bank (Világbank)
honlapján: http://www.worldbank.org/. Hasonló karakterű az OECD honlapja is: http://www.oecd.org/.

A világ szinte minden országa statisztikai hivatala rendelkezik az Interneten honlappal. Ezeken már sok
országban találkozhatunk területi, települési bontású adatokkal is (a legújabb népszámlálások főbb adatai szinte
mindenütt hozzáférhetők.) Ugyancsak szinten minden országban megtalálhatjuk a kormányzatok információs
oldalait, s természetesen az egyes régiók–városok sokasága ugyancsak elérhető az elektronikus térben, nem
pusztán turisztikai, hanem tudományos elemzésre érdemes tartalommal. A letölthető adatbázisok a területi
részletesség oldaláról természetesen nagyon különbözőek az egyes országokban. Figyelemre méltóan gazdag az
Egyesült Államokról hozzáférhető területi (állami, megyei, városi) adatbázis, amely sok alapvető indikátor
esetében például több évtizedes idősorokat is tartalmaz (népesedés, jövedelmek stb., lásd a
http://www.census.gov honlapot)

Értékes, a területi elemzésben is használható adatokat számos egyéb szervezet is közzétesz a világhálón. Külön
figyelmet érdemelnek a nagyobb bankok, a nemzetközi és hazai kutatóhelyek, szervezetek, egyetemek oldalai.
Ezeken nem is annyira a statisztikai adatok, sokkal inkább a közzétett elemzések, kutatási jelentések képeznek
fontos forrást.

A forrásfeltárást nagyon sok internetes kereső támogatja, egy-egy szűkebb tudományterületre illetve a
tudományos kutatás egész spektrumára kiterjedő elektronikus adatbázisok is haszonnal böngészhetők. Így
például a közgazdasági szakirodalom nagy kincsestára a http://netec.mcc.ac.uk/ vagy a http://ideas.repec.org/
honlap, teljes tudományos spektrumú a http://citesser.nj.nec.com/ vagy a http://eisz.om.hu/.

Az elektronikus adatbázisok robbanásszerű fejlődése sem szabad feledtesse azt, hogy a korábbi időszakok
adatbázisainak többsége ma még nyomtatott formában hozzáférhető csak. Ezek közé tartozik az alábbiakban
bemutatásra kerülő történeti adatforrások túlnyomó többsége. A hazai térfolyamatok kutatásakor jól használható,
gazdag adatbázisra lelhetünk a hatvanas évek közepe óta megjelenő Területi Statisztikai Évkönyvekben és a
Megyei Statisztikai Évkönyvek sorozataiban is.

1.2.5 Hazai történeti adatforrások (Győri Róbert)


A területi elemző, a kutató geográfus akkor találkozik történeti adatforrásokkal, ha hosszú távú dinamikát
elemez, illetve ha egy adott jelenséget nem mai, hanem történeti időkeresztmetszetben vizsgál.

A történeti földrajz kérdésfeltevésében, anyagkezelésében, módszertanában területi tudomány,

földrajztudomány; azaz eszköztára megegyezik a mai elemzési készlettel. De vizsgálatai során nem a jelen,
hanem a múlt tereit kutatja, történeti adatbázisokkal, forrásokkal dolgozik. Ennek a fejezetnek az a feladata,
hogy egyrészt bemutassa a hazai történeti adatforrások típusait, és felhívja a figyelmet az e források
használatakor jelentkező nehézségekre. Másrészt pedig példákkal érzékeltesse, hogy geográfusok, történészek
kérdéseik megválaszolására milyen módszereket és hogyan használtak fel.

Történeti adatforrások és kezelésük

Adatforrásainkat két csoportba sorolhatjuk: a kiadott és a levéltári források csoportjába. Levéltári forrásokkal
geográfus ritkábban dolgozik, mert ezek kezeléséhez általában hiányoznak szakismereteink (iratolvasás, latin
nyelvismeret stb.), ezért itt a kiadatlan történeti statisztikai források típusainak ismertetésétől eltekintünk.
(Akiket e források feldolgozása érdekel, azoknak ajánljuk: Kovacsics J. szerk. 1957).

Van azonban néhány olyan kiadatlan forrás, amely számunkra sem elérhetetlen, és feldolgozása a területi elemző
számára is fontos lehet. Példaképpen egy 20. század században keletkezett magyar nyelvű forrást említünk meg.
Az 1925-ös ún. közigazgatási tájékoztató lapok keletkezése a trianoni békeszerződés megkötése után
szükségessé vált a közigazgatási reformhoz kapcsolódik. Ezt a reformot széleskörű felmérés és közigazgatási
adattár létrehozása előzte volna meg. A belügyminisztérium rendeletére minden községnek (a jegyzőnek) egy
nyolc oldalas közigazgatási tájékoztató lapot kellett kitöltenie, amely a közigazgatási és szakigazgatási
információk mellett a község infrastrukturális állapotáról, lakosságának összetételéről, mozgásáról és vagyoni
helyzetéről is szolgáltat adatokat. A kérdőív hat fejezetre tagolódik, számunkra talán a legérdekesebb a negyedik
fejezetben található 9-es kérdés. (Hol van állandó piaca a községnek? illetve Hova gravitál a község?) (A
kérdőívek teljes anyaga megtalálható a Néprajzi Múzeum Etnológiai Adattárának Statisztikai Gyűjteményében.)
Ezt az anyagot több geográfus is felhasználta vonzáskörzet-vizsgálataihoz. (Hajdú Z. 1981, Kovács Z. 1987,
Győri R. 2000)

A gyakran használt statisztikai források előállítása nem igényel levéltári kutatást. Ezek vagy koraújkori levéltári
források kiadásai, vagy már a rendszeres statisztika korában keletkeztek (Magyarországon 1850-től számíthatjuk
ezt az időszakot). Nyugat-Európában a centralizált államszervezet kiépítése során már a 16-17. században
jelentkezett annak igénye, hogy az ország területéről, településeiről rendszerezett információkat szerezzenek.
Elsősorban két szempont vezérelte ezeket az adatgyűjtéseket: egyrészt, hogy képet kapjanak az egyes térségek,
városok, falvak teherviselő-képességéről (adóztatás), illetve, hogy pontosan tudják a katonának fogható férfiak
számát.

A Habsburg-birodalomban a 17. század végétől érhető tetten ez a törekvés; a 18. század során már
Magyarországon is több ízben próbálkoznak ilyen ún. lélekösszeírások elkészítésével. (A legrészletesebbek ezek
közül a Mária Terézia uralkodása alatt, az 1770-es években végrehajtott lélekösszeírások.) Közös
jellegzetességük, hogy nem teljes körűek (pl. a nemesek kimaradnak az összeírásokból), illetve, hogy nem egy
állami szervezet révén, hanem az egyházak közreműködésével bonyolítják le ezeket. (Kovacsics J. 1957) A
prestatisztikus korban keletkezett legfontosabb forrásunk az első hazai népszámlás → 1.2.1. Az első
magyarországi népszámlálás adatai mindenki számára hozzáférhetőek, a forrást az 1960-as népszámlálás
eredményeihez csatolva kiadta a KSH. (Dányi D. – Dávid Z. szerk. 1960) Néhány nyugat-dunántúli megye
adatsorait számítógépre vitték, ezek a TÁRKI – Hajnal István Kör honlapjáról letölthetők (www.tarki.hu).

Nem ennyire jól használható egy másik 18. századi forráscsoport, az 1715-ös, 1720-as adóösszeírások anyaga.
Ezt a forrást, feldolgozásával együtt még a 19. század végén kiadta Acsády Ignác (Acsády I. 1896) Az 1715-ös
összeírás Magyarország polgári közigazgatás alatt álló területére terjedt ki, sem Erdélyre, sem Horvát-
Szlavónországra nem vonatkozott; hiányoznak a katonai igazgatás alatt álló területek is (a déli határ mentén), a
Temesköz pedig még török megszállás alatt volt. 1720-ban már a határőrvidék polgári lakosságát is összeírták,
de Bánát területe továbbra is kimaradt. A jegyzékek nem fedik le a teljes népességet, csak az adózó
háztartásfőkre (és az általuk művelt földterületre, az általuk űzött iparra stb.) találunk információkat. Acsády
különböző számítási módszerekkel megkísérelte ezekből az adatokból megbecsülni az ország teljes népességét,
sőt a családnévelemzés segítségével az egyes települések nemzetiségi megoszlását is regisztrálni. Számításaiba
azonban több hiba csúszott (pl. végeredményben alulbecsülte a népesség összlétszámát; a családnevek sok
esetben félreérthetőek voltak, vagy már nem a valós anyanyelvi helyzetet tükrözték stb.), így ezt a
forráskiadványt csak erős kritikával szabad kézbe vennünk (Dávid Z. 1957).

Történeti statisztikai források

A rendszeres statisztikai megfigyelés hazánkban 1848 után kezdődik. A neoabszolutizmus időszakában (1850–
1867) az osztrák államigazgatási szervezet hatásköre Magyarországra is kiterjedt, így az osztrák statisztikai
hivatal két népszámlálást is lebonyolított (1850-ben és 1857-ben). A kettő közül az 1857-es népszámlálás anyaga
gazdagabb, ebben már részletes társadalomstatisztikai információkat találunk. Az 1850-es népszámlálás még
nem tartalmazott a társadalmi állásra vonatkozó kérdéseket. (Gyáni G. – Kövér Gy. 1998) Az 1850 nyarán
végrehajtott népszámlálást a kortársak és a 19. század második felének magyar statisztikusai, demográfusai
erőteljesen bírálták; becslésük szerint az összesítés 4–5%-os alulszámlálást tartalmazott. Nem kérdeztek rá a
foglalkozásra és az életkorra (kivéve a katonaköteles férfiaknál), de szerepelt a nemzetiségre vonatkozó kérdés.
(A kortársak a nemzetiségi adatokat vitatták leginkább.) Az 1857. október 31-én végrehajtott összbirodalmi
népszámlálás gazdagabb tartalmú: szerepelt benne a foglalkozásra, a férfiak részletezett életkorára, az idegenek
származási és a távollévők tartózkodási helyére vonatkozó kérdés, viszont nem mérték fel a nemzetiségi
hovatartozást (Dányi D. 1984). Az 1850-es népszámlálás eredményei az 1856-os és 1857-es hivatalos lapban,
ún. Kormánylapban jelentek meg, az 1857-es népszámlálás adatait pedig az 1863-ban kiadott Helységnévtárban
találhatjuk meg. Az 1850-es, 1857-es, és 1870-es népszámlálás népességszám adatait Dányi Dezső
szerkesztésében 1984-ben jelentette meg a KSH (Dányi D. 1984).

Hosszú távú idősorok készítésénél szinte mindig gondot jelent az adatok területi homogenizálása is.
Magyarországon a települések száma folyamatosan változott az összevonások, szétválások következtében, a
megyehatárok is jelentősen módosultak. Arra a kérdésre, hogy mennyi volt pl. Szombathely lakossága 1870-ben
kétféle választ adhatunk: az 1870-es közigazgatási beosztás szerint 7561 fő, a mai városhatárok között 12934 fő.
Amennyiben kortárs statisztikai kiadványt emelünk le a polcról, mindig az aktuális állapotot tükröző adatokhoz
jutunk, de ha a mai népszámlálások visszavezetett adatait vesszük elő, akkor azokat a mai közigazgatási
állapotnak megfelelően átszámítva találjuk meg. Ugyanez igaz magasabb közigazgatási egységekre is
(kistérségek [városkörnyékek, járások], megyék stb.) Előfordulhat az, hogy egyes települések népessége két
népszámlálás között majd’ a duplájára növekszik. Ez esetben mindig gyanakodhatunk, hogy a növekmény jó
része valamilyen közigazgatási módosulás gyümölcse (pl. Edelény 1986-os várossá nyilvánításakor négy
szomszédos falut csatoltak a településhez). Ennek következtében hosszú idősorok készítésekor célszerű
települési adatokból a kiindulni, és egyetlen időpont közigazgatási beosztását kiválasztani (leginkább a mait). A
fent említett történeti statisztikai kiadvány (Dányi D. 1984) az 1980-as államigazgatási beosztás szerint rendezi
adatait (pl. Borsod-Abaúj-Zemplén megye településeit találjuk meg, holott az akkori térképeken e megye
településeit 5–6 vármegyében kereshetnénk); viszont a települési adatoknál egyaránt közli a mai és az akkori
állapotnak megfelelő népességszámot is.

A kiegyezés után, 1867-ben jött létre az önálló magyar statisztikai hivatal Keleti Károly vezetésével. A
dualizmus korától már rendszeresen, (néhány kivételtől eltekintve) tízévenként kerül sor a népszámlálásokra, és
folyamatosan jelennek meg egyéb tematikus statisztikai kötetek is. Az 1870-es népszámlálás tovább bontotta az
1857-es összeírás kategóriarendszerét, de igyekezett megtartani az összehasonlíthatóságot.
Társadalomstatisztikai újítás 1890-ben indult el, gyökeresen új nómenklatúrát pedig az 1900-as népszámlálás
hozott. (Gyáni G. – Kövér Gy. 1998) Ettől az időszaktól kezdve történeti adatbázisok, hosszú távú idősorok
összeállítása egyszerűbb feladat, adathiánnyal ritkán szembesülünk. (A mai területi elemzések készítésével
összehasonlítva lényeges különbséget csupán az jelent, hogy az adatok nincsenek számítógépen, a kutatónak az
adatbevitelt is meg kell oldania.) Amire viszont ügyelnünk kell – főként idősorok összeállításakor –, hogy két
statisztikai számbavétel között megváltozhat az adatok tartalma, pl. bizonyos tevékenységek,
foglalkozáscsoportok átsorolásával.

Gyakran nem elég az adatok területi homogenizálása, hanem ha szükséges (és lehetséges) a tartalmi
homogenizálást is el kell végeznünk. Ugyanis minden egyes statisztikai adatgyűjtés valamilyen módon tükrözi
saját korának társadalomképét, és igyekszik az adatok csoportosítását is az általa legfontosabbnak tartott
törésvonalak mentén rendezni. Ezért nem véletlen, hogy az adatok összeállítása folyamatosan változik. Nem
csak arról van szó, hogy bizonyos – egykor fontos – információkat a mai adatgyűjtések már nem tartalmaznak,
illetve új adatokkal bővülnek az összeírások, hanem arról is, hogy az adatok jellege, tartalma megváltozik.

Kövér György – Tóth Zoltán nyomán – az 1784–85-ös, az 1857-es és az 1900-as népszámlálást elemezte ilyen
szempontból. Megállapítja, hogy mindháromnál eltérőek az összeírás rendező elvei. Az elsőnél az osztályozás
alapelvét a rendi hierarchia képezte. A kiváltságok mentén tagolódik az összeíróív: papi rendből valók, nemesi
rendből valók, tisztviselők és honoráciorok, városi polgárok, parasztok. A másodiknál a jövedelem forrása a
legfontosabb szempont (értelmi keresetből, tulajdonból, bérmunkából szerzett jövedelem), a harmadiknál pedig a
tevékenységek ágazati szerkezete és a foglalkozási viszony a tagolás alapja (őstermelés; bányászat, ipar,
kereskedelem, közlekedés; polgári és egyházi közszolgálat, szabadfoglalkozás; véderő; napszámosok;
nyugdíjasok; egyéb (Gyáni G. – Kövér Gy. 1998). Ez természetesen jócskán megnehezíti a népszámlálási adatok
összevetését, a homogenizálást pedig jóformán lehetetlenné teszi.

Az egyszerű időbeli összehasonlítás talán legnagyobb akadálya a számbavételi csoportok átsorolása két
népszámlálás között. Néhány példa erre a dualizmus korából: a halászat 1857-ben foglalkozási főcsoport volt,
1870-ben az őstermeléshez tartozott, 1880-ban, 1890-ben az iparhoz, 1900-ban pedig ismét az őstermeléshez
sorolták. A fuvaros 1870-ben közlekedéshez számított, 1890-ben iparhoz, 1900-ban visszakerült a
közlekedéshez. A szálloda- és vendéglátóipar is hol az ipar része, hol attól elkülönült a “személyes szolgálat és
élvezeti ipar” rovatban (Gyáni G. – Kövér Gy. 1998).

Hasznos segítséget nyújt történeti statisztikai adatbázisok összeállításához a Kovacsics József szerkesztésében
megjelent Magyarország Történeti Statisztikai Helységnévtára sorozat. A KSH által megyénként kiadott kötetek
közül az első 1991-ben látott napvilágot (Heves megye), az utolsó (Győr-Moson-Sopron megye) 2002-ben jelent
meg (Kovacsics J. szerk. 2002). A kötetek a mai megyehatároknak megfelelően közlik adataikat. A bevezető
fejezetekben nyomon követhetjük az egyes megyék kialakulásának történetét, a megyehatárok változását
(térképeken is), a települések egyesítésének – szétválásának, át- ill. odacsatolásának részletes felsorolását. A
tulajdonképpeni helységnévtár részben ábécésorrendben találjuk meg a megye összes települését, amelyek 1773
és 2001 között önálló egységek (községek, városok voltak). Az adatok minden esetben az aktuális állapotra
vonatkoznak, az időközben összeolvadt, megszűnt települések adatait a megszűnés időpontjáig közlik, attól
kezdve az új településhez kell lapozni (pl. a Bágyog és a Rábaszovát címszónál 1785 és 1949 közötti adatokat
találunk, az 1960–2001-es időszakra vonatkozó információkat már Bágyogszovátnál kell keresni.) A kötetek
végén részletes mutató segít a sokféle településnév, helynév (névváltozat), külterületi lakott hely közti
eligazodásban.

A történeti statisztikai helységnévtárakban településenként a következő információkat találjuk meg. Először a

település névtörténetét követik nyomon, felsorolják a külterületi lakott helyek és a belterületté vált egykori
települések neveit, illetve közlik a földrajzilag beazonosítható elpusztult középkori települések nevét. Itt jelölik
meg a községhez/városhoz csatolt, korábban önálló településeket is. A statisztikai táblázatban a népességszám és
a lakosság anyanyelvi megoszlása követhető 1785-től népszámlálásonként 1990-ig (illetve az utolsóként
megjelent kötetben 2001-ig). A népszámlálásokat kiegészítették 1828-ra Ludovicus Nagy helységnévtárának
népességszám-adatával, illetve beillesztették az 1850-es és 1857-es népszámlálás adatait is; így a
népességszámra egy kétszáz éves homogenizált adatsor áll rendelkezésünkre. A statisztikai tábla után a
helységnévtár megadja még az egyházi anyakönyvezési helyeket, és végül a település közigazgatási
beosztásában beállott változásokat közli. (Kovacsics J. szerk. 2002). A történeti statisztikai helységnévtár sorozat
nem csak (és nem elsősorban) egyszerű adattár, hanem hasznos kutatási segédeszköz is történeti adatsorokkal
dolgozó geográfusoknak.

1.3 A területi adatgyűjtés sajátos módszerei

1.3.1 Térképi információk

A térkép a geográfia legősibb eszköze, „nyelve”. Térkép nélkül nincs földrajzi kutatás, még ha a
térkép önmagában nem is maga a földrajzi tudás, hanem “csak” a térbeli lokalizáció nyelve. Ha az
információszerzés (s nem a vizsgálati eredmények ábrázolása) oldaláról tekintünk a térképekre, akkor
megjelölhető néhány olyan jellegzetes adatkör, ami a társadalomelemzésben is jellemzően térképekről
szerezhető be.

Ilyenek mindenek előtt a vizsgált téma szempontjából fontos természetföldrajzi információk.

Ugyancsak a térképek alapján állíthatók össze olyan sajátos adatbázisok, amelyek a különböző –
pontokkal, vonalakkal, alakzatokkal modellezhető – társadalmi térelemek relációit, összekapcsoltságát
vagy elkülönültségét jellemzik →6.2.2. Ugyancsak a térképek a forrásai a számos összetett regionális
elemzési módszerben felhasználható fekvési és szomszédsági jellemzőknek. A területi autokorrelációk
számításakor →4.3 térképek alapján állítható össze a területegységek szomszédsági mátrixa, de
hasonlóképp térképek az alapjai a különböző fekvési zónák kijelölésének (határmenti területek,
folyómenti zónák, autópályák környezete).

Bizonyos nagyon fontos kutatási témakörökben a térképek nem egyszerűen információszerzési

források, hanem a térképek információinak értelmezése jelenti magát az elemzést. Régebbi korok
térszerkezetének vizsgálatakor gyakran nincs is más forrás. Jellemzően térképezett információk
elemzésére épül a területhasználat, a mezőgazdasági művelési szerkezet vagy a települési (városi)
beépítettség kutatása.
A térképeknek már az elemzési folyamatban játszott szerepét jelzi az a metódus, amikor a kutató nem
kartográfiai, hanem szöveges (például levéltári) forrásokból, vagy a saját maga által készített helyi,
terepi felmérésekből készült információkat térképezi, lokalizálja. Ez a lépés aztán megnyithatja az utat
a lokalizált jellemzők más módszerekkel történő elemzésének.

Önmagukban is fontos és sajátos geográfiai, környezettudományi információforrások a légi- és

űrfelvételek → 2.10.6, amelyek a modern kisléptékű térképkészítésben egyre inkább helyébe lépnek a
terepfelmérésnek, geodéziának (de utóbbiak kontrollszerepe megmarad).

1.3.2 Területi mintavétel

A mintavétel problémája a területi elemzések kapcsán két vonatkozásban merül fel.

Egyrészt a nem teljes körű, hanem mintavételek alapján végzett társadalmi, szociológiai, gazdasági
elemzésekben. (A főváros körüli szuburbanizáció társadalmi vonatkozásait taglaló új kutatások közül
kérdőíves – „survey” – alapú munkaként lásd Csanádi G. – Csizmady A. 2002). Abból a statisztikai
összefüggésből következően, hogy a mintavételi hiba egyenesen arányos az alapsokaság szórásával és
fordítottan arányos a mintanagyság négyzetgyökével, a legkevésbé megbízható felvételek a heterogén
sokaságból vett kis minták15. Mivel előbbi feltétel nem befolyásolható, a mintavétel javítása
egyértelműen a minta elemszámának növelésével érhető el. A minta jósága egy bizonyos határon túl
azonban már nem nő érdemben a mintanagyság növelésével: az 1500 fős országos minta és a 2500 fős
országos minta között igazából nincs lényeges különbség, vagy megfordítva: 1000 fős minta nagyjából
ugyanolyan jó egy 50 ezres város lakói véleménystruktúrájának megismerésére, mint Magyarország
összlakossága véleménystruktúrájának megismerésére. (A 100 fős minta viszont gyakorlatilag egyikre
sem jó.)

A mintanagyság növelésének legfőbb értelme az, hogy az almintákra is megfelelő esetszám jusson
(tehát pl. hogy ha nem csak a teljes felnőtt lakosság véleménymegoszlása érdekel bennünket, hanem
mondjuk 10 éves korcsoportonként, vagy pl. a 7 régió lakosságára külön-külön is jó megbízhatósággal
szeretnénk ismerni a vélemények megoszlását, akkor az 1000 fős minta kicsi, hiszen egy-egy
korcsoportra, illetve régióra csak 100-150 eset jutna). Ez a szempont indokolja, hogy a KSH a
mikrocenzusokat nagy, 2%-os mintán végzi. De, ezeken a szempontokon túlmenően nem a
mintanagyság a legfontosabb a mintavétel szempontjából, hanem a mintavételi terv léte (ne „ad hoc”
mintát válasszunk); illetve a véletlen mintavétel, vagyis hogy a vizsgált sokaság (pl. a magyar felnőtt
lakosság) valamennyi elemének azonos esélye legyen a mintába kerülésre. A nem teljes körű
adatfelvételekben a minta elemszámától függően van lehetőség bizonyos összefüggések térségi
(regionális, települési) metszetekben való értelmezésére, ha a mintavételben eredendően figyelembe
volt véve valamilyen területi dimenzió, mint rétegzettségi szempont. (A hazai egy-két ezres mintán
végzett véleménykutatási elemzésekben általában csak a főbb településtípusok szerinti területi
reprezentáció biztosított, s jóval ritkább a már markáns megosztó dimenziónak számító regionális
reprezentativitás).

A kérdőíves adatfelvételekben a mintanagyságot két szempont, a megcélzott pontosság és az

adatfelvétel költségigénye együttesen alakítja ki. A nem személyes, hanem postai megkérdezések is
gyakoriak. Ezekben – általános tapasztalat szerint – nagy a visszaküldési arány szóródása (10-80
százalék közötti). Mindenfajta kérdőíves adatfelvétel esetén indokolt egy kísérleti szakaszt
(próbakérdezést) is beilleszteni, ellenőrizendő a kérdőívek érthetőségét, a válaszok megbízhatóságát.

Mintavételes módszerrel dolgoznak a gazdasági konjunktúra-elemzések is. Itt csak az éves gazdaság-
statiszikai információk (nemzetgazdasági elszámolások) esetében jellemző a legteljesebb körű
számbavétel (mérlegek, adóstatisztikák) alapján történő adatközlés, a havi vagy szezonális adatok
15
A kérdéskört részletesen tárgyalja: Rudas T. Hogyan olvassunk közvélemény-kutatásokat? c. munkája (Új
Mandátum, Budapest, 1998).
ellenben csak – leginkább a cégnagyság és az ágazat szempontjából reprezentatív – minták alapján
16
kerülnek közlésre (aminek következtében ezek területi megbízhatósága korlátozott) .

A szó szorosabb értelmében vett „területi” mintavétel – a vizsgált térség egészének mintavételi
pontokkal történő lefedésen nyugvó elemzése – társadalmi-gazdasági tartalommal inkább csak kivétel,
bizonyos sajátos elemzési módszerek alkalmazásához azonban alapfeltétel → 4.5. A tér megfelelő
lefedésének problémája a természeti, ökológiai elemzésekben gyakori, központi gyakorlati
problémáját jelenti a geológiai nyersanyag-kutatásnak is. A területi reprezentativitást vagy a térben
egyenletes, szabályos vagy véletlen (Poisson-eloszlású) mintával lehet biztosítani. A véletlen
mintavétel a vizsgálati területen belül a mintavételi pontok koordinátáinak véletlenszámok segítségével
történő kiválasztásával biztosítható A véletlenszámokat a statisztikai kézikönyvek Függelékei
táblázatokban közlik, s több elemző szoftver is tartalmaz ilyeneket. Ezek olyan számsorozatok,
amelyekben nincsenek szisztematikusan ismétlődő számcsoportok, szabályosságok. A dolog
természetéből adódóan tetszőlegesen sok véletlenszám-sorozat állítható elő. Az eljárás egy
végeredményét érzékelteti az 1.1. ábra, amelyen a mintavételi pontok helykoordinátáit véletlenszámok
adták (a pontok helye a négyzet oldalait mintegy koordinátarendszerként használva határozható meg).

1.1. ábra A véletlen térbeli eloszlású minta képe

A térben egyenletes mintavétel jellemző formája az, amikor a vizsgálni kívánt mintaterületre egy
négyzethálót fektetnek (rajzolnak) s ekkor vagy a háló rácspontjai jelölik ki a mintavételi helyeket
vagy pedig minden egyes négyzeten belül, de véletlenszerűen kerülnek kiválasztásra a helyek (1.2.
ábra).

1.2. ábra A szisztematikus térbeli mintavétel

A fenti alapeseteken túlmenően a mintavétel módját természetesen befolyásolják a vizsgálandó

jelenség térbeli eloszlásáról rendelkezésre álló ismeretek is. Arra a területre, ahol a jelenség biztosan
nincs jelen, felesleges négyzethálót fektetni és mintapontokat kijelölni, hacsak nem épp a hiány
hatásának kontrollja a cél → 1.3.7, ahol ellenben a vizsgált jelenség kis helyen nagy variációban
fordul elő, indokolt lehet a mintavételi pontok sűrítése.

1.3.3 Terepi adatgyűjtés

16
A nyilvános hazai statisztikában ilyen szezonális (negyedéves) adatok találhatók a KSH STADAT
adatrendszerében a megyék gazdaságáról, http:/portal.ksh.hu/.
A legtöbb mikroszintű vagy települési vizsgálat aligha nélkülözheti a helyi ellenőrzést, egy hely
„szelleme” pusztán könyvekből aligha írható meg. A helyszínen, terepen gyűjtött információk (a
véleménykutatási, kérdőíves eljárások mellett) leggyakrabban az épített környezet, a települési arculat
urbanisztikai (szociológiai, településkörnyezeti) vizsgálataira jellemzők. Ezekből olyan
információkhoz juthatunk, amelyek a szokványos adatbázisokban nincsenek meg.

Néhány jellemző példa:

• Kirakat-index: városi vizsgálatok esetében a kereskedelmi funkciók elterjedtségére használható módszer,

amikor alaptérképekkel a kezünkben végigjárjuk a település utcáit, s bejelöljük a kirakatokkal rendelkező
házakat, ezek aránya jó mutatója lehet a kereskedelmi funkciónak, s kiválthatja az ilyen pontossággal
általában nem beszerezhető céginformációkat is.
• Területhasználati-típusok: az alapeljárás megegyezik az előzővel, „zavaros”, vegyes és változó funkciójú
térségek felmérése, osztályozása, minősítése gyakran csak helyi bejárással biztosítható (az MTA RKK-
KÉTI-ben végzett budapesti rozsdaövezeti vizsgálatban alkalmazták: Barta Gy. – Lőcsei H. 2003).
• Épületállapot-felmérés: átalakuló városi terek telek(épület)mélységű felmérése és tipizálása (ezt használta
Lichtenberger –- Cséfalvai – Paal 1994, a budapesti belváros vizsgálatakor a kilencvenes évek elején,
három nagyobb, s több altípusba sorolva az épületeket).

Cégérelemzés (Farkas Tibor)


A cégérfelmérés (angol elnevezése windshield survey vagy cross-road study) és a szolgáltatások skálába
rendezése olyan adatgyűjtési és elemzési módszer, amely segít az egyes települések szolgáltatásokkal való
ellátottságának megítélésében, valamint a szolgáltatások fejlesztésével és az életminőség alakulásával
kapcsolatos tervezési és fejlesztési tevékenységben is felhasználható. A cégérelemzés tulajdonképpen egy, a
hierarchia-elméleten alapuló skálakészítési technika. Azon a felismerésen alapszik, hogy a települések – a
bennük fellelhető szolgáltatások mennyisége és sokfélesége alapján – hierarchiába szervezhetők.

Minden településen a szolgáltatásoknak egy jellegzetes együttese működik, ami a településnek a település-
hierarchiában betöltött szerepe alapján alakul ki. A legkisebb, elszigetelt központok kevés szolgáltatással bírnak
– a helyi lakosság közvetlen szükségleteit látják el –, például kisboltokat vagy gázcseretelepeket működtetnek. A
magasabb rendű központok jóval összetettebb szolgáltatási körrel – például üzleti és rekreációs szolgáltatásokkal
– bírnak. A szolgáltatások megoszlásaiból értékes következtetéseket lehet levonni. Pl. az üzleti szolgáltatások
bizonyos településtípust előnyben részesítenek, és így a területi folyamatok barométerének is tekinthetők. Más
szolgáltatások a helyi és a regionális piac fogyasztási igényeit tükrözik. A szolgáltatások mennyiségi és minőségi
viszonyait a helyi és térségi gazdasági szerkezet ill. a jövedelmi viszonyok és a népesség nagysága befolyásolják.
Szerepük döntő lehet a telephelyek választásánál, a foglalkoztatási szerkezet alakításánál és a lakosság
életminőségének változásában.

A cégérfelmérés

A cégérek felmérése azt jelenti, hogy a felkészített „kérdezőbiztosokból” álló

kutatócsoport az adott (kis)térség, körzet vagy terület minden települését bejárja, és feljegyez
minden olyan szolgáltatást, amelynek látható jele (cégére, cégtáblája) van. A felmért
szolgáltatások köre széles, olyanokat is felmérhetünk, amelyeket más, állami nyilvántartások
nem képesek bemutatni. Ez természetesen nem azt jelenti, hogy a hivatalos adatbázisok
elemzésétől el kellene tekintenünk. A vizsgálatok feltárják az informális gazdaság egy részét
is. A cégérfelmérésnek vannak korlátai, hiszen viszonylag munkaigényes vállalkozás.
Nagyobb (20-30 ezer fő feletti) városok felmérése ugyancsak nehéz a sok hirdetés és cégtábla
miatt, ekkor érdemes más nyilvántartásokra támaszkodni (pl. telefonkönyv).
A felméréssel kapcsolatban néhány fontos szabályt be kell tartani:
 A szolgáltatásokat a cégtáblák, cégérek ill. feliratok alapján regisztráljuk. Minden üzleti vagy
közszolgáltatást, vállalkozást feljegyzünk, amelynek látható jele van. (Tehát bennünket egyaránt érdekel a
„Tojás van eladó”, a „Takarékszövetkezet” vagy a „Vakvágány italbolt” felirat.)
 A településeken minden utcát be kell járni, és a szolgáltatások helyét (település, utca, házszám) érdemes
rögzíteni.
 A szolgáltatások mérete és típusa egyértelműen tűnjön ki azon esetekben, ahol ez megállapítható. Tehát
pl. bolt helyett jelöljünk kisboltot, ABC-t vagy diszkont áruházat.
 Ha ugyanabban az épületben többféle szolgáltatás is található, akkor mindegyiket fel kell jegyezni. (A
csoportosításokat a felmérés után el lehet végezni.)
 A szolgáltatások elnevezése legyen egységes. (Tehát a felmérés előtt egyeztetni kell, hogy a
szolgáltatások elnevezése mindenkinél azonos legyen.)

A Guttman-skála

Összetett mérőeszközöket gyakran alkalmazunk a társadalomtudományokban. Egyrészt az összetett fogalmak

leírásánál nem nélkülözhetjük őket, másrészt pedig nem mindig találjuk meg a legmegfelelőbb indikátort. Skálák
alkalmazásával a nehezebben számszerűsíthető jelenségek is elemezhetővé válnak, ugyanakkor adatredukciós
eszközök is: egy sor mutatót egyetlen számértékké vonhatunk össze. A skála ordinális mérőeszköz, egy elemzési
egységet valamilyen szempontból rangsorol.

A címben jelzett skálát Louis Guttman fejlesztette ki, aki a Cornell Egyetem szociológiai tanszékének
professzora volt az 1950-es években. A Guttman-skála a szociológiai felmérésekben gyakran alkalmazott
technikák közé tartozik. Azon alapul, hogy a figyelembe vett itemek (itt a felmért cégek) a változó (itt a
települési szerep, vonzerő, fejlettség) különböző erősségű mutatójának bizonyulnak. A szolgáltatások esetén ez
azt jelenti, hogy pl. egy adott településen található szolgáltatások – és valószínűleg még több más szolgáltatás is
– mind megtalálhatóak a tőle feljebb rangsorolt településen. A Guttman-skála alkalmas arra, hogy úgy foglaljuk
össze adatainkat, hogy az eredeti információból a lehető legtöbbet megőrizzük.

Azt, hogy egy adatsor mennyire tekinthető skálának, az alapján tudjuk megítélni, hogy a skálát mennyire
tudjuk reprodukálni, kialakul-e egy hibátlan mintázat. (Azaz a feljebb rangsorolt település rendelkezik-e
az alatta lévő összes szolgáltatásával, ill. a lentebb lévő nem rendelkezik-e olyan szolgáltatásokkal,
amelyikkel a feljebb lévő nem?) Ha a skálában sok hiba található, nehezen reprodukálható. Teljes
reprodukálhatóságot általában egyik skála sem ér el, a 90-95 százalékos reprodukálhatósági együtthatót
már elfogadhatónak tartjuk. A kiszámítás módja a következő:

skálahibák
R= * 100
esetek

A szolgáltatások sorrendje csak egy adott térségben alkothat skálát. Ugyanaz a sorrend egy másik terepen
egészen eltérő mintázatot eredményezhet.

A szolgáltatások Guttman-skálájának az elkészítése csak látszólag bonyolult feladat.

Az adatokat táblázatkezelő program (pl. EXCEL) segítségével kell (ajánlatos)
rendszereznünk. A sorokat és az oszlopokat is sorrendbe rakjuk az „összesen” értékeik
alapján. Így a táblázat bal felső sarkába a leggyakoribb szolgáltatás és a legtöbb
szolgáltatással rendelkező település kerül, a táblázatban jobbra és lefelé haladva pedig egyre
csökken a szolgáltatások száma és a települések szolgáltatásokkal való ellátottsága. A
települések és szolgáltatások rangsorolása, elrendezése a lépcsőzetes vonal berajzolása után
válik láthatóvá. A vonalat ott húzzuk, ahol a nullánál nagyobb számok sora végződik és a
nullák kezdődnek. Amint az látható, nullák (lyukak) maradnak a lépcső felett is. Ezek a
lyukak csak akkor maradhatnak a lépcsőn belül, ha hosszuk rövidebb, mint az utánuk
következő pozitív számok hosszúsága (1.3. ábra).
Nem csak lyukak fordulhatnak elő a skálán belül, hanem a lépcsőn kívül is előfordulhatnak pozitív számok. A
lépcsőn belüli hiányzó szolgáltatások (azaz a lyukak) olyan potenciális gazdasági tevékenységeket jelölnek,
amelyek nagy valószínűséggel megjelennek a következő években, illetve lehet, hogy nem is hiányoznak, csak az
informális gazdaságban kell őket keresnünk. A lépcsőn kívüli, nullánál nagyobb számok olyan szolgáltatásokat
jeleznek, amelyek nagy valószínűséggel el fognak tűnni, esetleg gazdaságtalanul működnek vagy más
vállalkozás nyílik helyettük, netán maga a skála is átalakul. kutatások kimutatták (Eberts P. 1995), hogy a
szolgáltatások településméretekhez kötődő hierarchiájának empirikusan igazolható alapjai vannak, hiszen a
hibák kétharmada tíz éven belül megszűnik. A lépcső felett található lyukak tehát többnyire tényleges
lehetőségeket jelentenek az adott területen dolgozó vállalkozók számára. Különösen azok a szolgáltatók
érdekesek, akik egy másik településen a lépcső alatt találhatóak. Nyilvánvalóan az is előfordulhat, hogy az adott
lyukban lévő szolgáltatás elkerülte a felmérők figyelmét, ill. informálisan működik. A skála „szépsége” attól is
függ, hogy mekkora a szolgáltatások aránya. Kevés szolgáltatás estén a hibák száma megnövekedhet. Emellett
elképzelhető olyan szolgáltatás vagy olyan település is, amely egyáltalán nem illik bele a skálába. Ebben az
esetben dönthetünk a kihagyásáról is.

A Guttman-skála segíthet abban is, hogy a grandiózus szolgáltatások letelepítését alaposabban megfontoljuk. Ha
például egy áruházat szeretnénk építeni, meg kell néznünk a skálán, hogy az adott településen az áruházat
megelőző szolgáltatások léteznek-e már, hiszen az új szolgáltatás sikere attól is függ, hogy az előző egységek
milyen pótlólagos társadalmi növekményt, kapcsolatháló-növekedést okoztak a közösségben. Ha az előző
egységek működése nehézségekbe ütközött, nem jött létre a kívánatos növekmény, akkor az újabb szolgáltatás
bevezetése akadályokba ütközhet.
autószerviz, autómosó,

kozmetika-szolárium

zöldségek árusítása

csatorna-szerelő
víz-, gáz-, fűtés-,

háztartási/mg-i
szépségápolás,

gépjavítás/bolt
virág, ajándék
gumijavítás

fuvarozás

Összesen
ruházati
fodrász,
kocsma

háznál
boltok

Tura 34 13 10 12 7 15 5 bolt 3 4 5 257

Veresegyház 24 14 5 8 7 2 5 9 12 4 250
Isaszeg 28 15 9 16 8 1 9 6 3 7 233
Aszód 15 9 9 6 3 2 12 2 3 7 176
Kartal 13 10 6 8 4 6 3 8 6 2 130
Erdőkertes 15 7 7 3 3 5 1 1 6 4 106
Dány 15 4 7 2 6 5 5 2 2 100
Bag 12 3 7 6 4 2 2 2 3 3 99
Hévízgyörk 13 5 8 3 5 3 2 1 85
Galgahévíz 7 5 8 3 2 4 2 2 1 4 75
Zsámbok 9 7 1 2 4 3 2 3 67
Domony 7 3 2 1 3 3 1 3 2 59
Szada 6 5 2 2 2 2 3 1 59
Boldog 9 3 3 3 1 4 2 2 2 54
Galgamácsa 8 5 3 3 2 1 1 1 46
Iklad 8 4 3 1 3 37
Valkó 4 3 2 4 1 1 1 2 37
Vácszentlászló 4 4 2 1 3 1 1 33
Verseg 2 1 1 1 16
Vácegres 2 1 1 1 8
Váckisújfalu 2 1 4
Összesen 237 122 90 86 65 61 54 47 47 45 1931

1.3. ábra A szolgáltatások Guttman-skálája a Galga menti és gödöllői kistérségben (részlet), 1998

1.3.4 Adatpótlás, becslés

A regionális kutatások – mint a legtöbb társadalomtudományi kutatás – egyik gyakori profán gondja
az adat(információ)hiány. Egyaránt gátja ez alapvető összefüggések megismerésének, s nagyigényű,
összetett modellek életre keltésének.

Különösen sok ilyen példát lehetne hozni a nemzetközi összehasonlító vizsgálatokból. Az ENSZ jól ismert
világméretű összehasonlító indexének a Human Development Indexnek → 5.4.2 az összeállításakor, a
 kilencvenes évek elején megállapították, hogy a célba vett országok közül hétben még egyáltalában nem
tartottak hivatalos népszámlálást, 22 további országban csak évtizedekkel korábbi adatok álltak rendelkezésre,
s az index egyik sajátos összetevőjéről, a lakosság várható élettartamáról 57 országban egyáltalán nem voltak
adatok.

Mi ilyenkor a teendő? Amikor túlságosan sok a hiányzó adat, jobb, ha feladjuk a számszerű
vizsgálatot. Ha azonban csak néhány „lyuk” van az adatbázisban (pontosabban: a „lyukak” aránya
csekély a meglévő adatokhoz képest), megpróbálkozhatunk az adatpótlással, becsléssel.

Ennek számos egyszerűbb és összetettebb útja van:

• Fordulhatnak az intuíció módszeréhez (különleges jóstehetség híján nem igazán ajánlott)

• A matematikai-statisztika a hiányzó adatok pótlására a meglévőkből számított átlagot javasolja
(bizonyítható, hogy ekkor legkisebb a tévedés valószínűsége, ez a módszer azonban inkább a
mintavételes eljárások esetében működik)
• Idősorok esetében gyakori, hogy egy-egy időpontra nincs adatunk. Ekkor, világos irányzatú
jelenségek esetében a szomszédos időpontok átlagával pótolhatjuk a hiányt, ha azonban nagyon
erősen oszcilláló, hullámzó adatsorunk van, akkor nem igazából meggyőző ez a módszer.
• Térben lokalizált adatok esetében is hasonló eljárást követhetünk, azaz a becsülni kívánt ponthoz
(területegységhez) közeli pontok értékei alapján becsülhetjük a hiányzó adatot. A gyakorlatban
azonban eldöntendő az, hogy, mit értünk „közeli” ponton, s az is, hogy ezekből milyen
összefüggés alapján adódik a becsült érték. A becslésre használt pontok kiválasztásakor szóba
jöhet a legközelebbi szomszéd (vagy az 1., 2., 3. stb. legközelebbi szomszéd – leggyakrabban 3
szomszéd alapján becsülnek), területegységeknél a közvetlenül szomszédos, határos egységek
(vagy az 1., 2., 3. stb. szomszédsági zóna). A becslést adhatja az így kiválasztott pontokhoz,
területegységekhez tartozó értékek átlaga (lásd az ún. Delaunay-háromszögeket a 6.4. ábrán).
Gyakori az, hogy a távolsággal fordítottan arányos vagy általánosabban, a távolság növekedéséhez
csökkenő súlyt rendelő függvénnyel való súlyozást alkalmaznak. A lokális jellemzők becslése
különösen a geológiában gyakori probléma, ahol mintavételi pontok (fúrások) adatai alapján
becslik az adott terület geológiai viszonyait. Itt a legelterjedtebb módszer – D. G: Krige dél-afrikai
bányamérnök nyomán – a hasonló szemléletű, többfajta eljárást is magában foglaló krigelés
(Steiner F. 1990). A lokális becslési módszerek szoros kapcsolatban vannak a globális térbeli
17
irányultság feltárását célzó módszerekkel, így például a trendfelület-elemzéssel .
• Társadalomföldrajzi jellemzők esetében természetesen figyelemmel kell lenni arra, hogy e
vizsgálatok leggyakoribb elemi egységei, alappontjai, a települések nem képeznek homogén
térbeli rendszert, a településhálózat kisebb-nagyobb, eltérő funkciójú elemekből (városok-falvak)
áll. Itt csak úgy alkalmazhatjuk a fenti logikát, a térbeli közelség alapján történő becslést, ha ezt a
faktort kiszűrjük. Egy aprófalu bármely társadalmi paraméterének becslésére a hozzá hasonló
méretű, közeli települések értékei jönnek szóba.
• Jó szolgálatot tesznek az analógiák. Ha valamely területegységre (pl. országra) több releváns
adatunk teljeskörűen rendelkezésre áll, akkor feltételezhetjük azt, hogy hiányzó adatunk azéhoz a
területegységéhez lesz közel, amely a meglévő többi adat szempontjából a leghasonlóbb a
hiányosan ismert területhez. (Ha például egy 500 dollár/fő átlagos GDP-jű országnak hiányzik a
várható élettartam adata, akkor erre jó becslés adható más, hasonló gazdasági fejlettségű – például
400-600 dollár/fő jövedelmű – országok adatai átlagával). Tulajdonképp az analógia keresése
húzódik meg a hiányzó adatok becslésének legismertebb matematikai-statisztika eljárásában, a
regresszió-elemzésben →4.4 is, ekkor ismert változók függvényében határozzuk meg a hiányzó
adatokat. (Idősorokban ezzel analóg utat kínál a trendszámítás.)

17
A módszer egy olyan többváltozós regresszió-analízis →4.4, ahol tetszőleges indikátor (z) térbeli eloszlását a
mintavételi pontok helykoordinátái (x és y), mint független változók alapján becslik (lásd Nemes Nagy J. 1998,
8.2.1 fejezet). Segítségével feltárható a társadalmi jelenségek nagytérségi szerveződésének térbeli alapirányzata
(„lejtés a társadalmi térben”), s lokalizálhatók az alapirányzattól markánsan eltérő sajátosságú helyek (a hazai
jövedelmi térben például Tiszaújváros a legkeletibb „nyugati” jövedelemszintű város).
• Gyakori igény a különböző térségi szintek közötti becslés (például megyei szintű adatokból
kistérségiek előállítása). Itt már összetettebb becslési eljárások is szóba jönnek, de sok esetben jó
dezaggregálási szempont a népesség- vagy területarányos megosztása a nagyobb egységre számba
vett mennyiségeknek. A közigazgatási változások, település-összevonások esetében előálló
adathiányok is így pótolhatóak legegyszerűbben.
• A nem számba vett vagy nem számba vehető (titkolt, illegális) társadalmi jellemzők területi
becsléséhez is kínálnak a kutatások „puhább” (rejtett gazdaság) vagy „matematizáltabb” (lakossági
18
jövedelmek) lehetőségeket .

1.3.5 Az információk területhez kötésének nehézségei

A vizsgált jelenségek egyértelmű területhez kötésének problémája sajátos regionális elemzési gond. Ez
leggyakrabban és legtipikusabb formában a gazdasági elemzésekben kerül elő.

Van olyan gazdasági folyamat, amely miközben nyilvánvalóan a földrajzi térben zajlik, konkrét
számbavétele, helyhez kötése nagyon bizonytalan. Ilyen tevékenység például a közlekedés vagy a
pénzügyi szféra. A pénzintézeti tevékenység jövedelemhozadéka elméletileg is nehezen lokalizálható,
a bankfiók csak másodlagos megjelenési pontja a másutt végrehajtott befektetésből származó
profitnak. A kifejezetten a "térhez" kötötten folyó olyan tevékenységek, mint a hírközlés vagy a
szállítás értéktermelésének terítése is csak becsléssel lehetséges. Aligha vitatható például, hogy a
MÁV éves jövedelemhozadéka – vagy vesztesége – nem a székhelyén, Budapesten keletkezik. A
közlekedési teljesítmény területhez rendelése csak többszintű, az áru- és utasforgalom naturális
mennyiségekben – árutonnakm, utaskm – kifejezett, regionalizált számbavételére épülő becsléssel
oldható meg.

A gazdasági elemzésekben egyébként is átfogó gond, hogy a gazdasági teljesítményadatok túlnyomó

többsége a gazdálkodó egység székhelye szerint, s nem a tényleges tevékenység földrajzi helye
(telephelye) szerint ismert. Statisztikailag, számvitelileg lényegében megoldatlan a többtelephelyes
cégek hozzáadott értékének lokalizálása. Leggyakrabban a munkajövedelmek, bérek állnak
rendelkezésre telephelyenként is, így a cég értéktermelési, jövedelmi adatai ezek alapján oszthatók
meg. A jövedelmek jellemzően a jövedelemtulajdonosok lakóhelye, székhelye s nem a
jövedelemszerzés tényleges földrajzi helye szerint számbavettek, a megtakarításokról pedig épp nem a
megtakarítók, hanem a betétgyűjtő helyek szerint állnak rendelkezésre adatok. Más tevékenységek
elvileg ugyan egyértelműen helyhez köthetők, de vagy nem áll rendelkezésre róluk információ, illetve
nem vagy nehezen meghatározható a térségi szint, amihez a tevékenység hozzárendelhető. Ezek, s más
hasonló helyhezkötési gondok nehezítik a gazdaság regionális reálfolyamatainak elemzését vagy olyan
kiemelt fejlettségi jelzőszámok, mint a GDP regionális számbavételét → 5.3.2. E gondok csak
becslésekkel enyhíthetők. A helyhezkötési nehézségekből adódó torzulások annál nagyobbak lehetnek,
minél alacsonyabb területi aggregációban készül az elemzés.

A szellemi tartalmak esetében – szemben a társadalom anyagi, tárgyi elemeivel – a lokalizáció

momentuma nem közvetlen, hanem közvetett (Jankó F. 2002). Felrajzolhatók ugyan a vallások,
ideológiák, szokások, szellemi innovációk elterjedtségi térképei, de ezek tulajdonképpen e szellemi
tartalmakat hordozó csoportok, társadalmak, illetve az őket megjelenítő objektumok (például régészeti
emlékek) térképei. A szellemi elemek természetesen minden társadalmi szféra belső terének is részei,
alkotói. A legújabb idők történéseiben egyre nagyobb figyelem irányul az ún. virtuális térre. Ennek
kapcsán minden alapvető térkategória értelmezése – távolság, hely, lokalizáció – végiggondolható és
végiggondolandó (Jakobi Á. 2002b).

18
A borravaló becslésére az autósok és a benzinkutasok megkérdezésével megbízhatóbb értéket kaphatunk,
mint, ha csupán az egyik csoportnál érdeklődünk.
1.3.6 Szimuláció

Gyakran az adathiánnyal függ össze az elméleti modellekre szűkülő elemzés is, valamint a
matematikai szimuláció, amelynek során – a területi mintavétel kapcsán már említett –
véletlenszámokat használó Monte-Carlo módszer alkalmazásával keltik életre tényadatok híján a
modelleket. A Monte-Carlo módszerben (nevét a rulett fővárosáról kapta) az egyes jellemzőknek
előzetesen meghatározzák a feltételezett valószínűségi eloszlását a területegységeken (pl. egyenletes,
véletlenszerű, normális). Ezt követően – a hiányzó tényadatok pótlására – a területegységekhez
véletlenszerűen rendelik hozzá az adott eloszlást követő értékeket. A véletlen számok szerinti
hozzárendelést sokszor ismételve alakul ki az elemzésbe vett tényezők együttese által kiformált térbeli
megoszlás, konfiguráció. A módszer nemcsak a hiányzó adatok pótlására, hanem térfolyamatok
modellezésére – pl. hálózatok jövőbeni kiterjedésének előrejelzésére – is alkalmas, ha ismertek a
folyamatot vezérlő hatótényezők.

1.3.7 Kontrollcsoportok a területi elemzésben

A kontroll-csoportok módszere leginkább talán az orvostudományból ismert. Ha egy gyógyszer vagy

kezelés hatására vagyunk kíváncsiak, célravezető, ha a vizsgálatokat olyan két csoporton végezzük el,
amelyek abban különböznek egymástól, hogy egyik részesül az adott kezelésben, másik pedig nem. A
két csoport egyéb jellemzői – létszáma, az adott kezelés szempontjából releváns összetétele (nem, kor,
kórkép stb.) – közel azonosak. A kezelés után – leírva, értékelve, s a csoportok között összehasonlítva
a bekövetkezett változásokat – amennyiben a két csoport között lényeges különbségek mutatkoznak
(például a kezelésben részesültek állapota jelentősen javul, míg ugyanilyen változás a kontroll-
csoportban nem kimutatható), feltételezhető, hogy a különbség az adott beavatkozás hatása, s nem más
tényezők következménye.

Ez az eljárás a területi társadalmi folyamatok, akciók elemzése során is alkalmazható. Ebben az

esetben a két (vagy esetleg több) csoport területi, települési jellemzőinek (településnagyság, földrajzi
elhelyezkedés) kell közel azonosnak lennie, s abban különbözniük, hogy az adott folyamatban,
akcióban érintettek-e vagy sem (Nemes Nagy J. 1982). Hasonló logikájú kontrollvizsgálatok
kapcsolódnak a regionális támogatások hatáselemzéseihez, monitoringjához (1.4. ábra), bizonyos új
vagy megszűnő települési vagy térségi funkciók hatásainak elemzéséhez.

1.4. ábra Fejlesztéspolitikai és politika mentes helyzet

F: MEANS füzetek I. (1999, 64. o.)

Ugyanezekre a kérdésre természetesen más módszerekkel is választ kaphatunk, így például szóba jön
olyan regresszió-elemzés, amelyben az érintettséget önálló, kétértékű (dichotóm, 0 és 1 értékeket
felvevő), ún. dummy-változóként számszerűsítve szerepeltetjük a magyarázó változók között → 4.5.
Ha e változó magyarázó ereje szignifikáns a vizsgált összefüggésben, bizonyítottnak tekinthető az
érintettség hatása. Az eljárások során természetesen az alapvető matematikai-statisztikai kritériumokat
is teljesíteni kell a hibahatárokon belüli becsléshez. Ezek közül a legfontosabb a megfelelő elemszáma
mindkét csoportnak.

2 ADATKEZELÉS, STATISZTIKAI ÉS
SZÁMÍTÁSTECHNIKAI ALAPOK
2.1 Területi statisztika és térelemzés

A kutatási cél, a főbb vizsgálati témakörök (hipotézisek) meghatározása, a szükséges információk

összegyűjtése után – gyakran már az információgyűjtéssel párhuzamosan – három fontos munkafázist
hív elő a kutatási folyamat, még a tényleges elemzési szakasz előtt:
• az információk jellegének, méréselméleti tulajdonságainak s ebből következő használhatóságának
ellenőrzése. Itt kerül először szembe a kutató a statisztika alapfogalmaival. Ezzel megelőzhetjük
azt, hogy az elemzés közepén kerüljünk zsákutcába, s hogy netán adatainkat alkalmatlan
módszerekkel dolgozzuk fel.
• az összegyűjtött információk rendszerezése (áttekinthető adattáblák előállítása) – ebben kiemelt
szerepe van ma a számítástechnika eszközeinek és módszereinek.
• az összetettebb eljárások bevetése előtt fontos összefüggések tárhatók fel az alapinformációk
(alapadatok) egyszerű átalakításával is. Ebben a fázisban az elemi matematika eljárásainak lehet
szerepe.
• Számos területi vizsgálat induló lépése az információk térképezése, grafikus ábrázolása.

Ha van fejezete a kötetnek, amire mindenképp áll, hogy bármifajta teljesség igénye nélkül készült, akkor ez
az, hisz akár a matematika, a statisztika vagy a számítástechnika alapfogalmainak áttekintése is önálló köteteket
tölthetne ki. Ismételten hangsúlyozzuk, ez a munka nem matematika-tankönyv, nem számítástechnikai sorvezető
s nem statisztikai kézikönyv. Ugyanakkor épp oktatási tapasztalataink alapján nem tűnt feleslegesnek a három
tudományterület néhány fontos fogalmának felidézése itt is – mintegy emlékezetőként a legtöbbek által már (a
középiskolában vagy a felsőfokú képzés speciális kurzusain) elsajátított ismeretekre. Itt ismertetjük a területi
kutatások kvantitatív módszerei kapcsán leggyakrabban használt s a kötetben is alkalmazott jelöléseket,
formulákat is. E fejezet tartalmazza az ELTE geográfusképzés alapozó matematikai, statisztikai és
számítástechnikai kurzusain sorra vett legfontosabb kérdésköröket. Ezek oktatási anyagokba, jegyzetekbe
foglalásában a hazai műhelyek közül kétségkívül a szegedi egyetem oktatói állnak az élen, akik tollából vagy
szerkesztésében a korábbi munkák után a kilencvenes években is több kötet látott napvilágot (Koppány Gy. et al
1995, Herendi I. et al. 1996, Abonyiné Palotás J. 1999, Katona T. - Lengyel I. szerk. 1999). A bevezető egyetemi
kurzusokon jól használható összefoglalója a társadalomföldrajzban használható elemi matematikai eljárásoknak
Vuics Tibor feladatgyűjteménye (Vuics T. szerk. é.n.) A matematikai-statisztika kézikönyvei közül Hunyadi L. –
Vita L. 2002 munkája a legújabb, a sokáig használt klasszikusok közül kiemelhető Köves P. – Párniczky G.
1981. Mindezek haszonnal forgathatók. Mivel a matematikai és a statisztikai ismeretek nem avulnak el, bármely
régebbi átfogó könyv használható ma is. Mindez kevésbé mondható el a számítástechnikára, ott különösen
érdemes figyelni a legújabb kiadványokra.

A kvantitatív elemzéseket a területi kutatásokban a vizsgálat térbelisége és az elemzett egységek,

objektumok jellege szerint két nagy csoportba oszthatjuk:

• A területegységek (települések, régiók, országok vagy általában bármilyen konkrét térfelosztás

eredményeként kapott területegységek rendszereinek) vizsgálata a klasszikus területi
→ 2.2.2) indul, s elemzési eszköztára az általános és területi statisztika (spatial
adatmátrixból (→
 statistics) módszereire támaszkodik19. A térbeli, területi azonosítás ezekben az esetekben a
megfigyelési egységek nevével, térképi ábrázolásával történik. E vizsgálatok számítástechnikai
bázisát a hagyományos táblázatkezelő és statisztikai, valamint térképrajzoló programok jelentik.

Ebben a szemléletben a regionális és települési elemzések beilleszkednek a társadalomelemzés

más dimenziói sorába (Bukodi E. 2001). Ilyen jellegzetes közelítést képez a demográfiai (nem,
életkori csoportok, családtípusok szerinti) vizsgálat; a társadalmiosztály-dimenzió (foglalkozási
csoportok, munkaerő-piaci szektorok, ágazatok szerinti megoszlás); különböző társadalmilag
„veszélyeztetett” csoportok (képzetlenek, tartós munkanélküliek, fiatal munkanélküliek,
fogyatékosok stb.) vizsgálata.

• A térben helyzetparaméterekkel (helykoordinátákkal) azonosított adatrendszerek vizsgálatakor a

térbeliség, a szomszédsági relációk, a távolságeloszlások, a konfiguráció vizsgálata a térelemzés
(spatial data analysis, exploratory spatial data analysis) eszközeit igényli A témakörben számos
átfogó módszertani munka látott már napvilágot (az újabbak közül: Fotheringham, A. S. et al.
2000). A számítógépi munkában itt már speciális programokra van szükség. Ez az elemzési
szemlélet általánosabb kérdéskörökhöz nyit utat, mint a sajátos területi statisztikai közelítés, s így
a regionális elemzéstől tartalmilag távoli, generális problémakörökben is felbukkan (ilyen
kérdéskör például a képfelismerés) – analógiákat kínálva a társadalmi folyamatok térbeliségének
elemzéséhez. (A legújabb hazai szakirodalomban ilyen tematikát is tartalmaz Dusek T. már
többször idézett értekezése, valamint Varga A. 2002 térökonometriai áttekintése.)

A térelemzés (ezen belül is a térökonometria) egyik vezető nemzetközi szaktekintélye, Luc Anselin a
döntően GIS alapú társadalmi térelemzés alábbi kulcsterületeit és hatásait jelöli meg (Anselin, L.
1999):
o adatintegráció (különböző tartalmú adatbázisok együttes elemzése a térbeli lokalizáció
segítségével, egyazon területre vonatkozóan),
o a térbeli eloszlások, konfigurációk feltárását segítő vizualizáció,
o empirikus térstatisztikai és tér-ökonometriai elemzések,
o a térbeli (földrajzi) gondolkodás erősödése a társadalomkutatásban (lásd például Krugman „új
gazdasági földrajzát) és a döntéshozatalban,
o a társadalmi tér szemléletének alakítása különböző tudományterületeken,
o a tér-idő relációk kutatásának előtérbe kerülése.

Mindezek fontos feltételeként hangsúlyozza a térelemzési ismeretek integrálását az oktatásba,

képzésbe. (Hasonló elemzési momentumokat emel ki Bivand, R. 1998.)

Érdemes még megemlíteni, hogy a módszertani irodalomban találkozhatunk a térstatisztika

kifejezéssel is, ez azonban nem a helyzetparaméterekhez kötődő, geokódolt adatok elemzését jelenti,
hanem a sokváltozós, n-dimenziós adatrendszerek („terek”) vizsgálati módszereire utal (Füstös –
Meszéna – Simonné 1997). Ezek közül kötetünkben részletesebben a faktoranalízissel → 5.5
foglakozunk20.

A kétfajta közelítés rokonságát és különbségét jól érzékeltethetjük, ha néhány alapvető fogalom,

illetve kvantitatív eljárás szempontjából szembesítjük őket (2.1. táblázat).

19
Ezt az ismeretkört fogja át a hazai regionális elemző szakirodalom immár klasszikusnak számító munkája, a
Sikos T. Tamás által szerkesztett kötet (1984), s hasonló szemléletű tanulmányokat tartalmaz Kulcsár V. szerk.
1976, amely az első „modern” magyar nyelvű kvantitatív elemző tanulmánykötetnek tekinthető.
20
Rokon-módszer a regionális vizsgálatokban ritkábban használt többdimenziós (vagy sokdimenziós) skálázás
(Lengyel I. 1999) vagy a diszkriminancia-analízis (Obádovics Cs. 2004). E két eljárás inkább az ordinális
változókkal, hasonlósági mértékekkel operáló véleménykutatási, szociológiai vizsgálatokban gyakori. A szűkebb
értelemben vett regionális elemzések ellenben általában magasabb mérési szintű változókra épülnek, amelyeket
ritkán indokolt méréselméleti szempontból „lebutítani”.
 Fogalomkör Területi statisztika Térelemzés
Azonosítók Nevek Helykoordináták, vektorok
Középértékek Átlag Térbeli közép (súlypont)
Differenciáltság Szórás Standard távolság
Megoszlások A jellemzők eloszlásfüggvényei Térbeli alakzat, konfiguráció
Kapcsolatok Korreláció, regresszió Területi autokorreláció és –regresszió

2.1. táblázat A területi statisztika és a térelemzés jellegadó fogalompárjai

A területi statisztika és a térelemzés természetesen össze is kapcsolódhat. A területi adatok

összetettebb matematikai-statisztikai elemzésének maga az egységek térbelisége szab korlátokat, hisz
ezek a megfigyelési egységek nem tekinthetők egy véletlen minta elemeinek, mert épp a térbeli
közelség, szomszédság következtében egymásra is hatnak, s így jellemzőik között kapcsolat, területi
→ 4.3) léphet fel.
autokorreláció (→

 Más kérdés azonban az, hogy egy konkrét, empirikus adatsor – mondjuk a GDP-nek a világ országaira
vonatkozó keresztmetszeti adatsora – egyáltalában valamely matematikailag jól definiált elméleti eloszlás
„mintájaként” vizsgálandó-e vagy sem. Ez a matematikai-statisztikai eszközök empirikus használatának egyik
máig nyitott vitakérdése.

A területi elemző legtermészetesebb szempontja (mondhatnánk axiómája) az, hogy térbeli,

területegységekhez rendelt (településekre, körzetekre, országokra vonatkozó) információkkal
dolgozik. Ez annyira magától értetődő, hogy sem maguk az információk, sem a velük kapcsolatos
elemzési eljárások kapcsán ezt a jellemzőt külön általában nem is taglalják. Márpedig a lokalizáltság, a
helyhez kötés, a térbeli kiterjedés és érvényesség kapcsán nem árt néhány feltételt megvizsgálni,
mielőtt bonyolult elemzésekbe kezdenénk. Vegyünk néhány ilyen szempontot:

• Az adott jelenség valóságos szerveződési egységeiben és szintjein vizsgálódunk-e, vagy épp ott,
ahol, amire az információk rendelkezésre állnak?
• Miként módosítja a vizsgált összefüggéseket, ha megváltoztatjuk a térségi kereteket és szinteket
(aggregáljuk vagy dezaggregáljuk az adatokat)?
• Mit kezdjünk a térben megosztott, egyetlen helyhez vagy téregységhez nem vagy csak részben
köthető jelenségekkel, milyen térbeli keretekben elemezzük őket?
• Milyen elemi (tovább nem bontható illetve tovább nem bontott) egységei vannak a területi
vizsgálatoknak?
• Elég egyetlen térségi szinten vizsgálódni, netán követelmény minden jelenség esetében az, hogy
különböző aggregációkban is elvégezzük az elemzést?
• Milyen feltételekkel használhatók a területi elemzésekben a geometria jól ismert térelemei
(pontok, vonalak, térrészek), mint sajátos lokalizációs modellek?
• Milyen gyakorlati gondokat okoznak mindezen kérdések a (területi) társadalomirányításban?

2.2 Műveletek területi adattáblákban és adattáblákkal

2.2.1 Szám, vektor, mátrix

A területi elemzések információbázisai, adattáblái leggyakrabban számokból (skalárokból), s az ezek

sajátos elrendezésével létrejövő vektorokból és mátrixokból állnak. Először néhány ezekkel
kapcsolatos matematikai összefüggést idézünk fel.
Szám

A szám a matematika legalapvetőbb, önállóan nem definiált fogalma. Megkülönböztethető dolgok

megszámlálásával jutunk a természetes számokhoz (1, 2, 3…). Ezekből minden más szám – különböző
matematikai műveletek felhasználásával – levezethető.

Ilyen levezetett szám a 0 (nulla) is, amely tehát nem tartozik a természetes számok közé, hanem már művelet
eredménye, két azonos szám különbségéből adódik (a-a = 0). A nullánál kisebb számokat negatív, a nagyobbakat
pozitív számoknak nevezzük. Két különböző előjelű szám is lehet azonos abszolút értékű, ha hányadosuk -1
(a/b=-1, például 5 és -5). A számok abszolút értékének önálló jelölése van: a abszolút értékét a-val
(függőleges vonalak, nem szokásos zárójelek!) jelöljük, ennek megfelelően: 5=-5=5.

Kitüntetett tulajdonságú szám az 1. Bármely számot 1-gyel szorozva önmagát kapjuk eredményül. A számok
tetszőlegesen nagyok illetve kicsik lehetnek, mínusz és plusz végtelen között oszlanak el (jelölés: -∞ és +∞).

Kerekítés, normál alak

A valós számokat általában végtelen sok számjeggyel adhatjuk meg. Ha a szám ilyen előállításában valamely
adott értéknél kisebb helyiértékű számjegyeket olyan módon hagyjuk el, hogy a megmaradó számjegyekkel leírt
számot az elhagyott számjegyek nagyságától függően, egy adott előírás szerint módosítjuk, kerekítésről
beszélünk. Tízes számrendszerben úgy kerekítünk, hogy ha a legnagyobb helyiértékű elhagyott számjegy

5-nél kisebb, akkor a megmaradó számokat változatlanul hagyjuk

5-nél nagyobb, akkor a legkisebb helyi értékű el nem hagyott számjegyet 1-gyel növeljük
épp 5, akkor csak abban az esetben nem növeljük a legkisebb helyi értékű el nem hagyott számjegyet,
ha az páros és az elhagyott szám után csupa nulla áll (az alábbi számpélda második esete ez, mivel
viszonylag ritkán fordul elő, „durva” szabályként azt mondhatjuk, hogy az 5-öt is felfelé kerekítjük.)

Szám: 8,725365 Kerekítve: 8,73

8,725000 8,72
8,715000 8,72

Az elemzések során, tartalmi szempontból akkor indokolt kerekíteni, ha az adott jelzőszám

esetében az elhagyott értékeknek nincs érdemi jelentőségük, a kerekítési hiba hatása ezért

→4.2) sem indokolt a

elhanyagolható. Kis elemszámú mintákból számított korrelációnál (→

„tudományosnak” látszó sokértékű együttható közlése és részletező interpretációja: megyei

szintű rangkorreláció 0,3915 és 0,3500 értéke egyaránt 0,4-es korrelációt jelez. (A témakör

további matematikai finomságairól lásd a kerekítés-elmélet szakirodalmát.)

A számok alakjával összefüggő átalakítás a nagy számok ún. normálalakban történő

(helytakarékos) megadása. Egy szám normál alakja az egy egész helyiértékű alak és 10

megfelelő hatványának szorzata. Például: 2002. január 1-én az ország népessége 10 174 853

fő volt, ennek normálalakban megfelel az 1,0174853*107 kifejezés, aminek szokványos

(például a legtöbb táblázatkezelő programban használt) jelölése: 1,0174853E + 07. (Az más

kérdés, hogy a számbavételi nehézségek miatt legfeljebb ezres nagyságrendben megbízható a

lélekszám.)

A változók jelölése

Matematikai összefüggésekben, képletekben, egyenletekben jellemzően nem egyes, konkrét számok, hanem
általában – az adott összefüggésben megengedett, értelmezhető – számok halmazai, csoportjai, a változók
szerepelnek (a statisztikában ez a különbség jelenik meg az ismérv és az ismérvérték fogalompárban). Ezek
jelölésére különböző (latin, görög, héber) ábécékből vett betűket használnak. Bár bizonyos matematikai
területeken e betűjelölések jellegzetesek – a geometriában gyakoriak a görög betűk (α,β), az algebra a latin
betűsor elejéről válogat (a,b,c), míg a statisztika ugyanezen betűsor végéről (x, y, z) – hangsúlyozni kell, hogy
ezek nem kötelezően használandók, csak kényelmes konvenciók. Egy új, ismeretlen képlettel találkozva nem a
betűkre, hanem az összefüggés tartalmára, jelentésére kell figyelni!
Vektor

A vektor a számfogalom kiterjesztése. A rendezett szám-n-eseket vektornak nevezzük.

V = (a1 , a 2 ,...a n )

A rendezettség a vektorban szereplő számok rögzített sorrendjét jelenti, azonos számjegyeket, de különböző
sorrendben tartalmazó vektorok különbözőek, például pl. A (4,8,0,6,2,2,) és B (2,2,6,0,8,4) két különböző
vektor. Két vektor akkor egyenlő egymással, ha ugyannyi számból áll (másként: a dimenziójuk azonos) s
ugyanazon (az első, második, n-edik) helyen ugyanazon érték áll mindkét vektorban. A vektort mind sorokban
(sorvektor), mind oszlopokban (oszlopvektor) elrendezett számok alkothatják. A vektor a geometriában irányított
szakaszokkal reprezentálható.

Azonos dimenziószámú vektorokkal műveletek végezhetők. 0-vektornak (nullvektornak) nevezzük azokat a

vektorokat, amelyek minden eleme 0. Ezt két azonos vektor különbségeként kaphatjuk, úgy, hogy a megfelelő
helyen álló számokat kivonjuk egymásból. (Végtelen számú 0 vektor lehetséges, hisz minden dimenziószámhoz
különböző 0-vektor rendelhető).

Vektorok esetében kétféle szorzási művelet is értelmezhető, ezek közül a skalárszorzat kerül gyakrabban elő a
területi elemzésekben. Ez V(v1, v2….vn) és W(w1,w2…wn) azonos dimenziószámú vektorok esetén értelmezhető,
s a két vektor azonos helyen álló elemeinek szorzatösszegeként egy számot (skalárt) ad eredményül:

b = ∑ vi wi
1=1

Ugyancsak azonos dimenziószámú vektorokra értelmezett az ún. vektoriális szorzat, amely egy vektort ad
eredményül, amelynek első eleme a két vektor első helyen álló elemének szorzata, a második a második helyen
álló elemeké és így tovább:

V*W= T (v1w1, v2w2…vnwn)

Koordinátarendszerek

A koordináta (vagy vektor-) geometria a matematika többi nagy területét (algebra, analízis) kapcsolja össze a
geometriával. A koordinátarendszerek rendezett szám n-esek (vektorok) és az euklideszi tér pontjai között
teremtenek megfeleltetést.

A területi elemzésben is leggyakrabban a Descartes-féle derékszögű koordinátarendszert használják rendezett

számpárok és a sík pontjainak megfeleltetésére (súlypont → 2.6, regresszió-számítás → 4.4)

A koordinátarendszer kezdőpontja, origója tetszőlegesen választható meg. A tengelyek eltolása (s a ritkábban

előforduló elforgatása) – ez az ún. tengely-transzformáció, amelynek során az új tengelyek metszőpontját
tekintjük origónak – az eredeti pontok koordinátái megváltoznak, de ez nem változtatja meg a pontok egymáshoz
viszonyított helyzetét és távolságát. Ha a koordinátarendszer origóját a C (a;b) pontba toljuk el, akkor az új
rendszerben az A (x; y) pont új koordinátái x’ = x-a illetve y’ =y-b lesznek.

Magyarországi vizsgálatok esetében, amikor az elemzés alappontjai az ország települései (városai), előnyös a
koordinátarendszert úgy kijelölni, hogy annak origója a főváros középpontjában legyen, ekkor ugyanis a pontok
(települések) helykoordinátáinak előjeleiből azonnal következtetni lehet azok földrajzi pozíciójára is. A
számítási eredmények (pl. súlypontok) azonban akkor sem mutathatnak más térbeli konfigurációt, ha a
koordinátarendszer középpontja a térkép bal alsó sarkában van (ilyenkor minden pont mindkét koordinátája
pozitív).

A koordinátarendszerben elhelyezett pontok vizuális értelmezésével nagyon óvatosan kell bánni, hisz azt a
koordinátarendszer skálája (egységei) jelentősen befolyásolhatják → 2.9.. Függvények, statisztikai eloszlások
egyszerű grafikus ábrázolásakor a két tengelyen ugyanis nem feltétlenül azonosak az egységek (ez gyakran
célszerű és megengedhető). A pontok távolságát nem vonalzóval kell mérni az ábrán, hanem a megfelelő
távolságfüggvény segítségével.
A földrajz legismertebb koordináta-rendszere a földi szélességi és hosszúsági hálózat, ami egy gömbi
polár-koordinátarendszer, hisz ott minden ponthoz egy távolságérték (a Föld elméleti középpontjától
mérve) és a két irányszög (a greenwichi délkörhöz illetve az Egyenlítőhöz viszonyítva) határozza meg
a pontok helyzetét. A földi gömbi koordináták használata a társadalmi jelenségek vizsgálatakor
viszonylag ritka, bár nagyobb térségek elemzésekor előfordul. Kisebb terekben végzett elemzések
esetében sík területet feltételezünk a földi térben lokalizált elemek helyzetének meghatározásakor.
Speciális koordinátarendszer az ún. háromszögdiagram → 2.9.7.

Mátrix

A mátrix ugyancsak a számfogalom kiterjesztése. Ha számokat n sorból és m oszlopból álló táblázatokba

rendezünk, kapjuk a mátrixokat. (Általánosságban a matematika nem csak számok, hanem bármilyen
matematikai kifejezés ilyen táblázatos elrendezését mátrixnak nevezi.) Az egy sorból illetve egy oszlopból álló
mátrix vektorként is értelmezhető.

A matematika mátrix fogalma – egyebek mellett – abban különbözik a táblázat fogalmától, hogy abban a sorok
és az oszlopok tartalmának nincs jelentősége – a mátrix oldal- és fejléc nélküli táblázat. Ebben az értelemben a
területi kutatás jellemzően csak táblázatokkal dolgozik, még ha mátrixnak hívja is őket.

A mátrixokat leggyakrabban nagy latin betűkkel (A, B, C) vagy ún. általános (az i.-ik sorban és a j.-ik oszlopban
található – elemükkel jelölik: {xij}. Ha a mátrix méretét – sorainak és oszlopainak számát – is fontos megadni,
akkor a fenti jelölések egy n sorból és m oszlopból álló mátrix esetében így módosulnak: nAm illetve n{xij}m.

Mind a vektorokkkal, mind a mátrixokkal a számokhoz hasonló műveletek (összeadás, szorzás) végezhetők,
speciális szabályok szerint. Gyakran előforduló művelet mátrix és vektor szorzata, amivel gyakran találkozhat a
területi elemző is, összetettebb statisztikai módszereket használó publikációk összevont módszerleírásaiban. Ez a
művelet az ún. sor-oszlop skalárszorzás. Az y vektor elemeit az A mátrix soraiban található elemekkel rendre
összeszorozzuk, majd ezeket a szorzatokat összeadva egy új vektort kapunk eredményül. A szorzás feltétele, hogy
a mátrixnak annyi sorból kell állnia, ahány elemű a műveletben szereplő oszlopvektor (ezt érzékelteti az alábbi
mátrix-egyenlet).

0 1 00 0  y1   y2 
   
1 0 00 
0  y2   y1 
  
0 0 0,5 0,5  y 3  = 0,5 y 4 + 0,5 y 5 
0 
   
0 0 0,5 0 0,5  y 4   0,5 y3 + 0,5 y 5 
0    
 0 0,5 0,5 0  y   0,5 y 3 + 0,5 y 4 
 5

Jellegzetes jelölése e műveleteknek: A y (A mátrixot szorozzuk y vektorral). Nem megrémülni, megérteni (rövid
matematikai utánképzést igényel csak)! Legtöbbször nagyon egyszerű műveletekről van szó, összevont
jelöléssel, az alapadatok ügyes, mátrix és vektor formájú elrendezését felhasználva.

2.2.2 A területi adatmátrix

Amikor rendelkezésre állnak használható számszerű információk, akkor a területi elemzésekben a tér
leggyakrabban a megfigyelési egységekben van jelen. Országokra, régiókra, településekre vonatkozó
jellemzők vizsgálata folyik. Ezeket – a területi statisztikai kiadványokat megtöltő – adattáblákat
nevezzük területi (földrajzi) adatmátrixoknak (2.1. ábra). A mátrix sorai egy-egy területegység
(területi, települési megfigyelési egység) különböző jellemzőit tartalmazzák, oszlopai pedig egy-egy
jellemző értékeit a területegységekben.
 Jellemzők

 a 11 a 12 ... a 1 j ... a 1m 
a a 22 ... a 2 j ... a 2 m 
 21
 ... ... ... ... ... ... 
Területegységek  
 a i1 ai 2 ... a ij ... a im 
 ... ... ... ... ... ... 
 
a n1 a n2 ... a nj ... a nm 

2.1. ábra Területi adatmátrix

Míg a terület, mint megfigyelési egység tehát közös jegy, a jellemzők (gazdaságföldrajzi, regionális
gazdaságtani, településszociológiai, demográfiai, politikai vagy más indikátorok) tartalma az, ami az
egyes területi tudományokat elválasztja.

Az oszlopok és a sorok szerepe felcserélhető. Az ilyen elrendezést azonban ritkábban használjuk (leginkább
akkor, ha néhány területegység, ország közvetlen összehasonlítása a cél). A legalapvetőbb statisztikai mutatók
számításakor is kedvezőbb, ha a változók szerepelnek az oszlopokban, s több összetettebb módszer esetében
(faktoranalízis →5.5) követelmény az is, hogy a megfigyelési egységek (területegységek) száma jelentősen
haladja meg a jellemzők, változók számát, így az ajánlott sor-oszlop elrendezés kényelmesebb, áttekinthetőbb.

A területi adatmátrix egyes elemei (a számítástechnikában: cellák), sorai, oszlopai, résztömbjei szerint
vehető elemzésbe, egyszersmind sajátos vizsgálati utakat teremtve:
• a sorok (a számítástechnikában: rekordok) szerinti elemzés az egyes területegységek jellemzésére,
a sorok összehasonlítása egymással a megfigyelési egységek belső térszerkezeti összetételének,
struktúrájának összevetésére ad lehetőséget. Ha mátrixunk csak egyetlen sorból áll, akkor sor-
vektornak is nevezhetjük;
• az oszlopok (a számítástechnikában: mezők) vizsgálata az adott jelenség térbeli eloszlásának
(térképezésének), a területi differenciáltság mérésének kiindulópontja, az oszlopok
összehasonlítása a különböző társadalmi szférák vagy jelzőszámok közötti területi kapcsolatok
(asszociáció, korreláció), összefüggés, együttmozgás vagy elkülönülés vizsgálati útja. Ha
mátrixunk csak egyetlen oszlopból áll, akkor oszlop-vektornak is nevezhetjük.

A nagy adatmátrixokat, vagy több, egymással összekapcsolt adatmátrix együttesét adatbázisnak

nevezzük. Mindenkor érdemes arra is vigyázni, hogy a különböző jelzőszámokat azon a térségi
szinten, területi keretben használjuk, ahol tartalmuk valóságosan megfogható, releváns. Nincs értelme
a fajlagos acélfelhasználást a fővárosi kerületek szintjén vizsgálni, még ha – nagy nehézség árán –
talán meg lehetne valamilyen számértéket erre is becsülni, s ugyanígy eléggé formális a szociális
segélyek nagytérségi (regionális) elemzése, hisz ez az egyének, családok, kisebb társadalmi
aggregátumok szintjéhez kötött. Mindez kissé általánosítva azt jelenti, hogy a területi adatmátrix sorai
és oszlopai (mivel azok tartalma lényeges) nem kombinálhatók véletlenszerűen.

Az ismérvek rövid elnevezése

Egy rendkívül gyakorlatias, de mindenkor felbukkanó feladat, hogy az elemzésbe vett, bonyolult módszerekkel
feldolgozásra váró adatsorokat (a területi adatmátrixok oszlopfejeiben, fejlécében, vagy a köztük lévő
kapcsolatot leíró egyenletben) rövid jelöléssel is azonosítani kell. (Egy többváltozós regressziós analízis
leírásába és az eredmények közlésébe aligha illeszthetők be teljes elnevezésükkel például olyan változók, mint
az egy főre jutó GDP 1999. évi adata vagy a városi népesség aránya 2000.) Arra, hogy miként rövidítsük,
jelöljük az adatot, nincs általános előírás. A magam „módszerében” az alábbi szempontokat szoktam
érvényesíteni:
• A rövidítés valóban legyen rövid (8, legfeljebb 10 karakter)
• A karakterek között ne legyenek hosszú ékezetes magyar betűk (ezt sok számítógépi program nem szereti)
• A rövidítés utaljon a változó tartalmára
• Szerepeljen benne az időpont is (ez főként akkor indokolt, ha az adattáblában különböző időpontra vonatkozó
adatok szerepelnek).

Ennek megfelelően a fenti változókat így jelölném: GDPPOP99 illetve VARPOP00. Aki érti (például azt, hogy a
POP betűhármas miért szerepel mindkét mutatóban, és mire utal) és akinek tetszik a megoldás, válassza ezt,
akinek jobb, szebb megoldása van, tegyen úgy, az ajánlott szempontokat nem teljesen félretéve!

2.2.3 Műveletek adatsorokkal

Új adatok előállítása több adatsorból

A területi elemzések során nagyon gyakori, hogy több adatsorunk is van, s nem pusztán egyenként
vizsgáljuk őket, hanem (ha lehetséges) egyszerű számtani műveleteket is elvégzünk velük. Itt a területi
adatmátrix oszlopaival (jellemzők, adatok) végzett műveletekről van szó, a sorok (a területi
megfigyelési egységek) változatlanul maradnak.

Összeadással kapott új adatsorok

Az adatsorok egyszerű összeadása tartalmilag homogén adatok esetében kerül szóba. Ezen az úton a több
részelemből álló aggregátumok egészére kaphatunk adatokat (az egyes ágazatokban foglalkoztatottak területi
adatainak összeadása például a teljes foglalkoztatotti kört, az egyes korcsoportoké pedig az össznépességet adja
ki.)

Azt, hogy milyen adatokat tekintünk tartalmilag homogénnek nem csak maga a dolog vagy jelenség, hanem az
értékelési szempont is befolyásolja. A búza, a napraforgó és a burgonya termésmennyiségét a mezőgazdaságot
elemezve nem szokás közvetlenül összeadni, de a vasúti áruszállítás szempontjából ezek tömege a mérvadó, s
ekkor már összeadhatók. (A naturálisan különböző dolgok „közös nevezőre” hozását, amikor tehát valami
módon mégis „összeadjuk” őket, külön tárgyaljuk → 5.4.1).

Jellemző művelet az egy-egy hosszabb időszak területi folyamatainak elemzésekor a természetes egységekben
(naturáliákban) mért területi idősorok egyedi időpontokra (általában egyes évekre) adott értékeinek összeadása is
az időszakra egészére. Gyakori példája ennek a demográfiai mozgalom éves adatainak, vagy a természetes
egységekben kifejezett fejlesztések – pl. az éves lakásépítés, az épített autópályák hossza – volumenének
összegzése, kumulálása. A növénytermelési adatok esetében az időjárás változásával összefüggő, ismétlődő, de
időben véletlenszerű termésingadozások hatásának kiszűrésére általában több (3-4) év adatának ún. mozgó
átlagával számol az összehasonlító agrárstatisztika.

Kivonással kapott új adatsorok

Ha túllépünk azon a logikailag és számtanilag természetes összefüggésen, hogy, ami összeadható, az ki is

vonható (például a területi idősorok egyes adatoszlopait kivonva egymásból az éves relatív többletek és hiányok
tárulnak fel), e példa mellé újabbak is felsorakoztathatók.

Szemben az összeadással, ami kommutatív (felcserélhető), azaz A+B = B+A, a kivonás nem, azaz A – B ≠ B – A.
S nem áll a fenti kijelentés ellentettje sem, miszerint, ha két adat egymásból való kivonásának van értelme, akkor
az összeadásának is van: ha az ország teljes népességéből kivonjuk a városlakók számát, megkapjuk a
községekben lakók lélekszámát, ha azonban összeadjuk a teljes népességet és a városlakókat, akkor (millióban
számolva Magyarországon) egy megjátszható lottószám az eredmény, semmi más.

Vegyünk azonban még érdekesebb példát a kivonással kapható új adatokra. Erre jó terep a hazai területi
kutatások egyik leggyakrabban használt területi kincsestára a személyijövedelem-adó adatbázisa. Ebben az
APEH 1988 óta lényegében minden évre hozzáférhetővé tesz az ország minden településére négy fontos adatot:
az adóköteles jövedelem (J, forintban)
a személyi jövedelemadót fizetők száma (A, főben)
a befizetett személyijövedelem-adó (S, forintban)
az állandó népesség (N, főben)
Ezt az adatbázist használva, teljesen új minőségű adatot kapunk például akkor, ha az adóköteles jövedelemből (J)
kivonjuk a befizetett személyi jövedelemadót (S), ekkor áll ugyanis elő a J–S= N, nettó jövedelem.

Szorzással kapott új adatsorok

A szorzás kevésbé gyakori művelet új adatok előállítására a területi elemzésben, bár itt is

előfordul, leggyakrabban az árakkal, költségekkel kapcsolatos elemzésekben. Az utazási vagy

szállítási költség például a megtett út és a tarifák szorzata, de hasonló mutató az üzemanyag

fogyasztás is.

A szorzás, mint alapvető matematikai művelet természetesen nagyon gyakori minden más összetettebb
matematikai formula, egyenlet esetében.

Osztással kapott új adatsorok

A műveletek közül talán az osztás a legnagyobb új adattermelő. Osztással kapjuk ugyanis az alapadatokból a
relatív vagy fajlagos adatokat. A fenti adatbázisból véve a példát: J/N adja az egy főre (lakosra) jutó adóköteles
jövedelmet, A/N pedig az adózók hányadát az összes népességből (ha ezt a hányadost 100-zal szorozzuk, akkor
az arányt százalékban kapjuk).

A területi vizsgálatokban leggyakrabban a népesség egészére (illetve speciális jellemzők esetében az érintett
népességi körre: a fenti adatok közül ilyen az adófizetők száma), a területnagyságra vetített mutatószámokat
használnak. Előbbiek a fejlettség, ellátottság, hatékonyság jellegzetes mutatóit adják, utóbbiak pedig a
különböző területi sűrűségi, koncentrációs mutatókat (a legismertebb a népsűrűség, amely a lélekszám és a
terület hányadosa).

A gazdasági fejlettségi és sűrűségi mutatók között egyszerű összefüggés van, a gazdasági sűrűséget a gazdasági
fejlettség és a népsűrűség szorzatára bonthatjuk.

GDP/terület = (GDP/népesség)*(népesség/terület)

azaz:
gazdasági sűrűség = (gazdasági fejlettség)*( népsűrűség)

Új fajlagosok konstruálásával érdemes óvatosnak lenni. Formálisan számítható ugyan, de a vasútvonalak

egy óvónőre vetített hosszának kistérségi különbségeit vélhetően csak nagyon cizellált kutatási problémakörben
érdemes önálló indikátorként elemezni. Mindez arra int: törekedjünk érdekes, új mutatók kiszámítására, de
értően, a tartalomra figyelemmel!

Gyakori az, hogy bizonyos fajlagos adatok és azok reciproka egyaránt értelemmel bír. A fenti adatokból
számítható A/N (adózóarány) reciproka, az N/A mutató azt fejezi ki, hogy egy adózónak hány embert kell
eltartania. Mindez bizonyos esetekben jól kihasználható. Lehet olyan vizsgálat, amikor a várossűrűség
(városok/terület) máskor ellenben ennek épp a reciproka (terület/városok) a jó mutató. Előbbi inkább a területi
fejlettség, utóbbi az intézményi ellátottsági szükségletek tervezésének témakörében kerül szóba.
Fejlettségi vizsgálatok során gyakran használják az elemzők a munkanélküliségi rátát (munkanélküliek és az
aktív keresők aránya, százalékban kifejezve). Ennek azonban az a sajátossága, hogy „kilóg” a hagyományos
fejlettségi, jóléti mutatók köréből, hiszen minél nagyobb az értéke, annál rosszabb a helyzet az adott térségben.
Itt is szóba jöhetne a reciprok-mutató (aktívak/munkanélküliek), ennek azonban elég nehezen tudunk értelmet
adni. Ebben az esetben a munkával rendelkezők aránya (100-munkanélküliségi ráta) lehet az a jelzőszám,
aminek nagy értékei a kedvező, alacsony értékei a kritikus térségi állapotokra utalnak.

A fajlagosok mértékegységei

Az adatok értelmezéséhez fontos azok mértékegységének, dimenziójának ismerete. Osztással kapott, fajlagos
adatok esetében az új mértékegység a számlálóban illetve a nevezőben szereplő adat mértékegységének
hányadosa: népsűrűség = népesség/terület, ezért mértékegysége fő/km2. A gazdasági fejlettség mérésére használt
jövedelemfajlagosok mértékegysége pénznem/fő. De ha konkrét mutatót emlegetünk (térképezünk), például a
gyakorta használt egy főre jutó GDP-t, elégséges a pénznem megnevezése is. Számos olyan jelzőszám van,
aminek a számlálója és a nevezője azonos mértékegységű, így az osztás után ezek mértékegység-nélkülivé,
dimenziótlanná válnak. Ezt oldja fel az a megoldás, hogy a számlálót a nevező százalékában adjuk meg (ilyen a
városi népesség aránya %-ban). Vannak nem szokványos mértékegységű mutatók is, így például a vasúthálózat
sűrűségének dimenziója 1/km (a hossz/terület hányados következményeként). Összetettebb modellek
formuláiban ugyancsak sajátos mértékegységek szerepelnek (pl. a potenciálmodellben → 6.7.2 dollár/km lehet a
dimenzió).

Részben a mértékegységgel függ össze az, hogy bizonyos fajlagosok esetében a számláló illetve a nevező maga
milyen mértékegységű, nagyságrendű legyen. Vegyünk néhány példát. Bár a népsűrűség számításánál egyaránt
értelmes, ha a népességet egy négyzetkilométerre vagy egy hektárra vetítjük, a szokásos eset az egy
négyzetkilométerre vetítés (ennek ellentéte a termésátlagok mutatója, ahol a vetítési alap, a termőterület
legtöbbször hektárban adott). Jól ismert, hogy a legtöbb demográfiai mutatószámot (születés, halálozás,
vándorlás) 1000 főre vetítve használják, s ezért ezrelékben adják meg (ez azzal függ össze, hogy a
népességdinamika e mutatói jellemzően az adott népességszám egy-két százaléka körüli nagyságrendűek). A
legtöbb, a népességszámhoz viszonyítással kapott fajlagost egy főre számítják. Bizonyos ellátottsági,
infrastrukturális adatoknál gyakori a száz főre (száz háztartásra, lakásra) vetítés (ami azt is jelenti, hogy a kapott
érték egyben azt mutatja, hogy a számba vettek hány százaléka él az adott ellátottsággal, pl. fürdőszobás
lakással). Használati tárgyak esetében is gyakori a 100 főre vetítés (pl. személygépkocsi), sőt előfordulnak 1000
lakosra vetített mutatószámok is. Ezek makroszinten nagyon jól használhatók, máskor azonban furcsa eredményt
adnak. A TV készülékek ezer lakosra jutó száma egy 250 fős aprófaluban mindenesetre érdekes fajlagos (ha
minden lakosra jut egy készülék, akkor ez az adat itt 1000 s nem 250).

Indexek

Gyakran nagyon megkönnyíti az adatsorok értelmezését, megsokszorozza a következtetéseket, ha az eredeti

adatokat az adatsor meghatározott értékeihez viszonyítjuk, indexekké alakítjuk. (Természetesen itt is
figyelemmel kell lenni arra, hogy a viszonyításnak matematikailag is legyen értelme.)

Idősorok esetében a két leggyakoribban átalakítás:

• a bázisindex-idősor előállítása. Ekkor az adatsor minden értékét a kezdő időpont értékeihez viszonyítjuk
(vagy elosztunk minden adatot az induló értékkel, vagy annak százalékában fejezzük ki, előbbi esetben a
bázisidőponthoz rendelt érték 1, utóbbiban 100 lesz).
• a láncindex-idősorban minden értéket az előző időpontra vonatkozó adathoz viszonyítjuk (vagy elosztunk
minden adatot a megelőzővel, vagy annak százalékában fejezzük ki)

A lánc-indexszé átalakítás sajátossága, hogy megrövidíti az idősort, hisz az induló időpont adatát nincs
mihez viszonyítani. A lánc-index idősor tehát nem 1-gyel vagy 100-zal kezdődik, hanem a kezdő időponthoz
nincs hozzárendelt érték!

Az idősorokhoz hasonló átalakítással juthatunk a területi indexekhez.

Nagyon gyakori a területi elemzésben az adatsor átlagához viszonyítás (lásd: egy főre jutó GDP az országos
átlag százalékában). Ez az átalakítás az idősorok bázis-indexével mutat rokonságot. Területi lánc-index azonban
nincs, hisz a területi adatsorokban nincs lineáris egymásutániság (az időbeli egymásutániságnak a térbeli
szemléletben a szomszédság fogalma feleltethető meg). Az indexszé alakítás során eltűnik az adatsorok eredeti
mértékegysége. Ez azzal a jótékony következménnyel jár, hogy a különböző mértékegységben mért adatsorok is
összehasonlíthatóvá válnak. Ez fontos feltétele a komplex mutatók előállításának is (→ 5.4).

Az indexszámítás kapcsán a fentiekben többször előkerült a százalékos adatforma. Ennek kapcsán érdemes
felhívni a figyelmet a mértékkülönbségek vagy a változások százalékos illetve százalékpontos formában való
kifejezésére. Utóbbi akkor kerül szóba, ha százalékos (arány) formában megadott adatok különbségét tekintjük
jelzőszámnak. Ha például a városi népesség aránya 50%-ról 75%-ra nő, akkor a növekedés 25 százalékpontos
illetve 50 százalékos, ugyanígy a munkanélküliségi ráta megduplázódása (azaz 100 százalékos növekedése)
mondjuk 7%-ról 14%-ra, 7 százalékpontos növekedésként is interpretálható. Mindkét összevetés használható, de
nem összekeverendő!

Megoszlási viszonyszámok

Abszolút adatok (például terület, népességszám, összes jövedelem, kereskedelmi forgalom, kukoricatermés)
vizsgálatakor fontos alapinformációkat kaphatunk akkor, ha kiszámítjuk, hogy az egyes területegységekben
(például a megyékben) mekkora hányada összpontosul az adott mutató (országos) volumenének. Ehhez az egyes
területegységek százalékos részesedését kell kiszámítanunk. Az így módon kapott adatsort nevezzük (területi)
megoszlási viszonyszám-adatsornak (a százalékszámítás bonyolult metódusát ismertnek tekintjük).

Mire jó ez az átalakítás? Néhány példa:

• Ha több évre kiszámítjuk egy adott jellemző megoszlási viszonyszámát, meghatározhatók a növekvő illetve
csökkenő részesedésű térségek, a területi koncentrálódás illetve szétterülés folyamata.
• Míg az eredeti mértékegységben adott különböző jellemzők összehasonlítása a területegységek szerint
nagyon nehézkes, ha megoszlási viszonyszámokká alakítjuk őket, összevethetők lesznek, eldönthető
nagyságviszonyuk. (Azonnal eldönthető például így, hogy egy terület részesedése a népességből kisebb
vagy nagyobb, mint a jövedelemből.)
• Megoszlási viszonyszámokkal is végezhetők műveletek. Ha például a népességrészesedést osztjuk a
területaránnyal, akkor a népsűrűségre kapunk sajátos értéket. A „sajátos” jelző azt jelenti, hogy ekkor az
országos népsűrűségi érték 1 lesz (mivel a 100/100 hányados adja), ennél kisebb értékek az átlagnál kisebb
benépesültségű, nagyobbak sűrűbb térséget jeleznek (ha a hányadosokat 100-zal megszorozzuk, akkor az
országos átlag 100 lesz, s ennek megfelelően módosulnak az egyedi adatok).
• Értékadatok (pl. jövedelem) esetében – ahogy arra már utaltunk – gyakori az, hogy különböző évek
nominális, az áremelkedés, infláció által torzított adatai közvetlenül nem összehasonlíthatók. Ha azonban
megoszlási viszonyszámokat számolunk belőlük, itt is azonnal eldönthető lesz, mely térség növelte
jövedelemrészesedését, melyek a visszaszoruló, depressziós területek.
• Megoszlási viszonyszámokon alapul számos kiemelkedő fontosságú, gyakran használt területi
egyenlőtlenségi mutató (→→ 3.2.3).

A „szumma”

A területi elemzésekben használt statisztikai összefüggésekben a leggyakrabban előforduló matematikai művelet

a területi megfigyelési egységekre (legyen ezek száma n) vonatkozó számszerű adatok, jellemzők (jelölje ezeket
xi vagy yi) összeadása (szummázása). Ennek a csak nagyon hosszú formában leírható műveletnek az egyszerű
jelölésére használják a görög nagy Szigma betűt (Σ), így:

x1 + x 2 + ... + xi + ...x n = ∑ xi
i =1

szavakkal: „i egyenlő 1-től n-ig szumma xi,” ami n darab szám (az adott indikátornak a területi egységekre
vonatkozó értékei) összeadását jelenti az elsőtől az utolsóig.
Az ilyen összefüggésben a szumma jel után szerepelnek az összeadandó értékek, a szumma jel alatti és feletti
indexjelölés pedig azt mutatja meg, hogy melyik és hány adatot kell összeadnunk. A legtöbb esetben az összes
(területi) megfigyelési egység adatát össze kell adni, ebben az esetben leegyszerűsödik a jelölés, a szumma jel
indexei elhagyhatók, ekkor az alábbi kifejezések egymással azonos jelentésűek:
n

∑x = ∑x = ∑x
i =1
i
i
i i

A szumma jel alsó és felső indexeit mindenképp jelölni kell, ha az adatok összeadása csak a megfigyelési
egységek egy részére terjed ki.

Nem csak az esetenként különböző értékű egyedi változók, hanem azok különböző matematikai
összefüggéseinek (összegeik, szorzataik vagy más függvényeik) összeadására is szükség lehet. Ilyenkor az alábbi
jelölések és összefüggések érvényesek:

Ha az adott változó értéke minden területegységben ugyanazt a konstans értéket (a) veszi fel, akkor az alábbi
összefüggéssel van dolgunk (mivel a konstansok minden megfigyelési egységben ugyanazon értékűek, ezekhez
alsó index természetesen nem tartozik):
∑ a = na
Ha az adott változót (xi) egy tetszőleges állandóval, konstanssal (legyen ennek jele b) megszorozzuk, majd ezt
követően adjuk össze az adatokat, akkor a konstans kiemelhető:

∑ bx i
= b∑ x i

Ha két változó összegét szummázzuk minden megfigyelési egységre, akkor két utat is választhatunk. Vagy
először minden megfigyelési egységre összeadjuk a két adatot (xi-t és yi-t) és ezt követően szummázunk, vagy
előbb külön-külön összegezzük az egyes adatsorokat majd ezután adjuk össze a két teljes összeget. A
végeredmény ugyanaz:
∑ (x + y ) = ∑ x + ∑ y
i i i i

Hasonló logika alapján egyszerűsödik az alábbi összefüggés is, ha b konstans:

∑ (x i
− b) = ∑ xi − nb
Nagyon fontos felhívni a figyelmet arra, hogy nem áll fenn ugyanilyen jellegű összefüggés az adatsorok
szorzatösszegeinél. Ekkor:
∑x y ≠ ∑x ∑yi i i i

azaz szorzatok összege nem (feltétlenül) egyenlő az összegek szorzatával. Ez alábbi egyszerű számpéldával
könnyen belátható.

Mintapélda az összegek szorzatának és a szorzatok összegének különbségére

Területek(i)
1 0
2 1
3 0
4 2
5 0
6 3
7 0
8 4
9 0
Σ 10
xi yi xiyi
1 0
0 0
2 0
0 0
3 0
0 0
4 0
0 0
5 0
15 0

ahol ∑x y i i
= 0 ≠ ∑ xi ∑ y i = 10 * 15 = 150

A szummázások esetében nagyon fontos a zárójelek precíz használata, ezt példázzák az alábbi összefüggések:
∑ (x i
− b) = ∑ xi − nb ≠ ∑x i
−b
vagy
 ∑x ≠ (∑ xi )
2
2
i

ami azt mutatja, hogy számok négyzeteinek összege nem egyenlő számok összegeinek négyzetével. Egyszerű
algebrai, majd számpéldával, két elemre bemutatva:
x1 + x 2 ≠ ( x1 + x 2 ) 2 = x1 + 2 x1 x 2 + x 2
2 2 2 2

12 + 5 2 = 26 ≠ (1 + 5) 2 = 36

Ezekre az összefüggésekre tekintettel nagy figyelemmel kell számítani olyan gyakori mutatószámokat, mint az
adatsorok szórása vagy a korrelációs együtthatók!

Összeadni nem csak egy-egy adatsor (vektor) elemeit lehet, hanem egy mátrixét is. Ez a

gyakorlatban kétféleképp történhet, először soronként haladva adjuk össze az elemeket, majd

a sorösszegeket is összeadjuk vagy ugyanígy teszünk, de oszloponként haladva. Ha a

képletekben két szummát látunk közvetlenül egymás mögött, akkor ott egy mátrix elemei

kerülnek összeadásra:

nAm elemei összeadásának jelölése: ∑∑ x = ∑∑ x

i j
ij
j i
ij

A Σ (n diszkrét adat összeadása) matematikai kiterjesztése folytonos változókra az integrálszámítás területére

vezet.

A szummához hasonló jelölési logikával egyszerűsíthető le n szám szorzata (a szorzás jele

itt:*). A jelölésben a nagy görög Π (pí, p) betűt használjuk, így:

x1 ∗ x2 ∗ ... ∗ xi ∗ ... ∗ xn = ∏ xi
n

i =1

2.2.4. Azonosság, egyenlőség, egyenlőtlenség

A matematikában gyakran kapcsolunk össze kifejezéseket relációs jelekkel. Az azonosságok, az egyenletek és az

egyenlőtlenségek olyan matematikai relációk, amelyek két oldalán ismeretlenekből (változók), konstansokból
(állandók) és műveletekből álló összefüggések szerepelnek.

Azonosságnak azt a relációt nevezzük, amelynek két oldalán szereplő kifejezések az ismeretlenek (ez alábbi
esetben a és b) tetszőleges értéke mellett, azaz mindig egyenlők:

(a + b) 2 = a 2 + 2ab + b 2
Azonosságok esetében a két kifejezés összekapcsolására az ≡ (azonosság) jelet is használják.

Az egyenletekben a két, egyenlőségjellel (=) összekapcsolt kifejezés közötti egyenlőség csak a változók
(ismeretlenek) meghatározott értékei esetében áll fenn. Az egyenletek „megoldása” épp ezen értékek
megkeresését jelenti. (Vannak olyan egyenletek, amelyeknek általában, vagy a számok valamely körére
vonatkozóan nincs megoldása.)
Az egyenlőtlenségek az összekapcsolt kifejezések közötti nagyságviszonyt fejezik ki, a változók (ismeretlenek)
meghatározott értékei (értelmezési tartománya) mellett. A-val és B-vel jelölve az összekapcsolt kifejezéseket az
alábbi egyenlőtlenségi relációk lehetségesek:

A mindig kisebb, mint B (ami analóg azzal, hogy B mindig nagyobb, mint A):

A < B és B > A

A mindig kisebb vagy egyenlő, mint B (ami analóg azzal, hogy B mindig nagyobb vagy egyenlő, mint A):

A ≤ B és B ≥ A

2.2.5 Függvények

Legáltalánosabb matematikai értelemben két halmaz elemeinek egymáshoz rendelését (vagy más
szavakkal X halmaznak Y halmazra való leképezését) függvénynek nevezzük, ha van olyan utasítás
(szabály, képlet, táblázat, ábra stb.), amely X halmaz minden egyes x elemének megfelelteti Y halmaz
egy f(x)-szel jelölt elemét. Az X halmazt értelmezési tartománynak, Y-nak az összes f(x)-ből álló
részhalmazát értékkészletnek nevezzük.

 A függvényeket – például az utasítás, a hozzárendelési szabály jellemzői, tulajdonságai szerint - sokfajta

csoportba, típusba sorolhatjuk. A függvény fogalma – tág értelemben – nem jelenti azt, hogy X halmaz valamely
értékéhez Y halmaznak egy és csak egy értéke rendelhető, bár ez a leggyakoribb eset. Többértékű függvénnyel
azonban a területi elemzésben is találkozhatunk, ilyen például a földrajzi és az időtávolság összefüggését leíró
kapcsolatot, két azonos légvonal-távolságú pontpár a hálózati kiépítettség különbözősége okán nagyon erltérő
időtávolságú lehet.

A függvénytan alapvető fogalmaival a matematikai analízis foglalkozik. Ennek része a differenciál- és

integrálszámítás, amely, egyebek mellett a függvények tulajdonságainak (alakjának, szélsőértékeinek,
maximumainak és minimumainak stb.) meghatározásához alapvető jelentőségű matematikai összefüggéseket
kínál. A szélsőérték-számítás, optimumkeresés sok matematikai-statisztikai eljárásban is alapeszköz, csak egyet
említve, ezen alapszik szinte az egész regresszió-analízis is, ahol a mért és becsült adatok eltérését számszerűsítő
legkisebb négyzetek módszere szélsőérték-számításra vezet → 4.4.

Lineáris kapcsolat

Ha x minden egységnyi növekedéséhez, x értékétől függetlenül f(x)-nek b értékű (b állandó, konstans)

növekedése tartozik, akkor a két halmaz között lineáris függvénykapcsolat van, a függvényt derékszögű
koordinátarendszerben ábrázolva egyenest kapunk. A közismert képlet:

y = a + bx

ahol x a független, y a függő változó, b az ún. meredekség, a pedig (ami az x=0 értékhez tartozó y érték) az ún.
tengelymetszet (az egyenes b magasságban metszi az y tengelyt). Ha b együttható pozitív, akkor x növekedésével
y is növekszik, ha negatív, akkor csökken, ha értéke 0, akkor az x tengellyel párhuzamos, a magasságban lévő
egyenes a függvénykép.

Ha a független változók halmaza nem egy-, hanem kétdimenziós, akkor lineáris összefüggés esetében a függő
változó értékei egy síkot képeznek. Ilyen összefüggést ír le az alábbi képlet:

z = a +bx +cy

3 független változó esetén a függvény képe egy hasáb, n független változó esetében
pedig egy (vizuálisan, grafikusan nem interpretálható) n-dimenziós „sík”. Az n vektorból
 n

(x1,…xn) és n skalárból (a1…an) képzett ∑a x

i =1
i i
összefüggést (vektort) a vektorok lineáris
kombinációjának nevezzük (ilyen összefüggés van például a faktoranalízis módszerében az
alapváltozók és a faktorok között → 5.5).

A logaritmus

Az a = b exponenciális egyenlet megoldásakor olyan kitevőt keresünk, amelyre a alapot felemelve b-t
x

kapunk. Az egyenletnek a > 0, a ≠ 1 és b > 0 esetén van egy és csak egy megoldása. A b pozitív szám a alapú
logaritmusának nevezzük azt a kitevőt, amelyre a-t emelve b-t kapunk. Jelölése: loga b (a alapú logaritmus b).

A logaritmus definíciójából következik, hogy loga 1=0 és loga a =1.

A logaritmus alapja tetszőleges 1-től különböző pozitív szám lehet. A gyakorlati (statisztikai,

elemző) munkában leggyakrabban a 10-es alapú logaritmust használjuk, s (index nélkül) log-

gal jelöljük. Mivel többfajta előnyös matematikai tulajdonsága van, gyakran használják az ún

természetes alapú logaritmust (ln), ahol az alap e=2,71828, ami az (1+1/n)n függvény

határértéke.

Az ún. logaritmikus azonosságok közül (emlékeztetőül): számok szorzatának logaritmusa

egyenlő a számok logaritmusainak összegével, azaz:

log(∏ xi ) = ∑ logxi
i i

Számos jelenség növekedése exponenciális jellegű, egy-egy időszak alatt a volumenek hatványozódnak. E
függvények logaritmusát véve a függvénygörbe képe egyenest ad (ezzel függ össze az, hogy gyakran használják
az ún. szemi-logaritmikus koordinátarendszert, amelynek függőleges (y) tengelyén a beosztás nem lineáris,
hanem logaritmikus).

 Sok elemzés igazolja, hogy a lélekszám, a településnagyság fontos fejlettségi tényező, ezért gyakorta
szerepel összetettebb elemzésekben is, így a regresszióelemzések → 4.4 magyarázó változóiként. Ott gyakran
feltűnik az, hogy nem a lélekszámot, hanem annak logaritmusát szerepeltetik a számításban. E transzformáció
matematikai következménye, hogy a gyakorta nagyon széles intervallumon eloszló településnagyság
logaritmizálva jobban közelíti a matematikai-statisztikában elvárt normális eloszlást, s így a számítások
matematikai szempontból sem kérdőjelezhetők meg. A lélekszám (általában minden abszolút volumen)
logaritmusának konkrét jelentése is van, a települések nagyságrendjét tükrözi, így tartalmilag is megfelelően
értelmezhető a hatása, szerepe: 10-es alapú logaritmusa esetén log 1 = 0, log 10= 1, log 100= 2, log 1000 = 3.

2.3 Adattípusok, mérési skálák

A statisztikában a megismerni kívánt, megfigyelt egységek halmazát sokaságnak nevezik. A sokaság
jellemzésére, részekre bontására alkalmas vizsgálati szempontok az ismérvek. A megfigyelt sokaság
egyes tagjaihoz az ismérvek szerint különböző ismérvértékek tartoznak.

A területi elemzés mindig legalább két ismérvvel dolgozik. Implicit módon – már a megfigyelési
egységek kiválasztásakor – megjelenik a területi ismérv, majd ehhez kapcsolódva az ismérvek más
típusai: időbeli, mennyiségi, minőségi jellemzők. Ezeket változónak, esetenként csak a számszerű
ismérveknek nevezik.

A legkülönbözőbb megfigyelési egységekre vonatkozó mérések, adatok, információk jól

csoportosíthatók aszerint, hogy milyen összehasonlításra alkalmasak. Ezt a csoportosítást tartalmazza
a mérési (vagy adat) skálák vagy mérési szintek rendszere (összefoglalóan lásd a 2.2. táblázatban).

Legyen adott két megfigyelési egység, A és B, s ezekre vonatkozó két mért vagy számbavett jellemző,
ismérv: Xa és Xb.

Vannak olyan jellemzők, amelyek esetében csak az dönthető el, hogy A és B e jellemző szerint
megegyezik egymással vagy különbözik egymástól. Az ilyen jellemzőket nominális skálán mért
adatoknak vagy nominális ismérveknek nevezzük. E skála esetében két vagy több értéke, kimenete
lehet a változóknak.

Ennél már finomabb összevetésre van módunk A és B között, amikor nemcsak a megegyezés vagy a
különbözőség állapítható meg, hanem a nagyságviszony, a sorrend is, azaz, hogy A vagy B jellemzője
a nagyobb. Ez az ún. ordinális (sorrendi) skála.

Még finomabb összevetésre van mód, amikor a megegyezés - meg nem egyezés, valamint a
sorrendiség megállapításán túl az is kideríthető az adatokból, hogy mennyivel nagyobb az egyik érték
a másiknál (értelmezhető az adatok különbsége is). Az ilyen jellemzőket intervallum-skálán mért
adatoknak nevezzük.

A legteljesebb összehasonlításra az ún. arány-skálán mért adatok esetében van mód. Ekkor az összes
fenti reláción túlmenően értelmezhető az is, hogy egyik adat hányszorosa a másiknak (megadható a két
adat aránya).A mérési skálák sajátos hierarchiát alkotnak, amelynek csúcsán az arányskála áll. Minden
skálára igaz az, hogy az előző skálák tulajdonságaival rendelkezik.

Annak ismerete, hogy valamely jellemző milyen skálán mért, azért fontos, mert bizonyos statisztikai
jellemzők és matematikai-statisztikai eljárások csak bizonyos adatskálákra számíthatók, illetve
alkalmazhatók. Pusztán statisztikai alapon merészség azt állítani, hogy a magyar fociválogatott 63-szor
rosszabb, mint a listavezető brazil (ha a két csapat az 1. illetve a 63. helyen áll a ranglistán), egy 0
átlagú adatsort pedig nem is lehet az átlag százalékában megadni.

Mérési Tulajdonság Értelmezhető relációk Sajátosságok Jellemző példák

skálák
Nominális Megkülönböztetés Xa = Xb vagy Xa ≠ Xb Nem számszerű Név, születési hely,
nem
Ordinális Megkülönböztetés, Xa = Xb vagy Xa ≠ Xb és Xa ≥ Nehezen mérhető, Sorrendek,
sorrend Xb vagy Xa < Xb csak sorrendbe (katonai) rangok
állítható
Intervallum Megkülönböztetés, Xa = Xb vagy Xa ≠ Xb és Xa ≥ Pozitív és negatív Vándorlási
sorrend, különbség Xb vagy Xa < Xb értékek különbözet,
Értelmezhető Xa - Xb átlaghőmérséklet
Megkülönböztetés, Xa = Xb vagy Xa ≠ Xb és Xa ≥ Van elméleti Népességszám,
Arány sorrend, különbség, Xb vagy Xa < Xb minimum, azonos jövedelem
arány értelmezhető Xa - Xb előjelű
valamint Xa/Xb
 2.2. táblázat A mérési skálák rendszere

Az adatskálák közötti átmenetek közül talán a leggyakoribb az intervallum- vagy arányskálán mért
jellemzők sorrendi (ordinális) adatskálára történő átalakítása. (Ez az adat-transzformáció nem az adattábla
sorainak, azaz az egyes területegységekhez tartozó értékek sorrendjének felcserélését jelenti, – elemi szinten
gyakori hiba és súlyos félreértés – hanem egy új adatsor létrehozását, ahol az eredeti adatsor legnagyobb
értékéhez 1, a következőhöz 2 (vagy fordított rangsorolás esetén a legkisebbhez 1, a következőhöz 2 és így
tovább) számérték kerül, új adatként. Előfordulhat az, hogy az átalakításra kerülő adatsorban megegyező
értékek szerepelnek, az ezekhez rendelt rangszámok esetében előnyös fenntartani azt az összefüggést,
hogy a rangszámok összege ne változzék. Ez adategyezés esetében úgy biztosítható, hogy páros számú
egyezés esetében a rangszámok átlagát rendeljük a megegyező adatokhoz, míg páratlan számú adat
egyezésekor a középső rangszámot. Ha például a 4. és 5. helyen álló érték azonos, akkor a két rangszám
egyaránt 4,5, ha a 8., 9. és 10. helyen álló érték egyezik meg, akkor mindhárom megfigyelési egységhez a 9
rangszámot rendeljük. A statisztika tehát nem ismer „holtversenyt”, egy adatsor két azonos, legnagyobb
értékéhez a rangsorolásban nem 1 – 1 érték – „két aranyérem” – rendelődik, hanem 1,5 – 1,5, ezáltal
biztosítható, hogy a rangszám összeg ne változzék, ugyanis: 1,5 + 1,5 = 3 ≠ 1+1 = 2.

Érdemes még felhívni a figyelmet arra, hogy amennyiben minden alapadat különbözik, akkor nincs
jelentősége annak, hogy a sorrendi átalakítást csökkenő vagy növekvő rendben végezzük el. Azonos, a fenti
szabályok szerint átalakítandó értékeket is tartalmazó adatsorok esetében azonban a kétfajta rangsorolás
szerint új adatsornak ugyan az átlaga azonos, de a szórása különbözhet.

A rangszámok és az eredeti értékek közötti összefüggés önmagában is vizsgálatra érdemes. Ezzel

foglalkozik a nagyon sok társadalmi jelenségben, közte a mi szakmai körünkben elsősorban a
településrendszerek vizsgálatakor tesztelhető, ún. rang-nagyság szabály →4.4.7).

2.4 Kódolás

A kód valamely információ egyértelmű visszaadására alkalmas, megállapodás szerinti jel vagy
szimbólum. A hétköznapi élet is tele van kódolt információkkal. (Az egész távközlés és informatika
működésének alapfeltétele a nagyon különböző jellegű információk átvihető formájú jelekké
alakítása.) A kódok előállítása a kódolás, a kódokból az eredeti információk előállítása a dekódolás.

A kódoknak a területi elemzésben leggyakrabban az alábbi két jelentése van:

• mint a területi megfigyelési egységek azonosítói
• mint transzformált, átalakított (kódolt) adatok

A területi azonosítók, bár részei az adattábláknak, elemzési szempontból mégis más minőséget képviselnek,
mint a jelzőszámok, adatok, indikátorok. A területi azonosítókkal műveleteknek csak nagyon korlátozott köre
végezhető el, lényegében két reláció megállapítására alkalmasak: az eredeti információk azonosságának vagy
különbségének megállapítására, valamint (jól kiválasztott azonosítók esetében) a megfigyelési egységek
rendezésére, csoportosítására. Más számtani műveleteket azonban nem szabad végezni velük (átlaguk például
értelmetlen). Mindebből következően ugyancsak viszonylag csekély (ha határozottabban fogalmazunk: semmi)
értelme új tudományos eredmények reményében a település- vagy térségazonosító számjeleket korreláltatni a
jövedelmekkel. Mindez nem kérdőjelezi meg azt, hogy a területi azonosítók a (mennyiségi) elemzések
nélkülözhetetlen statisztikai eszközei.

A településkód és a KSH területi számjelrendszere (Kiss János Péter)

A hazai területi statisztikában használt KSH-településkód a települések egyedi meghatározására szolgáló
sorszám jellegű, tartalom nélküli (a rendszer létrehozásakor, 1981-ben véletlenszerűen kiosztott) egyedi
azonosító, amely a település alakulásától megszűnéséig változatlan, és a település megszűnése után sem
használható fel más település azonosítására. A településkód eredeti formájában egy 5 számjegyből álló
karakterlánc (szöveg formátum), ám az utolsó jegyet, az ún. CDV-számot (amely csak a számítógépes ellenőrzést
szolgálja), gyakran elhagyják, az első jegy pedig 0 is lehet. Így a településazonosító törzsszámok – numerikus
formátumban – gyakran 201 és 3500 közötti három- vagy négyjegyű számokként jelennek meg. (A településkód
szerinti sorban legelső település, a Fejér megyei Ráckeresztúr esetében például az eredeti 5 jegyű településkód a
02015 karakterlánc, amelynek numerikus megfelelője 2015, a CDV-szám elhagyásával képzett, leggyakrabban
használt verzióban pedig 201. Budapest esetében ugyanezek rendre 13578 (karakterlánc), 13578 (szám), 1357
(szám).) A kapott településsoros adatállományok használatakor erre oda kell figyelni, és szükség esetén a
megfelelő konverziót elvégezni (a legegyértelműbb, így legcélszerűbb a CDV-szám elhagyásával képzett
numerikus kód használata, további példáink ezeket mutatják).

Fontos megjegyezni, hogy – a rendszer egységét némiképp megbontva – Budapest kerületei és a főváros
egészében is rendelkeznek saját településkóddal (Budapest 1357-es kódja mellett pl. a IV. ker. kódja 546). Ez
kedvező a Budapesttel foglalkozók számára, ugyanakkor az adatbázisok használata során mindig meg kell
győződni arról, hogy a vizsgált adatbázisban milyen módon szerepel Budapest, és szükség esetén a 23 kerület
adatait össze kell vonni, illetve a duplán (kerületenként és összesen) is szereplő adatok egyikét törölni. Az adatok
teljeskörűsége érdekében néhány fiktív területegységet is „létrehoztak”, azaz kóddal láttak el a rendszerben.
Ezek – Budapest kerületre nem bontható, a megyék településre nem bontható, az ország területre nem bontható
adatai, illetve az országhatáron kívüli tevékenység – kétjegyű numerikus kódokkal rendelkeznek. Ha a hozzájuk
tartozó adatérték nem nulla, akkor megfelelő kezelésükre, esetleges kiszűrésükre figyelni kell (pl. az országos
összesítéseknél). A közigazgatási változások – településösszevonások, szétválások – miatt a számozás nem
folyamatos (pl. a 2005. jan. 1-jei állapot szerint „legutolsó”, 3145. település, a 2002-ben önállósodott Somogy
megyei Zákányfalu törzsszáma 3440).
A településkód a Központi Statisztikai Hivatal 1981-ben bevezetett, a különböző területi egységek és a hozzájuk
tartozó települések egyértelmű azonosítását célzó területi számjelrendszerének része. A legújabb, 2004. jan. 1-
jétől alkalmazott számjelrendszerben – amely összesen 57 számjegyből áll – az alábbi besorolásokat rögzítették
minden településre, illetve Budapest kerületeire vonatkozóan:
• az 5 jegyű településazonosító törzsszám (1-5. pozíció)
• a területi jelzőszám (6-11. pozíció), amelynek részei:
o a megyekód (2 számjegy);
o a főváros kerületeinek kódja (2 számjegy);
o a település jogállásának kódja (1 számjegy);
o megyeszékhely-kód (1 számjegy);
• kistérségkód (4 számjegy, 12-15. pozíció), illetve hogy a település kistérségi központ-e (0 – nem, 1 –
igen): 1 számjegy, 16. pozíció;
• régiókód (1 számjegy, 17. pozíció);
• agglomeráció-kód (4 számjegy, 18-21. pozíció; az első jegy az agglomeráció típusára utal, a
második-harmadik számjegy azonosítja az adott agglomerációt, míg a 4. jegy az adott
agglomeráción belül különbözteti meg a központot, az esetleges társközpontokat és a többi
települést);
• körjegyzőség-kód (összesen 6 számjegy, 22-27. pozíció; közülük az első jegy fejezi ki, hogy
körjegyzőség székhelye, tagja, vagy önálló jegyzőséggel rendelkezik-e a település; a további 5 jegy
az érintett jegyzőség központjának 5 jegyű településkódja);
• a mezőgazdasági tájkörzet kódja (3 számjegy, 28-30. pozíció);
• a szőlő-termőtáj és a borvidék kódja (3 számjegy, 31-33. pozíció);
• a vállalkozási övezet kódja (2 számjegy, 34-35. pozíció)
• az idegenforgalmi régió kódja (2 számjegy, 36-37. pozíció)
• az üdülőkörzet kódja (2 számjegy, 38-39. pozíció);
• a világörökségi helyszín kódja (2 számjegy, 40-41. pozíció)
• a nemzeti park kódja (2 számjegy, 42-43. pozíció)
• kulturális látványosság, esemény kódja (2 számjegy, 44-45. pozíció)
• az aktív turizmus kódja (2 számjegy, 46-47. pozíció)
• a gyógyturizmus kódja (3 számjegy, 48-50. pozíció)
• ún. NUTS-kód az Európai Unió számára történő adatszolgáltatások biztosításához (7 számjegy, 51-
57. pozíció).

A területi számjelrendszer elemeinek segítségével végezhető a legcélszerűbben a települési és területi adatok

csoportosítása, elemzése és tematikus térképeken való ábrázolása. Egyrészt ugyanis a T-STAR mellett a KSH
valamennyi egyéb elektronikus adatközlése, de egyre gyakrabban más adatszolgáltatók is erre támaszkodnak, ezt
használják, másrészt numerikus jellege miatt jóval gyorsabb és pontosabb, mint pl. a nevek segítségével történő
azonosítás. Egyszerűsége és szabvány „mivolta” miatt pedig megkönnyíti az adatok cseréjét: segítségével szinte
bármilyen forrásból származó adatsort „házilag” is könnyen hozzá lehet kapcsolni meglevő adatainkhoz. (A
települések számjelei papíralapú KSH-kiadványban és elektronikus formában is – külön, vagy a T-STAR-hoz
kapcsolva – egyszerűen beszerezhetők a KSH-tól, újabban a KSH honlapjáról is letölthetők.) Mindezek miatt az
adatok számítógépes feldolgozása és térképezése során is érdemes a hivatalos település-, kistérség-, megye- és
régiókódokat szerepeltetni z adatsorok elején.

A rendszert 6 település (a főváros, egy budapesti kerület, egy megyeszékhely és három, különböző megyékhez
tartozó község) példáján érzékeltetjük:
 Zugló (Bp. Nyíregy- Vámos-
Helységnév Budapest Szany Cered
14. ker.) háza család
Településazonosító törzsszám 1357 8 1633 7 1720 6 0853 6 0366 5 3105 1
Területi jelzőszám 0100 1 1 0114 9 9 1500 2 1 0800 4 2 1200 4 2 1800 4 2
Kistérségkód 3101 1 9999 9 4508 1 3801 0 4205 0 4806 0
Régiókód 1 1 6 3 5 3
Agglomeráció kódja 0001 0001 3051 9999 9999 9999
Körjegyzőségi kód 1 13578 9 99999 1 17206 2 08536 2 03665 3 21537
Mezőgazdasági tájkörzet kódja 621 621 224 514 112 524
Szőlő-termőtáj és borvidék kódja 999 999 999 999 999 999
Vállalkozási övezet kódja 99 99 99 99 07 99
Idegenforgalmi régió kódja 01 01 03 09 02 09
Üdülőkörzeti kód 01 01 99 99 25 99
Világörökségi helyszín kódja 01 99 99 99 99 99
Nemzeti park kódja 99 99 99 99 99 06
Kulturális látványosság, esemény kódja 11 99 31 99 99 99
Aktív turizmus kódja 01 99 10 99 99 99
Gyógyturizmus kódja 202 999 204 999 999 999
NUTS-kód HU10101 HU99999 HU32308 HU22101 HU31305 HU22206

A településazonosító törzsszám a már ismertetett ötjegyű településkód. A gyakorlatban – mint azt már említettük
– elégséges és célszerűbb az első négy értékes számjegy használata (Budapest esetében 1357, Cerednél 366 és
így tovább).

A területi jelzőszám a magasabb közigazgatási egységekhez való tartózás hatjegyű kódja. Elemei közül önállóan
is gyakran használatos a megyét azonosító első két jegy, a megyekód (a 01-es sorszám Budapesté, majd a 02-es
Baranyától a 20-as Zaláig nevük ábécérendjében következnek a megyék, Jász-Nagykun-Szolnokot kivéve,
amelynek megyekódja a megye 1990 előtti megnevezése (Szolnok) alapján 16, a 15-ös Szabolcs-Szatmár-Bereg
és a 17-es Tolna között). A következő két érték a fővárosi kerületek azonosítására szolgál (01-től 23-ig, a többi
településre vonatkozóan – így Budapest egészére is – ez az érték 00). A jelzőszám ötödik tagja a települési
jogállást jelzi (1: főváros, 2: megyei jogú város, 3: város, 4: község), a hatodik érték pedig a megyeszékhely-kód
(1: megyeszékhely, 2 nem megyeszékhely). Ennek megfelelően Nyíregyháza kódja azt jelzi, hogy a település
Szabolcs-Szatmár-Bereg megyében található (15), megyei jogú város (2) és megyeszékhely (1). Szany Győr-
Moson-Sopron megyei (08) község (4), Zugló pedig Budapest (01) 14. kerülete, amelynek esetében a települési
jogállás és a megyeszékhely-kód nem értelmezhető (Erre itt a 9-es számjegy utal, a számjelrendszer más
elemeiben a 99, 999, 9999-es kódok jelzik az adott szempontból nem érintett településeket).

A kistérségkód a hazai térségi elemzés ma talán legfontosabb területegységeibe, az ország 168 kistérségébe
sorolja be a településeket. Budapest itt a 3101-es sorszámmal az első, Baranya megye komlói kistérsége a 3201-
es, mohácsi kistérsége a 3202-es stb. (a sort Zala megye zalaszentgróti kistérsége zárja 5006-os számmal. A
Függelék kistérségi adattábláiban megtalálható valamennyi kistérség kódja és neve.) Példáink közül Cered
(4205) a salgótarjáni, Szany (3801) a csornai kistérséghez tartozik. A kód ötödik jegye 1 (kistérségközpont) és 0
(nem központi település) lehet (a felsoroltak közül pl. Nyíregyháza kistérségközpont, Cered és Szany pedig
nem).

A régiókód a 7 tervezési-statisztikai régióhoz tartozást azonosítja: Nyíregyháza Észak-Alföld (6), Zugló a

Közép-Magyarországi Régió (1) része. A NUTS-kód az EU statisztikai rendszerét követi. 1-2. értéke az
országazonosító (HU) a 3. érték a NUTS 1 szintre utal (ez 1 – Közép-Magyarország –, 2 – Dunántúl –, vagy 3 –
Alföld és Észak – lehet). A 4. pozíció a NUTS 2 (régiók) szintje az adott NUTS 1 egységen belül 0 és 3 közötti
értékekkel, a következő a megyék kódja (a régión belül), míg az utolsó érték a kistérségi kód (a megyén belül).
Azaz ez is hierarchikus kód. A fentiek értelmében tehát Vámoscsalád NUTS-kódjából kiderül, hogy a község
Magyarországon (HU), ezen belül a Dunántúlon (2), annak is a Nyugat-Magyarországi régiójában (2), azon belül
pedig Vas megye (2) sárvári kistérségében (06) található. (A települést is azonosító teljes, 11 jegyű kódot a
NUTS-rendszerben a településazonosító törzsszám 1-4. pozíciójával kiegészített NUTS-kód adja.) A
vállalkozásiövezet-kód a területfejlesztés sajátos, preferált területegységeit azonosítja (a rendeletileg
meghatározott övezetek száma 1999 óta 11). A táblázatban szereplő települések közül csupán Cered érintett
ilyenben: Salgótarján–Bátonyterenye Térsége Vállalkozási Övezet (07).
A számjelrendszer egyes elemei a települések sajátos igazgatási funkcióit illetve besorolását jellemzik. Így a
körjegyzőségkód a helyi igazgatási szerep szerint osztályoz, s jelzi, hogy például Budapest és Nyíregyháza olyan
települések, ahol önálló, csak az adott városra kiterjedő jegyzőség működik (1). Hozzájuk hasonlóan Szanynak
és Cerednek is saját maga a jegyzőségi székhelye, ám esetükben más településeket is ellátó körjegyzőség
működik (2), míg Vámoscsalád körjegyzőség nem-székhely települése (3), amelynek illetékes körjegyzője a
2153-as településkódú Uraiújfalun dolgozik. Az agglomerációkód a KSH által hivatalosan lehatárolt
népességtömörülésekhez való tartozást jelzi. Zugló például a budapesti agglomeráción (0) belül, Budapest (00)
része, amely az agglomeráció központi települése (1), míg Nyíregyháza egy nagyvárosi településegyüttes (3),
mégpedig a nyíregyházi (05) része, sőt központja (1). Ugyanakkor egyetlen, példáink között szereplő község sem
tartozik agglomerálódó térséghez (9999).

A mezőgazdasági tájkörzet kódja egy háromszintű hierarchikus rendszerbe sorolja be a településeket a

mezőgazdaság szempontjából releváns adottságaik szerint (makro-, mezo- és mikrokörzetek). Így Nyíregyháza
ebből a szempontból a Nyírség makrokörzethez (2), ezen belül a Nyírség mezokörzethez (2) – a másik
mezokörzet itt a Felső-Tiszavidék (1) – és az Észak-Nyírség mikrokörzethez (4) sorolt. Szany esetében Kisalföld
(5), Kisalföld (1) és Rábaköz (4) a három hierarchia-szint. Nemzeti parkhoz tartozó területe példáink közül csak
Vámoscsaládnak van (06, Fertő-Hanság Nemzeti Park), egyik település sem tartozik ugyanakkor 22 szőlőtermő
és borvidékünk valamelyikébe (999).

A területi számjel többi eleme az idegenforgalmi karakterről ad információt. Valamelyik idegenforgalmi

régiónkba minden települést besoroltak – a főváros például a Budapest-Közép-dunavidékibe (01) tartozik –,
üdülőkörzetbe viszont a fővároson kívül csak Cered tartozik példáink közül (mégpedig a 25-ös kódú „Cserhát és
környéke” elnevezésűbe). Világörökségi helyszíne a hat településből csak a fővárosnak van, mégpedig „Budapest
Duna-parti látképe, a Budai Várnegyed, az Andrássy út és történelmi környezete” (01), érdemi kulturális
vonzereje viszont Nyíregyházának is („Jelentősebb vonzerejű kulturális látványosság konferenciahelyszínnel”,
31-es kód). Az aktív (=lovas vagy vízi) turizmust szolgáló létesítményei, illetve gyógyturisztikai adottságai
ugyancsak Budapestnek és Nyíregyházának vannak a felsoroltak közül21.

A KSH a települések egyedi kódjait a közigazgatási térfelosztás, a településosztályozás, illetve az egyes

idegenforgalmi adottságok változásakor ennek megfelelően módosítja. (2005-ben például újabb 13 település
kapott városi rangot – a Dunántúlról Őriszentpéter, Martonvásár, Kadarkút, a fővárosi agglomerációból Üllő,
Pilis és Ócsa, az Alföldről Nyírtelek, Nyírlugos, Kisköre, Abádszalók, Csorvás, Sándorfalva valamint a zempléni
Pálháza – ezek esetében megváltozik a település jogállásának kódja.) Amennyiben alapvető módosításra kerül a
hazai területi közigazgatás egész rendszerében, akkor ugyancsak változni fognak a területi kódok, bár az
osztályozás alaplogikáját, főbb elemeit ez vélhetően nem fogja felborítani.

A KSH számjelrendszerén kívüli legismertebb területi azonosító a postai irányítószámok rendszere (Vigyázat:
nem minden településnek van egyedi postai irányítószáma!). Területi, települési azonosítókat, kódok maga a
kutató is kreálhat. A települési lélekszám is kódolható, nagyságcsoportokba sorolhatóak a települések, kóddal
lehet jellemezni a sajátos fekvési pozíciókat (pl. határmentiség) vagy akár különböző térségtípusokat is.. A
kódrendszer folyamatosan követi a bekövetkező közigazgatási változásokat, amelyek a Helységnévtárakban
követhetők nyomon.

Adatátalakítás kódolással

Az adatátalakítás során használt kódolás legjellemzőbb esete a nominális változók számszerűsítése, egyértelmű
szabály szerinti, kódolt formára alakítása (ez a kódolás az empirikus szociológiában a leggyakoribb).

Speciális eset a két kimenetű minőségi változók átalakítása bináris kódokkal 0, 1 értékekből álló adatsorrá. Az
ilyen jellemzők összetettebb matematikai-statisztikai modellekbe is beépíthetőek. Ennek az adja meg az alapját,
hogy az ilyen adatsor átlaga nem fiktív szám csupán, hanem jól értelmezhető tartalommal bír (az 1 értékű
egységek arányát méri). Ugyanez nem teljesül a többértékű nominális változók kódolásakor.

21
Ahogy a fenti leírás is mutatja a KSH számjelrendszere messze nem valamifajta semleges statisztikai jeltár,
hanem egy sokelemű „hivatalos” településosztályozási rendszer, amely sokfajta területi vizsgálatban
kiindulópont lehet.
Ilyen bináris jellegűek a területi elemzésben (például a regresszió számításban nagyon jól használható) ún.
dummy változók is. A magyarországi településekhez ugyanis hozzárendelhető 7 különböző regionális dummy:
minden település abban a regionális vagy (régió-) dummyban 1 értéket kap, amely régióban található, a másik
hatban pedig 0-t. A legutóbbi táblázatban, a területazonosítók kapcsán szereplő települések közül Szany például
a Nyugat-Dunántúl változójában (dummyjában) kaphat 1-t, a többiben pedig 0-t, Cered értéke ellenben az Észak-
Magyarország dummyban 1, a többiben 0. Azt már csak ellenőrző kérdésként tesszük fel: mi a helyzet
Nyíregyházával?

Több kimenetű minőségi változók esetében már bonyolultabb a kódolás. Ha a nominális tartalomhoz nem vagy
csak nagyon erőltetetten lehet legalább sorrendiséget, kisebb-nagyobb, fontos-lényegtelen, támogatott-elutasított
stb. relációt rendelni, akkor ugyan elvégezhető a számszerűsítés, de az új adatsorral való bonyolultabb
számításoknak már nagy a kockázata. A főváros – megyeszékhely – város – község „értékeket” tartalmazó
nominális változóhoz ugyan logikusnak látszik az 1, 2, 3, 4 kódok hozzárendelése, de mindebből már nem
következik az, hogy e településtípusok között bármilyen értelemben is 1 lenne a különbség, amit a
számszerűsítés sugall. A véleménykutatások esetében nagyon gyakori elégedettség- vagy attitűd-vizsgálatok
esetében22 hasonló a helyzet: a nagyon elégedett – elégedett – elégedetlen – nagyon elégedetlen skálához rendelt
4, 3, 2, 1 számok esetén. Itt ráadásul még az a faktor is felbukkan, hogy lehetséges (sőt biztos) az, hogy vannak
olyan interjúalanyok, akinek az elégedetlensége körülbelül azonos viszonyt jelent a vizsgált jelenséghez, mint
mások elégedettsége (mindez tovább fokozódik a bővebb 0-10 vagy 0-100 közötti skálákon mozgó
értékeléseknél).

A kódolás azonban nem pusztán nominális jellemzők számszerűsítését jelentheti. Hanem eszköze lehet az
információ-tömörítésnek is: széles intervallumon eloszló változók esetében már a számítások során összevont
csoportokat képezhetünk, majd ezekkel végezhetjük a számítást. (Ez a logika mintegy fordítottja a fentinek, s
leggyakrabban akkor kerül szóba, ha az adott számszerű jellemző „puha”, nem közvetlenül számba vett, s így
egyedi értékeinek megbízhatósága kérdéses, ami a csoportokba rendezéssel csökkenthető.)

2.5 Matematikai-statisztikai alapok

A statisztika sokjelentésű fogalom. Ha azt halljuk, „statisztikát készít”, akkor számokkal bűvészkedő
hivatalnok juthat eszünkbe. A „statisztikai adatgyűjtés” már nagy szervezettséget igénylő, tervszerű
adat-előállítás képét hívja elő. Az adatgyűjtés fogalma kapcsán érdemes különbséget tenni kísérletes
adatgyűjtés és a „valódi” statisztikai munka között, előbbit bár sokszor számokat eredményez, nem
hívjuk statisztikának. Az adatfeldolgozás bizonyos módszerei önmagukban is „statisztikák”.

A mennyiségi módszertant használó területi vizsgálatok jellegadó információi a különböző forrásokból

származó statisztikai adatok. A társadalom- és gazdaságstatisztikai adatokra támaszkodó elemzéseknek a
statisztikával szembeni közvélekedés jellegzetes negatív megnyilvánulásaival is szembe kell néznie (J. Best
amerikai szociológus szerint az emberek négyféle módon tekintenek a statisztikai adatokra: félelemmel telve,
naív értetlenséggel, cinikusan vagy szélsőségesen kritikusan.) A társadalomkutató esetében az utóbbi (a
szélsőséges jelző nélkül) átvehető a mindennapi vélekedésből. Arra is érdemes ügyelni, hogy maga az
elemzés, adatfeldolgozás ne rontsa tovább a statisztika megtépázottnak tűnő tekintélyét, hanem segítse az
adatokban rejlő mondandó felszínre hozatalát.

A matematikai-statisztika a többfázisú statisztikai munka adatfeldolgozási, elemzési fázisához

kacsolódó, alapvetően elméleti, a matematikához erősen kötődő tudományterület, ami azt vizsgálja,
hogy az összegyűjtött adatokból milyen módon, milyen feltételekkel vonhatunk le következtetéseket.
A matematikai-statisztikai összefüggések tömegesen előforduló jelenségekre vonatkoznak, belőlük
közvetlen következtetések az egyes egyedi esetekre nem erednek.

22
A legismertebb, leggyakrabban alkalmazott 5 illetve 7 fokozatú ordinális (a „negatív”, elutasító pólustól a
semleges ítélet fokozatain át a „pozitív” elfogadó véleményig húzódó) skálát Rensis Likert (1903-1981), a
társadalomtudomány számos ágában működő amerikai kutató dolgozta ki és publikálta 1932-ben, őróla kapta
nevét az ún. Likert-skála.
2.5.1 Valószínűségszámítási háttér

A valószínűségszámítás a matematikának viszonylag fiatal, néhány száz éves ága (kialakulásában a
szerencsejátékoknak és a biztosítási kockázatok elemzésének volt kitüntetett szerepe), ami mára az egész
tudományos elemzési kultúrát, mind a természet-, mind a társadalomtudományok terén átszőtte. A területi
elemzések matematikai-statisztikai alapelemei és bonyolultabb eszközei mögött is mindenütt ott található a
valószínűségszámítási háttér.

Szemléletileg arról a felismerésről van szó, hogy a különböző jelenségek (a valószínűségszámítás

alapkategóriája szerint, események, kísérletek) kimenete, bekövetkezte, felbukkanása, nem merev ok-okozati, ún.
determinisztikus kapcsolatok folyománya, amikor az okból egyértelműen következik az egyértelmű okozat.
Sokkal gyakoribb, hogy a kapcsolat valószínűségi jellegű (sztochasztikus), ami azonban – bizonyos feltételek
ismeretében – nem hagy teljes bizonytalanságban, megmondható (előre jelezhető, kiszámítható), hogy egyik
vagy másik kimenet, esemény gyakori vagy ritka, nagy vagy kicsiny a valószínűsége.

Nincs itt mód a valószínűségszámítás legelemibb fogalmainak részletezésére sem, de

példaként két nagyon egyszerű gondolatsort azért vehetünk.

Először egy történeti példa a determinisztikus és a sztochasztikus kapcsolatra. Ha 1966-ban

bárhol bementem a közértbe s a 3,60-as kenyérből 4 kilót vettem, akkor 14 Ft 40 fillért

fizettem (determisztikus kapcsolat), ha volt kenyér (sztochasztikus kapcsolat a boltba menetel

és a kenyérvétel között). Ma a kenyérvásárlás épp ellentétesen determinisztikus, illetve

sztochasztikus: kenyér (általában) mindig van, csak az ára nem rögzített, s így a fizetendő árra

csak valószínű becslés adható.

Az események különböző kimeneteit, azok valószínűsége alapján a (0,1) intervallumon

jellemezzük. A biztos esemény (például, hogy a feldobott – nem űrrakétával fellőtt - 100

forintos visszahull a földre) valószínűsége 1, a lehetetlen esemény (hogy a földre hullott 100

forintos érmén 50 forintos felirat látható) valószínűsége 0. Egyaránt 0,5 (vagy másként 50%)

a valószínűsége a „fejnek” és az „írásnak”. A lehetséges kimenetek valószínűségének összege

1, ebből következően az adott példa harmadik lehetséges kimenete (megáll az élén az érme) 0

valószínűségű (de nem lehetetlen), ami azt jelenti, hogy sok ezer érmefeldobás során bizony
bekövetkezhet, ha nagyon ritkán is. Ugyanilyen, 0 valószínűségű, bár nem lehetetlen esemény

az is, amikor valaki az előadások látogatása nélkül jelesre kollokvál statisztikából.

Egy esemény bekövetkeztének valószínűsége, bizonyos (ritka) esetekben tisztán matematikai (leggyakrabban
kombinatorikai alapon) kiszámítható, megadható, máskor csak kísérletek hosszú sorának ismétlésével, s a
kimenetek összegzésével becsülhető meg.

A valószínűségszámítás kapcsolódik egy másik rendkívül felértékelődött, önálló tudományterülethez, az

információelmélethez is (lásd pl. Theil, H. 1970). Ennek ugyanis egyik alapfogalma az, hogy minél kisebb egy
esemény valószínűsége, annál nagyobb az információtartalma (ami azt jelenti, hogy annál meglepőbb, ha
előfordul). Ezt az alapösszefüggést használják ki a területi egyenlőtlenségek információelméleti mérőszámai →
3.2.3.

A valószínűségszámítás és a matematikai-statisztika, illetve a statisztikai módszertan különbségét

leegyszerűsítve úgy összegezhetjük, hogy bár utóbbiak az előbbi elméleti bázisára épülnek, de jóval
gyakorlatiasabbak, ami alapvetően azt jelenti, hogy nem elméleti függvényekkel, hanem véges mintákkal (az
elméleti eseményteret közelítő kimenet-sorokkal) dolgoznak. Ez a reláció emeli a matematikai-statisztika
középponti fogalmává a különböző megbízhatósági vagy szignifikancia vizsgálatokat, amelyek arra valók, hogy
segítségükkel ellenőrizhessük, hogy az adott minta tekinthető-e az elméleti függvény (eloszlás) megfelelő
realizációjának (reprezentásának). Itt kell ismételten utalnunk egyik korábbi megjegyzésünkre, miszerint a
kvantitatív elemzésekben és a matematikai-statisztikában ma sincs nyugvóponton az a vita, hogy minden
adatsort mintának kell-e tekinteni vagy elemezhető anélkül is, hogy a szignifikancia-probléma fel se merüljön. A
gyakorlati területi statisztikai elemzésekben ez utóbbi álláspont az uralkodó, a megbízhatóság, szignifikancia
kérdése azonban még ezen feltevés mellett is felbukkan abban a követelményben, hogy megbízható
összefüggések jellemzően csak nagy elemszámú (hosszú) adatsorból számíthatók.

Az alábbi táblázatban összefoglaljuk a statisztikai elemzésekben leggyakrabban előforduló fogalmaknak,

elnevezéseknek megfelelő, azokkal rokon jelentésű valószínűségszámítási alapfogalmakat, ezeket néha – kissé
pongyolán - felváltva is használják.

Statisztika Valószínűségszámítás
Adatsor, jellemző, változó Valószínűségi változó
Relatív gyakoriság Valószínűség
Átlag, középérték Várható érték
Szórás Szórás
Gyakorisági hisztogram Sűrűség-függvény
Eloszlás Eloszlás-függvény
Minta Minta, reprezentáció
Idősor Sztochasztikus folyamat

2.3. táblázat A statisztika és a valószínűségszámítás rokon fogalmai

2.5.2 Adatsorok statisztikai jellemzői, jellegadó értékei

Középértékek

N szám (adat) számtani átlaga az a szám, amelyet az eredeti számok helyébe helyettesítve a számok összege
változatlan, azaz a számtani átlag (x „felülvonás” jelöléssel):
∑x i

x= , ami ekvivalens azzal, hogy nx = ∑ xi

n
N fajlagos adat (yi) súlyozott számtani átlaga, ahol a súlyok jelölése fi (súlyként a fajlagos mutató nevezőjében
szereplő adat – az egy főre jutó jövedelem esetében a népesség - megfelelő területi értékei illetve megoszlási
viszonyszámai, azaz a megfelelő területegységeknek a teljes népességből való százalékos részesedései egyaránt
használhatók):

y=
∑y f i i

∑f i

A súlyozott formula tulajdonképp semmi más, mint összevont formája annak, hogy minden egyedi adatot (még,
ha az területileg aggregált formában, például területegységekre összevontan adott is) figyelembe veszünk a
számításnál. Ha súlyozatlan átlagot számítunk n területegység aggregált fajlagosából, akkor tulajdonképp egy
olyan n elemű minta átlagát kapjuk, amely az egyes területegységek átlagos értékeiből áll. (Ugyanez a helyzet a
súlyozatlan illetve súlyozott szórás esetében → 2.5.3). A területi egyenlőtlenség-vizsgálatokban jellemzően
súlyozott átlagokat, illetve szórást használnak, számos matematikai-statisztikai módszer ellenben a területi
adatokat csak súlyozatlan formában képes kezelni.

N szám mértani átlaga az a szám, amelyet a számok helyébe helyettesítve azok szorzata

változatlan (x „csillag” jelöléssel):

x* = n ∏x i
ami ekvivalens azzal, hogy (x )
* n
= ∏ xi

A számtani és mértani átlag között határozott nagyságviszony van, a számtani átlag mindig nagyobb vagy
egyenlő, mint a mértani. Két tagra az alábbi levezetés bizonyítja a tételt:

a+b
≥ ab
2
a + b ≥ 2 ab
(a + b) 2 ≥ 4ab
a 2 + 2ab + b 2 ≥ 4ab
a 2 − 2ab + b 2 ≥ 0
(a − b) 2 ≥ 0
q.e.d .

Az adatsorok (valószínűségi változók) helyzeti középértékei közé tartozik a medián, ami az az érték, aminél
kisebb és nagyobb adatok száma egyenlő. A helyzeti középértékeket extrém adatokat tartalmazó adatsorok
esetében előnyös használni.

A medián tulajdonképp egyik sajátos esete az adatsor kvantiliseinek, amelyek olyan értékek, amelyek az adatsor
nagyság szerinti sorrendbe rendezett tagjait azonos elemszámú részekre tagolják. A medián a „felező” érték,
gyakran használják a kvartiliseket („negyedelő” pontok), a kvintiliseket (ötödölők), a deciliseket („tizedelő”)
illetve a percentiliseket („századolók”). Ezeknél beszélünk 1, 2,...k-adik (k a kvartilisnél negyedik, a decilisnél
tizedik, percentilisnél a századik hányadot jelenti) kvantilisről. Ezek a jellemzők különösen gyakran fordulnak
elő a jövedelem-egyenlőtlenségek vizsgálatakor („felső tized”).

A jövedelem-eloszlások esetében (amelyek jellemzően lognormálisak) a medián/átlag arány maga is

egyenlőtlenségi mutatóként fogható fel. Minél kisebb e hányados értéke, annál nagyobbak a
jövedelemegyenlőtlenségek.

Sem az átlag, sem a medián nem feltétlenül egyezik meg az adatsor valamely tagjával (ezért mondhatjuk joggal,
hogy nincs „átlagmagyar” csak „magyar átlag”). A „felső kvartilis” például az az érték, aminél az adatsor
tagjainak egy negyede nagyobb úgy, hogy maga az adott érték nem is biztos, hogy szerepel az adatsorban
(folytonos változók esetében a kvantilisekre csak becslések adhatók). Ezzel szemben, az ugyancsak a
középértékek közé sorolt a módus (vagy módusz, a „divatos” érték), az adatsornak az az értéke, ami legtöbbször
fordul elő. Ha több ilyen érték is található az adatsorban, akkor azt többmódusúnak (többcsúcsú) nevezzük.
Terjedelem, szórás

Az adatsorok jellegadó értékei közé tartozik a maximális és a minimális érték (akár egyik, akár másik többször is
előfordulhat az adatsorban). A maximális és a minimális érték különbsége az adatsor terjedelme (range-arány).
Használható a differenciáltság mérésére a maximális és a minimális érték különbségét (a szóródás terjedelme)

A matematika-statisztika egyik legfontosabb fogalma a szórás, ami az adatsorok egyes értékeinek az átlagtól
való négyzetes eltérésének az átlaga, képletben:

∑ (x i
− x)2
s= i

n
Fajlagos adatok esetében legtöbbször a szórás súlyozott formáját számítjuk:

∑ ( y − y) i
2
fi
s= i

∑f i
i

Az adatsorok szórása 0 és +∞ közötti értékeket vehet fel, mértékegysége megegyezik az eredeti adatsoréval. (A
szórásra a területi egyenlőtlenségi mutatók → 3.2.2 kapcsán még visszatérünk.)

 Amennyiben egy minta alapján becsüljük egy feltételezett eloszlás szórását, akkor – valószínűségszámítási
megfontolások alapján – a kifejezés nevezőjében n helyett n-1 áll (ezt korrigált szórásnak hívják), ami arra utal,
hogy a mintákból számított értékek általában kissé alábecslik a teljes sokaság szórását. Számos statisztikai
programcsomag ezen összefüggések alapján számol, s ezért kis elemszámú adatsorok esetén a két érték
jelentősen el is térhet. Ha azonban pl. 150 kistérség valamely adatából számítunk szórást, a 150-nel vagy 149-cel
való osztás az értékes jegyekben már nem okoz különbséget. Még inkább igaz ez a súlyozott formulára. Ez is
példa arra, minél nagyobb a minta (az adatsor hossza), annál megbízhatóbbak a belőle számítható értékek.

Ha a szórást az átlag százalékában fejezzük ki (csak intervallum-skálán mért, nem 0 átlagú adatok esetében
tehetjük ezt meg), kapjuk a relatív szórást:
s
v= ∗ 100
x
Mivel az előzőekben bemutatott 3 középérték közül a módus minden mérési skála esetén értelmezhető, a medián
az ordinális skálától kezdődően, az átlag csak az intervallum- és arányskálán, szórást is csak ilyen mérési szintű
adatokból számíthatunk. (Azaz nem átlagolhatók sem a nemek, sem a katonai rangok, de megadható, hogy egy
csoportban férfi vagy nő van több, s milyen rangnál kezdődik a hadsereg felső tizede.)

A szórás az adatsorok értékeinek differenciáltságát, tagoltságát jellemzi, s fontos mutatója a területi

egyenlőtlenségek mérésének is → 3.2.1 Az egyenlőtlenségvizsgálatokban nagy hátránya a szórás-mutatónak,
hogy felülről nem korlátos (bármilyen nagy lehet, ezért értéke alapján nem dönthető el, hogy „nagy” vagy
”kicsi” az adatok differenciáltsága).

Standardizálás

Az átlagot és a szórást használja az adatsorok egyik alapvető, dimenziótlanító eljárása az ún. standardizálás. Xi
adatsorból az alábbi összefüggés alapján állítható elő Zi standardizált változó:

xi − x
zi =
sx
ahol x az adatsor átlaga sx az adatsor szórása. A standardizált változó ( z i ) átlaga 0, szórása 1.

Ahhoz, hogy igazoljuk, hogy a standardizált változó átlag valóban 0, szórása pedig 1, fel kell írni zi
átlagának illetve szórásának képleteit, abba behelyettesítendő a zi és xi közötti fenti kapcsolat, majd algebrai
átalakításokkal eljuthatunk az eredményhez.

Eloszlások

A különböző adatsorok (vagy általánosabban a valószínűségi változók) többféleképp csoportosíthatók

matematikai tulajdonságaik, fő jellemzőik (például átlaguk, szórásuk) alapján.

Két nagy csoport mindenképp megkülönböztetendő:

• a diszkrét eloszlások értelmezési tartománya diszkrét, egyedi értékekből áll (nem folytonos). Ilyen
például a családok eloszlása a családtagok száma szerint egy országban (1, 2, 3 …n tagú családok
száma). Magától értetődően diszkrét minden nominális vagy ordinális skálán mért jellemző is. A
diszkért eloszlásból számított átlagok tulajdonképp csak fiktív adatok (pl. ilyen szám az, hogy egy
országban az átlagos családnagyság 2, 79, ennek azonban azonnal értelmes jelentés adunk akkor, ha azt
mondjuk, hogy itt 100 család átlagosan 279 főből áll).
• a folytonos eloszlású változó egy adott intevallumon belül tetszőleges értéket felvehet. Ilyen mutató
például a jövedelem, ami (elvileg) bármilyen nem negatív értéket felvehet (ha a jövedelem nélküli, csak
adóssággal rendelkező egyedektől eltekintünk), de hasonló a hőmérséklet, a csapadék, a
távolságmértékek, a tengerszint feletti magasság stb. Az adott intervallum „kitöltése” csak a mérés
pontosságától és a megfigyelések számától függ.

A folytonos eloszlások fogalmához kapcsolódik a sűrűség- illetve az eloszlásfüggvény. Előbbi a relatív

gyakoriságokat, utóbbi azok kumulált értékét ábrázolja az értelmezési tartományon. Az empirikus elemzésben a
sűrűségfüggvénynek felel meg az adott minta értékeinek oszlopdiagramon (→ → 2.9.2) történő ábrázolása, az ún.
gyakorisági hisztogram23. A leggyakrabban használt eloszlások közül néhány külön kiemelést érdemel. 24

23
Véges mintával reprezentált folytonos eloszlások sűrűségfüggvényének (amely „lépcsős”) kisimítására
használható az ún. kernel-módszer.
24
Az interneten 118 eloszlás matematikai leírását tartalmazza a
http://mathworld.wolfram.com/topics/StatisticalDistributions.html weboldal.
 Normális eloszlás

Soktényezős hatások eredményeként létrejövő kimeneteleket leíró szimmetrikus eloszlás, („harang alakú”
eloszlás, Gauss-görbe). Statisztikus jellemzője az, hogy a normális eloszlású adatok kétharmada az átlagtól egy
szórásnyi távolságon belülre esik, s két szórásnyi intervallumon belül van az adatok 98 százaléka (2.2. ábra).

A valószínűségszámításban illetve a matematikai-statisztikában ez az egyik leggyakrabban előforduló eloszlás.

A diszkrét binomiális eloszlásból származtatható. Több összetett matematikai-statisztikai összefüggés normális
eloszlást feltételez.

2.2.. ábra A normális eloszlás sűrűség- és eloszlásfüggvényének képe

Bár az empirikus vizsgálatok területi adatsoraira sokkal inkább az a jellemző, hogy eloszlásuk nem normális
(sűrűségfüggvényük nem harang alakú, nem Gauss-görbe), több (pl. k darab) ilyen adatsor együttes eloszlása
már közelíti a normális eloszlást a k-dimenziós térben (a területegységek többsége a k-dimenziós ponthalmaz
közepe körül tömörül).

Lognormális eloszlás

Ha egy adatsor (valószínűségi változó) logaritmusának eloszlása normális, akkor az eloszlást lognormális
eloszlásnak nevezzük (2.3. ábra). Ez az eloszlás a természeti és társadalmi jelenségek esetén nagyon gyakori,
nem szimmetrikus (balra ferde) eloszlás, ahol a kis értékek gyakoriak, a nagyok ritkák, de messzire elnyúlik az
eloszlás. Ilyen a természetföldrajzból ismert szemcseeloszlás vagy a jövedelmek eloszlása: sok „szegény” (kis és
közepes jövedelmű) és jóval kevesebb magas jövedelmű embert találunk mindenütt. A jövedelemeloszlás jellege
mindenütt ilyen, csak a gazdag-szegény polarizáció mértéke (a jövedelmek szórása) különbözik koronként és
országonként, a gazdag országok jellemzően kiegyenlítettebbek, mint a szegények. A lognormalitással
ekvivalens az a kijelentés, hogy az adatok nagyságrendje normális eloszlású.

2.3.. ábra A lognormális eloszlás sűrűség- és eloszlásfüggvényének képe

További eloszlások

A számos további eloszlás közül a Poisson eloszlás (Simeon D. Poisson, francia matematikus, 1781-1840) fordul
elő leggyakrabban a területi elemzések során. Ez írja le például a térben (síkon) véletlenszerűen eloszló pontok
(2.4. ábra) konfigurációját (annak valószínűségét, hogy egy adott térrészbe 0, 1 2…n pont esik). Térbeli
mintavételek esetében az ilyen konfiguráció az egyik megfelelő választás. Az ábrán is jól látszik, hogy a
„véletlenszerűség” úgy jelentkezi, hogy egyaránt találunk egymáshoz nagyon közeli, sűrűsödő pontokat s
viszonylag üres térrészeket. Ehhez az eloszláshoz viszonyítva számszerűen is jellemezhető a ponteloszlások
konfigurációja (koncentráltsága, véletlenszerűsége, szabályos, geometrikus jellege) a legközelebbi szomszéd
analízis módszerével (Nemes Nagy J. 1998)
 2.4. ábra A véletlen kétdimenziós ponteloszlás (Poisson eloszlás) képe (Rosenberg 2001 nyomán)

2.6 Térbeli középértékek, súlypont

Egy n pontból álló síkbeli pontrendszer súlypontjának koordinátái, ha a pontok helyzete koordináta-
rendszerben (térképen) adott, és minden ponthoz egy-egy „súly” (tömeg) tartozik, a pontok
koordinátáinak súlyozott számtani átlagaként számíthatók:

n n

∑ f i xi ∑f i yi
i=1 i =1
x = n
; y= n

∑i=1
fi ∑f
i =1
i

A fenti összefüggésben x és y a súlypont két koordinátáját, xi és yi az alappontok koordinátáit, fi pedig

az alappontokhoz tartozó súlyokat jelöli. Ha a súlyok azonosak, akkor a pontrendszer geometriai
súlypontját adja meg a számítás. Súlypont számításához tehát az alappontok helykoordinátáira és az
alappontokhoz rendelt súlyra (tömegre) van szükség.

A módszer a területi elemzések klasszikus eszköztárába tartozik. Alkalmazásának gyökerei a 20. század első
felének szociálfizikai elemzési irányzataiig vezethetők vissza (Stewart, J. Q. – Warntz, W. 1958). Az 1920-as
években a Mengyelejev Centrográfiai Laboratóriumban, Leningrádban kiemelt kutatási témaként szerepelt. A
súlypontmodellnek megfeleltethető bármely területegység, ország népességének területi megoszlása; a
pontoknak a települések, a súlyoknak a népességszámok tekintendők. A népességi súlypont kiszámításával a
területi megoszlás egyik középértékét kapjuk meg, a súlypontnak az alappontoktól mért euklideszi távolságai
négyzetének súlyozott összege minimális. Magyarországon a súlypont-modell használatára épült Bene L. –
Tekse K. 1966 nagyívű empirikus elemzése a hazai népesség területi eloszlásának történeti változásairól.

A számításokban súlyként nemcsak a népesség, hanem bármely más "tömegmérték" is szerepeltethető.

Ilyen lehet például számos gazdasági indikátor helyi volumene: foglalkoztatottak száma, termelési
érték, jövedelem. Ezekkel számolva különböző gazdasági súlypontokat, a gazdasági tevékenység
térbeli középpontjait kapjuk eredményül. A gazdaságon kívüli társadalmi jelenségek vizsgálatára is
alkalmas a módszer: a politikai földrajzi elemzésekben a különböző pártokra adott szavazatok lehetnek
a súlyok (ezekkel számolva egyfajta „politikai” súlypontokhoz juthatunk), de vizsgálhatók a
módszerrel akár a társadalmi devianciák (bűncselekmények, öngyilkosság, balesetek) is.
Történetileg vizsgálva az egyes súlypontokat, képet kapunk a térbeli elmozdulások jellegzetes
irányairól. A módszerrel látványosan igazolható például a népesség történeti távú kelet-nyugati
mozgása, a benépesülési folyamat az Amerikai Egyesült Államokban. Az USA statisztikai hivatala
minden népszámlálás kapcsán közli az ország népességi súlypontjának helyét is, s történeti statisztikai
források alapján immár több mint 200 éves időtávon kísérhető nyomon a népességi súlypont mozgása.

Különböző súlypontok egymáshoz viszonyított távolsága és iránya szintetikus ismereteket ad fontos

társadalmi térbeli folyamatok térszerkezetéről:
• a geometriai és a népességi súlypont viszonya a népsűrűség földrajzi differenciáltságát
szintetizálja,
• a geometriai és a gazdasági súlypont viszonya a gazdaság (a termelés) területi koncentrációjáról
nyújt információt,
• a népesség és a jövedelem súlypontjának viszonya a jövedelemegyenlőtlenségek, a gazdasági
fejlettség differenciáltságát jellemzi.

Bár a súlypontelemzés kétségtelenül jól használható a térbeli arányeltolódások történeti elemzésében,

bizonyos folyamatokat azonban elvileg sem képes kimutatni. Noha lényeges térszerkezeti változások
következhetnek be egy területen, mégsem mozdul el a súlypont akkor, ha a változás (a súly-növekedés
vagy -csökkenés) a súlypont körül szimmetrikusan zajlik. Ezek között az esetek között az
alappontoknak a súlyponttól mért átlagos, súlyozott távolsága - az ún. standard távolság - tesz
különbséget. Minél kisebb ennek értéke, annál jellemzőbb az, hogy az adott jelenség a súlypont körül
koncentrálódik.

A standard távolság (D) számítása:

n 2 2 n
D= ∑ fi (( xi − x ) + ( yi − y ) ) / ∑ fi
i =1 i =1
ahol xi és yi az alappontok koordinátáit, x és y a megfelelő súlypont koordinátáit, fi pedig az egyes
alappontokhoz tartozó megfelelő súlyokat (népességszám, munkanélküliek, telefonvonalak száma)
jelöli.

Érdemes még említést tennünk egy térség, ország ún. (népességi vagy gazdasági) medián-pontjáról is.
Ezt úgy kapjuk meg, hogy a térképeken megkeressük azokat az egyeneseket, amelyek K-Ny illetve É-
D irányban „elfelezik” a népességet és a két egyenes (hosszúsági illetve szélességi kör) metszéspontja
adja ki a mediánpontot. Ez a pont sokkal kevésbé érzékeny a népesség vagy bármely más vizsgált
jelenség térbeli arányeltolódására, hisz egyáltalán nem mozdul el akkor, ha például a népesség
eloszlásában a térség egy-egy felén belül történik elmozdulás. (Ha Tolna megye összes lakosa Zalába
települne át, a népességi súlypont markánsan elmozdulna nyugati irányban, a mediánpont azonban
változatlan maradna.)

Magyarország népességi és gazdasági súlypontjai az egész huszadik században jellemzően a fővárostól

délkeleti irányban helyezkedtek el (tendenciájában egyre közelebb kerülve a fővároshoz, elsősorban annak
népesség- és gazdaságkoncentráló ereje hatására). Ez a helyzet az ezredfordulón is. A 2000-es népességi
súlypont Vasad község közelébe esik (Budapest „elméleti középpontjától”, a Lánchíd budai hídfőjénél lévő 0
kilométerkőtől légvonalban 33 km-re, DK-re). Az országos jövedelmi súlypont már nagyon megközelítette a
fővárost, s Alsónémedi község központjához van legközelebb, 22,2 km-re a főváros középpontjától.
(Településmarketing ötletként interpretálva: míg az ország földrajzi “közepe” Pusztavacs, addig a “jövedelemi
közép” ma(!): Alsónémedi). Miként a jövedelemi súlypont, úgy a telefonvonalak súlypontja is főváros és a
népességi súlypont közé esik Budapesttől 26,2 km-re (Ócsa közelébe). A munkanélküliségi súlypont az összes
korábbitól messze elkülönülve, a fővárostól keleti irányban, attól 58,6 km-re adódott 2001-ben, Tápiószele
közelében, még Pest megyében (további részletek: Nemes Nagy J. 2003).
 Budapest
Munkanélküliség
(2001)
Jövedelem
(2000) Népesség (2001)
Telefon
(2000)
Az ország középpontja
Települések
(Pusztavacs)

K-Ny É-D
Súlypont Súly Év koordináta koordináta
(km) (km)
Felsőfokú végzettség Felsőfokú végzettségűek elvégzett osztályszáma 2001 -8,26 -8,91
Települések Minden település=1 2001 -7,58 -31,73
Jövedelem Adóköteles jövedelem 2000 11,33 -19,06
Telefonellátottság Telefon fővonalak 2000 16,74 -20,64
Iskolázottság 7-x évesek elvégzett osztályszám 2001 21,48 -21,39
Népesség Lakónépesség 2001 25,03 -21,48
Földrajzi középpont - 2001 34,50 -35,41
Munkanélküliek Regisztrált munkanélküliek 2001 60,41 -16,41

2.5. ábra Súlypontok a 20. század végén Magyarországon (Budapest origójú koordinátarendszerben)

2.7. A területi mozgóátlag25 (Dusek Tamás)


A gazdasági-társadalmi jelenségek térségi különbségeinek vizsgálatát rendszerint a közigazgatási
határok keretein belül végzik. A másik lehetséges módszer az elemzési célokra kialakított egyéni
lehatárolás keretében vizsgálódni. A harmadik lehetőség a területi mozgóátlag alkalmazása, amely
módszer a lehatárolási probléma és az aggregációs információveszteség egyfajta kezelése mellett a

25
A fejezet a módszernek csak a lényegét ismerteti, részleteiben lásd Dusek T. 2004, 9. fejezetben vagy a
szerzőnek a módszert bemutató publikációjában (Dusek T. 2001).
térszemlélet formálására is alkalmas. A módszer szemléleti rokonságot mutat, a pont-mintavételekből
történő területi szintű becslés, a térbeli interpoláció más módszereivel.

A közigazgatási határvonalakkal készült tematikus térképek szükségszerűen egyetlen homogén

tömbként jelenítik meg az egyes területegységeket. Mindez nem okoz zavart, ha tudatosítjuk, hogy
valójában a megfigyelési egységeken belül nem találkoznánk ilyen egyöntetű homogenitással, a
határsávok többnyire inkább hasonlítanak egymásra, mint a területegységek távolabbi, belső térségei.
„A természet nem szereti az ugrásokat” térbeli értelemben sem, a szokásos ábrázolás azonban
elterelheti erről a figyelmet. Ennek bizonyítéka és egyben távoli következménye a területegységeket,
mint homogén egységeket kezelő modellek gyakori használata és népszerűsége. Az ilyen modellek
mellett egyszerűségük és könnyű kezelhetőségük szól, a térbeliség tartalmi jellemzői miatt azonban
csak az elemzések első, meglehetősen általános lépcsőfokának célszerű tartani őket.

2.7.1 A területi mozgóátlag számítása és típusai

Egy adott elemi egységnél (leggyakrabban településnél) a vizsgált jellemző területi mozgóátlagát úgy
számítjuk ki, hogy a jellemzőnek a településre és (alapesetben) attól adott távolságon belüli
településekre rendelkezésre álló értékeit átlagoljuk (fajlagos adatok esetében súlyozott átlaggal
számolva):

M(xi)= Σ fj*xj/Σfj, azon elemekre, ahol dij<=m

Az összefüggésben M(xi) xi pont mozgóátlaga

dij i és j pont távolsága
m a mozgóátlag kiterjedése (leggyakrabban távolsági limit).

Az 2.6. ábrán a legegyszerűbb esetet, vagyis pontalakzatot és légvonalbeli távolságot feltételezve

látható a mozgóátlag kiszámításának logikája. Mindez kiterjeszthető térségi adatokra és bármilyen
távolságfogalomra.

A módszer az összes elemi egységhez egy nagyobb térségre jellemző értéket rendel hozzá, végig
haladva az összes elemi egységen. A számítás nem kötődik semmilyen már létező területi felosztáshoz
(az elemi egységek lehatárolásától természetesen eltekintve). A módszer matematikai értelemben
bármilyen területi bontásban elérhető mennyiségi ismérvre kiszámítható, azonban csak megfelelő
területi részletezettségű adatok rendelkezésre állásakor érdemes alkalmazni. Magyarországon ez
legalább kistérségi szintet jelent.
 A körzetébe tartozó elemek

B
A

B körzetébe tartozó elemek

B
A

2.6. ábra Az állandó sugarú mozgóátlag számítása kétfajta sugárral

A területi mozgóátlag alaptípusai

• változatlan területnagyságú (a számítás egyszerű módja alapján állandó sugarú körűnek is

nevezhető)
• változatlan súlyú (változó sugarú körrel)

Első esetben azonos nagyságú területek átlagát számoljuk, második esetben az átlagolandó terület
nagyságát úgy határozzuk meg, hogy a súlyozási szempont szerint egyenlő súlyú körök jöjjenek létre.
A súlyozási szempont leggyakrabban a népességszám, de az elemzés céljai szerint más is lehet. A
változatlan területnagyságú mozgóátlagot számíthatjuk súlyozott és súlyozatlan formában is, a
súlyozott forma az alapeset. A változó sugarú körök a vizsgálat fő szempontja szerint azonos súlyú
egységeket hoznak létre (például azonos népességszámú, azonos nagyságú személyi jövedelem
tömeggel vagy személygépkocsi állománnyal rendelkeznek a települések környezetébe eső
települések).

2.7.2 A mozgóátlag kiterjedésének meghatározása

A települések egymástól való távolságának megállapításánál általános esetben a településközpontok

légvonalbeli távolságát mérjük meg. A sugarak nagyságát az értelmes alsó és felső határ között
rugalmasan határozhatjuk meg, annak megfelelően, hogy milyen területi szintű különbségeket
szeretnénk vizsgálni. A számunkra érdekes területi szint adódhat valamilyen létező területi felosztás
egységeinek átlagos nagyságából vagy egy intézmény, szervezet vagy gazdasági egység gyakorlatban
megfigyelt átlagos vonzáskörzete alapján. Egy már létező területi felosztás (pl. a megyék) átlagos
nagyságához igazodó igazodó sugár választása azért is előnyös, mert amennyiben az a településhálózat
bizonyos mértékű szabályosságaira épül, akkor az átlagolás a településhierarchia mentén meglévő
ingadozásokat egyenlíti ki legnagyobb mértékben, és a térségi különbségeket emeli ki.

Az azonos súlyú területek súlymegállapítási elveiről hasonlóak mondhatóak el, mint az azonos sugarú
körök sugarának kiválasztásáról. Fontos különbség adódik azonban abból, hogy az elemzési
alapegységek, a területegységek már önmagukban is csoportosító ismérvekként funkcionálnak. Így a
kör nagyságát fokozatosan növelve a változó nagysága nem fokozatosan növekszik, hanem egy-egy
újabb területegység körön belülre kerülésével ugrásszerűen. A megállapított súlyt így szinte minden
esetben a körök súlya vagy kicsivel alulmúlja, vagy meghaladja. A két érték közül azzal számolunk,
amelyik közelebb esik a kívánt súlyhoz. Ez a probléma csak akkor vetődik fel élesen, hogyha számos
olyan település létezik, amelyik önmagában is meghaladja a megállapított súlyt, más szóval ha túl
kicsi a megállapított súlyunk a települések átlagos méretéhez képest.

Objektív kritériumunk és egyben megkötöttségünk tehát nincsen a mozgóátlag kiterjedésének (a

területegység nagyságának vagy súlyának) megállapításánál, rossz kiterjedést nem választhatunk,
legfeljebb jobban és kevésbé jobban indokolhatót.

2.8 Számítástechnikai alapok (Jakobi Ákos)

2.8.1 A területi elemzésben leggyakrabban használt szoftverek

A területi elemzés folyamatában rendszerint több szoftverrel is találkozik a felhasználó. Ha a legelső

billentyűérintéstől a legutolsó lépésig értelmezzük az elemzés folyamatát, akkor igen sokirányú
kapcsolatba kerülhetünk a számítógéppel. Ez egyfajta alapvető jártasságot, biztonságot igényel a
komputer használatában, másrészt speciális tudást is a programok helyes futtatásában. A
számítógéppel segített kutatás igazán jól tehát akkor fog működni, ha elegendő gyakorlattal
rendelkezünk. Kezdő elemzők legnagyobb gondja az, hogy a szoftverhasználat során, tartva a
helyrehozhatatlan következményektől, munkájukban már egy-egy kisebb problémánál is elakadnak. A
tanulók gyakorlattal, segédanyagok felhasználásával e töréspontokon továbblendíthetők, ugyanakkor
igen nagy szerepe van az önálló problémamegoldásnak is. Célszerű egy bizonyos jártassági szint után
a részben önálló, majd teljesen önálló feladatmegoldásig eljutni, amely végső soron ahhoz vezet, hogy
az elemzési problémák számítógépes megoldása már nem csak egyfajta feladatsor végrehajtása, hanem
logikus gondolatok levezetése. Hangsúlyozzuk, hogy a számítási módszereket szinte mindenki –
receptszerűen – végre tudja hajtani, de ez nem elég, a végrehajtott vizsgálat elméleti alapjait is
ismerni kell a felmerülő problémák kezelése és a helyes értelmezés érdekében26.

2.8.2 Szövegszerkesztés

A modern kor már mindennapos szinten is megköveteli, hogy írásainkat számítógéppel is

szerkeszthető formában készítsük el. A külalaktól kezdve a szerkeszthetőségen át az elektronikus
kommunikációban való továbbítási lehetőségekig számos előnyét tapasztalhatjuk a számítógéppel
készített dokumentumainknak. Legtöbb esetben már a területi elemzéseket megrendelők is digitális
formában kérik a munka végeredményeit, vagy legalábbis ebben a formában is a nyomtatott verzió
mellett. Személyes versenyképességünk szempontjából ezért fontos lehet a szövegszerkesztő
programok ismerete.

A szövegszerkesztő programok a területi kutatásokban az eredménymegjelenítésben és közzétételben

játszanak fontos szerepet. Az effajta programok közül legismertebb Microsoft Word (MS Word)
program, de egyéb szövegszerkesztő programok is léteznek (pl. EasyWord, AbiWord, TextShield).
Nem szabad összekevernünk a szövegszerkesztést a kiadványszerkesztéssel, amely a már kész

26
A területi elemzés számítástechnikai alapjainak jó összefoglalását tartalmazza Herendi et al. 1996, 1-8. fejezet.
szöveges és egyéb dokumentumok nyomdai szintű megszerkesztését jelenti. Ez utóbbi esetben már
olyan feladatok is felmerülnek, melyek nyomdai alapismereteket igényelnek.

A Word program a területi elemzők számára leginkább az írógépet helyettesíti. Könnyű kezelhetősége
lehetővé teszi, hogy a szöveges információkat gyorsan és tetszőleges formában meg tudjuk jeleníteni,
továbbá hogy újrakezdés nélkül alapvető változtatásokat tudjunk elvégezni a szövegben.
Gyakorlottabb felhasználók nem csak a szöveges információk beírására és rendezésére használják a
programot, hanem komplett dokumentumok elkészítésére is. A program ugyanis lehetővé teszi
táblázatok, ábrák, térképek, képek vagy speciális karakterek beszúrását is, ami a produktumok
fogyaszthatósága szempontjából nem utolsó előny. A területi elemzők számára különösképpen fontos
lehet az egyéb programokban kiszámított vagy létrehozott részeredmények beillesztése a
dokumentumba, mondjuk a bekezdések közé szúrva, ami viszont nagyfokú jártasságot igényel a
programok közötti átjárhatóság szempontjából.

A Word program alapvető fájlformátuma a Word dokumentum (.doc), ugyanakkor számos klasszikus
formátumú fájl is megnyitható a programban (például .txt). Abban az esetben, ha a kibocsátó és a cél-
számítógép eltérő szövegszerkesztő programmal rendelkezik, vagy ha ismeretlen szoftverrel rendelkező
gépre szeretnénk átvinni digitális szöveges dokumentumunkat, érdemes az ún. Rich Text Format (.rtf)
formátumú verzióban elmentenünk anyagunkat, amely – a bonyolultabb betéteket leszámítva – nagy
eséllyel ugyanazt a képet fogja nyújtani a befogadó gépen, mint a sajátunkon.

Az időről időre piacra kerülő új szoftver verziók kompatibilitási gondokat okozhatnak a korábbi
verziók működésében. A modernebb programokkal készített fájlok esetenként olyan újításokat is
tartalmaznak, amelyek egyszerű technikai okoknál fogva nem értelmezhetők a régebbi verziókban.
Ügyelnünk kell tehát arra, hogy egy-egy program melyik verziójával dolgozunk, és mely verziójában
szándékozunk elmenteni végeredményeinket. A modernebb programok általában ismerik a korábbi
verziók formátumait, visszafelé ez azonban nem oly gyakran igaz: ez a lefelé kompatibilitás szabálya.

Mivel a szövegszerkesztők általában az eredmények írásos megjelenítésére használatosak,

általánosságban jellemző az egyéb programokban elkészített részeredményeknek e programokba való
átvitele, s csak kisebb arányban a szövegszerkesztőkben létrehozott eredmények átvitele más
szoftverekbe. Az eredmények exportálásának és importálásának legfontosabb módjait a 2.4.
táblázatban közöljük (MS Word 2000-re vonatkozóan).

Importálás: Beszúrás: Exportálás:

Korábban már létező anyagok
megnyitása (Fájl / Megnyitás)
Word dokumentum (.doc)
Rich Text formátum (.rtf)
Szövegfájl (.txt)
Word Perfect (.doc)
Word 6.0/95 (.doc)
Word 2.x (.doc)
Works 4.0 (.wps)
Részeredmények beillesztése a Megszerkesztett anyagok kivitele a
szövegbe (Beszúrás...) programból (Fájl / Mentés másként)
raszteres képfájlok (.gif, .jpeg, .jpg, Word dokumentum (.doc)
.tif, .bmp) Rich Text formátum (.rtf)
vektoros képfájlok (.wmf, .cdr) Szövegfájl (.txt)
MS Excel munkalap (.xls) Word Perfect (.doc)
Word 6.0/95 (.doc)
Word 2.x (.doc)
Works 4.0 (.wps)
Weblap (.htm)

2.4. táblázat Segédlet a programok közötti átjáráshoz (MS Word 2000)

2.8.3 Táblázatkezelés

A területi vizsgálatok leggyakrabban alkalmazott beviteli formáit a területi adatmátrixokban

összefoglalt adathalmazok képezik. A területi kutatóknak azonban nem csak az adatbevitel kapcsán
lehet szüksége táblázatkezelő programokra. A legtöbb ilyen program tulajdonképpen statisztikai
elemző programként is funkcionál, bár az adatelemzésre kimondottan „szakosított” programok is
léteznek.

Bár egyszerű számításokat a WORD szövegszerkesztőbe illesztett táblázatok adataival is végezhetők

(Táblázat/Képlet menü pontok), a táblázatkezelő programok közül legelterjedtebb és legismertebb a
Microsoft Excel (MS Excel) program, amely mind a számításokat, mind a táblázatformázás műveleteit
lehetővé teszi. A program népszerűsége egyrészt logikus kezelhetőségének, másrészt széleskörű
felhasználhatóságának is köszönhető. Használják például nyilvántartási rendszerekben, adatbázisok
készítésekor, egyszerűbb és bonyolultabb számítási műveletekben stb. A program kimeneti „termékei”
lehetnek például maguk az összeszerkesztett táblázatok, adathalmazok, továbbá a számítási
eredmények és nem utolsó sorban grafikus produktumok is (grafikonok, diagramok).

Importálás:
Korábban már létező anyagok
megnyitása (Fájl / Megnyitás)
Excel Munkafüzet (.xls)
Excel Munkalap (.xls)
Excel Munkaterület (.wks)
dBASE (.dbf)
Quattro Pro (.wq1)
Excel 5.0/95 (.xls)
Exportálás:
Megszerkesztett anyagok kivitele a
programból (Fájl / Mentés másként)
Excel Munkafüzet (.xls)
Excel Munkalap (.xls)
Excel Munkaterület (.wks)
dBASE (.dbf)
Quattro Pro (.wq1)
Excel 5.0/95 (.xls)
Excel 4.0 munkalap (.xls)
Data Interchange (.dif)

2.5. táblázat Segédlet a programok közötti átjáráshoz (MS Excel 2000)

Az Excel program saját fájltípusai az Excel Munkafüzetet vagy Munkalapot tartalmazó (.xls) fájlok
illetve az ún. egész Munkaterületet tartalmazó (.wks) fájlok. A program általában képes más
táblázatkezelő programok által készített fájlokkal is dolgozni, melyek közül legismertebbek a dBASE-
fájlok (.dbf), illetve a Quattro Pro (.wq1) fájlok, másrészt az itt elkészített adatfájlok alapjául
szolgálhatnak más, magasabb szintű műveleteket is elvégezni képes programoknak.

2.8.4 Adatelemzés

Maradjunk még kicsit az Excel programnál és a területi adatmátrixoknál. E programnak a területi

elemzők számára egy igen közkedvelt funkciója a számítások, egyenletek, függvényműveletek stb.
egyszerű és gyors végrehajtása a megfelelően összeállított adatbázisokon. Helyesebben fogalmazva az
egyszerűtől a bonyolultig sok adatelemző, adattranszformáló vagy statisztikai funkció érhető el,
amelyek a regionális elemzési módszerek számítógépes kivitelezéséhez igazán nagy segítséget
nyújtanak. Az Excel tekinthető leginkább annak a szoftvernek, amellyel a területi elemzéseink
legnagyobb része számítógépen elvégezhető, mindazonáltal ez a program sem tud mindent.

A program hátránya – mások szerint előnye – hogy többnyire nem kész modulokkal rendelkezik a
különféle számítások elvégzéséhez, hanem nekünk, elemzőknek kell a számítás lépéseit, egyenleteit
megadnunk. Nincs tehát szó arról, hogy a begépelt vagy importált adathalmazunkból egy kattintással
kiszámolja a program a kívánt eredményeket. A legegyszerűbb vizsgálati módszerektől eltekintve
logikus lépések sorából felépülő számítássorozatot kell általában elvégeztetnünk a programmal.
Mindez tulajdonképpen abból fakad, hogy ez a program egyszerre csak egy számítási utasítást tud
végrehajtani, aminek viszont megvan az az előnye, hogy a számításnak minden lépését
koordinálhatjuk, felügyelhetjük vagy akár módosíthatjuk.

A társadalomkutatók és területi elemzők számára egyik legfontosabb program az adatelemző

szoftverek csoportján belül az SPSS programcsomag (Statistical Package for Social Sciences =
Társadalomtudományi Statisztikai Programcsomag). A szociológiában, a közgazdaságtanban, a
statisztikában, a pszichológiában, a biometriában illetve egyre inkább a területi elemzésekben is
alkalmazott programcsomag (verziótól függően) ablakos-menüs rendszerben könnyű kezelhetőség
mellett teszi lehetővé a legbonyolultabb és legmagasabb szintű elemzési módszerek végrehajtását.
Helyes alkalmazásához a technikai szempontú gyakorlat mellett az elméleti-statisztikai háttér magas
fokú ismerete is szükséges.

Adatbevitel: Eredménykivitel:
Korábban már létező anyagok Megszerkesztett anyagok kivitele a
megnyitása (File / Open) programból (File / Save as)
SPSS tábla (.sav) SPSS tábla (.sav)
SPSS/PC régi verz. (.sys) SPSS/PC régi verz. (.sys)
Excel 4.0 munkalap (.xls) Excel 4.0 munkalap (.xls)
dBASE (.dbf) dBASE (.dbf)
Tab-delimited (.dat, .txt) SPSS Syntax (.sps)
SPSS Syntax (.sps) SPSS Viewer (.spo)
SPSS Viewer (.spo) HTML file (.htm)
Text file (.txt)

2.6. táblázat Segédlet a programok közötti átjáráshoz (SPSS 8.0)

Az SPSS programcsomag leginkább az összetett és többváltozós vizsgálati módszerek végrehajtásában

nyújthat segítséget. Számos olyan funkciója létezik, amely más programokkal nem kivitelezhető,
illetőleg rendkívül hosszadalmas számításokkal helyettesíthető. Célszerű tehát akkor nyúlni ehhez a
programhoz, amikor már tisztában vagyunk a vizsgálati módszerek egyszerűbb változataival.

Az SPSS-sel, illetve a hasonló programokkal elvégzett elemzések általános menete a következő

lépésekben fogalmazható meg: 1. Az adatok bevitele, importálása vagy begépelése az adatszerkesztő
felületre, 2. A vizsgálati módszer kiválasztása a menürendszerből, 3. A változók kiválasztása az
analízishez, 4. Az eredmények értékelése. Bár a program adatelemző szoftverként ismert, a számítások
során kiszámított és megjelenített eredményeket mégsem elemzi le „teljes mértékben”. A
végeredményként kapott újabb táblákat és számokat – értelemszerűen – már nekünk kell értékelnünk.
A gép csak az eljárás végrehajtását könnyíti meg, az elemzést az ember végzi!

Az SPSS program mellett más adatelemző szoftverek is megemlíthetők, melyek főként a statisztikai
elemző módszereket támogatják (pl. Statistica, Stata). E programok bizonyos elemeikben eltérő
eljárásokat is végre tudnak hajtani (pl. ún. panel-számításokat vagy trendfelület-vizsgálatokat).

2.8.5 Prezentációs eszközök

A prezentáció, azaz az eredmények bemutatása a területi elemzéseknek nem, az elkészített anyagok

közzétételének azonban lényeges eleme.

A kész produktumok és kutatási eredmények nem írásos formájú bemutatása, közzététele sajátos
eszközöket igényel. Az eredmények előadás formájában történő bemutatásához nagy segítséget
nyújtanak az olyan speciális előadás-tervező szoftverek, mint például a Microsoft PowerPoint
programja. Ez az egyszerűen kezelhető, rövididejű gyakorlást igénylő szoftver változatos és látványos
formában képes bemutatni eredményeinket. E program népszerűsége részben könnyű kezelhetőségéből
ered, másrészt egyre jelentősebb elterjedtségéből a piaci szférától az oktatási és tudományos körökig.
E program segítségével az eredményeink szóbeli ismertetésével párhuzamosan írásbeli és képi
összetevőket is megjeleníthetünk. A jó PowerPoint bemutató vázlatpontokba sűrítve jeleníti meg
mondanivalónkat, amelyet az előadásunkban fejtünk ki bővebben és nem a bemutatásra kerülő
anyagban. A bemutató tulajdonképpen általunk megszerkesztett diakockák kivetítéséből áll, amely
felfogható egymás után következő írásvetítő-fóliáknak is. A megjelenítéshez is egy írásvetítőhöz
hasonló eszközre, ún. projektorra van szükség.

Bevitel: Beszúrás: Kivitel:

Korábban már létező anyagok
megnyitása (Fájl / Megnyitás)
PowerPoint bemutató (.ppt)
PowerPoint vetítés (.pps)
Részeredmények beillesztése a Megszerkesztett anyagok kivitele a
szövegbe (Beszúrás...) programból (Fájl / Mentés másként)
raszteres képfájlok (.gif, .jpeg, .jpg, PowerPoint bemutató (.ppt)
.tif, .bmp) PowerPoint vetítés (.pps)
vektoros képfájlok (.wmf, .cdr) raszteres kép (.gif, .jpeg, .tif)
MS Excel munkalap (.xls) vektoros kép (.wmf)
szöveges vázlat (.rtf)

2.7. táblázat Segédlet a programok közötti átjáráshoz (MS PowerPoint 2000)

2.8.6 Speciális szoftverek

Léteznek a területi elemzők által használt szoftverek között olyanok is, amelyek egy-egy speciális
elemzési módszerhez nyújtanak segítséget, de a területi elemzésekben általános szerephez nem jutnak.
Ezek a szoftverek rendszerint más, nem területi elemzési céllal készültek, de bizonyos esetekben
kifejezetten alkalmasak egy-egy módszer számítógépes végrehajtására.

Elsőként említsük meg a térinformatikai, digitális képfeldolgozási és távérzékelési elemző eljárásokhoz

alkalmazott Idrisi programot, amely jelentős segítséget nyújthat összetett légi- és űrfelvételek
szakszerű, objektív és gyors elemzéséhez. A program viszonylag elterjedtnek számít a térképész,
földmérő stb. szakmákban, de a területi elemzők is hasznát vehetik például a tájértékelés vagy az
alakzatvizsgálatok esetében. A program az adatelemzés mellett a térképi adatok megjelenítését is
támogatja.

Ugyancsak többségében térinformatikusok használják, de a területi elemzésekben is szerephez juthat a

Surfer program, amely két- és háromdimenziós felületek készítésére alkalmas. Kedvelt alkalmazási
területe a digitális terepmodellek készítése és térbeli megjelenítése. A területi elemzők számára a
trendfelület-elemzésben és a társadalomföldrajzi domborfelületek készítésében lehet jelentősebb
szerepe.

A VisualRoute nevű program alapvetően informatikai és hálózatelemzési céllal készült, de a

leleményes területi kutatók e programban is felfedezték a számukra használható elemeket. A program
segítségével a kiberteret, azaz a világháló belső térbeli kapcsolatait, hálózati összeköttetéseit tudják
vizsgálni és térképezni.

Általánosan elterjedtek azok a szoftverek, amelyek a területi elemzések mellékleteiként felhasználásra

kerülő ábrákat képesek elkészíteni. Ábra lehet természetesen bármely, az előbbiekben bemutatott
szoftver végterméke is, ugyanakkor elképzelhető, hogy az elkészíteni kívánt ábránk nem illeszthető
egyetlen programhoz sem. A speciális tematikus térképektől kezdve, a vázlatokon át a magyarázó
tartalmú ábrákig sok esetben kerülhetünk olyan helyzetbe, amikor a rajzoló vagy illusztráló
programok nyújtják az egyetlen kiutat. Az egyik legnépszerűbb ilyen program a már említett Adobe
Photoshop program „párja”, az Adobe Illustrator, amely egyszerre képes raszteres és vektoros alapon
dolgozni. Hasonlóan igaz ez az állítás a könnyen kezelhető Freehand programra, illetve a
professzionális kivitelezést is lehetővé tevő és igen elterjedt Corel Draw programra (és kiegészítőire).
 2.9 Grafikonok (Szabó Pál)

A vizualizáció generális elemzési és prezentációs eszköz. Sokak számára a különböző ábrák

jóval érthetőbbek, mint az ugyanazon jelentést hordozó száraz számsorok. A területi
kutatásokban egyrészt a statisztika általános grafikus módszerei, másrészt – a
tudományterület talán legsajátabb eszközeként – a különböző térképezési eljárások kiemelt
fontosságúak.

A grafikus megjelenítés azonban soha nem helyettesíti az elemzést,. az adatok értékelését és megfontolandó
az is, hogy mennyiben élünk az ábrakészítés lehetőségével, mivel ha túltengenek a diagramok, grafikonok egy
munkában, könnyen elvonhatja a figyelmet az érdemi információkról. Ez utóbbi hibát tetézi, ha a vizuális
élményadást azzal fokozzuk, hogy a legkülönbözőbb ábratípusokat tömegesen variáljuk. Ez az út nem a kutatási
célt szolgálja. Összességében soha nem szabad arról megfeledkeznünk, hogy a grafikus ábrázolás a kutatási
munkában eszköz, és nem cél.

2.9.1 Általános szempontok

A következőkben összefoglaljuk a területi kutatásokban használatos és használható diagramok és

grafikonok készítésének általunk legfontosabbnak ítélt általános szempontjait (részben Hunyadi L.
2002 alapján), a részletekre a konkrét eseteknél, a diagram- és grafikontípusok bemutatásánál térünk
ki.

• Az ábra legyen célorientált, azaz a bemutatásra szánt információkat tartalmazza, s ne

zsúfoljunk tele egyéb információkkal. Kerüljük a bonyolult, összetett, többféle célt egyszerre
szolgálni akaró ábrázolást.

• Az ábra legyen egyszerű és áttekinthető, azaz a befogadó rövid szemlélés alapján is fel
tudja dolgozni a grafikus formában nyújtott információkat. Kerülni kell például a felesleges formai
(pl. háromdimenziós kúpok), színbeli (pl. halacskás tapéta a háttérben) extrákat, illetve az
aprólékos információközlést (pl. kategóriatengelyen rendkívül sűrű számskála). A külcsín, a sok –
gyakorta felesleges – felirat stb. elvonhatják a figyelmet a lényegi közlésről.

• Az ábrán minden információ rajta legyen, de se több (ne legyen ismétlődések), se

kevesebb (egyetlen lényeges információ se maradjon le). A legszükségesebbek az ún.
alapinformációk (az ábratípustól függően a következők valamilyen kombinációja): terület –
vizsgált terület, területi keret, területi egységek; jelenség – a vizsgált jelenség, mutató(k),
mértékegység(ek); idő – időpont(ok), időintervallum.

• Az ábra optikailag semleges legyen, ne manipuláljuk vele a befogadót. Ez vonatkozhat

például a skálázásra: kerülni kell, illetve óvatosan kell bánni a koordinátarendszer tengelyei
metszéspontjainak meghatározásával, illetve gondosan kell megválasztani, a céltól függően, a
skálák minimumát, maximumát. (Például különböző maximum- ill. minimumértékek ugyanazon
adatsor esetén csökkenthetik vagy növelhetik az adatok közötti különbségek látszatát.) Kerülendők
a háromdimenziós diagramok, mivel már a síkbeli formáció is torzíthatja a számértéket: nem
mindegy, hogy az alakzat térfogata, területe vagy az idom magassága egyenlő az ábrázolt adattal.

• Az ábrának legyen címe. A cím lehetőleg ne legyen hosszú. A címben az alapinformációk

jelennek meg: általában szerepel a vizsgált területi keret (esetleg a területi bontás), a jelenség
(vagy annak konkrétan a mutatója) és a vizsgált időszak, időintervallum (de például az ábrázolt
mutató mértékegységét nem írjuk bele a címbe). Nem igazán jó cím „Egy főre jutó GDP, 2000”,
szemben „A fejlettség regionális egyenlőtlensége Belgiumban, 2000” címmel, illetve „Népesség
 (1950-2000)”, szemben „A népességszám változása Magyarországon a XX. sz. második felében”
címmel.

• Általában szükséges jelmagyarázat az ábrához. Ez világos, egyértelmű legyen, és ne olyan

információkat adjon, melyek már szerepelnek más formában az ábrán.

• Az ábra színezésénél óvatosan járjunk el. Egyrészt célszerű a fekete-fehér ábrák

használata (esetleges nagyszámú nyomtatás, fénymásolás stb. miatt), de ha mindenképpen színes
ábrát készítünk, akkor is figyelni kell a különböző színek összeválogatására. A diagramoknál az
alakzatok (oszlopok, körcikkek stb.), a grafikonoknál a pontok színessé tételénél kerüljük a „nem
természetes” (neonzöld stb.) és a rosszul látható (pl. halvány) színeket, másrészt az egyes színek,
színárnyalatok szerinti megkülönböztetésnél pedig a különbségtételnek határozottnak kell lennie
(mind az ábrán, mind a jelmagyarázatban szereplő színek alapján egyértelműen kell tudni
azonosítani az egyes egységeket). A színválasztásnál érdemes elgondolkodni azon, hogy az adott
jelenséghez nincs e valamilyen szín konvencionálisan társítva (pl. mezőgazdaságnál a zöld), mert
az ettől elütő színválasztás nem mindig szerencsés. Szintén érdemes odafigyelni, hogy a színskála
(pl. kördiagramnál) ne össze-vissza legyen, hanem a tematikus térképezés elvét követve (pl.
hőskála) sorakozzanak egymásután a színek. Magának az ábrának a hátterét általában fehérre
érdemes „színezni”, illetve olyanra, mely a legélesebb kontrasztot adja az ábra többi részével.
Nem érdemes felesleges extrákkal fűszerezni a hátteret, legfeljebb az ábrázolt jelenséget
szimbolizáló, egyszerű és halványan megjelenő képpel.

• A színezés mellett a sraffozásos ábra (amikor pontok, vonalak, rácsok stb. különítik el az
egyes egységeket) is elterjedt, azonban ennél több megszívlelendő tanács is van. Egyrészt a
jelmagyarázatban, szerény méretű szimbólumnégyzet esetén, nem mindig kivehető a sraffozás
típusa (pl. ritka vonalak, ritka pontok), s így a beazonosítás gondot okoz. Másrészt célszerű
követni a tematikus térképezés szabályait, konkrétan a „sűrűsödés” elvét, azaz az egymás után
következő (pl. körcikkek) egyre sűrűbben legyenek kitöltve (pl. fehér szín, pontok, sűrű pontok,
vonalak, sűrű vonalak, rácsozat, fekete).

• Jó, hogy ha az ábra önállóan (a szövegtől függetlenül) is megállja a helyét. Gyakorta

előfordul, hogy az ábrát más szerzők is felhasználják munkáikban, s ilyenkor értelmét vesztheti az
ábra tartalma, ha hosszadalmas leírás párosult hozzá az eredeti szövegben.

• Általában szükséges a feldolgozott adatok forrásának feltüntetése, a „forrás: …” vagy a

„saját szerkesztés … forrás adatainak felhasználásával” információ felvitele az ábrára, átvett
információk híján, a teljesen önállóan készült ábráknál természetes a „saját szerkesztés”
feltüntetése felesleges! Ha több ábra esetében azonos a forrásháttér, elég a legelső esetben vagy a
szövegben jelezni.

• A végére hagytuk az egyik leglényegesebb elvet: mindig a jelenséghez rendelhető

ábratípust válasszunk. Az ábrákat nagyobbrészt területi (országok, régiók, települések stb.)
adatokra készítjük, ami azonban korlátokat is jelenthet. Egyes esetekben többféle típus is
használható, de vannak olyan statisztikai adatsorok, melyeknél nem. Például egyes fajlagos
adatokat (népsűrűség, egy főre jutó GDP stb.), mivel nincs értelme a (súlyozatlan) összegüknek,
nem ábrázolunk olyan diagramon, ahol az értékek összegeződnek (pl. kördiagram, halmozott
oszlop).27

A következőkben a legegyszerűbb grafikus ábratípusokat vesszük sorra. Minden esetben az

általánosan elterjedt, magyar nyelvű EXCEL programmal készült példákat mutatunk be, kiemelve a
területi kutatások keretén belül készíthető ábrákkal kapcsolatos jellemzőket, problémákat.

27
A szerzők naív óhaja a kézirat leadásakor: talán kötetünk ábrái e szigorú kritériumok többségének megfelelnek
majd!
A különböző diagramok, és grafikonok közül EXCEL-ben a Beszúrás/Diagram menüpontból illetve a
DiagramVarázsló ikon aktiválása után tudunk választani.

Az EXCEL-ben készített ábrák mindig „igazodnak” az eredeti adattáblához, így az azon történő bármilyen
változtatást automatikusan követi az ábra. Ennek előnye, hogy a tévesen bekerült adat(ok) korrigálása után
nem kell újból elkészíteni a diagramot, grafikont, hátránya viszont, hogy az adattáblán végzett műveletek
megváltoztatják az ábrát. Emiatt célszerű mindig külön táblát készíteni az adatokból az ábra „alapanyagául”,
és ezt a továbbiakban, ha csak nem szükséges, akkor nem bolygatni. Szintén az EXCEL program jellemzője,
hogy a többlépcsős ábrakészítés bármelyik lépcsőfoka újra behívható és módosítható, azaz egy kész ábrán is
minden újból át- illetve beállítható.

2.9.2 Oszlopdiagram

A diagramot leginkább arra használjuk, hogy egy vagy több területi adatsort ábrázoljunk, oly módon,
hogy egy területegység értékét a hozzá rendelt oszlop Y tengelyen leolvasható magassága adja meg. A
diagramot mind abszolút, mind relatív mutatókra elkészíthetjük.

Az oszlopdiagramoknak többféle altípusa van:

• A csoportosított oszlop típust alkalmazhatjuk mind abszolút, mind relatív mutatóknál

például a különböző térségek azonos mutatójú adatainak összehasonlítására (2.7. ábra).

Néhány további (nagyon) gyakorlatias szempont:

Túl sok térséget nem célszerű így ábrázolni, mivel nehezen kibogozhatóvá válik az ábra, túl kevésért pedig
nem érdemes külön ábrát készíteni. A gyakorlat maximum kb. 20 egységet, minimum 4 egységet sugall.
Lényeges kérdés ennél a típusnál az oszlopvastagság. Mivel az oszlop magassága (és nem területe) jelenti az
adott értéket, emiatt nem érdemes túl széles oszlopvastagságot beállítani, mivel vizuálisan csökkenti a
különbséget. Korrektek a szakaszok lennének, melyek hossza megegyezik az ábrázolt értékekkel, azonban
ezek kevésbé kifejezőek a látvány szempontjából. Ide tartozik még az oszlopok összeérésének kérdése:
összeérést csak akkor célszerű alkalmazni, ha van kapcsolat a szomszédos oszlopok között, például egy terület
egy jelenségének időbeli változását mutatja az ábra. Figyeljünk arra, hogy minden oszlophoz tartozzon az X
tengelyen azonosító, ne maradjon le például egyetlen régiónév se. Ezt hosszú nevek esetén úgy tudjuk elérni,
hogy vagy kisebb betűre állítjuk át a szöveget, vagy elforgatjuk a neveket. Az Y-tengelyen szerepelnie kell az
ábrázolt jelenség mutatójának, mértékegységgel együtt. Ez alól kivételt jelent, ha a mutató már magában a
címben is előfordul, ekkor itt csak a mértékegységet kell feltüntetni. Az Y tengely maximumát (minimumát)
úgy érdemes megválasztani, hogy a legnagyobb (legkisebb) érték is látszódjon. Ez alól kivételt jelent, ha egy
messze kiugró értékkel rendelkező egységünk is van: ilyenkor „elvágjuk” az oszlopot (kisebb skálamaximum)
és az értéket ráírjuk a „maradékoszlop” tetejére (vagy „megtörjük” a tengelyt). Értékeket általában nem szokás
ráírni az oszlopokra, mivel a diagramnak nem az adatközlés a célja (arra az értékek szerint sorrendbe rendezett
adattábla a célszerű), hanem a nagyságrendi megkülönböztetés. Lehetőség van vezetőrácsok beállítására.
Ezeket akkor érdemes alkalmazni, ha túl sok egység áll közel azonos szinten, s így például a csoportképzésnél
(magas, közepes, alacsony értékűek elválasztása) a konkrétan kijelölt értékhatárok szerint nehéz a besorolás.
Ha egy vizsgált térségünk van, melyet egy tágabb keretben helyeztünk el, akkor a vizsgált egységet célszerű
megkülönböztetni a többitől, például az oszlopot más színűre állítjuk át.
 2.7. ábra A gazdasági fejlettség regionális különbségei Belgiumban (2000)

Ésszerű, hogy az X tengelyen sorakozó egységek valamilyen szempont szerint sorrendbe legyenek téve: ez
leggyakrabban a mutató értékei szerinti (több mutatósor esetén az egyik, például a kiemelt mutató szerinti), de
néha ettől eltérő szempontok is szóba jöhetnek (például földrajzi égtáj vagy népességnagyság stb.).
Mindenképpen legyen logika az X tengelyen elhelyezett egységek sorrendjében. Leggyakoribb hiba a térségek –
adattáblákban gyakorta használt, s így a diagramokon is megjelenő – ABC-sorrendben történő sorakoztatása. Ezt
mindenképp kerüljük, emiatt azt ábra elkészítése előtt rendezzük sorrendbe a területegységeket, például az
ábrázolandó mutató értéke szerint. Ebben az esetben gyakorlatilag mindegy, hogy csökkenő vagy növekvő
sorrendbe következnek egymás után az egyes oszlopok.

Alkalmazható ez a diagramtípus egyszerre több mutató ábrázolására is, azonban ilyenkor problémát okoz a
különböző skála (értéknagyságrend, mértékegység). Ebből kifolyólag általában csak az azonos karakterű
mutatók együttes ábrázolása a célravezető, illetve a különböző mutatók azonos nevezőre hozása (például az
országos átlag százalékában fejezzük ki az egyes értékeket).

• A halmozott oszlop diagramtípust több mutató egyszerre történő ábrázolásánál

alkalmazhatjuk, azonban csak akkor, ha értelmezhető a különböző mutatók értékeinek összege. Az
ábrán az egyes területegységekhez tartozó adatok összegződése történik meg (2.8. ábra).
• Ennek altípusa a 100%-ig halmozott oszlop. Ilyenkor nemcsak összeadódnak az értékek,
hanem a teljes százalékában fejezzük ki az egyes összetevőket (2.9. ábra). Ennél az ábratípusnál a
fő gondot az jelenti, hogy több mutatót ábrázolunk egyszerre, s ilyenkor csak az egyik jelzőszám
szerint tudjuk az egységeket sorba rendezni, s így csak ennek különbségei elemezhetők gyorsan és
egyszerűen.
 2.8. ábra A népesség korcsoport szerinti megoszlása Hollandia régióiban (2000)

2.9. ábra A népesség korcsoport szerinti összetétele Hollandia régióiban (2000)

Az oszlopdiagramok párja a ritkábban használt sávdiagram, ahol vízszintesen helyezkednek el az egyes

oszlopok. Jelentősebb különbség nincs a két típus között, s így gyakorlatilag a korábban felsorolt javaslatok az
irányadóak. Külön csoportot alkotnak a téglalap helyett egyéb, általában háromszög, illetve a háromdimenziós
típusoknál a henger, kúp, piramis alakzatok. Használatuk mellőzése javallt!
2.9.3 Kördiagram

Az oszlopdiagram mellett a másik legelterjedtebb diagramtípus. Lényege, hogy egy területi adatsor
esetén az egyes területegységek részesedését adja meg a teljes területből, emiatt csak abszolút
mutatókra illetve az ezekből számított százalékos értékekre készíthető (ez utóbbit az EXCEL program
automatikusan megadja a diagram készítésénél). Egy területegység értékét a hozzá rendelt körcikk
területe (illetve ívhossza) adja meg (2.10. ábra).

2.10. ábra Szlovákia népességének regionális megoszlása (2000)

2.11. ábra Foglalkozási szerkezet Németországban (2000)

Gyakori használatával találkozhatunk még egy terület adatának (pl. foglalkozási szerkezet)
felbontásakor (pl. primer, szekunder, tercier szektorban dolgozók aránya), ilyenkor az egyes körcikkek
az adott jelenség részeinek értékét mutatják (2.11. ábra).

Az ábrázolt szektorok száma minimum 3 (két számra nem érdemes diagramot „pazarolni”), maximum
5-7 legyen. Több adat ábrázolása a kördiagrammon ugyan elvileg nem tiltott, ennél több egység esetén
már gyakran nehezen értelmezhető az elaprózódó körcikkekre tagolt ábra, ilyenkor jobb az eredeti
adatokat táblázatban közölni, ha mindenképp szükségesnek tartjuk, hogy a kis értékű, súlyú
területegységekről is pontos számszerű információt közöljünk.

A kördiagramnál szintén célszerű a sorba rendezés, legjobb ha a cikkek csökkenő nagyságban követik
egymást (lehet növekvő is a sorrend). Automatikusan 12 órától indul a kör (ezt, bár lehet, nem
érdemes átállítani), és az óramutató járásával megegyező irányba követik egymást az egyes körcikkek.
Ennél a típusnál, mivel a hangsúly a részesedésen van, jó ha feltüntetjük a százalékos (nem pedig az
abszolút mutató szerinti) értéket. Emellett a körcikk „tulajdonosa” vagy a körcikk mellett szerepeljen
(így az egyszerűbb az ábra értelmezése), vagy, ha túl kicsik egyes körcikkek, külön jelmagyarázatban
(ez utóbbi esetben, habár nem mindig szerencsés, a jelmagyarázat kikerülhető, ha a cikk és tulajdonosa
szakasszal van összekötve). A színskálára az előző alfejezetben leírtak a mérvadóak. Lehetőség van rá,
hogy a körcikkeket széthúzzuk (robbantott kör), de ez csak zavarólag hat, mivel a körcikkek
egymáshoz való viszonyítását optikailag megzavarja. De ha egy vizsgált térségünk van, melyet egy
tágabb keretben helyeztünk el, akkor a vizsgált egység körcikkét – figyelemfelkeltés céljából –
„kihúzhatjuk” a körből. Viszont mellőzzük a kördiagram „megdöntését”, mivel eltorzítja az arányokat.

A kördiagram altípusát jelenti a kör-kör, kör-sáv diagram, melynél egy körcikket tovább bontunk
további egységekre (a 2.12. ábrán például Kelet-Ausztriát). Használata ritka, mivel az ábra
áttekinthetősége nem a legjobb. Készítésénél arra figyeljünk, hogy a továbbbontott körcikk területével
nagyjából egyező területű legyen a kisebbik kör.

2.12. ábra A népesség területi megoszlása Ausztriában (2000)

• A háromdimenziós kördiagram (torta) optikailag abszolút nem semleges (azon körcikkek,

melyek oldala is látszik, sokkal nagyobbnak tűnnek), így használatukat nem ajánljuk.
• Itt említhető meg az ún. perecdiagram is, ahol az értékeket az egyes körsávok területe (ill.
ívhossza) adja meg. Elméleti előnye, hogy több adatsort is bemutathat, de hátránya, hogy az ábra
optikailag nem semleges, mivel nem azonos területűek az egymás alatt-felett sorakozó körsávok
(így például idősor ábrázolására tiltott). Használatát csak akkor ajánljuk, ha belecsempészhető és
értelmezhető a nagyságkülönbség az ábrába (2.14. ábrán népességnagyság szerint követi
egymást a három ország).
 2.14. ábra A foglalkozási szerkezet különbségei a Benelux-államokban (2000)

2.9.4 Egyéb alakzatdiagram típusok

A sugárdiagram (esetenként radar-diagrammnak is nevezik) alkalmazható több területegység több

(akár abszolút, akár relatív) adatsorának ábrázolására. Mivel több adatsor skálázása nagyságrendileg
eltérő így, vagy azonos karakterű mutatókat (pl. foglalkozási szerkezet) ábrázoljunk, vagy hozzuk
közös nevezőre a mutatókat (például az országos átlag százalékában fejezzük ki az egyes értékeket).
Célszerű kevés egységet és mutatót választani, valamint az egyik fő mutató szerint sorba rendezni a
területegységeket. Kétféle módon is alkalmazható:

a) Az egyes területegységeket az egy pontból kiinduló félegyenesek jelölik, míg a hozzájuk

tartozó adatokat a félegyenes skáláján megjelenő pontok adják meg. Az ábra arra alkalmas,
hogy a különböző mutatók egyenlőtlenségeit összevessük (2.15. ábra). Ezt a grafikont
használja az információs társadalom egyenlőtlenségeit leíró ún. INEXSK-módszer → 5.8.

b) Az egyes félegyeneseken a mutatókat ábrázoljuk, s így a területegységeket a kirajzolódó

alakzatok testesítik meg. Ilyen diagramokon a hasonló illetve az elütő karakterű térségek
bemutatását célozhatjuk meg (2.16. ábra). A legjobb helyzetű térségekhez nagyobb, a kedvezőtlen
jellemzőkkel rendelkezőkhöz tartozik. kisebb területű alakzat tartozik. A minden jellemzőben
nagyjából kiegyensúlyozott térségekhez tartozó poligon konvex, míg azokban, ahol az egyes
jellemzők szerint nagyon különböző a helyzet, konkáv (beszögelléseket, csúcsokat tartalmazó)
alakzatot kapunk.
2.15. ábra Három fő indikátor regionális egyenlőtlensége Portugáliában (2000)

2.16. ábra Lombardia, Lazio és Calabria régiók fő társadalmi-gazdasági jellemzői (2000)

Érdekes ábrázolási lehetőségeket ad az ún. buborékdiagram, mely hasonlít a pontdiagramhoz, csak a

pontok helyett különböző sugarú körök állíthatóak elő. A diagram három adatsor megjelenítését teszi
lehetővé, oly módon, hogy az X tengelyen az első, az Y tengelyen a második adatsor értéke olvasható
le, míg a harmadik adatot a két koordináta szerinti pontba, mint középpontba megrajzolt kör területe
jelenti. A területi kutatásokban alkalmazható például egyszerű tematikus térképek készítésére, ha a
települések koordinátái (x = földrajzi hosszúság, y = földrajzi szélesség) és egy abszolút mutató
rendelkezésünkre áll (2.17 ábra).

2.17. ábra Bács-Kiskun megye népességének települések szerinti eloszlása (1999)

2.9.5 Pontdiagramok (Jeney László)

A pontdiagram gyakran használt módszer kétváltozós adatsorok értékeinek grafikus ábrázolására. E

diagramtípus legfontosabb alkalmazási célja: két változó közötti kapcsolat szemléltetése, illetve egy
adatsoron belül a megfigyelési egységek csoportosítása két változó alapján.

A pontdiagram alapja egy derékszögű koordinátarendszer, amelynek két tengelyén (x és y) a két

valószínűségi változó értékeinek nagyságát mérjük, a diagram területén lévő pontok pedig az
adatsorban szereplő megfigyelési egységeket helyezi el e viszonyrendszerben. Az egymáshoz hasonló
megfigyelési egységeket reprezentáló pontok a diagramon egymás közelében vannak.

A két kategóriatengely közül – amennyiben ez tartalmilag eldönthető - a vízszintesen (x) a független

változót mérjük (amely balról jobbra növekszik). Ezen független változó értékeihez viszonyítjuk a
másik (függő) változó értékeit, amelyek nagyságát a függőleges (y) tengelyről olvashatjuk le (2.18.
ábra).
2.18. ábra Az aktív korú népesség aránya és regionális fejlettség közötti összefüggés Németország NUTS2-es
régióiban (2000)

A pontdiagram esetében (szemben az oszlop- vagy kördiagrammal, illetve grafikonnal) nincs

jelentősége a vizsgált adatbázis ábrázolás előtti sorba rendezésének, hiszen itt a pontok helyzetét
csupán a két változó nagysága határozza meg, így a pontok függetlenek a nekik megfelelő megfigyelési
egységek táblázatban szereplő sorrendjétől.

A pontdiagram igazi funkciója a kétváltozós adatsorok megjelenítése. Ez még akkor is így van, ha elvileg az
Excel képes egyetlen változó kijelölése után is pontdiagramot szerkeszteni. Egy változó esetén a vízszintes (x)
tengelyre az adatsor elemeinek a táblázatban szereplő sorrendje kerül (mint független változó). A diagram tehát
ennek függvényében ábrázolja adott y valószínűségi változó értékeit, aminek pedig nincs különösen társadalmi-
gazdasági mondanivalója. Egyváltozós adatsor ábrázolásához érdemes a pontdiagram helyett egy másik
diagramtípust (pl. oszlopdiagram) választani.

Több diagramtípusnál is felmerül, de talán a pontdiagram esetében van a legnagyobb veszélye a diagram
alakjának nyújtásából vagy tömörítéséből származó torzításoknak. A fenti módosítások hatására mind a
diagramon látható pontfelhő alakja (külső határai), mind pedig a pontalakzat belső szerkezete (pontok közötti
távolságok) jelentősen módosulhatnak, ami félrevezethető. Az értéktengelyek léptékeinek egyenlőtlen
megváltoztatása különböző mértékben befolyásolja a pontok közötti távolságokat, aminek folytán a diagramra
rátekintve egyes megfigyelési egységek látszólag hasonlóbbnak vagy eltérőbbnek tűnhetnek. A legtöbb
diagramtípushoz hasonlóan a pontdiagram esetében is módosítható a pontok eloszlása a tengelyek
skálabeosztásának beállításával.

Az eddigiekben egy adatsorhoz tartozó két változó értékeire készített pontdiagramokról volt szó. Az
Excelben lehetőség nyílik egyszerre több adatsor egy pontdiagramon történő ábrázolására. Ilyen
diagramot csak úgy célszerű szerkeszteni, ha minden adatsor esetében a kategóriatengelyek azonos
változókat jelölnek. Erre már csak azért is szükség van, mert a program szerint egy értéktengelyhez
csak egy címet adhatunk meg. Több adatsor esetén nem elég, hogy azonos változóink legyenek a
kategóriatengelyeken, hanem az egyes adatsorok értékeinek is megközelítőleg azonosnak kell lenniük.
Ellenkező esetben egyes adatsorok pontalakzatai túlzottan összeszűkülhetnek, így nehezen
értelmezhetővé válnak. Több adatsort egyébiránt csak indokolt esetben ábrázoljunk egyetlen
pontdiagramon, az egymással érintkező (vagy egymást átfedő) pontalakzatok miatt az ábra könnyen
áttekinthetetlenné válhat.

2.9.6 Vonaldiagram (Jeney László)

A grafikon szó gyakran tágabb értelemben használatos. A széles közvélemény egy része ugyanis a grafikon szó
jelentését kiterjeszti valamennyi derékszögű koordinátarendszer segítségével történő grafikus ábrázolásra (pont-
, vonal-, oszlop- vagy sávdiagram). Itt (az Excel táblázatkezelő programnak megfelelően) a grafikon kifejezés
alatt a vonaldiagramokat értjük.

A pontdiagramokhoz hasonlóan a grafikonokat is koordinátarendszerekben ábrázoljuk, a különbség

azonban az, hogy itt összekötjük a szomszédos pontokat. Ez pedig azt feltételezi, hogy az adatsor egyes
pontjai (a megfigyelési egységek) egy sort alkotva láncszerűen követik egymást, ahol a szomszédos
láncszemek összeköthetők. A grafikonok tipikus ábrázolási eszközei az idősoroknak, ahol a független
változó maga az idő (t), és ez kerül a vízszintes (x) tengelyre, amihez hozzárendeljük adott y
valószínűségi változó (adatsor) értékeit. Az időn kívül természetesen más mutató is (pl. távolság
autópálya mentén vagy folyamkilométer) lehet a grafikon független változója.

Mivel a pontok összekötésével az adatsorból (mintából) kimaradó x értékekre is igyekszünk y értékeket

hozzárendelni, ezzel feltételezzük, hogy bármely pontban meghatározható az y változó értéke az adatsorban
szereplő két legközelebbi érték összekötésével. Ez pedig csakis a valós folyamatok alapos ismeretében képzelhető
el. Hosszú távú, azonban kevés elemszámú idősoroknál előfordulhat, hogy a pontok összekötésével akár egy
évtizeden keresztül stagnálást sugallunk, figyelmen kívül hagyva az egyébként időközben bekövetkezetett komoly
valódi változásokat (pl. halálozások száma esetében a második világháborút közrefogó két népszámlálás – 1941-
es és 1949-es – adatai között nyilvánvalóan eltűnnek a köztes háborús évek magasabb értékei). Túlságosan rövid
idősorokra egyébként nem érdemes grafikont rajzolni!

Egy grafikonon több adatsor is ábrázolható. Ez esetben figyelni kell arra, hogy az egyes adatsorok
azonos mértékegységűek legyenek, sőt az egyes adatsorok között ne legyenek jelentős értékbeli
különbségek. Több, egyazon területi egységre vonatkozó idősor esetében például a bázis- és a
láncindex egymástól jelentősen eltérő mértékegységű és volumenű adatsorok egy grafikonon történő
megjelenítésére és elemzésére nyújt lehetőséget. (Ekkor az ábra bal- és jobb oldalán eltérő beosztású,
mértékegységű y tengely szerepelhet.). Különböző mértékegységű adatsoroknál célszerű az ezekből
számított származtatott (pl. standardizált) adatokat ábrázolni grafikonon.

Gyakori, hogy az ábrázolni kívánt adatsorok hiányosak vagy az, hogy a független (x) változó értékei nem
egységnyire követik egymást (ez például a nem pontosan azonos időszakonként ismétlődő népszámlálások miatt
az idősoroknál sokszor előfordul). Ilyenkor két út van:
• vagy a grafikon digaramtípust választjuk, de ekkor a hiányzó éveket is szerepeltetni kell az x adatsorban
(s a hozzájuk tartozó y cellába nem 0 kerül, hanem a cella üresen marad!), mivel ezeket elhagyva
torzulnának az időtávok, ugyanolyan távolságra kerülnének a grafikonon eltérő hosszúságú időszakok
• választhatjuk az Excel DiagramVarázslóján belül a pontdiagramot is, ahol a pontok a vízszintes (x)
tengely mentén mérve nem feltétlenül egységnyi távolságra helyezkednek el, mert ez a független (x)
változó értékétől függ.

2.9.7 Háromszögdiagram (Jeney László)


Három dimenziós adatrendszerek ábrázolására már térbeli koordinátarendszerre van szükség, s ott
bizony már gyakran nehezen értelmezhető a papíron, két dimenziós ábraként kirajzolódó alakzat,
magasabb dimenziószámok esetében pedig egyáltalában nincs mód a hagyományos grafikák
elkészítésére.
Sajátos lehetőség van olyan háromdimenziós adatrendszerek grafikus ábrázolására, ahol a
megfigyelési egységekhez 3 homogén tartalmú, diszjunkt – egymást nem átfedő - volumenadat
tartozik (ennek legismertebb példája a foglalkoztatottak száma vagy a termelési érték volumene a
három fő szektorban – mezőgazdaság, ipar, szolgáltatások, vagy a korszerkezeti összetétel – gyerekek,
aktívak, öregek száma). Az ilyen adatokból minden megfigyelési egységre kiszámítható azok
megoszlása (a három komponens százalékos aránya az összegükből).

Ezek az adatok az ún. háromszögdiagramon ábrázolhatók.

 Bizonyítsa be, hogy egy szabályos háromszög tetszőleges belső pontjából, párhuzamos szakaszokat húzva
az oldalakhoz, az adott oldaltól az óramutató járásával megegyező irányban lévő oldallal, az így kapott
szakaszok összege független a pontok helyzetétől, minden pont esetében azonos, mégpedig épp megegyezik a
háromszög oldalhosszával! Ha megbirkózott a feladattal, megismerte azt a matematikai összefüggést, amire a
háromszögdiagram épül.

A háromszögdiagram a legelterjedtebb táblázatkezelő programok grafikus moduljaiban nem szerepel.

(Az ismertebb programok közül a STATISTICA legújabb verziója azonban tartalmaz
háromszögdiagram rajzoló utasítássort). Kis ügyeskedéssel – az alapadatok átalakításával – azonban
például EXCEL-ben is rajzolható háromszögdiagram (2.19. ábra).

A háromszögdiagram rokon vonásokat mutat a pontdiagrammal, az ábrázolt adatsoraink itt is

pontokként jelennek meg. Alapvető különbség azonban a pontdiagramokhoz képest, hogy itt
derékszögű koordinátarendszer helyett egy egyenlő oldalú háromszög belsejébe helyezzük el a
pontokat. A háromszög minden oldala a három változó valamelyikének felel meg. A háromszög oldalai
mentén az óramutató járásával ellentétesen végighaladva, két csúcs között 0-tól 100 százalékig
növekszik az adott oldalhoz tartozó változó százalékban kifejezett értéke. Így a háromszög mindhárom
csúcsa olyan pont, ahol a három változó közül az egyik 100 százalékot vesz fel, míg a másik két változó
értéke nulla százalék. Ily módon nem csak a háromszög oldalai, hanem a csúcsai is elnevezhetők egy-
egy változóról. Minél közelebb van egy pont a háromszög valamely csúcsához, annál nagyobb az adott
csúcshoz tartozó változó részesedése a megfigyelési egység esetében. Fordítva pedig: minél közelebb
van egy pont a háromszög középpontjához (ahol mindhárom változó épp azonos arányt képvisel),
annál kiegyenlítettebb a vizsgált három változó eloszlása az adott megfigyelési egység esetében. A
háromszög oldalain elhelyezkedő pontok esetében az egyik változó 0 százalékos részesedéssel
rendelkezik, a másik kettő összege pedig 100 százalék.
 2.19. ábra. A régiók foglalkozási szerkezetének változása Portugáliában (1950-2001)

Tegyük fel, hogy, hogy a három változó „a”, „b” és „c” (a+b+c=100 százalék)! Az „a” változó
értékeit a lapjára fektetett egyenlő oldalú háromszög alsó oldalán (balról jobbra haladva), a „b”
változóét a háromszög jobboldalán (lentől felfelé) mérjük. A „c” változó értéke pedig a háromszög bal
oldaláról olvasható le, ahol a felső csúcs értéke 0, a bal alsó pedig 100 százalék. Az Excel program
DiagramVarázslója nem kínál fel külön diagramtípust háromszögdiagram készítésének céljára. A
pontdiagram típust választva némi „trükkel” azonban Excelben is elkészíthető a háromszögdiagram.

Ehhez a háromszögdiagram „koordinátáit” át kell alakítani a pontdiagram számára:

Változó Koordináta
csúcs
„a” „b” „c” „x” „y”
jobb alsó 100 % 0% 0% 100 % 0%
felső 0% 100 % 0% 50 % 86,6 %
bal alsó 0% 0% 100 % 0% 0%

A háromszögben elhelyezkedő pontok helyzetének meghatározásához elég két változó értéke. Így van
ez a pontdiagram derékszögű koordinátarendszerében is. Ha a pontdiagramon a pontok vízszintes
koordinátája x, a függőleges pedig y, akkor: x = a +b/ 2 és y =b/ 2∗ 3 .

Érdemes először egy külön adatsorként magukat a csúcsokat felvenni, és azokat összekötve megkapjuk
a háromszög körvonalát. (Megjegyzendő, hogy a háromszög kerületét alkotó adatsorhoz nem elég
három pont, ugyanis negyedik adatpontnak újra meg kell adni az először megadott csúcs koordinátáit,
hogy a körvonal bezáródjon.)

A háromszögdiagram lehetőséget nyújt több területi egység egyidejű összevetésére. A hasonló

karakterű területi egységeket ábrázoló pontok egymás közelébe kerülnek. Az egymáshoz közeli pontok
elkülönítésével a vizsgált területi egységek csoportosíthatók. Ha egyazon területi egységnél több
időpontra is rendelkezünk adatokkal, akkor a pontok idősorrendben összeköthetők (2.19. ábra), így a
változás iránya alapján is jellemezhetjük megfigyelési egységeinket.
 2.10 Térképek

A földrajzban a térbeliség fontosságának szembeötlő bizonyítéka, hogy szinte minden információt

térképeken ábrázolnak. Az utolsó néhány évtizedtől eltekintve ezek a térképek hagyományos, analóg
formában készültek. Előállításuk hosszadalmas, és igen nagy szakértelmet követel. Napjaink jócskán
felgyorsult világában ez a papíralapú technológia már számos esetben nem tud lépést tartani a
változásokkal és felhasználhatósága is korlátozott. Erre válaszul először a térképi tartalmat kezdték el
számítógépekkel előállítani, mára pedig a térbeli infomációk egyre nagyobb része digitális térképek
formájában kerül forgalomba.

A térképet, mint adatforrást nagy körültekintéssel kell kezelnünk. A térkép fizikai állapota,
méretaránya, vetületi rendszere stb. mind olyan tényezők, amelyeket a feldolgozás során
figyelembe kell venni, különben könnyen téves eredményekre juthatunk.

2.10.1 Geodéziai, topográfiai és földrajzi térképek (Mattányi Zsolt)

A térképek méretarány szerint három csoportra oszthatók (Lerner J. 1992):

• geodéziai (nagyméretarányú) térképek

• topográfiai térképek
• földrajzi térképek

Geodéziai térképek

Ezek a térképek terepi felmérések alapján készülnek. Méretarányuk 1:500 és 1:10 000 között mozog.
A felmérés eredményeinek ábrázolásánál eltolást nem alkalmaznak. A térképi tartalmat minimális
generalizálással állítják elő.

Topográfiai térképek

A legáltalánosabban használt térképtípus. Méretaránya 1:10 000-től 1:300 000-ig terjed. A térképi
tartalom a méretarány csökkenésével egyre nagyobb mértékben generalizált, az 1:25000 méretarány
alatt már a térképek nem közvetlen terepi felmérés alapján készülnek. A topográfiai térképek
egyszerre többféle tematikát tartalmazhatnak (domborzat, vízrajz, infrastruktúra, felszínborítás stb.).
Ezeknél a térképeknél gyakran előfordul, hogy egyes objektumokat eltolással ábrázolnak, másokat
kihangsúlyoznak (valós méretüknél nagyobbnak ábrázolják).

Földrajzi térképek

A földrajzi térképek kis méretarányúak (1:300 000>). Ezeken a térképeken általában csak kevés
tematika szerepel egyszerre. A generalizálás igen nagy mértékű. Jobbára csak tematikus térképek
alapanyagaként használhatók fel.

Egy bonyolultabb térinformatikai rendszernél előfordulhat, hogy a bemenő adatok más-más

térképműről, űr-, vagy légifelvételről származnak. A különböző forrásból származó informaciók egy
rendszerbe való integrálásához (geokorrekció) a modern térinformatikai és távérzékelési
alkalmazásokban megvannak a megfelelő eszközök.
2.10.2 Tematikus térképek

A térképjelek formája, részletezettsége, információtartalma a méretaránnyal változik.

A regionális elemzés legalapvetőbb eszközei közé tartoznak a különböző tematikus térképek. A

regionális kutatásban ez leggyakrabban térségi adatok ábrázolását jelenti.

Bár sokaknak határozott véleménye van például a térképezés során használandó jelkulcsokról vagy
színskáláról, ezek jó része egyéni megítélés, illetve egyéni esztétikai érzék kérdése. A színes tematikus
térképeknél mindesetre jó iránymutatást ad a hideg-meleg színskála (kék – zöld – sárga - piros és a
megfelelő átmenetek). Bár elterjedt, de nem „tudományos” törvény ellenben, hogy a „pozitív”,
kedvező helyzetet tükröző értékekkel rendelkező területegységek kapják a meleg (piros), míg a
kedvezőtlen helyzetűek a hideg (kék) színeket (az ellentétes összefüggés is megmagyarázható). Az
egyszínű jelkulcsnál a sötét-világos átmenet felel meg az értékkülönbségek érzékeltetésének.

A térségi alapú tematikus térképeken elsődlegesen fajlagos, relatív adatok ábrázolandók. Abszolút
volumeneket (például a népességszámot vagy épp a külföldi tőke nagyságát) helytelen a területegységek
színezésével ábrázolni. Erre megfelelő mód az adott abszolút ismérvértékkel arányos szimbólumokkal (körök,
négyzetek) készült kartogram.

Bár az adathiány a modern regionális elemzések térképein már viszonylag ritka, ez üresen, „fehéren”
hagyott térrészekre írt n.a. – nincs adat – jelöléssel érzékeltethető. Sokan épp ezen problémakör miatt
általában kizárják – a fejezet szerzője ellenben előszeretettel használja - a fehér, üres jelkulcs-
kategóriát a tematikus térképezésből. Főként az egyszínű térképek esetében ezzel egy jól értelmezhető
jelzést hagynak veszendőbe menni az adatsor elején vagy végén álló területegységek jellemzőinek
azonosítására.

A különböző társadalmi ismérvek térképezése az információk vizuális megjelenítését célozza,

méghozzá információ-tömörítéssel.

Manapság már ritkán fordul elő (aki példát talán rá, jelezze!), de azért talán nem felesleges utalni arra, hogy
szép színes térképet kaphatunk akkor, ha például egy megyei adatsort úgy térképezünk, hogy minden megyét
más-más színre festünk (abból a „logikából” kiindulva, hogy sok adatsorban valóban minden megyéhez más-más
érték tartozik). Ez azonban nem tematikus térkép, hanem színes illusztráció („nyuszitojás”). A tematikus
térképezés ugyanis az említett információtömörítés nélkül, aminek az a célja, hogy a vizsgált jelenség térbeli
eloszlásának jellegzetességeit kiemelje, s ezáltal utaljon a jelenség lényeges térbeli sajátosságaira – értelmét
veszti. A tematikus térképnek nem kell vizuális formában megismételnie a területi adattáblát. Akit egy-egy
megye pontos ismérvértéke érdekel, úgyis az eredeti adatokhoz fordul.

Két, gyakran visszatérő módszertani kérdésre mindenképp érdemes kitérnünk.

Miután a megfelelő alaptérképek rendelkezésre állnak, a térképezés általában azzal indul, hogy az adatokat
osztályközökbe soroljuk. Itt két kérdés vetődik fel:

• Hány osztályközzel, kategóriával dolgozzunk?

• Hogyan különítsük el a kategóriákat?

Mindkét kérdésre különböző gyakorlatias válaszok vannak, több lehetőség közül választhatunk.

Az osztályközök (kategóriák) számát az emberi vizuális észlelés határai korlátozzák. Gyakorlati tapasztalat az,
hogy nyolcnál több kategória megkülönböztetése már nehézkes, ezért ezt a határt – még ha ügyesen megoldható
is a különböző kategóriák megkülönböztetése, például színekkel – érdemes kerülni. A kategóriák száma függ a
térképezési alapegységektől, a megfigyelési egységek (területegységek) számának növekedésével nőhet a
megkülönböztetett kategóriák száma is. A szakirodalomban a megfigyelési egységek száma (n) és a
térképezéskor használandó kategóriák számának felső határa (k) közötti kapcsolat meghatározására a következő
függvényt javasolják (természetesen ennél kevesebb kategória is használható):

k = 1+3,3*log n

Az összefüggés néhány esetre a 2.8. táblázatban összefoglalt értékeket adja.

Maximális
Területegység (n) Kerekített k Példa
kategória-szám (k)
7 3,788 4 Hazai régiók
20 5,293 5 Megyék
150 8,181 8 Kistérségek
200 8,593 9 A világ országai
257 8,952 9 Hazai városok
3200 12,566 13 Hazai települések

2.8. táblázat A tematikus térképi kategóriák és a megfigyelési egységek száma közötti összefüggés

A másik kérdést, azaz, hogy miként határozzuk meg a kategóriahatárokat, mivel ez már
tulajdonképpen egy általánosabb problémakört, a tipizálás, csoportosítás módszerét is érinti a
megfelelő fejezetben tárgyaljuk és mintapéldán ott mutatjuk be(→ 6.3). Mindkét kérdéskörhöz
kapcsolódik az is, hogy a kategorizálást az adatsorokban található értékékek is befolyásolják, nemcsak
a területegységek száma (kicsiny szórású adatok térképezésénél kevés kategória használata indokolt).

2.10.3 Topológikus térképek

A regionális elemzések talán leggyakrabban térképezett adatai a népességre vetített fajlagosok.

Amikor ezeket térképezzük, alapként területarányos egységekből álló (közigazgatási, regionális,
országokra osztott) térképeket használunk. Ennek következtében az elkészült tematikus térképeken a
legnagyobb (így sokszor a legszembetűnőbb) foltot, a nagy területű egységek jelenti, ezek uralják a
térképet még akkor is, ha az ott élő népesség száma csekély. Magyarországon ez a jelenség a Dunántúl
aprófalvas, az Alföld nagyhatárú településekből álló szerkezete következtében a települési szintű
tematikus térképeken egyértelműen jelentkezik. Világméretekben „klasszikus” példája volt e
problémának a hatalmas területű – 22mó km2 – Szovjetunió nagy foltja bármely tematikus
világtérképen.

Ennek a feszültségpontnak a feloldására alkalmasak az ún. topológikus (kifejezetten nem topográfiai!)

térképek, amelyekben a „topológiát” az jelenti, hogy az eredetileg szomszédos területegységek ezeken
is szomszédosak, ellenben azok nagysága nem a területtel, hanem a népességgel (vagy bármely más
ésszerű társadalmi-gazdasági volumennel) arányos.

Ezek megszerkesztése nem könnyű, de megoldható. Az elemi megoldáskor a rajzolást úgy érdemes
kezdeni, hogy a megfigyelési egységeknek kiszámítjuk a teljes területen belüli népességarányát
(százalékban), majd egy száz egységnyi területet ezek szerint osztunk részekre. (Ezt a száz egységnyi
alapterületet indulásként úgy érdemes megszerkeszteni, hogy alakja nagyjából kövesse a vizsgált
térség – például az ország – földrajzi alakját. Gyakori megoldás az is, amikor a térkép a
területegységek alakját nem őrzi meg, hanem arányos téglalapokkal vagy más idomokkal helyettesíti.)
Az így kapott térképeken a belső területegységek, a határok a földrajzi, területi kiterjedésükhöz képest
természetesen torzulnak, de szomszédság fennmarad. Iterációval, kísérletezéssel vizuálisan is
elfogadható új térfelosztáshoz juthatunk (erre példa található: Nemes Nagy J. szerk. 1977).

Ha ilyen alaptérképet töltünk aztán ki a megfelelő fajlagos értékek kategóriái szerint, akkor nemcsak a
fajlagos mutató szerinti jellemző (például a jövedelem, a gazdasági fejlettség szintje, vagy ahogy a
2.20. ábrán tették, választási eredmény), hanem az érintett népesség nagysága is érzékelhető lesz a
térképeken. Nemcsak arról kapunk így információt, hogy melyik területen élnek szegények (vagy
gazdagok), hanem arról is, hogy hol koncentrálódik a két pólus. A topológikus térkép helyénvaló
használatára mutat példát a 2.20. ábra, ahol a szomszédság (azaz a topológiai reláció) megmaradt,
noha a területegységek nagysága megváltozott. (a fekete „peremeken” győztes Kerryt a szürke
„centrumot” uraló Bush legyűrte).

2.20. ábra A 2004. évi amerikai elnökválasztás eredményének két térképe (fenn: a szokásos területarányos, lenn
az elektorarányos topológikus térkép)

F: http://www.personal.umich.edu/mejn/election/

Ilyen logikájú topológikus térképek azonban nemcsak a fajlagos adatok ábrázolásakor kerülnek szóba.
A jövedelemegyenlőtlenségek például két topológikus térkép egymás mellé tételével is
érzékeltethetők. Az egyik lehet a népesség számával, a másik pedig a jövedelem volumenével arányos
területnagyságú egységeket (régiókat) tartalmazó térkép. E két térkép összevetésekor a magas
jövedelmű térségek a jövedelemtérképeken, az alacsony jövedelműek a népességi térképeken fednek
le nagyobb területet. (Világméretű térképek esetében Kína a jövedelmi térképen jóval kisebbre
zsugorodik Japánnál, ellenben a népességarányos topológikus térképeken természetszerűen dominálja
egész Ázsiát. Szingapúr ellenben, amely a népességarányos térképeken szinte nem is látszik, nagy
foltként bukkan fel a jövedelmi térképen.)

A topológikus térképek másik típusa az elérhetőség, a közlekedés elemzése során bukkan fel.
Jól érzékeltetik a közlekedés által ”torzult” teret az olyan térképek, ahol a területegységek –
miközben itt is fennmaradnak az eredeti szomszédsági relációk – aszerint torzulnak, hogy
milyen messze vannak egymástól az utazási időt tekintve. A sűrű kapcsolati, infrastrukturális
hálóval összekötött, központi térségek ezeken a térképeken összezsugorodnak, míg a
periférikus, nehezen elérhető térségek, megnagyobbodnak, s így távolabb kerülnek a többitől
(Gatrell, A. 1983).

2.10.4 A mentális térkép (Kiss János Péter)

Annak a szemléletnek a korlátozott érvényét, amely a teret az emberek cselekedeteinek kereteként

szolgáló változatlan, abszolút, objektív képződményként tekinti, a hatvanas évek közepén az Egyesült
Államokban megjelent behaviorista geográfiai iskola képviselői ismerték fel először, és azóta sokan
tettek kísérleteket a szubjektív terek – elsősorban a településekről, ritkábban a régiókról, az
országokról a fejekben élő ún. kognitív térképek – megismerésére. (A külföldi próbálkozásokról lásd
Cséfalvay Z. 1990, 1994 összefoglaló munkáit, a hazai példák közül Kiss J.–Bajmócy P. 1996,
Bajmócy P. – Csíkos Cs. 1997) Ez azonban nem egyszerű, hiszen a statisztikai adatgyűjtés
hagyományos eszközeivel szemben itt kizárólag mintavételes eljárások, puha módszerek alkalmazása
kerülhet szóba. A szubjektív terek kutatása tehát mindenképpen nagy apparátust, jelentős időbeli
ráfordítást igényel, ezért nem is vált részévé a területi kutatások mindennapi gyakorlatának.

A szakirodalomban gyakran a mentális térképezés, mentális térkép fogalmak szinonimájaként

használják a kognitív térképezés, kognitív térkép kifejezéseket is. Célszerűbb azonban a kettőt
egyértelműen elhatárolni egymástól: a kognitív térképezés alatt a személyekben lejátszódó
pszichológiai folyamatot, míg mentális térképezés alatt a kognitív térképek előhívásának módszerét
értjük. A lerajzolt mentális térképek ebben az értelmezésben egyértelműen kevesebbet jelentenek tehát
a kognitív térképeknél: az adott egyén kognitív térképének „felszínre hozott” részét jelentik.

A szubjektív terek vizsgálatának kulcsproblémája az ún. kognitív térképek – térképi elemekből illetve
a hozzájuk kapcsolódó szubjektív képzetekből álló tudati képződmények – minél teljesebb "előhívása"
a fejekből. A jelenleg ismert módszerek egyike sem képes e kétféle információtípust egyszerre,
összefüggéseiben megragadni. Egyik részük inkább arra alkalmas, hogy feltárja: a vizsgált hely vagy
régió mely részletei vannak jelen nagyobb, és melyek kisebb valószínűséggel, részletességgel, illetve
pontossággal az egyes társadalmi csoportokban. Az ezt célzó eljárásokat mentális térképezésnek
hívjuk, ami a gyakorlatban kísérleti személyekkel térképek rajzoltatását, és e rajzos információk
értékelését jelenti. A módszerek másik része a vizsgált helyek (régiók) általunk előre megadott
elemeihez kapcsolódó vélemények, ismeretek, attitűdök, sztereotípiák feltárását célozza. Ehhez
általában speciális kérdőíveket használnak.

A mentális térképek rajzoltatása módszertani kategóriáját tekintve a kísérletek közé tartozik. A kísérlet
a természettudományok jellemző módszertani eszköze, a társadalomtudományok közül egyedül a
pszichológiában és rokon tudományaiban (szociálpszichológia, pedagógia) van jelentős szerepe. A
regionális kutatásokban a mentális térképezés jószerivel az egyetlen, szélesebb körben alkalmazott
kísérletes eljárás, és ezt is a pszichológiából vette át első alkalmazója, Kevin Lynch, illetve az ő
nyomán későbbi követői a behaviorista geográfusoktól a régió- és helymarketinggel, vagy a
turizmussal foglalkozó gyakorlati szakemberekig. A módszer sikerét egyszerűségének is köszönheti.
Az előre kiválasztott – az általunk megismerni kívánt célcsoporto(ka)t reprezentáló – kísérleti
személyek azt a feladatot kapják, hogy adott időn belül egy üres papírra vázolják föl emlékezetből a
vizsgálat tárgyát képező területi egység térképét, és jelöljék be, illetve nevezzék meg azokat az
objektumokat, amelyek épp „eszükbe jutnak” (vagy azokat, amelyeket legfontosabbnak tartanak). A
feladat tehát igen egyszerű, és az adatfelvétel kedvező feltételek esetén (sok ráérő ember egyidejű
jelenléte olyan helyen, ahol leülni és rajzolni lehet) gyorsan, olcsón végrehajtható.

A mentális térképek zömét városokról, esetleg csak városrészekről rajzoltatják, de nincs elvi korlátja
annak, hogy országokról, vagy akár országcsoportokról, kontinensekről készíttessünk térképvázlatot.
Szintén előnye a módszernek, hogy a kutatás céljának megfelelően a kísérleti utasítás speciális
megkötéseket is tartalmazhat. Ilyen lehet az, hogy a kísérleti személyek csak azokat a helyeket jelöljék
be, ahol már jártak, vagy ahol gyakran megfordulnak; esetleg azokat, ahova szívesen elmennének
nyaralni; vagy ahol rokonaik, ismerőseik élnek stb. Szűkíthető a vizsgálat azzal is, hogy korlátozzuk a
bejelölhető objektumok típusát (pl. csak az utakra, vagy csak jellemző épületekre, vagy csak
településekre vagyunk kíváncsiak). De van lehetőség a bővítésre is (pl. kérhetjük, hogy a bejelölt
települések mellé írják oda, hogy hány lakosúnak gondolják, vagy értékeljék őket egy számmal
aszerint, hogy milyen gazdagnak, szépnek stb. ítélik).

Mivel a rajzokon látható mentális térképek jellemzőit a kísérleti alanyok személyiségén kívül
társadalmi és földrajzi meghatározottságaik is alapvetően befolyásolják, lehetőleg a rajzos vizsgálatot
is ki kell egészíteni (a rajzolásra adott idő után) egy rövid, a kitöltőre vonatkozó alapvető
háttérváltozók rögzítését célzó kérdőívvel. Legalább a nem, életkor, iskolai végzettség, illetve a
jelenlegi és az életút során eddig jellemző egyéb lakóhelyek rögzítése célszerű, de a vizsgálat céljától
függően egyéb tényezők rögzítése is fontos lehet (a társadalmi státusz indikátorai, pl. foglalkozásra,
jövedelemre utaló adatok, a kulturális státusz, az információszerzés mennyisége és főbb forrásai, a
földrajzi mobilitás mértéke stb.).

A rajzos módszer előnyei mellett számos, részben nehezen leküzdhető hátránnyal is rendelkezik. Ilyen
problémát jelent, hogy a tömeges egyidejű lekérdezés általában csak speciális csoportok esetében
lehetséges – nem véletlen, hogy a publikált mentális térkép-vizsgálatok jelentős részében egyetemi
hallgatók vagy iskolások voltak a kísérlet résztvevői. Ezek köre azonban szűk, és a vizsgálat
szempontjából legérdekesebb célcsoportokat – vállalkozók, turisták vagy az adott település/régió
lakossága – jól reprezentáló mintát egyszerre „leültetni” és rajzoltatni általában nehéz, néha szinte
lehetetlen. A probléma megoldását jelentheti, ha pl. a megkérdezettek lakásán történő kérdőíves
vizsgálat részeként alkalmazzuk a térkép-rajzoltatást, esetleg speciális alkalmak (pl. konferenciák)
használhatók ki erre.

A legnagyobb gondot azonban a rajzos információk generalizálása, és a rajzok értékelése jelenti. A

térképek „minősége” nagyban függ az egyén rajzkészségétől is, a szabadkézi rajz sajátosságai miatt
pedig ugyanazon térképi elemek igencsak heterogén méretben, helyzetben részletezettséggel
fordulhatnak elő az ábrákon. (Egy város lakóinak városukra vonatkozó mentális térképeiből nehéz
megszerkeszteni a „jellemző”, „átlagos” várostérképet, hiszen az ábrákon szereplő pontok, vonalak,
megnevezések nem „adhatók össze” egyszerűen). Ráadásul gyakran nem dönthető el egyértelműen,
hogy két ábra eltérései mennyiben a torzító hatások (rajzkészség, a rajzolás pillanatnyi körülményei, a
kutatóval való együttműködési szándék eltérő erőssége stb.) következményei, és mennyiben fakadnak
a fejekben élő kognitív térképek különbségéből. Bizonyos típusú térképi elemeket pedig egyszerűbb,
gyorsabb lerajzolni, mint másokat, így egy országról készített mentális térképre például valószínűleg
nagyobb eséllyel kerülnek fel pontszerű elemek és neveik (pl. települések), mint vonalak (pl. utak,
vasutak), vagy pláne térségek, annak ellenére is, hogy a fejekben élő, a véleményeket és cselekvéseket
meghatározó kognitív térképekben nagyobb szerepet játszanak. E problémák mértéke a kutatás
megfelelő előkészítésével, az adatfeldolgozást segítő praktikus ötletekkel lényegesen csökkenthető, s
az érvényes következtetések levonására alkalmas adatminőség biztosítható. Meg kell jegyezni
ugyanakkor, hogy a térképek adattartalmának rögzítése és feldolgozása átlagos méretű (néhány száz
fős) minták esetében is nagyon idő- és munkaigényes feladat.

A mentális térképezés kulcsát a rajzok értékelése jelenti. Ezt jelentősen megkönnyíti, ha a

rajzok információtartalmának minél nagyobb részét sikerül kódolni, és kvantitatív módszerekkel is
elemezhetővé tenni. Ilyen információ a megadott idő alatt az adott személy által berajzolt térképi
elemek összesített száma; vagy az egyes típusok előfordulási gyakorisága (pl. pontszerű, vonalas, vagy
kétdimenziós elemek, szöveges elemek stb. száma, egy várostérképen pl. az utcák, az egyes
intézménytípusok stb. száma), amiből kiolvasható, hogy milyen típusú térelemek a meghatározói egy
adott helynek, térségnek a vizsgált csoportban. Számszerűen értékelhető az egyes konkrét térelemek
előfordulási gyakorisága is, különösen a gyakran szereplő, illetve a jellemzően hiányzó térelemtípusok
vagy térrészletek elemzése lehet fontos. Ezek, különösen a kérdőívi háttérváltozókkal kombinálva,
akár bonyolultabb mennyiségi módszerek alkalmazására is lehetőséget adnak, amelyekkel egyrészt az
adott település/térség jellegzetességei, másrészt az egyes társadalmi csoportok jellemezhetők. Sokkal
nehezebben generalizálhatók, kódolhatók, de általában jól érzékelhetők a térelemek elhelyezkedésének
és méretének valósághűsége, vagy éppen a valóságostól való jellegzetes eltérései, ami azért is fontos,
mert ez utóbbiak már az egyes helyek megítélésére is utalhatnak. Általában „ránézésre” is jól
elkülöníthetők a térkitöltés módja, típusa, a rajzok részletezettsége is, igaz, ezek inkább a térbeli
gondolkodás működésének általános jellegzetességeire utalnak. Külön elemzés tárgyát képezhetik – ha
ezt kérte a kísérleti személyektől a kutató – a térképi elemeket valamilyen szempontból minősítő,
értékelő információk.

A mentális térképezés alapvető jelentősége, hogy általa a társadalmi térfolyamatok hátterében álló,
más módszerekkel nem, vagy csak bizonytalanul feltárható mozzanatokról kaphatunk részletes
információkat. Ezáltal új szempontokkal egészíthetők ki a regionális tudomány "hagyományos" (nem
kísérleti) módszereivel nyert adatok egy egész sor, gyakorlati szempontból is nagy jelentőségű
probléma esetében, mint pl. a szuburbanizáció, a földrajzi identitás a települési kapcsolatok, illetve a
lakóhelyi szegregáció kutatása, valamint a várostervezés, a hely- és régiómarketing stb. terén is.

2.10.5 Térinformatikai és térképkészítő programok (Jakobi Ákos)

Kevés olyan módszer és szoftver létezik, amely olyan közel állna a területi kutatókhoz, mint a térképek
és a térinformatikai eszközök. Mind az eredménymegjelenítés, mind pedig az összetett területi
elemzések szempontjából hasznos és fontos eszközöknek tekinthetők, s ezért kiemelt jelentőségük van a
területi szempontú vizsgálatok eszköztárában. A számítógéppel segített térképkészítés, illetve a
térinformatikai rendszerek és programok felértékelődése vitathatatlan az utóbbi években, évtizedben,
ami egyben azt is jelenti, hogy a területi elemzéseket végző kutatótól már egyfajta minimális elvárás az
eredmények ilyen formájú megjelenítése.

A térinformatikai programok természetesen tovább mennek az egyszerű térképkészítési feladatokon.

Bár ezek a szoftverek alapjában véve erre is képesek – sőt sokan csak ezt az oldalát használják ki a
programoknak – sajátos lehetőségük a területi szemléletű információs adatbázis-elemzés, azaz a
megadott kívánalmak szerinti lekérdezések végrehajtása, más szóval összetett, többtényezős kérdések
megválaszolása a területi egységek szelektálása érdekében. A térinformatikai szoftverek a térelemeket
és a hozzájuk tartozó információkat (attribútumokat, tulajdonságokat, adatokat) kapcsolják össze,
mindezt egységes rendszerbe foglalva és a lekérdezések gyors végrehajtását biztosítva. E programok –
egyéb eszközökkel kiegészítve – alapját képezik a földrajzi információs rendszereknek (GIS), illetve a
nagyjából hasonló területi információs rendszereknek (TEIR →1.2.3).

Digitális térképészeti és térinformatikai eszközök és szoftverek nagy számban és változatosságban

találhatók a piacon. Attól függően, hogy milyen színvonalú végeredményt kívánunk elérni, illetve
milyen típusú outputra gondolunk (az egyszerű térképi vázlattól a tematikus térképábrákon át a
komplett kartográfiai kiadványokig) számos programot hívhatunk segítségül. A területi elemzések
során elkészített térképek, mint a megjelenítés fontos eszközei a kívánalmaktól, a felhasználói tudástól
és gyakorlattól, valamint a rendelkezésre álló szoftverektől és hardverektől függően változatos
formában készíthetők és készülnek el.

A raszteres térképkészítő eljárások, amelyek végső soron a képpontok egyenkénti formázására

alapulnak, tulajdonképpen digitális képkezelő programokban is elvégezhetők (pl. Adobe Photoshop).
Az így elkészített termékek nem nevezhetők térinformatikai produktumoknak, mivel a megjelenített
ábra mögött nem találunk lekérdezhető információkat. Leginkább „rajzoló-programoknak”
tekinthetjük ezeket, azonban a digitális térképek készítése nem lehet holmi színezgető vonalhúzogató
feladat. A raszter-kezelő programok széles körű elterjedtsége és népszerűsége ennek ellenére azt
sugallja, hogy az ilyen típusú térképezési eljárásokat sem szabad elvetnünk. Sokan más céllal
ismerkednek meg e szoftverek kezelésével, és később a térképezési műveleteik során, korábbi
tapasztalataikat felhasználva már otthonosan mozognak a programokon belül. Úgy gondolhatjuk
tehát, hogy a képkezelő programokkal készített raszteres térképek jó kezdő lépésként szolgálhatnak a
bonyolultabb térképkészítő szoftverek irányába.

A tematikus térképek elkészítésének másik módja az ún. vektoros eljárás, amely nagy vonalakban
átvezet minket a térinformatikai programok közé. E programok előnye, hogy a kívülről a programba
bevitt adatbázisunkat képesek összekapcsolni a program alaptérképi adatbázisával, s ezzel a térképi és
adatbeli információinkat egységes rendszerré tudják kovácsolni. Ebben az összegzett térképadat-
rendszerben bármilyen bevitt adat bármilyen formában könnyen térképre vihető, könnyen módosítható
akár sokszori megismétlésben is. Az így elkészített produktumok általában nyomdailag precízebbek,
magas színvonalúak, ugyanakkor gyakorlati jártasságot is igényelnek az elkészítés során. A vektoros
alapon működő térképező rendszerek között említhetjük meg például a Mapinfo, a Geomarket vagy az
ArcView programokat, melyek saját formátumú fájlokkal dolgoznak, viszont az elkészített anyagok
bizonyos konvertálással kivihetők a programból (2.9. táblázat) vagy közvetlenül a programból
nyomtathatók.

Adatbevitel Eredmény- (térkép)kivitel

File / Open menüben File / Save copy as… menüben
Mapinfo (.tab) Mapinfo (.tab)
Excel (.xls) File / Save window as… menüben
dBASE (.dbf) Raszteres kép formátumok (.bmp, .jpg, .tif)
Windows Metafile (.wmf)
Table / Import menüben Table / Export menüben
Mapinfo Interchange (.mif) Mapinfo Interchange (.mif)
AutoCAD (.dxf) AutoCAD (.dxf)
dBASE (.dbf)

2.9. táblázat: Segédlet a programok közötti átjáráshoz (Mapinfo 5.0)

2.10.6 A természetföldrajzi térinformatika egységei és szintjei (Mattányi Zsolt)


A kvantitatív térbeli elemzési módszerek robbanásszerű elterjedésével egyidejűleg (és attól valószínűleg
nem is függetlenül) megjelent a térinformatika, ami mára alkalmazott tudományágként új utakat nyitott a
földrajztudomány számos ága számára. Ennek köszönhetően a természetföldrajzi elemzések során
(Kertész Á. 1997) is hatalmas mennyiségű adatot tudunk feldolgozni, egységes rendszerben tárolni,
elemezni, megjeleníteni. A térinformatikai rendszerek, adatbázis-kezelő és egyéb számítógépes elemző
szoftverek a megsokszorozódott adatmennyiség és az elemzési módszerek számának rohamos növekedése
miatt mára nélkülözhetetlenné váltak.

Diszkrét és folytonos jelenségek

Térbeliségük alapján megkülönböztetünk folytonos és diszkrét jelenségeket. A diszkrét jelenségek

egymástól egyértelműen elhatárolhatók, mivel vagy nincs térbeli kapcsolat, vagy egyértelmű, éles határ
húzható köztük. A folytonos jelenségeknél ezzel szemben folyamatos az átmenet bármely két pont között.
A természetföldrajzban mind a két fajtára számos példát találunk.
• A pontszerű jelenségek nem rendelkeznek kiterjedéssel (mivel a valóságban nem is léteznek), vagy térbeli
kiterjedésük a vizsgálat szempontjából elhanyagolható, lényegtelen. A pontok értelemszerűen nem fedik le
hézagmentesen a teret.
• A vonalas jelenségek egy dimenziósak. Hasonlóan a pontszerű objektumokhoz, itt is találkozhatunk olyan
jelenséggel, ami a valóságban több dimenziós, de a felbontás, vagy az egyszerűsítés miatt csak egy
dimenziós objektumként kezelik (pl.: folyó, út, vasút), és vannak olyan vonalas jelenségek, melyek a
valóságban nem léteznek (közigazgatási határok, légifolyosó, stb.). Ezek az objektumok sem fedik le a
vizsgált területet.
• Az areális vagy területi jelenségek két dimenziósak, így foltokkal, poligonokkal ábrázolhatók. A poligonok
– függően a vizsgált jelenségtől – lefedhetik az egész vizsgált területet, de nem minden esetben (települések
belterületei nem fedik le az egész országot).
• A folytonos jelenségek esetében a térben mindenhol folyamatos átmenet van két pont között, tehát
felületként értelmezhetők. Folytonos jelenségeknél példaként említhetjük a domborzatot, de a talajvíz, vagy
a geológiai rétegek mélységi értékei is ilyen felületként kezelhetők.

Elemi egységek a természetföldrajzi elemzésben

A térbeli elemzések problémáját két egymástól teljesen eltérő logikával lehet megközelíteni. Az egyik módszer
szerint a vizsgált terület egészét felosztjuk egyforma, szabályos részekre (cella) és ezeken belül a vizsgált
jelenséget jellemezzük egy mérőszámmal. A másik lehetőség, hogy a vizsgált területen lehatároljuk a vizsgált
jelenségeket és ezekhez az objektumokhoz társítunk attribútumokat. A térinformatikában az előbbi logikát a
tesszelációs, míg az utóbbit a vektoros adatmodell követi. Kiss Richárd megfogalmazása szerint a két adatmodell
közti különbség: a vektoros modellben a "hol van?", addig a raszteres modellben a "mi van ott?" kérdésekre
kaphatunk könnyebben választ. A raszteres és vektoros adatbázisok egymásba átkonvertálhatók. A vektor-raszter
átalakítás egyértelmű művelet, míg a raszter-vektor átalakításra több módszer is használatos (Detrekői – Szabó
2002).

• A vektoros adatmodell az adatbázisban lévő objektumokat – a térbeli jelenségek felosztásának megfelelően

– pontszerűen, vonalas és poligon (3D-ben test) formában tárolja. A vektoros adatmodellben az egyes
objektumokat több módon tárolják. A két legelterjedtebb vektoros adatmodell fajta a spagetti és a topológiai
(pizza) modell. E két vektoros adatmodell között alapvető különbség, hogy a spagetti adatmodellben az
egyes objektumok közti térbeli kapcsolatok – a topológiai modellel ellentétben – nincsenek letárolva. Ez
nagy méretű adatbázisoknál jelentős mértékben növeli a szomszédsági kapcsolatokra épülő elemzések
futásidejét.

• A tesszelációs adatmodell a térben elhelyezkedő geometriai elemeket sokszögekre bontva írja le.
Megkülönböztetünk szabályos és szabálytalan tesszelációt. A szabálytalan tesszelációs adatmodell egy
speciális fajtájáról a későbbiekben a domborzatmodellezésnél még lesz szó. A szabályos tesszelációs
adatmodellnél három fajtáról beszélhetünk: háromszöges, négyzetes, hatszöges. Ezek azért alkalmasak
mivel hézag nélkül fedik le a teret. A három fajta adatmodell közül – gyakorlati előnyei miatt – széles
körben csak a négyzetes adatmodell terjedt el. A négyzethálós tesszelációt grid vagy raszteres
adatmodellnek nevezik (Detrekői – Szabó 2002).

Jellemző természeti „layerek”

Domborzat

Természetföldrajzi elemzések esetében a legfontosabb, szinte minden elemzésnél felhasznált adatforrás a

domborzatmodell. A domborzat folytonos jelenség, ezért leginkább felületekkel modellezzük. A felületeket egy
speciális raszteres adatmodellből állítjuk elő. Az adatmodell előállításához kétféle mintavételezést alkalmazunk.
Szekunder adatok esetében (pl. analóg térképek digitalizálása) a térképen feltüntetett szintvonalakat és a
magassági értékkel jelölt pontokat visszük be az adatbázisba. Ez a módszer lehetővé teszi a terep adottságainak
figyelembe vételét, hiszen így a területre jellemző morfológiát, csúcsokat, gerinceket, völgyvonalakat pontosan
vissza lehet adni a modellben. Az így kapott szabálytalan elhelyezkedésű ponthalmazból állíthatjuk elő a TIN
(Triangulated Irregular Network) hálót. A TIN egy szabálytalan háromszögekből álló térháló, ahol a csúcspontok
magassági értékei vannak tárolva (Detrekői – Szabó 2002). Aktív távérzékelési módszerekkel (radar stb.) végzett
adatgyűjtés esetében az egész felületről egy szabályos rácsháló pontjaira kapunk magassági értékeket. Ez
praktikusan jóval nagyobb adatbázist eredményez, mivel a mintavételi módszer itt nem alkalmazkodik a
domborzat sajátosságaihoz, és csak a megfelelő sűrűségű ponthálózattal garantálható a kívánt pontosság (a két
adatbázismodell interpolációs eljárások segítségével egymásba konvertálható).

Morfometriai „layerek”

Számos morfometriai vizsgálat létezik. Itt a területileg értelmezhető számítások közül a

legáltalánosabban használtakat soroljuk fel.

• A kitettség a domborzatmodellből vezethető le. A DDM rács minden egyes eleménél kiszámítható lejtésének
iránya. Ez az érték értelemszerűen 0-360º között változhat. Ezt az értéket rendeljük hozzá az egyes
 rácselemekhez. A kitettség térképen a rácselemek lejtésértékeit tetszőleges számú osztályba sorolhatjuk, és
megjelenítéskor eszerint rendelhetünk hozzá színeket. Általános gyakorlat az égtájak szerinti osztályba
sorolás.

• A lejtés a kitettséghez hasonlóan a domborzatmodellből számítható. Itt a rácselemek lejtését határozzuk meg
º-ban, vagy %-ban. Ábrázoláskor itt is osztályokba soroljuk az egyes értékeket. Lejtéstérképek esetén
általában a mezőgazdaságban és talajerózió-térképezésben használt alábbi osztályozást alkalmazzuk:

0,0 % - 5,0 % : szántóföldi művelésre alkalmas

5,1 % - 12,0 % : szántóföldi művelésre alkalmas, de a talajerózió veszélye fennáll
12,1 % - 17,0 % : nagyüzemi szántóföldi növénytermesztés felső határa
17,1 % - 25,0 % : főleg csak kisüzemi szántóföldi művelésre alkalmas
25,1 % - 40,0 % : teraszos művelésre és erdősítésre alkalmas
40,1 % < : csak erdőgazdálkodásra alkalmas

• Az abszolút relief a tengerszint (erózióbázis) feletti magasság. Ennek a kiszámítása egy elemi cellára a cella
méretétől függően kétféle módon történhet. Amennyiben az elemi cella a kiinduló domborzatmodell egy
cellája, akkor a helyzet egyértelmű, hiszen a cella magassági adata ismert. Ha az abszolút relief elemi cellája
nagyobb a domborzatmodell elemi cellájánál, akkor már valamilyen átlagolási módszert kell alkalmaznunk.

• A relatív relief a vizsgált területegység legmagasabb és legalacsonyabb pontjának különbsége. Itt figyelni
kell arra, hogy a megfelelő felbontást válasszuk, mert hamis következtetést vonhatunk le az eredményből.
Elég csak arra utalnunk, hogy ha túl nagy egységet választunk, előfordulhat, hogy a legmagasabb pont és a
legalacsonyabb nem reprezentálja megfelelően a terület domborzati viszonyait.

Képlete: R = Mh − Ml

• A felszabdaltsági index a relatív relief és az abszolút relief hányadosa. Értéke ennek megfelelően 0 és 1
között változhat (Kertész 1972).

• Egy terület vízrajzi elemzéséhez első lépésként a vízgyűjtő területeket kell lehatárolni. A vizsgált terület
vízgyűjtőkre való felosztásakor a vizsgált terület nagyságához kell igazítani az adatforrás felbontását, legyen
az analóg domborzati térkép, vagy digitális domborzat modell. A vízgyűjtő területek a vízfolyásokhoz
hasonlóan hierarchiába rendeződnek. Egy kis forráság vízgyűjtője esetleg csak 1-2 km2, de a Duna, vagy
befogadója a Fekete-tenger vízgyűjtője több százezer km2. Ezekkel az elemzésekkel a másik probléma a
vízgyűjtő lehatárolása, vagyis a vízválasztók kijelölése. Kézenfekvőnek látszik a domborzatmodell alapján
lehatárolni a vízválasztókat – az esetek többségében ez működik is – bár a síksági területeken néha
rendkívül nehéz, sőt egyes esetekben lehetetlen éles határvonalat húzni. Ezenkívül a kőzetminőség
(jellemzően karsztos területeken) is módosíthatja a domborzat alapján meghúzott vízválasztó vonalat.

• A vízhálózat sűrűségét az egységnyi területre eső vízfolyáshosszal lehet kifejezni.

L
Fs =
F
ahol F a terület és L a vízfolyáshossz. Az eredményt km/km2-ben szokás megadni

• A völgyhálózat sűrűség a vízhálózat sűrűség kiszámításához hasonlít, azzal a különbséggel, hogy itt az
egységnyi területre eső völgyvonalak hossza kerül a számlálóba, függetlenül attól, hogy van-e benne állandó
vízfolyás vagy sem.

A fentiekben röviden ismertetett morfometriai vizsgálatokon kívül több más, a digitális domborzatmodellezés
lehetőségeit kihasználó mutató létezik. A témához kapcsolódó angol nyelvű cikkek, tanulmányok
irodalomjegyzékét R. J. Pike (2002) gyűjtötte össze.

Felszínborítás

A felszínborítási térképezés során a vizsgált felszín teljes felületét előre meghatározott osztályokba soroljuk. Ez
a művelet tulajdonképpen egy manuális raszter-vektor átalakítás, melynek során lehatároljuk az egyes
területfoltokat. A kiinduló raszteres adatbázis (többnyire űrfelvétel, vagy légi fotó) annyira bonyolult struktúrájú,
hogy bár ígéretes kísérletek már vannak a folyamat automatizálására, ezidáig még nem sikerült általánosan
alkalmazható módszert kidolgozni.

A vizsgálat célja alapján megállapítjuk a kívánt részletességet. Meghatározzuk a legkisebb még térképezhető
objektum méretét. Ezzel összefüggésben generalizációs szabályokat állítunk fel, amely biztosítja, hogy az
adatbázisunk egységes legyen. Felszínborítási térképezéshez számos nómenklatúrát kidolgoztak világszerte az
utóbbi évek során. Európában 1985-ben indították a CORINE (COoRdination of INformation on the
Environment) programot, mely lehetővé tette eleinte az EU, később szinte egész Európa egységes tematikus
térképezését 1:100 000-es méretarányban. A CORINE program legnagyobb adatbázisa a Land Cover (CLC100).
Ebben a programban Magyarország 1993 óta vesz részt.

1. szint 2. szint 3. szint

1. MESTERSÉGES FELSZÍNEK 1.1. Lakott területek
2. MEZŐGAZDASÁGI
TERÜLETEK
3. ERDŐK ÉS TERMÉSZET-
KÖZELI TERÜLETEK
4. VIZENYŐS TERÜLETEK
5. VÍZEK
1.2. Ipari, kereskedelmi területek,közlekedési 1.2.1. Ipari vagy kereskedelmi területek
hálózat
1.3. Bányák, lerakóhelyek, építési
munkahelyek
1.4. Mesterséges, nem-mezőgazdasági zöld- 1.4.1. Városi zöldterületek
területek
2.1. Szántóföldek
2.2. Állandó növényi kultúrák
2.3. Legelők
2.4. Vegyes mezőgazdasági területek
3.1. Erdők
3.2. Cserjés és/vagy lágyszárú növényzet
3.3. Növényzet nélküli, vagy kevés
növényzettel fedett nyílt területek
4.1. Szárazföldi vizenyős területek
4.2. Tengermelléki vizenyős területek
5.1. Kontinentális vizek
5.2. Tengeri vízfelületek
1.1.1. Összefüggő település szerkezet
1.1.2. Nem-összefüggő település szerkezet
1.2.2. Út- és vasúthálózat és csatlakozó területek
1.2.3. Kikötők
1.2.4. Repülőterek
1.3.1. Nyersanyag kitermelés
1.3.2. Lerakóhelyek, meddőhányók
1.3.3. Építési munkahelyek
1.4.2. Sport-, szabadidő- és üdülő területek
2.1.1. Nem-öntözött szántóföldek
2.1.2. Állandóan öntözött területek
2.1.3. Rizsföldek
2.2.1. Szőlők
2.2.2. Gyümölcsösök, bogyósok
2.2.3. Olajfa-ültetvények
2.3.1. Rét / legelő
2.4.1. Egynyári kultúrák állandó kultúrákkal vegyesen
2.4.2. Komplex művelési szerkezet
2.4.3. Elsődlegesen mezőgazdasági területek jelentős
természetes növényzettel
2.4.4. Mezőgazdasági-erdészeti területek
3.1.1. Lomblevelű erdők
3.1.2. Tűlevelű erdők
3.1.3. Vegyes erdők
3.2.1. Természetes gyepek, természetközeli rétek
3.2.2. Hangafüves, harasztos területek
3.2.3. Keménylombú mediterrán növényzet
3.2.4. Átmeneti erdős-cserjés területek
3.3.1. Homokos tengerpartok, dűnék, homok
3.3.2. Csupasz sziklák
3.3.3. Ritkás növényzet
3.3.4. Leégett területek
3.3.5. Gleccserek, örök hó
4.1.1. Szárazföldi mocsarak
4.1.2. Tőzeglápok
4.2.1. Tengermelléki mocsarak
4.2.2. Sólepárlók
4.2.3. Ár-apály által érintett területek
5.1.1. Folyóvizek, vízi utak
5.1.2. Állóvizek
5.2.1. Tengerparti lagúnák
5.2.2. Folyótorkolatok
5.2.3. Tenger és óceán

2.10. táblázat A CLC100 felszínborítási osztályai (a hazánkban nem alkalmazott

kategóriák dőlt betűvel, FÖMI)
A CLC100 adatbázis kontinentális léptékben megfelelő felbontású és még kezelhető méretű, de kisebb területek
vizsgálatára csak korlátozottan alkalmas. Ezért egy 1995–1997 között elkészült kísérleti felszínborítási
térképezés után megindult Magyarországon a CLC50 program. Az ebben alkalmazott 1:50.000-es méretarány
nem csak jobb geometriai felbontást biztosított, hanem a standard kategóriák részletezésével (5 szintű
nómenklatúra) tematikus tartalma is bővült.
 Űrfelvétel jellemzők:
Típus SPOT-4 XI és SPOT-4 M (egyidejűleg készült
felvételek)
az interpretációban elsősorban használt spektrum sávok látható (XI2), közeli infravörös (XI3) és
középső infravörös (XI4)
Pixel méret (felbontás) 20 méter (XI), 10 méter M felvétel (vörös sáv)
felvételi időpont 1998-1999 (2000)
űrfelvétel előfeldogozás geometriai pontossága <10 méter, Digitális Magassági Modell
alkalmazásával
speciális feldolgozás szín információ (XI) és nagy geometriai
felbontás (M) egyesítése
térképi vetület EOV (GK50 szelvényezés szerinti
felbontásban)
Adatbázis jellemzők
területi felbontás 4 hektár (állóvizekre 1 ha)
lineáris elem felbontás 50 méter
tematikus tartalom az EU/PHARE által a 4.szinten
továbbfejlesztett nómenklatúra, a hazai
adottságokra adaptálva, néhány 5. szintű
osztállyal bővítve
osztályok száma mintegy 80
poligonok száma Magyarország területén >100 000 (becslés a kísérleti projekt alapján)
geometriai pontosság hiba: <20 méter (RMS)
tematikus pontosság megbízhatóság: >90%

2.11. táblázat A CLC50 program technikai paraméterei (FÖMI)

Egy kiválasztott mintaterületen végzett összehasonlítás alapján egyértelművé vált a két adatbázis közti jelentős
minőségi különbség, ami a tematikus tartalmat illeti. Ez más okok mellett a tematikus mélység és a geometriai
felbontás növelésének köszönhető. A CLC100 és a hazai CLC50 program várható ismétlése folytán (a CLC100
folytatása már elindult) változásvizsgálatokra is lehetőség nyílik a közeljövőben, ami további információkat
nyújt a regionális kutatásokhoz.

Az egyéb természeti tematikák közül – itt csak felsorolásként – megemlítendő: a talaj, a talajvíz, az
erózióveszélyes területek léjere, a klíma, a potenciális növénytakaró, az ökológiai rendszer valamint egyéb
természet- és környezetvédelmi információk.

2.10.7 A természeti és társadalmi tartalom összekapcsolt elemzése


A természeti és társadalmi jelenségek és folyamatok egymásba kapcsolódnak. Mivel tartalmukban, hordozóikban
alapvető eltérések vannak, az együttes elemzés nem könnyű.

A természeti és a társadalmi tényezők közötti kapcsolatot jól példázza az, hogy a legmodernebb társadalmi
térkategória, a régió esetében nemcsak a fogalom értelmezésében bukkan fel minduntalan (legalábbis a földrajzi
szempontú közelítésben) a táji, környezeti egyveretűség, mint követelmény, hanem ez az összetevő kétségkívül
fontos eleme a régióképződés egyik alapfeltételének tekinthető térségi kohéziónak is.

Igaz ugyanakkor az is, hogy a természeti világban és a társadalomban a térszerveződés, a térfelosztás is

alapjaiban különbözik. A mezo- és makroszintű természeti vizsgálatok térfelosztási szemléletében a táj-
hierarchia és a tájlehatárolás, míg a társadalomkutatásban a regionális (legtöbbször igazgatási, politikai és
gazdasági) tagolódás a fő szempont. A két szféra együttes elemzésében ugyanakkor épp ezek a különböző
felosztások jelenthetik az összekapcsolódás egyik láncszemét28.

28
A hazai szakirodalomban fellelhető az ország településeinek természeti tájakhoz rendelése: Marosi S. -
Somogyi S. szerk. 1990. A két szféra sajátos kapcsolatrendszerét vizsgálták az MTA RKK ATI kutatói is
(Csatári – Kovács szerk. 2003)
Az összekapcsolt elemzés részeként a társadalmi jelenségek, jellemzők vizsgálhatók természeti (táji) térbeli
keretekben. Ha ekkor a különböző területegységek között érzékelhető különbségek mutatkoznak, ez valószínűsíti
a természeti faktorok direkt társadalmi hatását. E kapcsolatrendszerből – a kutatási eredmények tükrében – több
markáns természeti dimenzió társadalomformáló szerepe kimutatható:

• Általában a földrajzi fekvés hatása

• Globális földi méretekben a földrajzi övezetesség
• A hegyvidéki-síkvidéki dualitása a társadalmi tevékenységeknek
• A tengerektől, folyóvizektől való távolság

E hatások kimutatására a területi elemzés általános eszközei alkalmasak. Az ilyen típusú kapcsolatok
teszteléséhez bátran fordulhat a modern kor kutatója is, még ha fel is sejlik az eredmények kapcsán néha a
földrajzi determinizmus (rém)képe (a világméretű fejlettségi megosztottság földrajzi – fekvési, éghajlati –
háttértényezőiről lásd Gallup, J. L. – Sachs, J. D. – Mellinger, A. 1999 tanulmányát). A válasz erre abban áll:
minden emberi, társadalmi jelenség, jellemző, folyamat nem vezethető le a természeti determinációkból, de
számos összefüggés, folyamat mögött igenis a természeti hatások állnak.

Itt kell megemlítenünk, hogy a térelemzés modelljei, elemzési eszközei legszorosabb rokonságot az ökológia
(illetve, ahogy annak GIS alapú eszközrendszerét mostanság nevezik, az ökográfia) elemzési eszköztárával
mutatják (Perry, J. N. et al 2002, illetve a publikációnak helyt adó Ecography c. folyóirat tematikus száma).
Természetesen ugyancsak mind a természeti, mind a társadalmi folyamatokat összefogják a
környezetvédelemmel kapcsolatos kutatások.

A gyakorlatiasabb momentumok közül végül mindenképp érdemes utalni arra, hogy tulajdonképp
gazdaságstatisztikai „gyöngyszemként” még ma is része a térségtipizálásoknak, a támogatott területek
kijelölésének hazánkban a termőhelyek értékének immár több mint 100 éves klasszikus mutatója a
földminőséget jelző aranykorona-érték.
 3 TERÜLETI EGYENLŐTLENSÉGEK

3.1 Fogalmi keretek

Az egyenlőtlenség – pontosabban a nem-azonosság – a tér- és időbeliség alapkategóriája, ebből

következően talán a legsokoldalúbban kutatott kérdésköre a területi vizsgálatoknak. A társadalmi
egyenlőtlenség általában együtt jár a szegénységgel, elmaradottsággal, ezeknek az égető társadalmi
problémáknak a vizsgálati eszközrendszere átfedésben van az általános egyenlőtlenségvizsgálati
módszertannal.

Bár a módszertani eszköztárban alapvető különbséget nem okoz, a társadalmi szerkezetek és

folyamatok vizsgálata során szokás megkülönböztetni egymástól a területi különbség, differenciáltság
(differentiation) valamint hasonlóság illetve a területi egyenlőtlenség (inequality) fogalmát. A
differenciáltság bármely körülmény, adottság térben különböző előfordulására utal, az egyenlőtlenség
viszont azokra a jellemzőkre, amelyekhez határozott társadalmi (erkölcsi, politikai, megítélésbeli)
értéktartalom kapcsolódik. Így a természetföldrajzi eltérések vagy az egyes tájak eltérő termékei, a
területi specializáció csak differenciáló, tagoló tényezőnek számítanak, míg a jövedelmi vagy
egészségügyi eltérések már egyenlőtlenségnek minősülnek.

Elsősorban az ökológiai, környezeti nézőpont hozta be az egyenlőtlenségi kategóriák közé a diverzitás

fogalmát, a faji sokszínűség veszélyeztetettsége kapcsán. A fogalom azonban behatol a
társadalomkutatásba is (amerikai kutatók a 20. századot a „diverzitás századaként” aposztrofálták,
összefoglalóan utalva a migrációs keveredésre, a területi és társadalmi egyenlőtlenségek
felhalmozódásának tendenciájára). A diverzifikáció a gazdaságból is ismert fogalom, a tevékenységek
nemzetgazdaságon vagy vállalaton belüli kibővülésének (részben térbeli), a specializációval ellentétes
iránya. Ugyanebbe a gondolati vonalba tartozik a multikulturalitás fogalma is, amely az együttlétező,
de el is különülő kulturális jegyekre, tradíciókra utal. A területi egyenlőtlenségek közgazdasági jellegű
kutatásához kapcsolódik leginkább a koncentráció kategóriája. Mindezeket a fogalmakat az 3.1.
táblázatban csoportosítva közöljük, ezekre érdemes kitekintenie annak is, aki csak kifejezetten egyik
vagy másik fogalommal operál (a gazdasági diverzifikáltságot kutatva például érdemes tudni az
ökológiai diverzitás fogalmáról és mérőszámairól is).

Különbözőség, azonosság, tagoltság (differenciáltság)

Heterogenitás, homogenitás, specializáltság, koncentráltság
Egyenlőtlenség, egyenlőség
Változatosság, egyöntetűség, diverzitás

3.1. táblázat A területi egyenlőtlenségek kapcsán gyakran használt fogalmak

Az egyenlőtlenségvizsgálatok sokszínűsége természetes következménye annak is, hogy történetileg

változnak az azokat alakító tényezők. Az ezredforduló éveinek hazai területi folyamatai például
számos tekintetben újak (Nagy G. 2002a), más viszonylatban azonban a korábbiakkal sokban
megegyezők. A területi fejlődést befolyásoló tényezőket ezek alapján három csoportba sorolhatjuk
(Jakobi Á. 2002):

1) Hagyományos tényezők, amelyek a múltban és a jelenben is azonos módon hatottak a területi

egyenlőtlenségek alakulására,
2) Átalakuló tényezők, amelyek már a múltban is jelen voltak, hatásuk azonban jelenleg más, mint
előzőleg.
3) Új tényezők, amelyek korábban nem léteztek (vagy a területi egyenlőtlenségek alakulására nem
voltak hatással), újabban azonban befolyásolják a térségi viszonyokat.
A területi egyenlőtlenségek vizsgálata során meg kell különböztetni azok állapotjellemzőit
(differenciáltság, kiegyenlítettség), illetve változásuk irányait (differenciálódás, kiegyenlítődés). Mivel
teljes kiegyenlítettség elméletileg is csak nagyon kivételes esetekben fordul elő, így a kiegyenlítődés
helyett helyesebb területi közeledésről, a különbségek csökkenéséről beszélni.

Az egyenlőtlenség a területi vizsgálatok egyik legvitatottabb kérdésköre is. Segít a különböző

közelítések közötti szótértésben az, ha lehetőleg pontosan meghatározzuk, milyen értelemben,
tartalommal beszélünk a területi egyenlőtlenségekről. Ennek híján ugyanis nem valóságos a vita, hisz
nem ugyanarról a tartalomról esik szó. A véleményalkotás megalapozása, egyértelműsége több elemre
bontható:

• a vizsgálati tárgy pontos meghatározása (a központi helyek térszerkezeti tagoltságáról,

egyensúlytalanságairól éppúgy lehet beszélni például a városi jogállású települések földrajzi
eloszlása, mint a tényleges városi funkciókat ellátó települések elemzése alapján, s a két közelítés
sokban eltérő eredményeket hoz);

• a vizsgálatban használt mérték, mutatószám (az iskolázottság területi egyenlőtlenségei más-más

képet adnak aszerint, hogy az analfabéták vagy a felsőfokú végzettségűek eloszlását vizsgáljuk,
netán – valamifajta összevont mutatóként – az átlagosan elvégzett osztályszám alapján mondunk
ítéletet);

• a vizsgálat térségi szintje, aggregáltsága (ugyanazon jelzőszám települési, városkörzeti vagy

megyei szinten nagyon eltérő egyenlőtlenségi mértéket, tendenciát jelezhet);

• különböző egyenlőtlenségi mutatók eltérő eredményre vezethetnek (egy településen vagy térségen
belül például a jövedelmi egyenlőtlenségek úgy is csökkenhetnek, hogy a szélső pólusokon lévő
csoportok között polarizálódás van: az egyik tendencia a relatív szórás mutatójával, a másik a
range-típusú mutatószámokkal ragadható meg → 3.2);

• dinamikus elemzésekben lényeges a vizsgálat időtávja (rövid illetve hosszabb távon eltérő lehet az
egyenlőtlenségek változásának tendenciája, egy nagytávlatú nivellálódási szakaszban például szinte
törvényszerűen van több kisebb-nagyobb differenciálódási időszak).

A vizsgálati szempontrendszer mindenoldalú pontosítása sem vezet azonban számtani pontosságú,

determinisztikus következtetésekre a területi társadalmi egyenlőtlenségek állapotai vagy alakulása
kapcsán. A társadalom, mint összetett rendszer működésében ugyanis együtt, egyidejűleg van jelen a
két alapvető tendencia, a kiegyenlítődés és a differenciálódás. Ugyanazon időszakon belül egyes
szférákat polarizáció, másokat homogenizálódás jellemezhet, s a különböző térségi szinteken egy
időben lehet jelen a kiegyenlítődés és a differenciálódás. Mindez az egyenlőtlenségvizsgálatok során
összetett közelítést tesz kívánatossá: többfajta mutató, többfajta egyenlőtlenségi index, többfajta
térségi szint tesztelését, illetve ha erre nem kerül sor, akkor a választott közelítés kereteinek
egyértelmű meghatározását. E feltételek azonban nem teszik eleve lehetetlenné az ítéletalkotást, hisz a
különböző tendenciák együttlétezése nem jelenti egyben azt is, hogy azok súlya, fontossága is azonos
lenne. Általában nagy biztonsággal meghatározható például, hogy valamely társadalmi jelenségben
egy adott időszakban a területi differenciálódás vagy a közeledés irányzata dominál-e.

Az egyenlőtlenségek, különbözőségek vizsgálata természetesen magában foglalja az azonosságok,

hasonlóságok feltárását is, s az egyediség, a sajátos karakter is épp az összehasonlítások tükrében
mutatkozik meg legélesebben.

Az egyenlőtlenségek mérésére mutatószámok (egyenlőtlenségi indexek) gazdag csokra ad lehetőséget,

a jelenség különböző aspektusait számszerűsítve. E fejezetben ezeket tárgyaljuk. A területi
egyenlőtlenségek mérésére használhatók továbbá az általában nem elsődlegesen ilyen célra bevett
generális matematikai és statisztikai eszközök közül a különböző távolságfüggvények valamint
korrelációs mérőszámok → 4.2 is.

3.2 Területi egyenlőtlenségi mutatók

A területi tagoltság nagyságának és változásának mérésére a statisztika és az elemző szakirodalom

egyenlőtlenségi mutatószámok sokaságát konstruálta29. Az egyenlőtlenség (vagy hasonlóság,
különbözőség) mérésére használt mutatószámok széles skálája arra vezethető vissza, hogy lényegében
megszámlálhatatlan azoknak a lehetséges indexeknek (függvényeknek) a száma, amelyek matematikai
szempontból alkalmasak az egyenlőtlenségek nagyságának és változásának mérésére (Diewert, E.
2002). Ezek közé a kritériumok közé tartozik például a folytonosság, nem-negativitás (legtöbb
mutatószám értéke az egyenlőtlenség hiányában nulla) és monotonitás (az index növekvő értéke
növekvő egyenlőtlenséget jelez), az azonos eloszlásra adott azonos egyenlőtlenségi mérték (identitás)
és a szimmetria (A különbözősége B-től megegyezik B-nek A-tól való különbözőségével).

Azt, hogy egy adott elemzésben épp melyik egyenlőtlenségi mutatót választjuk, befolyásolja a
vizsgálati kérdés és a rendelkezésre álló adatbázis is. Sok esetben jó, sőt szükséges megoldás többfajta
egyenlőtlenségi index kiszámítása is, hisz olyan kitüntetett egyenlőtlenségi mutató nincs, ami a területi
tagoltság minden oldalát egyedül képes lenne mérni. A szóba jöhető indexek közül az egyenlőtlenség
nagyságának megítélése szempontjából kedvezőbbek a korlátos (normalizált), véges értékkészletű
mutatók. Mivel ezen indexek értékkészlete a minimális és maximális érték által meghatározott zárt
intervallum, értéküket az elméletileg lehetséges szélsőértékekhez viszonyíthatjuk (ezt a követelményt
nem teljesítik például a különböző polarizációs indexek és a matematikai-statisztikában egyébként
centrális szerepű szórásmutatók).

A következőkben tárgyalt mutatószámok szinte mindegyike generális eszköz, nem pusztán területi,
hanem bármely más megfigyelési egységre vonatkozó egyenlőtlenségek mérésére alkalmas. Ebből
következik az is, hogy itt még nem kap hangsúlyt a térbeliség direkt szempontja, az a sajátosság, hogy
ugyanakkora egyenlőtlenségi mérték teljesen eltérő térbeli konfigurációban is megjelenhet lényegesen
eltérő következményekkel.

Általában nem függ ezen indexek használhatósága a vizsgált jelzőszámok tartalmától sem, az
lényegében bármi lehet (ezért is találkozhatunk velük a legkülönbözőbb tudományágakban). A
regionális elemzésekben leggyakrabban a népesség és a jövedelmek eloszlásának egyenlőtlenségeit
mérik velük. Több mutatószám esetében kifejezetten abszolút adatok (illetve azokból számítható
megoszlási viszonyszámok), másokban fajlagosok szerepelnek. A fejezetben az abszolút adatokat –
megfelelően indexelve – x-szel, a fajlagosokat y-nal jelöljük (ahol ettől eltérünk, azt külön jelezzük).
Minden esetben mérlegelendő az adatoknak a mutatószám által megkövetelt mérési szintje → 2.3,
legtöbbjük arányskálán mért adatokat kíván. A mutatószámok néhol nagyon bonyolultnak tűnő
képletei a felidézett adatkezelési alapoknál több matematikai ismeretet nem követelnek meg. Mivel
összetett matematikai lépéseket nem tartalmaznak, táblázatkezelő programok (pl. Excel) beépített
függvényei segítségével mindegyik könnyen számítható.

29
P. B. Coulter (1989) például közel 50 különböző egyenlőtlenségi indexet említ. Lásd még: Kluge, G. 2003.
3.2.1 A (területi) polarizáltság mérőszámai (Németh Nándor)

Az ebben az alfejezetben bemutatásra kerülő indexek a tárgykör matematikailag legegyszerűbb

formulái: mindössze a használt adatsorok szélsőértékeire, kvantiliseire, illetve átlagára építenek.
Mondandójukban ott található azonban az a tény, hogy a legfejlettebb és a legelmaradottabb térségek,
a leggazdagabb és a legszegényebb társadalmi csoportok közötti különbségekre különleges társadalmi
figyelem irányul.

1) Az adatsor terjedelme (range-arány)

Képlete Jelölések Értelmezése

x max x max = xi maximuma; A range-arány a vizsgált adatsorban előforduló
K= legnagyobb és legkisebb ismérvérték hányadosa. Azt
x min x min = xi minimuma mutatja meg, hogy hányszoros különbség van
y max y max = y i maximuma; adatsorunk két szélső értéke között.
K=
y min y min = y i minimuma
Mértékegysége: dimenziótlan Értékkészlete: 1 ≤ K 〈∞
Megjegyzések: A mutatószám általában csak arányskálán mért adatok (ahol a minimum nem 0 és az adatok
előjelében sincs különbség) esetében használható.

2) A szóródás terjedelme (range)

Képlete Jelölések Értelmezése

P = x max − x min x max = xi maximuma; A szóródás terjedelme az adatsorban előforduló
legnagyobb és legkisebb ismérvérték különbsége.
P = y max − y min x min = xi minimuma Könnyen számítható, jól értelmezhető mérőszám.
y max = y i maximuma;
y min = y i minimuma
Mértékegysége: azonos a vizsgált adatéval Értékkészlete: 0 ≤ P 〈∞
Megjegyzések: A mutató hátránya, hogy csak a szélső értékekre épít, így egy-egy kiugró érték esetén értékét a
véletlen számottevően befolyásolja.

3) Relatív range (relatív terjedelem)

Képlete Jelölések Értelmezése

x max − x min x max = xi maximuma; A relatív range az adatsorban előforduló legnagyobb és
Q= legkisebb érték különbségét az adatsor átlagához
x x min = xi minimuma viszonyítja, ezáltal különböző átlagú adatsorok
y − y min y max = y i maximuma; terjedelmének összehasonlítására is alkalmas.
Q = max
y y min = y i minimuma
x = xi átlaga;
y = y i átlaga
Mértékegysége: dimenziótlan Értékkészlete: 0 ≤ Q 〈∞
Megjegyzések: E csoport mutatószámai közül ezt használjuk leggyakrabban. A relatív range nem érzékeny az
adatsor minimumára, tehát az nullával is egyenlő lehet. A relatív range az átlaghoz való viszonyítás segítségével
különböző mértékegységű adatsorok összehasonlítására is alkalmas.
4) Duál- mutató (Éltető – Frigyes index)

Képlete Jelölések Értelmezése

Súlyozatlan: x = xi számtani átlaga; A duál-mutató a teljes megoszlás átlaga
xm fölötti értékek átlagának és a teljes
D= x m = az x -nál nagyobb xi értékek megoszlás átlaga alatti értékek
xa számtani átlaga; átlagának a hányadosa. Egyszerűsége
x a = az x -nál nem nagyobb xi értékek és világos tartalma miatt igen elterjedt
módszer.
számtani átlaga;

Súlyozott: y = y i súlyozott átlaga;

ym y m = az y -nál nagyobb y i értékek
D= súlyozott átlaga;
ya
y a = az y -nál nem nagyobb y i értékek
súlyozott átlaga;
Mértékegysége: dimenziótlan Értékkészlete: 1 ≤ D 〈∞
Megjegyzések: E formula másik, a jövedelem egyenlőtlenségek kutatásából ismert elnevezése az Éltető –
Frigyes-index (Éltető Ödön és Frigyes Ervin magyar statisztikusok írták le elsőként – Éltető – Frigyes 1968).
Ebben az esetben az átlag fölötti jövedelmek átlagát az átlag alatti jövedelmek átlagával vetjük össze. Teljes
jövedelemegyenlőség esetén a mutató értéke 1, ennél nagyobb érték esetén az index azt a jövedelmi ollót
mutatja, amely az átlagosan gazdagok (átlag felettiek) és az átlagosan szegények (átlag alattiak) jövedelme
között fennáll. A mutató jó szolgálatot tesz a területi egyenlőtlenségek tényezőkre bontásakor is → 5.9.

3.2.2 Szórás-típusú mérőszámok (Németh Nándor)

Szóródásnak nevezzük a statisztikában az adatok (általában a mennyiségi ismérvértékek) átlagos

eltérését egymástól, vagy egy meghatározott, a sokaság egészét jellemző értéktől → 2.5.2.

1) Szórás

Képlete Jelölések Értelmezése

n xi = naturális Az egyes értékek számtani átlagtól való négyzetes
∑ (x i − x) 2 mértékegységben megadott
eltéréseinek átlagát hívjuk szórásnak. A szórás a
variancia vagy szórásnégyzet pozitív négyzetgyöke.
σ = i =1
területi jellemző;
n x = xi számtani átlaga
Mértékegysége: megegyezik az alapadatokéval Értékkészlete: 0 ≤ σ 〈∞
Megjegyzés: bár a szórás, mint generális statisztikai közép, mindenfajta ismérvérték esetében használható, fenti
alapváltozata a területi vizsgálatokban jellemzően abszolút mennyiségben megadott jellemzők
egyenlőtlenségeinek vizsgálatára szolgál, fajlagos mutatók esetén ritkábban használják, hisz ott felmerül a
súlyozás igénye.
2) Relatív szórás

Képlete Jelölések Értelmezése

 n  xi = naturális A relatív szórás a szórásnak vizsgált adatsor
 ∑ ( x i − x ) 2  mértékegységben átlagához viszonyított mértékét jelzi.
 i =1  megadott területi
 n  jellemző;
V = 100 
 x  x = xi számtani átlaga
 
 
 
Mértékegysége: % Értékkészlete: 0 ≤ V 〈∞
Megjegyzés sok esetben szükség lehet arra, hogy összehasonlíthatóvá tegyük a különböző mértékegységű
jelzőszámok szórását. A megoldást az adja, ha a szóródási mérőszámot egy középértékhez viszonyítjuk. A
leggyakrabban használt ilyen típusú mérőszám épp a relatív szórás (más néven variációs koefficiens, standard
deviáció). Ha az index értékét 100-zal szorozzuk, akkor a mutató az átlag százalékában adja meg a szórást.

3) Súlyozott szórás

Képlete Jelölések Értelmezése

xi Az egyes értékek súlyozott átlagtól való négyzetes
n yi = fajlagos eltéréseinek átlagát hívjuk súlyozott szórásnak.
∑ f i ( yi − y ) 2
(arány)
fi
mutató
σ = i =1

∑f i
értéke az i.
területegységben (pl.
egy főre jutó
jövedelem)
y = y i súlyozott
átlaga
Mértékegysége: megegyezik az alapadatokéval Értékkészlete: 0 ≤ σ 〈∞
Megjegyzés: A súlyozott szórás, a szóráshoz hasonlóan, csak korlátozottan teszi lehetővé különböző vizsgálati
eredmények összehasonlítását, mivel végeredményünket a vizsgált mennyiségi ismérv mértékegységében kapjuk
meg. Így tehát csak azonos mértékegységű jellemzők szórásai vethetőek össze. Éppen ezért a módszert
leginkább olyan esetekben alkalmazzuk, amikor arra vagyunk kíváncsiak, hogy egy adott társadalmi-gazdasági
jelenség (területi) egyenlőtlenségei időben miképpen változtak. Jövedelemvizsgálatokban alkalmazva a
mutatószámot a közgazdasági szakirodalom σ (szigma) konvergenciáként említi azt a helyzetet,
amikor. az egyes országok (régiók) egy főre jutó jövedelmeinek keresztmetszeti adataiból
számított szórása csökkenő tendenciát mutat → 3.4.2..
4) Súlyozott relatív szórás

Képlete Jelölések Értelmezése

x A súlyozott relatív szórás a vizsgált
1 yi = i fajlagos adatsor súlyozott átlagához viszonyítva
∑ ( y − y) 2
fi  fi adja meg az adatsor szóródásának
V = 100  
i

y
 ∑f i 

(arány) mutató értéke az i.
területegységben (pl. egy főre
mértékét.

jutó jövedelem)
y = y i súlyozott átlaga
Mértékegysége: % Értékkészlete: 0 ≤ V 〈∞
Megjegyzés: a súlyozott relatív szórás hasonlóan viszonyul a súlyozott szóráshoz, mint a relatív szórás a
szóráshoz: az adatsor (ez esetben súlyozott) átlagához viszonyítva fejezi ki a szóródás nagyságát. A
mértékegység (%) itt is a 100-zal való szorzásból következik; e műveletet azonban el is hagyhatjuk, ezáltal
mértékegység nélkülivé téve mutatónkat.

5) Átlagos (abszolút) eltérés

Képlete Jelölések Értelmezése

n
xi = naturális Az átlagos eltérés megmutatja, hogy az egyes
∑x i −x
mértékegységben
ismérvértékek átlagosan mennyivel térnek el
δ = i =1
megadott területi
az átlaguktól. Az index fajlagos adatokra is
n számítható.
jellemző;
x = xi számtani átlaga
Mértékegysége: megegyezik az alapadatokéval Értékkészlete: 0 ≤ δ 〈∞
Megjegyzés: Az értékeknek a számtani átlagtól mért eltérése közvetlenül nem használható a szóródás
mértékszámaként, mivel azok összege nulla. Ezért csak az eltérések abszolút értékeiből számított átlagnak van
értelme. Mivel a matematikai-statisztika összetettebb módszereinek legtöbbje a szórás fogalmára épül, ezt a
mutatószámot – bár jelentése magától értetődőbb a szórásénál – ritkábban használják.

6) Logaritmikus szórás

Képlete Jelölések Értelmezése

2
xi Ha az átlag 1, akkor (mivel log1 =0) az
1 n   yi  yi =
LA = ∑ log
n i =1   y
 fi
fajlagos átlaghoz viszonyított fajlagos jövedelmek
 négyzetes logaritmus-összegének átlaga
(arány) mutató értéke az
i. területegységben (pl.
egy főre jutó jövedelem)
y = y i súlyozott átlaga
Mértékegysége: Értékkészlete: 0 ≤ δ 〈∞
Megjegyzés: Ez az ún. Atkinson mutató (Major K. – Nemes Nagy J. 2000, Cowell, F. A. – Flachaire, E. 2002)
egyik speciális esete. területi jövedelemegyenlőtlenségek vizsgálatában a nemzetközi szakirodalomban
széleskörűen használt index. A logaritmikus átalakítás a közönséges szórásmutatóhoz képest csökkenti az egyedi
extrém értékek súlyát az egyenlőtlenségekben
3.2.3 Területi megoszlások eltérését mérő indexek (Németh Nándor)

→ 2.2.3) épülnek.
Az alábbi mutatószámok a megoszlási viszonyszám fogalmára (→

1) Koncentrációs (Hirschman – Herfindahl) – index

Képlete Jelölések Értelmezése

 
2
xi = naturális Valamely naturális jellemző területegységek közötti
n
  mértékegységben megadott
koncentráltságának mértékét számszerűsíti. A
x
K = ∑ n i  megoszlást az index tulajdonképp a teljesen
területi jellemző az i.
  egyenleteshez (amikor minden megfigyelési egység
 ∑ xi
i =1 területegységben;
 részesedése azonos) viszonyítja. 0,6 feletti értéke
 i =1  már erős koncentráltságra, monopolhelyzetre utal.

Mértékegysége: dimenziótlan Értékkészlete: 1 / n ≤ K ≤ 1

Megjegyzések: A fenti formula a területi kutatások egyik legelterjedtebb mutatószáma (Hirschman, A. O. 1958).
Minimális értékét akkor veszi fel, ha a vizsgált társadalmi-gazdasági jelenség egyenletesen oszlik el a
területegységek között, maximális értékét pedig akkor, ha a teljes volumen egy “kézben”, egy területen
összpontosul. Mivel a mutató minimuma függ az elemszámtól, jelentősen eltérő elemszámú vizsgálatok esetében
a kapott eredményeket nem lehet közvetlenül összehasonlítani. A mutató elnevezését két amerikai közgazdászról
kapta. Gyakran használják az indexet az ágazati koncentráció mérésére is. Ez az egyik olyan index, ahol nem 0 a
minimum!

Az előző fejezetekben bemutatott indexek között több is fajlagos (relatív), két jellemző hányadosaként
kapott változóból számítható. Arra a kérdésre például, hogy az egy főre jutó jövedelem mennyire szórt
területileg, azonban úgy is választ kapunk, ha a jövedelem és a népesség eloszlását vetjük össze. Az
alábbi indexek ezt a logikát követik.

2) A Hoover-index és „rokonai”

Képlete Jelölések Értelmezése

ahol: A Hoover-index két mennyiségi ismérv
n xi és fi két megoszlási viszonyszám, területi megoszlásának eltérését méri. A
∑x
i =1
i − fi melyekre fennállnak az alábbi mutató szimmetrikus, a két összevetett
h= összefüggések: megoszlás szerepe, sorrendje felcserélhető.
2 ∑x i = 100
∑f i = 100

Értékkészlete: 0 ≤ h ≤ 100
Mértékegysége: %

Megjegyzések: A Hoover-index az egyik legelterjedtebb, legáltalánosabban használt területi egyenlőtlenségi

mutató (Elsőként E. M. Hoover, amerikai agrárközgazdász használta, 1941-ben). Azt adja meg, hogy az egyik
vizsgált ismérv, társadalmi-gazdasági jelenség mennyiségének hány százalékát kell a területegységek között
átcsoportosítanunk ahhoz, hogy területi megoszlása a másik jellemzőével azonos legyen. A területi kutatásokban
leggyakrabban a népesség területi eloszlásával vetjük össze különféle társadalmi-gazdasági tartalommal bíró
mennyiségi ismérvek eloszlását.
A mutatószámot Robin Hood-indexnek nevezzük abban a speciális esetben, amikor a jövedelem és a
népesség területi eloszlásának egyenlőtlenségeit mérjük vele (3.2.táblázat). Ebben az esetben tehát:
h = a Robin Hood-index értéke (%)
xi = az i. területegység részesedése (%) az összjövedelemből
fi = az i. területegység részesedése (%) az össznépességből.

Év Bp-vidék 7 régió 20 megye 150 kistérség 3100 település

1988 7,1 7,6 7,7 9,1 10,8
1989 7,5 8,1 8,2 9,8 11,7
1990 8,3 8,6 8,7 10,7 12,9
1991 7,5 8,0 8,2 10,6 13,3
1992 9,6 9,3 9,8 12,0 14,8
1993 9,9 9,6 10,2 12,6 15,1
1994 9,9 10,0 10,4 12,9 15,5
1995 9,5 9,7 10,1 12,6 15,2
1996 9,0 10,1 10,3 12,7 15,2
1997 9,3 10,5 10,7 13,2 15,4
1998 9,4 11,0 11,2 13,2 15,5
1999 9,7 11,1 11,2 13,6 15,8
2000 9,3 11,3 11,5 13,5 15,6
2001 9,3 11,1 11,4 13,4 15,4
2002 8,6 10,4 10,4 12,2 14,7
2003 8,6 10,4 10,6 12,6 14,8

3.2 táblázat Az adóköteles jövedelmek és az állandó népesség megoszlása alapján számított Robin Hood-indexek
Magyarországon különböző térségi szinteken

F: Nemes Nagy J. számításai

Az elnevezés mögött a következő gondolat áll: vajon az összjövedelem hány százalékát kell elvenni a
gazdagoktól (az átlag fölötti jövedelemmel rendelkezőktől) és odaadni a szegényeknek (az átlag alatti
jövedelemmel rendelkezőknek) ahhoz, hogy kiegyenlítődjenek a jövedelmi különbségek a vizsgált
területegységek között, vagyis az egy lakosra jutó jövedelem minden területegységben azonos, az átlaggal
egyenlő legyen. Ebben a hipotetikus esetben az index értéke nulla. Viszont minél nagyobb a kapott érték, annál
jelentősebb a jövedelem és a népesség területi eloszlásának eltérése, azaz a területi jövedelemegyenlőtlenség.
Mivel a jövedelemvizsgálatok esetében értelmetlen, hogy valamely csoport vagy területegység népességaránya 0
legyen, a Robin Hood-index maximális értéke nem 100, hanem 100–min (fi). (A jövedelemkiegyenlítés mögött
természetesen nem csak a „sherwoodi” – tartósan aligha életképes – módszer állhat, hanem a valóságos
jövedelmi felfelé-mobilitás és a térbeli migráció is.)

A településszociológia is a Hoover-index logikáját használja leggyakrabban a társadalmi csoportok térbeli

koncentrálódásának, egymástól való lakóhelyi elkülönülésének, elemzésekor. Disszimilaritási indexnek
nevezzük abban az esetben, ha két népességcsoport területi elhelyezkedésének különbségét mérjük vele (Duncan
– Duncan 1955, Probáld F. 1974, Csanádi G. – Ladányi J. 1992, Hutchens, R. 2001).

A szegregáció statisztikai értelmezése szerint két társadalmi csoport között akkor nincs szegregáció, ha a két
csoport mindegyik területi egységben azonos arányban van jelen. Minden más esetben a két csoport valamilyen
mértékű szegregációjával van dolgunk. A disszimilaritási index tehát azt mutatja meg, hogy mennyiben tér el a
két népességcsoport területi elhelyezkedése a szegregáció mentes elrendeződéstől. Szegregációs indexnek hívjuk
ellenben e formulát abban az esetben, ha egy kiválasztott népességcsoport területi elhelyezkedését nem egy
másik, sajátos jellemzőkkel bíró népességcsoportéhoz viszonyítjuk, hanem a helyi társadalom adott csoporton
kívüli teljes egészéhez. Ekkor tehát az index azt mutatja meg, hogy egy adott népességcsoport területileg
mekkora mértékben szegregálódik a teljes lakosságon belül.

A Hoover-indexet nemcsak két területi jellemző megoszlásának összevetésére, hanem térbeli megoszlások
időbeli változásának mérésére is használhatjuk (ekkor a két megoszlási viszonyszám az adott jellemző kezdő
illetve végső időpontbeli adatsora). Ha ilyen jellegű számításkor a nevezőben 2t szerepel (ahol t az időszak
hosszát jelenti években), akkor az egy évre eső átlagos területi eloszlás változásra kapunk értéket. Ez akkor
jöhet szóba, ha összehasonlító elemzésekben különböző hosszúságú időszakok változásait szeretnénk
összevethetővé tenni. Ugyancsak összehasonlító vizsgálatok esetében jöhet szóba az a módosítás is, amikor a
nevezőben 2n szerepel (n a területegységek száma), ekkor egy adott jelenségnek (például a népességnek) az egy
területegységre eső eloszlásváltozását méri a mutató. Ha különböző országok területi egyenlőtlenségeit
vizsgáljuk, így enyhíthető a területegységek eltérő számából adódó aggregációs torzítás (Nemes Nagy J. 1987).

Lényegében teljesen azonos jellegű a Hoover index-szel a manapság a közgazdasági szakirodalomban

sokhelyütt, általában két területegység, régió foglalkozási szerkezetének, iparági struktúrájának, stb.
összehasonlítására használt Krugman index, amelyben azonban a megoszlások abszolút különbségeinek összegét
nem osztják el 2-vel. Ezzel a „takarékossággal” a mutató maximuma 200-ra nő, egyben elvész a fentiekben leírt
világos értelmezhetőség. Ismerete fontos, de használatát semmiképp sem ajánljuk.

3) Entrópia

Képlete: Jelölések: Értelmezése:

n
xi xi = az i. regionális egység Az információelméletből vett entrópia, a
E = ∑ x i log Hoover-indexhez hasonlóan, két
i =1 fi részesedése a vizsgált mennyiségi ismérv területi
volumen (pl. jövedelem) megoszlásának összevetésére alkalmas. A
összértékéből;
népességhez viszonyított fajlagos indexek
f i = az i. regionális egység logaritmusainak az összértékkel súlyozott
részesedése az összege.
összlakosságból
Mértékegysége: dimenziótlan, xi illetve fi összege a teljes 1
megfigyelési egységrendszerre egyenlő 1-gyel Értékkészlete: 0 ≤ E〈 log
f min
Megjegyzések: matematikailag lehetőség van a vizsgálatban szereplő területegységeket
aggregálva választ adni arra a kérdésre, hogy a területi egyenlőtlenség mekkora hányada
adódik az aggregált csoportok közötti, illetve ezen aggregált csoportokon belüli
heterogenitásból.
E felbontás lehetőségét a következő összefüggés adja:
n
xi
összentrópia: E = ∑ x i log
i =1 fi
m
Xk
a csoportok közötti entrópia: F = ∑ Xk
k =1 Fk
ahol:
Xk = a k-adik csoport részesedése xi összvolumenéből;
Fk = a k-adik csoport részesedése fi összvolumenéből;
M = az aggregált csoportok száma.

ci
a csoportokon belüli egyenlőtlenség: G k = ∑ c i log
i⊂k di
ahol:
ci = xi X k : az i-edik területegység részesedése a ci mutató szerint a k-adik csoportban,
amelybe összevontuk;
d i = f i Fk : az i-edik területegység részesedése (az fi mutató szerint) a k-adik csoportban,
amelybe összevontuk.

Gk természetszerűleg teljesen analóg E-vel, ám itt nem az összes területegységet, hanem csak a k-adik csoportba
tartozókat vesszük figyelembe.
4) Redundancia mutató vagy Theil-index

Képlete: Jelölések: Értelmezése:

1 n
yi y  y i = fajlagos mutató értéke A Theil-index az entrópia koncepciójára
R= ∑ log i 
az i.-ik területegységben
épül és a vizsgált ismérv össz-
n i =1 y  y volumenéből való részesedések
y = y i súlyozott átlaga rendezetlenségét méri.
Mértékegysége: dimenziótlan Értékkészlete: 0 ≤ R ≤ log n
Megjegyzések. minimális értékét akkor veszi fel, ha minden fajlagos (pl. jövedelmi) érték azonos, maximumát
pedig akkor, ha a vizsgált mennyiségi ismérv egy “kézben”, egy területegységen összpontosul. A logaritmus
alapja szerint különböző indexeket lehet számítani. Leggyakrabban a 10-es és a természetes alapú
logaritmusokat használják.

5) Lorenz-görbe

Immár 100 éves – Lorenz, M. O. 1905 – ez a koncentráció ábrázolására és elemzésére szolgáló,

egységoldalú négyzetben elhelyezett speciális grafikus ábra, amely a kumulált relatív gyakoriságok
(gi) függvényében ábrázolja a kumulált relatív értékösszegeket (zi). Amennyiben az egységeknek az
értékösszegből való részesedése azonos, a kumulált relatív gyakoriságok és a kumulált relatív
értékösszegek rendre megegyeznek (gi= zi). Mindez a koncentráció hiányára utal. Ilyen esetben a
görbe egybeesik a négyzet átlójával. Ha a vizsgált területegységek között létezik olyan, amelyik a
vizsgált mennyiségi ismérv értékösszegének igen nagy hányadát leköti, a relatív gyakoriságok és a
relatív értékösszegek jelentősen eltérnek egymástól, a görbe távol esik az átlótól (lásd a 3.2. ábrát).
Szélsőséges esetben, teljes koncentráció esetén a görbe egybeesik a négyzet oldalaival.

100
számának kumulált relatív értékösszegei (%)
a jövedelmek, illetve a munkanélküliek

90
80
egy lakosra jutó
70
jövedelem
60
50
40
30
munkanélküliségi
20 ráta
10
0
0 10 20 30 40 50 60 70 80 90 100
a népességszám, illetve az adózók számának kumulált relatív
értékösszegei (%)

3.1 ábra Kistérségi jövedelmi és munkanélküliségi egyenlőtlenségek Lorenz-görbéje, 2000

A Lorenz-görbével a lakossági jövedelmek, valamint a munkanélküliség területi egyenlőtlenségeit

ábrázoltuk (3.1. ábra) hazánk 150 kistérségének példáján. A vastag fekete vonal a jövedelmi, a vékony
szürke pedig a munkanélküliségi differenciákat ábrázolja. Itt rá is térhetünk a Lorenz-görbe gyakorlati
alkalmazásának egyik alapszabályára: mivel grafikus módszerről van szó, mely alapvetően vizuális
összehasonlítást tesz lehetővé a felhasználó számára, alig van értelme egyetlen görbét készíteni, hiszen
– a gyakorlatban ritkán előforduló szélsőséges esetektől eltekintve – abból nem tudjuk teljes
bizonyossággal megállapítani, hogy az adott jelenség egyenlőtlenségei milyen mértékűek. Ha viszont
ugyanazt a jelenséget – adott térbeli keretek között maradva – több időpontban is ábrázoljuk, már jóval
több információhoz jutunk. Meg tudjuk állapítani, hogy a vizsgált területi jellemző egyenlőtlenségei
mely időpontban kisebbek, illetve nagyobbak, tehát nőtt vagy csökkent a differencia mértéke. Ugyanez
a helyzet abban az esetben, amikor két különböző jelenség egy időpontban megfigyelt adatsorát
vizsgáljuk.

A görbe felrajzolásának első lépéseként az adott relatív mutató szerint sorrendbe kell rendeznünk
térségeinket; az már ránk van bízva, hogy csökkenő, avagy növekvő módot választunk-e. A Lorenz
görbe növekvő sorrend esetén az átló alá, csökkenő sorrend esetén fölé kerül. Ha kevés egység adatait
ábrázoljuk így, akkor a görbe nem simul ki, hanem a matematikában törött vonalnak nevezett formát
ölti. A 3.2. ábrán látható sajátos alakú Lorenz-görbén a népesség (vízszintes tengely) és az általa
elvégzett iskolaévek (függőleges tengely) kumulált megoszlása látható, iskolázottsági lépcsőnként.
Indiában 1990-ben a 15 évesnél idősebb népesség több mint fele egyáltalán nem járt iskolába (56%-os
volt az írástudatlanság), ezért a görbe hosszú szakaszon a vízszintes tengellyel esik egybe.

3.2. ábra Egy szélsőséges egyenlőtlenséget ábrázoló Lorenz-görbe: iskolázottság Indiában (McKay A. 2002)

A Lorenz-görbe kétségtelen előnye az egyenlőtlenségek vizuális megjelenítése, alkalmazásának azonban

esetenként gátat szab az, hogy a görbék metszhetik egymást (e módszer logikájából következően legfeljebb egy
pontban30). Itt arról van szó, hogy a két (jövedelem)eloszlás jellege eltér. Ekkor nem, vagy nehezen lehet csak
eldönteni, hogy melyik esetben nagyobb az egyenlőtlenség, ezért kénytelenek vagyunk valamilyen nem
grafikus módszerhez, egyenlőtlenségi indexhez (vissza)fordulni, s ennek segítségével sorbarendezni a két
esetet (a leggyakoribb index épp a következőkben bemutatásra kerülő Gini-együttható). Még így is
kerülhetünk olyan helyzetbe, hogy a számszerű egyenlőtlenségi mérték sem segít, azonos értéket ad. Ekkor
csak a kvalitatív magyarázat marad, például így: az azonos egyenlőtlenségi mérték mögött az egyik esetben a
szegények erőteljes jövedelmi leszakadását kiegyensúlyozza az a tény, hogy a gazdagoknak kevésbé kiugró a
jövedelmi szintje, inkább a széles középrétegek túlsúlya a jellemző, a másik esetben ellenben az
egyenlőtlenség jó részét épp egy szűk felső réteg kiugró jövedelme hozza létre. (Képzelje el az ennek az
esetnek megfelelő két Lorenz-görbét!).

30
Az egymást átmetsző Lorenz görbék sorbarendezésének kérdésköréről, az ún. Lorenz-dominanciáról lásd
Aaberge, R. 2000 és Figini, P. 2000 tanulmányát.
6) Gini-együttható(Gini-index)

Képlete: Jelölések: Értelmezése:

xi = megoszlási A Lorenz-görbe és a négyzet átlója által
1 bezárt terület nagyságát méri, a
G=
2 xn 2
∑∑ x i − xj viszonyszámként megadott
területi jellemző az i.
koncentráció relatív nagyságát jellemzi.
i j Minden megfigyelési egység részarányának
területegységben;
az összes többiétől való átlagos eltérését
x j = megoszlási viszonyítja az átlaghoz.
viszonyszámként megadott
területi jellemző az j.
területegységben;
x = xi átlaga
Mértékegysége: dimenziótlan Értékkészlete: 0 ≤ G ≤ 1
Megjegyzések: Névadója Corrado Gini (1884-1965) olasz demográfus, szociológus és statisztikus (Gini, C. 1921
és 1936). A 0 értéket akkor veszi fel, ha a Lorenz-görbe éppen egybeesik az átlóval, tehát a vizsgált mennyiségi
ismérv területi eloszlása egyenletes. Másik szélső értékét akkor éri el, ha a vizsgált ismérv egyetlen egy
területegységen, egyetlen “kézben” összpontosul; ilyenkor a Lorenz-görbe egybeesik a koordinátatengelyekkel.
A jövedelemegyenlőtlenségek mérésének legelterjedtebb mutatója.

7) Súlyozott Gini-együttható

Képlete: Jelölések: Értelmezése:

xi A Gini-koefficiens súlyozott
1 fi f j yi = fajlagos (arány) változata is a Lorenz-görbe által
GS =
2 yS
∑∑ 2
yi − y j fi bezárt területtel arányos. Itt viszont
  mutató értéke az i. olyan Lorenz-görbét kell
∑ fi 
i j
területegységben elképzelnünk, ahol a vizsgált
 i  y = y i súlyozott átlaga fajlagos mutató két összetevője
közül az egyik kumulált relatív
gyakoriságainak függvényében
ábrázolja a másik kumulált relatív
értékösszegeit.
Mértékegysége: dimenziótlan Értékkészlete: 0 ≤ G S ≤ 1
Megjegyzések: E formulát igen gyakran használja a területi kutatásokkal foglalkozó szakirodalom, hiszen nem
sok olyan mérőszám áll rendelkezésünkre, melyek segítségével fajlagos mutatók – leggyakrabban valamiféle egy
lakosra jutó jövedelem – területi koncentráltságát tudnánk mérni.

A fentiekben bemutatott egyenlőtlenségi indexek közötti kapcsolatot a 3.3 ábra foglalja össze.
Lorenz-görbe
Gini-index (Az összevetett jellemzőknek
(A Lorenz- az xi/fi arány növekvő sorrendjében
görbe és az átló kumulált eloszlásgörbéje)
közötti terület
és a fél négyzet
területének
xi
aránya) Hoover-index
(A Lorenz görbe és az átló közötti
maximális függőleges távolság
hossza)

fi
3.3. ábra A Lorenz-görbe, a Hoover-index és a Gini-index grafikus interpretációja és a közöttük lévő kapcsolat
3.2.4 Néhány további szempont az egyenlőtlenségi mutatók használatához


Ahogy arra a fejezet bevezetőjében utaltunk, az itt bemutatottakon túlmenően számos egyéb indexet is
használnak a társadalomkutatók. Ezek közül – részletezésük nélkül, de utalva az eredeti forrásokra,
illetve néhány alkalmazási példára – még néhány külön említést érdemel.

Elsőként talán Amartya Sen Nobel-díjas közgazdásznak a szegénység mérésére használt komplex
mutatóját említhetjük (Sen, A. 1979, Förtster M. F. 1998, Szívós I. – Tóth I. Gy. 1998), ami a
szegénységi küszöb alatt élők arányát, ezek jövedelmi elmaradását valamint a Gini indexet
kombinálja. Sok jövedelemegyenlőtlenségi tanulmány használja az Atkinson és a Dalton mutatót
(Atkinson, A. B. 1970, Dalton, H. 1920, Major K. – Nemes Nagy J. 1999). A táji diverzitás ismert
mutatója a Shannon-index (Nagendra, H. 2002). E témakörbe sorolhatók a különböző ágazati
specializációs indexek is (Jeney L. – Szabó P. 2001).

A Theil-féle entrópia-mutató kapcsán emeltük ki az egyenlőtlenségek tényezőkre bontásának

lehetőségét. A dekompozíció lehet kifejezetten területi szempontú (így például a területi megfigyelési
alapegységek összevonása régiókba, különböző földrajzi zónákba), de lehet a teljes egyenlőtlenségen
belüli város-falu diszparitás hatását is mérni így. A tényezőkre bontás más útja az, amikor a
jövedelemkomponenseket tagoljuk, a teljes jövedelmi kört bérekre, profitra és társadalmi juttatásokra
vagy épp a GDP-t ágazatokra. Sok helyütt fontos megosztó dimenzió a faji, etnikai egyenlőtlenség
(ennek a térbeli jövedelemkülönbségekre gyakorolt hatásáról lásd Sethy, R. – Somananthan, R. 2001).
A felbontások főként hosszabb távú történeti elemzésekben érdekesek, kimutatván a különböző
komponensek esetleg eltérő viselkedését. Ilyen közelítést használ Shorrock, A és Wan, G. (2003)
számos ország jövedelemegyenlőtlenségeinek térségi és ágazati felbontását vizsgálva hosszú távon.

A különböző egyenlőtlenségi mutatók matematikai tulajdonságainak vizsgálata is széles kutatási

mezőt képez, és új és újabb mutatók konstruálást eredményezi (legújabban lásd Hutchens, R. 2001).
Ezen belül vizsgálták például azt (Cowell, F. A. – Flachaire, E. 2002), hogy a különböző
egyenlőtlenségi indexek mennyire érzékenyek egy-egy extrém alacsony vagy magas érték jelenlétére
az adatsorban. Az entrópia-mutatók ebből a szempontból nem ideálisak, egy-egy kiugró jövedelmi
érték nagyon megváltoztatja az értéküket, összességében a Gini-indexet minősítették e szempontból a
legjobbnak (a legkevésbé érzékenynek). Az extrém adatok problémája a területi kutatásokban is
visszatérően megjelenik; ez érvel például sokkal inkább a Hoover-index, mint a szórás egyenlőtlenségi
mutatóként való használata mellett.

Viszonylag ritka a területi kutatásokban, hogy két megfigyelési egységet olyan jellemzők alapján
vetünk egybe, amelyek két kimenetűek (0 és 1). Gyakoribb eset ez a szociológiai, véleménykutatási
vizsgálatokban. Ilyen esetekben is többfajta egyenlőtlenségi mutatót használhatunk, ezek közül is a
legismertebb az ún. összeillesztési koefficiens, amelyben az azonos (egyaránt 1-es illetve egyaránt 0)
értéket felvevő esetek (válaszok) számát viszonyítjuk az összes esethez (a mutató 0 és 1 közötti értéket
vehet fel, logikája az előjel-korrelációhoz hasonló → 4.2).

Minden itt bemutatott index természetesen érzékeny a területi aggregációra illetve a térfelosztás
változására is. Az erősen aggregált, összevont egységekből számított egyenlőtlenségi mértékek
általában mindig kisebbek az elemi egységekből számítottaknál31.

31
Az aggregációs hatásról részleteiben lásd Dusek T. 2004
3.2.5 A térbeli szegregáció sajátos mérőszámai

A társadalmi csoportok, etnikumok térbeli elkülönülése, a szegregáció mérésére természetszerűleg

használhatók a területi megoszlások eltérését mérő, az előzőekben bemutatott indexek, mindenek előtt
a disszimilaritási indexnek is nevezett Hoover-mutató. Ezen túlmenően érdemes megismerkedni
néhány további mérőszámmal, különös tekintettel arra, hogy filozófiájukban a potenciális térbeli
kapcsolatok, a találkozás, az ütközés vagy épp a kooperáció lehetősége erőteljesebben jelennek meg,
mint a „térsemleges” disszimilaritási indexekben32.

A szegregációvizsgálat egy adott terület (a szegregáció vizsgálatában legtöbbször egy-egy nagyváros,

de elvileg bármely területegység) térfelosztását, kisebb egységekre tagolását feltételezi n darab
területegységre, ahol ezek a teljes vizsgált területet átfedés mentesen és teljesen lefedik (például:
Budapest és kerületei). Egy-egy index önmagában szinte értelmezhetetlen, ezért használatuknak csak
több időpont, különböző területek vagy különböző társadalmi csoportok összehasonlításakor van
értelme.

Használjuk a következő jelöléseket:

xi egy adott társadalmi csoport (pl. az x etnikum) létszáma az i. területegységben („kerületben”)
X az adott (x) társadalmi csoport teljes létszáma vizsgált területen („Budapesten”)
yi egy másik társadalmi csoport (pl. az y etnikum) létszáma az i. területegységben („kerületben”)
Y az adott (y) társadalmi csoport teljes létszáma vizsgált területen („Budapesten”)
pi az i. területegység („kerület”) népessége
P a teljes terület („Budapest”) össznépessége
R (X/P vagy ezzel analóg módon Y/P) az adott társadalmi csoport és a teljes népesség aránya a
vizsgált területen („Budapesten”), R 0 és 1 közötti értéket vehet fel

E jelölések felhasználásával nézzünk két összekapcsolódó mutatószámot!

Interakciós index
n  xi  y i 
IA = ∑  X  p 
i =1
  i 

Ez a mutató, ha a teljes népesség csupán két csoportra osztódik, akkor maximumként 1-et érhet el. A
minimális érték – hasonlóan a 3.2.3 fejezetben bemutatott koncentrációs indexhez – függ a
területegységek számától, sok egység, részletes térfelosztás esetén 0-hoz közeli (1/n) lehet. Értéke – a
szorzat két tagjának értelmezése alapján ez könnyen belátható –, annál nagyobb, minél inkább az a
jellemző, hogy ahol az egyik társadalmi csoport (x) nagy hányada tömörül, ugyanezen a
területegységen a másik csoport nagy létszámával kerül szembe, ami valószínűsíti a
kölcsönkapcsolatokat (interakciókat). Az interakciós index alacsony (nullához közeli) értékei jelzik az
erős szegregáltságot.

Izolációs index
n 
x  xi 
IZ= ∑  i  
i =1
 X  p i 

Ez a mutatószám is akkor veheti fel az elméleti maximumát, 1-et, ha pusztán két csoportra osztjuk a
népességet, minimumát ugyancsak befolyásolja a térfelosztás részletessége. Ha értelmezzük a
tartalmát, láthatjuk, hogy a maximumot akkor közelíti meg, hogy, ha az adott társadalmi csoport

32
Az amerikai szegregációt átfogóan elemző kiadvány – U.S. Census Bureau 2003, Appendix B – 17 módszert,
indexet ajánl a szegregáció különböző aspektusainak mérésére. A fejezetben ebből emeltünk ki néhányat.
(etnikum) kizárólagosan vagy döntően egy vagy néhány területegységben él, de itt a teljes
népességhez viszonyítva nagy létszámban. Az izolációs index magas (1-hez közeli) értékei jelzik a
szegregáltságot.

3.3 Kiegyenlítődés és differenciálódás

Elsősorban az extrém méretű és kifejezetten növekvő világszintű fejlettségi tagoltság, de az

országokon belüli fejlettségi különbségek tartós jellege, újabb és újabb polarizáló momentumok
megjelenése a területi kutatásnak mindmáig előterébe állítja a területi kiegyenlítődés és a
differenciálódás tendenciáinak vizsgálatát (mindez többszintű konvergencia-vitaként ismert a
szakirodalomban). A mértékek feltárásán túlmenően a vizsgálatok természetesen a hajtóerőket is
keresik, a polarizáló faktorokat és a területi közeledést eredményező beavatkozási eszközöket. A
kutatási téma elsődlegesen a közgazdasági és a regionális politikai indíttatású vizsgálatoknak van az
előterében. A bevetett kutatási eszköztár szinte a teljes regionális elemzési módszerkészletet
felhasználja, kezdve a vizsgálatok indikátorai kiválasztásának kérdéskörétől, a térségi szintek és
egységek, az időtáv problémáján át a különböző egyenlőtlenségi indexek használatán át az
összefüggéskeresés módszereiig.

3.3.1 A Williamson hipotézis

A fejlettség-fejlődés és az egyenlőtlenségek nemzetközi szintű vizsgálatához kapcsolódóan (Kuznets,
S. 1955) a kutatási téma fontos momentuma volt J. G. Williamson munkájának megjelenése, amelyben
mintegy 30 ország belső, területi jövedelemegyenlőtlenségeit vizsgálta történeti és keresztmetszeti
adatok alapján (Williamson, J. G. 1965). Számításaiban a fő területi jelzőszám az egy lakosra jutó
jövedelem (GDP, személyi jövedelem) volt, az egyenlőtlenségek mérésére a súlyozott relatív szórást
alkalmazta a szerző. A számítások egy fordított U alakú összefüggést valószínűsítettek (a nemzetközi
összehasonlításokban erősen jelenlévő általános metodikai korlátokkal együtt), azaz a legfejletlenebb
országokban viszonylag kicsiny, a közepes fejlettségűekben nagy, míg a legfejlettebbekben ismét
kisebb fejlettségi tagoltságot. A modellben megfogalmazódó reláció mindmáig a regionális fejlődés
egyik alapkérdése (Davies, S. – Hallet, M. 2002)

Ezt az alapsémát újabb országok bevonásával az 3.4. ábra modellje szerinti összefüggésre
pontosíthattuk (Nemes Nagy J. 1987). A modell I. szakasza a prekapitalista időszak agrárdominanciájú
területi gazdasági arányait generalizálja, a II. szakasz a kapitalista nagyipar kibontakozásának, a nagy
területi koncentrációk kialakulásának időszaka. A III. szakaszban a tőkés termelési viszonyok teljes
uralomra jutása után megkezdődik az éles fejlettségi és strukturális dualizmus spontán és az állami
gazdaságpolitika által befolyásolt csökkenése. Ez utóbbi faktor a IV. szakaszban kialakuló regionális
politikával tovább erősíti a regionális közeledést.

A területi gazdasági mozgásfolyamatokra, a regionális arányok változására ható legfontosabb tényezők

közül három emelhető ki:
• a naturális és az árutermelő gazdálkodás súlyának változása,
• a gazdaság ágazati szerkezetének történelmi átalakulása,
• az állami területfejlesztési (regionális) politika kialakulása és hatása.
 3.4. ábra Regionális fejlettségi különbségek történeti változása (Nemes Nagy J. 1987)

A három tényezőcsoport közül a legfontosabbnak talán a második (ágazati szerkezetátalakulás)

minősíthető, legalábbis a hosszú történeti távú analízisek, amelyekben az egyenlőtlenségek tényezőit
kutatták, erre utalnak (legújabban például Caselli, F. – Coleman, W. J. 2001)

A modell hátterét adó empirikus kutatás a hatvanas-nyolcvanas évek közötti periódusra vonatkozóan
azt, az adott pillanatban alig megkérdőjelezhetően pozitív jellemzőt is felszínre hozta, hogy a
vizsgálatban szereplő kelet-közép-európai szocialista országok a velük nagyjából azonos fejlettségi
szinten álló piacgazdaságokhoz képest regionálisan kiegyenlítettebb, kevésbé tagolt térszerkezetűek
voltak, a gazdasági fejlettség regionális szóródása szignifikánsan kisebb volt ezekben az országokban.
A rendszerváltozást követően az országok szinte azonnal elkezdték a „felzárkózást” a modell generális
trendjéhez (Nagy G. 2002b) a regionális fejlettségi, jövedelmi egyenlőtlenségek növekedésének
indultak (az országokat a modell koordinátarendszerében reprezentáló pont „függőleges” irányban
mozdult el). Mivel a fejlettségi („vízszintes”) skálán az országok még csak mostanában mozdulnak el
a 15 évvel ezelőtti szintről, a modellnek megfelelően az újabb regionális kiegyenlítődési szakasz még
várat magára (3.5. ábra).

3.5. ábra „Visszatérés a trendvonalra” a volt szocialista országokban

Az országos fejlettség és a regionális tagoltság összefüggéseinek vizsgálata mindmáig egyik központi

témaköre a regionális fejlődés kutatásának. A legújabb publikációk közül a fejlett országokat vizsgálja
ebből a szempontból az OECD (OECD 2001), a harmadik világ országainak egyenlőtlenségi sémájáról
a Világbank számos kutatási jelentése ad módszertani elemeket is tartalmazó áttekintést (Shankar, R. –
Shah, A. 2001, Litchfield, J: A. 1999). Általában jelentősen kiterjedtek a fejlődő világ, mindenek előtt
Latin-Amerika, Délkelet-Ázsia és a Dél-Afrika országainak regionális tagoltságát elemző munkák
(ellenpéldaként: nagyon kevés az empirikus információ az arab országokról). Kiterjedt elemzések
vannak az új térbeli keretekben fejlődő Oroszország regionális folyamatairól is (Fedorov, L. 2002). A
kapcsolódó írások érintik a regionális egyenlőtlenségek mérésének, elemzésének módszertanát is.

Az országokon belüli régiók fejlettségi arányainak vizsgálatához Európában a 20. század utolsó
évtizedében három tényezőcsoport külön lökést adott. Az első az, hogy az átalakuló, globalizálódó
gazdaság számos új eleme, szektora jelent meg a fejlett országokban, kissé megrengetve a korábbi
évtizedek közeledési irányzatát a fejlett és periférikus térségek között. Ezekben az országokban a
területi egyenlőtlenségek stagnáltak vagy kissé növekedtek. Mindezzel párhuzamosan folyamatosan
mozgásban van kontinens gazdasági magterülete, korábbi központjától (a dél-angol – észak-német
zónától) délkeleti irányban mozogva az alpi térséget tette a legdinamikusabb makro-régióvá.
Folyamatos tesztelés tárgyává teszik a regionális egyenlőtlenségek alakulását az EU nagy volumenű
regionális támogatási forrásainak hatását számon kérők is. A válaszok ellentmondásosak és vitatottak,
Írország felzárkózása az egyik (a regionális politikát hatásosnak tartó), Görögország lassú elmozdulása
a másik (a támogatások csekély hozadékát hangsúlyozó) álláspontot támogatja. A viták mögött
nyilvánvalóan megjelenik egy időtáv-probléma is: az ezredforduló körüli stagnáló tagoltság nem
kérdőjelezheti meg a kontinens egészére az évszázad második felében alapvetően jellemző közeledési
irányzatot (Fayolle, J. – Lecuyer, A. 2000, Terrasi, M. 1999).

Az empirikus vizsgálatok újabb eredménye, hogy kimutatható az ún. konvergencia-klubok jelensége:

ha az egyenlőtlenség a teljes mintában nem is csökken, egyes területegységek (régiók, országok)
homogenizálódó csoportokba tömörülnek. Ennek következtében a jövedelem-eloszlást leíró
sűrűségfüggvények „többcsúcsúvá” (multimodálissá) válnak (Quah, D. T. 1996). Ezt a jelenséget a
világméretű egyenlőtlenségek országszintű vizsgálataiban is tapasztalták (Canova, F. 2001). Ez a
jelenség kapcsolatban van a társadalmi jelzőszámok területi autokorreláltságával → 4.3 is, a
fejlettségi, jövedelmi hasonulás ugyanis jellemzően nem térben véletlenszerűen elhelyezkedő elemek,
hanem az egymáshoz térben is közeli egységek között megy végbe.

Az egyenlőtlenségek világméretű vizsgálatában sokoldalúan bizonyított az, hogy a gazdasági

értéktermelés, gazdasági fejlettség mutatószámai tükrében növekvő egyenlőtlenségek vannak, más
társadalmi jellemzők – például az iskolázottság vagy az élettartam mutatói – ellenben közeledést
jeleznek (Hobijn, B. - Franses, P. H. 2003). A különbség azzal is összefügg, hogy míg a jövedelmek
felülről lényegében nem korlátosak, addig az iskolázás és az élettartam esetében megjelölhető egy
elméleti maximum. E közelítés érdekes eredménye az is, hogy a különböző mutatószámok tükrében
eltérő az országok „klasztereződése” is (a volt szocialista országok például jellemzően jobb pozícióban
vannak az iskolázottsági indikátorok tekintetében, mint a jövedelemszint tükrében).

3.3.2 A σ és β konvergencia (Major Klára)


A β (béta) és a σ (szigma) konvergencia fogalmai az 1990-es évek makroökonómiai kutatásának
meghatározó irányává vált ún. konvergencia-vitában kristályosodtak ki és terjedtek el (Major K.
2001). A vitában azt kívánták eldönteni, hogy az egy főre jutó GDP különbözőségében hosszú távon
csökkenés vagy növekedés várható-e. A vita igen széles körűvé vált, és egyfelől mára újabb
módszertanok kifejlődéséhez vezetett, másrészt további kutatásokat ösztönzött az előbb említett
diszciplina keretein kívül is, mélyen érintve többek között a regionális tudományt. Az új módszereket
alkalmazták a regionális jövedelmi egyenlőtlenségek vizsgálatában, pl. Ausztria esetében ld. Hofer -
Wörgötter (1997), Görögországra Siriopoulos – Asteriou (1998), Finnországra Kangasharju (1999),
Svédország esetében Persson (1997). A regionális tudomány esetében a nagy „lökést” az Európai
Unión belül kiemelten kezelt regionális politika, és az emiatt szintén kiemelt jelentőséggel bíró
európai regionális folyamatok vizsgálata jelentette. Számos tanulmány alkalmazta ezen új
módszertanok valamelyikét az EU régiói esetében is.

A σ konvergencia

Akkor beszélünk σ konvergenciáról, ha az egyes országok egy főre jutó jövedelmeinek

keresztmetszeti adataiból számított szórás csökkenő tendenciát mutat.

Az eredmények értelmezéséhez fontos szem előtt tartanunk, hogy a szórás a jövedelmi

egyenlőtlenségek abszolút mutatója. Értéke növekedhet akkor is, ha az egyes vizsgálati egységek
relatív jövedelmi pozíciója változatlan marad, csak egyszerűen növekszik a jövedelmek abszolút
nagysága (pl. $ helyett Ft mértékegységre térünk át). Ha vizsgálat a relatív jövedelmi pozícióban
bekövetkezett változás vizsgálatára irányul, akkor a szórás helyett a relatív szórás lehet a megfelelő
mutató, ez azonban nincs közvetlen kapcsolatban a σ konvergencia fogalmával.

A β konvergencia

A kiinduló alapötlet nagyon egyszerűen megfogalmazható. Ha igaz az (ami a Solow-modellből33

következik), hogy szegényebb országok egy főre jutó jövedelme gyorsabb ütemben növekszik, mint a
gazdagabb országok egy főre jutó jövedelme, akkor annak hosszú távon azt kell eredményeznie, hogy
a szegényebb országok felzárkóznak a gazdagabb országokhoz.

Teszteljük tehát empirikusan ezt a hipotézist! A fentiekben megfogalmazott, ún. abszolút

konvergencia hipotézis empirikus tesztelésére a növekedéselméleti irodalomban keresztmetszeti
adatokon végzett lineáris regressziós becslést → 4.4 szoktak alkalmazni (3.6. ábra). Ekkor magyarázó
változónak a vizsgálati periódus elején megfigyelt jövedelmi adatokat (lnyi0) veszik, ahol i az ország
indexe, a 0 jelöli a kiinduló időpontot. Magyarázott változó pedig a vizsgálati periódusban megfigyelt
átlagos növekedési ütem, amit a jövedelmek logaritmusának egész periódus alatti változása mutat. A
becsült regressziós egyenlet tehát:
∆ ln yi = α + β ln yi 0 + ε t
Az egyenletben α, β az ismeretlen paraméterek, εt képviseli a véletlen tényező hatását. Ez utóbbiról
feltesszük, hogy várható értéke zérus.

0,09

0,085

0,08
log (GDP/fő, 2001/1994)

0,075

0,07

0,065

y = 0.0183x + 0.0269
0,06
2,4 2,45 2,5 2,55 2,6 2,65 2,7
log GDP/fő -1994

3.6. ábra A regionális fejlettségi különbségek növekedése Magyarországon 1994-2001 között,

β-divergencia (Budapest nélküli számítás)

A konvergencia hipotézis érvényességéhez az kell, hogy a becsült β paraméter negatív legyen. Ebben
az esetben pontosan az történik, amit sejtettünk: a gazdagabb országok növekedési üteme alacsonyabb,
következésképpen várható a felzárkózás. Ennek gyorsaságára szintén a β paraméter adhat becslést. A
β konvergencia elnevezés is innen származik: a kérdéses jelenség, azaz a konvergencia szempontjából
a regressziós egyenlet β paramétere a meghatározó.

33
A Solow-modell a makroökonómiai növekedéselmélet 1956-ban született, de máig meghatározó modellje. A β
konvergencia fogalma ennek empirikus tesztelése közben született meg. A modell ismertetésétől most
eltekintünk, ez számos makroökonómia tankönyvben megtalálható, lásd pl. Mankiw 2002.
Az abszolút konvergencia hipotézisének tesztelése igen változatos empirikus eredményeket hozott. Az
első számítások, melyek során az OECD országokra valamint az USA tagállamaira végezték el a
teszteket, a konvergencia hipotézis mellett szóltak. Hamar világossá vált ugyanakkor, hogy a számítási
eredmények értékelése során eltekintettek egy módszertani sajátosságtól, melyet mintavételi
torzításnak lehet nevezni. Az 1990-es években fejlett országokra végezve a tesztet, az nyilvánvalóan
alá kell, hogy támassza a konvergencia hipotézist, de semmiképpen se utasíthatja el, még abban a
szélsőséges esetben sem, ha 1990-ben ugyanazon országok tartoznának a fejlettek közé, mint pl. 1930-
ban. Mivel azok az országok, amelyek nem tudtak lépést tartani a fejlődéssel a minta kiválasztásának
módja miatt nem kerültek be a mintába, így szükségszerűen kimutatták a jövedelmi különbségek
csökkenését. A szakirodalom egyértelműen rámutat arra is, hogy β értéke erősen függ a minta
elemszámától.

A hibát korrigálandó, a további számításokat – a rendelkezésre álló adatok függvényében – igyekeztek

az országok lehető legszélesebb körére kiterjeszteni. Ezek a tesztek azonban szinte mind, kivétel
nélkül elutasították az abszolút konvergencia hipotézist, azaz azt a feltevést, miszerint az országok egy
főre jutó jövedelmei közelednének egymáshoz. A megoldást és a további kutatást a konvergencia
fogalmának megújítása jelentette.

A feltételes konvergencia

A β konvergencia tesztelése során kapott negatív eredmények illetve a korábban ismertetett

módszertani problémák a konvergencia tesztelésének egyéb útjait igényelték. Egyik megoldás a β
konvergencia fogalmának módosítását jelentette. A fenti következtetés ugyanis, miszerint a gazdagabb
országok növekedési üteme kisebb, csak feltételesen igaz. Nem teljesen azonosak ugyanis a
vizsgálatba bevont országok gazdaságai, a korábbi regresszióból hiányzott az országspecifikus
tényezők figyelembevétele. Ezért a feltételes konvergencia fogalma beépített a vizsgálódásba az egyes
országok sajátosságainak figyelembevételét is. A fogalom elnevezése is innen származik: beszélhetünk
konvergenciáról, de csak feltételesen, leszámítva az országspecifikus tényezők hatását.

A hipotézis teszteléséhez a korábbi regressziós technikát ki kell egészíteni kontroll és környezeti

változókkal, melyek az országspecifikus hatásokat kiszűrik. Az alkalmazott ökonometriai eszköz
többnyire az instrumentális változók (INST) vagy a 2 lépéses OLS becslés (2SLS) módszere. Az
alkalmazott kontroll és környezeti változók
• az oktatási kiadások GDP-hez viszonyított aránya;
• a beruházási kiadások GDP-hez viszonyított aránya;
• a kormányzati kiadások GDP-hez viszonyított aránya;
• a politikai instabilitás mérőszáma;
• a külkereskedelmi cserearány mutatószáma;

Instrumentális változóknak a korábban felsorolt változók késleltetett értékei szerepelnek.

A feltételes konvergenciára vonatkozó tesztek a világ országai vonatkozásában rendre igazolták a

feltételes konvergencia hipotézisét. Beláthatjuk azonban, hogy a feltételes konvergencia fogalma
pontosan arra a kérdésre nem ad választ, ahonnan elindultunk: akkor most várható-e vagy sem a
jövedelemi differenciálódás csökkenése.

A β együttható negatív előjele (amit általánosságban neveznek β-konvergenciának) csak szükséges, de

nem elégséges feltétele a konvergenciának. Lehetséges olyan eset, amikor az együttható negatív, még
sincs szó jövedelmi kiegyenlítődésről. Ez például akkor fordul elő, amikor a vizsgált egységek (pl.
régiók) között fejlettségi inverzió következik be. Ekkor a lassan növekedő fejlett illetve a gyorsan
felzárkózó elmaradott térségek (amelyek épp a béta konvergencia szerint viselkednek) helyet
cserélnek, s az időszak végén akár ugyanakkora vagy nagyobb is lehet az egyenlőtlenség nagysága,
mint a kezdetiben (azaz szigma konvergencia nincs), csak épp ellentétes térszerkezetben (ez a helyzet
például 20. század második felében Belgiumban, ahol Flandria és Vallónia helyet cserélt a fejlettségi
skálán).

3.4 Időbeli átmenetek: a Markov-láncok (Major Klára)


A területi egyenlőtlenségek időbeli változását a területegységek pozícióváltozása kíséri. Közeledés
esetén egyre több átlaghoz közeli fejlettségű, jövedelmű térség bukkan fel, a differenciálódás általában
a szélső pozíciókban eredményez sűrűsödét. A fejezet e folyamat leírására is alkalmas módszert ír le,
amely bár régóta ismert a hazai területi kutatásokban is, alig alkalmazott. Megalkotója Andrej
Andrejevics Markov orosz matematikus, (1856-1922). A matematikai modell kifejlesztését követően
azt számos tudományágban, a regionális tudományoktól kezdve a szociológián át a közgazdaságtanig,
számtalan vizsgálatban alkalmazták már34.

3.4.1 A koncepció
A Markov-láncok modelljének kulcsfogalmai a mozgás és a sokasági eloszlás.
Mozgás, mivel változást, dinamikát, valamilyen átalakulást vizsgál. Ez abban is megnyilvánul, hogy
az elemzés során mindig több, különböző időpontra vonatkozó adatokat használunk és nem csak azok
összehasonlítására törekszünk, de arra is, hogy az egyik időpontban megfigyelt jelenségből
következtessünk a következő időpontra várható bekövetkezésre. A mozgás tehát abban az értelemben
is kulcsfogalom, hogy az elemzés során törvényszerűséget keresünk, szabályt, amely magára a
változásnak a magyarázatára irányul.
A Markov-láncok modelljében a vizsgált objektum, amelynek időbeni változására magyarázatot
keresünk, a különböző időpontokban megfigyelt sokasági eloszlás. Ezen fogalom azt írja le, hogy
hogyan oszlik meg a vizsgált sokaság a vizsgálati jellemző szerint egy időpontban. Ehhez a
megfigyelési egységeket különböző kategóriákba kell majd sorolnunk, ezeknek a kategóriáknak az
általános neve a Markov-modell irodalmában állapot.
 Például ha a vizsgált jelenség a lakosság állandó lakóhely szerinti területi megoszlása, akkor
az egyes állapotok (vagyis kategóriák) a területi egységek lesznek, amelyek a vizsgálati
szinttől függően lehetnek kistérségek, megyék, régiók, településnagyság-csoportok.
 Egy másik példát tekintve a népesség adott időpontban vett iskolai végzettség szerinti
megoszlását vizsgálva a szóba jöhető állapotok a lehetséges iskolai végzettség szerinti
kategóriák, pl. általános iskola, szakiskola, érettségi, diplomázott illetve doktori fokozatot
szerzett.
A kategóriák meghatározása és az egyes szóba jöhető állapotok elkülönítése a problémafelvetéstől
függ: önmagában a Markov láncok modelljének tárgyalása során teljesen érdektelen, hogy az iskolai
végzettség kategóriái 0-20-ig terjedő egész számok lesznek, melyek az elvégzett évfolyamok számát
mutatják, vagy képezünk öt kategóriát az előbb említett iskolai végzettségek figyelembevételével. A
módszertan alkalmazásához csak az fontos, hogy a kutató eldöntse, hogy milyen kategóriákat képez.
Természetesen a vizsgálati kérdés szempontjából rosszul definiált állapotok értelmezhetetlen vagy
intuícióellenes kutatási eredményekhez vezethetnek.

34
A fejezet a kötetben részleteiben nem tárgyalt elemi mátrix-számítási ismereteket feltételez.
A 3.7. ábra a Markov modell alapfogalmai közötti sematikus kapcsolatot mutatja. A vizsgálat a két
időszakra jellemző eloszlás és a közöttük kapcsolatot teremtő átmenet szabályszerűségeinek leírására
irányul. A mozgást tehát a továbbiakban átmenetnek fogjuk nevezni.

idő
t0 átmenet t1
időpontbeli időpontbeli
eloszlás eloszlás

3.7. ábra A Markov-modell alapfogalmai közötti kapcsolat

3.4.2 Példák a Markov-láncok alkalmazására

A továbbiakban három különböző tudományterületről vett példával igyekszünk bemutatni a Markov

láncok lehetséges alkalmazási területeit. Az első példa egy klasszikus földrajzi jelenség, a vándorlás
Markov-modellel történő leírását mutatja be röviden. A második példában egy kis időre átugrunk a
szociológia területére, míg végül területi/gazdasági problémával zárjuk e rövid fejezetet.

Vándorlás

A vándorlás vizsgálata során mindig felmerül az a kérdés, hogy milyen jellemzői vannak a vándorlási
folyamatnak, tendenciaként megfigyelhető-e bizonyos területekről, településtípusokról történő
elvándorlás, illetve más településekre, terület- vagy tájegységekre, településtípusokra történő
beköltözés. Ezt a kérdést Markov-lánc modellel is megvizsgálhatjuk.
Ekkor a vizsgálati sokaság egy ország népessége, s a lehetséges állapotok a népesség lakóhelye.
Amennyiben arra vagyunk kiváncsiak, hogy a vándorlás hogyan érinti a lakosság településtípusonkénti
megoszlását, akkor az egyes állapotok lehetnek főváros, város, egyéb település. Amennyiben a főváros
és a vidék közötti vándorlást vizsgáljuk, úgy csak két állapotot definiálunk, ezek a főváros és vidék. A
vándorlási kérdés vizsgálata során területegységek közötti mozgást is vizsgálhatunk, ekkor pl. megyei
szintű vizsgálatoknál az egyes állapotok az adott ország megyéi. Regionális szinten vizsgálva a
folyamatokat az egyes régiók alkotják majd a Markov-modell állapotait.
Az állapotok meghatározása tehát a kutató feladata, s ez az általa vizsgálni kívánt probléma jellegétől
függ. Az állapotok meghatározása után pedig kezdődhet a Markov-modell alkalmazása!

Társadalmi mobilitás

Társadalmi mobilitásról akkor beszélünk, ha a társadalom valamelyik tagjának megváltozik a

szociológiai helyzete, társadalmi státusza. A vizsgált mozgás tehát ebben az esetben nem fizikai, de
ettől eltekintve nincsen lényeges különbség a korábban említett példákhoz képest. A kutatónak most is
azzal kell kezdenie a kutatást, hogy a vizsgálandó problémának leginkább megfelelő állapotokat
meghatározza. Társadalmi mobilitás esetében a társadalmi státusz valamilyen mutatószámát szokás
alkalmazni. Ez lehet egyetlen mutató (iskolai végzettség, jövedelmi helyet, vagyoni helyzet,
foglalkozás) illetve olyan kompozit mutató, amit az előbb említett mutatókból lett összeállítva.
Jövedelmi differenciáltság változása

Jövedelmi differenciáltság vizsgálatakor a vizsgálati sokaság és az állapotok meghatározása egyaránt

komoly megfontolásokat igényel. Vizsgálati sokaságnak gazdaságilag homogén, vagy homogénnek
tekinthető egységek, pl. országok, régiók, megyék, kistérségek választhatók. A sokaság
megválasztását általában a vizsgált kérdés alapjaiban meghatározza.
A továbbiakban beszéljünk országokról! Az egyes országok jövedelmei folytonos változók, azaz
számtalan különböző értéket felvehetnek. Hogyan határozzuk meg az egyes állapotokat? Más
állapotnak számít-e az, ha egy ország egy főre jutó GDP-je mondjuk 4500$, míg egy másik országé
4625$? Ilyen esetekben az állapotokat ún. diszkretizálással lehet meghatározni: ún. jövedelmi
kategóriákat hozunk létre, és az egyes kategóriához tartozás fogja az adott állapothoz tartozást
jelenteni. Ez azt jelenti, hogy a lehetséges jövedelemadatok által meghatározottan intervallumokat
képezünk, és mindazon országokat azonos állapotban lévőnek gondoljuk, amelyek azonos
intervallumba esnek.
Nézzünk néhány példát jövedelmi kategóriákra! A gazdasági elemzésekben igen gyakran használatos
az alábbi beosztás.
Jövedelem a sokasági
Jövedelmi kategória
átlag %-ban
1 0 – 25
2 25 – 50
3 50 – 100
4 100 – 200
5 200 – .

Látható, hogy az egyes osztályközök „hossza” nem azonos, ennek oka a jövedelmek ismert
lognormális eloszlása. Igy az alacsonyabb jövedelmi kategóriákban, ahol általában lényegesen több a
megfigyelés, rövidebb kategóriákat kell képezni, mint a magasabb jövedelemértékeknél.
Ha egészen biztosak szeretnénk lenni benne, hogy minden kategória azonos súllyal szerepeljen a
vizsgálódásban, akkor úgy kell megválasztanunk a jövedelmi kategóriákat, hogy azokba azonos számú
megfigyelés essen. Ebben az esetben természetesen nem lehet apriori, a vizsgálat elvégzése előtt
megmondani, hogy melyek lesznek a kategória-határok, hiszen azok a megfigyelt adatok
függvényében alakulnak majd.

3.4.3 A Markov láncok modellje

A modell részletes tárgyalását néhány alapfogalom meghatározásával kezdjük.

Állapottérnek hívjuk a lehetséges állapotok halmazát. Korábban már említettük, hogy a kutatónak a
vizsgált probléma jellegétől függően meg kell határoznia, hogy hány kategóriát képez és pontosan
definiálnia azokat. Mi most itt feltételezzük, hogy ezen a kutatási szakaszon már túl vagyunk, s a
továbbiakban a meghatározott állapotok számát n-el, az egyes állapotokat pedig az 1-től n-ig terjedő
természetes számokkal fogjuk jelölni. A modell alkalmazásának fontos feltétele, hogy véges számú
kategóriát kell meghatároznunk.
A sokasági eloszlást az egyes kategóriákhoz tartozás valószínűségeiből álló vektorral írjuk le. Minden
egyes állapothoz így tartozik egy 0 és 1 közötti valós szám, ami azt mutatja meg, hogy milyen
valószínűséggel tartozik egy elem az adott állapotba. Az i állapotba tartozás valószínűségét egy adott
időpontban pi-vel fogjuk jelölni. Az egyes pi valószínűségeket egy vektorba rendezhetjük, p=(p1, p2,
… ,pn), a továbbiakban sokasági eloszlás alatt ezen vektort kell érteni. Az egyes kategóriáknak
egyértelműen és átfedésmentesen kell felosztaniuk a vizsgálati tartományt, ezért az egyes
kategóriákhoz tartozások valószínűségeinek együtt éppen 1-et kell adniuk, azaz egy eloszlásvektorra
igaz lesz az, hogy

∑ pi = 1 (3/1)

Sztochasztikus mátrix olyan négyzetes nemnegatív mátrix, amelynek soraiban szereplő elemek összege
1. Azaz ha A sztochasztikus mátrix, amelynek általános (i-ik sorának és j-ik oszlopában található)
eleme aij, akkor minden i-re igaz lesz, hogy

∑a ij =1 (3/2)

Az összefüggésekből látható az analógia: valójában a sztochasztikus mátrixok sorai maguk is

eloszlások és értelmezhetők eloszlásvektorként. A sztochasztikus mátrixok nagyon fontos
tulajdonsága, hogy két sztochasztikus mátrix szorzata szintén sztochasztikus mátrixot ad. Ennek a
későbbiek során még fontos szerepe lesz.

Mozgás

Legyen az A mátrix nxn-es sztochasztikus mátrix és ennek i-ik sorában és j-ik oszlopában található
eleme aij. Az A mátrixot a Markov-lánc átmenetmátrixának hívjuk, ha az aij elem azt mutatja meg,
hogy mekkora annak a feltételes valószínűsége, hogy a jelenlegi időpontban az i állapotban található
elem a következő időpontban a j állapotban lesz (ld. 3.8. ábra). A mátrix elnevezése is erre utal:
átmenetek valószínűségeit határozza meg, ezért is hívjuk átmenetmátrixnak.

3.8. ábra Az átmenetmátrix egy elemének értelmezése

Az átmenetmátrix fontos tulajdonságai az alábbiak.
 A mátrix főátlójában szereplő értékek, pl. aii azt mutatja meg, hogy milyen valószínűséggel
lesz a következő időpontban egy elem az i állapotban, feltéve, hogy most is az i állapotban
van. A főátlóban szereplő értékek tehát a helybenmaradás, a nem-mozgás valószínűségét adják
meg, ezért az átmenetmátrix által leírt mobilitás számszerűsítése során kiemelt szerepük lesz
(erről még a későbbiekben lesz szó).
 Mivel az átmenetmátrix sztochasztikus mátrix, ezért sorai eloszlást adnak meg. Hogyan
értelmezhető az átmenetmátrix egy sora? Tekintsük pl. az i-ik sort. Az ai1 elem azt mutatja
meg, hogy milyen valószínűséggel mozdulunk át az i állapotból az 1-esbe. Az ai2 szerint az i-
ből a 2-esbe. Az általános, aij elem az i állapotból a j-be történő átmozdulás valószínűségét
adja meg, míg végül az utolsó, ain az i állapotból az n állapotba történő átmenet valószínűségét
adja meg. A mátrix i-ik sora tehát az összes szóba jöhető esetet sorra veszi, ahova az i
állapotból a következő időszakra az egyes elemek átkerülhetnek, beleértve az adott állapotban
maradás esetét is. Ezért a mátrix adott sora így valóban eloszlást fejez ki; azt mutatja meg,
hogy az i állapotból indulva, milyen a következő időszakra várható állapot eloszlása.
Az alábbiakban tekintsünk néhány tankönyvi példát átmenetmátrixra! Minden példánkban n=2 lesz,
azaz az állapottér elemeinek száma 2. A könnyebb értelmezhetőség kedvéért tételezzük fel, hogy az
alábbi példákban az egyes állapotok az átlagos alatti (1-es állapot) illetve átlagos feletti (2-es állapot)
jövedelmi szinteket jelentik.
Legyen az első példánk átmenetmátrixa A1.
 34 1

A1 =  1 4
3 
4 4 
E példában az átmenetmátrix főátlójában szereplő elemek értéke egyaránt ¾, azaz
annak valószínűsége, hogy egy átlagon aluli jövedelemmel rendelkező egyén a következő
időszakban is átlagon aluli jövedelemmel fog rendelkezni 75% , míg annak
valószínűsége, hogy az átlagosnál jobb jövedelmi pozíciót ér el mindössze 25%.
Hasonlóképpen értelmezhetőek az átmenetmátrix értékei az átlagosnál magasabb
jövedelmi kategóriájú egyénekre is.
Következő példánk átmenetmátrixát jelöljük I-vel.
1 0 
I = 
0 1 
Az I mátrix szintén átmenetmátrix, hiszen soraiban szereplő elemek összege 1. Ezen mátrix azonban
nagyon speciálisnak tekinthető a vizsgált mozgás szempontjából: az átlagosnál alacsonyabb jövedelmű
egyének 1 valószínűséggel maradnak átlagosnál alacsonyabbak, míg az átlagosnál magasabb
jövedelmű egyének 1 valószínűséggel maradnak az átlagosnál nagyobb jövedelműek. A jelen állapot
tehát ebben az esetben teljes egészében determinálja a következő időszakra várható állapotot
méghozzá anélkül, hogy bármilyen változás állna be az egyes elemek pozíciójában. Ezért ezt a
mátrixot a teljesen immobil rendszer átmenetmátrixának gondoljuk.
Következő példánk átmenetmátrixát Ip-vel fogjuk jelölni.
0 1 
Ip =  
1 0 

I és Ip mátrixok nagyon hasonló és mégis nagyon különböző rendszereket írnak le. Hasonlóak abban,
hogy mindkét esetben egyértelműen determinálja a jelen állapot a jövőre várhatót, és különböznek
abban, hogy Ip a teljes immobilitással szemben egy állandóan mozgásban lévő rendszert ír le. Mi
jellemzi ezt? A jelen időszakban átlagon aluli jövedelmű egyed a következő időszakra 1
valószínűséggel átlagon felüli jövedelmű lesz, és ha egy újabb periódus eltelik akkor újra 1
valószínűséggel átlagon aluli jövedelmi pozíció fogja jellemezni. Az Ip mátrix által leírt mozgás tehát
ciklikus.
Utolsó példánként tekintsük az alábbi A* mátrixot!

 12 1

A* =  1 2
1 
2 2 
Milyen az a mozgás, ahol a lehetséges jövőbeni állapotok kialakulásának valószínűsége minden
kezdeti állapotban azonos? Áltagosnál alacsonyabb jövedelmi szintről indulva egyaránt 50% a
valószínűsége annak, hogy maradunk a jelenlegi szinten, illetve annak, hogy az átlagosnál magasabb
jövedelmi szintet érünk el. Ez az eset ezért pontosan úgy interpretálható, mint amikor a jelen
állapotnak igazából semmilyen prediktív (előrejelző) ereje nincsen a várható állapot tekintetében, a
jövő képletesen szólva egy kockadobás bizonyosságával jelezhető csak előre.
Hasonlítsuk össze Ip és A* mátrixokat az általuk leírt mozgási folyamat mobilitása szempontjából!
Melyiket tekinthetjük vajon az I mátrix által leírt teljesen mobil rendszer ellenpólusának? Első
ránézésre az Ip mátrix nagyobb mozgást ír le, hiszen minden elem minden időszakban 1
valószínűséggel máshol lesz, mint ahol korábban volt. Mobilitás szempontjából azonban fontosabb az
a tulajdonság, hogy mennyiben determinálja a jelen állapot a jövőt, és ebből a szempontból az I mátrix
ellentéteként az A* mátrixot kell állítanunk. Az I mátrix esetében a jelen egyértelműen determinálja a
jövőt, és ez a determináció a stagnálás, míg A* esetében a jelen állapot semmit nem tud mondani a
várható állapotról.

Az előzőekben kifejtett gondolatot egyetlen számszerű mutatóba is összegezhetjük.

Az A átmenetmátrix által leírt mozgási folyamat által képviselt mobilitás mértékét az alábbi, ún.
mobilitási mutatóval számszerűsíthetjük:
n − ∑ a ii
M ( A) = (3/3)
n −1
azaz a mobilitási mutató az átmenetmátrix főátlójában szereplő értékeket használja a mobilitás
mérésére. Mi ennek az oka? Mint korábban említettük, a főátlóban szereplő értékek a változatlanságot,
az adott állapotban maradás valószínűségét mérik. Ezért ezen elemek összege a mobilitás
ellentételeként az immobilitás egy mérőszámát adja. A (5/3) képlet konkrét formáját az határozta meg,
hogy a fenti specifikáció révén az általunk meghatározott két szélsőséges mobilitást felmutató
mátrixok, I és A* esetén a (3/3) képlet speciális értékeket vesz fel. Számítsuk ki a teljes immobilitás és
teljes mobilitás esetére a mobilitási mutató értékét!
n − n(1)
M (I ) = =0
n −1
Az I mátrix esetében a főátlóban szereplő 1-esek összege éppen n, ezért a mobilitási mutató értéke
zérus. Az A* mátrix esetében a főátlóban szereplő 1/n értékek összege pedig 1, ezért a mutató éppen 1
értéket vesz fel.
n − n( 1n )
M ( A *) = =1
n −1
A gyakorlati alkalmazásokban érdekes esetekben a mobilitási mutató értéke e két szélsőséges érték
közé esik, így azt százalékos formában értelmezhetjük a mobilitás mérőszámaként.

A következő időszakra várható eloszlás

Térjünk vissza az átmenetmátrix elemeinek értelmezéséhez! Az átmenetmátrix egyes elemei a jelen

állapot ismeretében nyújtanak információt a következő állapotban várható állapotok bekövetkezési
valószínűségeiről. De gyakran szükség van arra, hogy a jelen állapot ismerete nélkül is tudjunk
valamit mondani arról, hogy milyen valószínűséggel lesz egy tetszőleges elem a következő időszakban
a j állapotban.
Ehhez az átmenetmátrixon kívül további információkra is szükség van. A következő időpontbeli j
állapotba tetszőleges állapotból el lehet jutni, így ahhoz, hogy a fenti kérdést megválaszoljuk,
szükséges a jelen állapot eloszlásának ismerete.
Tekintsük végig, hogy milyen állapotokból lehet a következő időszakra a j állapotba eljutni! Az 1
állapotból a1j valószínűséggel lehet a következő időszakra a j állapotba kerülni, és ha az 1 állapotban
az elemek p1 valószínűséggel tartózkodnak, akkor a teljes sokaság p1a1j aránya fog az 1 állapotból a j
állapotba átmenni egy időszak alatt.
Hasonló okoskodással láthatjuk a 2 állapot esetében is, hogy a p2a2j szorzat mutatja a sokaság azon
hányadát, amely várhatóan a 2 állapotból megy a j-be egy időszak alatt. Ha az összes állapotra
elvégezzük ezt a számítást, akkor ezen szorzatok összegeként éppen azt kapjuk, hogy milyen
valószínűséggel lesz egy elem a j állapotban egy időszakkal később. Jelöljük ezt a valószínűséget pj’-
vel, akkor a fenti okoskodás alapján ez éppen
 a1 j 
a 
 2j
 ... 
p ' j = ∑l p l a lj = [ p1 , p 2 ,..., p i ,..., p n ] 
 a ij 
 ... 
 
 a nj 
a kiinduló állapot eloszlásvektorának és az A átmenetmátrix j-ik oszlopának a skalár-szorzatával fog
megegyezni.
Ezt a gondolatmenetet tetszőleges j állapotra el lehet végezni, azaz tetszőleges állapotra
kiszámíthatjuk, hogy (függetlenül a kiinduló állapottól, pusztán a jelen pillanatra jellemző eloszlás
ismeretében) mekkora lesz az egyes állapotokba kerülés valószínűsége. Ehhez a jelen állapot
eloszlásvektorát az A átmenetmátrix minden oszlopával meg kell szoroznunk, azaz építve a lineáris
algebra elemi műveleteinek ismeretére, ezt lineáris algebrai jelölésekkel az alábbi formában írhatjuk
fel:
pt A=pt+1 (3/4)
ahol a t és t+1 indexekkel az egymást követő időpontokat fogjuk jelölni a továbbiakban.
Lényegében véve a fenti egyenletet tekinthetjük a Markov-láncok modellje alapegyenletének, ez
határozza meg az átmenet szabályát, a mozgás törvényét, amely az adott időpont eloszlásának
ismeretében meghatározza a következő időszakra várható eloszlást. Az átmenetmátrix ismeretében így
tetszőleges időpontbeli eloszláshoz készíthetünk előrejelzést a következő időszakra várható eloszlásra.
A modell ezen tulajdonsága révén fogjuk majd előrejelzések készítésére felhasználni.

A Markov-lánc tulajdonságai

Stacionaritás

Az itt tárgyalt Markov-ánc modellt ún. stacionárius Markov-áncnak is hívják. A stacioner jelző a jelen
esetben azt jelenti, hogy az i állapot elhagyásának valószínűsége független attól, hogy milyen régóta
tartózkodnak az egyes elemek az i állapotban. Az átmenetmátrix vonatkozásában ez úgy jelenik meg,
hogy a mátrix egyes elemei nem függnek az időtől.
Ez az általunk eddig nem nagyon bolygatott kérdés valójában nagyon fontos tulajdonsága a Markov-
láncnak, ezért is szentelünk most neki egy kis részt. Hogyan lehet ezt a tulajdonságot értelmezni? Az
átmenetmátrix idő-függetlensége egyfajta „történeti függetlenséget” takar: a múltnak nincsen nagyobb
hatása a jövőben bekövetkező folyamatokra, mint ami a jelen állapotból már kirajzolódik. Úgy is
fogalmazhatnánk, hogy a múlt csak a jelenre gyakorolt hatásán keresztül befolyásolja a jövőt,
közvetlenül nem.
A stacionaritás tulajdonsága matematikailag és statisztikailag egyaránt lényegesen könnyebbé teszi a
tárgyalás menetét és a módszer alkalmazását. A területi és társadalmi folyamatok vizsgálata során
azonban gyakorta bizonyul inadekvátnak. A gazdasági, népesedési, terjedési folyamatoknak az a
feltételezett tulajdonsága, hogy a mozgás valószínűsége független az adott állapotban tartózkodás
időtartamától sokszor intuícióellenes is, gondoljunk például a munkaerőpiaci folyamatokra. A
munkanélkülivé válás egyik igen gyakran emlegetett problémája éppen abban van, hogy minél tovább
munkanélküli valaki, annál nagyobb valószínűséggel vész el teljesen a munkaerőpiacról. A Markov-
lánc modell alkalmazásai során így, ha kiinduló hipotézisnek fel is kell tételeznünk a stacionaritást a
kutatónak meg kell győződnie arról (pl. stacionaritás tesztek elvégzésével), hogy a vizsgált jelenség
valóban felmutatja ezt a történeti függetlenség tulajdonságot, és ha szükséges, tovább kell lépni a
stacionaritás feloldása felé.

A t-lépéses átmenetmátrixok

Építsük tovább az előző gondolatmenetet, ne pusztán két egymást követő, t és t+1 időszakra
alkalmazzuk a (3/4) összefüggést, de egymást követő időpontok egész sorozatára. Ezt könnyen
megtehetjük, hiszen a (3/4) egyenlet rekurzív összefüggést ad meg: a két egymást követő időpontbeli
eloszlást egymásból származtatja.
Tekintsünk egy kezdeti időpontot, amit a továbbiakban 0-val fogunk indexelni. Ezen kezdeti időpontra
jellemző eloszlást jelölje p0. Ekkor az A átmenetmátrixszal jellemezhető Markov-lánc következő
időpontra várható eloszlását az (3/4) egyenlet szerint
p1 = p0A (3/5)
összefüggés írja le.
Mi lesz a második időpontra várható eloszlás? Újfent alkalmazzuk a (3/4) képletet, de egyben
helyettesítsük be (3/5)-öt is:
p2 = p1A= p0A2
ahol A2 az A átmenetmátrix négyzetét jelöli. Ezt a gondolatmenetet ismételve láthatjuk, hogy az
átmenetre vonatkozó (3/4) összefüggés felhasználásával egy tetszőleges időpontban várható eloszlást
ki tudunk számolni egy kezdeti időpontbeli eloszlás és az átmenetmátrix ismeretében, azaz
pt = p0At (3/6)
Mit tudunk mondani az átmenetmátrix hatványairól? Emlékezzünk, hogy az átmenetmátrix definiálása
során már említettük, hogy két átmenetmátrix szorzata szintén átmenetmátrixot ad. Ebből azonnal
következik, hogy mivel A2=A⋅⋅A, ezért A2 is átmenetmátrix. Egy tetszőleges időpontbeli eloszlást tehát
a kiinduló időpontbeli eloszlás és egy átmenetmátrix szorzataként kaphatjuk meg.
Hogyan lehet értelmezni az átmenetmátrix hatványainak elemeit? Ehhez bevezetünk egy új fogalmat:
mivel az A átmenetmátrix egy tetszőleges aij eleme azt mutatja meg, hogy milyen valószínűséggel lesz
a jelen pillanatban az i állapotban tartózkodó egyed a következő időpontban a j állapotban, ezért ezt
egylépéses átmenetvalószínűségnek is hívjuk. Hasonlóképpen juthatunk el A2 elemeinek az
értelmezéséhez!
A továbbiakban jelölje a ij( 2 ) az A2 mátrix i-ik sorának j-ik elemét. A mátrix szorzás műveleti szabályai
szerint ezen elem értékét az A átmenetmátrix elemeinek ismeretében az
aij(2 ) = ai1 ⋅ a1 j + ai 2 ⋅ a2 j + ... + ail ⋅ alj + ... + ain ⋅ anj
összefüggés szerint lehet kiszámítani. A fenti összeg egyes tagjai rendre azt mutatják meg, hogy
milyen valószínűséggel fog a t időpontban az i állapotban tartozkodó elem a t+1 időpontban átmenni
az l állapotba, majd onnan a t+2-ben a j állapotba. Az összeg egyik tagja tehát azt mutatja meg hogyan
lehet két időszak alatt, két lépésben eljutni az i állapotból a j-be valamelyik közbülső állapot
közvetítésével. Nyilván ha az összes lehetséges közbülső állapotra ezeket a valószínűségeket
összegezzük, akkor a közbülső állapotoktól teljesen független értéket kapunk, amely mindösszesen
három paraméter jellemez:
 az induló állapot, jelen esetben i;
 a cél állapot, jelen esetben j;
  és az eléréséhez szükséges lépések száma, jelen esetben kettő.
2
Az A átmenetmátrix egyes elemei tehát a két periódus alatti átmenetek valószínűségeit mutatják meg,
ezért e mátrixot kétlépéses átmenetmátrixnak nevezzük. Ezt a gondolatmenetet továbbvihetjük az
átmenetmátrix tetszőleges hatványára és ennek megfelelően az At átmenetmátrixot az A mátrix által
leírt Markov-lánc t-lépéses átmenetmátrixának hívjuk.

Az invariáns eloszlás

Mivel a Markov lánc modell a mozgásra, a változásra irányul, felmerül a kérdés, hogy van-e
nyugvópontja a modell által leírt rendszernek, elérhető-e olyan állapot, amikor a kialakult eloszlás már
nem változik tovább. Ezt az eloszlást invariáns vagy stacioner (néhány alkalmazásban ergodikus)
eloszlásnak hívjuk. Jelölje p* az invariáns eloszlást, nyilván erre érvényes lesz (3/4) alkalmazásából,
hogy
p* = p*A
amely mátrixegyenlet megoldásával megkaphatjuk a kérdéses eloszlásokat. Mivel egy n-ed rendű
sztochasztikus mátrix rangja legfeljebb n–1, ezért a fenti egyenletnek létezik megoldása. Az igazi
kérdés valójában az, mennyire lehet jellemzőnek tekinteni az invariáns eloszlást, a Markov lánc által
leírt mozgás a rendszert az invariáns eloszlás(ok) felé viszi-e?
Ennek a kérdésnek a megválaszolása messze túlmutat jelenlegi keretünkön, csak megemlítjük, hogy a
gyakorlati alkalmazásokban érdekes esetekben általában nagyon gyorsan kialakul az invariáns
eloszlás. A módszerhez kapcsolódó további matematikai-statisztikai kérdések (pl. a stacionaritás
tesztelésének) részletezése nélkül, végezetül egy példát mutatunk be.

3.4.4 Kistérségek jövedelemeloszlásának Markov-folyamattal történő modellezése

A vizsgálat során Magyarország 150 kistérségének egy főre jutó adóköteles jövedelmeinek
differenciálódási folyamait fogjuk elemezni. A vizsgálatban az 1988-1998 évtized folyamataira
koncentrálunk.
A vizsgálat célja a relatív jövedelmi pozíciók változásának feltárása, ezért a forintban kifejezett,
folyóáras adatokat minden egyes évben elosztottuk a kistérségek adott évi átlagos egy állandó lakosra
jutó jövedelmeivel, s így az egyes kistérségeket az átlagos jövedelem százalékában kifejezett
jövedelmek jellemzik. Így a vizsgálat 11 évére a vizsgálat tárgyát képező 150 kistérség relatív
jövedelmi pozícióját kifejező mutatót kaptunk, melynek időbeni változása képezi e vizsgálat tárgyát.
A számítások arra irányulnak, hogy meghatározzuk, mekkora valószínűséggel várható egy alacsony
jövedelmű kistérség felzárkózása. A valószínűségek meghatározása előtt ezért elsősorban el kell
különítenünk az „alacsony” illetve „magas” jövedelmű kistérségeket, azaz e kvalitatív jellemzőket
kvantitatív értékekre kell átváltanunk. A kistérségek ilyen jövedelmi kategóriákba sorolása lehetővé
teszi, hogy a rendelkezésre álló 10 éves időszak alatti mozgásokat megfigyeljük, s számszerűsítsük
átmenetvalószínűségek formájában.
A jövedelmi kategóriák elhatárolására több megközelítés is létezik. A problémát alapvetően az jelenti,
hogy a különböző „diszkretizálások” révén elvileg egymástól különböző eredmények és mobilitási
értékek adódhatnak. Gyakori megoldás az állapottér diszkretizálására az azonos számú megfigyelés
alapján történő választás. Ez azt jelenti, hogy oly módon alakítjuk ki az egyes jövedelmi kategóriákat,
hogy azokba közel azonos számú kistérség essen a megfigyelési időszakban. Az eljárás mellett szól,
hogy az így kialakuló kategóriák nem lesznek érzékenyek a szélsőséges elemszámok okozta mérési
torzításokra, ugyanakkor hátránya, hogy nem szaktudományi megfontolásokra épül, s nem feltétlenül
lehet tudományos alapokon magyarázatot adni az ily módon kialakuló határokra. A jelen
alkalmazásban ezen dilemma nem merült fel annyira élesen, hogy az a módszer ellen szólna; az
azonos megfigyelési egységek alapján elkülönített jövedelmi kategóriák nem képeztek olyan extrém
értékeket, hogy azokat mindenképpen el kellene vetnünk. Öt jövedelmi kategória esetén az ezen elv
alapján számított jövedelmi kategóriák és a kategóriába eső megfigyelési egységek számát mutatja a
3.3. táblázat.
A kiszámított jövedelmi kategóriákat az alábbiak szerint írhatjuk le. A kistérségek közel 20%-ában az
átlagos jövedelem mintegy felénél alacsonyabb értékeket vesz fel a jövedelemszint, ezen kistérségek
tartoznak a legalacsonyabb jövedelmi kategóriába. Az átlagos jövedelem fele és háromnegyede közé
eső jövedelmű kistérségeket soroltuk a második kategóriába, s ezek szintén közel az összes kistérség
20%-át teszik ki. Átlag alatti jövedelmű a kistérségek közel 60%-a, így a harmadik jövedelmi
kategóriába az átlag háromnegyedénél nagyobb, de az átlagos jövedelemnél alacsonyabb jövedelmű
kistérségek kerültek. Az átlagosnál magasabb jövedelemmel rendelkező kistérségek negyedik és
ötödik kategóriába sorolásához az átlag 136%-nál húztuk meg a határt.

Megfigyelések száma az 1 Megfigyelések száma a 10

Jövedelmi kategória lépéses átmenetmátrix számítása lépéses átmenetmátrix számítása
során során
– 0,49 296 30
0,49 – 0,76 302 33
0,76 – 1,02 300 28
1,02 – 1,36 304 31
1,36 – 298 28

3.3. táblázat Az egyes jövedelmi kategóriák határai az átlagos jövedelemszint százalékában

Az egy lépéses átmenetvalószínűségek mátrixa alapján a kistérségek jövedelmi mobilitása igen

alacsonynak nevezhető, mindössze 9,5% annak a „valószínűsége”, hogy az adott jövedelmi pozícióból
kimozdulnak egy év alatt (3.4. táblázat). Ezt úgy is fogalmazhatjuk, hogy tíz kistérségből kilenc
jövedelmi pozíciója várhatóan változatlan marad egyetlen év leforgása alatt. A mátrix főátlójában
szereplő értékek 1-hez közeli magas értékei is mutatják, hogy viszonylag alacsony az elmozdulás az
egyes kategóriákból.
A megfigyelt években nem volt arra példa, hogy valamelyik kistérség mindjárt két jövedelmi
kategóriát is váltott volna, ezt az mutatja, hogy a főátló melletti cellákat leszámítva, a többi mező
értéke zérus. Az általunk alkotott jövedelmi kategóriák esetében tehát viszonylagos stabilitást és kis
mértékű elmozdulásokat tapasztalhattunk a szomszédos kategóriákba.
Az ilyen típusú mobilitásvizsgálatok gyakori eredménye, hogy a főátlóban szereplő értékek között az
alacsony és magas jövedelmekhez tartozó valószínűségek magasabbak (0,98 és 0,96) szemben a
középső jövedelmi kategóriákhoz tartozó 0,89 és 0,91-es értékekkel. Ez azt jelzi, hogy a megfigyelt
mobilitás nagy része a közepes jövedelmi kategóriákban zajlott le: az alacsony és a magas jövedelmi
kategóriák esetében nagyobb valószínűséggel figyelhetünk meg immobilitást. Ez arra utal, hogy a
legalacsonyabb jövedelmű kistérségek felzárkózásának kisebb a valószínűsége, ahogy hasonlóképpen
annak is, hogy a magasabb jövedelmű kistérségek visszaessenek.
A középső rétegek esetében megfigyelhető magasabb mobilitás irányulhat felfelé és lefelé egyaránt. A
jelen esetben a két különböző irányba történő elmozdulás valószínűsége közel azonos. A
későbbiekben erre a kérdésre még visszatérünk, itt csak utalni szeretnénk arra, hogy a közepes
jövedelműeknél megfigyelt nagyobb mobilitás utalhat polarizációra: egy részük felzárkózik, más
részük leszakad, amely az összes kistérség vonatkozásában a jövedelmi különbségek növekedését is
előrevetítheti. Ennek pontos megítéléséhez azonban további számításokat kell végezni.

1 2 3 4 5
1 0,98 0,02
2 0,03 0,91 0,06
3 0,06 0,89 0,05
 4 0,06 0,89 0,06
5 0,04 0,96

3.4. táblázat Az egy lépéses átmenetvalószínűségek mátrixa,

mobilitási mutató értéke = 9,5%

A valószínűségek értékelése során azt is figyelembe kell venni, hogy az általunk képezett öt kategória
igen széles jövedelmi sávot ölel fel, amely eleve előrevetíti az alacsony mobilitást. Ha például egy
kistérség jövedelme egy adott évben az átlag 40%-át éri el, akkor ahhoz, hogy elérje a következő
kategóriához szükséges 50%-ot az kell, hogy az adott kistérség jövedelmének növekedése 20%ponttal
legyen magasabb, mint az átlag növekedése. Ez igen magas érték, és éppen az alacsonyabb jövedelmű
kistérségek esetében lesz ennek a növekedésnek a valószínűsége alacsony. Ha a következő jövedelmi
kategória határa nem 50%-nál, hanem pl. 42%-nál lenne, akkor az átlagot 5%ponttal meghaladó
mértékű növekedés elégséges ahhoz, hogy a kistérség másik kategóriába kerüljön. Ez is mutatja, hogy
a mobilitási mutató értékét fenntartással kell kezelnünk: annak értéke erősen függ attól, hogy hány
jövedelmi kategóriát hozunk létre. A jövedelmi kategóriák számát növelve magasabb mobilitást
találunk. A számításokat elvégeztük kilenc jövedelmi kategória esetében is, az eredményeket mutatja
az 3.5 táblázat.
Jövedelmi Megfigyelése
1 2 3 4 5 6 7 8 9
kategóriák k száma
– 0,34 166 1 0,96 0,04
0,34 – 0,53 164 2 0,04 0,92 0,04
0,53 – 0,68 166 3 0,06 0,87 0,07
0,68 – 0,81 168 4 0,11 0,82 0,07
0,81 – 0,96 167 5 0,07 0,85 0,08
0,96 – 1,13 166 6 0,10 0,83 0,07
1,13 – 1,32 168 7 0,09 0,80 0,11
1,32 – 1,67 165 8 0,12 0,86 0,02
1,67 – 170 9 0,03 0,97

3.5. táblázat Az egy lépéses átmenetvalószínűségek mátrixa,

mobilitási mutató értéke = 14,2%
Kilenc jövedelmi kategória esetében a mobilitási mutató értéke 14,2%-ra emelkedik, ugyanakkor a
korábban elmondottak továbbra is érvényesek. Továbbra sem jellemző, hogy egy kistérség egy év alatt
két kategóriát ugorjon, amelyet leolvashatunk az átmeneti mátrixból oly módon, hogy a főátló melletti
celláktól eltekintve, minden egyéb mező értéke zérus. A magasabbnak mért mobilitás továbbra is a
középső jövedelmi kategóriákra jellemző inkább, a felfelé illetve lefelé történő elmozdulás
valószínűsége nagyon hasonló, közel azonos.
A 10 év alatt várható változásokat az egy lépéses átmenetmátrix 10-ik hatványának számításával is,
illetve az adatokból történő közvetlen becslés révén is megkaphatjuk. Az előbbi esetében továbbra is
feltételezzük a stacioner átmenetmátrix létezését. A 10 év alatt végbement mozgások alapján számított
mobilitás értéke nagyobb lesz, mint amit egy lépésben, egy év alatt várható változások számítása során
tapasztalhattunk. Ezért önmagában az a tény, hogy a 10 lépéses átmenetmátrixot magasabb mobilitási
mutató jellemzi, nem hordoz többletinformációt a tényleges folyamatokról.
1 2 3 4 5
1 0,86 0,11 0,03
2 0,19 0,47 0,26 0,07 0,01
3 0,05 0,25 0,43 0,21 0,07
4 0,01 0,07 0,22 0,41 0,29
5 0,01 0,06 0,23 0,71

3.6. táblázat Az egy lépéses átmenetvalószínűségek mátrixának 10-ik hatványa,

a mobilitási mutató értéke = 53,1%
Meghatározó azonban az az információ, amit az egy lépéses mátrix 10-ik hatványával nyert 10 lépéses
átmenetmátrix (amelyet a továbbiakban az egyszerűség kedvéért számított 10 lépéses mártixnak
fogunk hívni) és a 10 év megfigyelt változásai alapján a relatív gyakoriságokból közvetlenül becsült
10 lépéses átmenetmátrix összevetésével nyerhetünk. A számított és becsült mátrixokból (3.6. és 3.7.
táblázatok) számított mobilitási mutatók értéke között igen jelentős eltérés mutatkozik: a számított
mátrix mobilitási mutatója 53,1% szemben a megfigyelt 37,1%-os mobilitási mutatóval. Az egy
lépéses mátrix hatványozásával nyert mátrix tehát túlbecsüli a tényleges mobilitást. Ezt láthatjuk abból
is, hogy a számított mátrix esetében mindössze három zérus értéket felvevő átmenetvalószínűséget
látunk, míg a becsült mátrix esetében az egylépéseshez hasonló módon a főátlóval szomszédos
elemeket leszámítva, a többi mező értéke mind zérus. Ugyanezt más oldalról megközelítve: a számított
mátrix főátlójának elemei rendre kisebbek a becsült 10 lépéses átmenetmátrix főátlójának elemeinél.
A mobilitás ilyen típusú felülbecslése nem szokatlan, általában azzal magyarázható, hogy a vizsgált
jelenség maga nem stacioner. A feltevés feloldása azonban további kutatásokat igényel. Jelen esetben
utalhat arra, hogy az egy lépéses átmenetmátrix alapján több évre előre készített predikciónk a
tényleges eloszlás torzított becslését adhatja.

1 2 3 4 5
1 0,93 0,07
2 0,18 0,64 0,18
3 0,18 0,57 0,25
4 0,23 0,52 0,26
5 0,04 0,11 0,86
3.7. táblázat A 10 lépéses átmenetvalószínűségek mátrixa,
a mobilitási mutató értéke = 37,1%

Az átmenetmátrix segítéségével készíthetünk előrejelzést a 10 év múlva várható eloszlásról oly

módon, hogy az 1998. évre jellemző eloszlás és az átmenetmátrix szorzataként előálló eloszlás lesz a
2008-ra várható jövedelemeloszlás (3.8. táblázat). Az átmenetmátrix vizsgálatánál korábban láttuk,
hogy az elsősorban a középső jövedelmi értékek esetében jelez előre mobilitást, s ennek konkrét
megvalósulását olvashatjuk le a. A jövőben várható eloszlás ugyanis arra utal, hogy a jelenben
végbemenő folyamatok elsősorban polarizációra utalnak: a legmagasabb és legalacsonyabb jövedelmi
kategóriákban lévő megfigyelések aránya növekedhet. Érdekes, hogy a harmadik jövedelmi kategória
esetében, melyben az átlag körüli kistérségek szerepelnek, a várható részarány megmaradt 20%-on. Az
alacsony és legmagasabb jövedelmi kategóriák arányának növekedése tehát elsősorban a szomszédos
jövedelmi kategóriákban végbement változás hatását nyeli el: a legalacsonyabb jövedelmi
kategóriának a növekedése a második kategóriából leszakadó, míg a legmagasabb jövedelmi
kategóriának a növekedése a negyedik kategóriából felzárkózó kistérségek révén alakulhat ki.
Ez természetesen nem azt jelenti, hogy ne lehetnének a legalacsonyabb kategóriából felzárkózó, illetve
a legmagasabb kategóriából visszaeső kistérségek, ezeknek a valószínűségét az átmenetmátrix első és
ötödik sorának főátlótól különböző értékei mutatják. Az egyes egyedi utak lehetnek a fenti sémától
eltérőek is, globálisan azonban a fent leírt folyamat lehet a jellemző, mely a sok kistérség egyedi
pályájának összegzésével kialakuló képet mutatja. Az 3.7. táblázatban található átmenetmátrix
mutatja, hogy 7% a valószínűsége annak, hogy a legalacsonyabb jövedelmi kategóriából induló
kistérség felzárkózzon a következő jövedelmi kategóriába, s 18% annak a valószínűsége, hogy a
második jövedelmi kategóriában található kistérség a legalacsonyabb jövedelműek közé visszaessen.
Így tehát nagy valószínűséggel mindkét esetre találhatunk majd példát, a folyamatok azonban nagy
valószínűséggel arra mutatnak, hogy a második jövedelmi kategóriában található kistérségek száma
csökkenhet a legalacsonyabb jövedelmi kategória javára (ezt itt természetesen a további erős
leszakadás jele).
 1998-ik évi 2008-ra várható
eloszlás eloszlás
1 0,23 0,25
2 0,19 0,16
3 0,20 0,20
4 0,17 0,15
5 0,21 0,24

3.8. táblázat A 10 lépéses átmenetmátrix alapján várható eloszlás35

A relatív jövedelmi pozíciók alapján felírt átmenetmátrix a jövedelmi mobilitiás 1988-1998 között
megfigyelt folyamatait próbálja meg számszerűsíteni. A mátrix segítségével adott előrejelzés a
megfigyelt és eddig lezajlott folyamat folytatódása esetén kirajzoló eloszlás egy becslését adja. A
módszer nem alkalmas tehát fordulópontok, várható strukturális változások „jóslására”, hacsak ezek
csírája nincsen már elrejtve a vizsgálati évek adataiban. A módszer további korlátját jelenti, hogy nem
tartalmaz „magyarázó változókat”, vagyis nem tudja integrálni a változó gazdasági környezet, jogi
szabályozás, földrajzi elhelyezkedés stb. tényezőket. A metodika ebben a formában azonban nem is
célozza meg ilyen típusú kérdések vizsgálatát. Amire azonban választ adhat, a lezajlott 10 éves
fejlődés főbb jellemzőinek meghatározása s ennek további folytatódása esetén várhatóan kirajzolódó
jövedelemeloszlás prognosztizálása.

35
A becslést a metodikai problémák miatt fenntartásokkal kell kezelni, pontosabb becslést a stacionaritás
feloldása és Monte Carlo-módszerek alkalmazásával lehet megadni.
 4 TÁRSADALMI JELENSÉGEK TÉRBELI
EGYÜTTMOZGÁSA

4.1 Általános szempontok

A területi folyamatok, a tagoltság vizsgálata szinte sohasem szűkül le egy-egy jelenség

(mutatószám) térbeli eloszlásának elemzésére (már a fajlagos adatok egyenlőtlenségeinek
mérésekor is két jelenséget, jellemzőt kapcsolunk össze), a térbeli együttmozgások elemzésében
azonban már kifejezetten a területi kölcsönhatások, esetenként az ok-okozati kapcsolatok is
megjelennek.

A kérdéskörhöz a matematikai-statisztika egyik generális módszercsaládja, a korreláció- és

regressziószámítás kapcsolódik legszorosabban. E fejezetet erre fűztük fel, területi jelenségek és
adatsorok példáit bemutatva. A módszertan általános statisztikai vonatkozásait átfogó
statisztikai módszertani munkák részletesen taglalják (Hunyadi L – Vita L. 2002, Mudruczó Gy.
1981, Moksony F. 1999).

A korrelációszámítás önmagában ritkán szerepel a területi elemzésekben, jelentőségét elsősorban az

adja, hogy kapcsolódik az összetettebb módszerekhez (például épp a regressziószámításhoz). Gyakran
alkalmazzák a korrelációszámítást azért is, mert számos bonyolultabb matematikai számítás használja
az így kapott eredményeket. E módszerek használata során újabban nagyon határozottan kombinálódik
a területi statisztika és a térelemzés szemlélete, egyre nagyobb hangsúly esik a területi adatok
autokorreláltságára → 4.3.

Szignifikancia

Mindkét módszer kapcsán talán a legfontosabb szabály, hogy használatuk, akkor vezet – egyéb
feltételek mellett – megbízható (szignifikáns) összefüggésekre, ha viszonylag nagy elemszámú
mintából, hosszú adatsorból számítjuk őket. Az erős szignifikanciájú, megbízható összefüggés –
leegyszerűsítve – azt jelenti, hogy a megfigyelési egységek körét véletlenszerűen újabbakkal
bővítve, nagy valószínűséggel nem változik az összefüggés iránya és szorossága. A nem-
szignifikáns kapcsolat esetében ez már nem áll. Könnyen belátható, hogy mindez szorosan
kapcsolódik a megfigyelési egységek számához, hisz például 1000 kísérlet (mérés, adatpár)
alapján mért kapcsolat aligha módosul, ha újabb, az 1001. esetet is hozzávesszük, de ugyanez
nem áll, ha csak 10 mérésünk van. Kis elemszámok, kevés megfigyelési egység esetében csak a
nagy abszolút értékű korrelációs együtthatók szignifikánsak. Formálisan számíthatunk ugyan
korrelációs együtthatót a 7 régióra vagy a 20 megyére, de ekkor kevés az alap az összefüggés
általánosítására, kiterjesztésére. A hazai területi szintek közül a kistérségek (ma: 168), a városok
(ma: 287) vagy az összes település (ma: 3152) adataival számított korrelációk már általában
megbízhatóak. (Ne tévesszük tehát össze a statisztika gyakorlatok egyszerű számpéldáit a
valóban érdemi következtetéseket lehetővé tevő tudományos elemzéssel!)

A korrelációs kapcsolatok szignifikanciáját azonban nem kizárólagosan az esetszám

befolyásolja, hanem a kapcsolat szorossága is. Egy erős (pl. 0,9 körüli) korreláció jóval kisebb
valószínűséggel változik egy újabb megfigyelési egységre vonatkozó adatpár hozzávételével, mint
egy korrelálatlan (0 körüli együtthatójú) kapcsolat. Végülis a szignifikancia az elemszám és a
szorossági szint együttes függvénye, az ún szignifikancia-tesztekben36, táblázatokban ez az
összefüggés tükröződik. A szignifikanciát a számítógépes programok többsége (pl. az SPSS is)
ellenőrzi.

36
Ezek koncepciója, leírása az említett matematikai-statisztikai kézikönyvekből megismerhető.
 4.2 Korrelációk

A korrelációszámítás valószínűségi változók (jelzőszámok, adatok) közötti kapcsolat szorosságának

meghatározására szolgáló eljárás. A korrelációszámítás lényege, döntő lépése a kapcsolat
szorosságának egy mutatószámmal történő tömör jellemzése, azaz a korrelációs együttható értékének
kiszámítása. A korrelációnak a regionális elemzésekben három, eltérő jelentést hordozó típusa
használatos:

• a közönséges lineáris korreláció azonos megfigyelési egységekre vonatkozó két adatsor

kapcsolatát méri. Matematikai jelölést használva itt az r = corr(xi yi) összefüggés adja a kapcsolat
mérőszámát (legismertebb a Pearson-féle korrelációs együttható). A lineáris korrelációs
együttható felfogható egyfajta sajátos egyenlőtlenségi mutatóként is.

• az autokorreláció (auto= önmagával vett) egyazon adatsor különböző (időben eltolt vagy térben
szomszédos) megfigyelési egységekre vonatkozó értékei közötti kapcsolatot méri.

A kapcsolat idősorokban, azaz az időbeli (k-ad rendű) autokorreláció esetében így formalizálható:
r = corr (xi xi-k),

Itt minden i-edik időponthoz tartozó xi értékhez ugyanezen x változónak egy k évvel eltolt (k évvel
korábbi) adatát rendelve számítjuk ki a korrelációs együtthatót. Ha k = 1, akkor minden év adatát a
megelőző év adatával korreláltatjuk. Az eltolás következtében természetesen az adatsor hossza k-val
csökken, hisz a kezdőévhez nem rendelhető hozzá korábbi év. A modellben értelemszerűen bármely
más időmérték (nap, hét, hónap stb) is szerepelhet.

A területi megfigyelési egységekre vonatkozó adatokból számítható területi autokorreláció

összefüggése: r = corr (xi xs(i) )

Ebben a modellben az i-edik megfigyelési (terület) egység xi adatához a vele szomszédos

területegységek (különböző módon számítható és értelmezhető) értékeit, legtöbbször átlagát, xs(i)-t
rendelve számítjuk ki a korrelációs együtthatót. A területi autokorreláció esetében is beszélhetünk
„rendről” (k). Az első rendű autokorreláció az első szomszédok adatait, a másodrendű a második (az
első szomszédokkal szomszédos) területegységek adatait rendeli az eredeti értékekhez.

A különböző korrelációk matematikai struktúrája ugyan nagyon hasonló, de tartalmuk lényegesen

különbözik. Míg a közönséges lineáris korreláció különböző adatsorok együttmozgását méri, a
területi autokorreláció kifejezetten a térbeli elrendeződés mérőszáma egy jelenségen belül37.

• a keresztkorreláció két adatsor különböző (időben eltolt vagy térben szomszédos) megfigyelési
egységekre vonatkozó értékei közötti kapcsolatot mér, azaz kombinálja a „normális”- és az
autokorrelációt (különterű és különidejű események).

Az időbeli keresztkorreláció matematikai sémája (megtartva a fenti jelöléseket):

r = corr (xi yi-k)

A területi keresztkorrelációban a következő összefüggés szerepel:

r = corr (xi ys(i) )

37
A szakirodalomban újabban vannak olyan kísérletek, amelyek a kétfajta közelítést integrálják. Lee, S-I. 2001
például egy olyan új indexet javasol, amely két térbeli eloszlást úgy hasonlít össze, hogy az eredményül kapott
mérték egyaránt tükrözi az együttmozgást (a lineáris korrelációt) és az alakzatok térbeli jellegét, azaz
autokorreláltságát.
 Ugyanezen logika alapján beszélhetünk autoregresszióról és keresztregresszióról is. Ott a
regressziós összefüggésekben szerepelnek a fenti módon definiált adatsorok. Az ún.
autoregresszív modellekben a vizsgált változó időbeli lefutásának matematikai-statisztikai
magyarázatára ugyanazon változó 1,2,3,...n időegységgel (évvel) eltolt, késleltetett adatainak
idősorát használják:
yt = f (yt-1, yt-2,.. yt-k ) + et

4.2.1 Lineáris korrelációs együtthatók

A LINEÁRIS KORRELÁCIÓS EGYÜTTHATÓK MINDEGYIKE -1 ÉS +1 KÖZÖTTI ZÁRT

INTERVALLUMON VEHET FEL ÉRTÉKEKET, EZEKNEK A KRITIKUS PONTOKNAK ÉS A
KORRELÁLTALANSÁGOT JELENTŐ 0 ÉRTÉKNEK MEGFELELŐ ÖSSZEFÜGGÉSEKET
ÁBRÁZOLTUK A 4.1. ÁBRÁN (A KÖZBÜLSŐ ÉRTÉKEK JELENTÉSÉRŐL LÁSD A 4.1.
TÁBLÁZATOT).

4.1. ábra A korrelációs együtthatók kulcsértékeinek megfelelő változókapcsolatok

Pearson-féle lineáris korrelációs együttható (Kiss János Péter)

A korreláció leggyakrabban használt mérőszáma. Két normális eloszlású; intervallum vagy arány
mérési szintű változó közötti kapcsolat mérésére használható, ha feltételezhető, hogy a két változó
között közelítőleg lineáris összefüggés van. (Lineáris összefüggés: az egyik változó értékeinek
arányában nőnek, vagy csökkennek a másik változó megfelelő értékei). E három feltételnek
egyidejűleg kell teljesülnie ahhoz, hogy a korrelációszámítást használhassuk. Viszonylag egyszerű
számítási módja és tartalmának könnyű felfoghatósága miatt azonban ezek egyikének-másikának
hiányában is gyakran alkalmazzák. A módszer legkevésbé a normalitási feltételre érzékeny, úgyhogy
az előzetes eloszlásvizsgálatot gyakran mellőzhetjük.

Képlete (a korábbi fejezetek jelölési konvencióit használva):

n

∑ (x i
− X )( y i − Y )
r= n
i =1

∑ (x
i =1
i
− X ) 2 ∑ ( yi − Y ) 2
i =1

A Pearson féle lineáris korrelációs együttható számítási lépései

A mutatószám az xi és yi változók értékeinek a számtani átlagaiktól számított eltérésein alapul. (Az eltérést
gyakran d-vel jelölik, ennek megfelelően egy adatsor 23.-ik helyén álló értéke esetében: dy 23 = y 23 − y .) Ha a
változók átlagtól számított eltéréseit páronként összeszorozzuk, majd ezeket összegezzük, akkor megkapjuk a
kapcsolat irányát – hiszen az azonos előjelű eltérések szorzata pozitív, míg a különböző előjelűeké negatív.
n n
{Matematikailag kifejezve ezt: ∑ (x
i =1
i − x ) ⋅ ( yi − y ) vagy egyszerűbben: ∑ (dx ⋅ dy ) }
i =1
i i

E szorzatösszeg nagysága azonban függ a megfigyelések (az összehasonlítandó adatpárok) n számától, illetve a
két változó mértékegységeitől, valamint szórásától is. Ahhoz, hogy egy általánosítható, további
összehasonlításokra alkalmas „dimenziótlan” mérőszámot kapjunk, ki kell szűrnünk ezeknek a tényezőknek a
hatását.

A cél érdekében először az eltérések szorzatösszegét elosztjuk a megfigyelések számával (azaz n-nel), vagyis a
kapott „eltérésszorzatok” számtani átlagát vesszük:
n

∑ (dx ⋅ dy )
i i
C= i =1

n
ahol C-t kovarianciának nevezzük.

Tulajdonképpen a kovariancia az a mutatószám, amelynek előjele megadja a két változó közötti kapcsolat
irányát, nagysága pedig alapul szolgál a kapcsolat szorosságának kifejezéséhez. Bizonyítható, hogy a
kovariancia értéke akkor maximális, ha az xi és yi változók közötti kapcsolat lineáris és függvényszerű. Ilyen
esetben a kovariancia az xi és yi változók szórásainak szorzatával egyenlő, azaz képlettel kifejezve (és a szórást
S-sel jelölve):

C = S ( xi ) ⋅ S ( y i )

Ha viszont nem függvényszerű a kapcsolat, akkor az eltérő mértékegységekből, illetve az eltérő szórásból adódó
különbségek kiszűrését az előbbi összefüggés alapján a

C
S ( xi ) ⋅ S ( y i )

képlet segítségével végezhetjük el. És ezzel elértük az eredeti célt, vagyis azt, hogy a korrelációs együttható
értéke az alkalmazási feltételeknek megfelelő bármely, és bármilyen egységben mért két változó esetén a {-1;
+1} intervallumba essen, azaz: az összefüggések erőssége összevethető legyen. Az eddigi lépéseket egy
képletben összegezi a fejezet elején leírt összefüggés.

A determinációs együttható a korrelációs együttható négyzete, értéke azt adja meg, hogy a változók egymás
szórásának hány százalékát magyarázzák.

Előjelkorreláció, rangkorreláció

Az előjelkorreláció gyors, tájékozódó jellegű számításokra használható, valamint bináris (0 és 1,

például kicsi-nagy értékekkel azonosítható) változók kapcsolatának mérésére.

u−v u−v
c= =
u+v n

A képletben n a megfigyelési egységek számát, u azokat az eseteket jelöli, amikor a két

összehasonlított adatsor összetartozó értékei azonos irányban térnek el az adatsor átlagától (vagy
mindkettő nagyobb, vagy mindkettő kisebb a saját átlagánál), v pedig azon esetek száma, ahol az
eltérés ellentétes (az összetartozó adatpárok közül az egyik a saját átlagánál nagyobb, míg a másik
kiesebb vagy fordítva). Ha az adatok megegyeznek az átlaggal, akkor mind u, mind v értéke 0,5.
A Spearman-féle rangkorreláció
n

6∑ d i2
R = 1− i =1

n(n 2 − 1)

A kifejezésben n jelenti a megfigyelési egységek számát, di pedig az összetartozó rangszámok

különbségeit. A Spearman-féle rangkorrelációval ordinális (sorrendi) adatskálán mért (vagy
ilyen adatskálára transzformált) jellemzők együttmozgása mérhető38.

A rangkorreláció a Pearson-féle lineáris korrelációból vezethető le (Kovacsics J. 1974, 198-

199. oldal), két nevezetes algebrai összefüggés felhasználásával39 az átalakításban, ezek:
Az első n természetes szám összege
n(n + 1)
∑x i
=
2
Az első n négyzetszám összege:
n(n + 1)(2n + 1)
∑x 2
i
=
6
A rangkorreláció értéke is -1 és 1 közötti lehet, csak 5-nél nagyobb esetszámra alkalmazható.

(Az első publikáció: C. Spearman 1904 The proof and measurement of association between two things.
American Journal of Psychology, 15, pp. 72-101.)
A korrelációs együtthatók értékeinek értelmezése
A fenti korrelációs együtthatók hangsúlyozottan a vizsgált jellemzők közötti lineáris kapcsolat
erősségét mérik. Értékeik (amelyek értelmezésekor gyakorta adnak meg jellemző
intervallumokat, egy ilyen osztályozást tartalmaz a 4.1. táblázat) nem lineáris kapcsolat esetében
megtévesztők lehetnek. Ha két jellemző közötti korreláció alacsony, akkor ez nem azt jelenti,
hogy nincs közöttük kapcsolat, csupán azt, hogy nincs lineáris kapcsolat.

r értéke A kapcsolat jellege

r=1 Lineáris függvénykapcsolat, egyenes arányosság van a két jellemző között
0,7 ≤ r < 1 Szoros kapcsolat, egyirányú együttmozgás
0,3 ≤ r < 0,7 Közepes erősségű kapcsolat, egyirányú együttmozgás
0< r ≤ 0,3 Gyenge kapcsolat, egyirányú együttmozgás
0 Nincs lineáris kapcsolat, a két jellemző korrelálatlan
-0,3 ≤ r < 0 Gyenge kapcsolat, ellentétes irányú együttmozgás
-0,7 ≤ r < -0,3 Közepes erősségű kapcsolat, ellentétes irányú együttmozgás
-1 < r ≤ -0,7 Szoros kapcsolat, ellentétes irányú együttmozgás
r = -1 Lineáris függvénykapcsolat, fordított arányosság van a két jellemző között

4.1. táblázat A korrelációs együtthatók értelmezése

Az erős korreláció csak két változó együtt járását, összefüggését mutatja, de nem ad magyarázatot az
ok–okozati viszonyokra. Annak eldöntéséhez, hogy melyik változó mozgatja a másik eloszlását, vagy netán
egy harmadik változó hatása bújik meg az összefüggés mögött, logikai magyarázat, illetve egyéb
vizsgálatok szükségesek.

38
Az első publikáció: C. Spearman 1904 The proof and measurement of association between two things.
„American Journal of Psychology”, 15, pp. 72-101.
39
A két összefüggés az algebra egyik sajátos módszerével az ún. teljes indukcióval bizonyítható.
A „puha” módszerekkel – pl. kérdőíves felméréssel – nyert adatok jelentős része ordinális mérési szintű, ezért
ilyenkor csak nagyon indokolt esetben célszerű megkísérelni a korrelációszámítást, és nagyon óvatosan szabad
értelmezni az eredményeket. Célszerűbb ilyenkor a már ordinális szinten is értelmezhető rang-, vagy előjel-
korreláció használata.

Az ismertetett számítási módból következően az adatsorok nagy és kicsiny értékű elemeinek viselkedése jobban
meghatározza a korrelációs együttható értékét, mint az átlag körüliek. Nagyon heterogén – nagyságrendnyivel
eltérő értékű – adatokat tartalmazó változók között számított korrelációs együtthatók jelentésének értelmezése
ezért bizonytalan. A probléma kiküszöbölése érdekében lehetőség szerint sohasem abszolút, hanem minden
esetben fajlagos (pl. lakosságszámhoz viszonyított) adatokból álló változók között kell korrelációt számolnunk.
(Ha pl. a magyarországi kistérségek 2000-es adóköteles összjövedelmének, és a diplomás lakosságuk számának
összefüggését számoljuk ki, Budapest és a nagyvárosok kiugró értékeinek köszönhetően valószínűtlenül magas,
+0.999 értékű korrelációt kapunk. A lakosságszámra vetített, „valódi” korreláció mindössze +0.784, vagyis erős,
de azért korántsem determinisztikus. Még jobban megvilágítja a probléma jelentőségét, ha az adóköteles
jövedelmet a 2000-ben kiosztott szociális segélyek összegéhez viszonyítjuk. Az abszolút adatokkal számítva
+0.553-as együtthatót kapunk, ami arra utalna, hogy a gazdagabb térségekben osztanak több segélyt. A fajlagos
adatok esetében viszont az összefüggés iránya megfordul, az együttható -0.519 lesz, vagyis szerencsére
megnyugodhatunk: a szociális háló működik, a segélyek a szegényebb térségekbe kerülnek nagyobb arányban.)
Ha a fajlagos értékek között is jelentős mértékű a heterogenitás, akkor érdemes a korrelációszámítást a kiugró
értékű adat kivételével is elvégezni. (Magyarország esetében ez a helyzet a megyesoros adatok korrelációival:
Budapesttel együtt számítva nemritkán jelentősen eltérő a korrelációs együttható értéke, mint csak a 19 megyét
alapul véve.)

Térségi szintenként, a területi aggregáció mértékétől függően a korreláció értéke eltérő: általánosságban minél
kisebb méretű, és minél több egységből áll egy adott térség, egyre alacsonyabb korrelációs együtthatót
valószínűsíthetünk40. Az előbbi példáknál maradva: a diplomások aránya és a fajlagos jövedelem közötti
kapcsolat a megyék szintjén kiszámítva 0,832-re erősödik, a települések esetében viszont 0,675-re csökken.
Hasonló a helyzet a szociális segélyekkel is: a települési szinten csak -0,445, a megyei szinten -0,603
együtthatójú az összefüggés a fajlagos jövedelemmel. A korrelációs együttható értékelésekor ezt a tapasztalati
összefüggést is célszerű figyelembe venni. Továbbá, egyebek mellett ezért sem célszerű például kis elemszámú
minták esetén – pl. a 7 magyar régióra – korrelációszámítást végezni.

Az eddigiekből is kitűnően a módszer alkalmazása és a kapott adatok értékelése nagyfokú óvatosságot igényel.
Ezt azért is érdemes külön kiemelni, mert a Pearson-féle korrelációs együttható számítása minden táblázat- és
adatbáziskezelő szoftverrel néhány gombnyomással elvégezhető, ami szintén fokozza népszerűségét, s teszi a
változók közötti kapcsolatok mérésének talán leggyakoribb módszerévé.

4.2.2 A súlyozás problémája a korrelációszámításban


A területi elemzésekben jellemzően használt adatsorok, indikátorok a területi megfigyelési
egységekre aggregált értékekből állnak. Ez az adatsorok jó néhány jellegadó értéke (például
átlaga) és paramétere (például szórása) esetén felveti a súlyozatlan illetve súlyozott értékek
kiszámítását. Ugyanez a probléma megjelenik a korrelációszámításban is, a súlyozás – mivel itt
két változó összekapcsolásáról van szó - azonban csak akkor lehetséges, ha a korrelációs
együttható esetében az összevetett két adatsorhoz azonos súly rendelhető. Ez számos esetben
megoldható: azonos időpontban mért, azonos vetítési alapú fajlagosok (pl. az egy főre jutó GDP
és a városi népesség aránya ugyanazon évben megyénként) esetében számítható súlyozott
korreláció (a közös súly ebben az esetben a megyék népességszáma lesz, s természetesen az
átlagok is súlyozottak).

Természetesen a két fajta korreláció értéke különbözni fog, mégpedig annál jobban minél
aggregáltabb rendszerrel dolgozunk (ami lényegében azonos azzal, hogy minél egyenlőtlenebbek

40
Itt csak utalunk az ún. ökológiai tévkövetkeztetés problémájára (részleteiben lásd Dusek T. 2004, 6. fejezet),
ami ugyancsak a különböző agggregációs szinteken végzett számítások közötti kapcsolatokat érinti, s
óvatosságra int az egy adott aggregációban megállapított összefüggések átvitelében más szintekre.
 a súlyok), sok megfigyelési egységből álló, dezaggregált rendszerek esetében a súlyok eloszlása
közelít az egyenleteshez, s így a kétfajta korreláció eltérése is csökken.

A közös súly hiánya miatt a legtöbb esetben azonban egyáltalán nem számítható súlyozott
korreláció (például az egy főre jutó GDP és az útsűrűség közötti korreláció számításakor
különböznek a súlyként szóba jövő volumenek, ez esetben a népesség illetve a terület, de
ugyanazon mutatószám különböző évre vonatkozó adatsorai esetében is változnak a súlyok).

Mindebből következően a területi adatokból számított korrelációk jellemzően nem az érintett

sokaságok egészét jellemző kapcsolatokat mérik, hanem olyan mintákét, amelyekben az egyes
területegységeket azok átlagának megfelelő számértékkel reprezentáljuk.

4.3 Szomszédsági hatások: területi autokorreláció

A korábban bemutatott korrelációs mérőszámok kifejezetten „térmentesek”, még akkor is, ha

területi adatokból számítjuk őket. Ugyanakkor megfogalmazható az a kérdés, vajon milyen
kapcsolatban vannak (korrelálnak-e vagy sem) az egymáshoz közeli területegységek jellemzői. A
térbeli egymásrahatások az egymáshoz nagyon közeli, szomszédos helyek között a
legvalószínűbbek. Újabban épp e hatásra utalva gyakran idézik Waldo Tobler amerikai
geográfus-kartográfus professzor41, „első törvényét”. Hogy a „közelhatás” és az együttmozgás
milyen jelenségekben van meg, s milyen mértékű, ez az ún. területi autokorrelációs módszerrel
számszerűsíthető.

A modern kor gazdasági folyamatainak sajátos ellentmodása (Quah, D. T. 1996), hogy miközben
a modern gazdaságról elterjedt az a vélemény, hogy mivel „anyagmentes”, nincs szüksége térbeli
koncentráltságara, agglomerációra, izolált szigetként is létezhet. Ez azonban távolról sincs így. E
„térmentes” új időkben különösen felértékelődött a területi autokorreláció problémája (azaz
maga a térben való lét szempontja).

A területi autokorrelációs együttható kiszámítása fontos kvantitatív lehetőség arra, hogy az

egymásrahatás (a "közelhatás"), az együttmozgás szorosságának mértékét különböző jelzőszámok
között azonos területi mintában, illetve azonos jelzőszámokét különböző mintákban
összehasonlíthassuk. A pozitív területi autokorreláltság regionális tudományi szempontból annak
matematikai bizonyítéka, hogy a szomszédság (a közelség) az adott jelenségben egymásrahatással,
hasonulással jár. A térbeli autokorreláltság hiánya a társadalmi térben inkább kivétel, mint teljesülő
feltétel.

Az autokorreláció fogalma először az idősorok matematikai-statisztikai elemzéséhez kapcsolódva jelent

meg. Bevezetéséhez az a felismerés vezetett, hogy számos gazdasági és társadalmi folyamat (pl. a gazdasági
növekedés) lefutására, jövőbeni alakulására nemcsak "külső" tényezők hatnak, hanem magának a
jelenségnek a vizsgált időpontot megelőző állapotai is. (Ilyen „belső” jellemző a gazdasági növekedés
ciklikussága.) Könnyen belátható, hogy az elsőfokú időbeli autokorrelációs együttható értéke lineáris
növekedés esetében 1. Éves periódusban ingadozó, oszcilláló, alternáló (pl. 0 és 1 értékeket váltakozva
felvevő) idősorokban -1, véletlenszerűen hullámzó idősorokban pedig 0. Autoregresszív modellek
természetesen használhatók területi idősorok regresszióelemzésére is. Az autokorreláció fogalma és
használata a regionális tudományokban azonban nem ezt jelenti (hisz a jelzett esetben továbbra is
idősorokról van szó, csak területi megfigyelési egységekben).

41
Tobler, W. A. 1970 Computer Model Simulating Urban Growth in the Detroit Region. „Economic
Geography”, 2., pp. 234-240. c. tanulmányában a „földrajz első törvényét” így fogalmazta meg: „everything is
related to everything else, but closer things are more closely related” (nagyjából így: „minden mindennel
összefügg, de a közelebbi dolgok erősebben hatnak egymásra”.
 A sorbarendezettség szempontját nemcsak időben, hanem más dimenziók mentén is érvényesíthetjük. Ilyen
lehet például a nagyság szerinti rendezés. E logika szerint vizsgálható például a települések bármely
jellemzőjének autokorreláltsága a lélekszám mentén (az ilyen vizsgálatok vélhetően nagyon erős pozitív
autokorreláltságot mutatnak ki).

A területi autokorreláció illetve autoregresszió olyan területi modell, amely egy adott társadalmi
jelenségnek egy adott helyen, illetve a hellyel szomszédos helyeken mért értékei közötti kapcsolatot,
összefüggést mutatja ki. A területi autoregresszív modell – az idősorok analógiájára és a
szomszédság fogalmát felhasználva – az adott jelenség térbeli eloszlását, ugyanazon jelenségnek a
hely közeli vagy távolabbi környezetében felvett értékeivel írja le, magyarázza → 4.5.1.

A területi autokorreláció fogalmához az idősor autokorrelációjában megjelenő időkategóriák térbeli

megfelelőjének megtalálásán keresztül vezet az út. Ez az időkategória az előtt (illetve után) fogalma,
amely az idő linearitása következtében jól meghatározott. A neki megfelelő térkategória a
szomszédság.

A területi elemzések egyik alapkérdése arra vonatkozik, hogy a vizsgált jelenség területi eloszlásában
felfedezhető-e valamilyen szabályszerűség, vagy pedig véletlenszerűnek mondható-e az adatok területi
eloszlása. Szabályszerű elrendeződés esetén az egymással szomszédos területegységek adatai
egymáshoz hasonlóak lesznek, a nagy érték közelében nagy értékeket találunk (pozitív
autokorreláció), vagy épp ellenkezőleg, a szomszédos területek különböznek egymástól, a nagy értékű
területek mellett kicsik és a kicsik mellett nagyok helyezkednek el (negatív autokorreláció). A vizsgált
térrész egészére jellemző szabályszerűségből az egyedi területegységek szomszédainak értékeire is
következtethetünk, illetve a szomszédok ismeretében az adott területegységre vonatkozóan vonhatunk
le valószínűségi jellegű állításokat. Autokorrelálatlanság esetén az egyes értékek véletlenszerűen
szóródnak a térben, a területi különbségek nem rajzolnak ki szabályos térbeli mintázatot.

A 4.2. ábra bináris (fekete-fehér) sakktáblamodellje az alábbi öt esetet érzékelteti:

A extrém negatív autokorreláltság

B diszperz eloszlás
C térbeli függetlenség
D térbeli koncentrálódás (klasztereződés)
E extrém pozitív területi autokorreláltság

4.2. ábra A területi autokorreláltság alapesetei egy sakktábla-modellben

A területi autokorreláltság nemcsak a térkapcsolatok tükrözi, de mérési gondokat is okoz a

statisztikai vizsgálatokban. A területi autokorreláltság (pl. az egymás melletti területegységek
visszatérően hasonló ismérvértékei) olyan torzulásokat okozhat a statisztikai elemzésben, mint
amikor egy „ideális” mintavételes eljárásban egy mintául vett adatot többszörösen
szerepeltetnénk az elemzésben, hatása módosítja, mind az átlagot, mind a szórást.
A kérdésről térképi ábrázolás révén vizuális úton kaphatunk benyomásokat, a területi autokorrelációt
mérő különböző indexek segítségével pedig számszerű információ formájában kapunk választ rá.

A területi autokorreláció mérésére többfajta index és eljárás létezik, amelyek egyes lépéseikben (pl. a
szomszédság értelmezésében vagy az ezt azonosító szomszédsági mátrixban) különböznek, de a cél
mindenütt azonos, a térbeli együttmozgás számszerű mérése. A következőkben a legelterjedtebb
területi eutokorrelációs mutatókat ismertetjük.

A Moran-féle I és a Geary féle c (Dusek Tamás)

A területi autokorreláció mérésére szolgáló első, Moran által 1950-ben javasolt és azóta
leggyakrabban használt mérőszám képlete a következő42:

I = (N/ΣDij)*ΣΣ(xi–x)*(xj–x)*Dij/ Σ(xi–x)2

ahol (xi–x)*(xj–x) a területegységek tartozó értékek és az átlagok különbségének a szorzata, Dij a

szomszédsági kapcsolatokat leíró mátrix, N a területegységek száma.

A mutató az alábbi tartományokban a következő módon értelmezendő (Cliff – Ord, 1973, 1981):
I>-1/N-1, pozitív térbeli autokorreláció,
I=-1/N-1, nincs térbeli autokorreláció,
I<-1/N-1, negatív térbeli autokorreláció.

Gyakorlatilag a nullához közeli értékek az adatok véletlenszerű térbeli eloszlását jelzik, az adatok
eloszlása nem terület- és szomszédságfüggő. Ekkor az egyes területegységek szomszédságában
ugyanolyan valószínűséggel találunk nagyobb és kisebb értékű területeket is. A szélsőértékek
nagysága nem adható meg olyan egyértelműen, mint a korrelációs együtthatónál, mert nagyságuk függ
a Dij mátrixban rögzített területi konfigurációtól is. A maximális 1-es értéket végtelen vagy folytonos
tér esetén érhetné el, illetve ha a vizsgált terület két, belsőleg homogén, de egymással szomszédsági
kapcsolatban nem álló területegységre oszlik. A minimuma szintén a végtelenben közelít a -1-hez.

A regionális elemzésben manapság sokat tesztelt európai regionális fejlettségi tagoltságot vizsgálva 1980-1995
távlatában, az EU régióinak egy lakosra jutó GDP-je tükrében Le Gallo, J. (2002), egy stabilan magas 0,75 és
0,8 közötti pozitív (Moran) területi autokorrelációt mért. Igazolva ezzel a térbeli folytonos átmenet, a
fejlettségi zonalitás markáns jelenlétét a térség gazdasági tagoltságában. Az adóköteles jövedelemek hazai
területi autokorreláltságát vizsgálja Dusek T. 2004.

A Geary által 1954-ben javasolt, a Moran-féle I-nél ritkábban használt folytonossági mutató képlete,
az előbbi jelölésekkel:

c = (N-1/2ΣDij)* ΣΣDij(xi -xj)2/Σ(xi-x)2.

A mutató a következő értékeket veheti fel (Cliff – Ord, 1981):

c<1, pozitív térbeli autokorreláció,

c=1, nincs térbeli autokorreláció,
c>1, negatív térbeli autokorreláció.

A maximális és minimális értékek nagysága ebben az esetben is a szomszédsági mátrixtól függ.

42
Az eredeti forrás: Moran P. A. P. 1950 Notes on continuous stochastic phenomena, „Biometrica”, 37., pp. 17-
23
Mindkét mutató használható ordinális, intervallum és arányskálán rendelkezésre álló adatok
elemzésére, a nominális adatokéra pedig alternatív ismérvekké történő átalakításuk után. A mutatók
konkrét értékét és eloszlásfüggvényét is két tényező határozza meg:
1. A vizsgált jellemző területi eloszlása.
2. A szomszédsági kapcsolatok megállapítása és a szomszédsági mátrix súlyai, ami összefüggésben
áll a vizsgált terület alakjával és nagyságával.

Ezek közül az első tényező a konkrét érték szempontjából, a második tényező az eloszlásfüggvény
alakja miatt fontosabb. Az eloszlásfüggvény vizsgálatát az eredmények megfelelő értékelése követeli
meg.

A szomszédsági mátrix

A területi autokorreláció számításának előfeltétele a szomszédsági kapcsolatok megállapítása és a

szomszédsági mátrix összeállítása. A szomszédsági mátrix N sorból és N oszlopból áll, i-edik sorának
j-edik elemének értéke az i-edik és j-edik területegység szomszédságának hiányában 0,
szomszédságuk esetén 0-tól különböző (a 4.2. táblázatban szereplő szomszédsági mátrixban a
szomszédos megyékhez rendelt nem-0 értéket az határozza meg, hogy egy megyének hány szomszédja
van. Ha N, akkor egy-egy szomszédhoz a mátrixban 1/N érték – itt két tizedesre kerekítve – tartozik, s
így a sorokban szereplő értékek összege 1. Az ilyen mátrixot sor-normalizáltnak hívják.). A
megállapodás szerint a területegységek saját maguknak nem szomszédjai, vagyis a mátrix diagonális
elemei nullák.

Bp Bar Bacs Bek Baz Cso Fej Gyor Haj Hev Kom Nogr Pest Som Szab Szo Tol Vas Ves Zal
Bp 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
Bar 0 0 0,33 0 0 0 0 0 0 0 0 0 0 0,33 0 0 0,33 0 0 0
Bacs 0 0,17 0 0 0 0,17 0,17 0 0 0 0 0 0,17 0 0 0,17 0,17 0 0 0
Bek 0 0 0 0 0 0,33 0 0 0,33 0 0 0 0 0 0 0,33 0 0 0 0
Baz 0 0 0 0 0 0 0 0 0,20 0,20 0 0,20 0 0 0,20 0,20 0 0 0 0
Cso 0 0 0,33 0,33 0 0 0 0 0 0 0 0 0 0 0 0,33 0 0 0 0
Fej 0 0 0,17 0 0 0 0 0 0 0 0,17 0 0,17 0,17 0 0 0,17 0 0,17 0
Gyor 0 0 0 0 0 0 0 0 0 0 0,33 0 0 0 0 0 0 0,33 0,33 0
Haj 0 0 0 0,25 0,25 0 0 0 0 0 0 0 0 0 0,25 0,25 0 0 0 0
Hev 0 0 0 0 0,25 0 0 0 0 0 0 0,25 0,25 0 0 0,25 0 0 0 0
Kom 0 0 0 0 0 0 0,25 0,25 0 0 0 0 0,25 0 0 0 0 0 0,25 0
Nog 0 0 0 0 0,33 0 0 0 0 0,33 0 0 0,33 0 0 0 0 0 0 0
Pest 0,14 0 0,14 0 0 0 0,14 0 0 0,14 0,14 0,14 0 0 0 0,14 0 0 0 0
Som 0 0,20 0 0 0 0 0,20 0 0 0 0 0 0 0 0 0 0,20 0 0,20 0,20
Szab 0 0 0 0 0,5 0 0 0 0,5 0 0 0 0 0 0 0 0 0 0 0
Szol 0 0 0,14 0,14 0,14 0,14 0 0 0,14 0,14 0 0 0,14 0 0 0 0 0 0 0
Toln 0 0,25 0,25 0 0 0 0,25 0 0 0 0 0 0 0,25 0 0 0 0 0 0
Vas 0 0 0 0 0 0 0 0,33 0 0 0 0 0 0 0 0 0 0 0,33 0,33
Vesz 0 0 0 0 0 0 0,17 0,17 0 0 0,17 0 0 0,17 0 0 0 0,17 0 0,17
Zala 0 0 0 0 0 0 0 0 0 0 0 0 0 0,33 0 0 0 0,33 0,33 0

4.2. táblázat A magyar megyék közötti szomszédsági relációk sor-normalizált mátrixa

Pontalakzatok és területalakzatok esetében sem kerülhető el a szomszédság megállapításánál az

önkényes elem, akár szabályos, akár szabálytalan alakzatokról legyen szó. (4.3. ábra).
Pontalakzatoknál – amelyeknek a gazdasági-társadalmi elemzésben például a települések, lakóházak,
kereskedelmi egységek felelhetnek meg – a távolság függvényében lehet kijelölni a szomszédsági
relációkat. Például minden pontnál a legközelebb fekvő első kettő-hat pontot lehet szomszédnak
tekinteni, vagy bizonyos távolságon belül lévő pontokat szomszédnak venni, vagy a két módszer
kombinációjával.
 a, szabálytalan pontalakzat b, szabályos területalakzat

A
A

két lehetséges szomszédságértelemzés:

"A" területegységnél: vezérszomszédság

"A" pont lehetséges szomszédai a legközelebbi
négy pontot szomszédnak értelmezve "B" területegységnél: bástyaszomszédság

4.3. ábra Pontalakzat és területalakzat; példák a szomszédságértelmezésekre (Dusek T. 2004,

a 25. ábra részlete)

Egy svéd példában (Lundberg, J. 2002) a szomszédság többfajta értelmezésével találkozhatunk: A svéd
megyék jövedelmét 4 legközelebbi szomszéd sávot felállítva vizsgálták (ahol „szomszédnak” 1, 2, 5, 10
legközelebbi megyét tekintettek), de használták osztályozási szempontként a megyeközpontok közötti utazási
időt (30. 45, 60, 75 perces körzeteket lehatárolva), szerepelt a vizsgálatban az egyszerű közös határral való
összekapcsoltság is. A szomszédság meghatározásának ugyancsak különböző alternatíváit használja Aten, B. –
Heston, A. (2003), akik világméretű vizsgálatukban közel 900 területegységet - országot, régiót – elemeztek a
jövedelmi autokorreláltság globális illetve lokális jellemzői szerint. Előbbiben a teljes rendszerre számítottak
Moran-féle autokorrelációkat, utóbbiban az egyes területegységeket vetették össze „szomszédaikkal”.
Különösen élesen elüt például fejlettsége tekintetében környezetétől Európában Helsinki, Ázsiában Szingapur
városrégiója, az országok közül Izrael és Jordánia, valamint Haiti és a Bahamák esetében párosul a földrajzi
közelség nagy jövedelmi lépcsővel.

Területalakzatoknál – amelyeknek megfelelhetnek például országok, megyék, de a települések is –

maga a szomszédság léte bizonyos szempontból objektívabb módon dönthető el, amennyiben
többnyire egyszerűen a közös határvonallal rendelkező területeket tekintjük szomszédoknak. Az ilyen
módon megállapított szomszédság szimmetrikus lesz, „A” területegység szomszédja lesz „B”
területegységnek és fordítva. Ezen túlmenően azonban a szomszédság mértékét számos módon lehet
súlyozni, például a közös határvonal hossza szerint, a régiókat összekötő hálózatok száma és minősége
szerint, ténylegesen megfigyelt áramlások alapján és ezek bármilyen kombinációjával. A módszert
tovább lehet bonyolítani a szomszédok szomszédainak, azok szomszédainak stb. számbavételével
(másod- , harmad-, n-ed rendű autokorreláció).

A súlyozás az elmondott sokféle szempont érvényesítése miatt nem mindig egyszerű feladat. Minden
igényt kielégítő mátrixot azért sem lehet összeállítani, mert a térkapcsolatokra vonatkozó összes
információ nem áll a rendelkezésre, mindig csak a statikus állapotokat lehet felmérni. Ez mégsem
jelent tényleges problémát, sőt, a többféle súlyozással előállított eredmények összehasonlítása
lehetőségeket rejt magában. Ha többféle mátrixszal elvégezzük ugyanazon adatokra vonatkozóan a
számításokat, és jelentősen eltérő eredményeket kapunk, akkor azzal a feltételezéssel élhetünk, hogy
az alkalmazott súlyozásban megjelenő tényező (távolság, népességszám, határvonal hossza stb.)
tényleges befolyást gyakorol a vizsgált jelenség területi kapcsolatainak intenzitására.

A területi autokorreláció bemutatott mérőszámai a teljes adatrendszer térszerkezetéről nagyon

összevont információt adnak. Készíthetők azonban olyan (jövedelmi) térképek (4.4. ábra),
amelyekben minden területegységet magának illetve a szomszédainak a jövedelszintje szerint típusba
sorolunk. Kétszer-kettes osztályozásnál például a magas (átlag feletti) illetve az alacsony (átlag alatti)
jövedelem kombinálható a szomszédok átlagos értékeinek magas illetve alacsony jövedelmi szintjével.
Az ábrán HH jelöli a vidéki átlagnál magasabb jövedelmű és szomszédú kistérségeket, LL pedig az
átlag alatti jövedelemszint lokális egymásmellettiségét (ez a legszámosabb térségtípus). A HL és LH
kategóriák esetében ellentétes a körzet és szomszédeinak jövedelmi (fejlettségi) pozíciója (H = átlag
feletti, L= átlag alatti jövedelemeszint). A két térkép határozott regionalizálódást igazol. Jól látszik az,
hogy mára a Dunántúl északnyugati zónája szinte egységes magas jövedelmű térséggé vált – a
kilencvenes évek elején még inkább csak a fővárosközeli terekre, s az onnan kiinduló tengelyekre volt
jellemző a relatív stabilitás. Érzékelhető a Sajó-völgy vagy a Dél-Dunántúl markáns visszaesésese, s
az északi és keleti jövedelemi perifériák széles zónája. Az ország közepén átmeneti lokális
viszonyokat tapasztalunk, a problematikus zónákban mindenütt kiugranak a nagyobb városok,
megyeszékhelyek térségei43.

4.4. ábra Az egy lakosra jutó adóköteles jövedelem lokális hasonlósága 1990-ben (fenn) és 2003-ban (lenn)

43
Hasonló logikájú térképek a jövedelem-dinamikát vizsgálva is készíthetők. Ezzel tesztelhető például az, hogy a
gyors vagy lassú növekedés is jól körülhatárolható térbeli „klasztereket” rajzol-e ki vagy sem. Az
autokorreláltság tetszőleges területi alrendszerekben, például az ország nagyrégióin belül külön-külön is
vizsgálható (ezt lásd Dusek T. 2004. 10.8. fejezet).
 F: Lőcsei H. számításai és szerkesztése

Local Moran I


E térképek tovább finomíthatók a területi autokorreláltság lokális mérőszámának
felhasználásával. Ilyen index például az, amelyben minden területegység kiválasztott
indikátorának (pl. egy lakosra jutó jövedelem) standardizált értékét → 2.5.2 összeszorozzák a
szomszédos területegységek együttes átlagos standardizált értékével (3 szomszéd esetén
minden szomszéd standardizált jövedelemértéke 1/3-os súlyt kap). A kiválasztott
területegység és szomszédai így meghatározott adatának szorzatát nevezi a szakirodalom (Luc
Anselin amerikai térstatisztikus nyomán) Local Moran I-nek. Az index pozitív értéke hasonló
jellemzők (itt: jellemzően átlag feletti vagy átlag alatti jövedelemszint) helyi koncentrációját
jelzi, a 0-közeli érték a jövedelemszintek véletlenszerű egymásmellettiségét jelzi, míg a
negatív index arra utal, hogy az adott területegység és környéke a vizsgált indikátor (azaz e
példában a jövedelemszint) szempontjából erősen különbözik. A standardizálás azzzal az
előnnyel jár, hogy a legkülönbözőbb dimenziójú jelzőszámok lokális autokorreláltsági sémája,
s az egyes területegységek sajátosságai is összevethetővé válnak, hátránya a mutatónak, hogy
nem korlátos. Az I indexek térképezhetők, s ekkor már – eltérően a 4.4. térképtől – négynél
több kategória is érzékeltetheti a lokális együttmozgást. A lokális és globális autokorrrelációs
mérőszámok között direkt matematikai kapcsolat van: egy adott térrészben (pl. ország)
minden egyes területegységre (pl. N kistérségére) kiszámított lokális autokorrelációs indexek
összege egyenlő az előzőekben bemutatott globális Moran index (I) N-szeresével.

Tulajdonképp leginkább a lokális területi autokorreláltság gondolati vonalához kapcsolható Tiner

Tibor területi feszültség-vizsgálata is (Tiner T. 2003), amelyben a szerző a személygépkocsi-
ellátottság megyei differenciáltságának példáján azt firtatja, hogy a szomszédos területegységek
ellátottsági szintjében mekkorák a különbségek (a „feszültség” nála egy ellátottsági lépcsőt jelent két
szomszédos megye között). Az említett vizsgálatban ugyan kérdéses, hogy a statisztikai alapon
meghatározott feszültség generál-e kölcsönhatást, más kutatások (például a fejlettségi értelemben
nagyon különböző területeket elválasztó határzónák vizsgálata) azonban kétségkívül arra utalnak,
hogy a fejlettségi lépcsők – amennyiben erre egyébként van mód – áramlásokat indítanak el (lásd
hazánk keleti határait).

4.4 Regressziószámítás a területi elemzésben (Németh Nándor)

A különböző korrelációs együtthatók a változók közötti együttmozgások nagyon tömör mérőszámai.

Jelzik ugyan az együttmozgásokat vagy épp a teljesen véletlenszerű értékkombinációkat a
megfigyelési egységekben, de a kapcsolat további részleteinek feltárásához újabb eszközökre van
szükség. Ezeknek talán legfontosabbika a regresszió-számítás, amely a változókapcsolatokat
valószínűségi (sztochasztikus) függvénykapcsolatként értelmezi és írja le. A valószínű jelleg azt jelenti,
hogy a két (vagy több) adatsort a kiválasztott függvény a regressziószámításban csak bizonyos
„hibával” illeszti össze. A regressziós kapcsolat a regressziós függvény által magyarázott rész és a
hibatag összege44.

44
Kötetünk részleteiben nem tárgyalja az idősorok regresszió-elemzését az ún. trendszámítást. Ennek kapcsán
jegyezzük meg, hogy a legújabb elemző szakirodalomban gyakran találkozhatunk ún. panel-elemzésekkel is,
amelyekben területi idősorok együttes regresszióelemzését végzik. A The Econometrics of Panel Data: A
Handbook of the Theory With Applications (Advanced Studies in Theoretical and Applied Econometrics, Vol 33)
ed. Laszlo Matyas, Patrick Sevestre, Kluwer Print on Demand, 1996. c. kézikönyv áttekinti a
legfontosabb panel módszereket.
4.4.1 Függő és független változók

Az eljárás bemutatását a két adatsort összekapcsoló, kétváltozós regressziószámítással kezdjük.

A kétváltozós regresszió lényege: olyan y = f(x) függvény megtalálása, amely minden megfigyelt xi-re
a megfelelő yi-hez lehetőleg legközelebbi értéket adja (azaz x értékei alapján kis hibával becsülhetők y
értékei). A két változó közötti összefüggést legjobban közelítő függvények matematikailag
egyértelműen meghatározhatók, differenciálszámítási alapokon kiválasztható az a függvény, amelynek
esetében a legkisebb a regressziós becslés hibája.

Bizonyítható, hogy n megfigyelési egység (adatpár) esetében a kapcsolatot egy n-1-ed fokú polinom teljes
pontossággal leírja (ennek képe egy olyan vonal, amely áthalad minden xi yi ponton). Ebből a függvényből
azonban nem olvasható ki a két jellemző közötti kapcsolat tendenciája, interpretációja lényegében lehetetlen. A
„teljesen pontos” kapcsolatleírás helyett ezért olyan viszonylag egyszerűbb függvényeket keresnek, amelyek jól
interpretálhatók. A leggyakoribb ilyen függvénytípus a lineáris függvény (amelynek képe egy egyenes).

A regresszióelemzést érdemes a két változó értékeinek koordinátarendszerben való ábrázolásával, az

ún. szórásdiagram felrajzolásával kezdeni (a 4.5. ábra a 2000. évi városlakók kistérségi aránya –
továbbiakban VARPOP – és a kistérségi jövedelemszint – a továbbiakban JOVPOP – közötti
összefüggést ábrázolja). Ez nem más, mint egy derékszögű koordináta-rendszer, melynek egyik
tengelyén az egyik, a másikon a másik változó értékeit vettük fel. A diagram minden pontja egy-egy
kistérségnek felel meg. Azok a kistérségek, ahol viszonylag kicsi a városlakók aránya és emellett még
a lakossági jövedelmek szintje is alacsony, a diagram bal alsó sarkának közelében helyezkednek el,
míg azok, ahol mindkét vizsgált változónk értéke relatíve magas, a jobb felső sarokban találhatók.

600
Egy lakosra jutó adóköteles jövedelem

500

400
(ezer Ft)

300

200

100

0
0 10 20 30 40 50 60 70 80 90 100

Városlakók aránya (%)

4.5. ábra A szórásdiagram

A kapcsolat jellegének feltárása során először azt a nem is könnyű dilemmát kell eldöntenünk, hogy
melyik változót kívánjuk magyarázni a másikkal? Estünkben logikusnak az látszik, hogy a városlakók
arányának növekedése hozza magával a magasabb kistérségi jövedelemszintet. Ezért itt a városlakók
aránya lesz a magyarázó (vagy másként független), a lakossági jövedelmek szintje pedig az eredmény
(vagy másként függő) változó. A képletekben y jelzi a függő, x pedig a független változót.

Természetesen azt, hogy egy adott jelenség éppen függő vagy független változóként szerepel-e
modelljeinkben, mi magunk döntjük el adott kutatási hipotézisünk és az adott elméleti keretek alapján.
Egyetlen egy társadalmi-gazdasági jelenségre sem mondhatjuk azt, hogy minden körülmények között csak
 valami okaként, vagy éppen okozataként léphet be kutatásainkba. Példánknál maradva: a városlakók
népességen belüli aránynövekedésének is vannak okai, tehát más keretek között e mutatónk függő változóként
fog szerepelni, míg a jövedelemnövekedés is hatással van egy sor egyéb jelenségre, melyek változásának tehát
– részben vagy egészben – okozója lesz.

Mit tudunk megállapítani 4.5. ábránk segítségével? Sajnos nem sok mindent. Nagy vonalakban látszik
ugyan, hogy van valamiféle tendencia két változónk együttes változásában, de ábránk túl kusza,
pontjaink elhelyezkedése túl zaklatott ahhoz, hogy határozottan tudjuk állítani: a városlakók arányának
növekedése magával vonja a lakossági jövedelmek növekedését is. E kuszaság annak tulajdonítható,
hogy a lakossági jövedelmek szintje messze nemcsak a városi lét, a városi körülmények között
működő, ily módon sajátos karakterű gazdaság súlyának függvénye egy-egy térségben, hanem számos
más tényező is befolyásolja. Így a helyi lakosság kulturális identitása, hagyományai, vagy egyszerűen
a települések nagysága, a földrajzi pozíció, a térség elérhetősége, a helyi gazdaság szerkezete,
nagyvállalatok jelenléte, és még sorolhatnánk. Hogyan tudjuk mégis e sok-sok tényező ellenére az
adatokban alapvetően rejlő tendenciát kimutatni? Lehet-e egyetlen, immár jól magyarázható görbével
helyettesíteni e kusza ponthalmazt, kiszűrni az adatok egyediségét, és kiemelni a két változó
kapcsolatából azt, ami általános, ami szabályszerű? Az egyik lehetséges megoldás erre az adatok
átlagolása: független változónk mentén osztályközöket hozunk létre, majd kiszámítjuk e csoportok
átlagait. Ezeket az értékeket feltételes átlagoknak hívjuk, míg az őket összekötő görbét tapasztalati
regressziógörbének. E módszernek azonban számos, itt nem részletezendő gyengéje van, melyek miatt
valós empirikus kutatások során már nem szokás alkalmazni. A valódi megoldást az analitikus
regresszió számítás adja.

4.4.2 A kétváltozós lineáris regresszió számítási menete

E kétváltozós lineáris regresszió használatakor során egyetlen görbébe igyekszünk sűríteni szórásdiagramunk
pontjait, és azt a matematikai függvényt keressük, amely e görbét leírja. E regressziós görbe tehát mintegy
összegzi a két változó kapcsolatát, az abban megnyilvánuló tendenciát. Azt a függvényt, mellyel a két változó
közötti általános összefüggést, azaz a regressziós görbét leírjuk, regressziós egyenletnek nevezzük. A függő és
független változó közötti kapcsolat az őt leíró függvény alakja szerint alapvetően kétfajta lehet: lineáris és nem
lineáris. Mi a továbbiakban főként a lineáris regresszióval foglalkozunk, mivel ez a legegyszerűbb, egyúttal
legszélesebb körben alkalmazott regressziós függvény-típus. Azt mutatjuk be tehát, hogy – fenti példánknál
maradva – miképpen tudjuk megkeresni azt az egyenest, mely legpontosabban megmutatja számunkra, hogy a
városlakók arányának növekedésével mennyiben jár együtt a kistérségek lakossági jövedelmeinek növekedése.

Ehhez első lépésként idézzük vissza középiskolai matematika tanulmányainkat, és írjuk fel magunknak az
egyenes egyenletét:
∧
Y = A + BX (4/1)
ahol:
X: a magyarázó változó;
A: regressziós állandó (konstans); értéke megegyezik az egyenes y-tengelyen tapasztalt metszéspontjával,
∧
vagyis A értéke egyenlő Y értékével X=0 helyen;
B: regressziós együttható (regressziós koefficiens); ez jelöli az egyenes meredekségét vagy dőlését, vagyis azt
∧
mutatja meg, hogy X értékének egységnyi növekedése Y értékének mekkora mértékű és milyen irányú
változását vonja maga után;
∧
Y : a függő változó regressziós egyenlet alapján becsült értéke; más megfogalmazásban: értékei a függő
változónak a független változó adott értékéhez tartozó átlagos szintjét jelzik (feltéve, hogy adott X i értékekhez
több Yi érték is tartozik, ami területi adatsoroknál ritkán fordul elő). Ezek az átlagértékek fejezik ki azt a
∧
tendenciát, szabályszerűséget, amit adatsoraink együttes változásában keresünk. Y értékei egytől egyig
pontosan a regressziós egyenesen találhatók; ezek építik fel a vizuálisan is megjeleníthető trendvonalat.
 ∧
Ettől az átlagos szinttől, vagyis Y -től Y függő változónk tapasztalati, ténylegesen megfigyelt értékei a mérési
hibák, illetve a függő változót befolyásoló – részben már említett – egyéb jelenségek miatt kisebb-nagyobb
mértékben eltérnek. Ezeket az eltéréseket reziduumoknak hívjuk, és általában „e” betűvel jelöljük. Függő
∧
változónk tapasztalati Y értékei tehát két részből tevődnek össze: egyrészt Y -ből, mely a szabályszerűséget
jeleníti meg, másrészt az egyes „e” értékekből, melyek a tendenciától való eltérést, az egyediséget adják. Ebből
adódóan:
∧
Y = Y+ e (4/2)

Behelyettesítve (4/2)-t (4/1)-be:

Y = A + BX + e (4/3)

Míg a (4/1) a két változó közötti együttmozgásra, a szabályszerűségre utal, addig a (4/3) e kapcsolat
sztochasztikus jellegére hívja fel a figyelmet: van ugyan tendenciózus együttmozgás, ám az csak átlagosan,
valószínűségi alapon érvényesül.

^
Mi a lineáris regressziós egyenlet alkalmazása során azon egyenes egyenletét keressük, ahol az Y és az Y
közötti eltérések átlagosan a legkisebbek, vagyis ahol a reziduumok összege minimális (4/4).
^
∑ (Y − Y ) = minimum (4/4)
^
Ez a feltétel azonban nem elégséges a legjobban illeszkedő egyenes megleléséhez. Itt ugyanis az Y értékei által
előálló regressziós egyenesünk egyfajta átlagértékként viselkedik, melytől pozitív és negatív irányban is
összességében ugyanolyan messze vannak a függő változó egyes Yi tapasztalati értékei. Reziduumaink egy
része pozitív előjelű lesz tehát, ám összegszerűen ugyanolyan mennyiségben fogunk találni negatív eltéréseket
is. A különböző előjelű értékek szummázáskor ki fogják oltani egymást, tehát pusztán a reziduumok összege
alapján ugyanolyan jónak fogunk ítélni egy rosszul illeszkedő egyenest, mint egy nálánál sokkal jobbat. Éppen
ezért egy további feltételt is be kell vezetnünk, melyhez kétféle választási lehetőségünk van: vagy a reziduumok
abszolút értékeivel, vagy pedig négyzeteivel dolgozunk a továbbiakban. Mindkét módon megoldjuk az előjelek
különbözőségéből adódó problémát. Igazi választási lehetőségünk persze nincs: a regressziós egyenes
egyenletének meghatározásakor mindig a legkisebb négyzetek módszerét használjuk, azaz a reziduumok
négyzetes összegének minimumát keressük (az angol nyelvű szakirodalomban gyakran találkozunk ennek
rövidítésével: OLS: Ordinary Least Squeres).

A legkisebb négyzetének követelményét az alábbi formában írhatjuk fel:

∑ (Y − Yˆ )
i
2
→ min (4/5)

Gondolatmenetünk továbbvezetéséhez helyettesítsük be a (4/5)-be (4/1)-et:

∑ (Y − Yˆ ) = ∑ (Y − A − BX )
n 2 n
2
(4/6)
i =1 i =1
Mint látható, adott X és Y értékek mellett a reziduumok négyzeteinek összege kizárólag a regressziós állandó (A),
valamint a regressziós együttható (B) függvénye. E két paraméter változtatásával érhetjük tehát el, hogy
regressziós egyenesünk a lehető legjobban közelítse függő változónk tapasztalati értékeit. Differenciálszámítás
segítségével tudjuk egyenletünket megoldani úgy, hogy biztosak lehessünk benne: megtaláltuk A és B azon
értékét, mely mellett a reziduumok négyzetösszege minimális lesz. A végeredmény B-re és A-ra a következő
lesz:

n n

∑ (X
i =1
i − X )(Yi − Y ) ∑d
i =1
Xi d Yi
B= n
= n
(4/7)
∑ (X − X) ∑d
2 2
i Xi
i =1 i =1

A = Y − BX (4/8)
(A levezetés részleteit lásd: Moksony F. 1999, pp. 59-62.; Székelyi M. – Barna I. 2002, pp.
205-209.)
Az alábbiakban egy egyszerű példán keresztül nézzük végig számításaink menetét! A fejezet elején felvázolt
problémánál maradva adatbázisunkból kiragadtunk hat kistérséget, majd melléjük rendeltünk két változót: a
városlakók arányát, illetve az adóköteles jövedelmek egy lakosra jutó 2000. évi értékét. Ebben a hatelemű
sokaságban is arra a kérdésre keressük a választ, hogy vajon a magasabb városodottság magasabb jövedelem
szinttel jár-e együtt. Az alábbi egyenletet oldjuk meg tehát:
Yˆ = A + B * URBPOP01 (4/9))

Számításaink kezdő lépéseit a 4.3. táblázat szemlélteti.

Kistérség városlakók jövedelem/fő dx dy dx *dy 2 2

dx dy
aránya (%) (ezer Ft)
Dombóvári 60 266 5 -5 -25 25 25
Hajdúböszörményi 100 240 45 -31 -1395 2025 961
Őriszentpéteri 0 270 -55 -1 55 3025 1
Sárvári 50 390 -5 119 -595 25 14161
Sátoraljaújhelyi 40 220 -15 -51 765 225 2601
Szarvasi 80 240 25 -31 -775 625 961
összeg 330 1626 -1970 5950 18710
átlag 55 271

4.3. táblázat A regresszió számítás alaplépései

A fent már bemutatott szórásdiagram segítségével ábrázoljuk a városlakók aránya és a jövedelem együttes
eloszlását e hat kistérségben (4.6. ábra)!
egy lakosra jutó jövedelem (ezer Ft)

400

350

300

250

200

150
100

50

0
0 20 40 60 80 100
városlakók aránya (%)

4.6. ábra A városlakók aránya és a jövedelem együttes eloszlása hat kistérségben

A hat pontra legjobban illeszkedő egyenes meredekségét a (4/7) alapján az alábbiak szerint számítjuk ki:

∑d
i =1
Xi d Yi
− 1970
B= n
= = −0,331
5950
∑d
2
Xi
i =1

A regressziós egyenes és az y-tengely metszéspontját (4/8) szerint a következő képlet adja meg:
 A = Y − BX = 271 − (−0,331 * 55) = 289,2
A 4.6. ábrán látható szórásdiagram pontjaira legjobban illeszkedő egyenest és annak egyenletét a 4.7. ábra
szemlélteti.

400

egy lakosra jutó jövedelem (ezer 350

y = -0,331x + 289,2
300
250
Ft)

200
150
100
50
0
0 20 40 60 80 100
városlakók aránya (%)

4.7. ábra Két vizsgált változónk kapcsolata a hat kistérségben

Lássuk, mit is kaptunk eredményül! Várakozásunk az volt, hogy a városlakók arányának növekedésével
kistérségeink jövedelmi értékei is emelkedni fognak. Ezzel szemben azt látjuk, hogy regressziós egyenesünk
balról jobbra lejt, tehát minél inkább növekszik a városlakók aránya, regressziónk szerint annál alacsonyabb lesz
a jövedelmek szintje. Megdőlt volna hipotézisünk? E pillanatban úgy tűnik, igen.

A két változó közötti kapcsolat jellegét, összefüggésük irányát - az egyenes szabad szemmel is jól látható balról
jobbra való lejtésén túl – a regressziós együttható előjele árulja el számunkra. Ha B előjele pozitív, két vizsgált
változónk között egyenes arányosság, ha pedig negatív, akkor fordított arányosság áll fenn. Előbbi esetben
egyenesünk balról jobbra emelkedik, utóbbi esetben balról jobbra lejt. (Ha regressziós vizsgálatainkat megelőzve
két változónk között kiszámítjuk a Pearson-féle lineáris korrelációs együttható értékét, annak előjele már elárulja
számunkra a regressziós együttható előjelét is, hiszen e kettő mindig megegyezik egymással.) Mit jelent a -
0,331-es érték? Azt, hogy a városlakók arányának minden 1%-os emelkedése átlagosan a lakossági jövedelmek
331 forintos csökkenését vonja maga után.

A regressziós állandó, A értéke 289,2, vagyis regressziós egyenesünk ennyi ezer forintnál metszi az y-tengelyt.
Ezzel ismerjük egyenesünk magasságát, és még valamit: ez a függő változónak azon értéke, amit regressziónk a
független változó nulla értékéhez becsül. Példánknál maradva: regressziónk szerint ennyinek kellene lennie a
jövedelemnek abban a kistérségben, ahol nincs egyetlen város sem, így a városlakók aránya nulla.

Mint a 4.3 táblázat és ábráink mutatják, éppen van egy olyan kistérségünk – az Őriszentpéteri – ahol nincs
város, így nincsenek városlakók sem. E kistérség lakosainak átlagjövedelme 270 ezer Ft. A regressziós állandó
szerint azonban ennek 289,2 ezer Ft-nak kellene lennie. Tévedtünk tehát majdnem húsz ezer forintot. És ha
megnézzük a másik öt pontot is, azt látjuk, hogy egyedül a dombóvári kistérség esetében becsültünk a
lakosoknak majdnem pontosan annyi jövedelmet, mint amennyi után a valóságban is adóztak. Mennyire vehetjük
hát komolyan a regressziós egyenest? Erre a kérdésre felelünk az alábbiakban.

Első lépésként a függő változó, vagyis a jövedelmek heterogenitását írjuk le a variancia, vagyis a szórásnégyzet
2
segítségével. Ehhez szükségünk van az egyes Yi értékek Y -tól való négyzetes eltéréseinek ( d y )összegére. Ez
az összeg a 4.3 táblázatban megtalálható, így már csak az elemszámmal kell osztanunk, és előttünk áll a
jövedelmek varianciája. Vagyis:

∑d
2
y
σ 2 (Y ) = i =1 18710
= = 3118,3
n 6
 Most már csak azt kell tudnunk, hogy ezen belül mekkora az a heterogenitás, amelyet maga a regressziós
egyenes fejez ki azzal a tulajdonságával, mely szerint a városlakók arányának térségek közötti változásával egy
egyenessel leírható módon változnak a lakossági jövedelmek is. E variancia meghatározásához először is ki kell
számítanunk mind a hat kistérség esetében a regresszió által becsült jövedelem értékeket. Ez az egyenes
egyenletének ismeretében könnyen megtehető (4.4. táblázat).

Kistérség városlakók Yˆ = −0,331X + 289,2 dˆY = Yˆi − Yˆ dˆY

2
aránya (%)
Dombóvári 60 269,3 -1,7 2,7
Hajdúböszörményi 100 256,1 -14,9 222,0
Őriszentpéteri 0 289,2 18,2 331,6
Sárvári 50 272,7 1,7 2,7
Sátoraljaújhelyi 40 276,0 5,0 25,0
Szarvasi 80 262,7 -8,3 68,5
∑ 330 1626,0 652,6
Átlag 55 271,0

4.4 táblázat A becsült jövedelmek értékei

A regressziós egyenes varianciája:

n

∑ dˆ
2
i
652,6
σ 2 (Yˆ ) = i =1
= = 108,8
n 6
Ez az érték azt mutatja meg, hogy mennyire szóródnának a jövedelmek, ha változásuk csak és kizárólag a
városlakók arányának mértékétől függne, vagyis ha a városlakók aránya determinisztikusan határozná meg a
lakossági jövedelmek nagyságát. Ez a variancia tehát az az érték, amit a regresszió a függő változó tapasztalati
értékeinek heterogenitásából megmagyaráz. Láthatjuk, hogy a két variancia egy nagyságrenddel különbözik
egymástól. Regressziónk tehát elég kis részét tudja magyarázni az eredeti jövedelem adatok szórásnégyzetének.
De hol keressük a fennmaradt részt? Az éppen a reziduumok varianciájával lesz egyenlő. Ennek számítása a
fentiek ismertében már igen egyszerű (4.5. táblázat).

Kistérség jövedelem/fő Yˆ = −0,331X + 289,2 e = Yˆ − Y e = (Yˆ − Y )

2
(ezer Ft) (Y)
Dombóvári 266 269,3 -3,3 11,2
Hajdúböszörményi 240 256,1 -16,1 259,2
Őriszentpéteri 270 289,2 -19,2 369,0
Sárvári 390 272,7 117,3 13769,7
Sátoraljaújhelyi 220 276,0 -56,0 3132,2
Szarvasi 240 262,7 -227 516,3
∑ 18057,7

4.5. táblázat A reziduumok értékének számítása

A reziduumok varianciája tehát:

∑ (Yˆ − Yi )
n

i
18057,7
σ (e ) =
2 i =1
= = 3009,6
n 6
A teljes variancia a megmagyarázott és a megmagyarázatlan rész összegéből tevődik össze:

σ 2 (Y ) = σ 2 (Yˆ ) + σ 2 (e) (4/10)

Itt érkeztünk el feltett kérdésünk megválaszolásához, ugyanis a regresszió által megmagyarázott variancia
mutatja meg nekünk, hogy mennyire vehetjük komolyan modellünket, mennyire jó a regressziós egyenes
illeszkedése.

Azt a mérőszámot, ami a megmagyarázott szórásnégyzetet fejezi ki, determinációs együtthatónak nevezzük.
Jelölése: R2. Értéke lineáris regresszió esetén mindig egyenlő az ugyanazon két változóra számolt Pearson-féle
lineáris korrelációs együttható négyzetével. Értékét általában a (0,1) intervallumban adjuk meg, de szokás
százalékos formában is közölni. Ilyenkor értéke azt mutatja meg, hogy a függő változó értékeinek szóródását
hány százalékban magyarázza a független változóval fennálló kapcsolata. Kétváltozós regresszió esetén a
determinációs együttható egyben a linearitás mérőszáma is: értéke minél közelebb esik 1-hez, megfigyelési
egységeink pontjai annál inkább egy egyenes mentén tömörülnek, tehát annál inkább igazoltnak látszik a
kiindulási alapnak tekintett linearitási feltétel. A determinációs együttható kiszámításának módja:

σ 2 (Yˆ )
R2 = (4/11)
σ 2 (Y )

652,6
Példánkban: R 2 = σ (Yˆ ) =
2
6 = 0,036
σ (Y )
2
18057,7
6

E hat kistérség esetében tehát a városlakók aránya a lakossági jövedelmek heterogenitásának mindössze
3,6%-át magyarázza meg, ami elenyészően kicsi hányad. Ez alapján akár azt is mondhatnánk, hogy
modellünk rossz, hiszen rengeteg egyéb hatást hagytunk megmagyarázatlanul, ami kérdésessé teszi
eredményünket is.

Nézzünk most egy valóságos példát! A 4.5. ábrán már korábban felvázoltuk a 150 kistérség szórásdiagramját,
ahol független változóként a városlakók aránya, függő változóként a lakossági jövedelmek szerepelnek.
Továbbra is azt keressük, hogy a városodottság növekedése mennyiben jár együtt a jövedelmek növekedésével,
vagy éppen csökkenésével. Regressziónk eredményeit a 4.8. ábra közli.

600
y = 1,817x + 195,6
2
R = 0,18
Egy lakosra jutó adóköteles

500
jövedelem (ezer Ft)

400

300

200

100

0
0 10 20 30 40 50 60 70 80 90 100

Városlakók aránya (%)

4.8. ábra A városodottság és a jövedelmek kapcsolata kistérségeinkben, 2000.

Mint látjuk, mind a 150 kistérség bevonásával elvégzett regresszió analízisünk gyökeresen más eredményt
hozott, mint amit a leegyszerűsített, mindössze hat elemre számított példánk mutatott. A valóságban magasabb
városodottsági szint magasabb lakossági jövedelmekkel jár együtt. Ezt a regressziós együttható (B) értéke
bizonyítja: előjele pozitív, tehát független és függő változónk egyenes arányosságban áll egymással. Azt az
eredményt kaptuk, hogy a városlakók arányának minden 1%-pontos növekedése általában a lakossági
jövedelmek 1817 Ft-os növekedésével jár együtt.

Regressziós állandónk (A) értéke 195,6, vagyis az országos trendből következően ennyinek kellene lennie a
lakossági jövedelem szintjének abban a kistérségben – itt most az őriszentpéteriben –, ahol nincs város, vagyis a
városlakók aránya nulla. Az őriszentpéteri kistérség valós éréke viszont 270 ezer Ft, amiből következően pozitív
reziduummal rendelkezik, tehát a lineáris trendvonal „fölött” helyezkedik el. Más szóval: ebben a kistérségben
több jövedelem jut egy lakosra, mint ami az ország egészét jellemző trendből következne számára.

A determinációs együttható értéke is jóval magasabb, mint a hat pont esetén: az összes kistérséget figyelembe
véve a városlakók arányának szóródása a lakossági jövedelmek heterogenitásának 18%-át magyarázza meg.

A kapott eredmények ismeretében felmerülhet bennünk a kérdés: mi az oka annak, hogy a teljes kistérségi mintát
alapvetően más összefüggések jellemzik, mint amiket a hat kiragadott pont esetén tapasztaltunk. Ez alapvetően
az alacsony elemszámmal függ össze: hat pontra nem tudunk regressziós modellt építeni. Hogy miért nem? Mert
ez esetben szinte teljesen biztosak lehetünk abban, hogy regressziónk nem fog szignifikáns részt magyarázni a
függő változó teljes heterogenitásából. E szignifikancia nem függ össze a determinációs együtthatóval: legyen
bár az R2 értéke bármilyen alacsony is, ettől még maga a modell szignifikáns hányadot testesíthet meg eredmény
változónk heterogenitásából. (A modell e tulajdonságát F-próbával lehet tesztelni.)

4.4.3 Nem lineáris összefüggések

Az előzőekben már utaltunk rá, hogy a determinációs együttható a linearitás mérőszámaként is

funkcionál. E tulajdonságot minden regressziós modell esetében tesztelnünk kell, hiszen empirikus
vizsgálatok esetében nem lehetünk biztosak abban, hogy a független és a függő változó közötti
kapcsolat valóban lineáris. Különösen akkor kell nagyon ügyelnünk, ha nem készítjük el változóink
szórásdiagramját, kizárva ezzel annak lehetőségét, hogy vizuálisan érzékeljük: két változónk nem
lineáris összefüggést mutat. Az ilyen jellegű kapcsolatok néhány alapesetét mutatják az alábbi ábrák
(4.9. ábra).

4.9 ábra A nem lineáris összefüggések néhány alaptípusa

A nem lineáris regressziós egyenletek alaptípusai függvényformában a következők:
logaritmikus: Yˆ = A + ( B * ln X )
polinomiális: Yˆ = A + ( B1 * X ) + ( B 2 * X ) + ( B3 * X ) + ... + ( B n * X )
2 3 n

exponenciális: Yˆ = A * B
X

B
hiperbolikus: Yˆ = A +
X
hatványkitevős: Yˆ = A * X
B

Azt, hogy melyik regressziós egyenlet-típus írja le legjobban az adott összefüggést, a determinációs
együttható kiszámításával tudjuk eldönteni. A nem lineáris regressziós egyenletek elemzése és
értelmezése nehézkesebb, mint a lineáris egyenleteké, használatuk az idősorelemzésben,
trendszámításban jóval gyakoribb, mint a területi adataok keresztmetszeti vizsgálatában.

4.4.4 Logaritmikus regressziók (Major Klára)


A regresszió-számításban a lineáris regressziók mellett messze a leggyakoribbak a változók
logaritmizált értékeire épülő modellek. Ezért mindenképp indokolt a logaritmizálás tartalmi valamint
matematikai és statisztikai okainak felsorakoztató áttekintése.

• Vannak olyan elemzési technikák is, melyek segítségével nem lineáris összefüggést
lineárisra tudunk visszavezetni. Ha a függő, illetve a független változók közötti kapcsolat nem
lineáris, hanem a függő változót a függetlenek szorzata adja (ez a logikája a közgazdaságtan
leghíresebb termelési függvényének, az ún. Cobb-Douglas függvénynek, amelyben a termelés a
munka- és a tőkeráfordítás szorzatának függvénye), a kapcsolat lineáris regresszióval csak
logaritmikus átalakítás segítségével vizsgálható:
^
az Y = A * X 1 * X 2 logaritmizálva a következő alakot ölti:
log Yˆ = log A + log X 1 + log X 2

Ez már lineáris összefüggés, s a regresszió-elemzéssel a szokott módon vizsgálható.

• Mivel a legtöbb területi adat nem követi a matematikai-statisztika legalapvetőbb

eljárásai során megkövetelt normalitást (azaz nem szimmetrikus, nem normális eloszlású → 2.5), a
matematikai kritériumokat közelítendő számos esetben alkalmazzák az alapadatok logaritmikus
átalakítását , azaz az eredeti értékek helyett azok logaritmusait használják az elemzésekben. Ez az
átalakítás a logaritmusfüggvény monoton növekvő jellege miatt az adatok nagyság szerinti
sorrendjét nem változtatja meg (ha a kisebb, mint b, akkor loga is kisebb mint logb), az átalakítás
viszont közel szimmetrikussá teszi az eloszlást, hisz a kiugróan nagy alapadatokat a logaritmikus
transzformáció „összébb húzza”. Még inkább előtérbe állítja ezt az átalakítást az, hogy a területi
adatoksorok esetén nagyon gyakori a lognormális jellegű eloszlás. Ha ekkor a lognormális
eloszlású változó helyett annak logaritmusával számolunk, normális eloszlásúra transzformáltuk
adatainkat.
• A logaritmizálással jelentősen csökkenthetők a kiugró adatok torzító hatásai a
regresszió-számításban. (Egy átlag-közeli magyarázó változó értéknek jóval kisebb hatása van a
regressziós összefüggésre, mint a skálák szélein található adatoknak.)
• A logaritmizálás csökkenti az adatok heteroskedascitásából eredő torzulást (ez akkor
lép fel, ha a függő változó szórása függ a magyarázó változótól, annak növekvő értékei mentén
például növekszik)
Logaritmizált adatokon végzett regresszió értelmezése

Hogyan lehet értelmezni az adatok logaritmusán végzett regresszió eredményeit? A választ

megmutatjuk mind idősor-, mind keresztmetszeti vizsgálat esetén.

Idősor modellek

Tekintsük két logaritmizált adat különbségét és végezzük el az alábbi átalakítást:

yt − yt −1 = ln t = ln (1 + γ ) ≈ γ
Y
Yt −1
ahol γ a jövedelem növekedési ütemét jelenti, azaz a példánkban γ=(Yt–Yt–1)/Yt–1. (A becsléshez azt az
ismert összefüggést használtuk fel, hogy ha x≈0 nullához közeli érték, akkor ln(1+x)≈x.) Logaritmizált
adatok különbsége tehát közel megegyezik az adatok százalékos változásával (növekedési ütem), így a
logaritmizált adatokon végzett regresszió esetén az egyenlet együtthatója x és y százalékos változása
között létesít számszerű kapcsolatot. A logaritmizált adatokból nyert regressziós egyenlet
paraméterének számszerű értéke az y és x változók növekedési ütemének arányával egyezik meg.

Ehhez a gondolatmenethez tételezzük fel, hogy a regresszióban szereplő y és x változókról nem különböző
megfigyelési egységek, hanem egyazon megfigyelési egység különböző időpontbeli adataival rendelkezünk.
Jelöljük a különbséget úgy is, hogy nem i-vel, hanem t-vel indexeljük az egyenletet:
y t = α + βx t + ε t
Vonjuk ki az egyenlet t-ik időpontban felírt alakjából a t–1 időpontra felírt egyenletet és tekintsünk el
átmenetileg a véletlen hibától. A kapott egyenlet mindkét oldalán végezzük el a fent már bemutatott becslést.
Eredményül azt kapjuk, hogy γY=βγX.

Keresztmetszeti vizsgálat

Tekintsük újra a regresszió eredeti formáját, és az adatok i indexe továbbra is jelentse az egyes
megfigyelési egységeket. A regressziós egyenlet β paramétere azt mutatja meg, hogy xi=lnXi-ben
bekövetkezett egységnyi változás hogyan hat yi=lnYi-re. Némi matematikai eszköztár felhasználásával
megmutatható, hogy ez az érték az eredeti adatok százalékos változása között létesít kapcsolatot, azaz
azt mutatja meg, hogy Xi 1 százalékos változása hány százalékos változást okoz Yi-ben. Az ilyen típusú
mutatószámokat rugalmassági mutatószámoknak hívjuk.

A logaritmikus adatokon végzett regressziós elemzés β együtthatója tehát rugalmasság, amely

a vizsgált adatok százalékos változása közötti kapcsolatot számszerűsíti.

A regressziós egyenlet β paramétere xi megváltozásának hatását mutatja yi-re, azaz alkalmazva az analízis elemi
eszközeit felírhatjuk, hogy
dy d ln Y
β= = .
dx d ln X
β eredeti adatokon való értelmezéséhez tehát az utóbbi derivált értékét kell meghatároznunk. Ehhez az alábbi
aprócska „trükköt” használjuk fel. A láncszabály alkalmazásával kapjuk, hogy
d ln Y d ln X d ln Y
* =
d ln X dX dX
Ezt átrendezve és a láncszabály újbóli alkalmazásával kapjuk meg a kívánt összefüggést:
d ln Y d ln Y d ln X 1 dY 1 X dY
β= = : = : =
d ln X dX dX Y dX X Y dX
A kifejezés jobb oldalán szereplő érték már valójában maga a rugalmasság definíciója. Az ennek elméletében
kevésbé jártas olvasó számára az értelmezést megkönnyítendő végezzük még el utoljára az alábbi, merőben
formális és heurisztikus átalakítást:
 X dY dY dX
β= = :
Y dX Y X
Természetesen ez az átalakítás heurisztikus, azaz a szemléltetést szolgálja, de jól mutatja a
rugalmassági együttható értelmezési lehetőségét: az Y változó relatív (százalékos) változását (dY/Y)
viszonyítja az X változó relatív (százalékos) változásához (dX/X).

Loglineáris regresszió

Semilog (vagy loglineárisnak) nevezzük a regressziót, ha abban a függő változó (y) logaritmizált
értékeit nem logaritmizált változókkal magyarázzuk. Például tekintsük az alábbi regressziós
egyenletet:
ln yt = α + βxt + γt + ε t
Ebben az egyenletben γ jelöli az y változó növekedési ütemét (linearizált trend), a trend körüli
ingadozásokat pedig részben a véletlen folyamatok (εt), részben az x magyarázó változó ingadozásai
okozzák.

Logisztikus modell

Telítődési, terjedési folyamatok modellezése során lehet szükség a logisztikus függvényre. Ilyenkor
olyan folyamatokat vizsgálunk, amelyek esetén meglehetősen speciális időbeni mintát követnek.
Például a technológiai fejlődés terjedését először lassú, majd ahogy egyre ismertebbé és kedveltebbé
válik, egyre gyorsabb ütem jellemzi. Amennyiben yt jelöli mondjuk egy technológiai újítás
elterjedtségét, úgy a logisztikus összefüggést a következő regresszió írná le:
1
yt =
e −(α + βxt +γt +ε t ) + 1
Ezen regressziós egyenletben a becsülendő paraméterek nem lineáris függvényei az adatoknak ezért
megfelelő adattranszformációra van szükség. A szükséges transzformáció neve: logit transzformáció:
 yt 
logit(yt) = ln  = α + βxt + γt + ε t
 1 − yt 
Az y adatokon végrehajtott logit transzformáció az eredeti modellt a becsülendő paraméterekben
lineárissá alakította át, és így már alkalmazható az OLS technikája (4.10. ábra). A függvény
értékkészlete a (0, 1) intervallum, így leginkább százalékos adatok magyarázatára (terjedési, telítődési
folyamatok) alkalmazható.

4.10. ábra A logisztikus függvény (y=1/(e–x+1)) alakja

4.4.5 Többváltozós regresszió

Visszatérve a 4.8. ábrán vázolt példánkra, felmerülhet az a kérdés, hogy a városlakók arányán kívül
melyek még azok a tényezők, amik szoros kapcsolatban állnak a lakossági jövedelmekkel úgy, hogy
változásuk a jövedelmek átlagos növekedését vagy csökkenését vonja maga után, tehát egy regressziós
modellben magyarázó változóként lehet szerepeltetni őket. Ezzel kapcsolatban több társadalmi-
gazdasági tényező is eszünkbe juthat. Ez lehet például a lakosság iskolázottsági szintje, ami a
munkaerőpiacon való érvényesülésen át hat a jövedelmekre, vagy a cégsűrűség, ami a foglalkoztatás
szintjén keresztül befolyásolja a jövedelmeket, vagy éppen a jó elérhetőség, ami elsősorban a
nagyvállalatok, külföldi befektetők szemében értékeli fel az egyes térségeket, és segíti elő ezek
megtelepedését, ami tömeges jelenségként már határozott jövedelmi előnnyel jár e területek lakói
számára. E tényezők jövedelmekre gyakorolt hatását külön-külön jól tudjuk mérni a fent vázolt
módon, kétváltozós regresszió analízis segítségével. Mit tegyünk azonban akkor, ha e tényezők
jövedelmekre gyakorolt együttes hatására vagyunk kíváncsiak? Ekkor kell használnunk a többváltozós
regresszióanalízis módszerét.

A következőkben is maradjunk fent bemutatott példánknál, tehát továbbra is az a fő kérdés, hogy a

városlakók arányának változása mennyiben befolyásolja a kistérségben bevallott lakossági jövedelmek
szintjét. Ám ezzel párhuzamosan vizsgáljuk meg azt is, hogy a közúti elérhetőségben tapasztalható
differenciák miként módosítják e viszonyrendszert. Ma a közúti közlekedés fő ütőereit az autópályák
jelentik. A legtöbb befektetni kívánó cég számára telephely választáskor fontos szempont az adott
térség vagy település autópályához való közelsége, hiszen a rövidebb szállítási idő és távolság
csökkenti a cég költségeit. Autópályák közelében tehát több befektetőt és nagyobb értékű
befektetéseket kell találnunk, mint a közlekedési „árnyékban” lévő területeken. A több befektetés
viszont magasabb foglalkoztatottsággal és így több jövedelemmel is együtt jár. Nézzük meg tehát,
hogy a városlakók aránya és az egyes kistérségek településeinek legközelebbi autópálya csomóponttól
mért átlagos közúti távolsága (APCSPONT) miként befolyásolja a lakossági jövedelmek térségi
differenciáit, és e két magyarázó változó közül melyik van erősebb hatással a függő változóra. Ebben
az esetben tehát már nem egy egyenes, hanem a két magyarázó változó által kifeszített sík segítségével
próbálunk meg becslést adni a függő változóra. Ebben az esetben más egyenlettel kell dolgoznunk,
mint amikor csak egy magyarázó változó lépett be a modellbe. A legalább két független változó által
kijelölt regressziós síkhoz is egyetlen regressziós konstans tartozik, a regressziós együtthatók száma
viszont több lesz: pontosan annyi, ahány független változó a modellt felépíti. Az alábbi egyenletet
oldjuk meg tehát:
Yˆ = A + B1 (URBPOP 01) + B2 ( APCSPONT )

R R2 Korrigált R2 A becslés F Sig.

(R Square) (Adjusted R standard hibája
Square) (Std. Error of the
Estimate)
0,646 0,417 0,409 62,846 52,56 0,000

Standardizálatlan együtthatók Standardizált

(Unstandardized coefficients) együttható
(Standardized
Coefficients)
B Standard hiba Béta t Sig.
(Std. Error) (Beta)
Konstans 269,071 17,336 15,521 0,000
(Constant)
URBPOP01 1,527 0,274 0,354 5,563 0,000
APCSPONT -0,796 0,102 -0,494 -7,772 0,000

4.6. táblázat Többváltozós regressziónk eredménytáblája

Számításaink főbb eredményeit a 4.6. táblázat tartalmazza. (A modellt a területi kutatások talán
legkedveltebb szoftverén, az SPSS programon futtattuk le → 4.5.7, így eredményeink szemléltetésénél
– a jobb gyakorlati elsajátíthatóság érdekében – nagyrészt e program outputjaihoz igazodunk.)

Többszörös determinációs együttható


A táblázat felső részében szereplő R a többszörös korrelációs, az R2 pedig a többszörös determinációs együttható
értéke. Ez utóbbi azt jelzi számunkra, hogy a modellben szereplő két magyarázó változó, vagyis a kistérségek
városlakóinak aránya és a kistérségek autópályától való távolsága együttesen a jövedelmi differenciák mintegy
42%-át magyarázza meg. Ha visszagondolunk kétváltozós regressziós modellünkre és a 4.8. ábrára, láthatjuk,
hogy a determinációs együttható értéke ez utóbbi vizsgálatnál már lényegesen magasabb, tehát egy jobban
illeszkedő regressziós modellt konstruáltunk. Ez azonban törvényszerű volt, hiszen az R2-nek van egy olyan
alapvető tulajdonsága, miszerint ha egy már létező regressziós modell magyarázó változóinak számát egy
további változóval bővítjük és úgy futtatjuk le regressziónkat, e második, bővített modellhez tartozó R2 mindig
nagyobb lesz, mint az eredeti, szűkebb modellhez tartozó R2, vagy legalábbis egyenlő lesz azzal. (Ez az
egyenlőség azonban elvben létezik ugyan, de gyakorlati vizsgálatok során szinte soha nem fordul elő.)

A determinációs együttható éppen e tulajdonságai miatt nem alkalmas különböző modellek összehasonlítására.
Így nem jó stratégia az R2 értékeit követnünk akkor, amikor a formálisan optimális modell megalkotása a célunk.
Itt jegyezzük meg, hogy természetesen teljes tévút az, amikor magyarázó változóink összeállításánál egyetlen
célunk az R2 nyakló nélküli növelése, a „tökéletes modell” megalkotása. Egyrészt tökéletes modell nem létezik.
Másrészt a vizsgált változók körét mindig a kutatási cél és hipotézis, valamint az alkalmazott elméletek döntik
el; a helyes regressziós modell előállítása a maga összes statisztikai törvényszerűségével és lehetőségével együtt
is csak eszköz, nem pedig elérendő végcél.

Modellválasztási feladat megoldása során a Theil-féle, szabadságfokkal korrigált R2-et szokás alkalmazni, amely
tulajdonságaiban, mint neve is mutatja, alapvetően hasonlít az R2-hez. (Ennek számítási módját és alkalmazási
feltételeit részletesen lásd: Hunyadi, 2000; Hunyadi – Vita 2002) A becslés standard hibája – az R2-hez
hasonlóan – a regressziós egyenes, több magyarázó változó esetén a regressziós sík illeszkedésére utaló
mérőszám. Értéke a reziduumok szórását mutatja. Minél nagyobb ez a szám, annál inkább számíthatunk kiugró
adatokra, melyek igen messze esnek a regressziós egyenes vagy sík által számukra becsült értéktől. Az ilyen
extrém jellemzőkkel bíró területegységekre, településekre minden regresszióanalízis során külön figyelmet kell
fordítanunk, hiszen jelenlétükkel alapvetően befolyásolhatják a modell paramétereit. De hogy találjuk meg őket?
A becslés standard hibája és a reziduumok segítenek nekünk ebben. Általában azokat a térségeket tekintjük a
trendtől nagyon távolinak, vagyis extrém, kiugró értéknek, amelyekhez tartozó reziduum nagyobb, mint a
becslés standard hibájának háromszorosa. És mit tudunk kezdeni velük? Nem sokat. Ha több ilyen értékünk is
van, és reziduumaik még az ésszerű határokon belül vannak, akkor tudomásul kell vennünk jelenlétüket és a
teljes mintával dolgoznunk tovább. Gyengíteni fogják ugyan a regresszió erejét, de csak ezért nem hagyhatjuk ki
őket vizsgálatainkból. Más helyzet áll elő olyankor, ha alapvetően szinte minden vizsgált területet ugyanaz a
trend jellemez, de van egy-két teljesen extrém régiónk. Ebben az esetben e kiugró értékeket ajánlatos kihagyni a
modellből, és az eredmények interpretálásakor visszatérni rájuk. (Ilyen extrém terület Magyarországon például
Budapest. Megyei szintű elemzéseknél rendszeresen ki kell hagynunk a modellekből, mert egészen más
folyamatok és tulajdonságok jellemzik, mint a másik 19 megyét. Sajnos még a mai hazai szakirodalomban is
találkozunk olyan regressziókkal, melyeknek semmi közük sincs a valós folyamatokhoz egy-két ilyen extrém
területegység miatt, ám a nagy, ám teljességgel hamis tudományos következtetéseket mégis papírra veti a
szerző.)

Multikollinearitás

Olyan esetben áll fenn e probléma, amikor a regressziós modellben szereplő magyarázó változók
nem korrelálatlanok egymással, hanem összefüggő rendszert alkotnak. Ez esetben független
változóink nemcsak a függő változót, de jórészt egymást is magyarázzák, így hatásuk minden más
változóban is megjelenik. Ez vezet végül értelmetlen eredményekhez. A multikollinearitás a
regressziós modellek talán legnagyobb ellensége, és a gyakorlatlan elemzők talán e téren tudnak
legnagyobbakat, de mindenképpen leglátványosabbakat hibázni. Éppen ezért ezt a jelenséget
mindenképpen ki kell szűrnünk modelljeinkből. Ennek legegyszerűbb módja, ha korrelálatlan
 magyarázó változókat építünk be a regresszióba. Ilyeneket persze a valós életben nagyon ritkán
találni, de például főkomponens elemzés segítségével elő lehet állítani faktorok formájában →
5.5. Erre természetesen nincs mindig lehetőségünk, de nincs is mindig szükség rá.

Egy érdekes összefüggés: a sorrend-nagyság szabály


A regressziószámítás alkalmazásához vezet a területi kutatásokban sokáig determinisztikus modellként kezelt
sorrend-nagyság (rang-nagyság) vagy Zipf-szabály (Auerbach, F. 1913, Zipf G. 1949) is. Ez az összefüggés –
egy általános egyensúlyi összefüggést, az ún. Pareto-szabályt feltételezve45 (Illés I. 1975) – azt tartalmazza,
hogy egy térség (ország) nagyság szerinti sorrendbe rendezett városainak népessége (Vr) és a rangsorban
elfoglalt helye (r) között függvényszerű kapcsolat van:, mégpedig a lélekszám a legnépesebb város népességének
(P) és a rangszámnak hányadosa:

Vr = P/r vagy átalakítva

R = P/Vr

A legkülönböző országokra ellenőrizve ezt az összefüggés (újabban pélául Ioannides Y. M. – Overman H. G.

2003) azonban kiderül, hogy a városok eloszlása sokszor nem követi ezt a szabályt. Különösen szembetűnő ez
olyan országokban, ahol a vezető városnak kiugróan nagy a lélekszáma („pimate-city dominance”).
Erre hazánk is jó példa. Budapest lélekszámából levezetve a hazai városok népességeloszlását, a Zipf-modell
„alatti” eloszlást kapunk, ellentétes logikával, amikor például a 100. város lélekszáma alapján becsüljük meg
Budapestét a ténylegesnél jóval kisebb népességet kapunk (4.11. ábra).

Megkeresendő a tényleges eloszláshoz jól illeszkedő függvényt, a rangszám r valamely hatványával érdemes
számolni (ez elméleti alapesetben k =1):

Vr = P/rk
Az egyenletet logaritmizálva:

log Vr = log P + k* log r

Ez pedig egy klasszikus lineáris regressziós egyenlet: bal oldalon log Vr a függő változó, a jobb oldalon log P
konstans, r 1,2…n értéket felvevő változó, k pedig a becslendő regressziós paraméter.

45
Az eredeti munka: Pareto, V. Le Cours d' Economie Politique, Macmillan, London, 1896
 10 000 000

1 000 000
Népesség (fő) - logskálán

Elméleti Zipf-
eloszlás

100 000

Tényleges
eloszlás
10 000
1

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100
Rangszám

10 000 000

1 000 000
Népesség (fő) - logskálán

A 100. város népessége alapján becsült

Zipf-eloszlás

100 000

Tényleges
eloszlás

10 000
1

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100
Rangszám

4.11. ábra Az első 100 magyar város lélekszám szerinti eloszlása 2000-ben

4.4.6 Többváltozós lineáris regresszió az SPSS-ben (Jakobi Ákos)

A közismert statisztikai programcsomag SPSS 8.0 verziójában alkalmazott lépések a következők (csak
a legfontosabb beállítási teendőket ismertetjük):

1. Vizsgálati adatbázis összeállítása, illetve megfelelő formátumú behívása

2. Statistics / Regression / Linear – belépés a lineáris regresszióanalízis almenübe
3. Dependent – a függő változó kiválasztása.
4. Independent – a független változó(k) kiválasztása.
5. Method – a regressziós eljárás kiválasztása. Az „Enter” metódus az összes változót együttesen
alkalmazza a vizsgálatban, a „Forward” eljárás lépésről lépésre vonja be a változókat a vizsgálatba a
magyarázó erejük sorrendjében, a „Backward” módszer éppen ellenkezőleg, a magyarázó erő alapján
fokozatosan kiveszi a változókat a vizsgálatból.
6. Statistics – regressziós alapstatisztikák kiszámítása (pl. kollinearitás-diagnózis, Durbin-Watson
próba stb.)
7. Plots – az eredmények grafikus megjelenítésének beállításai.
8. Save – a mentendő végeredmények kiválasztása. Leggyakrabban a becsült (Predicted Values) és
reziduum (Residuals) értékek standardizálatlan (Unstandardized) vagy standardizált (Standardized)
változatait mentjük el.
9. Options – beállítások, opciók (pl. meghatározható a hiányzó adatok kezelésének módja).

Az eredménytáblák értékelése

A beállítások részletességétől függően számos táblázat, illetve azon belüli részeredmény jeleníthető
meg, amelyek közül a legfontosabbakat ismertetjük:

1. Variables Entered/Removed – a vizsgálatba bevont vagy eltávolított változók megnevezése

lépésenként.
2. Model Summary – összegző tábla a regressziós modell eredményességéről. A determinációs
együttható (R Square = R2) és a gyakrabban használt módosított R2 (Adjusted R Square) értéke
megmutatja, hogy a függő változó teljes varianciájából hány százalékot magyaráz regressziós
modellünk.
3. Coefficients – a regressziós együtthatók táblája. A lineáris regressziós egyenlet megalkotásához
szükséges együtthatók standardizálatlan (Unstandardized B) és standardizált formában (Standardized
Beta) is leolvashatók, melyek alapján eldönthető, hogy mely független változónk játssza a
legmeghatározóbb szerepet egyenletünk szerint a függő változó alakulásában. A tábla közli továbbá a
standardizálatlan együtthatók hibaértékeit, valamint az együtthatókhoz tartozó t-értékeket és a
kapcsolódó szignifikanciaszintet is.
4. Residuals Statistics – az eredményül kapott becsült és reziduum értékek főbb jellemzőit közli a
táblázat (minimum, maximum, átlag = Mean, szórás = Std. Deviation)

4.5 A térbeliség regresszió-elemzése

4.5.1. Területi autoregressziós modellek, területi dummyk


Az időbeli autoregressziv modellek mintájára (ahol egy adott y változását önmaga k évvel eltolt
értékeivel magyarázzák), felállíthatók olyan regressziós összefüggések, amelyekben a függő változót
szomszédai hasonló értékeivel magyarázzák (angolul ezeket spatial lag-változóknak nevezik).
Természetesen többváltozós modellek is szóba jöhetnek, amelyekben a lag-változók mellett a
hagyományos közelítésnek megfelelő más, nem a szomszédokra, hanem az eredeti megfigyelési
egységekre vonatkozó magyarázó változók is szerepelnek.

A lag-változók mellett a területiség szerepének érzékeltetésére gyakran találkozhatunk a

szakirodalomban ún. területi dummy-változókkal is. Ezek az adott területi megfigyelési egységek
aggregátumait azonosítják. Ha például Európa régió jelentik a kiindulást, dummy váltóként
szerepelhetnek egyes országok vagy a kontinens nagyrégiói. Ekkor például a Magyarország-
dummyban a 7 hazai régió kap 1-es értéket az összes többi régió pedig 0-át. Ha ez a dummy változó a
regresszió-optimalizálás (például a backward elimináció) után is megmarad szignifikáns magyarázó
erejűnek, akko az adott jelenségben a „magyarság” önálló faktorként van jelen. Országon belüli
vizsgálatoknál dummykkal érzékeltethető egyebek mellet a településnagyság hatása (akkor a
különböző nagyságkategóriák adják ezeket a bináris változókat), de sajátos zónák (például a
határmentiség) is megjelentethető íly módon a regresszióban. Utóbbi esetben azonban kedvezőbbnek
tűnik olyan folytonos távolsági, elérhetőségi változók szerepeltetése, amelyek minden változóhoz a
határoktól való távolságot rendeli.

A dummy-változók esetében fontos arra felhívni a figyelmet, hogy a teljes rendszert n aggregátumát
leíró változócsoport n-1 dummyból áll, az n.-ik egység ugyanis a többiből kiszámítható. Ha tisztán
ilyen magyarázó változókból áll a modell, akkkor az n.-ik megyéhez tartozó érték a modell konstansa
lesz. (Ha a hazai kistérségek elemzéséhez a régiók dummy-jait használjuk, akkkor 6 ilyen változó
szerepelhet.)

4.5.2 Térparaméterek

Ha arra a kérdésre keressük a mennyiségi, matematikai választ, hogy a térbeliségnek mekkora szerepe
van a társadalom, bizonyos jelenségek tagoltságában, mindenek előtt magát a térbeliséget illetve annak
komponenseit kell megragadnunk, számszerűsítenünk. Ilyen lehetőség az, ha a térbeli tagoltság
elemeiként három tényezőt:

• a lokalizálódást (a földrajzi közelségből eredő egymásrahatást),

• a regionalizálódást (a nagytérségi tagoltságot) és
• a földrajzi centrum-periféria kettősséget

jelöljük meg sajátos tagozódási tényezőkként.

Ahhoz, hogy számszerű eredményekhez juthassunk, e komponenseket is számszerűsítenünk kell. A

lokalitás-tényezőt mérhetjük például a legközelebbi szomszédok adott jellemzőjének hasonlóságával,
együttmozgásával, a regionalizmus jelenlétét a földrajzi koordináták segítségével közelíthetjük, a
centrum-periféria tagoltságot pedig egy kiválasztott központtól mért távolsággal azonosíthatjuk. Az
így számszerűsített térkategóriákat – természetesen más lehetőségek is elképzelhetők, ezek feltárása,
azonosítása maga is kutatási feladat lehet – beépítve egy regressziós modellbe, mérhetővé válik a
"térhatás".

Ha valamely társadalmi paramétert (P) n pontban (például városban) mérünk, felállítható az alábbi
regressziós egyenlet (maga a számítás bármely szokványos számítógépes statisztikai
programcsomagban megtalálható regressziószámítási eljárással elvégezhető):

Pi = ao + axXi + ayYi + adDi + anNi + Ei

ahol a függő változó: Pi = a vizsgált változó az i-edik pontban

a magyarázó változók:
Xi,Yi = az i-edik pont földrajzi koordinátái
Di = az i-edik pont távolsága egy adott központtól
Ni = a Pi változó értéke az i-edikhez legközelebbi pontban
Ei = a regresszió hibatagja
ao, ax, ay, ad, an = a regressziós konstansok,

Ha az eljárást Magyarországra konkretizáljuk, akkora a pontok az ország városainak felelhetnek meg,

a földrajzi koordináták a városok középpontjának térképi koordinátái lehetnek, legközelebbi
szomszédon nyilvánvalóan a legközelebbi várost értjük. A centrum-periféria változóként (Di) logikus
a Budapesttől mért távolságot választani. (A fővároson belüli vizsgálatban a 0 km-kőtől mért távolság
lehet ez az érték.) Világosabb és érthetőbb a regressziós egyenlet tartalma, ha vizuálisan is
megjelenítjük. A regressziós modellben használt négy sajátos magyarázó változó a 4.12. ábra szerinti
térszerveződési struktúrák jelenlétének vagy hiányának kimutatására alkalmas. Ezek a térmérettől,
kiterjedéstől függetlenül felfedezhetők a társadalmi térben, az eljárás alkalmazható egy ország egy
térség vagy akár egy város társadalomszerkezeti elemzésében is. Alkalmazási feltétel, hogy a
vizsgálatban szereplő mintavételi pontok egyenletesen vagy véletlenszerűen fedjék le a vizsgált
területet, ne legyenek üres, illetve túlzsúfolt részek, mert ez a vizsgálat megbízhatóságát rontja – e
feltételnek a hazai városhálózat jól megfelel.
4.12.ábra A regressziós modell magyarázó változói által leírt térszerveződési sémák (Nemes Nagy J. 1993)

4.5.3 A térbeliség magyarázóereje Európa tagoltságában (Szabó Pál)

A térbeliség magyarázóerejének szerteágazó kutatásából itt csak egy szeletre térünk ki, a földrajzi
helyzet kapcsolatára néhány, ún. fő indikátorral (népsűrűség, aktivitási ráta, munkanélküliségi ráta,
foglalkozási szerkezet – ágazatokban dolgozók aránya, egy főre jutó GDP).

Térbeli keretként egy „szűkített” Európát választottunk: a tizenöt EU tagállamot és a vizsgálat

évében (2000) még csatlakozásra váró, tíz volt szocialista országot (CECC: Bulgária,
Csehország, Észtország, Lengyelország, Lettország, Litvánia, Magyarország, Románia,
Szlovákia, Szlovénia). A vizsgálatból elhagytuk Ciprust, Máltát, valamint a francia
tengerentúli területeket, a Kanári-, az Azori-szigeteket és Madeirát. Regionális szintnek a
NUTS 2-et jelöltük meg, így összesen 257 területi egységre tagolt a vizsgálati tér, az EU 204
egysége és a CECC 53 területi egysége. E regionális szint heterogenitását mutatja, hogy a
területnagyság szempontjából 119%, a népességszám mentén 80%-os a relatív szórás.

A földrajzi helyzet különböző térparaméterei közül a fekvést (ÉD, NyK) a határmenti fekvést, a
gazdasági centrumtól való távolságot (TÁV) és a szomszédságot (SZOM – a vizsgált indikátorok értéke
a szomszédos régiókban) választottuk.

A régiókat pontokkal azonosítottuk, úgy, hogy a régió központját (székhelyét vagy ennek hiányában a
legnépesebb városát), és annak földrajzi koordinátáit vettük. Ha ezt koordinátarendszerbe rendezzük,
akkor a tengelyek irányának észak-délt és kelet-nyugatot, az origónak pedig a pontok koordinátáinak
számtani átlagát (vagy a jobb alsó sarkot) választhatjuk (4.13. ábra).
 4.13. ábra „Európa” regionális ponttérképe

A határmenti fekvés – térképek alapján – könnyen azonosítható. Itt a számszerűsítésre dummy-

változót választottnk (tengerparti fekvés=1, nem tengerparti fekvés=0). Gazdasági centrumnak –
pontként való értelmezhetősége miatt – a GDP súlypontját választottuk. A gazdasági súlypont Európa
esetében valós tartalommal rendelkezik, mivel a fejlett magterület – a Délkelet-Angliától a Benelux
államokon, a Rajna-vidéki urbanizációs tengelyén és Svájcon keresztül Észak-Olaszországig húzódó
övezet – Európa központi részén fekszik, és a súlypont ennek „közepére” esik. Külön paraméterként
teszteltük az Uniós tagságot (ami politikai értelemben „Nyugat-Kelet”, de a térben is nagyjából
válaszvonalként jelenik meg, dummy változóként: tagság =1, csatlakozási szándék = 0).

Az összetett térszerveződés jellemzőit egy többváltozós lineáris regresszióanalízis segítségével

vizsgáltuk, ahol független változóként térparamétereket választottunk (észak-dél, kelet-nyugat,
súlyponttól való távolság, szomszédság), függő változóink az említett indikátorok voltak. Az analízis
során backward eliminációt alkalmaztunk, így a magyarázóerővel nem vagy csekély mértékben
rendelkező térparaméterek kiestek (4.7. táblázat).

A hat mutató közül négynél a szomszédsági hatás az egyedüli meghatározó térszerkezeti jegy,
kettőnél viszont összetettebb a kép: a szomszédság kiemelkedése mellett más térfaktorok is
szignifikánsak. Habár e vizsgálatokból kevésbé domborodott ki, ismert és elismert a centrum-
periféria modell léte az Európai Unióban. Több esetben a centrumtól való távolságra, a
perifériális helyzetre vezetik vissza például az elmaradottságot, azaz a magterülettől való
távolság, mint magyarázótényező szerepel. Azonban ez a térbeli reláció jelentősen
megváltozik a bővitéssel, mivel a kelet-közép-európai országok régiói az integráció keleti
peremén fekszenek, és döntő többségük fejlettségben jelentősen elmarad az uniós átlagtól. Új
földrajzi dimenzió, a nyugat-kelet ellentét válik az Unió fejlettségi képének egyik fő térbeli
jegyévé. A NyK pozíció magyarázó erejének növekedését jól jelzi az, hogy a determinációs
együttható megkétszereződik, az ÉD megosztottság ellenben visszaszorul, a determinációs
együttható alig harmadára esik vissza (4.15. és 4.16. ábra), ha csak a „régi” vagy csak az „új”
tagokra vagy a két csoportra együtt végezzük el a számításokat (további részletek: Szabó P.
2003).
 .15. ábra Regionális fejlettség a Nyugat-Kelet pozíció függvényében Európában

4.16. ábra Regionális fejlettség az Észak-Dél pozíció függvényében Európában

Aktivitási ráta Munkanélküliségi Mezőgazdaság Ipar Szolgáltatás GDP/fő

(%) ráta (%) (%) (%) (%) (PPS)
R2 0,79 0,64 0,62 0,52 0,43 0,36
Béta (%) SZOM (89) SZOM (80) SZOM (40) SZOM (72) SZOM (65) SZOM (37)
ÉD (-22) TÁV (-20)
TÁV (21) ÉD (15)
NyK (18)
4.7. táblázat A regresszióelemzés főbb eredményei
 5 ÖSSZETETT JELENSÉGEK, OSZTÁLYOZÁS,
REGIONALIZÁLÁS
5.1 Összetett jelenségek mérésének igénye

A területi kutatásokban a településeket, térségeket, országokat gyakran nem pusztán egy-egy

jelzőszám alapján jellemezzük, hanem a különböző nagyobb anyagi és intézményi vagy épp tudati-
szellemi szférákat egészükben, összevontan írjuk le, sőt a társadalmi tevékenység egészére vonatkozó
minősítést is adunk.

Erről van szó akkor, amikor egy-egy összetett társadalmi szféra, ágazat (például az infrastruktúra s az
ehhez kapcsolódó ellátottság) vagy a vizsgált térségek fejlettségi szintjének meghatározása a cél. De
hasonló, gyakorta elemzett összetett fogalom a regionális kutatásokban például a városiasodottság, az
urbanizáltság vagy ennek épp ellentéteként a ruralitás, a vidékiség46. De ide tartozhat a fekvési
hátrányokat kiemelő periferialitás, illetve annak erősebb társadalmi töltetű párjai: az elszigeteltség,
kirekesztettség. A sor folytatható az életkörülmények, az innovativitás, a versenyképessé47g vagy az
„puhább” identitás területi vizsgálatával.

Kissé távolabb tekintve, a társadalomkutatásban hasonló összetett fogalom az elégedettség, a gazdagság vagy a
szegénység, az egészség és a boldogság vagy épp a deviancia is. E fogalmakat az előbbiektől tulajdonképp
csak a jellemző megfigyelési egység választja el. Előbbieket – a következőkben ezek példáján mutatjuk be az
összetett jelenségek és fogalmak elemzésének lehetőségeit és eszközeit – területi megfigyelési egységekben
elemzik, utóbbiak esetében pedig az egyének és a társadalmi csoportok kerülnek minősítésre és
összehasonlításra. Természetesen van átjárás a kétfajta közelítés között, hisz például a szegénység vagy az
egészségi állapot vizsgálható a legkülönbözőbb térségi keretekben is.

A “gazdag” – miként a vele sok tekintetben analóg módon értelmezhető “szegény”, s a regionális
elemzésekben gyakorta előforduló “fejlett” vagy épp az “elmaradott” – kategória kapcsán leginkább a mérés, a
reális számbavétel nehézségeit szokás elsőként emlegetni. Mielőtt azonban bármit mérnénk vagy
számbavennénk, jó látni azt is, hogy ezen fogalmak értelmezésében jól elkülöníthető jelentések illetve
álláspontok fedezhetők fel. Három, világosan elkülöníthető megközelítése e fogalmaknak (Förster, M. F.
1998) az abszolút, a relatív és a szubjektív megközelítés.

“Abszolút gazdagnak” talán azon keveseket tekinthetjük – hangsúlyozottan a szó materiális értelmében –,
akiknek az életvitelében lényegében semmifajta anyagi korlát nincs. A “relatív gazdagok” már többen vannak,
ők azok, akiknek a többieknél jellemzően és érzékelhetően “több jut”. A “szubjektív gazdagság” azon
kevesekre jellemző – ugyancsak a leszűkített anyagi értelemben –, akiknek “az az érzésük”, hogy a maguk
életviteléhez kielégítő nagyságú jövedelemmel rendelkeznek. Azokban az empirikus, statisztikai alapú
vizsgálatokban, amelyek a fenti fogalmakkal operálnak, jellemzően azok relatív értelmezése jelenik meg, ez a
tartalom operacionalizálható ugyanis legkönnyebben.

Ugyancsak markáns szemléleti és kutatási irányzatot jeleznek azok a – jellemzően szociológiai indíttatású –
vizsgálatok, amelyek nem ragadnak meg a gazdag-szegény leegyszerűsítő dichotómiánál, az egyetlen számmal
kifejezhetőnek vélt jövedelemszintnél, hanem kifejezetten többdimenziós térben helyezik el és azonosítják az
egyes társadalmi csoportokat. Egy ilyen irányú hazai elemzésben (Fábián Z. – Róbert P. – Szívós P. 1998)
például a következő nyolc ún. státuszcsoportot határozták meg a kutatók: jómódú, fogyasztáscentrikus,
megtakarításcentrikus, vagyonos fogyasztó, vagyonfelélő, vagyontalan fogyasztó, deprivált, szegény. (A
jelzett kutatás kapcsán itt csak arra utalunk, hogy e csoportok azonosításában minden korábbi hasonló
vizsgálatnál markánsabban jelenik meg a települési és regionális helyzet, jelezvén a térdimenzió határozott
felértékelődését a társadalmi tagozódásában a rendszerváltozást követően.)

Az összetett jelenségek és fogalmak mérésével kapcsolatban hangsúllyal kell felhívni a figyelmet

néhány nagyon általános szempontra (elvre, nehézségre):

46
A korábban már említett → 1.1.3 leegyszerűsítő népsűrűségi kritériummal szemben Csatári Bálint több
tanulmányában kifejezetten sokdimenziós tartalommal elemzi a vidékiséget (pl. Csatári B. 2000).
47
E fogalmat taglaló átfogó elméleti és empirikus munka: Lengyel I. 2003.
1. Az összetett fogalmak és jellemzők – épp összetettségük okán – nehezen számszerűsíthetők.
Korlátozott információs feltételek között is meg lehet azonban kísérelni a mennyiségi
vizsgálatokat, de a korlátok tudatában illő visszafogottsággal kell értékelni, értelmezni az
eredményeket.
2. A társadalmi jelenségek összetettsége, sokdimenziós jellege kettős kihívást jelent a területi
elemzésben. Egyrészt törekedni kell arra, hogy a vizsgált jelenségnek minden lényeges
tartalmi elemét figyelembe vegyük, másrészt arra, hogy még áttekinthető legyen a vizsgálatba
bevont információtömeg. Bár vannak már sok vizsgálatban használt, bevett indikátorok,
amelyek nyilvánvalóan összefüggenek a vizsgálni kívánt jelenséggel (például a térségi
fejlettséggel), nincs egyöntetű tudományos válasz arra, hogy egy-egy komplex jelenséget
milyen indikátorokra támaszkodva mérjünk, jellemezzünk. A jelzőszámok kiválasztása a
kutató feladata és felelőssége.
3. Noha az összetett jelenségek méréséhez mindenki által elfogadott, stabil változólista nem
rendelhető, az elemzett indikátorok jellegét tekintve megfogalmazhatók szabályok. Ilyen
például az, hogy általában nem szabad keverni az elemzésekben a társadalmi-gazdasági
jelenségek abszolút illetve relatív (fajlagos) mutatóit. Az előbbi csoport ugyanis jellemzően a
területi koncentrációt, a nagyságeloszlásokat tükrözi, míg utóbbi kapcsolódik az erősebb
értéktartalmú „fejlettségi” (hatékonysági, ellátottsági stb.) fogalomkörhöz. A kétfajta közelítés
természetesen összekapcsolható – két párhuzamos vizsgálat eredményei összevethetők (pl.
korrelációs analízissel) azt tesztelendő, hogy a területi koncentráltság és a fejlettség együtt
mozog-e egymással.
4. A vizsgálatok eredményeként kapott rangsorok, típusok jellemzően relatív osztályozást és
összehasonlítást jelentenek. Az összehasonlítás két legfontosabb útja az időbeli, történeti és a
térbeli, keresztmetszeti összehasonlítás. Egyetlen terület (város, ország) önmagában nem
minősíthető fejlettnek vagy elmaradottnak, helyzete csak korábbi állapotaival vagy más
területekkel összehasonlítva értelmezhető.
5. Bár gyakran az a cél, hogy valamifajta egyértelmű rangsorhoz jussunk, sohasem szabad
elfeledni, hogy az összetett jelenségek mérésének számos bizonytalansága okán nagy
megbízhatósággal inkább csak (fejlettségi) csoportok kijelölésére van mód. Egy komplex
mutatót nincs értelme 7-8 tizedesnyi „pontossággal” kiszámítani, s tízezrednyi különbségek
alapján rangsorolni, megkülönböztetni a vizsgált egységeket. Ezekről leginkább csak az
állítható ugyanis, hogy közel azonos a pozíciójuk.
6. Az eredmények minősítésével nemcsak az információs és mérési nehézségek okán kell csínján
bánni, hanem azért is, mert e fogalmakhoz markáns társadalmi értéktartalmak és szubjektív
minősítések ragadnak. Ugyanazon („fejlett”) életviszonyokat egyesek kívánatosnak tartják,
mások elutasítják, sok szegény gazdagnak gondolja magát, míg a gazdagok elégedetlenek
lehetnek a mások által csak óhajtott körülményeikkel.
7. Egy fejlettségelemzés nem attól lesz jó, hogy benne összetett matematikai-statisztikai
módszert használtunk. Gyakorta egy-egy sajátos jelzőszám önmagában is jól tükrözheti az
összetett jelenség lényegét és jellegadó területi sajátosságait. De egy vizsgálat önmagában
attól sem lesz jó, hogy a legkönnyebben elérhető, primitív adatokat nevezzük ki érdemi
változóknak. Amennyiben adottak a megfelelő információs adatfeltételek, a regionális
kutatások (vagy a tágabb társadalomkutatás) eredményeiből meríthetők alkalmas, az
összetettséget átfogni képes módszerek (lásd épp az e fejezetben bemutatott eljárásokat).
8. Kevésbé tudománymetodikai, mint inkább társadalomfilozófiai és politikai szempontként
megemlíthető, hogy azokban az esetekben, amikor az összetett jelenségek mérése irányítási
feladatként merül fel (például a térségi elmaradottság meghatározása a támogatandó területek
kijelölésekor) helyesebb az érintett állampolgárok széles köre által is érthető és így
kontrollálható, viszonylag egyszerű mutatószámok és eljárások használata, míg az
összetettebb módszereket helyesebb a tudományos célú elemzések során alkalmazni.
9. Az összetett fogalmak meghatározását célzó eljárásokkal épp ellentétes vizsgálati utat jelent
az, amikor nem a komplex, együttes értékelés, hanem a jelenség összetevőinek, tényezőinek,
ezek szerepének, súlyának meghatározása a cél. Ekkor sajátos elemzési eszközök is szóba
kerülnek (a tényezőkre bontás módszerei → 5.6, 5.9).
 10. Az eljárások közül azonban több lehetőséget ad az adott összetett jelenség elemeinek
értékelésére is. A komplex mutatókkal meghatározott fejlettségi szintek esetében például
érdemi kutatási feladat lehet azt megvizsgálni, hogy az adott fejlettségi szint az egyes
összetevők tekintetében mennyire homogén, illetve kiegyensúlyozatlan tényezőkből tevődik
össze. A leggyakoribb összefüggés az – de ezt minden egyedi vizsgálat esetében ugyancsak
érdemes ellenőrizni –, hogy a legfejlettebb, illetve legelmaradottabb térségek a fejlettségi
összetevők tekintetében egyaránt a legjobb illetve legrosszabb pozíciókban vannak, míg a
közepes, átlag körüli fejlettségi szinttel jellemzően együtt jár az egyes összetevők nagy
szórása (e térségek egyes mutatószámokban esetenként nagyon kedvező, másokban pedig épp
nagyon kedvezőtlen jellemzőkkel bírnak).

5.2 A sokdimenziós és sokmutatós jelleg

Az összetett fogalmak közös jellemzője azok sokdimenziós és sokmutatós jellege. Ez a kettős

sajátosság jelöli ki vizsgálatuk, mérésük útjait, aminek logikai vázát az 5.1. ábrán foglaltuk össze.

• A sokdimenziós jelleg azt jelenti, hogy például a fejlettségnek számos oldala, tényezője, egymásba
át nem vihető eleme van, még ha ezek között mérhetők tendenciaszerű együttmozgások is.
Fejlettségi dimenzió lehet egy térség esetében például a humán tőke nagysága, a gazdaság
teljesítménye, a településszerkezet vagy a műszaki ellátó hálózatok sűrűsége éppúgy, mint
bizonyos intézmények, társadalmi viselkedésminták megléte vagy hiánya, de a természeti
környezet állapota vagy a politikai stabilitás is. Ráadásul a különböző dimenziók fontosságának,
szerepének megítéléséhez térben és időben is változó társadalmi értéktartalmak kapcsolódnak, ami
csak fokozza a közmegegyezés nehézségét a fejlettség értelmezésében.

• A fejlettség és a hasonló összetett fogalmak sokmutatós jellege abban jelentkezik, hogy az egyes
dimenziók általában nem írhatók le egyetlen mutatószámmal, hanem állapotuk, helyzetük többféle
módon is mérhető, ami mérési, statisztikai nehézséget jelent. A humán tőke volumenének,
színvonalának vizsgálatakor például a társadalomföldrajz méltán egyik legkedveltebb fogalma a
népesség iskolázottsági szintje. Ennek egyaránt mérőszáma lehet a felsőfokú végzettségűek vagy
épp az írástudatlanok aránya, de akár egy olyan komplex mutató is, ami a képzettségi szinteket a
hozzájuk rendelhető elvégzett osztályszám alapján hozza közös nevezőre. Ezek jellemzően együtt
mozgó (egymással szoros korrelációban lévő) mérőszámok, de mégsem ugyanazok, a
fejlettségelemzésbe bármelyik bevonható48. Hasonló a helyzet a többi fejlettségi dimenzió esetében
is.

A fenti kettős jellegzetességből az is következik, hogy az összetett jelenségek leírásába bevont egyes
dimenziók önmagukban is összetettek. Számos vizsgálat ebből következően olyan számítási menetet
követ, hogy előbb az egyes dimenziókra (sajátos társadalmi részterületekre) konstruál azokat komplex
módon leíró új adatsorokat, majd ezeket valamiként összegezve állítja elő a végeredményt (például a
fejlettségi rangsort). Ez látszólag logikus eljárás, azonban azt az implicit feltételezést tartalmazza,
hogy az egyes sajátos társadalmi-gazdasági dimenziók térszerkezete egymástól független. Erről
azonban szó nincs. A gazdaság értéktermelési jellemzői, a humán adottságok, az infrastruktúra ugyanis
nem egymástól elszigetelten vannak jelen a térben, hanem kölcsönkapcsolatban léteznek, elemeik
sajátosan kombinálódnak. Így, ha valóban az a célunk, hogy az eredetileg meghatározni kívánt
sokdimenziós jelenségre (azaz például a komplex módon értelmezett térségi fejlettségre) kapjunk
mérőszámot, ez az előzetes részekre bontás nem megengedhető49. Igaz ugyan, hogy ennek hiányában
nehezebben értelmezhető indikátorok jelenhetnek meg a vizsgálat végeredményeként. A

48
De: pl. a fejlett országokban az analfabétizmus semmitmondó, viszont a legelmaradottabb országokban a
felsőfokú végzettség lehet kevésbé jellemző, differenciáló adat (a Lektor megjegyzése).
49
Természetesen két önálló jelenségkörre külön-külön is végezhető többváltozós vizsgálat, majd azok
eredménye összevethető (ez a logikája például F. Kovács E. 1991 városszerkezeti faktoranalízisének, ahol a
társadalomszerkezeti illetve a lakásminőségi dimenzió önállóan vizsgált, majd összevetésre kerül).
faktoranalízisben (→→ 5.5) például az egyes dimenziók bizonyos mutatószámai gyakran más dimenziók
elemeivel kapcsolódnak össze (például a munkanélküliségi mutatók nem a tisztán gazdasági
jegyekkel, hanem a humán jellemzőkkel vagy épp a hálózati infrastruktúra mutatóival), mivel a
fejlettségi térszerkezet nem egyszerű összege az egyes, látszólag elkülönülő sajátos szféráknak.

Sokdimenziós jelleg
(önálló társadalmi részterületek együttesen adják ki pl. a térségi fejlettségi szintet)

Gazdaság Humán szféra Politikai Környezeti állapot

intézményrendszer

Sokmutatós jelleg
(az önálló társadalmi részterületek sokfajta jelzőszámmal, adattal írhatók le)

J11 J12 J1n J 21 J22 J2m J31 J32 J3k J41 J42 J4p

Összetett fogalom számszerűsítése

Kiemelt mutatószám Komplex mutató

Azonos naturáliára Standardizált, normalizált Matematikai-statisztikai

Statisztikai számbavétel transzformálás összevonás információsűrítés és
dimenziócsökkentés
Egy lakosra jutó GDP, „Öko-lábnyom” Bennett-mutató, HDI Faktor- (főkomponens-)
írástudatlanok aránya analízis
Könnyen értelmezhető, Jól értelmezhető, Könnyen számítható, Nehezen számítható,
egydimenziós, homogén egydimenziós, a súlyozás legtöbbször többdimenziós,
nem tükrözi a fogalom mutatócsoportokra megoldatlan tükrözi az összetettséget
összetettségét alkalmazható

5 1. ábra Az összetett fogalmak és jelenségek mérésének logikai váza és példái

Mindebből az következik, hogy az összetett jelenségek területi vizsgálatakor az adatbázis

összeállításának fázisában indokolt érvényesíteni a vélhetően releváns dimenziók szerinti logikát, de a
komplex értékelés eredményeként létrejövő struktúra saját új dimenziórendszere ezt nem kell feltétlen
kövesse. Gyakori példa az, hogy a területi fejlettségvizsgálatokban megjelenik egy-egy
„urbanizáltsági” dimenzió, faktor, anélkül, hogy az eredeti adatbázisban a városi fejlettséget tükröző
adatok elkülönült csoportja megjelent volna. Ez az új dimenzió az egyes eredeti változócsoportokból
válogatódik össze, s kaphat új elnevezést is.

Az összetett jelenségek, fogalmak mérése két nagy irányra bomlik50:

• Amikor egy-egy (általában sokak által elfogadott) kiemelt mutatót használunk az adott jelenség
mérésére (ennek jellegzetes példája a fejlettségnek az egy lakosra jutó GDP-vel történő mérése),
lényegében figyelmen kívül hagyjuk az adott jelenség összetett, többdimenziós jellegét (a GDP
használatakor például a „fejlettséget” a gazdasági értéktermelésre szűkítjük). Előnye e
közelítésnek, hogy a vizsgálatba vont mutató általában közvetlen statisztikai számbavétel alapján
rendelkezésre áll, s mivel egyetlen adatsort jelent, azonnal megadja a „fejlettségi” rangsort,
mértékegysége közismert (a GDP esetében valamilyen pénzegység).
• A sokdimenziós és sokmutatós jelleget visszatükröző eljárások során különböző komplex
mutatókat állítanak elő az adott fogalom mérőszámaként, arra törekedve, hogy az így kapott
értékek a jelenség összes lényeges oldalát tartalmazzák. Ez az út két nagyobb irányra bomlik:
ismerünk egyszerűbb számtani, statisztikai műveletekkel előállítható mutatókat, s összetett
eljárásokat.

A következőkben sorra vesszük a legfontosabb módszereket, alkalmazásuk feltételeit.

5.3 Kiemelt mutatószámok használata

A regionális elemzések indikátorai közül kétségkívül az egy lakosra jutó jövedelmek, illetve az
értéktermelés mutatói a legelterjedtebbek. Mielőtt ezek számbavételének, értelmezésének kérdéseit
részleteiben is áttekintenénk, érdemes felhívni arra is a figyelmet, hogy néha egy-egy különleges, akár
parciálisnak tűnő jelzőszám is nagyon jó szintetikus indikátora lehet egy adott jelenség térbeli
tagoltságának vagy egy időszak térfolyamatainak, új jelenségeinek. Ilyen megtalálásához (ha
egyáltalában hozzáférhető) és használatához bizonyos kutatói intuíció és bátorság is szükséges.
Néhány hazai példa:

• „orvoslátta halottak aránya az összes meghaltak közül” – Beluszky nagy hírnévre szert tett
modernizációs mutatója a XIX. század utolsó évtizedei modernizációs tagozódásának jelzésére
(Beluszky 2000)
• „a számítástechnikai foglalkozásúak, illetve a kézi anyagmozgatók és szállítómunkások aránya” –
Nemes Nagy használta 1980-ra az újabb technikai, gazdasági modernizációs szakasz kezdetének
rendkívüli megyei szintű polarizáltságát érzékeltetve (Nemes Nagy J. 1990)
• „a világútlevelek népességre vetített száma” – Rechnitzer mutatója (1990) a rendszerváltozáshoz
kapcsolódó „szabadságjog” igénybevételének területi egyenlőtlenségeit írta le, s erősen korrelált a
területi fejlettségi jelzőszámokkal (Rechnitzer J. 1993)
• „használtcikküzletek népességre vetített száma” – 1998-ra Kiss János Péter elemezte ennek a
jelzőszámnak a sajátos térbeli megoszlását. A mutatószámban az ország gazdaságilag legelmaradottabb
megyéje, Szabolcs állt az élen (Kiss J. P. 2001)
• „CB-rádió tulajdonosok népességre vetített száma” – Nemes Nagy és Ruttkay gyűjtötte össze a
nyolcvanas években (tehát egy évtizeddel „mobil-korszak” előtt) a műszaki innovációs terjedési
folyamatok hierarchikus jellegét bizonyítandó (Nemes Nagy J. – Ruttkay É. 1987)

50
Nem soroljuk ide azokat a vizsgálatokat, amikor egy-egy jelenségkör, társadalmi szféra fontos komponenseit,
jelzőszámai egyenként elemzik, mellőzve az összevont értékelést (módszertani szempontból épp az összetett
jelenségek vizsgálatának említett nehézségei okán ez elfogadhatóan realista nézetrendszert tükröz). Az ilyen
vizsgálat önmagában semmivel sem kevésbé értékes, mint egy összetett módszertanú, előnyei közé tartozik,
hogy a módszertanilag kevésbé felvértezett felhasználói kört is elérheti (példamutató megoldásként lásd a hazai
lakáspiac elemzéséről Farkas – Kovács – Székelyné 2004 vagy a választási földrajzból: Mészáros – Szakadát
1999).
Hasonló, jól interpretálható és minden bizonnyal összetett társadalmi-gazdasági tartalmakat magukba
sűrítő jelzőszámokkal, ha nem is váltható ki a sokdimenziós, sokmutatós elemzés, de fontos
adalékokkal járulhatnak hozzá a területi tagoltság feltárásához. Ahogy a fenti jelzőszámok is sugallják,
különösen az átmeneti, sajátos új tartalmakat hozó korszakok kezdetén lehet néhány sajátos indikátor
emblematikus értékű. Érdemes tehát ilyen mutatószámokat is keresni, netán megalkotni! (Hasonló,
aktuális mutatók alkothatók az információs társadalom elemzésére → 5.8). Előfordul, hogy az
egyébként nagyon is összetett, sokoldalú jelenségek mérésére egészen egyszerű jelzőszámot
alkalmaznak, ha csak így biztosítható a széles körű, nemzetközi összehasonlíthatóság (vidékiség →
1.1.3).

5.3.1 A GDP

A Gross Domestic Product (GDP), amelynek a szószerinti fordítástól – bruttó hazai termék – eltérő, a mutató
valóságos tartalma, értelme szerinti magyar megfelelője a belföldi hozzáadott érték, a nemzetgazdasági
mérlegrendszerek egyik központi fogalma. Az egy adott időintervallumon (általában egy éven) belül, egy adott
megfigyelési egységben (leggyakrabban egy országban) a teljes gazdasági tevékenységben előállított,
pénzértékben (jellemzően a nemzeti valutában) mért új értéket jelenti.

A gazdasági szereplők által létrehozott hozzáadott érték – megfelelő gazdaságstatisztikai (mérleg) információk
birtokában – két úton, "felülről" illetve "alulról" számítható. A GDP egyrészt a bruttó termelési érték és a folyó
termelő-felhasználás különbözeteként, másrészt a bruttó munkajövedelmek, az adózatlan eredmény és az
amortizáció összegeként adódik. A GDP a korábban leggyakrabban használt értékmutatótól, a nemzeti
jövedelemtől alapvetően a számbavétel során figyelembe vett ágazati tevékenységi kör tekintetében különbözik.
Míg a nemzeti jövedelem csak az ún. anyagi ágakban (ipar, mezőgazdaság, termelő szolgáltatások) létrehozott új
értéket tartalmazza, addig a GDP kiterjed a nem anyagi szolgáltató (tercier és kvaterner) tevékenységekre is.
Szemléletében például az oktatás és az egészségügy is "termelő" ágazat, s nem pusztán fogyasztója a társadalmi
jövedelmeknek. A jellemzően non-profit szellemi szolgáltatások területén a GDP lényegében a bruttó
munkajövedelmekkel azonos.

A GDP számbavételével kapcsolatos elméleti és gyakorlati problémák, dilemmák közül – a fogalom fenti
definíciójából kiindulva – mindenek előtt a teljes gazdálkodási kör fogalmát kell említenünk. Teljeskörűségre
törekedve a GDP-nek tartalmaznia kell a gazdaság minden szférájában (nemcsak a legális gazdaságban)
létrehozott új értéket. A gond itt az, hogy a gazdasági tevékenységek kisebb-nagyobb köre nem mért, mert
rejtett, nem számbavett (fekete gazdaság) illetve ha nyílt is, csak becsülni lehet a teljesítményt (például a
háztartási munka). A GDP megbízhatósága nagyban függ e tevékenységek súlyától, s ez minden szinten
bizonytalanná, vitatottá teszi az értékeket. A nyílt, legális gazdaságban keletkezett GDP valósághűsége
ugyanakkor alapvetően a gazdaságstatisztikai rendszer megbízhatóságától függ.

A fenti definíció termelési oldalról határozza meg a GDP tartalmát, értelmezhető azonban a GDP felhasználási
(fogyasztási és felhalmozási) oldalról is. A két oldal volumene a külső pénzügyi kapcsolatok következtében
jellemzően nem azonos, a felhasznált jövedelem a fizetési mérleg függvényében eltérhet a megtermelt értéktől.
Regionális metszetben lényegében ez a kettősség jelentkezik az ingázók jövedelmei vagy a lakóhelytől elváló
üdülőtulajdonból (bérbeadás) származó jövedelmek esetében.

A folyó áron, nemzeti valutában mért GDP csak az adott időpont (év), s az adott megfigyelési egység (ország)
aktuális gazdasági folyamatait jellemzi. Időbeli, történeti összehasonlítás esetében szükség van a változatlan,
összehasonlító áras, nemzetközi összehasonlítás esetében az azonos pénznemben kifejezett érték kiszámítására
is. A nemzetközi összehasonlítást lehetővé tevő egységesítés két jellemző útja az érvényes devizakurzusok
szerinti, illetve az ún. vásárlóerő-paritásos egységesítés, ami általában eltérő eredményre, arányokra vezet. A
kelet-közép-európai országok például az alacsonyabb árszínvonal miatt a vásárlóerő-paritásos összevetésben
jóval közelebb vannak a legfejlettebb országok GDP-szintjéhez, mint a nyers valutakurzusok szerinti
átárazáskor. (Ez utóbbi módszert használja a világ országaira éves rendszerességgel kiadott adatsoraiban a
Világbank, míg az EUROSTAT az EU-régiók gazdasági pozícióinak jellemzésére mindkét közelítést közreadja).
A magyar GDP euróban kifejezve relatíve jóval alacsonyabb, mint a vásárlóerő-paritásos érték. Előbbi
tulajdonképpen azt a jövedelmi, illetve árviszonyt jellemzi, amit a magyar turisták az alpesi sízés illetve a német
vendégek a balatoni nyaralás során érzékelnek, míg a vásárlóerő-paritásos érték a hazai jövedelemtulajdonosok
itthoni vásárlóerejét tükrözi51.

5.3.2 A GDP területi szinten (GRP)

A fenti értelmezési és számbavételi problémák mindegyike jelentkezik akkor is, ha a GDP-t nem
országos szinten, hanem területileg dezaggregáltan kívánjuk meghatározni, s újabb speciális
nehézségek, elméleti és gyakorlati problémák is megjelennek. A területi számbavételkor a
"belföldnek" egy-egy térség, régió területe felel meg. A területi GDP-re esetenként külön fogalmat is
használnak, megjelölve a sajátos számbavételi szempontot. Ez a megnevezés a Gross Regional
Product (GRP), a regionális hozzáadott érték.

A GDP területi számbevételekor a legprofánabb, gyakorlati gond az, hogy a területileg bontott,
hozzáférhető gazdasági, értéktermelési információk köre jóval szűkebb az országos szinten
rendelkezésre állókénál. Elméleti gondot jelent az, hogy nem minden gazdasági tevékenység
lokalizálható egyértelműen → 1.2.9. E problémák miatt – miközben törekedni kell a tényadatokon
nyugvó GDP-számbavétel intézményes feltételeinek fejlesztésére – nem küszöbölhető ki a
mutatószám részben becsült jellege, s így kisebb-nagyobb mértékű statisztikai bizonytalansága.

Magyarországon az elmúlt évtizedekben több kutató foglalkozott a gazdasági értéktermelés térségi

számbavételével. A kísérletek sorát a hatvanas évek közepén Kulcsár Viktor és Bartke István ún. „korrigált
nemzeti jövedelem” számításai nyitják, a mezőgazdaságra és az iparra kiterjedően (Kulcsár V. 1969, Bartke I.
1971). E módszerrel Barta Györgyi 1975-ig vizsgálta a megyéket (Barta Gy. 1977). A nyolcvanas évek elején
előbb az ipar, majd az összes anyagi ág nettó termelésének a magánszektorra is kiterjedő megyei szintű
becslésére tett kísérletet Nemes Nagy József (Nemes Nagy J. 1984, 1985), ennek módszertanát használva
Rechnitzer János 1985-re közölt megyei becsléseket (Rechnitzer J. 1988). A témakör vizsgálati fonalát még
egy kutatói becslés zárta 1992-re (Nemes Nagy J. 1995). A Központi Statisztikai Hivatal 1994 óta tesz közzé
hivatalos megyei GDP adatokat (Farkasházi L.-né – Hüttl A. 1996, Bruckner J.-né – Gether I.-né 2003). A
megyei fajlagos GDP értékek látványosan tükrözik a magyar gazdasági térszerkezet jelentős átrendeződését a
20. század utolsó negyedében (5.1. táblázat). Legújabban már a GDP kistérségi becsléséről is született munka
(Kiss J. P. 2003).

Bár a GDP a regionális elemzés elsőrendű indikátora világszerte, de egyúttal folyamatos kritika tárgya
is.

A GDP „állásai” még a legbiztosabbnak látszó terepen, Európában is inognak. Az Eurostat egyik új –
módszertani kísérletként, javaslatként – publikált írása (Behrens, A. 2003) az egy lakosra jutó GDP
helyett („gazdasági fejlettség”) a lakossági jövedelmek mentén rangsorolja az európai régiók
„gazdagságát”. A gazdasági fejlettségi rangsorban Belső-London, a jövedelmiben Luxemburg áll az
élen, a GDP/fő pozícióhoz képest a legnagyobb előrelépés a belga és észak-olasz tartományoké. Az új
tagállamok régiói közül a gazdasági fejlettségi rangsorban 24. Prága „lakói gazdagsága” tekintetében
csak a 177. – a mű a magyar régiókat sajnos nem minősíti.

Ismét más képhez és értékeléshez jutunk (Schürman, C. 1999), ha az „életminőséget”, a regionális

vonzerőt a természeti és az épített környezet, a történeti értékek szempontjából minősítjük. Ekkor
szinte teljességgel „megfordul” Európa képe: a Mediterráneum kellemes klímájú, hatalmas történeti
múltú régiói kerülnek az élre s Észak-Európa zordabb területei és a túlzsúfolt hagyományos ipari-
urbánus magterület (Németország, Benelux államok) lesznek a sereghajtók. Ezt a tartalmat azonban
már csak többmutatós közelítéssel mérhetjük. Ennek módszertanával folytatjuk kötetünket.

51
A GDP-számbavétel Európában már egységes metódussal folyik – ezt jelzi a sok forrásban felbukkanó ESA79
és ESA95 rövidítés (Eurostat-European System of Integrated economic Accounts) a régebbi, 1979-es és a ma is
érvényesített új 1995-ös módszertanra utalóan.
 Régiók, megyék Egy lakosra jutó GDP
(ország=100)
1975 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

Budapest 139 182 183 189 191 191 196 203 204 212 208
Pest 61 76 72 73 77 77 80 78 83 88 89
Közép Magyarország 114 147 146 148 151 150 154 156 158 164 161
Fejér 106 96 99 103 117 124 114 119 103 94 95
Komárom-E 131 80 86 89 86 84 83 84 92 93 105
Veszprém 116 80 84 81 80 81 80 84 84 79 79
Közép Dunántúl 117 86 91 92 96 98 94 97 93 89 92
Győr-M-S 111 103 109 110 109 121 131 134 120 118 120
Vas 82 103 107 109 114 117 118 114 100 99 105
Zala 88 94 92 93 91 90 90 84 85 87 92
Nyugat-Dunántúl 96 101 103 105 110 110 115 114 104 103 108
Baranya 108 84 80 78 80 79 78 76 76 74 75
Somogy 71 76 76 75 70 69 69 67 69 68 68
Tolna 77 94 92 91 84 86 89 81 84 78 72
Dél-Dunántúl 88 84 82 80 78 77 78 74 75 73 72
Borsod-A-Z 111 70 76 71 69 69 67 64 64 62 63
Heves 100 73 74 74 72 73 72 71 75 73 73
Nógrád 77 62 59 57 53 57 55 54 56 55 54
Észak Magyarország 102 70 73 69 67 68 66 64 66 64 64
Hajdú-Bihar 83 83 78 78 76 76 72 71 74 73 75
Jász-N-Sz 93 79 77 76 75 72 67 66 69 68 66
Szabolcs-Sz-B 59 62 61 59 58 57 55 53 57 54 55
Észak Alföld 77 74 71 70 69 68 64 63 66 64 65
Bács-Kiskun 79 77 79 76 73 71 70 66 69 68 66
Békés 89 80 78 76 72 69 68 66 66 62 61
Csongrád 109 94 93 93 90 89 86 82 81 77 77
Dél-Alföld 91 83 83 81 78 76 75 71 72 69 68
Maximum/Minimum 2,36 2,94 3,1 3,32 3,6 3,35 3,56 3,83 3,64 3,93 3,85
arány
Maximum/Minimum 2,22 1,66 1,85 1,93 2,21 2,18 2,38 2,53 2,14 2,19 2,21
arány Bp. nélkül

5.1. táblázat A régiók és a megyék GDP-vel mért gazdasági fejlettségének változása Magyarországon
F: 1975: Nemes Nagy J. becslése, 1994-2003: a KSH adatai
 5.4 Komplex mutatók

5.4.1 A komplex mutatók számításának előfeltételei

Összevonhatóvá tétel

A több, különböző mértékegységben mért alapadatból számított komplex mutatók esetében mindenek
→ 2.2.3).
előtt biztosítani kell az adatok összevonhatóságát (→

Vigyázni kell arra, hogy, bár a legtöbb adat esetében a nagy értékek jelzik a kedvező pozíciót, másoknál
azonban a nagy érték épp a kedvezőtlen helyzet tükre (munkanélküliség, írástudatlanok aránya, szennyezettségi
jellemzők). Ilyen adatokat ne keverjünk össze, mert az eredmény értelmetlen lesz.

A megoldás a legtöbb esetben könnyű: a munkanélküliségi ráta helyébe az állással épp rendelkezők arányát véve
(100-munkanélküliségi ráta) válik az adott szempontból homogénné, összevonhatóvá az adatrendszer. Vannak
azonban olyan demográfiai és társadalmi jellemzők is, amelyeknél nehéz eldönteni, hogy nagy vagy épp kicsiny
értékeik jelzik a kedvező állapotot, a magas fejlettséget, ezek vizsgálatba vétele alaposabb megfontolást kíván.

Jó megoldás lehet az összevonhatóság elérésére, hogy bizonyos relatív adatok helyett azok reciprokát használjuk
(például az egy orvosra jutó ellátandó népesség helyett az ezer lakosra jutó orvosok száma ésszerűbb lehet az
egészségügyi ellátottság értékelésekor, hisz míg az előbbi vélhetően negatív, az utóbbi pozitív korrelációban van
a térségi fejlettséggel, mivel a fejlett területeken valószínűsíthetően nagyobb az orvoslétszám. Persze, ha nem a
térségi fejlettség, hanem az egészségügyi rendszer terhelésének, zsúfoltságának kimutatása a cél, akkor az előbbi
fajlagos jön szóba.)

Az eljárások között szerepet kaphat a már bemutatott rangsorolás (ordinális skálára alakítás → 2.3) és
a standardizálás → 2.5.2. Gyakran használt eljárások még az alábbiak:

Az adatsorok jellegadó értékeihez viszonyítás

Összehasonlíthatóvá tehetők a különböző mértékegységekben mért adatok úgy is, hogy értékeiket az
adatsor jellegadó értékeihez (legtöbbször a maximumhoz, de szóba jöhet az átlag vagy a minimum)
viszonyítjuk. Ugyanez a logikája azoknak a vizsgálatoknak, amikor az elemzett jelzőszámokat az
összevonás, a komplex mutató kiszámítása előtt egy-egy, a vizsgálat vagy a jelenség szempontjából
fontos területegység adataihoz viszonyítjuk (pl. minden adat esetében az USA vagy épp Magyarország
értékét vesszük 100-nak, vagy a vidéki átlaghoz viszonyítjuk a települési adatokat). A maximumhoz
viszonyításkor a maximum százalékában fejezzünk ki minden eredeti adatot az alábbi összefüggés
szerint:

xi
zi = * 100
xmax
Az átalakított változók értékei a (0;100), ha a 100-zal való szorzás elmarad, akkor az (0;1),
intervallumba esnek. (Ez az eljárás szerepel a Bennett-féle komplex mutatóban → 5.4.2.)
 Normalizálás: a maximum-minimum intervallumra vetítés
xi − xmin
zi =
xmax − xmin
Az új változó értékei a (0;1) intervallumba esnek. Ezt az eljárást használják a HDI kiszámításakor →
5.4.2, maximumként és minimumként az elméletileg feltételezhető értékeket használva (a hazai
szakirodalomból lásd még Bajmócy P. – Balogh A. 2002).

Az adat-átalakítások következményei
Mintapéldaként négyféle átalakítás eredményeit tartalmazza a 5.2. táblázat. A könnyebb áttekinthetőség
érdekében a fiktív megfigyelési egységeket az alapadat nagysága szerint rendeztük, az „eredeti” adattábla –
hasonlóan a legtöbb valóságosan használt adattáblához – a megfigyelési egységek ábécé rendjében tartalmazta az
adatokat. A táblázat a következő összefüggésekre mutat rá:
• A megfigyelési egységeknek az eredeti és a transzformált értékek szerinti sorrendje változatlan.
• Azonos alapadatokhoz minden transzformált adatsorban azonos új érték tartozik.
• Bár értéke változik, de nem változik az átlag és a szélsőértékek helyzete (mind a négy adatsorban
ugyanazon megfigyelési egységekhez tartozik az átlag, a maximum és a minimum).
• A sorrendi (ordinális) skálára transzformálást kivéve az átalakítások lineáris transzformációt jelentenek
(mivel az összefüggésekben konstansokkal való műveletek szerepelnek). Ebből következik az, hogy ha
két-két alapadat különbsége azonos, akkor a transzformált adatsorok megfelelő értékeinek különbsége is
azonos (bár más abszolút értékű) marad (lásd például D és H illetve G és A esetét).
• Változik ellenben az adatsor szórása, relatív szórása, terjedelme, „alakja”. Ennek következtében, ha
különböző módon transzformált adatokból számítunk komplex mutatókat, akkor az eredményül kapott új
adatsor eloszlása, alakja különbözni fog. Ezért csak azonos transzformációt használó összevonások
eredményei vethetők közvetlenül össze.

Megfigyelési egység Alapadat Sorrendi skála Maximumra vetítés Normalizálás Standardizálás

F 1 13 0,08 0,00 -1,46
E 2 11,5 0,17 0,09 -1,17
L 2 11,5 0,17 0,09 -1,17
K 3 10 0,25 0,18 -0,88
D 4 9 0,33 0,27 -0,58
H 5 8 0,42 0,36 -0,29
C 6 7 0,50 0,45 0,00
B 7 5,5 0,58 0,55 0,29
M 7 5,5 0,58 0,55 0,29
I 9 3,5 0,75 0,73 0,88
J 9 3,5 0,75 0,73 0,88
G 11 2 0,92 0,91 1,46
A 12 1 1,00 1,00 1,75
Jellemzők
Átlag 6 7 0,50 0,45 0,00
Maximum 12 13 1 1 1,75
Minimum 1 1 0,08 0 -1,46
Szórás 3,42 3,51 0,28 0,31 1
Relatív szórás 0,570 0,502 0,570 0,684 n. é.
Terjedelem 11 12 0,92 1 3,21
Relatív terjedelem 1,84 1,71 1,84 2,20 n. é.

5.2. táblázat. Mintapélda a különböző adat-átalakításokra


Az alapadatok és a transzformált értékek közötti fenti számos megfelelés elvész az elemzések során azokban
a transzformációkban, amikor az alapadatokat osztályokba, csoportokba rendezik, s azokhoz pontértékeket
rendelnek (leggyakrabban, vélhetően az iskolai emlékek nyomán 1 és 5 közötti „osztályzatokat”), majd ezeket
vonják össze. (Ekkor nagyon különböző alapadatokhoz azonos új érték rendelődik, alapvetően megváltozik az
eloszlás jellege.) Itt gyakran nagyvonalúan kimarad annak mérlegelése is, miként végezzük el az előzetes
osztályozást, noha az lényegesen különböző eredményekre vezethet. Mindezek miatt az alapadatok ilyetén
átalakítása a komplex mutatók előállítása során nehezen indokolható, „energiatakarékos” módszer.

A súlyozás

A súlyozás a komplex mutatók előállításakor mindig felmerülő, de lényegében megoldatlan gond.

Amikor azt feltételezik, hogy valamely jelzőszám, komponens a többi elemnél fontosabb az adott
jelenségben, akkor azt többszörösen (egynél nagyobb súllyal) veszik figyelembe az összevonáskor (s
természetesen súlyozott átlagokat számítanak). A súlyarányok meghatározása általában szakértői
becsléssel (a téma „okosainak” véleménye alapján) történik. Mindenképp kerülni kell azt, hogy a
szakértelmen túlmenően a súlyozásban bármi módon érdekelt felek kapjanak szerepet.

Egyéni súlyozás alkalmazása nem ajánlott, mert az szubjektív, nem konszenzusos eredményre vezethet, s
csalafintaságoknak is utat nyit valamely komponens célzatos kiemelése (nagy súllyal élre helyezheti az abban
épp kiváló, de más elemben lemaradó területeket vagy, ha támogatásokról elnyeréséről van szó, épp fordított
logikát érvényesít). Kitérőként: a súlyozás fontos szerepet kap a legkülönbözőbb értékelési eljárásokban –
versenytárgyalások, tenderek –, amikor a pályázó vagy a pályamunka minősítésében a különböző, előre
meghatározott szempontokhoz előre meghatározott súlyokat rendelnek, érzékeltetetendő az egyes komponensek
eltérő fontosságát. Itt az előre meghatározott szavakon van a hangsúly, a mérték mindig vitatható lehet, de
„játékszabályként” elmegy. A bemutatásra kerülő eljárások közül súlyozást alkalmaznak a HDI esetében →
5.4.2.

Milyen átlagot számítsunk az összevonáskor?

Ha már – a fenti módszerekkel – előállítottuk a dimenziótlan, összevonható adatokat, felmerül a

kérdés, miként vonjuk össze őket, hogyan számítsuk ki végül is a célba vett komplex mutatót? Három
megoldás jön elsősorban szóba:

• A transzformált (standardizált) adatok egyszerű összeadása: a rangszám-sorokká transzformált

adatok esetében ekkor az a térség minősül a „legfejlettebbnek”, ahol a rangszámok összege a
legkisebb – nevezhetjük „műkorcsolya”-módszernek is, ahol is a versenyzők helyezését nem a
kapott pontszámok, hanem a helyezési számok határozzák meg. (Bár ott az eljárás egy kissé
bonyolultabb – a rangszámok prioritási sorrendje a mérvadó, s nem összegük. Az lesz az első,
akinek a legtöbb pontozónál van első helyezése, azonos első hely esetében a második helyezések
döntenek és így tovább. Ebben a logikában egy első és egy ötödik helyezés kedvezőbb, mint két
harmadik.)
• A transzformált adatokból egyszerű számtani átlag számítása (ez akkor jön szóba, ha minden
komponens nagyjából „egyformán fontos”). Érdemes utalni arra, hogy a számtani átlag esetében
egy-egy komponens kiugróan alacsony értékeit mások magas értékei kiegyenlíthetik. Ha valamely
adat értéke 0, azt egy másik jelzőszám kiugró értéke ellensúlyozhatja.
• Mértani átlag számítása az adatokból (ez az adatok összeszorzását és a számuknak megfelelő
gyökük – például 8 összevont adat esetében nyolcadik gyök – kiszámítását jelenti). Ez nemcsak
valamifajta számtani trükk, hanem jól értelmezhető jelentésű eljárás. Akkor jön szóba, ha az épp
vizsgált összetett jelenség vagy fogalom szempontjából fontosnak tartjuk, hogy minden vizsgált
komponense nagyjából kiegyensúlyozott legyen, a különböző komponensek nem helyettesíthetik
egymást. (A két átlag nagyságviszonyáról → 2.6). A mértani átlag esetében ugyanis a
kiegyensúlyozatlanság markánsan megjelenik. Ha például valamely adat értéke 0, akkor az egész
 szorzat, s így a mértani átlag is 0, bármilyen nagy értéke legyen a többi komponensnek. (Még egy
hasonló összefüggés: az eurozónához való csatlakozás pénzügyi-gazdasági feltételeit jelentő ún.
maastrichti kritériumokat nem átlagosan kell teljesíteni, hanem kivétel nélkül, a negatív infláció
nem egyenlíti ki a súlyos eladósodottságot.)

5.4.2 Komplex mutatók számítása

Sajátos naturáliákra transzformálás

Az ágazati földrajzi elemzésekből régtől fogva ismerünk sajátos komplex mutatókat. Ezek – szakmai
közmegegyezés alapján – az adott ágazat, tevékenységi terület naturáliáit teszik összevonhatóvá (5.3.
táblázat). Ismert példa a szántóegység, az állatállomány számosállat-egységben való összegzése (az
egyes haszonállatok átlagos élősúlyra való átszámítása), a szarvasmarhaegység (a takarmánymérleg
elkészítéséhez), a különböző energiahordozók energiatartalmának kőszén-egyenértékre számítása, a
táplálkozástudományból az élelmiszerek energiatartalma. Hasonló koncepciójú a földminőség
aranykorona értékének mutatója is, amelyet jobb híján ma is használnak hazánkban a földértékelésben
és adózásban.

Számosállat Szántóegység
1 szarvasmarha 0,8 1 ha szántó 1
1 sertés 0,114 1 ha öntözött szántó 2
500 db kiscsibe 1 1 ha zöldségtermelő terület 2,5
125 növendék pulyka 1 1 ha öntözött zöldségtermő t. 5
33 növendék birka 1 1 ha gyümölcsös 4
500 növendékkacsa 1 1 ha szőlő 5
1 ló 0,8 1 ha rét 0,5
1 juh 0,071 1 ha legelő 0,2
250 tojó 1 1 ha erdő 0,1
100 liba 1 1 ha nádas 0,05
150 kacsa 1

5.3. táblázat. A számosállat és a szántóegység komponensei

F: Abonyiné Palotás J. 1999, 69-72. oldal.

Az „ökológiai lábnyom” (Jakobi Ákos)

A kilencvenes évek elején kanadai kutatók (M. Wackernagel et al 1993) publikálták először azt az
elméletet, amelyet ökológiai lábnyom teóriának nevezhetünk52. Ez az elmélet sokban kapcsolódik az
eltartó-képesség, a fenntarthatóság és a környezeti teherbírás számításához, becsléséhez, illetve
kérdéseihez. Az ökológiai lábnyom elemzése olyan számítási eszköz, amely lehetővé teszi, hogy
felbecsüljük egy meghatározott népesség vagy gazdaság erőforrás-fogyasztási és hulladékfeldolgozási
szükségleteit termékeny földterületben mérve. A módszer segítségével feltehető kérdések közé tartozik
például, hogy mennyire függ a tanulmányozott népesség az erőforrások „máshonnan” való
behozatalától és a világ hulladékfeldolgozási kapacitásától, továbbá elegendő lesz-e a természet
termékenysége a népességnövekedéssel fokozódó anyagi igények kielégítésére a következő
időszakokban

52
Magyarul: Wackernagel, M. - Rees, W. E. Ökológiai lábnyomunk, Föld Napja Alapítvány, 2001
 Az ökológiai lábnyom tulajdonképpen a teljes fogyasztási javak megtermeléséhez és a

hulladékok feldolgozásához szükséges elméleti földterületek összegzett, abszolút

nagyságának felel meg. A kérdés nem más, mint hogy mekkora legyen ez a földterület,

hogy kizárólag e területen belül lévő földi és vízi ökoszisztémákon és energiaforrásokon

tarthassuk fenn magunkat. Más szavakkal: mekkora a különféle földi ökoszisztémák

összterülete, amelyekre folyamatosan szükség van a vizsgált embercsoport által

mindennapi léte során végzett összes társadalmi és gazdasági tevékenység fenntartásához?

A meghatározás szerint a vizsgált embercsoport létéhez nélkülözhetetlen ökoszisztéma

összterülete a csoport de facto ökológiai lábnyoma a Földön. Nyilvánvaló, hogy egy

embercsoport ökológiai lábnyoma mind a létszámmal (népességgel), mind a fejenkénti

anyagfogyasztással arányos lesz. Ha például egy város ökológiai lábnyomát vizsgáljuk,

akkor a teljes városi népesség fogyasztási és hulladékfeldolgozási igényének megfelelő

földterületet kell kiszámítanunk. A modern ipari városokra elvégzett becslések – nem

meglepő módon – nagyságrendekkel nagyobb „használt földterületet” mutattak ki, mint a

város által fizikailag elfoglalt tér. Az ökológiai lábnyomról tehát fontos megjegyeznünk,

hogy végső soron az adott népesség összes földigényét foglalja magában: az ökológiai

lábnyom ezért a népesség teljes „kisajátított teherbírását” is jelenti.

Az ökológiai lábnyomot „területegységekben” mérjük. Egy „területegység” egy hektár világátlag-

produktivitású (azaz átlagos termékenységű) területnek felel meg. Egy „területegység” 0,3 hektárnyi
világátlag-termékenységű szántófölddel egyenlő. Ez 0,6 hektárnyi átlagos erdővel, vagy 2,7 hektárnyi
átlagos legelővel, vagy 16,3 hektárnyi átlagos termékenységű tengerrel is megegyezik. Ily módon egy
hektárnyi nagy termékenységű föld több „területegységet” jelent, mint ugyanannyi kevésbé termékeny
föld. A területegységek lehetővé teszik különböző minőségű és összetételű termőföldet, legelőt és
erdőt használó országok ökológiai lábnyomának összehasonlítását.

Az ökológiai lábnyom kiszámítása

Az ökológiai lábnyom fogalma azon alapszik, hogy az anyag- vagy energiafogyasztás minden tételénél
szükség van az érintett ökológiai rendszerekben egy bizonyos mennyiségű földterületre. Ily módon a
vizsgált fogyasztási szint fenntartásához szükséges teljes földterület meghatározásához mindegyik
jelentős fogyasztási osztály földhasználatát fel kell mérnünk. Mivel általában nincs mód a több
tízezernyi fogyasztási cikk mindegyikének előteremtéséhez, kezeléséhez és hulladékának tárolásához
szükséges föld felmérésére, a számítások főbb osztályok és egyedi cikkek kiválasztására
korlátozódnak.

Egy meghatározott népesség ökológiai lábnyomának becslése többlépcsős folyamat. Első lépésben a
regionális vagy országos adatokból kiszámítjuk az egyes fogyasztási cikkek egy lakosra jutó
mennyiségét. Az éves szinten mért átlagos egy főre jutó fogyasztást jelöljük f-fel, mértékegysége
kg/fő. A következő lépésben az egy főre jutó kisajátított földterületet (kf) kell kiszámolnunk minden
főbb fogyasztási cikkre (c) vonatkozólag. Ehhez ismernünk kell még az adott cikk átlagos éves
produktivitását vagy hozamát (p), melynek mértékegysége kg/ha. A c árucikk szerinti egy főre jutó
kisajátított földterület a következő módon számítható ki:

fc
kf c =
pc
A fenti képletből nyilvánvaló, hogy a kisajátított földterület nagysága, és ezen keresztül az ökológiai
lábnyom mérete fordított arányban áll a termékenységgel, és egyenes arányban az egy lakosra jutó
fogyasztással. A kisajátított földterületet minden egyes tétel esetében egyenként fel kell becsülnünk,
majd a következő lépésben erre alapozva kell meghatároznunk az egy lakos által elfoglalt teljes
ökológiai lábnyomot (öl), amely egyenlő az m darab fogyasztási cikk (c=1,...,m) által kisajátított
terület összegével:
m
öl = ∑ kf c
i =1
Az utolsó lépésben a vizsgált terület lakosságának ökológiai lábnyomát (ÖL) határozzuk meg úgy,
hogy az átlagos fejenkénti lábnyomot megszorozzuk a népességszámmal (N):

ÖL = N (öl )
A módszer során a legnagyobb gondot az alapadatok, főként a fogyasztási és termékenységi adatok
begyűjtése jelentheti. Az adatgyűjtés egyszerűsítése érdekében általában fogyasztási osztályokat
alkalmazunk. Finomabb elemzéseknél ezek az osztályok igény szerint tovább oszthatók. Az efféle
alosztályokat stratégiailag kell meghatároznunk: minden egyes fogyasztási cikknél részletes elemzés
kell, hogy felölelje az adott cikkre fordított összes erőforrást. Az árucikkben megtestesített energia és
erőforrás az áru életciklusa során a gyártáshoz, szállításhoz és lerakáshoz használt összes energia- és
anyagmennyiséget jelenti. Az „energiaintenzitás” az egy áruban vagy szolgáltatásban megtestesülő
energia. Hasonlóképpen beszélhetünk egy árucikk megtestesült ökológiai lábnyomáról, ami a
fogyasztó ökológiai lábnyomához járul hozzá.

Számos forrás használható a közvetlen fogyasztás és az ehhez társuló megtestesült erőforrások

mennyiségi meghatározásához. Célszerű a hulladéktermelésről, a háztartási és országos kiadásokról,
az anyagcsere arányokról, étrendekről, a kereskedelmi és erőforrás-áramlási folyamatokról szóló
statisztikai adatbázisokat használni, illetve egymással összevetni. A különféle megújuló és nem
megújuló energiaforrásokra vonatkozólag is kiszámítható az egy hektárra jutó éves termelékenység,
illetve ehhez kapcsolódóan az „elfoglalt” lábnyom mérete is. A fosszilis energiafogyasztás
földterületté alakításának egyik módszere lehet például annak a területnek a felbecslése, amelyre a
fosszilis energiakészleteink pótlására előállított üzemanyagként használható termények előállításához
szükségünk van. Egy másik módszer a fosszilis üzemanyagok elégetésével kibocsátott szén-dioxid
megkötéséhez ma szükséges földterület felbecslése. A fosszilis energiahasználat megfelelő
földterületté alakításának harmadik módszere azzal a területtel foglalkozik, ami a természeti tőke
ugyanolyan ütemű megújításához szükséges, mint amilyen ütemben a fosszilis üzemanyagot
felhasználjuk. Ezen felül az ökológiai lábnyomhoz hasonlóan az „energialábnyom” esetén a lábnyom
mérete szintén a termelékenységgel fordított arányban alakul (5.4.táblázat)53.

Energiaforrás Termelékenység Lábnyom

(gigajoule/ha/év) 100 gigajoule/év fogyasztásra (ha)
Fosszilis üzemanyag
etanollal számolva 80 1,25
CO2-elnyeléssel számolva 100 1,0
biomassza-helyettesítéssel sz. 80 1,25
Vízenergia (átlag) 1000 0,1
kis eséssel 150 – 500 0,2 – 0,67
nagy eséssel 15000 0,0067
Napenergiával termelt meleg víz 40000 0,0025
Fotovoltaikus 1000 0,1
Szélenergia 12500 0,008

5.4. táblázat. A különféle energiaforrások termelékenysége és „energialábnyoma”

F: Wackernagel, M. – Rees, W. E. 2001

Az ökológiai lábnyom-becslők a fogyasztási cikkek csoportosítása mellett a földhasználat formája

szerint is csoportokban vizsgálódnak. A földosztályok a Természetvédelmi Világszövetség (World
Conservation Union) által használt kategóriákat követik. Ezeken belül elkülönítik a) a fosszilis
energiahasználat által kisajátított földeket, b) az épített környezet területeit, c) a kerteket, d) a
termőföldeket, e) a legelőket, f) a kezelt erdőket, valamint a földhasználat szempontjából nem igazán
releváns g) érintetlen erdőket és h) az improduktív területeket (sivatagokat, jégtakarókat).

A fogyasztás-földhasználat mátrixában (ennek egy példája az 5.5. táblázat) minden egyes fogyasztási
osztály (vagy fogyasztási cikk) földszükségletét feltüntetve rendszerezett formában és
összefüggéseiben is vizsgálhatóak az ökológiai lábnyom összetevői. Az egyes osztályok adatai
nemcsak az egyes fogyasztási javak által közvetlenül elfoglalt területet tükrözik, hanem az előállításuk
és fogyasztásuk során „fogyasztott” földet is, mellyel így valójában a fogyasztáshoz kapcsolódó föld
életciklus-elemzéséhez jutunk. A „lakás” osztály például tartalmazza a földet, melyen a ház áll
(beleértve az infrastruktúra által elfoglalt városi földterület arányos részét), a házhoz felhasznált fa
termeléséhez szükséges földet (vagy a téglák előállításához kapcsolódó energiaföldet) és a fűtéshez
kisajátított energiaföldet is.
Termőföld
Leromlott

Ökológiailag produktív föld

Energia

Legelő

Összes

(ha/fő)
terület

Erdő
Kert

Élelmiszer 0,33 0,02 0,60 0,33 0,02 1,30

gyümölcs, zöldség, gabona 0,14 0,02 0,18 0,01
állati termék 0,19 0,42 0,33 0,01
Lakás 0,41 0,08 0,002 0,40 0,89
építés/fenntartás 0,06 0,35
üzemeltetés 0,35 0,05
Közlekedés, szállítás 0,79 0,10 0,89
motoros magán 0,60
motoros tömeges 0,07
áruszállítás 0,12
Fogyasztási javak 0,52 0,06 0,06 0,14 0,17 0,89
csomagolás 0,10 0,04

53
A Lektor megjegyzése: ez a konverzió az eljárás leggyengébb pontja, pl. atomerőművekre egyáltalán nincs
kidolgozva.
 ruházat 0,11 0,02 0,13
bútor és berendezés 0,06 0,03
könyvek, folyóiratok 0,06 0,10
dohány és alkohol 0,06 0,04
személyi gondozás 0,03
szabadidős berendezések 0,10
egyéb javak 0,00
Szolgáltatások 0,29 0,01 0,30
kormány (+hadsereg) 0,06
oktatás 0,08
egészségügy 0,08
szociális szolgáltatások 0,00
idegenforgalom 0,01
szórakozás 0,01
bank/biztosítás 0,00
egyéb szolgáltatások 0,05
Összes 2,34 0,20 0,02 0,66 0,46 0,59 4,27

5.5. táblázat Egy kanadai lakos fogyasztás-földhasználat mátrixa 1991-ben

F: Wackernagel, M. – Rees, W. E. 2001

Az ökológiai lábnyom-vizsgálatokat bármely térségi szinten elvégezhetjük. Világméretű,

országos, regionális vagy települési környezethasználati lábnyomokat számíthatunk ki, de

kérdéseinket megfogalmazhatjuk egy-egy háztartásra vagy egyénre vonatkozólag is. Mivel

a környezethasználat és ezen keresztül az ökológiai lábnyom olyan változatos tényezőktől

függ, mint a jövedelem, a személyes értékek, a viselkedés, a fogyasztási szokások és a

fogyasztási javak előállításához használt technológiák, az ökológiai lábnyom mérete

világszerte igen változatos mind az országok, mind az egyének szintjén. A „környezet-

érzékeny” területi kutatások szempontjából például érdekes lehet a komolyabb terhelést

jelentő régiók felmérése, illetve ebből a szempontból a regionális különbségek értékelése.

A módszerrel akár olyan átfogó ökológiai szemléletű kérdésekre is (nemleges) választ

adhatunk, mint, hogy élhetne-e mindenki a Földön az észak-amerikaiak átlagos ökológiai

életszínvonalán. Hasonlóképpen összehasonlító vizsgálatokat tehetünk egyes termékek,

tevékenységek, illetve technológiák ökológiai lábnyom méretében, mint közös

mértékegységű leképeződésében.

A Bennett-féle komplex mutató

Ha vizsgált területegységeinkre adott n darab, minden adatsor esetében annak maximuma
százalékában kifejezett jelzőszám, ezek súlyozatlan számtani átlaga egy olyan komplex mutatót
eredményez, amelynek értékei elméletileg 0 és 100 közé esnek54. Nagyon ritka eset az, amikor a
komplex mutató értéke eléri 100-at, azaz minden vizsgálatba vont jelzőszám esetében ugyanazon
területegység értéke a maximális, a legkedvezőbb. A gyakorlatban lényegében nem fordul elő az
elméletileg elképzelhető 0 minimum sem.

A maximumra vetítéssel átalakított zi adatsorokból a j. területegységre az alábbi összefüggés adja a

komplex Bennett-mutató értékét:

n
z ji
BENj = ∑
i =1 n
A Humán Fejlettségi Index (HDI)

A Humán Fejlettségi Indexet (HDI) az ENSZ immár több mint két és fél évtizede publikálja. A
komplex mutató számításának alapkoncepciója a kezdetek óta változatlan (lényege, hogy mérésekor a
bevett GDP-n túlmenően a humán potenciál mutatóit is figyelembe veszik), de a konkrét számítási
módban többször történt változás. Alábbi leírás a Human Development Report 2000-ben közölt
metodikáját követi. (A világ egészére, a nagyobb országcsoportokra és az egyes országokra készített
elemzések sora található meg a http://hdr.undp.org/ címen.)

A HDI három összetevőn alapul, melyek a következők:

- élethossz, amelyet a születéskor várható élettartam mutatójával mérnek
- oktatásban megszerzett tudás, amelyet két jelzőszám kombinációjával mérnek: a felnőttek (15
éven felüliek) írni-olvasni tudásának, azaz az analfabetizmus arányának inverz mutatójával
(kétharmad részben), illetve az alap-, közép- és felsőfokú iskolázottság összevont mutatójával
(egyharmad részben). Ez utóbbi a megfelelő korosztály teljes létszámához viszonyítja az
oktatásban részesülők számát a három szinten.
- életszínvonal, amelyet a vásárlóerő-paritásos (PPP) módszerrel számított, dollárban mért egy főre
jutó GDP értékével mérnek.

A nemzetközi statisztikákban alkalmazott HDI számítások rögzített minimum és maximum értékekkel

dolgoznak. Az index kiszámításához használt küszöbértékek (elméleti minimum illetve maximum):
- születéskor várható élettartam: 25-től 85 évig
- írni-olvasni tudás: 0-tól 100%-ig
- összevont iskolázottsági arány: 0-tól 100%-ig
- egy főre jutó GDP: 100US$-tól 40 000US$-ig (PPP).

A HDI minden összetevőjére önálló indexek számíthatók normalizált átalakítással (→ → 5.4.1). Ez alól
csak egy kivétel van. A HDI vizsgálatokban a GDP alkalmazására vonatkozó képlet arra az állításra
épül, hogy egy megfelelő, elfogadható fejlettségi szint eléréséhez nincs szükség végtelenül nagy
jövedelemre. Ennek érzékeltetésére, a nagyságrendekben meglévő különbségeket megtartó
logaritmikus transzformációt használják az alábbi képlet szerint (az egy főre jutó GDP értékeket y-nal
jelölve):
log y − log y min
W( y ) =
log y max − log y min

A HDI kiszámítása tehát a következő lépésekben történik:

54
A mutató eredeti forrása: Bennett, M. K. 1954 The World`s Food, Harper and Row., N. Y.
A normalizálást használva:

1. A várható élettartam index kiszámítása (a)

2. A felnőttkori írni-olvasni tudás indexének kiszámítása (b)
3. Az összevont iskolázottsági index kiszámítása (c)

Ezek súlyozott indexének kiszámítása:

4. Oktatásban megszerzett tudás indexének kiszámítása (d=(2b+1c)/3)

Valamint a

5. Módosított GDP/fő index kiszámítása (e)

A indexek kiszámítása után a HDI-t a megfelelő összetevők átlagolásával kaphatjuk meg minden
területegységre:
a+d +e
HDI =
3
A HDI eredmények a (0;1) intervallumon oszlanak meg, ahol az 1 közeli értékek a fejlettebb, a 0
közeliek pedig a fejletlenebb területegységekre utalnak. Magyarország mutatói (5.6. táblázat) hosszú
távon tendenciájukban javuló pozícióra utalnak, az ország 2001-ben a világrangsorban a 35. helyen állt
(Csehország és Argentína állt előttünk, Szlovákia és Lengyelország mögöttünk). A világrangsort
2001-ben Norvégia vezette 0,944-es értékkel, a hozzánk hasonló méretű EU-tag Portugália a 23.
helyre került (0,896), a világ legnépesebb és látványosan növekvő országa, Kína még ma is csak 104.
a rangsorban, igaz, hogy HDI érték itt is látványosan nőtt, az 1975-ös 0,523-ról 2001-ben 0,721-ra. A
számbavett országok közül 2001-ben Sierra Leone az utolsó 0, 271-es indexszel.

Év HDI
1975 0,777
1980 0,793
1985 0,805
1990 0,804
1995 0,809
2000 0,835
2001 0,837

5.6. táblázat Magyarország HDI értékeinek idősora

F: Human Development Report 2002

Az ENSZ folyamatosan fejleszti, bővíti a HDI metodikát, a fejlődő világra sajátos indexet alakítottak
ki (lásd az Internetről letölthető éves jelentések technikai mellékleteit: http://hdr.undp.org/).

A metódus lehetőséget ad arra is, hogy a HDI-t ne csupán országos szinten, hanem területegységekre, régiókra
is kiszámítsuk, ha a szükséges alapadatok rendelkezésre állnak. (További részletek: Nemes Nagy J. és Jakobi
Á. becslése a Fóti K. által szerkesztett 1999-es magyar Human Development Reportban, bizonyos helyettesítő
adatok felhasználásával kistérségi szintű HDI-becslést publikált Obádovics Cs. – Kulcsár L. 2003. A terület
részletezettségű számítások – az iskolázottsági és halandósági jellemzőknek a jövedelmekhez viszonyított
viszonylagos kiegyenlítettsége következtében – jól követik a más metódusú elemzésekből kirajzolódó területi
fejlettségi képet.)

A nemzetközi szakirodalom tele van a HDI-vel rokon logikájú, a fejlettség, a jólét, a globalizáltság s
egyéb összetett fogalmak mérésére használt komplex mutatókkal. Ezek komponensei között – a szinte örök
elemként megmaradó GDP fajlagosok mellett – gyakran bukkannak fel a környezeti állapot, a gazdasági-
politikai biztonság és a belső társadalmi egyenlőtlenségek mérőszámai, különböző súlyokkal és összevonási
eljárásokkal. Indulásként ajánljuk például: Osberg – Sharpe 2002 vagy Straussfogel, D. 1997 tanulmányait – jó
kutatást!

Deprivációs Index


Míg a HDI eredeti tartalmával elsősorban a nemzetközi, országok közötti és makroregionális
összehasonlításoknál jön szóba, az alacsonyabb térségi szintek, települések összehasonlításakor is felvetődik a
komplex mutatószámokkal való összevetés igénye (például a településekhez, önkormányzatokhoz kötődő állami
támogatások elosztási szempontjaként). A mutatók előállítási módszertana nem különösen sajátos itt sem,
ellenben lényegében különbözik a meghatározandó társadalmi jelenség, jellemző, ami az egyes egyénekhez,
kisebb-nagyobb társadalmi csoportokhoz jóval közelebbi tartalmú.

Ilyen, jellemzően kis egységekben számba veendő és értékelendő jelenség a szegénység vagy a szociológia
összevont társadalmi krízisfogalmai: depriváció, depriváltság, társadalmi deviancia.

A depriváció jellegzetes többdimenziós és többmutatós fogalom. Tartalmazza az egyéni szintű jóléti, egészségi,
mentális hátrányokat, a társadalmi kapcsolatok teljes vagy részleges hiányát, a kiszorultságot. Mérésekor,
meghatározásakor jellegzetes út az egyéni szintű számbavétel és az érintettség kisegységi, területi arányának
meghatározása.

A kérdéskörnek Nagy-Britanniában a legkidolgozottabb a módszertana (ezt az angol nyelvterület vette leginkább

át, a szakirodalom alapján megállapítható, hogy „üzemszerűen” használják Új-Zélandon, Dél-Afrikában is). A
brit kormányzat már hosszabb ideje operál a az ún deprivációs index-szel (DI), illetve annak módosított,
továbbfejlesztett változatával a többszörös deprivációs index-szel (IMD). A mutatók legkisebb elemi
területegysége az ún. ward (Nagy-Britanniában ezek száma több, mint 8000). Az IMD hét deprivációs
dimenziót, területet („domain”) fog össze:
• a jövedelmi
• a foglalkoztatottsági
• az egészségi és fogyatékossági
• a képzettségi és iskolázottsági
• a földrajzi elérhetőségi
• a szociális környezeti
• és a lakhatási depriváció.

Minden terület önmagában is értékelődik, több, a témakörben releváns, számszerűen meghatározható jelzőszám
alapján. Mivel az egyes területekhez rendelhető számszerű adatok jellegüket tekintve különbözők, az
összevonási eljárások is különbözhetnek dimenziók szerint. A jövedelmi, foglalkoztatottsági vagy képzési
területen például az érintett népesség aránymutatói jöhetnek szóba (pl. alacsony jövedelműk, szociális
segélyezettek, tartós munkanélküliek, iskolázatlanok stb.), más dimenziókban azonban ettől eltérő jellemzők
szerepelnek a mérésben (bűnözési gyakoriság, lakásminőség, szolgáltatások elérhetősége stb.), a végeredmény
azonban mindenütt egy-egy rangsor.

Ezt követően a dimenziórangsorok súlyozott átlagai alapján áll elő az IMD (a súlyok természetesen – és jobb
híján – ebben az esetben is önkényesek: a jövedelmi és foglalkoztatottsági dimenzióié 25-25%, az egészségi és
képzettségi területé 15-15%, az elérhetőségi dimenzióé (amely az alapvető szociális szolgáltatások földrajzi
közelségét értékeli) 10%, míg a záró két dimenzióé 5-5%.

A mutatószám sokszálú információs hátteret feltételez, a hivatalos átfogó nemzeti adatbázisok (népszámlálások)
mellett speciális ágazati (egészségügyi, szociális, kriminalitási) információkat, csak konkrét helyi adatfelvétellel
előállítható adatokat. Az adatbázis összeállítása sok szereplő (az ágazati minisztériumok, helyi önkormányzatok,
statisztikai szervek) kooperációjával jöhet létre, a tudományos kutatásnak épp a mutatók kiválasztásában és
komplex értékelésében lehet szerepe (az említett észak-ír metódusban például az egyes dimenziók deprivációs
rangszámát a súlyozott összevonás előtt exponenciális transzformációval a 0, 1 intervallumra vetítik). Az
eredményül kapott mutatószám természetesen térképezhető, elemezhető, térszerkezete vizsgálható. A
legrészletesebb módszertani kifejtésű észak-ír elemzés55 a depriváció erőteljes koncentrációját mutatta ki a
nagyvárosokban (Belfast, Londonderry).

Zárásként a komplex mutatókhoz: bár esetenként csábító, figyelmeztetünk: az önmagukban is számos

bizonytalanságot rejtő komplex mutatókkal csak nagy megfontoltsággal szabad – legszívesebben azt mondjuk:
nem szabad! – további összetett műveleteket végezni. A Bennett-féle komplex mutató pontértékei például
legfeljebb ordinális mérési szintűek, ezért velük korrelációt vagy szórást ne számítsanak.

5.5 A faktoranalízis

Nem kis részben épp a fejlettség (s más hasonló összetett fogalmak) sokdimenziós és sokmutatós
jellege kényszerítette ki s egyben alapozta meg a területi kutatásokban is azt, hogy a hatvanas-hetvenes
évekre napi elemzési eszközzé váltak az összetett és rejtett, többdimenziós és többmutatós fogalmak
mérését célzó, többváltozós matematikai-statisztikai eljárások, mindenek előtt a faktoranalízis. Mivel
nagy és viszonylag bonyolult számításigényű módszerről van szó, elterjedéséhez igazi lökést a
korszerű számítógépek megjelenése adta. Ez a módszer értő alkalmazás és meghatározott matematikai
feltételek mellett alkalmas arra, hogy viszonylag egyszerűen mérhetővé tegye az összetett fogalmakat.
A faktoranalízis eredményeként olyan új, komplex („látens”) változók számíthatók, amelyek
kapcsolatban vannak a kiinduló adatokkal, azokkal mérhető a korrelációjuk, s így azonosítható a
tartalmuk is.

5.5.1 A módszer logikája

A bonyolult valószínűségszámítási és matematikai-statisztikai összefüggésekből építkező módszer

(részleteiben lásd például Sikos T. T. szerk. 1984), lényegében dimenziócsökkentési eljárás.

A módszer lényegét jól érzékeltethetjük a leegyszerűsített kétdimenziós esetben (5.2. ábra).

Tegyük fel, hogy egy összetett jelenséget (például a térségi fejlettséget) két adatsorral (x1 és x2 lehet
például az egy lakosra jutó jövedelem, illetve a személygépkocsi-sűrűség adatsora) mérünk egy adott
területi megfigyelési rendszerben. Mivel mindkét adatsor ugyanazon jelenséghez kapcsolódik,
feltehetően korrelálnak egymással. Ha koordinátarendszerben ábrázoljuk a területegységeinket,
nemcsak a korreláció határozható meg közöttük (ez az ábra esetében 0,87), hanem kiszámítható és
felrajzolható a regressziós egyenes is. Ez átmegy az x1 és x2 adatsorok átlagának megfelelő O ponton.
Ez az egyenes lesz az új dimenzió-tengely, amely mentén minden eredeti területegység (az ábrán A és
B erre példa) helyzete is mérhető lesz, úgy, hogy a pontoknak az új tengelyre való előjeles vetületének
hossza adja meg az új értékeket. A ponthoz (amely helyzete alapján egy viszonylag alacsony
jövedelmű és kis autósűrűségű területegységet reprezentál) a faktor-tengelyen az O ponttól balra eső,
negatív vetületi hossz (az ábrán nyíllal jelölve) tartozik, míg a kedvezőbb jellemzőjű B
területegységhez pozitív tengelyvetület (ez az ún. faktorérték) tartozik. Ezekkel az adatokkal
jellemezhetjük A és B helyzetét. Mivel x1 és x2 változók között nem függvényszerű a kapcsolat (R
kisebb 1-nél), természetesen relatív helyzetük egy adattal kevésbé pontosan érzékelődik,
információveszteség lép fel, ami az ábrán a két pontnak a faktortengelyektől való távolságát jelző
szakaszokkal érzékelhető. Ez az információvesztés az „ára” az egyszerűbb, két adat helyett egy adattal
történő mérésnek. Az is jól látszik az ábrán, hogy az új tengely mentén mért helyzetnek megfelelő
számértékek is határozottan korrelálnak mind x1, mind x2 értékeivel (ha x1 vagy x2 nő, nő a hozzájuk
tartozó faktorérték is). Ez az összefüggés igazolja azt, hogy az új adatsor (a faktor) összefüggésben
van a fejlettséggel, hisz annak kiindulásként választott két jelzőszámával korrelál.

55
Letölthető: a www.nisra.gov.uk honlapról.
 13

12
B
11

10

9 F1
8 faktor-
tengely
x2
7
O
+
6 -
5
A
4

3
R(x1,x2)=0,87
2

1
2 3 4 5 6 7 8 9 10 11

x1

5.2. ábra. A faktoranalízis logikája, a dimenziócsökkentés

A konkrét alkalmazások, számítások esetében természetesen a fentieknél jóval bonyolultabb

számításmenet kívántatik, s grafikusan nem is érzékeltethető, de a lényeg megmarad. Ezt foglalja
össze az 5.3. ábra, amelyben a számítás főbb fázisai az alábbiak:

1. A jellemezni kívánt összetett jelenséget leíró adatmátrix összeállítása. Követelmény, hogy a

megfigyelési egységek számának jóval nagyobbnak kell lennie a változók számánál. A számítás
során az alapadatok standarizált formáját használják a számítási programok, ugyancsak
standardizáltak – 0 átlagúak, 1 szórásúak – az eredményül kapott faktorok is
2. Az alapadatok korrelációs mátrixának kiszámítása
3. A korrelációs mátrixból – összetett matematikai lépéssorozattal – számíthatók ki az új változók,
faktorok (ha a változók száma – m – viszonylag nagy, általában több – k –, de azok számánál
kevesebb új változót kapunk). A faktorok az alapadatok közül az egymással szoros korrelációban
lévőket tömörítik új dimenziókba. (Matematikai nyelven: a faktorok az eredeti standardizált
változók lineáris kombinációjaként állíthatók elő.)
4. Az új dimenziók, a faktorok egymással korrelálatlanok, ellenben korrelációban vannak az általuk
tömörített eredeti alapadatokkal (ezek a korrelációk az ún. faktorsúlyok), s épp ezek segítségével
azonosítható a tartalmuk, nevezhetők el.
5. A számítások során meghatározható az is, hogy az új változók, a faktorok az eredeti adatmátrixban
tömörített információk mekkora hányadát fedik le (ezt jelzik a faktorok ún. sajátértékei illetve az
általuk magyarázott szórásnégyzet; m változó esetében az össz-információ épp m)
6. Minden megfigyelési egységhez a számítás eredményeként k darab új változó értékei
(faktorértékek) tartoznak, ezek azok az adatok, amelyek aztán a területi vizsgálatokban
értelmezendők, térképezhetők, magyarázhatók.
 Cél: nehezen mérhető, összetett fogalmak számszerűsítése

Kiinduló információ: területi adatmátrix

Sorok (n): megfigyelési egységek (területegységek)
Oszlopok (m): változók, adatok, jellemzők, amelyek feltehetően kapcsolatban vannak a vizsgálni kívánt összetett
fogalommal (feltétel: a megfigyelési egységek száma jóval nagyobb legyen a változókénál, legalább n ≥ 2m)

Eljárás:
A változók számának csökkentése, új változók, faktorok előállítása
A számítás a változók közötti korrelációk mátrixából R
(Vi;Vj) indul
V1 V2 V3 V4 V5 Vi Vj Vm-2 Vm-1 Vm

Egymással korreláló Egymással korreláló Egymással korreláló

változók változók változók

1. Faktor 2. Faktor 3. Faktor

Eredmény: A változók egyes csoportjaival korreláló, de egymással korrelálatlan, új, az
eredeti változóknál jóval kisebb számú változó, k darab faktor (k<<<m)
A faktorok értelmezhetők, elnevezhetők a köztük és az eredeti változók közötti korrelációk (faktorsúlyok)
alapján.
A megfigyelési egységekre (területegységekre) megadhatók az új változók, a faktorok értékei (faktorértékek),
ezek 0 várható értékű, 1 szórású standardizált változók.
Meghatározható az egyes faktorok fontossága, az, hogy az eredeti információ milyen hányadát tömörítik
(sajátérték, magyarázott szórásnégyzet).
Kiszámítható, hogy a faktorok az egyes változók információtartalmának milyen hányadát fedik le
(kumunalitások).
A faktorértékek térképezhetők, a térségek osztályokba sorolhatók.

5.3. ábra A faktoranalízis logikai váza és lépései

5.5.2 A faktoranalízis az SPSS-programban (Jakobi Ákos)

A közismert statisztikai programcsomag SPSS 8.0 verziójában alkalmazott lépések a következők (csak
a legfontosabb beállítási teendőket ismertetjük):

Számítási lépések

1. Vizsgálati adatbázis összeállítása, illetve megfelelő formátumú behívása

2. Statistics / Data Reduction / Factor – belépés a faktoranalízis almenübe
3. Variables – a vizsgálatba bevonandó változók kiválasztása (a felkínált változólistából a „variables”
ablakba áthelyezzük a vizsgálatba bevonni kívánt változókat). Ügyeljünk a változókiválasztás
szabályaira!
4. Descriptives – leíró statisztikák kiválasztása, melyek megkönnyítik az analízis eredményeinek
értékelését, illetve módosítási döntéseinket. Legfontosabb a kiválasztott változóink közötti korrelációs
mátrix (Correlation Matrix) együtthatóinak (Coefficients) és szignifikancia szintjeinek (Significance
levels) kiiratása.
5. Extraction – a vizsgálati eljárás kiválasztása. A módszerek (Method) közül az analízis során
leggyakrabban a Maximum likelihood eljárást alkalmazzuk, gyakori továbbá a Principal component
módszer is, amely a faktoranalízissel ellentétben főkomponens elemzést végez56. Az „extract”
menürésznél kiválasztható, hogy előre eldöntött számú faktor keletkezzen-e (Number of factors), vagy
a sajátérték-kritérium (Eigenvalues over) megfelelő határértéke döntse el a végeredményként kapott
faktorok számát.
6. Rotation – a rotálási eljárás kiválasztása. Az eredmények könnyebb értékelhetősége,
elemezhetősége érdekében ún. rotálási transzformációkat is elvégeztethetünk a programmal,
leggyakrabban a Varimax módszert alkalmazzuk. (A rotálási eljárásnak csak egynél több eredményül
kapott faktor esetében van értelme).
7. Scores – az egyes megfigyelési egységekre kiszámított faktorértékek (faktorszkórok) elmentése új
változóként (Save as variables / Regression).
8. Options – beállítások, opciók (pl. meghatározható a hiányzó adatok kezelésének módja).

Az eredménytáblák értékelése

A beállítások részletességétől függően számos táblázat, illetve azon belüli részeredmény jeleníthető
meg, amelyek közül a legfontosabbakat ismertetjük:
1. Correlation Matrix – a vizsgálatba bevont változóink korrelációs mátrixa. A szignifikancia, illetve a
korrelációs együtthatók értékei alapján kiszűrhetők a vizsgálatba nem illeszkedő vagy objektív
feltételeink alapján nem alkalmazható változóink.
2. Communalities – a komunalitások táblája. A komunalitás-értékek megmutatják, hogy az egyes
változóink standardizált formában hány egységnyi szórással lépnek be az elemzésbe (Initial), illetve a
létrehozott faktorok vagy főkomponensek a mért változók szóródásának hány százalékát magyarázzák
(Extraction). A tábla felhívja a figyelmet azokra a változókra, amelyek nagyon kicsiny magyarázott
információtartalommal szerepelnek (0,25 alatt), s melyeket ezért ki kell vennünk a vizsgálatból.
Hasonlóképpen át kell gondolnunk a változókészletünket akkor, ha azt a hibaüzenetet kapjuk, hogy
egy vagy több változó esetében a becsült komunalitás-értékeink az iterációs lépések során
meghaladták az 1,0 értéket. (Részletesebben lásd: Székelyi M. – Barna I. 2002.)
3. Total Variance Explained – a magyarázott szórásnégyzet táblái. A kiindulási (Initial), a kiszámított
(Extraction) és a rotálást követő (Rotated) eredménytáblák oszlopaiban a faktorhoz tartozó sajátérték
(Total), magyarázott szórásnégyzet (% of Variance) és az összesített magyarázott szórásnégyzet
(Cumulative %) értékei figyelhetők meg. A táblázatokból leolvasható az eredményül kapott faktorok
száma, magyarázó ereje és a teljes analízis magyarázó ereje.
4. Factor Matrix illetve Rotated Factor Matrix – faktormátrix illetve rotált faktormátrix
(főkomponens-elemzés esetében komponens mátrix). A mátrixból az egyes változók és az eredményül
kapott faktorok közötti korreláció deríthető ki, mely értéket faktorsúlynak nevezünk. A faktorok
elnevezését ugyancsak ezen tábla értékei alapján végezhetjük el. Figyelem: ha egynél több faktort
kaptunk eredményül, miközben rotációt is alkalmaztunk, akkor a rotált faktormátrix tábláját kell
értékelnünk!
5. Goodness-of-fit Test – A vizsgálatba bevont változóink korrelációs mátrixának és a faktorokból
becsült változók korrelációs mátrixának különbözőségére utaló teszt számunkra akkor megfelelő, ha
nem tapasztalható szignifikáns különbség e két mátrix között. Ezt a khí-négyzet próba 0,000-ról

56
A főkomponens-elemzés a faktoranalízis egyik – leggyakrabban használt – módszere, amikor a területi
elemzésekben faktoranalízis használatáról van szó, általában főkomponens-elemzést végeznek (a különböző
faktor-módszerek sajátosságai iránt élénken érdeklődőket a módszer átfogó matematikai-statisztikai leírásaihoz
utaljuk, pl. az első magyar nyelvű összefoglalóhoz: Jahn, W. – Vahle, H. 1974 vagy a legújabb munkák
egyikéhez: Hajdú O. 2003).
elmozduló szignifikancia értéke jelzi. Ellenkező esetben még nem jutottunk el a megfelelő
faktorstruktúrához.
 Mire ügyeljünk a faktoranalízis használatakor?


A faktoranalízishez összeállítandó adatrendszerek egyetlen vizsgált kérdéskör esetében sem határozhatók meg
pontosan előre.

Ha formális, számszerű azonosság nem is követelmény a vizsgálni kívánt jelenségek egyes fő dimenzióinak
reprezentálására, a túlzott aránytalanság kerülendő (ilyen például az, ha a fejlettség-vizsgálatokban 10
demográfiai, de csak két-két jövedelmi vagy képzettségi adat szerepel).

Érdemes arra is ügyelni (ahogy már arról korábban általánosságban is említést tettünk), hogy a vizsgálatba vont
indikátorok között ne keverjük az abszolút (a volument mutató) és a fajlagos jellemzőket. Megfontolandó az is,
hogy a statikus (egy időpontra vonatkozó) adatokat dinamikamutatókkal (a növekedést leíró jelzőszámokkal)
vegyítsük. Mindettől eltérhetünk, de csak alapos, tartalmi indokkal. Utóbbi esetben ilyen lehet az, ha
vizsgálatunk a fejlettségi szint és a fejlődési irány, dinamika együttes meghatározását célozza. Az ekkor már
„szerencse” kérdése, hogy a faktoranalízis elvégzése után a faktorok között szétválnak-e a statikus illetve
dinamikus mutatók – növekvő egyenlőtlenségi időszakokban például vélhetően nem, hisz a differenciálódás épp
annak eredménye, hogy a fejlett térségekben a fejlődés (növekedés) is gyorsabb.

Fontos szabály az adatrendszer összeállításakor, hogy abban nem szerepelhetnek egymással lineáris
kapcsolatban lévő, egymásból kiszámítható mutatószámok. Ha például már szerepel az adataink között a városi
népesség aránya, nem számolhatunk a falusiak arányával (falusi arány = 100 mínusz városi). Ugyancsak
óvakodni kell attól, hogy egymástól alig különböző, nagyon szorosan korreláló adatokat szerepeltessünk
(például az egy lakosra és az egy foglalkoztatottra jutó jövedelmet vagy épp az egy lakosra jutó jövedelmet és az
egy lakos által fizetett személyi jövedelemadót). Ekkor döntenünk kell egyik vagy másik adatsor mellett.

Ellenben! Sokszor előfordul, hogy a vizsgálatba vont adatsorok nem ugyanarra az időpontra vonatkoznak.
Általában ez nem okoz gondot, hisz a területi jellemzők viszonylag lassan változnak (1-3 éves intervallumon
belül megengedhető az adathasználat). Természetesen nem igaz mindez a konjunkturálisan erősen ingadozó
jelenségekre vagy a nagy társadalmi-területi változások időszakára. (Hazánkban például teljesen más kép
jellemezte a munkanélküliséget 1989-ben és 1992-ben, a mutató e két adata nem felcserélhető. Bár
elmozdulások vannak, de a 1995 után már erősen stabilizálódott a térszerkezet, alapjellemzői bármely év adatait
használva lényegében azonosak.)

Értékein túlmenően, a módszer korlátait között említhető, hogy különböző időpontokra elvégezve a
számításokat, még ugyanazon alapadatok esetében is lényegesen változhat a faktorszerkezet- és összetétel, ami
arra hívja fel a figyelmet, hogy a módszer jóval inkább a statikus struktúrák leírásának eszköze, a dinamika, a
változás egyszerűbb eszközökkel (kiemelt mutatók elemzésével) látszik inkább célszerűnek. Igaz ugyanakkor,
hogy épp a változó faktorstruktúra igazolhatja a térszerkezeti változásokat.

Ha a komplex jelenségek mérésére használható két fő logikai irányt (kiemelt illetve komplex mutatók) világosan
megkülönböztetjük, a maga saját korlátain belül mindegyiket helyénvalónak fogadjuk el, logikai bukfencet jelent
az olyan közelítés, amely bár elvileg a komplex közelítés vonalán halad, mégis visszakanyarodik az egymutatós
logikához olymódon, hogy addig csökkenti, szelektálja a vizsgálatba vont jelzőszámokat, amíg azokból egyetlen
új („fejlettségi”) változó konstruálódik.

A faktoranalízis számítási lépéseit „megtanulandó”, az egyetemi gyakorlati órákon elfogadható lehet – egyszerű
mintapéldaként – a kevés induló változóval végzett elemzés. Ha azonban valaki igazán komolyan gondolja a
módszer használatát, nem törekedhet sem az alapadatok redukciójára (épp az ellenkező kiindulás a helyes: a
legteljesebb, de természetesen redundanciamentes lefedése megfelelő alapváltozókkal a jelenségnek) sem az
„egyfaktoros” végeredményre, ettől ugyanis a valóságban az adott jelenség nem lesz sem egyszerű sem
egydimenziós.

Minden olyan faktoranalízis kicsit „gyanús”, ami egyetlen faktort eredményez, ilyenkor vagy nincs értelme ezt a
bonyolult eljárást alkalmazni vagy pedig olyannyira szelektáltak a vizsgálatba volt mutatószámok, hogy
semmiképp nem tekinthetők a komplex jelenséget valóban sokoldalúan leíró adatrendszernek.

Ugyancsak súlyos, megengedhetetlen hiba a faktorok értékeinek összeadása, hisz azok lényege épp egymással
való korrelálatlanságuk!
Nem könnyű feladat a faktorok elnevezése sem, hisz nem egyszer nagyon különböző változók kerülnek
ugyanabba a faktorba. A „névadást” ezzel együtt érdemes megkísérelni, ahelyett, hogy a faktorokat pusztán a
csökkenő sajátértéket követő sorszámukkal (első, második, harmadik faktor) azonosítanánk. Az elnevezést a
területi elemzésben segítheti a faktorok térképezése is.

A faktoranalízist használó területi elemző magyar nyelvű szakirodalom is rendkívül bő, példát (jobbat-
rosszabbat) kis búvárkodással mindenki találhat57!

5.6 Összetett jelenségek tényezői

A területi társadalmi jelenségek és folyamatok leírásakor az elemző gyakran törekszik azok elemeinek,
tényezőinek feltárására, s az összetevők súlyának, fontosságának meghatározására is. Mire vezethető
vissza egyes térségek magas, mások alacsony fejlettsége? – szól például az a regionális kutatások
egyik leggyakoribb kérdése. A lényeges komponenseket megragadó válaszokban általában a
természeti vagy történeti faktorokra, adottságokra, a társadalmi szerkezet, a kultúra, a hagyományok
vagy épp a geopolitikai determinációk szerepére bukkanunk. Ezek mind sajátos tartalmú, sajátos
eszközökkel vizsgálható komponensek, amelyek csak erős korlátok között vizsgálhatók mennyiségi
alapokon.

A regionális kutatások azonban mára megalkottak jó néhány olyan sajátos elemzési módszert, ami a
területi tagoltság komponenseinek számszerűsítését segíti. Ezek a módszerek jól kiegészítik az
előzőekben tárgyalt eljárásokat, amelyek épp a jelen kérdéskör ellentettjére keresik a választ, arra,
hogy egyes tényezők, komponensek, hogyan hoznak létre összetett, komplex jellemzőket.

Az alábbiakban bemutatott módszerek matematikailag egyszerűek (lényegében az alapműveletekre

épülnek, az összegzést jelentő „Σ” jel és a logaritmusfüggvény a legbonyolultabb eleme a
formuláknak), alkalmazásuk nem igényel különleges számítógépi programhátteret sem, a szükséges
alapadatok előállítása azonban munkaigényes lehet, a számításigény is viszonylag jelentős. Ez a
módszercsalád ugyanakkor kifejezetten jó terepe a kutatói intuíciónak, a kutatási hipotézisekben széles
ösvény nyílik a feltételezett tényezők megjelölésének, s ügyes számszerűsítésének.

5.7 Hatásarány-elemzés (shift-share analízis)

A módszer a területi kutatás egyik alapkérdésének megválaszolásához nyújt segítséget. Ez a kérdés az,
miszerint egy-egy térség dinamikájában illetve fejlettségében vajon elsősorban a helyi sajátos, kedvező
adottságoknak (például a különösen előnyös természeti feltételeknek, vagy épp az innovativitásnak)
vagy netán inkább az ettől többé-kevésbé független szerkezeti tényezőknek (például a gazdaság
előnyös ágazati szerkezetének vagy a történetileg formálódott, előnyös település-szerkezetnek) van
szerepe?

A módszer első alkalmazója D. B. Cramer volt 1942-ben, ezután a módszer egy időre feledésbe merült – írja
Beluszky P.- Sikos T. (1980, 181. p.), akik egyébként a shift-share analízist e munkájukban hatásarány-
analízisre fordították (a fejezetcímben mi ezt tovább „magyarítottuk”), de a módszer kapcsán a magyar nyelvű
szakirodalomban mindmáig megmaradt az eredeti angol, shift-share analízis elnevezés. Első nagyhatású,
átfogó alkalmazását Perloff, H. S.- Dunn, E. et al. (1960) munkájában találhatjuk, amelyben az Egyesült
Államok gazdaságának hosszú távú regionális fejlődésének elemzésében kapott kitüntetett szerepet az eljárás.
Magyarul először Nemes Nagy József alkalmazta a regionális gazdasági növekedés vizsgálatára (Nemes Nagy

57
A kvantitatív eszközökhöz leginkább vonzódó vezető hazai regionalisták – például Csatári Bálint, Faluvégi
Albert, Rechnitzer János – vagy a közgazdász Fazekas Károly térszerkezeti vizsgálataiban, más elemzési
eszközök mellett, e módszer is újra és újra felbukkan. Tanulmányaik és azok Irodalomjegyzékeinek elolvasása jó
kiindulás az előzmények, a szakirodalom feltárásához is.
 J. 1977, 1979). A módszer bekerült a regionális elemzési módszertani kézikönyvekbe (Sikos T. T. szerk. 1984
– egyebek között e munkában olvasható a módszernek az összefüggések bizonyítását is tartalmazó részletes
levezetése), s alkalmazását néhány elemzés napjainkig hozza el (L. Rédei M. 1985, Gulácsi G. – Nemes Nagy
J. 1989, Kiss J. 1998, Nemes Nagy J. – Jakobi Á. – Németh N. 2001, Tóth G. 2003). A modellel kapcsolatos
újabb matematikai-statisztikai kutatásokat tekinti át Knudsen, D. C. 2000.

A módszerhez legalább két dimenzió szerinti – jellemzően területi illetve ágazati – bontású adatokra
van szükség.

Az ágazat megjelölés tulajdonképp tetszőleges diszjunkt (egymást át nem fedő) megoszlást takarhat:
gazdasági ágazatokat, korcsoportokat, településnagyság-csoportokat. A területi dimenzió is többféle lehet:
például települések, régiók, sajátos térbeli aggregátumok (zónák). A felbontásban mindkét dimenziónak
(ágazat, struktúra illetve terület) teljesnek kell lennie. Ez azt jelenti, hogy a területi csoportoknak az elemezni
kívánt térség (pl. az ország) egészét le kell fedniük, s a szerkezeti elemeknek is ki kell adniuk a teljes
dimenziót (teljes korcsoporti rendszer, összes ágazat, etnikai-vallási csoportok). Az eljárással tetszőleges
területegység – például az ország egésze, egy megye vagy más kisebb területegység, sajátos zónákra osztott
terek – társadalmi-gazdasági tagolódása vizsgálható fajlagos adatok (egy lakosra jutó jövedelem) tükrében.
Ugyancsak elemezhetők egyes jelenségek (például a jövedelem) növekedésének összetevői egy időszakban.

A módszerrel leggyakrabban vizsgált tagoltság a gazdasági fejlettségé (egy lakosra jutó jövedelem), de az
infrastrukturális ellátottság vagy épp az iskolázottsági szint is szóba jön. Dinamikus közelítésben a gazdasági
növekedés, vagy a népesedés térségi differenciáltsága tényezőinek feltárására használják a módszert. Általában
minden olyan társadalmi jelenség elemezhető a módszerrel, amelyre a megfelelő területi szintű adatok
rendelkezésre állnak.

A módszert részleteiben a jövedelemnövekedés tényezőkre bontásának példáján mutatjuk be. A két

számszerűsített komponens itt a regionális, illetve a településszerkezeti hatás, azaz annak
számszerűsítése, hogy egy térség (a példában egy-egy megye) jövedelemdinamikája milyen
hányadban vezethető vissza a térség településszerkezetére illetve az ettől független helyi, térségi
dinamikára.

Az eljárás lényegét tekintve kettős standardizálás, amit a következő lépésekben lehet végrehajtani:

A számítások kiindulópontja két mátrix: K (a kezdő év) és V (a vizsgált időszak vége) kij illetve vij
elemei az i-edik területegység j-edik településnagyság-csoportjának jövedelemvolumenét
(összjövedelemét) jelölik a kezdeti és a végső időpontban (hozzátesszük: mivel a módszerben a
mátrixok sorai és oszlopai “egyenrangúak”, ezért felcserélhetők, de akkor ennek megfelelően módosul
a további összefüggések tartalma).

 k11 k 21 . k1 j k1 m 
 
 k 21 k 22 . k 2 j k2m 
K= . . . . . 
  (5/1)
 k i1 ki 2 . k ij k im 
k k in . k nj k nm 
 in
és
  v11 v21 . v1 j v1m 
 
 v21 v22 . v2 j v2 m 
V= . . . . . 
  (5/2)
 vi 1 vi 2 . vij vim 
v vin . vnj vnm 
 in

A kiinduló mátrixok kapcsán érdemes felhívni a figyelmet néhány gyakorlati

szempontra. Olyan területi illetve strukturális felosztást ajánlatos alkalmazni, amelyben
mind a területi mind a szerkezeti dimenzió felbontásában nagyjából azonos számú elem
található (például a 7 régiót használva vizsgálati egységként, 5-10 szerkezeti szint
szerepeltetése ajánlatos). Ha a két szempont szerint a felbontás kiegyensúlyozatlan,
akkor torzulhatnak az eredmények, eltolódhatnak a hatások az egyik vagy másik
tényező irányába (általában felülértékelődik a jóval finomabb felbontású dimenzió).
Arra is ügyelni kell, hogy olyan szerkezeti felbontásokat használjunk, amelyek minden
területegységben értelmezhetők (egyáltalán ne legyen vagy csak nagyon kevés 0 érték az
(5/1) és (5/2) mátrixok celláiban).

Az alapadatokból számíthatók (a mátrixok sorainak illetve oszlopainak összeadásával) a következő

értékek:
m

∑ k ij
m

ki0 =
j =1
illetve vi0 = ∑v
j =1
ij (5/3)

az i-edik területegység teljes jövedelme a két időpontban,

n n

k0j = ∑ kij
i =1
illetve v0j = ∑v
i =1
ij (5/4)
a j-edik településnagyság-csoport összjövedelme a két időpontban,

k00 = ∑∑ k i j
ij illetve v00 = ∑∑ v
i j
ij
(5/5)

az országos összjövedelem a két időpontban.

A számítás első érdemi lépése a jövedelemnövekedési indexek M(mij) mátrixának kiszámítása, ami V
mátrix elemeinek K mátrix megfelelő elemeivel való osztását jelenti:

mij = vij / kij

 m11 m12 . m1 j m1m 

 
 m21 m22 . m2 j m2 m 
M= . . . . . 
  (5/6)
 mi1 mi 2 . mij mim 
 
 min min . mnj mnm 
Hasonlóképpen osztással számítható a teljes (országos) növekedési index – m00 a két mátrix elemei
összegének hányadosa, illetve a területi – mi0 az a mátrixok sorösszegeinek hányadosa, és a
településcsoporti – m0j, az oszlopösszegek hányadosaként - növekedési indexek:

m00 = v00 / k00

mi0 = vi0 / ki0 (5/7)
m0j = v0j/k0j

Ezen összefüggések felhasználásával minden területegységre vonatkozóan felbontható az adott

periódusra jellemző – az országos átlagnál gyorsabb vagy lassabb jövedelemnövekedés hatására
létrejövő – jövedelemtöbblet vagy -hiány (Si) két tényezőre, esetünkben az úgynevezett regionális (Sr)
és a településszerkezeti (Sa) hatásra:

Si = Sr + Sa (5/8)

ahol Si = vi0 - m00 *• ki0 összes jövedelemtöbblet (hiány) (5/9)

Sr = ∑ (v - m *• k )
j
ij 0j ij
regionális (területi, helyi) tényező (5/10)

Sa = ∑ k (m - m )
ij 0j 00
településszerkezeti (strukturális) tényező (5/11)
j

Az eljárás legszámításigényesebb része Sr kiszámítása minden területegységre, Sa ellenben nem

igényel nagy volumenű számítást, hisz Si és Sr különbségeként egyszerűen adódik. (A számítások
Excel-ben elvégezhetők.) Si esetében az országos növekedéshez képest adja meg a számítás a
növekedési többletet vagy hiányt (vagyis az abszolút jövedelmi előnyt illetve hátrányt, amit aztán a
másik két tényező hatására bonthatunk.) Sr-ben az országos településcsoporti (ágazati) növekedési
ütemeket (m0j) feltételező növekedéshez viszonyított helyi többlet vagy hiány számszerűsödik. A
regionális faktor általában akkor pozitív, ha az adott területegységben a legnagyobb súlyú
településtípusokban azok országos dinamikájánál gyorsabb a jövedelemnövekedés. Sa értéke ellenben
akkor lesz pozitív, ha az országosan dinamikus, az átlagnál nagyobb jövedelemdinamikájú
településcsoportoknak nagy, a lassabban növekvőknek kicsiny az adott területegységben a súlya.
Ebben az értelemben jelez ez a tényező kedvező vagy kedvezőtlen településszerkezetet a térségben.

A számítás eredményeként a vizsgált területegységekre kapott Si, Sr és Sa értékek előjele és

nagyságviszonya alapján nyolc típusba sorolhatók (5.7. táblázat). Abszolút mértékegységben vagy
százalékos arányaik alapján értelmezhetők a növekedési többletek vagy hiányok. A számítási
eredmények térképezhetők.

Logikailag teljesen analóg a fenti számításmenettel az az alkalmazás, amikor nem a jövedelmek

volumennövekedését elemezzük a regionális és településszerkezeti összetevők szerint, hanem az egy lakosra
jutó jövedelmek területi egyenlőtlenségeit bontjuk tényezőkre egy-egy adott évben. Ekkor a fenti levezetés
kiinduló mátrixai közül a V-nek megfelelő a jövedelmeket tartalmazza, míg K a népesség megoszlását térségek
és településcsoportok szerint. E számítással arról kaphatunk információt, hogy a magas illetve az alacsony
jövedelemszinteket miként befolyásolja a regionális (pl. megyei) hovatartozás illetve a településszerkezeti
összetétel.
 Si Sr Sa A tényezők
A térségek jellemzői szerinti típusok nagyság-viszonya
Előjele
Pozitív területi és pozitív strukturális Sr > Sa
tényező, az átlagosnál nagyobb + + +
jövedelemdinamika Sr < Sa
Pozitív strukturális és negatív területi + - +
tényező, az átlagosnál nagyobb | Sr | < | Sa |
jövedelemdinamika
Negatív strukturális és pozitív területi + + - | Sr | > | Sa |
tényező, az átlagosnál nagyobb
jövedelemdinamika
Pozitív strukturális és negatív területi - - + | Sr | < | Sa |
tényező, az átlagosnál kisebb
jövedelemdinamika
Negatív strukturális és pozitív területi - + - | Sr | > | Sa |
tényező, az átlagosnál kisebb
jövedelemdinamika
Negatív területi és negatív strukturális Sr > Sa
tényező, az átlagosnál kisebb - - -
jövedelemdinamika Sr < Sa

5.7. táblázat A shift-share analízissel létrejövő 8 elméleti térségtípus

5.8 Vektoriális típusú értékelő eljárások: az „információs lábnyom” (Jakobi Ákos)

Az egyetlen kiemelt vagy komplex mutatószámmal történő értékelés kétségtelen hátránya, hogy az
adott jelenség belső szerkezetét, komponenseit, netán egyensúlytalanságát elfedi. Ha mindezek
lényeges szempontok a vizsgálatban, akkor többdimenziós (vektoriális típusú) értékeléshez érdemes
fordulni.

Az INEXSK-módszer


A következőkben a Robin Mansell és Uta Wehn szerzőpáros által INEXSK-nek nevezett eljárást ismertetjük,
amely az információs társadalmi fejlettség összehasonlítására tett kísérlet (Mansell, R. – Wehn, U. 1998). A
nemzetközi szinten elterjedt módszer elnevezése tulajdonképpen egy betűszó (INfrastructure, EXperience, Skills,
Knowledge), amely az eljárás összetettségére utal. Az infrastruktúra, a tapasztalat, a készségek és a tudás
együttes hatásának mérésére használják az információs társadalom összehasonlító vizsgálataiban. Az eljárás a
korábban ismertetettekkel ellentétben nem egy egydimenziós mérőszámot, egy valamiféle indexet ad
eredményül, hanem egy szerkezeti képet, amely minden területegységre azonos nagyságrendben megalkotható.

A módszer célja, hogy rávilágítson, miként járul hozzá az infrastruktúra, a tapasztalatok és a készségek
színvonala a tudásalapú gazdasági növekedéshez és fejlődéshez. Az eljárás a kérdést a szóba jövő tényezők
speciális grafikus ábrázolásával szándékozik megválaszolni, s az így kapott diagramok lesznek az INEXSK-
módszer kimeneti eredményei.
 5.4. ábra Az INEXSK felépítésének dinamikus vázlata (Mansell, R. – Wehn, U. 1998).

Az 5.4. ábrán látható, hogy a módszer a vizsgálati tényezőket egy egymásra épülő logikus rendszerben foglalja
össze. Az alapot az infrastrukturális ellátottság színvonala jelenti, azaz egy olyan összetevő, amely megmutatja,
hogy milyen széles vagy keskeny bázisra épülhet a készségek és tapasztalatok fejlődése. A termelési és a
fogyasztási tapasztalatok, amelyek a következő lépésben bevont indikátorokban testesülnek meg, a felhalmozott
tudás növelésének fázisát jelképezik (szakértők egybehangzó állításai szerint a gyártás és a termékfogyasztás
során gyülemlik fel a megszerzett tudás jelentős része). Harmadik lépésben a termelési és fogyasztási készségek
indikátorai jelennek meg, amelyek velejárói és erősítői (megszilárdítói) a tapasztalati összetevőknek. Az ábra
felső részén „ideális tudásindikátor”-ként jelzett utolsó lépés jelképes csupán, mely összességében a tudás
fokozásának fejlődését és a tudás alkalmazását jelöli a társadalmi és gazdasági előrehaladás érdekében.

Az ábra alján található indikátorok erősítik, és egyáltalában lehetővé teszik az ábra felsőbb részeiben található
tényezők hatásos működését. Kölcsönhatásukat jelzi, hogy az új technológiai eszközökkel megszerzett termelési
és fogyasztási tapasztalatok nyomó hatást gyakorolnak a megszerzett tudás növelésének irányába (lásd nyilak az
ábra alsó részén). Egymagában azonban sem a termelés, sem a fogyasztás nem eredményezheti az
infrastrukturális eszközök produktív használatát a tudás fokozására, minek következtében húzó hatás is
megjelenik a termelési és fogyasztási készségek oldaláról (lásd nyilak az ábra felső részén). A diagram ezen felül
relatíve nagyobb távolságot hagy a tapasztalati és a készségindikátorok között, mint az infrastruktúra és a
tapasztalati szint, vagy a készség és tudás között. Ez a térköz rávilágít arra, hogy milyen nehéz a tapasztalatok
nyomó és a készségek húzó hatását koordinálni egy hatékony végeredmény érdekében.

Az infrastrukturális összetevő mérésére tradicionálisan alkalmazott mutató a telekommunikációs hálózat

nagyságát és növekedését jelző indikátor. A telefonhálózat például lehetővé teszi egyéb infrastrukturális elemek,
mint az adatátviteli hálózatok kiépítését, de nem szolgálhat a fejlődés egyedüli indikátoraként. Sajnos azonban
egyetlen más indikátor sem olyan átfogó, mint amelyek a telekommunikációval vannak összefüggésben. (Például
a hálózati adatkommunikáció nagysága egyértelmű összefüggést mutat a telefonellátottság magas szintjével.)

A tapasztalati összetevőt az elektronikai termékek gyártásának és keresletének mutatóival alkothatjuk meg. Ezek
jelképezik a különböző térségek (országok) ICT-termelő kapacitásait, valamint az elektronikai termékek belföldi
felhasználását továbbá exportját és importját. Bár az elektronikai termékek gyártása és fogyasztása csak részben
méri az infokommunikációs-technológiai eszközök (ICT) forradalmát58, mégis bepillantást nyújtanak a
társadalmi és gazdasági változások lendületébe, amelyek összekapcsolhatók a magasabb tudás irányába történő
elmozdulás folyamatával.

A készségek vizsgálatára olyan mérőszámot érdemes használni, amely a tudás növelésére használt információk
bővítésének képességét és hajlandóságát tudja jelezni. Az effajta hajlandóság egyik megfelelő indikátora lehet az
írni-olvasni tudás mértéke. Másrészt olyan mutatók bevonása is fontos lehet, amelyek az információs-
kommunikációs technológiák adaptálását tükrözik. Idevágó jelzőszám a műszaki, számítástudományi és
matematikai végzettségűek vagy hallgatók száma lehet.

Az indikátorok korábban bemutatott kombinációjával minden egyes területegységre megalkotható a térség saját
információs-kommunikációs technológiai, avagy információs- és tudástársadalmi fejlettségi „lábnyoma”. Az ún.
„ICT-footprint” legfőképp országok közötti összehasonlító vizsgálatokra alkalmas, de az egyes országokon
belüli aránytalanságok, hiányosságok és az ICT fejlesztési irányok meghatározására vagy legalábbis fő
hangsúlyainak kifejezésére is.

Mansell és Wehn nyolc mutatót javasol az ábra, azaz az ICT-lábnyom megrajzolásához (5.8. táblázat). Az
alkalmazott indexek népességarányos, illetőleg fajlagos formában kerülnek a vizsgálatba, s egy egységes skálán
grafikusan ábrázolva jelennek meg. Az egyes bevont mutatókat egy előre meghatározott ország értékéhez, mint
100%-hoz viszonyítják, és értelemszerűen ennek százalékában határozzák meg. A kiválasztott, viszonyítási
alapul szolgáló ország az adott mutatóban igen jó értékekkel szerepel, de nem feltétlenül a legjobbal. Ez célszerű
lehet, mivel egyes összetevőkben kiugró, extrém értékek is előfordulhatnak, amelyeket ha 100%-nak
tekintenénk, a vizsgálatunk csak rendkívül kis intervallumba eső és nehezen értelmezhető eredményeket adna. A
vizsgálatban alkalmazott indexek ezért nem egy kötött értéktartományban mozognak, bár összességében cél volt
a 0 és 100 közé eső számok létrehozása (előfordulhat tehát 100-nál magasabb érték is, ami a viszonyítási alapul
szolgáló országnál kedvezőbb mutatóértékeket feltételez). Egyetlen esetben, az írni-olvasni tudás indexénél nem
szerepel viszonyítási ország, a 100-as értéknek a teljes, 100%-os írni-olvasni tudás felel meg.

Az index elnevezése Alkalmazott mutató 100-as értéket képviselő ország

Személyi számítógép – index PC/fő Új-Zéland
Telefon-ellátottsági – index Svédország
TELEFON FŐVONAL/FŐ
Elektronikai termékgyártás indexe Elektronikai termékgyártás Írország
részesedése a GDP-ből
Elektronikai termékfogyasztás Egy főre jutó elektronikai Írország
indexe termékfogyasztás / egy főre jutó
GDP
Műszaki végzettség indexe Diplomázók számítástudományból, Hollandia
matematikából és műszaki
tudományokból / 1000 fő
Írni-olvasni tudás indexe Nincs
ÍRNI-OLVASNI TUDÓ
100%=100
NÉPESSÉG ARÁNYA
Internet host – index Internet hostok száma / 1000 fő Dánia
Televíziókészülék – index Televíziókészülékek száma / 100 fő Egyesült Királyság

58
Ezt a szférát nevezi Erdősi Ferenc telematikának – Erdősi F. 1992. (Nekem így jobban tetszik, kicsit, bár nem
sokkal magyarosabb – a Szerkesztő megjegyzése.)
 5.8. táblázat: Az összehasonlító ICT-szerkezeti vizsgálatokhoz alkalmazott mutatók (Mansell, R. – Wehn, U.
1998)

5.5. ábra Két ország ICT-lábnyom ábrája (Mansell, R. – Wehn, U. 1998 nyomán)

Az indexek értékeinek kiszámítása és a megfelelő tengelyeken való ábrázolása után a vizsgált területegységre
jellemző saját ICT-szerkezeti kép a megfelelő pontok összekötésével rajzolódik ki. Az 5.5. ábrán megfigyelhető
az a séma, amelyen a nyolc alkalmazott index értékeit kell feltüntetnünk. Az ábra középpontjában veszik fel az
indexek a 0 értéket, míg a körvonal mentén a 100-as értéket, továbbá látható egy kisebb kör is az origó körül,
mely összességében a nagyon kicsiny (5-nél kisebb) index-értékeket reprezentálja (az 5-nél kisebb értékeket
egységesen ez a kör képviseli, ezen belül a differenciák már nem értelmezhetők).

A kirajzolódó ábrák egyediek, jellemzők a térségre országra. Találó a „lábnyom” kifejezés is, hisz alig fordul elő
az, amikor két ábra tökéletesen egybevág. Az INEXSK-módszer éppen e hasonlóság-különbözőség dualitásra
épül. A közös skálára vetített, ugyanolyan alapadatokkal és számítási módszerrel készített ábrák egymásra
helyezhetők, s ezzel összehasonlíthatók is. Szemmel láthatóvá válnak tehát az országok vagy a megfigyelési
egységek közötti markáns különbségek ugyanúgy, mint az országon belüli szerkezeti hangsúlyeltolódások.

5.9 Multiplikatív tényezőkre bontás

Ahogy arra már korábban utaltunk → 2.6, a gazdasági fejlettség jól ismert mérőszámát az egy lakosra
jutó jövedelmet (GDP-t) többféleképpen felbonthatjuk jól értelmezhető, világos komponensekre. Így
például egy háromtényezős (triadikus) felbontás az alábbi:

GDP/Népesség=(GDP/Foglalkoztatottak)*(Foglalkoztatottak/Aktív korúak)*(Aktív korúak/Népesség)

Az egyenlőség az egyenlet két oldala között könnyen belátható, a jobb oldal egyszerűsíthető.
Ez az összefüggés azt jelenti, hogy a fejlettség az élőmunka-termelékenység a foglalkoztatottság és egy
korszerkezeti arányszám szorzatára bontható.
Használjuk a továbbiakban a következő jelöléseket:
J = jövedelem (GDP)
P = népesség
F = foglalkoztatottak
K = aktív korúak

Ekkor a fenti egyenlet egyszerűbben így írható fel:

(J/P) = (J/F) * (F/K) * (K/P)

Az összefüggés „szépséghibája” az, hogy benne a komponensek szorzata szerepel, ami megnehezíti
azok egymáshoz viszonyított súlyának mérését. Ezt a gondot orvosolja az, ha az egyenlet mindkét
oldalának logaritmusát vesszük. A logaritmusfüggvény monotonitása következtében ezt megtehetjük,
mert a tényezők nagyság szerinti sorrendje így is fennmarad (a függvény értelmezési tartományán
belül nagyobb szám logaritmusa is nagyobb). Így aztán a fejlettség (logaritmusa) az egyes tényezők
összegére bomlik, s így akár az egyes tényezők százalékos súlya is kiszámítható:

log (J/P) = log (J/F) + log (F/K) + log (K/P)

A fenti változók természetesen bármilyen területi megfigyelési egységekre vonatkozhatnak (országok,

régiók, települések).

Példák másfajta felbontásokra:

1. Jövedelem/népesség = (elvégzett iskolai évek/foglalkoztatottak) * (foglalkoztatottak/aktív korúak) *
(aktív korúak/népesség) * (jövedelem/ elvégzett iskolai évek),
azaz:
Fejlettség= (iskolázottság) * (foglalkoztatás) * (korszerkezet) * (humán tőke hozadék)
2. Jövedelem/terület= (népesség/terület) * (jövedelem/foglalkoztatottak) * (foglalkoztatottak/aktiv
korúak)*(aktív korúak/népesség).
azaz:
Gazdasági sűrűség= (népsűrűség) * (élőmunka-termelékenység) * (foglalkoztatottság) * (korszerkezet)
3. Jövedelem/terület = (népesség/települések száma) * (települések száma/terület) * (jövedelem/elvégzett
iskolai évek) * (elvégzett iskolai évek/foglalkoztatottak) * (foglalkoztatottak/aktív korúak) * (aktív
korúak/népesség)
azaz:
Gazdasági sűrűség = (település-nagyság) * (település-sűrűség) * (humán tőke hozadék) * (iskolázottság)
* (korszerkezet)

Az összefüggésekben az adott indikátoroknak a megfelelő területegységekre vonatkozó abszolút volumenei

szerepelnek.

A tényezőkre bontás fejlettségi és versenyképességi szempontú értelmezése

A fenti felbontások többféle kutatási cél érdekében készülhetnek és többféleképp értelmezhetők.

Ha a regionális fejlettség egyenlőtlenségeire fókuszálva használjuk a közelítést59, akkor elsődlegesen

az egyes tényezők egymáshoz viszonyított súlya és hatásiránya kerül az érdeklődés középpontjába.
Dinamikus elemzés (például két időpont közötti összehasonlítás) esetében e szempontok oly módon
értelmeződnek, hogy feltárul az, miként változnak a különböző komponensekben a (területi)

59
Erre friss példa is van a regionális fejlődés nemzetközi összehasonlító vizsgálatára (OECD 2003). Itt az OECD
19 tagországának régióira végzett tényezőfelbontásos vizsgálatot publikáltak. Az eredmények a gazdasági
fejlettség meghatározó faktoraként az élőmunka-termelékenységet jelölték meg a régiók 68 százalékában. A
fejlettség-elemzésben való használat példája, az Éltető – Frigyes-féle duál-mutatóval → 3.2.1 kombinálva:
Nemes Nagy J. 1987.
egyenlőtlenségek. Nem triviális például az, hogy miközben növekednek a jövedelemszinttel mért
fejlettség regionális különbségei, ugyanez igaz a termelékenység, a foglalkoztatottság vagy a
demográfiai struktúra vizsgált jellemzőire is, könnyen előfordulhat ugyanis, hogy ezek egyike-másika
épp ellentétesen mozog, csökken a területi differenciáltsága.

A versenyképességi szempontú (a fogalomnak az ún. standard versenyképességi jelentését alapul

vevő) elemzések mögött ugyancsak jelen vannak illetve lehetnek a fenti relációk, itt azonban
jellemzően az épp vizsgált területegységek típusokba sorolása a leggyakoribb végeredmény. Így már
ugyanis a generális térfolyamatokon túlmenően már gyakorlatiasabb következtetések, területfejlesztési
tanulságok s így fejlesztési irányok is adódhatnak. Kimutatható lehet, hogy egyes térségekben az
élőmunka-termelékenység, másutt a foglalkoztatottság dimenziója mentén van inkább lemaradás, ami
beavatkozást kívánhat, netán mindezek mögött – az egyébként direkt eszközökkel csak jóval lassabban
és nehezebben befolyásolható – demográfiai, korszerkezeti faktor hatása a domináns. (Ha nagyon
általánosan akarunk fogalmazni, e két eltérő szemléletben is feltűnik az általános térfolyamatokra és
az egyedi helyekre koncentráló, minduntalan visszatérő kettőssége a területi kutatásoknak.)

Versenyelőny (átlag feletti jövedelmű csoport)

1.3.Komplex versenyelőny

1111 minden tényezőben az átlagnál kedvezőbb helyzet

1.2.Többtényezős versenyelőny

1110 csak a demográfiai tényezőben kedvezőtlen pozíció

1101 csak a foglalkoztatottsági tényezőben kedvezőtlen pozíció
1011 csak az élőmunkatermelékenységi tényezőben kedvezőtlen pozíció

1.1.Egytényezős versenyelőny

1100 az élőmunkatermelékenységi tényezőben kedvező pozíció

1010 a foglalkoztatottsági tényezőben kedvező pozíció
1001 a demográfiai tényezőben kedvező pozíció

Versenyhátrány (átlag alatti jövedelmű csoport)

0.1.Egytényezős versenyhátrány

0110 kedvezőtlen demográfiai pozíció

0101 kedvezőtlen foglalkoztatottsági pozíció
0011 kedvezőtlen élőmunkatermelékenységi pozíció

0.2.Többtényezős versenyhátrány

0100 kedvezőtlen foglalkoztatottsági és demográfiai pozíció

0010 kedvezőtlen élőmunktermelékenységi és demográfiai pozíció
0001 kedvezőtlen élőmunktermlékenyégi és foglalkoztatottsági pozíció

0.3.Komplex versenyhátrány

0000 minden tényezőben átlag alatti pozíció

5.9. táblázat Versenyképességi típusok

 5.6 ábra Kistérségeink komplex versenyképességi típusai 2002-ben (Nemes Nagy J. 2004, p. 25.)

A hazai városok és kistérségek versenyképességi típusainak elemzése (részleteiben: Nemes Nagy J.

2004) a fejezet elején ismertetett triadikus felbontásra épít. Minden kistérség illetve város értékelésre
került a megfelelő országos átlaghoz viszonyítva a hármas felbontás komponensei szerint.
Érzékeltetendő az elemezhető, térképezhető végeredményt, az említett munkákban meghatározott
térségtípusokat az 5.9. táblázatban közöljük, az 5.6. ábrán pedig az ezeknek megfelelő
versenyképességi térszerkezet látható.

5.10. Típusok, térfelosztás

Ahogy az előző fejezet záró témája (a területi versenyképesség tényezői) már jelezte, számos területi
kutatás vezet összevont területi csoportok, típusok kijelöléséhez. Sok esetben eleve ez a vizsgálati cél.
A regionális elemzés egyik nagy témaköre a térség- és településtípusok kutatása, amit folytonosan
táplál az a gyakorlati igény is, hogy a területfejlesztési politikák támogatási rendszerei általában
térségtípusokhoz kapcsolódnak60. Ezek feltárásakor az alapkérdés után – egyáltalán típusokra, részekre
bontható-e a vizsgált tér – két további alapkérdés vetődik fel:

• hány típus van, illetve hányat jelölünk ki,

• hogyan határoljuk el egymástól a típusokat?

Ezek egyikére sincs szigorú matematikai kritériumokkal megjelölhető válasz vagy módszer, az
alapelvek nem formálisak, hanem tartalmiak: a vizsgált jelenség belső összefüggései határozzák meg a
típusok számát és elkülönülésük jellegét. Egy n elemű rendszer esetében a típusok (alcsoportok,
részhalmazok) száma elméletileg 2 és n közé esik. Túlságosan sok csoport, típus kijelölése azonban
nem szerencsés, hisz akkor áttekinthetetlenné válik az osztályozás, sok lesz az egyedi elem (egyelemű
részhalmaz), a kevés típus ellenben a típusokon belül viszonylag nagy egyedi heterogenitáshoz
vezethet.

60
Ezekben megosztódik a tér a támogatott – nem támogatott térségek között, a különböző támogatott
térségtípusokban eltérők lehetnek a támogatott fejlesztési célok és a támogatás (pénzügyi) mértéke, formája.

Jellegzetesen többdimenziós – a természeti-környezeti, demográfia-társadalmi, a gazdasági és
településhálózati jellemzőket ötvöző – tipizálás eredményei a regionális politika térségtípusai. Ezek
mindegyikéhez hozzárendelhető azonban egy-egy kiemelt jegy, ágazati, fekvési vagy környezeti vonás. A
területfejlesztés célterületeit jelentő, nehézségekkel küzdő (problematikus) térségeknek négy jellegzetes típusa
érdemel kiemelést:
• az elmaradott (jellemzően agrárkarakterű) térségek
• a depressziós (korábban prosperáló, de visszaesett, ma jellemzően ipari jellegű) területek
• a periférikus, gyengén benépesült (a gazdasági magterületektől távoli) zónák
• a túlfejlett (nagy környezeti terhelésű) szuperkoncentrációk
Ezeket a kiemelten kezelt térségtípusokat egészíti ki az átmeneti zónák viszonylag széles (de az átlagos
fejlettségi szinthez közeli) intervallumon eloszló, többesélyes, instabil csoportja. (Hazánkban az ország déli-
középső része tartozik ide.)

Régiótípus
Jellemzők Szuper- Elmaradott “Modern” Kihasználatlan
koncentráció depressziós
Népsűrűség Magas Változó Magas Alacsony
Migráció Változó Negatív Negatív Cserélődés
Városiasodottság Magas Alacsony Magas Változó
Erőforrások:
Szellemi Magas Alacsony Változó Alacsony
Anyagi Magas Alacsony Leértékelt Magas
Természeti Fekvés Leértékelt Leértékelt Nagy
Domináns ágazat Ipar – Tercier Agrár Ipar Bányászat
Jövedelemszint Magas Alacsony Csökkenő Magas

5.7 táblázat A problematikus térségek fő típusai és jellemzői

5.11. Térfelosztás és a klasszifikáció (DusekTamás)


A térfelosztás (regionalizáció) és a klasszifikáció (osztályozás, tipizálás) egyaránt egy nagyobb
sokaságot oszt részsokaságokra. Egyikük sem írja le és magyarázza a jelenségeket, hanem a leírást és
magyarázatot segítik elő, bizonyos helyzetekben azok előfeltételét képezik61.

A térfelosztásnak három fő célját lehet megkülönböztetni: (Benedek, 2000)

• Pozitív-tudományos célú térfelosztás
• Normatív-formális célú térfelosztás
• Szimbolikus-informális célú térfelosztás

A pozitív-tudományos térfelosztás célja magának a térnek az elemezhetővé tétele. A normatív-

formális térfelosztás valamilyen térbeli hálózattal rendelkező intézmény területi szerveződésére
vonatkozik, és a társadalmi-gazdasági folyamatok térbeli irányítása miatt szükséges. Az intézmények
lehetnek államigazgatásiak, a széles értelemben vett non-profit szférához (pártok, egyházak,
szakszervezetek stb.) tartozók és a magánszféra gazdasági és társadalmi intézményei (többtelephelyes
vállalkozások valamennyi gazdasági ágazatban). Minden ilyen gyakorlati tartalommal rendelkező
térfelosztásnál alapvető szerepet játszik a gazdaságos működtetés elve, ezért magának a térfelosztás
racionalitásának az elemzése is fontos tudományos kérdéssé válik. A szimbolikus-informális
térfelosztás a köztudat szintjén létezik, történetileg meghatározott és gyakran bizonytalan
határvonalakkal jelölt régiókat jelent. A bizonytalanság azt is jelenti, hogy a régió kiterjedése változhat

61
A témakör részletesebb kifejtését lásd: Dusek T. 2004. 3. fejezet
időben, személyről személyre és kontextusról kontextusra. Ennek egyik szép példája az, hogy Közép-
Európa fogalmához végtelen sokféle határvonal és területi kiterjedés kötődik. Harvey – Sinnhuber
nyomán – 16 féle Közép-Európa lehatárolást és értelmezést ismertet (Harvey, 1969, 272. o.)

A klasszifikáció során haladhatunk alulról felfele, az elemek egyre általánosabb osztályokba

sorolásával, vagy felülről lefele, az elemeknek először általánosabb, majd egyre specifikusabb
osztályokba sorolásával. A térfelosztásnak is ezt a két irányát különböztethetjük meg, a nagyobb
egységek részekre bontását (területi dezaggregáció) és a kisebb egységek összevonását (területi
aggregáció).

5.11.1 A térfelosztás és klasszifikáció általános elvei

Bármely osztályozás, csoportosítás logikai alapelvei a következők (Grigg, 1965):

1. Az osztályozásnak minden elemre kiterjedőnek kell lennie.

2. Az osztályozásnak egyértelműnek kell lennie.
3. Az osztályozásnak az osztályozás minden szintjén egyazon kritériumon nyugvónak kell lennie.

Az egyértelműség azt jelenti, hogy egy elem csak egy osztályba tartozhat, illetve két osztálynak nem
lehet közös eleme. A gyakorlatban ezek az alapelvek nem mindig tarthatóak be. Az állattani és
növénytani osztályozás során a jelen élőlények és az őskövületek alapján rekonstruált élőlények
osztályba sorolása során mindig találkozhatunk vitatott, határhelyzetben lévő elemekkel. A nyelvek
genetikus és szerkezeti jellemzőkön alapuló osztályozása is állandó vita tárgyát képezi a történeti
nyelvészek körében, bár itt maguknak a nyelveknek, mint egységeknek a meghatározása is kérdéses. A
fuzzy-osztályozás koncepciójának bevezetésével → 5.14.2 a második kritérium hatályon kívül
helyeződik. Ekkor egy elem részese lehet több osztálynak is, bár eltérő mértékben.

Az első két logikai követelmény a térfelosztásra vonatkoztatva a társadalmi tér teljes és

átfedésmentes felosztását jelenti. Ezek az igények a lehatárolás céljának és módjának
függvényében betarthatóak és betartandók, vagy nem megvalósíthatók lesznek. A regionális
egységek Haggett nyomán gyakran megkülönböztetett három típusa a
• homogén vagy egyveretű régiók,
• funkcionális vagy nodális régiók,
• és tervezési vagy program régiók.

Az első kettő a korábban pozitív-tudományos célúnak nevezett térfelosztásokra jellemző, a

harmadik a normatív-formálisra. Ebből a felosztásból hiányoznak az ezen felosztás alapján
negyedik típusúnak nevezhető szimbolikus régiók. A négy típus közül a homogén régióknál teljes
mértékben, a tervezési régióknál pedig bizonyos típusokkal kapcsolatban szokták egyértelmű
követelménynek tekinteni az átfedésmentességet. A funkcionális régiók térfelosztása során
beszélhetünk átfedésekről és régiókba nem besorolható térségekről. (Haggett, 1987)

Világméretekben azonban még egy általánosabb kérdés is felvetődik, a nem állandó

emberi használatú földfelszínek problémája. A szárazföldek közül ide tartozik az örök
fagy birodalma a sarkvidékeken és a magas hegységekben. A vízfelszínek közül a
tengereket és óceánokat ki kell zárni a térfelosztásból. A maradék vízfelszín felosztása
kapcsán az jelenti a nehézséget, hogy bár ezeket a társadalom birtokba veszi, használja
közlekedésre és egyéb módon, de olyan értelemben nem települ meg rajta tartósan, mint
ahogyan a szárazföldön. A folyóknál ez a kérdés viszonylag kicsi területük miatt nem
jelent gondot, a nagyobb belső tavaknál viszont igen.
A térfelosztás teljességének követelményére vonatkozóan néhány további kérdés vetődik
fel. A felosztás szempontja nem mindig teszi lehetővé a maradéktalan térlefedést. Ha egy
térség területi vizsgálatba történő bevonásának a feltételét valamilyen jelenség
megtalálhatósága jelenti, akkor maguk a vizsgált régiók egyáltalán nem biztos, hogy
összefüggő területet képeznek. Ekkor a térfelosztás első mozzanata, az alaplehatárolás
nem összefüggő térséget, hanem blokkszerű területegységeket jelöl ki. A városkörnyékek
vizsgálata például a városhiányos térségeket felosztatlanul hagyja, köztes, nem vizsgált
területként. Ha csak a világvárosok vagy például a kikötővárosok környékét vizsgáljuk,
a felosztatlan terület még nagyobb lesz. Az átfedésmentesség igénye is csorbát
szenvedhet, számos olyan kritériumot lehet elképzelni, amelyek szerint egy területegység
több térséghez is besorolható lenne.

Ezeket az extrém helyzeteket leszámítva az első két logikai követelmény teljesítése többnyire
nem okoz gondot, illetve ha a térlefedés teljességének a hiányáról beszélhetünk, akkor az
nyilvánvalósága miatt nem lesz veszélyes. Azonban bizonyos esetekben, így főleg a
területegységre számított fajlagos mutatók használatakor különös óvatosság ajánlatos. Ilyenkor
figyelemmel kell lenni arra, hogy a követelmények betarthatók voltak-e.

A harmadik követelmény logikai követelményként betartható. Ezzel kapcsolatban a sokszor

nehezen megoldható kérdést azonban az jelenti, hogy hogyan tudjuk kiválasztani a térfelosztás
kritériumát. Ez azonban gyakorlati és tartalmi probléma lesz, a vizsgált jelenség ismerete
szükséges eldöntéséhez, amiről a logika nem tud mit mondani. Ez a követelmény nem mindig
tartható be, ha az adott, térfelosztásra felhasznált tényező a tér különböző részein nagyon
eltérően viselkedik, esetleg néhol elő sem fordul. Ilyenkor a tér különböző részeit más és más
szempontok szerint osztják fel. Ilyen térfelosztással és ebből adódóan számos nehézséggel
találkozunk például az országonként eltérő kritériumok szerint városnak tekintett települések
körének elemzésekor.

A térfelosztás általános elvei kapcsán a klasszifikáció során is megfontolandó további

szabályokat és elveket lehet megvizsgálni. Hasznosságuk abban áll, hogy szempontokat
nyújtanak a térfelosztás végrehajtásához. Ismét az osztályozással kapcsolatban fogalmazom meg
őket, ám köréjük csoportosítva a térfelosztással kapcsolatos további kérdéseket is meg lehet
vizsgálni:
4. Az osztályozásnak az elemek heterogenitása esetén van értelme. Egyforma elemek osztályozására
nincs lehetőség.
5. Az osztályozandó elemek körének időbeli változása, valamint az osztályozandó elemekre
vonatkozó információk változása új osztályozást tehet szükségessé.
6. Az osztályozás alapulhat az elemek minőségi és mennyiségi jellemzőin, tulajdonságain, valamint
az elemek közötti kapcsolatokon.
7. Ugyanaz az osztályozás nem minden célnak felel meg egyenlő mértékben, különböző célok
különböző klasszifikációt igényelhetnek.
8. A megkülönböztető ismérvnek az elemek lényeges tulajdonságára kell vonatkoznia
9. Több megkülönböztető ismérv esetén az osztályok hierarchiája jön létre.
10. A magasabb osztályok megkülönböztető ismérveinek fontosabbnak kell lennie az alacsonyabb
osztályok (alosztályok) megkülönböztető ismérveinél.
11. A klasszifikáció valamennyi elvének érvényesülését korlátozhatja az elérhető adatok köre.

5.11.2 A térfelosztás konkrét elvei

Az előző alfejezetekben is már magának a térfelosztásnak az elveit tárgyaltuk, de még általános

jelleggel. Most konkrétabban nézzük meg a speciálisan a térfelosztásra vonatkozó szempontokat és
azok érvényesíthetőségét. A kérdéseket három témakör köré csoportosítva célszerű tárgyalni (Nemes
Nagy, 1998):
 • A valóságos térbeli szerveződés elve
• Összehasonlíthatóság
• Kezelhetőség

A valóságos szerveződés követése kapcsán két eltérő elvről beszélhetünk, a funkcionális összetartozás
és a belső homogenitás elvéről.

A funkcionális összetartozás figyelembe vételekor a területi kapcsolatok, áramlások vizsgálata alapján

végzik a lehatárolást. A cél ekkor az egyes területegységeken belüli áramlások maximalizálása és a
területegységek közötti áramlások minimalizálása. Ha egyetlen áramlástípust veszünk figyelembe,
akkor csupán a vonzásközpontok, kibocsátóhelyek és áramlási csatornák időbeli változása okozhat
gondot. Ezek változásával változhat a lehatárolandó egységek száma és határa. Régióközi áramlások
mindig lesznek, egyértelmű határvonalakat ekkor sem tudunk megállapítani. Több áramlástípus esetén
az egyes áramlástípusok egymásba fűződése, eltérő mennyisége, minősége, áramlási csatornája,
távolsága az önkényesen megválaszolandó kérdések hatványozódásához vezet. Legjobb funkcionális
módon végrehajtott térfelosztásról nem beszélhetünk. Az egyes lehetőségeket egymással tudjuk
összehasonlítani, és adott szempontok és adott térségek szempontjából előnyösebbnek,
hátrányosabbnak vagy ugyanolyannak minősíteni.

A homogén régiók létrehozatalánál egynemű régiók megteremtése a cél. Ezek minimalizálják az

aggregációs információveszteséget. Minden szempontból homogén régiók kialakítása azonban nem
lehetséges, sőt, már két szempontot is csak azok tökéletes térbeli együttmozgásakor lehet
konfliktusmentesen összeegyeztetni.

A térfelosztással kapcsolatban többféle értelemben beszélhetünk összehasonlíthatóságról. Egyrészt az

eltérő térfelosztások egymással történő adott időpontbeli összehasonlítása és az egyes térfelosztások
időbeli összehasonlítása lehet a kérdés. Másrészt az egyes térfelosztások eltérő mértékben teszik
magukat a területegységeket egymással összehasonlíthatóvá. Képzeljünk el két hasonló
településhálózatú országot. Az egyiknél önálló nagyváros-régiók (például az önálló Prága, Szófia,
Hamburg) és tőlük független városkörnyék régiók vannak, a másiknál viszont a nagyvárosok és
városkörnyékek egy régiót alkotnak. A kétféle térfelosztású ország területi eltérései korlátozottan
összehasonlíthatók egymással.

A területi elemzések nagymértékben támaszkodnak a térfelosztás adott módjára. A térfelosztás

megváltoztatása az időbeli összehasonlítást teszi lehetetlenné vagy korlátozottabban
megvalósíthatóvá. Ez minden klasszifikáció-változásra igaz, a munkaerő munkakörök típusa szerinti
osztályozására vagy az ágazati osztályozásokra ugyanúgy, mint a térfelosztásra.

A térfelosztás módosítása azonban két ok miatt is indokolt lehet. Először is, változhat a tudásunk,
gyarapodhatnak ismereteink. Másodszor, és ez a lényegesebb kérdés, magára a térre, így a térfelosztás
tárgyára is állandó változás jellemző. Ez olyan gyors változásoknál, mint Amerika vagy Ausztrália
európaiak általi benépesülése, a semmiből néhány év alatt felépülő városoknál nyilvánvaló. Új
települések, habár korlátozottabb számban, stabil településhálózattal rendelkező országokban is
állandóan születnek. A települések elhalása is természetes, bár többnyire lassú és egyik évről a
másikra nem látható folyamat. Nemcsak a településhálózat, hanem az egyéb térszerkezeti elemek is
állandó változás állapotában vannak. Egy településre vagy nagyobb térrészre jellemző termelési
szerkezet sem örök életű. Mindez a térfelosztás folyamatos átdolgozását, vagy legalábbis
felülvizsgálatát tenné indokolttá, ha eltekinthetnénk a stabilitás elvétől. Attól azonban nem
tekinthetünk el, mert akkor kaotikussá válnának az adatrendszereink. A sok kicsi, folyamatos
változtatás helyett ezért a kevés nagyobb változtatás a célszerűbb.

Az egyes térfelosztások egymással való összehasonlíthatóságára rátérve, azoknak mindig célszerű

egymáshoz igazodniuk, ha a térfelosztás célja ezt lehetővé teszi. Így a különböző folyamatok és
tevékenységek térbeliségének összehasonlítása lehetséges lesz. Léteznek olyan mutatók, amelyek nem
szerveződnek semmilyen területi egységben, amelyek bármilyen térfelosztás keretei között
vizsgálhatók. Például a lakosság demográfiai mutatóinak, egészségügyi helyzetének, politikai
szimpátiájának, jövedelmi helyzetének vizsgálata bármilyen regionális egységben történhet, még
akkor is, ha törvényszerűen találunk egymástól a fenti jellemzőkben karakteresen eltérő térségeket.
Ezek azonban annyira általános tulajdonságok, hogy csak specifikus tematikában – például az etnikai,
nyelvi, vallási jellemzők területi vizsgálatakor – nem elemezhetők tetszőleges térbeli keretek között.
Az egymástól jellegzetesen eltérő térszerveződésű jelenségek azonos térfelosztással történő kutatása
nem célszerű, mert ez két jelenség közül legalább az egyik reális vizsgálatát nem teszi lehetővé. A
vízügyi igazgatásnak például a folyók rendszeréhez kell kötődnie, a közúti felügyeleteknek az
úthálózathoz. Az előbbi nem igazodhat a közigazgatási határokhoz, az utóbbi igen.

A kezelhetőség kapcsán elsőrendű szempontként a területegységek csekély méretszóródását és a minél

nagyobb részletezettségű térfelosztást kell említeni. Az első szempont végrehajtása gyakran objektív
akadályokba ütközik, például a településhálózat vizsgálatakor a települések méretbeli szóródását
alapadottságként kell tekinteni. A területegységek kiterjedése és egyéb szempontú nagysága, például a
népességszáma szerinti csekély méretszóródás, valamint a közlekedésföldrajzi és egyéb, már említett
szempontok egymással többnyire nem hozhatók összhangba62.

5.12 Egydimenziós osztályozás

Gyakori az, hogy egyetlen jellemző, jelzőszám alapján képezünk csoportokat. (Ezzel lényegében
azonos probléma a tematikus térképek készítése egy mutatószám alapján.) Itt több jellegzetes
megoldás lehetséges:

• azonos elemszámú csoportok (kvantilisek) kijelölése,

• a jelzőszám értékei szerinti, egyenközű osztályozás,
• jellemző értékek (kerek számok, átlag) szerinti osztályozás.

A különböző utak, különböző eredményre vezetnek. Ezt érzékelteti a 6.2. táblázat.

A lehetséges elméleti alternatívák közötti választásnak a csoportokba sorolásnál ugrásszerűen megnő a

jelentősége akkor, ha a kategorizálás nem pusztán térképezési eszköz, hanem például támogatott vagy
támogatásban nem részesülő területegységeket kívánunk így elkülöníteni. Ennek ismert példája az EU
75 százalékos GDP/fő kritériuma a közösségi szintű támogatási rendszerben. Bármifajta mérés,
statisztikai számbavétel mindenkori objektív hibája következtében alig védhető ilyen esetben az, hogy
egy 75,1%-on álló térség még bekerül, a 74,9%-os szinten álló régió pedig kizáródik a
kedvezményezett térségek közül (ezért a sokszor hangoztatott számszerű kritériumot az EU sem kezeli
mereven).

A különböző kategorizálásokat érdemes összevetni abból a szempontból, hogy a kialakított csoportok

egymástól mennyire különböznek illetve a csoportok mennyire homogén elemeket tartalmaznak. Ez
számszerűsíthető azokkal az egyenlőtlenségi mutatókkal → 3.2, amelyek segítségével az adatsor teljes
egyenlőtlensége felbontható a csoportok közötti és a csoportokon belüli egyenlőtlenségre. Ha a korábban említett
homogenitási szempont áll a térfelosztás homlokterében, akkor az a csoportosítás tekinthető a legjobbnak, ahol a
csoportokon belüli heterogenitás a legkisebb, s ennek párjaként a csoportok közötti különbség a legnagyobb.
Tesztelje ezt a szempontot a 6.2. táblázat különböző osztályozásaiban valamely területi egyenlőtlenségi mutatót
felhasználva!

62
A térfelosztás mennyiségi módszertana egy tág és általános tudományterülethez, az alakfelismeréshez (pattern
recognition) vezet.
 Megyék Népesség GDP GDP/fő Kategorizálási alternatívák

Megoszlása (%) Ezer Ft Országos Vidéki Ft-értékek Kvintilisek Ugrópontok Országos átlaghoz Vidéki átlaghoz
2000-ben átlag=100 átlag=100 alapján (10% felett) viszonyítás viszonyítás
Budapest 2 561 195,2 246,4 1999 felett 1. ötöd Kiugró Kiugró Kiugró
17,9 35,0
Győr-Moson-Sopron 1 754 133,7 168,8 1500-1999 1. ötöd Magas Magas Kiugró
4,2 5,7
Fejér 1 664 126.8 160,1 1500-1999 1. ötöd Magas Magas Kiugró
4,2 5,4
Vas 1 499 114,2 144,2 1250-1499 1. ötöd Átlag felett Átlag felett Magas
2,7 3,0
Zala 1 113 84,9 107,2 1000-1250 2. ötöd Átlag alatt Átlag alatt Átlag felett
2,9 2,5
Veszprém 1 112 84,8 107,0 1000-1250 2. ötöd Átlag alatt Átlag alatt Átlag felett
3,7 3,1
Komárom-Esztergom 1 093 83,3 105,2 1000-1250 2. ötöd Átlag alatt Átlag alatt Átlag felett
3,1 2,6
Csongrád 1 088 82,9 104,7 1000-1250 2. ötöd Átlag alatt Átlag alatt Átlag körül
4,2 3,4
Tolna 1 084 82,6 104,3 1000-1250 3. ötöd Átlag alatt Átlag alatt Átlag körül
2,4 2,0
Pest 1 025 78,1 98,6 1000-1250 3. ötöd Átlag alatt Átlag alatt Átlag körül
10,4 8,1
Baranya 993 75,7 95,6 750-999 3. ötöd Átlag alatt Átlag alatt Átlag körül
4,0 3,0
Hajdú-Bihar 929 70,8 89,4 750-999 3. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
5,4 3,8
Heves 925 70,5 89,1 750-999 4. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
3,2 2,3
Somogy 892 68,0 85,9 750-999 4. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
3,3 2,2
Bács-Kiskun 887 67,6 85,4 750-999 4. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
5,3 3,6
Jász-Nagykun-Szolnok 874 66,6 84,1 750-999 4. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
4,1 2,7
Békés 864 65,9 83,2 750-999 5. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
3,9 2,6
Borsod-Abaúj-Zemplén 852 65,0 82,0 750-999 5. ötöd Átlag alatt Mélyen á. alatt Átlag alatt
7,3 4,7
Nógrád 714 54,5 68,8 750 alatt 5. ötöd Mélyen á. alatt Mélyen á. alatt Mélyen á. alatt
2,2 1,2
Szabolcs-Szatmár-Bereg 710 54,1 68,4 750 alatt 5. ötöd Mélyen á. alatt Mélyen á. alatt Mélyen á. alatt
5,7 3,1
Együtt 100,0 100,0 1312 100,0 126,3

Kategóriák száma 6 5 5 5(6) 6

6.2.táblázat Egydimenziós osztályozási alternatívák

 5.13 Kétdimenziós osztályozás: kereszttáblák

A tipizálás szemléletes, jól interpretálható eredményekre vezető útja az, amikor két jellegadó
szempont együttesében, kereszttáblákban osztályozzuk a vizsgált egységeket. Igen gyakran
használt dimenziópárok a fejlettség (fejlettségi szint) – fejlődés (fejlődési ütem) aminek a
kapcsolatát teszteli a β-konvergencia → 3.3.2, valamint a nagyság (kiterjedés, tömeg,
népesség) – fejlettség. Természetesen bármilyen egyéb osztályozási szempont is szóba jöhet:
a népességnövekedési típusok vizsgálata esetében a természetes szaporodás illetve a
vándorlás értékeiből összeállított kereszttábla. a városi népességnövekedés vizsgálatában a
városmag és az azt körülvevő perem népességfejlődési jellemzőinek kombinációi alapján
jellegzetes urbanizációs szakaszok különíthetők el. A shift-share analízis → 5.7, az ágazati
illetve a területi dinamika kombinációja alapján jelöl ki típusokat.

Az osztályozásban, tipizálásban szerepeltetett dimenziókat általában kevés intervallumra

érdemes tagolni. Kereszttáblák alkalmazása áttekinthető eredmény, világos típusok
reményében legfeljebb három dimenzióig ésszerű. A mindkét szempontból azonos pozícióban
lévő területegységek a táblázat egyik átlójába kerülnek (6.3. táblázat), azok a térségek, ahol
ilyen egyensúly nincs, az átlótól legtávolabbi cellákba. A fejlettségi szint és a fejlődési ütem
összevetésekor ez utóbbi térségek azok, ahol „pályamódosulás” (gyors felzárkózás,
depresszió) észlelhető.

Fejlődési irányok az új térszerkezetben (1994-2000)

Romló Stagnáló Dinamikusan
fejlődő
Fejlődési Dinamikusan Tolna Pest Budapest
irányok fejlődő Zala Vas
Somogy
Stagnáló
a régi Hajdú-Bihar
térszerkezetben Bács-Kiskun
Szabolcs-Szatmár-Bereg
Baranya Borsod-Abaúj-Zemplén, Fejér
Romló
Békés Heves Győr-Moson-
(1975-94) Csongrád Komárom-Esztergom Sopron
Jász-Nagykun-Szolnok Nógrád Veszprém

a. táblázat A megyék típusokba sorolása két időszak fejlődési mozgásirányai alapján.

(Az egy lakosra jutó GDP országos átlaghoz viszonyított értékei – 5.1. táblázat – szerinti változási
irányok.)

5.14 Klaszter-elemzés

5.14.1 A modell

Bár a fenti egyszerű módszerek jó eszközei a térségtipizálásnak, a különböző térségtípusok

meghatározása a legtöbb esetben bonyolult, többdimenziós szempontrendszer és mutatószám-
együttes alapján történhet. A sokdimenziós osztályozás legelterjedtebb matematikai-
statisztikai módszere a klaszter-elemzés (cluster analysis). Ez az eljárás matematikailag nem
túlságosan bonyolult, bár a csoportba sorolás egyes konkrét lépéseit, megoldásait tekintve
nagyon szerteágazó (magyarul lásd Sikos T. T. szerk. 1984), nagy számításigényű, így nagy
adatrendszerek esetében csak számítógépen végezhető el63. A módszer lényegét és néhány
kritikus momentumát a 6.1. ábrával szemléltetjük.

Ha n megfigyelési egységet (például települést, területegységet) m jellemzővel

(mutatószámmal) írunk le, akkor tulajdonképp egy m-dimenziós koordinátarendszerben
helyezünk el n pontot. A koordinátatengelyt a vizsgálatban szereplő mutatószámok (változók)
képezik. Ha e ponthalmazban két pont közel van egymáshoz, ez azt jelenti, hogy a nekik
megfelelő térségek, települések a vizsgált jellemzők (mutatószámok) tekintetében hasonlók
egymáshoz, azaz joggal sorolhatók egy csoportba, típusba. A csoportosítási, osztályozási
probléma szemléletesen azt jelenti, hogy ebben az m-dimenziós térben elhelyezkedő n-elemű
ponthalmazban egymástól elkülönülő pontcsoportokat, pontkoncentrációkat keresünk (ezek a
klaszterek).

A klaszter-elemzés matematikailag a pontok közötti távolságok (mint a hasonlóság

mérőszámai) kiszámításán alapul. A különböző mértékegységekkel mért mutatószámokból
adódó torzítóhatás kiküszöbölésére az eljárásban a változók standardizált értékével kell
dolgozni, (ahogy már tudjuk, a standardizálás "dimenziótlanítja", azonos jellegűvé alakítja az
egyes változókat).

Az adatbázis összeállítását követő számítás kiindulópontja egy n*n-es szimmetrikus

távolságmátrix (az n megfigyelési egység, mint pontok egymástól mért távolságértékeiből
álló hasonlósági mátrix az m dimenziós térben). A módszeren belül többfajta eljárás ismert.
Ezek abban is különbözhetnek egymástól, hogy a távolság mérésére milyen
távolságfüggvényt használnak.

A csoportok kialakításának leggyakrabban használt módszere az ún. centroid módszert

használó, agglomeratív hierarchikus klaszterezés. Ez a módszer első lépésben a két
legközelebbi pontból alkot egy klasztert, majd ezt a két pontot a következő lépésben már egy
pontként kezeli (ez a két pontból álló halmaz centroidja, a két pont koordinátái átlagolásával
kapható új pont), azaz az újabb lépésben már egy (n-1)•(n-1)-es távolságmátrixot számít. Ez
az összevonó, csoportosító algoritmus halad egészen addig, amíg minden pont
„összevonódik”. Nincs matematikai-elméleti kritérium arra, hogy az összevonás hányadik
lépésénél kell megállni, melyik csoportosítást fogadjuk el a tipizálás végeredményeként. Ezt
vagy a lépésenkénti eredmények értékelése alapján határozza meg a kutató, vagy eleve
megadja, hogy hány klasztert kíván kijelölni, s akkor az eljárás e szám elérésénél megáll.

Más logikát követ az ugyancsak használt úm. k-means klaszterezés. Ez azzal indul, hogy a
vizsgált ponthalmazban kijelölünk k db induló klasztert. Ezt követően ezek mindegyikének
kiszámítjuk a középpontját (centroid). Ezek után kiszámítható az, hogy az alappontok mely
centroidhoz vannak legközelebb. Ha minden alappont a „megfelelő” klaszterbe sorolódott az
induló lépésben, akkor a számításnak vége, az induló csoportosítás lesz a végeredmény (ez a
ritka eset egészen kiváló intuícióra és térlátásra utal). Ha ellenben valamelyik alappont egy
másik induló klaszter középpontjához van legközelebb, akkor azt oda átsoroljuk, majd újra
számítjuk a középpontokat. Mindezt addig folytatjuk, míg minden alappont a megfelelő
középponthoz lesz legközelebb.

63
A klaszter-analízis átfogó szakirodalma és teljes módszertani áttekintése megtalálható: Jain, A. K. –
Murty, M. N. – Flynn, P. J. 1999 Data Clustering: A Review, „ACM Computing Surveys” Vol 31. No. 3.,
pp. 264-323. cikkében. Tematikus honlap: http://www.clustan.com/. A legnagyobb hatású korai hazai
alkalmazás: Beluszky – Sikos 1982.
Az egyes klasztereket (csoportokat, típusokat) a bennük lévő alapegységek jellemzőinek
átlagértékével (a centroid dimenzióival) szokás jellemezni, s ha ezek jól azonosítható,
jellegadó értékek, akkor szövegesen is leírni.

Több vizsgálat a klaszter-elemzést faktoranalízissel kombinálja, így lecsökkenti az

osztályozási dimenziók számát (az alapváltozók helyett csak a jóval kevesebb számú és
korrelálatlan faktor kerül a klaszter-elemzésbe). Ez a módszerkombináció elvileg ugyan
ajánlott, de a végeredményt nehezen interpretálhatóvá teszi.
a) Alappontok
(n=22)

b) Klaszterek
(k=3 és k=5)

c) Kritikus
pontok
Extrém
elem

Határpontok

d) Klaszterek
(k=7)

6.1. ábra A klaszter-elemzés alapmodellje


A klaszter-elemzés társadalomföldrajzi, a területi szerveződés leírására való alkalmazásának a
várakozásokhoz képest nem igazából kedvezőek a tapasztalatai. Igaz ez jórészt nem a módszerből,
hanem a vizsgálatra kiszemelt adatrendszerekből adódik. Talán e módszer alkalmazása során bukkan
fel legtöbbször az a jelenség, hogy a területi adatbázisok bővelkednek egyedi sajátosságú megfigyelési
egységekben (ezt a területi eloszlások normalitásának hiánya okozza), amiből a módszer alkalmazása
során gyakran az a végeredmény adódik, hogy a csoportosítás sok egyedi (egy-egy elemű) klasztert, s
néhány nagyon sok elemből álló csoportot hoz létre. Nagyon erős a heurisztikus (találgatási) elem a
klaszterek számának meghatározásakor is (ezeket a jelenségeket a 6.1. ábrán is megtalálhatjuk).

Esetenként tévútra visz a számításban használt távolságmérték is. A 6.2. ábra egy olyan esetet mutat
be, amikor az euklideszi távolság használata nem vezet ésszerű osztályozási eredményre. Az ábrán két
jól elkülönülő síkban rendeződő pontokat látunk, az euklideszi távolságot használó klaszterezés
azonban az alsó síkon kérdőjellel reprezentált (?) pontot a felső sík pontjaihoz rendeli, mivel azokhoz
van közelebb. Az így kapott eredmény vélhetően ellentmond a két ponthalmaz elhelyezkedését alakító
mechanizmusoknak.

6.2. ábra „Téves” klasztereződés (Barber D. 2002)

Teljesen más vonalra térve, itt említjük azt, hogy újabban a regionális gazdaságtanban, a területi
gazdaságfejlesztésben is felbukkant a klaszter kifejezés → 6.8, ennek azonban az itt bemutatott
matematikai-statisztikai módszerhez nincs köze. A modern gazdaság olyan térszerveződési formáját
jelenti, amelyben egy-egy gazdasági ágazat szereplői között intenzív kooperáció, hálózati
együttműködés van egy-egy kisebb-nagyobb régióban.

5.14.2 Fuzzy-klaszterezés64

A hagyományos klaszter-analízis során minden elemről egyértelműen eldönthető, hogy
melyik osztályba tartozik. Vagyis, az osztályba tartozást kifejező logikai változó értéke
minden elem esetében az egyik osztályra nézve 1, a többi osztályra nézve pedig 0. Olyan
esetben, ahol az osztályok átmérője (egy osztály két legtávolabbi eleme közötti távolság a
paramétertérben), az osztályok közötti távolságnál (két osztály egymáshoz legközelebbi
elemének távolsága a paramétertérben) kisebb, lehetőség van egyértelmű elkülönítésre, ám
ahol az osztályok átmérője nagyobb, mint az osztályok közötti távolság, az egyértelmű
szétválasztás nem lehetséges, mert kialakulhatnak átfedések az osztályok között.

Az áttörést az a gondolat hozta, hogy nem feltétlenül kell egy elemnek vagy az egyik vagy a
másik osztályba tartozni, hanem egyszerre több osztályba is tartozhat más-más mértékben.
Ezt nevezik fuzzy (lágy, laza) osztályozásnak. Ez a diszjunkt osztályozást tulajdonképp
folytonos besorolással helyettesíti. A 6.3.ábrán a szaggatott vonallal elválasztott klaszterek
jelzik ezt, bár kétségtelen, hogy ez az ábrázolás kissé önellentmondásos, hisz a fuzzy-
klasztereket is szétválasztja. Az osztályba tartozást kifejező logikai változó értéke, mint
súlyérték ebben az esetben 0 és 1 között bármilyen értéket felvehet, ám egy elemre
vonatkozóan a különböző osztályokban vett súlyok összege egyenlő 1-el. A lágysági,
fuzzifikációs paramétert és az osztályok számát előre meg kell adni és egy iterációs eljárás
során állapítjuk meg a valóságosan elkülönülő osztályok számát, amely folyamat során az
egyes osztályok középső, centrális értéke meghatározható.

64
A leírás Illés G. et al. 2003 tanulmányán nyugszik
Ez a módszer jól alkalmazható olyan jelenségek osztályozására, ahol az elkülönítendő elemek
közötti átmenetek fokozatosak, illetve ahol a megfigyelt objektumok közötti különbségek
nem kiemelkedően markánsak.

H1 H2 H3

F3

F2
F1 1
H1

6.3. ábra A hagyományos és a fuzzy-klaszterezés eltérő logikája

A fuzzy-klaszterezés erre kidolgozott számítógépes programokkal történik. A fuzzy

klaszterek „átválthatók” a hagyományos módon kijelölt klaszterekre. Ekkor minden pont abba
a csoportba kerül, amelybe legnagyobb valószínűséggel tartozik.

5.14.3 A klaszter-analízis az SPSS-ben (Jakobi Ákos)

Az SPSS 8.0 verziójában alkalmazott lépések a következők (csak a legfontosabb beállítási

teendőket ismertetjük):

Hierarchikus klaszteranalízis
1. Vizsgálati adatbázis összeállítása, illetve megfelelő formátumú behívása
2. Statistics / Classify / Hierarchical Cluster – belépés a hierarchikus klaszter-analízis
almenübe
3. Variables – a vizsgálatba bevonandó változók kiválasztása (a felkínált változólistából a
„variables” ablakba áthelyezzük a vizsgálatba bevonni kívánt változókat). Ügyeljünk a
változókiválasztás szabályaira, amelyek hasonlóak a faktoranalízis kapcsán említettekhez →
5.5.2!
4. Statistics – a klaszterelemzést kiegészítő statisztikai eredmények kiíratására. Itt érhető el
például a klaszteregyesítések lépéseit dokumentáló összevonási napló (Agglomeration
schedule) opciója.
5. Plots – az eredmények grafikus megjelenítése. Az elvégzett klaszterképző-folyamat
lépésről lépésre nyomon követhető az ún. faág-diagramokon (Dendrogram) vagy egyéb
formákban (Icicle).
6. Method – a vizsgálati eljárás kiválasztása. A klaszterezési módszer (Cluster Method)
mellett beállítható a vizsgálati egységek közötti távolságmérés módszere (Measure), továbbá
megadható, hogy a változók milyen standardizált formában szerepeljenek a vizsgálatban
(Standardize).
7. Save – az egyes megfigyelési egységek klaszter-tagsága új változóként is elmenthető a
kívánt számú klaszterre osztott adatbázisban.
Az eredménytáblák értékelése

A beállítások részletességétől függően számos táblázat, illetve azon belüli részeredmény

jeleníthető meg, amelyek közül a legfontosabbakat ismertetjük:

1. Agglomeration Schedule – összevonási napló. A táblázat arról tájékoztat, hogy adott

lépésben (Stage) mely két megfigyelési egységet vagy halmazt (klasztert) vonta össze a
program (Cluster Combined), mekkora e két halmaz távolsága (Coefficients), melyik korábbi
lépésben került elő először az összevont egységek egyik és másik tagja (Stage Cluster First
Appears), illetve melyik az így kialakult csoportot érintő következő lépés (Next Stage).
2. Cluster Membership – klaszter tagság. A kívánt számú klaszterre osztott adatbázisban
minden megfigyelési egységről eldönthető, hogy mely klaszterba tartozik.
3. Icicle és Dendrogram ábrák – az összevonási folyamat grafikus ábrái.

Nem hierarchikus klaszteranalízis (K-Means vagy Quick Cluster)

1. Vizsgálati adatbázis összeállítása, illetve megfelelő formátumú behívása

2. Statistics / Classify / K-Means Cluster – belépés a nem hierarchikus klaszter-analízis
almenübe
3. Variables – a vizsgálatba bevonandó változók kiválasztása (a felkínált változólistából a
„variables” ablakba áthelyezzük a vizsgálatba bevonni kívánt változókat). A K-Means klaszt-
eranalízis eljárásban csak standardizált változókkal és véletlenszerűen sorba rendezett
megfigyelési egységekkel dolgozhatunk. (Részletesebben lásd: Székelyi M. – Barna I. 2002)
4. Number of Clusters – a módszer általunk előre meghatározott számú klaszterbe sorolja a
megfigyelési egységeinket.
5. Iterate – ebben a pontban állítható be az iterációs lépések száma (Maximum Iterations),
illetve a konvergencia-kritérium értéke (Convergence Criterion).
6. Save – az egyes megfigyelési egységek klaszter-tagsága (Cluster membership), illetve a
klaszter-középponttól való távolsága (Distance from cluster center) új változóként is
elmenthető a kívánt számú klaszterre osztott adatbázisban.
7. Options – beállítások, opciók (pl. kiíratható a kezdeti klaszter-középpontok táblája).

Az eredménytáblák értékelése

A beállítások részletességétől függően számos táblázat, illetve azon belüli részeredmény

jeleníthető meg, amelyek közül a legfontosabbakat ismertetjük:

1. Initial Cluster Centers – kiindulási klaszter-középpontok táblája.

2. Iteration History – az iterációs lépések leírása. A táblázatból a lépések száma és a változás
mértéke deríthető ki.
3. Final Cluster Centers – a végeredményként kapott klaszter-középpontok táblája az egyes
klaszterek átlagos értékeit tartalmazza a vizsgálatba bevont változóinkban. Ezen értékek
alapján tudjuk klasztereinket elnevezni.
4. Number of Cases in each Cluster – az egyes klaszterek elemszámát jelző tábla.

5.14.4 Regionalizálás

Bár általános értelemben minden csoportosítás, osztályozás térfelosztást jelent, a regionális

kutatásban kiemelt szerepe van az olyan osztályozásnak, amelyben egyrészt az elemek maguk
is egyértelműen lokalizáltak a földi térben (területegységek, települések stb.), másrészt a
létrehozott csoportok egymással szomszédos (határos, összefüggő) területegységekből állnak.
A térfelosztásnak ezt a speciális esetét nevezzük a továbbiakban regionalizálásnak. Korábban
már áttekintettük a kétfajta közelítés legáltalánosabb elveit → 5.11, most a regionalizálás
konkrétabb módszertanára pillantunk rá. (A térkapcsolatok alapján történő regionalizálást a
következő fejezetben tárgyaljuk → 6.8.)

Elöljáróban azonban mindenképp fel kell idéznünk egy alapvető elméleti-módszertani

gondolatot. A régió fogalmának közismert felértékelődése következtében sokoldalú nyomás
nehezedik a területi kutatásra az „optimális”, „tudományos alapon nyugvó” térfelosztások,
regionalizációk megalkotására. A tudománynak látszólag meg is van a feladat végrehajtására
alkalmas eszköztára, elméleti szempontrendszere (még, ha mindezeket át is szövik a
térelemzés legáltalánosabb módszertani gondjai). A regionalizáció – minden valóságos
folyamat ezt igazolja – azonban elsődlegesen politikai, hatalmi kérdés, s nem tisztán
tudományos feladat. Ezt nyilvánvalóan igazolják a folyamatosan változó ország- és
régióhatárok. A térfelosztás fontos, de nem kizárólagos láncszeme az erős kohéziójú, valós
hatáskörű régiók kialakulásának sem. Ne higgyünk azoknak, akik a maguk régiófelosztását
„tudományosan megalapozottnak” feltüntetve kritizálják másokét! Mindig marad olyan
téregység, zóna, amelynek besorolása vitatható lehet.

A térbeli közelség és társadalmi hasonlóság kapcsolata

Az előzőekben bemutatott klaszter-elemzés speciális esete az, amikor az eljárást nem

csoportosításra, hanem regionalizálásra használják. Ekkor az eljárásba be kell építeni azt a
feltételt, hogy csak egymással földrajzilag szomszédos, határos egységek vonhatók össze egy
klaszterbe. (Ez egyéni programozási feladat, mivel a módszert tartalmazó programok ilyen
speciális feltételt általában nem tartalmaznak.) Meglepő jelenségekre bukkanhatunk azonban
akkor is, ha nincs beépített szomszédsági kritérium. Nagyon sok klaszter-elemzés vagy
egyszerűbb tipizálás ad eredményül térben összefüggő típusokat. Ez a jegy a társadalmi
jelenségek erős pozitív területi autokorreláltságának → 4.3 következménye.

Klaszterek összehasonlítása, a térbeli közelség és a hasonlóság tesztjei65

Adott n területegységünk és ezek valamilyen (egy-vagy több) társadalmi
jellemzője. A területegységek összevonhatók, aggregálhatók nagyobb
egységekké, a jellemzők alapján pedig kialakíthatók csoportok.
Felmerül a kérdés, hogy a kétféle összevonás illetve csoportosítás vajon mennyire hasonló illetve
különböző egységeket hoz létre, azaz a térbeli közelség társadalmi hasonlósággal jár-e, vagy másként,
a régiók azon túl, hogy térben összefüggő, kompakt egységek, vajon társadalmi értelemben is
homogének-e? E kérdések eldöntéséhez a következőkben néhány viszonylag egyszerű, sajátos indexet
mutatunk be, ami jelzi a kétfajta csoportosítás együttmozgását. Általánosságban ezek a mutatók
nemcsak a területi és társadalmi csoportosítások hasonlóságának mérésére alkalmasak, hanem bármely
két csoportosítás (két klaszterezés vagy egy régióbeosztás és egy társadalomföldrajzi klaszterezés)
összevetésére is.

A csoportosítások esetében azt a – formálisan nem feltétlenül szükséges – feltételt is megtesszük, hogy
a két, összehasonlított csoportosításban a csoportok (régiók, klaszterek) száma azonos (k).

Legyen tehát kiindulópontunk egy területi csoportosítás, R, amely a kiinduló n területegységet k

régióba rendezi, illetve egy T, társadalmi osztályozás, ami ugyanazon n területegységet valamilyen
jelzőszám alapján ugyancsak k csoportba vonja össze. Két (i és j) területegység a kétfajta
csoportosításban a következőképp helyezkedhet el (minden pontpárt csak egyszer figyelembe véve):

• AA eset, amikor i és j területegység mindkét csoportosításban egyazon csoportba (régióba és

fejlettségi típusba kerül), legyen az ilyen esetek száma a

65
Halkidi – Batistakis – Vazirgiannis 2001 alapján.
 • AK eset, amikor i és j az R csoportosításban (régiók) azonos, míg a T csoportosításban
(típusok) különböző csoportba kerül, legyen az ilyen esetek száma b,
• KA eset, amikor i és j az R csoportosításban különböző, a T csoportosításban azonos csoportba
kerül, legyen az ilyen esetek száma c,
• KK eset, amikor a két területegység sem az R, sem a T csoportosításban nem kerül azonos
csoportba, legyen az ilyen esetek száma d

A négy esethez tartozó értékek összege (M) a területegységekből képezhető párok

maximális összegét adja ki, két területegység mindenképp tagja valamely (és
csakis egy) osztálynak:
M = a+b+c+d = n(n-1)/2

A kétfajta csoportosítás hasonlóságának mérésére a következő mutatószámok

alkalmasak:
Rand index R = (a+d)/M

Jaccard koefficiens J = a/(a+b+c) = a/(M-d)

Ezek értéke 0 és 1 között változhat, minél nagyobb az érték annál hasonlóbb a kétfajta csoportosítás
(azaz esetünkben az adott társadalmi jellemző szempontjából annál homogénebbek a régiók). Hasonló
tulajdonságú a kissé bonyolultabb következő mutató is:

a a
Folkes-Mallows index FM = a / m1 m2 =
a+b a+c

További mérőszámként jöhet szóba (a korrelációs együtthatókhoz hasonló mutatóként):

n −1 n

a Hubert féle Γ (gamma) index Γ = (1 / M )∑ ∑ R (i, j )T (i, j )

i =1 j = i +1

 n −1 n

)  (1 / M ) = ∑ ∑ ( R(i, j ) − µ r )(T (i, j ) − µ t )
Γ=  
i =1 j = i +1
a normált Γ index
σσ
r t

ahol R(i, j) és T(i, j) két összehasonlított bináris R és T mátrix elemei. Ezek olyan mátrixok, amelyek
celláiban 0 áll, ha a két területegység azonos és 1, ha különböző csoportba (régióba, típusba) tartozik,
µr és µt a megfelelő mátrix elemeinek átlaga, σr és σt pedig a szórása. A Hubert féle Γ nagy értékei a
kétfajta csoportosítás erős hasonlóságát jelzik, míg a normalizált index –1 és 1 közé eshet. Itt a
minimum teljesen különböző, a maximum teljesen azonos kétfajta csoportosítást jelez.

Feladat: A fenti indexeket és az 5.1. táblázatban található megyei GDP adatokat felhasználva vizsgálja
meg, miként változott a megyék gazdasági fejlettség szerinti csoportjainak és a 7 tervezési-statisztikai
régióhoz való tartozásának a viszonya!.

A sokfajta viszonylag összetett módszert említő fejezet végén talán nem indokolatlan
ismételten figyelmeztetni arra, hogy ezeknek a módszereknek a használatakor elsőrendű
szerepe van az alapadatbázis jól átgondolt, a vizsgálandó kérdéskörhöz valóságosan
illeszkedő összeállításának → 1.1. A módszerek (a legnyilvánvalóbb matematikai korlátokon
túlmenően) ugyanis „vakok”, végeredményeik szintetikusak, a helytelen kiindulás éppúgy
„számokat”, faktorokat, klasztereket ad, mint a biztos alapon álló, csak ekkor az
eredményeknek alig van közük a valóságos térszerveződéshez66.

5.15 Egy „puha” sokdimenziós módszer: a SWOT analízis (Salamin Géza)


A SWOT analízis a területfejlesztési helyzetértékelés legelfogadottabb rendszerező eszköze a
menedzsment tudományából, a stratégiai tervezés ún. „design” iskolájából eredeztethető. A SWOT-ot
az Európai Unió által preferált programozási eljárások is használják, és továbbfejlesztésére törekednek.
A tervezés körülményeit a külső és belső tényezőkre bontja fel.

A fejlesztés belső környezetének esetében az erősségekre (Strengths) és gyengeségekre (Weaknesses)

koncentrál, mint problémákra és előnyökre. A fejlesztés külső körülményeinek esetében a
lehetőségeken (Opportunities) és veszélyeken (Threats) van a hangsúly. Mint a stratégiai
menedzsmentben általában, a belső adottságok által kínált erős illetve gyenge pontokkal való tervezés
mozgásterét a külső adottságok lehetőségei és korlátjai határozzák meg.

A területi stratégiák alkotása esetében is hasonló logikával járunk el, ebben az esetben azonban a
területfejlesztés partnerség, nyilvánosság elveit is érvényre kell juttatni. A jelenleg elfogadott EU-
komform területi stratégiaalkotás során az adott terület vezetési típusától függetlenül a stratégiaépítés
az egész térség ügye. Más megfogalmazásban egy helyzetértékelés, egy SWOT analízis nem
egyszerűen a tervező terméke, hanem az adott térségé, az adott térség sajátja. A területi tervezésnek ez
a lépése követeli meg a lehető legszélesebb körű partnerbevonást, sőt a nyilvánosság érvényesítését is.

A SWOT analízis input adatai és adatgyűjtő eszközei

A belső viszonyok felmérésekor a belső erőforrások, a jelen stratégiái és az eddigi fejlesztési

eredmények, a fejlesztési intézmények és eszközök (pénzügyi, jogi) jelenhetnek meg inputként
(Rechnitzer, 1998). A belső erőforrások rendkívül szerteágazók lehetnek. pl. természeti adottságok,
foglalkoztatottság, demográfiai viszonyok, stb.). Ezek az eszközök elsősorban csak az előképzettség
nélküli „tervezők” számára nyújthatnak segítséget, a területi elemző gyakorlattal és képzettségekkel
rendelkezők számára feleslegesek. A belső erőforrások feltárása igen nagymértékben támaszkodik
kvantitatív elemző vizsgálatokra.

A külső körülmények felmérésekor az európai és nagytérségi, hazai fejlődési irányok és a szereplők

(térségi és térségen kívüli vertikális és horizontális partnerség szereplői) elvárásainak összegyűjtése
történik. Az első két tényező nagymértékben kvantitatív eszközökkel mérhető fel, például
összehasonlító statisztikai vizsgálatokkal, de nagy szerepet kaphat a korábbi vizsgálatok
eredményeinek irodalmi feltárása is. A szereplők (gazdasági, non-profit, dekoncentrált szervek,
háztartások, prominenciák, önkormányzatok, K+F szervezetek) elvárásainak feltárása klasszikusan
kvalitatív eszközökkel kivitelezhető feladat. A közismert brain storming, az interjúk, a workshopok
tekinthetők a leggyakrabban használt eszközöknek. A különböző mérhető, kimutatható tendenciák
mellett, lehetőséget jelentenek azok a tervek, szándékok, melyek a helyi erőforrások hasznosulását
szolgálhatják, a veszélyek pedig mindezeket akadályozhatják (Faragó, 2000).

Az adatok rendszerezése, a SWOT analízis lépései

Az adott térség megítélésekor szóbajöhető tényezőket először érdemes egyszerűen csak a megfelelő
kategóriák szerint felsorolni. Az adatok minősítése nem mindig egyértelmű feladat. Általában nem a
külső és belső tényezők elhatárolása, hanem meglepő módon inkább annak eldöntése okoz gondot,
hogy a tényező negatív vagy pozitív elemként értékelhető-e (főleg a külső tényezők esetében). A relatív
kategóriák esetében a megfelelő viszonyítási alap kiválasztása segíthet egy-egy jellemző besorolásában
(pl. a falvak adatait a falvak átlagához is indokolt viszonyítani, nem pusztán az országos átlaghoz). A
kvantitatív összehasonlítás gyakran nem hoz vagy nem hozhat eredményt, ekkor ismét a kvalitatív
eszközök segíthetnek. Egy brain storming adatgyűjtést követő interjúzás a meghatározó szereplőknél

66
Azon Kollégákat, akik a fejezetben bemutatott eljárásokhoz fűzött sokfajta figyelmeztetés
elbizonytalanította, a már „kész” osztályozások, térfelosztások – emlékezzünk például a KSH
településkódjaira → 2.4 – felhasználása mentesítheti a „kutatói stressztől”. Átmenetileg.
segíthet eldönteni, hogy például egy országos jelentőségű út tervezett nyomvonala vajon többségében
pozitívan vagy negatívan hat a térség szereplőinek fejlődésére. Az egyes tényezők esetében
fókuszcsoportos elemzés (tematikusan kiválasztott kis létszámú csoportok véleményének felmérése)
még hatékonyabb lehet, de használata költségesebb, körülményesebb. Sok tervezői energiát lekötő
vizsgálatokat azonban csak a hipotetikusan már kulcsszerepűnek minősített tényezők esetében érdemes
lefolytatni.

A felsorolást és a helyes besorolást követő munkafázisok már elsősorban a tervező által megoldható
feladatnak tekinthetők. A csoportosítás során ki kell szűrni a tényezők közötti átfedéseket, szintén
elkülönítve a jelentőseket a kevésbé fontosaktól. A szelektálás folyamán esetleg pontosabb
megfogalmazásokkal tisztázni lehet az átfedéseket. A jelentéktelenebb tényezők elhagyhatók, és törölni
lehet a stratégiaalkotás meghatározottságainak (ld. korábban az inputoknál) nem megfelelő tényezőket
(pl. kiesnek a stratégia tárgyköréből, időtávjuk attól eltérő).

A SWOT analízis elkészítésekor gyakran a külső (lehetőségek és veszélyek) tényezők feltárása

különösen nehéz feladat lehet. Ezt segítheti az a megközelítés, melyben a belső tényezők feltárása
időben megelőzi a külsőket, és a belső (erősségek és gyengeségek) tényezőkkel összefüggésben
próbálja meghatározni a külső tényezőket. Egy kedvező geopolitikai helyzet (például a Dél-Alföldi
Régió a kibővülő EU határán) számára nagy lehetőséget jelent a térség stabilizálódása (a balkáni
újjáépítés, tőkebeáramlás megindulása), de kifejezett veszélyeket rejthet a destabilizálódás (a balkáni
konfliktusok megújulása, kiszélesedése, a szomszédos régiókra is kiható befektetésekre,
idegenforgalomra is riasztóan ható közbiztonsági állapotok). Vannak persze olyan külső tényezők,
melyek nem párosíthatók közvetlenül belső tényezőkkel, de természetesen ezeket is jelölni kell (új
központi pénzügyi alapok megnyitása, szomszédos térségek szabályozásoknak köszönhető hirtelen
megugró tőkeabszorpciós vagy befektetővonzó képessége). A SWOT tényezőinek felsorolása,
csoportosítása, szelektálása után előáll a SWOT tábla, amely a későbbi tervezési fázisok kiinduló
pontja lehet67.

67
A módszer alkalmazását a térségmarketingben lásd Kozma G. 2003.
 6 TÉRKAPCSOLATOK
6.1 Rendezettség, alakzat és folyamat

Az előző fejezetekben bemutatott elemzési eszközökben a térbeliség meghatározó elemei

közül elsődlegesen az egyenlőtlenség, a differenciáltság áll a középpontban, de már eddig is
felbukkant jónéhány olyan szempont és módszer, amelyben a térbeliség másik meghatározó
eleme, a rendezettség és annak fontos paraméterei (távolság, szomszédság) is szóba kerültek.
A korábban érintett összefüggéseket nem ismételjük meg.

A témakör legalapvetőbb elemzési eszköze a térképezés. A térbeli rendezettség vizsgálatában

a regionális elemzők új „segédtudományként” a matematika önálló diszciplináit a geometriát,
topológiát és a gráfelméletet vehetik igénybe. Fontos közvetlen és közvetett, szemléleti
segítséget kaphat a kutató a rendszerelmélet vagy a hálózat-kutatás fogalmait megismerve.
Az analitikus elemzésekben kiemelt szerepűek itt a különböző térparaméterek (mindenek
előtt a távolság, s részben az irány).

A témakör legösszetettebb, szintetikus fogalma a térszerkezet. E gyakorta használt, nehezen

definiálható kategóriát – a legáltalánosabb jelentésein túlmenően – a területi elemzés két jól
elkülöníthető tartalommal használja:
a térbeli objektumok (modellekben legyakrabban: pontok) és a közöttük lévő
kapcsolatok, viszonyok (modellekben: élek, tengelyek) alkotta, működőképes
konfigurációként, illetve
nagyobb téregységeknek lehatárolt térrészekre bontásával, s általában egy-egy
kiemelt jellemző szerinti értékelésével, térképezésével feltáruló („regionális”) egyenlőtlenségi
és rendezettségi sajátosságok összességeként.

A kétfajta közelítés jellegadó példájaként említhetjük egyrészt „a magyar bankrendszer

térszerkezete”, másrészt „Európa fejlettségi tagoltsága” témákat. A kétfajta szemlélet
természetesen össze is kapcsolódik, össze is kapcsolható: a régió-alapú térszerveződés mögött
ott vannak a különböző társadalmi szférák, szektorok egymást átfedő, de sajátos önálló
konfigurációkat is kialakító térszerkezetei.

A térbeli alakzatok, hálózatok kutatását az az elméleti felismerés emeli az elsőrendűen

vizsgálandó kérdéskörök közé, hogy sok-sok relációban bizonyítható, hogy az elrendeződés,
az alakzat, a forma („pattern”) egyrészt tükrözi az őt létrehozó folyamatot („process”),
másrészt erősen determinálhatja a rendszeren belüli kapcsolatokat és történéseket. Ez a
viszony jól érzékeltethető korábbiakban már részleteiben taglalt térbeli szomszédság → 4.3
egyszerű modelljeiben (6.1. ábra), bár a kapcsolat kifejezetten valószínűségi , sztochasztikus
jellegű.

Interpertálja a 6.1. ábra alakzatait! Keressen analógiákat!

 6.1. ábra Három, illetve négy térelem elméletileg lehetséges (tükrözés és elforgatás nélküli), a szomszédsági
relációk szerint különböző elrendeződése (Gebhardt, F. 1999)

A térbeli kapcsolatok tényleges fizikai összekötöttségben, tág értelmű kommunikációs-

információs összekapcsolódásban, a belső terekre jellemző intézményi-hatalmi függésben
öltenek testet, s mozgásokban kelnek életre. A (társadalmi) térben három egymással
összefüggő, egymást részben átfedő mozgásformát érdemes megkülönböztetni:

• az áramlásokat (flow), amiket a társadalom örökös, ismétlődő életjelenségeiként

azonosíthatunk ("mozgás azonos téren belül") → 6.6,
• a terjedést (diffusion, spread), ami az "új jelenség új helyen való megjelenésének"
térfolyamata → 6.7,
• és a növekedést (growth), ami az egyes térelemeknek a térszerkezetre is ható mennyiségi
gyarapodása.

A térkapcsolatok, az áramlások és a terjedési folyamatok elemzése a nemzetközi és (kis

késéssel) a hazai tudományban a múlt század 70-es, 80-as éveiben jelentős lökést adott a
statikus, leíró szemlélettől a dinamikus közelítés irányába való elmozdulásnak (lásd pl.
Mészáros R. 1994).

6.2. Geometria, topológia

6.2.1 Geometriai alakzatok

A klaszikus geometria három alapvető térelemet ismer: a pontot, az egyenest és a síkot. A
tapasztalatból ismert alapvető alakzatokat, a testeket, felületeket, görbéket – mozgással,
transzformációval – ezekből felépíthetjük (egy pontot egy másik körül síkban elforgatva kapjuk például
a kört). A geometria tárgya a geometriai alakzatok vizsgálata.

• Ponttal (pontokkal, pontalakzattal) gyakran ábrázolják, modellezik a területi elemzők azokat a

valóságban nem pontszerű elemekből álló rendszereket, amelyekben az elemek kiterjedése
elhanyagolható az egymás közötti távolságokhoz vagy annak a területnek a kiterjedéséhez képest ahol
elhelyezkednek (egy ország települései, településhálózata, egyedi létesítmények, épületek, intézmények
egy városban). Abban az esetben, mikor egy elemzésben nem teljesül a ponttal való modellezhetőség
fenti két kritériuma (nagy egymás közötti távolság, csekély kiterjedés a vizsgált térrészen belül) vagy
amikor csak egy objektumot vizsgálunk, a regionális tudományi elemzésekben leggyakrabban ponttal
modellezett objektum, a település modellje sem a kiterjedés nélküli pont, hanem inkább valamely más,
kétdimenziós geometriai alakzat (például kör). Ilyenek a települések belső tagozódásának leírását célzó
vizsgálatok kiinduló modelljei. A belső területi tagozódást figyelmen kívül hagyó közgazdasági
szemlélet gazdaság-fogalmát a regionalisták „egy pont gazdaságnak” nevezték el (erőteljesen bírálva is
a szemléletet)68.

68
A pontalakzatok konfigurációs osztályozásának legismertebb módszere az ún legközelebbi szomszéd
analízis (leírását lásd: Nemes Nagy J. 1998, 9.1.1 fejezet). Ugyanezen munka részeleteiben tárgyalja a
térbeli terjedés modelljeit, ezért azokra itt nem térünk ki (Nemes Nagy J. i.m. 11.2. fejezet).
• Vonallal, hálózattal illetve ezek rendszerével modellezik a vonalas térbeli rendszereket
(közlekedési, kommunikációs vonalak és rendszerek) és a térbeli áramlásokat.

• A geometrikus rácsokkal részekre felosztott sík (hatszögű sejtrács, négyzetes térfelosztás) a

régiórendszerek, térfelosztások jellemző modellje. A térrészek modellként való alkalmazásakor
bizonyos tartalmi fokozatrendszer rendelhető a különböző – egyaránt térrészként modellezhető –
fogalmakhoz. A terület, térség, régió fogalomhármasnak például az adott sorrendben egyre
erőteljesebb a társadalmi tartalma. Míg a terület és a térség fogalom még viszonylag semleges,
hozzájuk elsősorban csak nagyságjellemzők (kiterjedés, terület) kapcsolódnak, addig a régió már
jellemzően (ha nem is kizárólagosan) társadalmi töltésű. A földrajzban a régióval rokon fogalom a táj,
mindkettőnek lényegi sajátossága a társadalmi illetve természeti komplexitás.

Az egyedi pontnak megfeleltethető tehát egy település, a vonalnak egy útvonal, egy térrésznek egy
közigazgatási terület. A településhálózat pontok rendszereként, az úthálózat vonalrendszerként, a
területi közigazgatási, politikai térfelosztás térrészek rendszereként modellezhető.

A három geometriai térelem kombinációival már bonyolult folyamatok és rendszerek írhatók le. Olyan
gyakran vizsgált jelenségek, mint a térbeli terjedés, a diffúzió esetében a pont megjelenik mint
innovációs központ, a vonal a terjedési útvonalakat, irányokat jelezheti, az elterjedési területet egy
adott térrész képviseli. A térbeli egymásrahatások, vonzások vizsgálatakor egyaránt felbukkannak pont,
vonal és alakzat jellegű fogalmak: a vonzásközpont, a vonzásirány, a vonzáskörzet. A határ fogalma
kapcsán is beszélhetünk határpontról, határvonalról, határzónáról. A térségi hierarchiák pontok,
vonalak, térrészek bonyolult együttesei.

A geometriai térelemek egyszerűsége, kedvező matematikai tulajdonságai folyamatosan ébren tartják

azt a törekvést – s egyúttal annak kritikáját is – a regionális kutatásokban, hogy a társadalom területi
működésének törvényszerűségeit a térszerveződés geometriai szabályszerűségének felhasználásával
igazolják. E közelítés eredményezi azokat a modelleket, amelyekben a geometria szabályos alakzatai
(körök, négyzetek, hatszögek) jelennek meg69. E szemlélettel szemben a 20. század végének egyik
nagyhatású új fogalma a fraktál, amely épp a bonyolult (törtdimenziós) alakzatok leírásához ad eszközt
(a fogalom és a módszer legteljesebb, a társadalomföldrajzi használatra koncentráló bemutatását lásd
Batty, M. – Longley, P. 1994).

6.2.2. Topológiai relációk


A geometriai térelemekkel azonosítható vagy azokkal modellezett térbeli alakzatok
természetesen nemcsak önmagukban elemezhetők, hanem vizsgálható a három fő
térelemtípus egymáshoz való térbeli viszonya is. A geometriai térelemek segítségével a
földrajzi, társadalmi térelemek három jellemző térviszonya különböztethető meg:
• az elkülönülés (diszjunkció),
• az érintkezés (szomszédság, metszés, átfedés),
• a bennfoglalás (tartalmazás, azonosság).

Ennek alapeseteit érzékelteti a 6.2. ábra. E relációk a földrajzi információs rendszerek

„egymás fölötti” rétegei (layer) → 2.10.6 közötti viszonyok jellemzésére, összekapcsolására
használhatók. A topológiai jegyek a különböző térbeli rendszerek vizsgálatában osztályozási
szempontot képezhetnek, mintegy magyarázó változóiként a térkapcsolatoknak, a területi
tagoltságnak.

Az elemi topológiai sajátosságok számos nagyon konkrét térviszonyban is felfedezhetők, s

esetenként fontos térszerveződési kritériumok alapját jelentik. A regionalizáció → 5.14.4
feltétele például a térbeli összefüggőség (nagyobb egységekbe – pl. régiókba – csak
egymással érintkező területegységek vonandók össze). A politikai földrajz jól ismert

69
A legtöbbet idézett „ősforrás”: Christaller, W. 1933 Die zentrale Orte in Süddeutschland. Eine
ökonomische-geographische Untersuchung über die Gesetzmäßigkeit der Verbreitung und
Entwicklung der Siedlungen mit Städtischen Funktionen. Jena.
térkategóriái az enklávék és exklávék ugyancsak topológiailag meghatározottak, egy olyan
sajátos kettőség példájaként, amikor a „belső” térbeli (politikai) összetartozás, „külső” térbeli
elkülönüléssel párosul. Igaz ugyanakkor az, hogy a földrajzi tér vizsgálatában ezek a relációk
önmagukban csak ritkán kapnak szerepet, ellenben más térkategóriákkal (pl. távolság) és a
térelemek mennyiségi és minőségi jellemzőivel (nagyság, kapacitás, fejlettség,) együtt sok
vizsgálat hátterében felbukkannak. A topológiai relációk sajátos megjelenései a hálózatok és
az azok modellezésében kitüntetett szerepű gráfok → 6.5.

Térelemek Geometriai Modellek A geometriai modellnek

relációi térelempárok megfeleltethető példák
Elkülönülés pont-vonal vasútvonal - vasutállomás nélküli
falu
pont-terület egy térség külső irányítóközpontja

vonal-vonal egymást nem keresztező utak

vonal-terület várost elkerülő autópálya

terület-terület egymással nem szomszédos

országok

Érintkezés pont-vonal határállomás-határ, folyóparti

város
pont-terület tóparti üdülőhely

vonal-vonal egymást keresztező utak

vonal-terület országhatár, határfolyó,

terület-terület egymást átfedő természeti táj és

gazdasági körzet

Bennfoglalás pont-vonal autópálya-autópályakapu

pont-terület városháza-város, megyeszékhely-

megye
vonal-vonal egybeépített út és villamospálya

vonal-terület egy térség úthálózata

terület-terület város-városrész

6.2. ábra Térelemek relációi

Bár nem kifejezetten topológiai probléma, de mivel két térelem összekapcsolását

jelenti, itt térünk ki a pontokban mért adatok területekre való kiterjesztésének két
jellegzetes megoldására. Az első módszert az ún. Dirichlet (vagy Thiessen illetve Voronoy)
poligonok jelentik, amelyekkel minden síkbeli pontrendszerhez hozzárendelhetők
területegységek. Az egyes pontokhoz tartozó térrészek itt azon pontok mértani helyei,
amelyek az adott pontokhoz bármely más pontnál közelebb fekszenek (a határvonalakon
egyenlőség van a távolságokban). A határvonalakat az egymás melletti pontokat összekötő
szakaszok felező merőlegesei vágják ki a síkból (6.3. ábra).

A modell gyakorlati használatakor azt a kimondatlan feltételezést tesszük, hogy a pontokhoz

rendelt területegységek az adott jelenség szempontjából homogének. A pontok (mérőhelyek)
számának sűrítésével csökkenthető a területre való kiterjesztésből adódó pontatlanság, a
mérőhelyek azonban általában gyakorlati és gazdaságossági szempontból végtelenül nem
sűríthetők. A modell tulajdonképpen ellenirányú párja a területi mintavételi eljárásoknak →
1.2.6, amelyekben az a cél, hogy a vizsgált területet megfelelően reprezentáló mintához
jussunk.

6.3. ábra A Dirichlet poligonok szerkesztése

(Vékony vonallal a szerkesztés segédvonalai, az oldalfelező merőlegesek, sötét, vastagabb vonalakkal a
térrészeket elhatároló poligon-oldalak – Rosenberg 2001 nyomán)

A területegységeknek (mintavételi) pontokhoz rendelésben a Dirichlet poligon „ikertestvére”

az ún. Delaunay hálózat, amely az alappontokat, egymást nem metsző háromszögekkel köti
össze (6.4. ábra). Előbbiben minden pontszerű adat érvényét kiterjesztjük a megfelelő
poligonra, utóbbiban a háromszögek, mint területegységek értékeit a csúcspontokban mért
értékek átlagai adják ki.
 6.4. ábra Ugyanazon pontrendszerhez kapcsolódó Delaunay háló (A) és a Dirichlet poligon (B)
(Rosenberg 2001 nyomán)

6.3 A távolság

A távolság a legfontosabb térkategória70. Különleges kvantitatív elemzési szerepét az adja,

hogy jellegét tekintve mérték, kifinomult, sokrétű matematikai tartalommal (a matematikában
a távolság függvény, metrika). A távolság egyben a hétköznapi térfelfogáshoz legszorosabban
kapcsolódó térkategória is. A térbeliség szempontjának megjelenése a tudományos kutatásban
leggyakrabban a távolsági viszonyok hatásának, szerepének vizsgálatával kezdődik: amikor
például a közgazdaságtan kilép az „egypont”-szemléletből, akkor elsőként a szállítási
költségeket (a pénzben kifejezhető távolságot) fedezi fel, mint optimalizációs és egyensúlyi
tényezőt.

A távolság általános fogalma a társadalomkutatásban a geometriai szemlélettől eltérő jelentésben és

szinten is felbukkan. Az egyének, a társadalmi csoportok közötti különbözőség, a másság a
társadalom térbeli vizsgálata során magától értetődően kapcsolódik össze a távolság általános
fogalmával. Ha a társadalmi csoportokat különböző jellemzőikkel azonosítjuk, egyben megteremtjük
annak a lehetőségét is, hogy elhelyezzük őket a jellemzők "terében". Ha ezeknek a jellemzőknek a
száma n, akkor az egyes társadalmi csoportok egy n-dimenziós tér pontjaiként értelmezhetők, s e
rendszerben meghatározhatók a pontok távolságai, kijelölhetők az egymáshoz közeli (hasonló) és a
nagyon távoli (erősen különböző) pontok71. A távolság mérésére az n-dimenziós térben is többfajta
távolságmérték használatos. E kérdéskörbe illeszkedik egyebek között a fejlett és elmaradott
országok közötti gazdasági vagy jóléti "távolság", a városok és a falvak lakóinak iskolázottsági
szintjének eltérése is, amelyek esetében ráadásul az előnyt vagy a hátrányt gyakorta mérik az
utolérési idővel, jelezve az idő, mint távolságmérték generális jellegét is.

A távolság általánosított változatai a különböző hasonlósági mértékek (például sok területi

egyenlőtlenségi mutató vagy épp a korrelációs együtthatók). Ha két objektum hasonló
egymáshoz, az azt jelenti, hogy jellemzőik (n-dimenziós) terében közel vannak egymáshoz.

70
A fogalmat tárgyaló átfogó monográfia: de Smith, M. J. 2003 Distance and Path, PhD dissertation,
University of London, University College, Department of Geography, (www.desmith.com)
71
A nemzetek, országok közötti ún kulturális távolság fogalmának sokat idézett munkája G. Hofstede
1983, ebben a szerző tágan értelmezve a kultúra fogalmát tulajdonképp a társadalmi, hatalmi
egyenlőtlenségi viszonyok elfogadottságának vagy elutasítottságának mértékeit tekinti kulturális
dimenzióknak, s véleménykutatási eszközöket javasol mérésükre.
Erre az összefüggésre számos elterjedt elemzési eszköz, tipizálási, regionalizálási modell
épül, (például a klaszter-analízis → 5.14), amelyekben a csoportképzés alapja a hasonlóság
(közelség). Szinte az összes összetettebb regionális modellre igaz az, hogy bennük a
térbeliség valamilyen távolságfüggvényként jelenik meg. Ha két társadalmi objektum közel
van egymáshoz, kapcsolataik, egymásra hatásaik vélhetően erősek, sőt jellemzőik is a
hasonulás irányába alakulnak (ezt teszteli a területi autokorreláció →4.3).

A leggyakrabban használt távolságfogalmakat (euklideszi, Manhattan, Csebisev) ismertnek

tételezzük, a következőkben csak néhány további sajátos, elemzési közelítést ismertetünk.

6.3.1 Földi, térképi távolság

Bár a társadalomföldrajzi tartalmú területi elemzésekben viszonylag ritkák, a nagy földi

tereket átfogó, s azokban a földrajzi helyzetet, távolságot expliciten szerepeltető elemzések,
mégis előfordul – például a világméretű tőkeáramlás modellezése kapcsán vagy a nemzetközi
kereskedelemben, a hajózásban –, hogy a kutató szembesül azzal a ténnyel, hogy a Föld
gömbölyű, vizsgált térsége nem sík, a távolságok gömbi távolságok.

Ilyen esetekben a következő összefüggés használandó a távolságok meghatározására:

d ij = R ∗ ar cos[cos(90 o − φ i ) cos(90 o − φ j ) + sin(90 o − φ i ) sin(90 o − φ j ) cos(λ j − λi )]

ahol: dij két földi pont távolsága

R a Föld sugara
φi és φj a két pont szélességi köri helyzete (fokban)
λi és λj a két pont hosszúsági köri helyzete (fokban)

Ugyanezen problémakörhöz tartozik az is, ha – különböző vetületű – térképi koordinátákat (φ,

λ) kívánunk sík koordinátákká (x, y) alakítani (viszonylag kicsiny , de már „görbült” területek
esetében – ilyen például az Európa nagyságú tér).

Az iránytartó Mercator-vetületek esetében a transzformációs összefüggés az alábbi:

x = Rλ
y = R ln[tg (π / 4 + φ / 2)]

A Lambert-féle területtartó vetület transzformációs egyenletei:

x = Rλ
y = R sin φ

Transzformációkat több GIS-szoftver is tartalmaz. Kisebb területek esetében (Magyarország vagy egy
város például ilyennek számít) semmit nem ront a társadalomföldrajzi, regionális modellek magyarázó
erején, ha a területet alappontjaival síknak feltételezzük, s a pontok helyzetét a térképről ennek
megfelelően olvassuk le („pausz-módszer”). Magyarország összes településére rendelkezésre áll egy,
azokat középpontjaikkal azonosító sík-koordináta rendszer. Ezt a kötet szerzői minden érdeklődőnek
felajánlják, megfelelő szellemi értéket képviselő cseretermék – például rövid köszönet – ellenében.

6.3.2 Távolságfüggés
A távolságfüggés azt fejezi ki, hogy egy kitüntetett ponthoz mért távolság függvényében egy
adott jelenség monoton (legtöbbször csökkenő) eloszlású. Gyakran felfedezhető például a
gyűrűszerű, koncentrikus zónákba rendezettség a gazdaság települési, illetve térségi
szerkezetében. Ez az egyértelmű távolságfüggés jele. Az ilyen struktúrákat az a sajátosság
hozza létre, hogy a különböző gazdasági tevékenységek (ágazatok, tevékenységi formák)
között vannak olyanok, amelyeknek a centrum közelében kiugróan magas a hozadéka az
ingatlan(föld)tulajdonos számára, majd attól távolodva meredeken csökken, más
tevékenységek esetében alacsonyabb szintről indul, s lassabban csökken a hozadék-görbe.
Egy-egy zónát dominánsan az a tevékenység foglalja el, amelyből – szabad ingatlanforgalom,
korlátozásmentes tevékenységválasztás esetén – a többi tevékenységhez képest relatíve ott
legmagasabb a bevétel. Ez a sajátosság elméleti esetben tiszta koncentrikus gazdasági
térszerveződést eredményez.

A távolságfüggés empirikus tesztelésének is alapvető matematikai-statisztikai vizsgálati

módszere a regresszióelemzés (→ →4.4). Ennek során egy-egy jelenség konkrét mintavételi
helyeken mért értékeinek eloszlásához legjobban illeszkedő függvényt keressük egy adott
ponttól mért távolság függvényében.

Számos jelenség esetében adnak jó illeszkedést a különböző exponenciális típusú

függvények72 – a témakör klasszikus munkájának Clark C. 1951 tanulmányát tekintik73,
amelyben a népsűrűség távolságfüggvényét tesztelte. Modellje az alábbi volt:

Dt = D0 e ax

logaritmizálva, regresszióval becsülhető az a paraméter (amire itt jellemzően negatív értéket

kapunk, visszatükrözve a népsűrűségnek a központoktól távolodva érzékelhető csökkenését):

ln Dt = ln D0 + ax
(Jölések: Dt = a t. területegység népsűrűsége, D0= a központ népsűrűsége, x = a központtól
való távolság, a,e konstansok).

A városokban általában határozottan megjelölhető egy-egy kitüntetett viszonyítási pont –

jellemzően a városközpont (a belváros, a city) –, amelyhez képest a városi terek tagoltsága
számos olyan jellemzőt kínál az elemzéshez, amelyben nyilvánvaló a távolságfüggés a
központtól távolodva. Ilyen jellegzetes társadalmi-gazdasági jelzőszám lehet a fent említett
népsűrűség, a népességnövekedés dinamikája, a gazdasági szerkezet, a társadalmi státusz, a
népesség jövedelemi és vagyoni helyzete, az ingatlanárak, a gazdasági szerkezet,
intézmények. A távolságfüggő modellel jól nyomonkövethetők az urbanizációs ciklusok, a
népességnövekedés zonális hullámzása a nagyvárosi terekben (ezekben a becslések más a
több-csúcsú polinomiális függvények adják a legjobb közelítést). A településszociológia
klasszikus modelljei ugyanakkor arra is rámutattak, hogy a társadalmi térszerveződésnek
távolról sem kizárólagos modellje a távolságfüggő, koncentrikus zonalitás.

Természetesen mindezen jellemzők távolságfüggése helytől és időtől függően különbözik,

illetve változik, a távolságfüggés gyakran kombinálódik irányfüggéssel. Ugyanezek a
jellemzők nemcsak egy városon belül kerülhetnek szóba, hanem a településegyüttesek,
agglomerációk vagy épp egy egész régió térszerkezetének elemzésekor is. (De ahogy arra

72
Kis távolságokon belül meredeken változó, majd ellaposodó alakú függvény.
73
Clark, C. 1951. Urban Population Densities, „Journal of Royal Statistics Society”, Vol. 114, pp. 490-
494.
korábban már utaltunk, a kétfajta térségi szint valóságos szerveződési mechanizmusai nem
keverendők össze!)

A távolságfüggés a gazdasági térfolyamatokban jellemzően elkülöníti a különböző szállítási

módokat (légi, vasúti, közúti, vízi). Ha a szállítás költsége az optimalizációs szempont, akkor
nagy távolságokban, nagy tömegű áruk szállításában a víziközlekedés kerül az élre (ha ez a
lehetőség adott), ha ellenben az időtényező, akkor a légi szállítás. A távolság-költség, a
távolság-idő relációk teljeskörű számbavételekor nem hagyható figyelmen kívül a be-és
kirakodás költsége (az ún. terminál-költség) vagy az újabban egyre nagyobb figyelmet nyerő
környezeti szempont sem.

E modellek policentrikus hatásterületek vizsgálatára is kiterjeszthetők (Song, S. 1991), ekkor

minden alappont vagy zóna a rájuk feltételezhetően ható központoktól való távolságuk
(például negatív exponenciális) függvényében becsült (nép)sűrűségei összegének megfelelő
értéket kap. Ez a közelítés rokonságban van a potenciál-modellel →6.7.2 vagy a lokális
adatbecslés más módszereivel →1.3.4.
6.3.3 Irányfüggés

A távolságfüggést gyakran vizsgálják egy-egy irány, tengely mentén. Itt azonban
tulajdonképp már távolság- és irányfüggő kapcsolatokról lehet csak szó. Különböző
irányokban (szektorokban) más és más lehet a távolsággal való összefüggése a különböző
jelenségeknek (Rosenberg, M. S. 2000). Az is előfordulhat, hogy két, egymással ellentétes
irányt egyaránt bevonva az elemzésbe, ezek az összefüggések kioltják egymást, azt sugallva,
hogy az adott jelenségben a távolságfüggés nem jelentős, noha csak arról van szó, hogy az
egyes irányokban épp ellentétes a kapcsolat.

A fejlettség, a jövedelmek „lejtése” hazánkban például Budapesttől kiindulva nyugati

irányban jóval enyhébb, mint a keleti peremek felé (6.5. ábra). 252 város 2001. évi egy
lakosra jutó adóköteles jövedelmét vizsgálva, regresszió-elemzéssel határozott Nyugat-Kelet
„lejtés” tárható fel. Ha a teljes városi kört elemezzük, akkor nyugatról keleti irányba haladva,
100 kilométerenként átlagosan 46 ezer Ft-tal csökken a jövedelem. Ha azonban kettébontjuk
adatainkat, eredményül azt kapjuk, hogy a nyugati határszéltől Budapestig növekvő a
jövedelmi trend (15 ezer Ft/100 km), a Dunától keletre ellenben már minden 100 km-re 53
ezer Ft-os átlagos jövedelemcsökkenés adódik. Anélkül, hogy itt további részletekbe
bocsátkoznánk, megjegyezzük, hogy a „lejtés” tulajdonképp csak az ország egészére jelent
szignifikáns összefüggést, különösen a nyugati országrészben rendkívül nagy ugyanis az egyes
értékek szóródása a trendvonal körül. A 6.5. ábra azt is igazolja, hogy a két országrész között
határozott jövedelmi lépcső van, a nyugati országrészben jóval magasabb átlagos szint körül
szóródnak az egyedi városi értékek, mint keleten.

900

800
Egy lakosra jutó adóköteles jövedelem, 2001 (ezer Ft)

700

600

500

400

300

200

100

0
-300 -200 -100 0 100 200 300
Budapesttől való távolság (km)

6.5. ábra A városi jövedelmek távolság- és irányfüggéseBudapesthez viszonyítva Magyarországon

(Nemes Nagy J. 2003b, p. 56.)
 6.4 Fekvés, elérhetőség

A két, egymással szoros kapcsolatban lévő fogalom közül az első, a fekvés egyike a földrajz
legfontosabb fogalmainak. A világpolitikai mozgások arra utalnak, hogy például a tengerparti
fekvés, mint direkt földrajzi jellemző fontos hatalmi tényező. Mind a klasszikus geográfiai
szemlélet (ami még a társadalomföldrajzi közelítésekben is általában a természetföldrajzi
adottságok közé sorolja ezt a nagyon általános fogalmat), mind a térfolyamatokat magyarázó
modern elméletek (amelyekben a fekvést már jellemzően a gazdasági-társadalmi centrumok,
magterületek, pólusok és a perifériák viszonylatában értelmezik) kiemelt szerepet
tulajdonítanak a fekvésnek. Míg az első szemlélet esetében természetesnek tűnik, a
másodikban már inkább megkérdőjelezhető ugyan, de a fekvés jellemzően stabil, nagyon
nehezen változó és változtatható adottságként értelmeződik. Ezzel szemben az elérhetőség
fogalmában (amely jellegzetesen különböző hálózatokhoz kötődik → 6.5) már erőteljesebb a
dinamikus, gyorsabban változó és változtatható jelleg (ebben természetesen a hálózati
térlegyőzési technológiák viharos fejlődése is visszatükröződik). A fekvés inkább a helyhez, az
elérhetőség ellenben a térhez kötődik74..

Mindkét fogalom jellegzetesen viszonyított, relatív jellegű, a tér- és időbeli keretek, szintek,
területegységek, intervallumok változásával együtt maguk is változnak. Ennek természetes
következménye, hogy kutatásuk alapvető módszertani kérdései erősen kapcsolódnak a
→4) is.
térfelosztás általános metodikai kérdéseihez (→

Magyarország esetében különösen előtérbe kerültek az elmúlt másfél évtizedben ezek a

fogalmak és a hozzájuk kapcsolódó jelenségek, hisz – a társadalom humán erőforrásainak
egyenlőtlen megoszlása mellett – a fekvési és elérhetőségi pozíciók mutatkoztak az egyre
markánsabb térbeli, regionális tagolódás legfontosabb hatótényezőinek. Ez, a
leghétköznapibb tapasztalatok alapján is feltételezhető összefüggés épp azoknak a
tudományos elemzési eszközöknek a segítségével vált bizonyítottá, amelyeket a modern
regionális elemzés kínál. Ez a hatás természetesen nem „hungaricum”, a nemzetközi
szakirodalom egyértelműen igazolja aktualitását nagyobb léptékű terekben is: az európai
makroregionális tagolódás vagy a világméretű, globális térsémák kutatása ugyancsak
folyamatosan felhívják a figyelmet a fekvési, elérhetőségi tényezők szerepére. De nem
hiányoznak a lokális és mikroterek vizsgálataiból sem (nagyvárosi belső tagolódás), fontos új
kutatási irányként kapcsolódnak a fogalmak a „posztmodern” terekhez is (kibertér, virtuális
tér).

6.4.1. A fekvés és elérhetőség indikátorai

A jó fekvés, a kedvező elérhetőség a gazdasági telephelyválasztás alaptényezője, szerepe a

gazdaság működése során – legnyilvánvalóbban a szállítási költségek, de közvetve más
tényezők okán is – fontos. Bár a „pálya és drót” nélküli kommunikációnak és kapcsolatoknak
a modern globális gazdaságban kétségkívül növekvő a szerepe, a fekvés hatása nem tűnik a
semmibe, különösen nem a közepesen vagy gyengén fejlett országokban, ahol még a
hagyományos kapcsolati csatornák is hiányoznak. A fekvésnek, elérhetőségnek a gazdaság
térbeli tagoltságára gyakorolt hatását vizsgálva elkülönül három jellegzetes értelmezés:

• A kedvező közlekedési, hálózati kapcsolatok gyors és költségtakarékos utazást

és szállítást tesznek lehetővé. E szemléletnek felelnek meg azok a közlekedési térképek,

74
A „Journal of Transportation and Statistics” c. folyóiratnak az elérhetőség kutatásának metodológiai
kérdéseivel foglalkozó tematikus száma: Volume 4, Numbers 2/3, 2001 Szeptember/December
amelyeken általában egy-egy kiválasztott, fontos központ körül az azonos utazási időt75 vagy
épp költséget jelző izovonalakat (előbbiek az izokronok) ábrázolják. Ezek kiterjesztése az,
amikor egy nagyobb térség, az ország minden településének kiszámítjuk az egymás közötti
időtávolságát, majd ezeket az értékeket minden településre átlagolva térképezzük az
értékeket. Ebben a szemléletben Magyarországon az ország középső zónája van a relatíve
legjobb helyzetben, s a perifériák felé romlik a helyzet. Mindez a hazai út- és vasúthálózat
sugaras, Budapest-központú alapszerkezetét tükrözi. Ez a fekvési, elérhetőségi szemlélet
kiváló lehetőséget teremt a hálózatfejlesztési elképzelések – új utak, vasútvonalak –
hatásainak modellezésére is76.

• A fenti közelítés sajátos vonása – a tágabb gazdasági folyamatok elemzésében

azonban korlátja is – az, hogy azonos szerepű és súlyú alappontokat (településeket) feltételez.
A valóságban a gazdasági, települési tér távolról sem homogén, hisz abban kisebb-nagyobb
gazdasági, népességi tömörülések találhatók. A gazdaság regionális szerveződésben az ezek
közelében való elhelyezkedés az igazából meghatározó fekvési faktor. Csak az ilyen
szemléletnek megfelelő modell adhat jó magyarázatot a gazdaság térbeli tagoltságára.

Egy adott földrajzi pont helyzetét, elérhetőségét érzékeltethetjük azzal is, hogy egy-egy
távolsági zónán belül mekkora „társadalmi tömegek” érhetők el belőle. Ha ezeket az
értékeket különböző pontokra kiszámítjuk és összehasonlítjuk, akkor az azonos távolságon
belüli potenciális kapcsolatokról kaphatunk képet. Ha csekély az elérhető társadalmi tömeg,
az elérhetőségi (fekvési) pozíció is kedvezőtlen, ha nagy, akkor kedvező. Az elérhető tömeg
az alábbi egyszerű összefüggés szerint számítható:

Wik = ∑ w j ( k )
j =1

ahol Wik az i. ponttól k távolságon belül található tömegek összvolumene

wj(k) az i. ponttól k távolságon belüli pontok tömegei

A számítás során a pontok „saját tömegét” is indokolt figyelembe venni. A fentiekben csak
általában „társadalmi tömegként” megnevezett mértékek különbözőek lehetnek, s
használatukkal különböző tartalmat kaphat az elérhetőség.

Legáltalánosabb tömegmértékként a népességszámot vagy termelési értéket használhatjuk.

Ezek ugyanis egyaránt szoros kapcsolatban lehetnek a térkapcsolatok keresleti és kínálati
oldalával. E két oldal azonban speciális tömegértékekkel önállóan is megragadható. A
kereskedelmi kínálati tér feltárása érdekében használható lehet például a kereskedelmi
létesítmények számának, alapterületének vagy forgalmának volumene, a keresleti oldal
ellenben jól modellezhető a lakossági jövedelemtömeggel. Egyértelmű ez a kettősség, ha az
áruforgalom volumenét vesszük figyelembe a számításkor, kínálati tömeg lehet például a
vasútállomásokon feladott (súlyban vagy értékben számba vett) áru, keresleti tömeg ellenben
az itt leadott árutömeg (e kétfajta tömegértéket használta, klasszikus vasúti

75
Az időtávolságok kiszámításához szükség van a különböző közlekedési eszközökhöz, illetve a
különböző minőségű, áteresztő képességű utakhoz rendelhető átlagsebességadatok meghatározására.
Ennek menete erősen heurisztikus. Copus, A. K. 1999, az európai közlekedési tér vizsgálata során
például 25 különböző átlagsebességet rendelt a kontinens útszakaszaihoz, elkülönítve a kontinens keleti
és nyugati régióit, a városi és vidéki területeket valamint a hegyvidéki utakat is. A munka ezen
információn túlmutatóan jó tára a különböző közlekedési modell-közelítések áttekintésének.
76
Egy keresztirányú (régóta tervezett), a fővárost délről elkerülő autópálya vagy új vasútvonal például
mindenek előtt az ország periférikus régióinak közlekedési helyzetét javítaná (részleteiben lásd Szalkai
G. 2001).
hálózatvizsgálatában Kovács Cs. 1971), vagy a hasonló logikával (a feladók illetve címzettek
szerint) számba vett postai vagy távközlési forgalom is Az ilyen elemzéseket nagyon
megnehezíti, hogy a szükséges adatokhoz általában csak nagyon nehezen lehet hozzájutni, s
elemzésbe vételük nagy munkaigényű előkészítést igényel (ez a helyzet érvel a szimplább, de
megvalósítható, például az említett népességszámot használó közelítések mellett).
Nemzetközi méretekben az előbbiekkel analóg tömegmérték az export illetve az import értéke
vagy volumene is. Az elérhetőségnek ez a koncepciója metodikai szempontból rokonságot
mutat, összekapcsolható a területi mozgóátlag módszerével → 2.7 is.

Egy térbeli pont vagy területegység elérhetősége azonban tulajdonképp két tényező együttes
függvényeként építhető fel, amelyből az első a térbeli aktivitások vagy lehetőségek (ezeknek
felelnek meg a tömegek), a második pedig az ezek eléréséhez szükséges idővel, költséggel,
távolsággal számszerűsíthető erőfeszítéseket írja le. Az elérhetőségi vizsgálatok e két
tényezőcsoport függvényeinek szorzataként (mintegy egymás súlyaként) értelmezik az
elérhetőséget.

Ei = ∑ g (W j ) f ( d ij )
j

ahol Ei az i. területegység elérhetőségi mérőszáma

Wj a j. területegység aktív vagy potenciális tömege
dij a területegységek közötti távolságok
g, f a tömeg és a távolság különböző függvényei

E szemlélet konkrét esete a térbeli egymásrahatások klasszikus potenciál-modellje → 6.8.2,

amelyben a távolság negatív hatvány- vagy negatív exponenciális függvényként kap szerepet
(ami azt tükrözi vissza, hogy minél távolabbi két pont, annál kisebb az egymásrahatás
erőssége). E koncepción alapul számos új, átfogó európai elérhetőségi vizsgálat is, a
magterületek és a perifériák kijelölése (pl. Schürman, C. et al 2000 és Copus A K. 1999).

• A fekvés szerepének harmadik, a fenti két tartalmat bizonyos értelemben kombináló

közelítése az, amikor markáns, nagy hatású térelemek szerepe kerül mérlegre. Ezek közül
különös figyelmet érdemelnek a határok, mint sok helyütt nagyon erős fejlődési és terjedési
gátak. A közép-európai átmenet ezek szerepében teljesen új helyzetet teremtett, hazánkban
például bár különböző mértékben és „színekben” – esetenként a „szürke” különböző
árnyalataiban – a határ menti térségék mozgásba lendülő, dinamikus zónákká váltak.
Megfigyelhető az, hogy a dinamika különböző formái a fejlettségi, strukturális tekintetben
markánsan különböző térségek találkozási vonalai („lépcsői”) mentén a legnyilvánvalóbbak.
Nálunk egyértelműen ilyen az ország nyugati határzónája, legkevésbé az északkeleti,
szlovákiai határsáv, ahol a két ország nagyjából azonos fejlettségű, egyaránt depresszióval
küszködő térségei érintkeznek. Ugyancsak a fekvés – de itt gazdasági nézőpontból immár
határozottan kedvező – hatása jelenik meg a fő közlekedési vonalak (hazánkban leginkább a
csiga lassúsággal bővülő autópályák) közelében. A témakört firtató kutatások megerősítik a
főutak dinamikát generáló erejét, bár ez a hatás azzal is összefügg, hogy ezek a vonalak épp
az önmagukban is viszonylag stabil (nagy)városokat fűzik fel, így a fekvési hatás
kombinálódik a településszerkezeti, urbanizációs faktorral (Nemes Nagy J. – Jakobi Á. –
Németh N. 2001, Tóth G. 2003).

Az elérhetőség térszervező szerepét tesztelő regionális elemzések többsége a feltételezetten

kitüntetett szerepű pontokhoz, térségekhez viszonyított távolságokat használja. Az újabb hazai
elérhetőségi vizsgálatokban például az alábbi viszonylatok számszerűsítése történt meg:

1. a fővárostól mért távolság

2. a legközelebbi regionális központtól (megyeszékhelytől) mért távolság
 3. a legközelebbi helyi (kistérségi) központtól mért távolság
4. a legközelebbi határátkelőhely távolsága
5. a legközelebbi nyugati határátkelőhelytől mért távolság
6. a legközelebbi autópálya-lehajtótól (vagy csomóponttól) mért távolság

Különböző vizsgálati célok esetében természetesen más és más viszonylat szerepeltethető: az

elérhetőségnek a makroregionális, fejlettségi tagoltságban betöltött szerepe vizsgálatakor
például az 1., 5., és 6., a közintézményi, jóléti elérhetőségi viszonyok elemzésekor inkább az
első három reláció. Ezen elérhetőségi (távolság)-adatokból „komplex” elérhetőségi mutatók is
konstruálhatók, az egyes elérhetőségi elemek súlyozott átlagaként. A súlyok megválasztására
– mint általában – ez esetben sincs általános szabály. Ha a mindennapi szükségletek
szempontjából mérlegeljük egy hely (település) elérhetőségi viszonyait, vélhetően a helyi
központtól mért távolság a lesz legfontosabb, s így ez kap nagy súlyt, a gazdaságfejlesztési
szempontból fontos tőkevonzásban már a dinamikus terektől (hazánkban a fővárostól s a
nyugati határtól) mért távolságoknak meghatározó a szerepe, s így ilyen elemzésekben ezek
súlyát indokolt a legnagyobbra venni a komplex előrhetőségi muztató meghatározásakor. Az
így kapott súlyozott komplex elérhetőségi mutató – magyarázó változóként – összetettebb
regionális modellekbe is beépíthető.

Területi lehatárolás és fekvés

Amikor erre az információs feltételek lehetőséget adnak, a területi kutatás előszeretettel

konstruál és vizsgál olyan területegységeket, amelyek egy-egy markáns természeti
objektumhoz (tengerek, folyók, tavak) vagy gazdasági (útvonalak) illetve politikai térelemhez
(határok) kötődnek.

Ezekben a lehatárolásokban (amelyek a legelemibb, információval még feltölthető, esetenként

más és más területegységekből – települések, régiók, országok - indulnak) két jellemző
kritérium figyelhető meg:
• a közvetlen érintkezés, szomszédság vagy
• távolsági limit alkalmazása
Az első esetben a kijelölésre kerülő új téregység az adott térelemmel szomszédos, a
másodikban a kiválasztott távolsági korláton belüli alapegységekből áll össze az új „régió”. A
két szempont esetenként kombinálható: vagy mindkét vagy egy-egy kritérium együttes
teljesülése is feltételként állítható. Kieshetnek a besorolásból így például a nagyon rövid
szakaszon érintkező és nagy távolságra kiterjedő alapelemek.

A szomszédsági és távolsági lehatárolás több zóna kijelölését is felkínálja. Így elhatárolható

lehet a közvetlen (elsődleges), majd az azokkal határos (második) szomszédok zónája (a
zonális felosztás értelmes határokon belül folytatódhat), vagy a különböző távolságértékek
alapján lehatárolt sávok.

Az így megkonstruált új területegységek tetszőleges jellemzői viszonyíthatók a külső

környezethez, vagy vizsgálható belső tagoltságuk a fekvési adottságok függvényében. A
fekvési pozíciót mutató indikátorok jellemző példái a regresszióelemzés kapcsán már említett
dummy-változóknak (→ →4.5.1). A „Tisza-dummy” például egy olyan változó, amelyben az
ország települései közül 1 értéket kapnak a folyó által érintett települések, míg a többiek
értéke 0 lesz, s így aztán például egy regresszió-elemzéssel eldönthető lehet, hogy a folyóparti
fekvés hatása, szerepe a vizsgálandó jelenségben milyen jelentőségű.
 A fejlettség zonalitása a Balaton térségében

A Balaton régió összességében egy „átlagos” gazdasági fejlettségű térsége az országnak77. A
megtermelt GDP egy lakosra jutó becsült értéke épp az országos átlagon áll, míg a vidéki átlagot jóval
felülmúlja. Ám ezek az értékek jelentős különbségeket fedhetnek el, mint azt egy főre jutó GDP becsült
értékeiről készített térkép is sejteti (6.6. ábra).

Aki ismeri a Balaton környékét, tudja jól, hogy a part közeli települések sokkal kedvezőbb helyzetben
vannak. Ezt a tapasztalati tényt megerősíti az ábrán a Balatonpart mentén kirajzolódó sötétebb sáv, ahol
az egy főre jutó becsült GDP magasabb értékeket vesz fel. Mindezt tükrözik a számítások is: az összes
part menti település egy főre jutó GDP-je és átlagjövedelme is jóval a régiós átlag fölött van (6.1.
táblázat). Már nem is meglepő, hogy a part menti települések egy főre eső GDP-je a háttértelepülések
átlagának több mint kétszerese.

A településeket tovább kategorizálhatjuk annak alapján is, hogy a Balatontól milyen irányba
helyezkednek el. Az egyszerűség kedvéért a Balatontól északnyugatra fekvő Veszprém és Zala megye
településeit tekinthetjük északi fekvésűnek, a tó délkeleti oldalán fekvő somogyi települések pedig a
„déli” kategóriába kerültek. Csupán az a tény hogy egy település az északi vagy déli parton
helyezkedik el, még nem jelent markáns különbséget (6.2. táblázat). Ha viszont az észak-déli fekvést
és a parttól való távolságot együttesen vizsgáljuk, további szabályszerűséget vehetünk észre: a déli
parton sokkal kedvezőtlenebb helyzetben vannak a háttértelepülések, mint az északi parton.

12898 (1)
1 800 - 5 000 (23)
1 300 - 1 800 (19)
900 - 1 300 (20)
600 - 900 (31)
400 - 600 (49)
100 - 400 (21)

6.6. ábra A Balaton régió egy lakosra jutó becsült települési GDP-je (ezer Ft, 2000)

Településcsoport Egy főre jutó becsült GDP Átlagjövedelem

77
Az itt közölt rövid szemelvény Nemes Nagy J. – Lőcsei H. 2003 A Balatoni Régió gazdasági súlya és
belső térszerkezete, „Regionális Tudományi Tanulmányok” 8. sz., pp. 129-144. c. tanulmányból való, a
számításokat Lőcsei Hajnalka végezte.
 ezer Ft/fő régiós átlag = 100 ezer Ft/fő régiós átlag = 100
Part menti 1714,1 131,3 330,7 110,6
Háttértelepülések 755,8 57,9 256,4 85,7
Összes 1305,9 100,0 299,1 100,0

6.1. táblázat A part menti és háttértelepülések közötti jövedelemkülönbségek

Zónák Észak Dél

ezer Ft % ezer Ft %
part 1754 134 1659 127
háttér 868 67 642 49
összesen 1407 108 1184 91

6.2. táblázat Az egy főre eső becsült GDP területi különbségei az észak-déli, illetve parti és nem parti
pozíció szerint (a régiós átlaghoz viszonyítva)

6.5 Hálózatok

6.5.1 A hálózat

Annak tükrében, hogy a hálózat – csomópontok és azokat összekötő tengelyek, vonalak

rendszere – nagyon hétköznapi fogalom, talán meglepő, hogy a területi kutatások
homlokterébe igazából nem régen került. A korábbi évtizedek tudományos irodalmában
leginkább két területen találkozhattunk vele: a társadalmi mikroterek vizsgálatában (közösségi
kapcsolati hálók, szociometria) valamint a közelekedés és szállítás vonalas rendszereiben
(közlekedéstudomány, közlekedésföldrajz78, szállítási optimalizáció). A fogalom tudományos
vizsgálatának – a mindenben úttörő matematika távolba nyúló tradícióin túlmenően – nagy
lökést adott a számítástudomány megerősödése. Legújabban a fogalom gazdasági és
társadalmi interpretációját, hatásainak elemzését megsokszorozta az a felimerés, hogy az
egyedi szereplők tevékenységének eredményességét, hatékonyságát nagyban növeli a
hálózatba szerveződés (Fleischer T. 2001).

6.5.2 A hálózat, mint gráf

A hálózatok legelterjedtebb modelljei a gráfok, pontokból (csúcsok) és az őket összekötő

szakaszokból (élek) álló alakzatok. A gráfok néhány sajátos típusát tartalmazza a 6.7. ábra:

o üres gráfnak hívjuk az él nélküli gráfot ( a )

o kör ( b ), csúcsok és élek zárt vonala
o a teljes gráfban ( c ) minden pontpárt egy él közvetlenül összeköt
o a vonalgráf vagy lánc ( d ), csúcsok és élek nem záruló vonala
o a rács ( e )

78
A közlekedésföldrajzi témák iránt közismert vonzalmat tápláló sok geográfus-hallgató figyelmét itt
érdemes felhívnunk Erdősi Ferenc munkásságára. Könyveinek, tanulmányainak áttekintése bármely
közlekedésföldrajzi dolgozat szakirodalom-feltáró fázisának kötelező része. (Hálózat-centrikus
szemléletű például Erdősi F. 2002.)
 6.7. ábra Gráfok típusai

Összekapcsolt az a gráf, amelyben minden csúcs legalább egy másik csúccsal össze van
kötve. A gráfok speciális esetei az ún. irányított gráfok, ahol az élek irányított szakaszok.
Minden gráfhoz hozzárendelhető egy négyzetes mátrix, amely 0 és 1 elemeket tartalmaz (az
összekötött csúcsoknak megfelelő cellákban és a főátlóban 1, másutt 0.) E mátrix soraiban
(vagy oszlopaiban) található számok összege az egyes csúcsokba futó élek számával egyenlő
(ez a csúcsok fok-száma, önmagával minden csúcsot definitive összekötöttnek tekintve79).

A területi kutatásokban is jól ismert hierachikus elrendeződés gráfmodellje az ún. fa

(6.8.ábra). Ebben minden pont elérhető az élek mentén bármely másikból, csak egyfajtú úton,
a fa-gráfban nincs kör.

6.8. ábra A fa-struktúra

A területi, földrajzi kutatásban a gráfoknak nem a fentiekben érzékeltetett alapmodelljei,

hanem a gráfként felfogott hálózatokhoz rendelt áramlások (pl. az utak tényleges hossza, a
járatok száma, sűrűsége a közlekedési kapcsolatokban) vizsgálata áll előtérben (a magyar
szakirodalomban a klasszikus gráfelméleti közelítés példája Simon I. – Tánczos-Szabó. L.
1978 munkája, míg a hálózatokon zajló áramlásokat is a modellbe illesztő tanulmány
Szörényiné Kukorelli I. 1996)

6.5.3 A hálózatok jellemzőinek számszerűsítése

Egy-egy vizsgált hálózat grafikus megjelenítésén, térképezésén túlmenően a hálózatokról a

csomópontok és az élek számának egyszerű mennyiségi jellemzői segítségével érdemi

79
A mátrix-analógia természetszerű következménye, hogy a „gráfokkal” is végezhetők műveletek
(helyesebben, speciális mátrixokkal végzett műveletek gráfokkal interpretálhatók – Tiner T. 1981).
információkhoz juthatunk. A legismertebb ilyen mutató a földrajzban is gyakorta használt
hálózatsűrűség (az „útvonalaknak” a vizsgált területegységre vetített fajlagos értéke).

Van, aki emlékszik még arra, hogy mi a mértékegysége, dimenziója a vasútsűrűségnek?

Könnyen számszerűsíthető a hálózatok összekötöttsége is. Erre mérőszám lehet a
csomópontok közötti tényleges közvetlen (közbülső pontot nem érintő) kapcsolatok számának
az elvileg lehetséges közvetlen kapcsolatokhoz viszonyított aránya.

Centralitás, centralizáltság

A halózaton belül a különböző elemek eltérő szerepűek. Ezt leggyakrabban a centralitás és a

centralizáltság mutatóval jellemzik. A centralitás a hálózati csomópontok egyéni, egyedi
tulajdonsága, míg a centralizáltság a hálózat egészére vonatkozó jellemző. Egy adott
csomópont, elem centralitásának egyszerű mérőszámát a tényleges és az elméletileg
lehetséges kapcsolatainak (ez n pont esetén n-1) hányadosa adja meg. (A 6.9 ábra bal oldalán
látható gráf 7-es pontjában ez az érték 6/6 =1, míg az össze többi pont esetében 1/6.)

6.9. ábra A maximális és minimális centralizáltságú hálózat

Azokat a hálózatokat tekintik erősen centralizáltnak, ahol egy vagy néhány pont centralitási
indexe kiugróan magas. A nem centralizált („decentralizált”) hálózatok esetén a centralitási
fok kiegyenlített. Ilyen eset látható a 6.9 ábra jobb oldalán, ahol minden pont centralitása
azonos (2/5). Az erősen centralizált hálózatokban tényleges vagy átvitt értelmű hiererchikus
viszonyok feltételezhetők.

6.5.4 Hálózati hányados80 (Szalkai Gábor)

Bármely térség pontjait, elemeit vizsgálva a geometriai (légvonal) távolságok esetében a

geometriai középponthoz közeli települések átlagtávolsága bizonyul a legkisebbnek, míg az
ettől távoli, elsősorban határmenti térségek átlagtávolsága a legnagyobbnak. Ez a módszer
azonban csak nagyon minimális mértékben ad tájékoztatást a települések hálózati helyzetéről,
vagy a térségben kiépült hálózatok fejlettségéről. Ilyen tartalmú kérdésekre ad választ a
hálózati hányados vizsgálata, amely mutató gyakorlatilag semlegesíti a földrajzi fekvésből
származó hatásokat, és így lehetővé teszi a hálózatok, a hálózati helyzet önmagában való
vizsgálatát. A hálózati hányados két különböző típusú távolságadat arányaként számítható,
például:

80
A fejezet a szerző átfogó közlekedési hálózat-modellezési kutatásainak egy momentuma. További
részleteket lásd. Szalkai G. 2001, 2003a, 2003b.
 Hkj = Dkj/ Dgj ; Hvj = Dvj/ Dgj

ahol

Hkj = a j. település közúti hálózati hányadosa

Hvj = a j. település vasúti hálózati hányadosa
Dgj,Dkj, Dvj = a j. pont átlagos légvonal, közúti és vasúti távolsága a többi ponttól.

A mérőszám használatának előzményei között mindenképp említendő Kovács Cs. (1973) munkája. A
szerző a hazai vasúti hálózatot elemezve, a földrajzi (légvonal), hálózati és költségtávolságokat
vizsgálva használja az ún. hálózati hányados mutatót (a települések egymáshoz viszonyított légvonal
illetve vasúti átlagtávolságának hányadosát), amely a településeket a vasúthálózat "terében" minősíti. A
legkedvezőbbnek a főváros, a legkedvezőtlenebbnek Mohács hálózati helyzete minősült (1,30 illetve
1,91 a két település hálózati hányadosa). Tanulmányában Kovács kizárólag a vasúthálózattal
foglalkozott, a vasúti hálózati fekvés vizsgálata mellett azonban széleskörű számításokat végzett a
vasúti teherforgalommal kapcsolatban. Részletes területi bontásban vizsgálta az értékesítési és
beszerzési átlagtávolságok, a forgalmi potenciálok, és a szállítási intenzitás gazdaságföldrajzi
jelentőségét.

A hálózati hányadosok Magyarországon

Alappontok

A vizsgálatba vont települések szelekciós szempontja a vasúthálózati elérhetőség volt,

további cél volt a „relatív” nagy pontsűrűség, azaz a minél teljesebb területi fedettség elérése,
valamint a vasútüzemi szempontból reprezentatív települések vizsgálatba vonása.

Ezen alapelvek nyomán végül azok a települések ill. településrészek kerültek be az

elemzésbe, melyek a 2000. december 18-i, 11 órai állapot (a Zalalövő – Bajánsenye vonal
újra-megnyitása) szerint, az év minden napján elérhetőek menetrend szerint közlekedő,
kötöttpályás közlekedési eszközökkel (a továbbiakban vasút), és ezen túlmenően
- városi jogállásúak vagy
- vasúti csomópontok vagy
- vasúti végpontok vagy
- vasúti határpontok.
A településkör meghatározásakor nem az állomások közigazgatási hovatartozása volt a döntő,
hanem az, hogy az állomás megnevezésében szerepel-e olyan település neve, mely kielégíti a
fenti feltételeket. Ezért került olyan város is az elemzésbe (pl. Bonyhád), melynek valójában
ugyan nincsen vasúti kapcsolata, de „saját állomása” (itt Hidas-Bonyhád) mindössze néhány
méterre fekszik az adott város közigazgatási határától. Összességében végül 298
település(rész) elégítette ki az említett feltételeket.

A 298 település elhelyezkedése, településhierarchiában elfoglalt helyzete, természeti

akadályokhoz való viszonya további olyan, fontos kérdéseket vet fel, melyek döntően
befolyásolják a vizsgálat hitelességét. Annak következtében, hogy Magyarország
vasúthálózata viszonylag egyenletesen fedi le az országot, a vizsgált településkör
gyakorlatilag önként biztosította a vizsgálat területi reprezentativitását. Ez rendkívül
fontos minden, ilyen típusú elemzés elvégzésekor, hiszen amennyiben nem „egyenletes” a
pontok elhelyezkedése, nagy mértékben torzulhat a végeredmény. A pontok
megoszlásának megfelelőségét a legközelebbi szomszéd index valamint a vizsgálatba vont
településekre vonatkozó megyei településsűrűségi értékek Hoover-indexének
kiszámításával együttesen teszteltem. A legközelebbi szomszéd index értékére L=1,19
adódott, amely a véletlenszerűhöz közeli ponteloszlást jelez. Nagyobb összefüggő
ponthiányos terület egyedül a Balaton déli partján sorakozó településkoncentrációtól délre
 figyelhető meg, Somogy és Tolna megye határvidékének térségében, míg kisebb fedetlen
területet jelent a Kisalföld déli része, a Zalai-dombság, és a Heves-Borsodi-dombság
területe.

A kiválasztott 298 település Magyarország településállományának 9,5%-át jelenti, ez a

településkör az ország lakosságának 65,6%-át tömöríti. A számítások eredményei
izovonalas térképek formájában jeleníthetők meg.

A távolságadatok kiszámítása

A geometriai (légvonal) távolságok meghatározása a települések földrajzi koordinátái alapján

történt. A 298 település egymáshoz viszonyított hálózati átlagtávolságait, a gráfon mérhető
legrövidebb utak megkeresésével, egy direkt e célre írt program határozta meg, valamennyi
település valamennyi településtől mért hálózati távolságának átlagaként:
ahol
n n

∑ dk ij ∑ dv ij
Dk j = d =1
; Dv j = d =1

n −1 n −1

Dkj / Dvj = a j. település közút/vasúthálózati átlagtávolsága

dkij / dvij = a j. település i településtől mért közút/vasúthálózati távolsága
n = a települések száma

A távolságtérképek összehasonlító elemzése

A két hálózat által megrajzolt térszerkezeti kép ismertetése előtt célszerű először a geometriai
átlagtávolságok térképét bemutatni, mivel ennek tükrében nyernek megfelelő értékelést a
hálózati távolság eredményei.

A geometriai átlagtávolságokat ábrázolva (6.10./A ábra) olyan, koncentrikus körökből álló

térképet kapunk, mely körök középpontja a vizsgálatba vont települések geometriai
súlypontjának felel meg. E pont Monortól 11,43 km-re, DDK-i irányban helyezkedik el.
A légvonaltávolsági értékek mutatják a távolságtérképek közül egyedül az ideális formát,
mivel ebben az esetben az izovonalak futását sem természeti, sem emberi tényezők nem
befolyásolják. A legkisebb átlagértékkel Monor (127,3 km), a legnagyobbal Zajta (264,7 km)
rendelkezik. E térkép valójában csak az összevetés alapjául szolgál a 6.10./B térképhez, amely
már a közúthálózati átlagtávolságokat ábrázolja.
Megfigyelhető, hogy bár a légvonal távolságokhoz képest az azonos távolságokat jelölő
izodisztanciák mintegy 30 km-rel kifele tolódtak, de a legbelső, 160 km-es távolságot jelölő
izodisztanciát kivéve valamennyi vonal futása meglehetősen szabályos, közel kör alakú. Kisebb
eltérések azonban már megfigyelhetők, azaz megjelenik az autópályák és az elsőrendű főutak,
valamint a folyami átkelők hiányának szerkezeti hatása. A legbelső izovonal nagy mértékű torzulása
talán a legégetőbb hazai közúthálózat-fejlesztési problémára utal, a Csepel-sziget déli részének és
Dunaújváros térségének hátrányos helyzetére. Ez tehát ebben az esetben nem csak azt jelenti, hogy
nincs megfelelő minőségű utakkal feltárva a terület, hanem azt is, hogy gyakorlatilag ez tekinthető az
egyetlen olyan, nagy összefüggő területnek Magyarországon, ahol még nem fejeződött be a
legalapvetőbb közúthálózati elemek kiépítése sem. Ez a tényező indokolttá tenné a térségben egy új
Duna-híd építését.
 Ehhez hasonló problémával találkozunk a Duna felsőbb folyásánál is, hiszen a térképről is
leolvasható, hogy a 160 km-es izodisztancia északon kijelöli Budapest határát, s a Csepel-szigeten is
csak alig fut délebbre, mint az M0-ás autóút. Figyelemre méltó, hogy mindkét terület gyakorlatilag
egy-egy sziget árnyékzónájában fekszik, melyen eddig csak az M0-ás déli szárnya tudott áttörni.
A fővárostól északra jelen pillanatban teljesen átjárhatatlan Duna szakasz az izodisztanciák nagy
mértékű besűrűsödését vonja maga után, amely a főváros feletti szakaszon annak a következménye,
hogy az agglomerációs hatásra kiépült települések benépesülését nem követte a térség
infrastrukturális felzárkóztatása, illetve ez csak a napi ingázó forgalom észak-déli fő irányának
megfelelően történt meg. A Duna-kanyar térségének hasonló helyzetét tovább rontja a határ
közelsége is.
A többi izovonal szabályos futása azt jelenti, hogy a közúthálózat kiépítettsége, bár nyilván nem
érheti el az ideális, légvonalszerű állapotot, mégis ehhez az ideális állapothoz közelít a magyar
közúthálózat textúrája. Ez a megállapítás azonban csak a „mennyiségi” elemzés esetében igaz,
vagyis, ha eltekintünk attól, hogy az úthálózat nem egyenrangú elemekből épül fel. Ez a tény
azonban nem hagyható figyelmen kívül, azaz vizsgálni kell a „minőségileg” differenciált, időbeli
elérhetőséget is. (ld. a 6.1 fejezetet) A közúthálózati átlagtávolság mutatója szerint a legjobb helyzetű
település Budapest (152,2 km), a legrosszabb pedig Zajta (319,2 km).
A két előbbitől egészen eltérő a vasúthálózati átlagtávolságokat ábrázoló térkép (6.10./C
ábra). Itt az izodisztanciák futása már minden érték esetében eltér a kör alaktól, s a
közúthálózathoz viszonyítva az azonos helyhez tartozó értékek 20-40 km-rel magasabbak. Az
izovonalak futása az ország alakjából következően Ny-K-i irányban torzult, a
közúthálózaténál sokkal markánsabban érvényesül a geometriai középponttól való nyugatra
tolódás, de a fő különbség a fővonali csápok jellegzetes előretörése, főleg Szolnok, Hatvan és
Székesfehérvár irányában. Ez annak a hálózati sajátosságnak a következménye, hogy míg a
közúthálózat „areális”, addig a vasúthálózat „lineáris” terjedésű, azaz míg a közúthálózat
minőségi eltérésekkel ugyan, de mindenhol jelen van, addig a vasúthálózat csak vonalszerűen
épült ki, mely vonalak gyakran akár földrajzi közelségük ellenére sem állnak kapcsolatban
egymással.

A vasúthálózat sajátos elemei, a zsákvonalak miatt megjelennek olyan negatív

anomáliák is, melyekre a közúthálózat esetében nem volt példa (pl. Paks-Dunapataj,
Mohács). Ennek következtében a vasúthálózati távolságok a közútinál nagyobb
mértékben szóródnak, a legkisebb vasúthálózati átlagtávolságú település Budapest
(167,7 km), míg a legnagyobb Mohács (368,7 km).

A közúti hálózati hányados

A közúti hálózati hányados tehát a közúthálózati átlagtávolság és a geometriai átlagtávolság

hányadosaként számítható. A mutató azt fejezi ki, hogy a közúti elérhetőség hányszoros a
minimális úthosszhoz képest. A hányados által létrehozott térszerkezeti képet a 6.11. térkép
szemlélteti.

A legkedvezőbb hálózati helyzetű települések két csoportba sorolhatók. Az első csoportot a

kitüntetett hálózati helyzetű települések köre alkotja, melyek vagy csomóponti, vagy folyami átkelő
menti települések. Ide sorolható a legkisebb hányadosú Budapest (1,14), mint az ország legfontosabb
átkelő települése és forgalmi központja, nyugati „elővárosai“, valamint Füzesabony és
Székesfehérvár környéke. Ez utóbbi két térség csomóponti funkciója úgy értelmezhető, hogy
autópálya melletti fekvésük, valamint több irányba is induló első és másodrendű főútjaik mellett
speciális „híd-városok“ is. Füzesabony a tiszafüredi, Székesfehérvár pedig a dunaföldvári híd révén
mondhat magáénak ilyen szerepet, és ez utóbbi esetben érdekes megfigyelni, amint – bár már nem a
legjobb helyzetű településekként, de azért környezetükből kiemelkedve – kirajzolódik a
Székesfehérvár-Dunaújváros-Kecskemét-(Abony-Szolnok) vonal, jelezve az egyetlen országos
jelentőségű, közép-magyarországi hálózati vonalat. Ugyanígy kisebb kiugrásként jelentkezik Szeged
és Baja-Bátaszék környéke is, azaz a hátrányos helyzetű dél-magyarországi térségben csak a hídi
funkció okoz javulást a hálózati helyzetben.
 A)

A vizsgált települések egymáshoz viszonyított

geometriai átlagtávolsága

Szalkai G. 2001

B)

A vizsgált települések egymáshoz viszonyított

közúthálózati átlagtávolsága

Szalkai G. 2001

C)

A vizsgált települések egymáshoz viszonyított

vasúthálózati átlagtávolsága

Szalkai G. 2001

6.10. ábra A geometriai (A) , a közúti (B) és a vasúti (C) átlagtávolságok Magyarországon
 Az előnyös helyzetű települések másik köre a nagy hálózati távolsággal jellemezhető, jobbára
határmenti települések térsége. Két ilyen nagyobb, összefüggő terület található az országban, az
egyik a Rédics-Murakeresztúr vonaltól a Balaton déli partjához vezető, a 7-es és a 75-ös utak által
közrefogott terület, a másik pedig a Nyírség és a Hajdúság román határ mentén érintkező területe.
Lokális megjelenéssel Körmend sorolható még ebbe a csoportba. Ezekben az esetekben elsősorban
nem arról van szó, hogy e területek kifejezetten kitüntetett hálózati helyeken feküdnének, hanem itt a
nagy hálózati távolsághoz kötődve azért alacsony a hálózati hányados értéke, mert e területek
elérhetőségét zavarja legkisebb mértékben a folyami átkelők nem megfelelő száma. Érdekes
ugyanakkor, hogy a Balaton déli partja alá benyúlik a kedvező értékekkel jellemzett terület, azon
előzetes „elvárás“ ellenére, melyet Balatonfüred szemléltet, hogy a Balaton is a nagyobb folyókhoz
hasonló barriert alkot a közúthálózat számára. Ennek magyarázata a 7-es és a 76-os út
kereszteződéséhez közeli fekvés mellett az lehet, hogy közvetlenül a Balaton északnyugati partján
nincsenek e települések hálózati hányadosát „rontó“ települések, egyéb irányú összeköttetéseiket
pedig nem akadályozzák más természeti tényezők. További, az átlagosnál kedvezőbb értékek
jellemzik az ÉNy-Dunántúl nagy részét, az M3-as autópálya tengelyét, illetve a román határ ÉK-i
része, és az ukrán határ melletti területeket.

A legkedvezőtlenebb hálózati hányadosú térségek a szlovák határ középső, keleti szakasza menti
területektől eltekintve inkább lokális megjelenésűek, de az esetek többsége egy közös okra, a folyami
átkelők hiányára vezethető vissza. Ilyen térségeket találunk a Duna mentén Réckeve és Dunaújváros,
Paks-Dunapataj és Mohács, a Tisza mentén pedig Martfű, Tiszaföldvár és Mindszent körzetében.

Sajátos helyzetű a Dél-Dunántúl legrosszabb hányadosú települése, Palotabozsok, amely egyetlen, a

közeli tolna-baranyai megyehatárt átlépő úttal sem rendelkezik, így az ország legnagyobb része felől
csak jelentős kerülővel közelíthető meg. Ennél nagyobb kiterjedésűek a főutakkal gyengén feltárt,
hegy- és dombvidék közeli területek, a 8-as és az M1-es közti térség (Zirc-Pannonhalma-Pápa
környéke), illetve a Gömör-Tornai-karszt és a Cserehát vidéke.

A vizsgálat szempontjából az ország leghátrányosabb helyzetú területe azonban a Szobtól

Ipolytarnócig húzódó határmenti térség. A hidak hiánya, az orográfiai akadályok és a
határmegvonás hátrányos hatásai legerősebben és legnyilvánvalóbban a leginkább „sarokba
szorított“ településeken összegződnek, s így válik Szob Magyarország leghátrányosabb közúti
fekvésű településévé (1,35).

A vasúti hálózati hányados

A vasúti hálózati hányados a vasúthálózati átlagtávolság és a geometriai átlagtávolság

hányadosaként számítható. A mutató azt fejezi ki, hogy a vasúti elérhetőség hányszoros az
optimális úthosszhoz képest. A hányados térszerkezeti képét a 6.11. térképen láthatjuk.

A vasúti hálózati hányados értékei, a hálózat hézagosabb kiépítettségének következtében

magasabbak, mint a közúthálózati értékek. Ebben az esetben is Budapest a legkedvezőbb
hálózati fekvésű település (1,26), a legrosszabb helyzetben viszont a DK-baranyai térség van,
ahol Mohács vasúthálózati átlagtávolsága majdnem kétszerese geometriai átlagtávolságának
(1,95).

A legkedvezőbb helyzetű területek ezúttal is két részre oszthatók. A legkisebb hányadossal az ország
vasúti gócpontjához kötődő, az Érdtől Budapesten át Hatvanig terjedő területsáv, valamint egyes
külső perifériák rendelkeznek. Ide tartozik a Kisalföld legnagyobb része, a Horvátország felé vezető
két vasúti fővonal határhoz közeli területei, valamint a legnagyobb hálózati átlagtávolságú kelet-
magyarországi területek, Debrecentől Mátészalkán át Zajtáig. Kisebb megszakításokkal ugyan, de
kirajzolódik a Budapest-Szolnok-Nyíregyháza és a Budapest-Miskolc-Nyíregyháza vonal
elhelyezkedése, valamint a székesfehérvári, a váci és a Győrön át Szombathelyre vezető fővonal is.
Sajátos, bár kisebb mértékben a közúthálózatnál is megfigyelhető vonás, hogy a kedvező hálózati
helyzetű vonalak szinte minden esetben az ország északi részén helyezkednek el, azaz a kedvező
vasúthálózati helyzet előfeltétele az, hogy a kelet-nyugati irányú forgalomban Budapest legyen a
dunai átkelőpont.
 A kedvezőtlen hálózati fekvéssel rendelkező települések (illetve vonalak) elhelyezkedése nincsen
szoros kapcsolatban egyik térparaméterrel sem. Azaz, míg a kedvezőbb értékkel jellemezhető
területek egy bizonyos szélességtől északra vannak csak jelen, addig a kedvezőtlen helyzetű területek
előfordulása nem területi meghatározottságú: a hátrányos hálózati fekvés oka a mellékvonali
vonalvezetés, de legfőbbképpen a zsákvonali helyzet. Ilyen:

- a két északkeleti terület, Ipolytarnóc és Ózd térsége, ahol amellett, hogy az orográfiai
adottságok nem tették lehetővé a rövidebb pályavezetést, a trianoni határmegvonás mindkét
viszonylatot zsákvonallá tette;
- a fővonalakkal közrefogott Közép-Tisza-vidéke és a Felső-Tisza-vidék déli része, ahol a Tisza
miatt eleve zsákvonalnak épült viszonylatok (Mezőcsát, Tiszapalkonya, Dombrád), a balsai Tisza-híd
felrobbantása miatt folytatás nélkül maradt csonk, a Tiszát bár keresztező, de elágazások nélküli
Kisújszállás – Kál-Kápolna valamint a Tiszával párhuzamos Tiszafüred-Görögszállás vonal képez
hátrányos megközelíthetőségű területeket. Ezt a hátrányosabb elérhetőséget látványosan törik át a
folyóra merőlegesen épült vonalak, Szolnok, Tiszafüred és Tokaj hídjainál;
- az ÉNy-Dunántúl déli része, ahol a domborzati viszonyok befolyásolták hátrányosan a
pályavezetést. Ez egyaránt igaz a terület keleti felére, ahol a hátrányos helyzet a fővonali hálózat
hiányából adódik, de igaz az észak-zalai, dél-vasi térségre is, amely bár részben elérhető fővonalakon
is, de a hálózat futása a folyóvölgyeknek megfelelően messze eltér az ideális iránytól. A szlovén-
irányú fejlesztés ellenére is sokkal rövidebb, és gyorsabb marad a Horvátországon át való
közlekedés, hiszen a végig fővonali hálózat északi ága az ország harmadik legkedvezőbb hálózati
fekvésű településénél, Murakeresztúrnál lép Magyarországra;
- a Dél-Dunántúl és a Dél-Alföld hatalmas, összefüggő területe, mely az ország
legkedvezőtlenebb vasúthálózati helyzetű térsége. Alapvetően három tényező emelhető ki, melyek
közül az egyik, az 1858-ban átadott (egykori) Budapest-Szeged-Temesvár vasútvonal 1944-ben
felrobbantott szegedi vasúti hídjának hiánya jelenleg csak lokális problémaforrásnak látszik, azonban
kárpát-medencei, vagy eurorégiós (Szeged-Temesvár-Nagykikinda) keretek között gondolkodva már
nagyobb jelentőséggel bír;
- jelenleg is legalább regionális szintű problémaként kell kezelni a baranyai térség hálózati
feltáratlanságát. A megye vasúthálózatának egy részét eleve nem a személyközlekedés miatt, hanem
feltáró vonalakként, az akkori ipari szükségletek kielégítésére építették meg. Az 1897-ben elkészült,
19 km hosszú komlói szárnyvonal, és az 1857-es Pécs-Mohács vasút egyaránt a feketekőszén
elszállítását célozta. Ez utóbbi ipari jelentősége akkora volt, hogy a Duna Gőzhajózási Társaság úgy
építtette meg a vonalat, hogy az országos hálózathoz csak 1868-ban csatlakozott a Pécs-Barcs
vasútvonal révén. Mindkét település tehát eleve zsákvonal végén fekszik, de hálózati helyzetüket
(vagyis az egész terület helyzetét is) tovább rontotta, hogy 1997-ben Palotabozsok és Pécsvárad közt
megszüntették a vasúti forgalmat. A térség vasúthálózati ellátatlanságát kissé túlzóan szemléltetheti,
hogy Mohács, mint a legrosszabb vasúti hálózati hányadosú település vasúton 184 km-re fekszik
Bátaszéktől, közúton pedig csak 28 km-re. Pécs az ország regionális központjai közül egyedüliként, a
vasúthálózati szempontból leggyengébben ellátott települések 7%-ába tartozik, és közismert, hogy
Szeged felé jelenleg is Budapesten át vezet a leggyorsabb vasúti összeköttetése, a dél-magyarországi
térség legnagyobb horderejű, országos jelentőségű vasúthálózati problémája mindenképpen az, hogy
Baja és Budapest között nincsen vasúti átkelési lehetőség a Dunán.;

Összegzésképpen kiemelendő, hogy bár a vasúti elérhetőséget is nagymértékben befolyásolja

a folyami átkelési lehetőségek száma, ugyanakkor itt felértékelődik a fővonali vonalvezetés
hatása is, hiszen az ezek által bekötött települések nem csak rövidebb útvonalon érhetők el,
hanem gyakran csomóponti funkcióik révén is kedvezőbbé válik hálózati helyzetük. A
vasúthálózat kiépítettsége számos területen súlyos hiányosságokkal küszködik, melyek közül
a legfontosabb, az ország területének 2/3-át érintő probléma, hogy a Dunát gyakorlatilag csak
Budapesten keresztezi megfelelően kiépített vasútvonal, egy átkelőhely azonban nem
elegendő a forgalmi igények kielégítésére.

A két hálózat egymáshoz viszonyított kiépítettségének bemutatására a vasúti és a közúti

hálózati átlagtávolság-értékek különbségének térképezése nyújt lehetőséget. Az
izodisztanciák itt azt mutatják meg, hogy egy adott település átlagos vasúti
megközelíthetősége hány km-rel hosszabb a közútinál (6.12. ábra).
A közúti hálózati hányados
értéke

Szalkai G. 2001

A vasúti hálózati hányados értéke

Szalkai G. 2001

6.11. ábra A közúti és a vasúti hálózati hányados térképe Magyarországon

A vasút- és közúthálózati átlagtávolságok

közti különbség mértéke [km]

Szalkai G. 2001

6 12. ábra A vasúti és a közúti hálózati átlagtávolságok különbségei

 6.6 Áramlások

A térbeli áramlások osztályozásakor természetes tagolásra ad módot a mozgó anyag (tömeg).

Így beszélhetünk:

• népesség (populáció) mozgásról, migrációról

• anyag (nyersanyag, késztermék)-áramlásról,
• tőke (pénztőke, szellemi javak)-áramlásáról,
• illetve napjainkban hangsúlyozottan az információk áramlásáról.

A népesség területi mozgásának, migrációjának kutatása kiemelt témája a területi

elemzésnek81. A térbeli anyagáramlások (nyersanyagok, késztermékek) alapvető
mozgatórugója a területi munkamegosztás. A tőkeáramlások közé két nagyobb térbeli
mozgást sorolunk: a pénztőke mozgását és a szellemi tőke (tudás) területközi áramlását.
Előbbi meghatározó módon a gazdasági folyamatokhoz kötött, utóbbi – legalábbis mérési,
elemzési szempontból – a területi népességmozgások egyik sajátos szegmenseként jelenik
meg. (A harmadik legfontosabb tőkeelemnek, a földnek épp a helyhez kötöttsége,
immobilitása a legsajátabb jellemzője, aminek következtében élesen el is válik a másik két
tőkeformától.) Látszólag a legújabb, legmodernebb áramlási mező és kutatási témakör ugyan
az információáramlás, ez azonban inkább csak az elektronikus kommunikáció forradalmának
hatására értékelődik így. Igazság szerint a társadalmi lét és minden mozgási, áramlási és
terjedési folyamat összekapcsolódik az információval, megalapozza, előkészíti azt.

Az egyes áramlási formák nemcsak önmagukban elemezhetők, hanem fontos indikátorai az

átfogó regionális fejlődésnek82, a főbb régiótípusoknak is → 5.10. A települések és térségek
áramlási viszonyrendszereit a következő főbb szempontok szerint vizsgálhatjuk:

• jellegadó áramlások (egy bányavidéken ez a nyersanyagáramlás, egy kegyhelyen a

vallási célú népességmozgás, a zarándoklat)
• az áramlások volumene és egyenlegei (migrációs többlet vagy hiány, export-import
volumen és egyenleg)
• az áramlások idődimenziója (szezonalitás, például a turizmusban)
• a térség áramlási zártsága és nyitottsága (a térkapcsolati kohézió egyik jele lehet, a
munkamegosztás illetve a fokozódó globalizálódás a szélsőséges zártságot –
gazdasági értelemben az autarchiát - lényegében minimálisra szorítja)
• az áramlások centralizáltsága (egy területen belül vizsgálva a térkapcsolatokat, egy
erősen centralizált rendszerben a térkapcsolatok meghatározó hányada egy-egy
központi elemhez, centrumhoz kapcsolódik, oda fut be vagy onnan indul ki)

Ha megfelelő adatokkal rendelkezünk, mindezen jegyek számszerűsíthetők is. A különböző

áramlási formák összehasonlító vizsgálata azonban nem könnyű, hisz különböző tartalmú,
dimenziójú jelenségekről van szó. A vizsgálat ezért ebben az esetben is az
összehasonlíthatóvá tétellel → 2.2.3 kezdődhet, amire a területi megoszlási viszonyszámok
alkalmasak (ezeket használva határozhatók meg például a jellegadó áramlások, az áramlási
specializáltság). A bevett összefüggésvizsgálati módszerekkel → 4.4 vizsgálható az
áramlások fejlettségfüggése és fejlettség (növekedés)-generáló szerepe is. (Ismételten utalunk
arra, hogy a vándorlási különbözet – de bármely más relatív áramlási egyenleg – mérési
szempontból sajátos, intervallum-skálán mérhető változó, így összetettebb eljrásokba, például
komplex mutatók elemei közé választva, óvatosan kezelendő.)

81
Ennek sajátos formája a más vonatkozásban → 1.3.5 már említett ingázás (aktuális hazai jellemzőről
lásd Fóti – Lakatos 2005).
82
A legújabb időszak hazai jellemzőiről lásd llés S. 2000.
A térkapcsolati, áramlási viszonyrendszereknek kiemelt jelentősége van egy-egy rendszer,
területegység szereplői, elemei számára. Ezt a problémát a globalizálódási folyamatok kettős
értelemben is előtérbe tolják. A betelepülő cég, a bevándorló migráns jövőbeni „életesélyeit”
alapjaiban befolyásolja, hogy képes-e integrálódni, beágyazódni az új terepen83. E
folyamatokban azonban nemcsak az új szereplők (pl. a betelepülő multik) kerülnek szembe új
viszonyokkal, hanem sok helyben maradó számára is új kapcsolatok formálódnak . A
beágyazottságot több tényező is segíti, így:

• a társadalmi, kulturális, intézményi minták és tradíciók átvétele (vagy legalábbis

figyelembe vétele)
• hálózatba szerveződés
• területi integráció

Ezek a viszonyok – amelyek nagyon sok esetben kifejezetten személyközi kapcsolatokban

jelennek meg – általában csak egyedi véleménykutatási, kérdőíves, interjúkat alkalmazó
módszerekkel tárhatók fel, bár hátterként ott lehetnek a térkapcsolatok mennyiségi adatai is.

6.7 Térbeli egymásrahatások, szociálfizikai modellek (Dusek Tamás)

A társadalmi térfolyamatok területi kutatásában a más tudományterületektől átvett, analóg

módon használt modellek közül kiemelt fontosságúak a klasszikus fizika elméleti modelljeire
épülő ún. szociálfizikai modellek. A szociálfizika olyan közelítés, amely azt sugallja, hogy az
emberi tevékenység a térben megmagyarázható és előrejelezhető a fizika elveit és törvényeit
alkalmazva. E nézet távoli filozófiai bázisa az elméleti monizmus, amely szerint egyetlen
magyarázati irányelv igaz a természeti és társadalmi folyamatokra egyaránt. A szemlélet és a
módszertan, amelynek gyökerei a 19. századra nyúlnak vissza, mindmáig virulens eszköztárat
képez a területi kutatásban. E szemlélet legegyszerűbb példája a korábban már taglalt
súlypontszámítás → 2.6.

6.7.1 A gravitációs modell


A gravitációs modell alapvonalai

A gravitációs modell szociálfizikai interpretációja szerint az emberi viselkedés által előidézett

tömegszerű térbeli kapcsolatok, áramlások bizonyos általános rendező elvek és szabályok
szerint szerveződnek. Ezek a szabályok a területi interakciókban részt vevő egyének
összességének cselekvéseire egyszerre gyakorolnak kezdeményező és korlátozó hatásokat. Az
egyéni szinten még nagyrészt véletlenszerű és szabálytalan kapcsolatok a társadalom szintjén
így szervezett térbeli struktúrákat hoznak létre.

A modellel kapcsolatos elméleti kérdésekre mindeddig rányomta bélyegét a fizikai analógia, a

Newton-féle gravitációs törvény létezése. A modell használhatósága ugyanakkor független
attól, hogy létezik-e fizikai analógiája vagy sem, az legfeljebb az összehasonlítás révén
járulhat hozzá megértéséhez. Mindez a többi fizikai analógián alapuló módszerre is igaz. Egy
modell megalkotását sugalmazhatják ugyan természettudományos törvények, használhatósága
azonban ettől független kérdés lesz. A társadalmi és a fizikai mozgások között alapvető
különbséget képez, hogy míg az első esetben célra irányuló emberi tevékenység a mozgás
oka, így mechanisztikus magyarázattal nem élhetünk, a természeti törvények esetében a

83
A legújabb területi kutatások, ezen belül a területi versenyképesség szakirodalma angolul az
embeddedness kifejezést használja erre.
helyzet pont fordított, célra irányuló (teleologikus) magyarázat helyett mechanisztikus oksági
magyarázatot adhatunk.

A rendszeres és tömeges területi áramlások modellezése a 19. század közepéig nyúlik vissza.
Carey (1858), majd Ravenstein (1885) megfigyelése szerint84 az emberek városok közötti
mozgása és az egyetemes tö megvonzás törvénye között párhuzam mutatható ki, amennyiben
egyéb tényezők változatlansága mellett nagyobb városok között nagyobb áramlás figyelhető
meg, mint a kisebb városok között. A gravitációs törvény szerint két test közötti vonzóerő
nagysága a két test tömegével (m1 és m2) egyenesen, a közöttük levő távolság (d) négyzetével
fordítottan arányos:

F=Gm1m2 /d2

ahol G a gravitációs állandó. Társadalomföldrajzi elemzésekben az állandó értéke csak akkor

bír jelentőséggel, ha két vagy több tömeg közötti áramlások (pl. forgalom) intenzitásának
számszerű mennyiségét becsüljük. Az ehhez formálisan hasonló gravitációs modell
legegyszerűbb, Stewart által 1948-ban alkalmazott alapváltozata:

Vij=g(PiPj/dij2)

ahol Vij i és j közötti „népességi erő”, Pi és Pj a népesség száma, dij az i és j közötti távolság, g
tapasztalati állandó. Az 6.13. ábrán szemléletesen is látható a modell alapgondolata.

"A" város
"B" város

100 000 100 km

100 000
lakos lakos

100 km
50 km 50 000
lakos
"C" város

100 000 "A" városba várt áramlás intenzitása:

lakos legnagyobb "A" és "D" város között
legkisebb "A" és "C" város között
"D" város

6.13. ábra A gravitációs modell elvei (Fotheringham, Haynes 1988 alapján)

A gravitációs modell ennél bonyolultabb, Bramhall által 1960-ban megfogalmazott és később

széles körben használt egyik változata szerint:

Vij=g(wiPiαwjPjβ)/dijγ

84
A gyökerek: Carey, H.C. 1858 Principles of Social Science. J. Lippincott, Philadelphia,
Ravenstein, E.G. 1885 The laws of migration. „Journal of the Royal Statistical Society” 48, pp. 167-
227.
ahol Nij a modell alapján várt áramlás i-ből j-be adott időegység alatt, wi és wj súlyok (értékük
alapesetben 1), α, β és γ paraméterek. A modell szempontjából ezek külső változók, de ezek
részbeni meghatározása is történhet más modellek segítségével. A modellnek számos további
alakját és formáját is kidolgozták és használják, a szakirodalomban ezért gyakran gravitációs
modellekről vagy modellcsaládról beszélnek.

A tömeg meghatározása

A modellben a tömeg meghatározása a vizsgálat tárgya, ideje és helye alapján történik, valamint a
vonzó és vonzott objektum függvényében is változhat. A tömeg szó helyett sokszor célszerűbb
vonzerőt, attraktivitást egyfelől, és kibocsátási erőt, képességet vagy potenciált írni másfelől a
félreértések elkerülése érdekében.

Gyakorlatilag a következő tömegekkel találkozhatunk, a teljesség igénye nélkül:

lakosságszám, releváns lakosságszám, jövedelem, kórházi ágyak száma, különféle szolgáltató
intézmények léte, boltok alapterülete, foglalkoztatottak száma stb., valamint összetett
mutatók, mint több tényező (súlyozott) átlaga, faktorpontértékek. Ezek közül a lakosságszám
az átfogóbb jellegű vizsgálatokat jellemzi, használatát a vonzó funkciókkal fennálló szoros
kapcsolata indokolja. Ilyen esetekben mellette szól egyszerűségén kívül az is, hogy azonos
központok hosszú időtávú elemzését is lehetővé teszi, míg a specifikusabb mutatókhoz az
időben változó területi elterjedtség, ezzel együtt változó központok tartoznak.

A távolság meghatározása

A távolság meghatározásával kapcsolatban két alapkérdés szokott felmerülni: milyen

távolságfogalmat célszerű használni és a távolság változásával milyen mértékben változik a
területközi kapcsolatok várható intenzitása. A tér két pontja közötti távolság áthidalásának
költsége többféleképpen meghatározható. Így beszélhetünk számos utazási mód – mint
gyalogos, különféle közúti és vasúti, vízi, légi, valamint egyéni és tömegközlekedési – szerint
kiszámított utazási távolságról, időről és költségről. A sokféle lehetőség ellenére nem
dönthetünk szabadon, döntési szabadságunkat a modell célja – az adott áramlás vizsgálatakor
relevánsnak tekinthető távolságfogalom – határolja be. Ennek ellenére mindig marad szabad
mozgástér, választási lehetőség. Mivel a fenti távolságmeghatározások a gyakorlatban számos
nehézséggel járnak, sokszor egyszerűen légvonalbeli távolsággal számolnak, amit
mindazonáltal legtöbbször jó közelítésként lehet elfogadni. Az időtávolság és légvonalbeli
távolság megkülönböztetésének elsősorban a városföldrajzi vizsgálatokban van jelentősége.

A modellel kapcsolatos viták legnagyobb része a távolságfüggés kérdése körül zajlik. Abban
egyetértés uralkodik, hogy a távolság növekedésével a kölcsönhatás erőssége gyengül, ennek
mértékével, megállapítási módjával kapcsolatban azonban számos különböző elvi és
tapasztalati adatokon is nyugvó nézettel találkozunk. A alapmodellben általában a
távolsághoz tartozó kitevő jelzi (a dijα formula) a területközi kapcsolatok intenzitásának
változását a távolság függvényében. A kitevő növekedésével a területközi kapcsolatok
intenzitása távolságérzékenyebb lesz, ezzel párhuzamosan a tömegek jelentősége fokozatosan
csökken. Végtelen nagy kitevő esetén csak a távolság határozná meg a vonzáskörzetek
nagyságát, a tömegnek nem lenne szerepe.

A kitevő jelentősen változik az utazási cél, mód, személy függvényében, a távolságkitevő

tapasztalati kalibrálását elvégző vizsgálatok szerint

a kitevő viszonylag alacsony (1,5-2,0):

• a városok központi részeibe utazáskor
• vezető állású rétegek utazásakor
• üdülési-pihenési célú utazások alkalmával.

A kitevő értéke viszonylag magas (2 feletti):

• központból a peremkerületek felé utazáskor
• ingázó fizikai munkások és nők munkavállalásakor
• általános vagy középiskolába járáskor.

A modell alkalmazási feltételei és területei

A modell felhasználásának alapfeltétele a térbeli áramlással járó tömegszerű jelenség léte. A

térbeli áramlás léte könnyen eldönthető, a tömegszerűség kérdése nem. Egyedi jelenségek és
kis számosságú sokaságok modellezése nem lehetséges. A formális feltételek mellett a
vizsgálandó jelenség tartalmi vizsgálata is szükséges annak eldöntéséhez, hogy a modell
megfelelően alkalmazható-e az illető térbeli áramlás leírására. A modell például nem
alkalmazható a determinált jellegű áramlások esetén (mint a közigazgatási szolgáltatások
kötelezően előírt igénybevétele a megyeszékhelyeken).

A rendkívül sokszínű gyakorlati alkalmazási területét két nagyobb csoportra lehet osztani:
• különféle térbeli áramlások intenzitásának becslése
• vonzáskörzetek elméleti lehatárolása

Az első csoportba tartozik elsősorban a közlekedési áramlások, információáramlások

(telefonhívások, postai küldemények) modellezése. A második csoportba tartozik például a
kereskedelmi egységek, szervizek, színházak, mozik, munkahelyek, iskolák, kórházak
vonzáskörzetének meghatározása. A modell szerint a központok vonzereje a távolság
növekedésével fokozatosan csökken, a vonzáshatárok azonban nem úgy különülnek el
egymástól, mint a közigazgatási határok. A távolság növekedésével az illető központba utazás
esélye lesz egyre kisebb, a további központokba utazás esélye növekszik. Mindez a csoport
szintjén érvényesülő összefüggés.

A módszer néhány olyan alkalmazásával is találkozhatunk, amelyeket a tartalmi feltételek

hiánya jellemez. A nemzetközi népességmigráció elemzésére és főleg előrejelzésére a modell
alkalmatlan, mivel ezeket a mozgásokat számos egyedi, történeti körülmény határozza meg,
amelyek matematizált modellezésének elvi akadályai vannak.

A modell használatának a célja szerint szintén két nagy csoportot lehet megállapítani:
• leíró jellegűek, amelyek a jelenségek és/vagy a térszerkezet meghatározására,
felismerésére irányulnak
• előrejelző, projektív jellegűek, amelyek a megismert jelenségek, tendenciák ismeretében
ezek jövőbeni állapotának megismerésére irányulnak

Ezen célok közül a második a jövő előre jelezhetőségével kapcsolatos elvi kérdéseket vet fel,
melyek tárgyalása ugyanakkor nem feladatunk. A leíró jellegű modelleket tovább lehet
osztani az áramlásra vonatkozó tapasztalati adatokon nyugvókra és a vonzáskörzetek elvi
határait és az áramlások elvi nagyságát megállapítókra. Első esetben a modell segítségével
tömör jellemzést kapunk a térkapcsolatok állapotáról, amit összehasonlíthatunk időben és
térben eltérő más eredményekkel. Mivel a tapasztalati adatgyűjtés gyakran költséges és
nehézkes, olykor nem is kivitelezhető, ezért ebben az esetben a modell paraméterei (tömeg,
távolság) által meghatározott elvi értékeket kapunk. A paraméterek meghatározásánál a
korábbi kutatásokat és a vizsgált jelenség természetére vonatkozó megfontolásokat
figyelembe kell venni. Az ilyen modelleket inspirációul, gondolkodási segédletül
használhatjuk fel a gyakorlati elemzés segítésére, eredményeit semmiképpen nem szabad
ideálisként vagy elérendő célként kezelni.
 Gravitációs modell térfelosztási alkalmazása85


Elvi vonzáskörzet-határ megállapítása (Reilly-képlet)86

Ismert A és B központok közötti vonzáskörzet-határ egy X pontja meghatározható, hiszen

feltételezhetjük, hogy az erre a pontra (A-ból és B-ből) ható vonzerők egyenlők. Azaz: FAX = FBX ;
MA M
ahol FAX = 2
és FBX = 2 B (M a tömeg; d a távolság, F pedig a központ vonzereje). Ebből
d AX d BX
MA MB
következik, hogy 2
= 2 . A formulát más alakra rendezve jutunk el a Reilly-képlethez:
d AX d BX
2
M A d AX
= 2 . (Reilly az 1920-as években végzett vizsgálatokat kiskereskedelmi vonzáskörzetek
M B d BX
meghatározása céljából; nála a tömeg (lakosságszám) L-lel, a távolság R-rel volt jelölve). A Reilly-
képletet AX távolságra rendezve kiszámolható a keresett határpont és a központ távolsága:
2
M A d BX
d AX = . Itt a d BX távolság még ismeretlenként szerepel, de a d BX = d AB − d AX
MB
összefüggés ismeretében egy ismeretlenessé tehető az egyenlet, amely így már megoldható. Ennek
további lépései a következők:
M A (d AB − d AX ) 2
d AX = ,
MB
M A (d AB − d AX ) 2
2
d AX = ,
MB
2
d AX M B = M A (d AB − d AX ) 2 ,
2
d AX MB
= (d AB − d AX ) 2 ,
MA
MB
d AX = d AB − d AX ,
MA
M B d AB − d AX
= ,
MA d AX
MB d
= AB − 1 ,
M A d AX
MB d
1+ = AB ,
M A d AX
MB
d AX (1 + ) = d AB ,
MA

85
A példát Tagai Gergely dolgozta ki.
86
Reilly W. J. (1931) The Law of Retail Gravitation, W. Reilly ed, New York, NY.
 d AB
d AX =
MB
1+
MA

Vonzáskörzetek kijelölése a legerősebb vonzásközpont meghatározásával

6.14. ábra Zala megye két központjához a gravitációs modell alapján vonzódó települések

Egy térség központjainak vonzáskörzeteit lehatárolhatjuk azzal a módszerrel, hogy megvizsgáljuk,

M 1M 2
hogy az egyes települések melyik központhoz vonzódnak leginkább. Az F= képletbe
d2
behelyettesítve a megfelelő távolság és tömegértékeket kiszámolható a vonzásközpont és egy adott
település közötti vonzáserősség. Ezt a számítást minden egyes vonzásközpontra elvégezve esetenként
eldöntjük, hogy melyik település melyik vonzásközponthoz gravitál, azaz melyik központ
vonzáskörzetébe tartozik.

A gravitációs modellt használva, Zala megye településeit vizsgáltuk (6.14. ábra) abból a szempontból,
hogy a személyi jövedelmek tekintetében melyik nagy megyei központhoz (Zalaegerszeg vagy
MiMv
Nagykanizsa) vonzódnak. A Viv = 2
képletbe behelyettesítve a megfelelő (légvonal) távolságot
d iv
és tömegértékeket (itt az éves összes adóköteles jövedelemeket) kiszámítható az összes településre a
köztük és a két város közötti vonzáserősség (a képletben szereplő indexekben i jelöli a falvakat v a két
várost). A számítás alapján elkülöníthetők a települések, aszerint, hogy Viv értéke melyik városra
vonatkoztatva nagyobb, azaz egy község Zalaegerszeg, vagy Nagykanizsa felé mutat nagyobb elméleti
(jövedelmi, gazdasági) vonzódást.

6.7.2 A potenciál-modell

A térségi potenciál-modell a települési illetve regionális „tömegek” (általában a népesség

száma illetve az értéktermelés, a GDP abszolút volumene) és a térségek közötti távolságok
alapján generalizálja a teret. E modell szerint azok a helyek, térségek minősülnek a legjobb
helyzetűeknek (a legnagyobb potenciálúaknak), amelyek maguk is nagy gazdasági erőt
tömörítenek és(vagy) a legfontosabb erőközpontok közelében fekszenek. Ezekből érhető el
leggyorsabban a megcélzott piac, ezek bővelkednek leginkább a potenciális kooperációs
partnerekben.

A Newton-féle gravitációs törvény két test közötti vonzerő nagyságát határozza meg. Több test
mindegyikének az összes többi testre kölcsönösen gyakorolt vonzó hatása gravitációs mezőt hoz
létre. Ennek tulajdonságai egy több testből álló rendszer bármely pontjában – rendkívül bonyolult
differenciálegyenletek segítségével – mérhetőek lesznek, és meghatározzák azokat az erővonalakat,
amelyeken a szabadon mozgó tömegek haladnak.

A gravitációs törvény kiterjesztéséhez hasonló módon jött létre a gravitációs modellből a

potenciál-modell, amely a gazdasági-társadalmi tér minden egyes pontjához az adott pontban
várható területközi áramlás mértékét rendeli hozzá. Így ezt a mennyiséget a területközi
kapcsolatok elvi intenzitásának mérőszámaként lehet felfogni. A mérőszám nagyságát az
összes többi pont elhelyezkedése és tömege határozza meg a következő képlet alapján:

P(Ai)= ∑Mj/dijk

ahol P(Ai) az Ai pont potenciálja, Mj a tér többi, figyelembe vett pontjának a tömege, dij Ai és
Aj pontok közötti távolság, n a pontok száma, k az erőhatás távolság függvényében történő
csökkenésének a mértékét meghatározó konstans. Ha k=1, akkor a távolság növekedésével
egyenes arányban csökken az erőhatás mértéke. Ezzel és a távolság négyzetével arányos
csökkenést eredményező, k=2 értékkel szoktak leggyakrabban számolni. Ha i egyenlő j-vel,
akkor a pont saját magára gyakorolt hatását mérjük, amely nagyságot sajátpotenciálnak
nevezzük. A testek, tömegek és távolságok megállapítása a gravitációs modellhez hasonló
megfontolások alapján történik.

A potenciál-modell természetesen bármely területi szinten, s más tömegértékekkel is

kiszámítható, s így összehasonlításokra, az időbeli változások kimutatására is alkalmas
módszer. (A potenciálmodellek legszámításigényesebb fázisa az alappontok közötti
távolságok mátrixának előállítása.) Világméretekben látványosan igazolhatjuk így például a
népesség és a gazdaság teljesen eltérő lokalizációját. A számítási egységek – első
közelítésben – az országok lehetnek, fővárosaikkal vagy geometriai középpontjukkal
reprezentálva, a távolságok gömbi légvonaltávolságok lehetnek, súlyként az országok
népessége és GDP-volumene használható. A világméretű gazdasági potenciáltérképeken a
centrum, a potenciálmaximum az atlanti térségre (Európa és Észak Amerika) esik, míg a
népességpotenciál-maximum Kelet-Ázsiára. (A pacifikus térség dinamikus fejlődése ezt a
diszparitást fokozatosan oldja.) A potenciál-modell alkalmas eszköz a vizsgált terek valóságos
centrumainak kijelölésére.

A teljes potenciál összetevői

A potenciál-modell – a gravitációs modellhez hasonlóan – a makroszintű területi elemzések

egyik módszere, néhány pontból álló térség elemzésére nem használható. Minden pont
potenciálját az egész rendszer összes pontja együttesen határozza meg, ezért különösen nagy
jelentősége lesz annak, hogy a vizsgált rendszer egésze milyen módon kerül meghatározásra.
A rendszer határához közel fekvő területek potenciálja kisebb lesz a belső területeknél, amely
nyílt rendszereknél a valóságtól lényegesen eltérő eredményekhez vezethet. A társadalmi-
gazdasági tér teljesen zárt rendszernek csak az egész Föld viszonylatában tekinthető, ezért
csak a világméretű vizsgálatoknál nem lép fel ez a nehézség. A világ szintjénél kisebb
vizsgálatoknál a határmenti területek problémája miatt célszerű a rendszer belső pontjai által
meghatározott potenciál mellé a külső pontok által generált külső potenciált is kiszámítani. Az
ilyen vizsgálatoknál a teljes potenciál három részre osztható:

Teljes potenciál = saját potenciál+belső potenciál+külső potenciál

A belső potenciál a vizsgálat szempontjából kitüntetetten kezelt részrendszer pontjainak az
adott pontra gyakorolt hatásának a mérőszáma, amelyben azonban a saját potenciál nagysága
nem jelenik meg. A saját potenciál elhagyása ugyanakkor annál jelentősebben torzítaná az
eredményeket, minél nagyobb a pontok tömegének a szórása. Például a településszintű
magyarországi vizsgálatoknál Budapest helyén a potenciálmező hirtelen zuhanását
érzékelnénk, mert Budapest környéke Budapest tömegének hatására kimagasló értékeket érne
el.

Mivel egy pont saját magától mért távolsága nulla, ezért a sajátpotenciál kiszámítása speciális
módon történik. A gyakorlatban ennek számos fajtáját dolgozták ki. Ezek közös jellemzője,
hogy minden egyes ponthoz hozzárendelnek egy területegységet (például a településekhez a
települések méretét), majd ennek nagysága alapján számítják ki a sajáttávolságot. Ezek közül
a legegyszerűbb az a módszer, amely a terület méretének megfelelő nagyságú kör sugarának
hosszában állapítja meg a pont saját magától mért távolságát. Ennél bonyolultabb számítás,
amikor a területegység középpontjának a határvonalig mért átlagos távolságát veszik
sajáttávolságként. Mivel ezek a módszerek a településeken és területegységeken belüli
egyenletes népességeloszlást feltételeznek, ezért egyes kutatók a központtól a határvonalig
haladva különböző mértékben csökkenő népsűrűség feltételezésével számolták ki a
sajáttávolságot. Ez a számítás az előző módszereknél kisebb távolságokat, így nagyobb saját
potenciált eredményez.

A külső potenciál számításánál a közvetlenül szomszédos területek vizsgálatba történő

bevonása a legfontosabb, mivel a távolság növekedésével egyre csökken a hatás abszolút
nagysága, valamint a határközeli és belső területek közötti eltérés különbsége is. Kanada
hatása Magyarország egész területére gyakorlatilag azonos mértékűnek tekinthető, mert a
Győr-Toronto és a Baja-Toronto távolság közötti eltérés elhanyagolható nagyságú lesz.

A potenciálmodell alkalmazásai

A potenciálmodellt számos jelenség térbeli eloszlásának jellemzésére használták. Így többek

között készültek az alapvetőnek számító népességi potenciáltérképek mellett jövedelmi, piaci,
gazdasági, keresleti, kínálati, részvételi, polarizációs, agglomerációs, kapcsolatsűrűségi
potenciáltérképek. A mutató már ismertetett alapértelmezése mellett további többféle
interpretációja is elképzelhető, így beszélhetünk az adott jelenség egységtávolságra jutó
sűrűségéről, az adott ponttól való távolság mértékéről, a jelenség sűrűségének általánosított
mutatójáról, az adott pontra az összes többi pont által gyakorolt hatás erősségéről. A
mutatónak ugyanakkor nem az adott pontra vonatkoztatott nagysága lesz a lényeges jellemző,
hanem a pontnak a rendszeren belül elfoglalt helyzete.
 6.15. ábra Kelet-Közép-Európa gazdasági potenciáltere – saját+belső potenciál (Tagai G. 2004)

6.16. ábra Kelet-Közép-Európa népességi potenciáltere – saját+belső potenciál (Tagai G. 2004)

A számítások leggyakrabban leíró, illusztratív célt szolgálnak. Ezen kívül felhasználhatják az
eredményeket további térbeli jelenségek magyarázó változójaként, például a
jövedelemponteciált az egy lakosra jutó jövedelem eltérésének a magyarázatához. A
jövedelempotenciál és az átlagjövedelem egymástól lényegesen különböző mutató lesz, mivel
a jövedelempotenciálban megjelenik az adott területegység abszolút jövedelmének a súlya és
a környező területek jövedelmének távolsággal arányosan csökkenő súlyai. Egy Svájc
átlagjövedelmű ország jóval nagyobb befolyást gyakorol környezetére 1000 lakos/km2
népsűrűség mellett, mint 1 lakos/km2 népsűrűségnél. Egy Budapest közelében fekvő tanya
potenciálja pedig jelentősebb, mint egy Miskolchoz közel fekvő kisvárosé. Mindezek miatt
egyes kutatók a makrotérszerkezet általános megjelenítéseként tekintenek a módszerrel
készült térképekre.

Potenciálmodellel tesztelhető valamely térség és környezetének viszonyrendszere, oly módon, hogy

egy térség (ország) pontjaira kiszámítjuk a térségen belüli illetve a térségen kívüli tömegpontok
generálta potenciálteret. Egy ilyen számítás Nyugat-Magyarországot vélhetően a külső (osztrák,
német, észak-olasz) "gazdasági térbe" helyezi, itt a nemzetközi potenciál vélhetően nagyobb a
hazainál. Ugyanígy Közép-Szlovákia vélhetően Budapest potenciálterébe kerül, s hogy egy távoli
példát is említsünk: Szibéria pedig - az orosz magterületektől való távolság miatt - a japán gazdasági
erőtérbe

A módszer legátfogóbb hazai alkalmazói, Bene L. – Tekse K. 1966 népességpotenciál számításai a

hazai demográfiai tér 1900 és 1960 közötti Budapest körüli koncentrálódásának folyamatát mutatták
be. A hazai gazdasági tér vizsgálatára használta Nemes Nagy J. 1997, megkülönböztetve a három
összetevőt. A legújabb alkalmazás Tagai Gergelyé (Tagai G. 2004), aki a (tág) kelet-közép-európai
népességi és gazdasági potenciálteret konstruálta meg ezzel a közelítéssel. Eredményeibe enged
bepillantást a 6.15 és 6.16. ábra, amely jól érzékelteti a makrorégió gazdasági és a népességi
erőterének eltérő konfigurációját, előbbi erősen koncentrálódik a svájci és dél-német „sarokra”,
utóbbiban keletebbre terjed ki a nagy potenciál, utalva így e térségek, mint fogyasztópiacok
vonzerejére is). Az ábrák viszonylag finom térerő-struktúrája egy tágabb – Európa egészére
kiterjesztett – elemzésben egy sokkal durvább, duálisabb Nyugat-Kelet kettősségbe megy át
→4.5.3), a makrórégió belső térerő-zonalitása beleilleszkedik az átfogó európai centrum-periféria
(→
viszonylatokba (Schürmann, C. – Talaat, A 2000).

6.8 Térfelosztás a térkapcsolatok alapján – vonzáskörzetek, agglomerációk

Elméletileg nagyon jól alátámasztott, a gyakorlati kivitelezés szempontjából azonban

rendkívül összetett, sok heurisztikus elemet rejtő, költség- és időigényes felhasználása a
térkapcsolatoknak a regionalizálásra, térfelosztástra való alkalmazás. A horizontális
térfelosztásban elsőrendű szempontkét fogalmazható meg a területegységek lehatárolásakor
azok belső kohéziója, térkapcsolati összefonódottsága, leggyakrabban centrum-periféria
viszonyrendszere. (A másik alapvető utat a belső homogenitás szempontjának érvényesítése
jelenti, amelynek módszertanáról már volt szó → 5.14.) A vonzáskörzet-lehatárolások87 –
leggyakrabban települési alapegységekből kiindulva – általában két fő térbeli
kapcsolatrendszert vesznek figyelembe: a gazdasági, illetve az intézményi (infrastrukturális,
ellátási) kapcsolatokat.

A gazdasági kapcsolatrendszerben kitüntetett szerepű

• a munkaerő-piaci összefonódás (ennek empirikus hátterét a népszámlálásokban
ismételten felmért munkahely-lakóhely információk, ingázási adatok adják),
• a gazdasági szervezeti összekapcsoltság (nagyvállalati székhely-telephely kapcsolatok),

87
Ennek „virágkora” Európában a hatvanas-hetvenes évek, napjaink szuburbanizációs tendenciái, a
gazdaság diszperg eloszlása, a minden tevékenységet átfogó globalizálódás, az információs hálók egyre
folytonosabbá válása nehezen tagolhatóvá teszik a fejlett országok tereit, tovább nehezítve a
körzetlehatárolások egyébként sem egyszerű feladatát (A témát Bujdosó Z. 2003 tekintette át.)
 • a gazdasági anyagáramlások (ezekről áll a legkevesebb információ rendelkezésre,
beszerzésük átfogó egyedi adatgyűjtéssel történhet, erre azonban kevés a
példa88)
• utóbbiak sajátos alrendszereként külön szokás vizsgálni a lakosság kereskedelmi,
vásárlási kötődéseit (ez ugyancsak egyedi adatfelvételt igényel).

Az ellátási, infrastrukturális kapcsolatrendszer kiemelt intézményei

• az oktatási intézmények,
• az egészségügyi intézmények,
• az igazgatási intézmények: ezek önmagukban is sajátos „régióképző” funkcióval
rendelkeznek a jogi, közigazgatási összetartozást jelenítik meg az ún. illetékességi
területek (Szigeti E. 2001).

Ezen intézmények (valamint a gazdasági szereplők közül leginkább a nagy kereskedelmi egységek)
esetében az ágazatokon, tevékenységi formákon belül is fontos vizsgálati téma a tényleges
vonzáskörzetek feltárása – ami rávilágíthat például a „lefedetlen” területekre is –, illetve a
telephelyválasztási fázisban a potenciális vonzásterület feltérképezése. Az előbbi esetben a tényleges
használók (pl. az egyetemekre bekerültek) származási helyét kell vizsgálni, utóbbiban pedig a
potenciális célcsoportokét (ezt a kört leggyakrabban demográfiai, jövedelmi jegyek alapján
határozzák meg).

Az „új gazdaság” egyik ma divatos fogalma, a klaszter is (hasonlóan távoli őséhez, az ipari
körzethez) felvet lehatárolási kérdéseket (Gecse G. és Nikodémus A. 2003). Az említett szerzők –
nemzetközi mintákra hivatkozva – az ún lokációs hányados kiszámítását hívják módszertani
segitségül. Ez a mutató ágazati foglalkoztatottsági adatok alapján ott valószínűsít ágazati klasztert,
ahol egy-egy ágazatnak a helyi súlya markánsan nagyobb az adott ágazat országos arányánál. Ez a
meglehetősen durva statisztikai közelítés elég távolinak látszik a klaszter egyébként rendkívül
szofisztikált (magyarul: zavaros) általános definícióitól.

A fenti – természetesen tovább részletezhető – áramlási rendszerek együttesei adhatják ki

egy-egy erős kohéziójú, relatíve nagy zártságú téregység kereteit, határait. A konkrét
térfelosztásra való felhasználás esetén azonban több jellemző akadály bukkan fel:
mivel minden tevékenység többé-kevésbé eltérő vonzási teret hoz létre, a többfajta
vonzáskör nem fedi egymást, azért az összegzett lehatárolásnál megnyílik a tér az elemzői-
kutatói bátorság és intuíció előtt (a konkrét helyismeret ebben több segítséget ad, mint az
adatok formális osztályozgatása). Két nagyon gyakorlatias út jelenik meg: a „többségi elvet”
követő lehatárolás, amely a vizsgált áramlások többségében azonos térhez tartozó téregységek
(leggyakrabban települések) összességével határozza meg a vonzáskörzetet, vagy az ezzel
rokon, de ennél „puhább” osztályozási szempont, amely vonzási zónákat határoz meg (erős,
közepes, átmeneti, gyenge).
a fenti probléma az alapegységek (települések) oldaláról azt jelenti, hogy azok a
különböző tevékenységek szempontjából szinte mindig több irányba vonzódnak, s így
„besorolásuk” vitatott lehet89.
a térfelosztási optimalizálásban egymással ütköző szempontok is felbukkanhatnak
(erre jó példát adnak Bibó István igazgatási területrendezési elvei, amelyekben esetenként
nyilvánvalóan ütközik a hivatali-hivatalnoki racionalitás az állampolgárival – lásd Nemes
Nagy J. 1998, 119-120. oldal).

E nehézségekből „tudományos kiút” nincs, de segítség kapható például a gravitációs

modellnek → 6.7.1 az elméleti vonzáskörzetek felrajzolására való használatában (Lackó L.

88
Az információhiány talán a legfontosabb oka annak, hogy a regionális tudomány korai időszakának
egyik legismertebb térgazdaságtani modellje az ún. területi-ágazati kapcsolatok (input-output)
mérlegének elemzési karrierje megtört, s ma leginkább csak tudománytörténeti jelentőségű klasszikus
modellként ismert (lásd Lengyel – Rechnitzer 2004, 11.3. fejezet)
89
Hasonló kettősség jelenik itt meg, mint a hagyományos és a fuzzy-klaszterezés esetében → 5.14.
1978, Beluszky P. 1984, Kiss J. P. – Bajmócy P. 2001). Ugyanezen módszer mentén régi
korok térkapcsolati viszonyai is valószínűsíthetők (Győri R. 2005).

Már nem lehatárolási, hanem konkrét társadalmi működési probléma a hatalom térbeli
megosztása, a devolúció. Ez a kifejezetten hatalmi-politikai („belső térbeli”) kérdéskör akkor
kapcsolódik a hagyományosabb regionális elemzésekhez, ha a területi tagoltság hagyományos
elemeivel, a fejlettségi egyenlőtlenségek alakulásával vetjük egybe (Rodríguez-Pose, A. –
Gill, N. 2003)

A térséglehatárolások önálló, sajátos kérdéskörét jelenti a településegyüttesek, agglomerációk

kiterjedésének meghatározása.

Városi agglomerációk, városrégiók (Jeney László)


A városi agglomerációk a városi magtelepülések és a hozzájuk szorosan kapcsolódó elővárosi területek
együttesét jelentik, amelyek közös jellemzője, hogy folytonosan beépített területet alkotnak. Az
agglomerációk lehatárolásában sincsen egységes gyakorlat, a hivatalos és tudományos lehatárolások
igen nagy változatosságot mutatnak. Sőt az agglomeráció-lehatárolás alapjául szolgáló folytonos
beépítettség definiálása sem egységes.

A városi agglomeráció meghatározásakor elsőként lehatárolják a folytonosan beépített területet, mint

alapegységet („population unit vagy built-up area”). Ennek feltétele egy bizonyos számú lakosság (50-
1000 lakos, országoktól függően) és a beépített területek közötti maximális beépítési távolság (50-200
méter). (Ez utóbbi mérésekor a bizonyos területeket (például ritkábban beépített ipari vagy szolgáltatási
funkciójú vagy be nem építhető területek) nem veszik figyelembe.) Ezt követően a városi agglomeráció
teljes területét a fenti módon kijelölt folytonosan beépített terület kiigazításával határolják le. Az
országok egy csoportja (például Belgium, Dánia, Írország, Luxemburg és Nagy-Britannia) esetében az
ily módon lehatárolt városi agglomerációk („urban unit”) határai nem feltétlenül esnek egybe az
agglomeráció által érintett helyi önkormányzatok, helyhatóságok („municipality”) teljes területével.
Más országok (mint például Franciaország vagy Görögország) esetében a városi agglomerációk
területét a helyi önkormányzatok területéi beosztásának megfelelően határolják le. A különböző
nemzetközi szervezetek (például a Nemzetközi Statisztikai Intézet, az ENSZ, az OECD vagy az
Európai Unió) a harmonizációt elősegítendő igyekeznek általános érvényű definíciókat megalkotni. Az
ENSZ 1978-ban például a következőképpen definiálta a városi agglomeráció fogalmát: „Agglomeráció
egy olyan lakott terület, mely a közigazgatási határoktól függetlenül képez beépített területet, ahol az
épületek egymástól való távolsága nem haladja meg a 200 métert. Ez alól kivételt képeznek a nagyobb
közellátási (intézményi) infrastrukturális területek, illetve egyéb be nem építhető területek, amennyiben
azok a folyamatos beépített területen belül találhatóak.”

A városrégió a városokat (gyakran városi agglomerációkat) és a hozzájuk tartozó tágabb, olykor rurális
karakterű térségekre is kiterjedő munkaerő-vonzásterületet is magában foglalja, amelynek teljes
területére ily módon már nem feltétlenül jellemző folytonos beépítettség. A városrégió elnevezés nem
áll messze a foglalkoztatási vonzáskörzet („travel-to-work area” „bassin d’emploi”) fogalmától.
Néhány országban hivatalosan is bevezették, hogy a periférikus fekvésű, ugyanakkor a
városközpontoktól erősen függő helyzetű vonzáskörzeteket is a városhoz sorolhassák. A városrégiókat
Belgiumban és Luxemburgban „région urbaine”, Franciaországban „Zone de Peuplement Industriel et
Urbain, ZPIU”, Hollandiában pedig „stedelijke agglomeratie” elnevezéssel illették. A városrégiók
hivatalos kijelöléséhez szükséges népességszám-küszöb országonként változó: Luxemburgban és
Hollandiában minimum 100 ezer, Belgiumban 50 ezer.

A város, a városi agglomeráció és a városrégió után a városfogalom definiáláskor újabban külön

kategóriába indokolt sorolni a korábban önálló városi agglomerációkból és városrégiókból
összenövéséből kialakult konurbációkat (többmagvú városrégiók) is.
Magyarországon a KSH 2003-ban vizsgálta felül a településegyüttesek körét. Ezekhez ma négy
agglomerációt, négy agglomerálódó térséget és 13 településegyüttest sorol, melyekbe összesen 386
település tartozik (Kovács T. – Tóth G. 2003)90.

90
A hazai vidéki agglomerációk fejlődési pályáját, belső tagoltságát elemzi Lőcsei H. 2004.
 BEFEJEZÉS
Egymásra épülő módszerek

A legtöbb regionális elemzés a kézikönyvekben önálló fejezetekbe rendezett módszerek bő

eszköztárát használja. A kötetünk különböző fejezeteiben található módszerek is
összerendezhetők egy-egy kutatási folyamaton belül.

Ha például a regionális fejlettség térbeli tagoltságát vizsgáljuk valamely területegységben,

akkor így követhetik egymást az elemzési lépések és eszközök:

a) Az adott térstruktúra legjellemzőbb elemeinek, relációinak, fő tagoló dimenzióinak,

földrajzi sajátosságainak leíró, verbális bemutatása (ha szűk a témához felhasználható
statisztikai háttér, ezen a szinten vagyunk kénytelenek megmaradni).
b) A térbeli tagoltság mennyiségi alapjellemzőinek bemutatása statisztikai alaptáblák és
tematikus térképek segítségével.
c) A területi differenciáltság vizsgálata összetett mutatószámok, indikátorok
előállításával illetve a vizsgált jelenség (ez esetben a térségi fejlettség) tényezőinek,
összetevőinek tükrében.
d) A területi egyenlőtlenségek nagyságának vizsgálata különböző egyenlőtlenségi
mutatók segítségével a térfolyamatok időbeli alakulásának illetve a különböző
jellemzők eltérő térbeli tagoltságának feltárásához.
e) A hatótényezők kapcsolatainak, összefüggéseinek mennyiségi vizsgálata, előrejelzése
(korreláció- és regresszió-analízis).
f) A térbeli konfiguráció, a fő tagoló dimenziók vizsgálata térparamétereket (fekvés,
elérhetőség, távolság, centrum-periféria relációk) használó regionális modellek
segítségével.
g) A térszerkezetre ható beavatkozások (fejlesztési akciók, támogatások, politikák)
hatásainak vizsgálata (pusztán leíró elemzés esetében ez a fázis elmaradhat, gyakorlati
célú feladatok esetében viszont kiemelt helyet kap).

E közelítéssorban a c)-f) elemek tartoznak a szűkebb értelemben vett kvantitatív elemzési

eszköztárhoz.

Az eredmények közzététele

Sokan vannak azok, akik számára magának a tudományos kutatásnak, elemzésnek a

folyamata ugyan nagy élvezetet jelent (szívesen szerveznek hatalmas adattáblákat, rajzolnak
nagyszerű térképeket, nagy forrásvadászatot rendeznek az interneten, interjúk sorát
bonyolítják), de az eredmények szöveges közzététele, a végső formába öntés már nyűg (édes
párban a határidőkkel). Pedig a kutatáshoz hozzátartozik a közzététel, a publikáció is, kutatási
jelentés, tanulmány, előadás formájában.

A kutatási eredményeket összegző írások szerkezeti-szerkesztési jellemzői tulajdonképp

nagyon egyszerűen, iskolásan megfogalmazhatók, ebben kevés specialitása van a területi
vizsgálatoknak, regionális elemzéseknek. Mivel ilyen ismeretekre viszonylag kevés idő jut a
képzésekben (sok oktató magától értetődőnek veszi ismeretüket, noha erről – tapasztalataink
szerint – szó sincs), néhány gyakorlati jellegű szempontot, tanácsot érdemes talán közreadni.

A munka a szerző(k) nevének – sok névtelen dolgozattal találkoztunk már! – és a kutatási

téma címének – sok „Dolgozat” című dolgozat került a kezünkbe! – feltüntetésével indul. A
címlapon megjelölhető a kutatóhely. A diplomamunkákban – a szerzőé mellett – a témavezető
neve is a belső címlapra kerülhet. Külső forrásból finanszírozott, támogatott (azaz nem
hobbiként űzött) kutatások esetében megkövetelhető a forrásgazda, a szponzor feltüntetése is.
A tanulmányok szerkezetének megtervezésekor jó megoldásnak bizonyul a korai
iskolaévekből jól ismert „Bevezetés – Tárgyalás – Befejezés” logikai séma, aminek a
„Kutatási cél – Vizsgálati eredmények – Következetések” szerkezeti hármas felel meg.

Az egyik leggyakoribb „iskolás” kérdést sem kerüljük meg. Milyen hosszú legyen a dolgozat?
Erre a válasz: attól függ. Egy több éves kutatás akár vaskos köteteket is megtölthet, de egy
néhány oldalas cikk is tartalmazhat komoly tudományos újdonságot. Még egy konkrét formát
említve megjegyezhető, hogy az ELTE Regionális Földrajzi Tanszékén az elvárt „méretű”
diplomamunka kb. 100 oldalas, másfeles sortávolsággal, 12-es betűnagysággal, normál
margóval. Az értékelés azonban nem a terjedelem alapján történik, a minőség „kiválthatja” a
terjedelmet, a terjedelem azonban nem pótolja a minőséget.

Visszatérve a szerkezethez: a Bevezetésnek – a célmeghatározáson túl – mindenképp

tartalmaznia kell a kutatási témához kapcsolódó legfontosabb előzmények, források értékelő
áttekintését. A forráshasználathoz szorosan kapcsolódnak a hivatkozások kötelező és
rigorózus formai követelményei. Ha egy forrásmunkára átfogóan (főbb kérdéseit, egyes
témáit, gondolati vonalát említve) hivatkozunk, akkor elég a szerző nevének és a megjelenés
évének jelzése a szövegben (pl. Beluszky P. 2000). Ha a használt műből szó szerint veszünk át
megállapításokat, akkor azt idézőjelek közé kell tenni, s pontos helyével, oldalszámával
hivatkozni (pl. Isard, W. 1960, p. 23.). A használt irodalmat pontos könyvészeti jellemzőivel
(szerző, megjelenés éve, cím, megjelenés helye, cikkek esetében oldalszám) a munka
Irodalomjegyzékében vagy Hivatkozások című záró fejezetben kell feltüntetni. Ezekben csak
olyan munka szerepelhet, amelyre a dolgozatban konkrétan hivatkoztunk (de az mind).

Ha a kutatási előzmények, a kapcsolódó szakirodalom feldolgozását önálló fejezetbe foglaljuk

– általában az elkészített tanulmány bevezető részében – akkor négy jellegzetes logikai-
szemléleti vonalat követhetünk (Blanche, M. T. – Durrheim, K. ed. 1999):
• Történetileg, a munkák megjelenésének egymásutániságát követve az adott témakör
kutatásának időbeli fejlődésvonalát érzékeltethetjük.
• Használhatjuk a kapcsolódó szakirodalom feldolgozásának belső tematikai
csoportosítását, ez jó közelítés a különböző szemléletek, iskolák, álláspontok
szembesítéséhez.
• A feldolgozás összpontosíthat a témakör elméleti alapjaira, ez különösen érdekes
tanulságokat szolgáltathat akkor, ha az elméletek bemutatása összekapcsolódik azok
empirikus magyarázóerejének értékelésével.
• Az áttekintés lehet módszertani szempontú, ekkor a vizsgált témakör kutatási-
elemzési eszközrendszere mentén készül az előzmények átfogó értékelése.

A komolyabb elemzési eszköztárat használó kutatások közzétételekor hasznos külön

fejezetként szerepeltetni a munka bevezető részében a vizsgálat Módszereit és Információs
bázisát. A használt adatok kapcsán már itt érdemes megjelölni azok pontos forrását,
hozzáférhetőségét. Ha az elemzés egy vagy néhány kiemelt adatbázisra, vagy adatforrásra
támaszkodik, akkor ezeket a későbbiekben – például táblázatok, ábrák forrásaként – nem
szükséges ismételten feltüntetni. Átvett grafikonok, térképek, táblázatok pontos
forrásmegjelöléssel közölhetők. Ha ezeket a kutató maga módosította, kiegészítette, akkor is
utalni kell az eredeti szerzőre (pl. P. Haggett 1970, 243. oldal, 13. ábra felhasználásával).
Amennyiben nincs forrásmegjelölés, akkor az azt jelenti, hogy az a cikk szerzőjének saját
alkotása. Ezért teljességgel feleslegesek az olyan megjegyzések, mint: „Saját szerkesztés,
Saját számítás” – ahogy a nem hivatkozott szövegrészekhez sem írjuk oda, hogy „Saját
gondolat”.

A munka leghosszabb, kifejtő része általában a kutatási eredményeket tárgyaló fejezet. Itt
gyakran felmerül az a kérdés, hogy miként és milyen mélységben tagoljuk, osszuk fő- és
alfejezetekre ezt. A megoldás jó arányérzéket kíván: a tagolatlan, összefolyó leírás nem
szerencsés, de kétsoros bekezdéseknek ritkán indokolt önálló alfejezetcímet adni. A
fejezeteket legtöbbször többszintű számozással is ellátják, a munka terjedelmétől függhet a
tagolás mélysége, a hosszabb dolgozatok több szintre tagolhatók (jelen kötetben 3 szintű a
tagolás). A dolgozatban közölt táblázatok, ábrák, térképek mindegyikének legyen külön címe
és száma. A térképekhez nem haszontalan jelmagyarázatot is csatolni!

Hosszabb időszakot átfogó komplex elemzések kapcsán merül fel néha – ugyancsak inkább
szerkesztési problémaként – hogy időszakokba rendezve vagy társadalmi részterületek,
problémák mentén vizsgálódjunk, s ezeken belül jelenítsük meg az időbeliséget. Általános
„receptet” ugyan nehéz adni, de talán a két közelítés együttes alkalmazása a célszerű. Keverni
a két szempontot azonban nem szerencsés. Az egyes időszakok, szakaszok jellemzése vagy
indítsa (ha az egyes periódusok sajátos karakterének érzékeltetése a cél) vagy zárja,
összegezze a munkát (ha az egyes részterületek vizsgálatából levonható következtetések
alapján kívánjuk jellemezni az egyes időszakokat).

Sok téma esetében nagyban növeli az eredmények értékét, ha azokat összegző táblázatokba,
modellekbe rendezzük (a rendszerezés, a modellalkotás általában is, a kutatási folyamat
minden fázisában fontos eszköz az áttekintésre, az összefüggések fellelésére és
átgondolására). Nagyon sok olyan híres munkát és szerzőt ismerünk, akiknek műveiből épp
ezek az összegző modellek váltak maradandóvá, s terjedtek el.

A nagy információs és számítási apparátussal dolgozó vizsgálatok közzétételekor érdemes

szétválasztani a legfontosabb eredményeket tartalmazó táblázatokat és ábrákat (ezek
kerüljenek a szöveg közé) a fontos, de inkább csak dokumentatív szerepű vagy
részletkérdéseket bemutatóktól, amelyek Függelékbe vagy Mellékletbe tehetők (F.1. táblázat,
F.2. táblázat stb. számozással, hogy utalhatóak legyenek a szövegben). Nem szerencsés, ha
nyúlfarknyi főszöveghez túlzott méretű Melléklet társul, a tanulmánynak ugyanis nem lehet a
célja az, hogy az olvasót nagylelkűen a megadott információk önálló elemzésére szorítsuk
(nem fogja megtenni!). Fontos, másutt nem vagy nehezen hozzáférhető információkat
tartalmazó Melléklet azonban nagyban növelheti a publikáció értékét.

Ma már viszonylag könnyen elérhető a legmodernebb, színes nyomdatechnika, így szinte

bárki előállíthat színes ábrákat és térképeket. Ezek nagyban emelhetik a dolgozat értékét, de
inkább csak egy-két példányban előállított írások (pl. diplomamunkák) esetén ajánlott a
használatuk, nyomtatásban (folyóirat cikkekben) ma még legtöbbször csak-fekete fehér ábrák,
térképek helyezhetők el. Ezért fontos ügyelni arra, hogy a mi szakmánkban nagyon gyakori
ábrák és térképek fekete-fehérben is érthetők és élvezhetők legyenek. A legtöbb szín nem
különül el „szürkeségét” tekintve, s így közvetlenül nem konvertálható, ami teljességgel
használhatatlanná teheti a színesen kiváló ábrákat – e nehézséggel e kötet összeállításakor is
küszködtünk, nem teljes sikerrel.

Az Összefoglaló fejezetekben a legfontosabb megállapítások, a korábban közölt

részeredmények legátfogóbb kapcsolódásai, összefüggései szerepeljenek, nem pusztán a
korábbi részekből átmásolt (copy – paste) mondatok. Itt kaphatnak helyet a még nyitott
kérdések, a kutatás folytatásának lehetséges irányai is.

Megjelentetéskor általában csatolni kell a tanulmányokhoz egy idegen nyelvű (általában

angol) rövid összefoglalót. Ugyanebbe a műfajba tartozik az is, hogy a tudományos világot
éltető konferenciák szervezői az előadni kívánt teljes mű beküldése helyett legtöbbször
megelégednek rövid „Abstract”-okkal, ezek alapján szelektálnak, azért a tömör
összefoglalóknak is érdeminek kell lenniük, hogy felkeltsék az érdeklődést. A folyóiratok
általában kulcsszavakat is kérnek a publikációk könyvészeti besorolását segítendő (jelen
könyv kulcsszavai: regionális elemzés, mennyiségi módszerek, modellek). A szerkesztőségek
ma már a kéziratokat elektronikus és nyomtatott formában is kérik. A folyóiratok többsége
közli, milyen formájú és terjedelmű kéziratokat fogad. Olyan kézirat elküldése tanácsos, ami
külön tartalmazza a szöveget és az ábrákat (azoknak csak a helye jelölendő szövegben), a
szerző a tördelést (a betűtípust, ábraelhelyezést és -nagyságot) bízza a kiadóra. A megjelenés
előtt azonban tanácsos megkérni a kinyomtatott formát (az ábrákét különösképp),
korrigálandó a zavaró hibákat. Reményeink szerint e kötetben kevés – 1-2?, 5-10?, 50-100?
JUJJ! –- ilyen maradt.
 HIVATKOZOTT MUNKÁK

A magyar népszámlálások előkészítése és publikációi 1869–1990. KSH, Budapest. I. kötet 1990, II.
kötet 1992.
Aaberge, R. (2000) Ranking intersecting Lorenz curves, Research Department Statistic Norway and
ICER
Abonyiné Palotás J. (1999) Általános statisztika alkalmazása a társadalmi-gazdasági földrajzban,
JATEPress, Szeged
Acsády I. (1896) Magyarország népessége a Pragmatica Sanctio korában 1720–21. „Magyar
Statisztikai Közlemények”, Új folyam XII. KSH, Bp.
Anselin, L. (1999) The future of spatial analysis in the Social Sciences „Geographic Information
Sciences” No. 2., pp. 67-76.
Aten, B. – Heston, A. (2003) Regional Output Differences in International Perspective, WIDER
Discussion Papers, 55.
Atkinson, A. B. (1970) On the Measurement of Inequality, „Journal of Economic
Theory” 2., pp. 244-263.
Auerbach, F. (1913) Das gesetz der Bevölkerungskoncentration, „Petermanns Geographische
Mitteilungen” 59., pp. 74-76.
Babbie, E. (2003) A társadalomtudományi kutatás gyakorlata, Balassi Kiadó, Bp, (hatodik kiadás).
Bajmócy P. – Balogh A. (2002) Aprófalvas településállományunk differenciálódási folyamata,
„Földrajzi Értesítő” 1-4., pp. 385-405.
Bajmócy P. – Csíkos Cs. (1997) Európai országok népszerűsége egyetemi hallgatókkörében,
„Iskolakultúra” 6-7. sz., pp. 71-77.
Barber D. (2002) Learning from Data 1, Nearest Neighbour Classifcation, http://anc.ed.ac.uk/
Barta Gy. – Lőcsei H. (2003) Vállalatok Budapest barnaövezetében, „Területi Statisztika” 2. sz., pp.
107-120.
Barta Gy. (1977) A területi gazdasági különbségek változása 1960-1975 között, „Területi Satisztika”
2.sz.
Barta Gy. (2002) A magyar ipar területi folyamatai 1945-2000, Dialóg Campus, Budapest-Pécs
Barta Gy. (szerk. 2004) A budapesti barnaövezet megújulási esélyei, Magyarország az ezredfordulón,
MTA Társadalomkutató Központ, Bp.
Bartke I. (1971) Az iparilag elmaradott területek iparifejlesztésének főbb közgazdasági kérdései,
Akadémiai K., Bp.
Batty, M. – Longley, P. (1994) Fractal cities. Academic Press, London
Behrens, A. (2003) How rich are Europe’s regions? „Statistics in focus” Theme 1/05, Eurostat
Békés L. (2004) A politika földrajza, AULA, Bp.
Beluszky P (2000) Egy félsiker hét stációja (avagy a modernizáció regionális különbségei a századelő
Magyarországán). In: Dövényi Zoltán szerk. Alföld és nagyvilág. Tanulmányok Tóth Józsefnek. MTA
FKI, Bp., pp. 299–326.
Beluszky P. – Sikos T. T. (1980) Hatásarány-analízis a területi kutatásokban (Az encsi járás
demográfiai vizsgálata), „Szigma” 3. sz., pp. 181-201.
Beluszky P – Sikos T. T. (1982) Magyarország falutípusai. MTA FKI, Bp.
Beluszky P. (1999) Magyarország településhálózata, Dialóg-Campus, Budapest-Pécs
Bene L. – Tekse K. (1966) Vizsgálatok a népesség területi eloszlásának alakulásáról Magyarországon
1900-1960. „KSH Népességtudományi Kutató Csoport Közleményei” 9., Bp.
Benedek J. (2000) A társadalom térbelisége és térszervezése. Risoprint, Kolozsvár
Bivand, R. (1998) A review of spatial statistical techniques for location studies, CEPR symposium, Lund,
Blanche, M. T. – Durrheim, K. (ed. 1999) Research in Practice. Applied Methoids for the Social
Science, UCT Press, Cape Town
Bramhall, D. F. (1960) Gravity, Potential, and Spatial Interaction Models. In: Isard, W: Methods of
Regional Analysis: an Introduction to Regional Science. The Massachusetts Institute of Technology,
New York
Bruckner J.-né – Gether I.-né (2003) A területi GDP-számítás helyzet és feladatai, „Területi
Statisztika” 4. sz., pp. 323-332.
Bujdosó Z. (2003) Vonzáskörzet vizsgálatok elmélete a hazai és a nemzetközi szakirodalomban. In:
Süli-Zakar I. szerk. Társadalomföldrajz – Területfejlesztés I., Kossuth Egyetemi Kiadó, Debrecen, pp.
147-170.
Bukodi E. (2001) Társadalmi jelzőszámok. Elméletek és megközelítések, „Szociológiai Szemle” 2. sz.,
pp. 35-57.
Canova, F. (2001) Testing for Convergence Clubs in Income per-capita: A Predictive Density
Approach, „HWWA Discussion Paper” 139, Hamburg
Caselli, F. – Coleman, W. J. (2001) The U.S. Structural Transformation and Regional Convergence:
A Reinterpretation, „Journal of Political Economy”, no. 3.
Chorley, R. J. – Haggett, P. (1965) Models in geography. Barnes & Noble, London
Cliff, A. D. – Ord, J. K. (1973) Spatial Autocorrelation. London, Pion
Cliff, A. D. – Ord, J. K. (1981) Spatial and temporal analysis: autocorrelation in space and time. (In:
Wrigley, N.- Bennett, R.J. ed. 1981, Quantitative geography: a British view. Routledge & Paul,
London, pp. 104-110.)
Copus, A. K. (1999) A New Peripherality Index for the NUTS III Regions, of the European Union,
„ERDF/FEDER Study” 98/00/27/130, www.tamuk.edu
Coulter, P. B. (1989) Measuring Inequality: A Methodological Handbook, Westview Press, London
Cowell, F. A. – Flachaire, E. (2002) Sensitivity of Inequality Measures to Extreme Values,
„Discussion Paper Distributional Analysis Research Programme” No. 60, London School of
Economics
Csanádi G. – Csizmady A. (2002) Szuburbanizáció és társadalom, „Tér és Társadalom” 3. sz., pp.
27-55.
Csanádi G. – Ladányi J. (1992) Budapest - a városszerkezet történetének és a különböző társadalmi
csoportok városszerkezeti elhelyezkedésének vizsgálata. Akadémiai K, Bp.
Csapó T. (2004) A hazai városok funkcionális morfológiája – szerkezete. In: Csapó T. et al. szerk. A
településföldrajz helye és főbb kutatási irányai az ezredforduló után, konferenciakötet, BDF
Társadalomföldrajzi Tanszék, Szombathely, pp. 30-45.
Csatári B. (2000) A magyarországi kistérségek vidékiség-kritériumai. In: Horváth Gy. – Rechnitzer J.
szerk. Magyarország területi szerkezete és folyamatai az ezredfordulón, MTA RKK, Pécs, pp. 193-217.
Csatári B. – Kovács A. D. (szerk. 2003) A nemzeti parkok helye és szerepe a területfejlesztésben,
MTA RKK ATI, Kecskemét
Csatári B. (1996) A magyarországi kistérségek néhány jellegzetessége. MTA RKK ATI. Kecskemét.
Cséfalvay Z. (1990) Térképek a fejünkben. Akadémiai, Bp.
Cséfalvay Z. (1994) A modern társadalomföldrajz kézikönyve. IKVA, Bp.
Dalton, H. (1920) The Measurement of Inequality of Income, „Economic Journal” 30., pp. 348-361.
Dányi D. – Dávid Z. (szerk. 1960) Az első magyarországi népszámlálás. KSH, Bp.
Dányi D. (1984) Bevezető. Magyarország községeinek és városainak népessége az 1850., 1857. és
1870. években. KSH, Bp.
Dávid Z. (1957) Az 1715–20. évi összeírás. In: Kovacsics József (szerk.) 1957: A történeti statisztika
forrásai. Közgazdasági és Jogi Könyvkiadó, Bp. pp. 145–199.
Davis, S. – Hallet, M. (2002) Interaction between National and Regional Development, „HWWA
Discussion Papers”, No. 207., Hamburg
Detrekői Á. – Szabó Gy. (2002) Térinformatika, Nemzeti Tankönyvkiadó, Budapest
Diewert, E. (2002) Similarity and Dissimilarity Indexes: An Axiomatic Approach, „Discussion
Paper” No. 02-10, Department of Economics, University of British Columbia, Vancouver, B. C.
Duncan, O. D. – Duncan, B. (1955) A methodological analysis of segregation indexes. „American
Sociological Review” 20., pp. 210-217.
Dusek T. (2001) A területi mozgóátlag. „Területi Statisztika” 3. sz., pp. 215-229.
Dusek T. (2004) A területi elemzések alapjai, „Regionális Tudományi Tanulmányok” 10. sz., ELTE,
Bp.
Eberts, P. (1995) Community Social Structure and Quality of Life – Nodal Concepts and Casual
Analysis. Department of Rural Sociology. Cornell University. Ithaca, NY.
Éltető Ö. – Frigyes E. (1968) Új jövedelemegyenlőtlenségi mutatók tulajdonságai és hasznosítási
lehetőségei, “Szigma” 1. sz.
Enyedi Gy. (szerk. 1993) Társadalmi-területi egyenlőtlenségek Magyarországon, KJK, Bp.
European Regional Statistics–Reference Guide, Eurostat (Luxembourg) Cestal Statistical Bulletin
(1999)
Erdősi F. (1992) Telematika, Távközlési Kiadó, Bp.
Erdősi F. (2002) Magyarország helyközi/távolsági autóbusz-közlekedésének területi jellemzői,
„Területi Satisztika” 4. sz., pp. 359-387.
F. Kovács E. (1991) Városok sokváltozós térben, VITA Kiadó, Bp.
Fábián Z. – Róbert P. – Szívós P. (1998) Az anyagi-jóléti státuszcsoportok társadalmi miliói. In:
Kolosi T. – Tóth I. Gy. – Vukovich Gy. szerk. Társadalmi Riport 1998, TÁRKI, Bp.
Faluvégi A. (2002) A területi statisztikai adatbázisok kialakulása, helyzete, fejlesztési lehetőségei,
„Területi Statisztika”, 4. sz., pp.321-341.
 Faluvégi A. (2004) Kistérségeink helyzete az EU küszöbén, „Területi Statisztika”, 5. sz. pp. 434-
458.
Faragó L. (2000) A (terület)fejlesztés irányítási algoritmusa a programozás. (In: Horváth Gy. –
Rechnitzer J. szerk. Magyarország területi szerkezete és folyamatai az ezredfordulón, pp. 527-541.,
MTA-RKK, Pécs.)
Farkas J. – Kovács Z. – Székely G.-né (2004) A magyar lakáspiac területi jellemzői az ezredfordulón,
KSH – MTA FKI, Bp.
Farkasházi L.-né – Hüttl A. (1996) Regionális számlák Magyarországon. „Statisztikai Szemle” 8.-9.
sz., pp. 680-693.
Fayolle, J. – Lecuyer, A. (2000) Regional growth, national membership and Europoean structural
funds: an empirical appraisal, „Documents de Travai”l, OFCE, 2000-02, http://www.ofce.sciences-
po.fr/
Fazekas K. (1997) Válság és prosperitás a munkaerõpiacon,”Tér és Társadalom” 4. sz., pp.9-24.
Fedorov, L. (2002) Regional inequality and regional polarization in Russia, 1990-99. „World
Development” 3., pp. 443-456.
Figini, P. (2000) Measuring Inequality: On the Correlation Between Indices, „Luxembourg Income
Study, Working Paper” No. 229, Differdange
Fleischer T. (2001) Régiók, határok és hálózatok. „Tér és Társadalom” 3-4. sz., pp. 55-67.
Florida, R. (2002) The Economic Geogrpahy of Talent, „Annals of the Association of American
Geographers” 4., pp. 743-755.
Fotheringham, A. S. – Brunsdon, C. – Charlton, M.( 2000) Quantitatíve geography, SAGE
Publications, London.
Fóti J. – Lakatos M. (2005) Területi mobilitás a munka világában, „Foglalkoztatottság és
munkanélküliség” 4., OFA, Bp.
Förster, M. F. (1998) Az alacsony jövedelem és a szegénység mérése nemzetközi megközelítésben In:
Semjén A. szerk. A jóléti állam közgazdasági megközelítésben, Hilscher Rezső Szociálpolitikai
Egyesület, Bp., pp. 13-84.
Füstös L. – Meszéna Gy. – Simonné Mosolygó N. (1986) A sokváltozós adatelemzés statisztikai
módszerei. Akadémiai, Bp.
Gallup, J. L. – Sachs, J. D. – Mellinger, A. (1999) Geography and Economic Development, „CID
Working Paper” No. 1., Harvard Un.
Gatrell, A. (1983) Distance and space (A geographical perspective). Clanderon Press, Oxford
Gebhardt, F. (1999) Cluster tests for geographical areas with binary data „Computational Statistics &
Data Analysis” 31, pp. 39-58.
Gecse G. – Nikodémus A. (2003) A hazai klaszterek lehatárolásának problémái – lokációs hányados,
„Területi Statisztika” 6.sz., pp. 507-522.
Gini, C. (1921) Measurement of Inequality of Incomes, „Economic Journal”, XXXI, pp. 124-126.
Gini, C. (1936) On the Measure of Concentration with Especial Reference to Income and Wealth,
Cowles Comission.
Grosz A. – Rechnitzer J. szerk. 2005 Régiók és nagyvárosok innovációs potenciálja
Magyarországon, MTA RKK, Pécs-győr
Gulácsi G. – Nemes Nagy J. (1989) Regionalitás és településszerkezet (egy shift-analízis eredményei).
„Tér és Társadalom” 2. sz., pp. 21-34.
Gyáni G. – Kövér Gy. (1998) Magyarország társadalomtörténete a reformkortól a második
világháborúig. Osiris Kiadó, Bp.
Győri F. (2004) A régióközpontok szerepe a tehetségeloszlásban Magyarországon. In: Csapó T. et al.
szerk. A településföldrajz helye és főbb kutatási irányai az ezredforduló után, konferenciakötet, BDF
Társadalomföldrajzi Tanszék, Szombathely, pp. 182-193.
Győri R. (2000) A Kisalföld kereskedelmi vonzáskörzet-rendszere 1925-ben. „Tér és Társadalom” 2-
3. sz., pp. 303-309.
Győri R. (2005) A térszerkezet átalakulásának elemei a Kisalföld déli részén, PhD értekezés, ELTE
(kézirat)
Haggett, P. 1987 Locational analysis in human geography, E. Arnold, London (első kiadás: 1965)
Hajdú Z. (1981) A Dél-Dunántúl 1925. évi vonzáskörzet-rendszere. In: Tóth T. szerk. Az igazgatás és
a gazdaság területi rendszere. MTA DTI Közlemények 28. Pécs, pp. 183–213.
Hajdú O. (2003) Többváltozós statisztikai számítások, KSH, Bp.
Hajdú-Moharos J. (1988) Történeti-gazdasági egységek Európa országaiban. Tankönyvkiadó, Bp.
Halkidi, M. – Batistakis, Y. – Vazirgiannis, M. (2001) On Clustering Validation Techniques,
„Journal of Intelligent Information Systems” 2/3., pp. 107–145.
Harvey, D. (1969) Explanation in geography. E.Arnold, London
Herendi I. – Lengyel I. et al. (1996) Társadalomföldrajzi elemzések számítógépen. JATEPress,
Szeged
Hirschman, A. O. (1958) The strategy of economic development. Yale University Press, New Haven
Hobijn, B. – Franses, P. H. (2003) Are Living Standards Converging?, „NYU Econometric Institute
Report” 9534/A, http://pages.nyu.edu/.
Hofer, H. – Wörgötter, A. (1997) Regional Per Capita Income Convergence in Austria „Regional
Studies” 1., pp.1-12.
Hofstede, G. (1983) National cultures in four dimensions: a research-based theory of cultural
differences among nations. „International Studies of Management and Organization”, 1-2., pp. 46-74.
Hoover, E. M. (1941) Interstate Redistribution of Population, 1850-1940, „Journal of Economic
History” No. 1., pp. 199-205.
Human Development Report 2000, UN, N. Y. 2000
Hunyadi L. – Vita L. (2002) Statisztika közgazdászoknak. Statisztikai módszerek a társadalmi és
gazdasági elemzésekben. Központi Statisztikai Hivatal. Bp..
Hunyadi L. (2000) A determinációs együtthatóról. „Statisztikai Szemle” 9. sz., pp. 753-765.
Hunyadi L. (2002) Grafikus ábrázolás a statisztikában, „Statisztikai Szemle” 1. sz., pp. 22-52.
Hutchens, R. (2001) Numerical measures of segregation: desirable properties and their implications,
„Mathematical Social Sciences” 42, pp. 13–29
Identifying of the regional performances, 6th Session of the Working Party on Territotial Indicators,
Lausanne, OECD 2003
Illés G. – Kovács G.,– Bidló A.,– Heil B. (2003) Az Észak-Hanság termőhelyi viszonyainak
modellezése .fuzzy.-klasszifikáció és GIS eszközök felhasználásával, „Acta Agraria Kaposváriensis”
No. 3, 45-68
Illés I. (1975) Regionális gazdaságtan, Tankönyvkiadó, Bp.
Illés S. (2000) Belföldi vándormozgalom a XX. század utolsó évtizedeiben, KSH NKI kutatási
jelentései 63., Bp.
Ioannides, Y. M. – Overman, H. G. (2003) Zipf’s law for cities: an empirical examination, „Regional
Science and Urban Economics” 33., pp. 127–137.
Isard, W. (1960) Methods of regional analysis: an introduction to Regional Science. The M. I. T.
Press, Cambridge, Mass.
J. Hantos É. (szerk. 2002) Területi statisztikai információk rendszere és elérhetősége. KSH, Bp.
Jahn, W. – Vahle, H. (1974) A faktoranalízis és alkalmazása, Közgazdasági és Jogi Könyvkiadó, Bp.
Jakobi Á. (2002) A területi egyenlőtlenségek új elemei az információs társadalomban, „Regionális
Tudományi Tanulmányok” 7. sz., pp. 55-84.
Jakobi Á. (2002b) A virtuális világ terei „Magyar Tudomány” 11. sz., pp. 1482-1491.
Jankó F. (2002) A hely szelleme, a településimázs és településmarketing, „Tér és Társadalom” 4. sz.,
pp. 39-62.
Jeney L. – Szabó P. (2001) A magyar ipar változása a koncentrációs és specializációs indexek tükrében
az 1990-es években. In: A Magyar Földrajzi Konferencia tudományos közleményei (CD), Szeged.
Kangasharju, A. (1999) Relative Economic Performance in Finland: Regional Convergence, 1934-
1993, „Regional Studies”,3., pp. 207-217.
Katona T. – Lengyel I. (szerk. 1999) Statisztikai ismerettár, JATE Press, Szeged
Kertész Á. (1972) Matematikai-statisztikai módszerek alkalmazási lehetőségei a geomorfológiában a
Tetves-árok és a Péli-völgy példáján, „Földrajzi Értesítő”. 4. sz., pp. 487-502.
Kertész Á. (1997) A térinformatika és alkalmazásai, Holnap Kiadó, Bp.
Kiss J. – Bajmócy P. (1996) Egyetemi hallgatók mentális térképei „Tér és Társadalom” 2-3. sz., pp.
55-68.
Kiss J. (1998) Az ágazati gazdaságszerkezet szerepe a regionális differenciálódásban Magyarországon.
“Tér és Társadalom” 1-2. sz.., pp. 138-162.
Kiss J. P. (2001) Dinamika az elmaradottságban? Szabolcs-Szatmár-Bereg megye és Nyíregyháza az
1990-es években, “Regionális Tudományi Tanulmányok” 5. sz., pp. 125-149.
Kiss J: P. (2003) A kistérségek 2000. évi GDP-jének becslése, „Regionális Tudományi Tanulmányok”
8. sz., pp. 39-54.
Kluge, G. (2003) Entropy and Inequality Measures, http//poorcity.richcity.org/
Knudsen, D. C. (2000) Shift-share analysis: further examination of models for the description of
economic change, „Socio-Economic Planning Scieneces” Vol. 34., pp.177-198.
Koppány Gy. – Makra L. – Unger J. – Bottyán Zs. (1995) Matematikai segádanyag földrajz szakos
egyetemi és főiskolai hallgatók részére, JATEPress, Szeged
Kovács Cs. (1973) Főbb településeink egymáshoz viszonyított vasúti átlagtávolságai. „Területi
Statisztika”, 3. sz., pp. 232-245.
Kovács T. (2003) A mezőgazdasági termelés tájkörzetei, „Területi Statisztika” 5. sz., pp. 407-412.
Kovács T. – Tóth G. (2003) Agglomerációk, településegyüttesek a magyar településrendszerben (A
területbeosztás 2003. évi felülvizsgálatának eredményei). „Területi Statisztika” 4. sz., pp. 387-391.
Kovács Z. (1987) Kereskedelmi centrumok és vonzáskörzetek Heves megyében. „Földrajzi Értesítő”
3-4., pp. 253–272.
Kovács Z. (2002) Népesség- és településföldrajz, ELTE Eötvös Kiadó, Bp.
Kovacsics J. (1957) Bevezetés a történeti statisztika forrásainak tanulmányozásába. In: Kovacsics
József (szerk.) A történeti statisztika forrásai. Közgazdasági és Jogi Könyvkiadó, Bp., pp. 5–50.
Kovacsics J. (1974) Statisztika. Tankönyvkiadó, Bp.
Kovacsics J. (szerk. 2002) Magyarország Történeti Statisztikai Helységnévtára. 19. Győr-Moson-
Sopron megye. KSH, Bp.
Kozma G. (2003) Terület- és településmarketing, Kossuth Egyetemi Kiadó, Debrecen
Köves P. – Párniczky G. (1981) Általános statisztika I-II. Közgazdasági és Jogi Könyvkiadó,
Budapest
Kulcsár V. (1969) A magyar mezőgazdaság területi kérdései, Kossuth K., Bp.
Kulcsár V. (szerk. 1976) A regionális elemzések módszerei. Akadémiai Kiadó, Budapest
Kuznets, S. (1955) Economic Growth and Income Inequality, „American Economic Review”, 3. sz.
pp. 1-28.
L. Rédei M. (1985) A shift-share analízis szakirodalmi áttekintése és alkalmazási lehetőségei a
demográfiában "KSH NKI Demográfiai Módszertani Füzetek" 2. sz.
L. Rédei M. (2000) Demográfia, ELTE Eötvös Kiadó, Bp.
Lackó L. (1978) Települési vonzásterületek meghatározása egymásrahatási modell segítségével.
„Földrajzi Értesítő” 1., pp. 31-43.
Le Gallo, Julie 2002 Disparites geogragraphiques et convergence des regions europeennes: une
approche par l ’econometrie spatiale, University de Bourgogne, PhD These
Lee, S-I. (2001) Developing a bivariate spatial association measure: An integration of Pearson´s r and
Moran’s I, „Journal of Geographical Systems” 3., pp. 369-385.
Lengyel I. – Rechnitzer J. (2004) Regionális gazdaságtan, Dialóg-Campus, Pécs-Bp
Lengyel I. (1999) Mérni a mérhetetlent? A megyei jogú városok vizsgálata többdimenziós skálázással,
„Tér és Társadalom” 1-2. sz., pp. 53-74.
Lengyel I. (2003) Verseny és fejlődés: térségek versenyképessége Magyarországon, JATEPress,
Szeged
Lerner J. (1992) Térképészeti alapismeretek. Tankönyvkiadó, Bp.
Levin, R. V. – Norenzayan, A. 1999 The pace of life in 31 Countries, „Journal of Cross-Cultural
Psychology” No. 2., pp. 178-205.
Lichtenberger, E. – Cséfalvay Z. – Paaal, M. (1994) Várospusztulás és felújítás Budapesten, Magyar
trendkutató Központ, Bp.
Litchfield, J. A. (1999) Inequality: Methods and Tools, http://www.worldbank.org/poverty/inequal/

Lorenz. M.O. (1905) Methods of Measuring the Concentration of Wealth „Publications of the
American Statistical Association” 9 (70), pp. 209-219 (utánközlés).
Lőcsei H. (2004) A vidéki városi agglomerációk fejlődési pályája, „Regionális Tudományi
Tanulmányok” 9., pp. 75-90.
Lundberg, J. (2002) The regional growth pattern in Sweden – a search for hot spots, CERUM, Umea
Maddison, A. (2001) The World Economy. A Millenial perspective, DCS OECD, Genf
Major K. – Nemes Nagy J. (1999) Területi jövedelemegyenlőtlenségek a kilencvenes években
“Statisztikai Szemle” 5. sz. pp. 397-421.
Major K. (2001) A nemzetközi jövedelemegyenlőtlenség dinamikája, PhD értekezés, BKE, Bp.
Mankiw, N. G. (2002) Makroökonómia, Osiris Kiadó, Bp.
Mansell, R – Wehn, U. (1998) Knowledge Societies: Information Technology for Sustainable
Development. Oxford University Press, Oxford.
Marosi S. – Somogyi S. (szerk. 1990) Magyarország kistájainak katasztere I-II. MTA FKI, Bp.
McKay, A. (2002) Defining and Measuring Inequality, „Inequality Briefing Paper” No. 1.
MEANS füzetek I. Az EU Strukturális Alapjai által finanszírozott programok értékelésének
módszertana. (magyar változat, VÁTI, 1999)
Medggyesi T. (2002) A külső tér, „Építés-Építészettudomány”, 1-2. sz., pp. 53-93.
Mészáros J. – Szakadát I. (1999) Magyarország Politikai Atlasza, Oziris, Bp.
Mészáros R. (1994) A település térbelisége, JATEPress, Szeged
Mészáros R. (szerk.2004) Szeged társadalomföldrajzi nézőpontból, SZTE Gazdaság- és
Társadalomföldrajzi Tanszék, Szeged
Moksony F. (1999) Gondolatok és adatok (társadalomtudományi elméletek empirikus ellenőrzése),
Osiris Kiadó Bp
Mudruczó Gy. (1981) Alkalmazott regressziószámítás, Akadémiai K., Bp.
Nagendra, H. (2002) Opposite trends in response for the Shannon and Simpson indices of landscape
diversity. „Applied Geography” 22., pp. 175-186.
Nagy G. (2002a) Területi különbségek az információs korszak küszöbén (Mit mérünk, és hogyan?).
„Területi Statisztika” 1., pp. 3-25.
Nagy G. (2002b) Oldódtak-e az öröklött területi különbségek a rendszerváltás éveiben? (In: A magyar
társadalomföldrajzi kutatás gondolatvilága, SZE GTT, Szeged, pp. 211-225.)
Nemes Nagy J. – Jakobi Á. – Németh N. (2001) A jövedelemegyenlőtlenségek térségi és
településszerkezeti összetevői. “Statisztikai Szemle” 10-11. sz., pp. 862-884.
Nemes Nagy J. – Ruttkay É. (1987) A műszaki innováció néhány földrajzi jellemzője
Magyarországon. „Tér és Társadalom” 2., pp. 19-29.
Nemes Nagy J. (1979) A shift-analízis alkalmazási lehetőségei a regionális gazdasági fejlődés
vizsgálatában "Földrajzi Értesítő" 3-4. sz., pp. 237-247.
Nemes Nagy J. (1982) Az iskolakörzetesítések hatása az aprófalvak népességfejlődésére, "Területi
Statisztika" 1-2. sz., pp. 104-109.
Nemes Nagy J. (1984) Az ipari nettó termelés területi arányai és összefüggései a területfejlesztéssel a
nyolcvanas évek elején, "Területi Statisztika" 1. sz., pp. 1-12.
Nemes Nagy J. (1985) A nettó termelés megyei megoszlásának becslése az anyagi ágakban,
"Közgazdasági Szemle" 11. sz., pp. 1345-1359.
Nemes Nagy J. (1987) A regionális gazdasági fejlődés összehasonlító vizsgálata. Akadémiai K., Bp.
Nemes Nagy J. (1987b) Regionális folyamatok a nyolcvanas évek első felében. „Tervgazdasági
Közlemények” 2. sz.
Nemes Nagy J. (1990) Területi kiegyenlítődés és differenciálódás Magyarországon, „Földrajzi
Értesítő” 1-4., pp. 133-149.
Nemes Nagy J. (1993) Adalékok a térbeliség társadalmi magyarázó erejéhez. (In: Enyedi Gy. szerk.
1993 Társadalmi-területi egyenlőtlenségek Magyarországon. KJK, Bp, pp. 23-37.)
Nemes Nagy J. (1995) A GDP regionális számbavétele. (In: Probáld F. szerk. 1995 Pro Geographia
Humana ELTE Eötvös Kiadó, Bp., pp. 99-118.)
Nemes Nagy J. (1997) A fekvés szerepe a regionális tagoltságban. Munkaerőpiac és Regionalitás,
MTA Konferencia, Szirák, 1997. (A konferenciakötetet kiadta MTA KK KI, Bp., pp. 147-165.)
Nemes Nagy J. (1998) A tér a társadalomkutatásban, Hilscher Rezső Szociálpolitikai Egyesület,
Ember-Település-Régió sorozat, Bp.
Nemes Nagy J. (2003) Gazdasági-társadalmi súlypontok és mozgásuk az ezredvégi Magyarországon,
„Területi Statisztika” 1. sz., pp. 3-14.
Nemes Nagy J. (2003b) Geography and spatial modelling: regional income inequalities in Hungary,
In: Frontiers in Geography, ELTE, Bp.
Nemes Nagy J. (2004) Új kistérségek, új városok. Új versenyzők? „Regionális Tudományi
Tanulmányok” 9. sz., pp. 5-42.
Nemes Nagy J. (szerk. 1977) Regionális gazdaságföldrajzi gyakorlatok. Tankönyvkiadó, Bp.
Obádovics Cs. – Kulcsár L. 2003 A vidéki népesség humánindexének alakulása Magyarországon,
„Területi Statisztika” 4. sz., pp. 303-322.
Obádovics Cs. 2004 A vidéki munkanélküliség térségi eloszlásának elemzése, PhD értekezés, Szent
István Egyetem, Gödöllő
OECD (2001) Territorial outlook (Terrítorial economy), Paris
OECD (2003) Identifying the determinants of the regional performance, 6th Session of the Working
Party on Territorial Indicators, Lausanne
Osberg, L. – Sharpe, A. (2002) An index of economic well-beeing for selected OECD countries,
„Review of Income and Wealth” Nu. 3., pp. 291-316.
Perloff, H. S. – Dunn, E. S. Jr. – Lampard, E. E. – Muth, R. F. (1960) Regions, resources, and
economic growth. The Johns Hopkins Press, Baltimore
Perry, J. N. et al (2002) Illustrations and guidelines for selecting statistical methods for quantifying
spatial pattern in ecological data, „Ecography” No. 25., pp. 578-600.
Persson, J. (1997) Convergence Across the Swedish Counties, 1911-1993, „European Economic
Review” Vol.41, pp. 1835-1852.
Pike, R. J. (2002) Literature about Digital Terrain Models, http://www.scilands.de/
Probáld F. (1974) A Study of Residental Segregation in Budapest, „Annales Univ.. Sc. P. Eötvös” IX.,
pp. 103-112.
Quah, D. (1993) Empirical cross-section dynamics in economic growth, „European Economic
Review”, Vol. 37, pp. 426-434.
Quah, D. (1996) Regional Convergence Clusters Across Europe „European Economic Review”
Vol.40, pp. 951-958.
Rechnitzer J. – Smahó M. (2005) A humán erőforrások regionális sajátosságai az átmenetben, MTA
KTI, Bp.
Rechnitzer J. (1988) Kisérlet a megyei szintű jövedelem termelésének és változásainak
számbavételére. (In: Ideológiai, politikai tanulmányok, MTA RKK, Pécs, pp. 59-69.)
Rechnitzer J. (1993) Szétszakadás vagy felzárkózás (A térszerkezetet alakító innovációk). MTA RKK,
Győr
Rechnitzer J. (1998) Területi stratégiák. Dialóg-Campus K. Bp.-Pécs
Rodríguez-Pose, A. – Gill, N. (2003) Is there a global link between regional disparities and
devolution? „Research Papers in Environmental and Spatial Analysis” No. 79, Department of
Geography & Environment, London School of Economics and Political Science.
Rosenberg, M. S. (2000) The Bearing Correlogram. A New Method of Analyzing Directional Spatial
Autocorrelatiuon, „Geographial Analysis” No. 3., pp. 267-278.
Rosenberg, M. S. (2001) PASSAGE Pattern Analysis, Spatial Statistics, and Geographic Exegesis,
http://www.passagesoftware.net/
Sárfalvi B. (1965) A társadalmi-foglalkozási átrétegződés történelmi és földrajzi típusai Európában,
„Földrajzi Közlemények” 1. sz., pp. 19-39.
Schürmann, C. – Talaat, A (2000) Towards a European Periphererality Index, „Berichte aus dem
Institut für Raumplanung” 53., Insititut für Raumplanung, Universitat Dortmund – Fakultat
Raumplanung
Schürmann, C. (1999) Quality of Life in European Regions: A Multi-Criteria Anlysis, „IRPUD
Working Arbeitspapier” 165., Dortmund
Sen, A. 1973 On Economic Inequality. Oxford University Press, Oxford:
Sethi, R. – Somanathan, R. (2001) Racial Income Disparities and the Measurement of Segregation.
http://econwpa.wustl.edu:80/
Shankar, R. – Shah, A. (2001) Bridging the economic divide within nations: a scorecard on the
performance of regional development policies in reducing regional income disparities, „Working
Papers”, No. 2117, World Bank, Washigton
Shorrocks, A. – Wan, G. (2003) Spatial Decomposition of Inequality, World Institute for
Development Economics Research, United Nations University (UNU/WIDER) – kézirat.
Sikos T. T. – Hoffmann I.-né (szerk. 2004) A fogyasztás új katedrálisai, Magyarország az
ezredfordulón, MTA Társadalomkutató Központ, Bp.
Sikos T. T. (szerk. 1984) Matematikai és statisztikai módszerek alkalmazási lehetőségei a területi
kutatásokban, Földrajzi Tanulmányok 19., Akadémiai K., Bp.
Simon I. – Tánczos-Szabó. L. (1978) Az alföldi megyék közúthálózatának topológiai vizsgálata,
„Alföldi Tanulmányok 1978”, pp. 183-195.
Siriopoulos, C. – Asteriou, D. (1998) Testing for Convergence Across the Greek
Regions, „Regional Studies” 6, pp. 537-546.
Smith, S. K. –Morrison, P. A. (2003) Business Demography. In: Encyclopedia of Population,
Farmington Hills, MI.
Song, S. (1991) The Distribution of Population in a Contemporary Metropolitan Area: The Case of
Orange County, „UCTC Working Paper” No. 44., The University of California Transportation Center
Steiner F. (1990) A geostatisztika alapjai. Tankönyvkiadó, Bp.
Stewart, J. Q. – Warntz, W. (1958) Physiscs of Population Distribution, „Journal of Regional
Science”, No. 1., pp. 99-123.
Straussfogel, D. (1997) Redefining Development as Humane and Sustainable, „Annals of the
Association of American Geographers”, 2., pp. 280-305.
Stroombergen, A. – Rose, D. – Nana, G. (2002) Review of the Statistical Measurement of Human
Capital, Statistics New Zealand
Szabó P. (2003) Regional Development disparities in the European Union, In: Frontiers in Geography,
ELTE, Bp–Heidelberg, pp. 109-119.
Szalkai G. (2001) Elérhetőségi vizsgálatok Magyarországon, „Falu-Város-Régió” 10. sz., pp. 5-13.
Szalkai G. (2003a) A közúti térszerkezet és hálózatfejlesztés vizsgálata Romániában „Falu-Város-
Régió” 8. sz., pp. 19-24.
Szalkai G. (2003b) Erreichbarkeitsuntersuchungen am beispiel Ungarn. (In: Frontiers of Geography,
ELTE-RKU, Budapest-Heidelberg, pp. 133-146.)
Székelyi M. – Barna I. (2002) Túlélőkészlet az SPSS-hez, Többváltozós elemzési technikákról
társadalomkutatók számára. TYPOTEX Kiadó, Bp.
Szigeti E. (2002) Község, város, jogállás, MKI, Bp.
Szívós I. – Tóth I. Gy. (1998) A jóléti támogatások és a szegénység Magyarországon
1992-1997, „TÁRKI Társadalompolitikai Tanulmányok” 5.
Sz. Kukorelli I. (1996) Gráfelméleti módszerek az elérhetőség mérésére, (In: Herendi I. et al.
Társadalomföldrajzi elemzések számítógépen, JATEPress, Szeged, pp. 161-182.)
Tagai G. (2004) Kelet-Közép-Európa gazdasági és népességi potenciáltere „KTI Műhelytanulmányok”
26. sz., Bp.
Terrasi, M. (1999) Convergence and divergence across Italian regions. „The Annals of Regional
Science” 33., pp. 491-510.
Theil, H. (1970) Közgazdaságtan és információelmélet. Közgazdasági és Jogi Könyvkiadó, Bp.
Tiner T. (1981) Az észak-magyarországi körzet főútvonalhálózatának mátrixalgebrai elemzése,
„Földrajzi Értesítő”4., pp. 445-463.
Tiner T. (2003) Feszültségek a társadalmi térben, „Földrajzi Értesítő” 3-4. füzet, pp. 271-290.
Tobler, W. R. (1970). A Computer Model Simulating Urban Growth in the Detroit Region. „Economic
Geography” 46., pp. 234-240.
Tóth G. (2003) Autópályáink területfejlesztő hatásának vizsgálata a shift-share analízis módszerével
(In: Süli-Zakar I. szerk. Határok és hetármentiség az átalakuló Közép-Európában, Konferenciakötet,
Kossuth Egyetemi Kiadó, Debrecen. pp. 70-78.)
Tóth J. (1990) A tudományos minősítéssel rendelkezőkszületési-, lakó- és munkahelyeinek területi
sajátosságai. In: Tér – idő – társadalom, MTA RKK, Pécs, pp. 225-270.
U.S. Census Bureau (2003) Racial and Ethnic Residential Segregation in the United States: 1980-
2000, http://www.census.gov
Varga A. (2002) Térökonometria, “Statisztikai Szemle” 4. sz., pp. 354-370.
Vuics T. (szerk. é.n.) A társadalomföldrajz számítási és ábrázolási módstzerei (Feladatgyűjtemény),
Nemzeti Tankönyvkiadó, Bp.
Wackernagel, M. – McIntosh, J. – Rees, W. E. – Woollard, R. (1993) How big is our ecological
footprint? – A handbook for estimating a community’s appropriated carrying capacity, Task force on
planning healthy and sustinable communities. University of British Columbia, Vancouver
Williamson, J. G. (1965) Regional inequality and the process of national development: a description
of the patterns. “Economic Development and Cultural Change” 4. sz., pp. 3-84.
Zipf, G. (1949) Human Behaviour and the Principle of Least Effort, Addison-Wesley, Reading, MA
 APPENDIX

REGIONÁLIS TUDOMÁNYI KISLEXIKON

BEVEZETÉS

A hazai szakmai közösség régóta készül egy enciklopédikus összegzésre a regionális

tudomány és a kapcsolódó tudományterületek fogalmairól. Koncepciók, tárgyszólisták
készültek, szerzők és szerkesztők is kijelölődtek, a munka azonban nehezen halad.
Enciklopédiát vagy akár kisebb igényű lexikont valóban nem könnyű készíteni. Kötött a
műfaj, sok a vitatott, nem letisztult, többjelentésű fogalom, sok helyütt hézagos az elméleti-
fogalmi bázis is.

Mindez a kezdő, fiatal kutatókat is korlátozza, de talán bennük nagyobb a merészség ilyen
feladatba kezdeni. Hogy ezt tetté formáljam, arra gondoltam, hogy az ELTE TTK
Földtudományi Doktori Iskola Földrajz Programjában néhány éve futó „Társadalmi
térelmélet” c. kurzusomon feladatként adom meg egy kis fogalomtár összeállítását.

Egy tág szemeszter alatt készült el a közel 150 fogalmat tartalmazó összeállítás. A
fogalomtárból elhagytuk a kifejezetten módszertani tartalmú fogalmakat, illetve maguknak a
módszereknek a megjelölését, hisz azokat kötetünk főszövege kimerítően tárgyalja, s ad rájuk
ott rövid meghatározásokat is. Mondanunk sem kell, hogy ez az összeállítás nem helyettesíti a
még meg nem írt Nagy Enciklopédiát, de talán ahhoz is újabb lökést ad, netán annak jövőbeli
szerzői gárdáját is bővítheti. A kislexikon szövege az olvasókat bizonyára kiegészítésekre,
javításra, vitákra sarkallja. Tudjuk, hogy sok fontos és érdekes fogalom is kimaradt – ezekkel
mai felkészültségünk mellett, legalábbis a műfaj megkövetelte rövid definíció formájában,
bevallottan nem tudtunk megbirkózni. (Az említett kurzus jövő évi mentére új titkos tervem
van: a regionális tudomány neves személyiségeiről sincs magyar nyelvű összeállítás, ezt is el
lehetne készíteni!)

Az egyes fogalmak végén megjelölt monogramok a kötet elején megjelölt szerzőket rejtik, a
felhasznált munkák a Forrásjegyzékben találhatók (ez jelzi azt is, hogy vannak felhasználható
hazai és külföldi alapok, habár ez esetben a tanítványok kissé talán túlságosan is kötődtek
tanáruk szövegeihez). Néhány esetben a szerzőgárda nem tudott „dűlőre jutni” a fogalom
meghatározásakor, ezért néhol az „igazságtétel” helyett az alternatív meghatározások
mindegyikének közlése mellett döntöttünk.

A szerzőgárdából külön kiemelésre érdemes Kusztor Adél, aki a doktorandusz csapat

munkáját összefogta. Néhány fogalom meghatározásával, s szerkesztési korrekciókkal magam
is beszálltam. Az Appendix szövegének rendbetételében is pótolhatatlan segítséget kaptunk
Probáld Ferenctől. A fogalomtár értékeiért az ifjú szerzőket illeti dicséret, az itt-ott döcögő
meghatározások, a hiányok felelőssége a feladatot kiötlőé.

2005. május Nemes Nagy József

Adaptáció
Az általános értelemben alkalmazkodást, alkalmazást kifejező ~ társadalomföldrajzi
kontextusban a tevékenységi kör és beállítottságok változásának folyamata, amelynek célja,
hogy egy társadalmi csoportban nagyobb legyen egy új jelenség szociális integrációja. Az ~
bizonyos fokig mindig feltétele a szociális kapcsolatokban és interakciókban való részvétel
képességének. Az ~ a versenyképességnek és a szociális fejlődésnek is meghatározó eleme.
Az adaptív képesség függ az adaptáló személy befogadó készségétől és képességétől, ami
egyebek mellett kultúrafüggő is. Lehet szó korai vagy késői ~ról. Az ~ az →innovációs lánc,
illetve a →diffúzió folyamatának is kulcseleme, a megszületett →innováció terjedésének
feltétele az újdonság új helyen való elfogadása, rendeltetésszerű alkalmazása. Az ~
szempontjából a →tér, amelyben a folyamat zajlik, lehet terjedési gátakkal teli, befogadó,
vagy telített. (KA)

Ágazati körzet
Egy-egy relatíve homogén társadalmi részterület, szféra sajátos térszerveződési egysége. A
legtöbb gazdasági tevékenység kapcsán szokásos ilyen →térfelosztásról beszélni, s az egyes
ágazatok regionális elemzésének, gazdaságföldrajzának gyakori eszközei az adott ágazatban,
jól kimunkált tudományos módszertani eszköztárral kijelölhető, relatíve →homogén egységek
(ipari körzetek, mezőgazdasági termelési körzetek). Ezek szinte mindegyikére jellemző az,
hogy regionális szinten osztják fel a tereket, mivel a modern gazdaság szinte minden
ágazatának immanens sajátossága, hogy nem elszigetelt településekben, hanem
→térségekben szerveződik (munkaerő-ellátás, kooperációs és piaci kapcsolatok okán). Míg
az ipar és a mezőgazdaság esetében inkább a termelési specializáció formálja ezeket az ~ket,
a nagy infrastrukturális ellátórendszerekben már szervezési, irányítási, funkcionális egységek
is (posta, közlekedés). Mivel bizonyos tekintetben ,,infrastrukturális’’ szerepűek, a
kereskedelem és a pénzügyi rendszer, a bankszféra is jellemzően használja szervezeti és
irányítási rendszereiben a nagytérségi, regionális kereteket. (BE)

Agglomeráció
A termelőerők koncentrációs és centralizációs folyamatainak eredményeként létrejövő olyan
település-együttes, amelyben – alapesetben – a környezetéből kiemelkedően fejlett várost és a
körülötte fekvő településeket a gazdasági és társadalmi élet szerteágazó területein intenzív
kapcsolat köti össze, és ahol a központi város körül népességtömörülés megy végbe.
Jellemzői: felgyorsul a nem termelő jellegű ágazatok fejlődése; az infrastruktúra fejlettsége az
adott településszerkezeten belül viszonylag magas; a nagyvárosban igazgatási, felsőoktatási,
tudományos és művelődési funkciók is koncentrálódnak; a létesítmények összpontosulása
következtében az ~ jelentős vonzásközponttá fejlődik, ahová intenzív áruszállítás és
munkaerő-ingázás irányul. A fejlődés több, egymáshoz közeli település együttes növekedése
formájában megy végbe, a településhatárok elmosódnak, új értelmet nyer az eddig használt
város fogalom. Fejlettségétől és méreteitől függően az új város-konglomerátumot
városhalmaznak, konurbációnak, megalopolisznak, esetleg urbán régiónak nevezzük. Ezekre
a formációkra már gyakran jellemző a többközpontúság. (BE)

Agglomerálódás
A →terjedés és a →kiterjedés mellett önálló mozgástípusként is értelmezhető, jelentése
összetömörülés, sűrűsödés. A fogalom szorosan összekapcsolódott a városfejlődéssel, mivel
lényege a gazdaság és a népesség térbeli tömörülése egy vagy több →központi mag körül.
Mozgásfolyamatok szempontjából a diffúziónak ellentétpárja, mert a jelenséget a
→centrumba befelé irányuló vonzóerők vezérlik. E folyamat felerősíti a gazdasági szereplők
egymás mellé településének előnyeit (agglomeratív hatás). (KA)
Aktivitási tér
A szociálgeográfiai vizsgálatok egyik alapkategóriája, általában azt a →területet jelöli,
amelyet az egyének, a szociálgeográfiai csoportok használnak, az a →tér, ahol a
szociálgeográfiai alapfunkciók (közösségben élni, lakni, munka, ellátás, képzés, szabadidő)
kielégítést nyernek. Az egyének ~e általában zonális →térszerkezetű, →csomópontja,
sűrűsödési pontja elsősorban a lakó- és munkahely lehet. Az ~ időben dinamikusan változik,
függ a társadalmi tagozódásban elfoglalt helytől, státustól, életkortól. Megkülönböztethető az
egyéneken túl egyes közösségek, csoportok, népcsoportok ~e is, tehát az ~ kultúrafüggő is
lehet. (JF)

Alak
Az →alakzat határvonala, tehát az adott alakzat határai által megszabott konkrét térbeli
formát értjük. (LT)

Alakzat
Olyan térbeli rendszer, amely a →tér pontjaiból áll és amelyet →határ vesz körül. ~ként
értelmezhető egy halmaz is, ha nemcsak az adott halmaz elemeinek összességét értjük alatta,
hanem azok térbeli (geometriai) elrendeződését, konfigurációját is figyelembe vesszük. Az ~
fogalma szoros összefüggésben van a →térszerkezet, fogalmával is, abban azonban az adott
térbeli rendszer elemeinek viszonyrendszere is hangsúlyt kap. (LT)

Áramlás
A mozgás egyik formája. Az ~hoz kapcsolódóan mindig megjelenik a kibocsátó és a
befogadó pont, valamint az ~i tengely vagy folyosó. Jellemző lehet még az ~ra a mozgás
iránya, térbeli hatósugara, volumene, gyakorisága, céljai és azok változékonysága,
periodikussága, intenzitása és az ~i egyenleg. Negatív ellentétpárja nincs, legfeljebb az
~hiány. A társadalomban zajló ~ok egy része →hálózatot alkot. A mozgást végző anyag
jellege szerint tipizálhatjuk az ~t: pl. népesség~, információ~, anyagár~, tőke~. A regionális
kutatások elsősorban az ~ok térbeli differenciáltságára koncentrálnak. (KA)

Asszimiláció
Általánosságban entitások (objektumok, nem-materiális tényezők, információk) beleolvadása
jellemzően egy nagyobb létezőbe, amely folyamat során a beleolvadó entitás tulajdonságai
hasonulnak a befogadóéhoz, s megkülönböztethetetlenné válnak. Konkrétan rendszerint egy-
egy kisebbségben lévő társadalmi csoport, etnikum beolvadása a többségi népcsoportba,
közösségbe. A folyamatot gyakran megelőzi valamilyen →migráció, amelynek során vagy a
kisebbségi vagy a többségi csoport vándorol, illetve vándorlásra kényszerül. Az ~ több
lépésben megy végbe, időtartama rendkívül eltérő lehet. A két csoport kulturális terének
kölcsönhatása során a kisebbségi, vagy az identitásában, kultúrájában gyengébb népcsoport
hasonul, beolvad a befogadóba. Először társadalom-szerkezetileg azonosul (iskolázottság,
foglalkozás), majd fokozatosan a magatartási, és identitásbeli-kulturális ~ megy végbe. A
magatartási azonosulás során rendszerint a →térhasználati, társas érintkezésbeli szokások is
hasonulnak, az identitásbeli azonosulás rendszerint a →hellyel kezdődik, végül a kultúra
minden tényezőjére kiterjed. A többségi csoport, nemzet gyakran erőszakos politikával
gyorsítja az ~t. Ennek eszközei a névváltoztatás ösztönzése, a kisebbségi nyelvhasználat és
intézmények működésének korlátozása. (JF)

Belső homogenitás
Erős térségi társadalmi, gazdasági fejlettségi, szerkezeti azonosság, egyveretűség. Gyakori
szempont a →horizontális térfelosztások során. A térségi homogenitás elve az esetek
többségében csak kisebb térségek esetében érvényesül, bár az elemi területi egységek, a
települések sem homogének önmagukban sem. Nagyobb terekben néha csak erőszakkal
érvényesíthető (l. etnikai alapú térfelosztások). (BZ)

Belső tér
A különböző társadalmi szereplők, entitások egymáshoz viszonyított kapcsolatrendszerei,
földi lokalizáltságuktól függetlenül önmagukban is tereket generálnak, mégpedig
sokdimenziós tereket. Leggyakrabban elemzett esetei a politikai és a gazdasági tér. A ~
önmagában is vizsgálható, az egyes →térelemek viszonya: függése, →hierarchiája, egymásra
hatása önálló kutatások tárgya lehet. A ~ →térelemeinek viszonya egyszerű esetben ún.
értékduálok mentén vizsgálható. A →regionális tudomány érdeklődést mutat a ~ és a
földrajzilag lokalizált elemekből felépülő →külső tér közötti kapcsolatok feltárása iránt
is.(JF)

Centralizáció
Központosítás. Államigazgatási és gazdaságirányítási értelemben a döntések központosítása.
Földrajzi értelemben a társadalmi–gazdasági folyamatoknak egy központi terület felé történő
áramlása, a központi területen történő tömörülése. (RSZ)

Centrum
→Külső és belső térben is értelmezhető →középpont, központi helyzetű →térelem vagy
→térrész, jelentése a geometriai helyzet mellett pozitív minőséget is magában hordoz. Egy
tetszőleges méretű térbeli rendszerben a többi térelemhez viszonyított, mennyiségi és
minőségi jellemzők alapján kijelölhető relatív központi helyzetre utal, ellentétpárja a
→periféria. A föntiekből adódóan helyzete →térben és időben, értelmezési területtől, a
területi rendszer méretétől és az aggregációs szinttől függően változhat. Kiterjedését tekintve
lehet pontszerű (egyén, közlekedési csomópont, település, intézmény, vállalat), de bármely
nagyobb →térség (→régió, ország, országcsoport) is megjelenhet ebben a szerepben. (LH)

Centrum-periféria modell
A rendszer- és fejlődéselméletekben gyökerező →modell, mára társadalomtudományokban
elterjedt paradigma. Legismertebb, világméretű elterjesztője Immanuel Wallerstein. Egy
tetszőleges méretű térbeli rendszer egyenlőtlenségét fejezi ki, két szélső kategóriája a
→centrum és a →periféria, amelyek a →térelemek egymáshoz viszonyított, relatív központi,
illetve peremi helyzetét tükrözik. A centrum és periféria között aszimmetrikus függőségi
kapcsolat van. Értelmezhető mind →külső, mind →belső térben, így többféle értelmezési
terület jöhet szóba (hatalmi, fekvési, függési, kulturális, stb.) Az egymástól elkülönülő
jelentéstartalmak önmagukban is megjelennek a regionális kutatásokban, de a legérdekesebb
vizsgálatokat az egymáshoz való viszonyuk – egybeesésük ill. eltérésük – jelenti. (A helyzeti
és fejlettségi jelentés alapján lehatárolható régiótípusok: →központi mag, dinamikus perem,
belső periféria, külső periféria. A gazdasági, katonai és politikai hatalom egyetlen centrumhoz
kötődését a hegemónia-elmélet írja le.) A modell duális jellege nem egyértelmű: a
→félperifériával kiegészülő hármas osztat már elméleti szinten is létezik, az empirikus
kutatásokban viszont még több kategória jelenhet meg. (LH)

Csomópont
Egyrészt a kapcsolatok mellett a →hálózatok egyik →elemi egysége. Másrészt a →mental
map egyik alapvető →téreleme, összetartó utak, útvonalak találkozási pontja. A ~ is egyfajta
tájékozódási pont a mental mapen belül, ugyanakkor nem csupán egy vizuális jel, hanem egy
forgalmas aktív →központ. (OL)

Decentralizáció
A →centralizáció ellentéte, azaz a társadalmi-gazdasági tevékenység, illetve produktum
térbeli szétterjedése, illetve szétosztása, mely ellentétben a →dekoncentrációval az irányítási
funkciók megosztásával is együtt jár. Gazdasági értelemben olyan irányzat, amelynek keretei
között növekszik a vállalatokon belüli egységeknél, másfelől a helyi szerveznél hozott
gazdasági jellegű döntések aránya és jelentősége. Olyan változás, amikor emelkedik a kisebb,
önálló döntési jogosítványú gazdálkodó egységek aránya, a termelés földrajzi centralizációja
csökken.(LH-RSZ)

Dekoncentráció
A →koncentráció ellentéte, azaz a társadalmi-gazdasági tevékenység, illetve produktum
térbeli szétterjedése, illetve széttagolása elsősorban mennyiségi értelemben, mely ellentétben
a →decentralizációval az irányítási funkciók megosztásával nem jár együtt. (LH)

Devolúció
A politikai hatalom térbeli megosztása; a döntéshozói és közigazgatási kompetenciák, a
közhatalmi funkciók erős →decentralizációja. Célja a területi autonómia. (LH)

Diffúzió →terjedés

Dimenzió
Több értelemben használt fogalom. (1) Egyrészt a ~ a térbeli →kiterjedés mérőszáma. A
hétköznapokban leggyakrabban használt ~k: a pont 0, a vonal 1-es, a sík 2-es, a →tér 3-as
~számú. Hétköznapi értelemben jellemzően ezekkel a kiterjedésekkel dolgozunk, beszélnek
téridőről, amely a 4. ~, valamint még ennél nagyobb egész számú ~król is. A törtszámú ~k
→alakzataival a fraktálgeometria (→fraktál) foglalkozik. (2) Másrészt a ~ egy jelenség
leírására használt független jellemzők száma. (3) Harmadrészt a ~ az egyes jelzőszámok
mértékegysége. Utóbbi két értelmezéshez kötődő probléma a különböző ~jú adatsorok
összehasonlítása. (OL)

Diverzifikáció
A specializációval ellentétben egyoldalú struktúrák helyett komplex struktúrák kialakítását
jelenti. Leginkább a vállalat- és regionális gazdaságtanban használatos fogalom, a növekedési
stratégiák egyik fajtája. Jelentheti a tevékenységi kör, a termékszerkezet sokoldalúbbá tételét,
térbeli terjeszkedést, mely kockázatcsökkentést eredményez. (LH)

Egyenlőtlenség
Hétköznapi értelemben különbözőséget, differenciáltságot, a helyi sajátosságok létét jelenti;
vele rokon fogalom a nem-azonosság, különbözőség, változás, ellentéte az egyenlőség,
azonosság. A →tértől elválaszthatatlan fogalom, nem-azonosság értelemben a térbeliség
egyik alapvető komponense. Az ~ az empirikus társadalomkutatások központi vizsgálati
területe, az elemzések az ~ mibenlétére, mértékére, változására keresik a választ. A regionális
kutatások fókuszában túlnyomórészt a →területi egyenlőtlenségek vizsgálata áll. (KA)

Elemi egység
A vizsgálatok kiinduló kategóriája, amely a vizsgálat során tovább már nem bontható
összetevőkre. Megválasztása gyakran tudományterületek közötti választást is jelent. Területi
elemzések szempontjából, ~ lehet például az egyén, a település, a →táj, a gazdasági körzet, a
város vagy a község. (OL)

Észlelt tér
A →szubjektív tér egy fajtája. Környezetét minden személy érzékeli, arról érzékszervein
keresztül különböző információkat gyűjt be, majd ezeket az érzékszervi benyomásokat az
észlelés folyamán jelentéssé szervezi, tehát az ~ a →tér azon része, melyet minden személy a
környezetből felvehető információk rendszerezése, kategorizálása, szűrése alapján alakít ki.
Az észlelést egy bizonyos fajta szűrőnek is tekinthetjük, az →objektív tér bizonyos részei
fennakadnak rajta, az ember azokat nem fogja fel, más részeket tudatosan, további részeket
nem tudatosan megragad és elraktároz. A receptorok szerepét az érzékszervek töltik be,
melyek lehetővé teszik a tér megismerését, érzékelését. A ~ a tér tudati tükröződése, mely
társadalmi, kulturális stb. vonatkozásokkal telített. (RSZ)

Fekvés →helyzet

Félperiféria
Elsősorban társadalmi-gazdasági térben értelmezett, a →centrum és a →periféria között
elhelyezkedő átmeneti →térségek, amelyek vagy a centrumoktól szakadnak le, vagy a
perifériák köréből emelkednek fel. Fejlődési irányuk is kétesélyes. (LH)

Fizikai tér →külső tér

Folytonosság
A matematikában folytonosnak tekinthető a sík vagy a →tér azon része, amelynek bármely
két pontja közötti átmenet biztosítható anélkül, hogy a kijelölt rész belsejéből ki kellene lépni.
→Regionális tudományi szempontból a tér ~a tekintetében kétféle irányzat él egymás mellett:
az abszolutista irányzat a mindent (azaz egyes →térelemeket) magában foglaló, önmagában
folytonos térre helyezi a hangsúlyt, míg a relativista irányzat esetében az osztott (folytonos)
térelemek együttese hozza létre a tér ~át. Folytonosnak tekinthető az idő is, mivel egy időköz
pontjainak összessége teljesíti a fenti állítást. A ~ minden esetben együtt jár az osztottság
fogalmával, azaz a ~ értelmezhető a megszakítottság ellentéteként is: a tér bármely eleme
elválik környezetétől, de ugyanakkor szoros kapcsolatban vannak egymással, és hatnak
egymásra. A →társadalmi térre igaz, hogy a mesterséges, emberek által generált felosztás
nélkül is osztottnak tekinthető: a teljes társadalmi teret megosztja a természeti környezet, a
szűkebb társadalmi teret a civilizációk, még tovább szűkítve megosztó tényezők a települések,
illetve épületek. (LT)

Fraktál
Törtdimenziós, egyetlen pontban sem differenciálható, →önhasonló alakzatok. Hosszúságuk
és az általuk lefedett →terület, vagy kitöltött →tér nem adható meg pontosan, mert ezek a
választott mérési alapegységtől függnek. A ~ok matematikai vizsgálatával a fraktál-geometria
foglalkozik. Az irányzat →regionális tudományi alkalmazása a térbeli jelenségek geometriai
modellezésének új távlatait nyitotta meg a →geometriai településhálózati modellek hatásának
lecsengése után. A ~kat például a városnövekedés és a →hálózatok fejlődésének
modellezésére használják. (OL)

Funkcionális körzet
A ~ben, az →ágazati körzetekhez hasonlóan, egy-egy társadalmi tevékenység szerveződik. A
~ →heterogén részekből áll, a kereteik között zajló folyamatok, belső kapcsolatok és
kölcsönhatások összetartó erejéből fakad egységük. pl. →központ köré szerveződő
vonzáskörzet. (BE)

Funkcionális összetartozás
Az általános célú →térfelosztási, aggregációs rendszerek kialakításának gyakori és fontos
elméleti alapja és gyakorlati mozgatója a ~, s ezen belül a központ-vonzásterület
kapcsolatrendszer. Ebben az esetben nem kerülhető azonban meg az "ahány funkció, annyi
vonzásterület" probléma. A városi vonzáskörzetek rendszere például alapjául szolgálhat egy
középszintű statisztikai célú térfelosztásnak, vagy akár egy irányítási középszint tagolásának,
de nem lehet pontosan azonos azzal, mivel más alapvető fontosságú szerveződési jellemzőket
sérthet. (BZ)
Gazdasági tér
A gazdaság szereplőinek, résztvevőinek egymáshoz való viszonya, továbbá a gazdasági
folyamatok, →áramlások által generált →belső tér. (JF)

Geometriai településhálózati modellek

Olyan →modellek, amelyek a sok tekintetben szabálytalanul, véletlenszerűen szerveződő
településhálózat kialakulását, fejlődését és működését szabályos térbeli geometriai
→alakzatok segítségével írják le. Az irányzatot Walter Christaller német geográfus és August
Lösch alapozta meg az 1930-as és ’40-es években a dél-német településrendszer vizsgálatából
kiindulva, amelyet szabályos hatszögek segítségével jellemeztek. (OL)

Globalizáció
A Föld egészére kiterjedő társadalmi, gazdasági és politikai jelenségeket összefoglaló
fogalom, amelyeket a rendkívül gyors technológiai, főként kommunikációs technológiai
fejlődés, a transznacionális vállalatok egyre növekvő világgazdasági szerepköre, valamint a
pénz szerepének és forgalmának korábban sohasem tapasztalt felfutása idéz elő. Az emberi
társadalom egészére alkalmazva az emberiség időben egyre jobban egységesedő
fejlődéstörténetét jelenti, amely a →térben különböző →helyeken és különböző természeti,
gazdasági, társadalmi és politikai feltételek között élő embercsoportok egymásra hatásának,
összefonódásának, egységesedésének több évezredes folyamata. A ~ jelenti ennek a
történelmi folyamatnak a kiteljesedését, amely az 1970-es években kezdődött, és a
transznacionális társaságok tevékenységével fonódott össze. A folyamat egyrészt a korábbi ~s
tendencia térbeli betetőzése, amely lényegében az egész Földet egységes gazdasági
rendszerbe foglalja. Másrészt, a ~ elmélyülése, amennyiben a transznacionális társaságok már
világméretekben, országhatárokon és kontienseken át szervezik, optimalizálják
tevékenységüket. (BE)

Hálózat
→Csomópontok és köztük lévő kapcsolatok (élek) rendszere. A csomópontok és kapcsolatok
tartalma a ~okkal foglalkozó tudományáganként, vizsgálatonként változik. A ~ legfontosabb
jellemzői a struktúra és az irányultság, mértékei általában vektorként fejezhetők ki. Egyes
társadalomtudományokban a ~ kifejezést a →hierarchia ellentétpárjaként értelmezték, a
hierarchikus és függőségi rendszereket nem tekintették ~oknak, csak a kooperatív
rendszereket. Napjainkban ez a megközelítés már kevéssé jellemző, főleg a
közgazdaságtudományban él tovább, ahol a ~i kutatásokra a nagy hierarchikus
mamutvállalatok lebomlása és a funkciók egyre szélesebb körű kiszervezése irányította rá a
figyelmet. Az újabb ~i kutatások abból indulnak ki, hogy az összekapcsolt rendszerekben
léteznek olyan általános összefüggések, amelyek függetlenek a csomópontok minőségétől és a
kapcsolatok értéktartalmától, és ezeket igyekeznek feltárni. A regionális elemzések
jellemzően infrastrukturális és intézményi ~okban gondolkodnak. Ugyanakkor egyre
gyakrabban kerül elő a regionális ~ és →klaszter kifejezés is, amely a társadalmi ~ok
értelmezésének egy komplexebb megközelítését kívánja meg. (OL)

Határ
→Térfelosztási eszköz, →térelem. Mindennapi jelentése leginkább az elválasztó vonal,
végpont, valaminek a széle. Matematikai definíciója szerint valamely →térrész (halmaz)
→határa azon pontok halmaza, amelyek tetszőleges kicsiny környezetében van a térrészhez
tartozó és ahhoz nem tartozó pont is (a ~ maga nem feltétlenül tartozik a térrészhez).
Földrajzilag megkülönböztethető intézményi, társadalmi-területi, geopolitikai,
szociokulturális értelmezése. A határmentiséggel foglalkozó vizsgálatok szerint a ~ legalább
négy alapvető funkciót hordoz: az elválasztást, az összekapcsolást, az ütközést, a szűrést,
amely szerepek tulajdonképpen minden határ esetében megjelennek. Az elválasztás funkció
jelenik meg az antropológiai megközelítésekben is, eszerint a ~ a külső erők elleni védelem és
belső kohézió megteremtésének az eszköze. (BZ)

Hegemónia→centrum-periféria modell

Hely
Legáltalánosabban a →tér egy pontja, amit valaki vagy valami elfoglal, amely koordinátákkal
leírható, meghatározható. A legtöbb társadalomtudomány megegyezik abban – s ezzel bővíti,
s egyben tagadja az előző meghatározást –, hogy a ~ egyedi, sajátos tulajdonságokkal
rendelkező →térkategória, amely legtágabban értelmezve nemcsak objektíve egyedi, hanem
szubjektív, fenomenológiai értelemben is. Értelmezése során több jelentéssík különböztethető
meg. Egyes szerzők megkülönböztetik a helyszínt (locale), a →helyzetet (location), és a hely
tudatát, értelmét (sense of place). A ~nek emocionális, kulturális, történelmi stb.
jelentéstartalma lehet, s mérete tág skálán mozoghat. Egyes vélemények szerint a ~ önálló,
tulajdonsággal rendelkező entitás, mások szerint struktúrája van. A posztmodern társadalmak
jelenségei, a →globalizációs folyamatok új megfogalmazásokat szültek a ~ fogalmával
kapcsolatban is. Hagyományos felfogás szerint elhatárolható, körülírható, modern
értelmezések szerint viszont diffúzzá, felhígulttá vált, s valamilyen térbeli, társadalmi
kapcsolatok kapcsolódási-, illetve →csomópontja. Megjelent a „helytelenség” (placelessness)
és a hely nélküliség (non-place) fogalma, amelyek az uniformizálódás veszélyeire hívják fel a
figyelmet. Leginkább az építészetelmélethez köthető az a megfogalmazás, hogy a helyek
egymásra rakódása alkotja a(z építészeti) tereket. A ~ és a tér közötti kapcsolat modellezése
azonban nem egyszerű, ezért is nehéz a regionális elemzési módszerek alkalmazásában
megjeleníteni a ~ szempontrendszerét. (JF)

Helyzet
Az egyes →térelemek egymáshoz való viszonya, vonatkoztatási ponttól függően mindig
relatív. Leírása a →távolság és az →irány paramétek megadásával lehetséges elsősorban.
Kitüntetett ~ek a centrális és a periferiális. A →külső térbeli helyzet a fekvés, amely a
klasszikus emberföldrajz, ill. településföldrajz egyik fogalmához, a ~i energiához
kapcsolódik. Ez utóbbi nem más, mint az adott →hely fekvéséből eredő energia, fejlődési
tartalék-többlet. (JF)

Heterogén
Nem egységes, vegyes, nem →homogén, szerkezetileg tagolt →területek, jelenségek
jellemzője. ~ egy terület, ha benne a jelenségek nem egyenletesen oszlanak el, illetve más-
más tulajdonságokkal rendelkeznek. (KA)

Hierarchia
Jellemzően a szervezetekhez, az irányításhoz kötődő belső térfelosztási fogalom. Ezen
rendszerek legfőbb sajátossága a függés. A felosztás során létrejövő →szintek között alá-
fölérendeltségi viszony alakul ki; minden alsóbb szint függésben van a fölötte állótól. Egy-
egy rendszer többféle hierarchikus tagoltság mellett is működőképes, ill. egy-egy szint nem
teszi lehetetlenné (legfeljebb akadályozza) a rendszer hatékony működését. (BE)

Homogén
Egységes, egyveretű, nem tagolt. Egyenletesen terített elemek, jelenségek ~né tesznek egy
területet. Minden tekintetben ~ terület nincs a →térben, már csak az elemek eltérő →helyzete
miatt sem. A homogenitás a tagoltság ellentétpárjaként az →egyenlőtlenségek szerkezeti
dimenziójában jelenik meg. ~ lehet egy →térség társadalmi, gazdasági fejlettségi, szerkezeti
stb. szempontból. A társadalmi térségi szinteken a nagyobbaktól a kisebbek felé haladva
általában nő a →belső homogenitás. Az egységesség, a homogenitás sok szempontból pozitív
jellemző, hiszen általában nagyobb kohéziót jelent, ezért a belső homogenitás érvényesítése
→térfelosztási szempont is. (KA)

Horizontális térfelosztás
A földrajzi →tér határvonalakkal való tagoltságának jellegadó formája. Közismert példái
ennek a politikai, közigazgatási →térfelosztások, illetve az ezeket ábrázoló térképek. Két
jellegzetes iránya van: a nagyobb egységek részekre bontása (területi dezaggregáció) és a
kisebb területegységek összevonása (területi aggregáció). Három fő szempontja a valóságos
térbeli szerveződésnek való megfelelés, az összehasonlíthatóság és a kezelhetőség. (BZ)

Időföldrajz
A társadalomföldrajz azon ága, amely a →tér és az idő együttes vizsgálatára törekszik,
nemcsak egyszerűen az idő →dimenziójának a vizsgálatokba emelése révén, hanem az egyéni
és közösségi (szupraindividuális) életpályák (térpályák), az időben és térben változó
társadalmi →térhasználat vizsgálatával. (JF)

Innováció
A gazdaságföldrajz általában csak azokat az anyagi vagy nem anyagi újdonságokat, újításokat
(új termék, módszer, ismeret, intézmény) nevezi ~nak, amelyek révén a munka hatékonyabbá
válik, a gazdaság megújul, de tágabb értelemben az ~ minden fajta újonnan született
(technikai, társadalmi stb.) jelenség összefoglaló neve. Az ~ kiinduló pontja az invenció
(felfedezés vagy ötlet), amely erősen szubjektumfüggő, ezért felbukkanása →térben elvileg
véletlenszerű. Ahhoz, hogy az invencióból ~ váljék, bizonyos társadalmi feltételek
szükségesek, azok megléte térben sokkal kötöttebb. Az ~ létrejöttének megfelelő terepet
biztosító helyek az ~s centrumok. Ezekből a →központokból →diffúzióval terjednek tovább
az újdonságok, ahogyan →adaptáció által egyre többen veszik át és ismerik meg őket. Az ~
fogalma szorosan összefonódott a diffúzióéval, egyedi terjedését az →innovációs lánccal is le
lehet írni. Az innováció-kutatások két fő célterülete egyrészt az ~k eredete, másrészt azok
elterjedése (diffúziókutatás). Az innovációsűrűség mutatójával az újdonságok előfordulásának
gyakoriságát mérik adott terülten. Az ~k meghatározó szerepét a gazdaságpolitika is
felismerte, aminek tanújele többek között az innováció-orientált területfejlesztési politika léte.
(KA)

Innovációs lánc
Összetett →térfolyamat, az →innováció szakaszolt életpályájának jelölésére. Elemei: az
invenció (ötlet), a szűkebb értelemben vett →innováció (piacképes „termék” előállítása), a
→terjedés (vagy terjesztés) és az →adaptáció (rendeltetésszerű alkalmazás). Az egyes
elemek terjedésének eltérőek a térbeli és társadalmi feltételei, mégis a diffúzió folyamatában
bizonyos szabályszerűségeket lehet felfedezni. Az ~ szakaszainak jellemzői alapján
osztályozni lehet a társadalmi közeget, ez alapján beszélhetünk pl. innovatív népről, adaptív
társadalmi csoportról, illetve diffúziós gátakkal tagolt vagy fejlett →hálózatú →térségről. Az
~ot innovációs rendszernek vagy hálózatnak is nevezik, ebben az értelemben a
gazdaságföldrajz azokra a regionális szinten működő szervezetekre használja a fogalmat,
amelyek célja, illetve működésük következménye vállalkozási →innovációk támogatása és
előállítása. (KA)

Integráció
Több ország egyezményes együttműködése során létrejövő nagyobb, nemzetek feletti
szervezeti egység, amely a megfelelő fejlettségi szinten szupranacionális intézményrendszer
is működtet. Lépcsőfokai: bilaterális együttműködés, szabadkereskedelmi övezet, vámunió,
közös piac, gazdasági unió, monetáris unió, politikai unió. (BE)
Irány
Egy meghatározott viszonyítási rendszeren belül értelmezett →térparaméter, amely a
rendszer rendezett elemeinek az egymáshoz viszonyított helyzetét adja meg. Az ~nak két
jelentéstartalma létezik: statikus jelentésben két objektum egymáshoz viszonyított helyzetét
jellemzi. Egy objektum (pl. pont) rögzítésével, valamint a →távolság és az ~ segítségével egy
másik objektum (pl. másik pont) helye egyértelműen meghatározhatóvá válik. Ebben az
esetben az ~ helyzetparaméternek felel meg. Dinamikus értelmezés szerint az ~ elmozdulást,
→áramlást jellemző paraméter, tehát mozgásparaméternek nevezhető. (LT)

Irányfüggés
Objektumok és objektumcsoportok közötti reláció, ha az összevetett egységek egymáshoz
viszonyított térbeli elhelyezkedésében egy bizonyos →irány domináns. Ha két jelenség között
minden irányban azonos jellegű és erősségű a kapcsolat, akkor nincs közöttük ~ . (LT)

Kiegyenlítettség
A társadalmi jelenségek területi eloszlásának viszonylagos homogenitását jelzi, vagyis a
területi különbségek alacsony voltát vagy nem létét (nivelláltságot). A →kiegyenlítődés
statikus párja Fejlettségi mutatók esetében többnyire olyan területi fejlődés következménye,
amelynek során a rosszabb mutatókkal rendelkező területek elérték a fejlettebbek szintjét,
vagy utóbbiak visszaestek. (KA)

Kiegyenlítődés
A területi differenciáltság változásának lehetséges iránya, amely során a területi különbségek
csökkenek (közeledés, nivellálódás). A ~ változás, vagyis dinamikus folyamat, amely a
fejlődés tendenciája lehet, így hosszabb távon magasabb fejlettségi szintet eredményezhet. A
nivellálódás általában úgy valósul meg, hogy a különbségek az elmaradottabb területek
fejlődésével csökkennek, de létezik „lefelé nivellálódás” is, amikor ennek az ellenkezője
történik. A társadalom fejlődésében egyszerre van jelen a ~, és ellentéte, a differenciálódás;
különböző →térségi szinteken ellentétes tendenciák is létezhetnek egyidejűleg. (KA)

Kiterjedés →növekedés

Klaszter
Gazdasági értelemben: egy ágazatra specializálódott regionális →hálózat. Értelmezésének
különböző megközelítései leginkább abban térnek el egymástól, hogy a ~ek funkcionálásában
mely területi vagy ágazati előnyökre helyezik a hangsúlyt, amelyek az együttműködést
összetartják. Az EU Vállalkozási Főigazgatósága négyféle irányzatot különböztet meg a ~ek
definiálásában: az olasz iskola a kis és középvállalkozások térbeli koncentrációja révén
kialakuló iparági körzetekre helyezi a hangsúlyt, ahol fontos szerepet játszanak az externáliák,
a társadalmi és a bizalmi tőke. A kaliforniai iskola a termelési dezintegráció révén kialakult
hálózatokra koncentrál. A hálózat legfőbb céljának a költségminimalizálást tartják. Az északi
vagy skandináv iskola a kizárólag helyben hasznosítható nem kodifikált rejtett tudást,
valamint az ennek révén kialakult →innovációkat helyezi a középpontba, míg a negyedik, a
porteri megközelítés az előbbiekkel szemben nem a helyspecifikus elemeket, hanem a
vállalati versenyelőnyöket és azok forrásait tartja a legfontosabbnak. Hálózati értelemben:
olyan hálózati alcsoport, amely teljes gráfot alkot, és amelyben minden kapcsolat erősebb egy
meghatározott küszöbértéknél. Statisztikai értelemben: klaszteranalízis módszerével lehatárolt
csoport. (OL)

Kognitív geográfia
A földrajznak azon ága, mely az ember, mint információ-feldolgozó által észlelt →tér, avagy
a →szubjektív tér vizsgálatával foglalkozik. Az ember térbeli magatartásának, valamint az
abból eredő folyamatoknak és struktúráknak a magyarázatát mind az ember, mind a tér felől
megközelítve vizsgálja. (RSZ)

Kognitív tér → észlelt tér

Kohézió
Egyenrangú partnerek szoros együvé tartozása. A regionális fejlődésben a viszonylagosan
kiegyenlített, sok szálon, egyenrangú kapcsolatokkal összefonódó →térségek sajátja. Az EU
egyik fő stratégiai célja a tagországok és a régiók ~jának erősítése. Ezt segítik a különböző
közösségi források, nevezetesen az ún. Kohéziós Alap is. (NNJ)

Komplex gazdasági körzet

Az országokon belüli területi munkamegosztás rendszerének alapvető fontosságú elemei a
különböző méretű és rangú térszerkezeti egységek →hierarchiájának csúcsán. Ezek végső
soron úgyszintén topikus alaptérelemekből épülnek fel, magasabb szinten pedig a természeti
adottságok és a történelmi fejlődés során kialakult társadalmi feltételek, valamint a bonyolult,
ágazati kapcsolatok talaján szerveződő, különböző szintű területi-termelési komplexumokból
tevődnek össze. Határaik nem élesek és időben változók. Jellemzőjük a viszonylagos
gazdasági önállóság, sokoldalúság, egyszersmind az országos, esetleg nemzetközi
szempontból is számottevő specializáció, valamint a gazdasági tevékenység differenciált
területi szerkezete. (BE)

Koncentráció
Társadalmi-gazdasági tevékenység, illetve produktum elsősorban mennyiségi jellegű
összevonása, összegyűjtése, felhalmozása egy központi helyre. (LH)

Konfiguráció
A térbeli →egyenlőtlenséggel, és →rendezettséggel összefüggő fogalom, amely egy adott
→alakzat elemeinek elrendeződését írja le. A ~ jellemzően matematikai eszközökkel leírható,
ám egy adott ~ még nem jelent feltétlenül működőképes rendszert. Szűkebb értelemben a
számítástechnika világában terjedt el, egymásra épülő hardver-elemek rendszereinek
megnevezésére. (→térszerkezet) (JF)

Közelhatás →szomszédsághatás

Középpont
A fizikai (geometriai) →külső tér kitüntetett helyzetű →téreleme, az a pont, amihez a vizsgált
rendszer (halmaz) többi pontja összességében a legközelebb van. (LH)

Központ
→Belső térben kijelölhető, minőségi és/vagy mennyiségi jellemzők alapján kiemelkedő,
többlettartalommal rendelkező →középpont. (LH)

Központi mag
A →centrum-periféria viszonyrendszerben helyzeti és fejlettségi jelentésben is
→centrumként értelmezhető →térség. (LH)

Közösségi tér
Az építészeti térértelmezés szerint a →tér azon része, az a közeg, ahol a közösségi vagy
csoportidentitások kifejlődnek, s amely egyben a →személyes tereket elválasztja, elkülöníti
egymástól. A ~ megjelenésében kifejezője lehet egy népcsoport, egy társadalmi réteg sajátos
kultúrájának, →térhasználati szokásainak. (JF)

Külső tér
Az abszolutista térfelfogásból (→tér) levezethető, háromdimenziós tér, földrajzi, földi tér,
vagy környezet, amely tartályszerűen körülvesz, s minden anyagi létezőt magába foglal. Az
egyes entitások a lokalizálás útján kapcsolódnak a ~hez, az egyes →helyekhez. A ~ analóg
fogalmának tekinthető a fizikai tér. (JF)

Kvantitatív forradalom
A tudományos ismeretszerzés radikális átalakulása, amely a földrajztudományban ment végbe
az 1950-es és 60-as években. Gyorsan átjárta a tudományterület egészét, és széles körben
elfogadottá vált a tudományos közéletben (először az angolszász országokban, később a világ
más részein is). A ~ szorosan összekapcsolható a földrajztudományban végbement pozitivista
fordulattal, amelynek lényege a jelenségek tudományos módszerekkel történő magyarázata.
Ennek következményeképp a korábban uralkodó idiografikus (egyedi helyeket leíró és ezek
különbözőségét kiemelő) szemléletmódot felváltotta az általános törvényszerűségeket és a
térbeli viszonyokat magyarázó elveket kereső nomotetikus megközelítés. A kvantitatív
forradalom nyomán kerültek a földrajz, és a →regionális tudomány elemzési eszköztárába a
ma is alkalmazott statisztikai és matematikai módszerek. Ezen módszerek elterjedését
megalapozta a térbeli jelenségekhez köthető információanyag rohamos bővülése, valamint a
számítógépek és a számítógépes adatfeldolgozás elterjedése. (TG)

Lokalitás
A településből, mint kiindulási egységből kialakuló új entitás. Egy kiinduló egységből
(településből) akkor válik új entitás (lokalitás), ha a társadalomszerveződésben felerősödik a
települések szerepe, ha tudatosan felismert s legalább tradícióként hat a helyi szellemiség, és
ebből azonosságtudat és szervezett társadalmi aktivitás fakad, azaz lokalizálódási tendenciák
érzékelhetőek a reálfolyamatokban s a lokalizmus eszmerendszere megjelenik a ,,fejekben’’.
(BE)

Makrorégió →nagytérség

Mental map
A →kognitív geográfia alapvető kategóriája. Valamely személy belső képe, benyomásai az
általa ismert világról. A ~ kutatás szellemi elindítója Kevin Lynch öt →térelemet jelölt ki:
path (utak, útvonalak); edges (→határok, élek, szegélyek, peremek); districts (negyedek,
körzetek, kerületek); nods (→csomópontok); landmarks (iránypontok, tájékozódási pont). A ~
kutatása három jellemző kérdéscsoportból áll: megkérik a vizsgálat alanyát egyrészt, hogy
jellemezzen egy bizonyos →helyhez vezető útvonalat, másrészt, hogy rajzoljon térképet egy
adott →területről, harmadrészt, hogy egy meghatározott rövid idő alatt soroljon fel annyi
helységnevet, amennyit csak tud. Ez a térkép általában a →tér egy részének azon aspektusait
hangsúlyozza, mely személyes okokból fontos, ismerős, hasznos, vagy érdeklődésre számot
tartó az adott személy szempontjából. A ~ ritkán arányos, s kifejezetten eltér a hagyományos
topográfiailag pontos térképektől. (OL-RSZ)

Migráció
A →mobilitás földrajzi, →külső térben megjelenő formája (területi mobilitás), szinonim
fogalma a vándorlás. A ~ a természetes szaporodás mellett a népesség eloszlásának és
struktúrájának másik meghatározó tényezője. Mérése a vándorlási különbözettel (nettó
vándorlás) történik, amely adott területen a be- és a kivándorlások egyenlegét adja meg. A
bruttó vándorlás magában foglalja az összes →áramlást. A vándorlási távolság alapján
általában három kategóriát különítenek el a ~n belül: van országon belüli, országok közötti és
interkontinentális vándorlás. Egy adott →területre vonatkozó iránya szerint a ~ lehet
bevándorlás (immigráció), illetve kivándorlás (emigráció). Rendszerességüket tekintve a
migrációs mozgások típusai: 1.) a lakóhely tartós vagy végleges megváltoztatásával; 2.)
idényjellegű, szezonális vagy rövidebb ideig tartó lakóhely-változtatással járó vándorlások;
3.) az ingavándorlás, amelynek során pl. a munkahely felkeresése rendszeresen mozgással jár,
de a lakóhely nem változik. Egyes szerzők a térbeli mobilitásnak nem minden formáját
tekintik ~nak. Ennek értelmezésük szerint magában kell foglalnia a lakóhely tartós vagy
ideiglenes megváltozását, így ez alapján pl. az ingázók vagy a nyaralók mozgásait kizárják. A
→mobilitásnak ezt a formáját általában cirkulációnak nevezik, ami tehát rendszerint
rövidtávú, körkörösen ismétlődő mozgást jelent, a lakóhely hosszú távú megváltoztatása
nélkül. Más kritériumok szerint többek között tipizálni lehet a ~t a távolság (rövid/hosszú), az
elhatározás kialakulása (önkéntes/kényszerített), a vándorlók száma (egyéni/csoportos), az
okok (gazdasági/szociális) szerint. A ~t érintő kutatások vizsgálják a vándorlás gazdasági
okait és következményeit – a vándorlók jellemzői, a távolság és más faktorok bevonásával –,
azonban még mindig nem született egységes ~s elmélet a különböző megközelítések
integrálásával. (KA)

Mikrotér →proxemika, →térség

Mobilitás
Általános értelemben mozgathatóságot, mozgékonyságot jelent, a társadalomtudományokban
pedig egyének vagy csoportok képességét →helyük és →helyzetük társadalmon belüli
megváltoztatására, illetve tényleges mozgásjelenségeiket. A ~t két típusba lehet sorolni attól
függően, hogy a mozgás a →külső vagy a →belső térben zajlik-e, ennek megfelelően
beszélünk térbeli, földrajzi (→migráció vagy vándorlás), illetve társadalmi ~ról, amikor az
egyén társadalmon belüli helyzete változik meg. A kétféle mozgás egymástól függetlenül is
létrejöhet, de a kettő között viszonylag szoros az összefüggés: a tényleges helyváltoztatás
gyakran jár együtt a társadalmi helyzet megváltozásával. A népesség ~i képességét és
készségét befolyásolhatja többek között az etnikai hovatartozás, az életkor, a képzettségi, a
kulturális és a jövedelmi szint is, amelyek alapján kirajzolódnak mobilabb és kevésbé mobil
csoportok. (KA)

Modell
A ~ek a valóság egyszerűsített megjelenítési formái, amelyek általános állapotok leírására és
elemzésére szolgálnak, ezen kívül segítik a valóság jobb megértését. Egy jelenség
modellezésével kiemelhetők annak lényegi tulajdonságai és jellegzetességeit alakító
folyamatai. A modellépítés egy fajta szelektív megközelítés, ami az esetleges hatások
kiküszöbölésén keresztül megenged néhány alapvető, lényeges vagy érdekes valóság-
értelmezést általánosított formában. A hangsúly a generalizáción van. A modellezéssel együtt
járó absztrakció három szinten valósulhat meg: az első a képszerű ~ek szintje. Ezek a
leginkább valósághűek, tulajdonképpen a valóság leegyszerűsített formájának tekinthetők.
Ennél elvontabb az analóg ~, amelyben a valóságos jelenség egy másmilyen, de analóg
jelenség formájában van megjelenítve. Az analógiák széles köre teszi lehetővé, hogy
különböző társadalmi jelenségek matematikai, biológiai vagy fizikai összefüggéseken
keresztül váljanak értelmezhetővé (például a különböző ökológiai ~ek, a →diffúzió elmélete,
a gravitációs modell és az ebből levezetett potenciálmodell, vagy a velük rokon
entrópiamodell). A harmadik absztrakciós szint, ami a valóságtól legtávolabb áll, a
szimbolikus ~ek szintje, amelyen a valóságos jelenség matematikai kifejezéseken keresztül
van megjelenítve. A ~ek használhatósága alapvető kérdése a modellezési eljárásnak
→regionális tudományi vizsgálatokban, és sok tekintetben függ attól, hogy a modellépítés
milyen absztrakciós szinten lett megvalósítva. Az analógiák keresése sok esetben erőltetettnek
tűnhet, hiszen a különböző ökológiai, fizikai jelenségek nem feleltethetők meg teljes
egészében a társadalmi folyamatoknak és jellegzetességeknek. A szimbolikus ~ek pedig
túlzott általánosításukon keresztül elfedhetik egy-egy jelenség valós jellemzőit. (TG)

Nagytérség
A regionális szerveződés felső szintje. Esetenként országhatárokon átívelő, →fekvés,
természeti adottságait tekintve összetartozó, jellemzően többközpontú egység, csak ritkán
intézményesített irányítási funkciókkal, leginkább a nagytávlatú területi tervezésben kap
szerepet. Nagyobb országok esetében az országos szint alatti egység, az EU-ban ennek felel
meg a NUTS1. (NNJ)

Növekedés
A tulajdonképpen a térkitöltés folyamata. A társadalmi mozgások közé sorolható jelenség
leginkább abban különbözik a →terjedéstől, hogy ebben az esetben a →térelemek változnak,
mozdulnak el (nem pedig egy új jelenség előfordulásának területe növekszik). A ~ a
→térszerkezetre is ható mennyiségi gyarapodás, azért elsősorban a térméretek és az →alak
változásával írható le. Ellentétpárja az összezsugorodás. Különböző térbeli ~i típusokat lehet
megfigyelni: lineáris, radiális, egyirányú ~, pl. szatellit-települések létrehozása, párhuzamos
települések kialakulása. (KA)

Növekedési pólus-elmélet
A ~ szerint valamely →térség fejlesztése úgy indítható el, gyorsítható fel, ha a →régió
egészére hatást gyakorolni képes →központokat, növekedési →pólusokat alakítanak ki,
amelyek kisugárzó és vonzó hatásainak eredményeként az egész →térség fejlődése
felgyorsulhat. Az elmélet gyökere F. Perroux nevéhez fűződik, aki pólusként gazdasági
tevékenységeket jelöl meg. A földrajzi térbe J. Boudeville vitte át, akinél a pólusok
települések, térségek formájában jelennek meg. (BE)

Objektív tér
A →térelemek jellege (tartalma, minősége) szerint meghatározott →tér, amely független az
észlelő szubjektív megítélésétől. (JF)

Önhasonlóság
Egy →alakzat akkor önhasonló, ha kis részeit felnagyítva matematikailag azonos típusú
alakzathoz jutunk, mint amilyen maga az egész alakzat. Az önhasonlóság a → fraktál fontos
tulajdonsága. (OL)

Peremi helyzet
Jelenthet →külső térbeli, →határ menti helyzetet, de →belső térben is értelmezhető szélső,
esetenként elszigetelt →térelem →helyzeteként. (LH)

Periféria
Relatív →peremi helyzetű →térelem vagy →térrész, mely a geometriai →helyzet mellett
negatív minőséget is magában hordoz. Egy tetszőleges méretű, egyenlőtlen térbeli
rendszerben a többi térelemhez képest peremi elhelyezkedésre utal, ellentétpárja a →centrum.
Jellemzője a centrumtól való függés, de a kapcsolatok hiányát, az elszigeteltséget is jelentheti.
(LH)

Polarizáció
A térbeli differenciáció egy típusa. A szélső csoportok közötti →távolság, →egyenlőtlenség
növekedése. (RSZ)
Pólus
A társadalmi-gazdasági teret erőtérként modellező eljárásokban a →teret létrehozó, generáló,
környezetét alakító →hely, ahol az erővonalak összesűrűsödnek. A →regionális gazdaságtani
növekedéselméletek közül a →növekedési pólus-elméletben fejlesztési célpontként jelenik
meg. (LH)

Pontalakzat
Olyan →modell, amely elkülönülő, nem pontszerű elemekből álló természeti és társadalmi
rendszerek elemeit a →térben pontként ábrázolva jeleníti meg. A ~ok lehetővé teszik az
eredeti, elkülönült elemekből álló rendszerek mennyiségi elemzését a pontok ~on belüli
elrendeződésének matematikai vizsgálatával. (LT)

Potenciál →társadalmi térerősség

Proxemika
Az élőlények, de elsősorban az emberek távolság- és térérzékelésével, az egyének közötti
távolságtartással, nem-verbális kommunikációval, mindezek fiziológiai, pszichológiai,
szociológiai és kulturális hátterével és következményeivel foglalkozó tudomány. A
tudományos gondolkodásba való bevezetése E. T. Hall nevéhez fűződik. Az egyének közötti
mikrotereket az ún. rejtett →dimenziók tagolják, ezek a kulturális és civilizációs különbségek,
a társadalmi státus, az eltérő nyelvhasználat. (JF)

Régió
1) a hétköznapi fogalomhasználatban a →térség, vidék, övezet, →táj, körzet, államokon
belüli területegység szinonímája. 2) A → regionális tudományban a ~ lehatárolt, a
környezetétől elkülönülő területi egység a nemzeti és a települési szint között, amelyet a
társadalmi folyamatok széles körét átfogó, soktényezős társadalmi-gazdasági összekapcsoltság
(kohézió), lakosainak érzékelhető regionális összetartozása (identitás-tudata) valamint érdemi
irányítási hatáskörű és önállóságú regionális intézmények rendszere fog tartós egységbe. A ~ a
fejlett országok, illetve ezek integrációi → regionális politikájának egyik központi fogalma.
Különösen Európában erősödő politikai és szellemi irányzat a ~k szerepét, az országos
szinttel szemben növelni kívánó → regionalizmus.

A ~kat számos tudományterület vizsgálja. Az egyes tudományágak gyakran más és más

tartalmi hangsúlyokat használnak a ~k meghatározása, vizsgálata során. A modern →
regionális földrajz elsődlegesen a térségek természeti és gazdasági-társadalmi komplexitását
emeli ki. A szociológia, az antropológia az etnikai-kulturális, szellemi-tudati összetartozásra, a
mentalitás, az értékek hasonlóságára teszi a hangsúlyt. A politológia, a politikai földrajz a ~
fogalmát elsősorban nemzetközi keretekben használja. Sajátos politikai ~knak tekinthetők
országon belül a választási körzetek. Az igazgatástudomány szemléletében alapvető
régióformáló momentum az intézményesült irányítási, igazgatási, hatalmi hatáskörök megléte, a
minél kiterjedtebb területi önigazgatás. E tudományterületek kiemelt fontosságot tulajdonítanak a
~központok kijelölésének valamint a politikai hatalom térbeli megosztásának, a →
devolúciónak.(NNJ)

Regionális fejlődéselmélet
A gazdaság és a társadalom →térben egyenlőtlen fejlődését leíró, magyarázó és ezek alapján
fejlesztési irányokat megfogalmazó, elsősorban közgazdasági tartalmú elméletek. A
regionális fejlődés kettős folyamat, amely magában foglalja a regionális növekedést és a
regionális kapcsolatok, szerkezetek átalakulását. A ~ek mindegyike arra világít rá, hogy a
gazdasági és társadalmi fejlődésben kiemelt szerepe van a differenciált területi adottságoknak.
A termelési tényezők (föld, munka, tőke, menedzsment, technológia), a →fekvés, a szállítási
költségek, általában a gazdaság és a társadalom térbelisége elágazó fejlődési pályákat
teremtenek az egyes térségek számára. A ~ek legkorábbi csoportjait az ún. klasszikus
telephelyelméletek alkotják, amelyek először egy-egy vállalkozás vagy ágazat
telephelyválasztását elemezve tárták fel a gazdasági →térszerkezet és munkamegosztás térbeli
rendjét. A 20. sz. közepére világméretekben és az egyes országokon belüli kialakult éles
területi fejlettségi különbségek hatására kialakuló új elméletek már hosszabb történeti távon
keresik e folyamatok okait. Ezek az elméletek rámutatnak arra, hogy a termelési tényezők
korlátozott térbeli mobilitása következtében a piacgazdaságok folyamatai gyakran a területi
fejlettségi különbségek erőteljes növekedését eredményezik, s ezért a kiegyenlítettebb
térszerkezet létrehozásában nélkülözhetetlen az elmaradó térségeket állami támogatása. A
→területi egyenlőtlenségek csökkentését célba vevő, gyakorlatiasabb elméletek közé tartozik
a francia F. Perroux →növekedési pólus elmélete. A 20. sz. hetvenes-nyolcvanas éveiben a
térszerkezetek statikus leírásával szemben előtérbe került a térfolyamatok dinamikus
magyarázata, amelynek középpontjában az →innovációk (a legtágabb értelemben vett
műszaki, gazdasági, társadalmi-szervezeti újdonságok) térbeli →terjedésének vizsgálata áll.
Napjaink ~eiben a →globalizáció térségi hatásainak vizsgálata áll a középpontban. A
gazdasági fejlődés illetve fejlettség fogalma helyett ezen elméletek a területi versenyképesség
növelését emelik ki. (NNJ)

Regionális földrajz
A földrajztudomány egyik ága, nem új keletű részdiszciplína, hagyományai már az ókori és
középkori földrajztudósok munkáiban is fellelhetőek. Születése óta értelmezése, megítélése,
módszerei sokat változtak, de lényegét tekintve minden megközelítés egyetért abban, hogy a
~ a földfelszín egyes →tájainak, →területeinek összetett – természet- és társadalomföldrajzi –
jellemzését hivatott leírni, a téralkotó tényezők és folyamatok hatásait bemutatni, magyarázni.
A hagyományos leíró földrajzzal szemben nemcsak az enciklopédikus ismeretek felsorolását
irányozza meg, hanem ok-okozati összefüggésekre is rávilágít. Feladata, hogy meghatározza
az egyes területegységek közti különbségeket, hasonlóságokat, felfedje azok sajátosságait, a
→hely egyediségét A 20. század második feléig szerepe felértékelődött, a tudomány-
rendszertani összegzések nagy részében szintetizáló szemléletmódja miatt előkelő helyre
került, mintegy a földrajz csúcsának tartották. A 20. század második felében a ~nak vegyes
megítélésben volt része. A komplex elemzési törekvések ellenére egyre inkább elválik a ~on
belül a regionális természet- és társadalom-, illetve gazdaságföldrajz. A ~ vizsgálatának
tárgya, illetve kerete lehet bármely területi egység: kontinensek, →nagytérségek, vagy kisebb
körzetek is. Leggyakoribb formája talán a ~i jellemzésnek az országok bemutatása. Újabban –
a →régió fogalmának hangsúlyossá válásával – az egy államon belüli, kisebb
területegységekre vonatkozó a regionális elemzések váltak gyakoribbá. (KA)

Regionális gazdaságtan
A közgazdaságtan azon ága, amely a gazdaság általános törvényszerűségeinek térbeli
jelenségeivel foglalkozik; azok térbeni →dimenzióit, térbeni megvalósulását vizsgálja. A
viszonylag rövid múlttal rendelkező, körülbelül 70-80 éves tudomány szemléletében
elsődleges az általános gazdasági szemlélet, a jelenségekre csak másodsorban tekint területi
kérdésként. A ~, mint a közgazdaságtan önálló tudományterülete inkább külső tényezők
hatására, mintsem a gazdaságtudomány önfejlődésének következményeképpen alakult ki. A
gazdaságirányításban már korábban elterjedt tervező szemlélet erősítette a közgazdaságtan
területi kérdésekkel foglalkozó részével szembeni követelményeket. Ennek
következményeként kidolgozásra kerültek a főbb közgazdasági elméletek területi adaptációi.
A ~, csakúgy mint a közgazdaságtudomány, két fő diszciplínára osztható fel: a területi
mikrogazdaságtanra, és a területi makrogazdaságtanra. A területi mikrogazdaságtan fő
vizsgálati tárgya (különböző →modellek felállításával) a vállalatok telephely-választási
döntései annak megértése céljából, hogy azok milyen kritériumok alapján optimalizálják
választásukat. A területi makrogazdaságtan a nemzetgazdaságot, mint pontszerű →régiók
összességét tételezi fel. A ~ tehát a területi egységeket nem tekinti valódi területi entitásnak,
hanem az egypontgazdaság törvényeit tartja rájuk érvényesnek, és nem különbözteti meg az
egyes területi egységeken, →régiókon belül tapasztalható eltérő jellegzetességeket. A ~
jelentős vívmánya viszont, hogy a makroszintű gazdasági vizsgálatokat kiegészíti a régiók
közötti kapcsolatok feltárásával. (TG)

Regionális hálózat
Különféle társadalmi-gazdasági szereplők (intézmények, vállalatok) együttműködésen alapuló
→hálózata, melynek létrejöttében és funkcionálásában meghatározó szerepet játszik e
szereplők földrajzilag egymáshoz közeli elhelyezkedése. A regionális kifejezés ez esetben a
térbeliség hangsúlyozására hivatott, nem pedig egy konkrét körülhatárolt →térrészt jelöl. A ~
fogalma nem azonos egy lehatárolt →régióban működő hálózatok összességével, a ~ok
lehatárolásának kérdése külön területi problémát jelent. (OL)

Regionális politika
A külpolitikában az egyes hatalmaknak, országoknak a világ →nagytérségeivel,
országcsoportjaival kapcsolatos politikája. Ma gyakoribb és elterjedtebb jelentésében
megfelel a területfejlesztési politika fogalmának, ami az országok kiegyensúlyozottabb
területi szerkezetének megteremtését célozza, jellemzően a fejlődésben elmaradott, leszakadó
→térségek (→ régiók) fejlődésének központi, állami támogatásával. Ez a részpolitika a fejlett
országokban a 20. század második felében került előtérbe. Beavatkozási területei elsőként a
túlzsúfolt nagyvárosi régiók voltak, ahol a fejlesztés korlátozásával, a környezetet károsító
közlekedés korszerűsítésével csökkentették a feszültségeket, s a vidéki nagyvárosok szerepét
növelve igyekeztek ellenpólusokat létrehozni (1950-es évek). Ezzel párhuzamosan az
infrastruktúra kiépítésének kiemelt állami támogatásával, az iskolázottság, képzettségi területi
kiegyensúlyozásával, s helyi támogatásokkal fékezték a periférikus helyzetű, elsősorban
agrártérségek leszakadását (1960-as évek). A ~ eszközeivel segítették a válságba került
nehézipari térségek gazdasági szerkezetének átalakítását (1970-es 1980-as évek). Mindezek
hatására ezekben az országokban, ha nem is tűntek el, de jelentősen csökkentek a területi
fejlettségi különbségek. A legújabb időszakban a ~ban egyre nagyobb hangsúlyt kap a helyi
tradíciókra, kezdeményezésre, megújulási képességre támaszkodó fejlesztési irány, a modern
információs →hálózatok, a tudásközpontú gazdaság elterjedésének serkentése. A helyi
szereplők, mindenek előtt az önkormányzatok növekvő aktivitása jelenik meg a térség- és
településmarketing szemléletében, amely a sajátos termékként értelmezett városok, régiók
vonzóvá tételét a marketingből átvett eszközökkel támogatja. (NNJ)

Regionális tudomány
a 20. sz. második felében kifejlődött, tudományrendszertani helyét tekintve
multidiszciplináris társadalomtudomány. A →térrel foglalkozó társadalomtudományok közös
alapfogalmait, elméleteit és módszereit foglalja egységes rendszerbe s a társadalmi és
gazdasági jelenségeket ezek felhasználásával vizsgálja. A ~ a társadalom térbeli jelenségeit
minden térségi szinten elemzi, az egyéni-közösségi mikroterekben, a települések, a →régiók
és országok, a nemzetek feletti integrációk szintjén és világméretekben is. Tudománytörténeti
gyökereit a társadalomföldrajz, a →regionális gazdaságtan, a településszociológia, az
urbanisztika és a politikatudomány adja. Maga az elnevezés Walter Isard amerikai
közgazdász nevéhez fűződik (regional science) (NNJ)

Regionalizáció
A →horizontális térfelosztás, térségelhatárolás egy típusa, a regionális – a települések és az
országok közötti – szinten. A régióképződés egyik feltétele.(BE)

Regionalizálódás
A mezoszintű téregységek, →régiók szintjén erősödő társadalmi és gazdasági szerveződés,
amely e →térségekben soktényezős társadalmi-gazdasági →kohéziót hoz létre. (BE)

Regionalizmus
Az országon belüli területegységek, →régiók szerepét, az állami szinttel szemben növelni
kívánó politikai, szellemi irányzat. A régiók kialakulásában nemcsak a →határok
kijelölésének és a belső gazdasági és társadalmi kapcsolatok erősödésének van szerepe,
hanem a népesség gondolkodásában, mentalitásában megfigyelhető összetartozásnak,
identitásnak is. Fontos régióképző feltétel a helyi intézmények, hatalmi-politika jogkörök
megjelenése is. A ~t épp e két tényezőcsoport táplálja, ezért kiemelt fontosságú eleme a
térségi kulturális, sok esetben etnikai-nyelvi és vallási alapú azonosságtudat valamint a
politikai intézményesültség erősítésére törekvés. A ~ az integrációs folyamat (EU)
kiteljesedésétől erős lökést kapott. Az Európai Unió különböző szerveiben évek óta
napirenden van a regionális intézményrendszerre vonatkozó megoldások vizsgálata és az
alkalmas jogi eszközrendszer kimunkálása. A nemzetek feletti integrációs politikai és
irányítási szint létrehozása viszonylagosan meggyengítette a nemzeti szintek hatáskörét,
amelyek bizonyos hatásköröket, elsősorban a kulturális, oktatási szférákban, a helyi
önkormányzatok irányításában átadtak a régióknak. Különösen a föderális, szövetségi
berendezkedésű államokban (Németo., Ausztria) erős a regionális elkülönültség és
azonosságtudat, ami itt állami-politikai intézményesültséggel is alátámasztott. Etnikai alapon
nyugvó, erős önigazgatási jogosítványokkal rendelkező régiókat találhatunk
Spanyolországban (Katalónia, Baszkföld), de a → regionális politika növekvő szerepe
mindenütt felerősíti a térségi szerveződés és önállóság gondolatát. Szélsőséges változata a
szeparatizmus, amely az adott állami keretekből való kiválást tűzi céljául. (NNJ)

Rejtett dimenziók →proxemika

Rendezettség
Általános értelemben a ~ az egyes elemek között fennálló olyan kapcsolatrendszer, amelynek
segítségével az egységeire bontott egész felépíthető. A kapcsolatrendszerek különböző
szempontok alapján jöhetnek létre, leggyakoribb szempont a →térben való elhelyezkedés. A
térben a ~et két →térparaméter, a →távolság és az →irány megadásával adott viszonyítási
rendszeren belül egyértelműen meghatározhatjuk. (LT)

Szegregáció
Adott →térszerkezetben az azt alkotó →térelemek közötti elkülönülés, a ~ folyamata során az
egyik térelem, vagy létező felülreprezentálttá vagy alulreprezentálttá válik a másik létezőhöz
képest az adott →térrészen belül. A ~ fogalma leginkább a településszociológiában
használatos és az egyes társadalmi vagy népcsoportok területi elkülönülését jelöli. (JF)

Személyes tér
A →proxemika egyik vizsgálati kategóriája. Az egyének körülötti „térburok” amely
megszabja az egyén másokkal szembeni távolságtartását, toleranciáját. Kiterjedésének
nagysága függhet az iránytól, az adott szituációtól, történéstől, attól, hogy kivel szemben kell
fenntartani a ~ sértetlenségét. Az a →távolság, amellyel kiterjedését jellemezni lehet
(bizalmas, személyes, társasági, és nyilvános) kultúrafüggő is egyben. (JF)

Szinergia
A ~ azt koncentrált elhelyezkedésből fakadó előnyt jelenti, ami által egy rendszer elemeinek
működése hatékonyabbá válik, mivel egyesített erejük nagyobb lesz, mint az egyes részek
egyszerű összege. A ~ fogalma matematikai nyelven kifejezve: 2+2>5. (TG)

Szint
Hétköznapi értelemben a →térelemeknek a földi gravitáció iránya által kijelölt vertikális
(függőleges) kiterjedéshez és ezen →irány menti inhomogenitáshoz, magassági tagoltsághoz
kapcsolódó fogalom. A tudományos elemzésben azonban sokkal inkább a szervezetek,
intézmények relációiban jelenik meg (→belső tér). Ezekben a kitüntetett irányt nem a földi
gravitáció határozza meg, hanem az adott szféra saját belső lényegi mechanizmusai pl.
irányítási rendszer, a függés. (BE)

Szociálfizika →társadalomfizika

Szomszédság
A →regionális tudományban többféleképpen értelmezhető. A leginkább a
településtudományban használt megfogalmazás szerint: egy kisebb lakókörzet a városi
→térben. Fontos eleme ennek a felfogásnak, hogy egy közösséget azonosít, egy olyan
környezetet, amelyen belül a mindennapi társadalmi érintkezések a szociális integráció magas
fokát valósítják meg, ezért az egyének szoros kapcsolatban állnak egymással. Ez a fajta ~
azonosítható egy szubkultúraként is, amelyhez a →terület lakosságának nagy része
alkalmazkodik. Egy ilyen környezeten belül a →határok bizonytalanok, viszont a külső
határok könnyebben azonosíthatók. A ~ általánosabb értelmezése szerint a fogalom azt a
térbeli viszonyrendszert jelöli, amelyben az egyes elemek egymással közvetlenül érintkeznek.
Az ezen megfogalmazás szerint inkább szomszédosságként felfogható ~ elválaszthatatlan
logikai kapcsolatban áll a →távolsággal és a közelséggel, minthogy a ~ ezen →dimenzió
mentén értelmezhető. A ~ nemcsak a földrajzi-fizikai térben kaphat értelemet, hanem a
→belső terekben is megjelenik. Ebben az esetben az egymáshoz hasonló jellegzetességekkel
bíró elemeket tekinthetjük szomszédosnak. (TG)

Szomszédsághatás
A →szomszédság, mint környék, környezet felfogás szerint a ~ az a helyi hatás, amelyen
keresztül az emberek helyi társadalmi környezetének jellege befolyásolhatja döntéseiket és
viselkedésüket. A szomszédok olyan magatartási →modelleket kínálnak az egyének
számára, amelyek alkalmazkodnak a sajátjukhoz, és ennek következtében megerősítik saját
identitásukat. Ennek jellemző példája a szavazás, amelynek során nagyobb területi
→koncentráció figyelhető meg valamely állásfoglalás esetében, mint az az egyes lakosok
véleményének ismeretében sejthető lenne. A ~ a társadalmi jelenségek területi mintázatában
is megjelenik. Ebben az esetben az egymással szomszédos területek hasonlósága és
együttmozgása figyelhető meg. Ennek kimutatására alkalmas elemzési eszköz a területi
autokorreláció, ami egy adatsor →térben szomszédos megfigyelési egységeire
vonatkoztatott értékei közti kapcsolatot méri. A szomszédság hatása abban is
megmutatkozik, hogy a járványszerű, vagy szomszédsági →terjedési típusok esetében a
terjedő jegyet az egymáshoz közeli elemek közvetlen érintkezéssel (szomszédjaikon
keresztül) adják át egymásnak. Például valamely →innováció esetében az új felhasználók
inkább a már létező felhasználók közelében vannak, és az innováció átvételének
valószínűsége csökken a növekvő →távolsággal. (TG)

Szubjektív tér
1) A ~ vagy észlelt, szemléleti →tér struktúrája, szerkezete az észlelés mozzanatán keresztül
képeződik le a megfigyelő számára. Objektíve meghatározott tér tehát más és más ~et
alkothat különböző egyének, csoportok számára. 2) Az egyén nem a valós →térszerkezet,
hanem annak benne élő, szubjektív képzete alapján cselekszik a térben. El kell tehát
különíteni a valós (objektív) térszerkezetet, másfelől pedig a valós térszerkezet egyénben
leképeződött szubjektív képét. A ~t alapvetően három tényező, az egyén norma-és
értékrendszere, pszichológiai beállítódása és a térről szerzett információ minősége és
mennyisége határozza meg. Mivel e tényezők eltérnek, ugyanarról a térbeli képződményről az
egyének más és más képzetet alkothatnak. Mivel e tényezők állandóan változnak, a ~ is
állandóan változik. (JF-RSZ)

Táj
Jellemzően természettudományok: a természetföldrajz, (táj)ökológia, erdészet stb., továbbá a
tájföldrajz, →regionális földrajz, néprajz által használatos térbeli alapkategória, amely a
→régió vagy a →hely fogalmával rokonítható, a ~ egyik legjellemzőbb tulajdonsága az
egyediség és a →határok átmenetisége. Az említett tudományágak összefoglalóan a
földfelszín azon darabját értik alatta, amely a tájalkotó (abiotikus, biotikus és társadalmi)
tényezők kölcsönhatásainak eredményeképp vizuálisan is elkülöníthető sajátos „arculattal”
rendelkezik. A néprajz, az emberföldrajz, majd később a szociálgeográfia és a regionális
földrajz az antropogén tevékenység által gyökeresen átformált ~akra bevezette, ill. használta a
mű~ és a kultúr~ fogalmát. (JF)

Társadalmi mobilitás
A →mobilitásnak a →társadalmi térben zajló formája, amelynek során az egyén társadalmi
státusa megváltozik (pl. iskolázottság, foglalkozás változása). Megkülönböztetünk
nemzedéken belüli (intragenerációs) és nemzedékek közötti (intergenerációs) mobilitást. Az
előbbi esetében az egyén státusa egy nemzedéken belül, saját korábbi helyzetéhez képest
változik meg, utóbbinál pedig az egyén abból a társadalmi csoportból mozdul el, ahová
szüleinek családja tartozott. A társadalmi osztályok hierarchikus rendszerezése alapján egyes
szerzők megkülönböztetnek vertikális mobilitást, amely az előbbiekben vázolt társadalmi
felemelkedéssel vagy lesüllyedéssel jellemezhető, illetve horizontális mobilitást azoknak az
elemeknek a mozgása esetében, amelyek hierarchikusan azonos szinten állnak. (KA)

Társadalmi tér
1) A ~ alapja a természeti →tér. A társadalom működése folyamán mozgásfolyamataival
visszahat a természeti térre és formálja azt, illetőleg kölcsönösen meghatározzák és alakítják
egymást. A ~ különböző →térségi szintekre osztható.2) A ~ a társadalmi jelenségek színtere,
más szóval a társadalom tagjai, csoportjai által észlelt és használt tér. A társadalom összes
jelensége, folyamatai, elemei és viszonylatai mind-mind térben zajlanak le, illetve a tér rajtuk
keresztül épül fel. Szűkebb értelmezése szerint a ~ tekinthető egy →homogén csoport által
elfoglalt →térrésznek, amelyet meghatároznak, és jelentéssel töltenek fel az adott csoport
jellegzetességei. Ha egy sokkal tágabb értelmezés szerint vizsgáljuk meg a fogalmat, az tűnik
ki, hogy, majdnem minden tér ~nek nevezhető, hiszen alig találhatunk olyan →tértípust vagy
térrészt (legyen szó →külső vagy →belső terekről), amelyben a társadalom valamilyen
módon ne lenne érintett. (RSZ-TG)

Társadalmi tértudomány
Helyesebb többes számban, tehát ~ok néven használni, mivel több olyan tudomány,
résztudomány összefoglaló neve, amelyeknek közös pontja a társadalom térbeliségének
vizsgálata. Közelítésükben, szemléletükben kitüntetett szerepű a →tér, a térbeliség, kiindulási
pontjuk pedig az adott társadalmi szféra. Ezek szerint a ~ok a →külső és a →belső teret
próbálják összekapcsolni. A ~ok közé tartozik pl. a településszociológia, a →regionális
gazdaságtan, a településtudomány, a regionális demográfia, a politikai földrajz. Ezek a
tudományágak differenciáltak, egyikük sem teljesíti egy átfogó ~ feltételeit. Az egységes ~ a
→regionális tudomány lehetne, amely a társadalom térbeliségét alapjaiban vizsgálja, a
~oknak tulajdonképpen a közös része, azok legalapvetőbb közös fogalmait, elméleteit,
módszereit fogja össze, szintetizálja a sajátos tértartalmakat. (KA)

Társadalomfizika
Eredeti jelentése a szociológiához köthető, minthogy a kifejezés megalkotója (A. Comte) a
társadalom vizsgálatának természettudományos megközelítését kívánta megfogalmazni
benne. Ennek jegyében alakultak ki azok az elképzelések, amelyek a társadalom térbeli
elrendeződését és kölcsönhatásait fizikai törvények és elméletek segítségével kívánták
magyarázni. Az első társadalomfizikai gondolkodók a gravitáció törvényét próbálták a
társadalomra kiterjesztve értelmezni. Ezek a kísérletek több fizikai analógián alapuló modell
megszületéséhez vezettek. Közülük legnagyobb jelentőségű a gravitációs modell és az ebből
levezetett potenciálmodell, de emellett a velük rokon entrópiamodell, valamint a
diffúziómodellek is kiemelhetőek. A ~i alkalmazások a →kvantitatív forradalom nyomán
terjedtek el a területi vizsgálatokban, és ma is gyakorta igénybe vett eszközei a regionális
elemzéseknek. A ~i szemlélet főleg a társadalom térbeli interakcióinak, különböző
jelenségeinek területi mintázatának modellezésében, mozgások, →áramlások leírásában és
előrejelzésében kerül előtérbe. Bár a társadalomfizikai vizsgálatok megállapításait általában
tapasztalati tények is igazolják, magyarázóerejük sok esetben megkérdőjelezett, és emiatt sok
kritika is éri ezeket. (TG)

Távolságfüggés
Valamely jelenség ~e azt fejezi ki, hogy a →tér egy kitüntetett pontjához képest az adott
jelenség hogyan szerveződik, az adott jelenséget meghatározó objektum elemei milyen
→távolságban rendeződnek. (LT)

Településhierarchia
Egy külső társadalmi térbeli elemhez, a településhez kapcsolódó szintrendszer. A ~ fogalmára
azonban nem jellemzőek a hierarchiaviszonyban megtalálható alapvető tulajdonságok. A
települések ugyanis, mint önálló társadalmi entitások között a földrajzi térben nincs a
→hierarchia lényegét jelentő alá-fölérendeltség, csupán a →társadalmi tér egy-egy belső
→dimenziójában. Az egyes településeken általában az azonos hierarchikus szintű
intézmények koncentrálódása figyelhető meg. Ebben az értelemben tehát beszélhetünk a
települések közötti hierarchikus tagolódásról. A települések hierarchikus fokozata,
központosultsága (centralitása) a funkciók mennyiségének és minőségi kombinációjának
függvénye. (BE)

Tér
A matematikai-fizikai értelmezés szerint a ~ n →dimenziós elvont vonatkoztatási rendszer,
amelyben a tárgyak és események helye, mozgása és átalakulása leírható. A ~ a filozófiának a
létezés, az anyag, a mozgás, az idő fogalmával összekapcsolódó alapkategóriája. A
leegyszerűsített filozófiai értelmezések alapján a ~ felfogása két úton lehetséges. Az
abszolutista irányzat szerint a ~ saját struktúrával rendelkező objektív létező, a különvalóság
és a →folytonosság egysége, amely mintegy „tartályként” magába foglalja, „hordozza” a
dolgokat. A relativista irányzat szerint a ~ az objektív létezők közötti viszony, az
együttlétezés rendje, tehát nem önmagában létezik, hanem a létezők viszonya,
→rendezettsége, struktúrája generálja a ~et. Számos tudomány – általában e két metódus
alapján – megalkotta a maga fogalmát a ~ről. A két értelmezés alapján válik el a →külső és a
→belső tér, s lényegében az →objektív és a →szubjektív tér fogalma is. (JF)

Téralakítás →térhasználat

Térelem
A →tér legkisebb megfigyelési és elemzési alapegysége. A geometriában a tér építőelemei a
pont, az egyenes és a sík, de a →regionális tudományban a geometriai ~ek és azok analógiái
(pl. →csomópont, →hálózat, →térrész) mellett mégis a →külső és belső térben is értelmezett
→helyet tekintjük a legáltalánosabb ~nek. (Külső térben általában területegységek, belső
térben pl. társadalmi csoportok, intézményeket, gazdasági egységek jelentik a „helyet”.)
Fogalmát a tér rendszerszemléletű értelmezéséhez kapcsolódóan levezethetjük a legkisebb és
tovább már nem bontható (vagy nem bontott) építőelemekből, ugyanakkor maga a regionális
elemzés is létrehozhat (mesterségesen) az adott vizsgálat szempontjából eleminek számító
alapegységeket (→elemi egység). A regionális tudományi kutatásokban azokat a lehető
legkisebb egységeket célszerű ~nek tekinteni, amelyeknél a vizsgált társadalmi-gazdasági
jellemző még értelmezhető, ugyanakkor további részletesebb →térfelosztás mellett már nem
lenne megfigyelhető, vagy nincs értelme a megfigyelésnek. (LH)
Térészlelés →szubjektív tér

Térfelosztás
Adott →tér kutatási célú felosztása jellemzően a →térelemek valamilyen mennyiségi vagy
minőségi jegyei, vagy azok összessége alapján. Két jellemző iránya a →vertikális térfelosztás
(→belső terek esetén), és a →horizontális térfelosztás (jellemzően →külső terek esetén). (JF)

Térfolyamat
1) A →mozgás, →áramlás, →terjedés stb. dinamikus fogalmának összefoglaló neve. 2) ~nak
alapvetően a konkrét →tereket összekapcsoló folyamatok, valamint az egyes terekben zajló
folyamatok nevezhetők. Ezen kívül a térbeli mozgásokat, illetve a térbeli változást,
arányeltolódást is szokás ~ként azonosítani. A mozgástól a folyamatot (jelen esetben a ~ot)
némileg megkülönbözteti az, hogy ez utóbbi nem egy egyszeri mozgás, hanem cselekvések és
hatások, valamint a környezet megváltozásának láncolattá összekapcsolódó egysége. Ebben a
láncolatban az elsődleges rendező elv nem az időrendiség, hanem az okozati viszony, ami
lehetővé teszi, hogy ezek a jelenségek egy egységes szerkezetbe legyenek foglalva. A ~ ilyen
irányú megkülönböztetésével lehetőség nyílik az olyan összetett és alapvetően nem statikus,
hanem dinamikus jelenségek logikájának megértését, mint például az →agglomerálódás,
vagy a →diffúzió. (JF-TG)

Térhasználat
Mindazon társadalmi folyamatok, amelyek megváltoztatják az adott →terek szerkezetét, a
→térelemek, a különböző →térkategóriák minőségi vagy mennyiségi jellemzőit. Míg a
téralakítás jellemzően →külső és →belső terek esetén egyaránt használatos fogalom, és a
tudatos területfejlesztési beavatkozásokra is utal, addig a ~ inkább csak a →külső tér
társadalmi igénybevételét jelöli, s jellemzően nem tudatos, nem célorientált cselekvés.
(→aktivitási tér) (JF)

Térhatás →területi hatás

Terjedés
A mozgások közé tartozik, új jelenség új helyen való megjelenése. Elsőként a
kultúrföldrajzban alkalmazták a diffúziókutatást, ahol a vizsgálat tárgyát a népcsoportok,
nyelvek, járványok ~e képviseli. Az 1960-as évektől kezdve fokozatosan a technikai és más
újítások, →innovációk kerültek a diffúziókutatás fókuszába. (A diffúziókutatásnak nagy
alakja volt a svéd Hägerstrand, aki először modellezte a diffúziós folyamatot, alapul véve,
hogy a befogadás információátadás és bizonyos fizikai és szocioökonómiai gátak legyőzése
után következik.) Mára a ~ fogalma a →regionális tudományban összefonódott az
innovációéval, tulajdonképpen az innovációk mozgását takarja.. A ~ alanya-tárgya mindig
egy lokálisan megszülető, és onnan (innovációs centrum) csatornákon, →hálózatokon (fizikai
hálózatok vagy mechanizmusok) szétterjedő innováció. A folyamat feltétele a befogadó,
→adaptációs képességgel rendelkező közeg. A ~ szorosan kapcsolódik az egyenlőtlenségi és
rendezettségi viszonyokhoz, összefügg a →társadalmi tér tagoltságával, amely befolyásolja a
~ sebességét és hatókörét, de a ~ folyamata is visszahat a tagoltságra. Az elterjedtség
indikátora lehet a fejlettségnek is, miszerint a stagnálás vagy lassú fejlődés lehet ~hiányos
állapot, vagy nem ~. Negatív ~ a visszaszorulás. A ~i folyamatokat térbeli szabályszerűségeik
alapján kategorizálni lehet. A diffúzió legjellegzetesebb típusa természeti jelenségeknél az
elkeveredés, amely során az egykomponensű, →homogén rendszerek többkomponensűvé
váltak. A diffúzió másik legfontosabb típusa a járványszerű vagy szomszédsági ~, amelynek
során a szomszédos, egymáshoz közeli elemek adják át közvetlen vagy közvetett módon az új
elemet. Közvetlen úton terjed pl. a járvány, közvetetten pl. egy technológiai újdonság, ami az
információn keresztül jut el a befogadó ponthoz. Ez a típus átmenet a természeti és társadalmi
rendszerek között. A hierarchikus ~ már egyértelműen a társadalmi mozgásokra jellemző.
Kiindulási pontja általában egy nagyváros, és onnan terjed tovább az innováció a kisebb
települések felé. A relokációs vagy áthelyeződéses ~t is legtöbbször a diffúziók körébe
sorolják, bár ez inkább egyfajta →migrációként értelmezhető. A vándorlók magukkal viszik
az adott innovációt. A ~i folyamatokra időben és →térben általában jellemző, hogy lassan
indulnak, majd felgyorsulnak, aztán a telítődés közelében megint lelassulnak. A ~i
folyamatokban általában többféle ~i típus keveredik. Eleinte a hierarchikus, aztán a tömeges
~nél a szomszédsági, a telítődéshez közel pedig véletlenszerűen alakul a ~. A visszaszorulás
és a ~ sokszor párhuzamosan egymás mellett létezik. Centralizált gazdaságokban a ~t sok
esetben a terjesztés helyettesíti. (KA)

Térkapcsolat
→Térségi szintek, területegységek, különböző konkrét →terek közötti kapcsolat. Tágabb
értelmezés szerint ~nak nevezhető a kapcsolatok térbelisége, például a gazdasági ágazatok
kapcsolatának területi viszonyai. Az egyes elemek (területegységek), rendszerek ~ainak
elemzése fontos lehet az adott elem vagy rendszer jellemzése esetén. A ~ok jellege felfogható
egyfajta fejlettségi indikátornak is, mivel megismerésük lényeges új információkkal egészíti
ki az adott rendszerről a mindössze a →térelemek egyszerű jellemzői alapján kialakult képet.
A ~ok nagysága, ami például a rendszerek zártságán keresztül mérhető, egy adott →terület
fejlettségi viszonyaira utalhat. A térbeli interakciókat jellemző →modellek (például a
gravitációs-, valamint a potenciálmodell) a ~ok intenzitásáról és irányultságáról, a kapcsolati
rendszeren belüli és a rendszerek közötti mozgásokról adnak képet. A ~i rendszerek
felfoghatók →hálózatként, és ennek megfelelően a társadalmi tevékenységek egyéb
sajátosságai, mint például a sűrűség, az összekapcsoltság vagy az orientáció is értelmezhetők
általuk. A ~ok feltárása elősegíti a térszervező mechanizmusok (adottságok, hatalmi
viszonyok) működésének megértését is. (TG)

Térkategória
Mindazon fogalmak, amelyekkel a →tér alapvető egyenlőtlenségi és rendezettségi viszonyai,
a térben végbemenő különböző →térfolyamatok, a konfigurációk leírhatók. Ezek az
→alakzat, →határ, →hálózat, →hely, →helyzet, →hierarchia, →mozgás, →távolság, a
→térészlelés, →térhasználat stb. (JF)
Térmozaik modell →szomszédság
Térpálya →időföldrajz
Térparaméter
Tágabb értelemben olyan adatok, mérőszámok, →dimenziók, amelyek az egyes →térelemek
közötti viszony leírására szolgálnak, legyen szó →külső vagy →belső térről. Szűkebb
értelemben a földrajzi, →külső tér elemei (területegységek) közötti viszonylatok leírására
szolgáló adatfajták, praktikusan földrajzi koordináták, vagy valamilyen kitüntetett ponttól
való →távolságot írnak le. (JF)

Térrész
Adott →tér valamely szempontok szerint történt lehatárolása nyomán létrejövő téralakzat. A
lokalizált, minőségi, szellemi, kulturális stb. tartalmakkal felruházott ~ a →hely. (JF)
Térség
A →külső tér jellemzően a településnél nagyobb →szintje, amelyet valamely társadalmi-
gazdasági ismérv, kapcsolat alapján lehet lehatárolni; jellemzően a különböző területi
egységek → (régió, megye, kistérség) összefoglaló elnevezése. Ezen →térségi szintek a
→külső tér →horizontális térfelosztásával hozhatók létre. A társadalmi térszerveződés,
→térhasználat egy négyszintű →modellben összegezhető. Mikroterek (egyén, család), lokális
terek (→szomszédság, lakókörzet, település), regionális terek (kistérség, mezokörzet,
→nagytérség), makroterek (ország, országcsoport, világ). (JF)

Térségi szint →térség

Térszerkezet
A térbeli objektumok (→modellekben: pontok) és a közöttük lévő kapcsolatok, viszonyok
(modellekben: élek, tengelyek) alkotta, működőképes konfigurációként, illetve nagyobb
téregységeknek lehatárolt →térrészekre bontásával, s általában egy-egy kiemelt jellemző
szerinti értékelésével, térképezésével feltáruló („regionális”) egyenlőtlenségi és rendezettségi
sajátosságok összességeként értelmezhető összetett térkategória. (NNJ)

Tértípus
A →térelemek jellege, a →tér észlelése, és a terek mérete alapján megkülönböztethetőek a
~ok, amelyek között az adott tudomány térfelfogásától, térszemléletétől függően máson lehet
a hangsúly, más lehet a fő vizsgálati típus. A →regionális tudomány két fő tértípusa a →külső
tér és a →belső tér valamennyi egyéb ~ integrálására törekszik. (JF)

Terület
Lehatárolt →térrész, a síkbeli kiterjedés →dimenziója. Szóösszetételekben gyakran a →térrel
azonos jelentésű. A térbeli és a területi jelenségek között ritkán tesznek különbséget, noha
csak utóbbiban esik hangsúly a lehatárolt területegységekhez rendelt sajátosságokra. (NNJ)

→horizontális térfelosztás
Területi aggregáció→

→horizontális térfelosztás
Területi dezaggregáció→

Területi egyenlőtlenség
A regionális kutatások egyik legfontosabb területe a ~ek vizsgálata, amely során társadalmi
jelenségek térbeli heterogenitását, területegységenként eltérő voltát elemzik
(szocioökonómiai, demográfiai mutatók stb. felhasználásával). A ~eket lehet statikusan (egy
időpontban) és dinamikusan (történetileg, folyamatában) vizsgálni, ennek megfelelően kérdés
lehet, hogy mekkora az egyenlőtlenség mértéke, illetve hogy miképpen változik. A változás
vagy a →kiegyenlítődés (nivellálódás) vagy a további differenciálódás felé mutathat; előbbi
esetében a ~ ellentéte, a →kiegyenlítettség vagy nivelláltság alakulhat ki. Az egyenlőtlenség
általában véve szinonim fogalom a differenciáltsággal, de a területei kutatásokban legtöbbször
az egyenlőtlenség fogalmát a társadalmi értéktartalmakra (fejlettség, esély), a
differenciáltságot pedig értéktartalom nélküli mutatókra használják. Mivel a ~ek állandó
változásban vannak, a jelenséggel a területi fejlődés fogalma kapcsolódik össze: a ~ek
változása nem más, mint a fejlődés. Ez a változás összefügg a társadalmi folyamatokkal; az
egyenlőtlenség mértéke általában köthető a társadalom fejlődésének egyes szakaszaihoz. A
területi különbségek vizsgálatára ~i mutatók sokasága ad lehetőséget, közülük sok az
egyenlőtlenség →dimenziói (elhelyezkedés, mennyiségek, minőségek, szerkezet, szerepkör,
kapcsolatok, viszonyok) közül többet is érint. ~ek minden →térségi szinten léteznek: egy
országon belüli regionális különbségeken kívül nemzetek közötti, és szupranacionális
egyenlőtlenségek is. Adott területen minél kisebb egységenként vizsgáljuk a különbségeket,
általában annál sokszínűbb képet kapunk, annál nagyobb ~gel találkozunk. (KA)

Területi hatás
A téralakító, térhasználó folyamatok, tevékenységek azon következménye, amelynek során
megváltozik az adott területegységek belső szerkezete, vagy egyes jellemzői, egymáshoz való
viszonya. A területfejlesztés szűkebb értelmében kifejezetten olyan mesterséges
beavatkozásokat jelent a területi folyamatokba, amelyek hatással vannak azokra, és így ~sal
rendelkeznek. Viszont más politikai döntéseknek is lehet területfejlesztő hatása, ~a. A ~oknak
a területegységek viszonyát tekintve két jellemző iránya van: a →kiegyenlítődés és az
egyenlőtlen fejlődés. Ebből ered a területfejlesztési politika dilemmája: a különböző
területegységek →kohézióját, vagy pedig a nagyobb terület növekedését,
hatékonyságnövelését segítse-e elő. (JF)

Területi versenyképesség
A területi verseny fogalma abból a tételből indul ki, hogy a különböző területegységek között
az erőforrásokért, a piacokért, a haszonért, a tudásért stb. verseny folyik. Ebben a
megközelítésben a ~ egy területegység azon kompetenciáját jelöli, hogy az mennyire
sikeresen vonzza a tőkebefektetéseket, mennyire szakképzett humán erőforrással rendelkezik,
milyen állapotban van infrastruktúrája, milyen K+F kapacitásokkal rendelkezik, mennyire
innovatív stb. Adott területi hierarchiaszinten található egységek egymással mérettetnek meg,
egymásnak versenytársai. A ~ a gazdaság térbeli tagozódásának megfelelően különböző –
globális, regionális, lokális stb. – szinteken jelentkezik. Korunkban elterjedt a ~et a
középpontba állító területfejlesztési elmélet, amely azonban nem ad kielégítően pozitív
választ az olyan problémákra, mint például a jóléti társadalmak elöregedése vagy a
környezetvédelem. (JF)

Vándorlás →migráció

Vertikális térfelosztás
A →tér (átvitt értelemben vagy ténylegesen) függőleges irányú felosztása, amely →szintek
kijelölésével jár együtt. A →külső térben történő, ténylegesen függőleges irányú ~ eredménye
a magassági tagozódás. A →belső térben történő →térfelosztás eredménye a →vertikumok és
a →hierarchiák. (BE)

Vertikum
Az egymásra épülés, a vertikalitás a társadalmi munkamegosztás alapsémája. A gazdaságban
ennek megjelenése az ágazati (termelési) ~, amely egy területen belül az egyes üzemek olyan
termelési kapcsolatát jelenti, amelynél az alapelv a termelési részfolyamatok egymásra
épülése a technológiai folyamatnak megfelelő sorrendben. (Teljes ~ a nyersanyagból kiinduló
és a késztermék előállításával befejeződő, összefüggő termelési folyamat.) A vertikális
rendszerek: csak teljességükben értelmezhetők, nincs mód az egyes →szintek átugrására, ill.
kihagyására (pl. oktatási rendszer); egy ,,magasabb’’ szint feltételezi az alacsonyabb szintek
létét. (BE)

Vonzás, taszítás
A →térkapcsolatokban, ezen belül is a térbeli egymásrahatások során a társadalmi vonzások
és taszítások nagymértékben befolyásolják magát a →tér jellegét, szerkezetét. Ezek a
térformáló tényezők több változótól függenek, és ugyanígy a vonzó- és taszítóerők hatása is
sokrétű. A vonzás főként adottságokhoz, valamint a társadalmi tömeghez kötődik, hatásait
tekintve pedig például az →agglomerálódási folyamatokat segíti elő. A taszítás leginkább a
különböző társadalmi funkciók elrendeződésében jelenik meg, a fellépő taszítóerők
elsősorban a tagolt térsémák kialakulása felé hatnak a térségi specializáción, →térfelosztáson
keresztül. (TG)

Zárt rendszer
Egy-egy területegység az elemeinek és ezek összességeként magának a térbeli egység
egészének a →térkapcsolati vizsgálata alapján nevezhető zártnak, illetve nyitottnak. Egy
területegység zártságát, és nyitottságát jelző mérőszám, a zártsági index, a területen
bennmaradó kapcsolatok és a területen kívülre jutó kapcsolatok alapján számítható ki. Egy
rendszer külső és belső kapcsolatainak aránya eltérő lehet. Abban az esetben, ha egy
rendszeren belül szélsőséges elzárkózást, tisztán önerőre támaszkodást tapasztalunk, akkor azt
autarknak, magát az elzárkózást autarchiának nevezzük. A társadalmi térségi szinteken
keresztül haladva a rendszerek zártsága méretükkel, és csökkenő belső homogenitásukkal
együtt nő. (TG)
FELHASZNÁLT MUNKÁK

Berényi I. (1997) A szociálgeográfia értelmezése. ELTE Eötvös Kiadó, Bp.

Brunotte, E. von (szerk. 2001/2002) Lexikon der Geographie. Heidelberg
Dusek T. (2004) A területi elemzések alapjai, „Regionális Tudományi Tanulmányok” 10., ELTE, Bp.
Fleischer T. (2003) Hálózatok, hálózati szintek és a hálózat által kiszolgált szintek megkülönböztetése
– módszertani áttekintés egy új elemzési szempont érvényre juttatásához. MTA Világgazdasági
Kutatóintézet, http://vki3.vki.hu/
Gecse G. - Nikodémus A. (2003) A hazai klaszterek lehatárolása – lokációs hányados, „Területi
Statisztika” 6., pp. 507-522.
Hypergéo honlap. http://hypergeo.free.fr/
Johnston, R. J. (szerk. 1997) The Dictionnary of Human Geography. Blackwell, Oxford
Kozma F. (1998) A félperiféria. Aula Kiadó, Bp.
Meggyesi T. (2004) A külső tér. Urbanisztikai Füzetek. Műegyetem Kiadó, Bp.
Miller, G. – Pearce, A. (1997) Dictionnary of Geography. Oxford University Press
Nemes Nagy J. (1998) A tér a társadalomkutatásban. Hilscher Rezső Szociálpolitikai Egyesület, Bp.
Probáld F. (1995) A regionális földrajz helye a geográfiában. „Regionális Tudományi Tanulmányok”
2., ELTE, Bp., pp. 35-62.,
Probáld F. (1995) A világgazdaság regionális szerkezete. In: Probáld F. (szerk.) Pro Geographia
Humana. ELTE Eötvös Kiadó, Bp., pp. 9-36.
Rechnitzer J. (szerk. 1994) Fejezetek a regionális gazdaságtan tanulmányozásához. MTA RKK,
Győr,
Skinner, M. – Redfern, D. – Farmer, G. (2001) The complete A-Z geography handbook. Hodder &
Stoughton, London