Ekonomiczne i finansowe przyczyny szarej strefy w Unii Europejskiej

Abstract

Motywacja: Szara strefa jest problemem o zasięgu globalnym ze względu na powiązania gospodarcze oraz migracje ludności. Nieoficjalna gospodarka występuje w każdym państwie. Jej poziom oraz charakterystyka są uwarunkowane przez czynniki społeczno-kulturowe, ekonomiczne oraz polityczno-prawne.

Cel: Celem artykułu jest wskazanie przyczyn powstania i opis rozwoju zjawiska szarej strefy w państwach Unii Europejskiej (UE).

Materiały i metody: Wykorzystano krytyczną analizę literatury przedmiotu, zarówno polskojęzycznej, jak i zagranicznej oraz analizę statystyczną. Materiał empiryczny stanowią dane Banku Światowego, Międzynarodowego Funduszu Walutowego, Fundacji Heritage oraz organizacji Transparency International.

Wyniki: W 2016 roku odnotowano silną zależność między poziomem szarej strefy a Indeksem Wolności Fiskalnej, Indeksem Percepcji Korupcji oraz PKB per capita. Zdecydowanie słabsza zależności wystąpiła między skalą nieoficjalnej gospodarki a stopą bezrobocia. Jednak nie można uznać, że nie jest to czynnik wpływający na podjęcie decyzji o uczestnictwie w szarej strefie.

Full text

CXY
Pukin, P. (2020). Ekonomiczne i nansowe przyczyny szarej strefy w Unii Europejskiej. Cataaxy, 5(1): 13–23.
doi:10.24136/cxy.2020.002.
Ekonomiczne i nansowe przyczyny szarej strefy w Unii Europejskiej
PAULINA PUKIN
Uniwersytet Warińsko-Mazurski w Olsztynie, Wydział Nauk Ekonomicznyc, Katedra Finansów, ul. M. Oczapowskiego 4,
10-719 Olsztyn, Polska
 paulina.pukin@student.uwn.edu.pl
ocid.org/0000-0002-2162-079X
Abstrakt
Motywacja: Szara strefa jest prolemem o zasięu globalnym ze względu na powiązania gospodarcze oraz migracje
ludności. Nieocjalna gospodarka występuje w każdym państwie. Jej poziom oraz charakterystyka są uwarunkowane
przez czynniki społeczno-kulturowe, ekonomiczne oraz polityczno-prawne.
Cel: Celem artykułu jest wskazanie przyczyn powstania i opis rozwoju zjawiska szarej strefy w państwach Unii Euro-
pejskiej (UE).
Materiały i metody: Wykorzystano krytyczną analizę literatury przedmiotu, zarówno polskojęzycznej, jak i zagra-
nicznej oraz analizę statystyczną. Materiał empiryczny stanowią dane Banku Światowego, Międzynarodowego Fundu-
szu Walutowego, Fundacji Heitage oraz organizacji Transparency International.
Wyniki: W 2016 roku odnotowano silną zależność między poziomem szarej strefy a Indeksem Wolności Fiskalnej,
Indeksem Percepcji Korupcji oraz PKB pe capita. Zdecydowanie słabsza zależności wystąpiła między skalą nieocjalnej
gospodarki a stopą bezrobocia. Jednak nie można uznać, że nie jest to czynnik wpływający na podjęcie decyzji o uczest-
nictwie w szarej stree.
Słowa kluczowe: szara strefa; nieocjalna gospoarka; Unia Europejska
JEL: E26; E62
1. Wprowadzenie
W literaturze przedmiotu nie istnieje jedno-
znaczna denicja zjawiska szarej strefy. Sch-
neider i Enste (2000) zdeniowali szarą strefę
jako „wszystkie aktywności ekonomiczne,
które powinny być uwzględnione przy olicza-
niu rozwoju społeczno-gospodarczego (PKB),
ale nie są zarejestrowane”. Zgodnie z inną de-
nicją, osoby pracujące w szarej strefy nie są
chronione prawnie, a ich warunki pracy oraz
wynagrodzenia mogą być nieabilne i nie-
pewne (Chen, 2007, s. 2).
W literaturze przedmiotu można także
spotkać prolemy terminologiczne, związane
z istnieniem wielu synonimów szarej strefy,
tj. gospodarka: równoległa, nieobserwowana,
nieraportowana, nieformalna. W Europej-
skim Systemie Rachunków Narodowych i Re-
gionalnych (European Union, 2010) można
także spotkać podział nieocjalnej gospodarki
na trzy aktywności: nielegalną, ukrytą i nie-
formalną. Każde z tych określeń dotyczy in-
nego aektu szarej strefy (Kondzielnik, 2017,
s.151).
cby
CATALLAXY
Volume 5 Issue 1 June 2020
e-ISSN 2544-090X
 www.catalaxy.pl
Oryginalny artykuł naukowy
otrzymano: 15.05.2020 / zaakceptowano: 21.07.2020 / opulikowano online: 21.07.2020

CXY
CATALLAXY, 5(1): 13–23
14
Szarą strefę można uznać za prolem
gospodarki światowej z dwóch powodów.
Po pierwsze, zjawisko to dotyczy wszystkich
państw, choć poziom i charakter szarej strefy
różni się między państwami (Schneider i Has-
san, 2016). Po drugie, powiązania gospodarcze
narastające w wyniku globaliz acji przyczyniają
się do tego, że szara strefa stała się prolemem
międzynarodowym, a nawet światowym.
W celu ograniczenia rozwoju nieocjalnej
gospodarki rządy państw powinny ustalić
wspólną politykę przeciwdziałającą, która jed-
nak uwzględniałaby zróżnicowane uwarunko-
wania społeczno-gospodarcze poszczególnych
państw (Petrova, 2019, s. 2).
Celem artykułu jest wskazanie przyczyn
powstania i opis rozwoju zjawiska szarej strefy
w państwach Unii Europejskiej (UE).
W sekcji 2. dokonano przeglądu literatury
podmiotu. W sekcji 3. opisano wykorzystane
materiały i metody. W sekcji 4. przedstawiono
otrzymane wyniki, natomiast w sekcji 5.
zawarto podsumowanie przeprowadzonej
analizy.
2. Przegląd literatury
Prezentację wyników anal izy statystycznej po -
przedzono zeawieniem przyczyn powstania
i opisem rozwoju szarej strefy, o których wspo-
minają ecjaliści zajmujący się nieocjalną
gospodarką, tj. Arsić i in. (2015), Del’Anno
(2007), Kelmanson i in. (2019), Mara (2011),
Medina i Schneider (2018), Schneider (2012),
Schneider i in. (2010) oraz Tudose i Clipa
(2016).
Tudose i Clipa (2016) wymienili kika
przyczyn powstania i rozwoju szarej strefy, tj.:
system ekonomiczny, presja skalna, wartości
wyznawane przez społeczeństwo, system spo-
łeczny, kultura, jakość instytucji pulicznych,
reulacje, międzynarodowy kontekst i ecy-
ka lokalnego samorządu.
Schneider (2012) wyróżnił cztery główne
przesłanki sprzyjające podjęciu decyzji o roz-
poczęciu działalności w szarej stree. Kon-
centrują się one głównie na nieełnianiu
obowiązków administracyjnych oraz zobo-
wiązań wynikających z polityki skalnej i poli-
tyki zatrudnienia danego państwa. Są to m.in.:
 unikanie podatku od dochodu lub od
wartości dodanej oraz innych należności
podatkowych;
 unikanie płacenia składek na ubezpiecze-
nie społeczne;
 unikanie konieczności ełniania określo-
nych norm rynku pracy, np.: płacy mini-
malnej, maksymalnej liczby godzin pracy,
norm bezpieczeństwa;
 unikanie przestrzegania niektórych obo-
wiązków administracyjnych, np.: wypeł-
niania kwestionariuszy statystycznych lub
innych formularzy administracyjnych.
Arsić i in. (2015) zwrócili szczególną
uwagę na wpływ nieefektywności systemu po-
datkowego na rozwój nieocjalnej gospodarki.
Autorzy uznali, że kluczowym czynnikiem
szarej strefy jest system podatkowy. Najistot-
niejsze elementy systemu podatkowego, które
mogą wpływać na rozwój szarej strefy to: wiel-
kość i struktura obciążeń podatkowych, sku-
teczność administracji w poborze podatków,
polityka karna, złożoność i sprawieliwość
systemu podatkowego oraz koszty wynikające
z przestrzegania przepisów. Zgodnie z tym po-
dejściem, wzrost obciążeń podatkowych przy-
czynia się do wzrostu poziomu szarej strefy
w gospodarce.
Niektórzy autorzy dzielą czynniki ze
względu na ich charakter. Medina i Schne-
ider (2018) uznali, że poziom szarej strefy
uwarunkowany jest kwestiami: pieniężnymi,
reulacyjnymi oraz instytucjonalnymi. Przy-
czyny pieniężne obejmują unikanie płacenia
podatków i wszystkich składek na ubezpiecze-
nie społeczne. Kwestie reulacyjne rozumiane
są jako unikanie rządowej biurokracji lub ob-
ciążeń wynikających z ram reulacyjnych. Na-
tomiast przyczyny instytucjonalne dotyczą:
możliwości postępowań korupcyjnych, jakości
instytucji politycznych i praworządności.
Medina i Schneider (2018) wymienili
także czynniki, które kształtują szarą strefę,
tj.: obciążenia podatkowe i skłaki na ubezpie-
czenia społeczne, jakość infrastruktury insty-
tucjonalnej, korupcja, reulacje, usługi sektora
pulicznego, moralność podatkowa, przeciw-

CXY
CATALLAXY, 5(1): 13–23
15
działanie nieuczciwym praktykom, rozwój
ocjalnej gospodarki, bezrobocie, wskaźnik
zatrudnienia, rozmiar sektora rolniczego
w gospodarce, wykorzystywanie gotówki oraz
wzrost gospodarczy (mierzony PKB lub PKB
pe capita).
Schneider i in. (2010) przygotowali po-
dobną listę czynników wpływających na roz-
wój szarej strefy. Są nimi m.in.: obciążenia
podatkowe, intensywność reulacji, usługi
sektora pulicznego, ocjalna gospodarka,
wskaźniki pieniężne, rynek pracy oraz wzrost
gospodarczy (mierzony PKB pe capita).
Del’Anno (2007) zaprezentował kolejne
zeawienie czynników wpływających na roz-
wój nieocjalnej gospodarki. Autor podzielił
czynniki wpływające na rozwój szarej strefy
na: ekonomiczne, prawne oraz związane
z zobowiązaniami statystycznymi. Do pierw-
szej grupy czynników zaliczył: chęć unika-
nia opodatkowania i innych obciążeń w celu
zmniejszenia kosztów działalności. Przyczyną
prawną jest przereulowanie gospodarki w ta-
kich kwestiach, jak: określenie maksymalnej
liczby przepracowanych godzin i bezpieczeń-
stwa pracy. Ponadto, przedsiębiorcy także nie
są chętni do wypełnienia wszekich kwestiona-
riuszy statystycznych.
Inny podział zaproponowała Mara
(2011). Podzieliła ona przyczyny powstawa-
nia i rozwoju szarej strefy ze względu na roz-
wój społeczno-gospodarczy państw. Uznała
ona, że w państwach rozwiniętych nieocjalna
gospodarka przeważnie wynika z niechęci
do płacenia podatków, obciążeń społecznych
i zbyt dużej interwencji rządu. W państwach
transformujących szara strefa jest rezultatem
słabego planowania, scentralizowanej kontroli
i biurokracji. Natomiast w państwach roz-
wijających się przyczynami tego zjawiska są:
utrzymywanie stosunków przekapitalistycz-
nych przypominających rodzaj gospodarki na-
turalnej (barteru), chroniczne bezrobocie oraz
niekonkurencyjność wobec kapitalistycznych
ośroków.
Zdecydowanie rzadziej w literaturze
przedmiotu wyróżnia się czynniki, które
wpływają na motywację do podjęcia pracy
na nieformalnym rynku pracy. Teoria dual-
nego rynku pracy dotyczy niedoskonałości
rynku pracy. Zgodnie z nią, występuje po-
dział społeczeństwa na dwie części: grupę
uprzywilejowaną oraz osoby o niskich kwa-
likacjach, które mają trudności w znalezie-
niu pracy na formalnym rynku pracy. Osoby
zaliczane do tej kategorii częo decydują się
na pracę w szarej stree (Uys i Blaauw, 2006,
ss. 248–255).
Kelmanson i in. (2019) podzielili uwa-
runkowania szarej strefy na czynniki wyjścia
(exit) oraz wykluczenia (exclusion). Pierwsze
z nich związane są z dobrowolnymi wybo-
rami obywateli, którzy podejmują decyzję
o wejściu na nieformalny rynek. Natomiast
aekty wykluczenia wynikają z formalnych
utrudnień, przez które dana osoba poszukuje
zatrudnienia w szarej stree. Czynniki wyjścia
obejmują:
 uciążliwe i kosztowne reulacje, w tym
wysokie koszty wejścia i barie ry hanlowe;
 skomplikowane i nadmierne opodatkowa-
nie oraz słabą administrację podatkową;
 bariery administracyjne, w tym nad-
mierne formalności i korupcja;
 niski poziom monitorowania i egzekwo-
wania łamania prawa;
 niskie korzyści z formalnego zatrudnienia
lub formalnej rejestracji;
 niską jakość dóbr i usług pulicznych (in-
frastruktura, ochrona socjalna);
 indywidualne preferencje la
samozatrudnienia.
Czynniki wykluczające obejmują
natomiast:
 uciążliwe i kosztowne reulacje, w tym
wysokie koszty wejścia i barie ry hanlowe;
 brak możliwości znalezienia pracy
w sektorze formalnym, szczególnie
w przypaku niektórych grup demogra-
cznych, np. młodych lub starych pracow-
ników lub grup etnicznych;
 niską wydajność;
 niski poziom umiejętności i niską jakość
kapitału ludzkiego.

CXY
CATALLAXY, 5(1): 13–23
16
3. Materiały i metody
Wykorzystano krytyczną analizę literatury
przedmiotu oraz analizę statystyczną. Mate-
riał empiryczny stanowią dane Banku Świa-
towego (2016), Międzynarodowego Funduszu
Walutowego (MFW) zamieszczone w puli-
kacji Kelmanson i in. (2019), Fundacji Heri-
tage (2016) oraz organizacji Transparency
International (2016).
Pierwszą wymienioną metodą była ana-
liza źródeł naukowych. Realizację badań
zainicjowały studia literaturowe w oparciu
o krajowe i zagraniczne pulikacje naukowe
dotyczące prolematyki szarej strefy.
Analiza danych statystycznych umożli-
wiła określenie zależności między poziomem
szarej strefy a wybranymi wskaźnikami: tj.
Indeksem Wolności Fiskalnej (Index of Fiscal
Freedom), Indeksem Percepcji Korupcji (Co-
ruption Pecetion Index), PKB pe capita oraz
stopą bezrobocia. Wykorzystano współczyn-
nik korelacji liniowej r-Pearsona.
Poziom szarej strefy rozumiany jest jako
stosunek między nieocjalną gospodarką
a PKB. Wskaźnik ten oszacowano na podsta-
wie pulikacji MFW, tj. opracowania Kelman-
son i in. (2019).
Fundacja Heritage (2016) określa ilo-
ściowo wolność skalną. Za pomocą Indeksu
Wolności Fiskalnej można zmierzyć obciąże-
nie podatkowe, nałożone przez rząd. Składa
się on z trzech czynników ilościowych: górnej
krańcowej stawki podatkowej od dochodu
indywidualnego, górnej krańcowej stawki po-
datkowej od dochodu przedsiębiorstw oraz
całkowitego obciążenia podatkowego, wyra-
żonego jako procent PKB (O, 2018, s. 479).
Indeks Percepcji Korupcji zapropono-
wała organizacja Transparency International
(2016). Jest to wskaźnik subiektywny, ponie-
waż umożliwia klasykację państw weług
stopnia korupcji postrzeganej przez urzędni-
ków państwowych i polityków (Zouaoui i in.,
2017, s. 85).
Dane dotyczące PKB pe capita oraz stopy
bezrobocia pochodzą z Banku Światowego
(2016). Wszystkie dane dotyczą sytuacji go-
spodarczo-politycznej oraz zjawiska sza-
rej strefy w państwach członkowskich Unii
Europejskiej (UE) w 2016 roku (bez Malty
ze względu na brak danych) oraz w latach
1991–2015 (z uwzględnieniem Malty). Dane
te pochodzą z opracowania Medina i Schne-
ider (2018).
4. Wyniki badania
Państwa UE znacznie różnią się między sobą
pod względem przeciętnego poziomu szarej
strefy w latach 1999–2015 (tabela 1.). Naj-
niższy poziom (do ok. 10%) odnotowano
w Austrii, Luksemburu i Holandii. Prze-
ciętny poziom nieocjalnej gospodarki (od
10% do 25%) występował w Niemczech,
Szwecji, Finlandii, Irlandii, Francji, Czechach,
Danii, Słowacji, Belgii, Portugalii, na Łotwie,
Estonii, Słowenii, Hiszpanii i we Włoszech.
Do państw o najwyższym poziomie szarej
strefy (powyżej 25%) zaliczyć można: Polskę,
Litwę, Węgry, Grecję, Chorwację, Bułgarię,
Maltę, Rumunię i Cypr.
W latach 1991–2015 spał poziom sza-
rej strefy we wszystkich państwach UE. Naj-
niższy spadek (poniżej 10%) odnotowano
w Grecji, na Malcie, Luksemburu i Austrii.
Natomiast najwyższy spadek (powyżej 40%)
dotyczył Bułgarii, Holandii, Niemiec, Czech,
Irlandii i Polski. Warto zaznaczyć, że Polska
i Bułgaria to państwa, które przeszły transfor-
mację. Poziom szarej strefy w analizowanych
latach uwarunkowany był wieloma czynni-
kami, m.in. różnicami społeczno-gospodar-
czymi i polityczno-prawnymi.
Na podstawie analizy współczynników
korelacji między poziomem szarej strefy a wy-
branymi wskaźnikami, wymienionymi w ta-
beli 2., można wyciągnąć następujące wnioski.
Po pierwsze, wysoki poziom tego wskaźnika
odnotowano w przypaku Indeksu Wolności
Fiskalnej, Indeksu Percepcji Korupcji i PKB
pe capita. Zdecydowanie słabsza zależność
dotyczyła poziomu nieocjalnej gospodarki
i stopy bezrobocia. Jednak nie można uznać,
że zjawisko bezrobocia nie wpływa na poziom
szarej strefy (tabela 3.).
Zgodnie z otrzymanymi wynikami, najsil-
niejszą, ujemną zależność odnotowano mię-

CXY
CATALLAXY, 5(1): 13–23
17
dzy PKB pe capita a poziomem szarej strefy
(–0,76). Wraz ze wzrostem PKB na osobę
zmniejszał się poziom szarej strefy (wy-
kres1.). Państwa wysoko rozwinięte (Austria,
Belgia, Dania, Finlandia, Francja, Irlandia,
Luksemburg, Szwecja, Holandia i Niemcy)
charakteryzowały się bardzo niskim pozio-
mem nieocjalnej gospodarki. Natomiast
w państwach transformujących się, o niższym
poziomie wzrostu społeczno-gospodarczego
(Bułgaria, Chorwacja, Litwa, Łotwa, Rumu-
nia, Słowacja Polska i Węgry), odnotowano
wyższy poziom szarej strefy.
Silną i ujemną zależność odnotowano
także w przypaku poziomu szarej strefy
i Indeksu Percepcji Korupcji (–0,68). Państwa
UE charakteryzowały się wysokim pozio-
mem tego wskaźnika. Oznacza to, że w wielu
państwach europejskich istniały niewiekie
możliwości nieuczciwych praktyk. Wraz ze
wzrostem korupcji, zwiększał się poziom nie-
ocjalnej gospodarki (wykres 2.). Do państw
o najwyższym poziomie Indeksu Percepcji Ko -
rupcji (w przedziale 40–50%) zaliczyć można
Bułgarię, Grecję, Włochy, Rumunię, Węgry,
Chorwację. Państwa te charakteryzowały się
ponadto najwyższym poziomem szarej strefy.
Silną i dodatnią zależność odnotowano
między poziomem szarej strefy a Indeksem
Wolności Fiskalnej (0,64). Państwa o wysokim
poziomie tego wskaźnika charakteryzowały
się jednocześnie wysokim poziomem szarej
strefy (wykres 3.). Może to oznaczać, że oby-
watele państw, w których obciążenia podat-
kowe nakładane przez rząd są zbyt wysokie,
decydują się na tworzenie przedsiębiorstw
w szarej stree.
Słabą i dodatnią zależność odnotowano
między poziomem nieocjalnej gospodarki
a stopą bezrobocia (0,23). Jedynie w kiku
państwach o stopie bezrobocia powyżej 10%
(najwyższej stopie bezrobocia w UE w ana-
lizowanym okresie) występował bardzo wy-
soki (powyżej 24%) poziom nieocjalnej
gospodarki (wykres 4.). Po państw tych należał
Cypr, Chorwacja, Grecja, Portugalia i Włochy.
W wielu państwach o relatywnie niskiej stopie
bezrobocia występował wysoki poziom szarej
strefy, tj. w Bułgarii, Estonii, na Litwie, na Ło-
twie, Polsce i Rumunii.
5. Zakończenie
Poziom szarej strefy uwarunkowany jest wie-
loma czynnikami, zarówno społeczno-kultu-
rowymi, jak i ekonomicznymi, nansowymi,
politycznymi i prawnymi. Główne z nich to:
chęć unikania pł acenia obciążeń podatkowych
lub składek na ubezpieczenia społeczne, sys-
tem ekonomiczny, wzrost gospodarczy, reu-
lacje, biurokracja, korupcja oraz powszechna
akceptacja ze strony społeczeństwa.
Zgodnie z otrzymanymi wynikami, najsil-
niejsza zależność wystąpiła między poziomem
szarej strefy a Indeksem Wolności Fiskalnej,
Indeksem Percepcji Korupcji oraz PKB pe
capita. Zdecydowanie słabszą zależność za-
notowano między poziomem nieocjalnej
gospodarki a stopą bezrobocia. Jednak nie
można uznać, że nie jest to czynnik wpły-
wający na podjęcie decyzji o uczestnictwie
w szarej stree. Po pierwsze, badania opierały
się na prostej analizie statystycznej. Po drugie,
dane dotyczyły krótkiego okresu i wyłącznie
państw europejskich.
Biliograa
Arsić, M., Arandarenko, M., Radulović, B.,
Ranđelović, S., i Janković I. (2015). Causes
of the shadow economy. W: G. Krstić, i F. Sch-
neider (red.), Foralizing the shaow economy
in Serbia: contibutions to economics. Cham:
Springer. doi:10.1007/978-3-319-13437-6_4.
Bank Światowy. (2016). Pobrane 21.07.2020 z ht-
tps://data.worlbank.org.
Chen, M.A. (2007). Rethinking the informal eco-
nomy: linkages with the formal economy
and the formal reulatory environment. DESA
Wo rki ng Pa pe rs , 46. doi:10.18356/0634a775-en.
Del‘Anno, R. (2007). e shadow economy in Por-
tugal: an analysis with the MIMIC aproach.
Journal of Aplied Economics, 10(2). doi:10.108
0/15140326.2007.12040490.
European Union. (2010). European syste of acco-
unts. doi:10.2785/16644.
Heritage. (2016). Tax Buden 2016. Pobrane
21.07.2020 z hps://www.heritage.org.

CXY
CATALLAXY, 5(1): 13–23
18
Kelmanson, B., Kirabaeva, K., Medina, L., Mir-
cheva B., i Weiss, J. (2019). Explaining
the shadow economy in Europe: size, causes
and policy options. IMF Working Papers, 19/278.
doi:10.5089/9781513520698.001.
Kondzielnik, O. (2017). Szara strefa w Polsce: wy-
brane aekty. Studia Ekonomiczne: Zeszyty
Naukowe Uniwersytetu Ekonomicznego w Kato-
wicac, 315.
Mara, E.R. (2011). Causes and consequences of un-
derground economy. MPRA Pape, 36438.
Medina, L., i Schneider, F. (2018). Shadow econo-
mies around the world: what did we learn over
the last 20 years. IMF Working Pape, 18(17).
doi:10.5089/9781484338636.001.
O, J. (2018). Economic freedom: beer without
size of government. Social Indicators Reseac,
135(2). doi:10.1007/s11205-016-1508-x.
Petrova, K. (2019). Globalization and the infor-
mal economy in developing countries. W: N.
Faghih (red.), Globalization and development:
contibutions to economics. Cham: Springer.
doi:10.1007/978-3-030-14370-1_3.
Schneider, F. (2012). e shadow economy and work
in the shadow: what do we (not) know. IZA Di-
scusion Pape, 6423.
Schneider, F., Buehn, A., i Monteegro, C.E. (2010).
New estimates for the shadow economies al
over the world. International Economic Journal,
24(4). doi:10.4337/9780857930880.00007.
Schneider, F., i Enste, D.H. (2000). Shadow econo-
mies: size, causes, and consequences. Jour nal
of Economic Literature, 38(1). doi:10.1257/
jel.38.1.77.
Schneider, F., i Hassan, M., (2016). Size and develop-
ment of the shadow economies of 157 world-
wide countries: updated and new measures
from 1999 to 2013. Journal of Global Economics,
04(03). doi:10.4172/2375-4389.1000218.
Transparency International. (2016). Couption
Pecetions Index 2016. Pobrane 21.07.2020 z ht-
tps://www.transparency.org.
Tudose, B.M., i Clipa, R.I. (2016). An analysis
of the shadow economy in EU countries. CES
Wo rki ng Pa pe rs , 8(2).
Uys, M.D., i Blaauw, P.F. (2006). e dual labour
market theory and the informal sector in So-
uth Africa. Acta Comecii, 6(1). doi:10.4102/
ac.v6i1.122.
Zouaoui, A., Al. Qudah. A., Arab, M.B. (2017).
World Coruption Perception Index analy-
sis. Reseac Journal of Finance and Accounting,
8(24).
Informacje uzupełniające
Wkład autorski: autor zaakceptował ostateczną
wersję artykułu.
Źróła nansowania: artykuł został w całości
snansowany ze śroków własnych autora.

CXY
CATALLAXY, 5(1): 13–23
19
Aneks
Tabela 1.
Poziom szarej strefy w państwach członkowskich UE w latach 1999–2015 (w % PKB)
Państwo 1991 1996 2001 2006 2011 2015 Przeciętny poziom szarej
strefy w latach 1999–2015
Zmiana
(w %)
Austria 9,03 9,85 8,50 8,34 8,47 9,01 8,93 0,00
Belgia 22,10 23,41 19,78 20,74 17,71 17,8 20,57 –19,46
Bułgaria 35,13 31,45 34,91 26,78 22,39 20,83 29,17 –40,71
Chorwacja 30,70 35,64 30,91 23,80 24,64 22,96 28,81 –25,21
Cypr 36,22 28,94 28,40 29,90 32,71 32,20 31,30 –11,10
Cze chy 18,42 16,05 15,80 13,14 11,68 10,47 14,83 –43,16
Dania 17,08 16,50 14,23 12,66 15,26 14,70 15,19 –13,93
Estonia 23,54 30,22 26,16 19,00 19,67 18,49 23,80 –21,45
Finlandia 16,52 15,91 12,46 11,26 12,19 13,30 13,49 –19,49
Francja 14,96 16,28 13,31 13,31 11,81 11,65 14,08 –22,13
Grecja 28,79 28,63 26,46 24,90 27,08 26,45 27,06 –8,13
Hiszpania 27,49 26,13 23,02 22,96 23,65 22,01 24,52 –19,93
Irlandia 18,36 16,69 12,92 12,59 12,49 9,58 13,89 –47,82
Litwa 21,15 32,22 29,31 22,38 20,86 18,65 25,15 –11,82
Luksemburg 11,07 11,97 10,18 10,33 10,34 10,38 10,67 –6,23
Łotwa 20,07 28,07 25,18 18,13 18,67 16,62 22,23 –17,19
Malta 31,54 33,12 30,66 28,69 28,06 29,43 29,80 –6,69
Holandia 13,21 12,80 10,40 10,94 8,09 7,83 10,77 –40,73
Niemcy 13,26 14,62 12,48 11,41 9,05 7,75 11,97 –41,55
Polska 33,10 28,40 26,90 24,18 19,33 16,67 25,10 –49,64
Portugalia 23,28 23,01 21,79 22,69 20,37 17,82 21,88 –23,45
Rumunia 36,03 31,12 32,33 28,88 25,41 22,94 30,14 –36,33
Słowacja 17,19 18,45 17,23 13,52 11,96 11,18 15,33 –34,96
Słowenia 27,41 27,02 25,00 20,94 22,18 20,21 24,09 –26,27
Szwecja 15,54 16,40 12,10 11,14 11,08 11,74 13,28 –24,45
Węgry 31,89 29,18 24,70 21,05 21,87 20,49 25,23 –35,75
Włochy 29,14 24,18 23,55 23,81 24,54 22,97 24,95 –21,17
Źróło: Opracowanie własne na podstawie Medina i Schneider (2018, ss. 61–76).

CXY
CATALLAXY, 5(1): 13–23
20
Tabela 2.
Zeawienie poziomu szarej strefy (w % PKB) z Indeksem Wolności Fiskalnej, Indeksem Percepcji Korupcji,
PKB pe capita (w tys. USD) oraz stopą bezrobocia (w %) w państwach członkowskich UE w 2016 roku
Państwo Poziom szarej
strefy
Indeks Wolności
Fiskalnej
Indeks Percepcji
Korupcji PKB pe capita Stopa bezrobocia
Austria 9,6 50,7 75,0 45,2 6,0
Belgia 22,1 44,2 77,0 42,0 7,8
Bułgaria 37,8 91,1 41,0 7,5 7,6
Chorwacja 35,0 70,8 49,0 12,4 13,1
Cypr 30,4 76,1 55,0 24,0 13,0
Cze chy 19,4 82,5 55,0 18,5 4,0
Dania 18,4 39,5 90,0 54,7 6,2
Estonia 34,6 81,9 70,0 26,5 6,8
Finlandia 20,0 66,5 89,0 43,8 8,8
Francja 15,0 47,7 69,0 37,0 10,1
Grecja 30,2 64,4 44,0 18,1 23,5
Hiszpania 20,3 58,3 58,0 26,5 19,6
Holandia 13,3 52,7 83,0 46,0 6,0
Irlandia 15,8 73,6 73,0 63,2 8,4
Litwa 35,3 92,9 59,0 15,0 7,9
Luksemburg 9,7 61,1 81,0 104,3 6,3
Łotwa 29,6 84,8 57,0 14,2 9,6
Niemcy 16,7 61,5 81,0 42,1 4,1
Polska 27,8 75,5 62,0 12,4 6,2
Portugalia 24,5 60,5 62,0 20,0 11,1
Rumunia 34,8 87,5 48,0 9,6 5,9
Słowacja 19,5 80,1 51,0 16,5 9,7
Słowenia 28,0 58,6 61,0 21,6 8,0
Szwecja 18,8 44,4 88,0 52,0 7,0
Węgry 26,9 78,7 48,0 13,0 5,1
Włochy 27,3 55,8 47,0 30,9 11,7
Źróło: Opracowanie własne na podstawie Bank Światowy (2016), Heritage (2016), Kelmanson i in. (2019), Transparency
International (2016).
Tabela 3.
Korelacja między poziomem szarej strefy a wybranymi wskaźnikami
Wyszczególnienie Indeks Wolności
Fiskalnej
Indeks Percepcji
Korupcji PKB pe capita Stopa bezrobocia
szara strefa 0,64 –0,68 –0,76 0,23
Źróło: Opracowanie własne na podstawie Bank Światowy (2016), Heritage (2016), Kelmanson i in. (2019), Transparency
International (2016).

CXY
CATALLAXY, 5(1): 13–23
21
Wykres 1.
Zależność między poziomem szarej strefy (w % PKB) a PKB pe capita (w tys. USD) w 2016 roku
0
20
40
60
80
100
120
5 10 15 20 25 30 35 40
PKB per capita
szara strefa
Źróło: Opracowanie własne na podstawie Bank Światowy (2016), Kelmanson i in. (2019).
Wykres 2.
Zależność między poziomem szarej strefy (w % PKB) a Indeksem Percepcji Korupcji w 2016 roku
30
40
50
60
70
80
90
100
5 10 15 20 25 30 35 40
Indeks Percepcji Korupcji
szara strefa
Źróło: Opracowanie własne na podstawie Kelmanson i in. (2019), Transparency International (2016).

CXY
CATALLAXY, 5(1): 13–23
22
Wykres 3.
Zależność między poziomem szarej strefy (w % PKB) a Indeksem Wolności Fiskalnej w 2016 roku
30
40
50
60
70
80
90
100
5 10 15 20 25 30 35 40
Indeks Wolności Fiskalnej
szata strefa
Źróło: Opracowanie własne na podstawie Heritage (2016), Kelmanson i in. (2019).
Wykres 4.
Zależność między poziomem szarej strefy (w % PKB) a stopą bezrobocia (w %) w 2016 roku
0
5
10
15
20
25
5 10 15 20 25 30 35 40
stopa bezrobocia
szara strefa
Źróło: Opracowanie własne na podstawie Bank Światowy (2020), Kelmanson i in. (2019).

CXY
CATALLAXY, 5(1): 13–23
23
Economic and nancial causes of the shadow economy in the European Union
Abstract
Motivation: e shadow economy is a global prolem due to economic links and population migrations. An un-
ocial economy exists in every country. Its level and charaeristics are determined by the socio-cultural, economic
and political-legal factors.
Aim: e aim of this article is to identify the causes of the shadow economy phenomenon and the description of its
development in the European Union countries.
Materials and methods: A critical analysis of the literature on the subject, both Polish and foreign, and a statistical
analysis were used. Empirical material is the data of the World Bank, the International Monetary Fund, the Heritage
Foundation and Transparency International.
Results: In 2016, there was a strong relationship between the level of the shadow economy and the Index of Economic
Freedom, the Index of Coruption Perception and GDP per capita. A much weaker relationship occured between
the scale of the unocial economy and the unemployment rate. However, it cannot be concluded that this is not a fac-
tor inuencing the decision to participate in the shadow economy.
Keywods: shaow economy; unocial economy; European Union
JEL: E26; E62