A nemzetközi digitális gazdaság és társadalom index 2020. évi adatainak statisztikai elemzése

Abstract

A tanulmány célja az Európai Bizottság által készített nemzetközi digitális gazdaság és társadalom index (international digital economy and society index, I-DESI) dimenzióinak elemzése többváltozós statisztikai módszerekkel. A szerzők az EU- (Európai Unió) tagállamok és az EU-n kívüli országok adatainak szétválaszthatóságát diszkriminanciaanalízissel vizsgálják, a dimenziók értékeinek átlagát varianciaanalízissel hasonlítják össze. A dimenziók közötti korrelációt Pearsonféle és parciális korrelációs együtthatók alapján számítják, az összefüggéseket oksági láncon ábrázolják. Főkomponens-elemzés segítségével az öt dimenziót két főkomponensre vezetik vissza és az előző évi adatokhoz viszonyítva értelmezik. A kiugró adatokat a Mahalanobis-távolságokkal értékelik. Eredményeik alátámasztják az Európai Bizottság álláspontját a digitális gazdaság vizsgált dimenziónak szoros összefüggéséről, valamint azt, hogy nincs jelentős különbség az EU-tagállamok és az EU-n kívüli országok között.

Full text

STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
Tarjáni Ariella Janka – Kalló Noémi – Dobos Imre
A nemzetközi digitális gazdaság és társadalom index
2020. évi adatainak statisztikai elemzése
Statistical analysis of 2020 data for the international digital economy
and society index
TARJÁNI ARIELLA JANKA,
a Budapesti Műszaki és Gazdaságtudományi
Egyetem PhD-hallgatója
E-mail: tarjani.janka@gtk.bme.hu
KALLÓ NOÉMI,
a Budapesti Műszaki és Gazdaságtudományi
Egyetem egyetemi docense
E-mail: kallo.noemi@gtk.bme.hu
DOBOS IMRE,
a Budapesti Műszaki és Gazdaságtudományi
Egyetem egyetemi tanára
E-mail: dobos.imre@gtk.bme.hu
A tanulmány célja az Európai Bizottság által készített nemzetközi digitális gazdaság és tár-
sadalom index (international digital economy and society index, I-DESI) dimenzióinak elemzése
többváltozós statisztikai módszerekkel. A szerzők az EU- (Európai Unió) tagállamok és az EU-n
kívüli országok adatainak szétválaszthatóságát diszkriminanciaanalízissel vizsgálják, az átlagokat
varianciaanalízissel hasonlítják össze. A dimenziók közötti korrelációt Pearson-féle és parciális
korrelációs együtthatók alapján számítják, az összefüggéseket oksági láncon ábrázolják. Főkompo-
nens-elemzés segítségével az öt dimenziót két főkomponensre vezetik vissza és az előző évi ada-
tokhoz viszonyítva értelmezik. A kiugró adatokat a Mahalanobis-távolságokkal értékelik. Eredmé-
nyeik alátámasztják az Európai Bizottság álláspontját a digitális gazdaság vizsgált dimenziónak
szoros összefüggéséről, valamint azt, hogy nincs jelentős különbség az EU-tagállamok és az
EU-n kívüli országok között.
TÁRGYSZÓ: nemzetközi digitális gazdaság és társadalom index (I-DESI), információs és kommuni-
kációs technológiák, többváltozós statisztikai elemzés
The aim of this study is to analyse the dimensions of the international digital and society in-
dex (I-DESI) prepared by the European Commission using multivariate statistical methods.
The distinction between EU (European Union) member states and non-EU countries states is exam-
ined through discriminant analysis and the means are compared by analysis of variance. Correlation
between dimensions is studied by Pearson and partial correlation coefficients, and the relationships
between dimensions are plotted on a causal chain. The five dimensions are traced back to two main
components using factor analysis, and interpreted compared to the previous year’s data. Outliers

TARJÁNI–KALLÓ–DOBOS: A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX… 267
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
are rated with Mahalanobis distances. Countries are then grouped using a hierarchical cluster
analysis. The results support the European Commission’s view of the close link between the di-
mensions of the digital economy and no evidence of a significant difference is found between
EU member states and non-EU actors.
KEYWORD: international digital economy and society index (I-DESI), information and communica-
tion technology, multivariate statistical analysis
Az I-DESI egy összetett mutatószám, amellyel az Európai Bizottság
(European Commission [2021a]) az EU-tagállamok digitális fejlődését kívánja kö-
vetni, és összehasonlítja azokat a világ többi részének eredményeivel. A technológiai
fejlődés nyomon követése, az EU-tagállamok nemzeti teljesítményének javítása ér-
dekében, az Európai Bizottság egyik legfontosabb feladatává vált, hiszen ezzel tudja
biztosítani versenyképességét olyan országokkal szemben, mint az Egyesült
Államok, Japán és Dél-Korea.
Az I-DESI öt fő dimenzióból áll.
1. internet-hozzáférés (connectivity): vezetékes és mobil széles-
sávhasználat;
2. humántőke (human capital): a lakosság digitális tudása;
3. internetes szolgáltatások használata (citizen internet use):
a magánszektor online tevékenysége;
4. digitális technológiák integráltsága (business technology):
az üzleti szektor digitalizálása;
5. digitális közszolgáltatások (digital public services): online
közszolgáltatások kereslete és kínálata.
A fő dimenziók további 24 aldimenzión keresztül értelmezhetők. Az adatsor
ebből adódóan egy intervallumskálán mért folytonos többváltozós adathalmaz, ahol
minden egységen több mintát (országot), több változóval mérnek.
Az I-DESI-nél apró változtatásokkal ugyanaz a súlyozási rendszer alkalmazha-
tó, mint a EU-tagállamokat vizsgáló DESI esetében. Ilyen változtatás, hogy az EU-n
kívüli országokból nem állnak rendelkezésre adatok az ultragyors szélessávú inter-
netről és az e-egészségügyről, így ezek az almutatók kimaradtak az I-DESI-ből.
Az Európai Bizottság (European Commission [2021c]) jelentése alapján a DESI és
az I-DESI fődimenzióinak és aldimenzióinak korrelációja erős, a 2015 és 2018
közötti időszak pontszámai és az országranglista között 0,89-es korrelációs értéket

268 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
közöltek, ezért a két vizsgálat összehasonlítása viszonylag nagy megbízhatósággal
végezhető.
Az Európai Bizottság 2020-as hivatalos jelentése a 2015 óta gyűjtött adatok
trendelemzése alapján készült. A jelentés megállapítja, hogy a legjobb értékeléssel
rendelkező EU-tagállamok korrekciós eredményei azonos vagy magasabb szinten
vannak, mint a legjobb EU-n kívüli országoké. A trendelemzés alapján Finnország
vezeti a rangsort, a legeredményesebb EU-n kívüli ország az Egyesült Államok;
Magyarország a középmezőnyben szerepel, 2015 óta fokozatosan zárkózik fel az
EU-átlaghoz.
Írásunkban a 2020. évi I-DESI-adatokat elemezzük többváltozós statisztikai
módszerekkel. Célunk a 27 EU-tagállamra és 18 EU-n kívüli országra (Ausztrália,
Brazília, Kanada, Chile, Kína, Izland, Izrael, Japán, Mexikó, Új-Zéland, Norvégia,
Oroszország, Szerbia, Dél-Korea, Svájc, Törökország, Egyesült Királyság és az
Egyesült Államok) vonatkozó I-DESI-adatok közötti statisztikai összefüggések feltá-
rása, és az EU-tagállamok eredményeinek összehasonlítása az EU-n kívüli résztve-
vők értékeivel.
Tanulmányunk felépítése a következő. Az 1. fejezetben egy rövid áttekintést
adunk a digitalizáció mérésével, a mutatószámok elemzésével kapcsolatos legfris-
sebb szakirodalomról. A 2. fejezetben összefoglaljuk a kutatási kérdéseinket és a
felhasznált statisztikai módszereket. A 3. fejezet tartalmazza a statisztikai elemzése-
ket: a diszkriminanciaanalízist, az átlagok összehasonlítását, a korreláció vizsgálatát,
a főkomponens-elemzést, a parciális korreláció elemzését. Végül a 4. fejezetben
következtetéseinket foglaljuk össze.
1. Szakirodalmi áttekintés
Tanulmányunk előzménye Bánhidi és Dobos [2020], illetve Bánhidi, Dobos és
Nemeslaki [2020] munkái, amelyek az EU-tagállamokra készített 2019-es
DESI-jelentést elemzik többváltozós statisztikai módszerekkel. A szerzők a dimenzi-
ók közötti lineáris összefüggéseket vizsgálták korrelációs, valamint főkomponens-
elemzéssel, az oksági láncot szintén parciális korreláció segítségével állították fel.
Az EU-tagállamokat klaszterelemzéssel csoportosították. A metódusok sorát jelen
írásunkban az EU-tagállamok és az EU-n kívüli országok adatainak diszkriminancia-
analízisével és átlagaiknak összehasonlításával egészítjük ki.
Az I-DESI vizsgálatáról kevés hazai és nemzetközi irodalom található. A for-
rások jellemzően más mérési módszerekkel és rangsorolási eljárásokkal hasonlítják

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 269
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
össze a DESI-rendszert, kapcsolatot keresnek a DESI és az egyéb mutatószámok
között, vagy tagországi, illetve regionális elemzésben mutatják be az eredményeket.
A digitalizált gazdaság mérési módszereiről Kokh és Kokh [2019] készített
részletes összefoglalást. Írásukban az IKT (információs és kommunikációs technoló-
gia) fejlesztési indexet, a Huawei globális hálózati indexét, az e-kormányzati fejlesz-
tési indexet, a DESI-t, az I-DESI-t, a Boston Consulting Group gazdaság-
digitalizálási indexét, a globális digitális versenyképességi indexet, a digitális evolú-
ciós indexet és az Ivanov digitális indexet mutatták be. Az indexek számítási mód-
szertanának elemzése és összehasonlítása után a szerzők arra a következtetésre jutot-
tak, hogy a mutatószámok az országok egészét jellemzik a digitális gazdaság fejlődé-
se szempontjából, és nincs közöttük olyan, amelyik az egyes iparágak, valamint
szolgáltatások digitalizációs szintjét mérik, illetve szektorspecifikus elemzéseket
lehetne végezni.
Más rangsorolási módszerre példa Bánhidi és Dobos [2021] munkája, amelyben
a szerzők a kompozit DESI alapján rangsorolták az országokat. A felhasznált adat-
elemzési módszer a burkológörbe-elemzés (data envelopment analysis/composit
indices [DEA/CI]) és az ideális megoldásokhoz hasonló preferenciarendszer technikája
(technique for order of preference by similarity to ideal solution, TOPSIS) volt. E két
eljárás és a DESI eredményei alapján is a rangsort az északi országok (Finnország,
Svédország, Dánia) vezetik, Magyarország pedig a középmezőnyben foglal helyet.
A DESI más indexekkel való kapcsolatát elemezte Stavytskyy, Kharlamova és
Stoica [2019], akik a fogyasztásiindex-növekedés, a vásárlóerő-paritás és a munka-
nélküliség hatását vizsgálták a DESI indexre az EU-tagállamok esetében 2013 és
2018 között. Eredményeik igazolták, hogy a DESI-értékeket 98 százalékban az előző
évek határozzák meg, és a fogyasztási index 1 százalékos emelkedése 0,2 százalékos
növekedést, a munkanélküliség 1 százalékos növekedése pedig 0,2 százalékos csök-
kenést eredményez a DESI értékeiben, tehát a pozitív piaci mutatószám emelkedése
a DESI-érték növekedésével jár.
Başol és Yalçin [2020] a DESI-dimenziók és a munkaerő-piaci mutatószámok
kapcsolatát tárták fel. Tanulmányukban a 2018-as DESI-dimenziókat, a pozitív
(személyes keresetek, foglalkoztatási ráta) és negatív (munkaerőpiaci bizonytalan-
ság, hosszútávú munkanélküliségi ráta) foglalkoztatási mutatókat elemezték korrelá-
ció- és regressziószámítással. Arra a következtetésre jutottak, hogy a DESI-érték
emelkedésével a foglalkoztatási arány és a személyes kereset növekszik, valamint a
hosszú távú munkanélküliségi ráta és a munkaerőpiaci bizonytalanság csökken, tehát
a digitalizálás fejlődése a pozitív foglalkoztatási mutatóknak kedvez.
Polozova, Kolupaieva és Sheiko [2021] a digitalizáció és a munkaerő-
termelékenység, illetve a globális versenyképességi index közötti kapcsolatot vették
górcső alá. Klaszterelemzésük során négy klasztert különítettek el: a vezetőket,
a perspektivikus országokat, a követőket és az átmeneti országokat. Ebben az

270 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
elemzésben is az északi országok kerültek az élvonalba. A DESI és a munkaerő-
termelékenység közötti kapcsolatot sikerült igazolni, a DESI és a versenyképességi
index kapcsolata azonban nem volt egyértelmű.
Esses, Csete és Németh [2021] a fenntarthatóság és a digitalizáció kapcsolatát a
Visegrádi országok adatain elemezték. Tanulmányukban a DESI, a bruttó hazai ter-
mék (gross domestic product, GDP), a humán fejlettségi mutató (human develop-
ment index, HDI) és a társadalmi haladás mutató (social progress index, SPI) dimen-
ziói között kerestek összefüggéseket a fenntarthatósági célok szerint. Eredményeik
értékelésében kitértek a Covid19-járvány hatásaira, amely 2020-ban ugrásszerű fej-
lődést idézett elő az országok digitalizációjában az előző évi adatokhoz képest.
Szintén a DESI és a GDP összefüggését igazolta Turuk [2021] Közép- és
Kelet-Európa digitális vállalkozásainak helyzetét vizsgálva. A 2015-től 2019-ig
gyűjtött adatokat felhasználva mutatta ki az országok egy főre jutó GDP-je és a DESI
közötti kapcsolatot. Számításai szerint a DESI-dimenziók közül az internetes szolgál-
tatások használatának, a digitális technológiák integráltságának és a digitális köz-
szolgáltatásoknak van pozitív hatásuk az egy főre jutó GDP alakulására. Nem muta-
tott ki szignifikáns kapcsolatot viszont az internet-hozzáférés, illetve a humántőke és
az egy főre jutó GDP között.
Regionális elemzésekre példa Russo [2020] munkája, aki a DESI-re vonatkozó
európai irányelveket követve tett javaslatot az olaszországi Abruzzo-régió technoló-
giai fejlesztési kereteinek újjáépítésére. Tanulmányában feltérképezte Abruzzo digi-
tális gazadáságát, a fejlődés idősoros vizsgálatával ismertette a digitalizáció időbeli
lefolyását, és egyedi adatgyűjtőrendszert állított fel a fejlődés nyomon követéséhez.
Szintén egy tagországi elemzést készített Gurău [2021] Románia digitalizációjának
helyzetéről.
2. Módszerek
Munkánk során a 2020 decemberében közzétett (European Commission [2021c])
I-DESI-felmérés eredményeit elemezzük többváltozós statisztikai módszerekkel.
A vizsgált adatsort a Függelék F1. táblázat tartalmazza. Az eljárások kiválasztásának
alapja egy előző évi elemzés volt (Bánhidi–Dobos [2020]), amellyel így összehasonlít-
hattuk a 2020-as eredményeket. A módszerek sorát kiegészítettük a diszkriminancia-
analízissel és az átlagok összehasonlításával mind az EU-tagállamok, mind az
EU-n kívüli országok tekintetében. Kutatási kérdéseink és a választott metódusok a
következők:

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 271
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
1. Szét lehet-e választani az adatállományt az EU és az EU-n
kívüli országok csoportjára? – diszkriminanciaanalízis.
2. Van-e különbség az EU-tagállamok és az EU-n kívüli orszá-
gok átlagai között? – átlagok összehasonlítása.
3. Milyen lineáris összefüggések mutathatók ki a mutatószám-
rendszer dimenziói között? – korrelációszámítás.
4. Milyen mértékben tudjuk csökkenteni a változók számát? –
főkomponens-elemzés.
5. Milyen oksági kapcsolatok feltételezhetők a változók között?
– parciális korrelációszámítás.
Az adatelemzést grafikus vizsgálatokkal kezdtük. A diszkriminanciaanalízis
során kiszámítottuk a Wilks-féle λ és a kanonikus korreláció értékeit. Az átlagok
összehasonlításához a varianciaanalízis feltételeit Gauss-hálóval, Shapiro–Wilk-,
Kolmogorov–Smirnov- és Box-teszttel ellenőriztük. A korreláció vizsgálatához
a Pearson-féle korrelációs együtthatókat használtuk. A kiugró értékeket a
Mahalanobis-távolságok alapján értékeltük. A dimenziók között feltárt erős korre-
láció (0,35-0,82) miatt a változók számát főkomponens-elemzés segítségével csök-
kentettük forgatás nélkül, illetve varimax rotációval. A mintavétel megfelelőségét a
Kaiser–Meyer–Olkin (KMO) mérőszámmal (0,804) ellenőriztük, a modell megfe-
lelőségét Bartlett-teszttel értékeltük. A változók között feltételezhető oksági láncot
parciális korreláció segítségével állítottuk fel, amelyet kevésbé szigorú, 15 száza-
lékos szignifikanciaszinten végeztünk. Az eredményeket az IBM Statistics Package
for Social Sciences (SPSS) statisztikai szoftverrel állítottuk elő.
3. Eredmények
A grafikus vizsgálatok segítenek abban, hogy általános benyomásunk alakuljon
ki az adatsorról, illetve megállapíthassuk, vannak-e kiugró adatok, különbségek,
egyéb rendellenességek a csoportok között. A többváltozós adatsorok szemléltetésé-
hez Rencher [2002] profilokat (oszlopdiagram), pókhálódiagramot, karakterisztikus
jeleket, boxplot diagramot javasol. Az SPSS csak az oszlopdiagramokat támogatja
ezek közül. A Függelék F1. ábrája a vizsgált országok I-DESI-értékeit mutatja be.
Az adatsor szemrevételezéséből kiderül, hogy előfordulnak alacsony mért érté-
kek az EU-tagállamoknál (például Görögország és Lengyelország) és az EU-n kívüli
országoknál (például Brazília és Mexikó) egyaránt. Ugyanakkor magas értékek is
találhatók mind az EU-tagállamoknál (például Finnország és Hollandia), mind az

272 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
EU-n kívüli országoknál (például Korea és az Egyesült Államok). Néhány, a mintá-
ban szereplő ország profilja meglehetősen kiegyensúlyozott, ahol az összes I-DESI-
komponens közel áll egymáshoz. Ilyen uniós ország például Ausztria, Írország,
Luxemburg és Svédország; az EU-n kívüli csoport hasonló példái az Egyesült
Királyság és az Egyesült Államok. Vannak olyan országok, ahol az egyik komponens
értéke kétszer olyan magas, mint a másiké. Görögországban az internet-hozzáférés és
a digitális közszolgáltatások értéke háromszorosa a humántőkének, és kétszerese az
internetes szolgáltatások használatának, valamint a technológiák integráltságának.
Brazíliában és Kínában is hasonló jelenség figyelhető meg.
Az EU-tagállamokban jellemzően magas az internet-hozzáférés értéke, de bi-
zonyos országokban a digitális közszolgáltatásoké a legmagasabb, néhány esetben
pedig a digitális technológiák integráltsága emelkedik ki (például Finnországban,
Németországban, Hollandiában és Svédországban). Az EU-n kívüli országokban
általában a digitális közszolgáltatások értékei a legmagasabbak, négy esetben az
internet-hozzáférésé. (Lásd az F1. ábrát.) A digitális technológiák integráltsága
az első helyen áll Izraelben és Svájcban, az internetes szolgáltatások használata pedig
Izlandon a legmagasabb az öt dimenzió közül. A humántőke értéke egy ország eseté-
ben sem magasabb a többi dimenzió értékénél.
3.1. Diszkriminanciaanalízis
A grafikus vizsgálatok után diszkriminanciaanalízissel tártuk fel, hogy az
EU-tagállamok adatai elkülönülnek-e az EU-n kívüli országok eredményeitől. Mivel
a két minta nem azonos elemszámú, a csoportok méretével korrigáltuk az adatokat.
1. táblázat
Sajátérték és kanonikus korreláció
(Eigenvalue and canonical correlation)
Függvény Sajátérték
Variancia
(%)
Kumulált
variancia
(%)
Kanonikus
korreláció
Diszkriminanciafüggvény 0,208 100,0 100,0 0,415
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.
A két országcsoport elkülönítésénél a kanonikus korreláció a leghasznosabb
mérőszám az 1. táblázat alapján, és egybeesik a Pearson-féle korrelációs együttható-

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 273
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
val. A kanonikus korreláció értéke gyenge, 0,5 alatti, ez alapján nem lehet elkülöní-
teni a két adatsort.
2. táblázat
Diszkriminanciaanalízis
(Discriminant analysis)
Függvény Wilks-féle λ χ2 df p-érték
Diszkriminanciafüggvény 0,828 7,637 5 0,177
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.
A Wilks-féle λ magas értéke azt mutatja, hogy a csoportosító változóval kiala-
kított besorolás szerint nincs különbség az EU-tagállamok és az EU-n kívüli orszá-
gok átlagai között, és csupán az adatsor alapján nem lehet szétválasztani a csoporto-
kat. A kapcsolódó χ2-próba azt a hipotézist teszteli, hogy az EU-tagállamok és az
EU-n kívüli országok adatai azonos sokaságból származnak-e. Mivel az eredmény
nem szignifikáns, az EU-tagállamok és EU-n kívüli országok szerinti csoportosítás
akár véletlenből is adódhat.
3.2. Többváltozós varianciaanalízis
A többváltozós varianciaanalízis (multivariate analysis of variance,
MANOVA) a többváltozós átlagok közötti különbséget vizsgálja. Az elemzés meg-
bízhatóságához szükséges feltételezések a minták függetlensége, a többváltozós
normalitás, és a variancia-kovariancia mátrixok egyenlősége (a variancia homogeni-
tása). A minták függetlensége esetünkben feltételezhető, mivel a különböző minták
más-más országokból származnak. A többváltozós normalitást és a varianciák egyen-
lőségét grafikus és numerikus vizsgálatok alapján láttuk be.
A többváltozós normalitás vizsgálatához Rencher [2002] az egyes változók kü-
lön-külön történő ellenőrzését javasolja. Ha minden változóra feltételezhető a normali-
tás, akkor a többváltozós eloszlás is normálisnak tekinthető. Az egyváltozós normali-
tásvizsgálat általában grafikus elemzéssel történik, mivel ez gyors és megbízható mód-
szer a rendellenességek diagnosztizálására. A változókra készített Gauss-hálók alapján
nincs okunk feltételezni a normalitástól való eltérést. A Kolmogorov–Smirnov-teszt
egyik változó esetében sem szignifikáns, a Shapiro–Wilk-teszt a digitális technológiák
integráltságánál 0,05-os szinten gyengén szignifikáns eredményt mutat. Mivel a két
próba közül a Shapiro–Wilk-féle statisztikai szempontból erősebb (Kovács [2014]),
ezért az egy- és többváltozós esetekben is feltételeztük a normalitást.

274 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
A variancia homogenitását a változók szórásának összehasonlításával és
Box-teszttel vizsgáltuk. Az öt (dimenzió) változó szórása hasonló a két országcso-
portban, ami a variancia homogenitására utal. A csoportok között a legjelentősebb
különbség az internet-hozzáférésben mutatkozott, ahol az EU-csoport szórása fele
(0,0510) az EU-n kívüli csoporténak (0,1043). A többváltozós variancia homogenitá-
sának igazolására végzett Box-teszt eredménye nem volt szignifikáns, ezért a kovari-
anciamátrixok egyenlőségét feltételeztük. Ezzel a többváltozós varianciaanalízis
feltételeit ellenőriztük, az eredményeit hitelesnek tekintettük. A dimenziók átlagait
az 1. ábra szemlélteti.
1. ábra. Az átlagok közötti különbségek
(Differences between the means)
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
Internet-hozzáférés Humántőke Internetes
szolgáltatások
használata
Digitális
technológiák
integráltsága
Digitális
közszolgáltatások
EU-tagállamok EU-n kívüli országok
Forrás: Saját szerkesztés a European Commission [2021b] adatbázisa alapján.
Az EU-tagállamokban általában magasabb az internet-hozzáférés I-DESI kom-
ponens értéke, míg az EU-n kívüli országokban nagyobb az internetes szolgáltatások
használata, a digitális technológiák integráltsága és a digitális közszolgáltatások.
A két csoport között nincs jelentős különbség a humántőkét tekintve. A 3. táblázat-
ban mutatjuk be varianciaanalízis eredményeit.
A 3. táblázatban az F-próba azt a nullhipotézist teszteli, hogy az öt dimenzió
értékei az EU-tagállamokban és az EU-n kívüli országokban mérve származhat-e
azonos sokaságból. Magas p-értékeket kaptunk, tehát az öt dimenzió egyike sem
szignifikáns 0,05-os szinten, ezért nincs okunk feltételezni, hogy a két csoport között
jelentős különbség lenne. Az η2 legnagyobb értéke az internetes szolgáltatások hasz-

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 275
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
nálata esetében 0,031, vagyis az EU-tagállamok és EU-n kívüli országok közötti
különbségnek mindössze 3,1 százalékát magyarázza ez a dimenzió, az adatok együtt
is vizsgálhatók a továbbiakban.
3. táblázat
MANOVA-táblázat
(MANOVA table)
Faktor SS df MS F-érték p-érték
Internet-hozzáférés Csoportok között 0,005 1 0,005 0,849 0,362
Csoporton belül 0,252 43 0,006
Humántőke Csoportok között 0,001 1 0,001 0,119 0,731
Csoporton belül 0,529 43 0,012
Internetes szolgáltatások
használata
Csoportok között 0,023 1 0,023 1,368 0,249
Csoporton belül 0,710 43 0,017
Digitális technológiák
integráltsága
Csoportok között 0,027 1 0,027 0,559 0,459
Csoporton belül 2,078 43 0,048
Digitális
közszolgáltatások
Csoportok között 0,020 1 0,020 0,910 0,345
Csoporton belül 0,950 43 0,022
Megjegyzés. MANOVA (multivariate analysis of variance): szóráselemzés.
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.
3.3. Korrelációvizsgálat
Miután beláttuk, hogy nincs különbség az EU és EU-n kívüli országok adatai
között, a korrelációvizsgálatot már a teljes adatsoron is elvégeztük. (Lásd a 4. táblá-
zatot.) Az eredmények alapján a változók közötti korreláció minden esetben pozitív,
tehát azonos irányba mozognak együtt. Ez az adatok kontextusából is következik,
hiszen mind az öt dimenzió a digitális fejlődés egy aspektusát hivatott leképezni
(European Commission [2021c]). A vizsgált tíz esetből kilencben 0,01 szinten,
míg a digitális technológiák integráltsága és a digitális közszolgáltatások között csak
0,05-os szinten szignifikáns a korreláció. A 2019-es adatsort tekintve (Bánhidi–
Dobos [2020]) minden esetben 0,01-os szinten volt szignifikáns a korreláció. Csupán
az EU-tagállamok adatait véve, ugyanez az érték 0,467, ami szintén nem szignifikáns
0,01-os szinten. Kizárólag az EU-n kívüli országok adatait tekintve, a digitális köz-
szolgáltatások dimenzió egyetlen másik DESI-dimenzióval sem mutat szignifikáns
korrelációt, ami arra enged következtetni, hogy a digitális közszolgáltatások I-DESI

276 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
komponens értéke kevésbé erősen kapcsolódik a másik négy mutatószámhoz és a
digitális fejlettséghez.
4. táblázat
A Pearson-féle korrelációs együtthatók mátrixa
(Matrix of Pearson’s correlation coefficients)
Dimenzió Humántőke
Internetes
szolgáltatások
használata
Digitális
technológiák
integráltsága
Digitális
közszolgáltatások
Internet-hozzáférés 0,626** 0,641** 0,656** 0,433**
0,000 0,000 0,000 0,003
Humántőke 0,705** 0,730** 0,602**
0,000 0,000 0,000
Internetes szolgáltatások használata 0,823** 0,444**
0,000 0,002
Digitális technológiák integráltsága 0,355*
0,017
*A korreláció 0,05-os szinten szignifikáns (kétoldali).
**A korreláció 0,01-os szinten szignifikáns (kétoldali).
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.
A változók közötti kapcsolatokat a multikollinearitás alapján is vizsgáltuk.
A dimenziókra kapott varianciainflációs tényezők az 5. táblázatban láthatók. Mivel
ennek az értéke mindegyik változóra 5 alatti, ezért a változók multikollinearitása
nem áll fenn, a közöttük levő lineáris kapcsolatok nem számottevők.
5. táblázat
Varianciainflációs tényezők
(Variance inflation factors)
Dimenzió VIF
Digitális technológiák integráltsága 3,996
Internetes szolgáltatások használata 3,515
Humántőke 3,136
Internet-hozzáférés 2,007
Digitális közszolgáltatások 1,688
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 277
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
3.4. Főkomponens-elemzés
A dimenziók közötti erős korrelációk miatt főkomponens-elemzést végeztünk a
modell egyszerűsítésére és a látens változók felderítésére. A KMO-mérőszám 0,804,
ami a mintavétel megfelelőségét mutatja, és látens változók létezését valószínűsíti.
A Bartlett-teszt eredménye szignifikáns, ez a korrelációvizsgálathoz hasonlóan a válto-
zók között fennálló kapcsolatot bizonyítja, ami alkalmassá teszi az adatsort a főkom-
ponens-elemzésre. A kommunalitások értékei 0,6 és 0,9 közöttiek, tehát a főkompo-
nensek a variancia nagy részét magyarázzák. Számításaink szerint a forgatás nélküli
modellben az első faktor a variancia 68,8 százalékát magyarázza. Az első faktor eseté-
ben a faktorsúlyok értékei 0,810 felettiek, négy változó erősen korrelál vele, de a digi-
tális közszolgáltatások kevésbé, csak 0,653 a faktorsúly értéke. Két főkomponens már
elégséges a variancia 83,4 százalékának magyarázatához. A második faktorral a digitá-
lis közszolgáltatások mutatja a legnagyobb korrelációt 0,737 értékkel.
Az eredmények megerősítése érdekében forgatást alkalmaztunk varimax-
rotációs módszerrel: a két főkomponens ugyanúgy a variancia 83,4 százalékát ma-
gyarázza, de a faktorsúlyok eltérők. A forgatás után kapott faktorsúlyokat a 6. táblá-
zat foglalja össze. A forgatás három iteráció után konvergált.
6. táblázat
Faktorsúlyok a forgatás után
(Factor weights after rotation)
Dimenzió
Faktorok
Digitális
felkészültség
Digitális
alkalmazások
Digitális technológiák integráltsága 0,932 0,136
Internetes szolgáltatások használata 0,881 0,240
Internet-hozzáférés 0,767 0,295
Humántőke 0,718 0,539
Digitális közszolgáltatások 0,210 0,962
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.
Az első főkomponenssel erősen korrelál a digitális technológiák integráltsága,
az internetes szolgáltatások használata és az internet-hozzáférés, a második faktor
esetében pedig kiemelt jelentősége van a digitális közszolgáltatások hatásának, míg a
humántőke hatása közepesen magas. Az előző évi adatok elemzésében (Bánhidi–
Dobos [2020]) a digitális technológiák integráltsága inkább a második főkomponens-

278 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
sel korrelált. A változás véleményünk szerint a Covid19-járvány hatását mutatja a
digitalizációra, ahogy az üzleti, munkahelyi digitális alkalmazások hatása a „home
office” miatt keveredni kezdett a lakossági felhasználás jellemzőivel. A hatás átme-
neti jellegét feltételezve a faktorok korábbi elnevezéseit megtartottuk.
3.5. Parciális korrelációs elemzés
A dimenziók közötti oksági kapcsolatokat parciális korrelációs elemzéssel állí-
tottuk fel. A 10 együttható közül a kevésbé szigorú, 15 százalékos szignifikancia-
szinten 6-ot találtunk szignifikánsnak, ezeket a 7. táblázat tartalmazza. A szignifi-
káns együtthatók értékei 0,2 és 0,6 között vannak, tehát gyenge és közepes erősségű
oksági kapcsolatok jellemzik a rendszert.
7. táblázat
A parciális korrelációs együtthatók mátrixa
(Partial correlation coefficients matrix)
Dimenzió Humántőke
Internetes
szolgáltatások
használata
Digitális
technológiák
integráltsága
Digitális
közszolgáltatások
Internet-hozzáférés 0,143 0,147 0,228 0,136
0,365 0,353 0,147* 0,390
Humántőke 0,119 0,380 0,469
0,425 0,013* 0,002**
Internetes szolgáltatások használata 0,519 0,150
0,000** 0,342
Digitális technológiák integráltsága –0,252
0,107*
* A korreláció 0,15-os szinten szignifikáns (kétoldali).
** A korreláció 0,01-os szinten szignifikáns (kétoldali).
Forrás: Saját számítás a European Commission [2021b] adatbázisa alapján.
A parciális korrelációs együtthatók alapján felállítottuk az oksági láncot a vál-
tozók között, melyet a 2. ábra illusztrál. A 2019. évi adatok alapján készült ábrához
képest (Bánhidi–Dobos [2020] 161. oldal) az internet-hozzáférés továbbra is függet-
len változónak tekinthető, de már nem kapcsolódik az internetes szolgáltatások hasz-
nálatához, közvetlenül a digitális technológiák integráltságával van összefüggésben.
A humántőke esetében már nem egyértelmű a változó függetlensége, és szintén nem

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 279
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
kapcsolódik az internetes szolgáltatások használatához. Az internetes szolgáltatások
használata azonban a 2020-as adatsor alapján is kapcsolódik a digitális technológiák
integráltságához, ahogy a másik három változó is, valamint a digitális technológiák
integráltsága az előző évi adatokhoz képest közelebb csúszott a magánszektorra jel-
lemző tényezőkhöz, feltehetően a Covid19-járvány hatására. A digitális közszolgálta-
tások változója már nemcsak a digitális technológiák integráltságához, hanem a hu-
mántőkéhez is erősen kapcsolódik.
2. ábra. A változók közötti oksági kapcsolatok
(Causal relations between the variables)
Digitális
közszolgáltatások
Digitális
technológiák
integráltsága
Humántőke
Internetes
szolgáltatások
használata
Internet-hozzáférés
Forrás: Saját szerkesztés a European Commission [2021b] adatbázisa alapján.
4. Következtetések
Tanulmányunkban az I-DESI öt dimenzióját vizsgáltuk többváltozós statiszti-
kai módszerekkel. Az adatok grafikus elemzése alapján megállapítottuk, hogy az
EU-tagállamokban jellemzően magas az internet-hozzáférés I-DESI komponens
értéke, míg az EU-n kívüli országok esetében általában a digitális közszolgáltatások
értékei a legmagasabbak. A diszkriminanciaanalízis alapján beláttuk, hogy az
EU-tagállamokra és az EU-n kívüli országokra vonatkozó adatsor nem különül el
egymástól, az átlagok összehasonlításánál pedig nem mutatkozik jelnetős különbség
a két csoport között, ezért a két adatsor elemzését együtt folytattuk. A korreláció-
számítás alapján megállapítottuk, hogy a változók közötti kapcsolat erős, a legerő-

280 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
sebb az internetes szolgáltatások használata és a digitális technológiák integráltsága
közötti, ez alapján az adatok megfelelők a főkomponens-elemzéshez. Vizsgálatunk
során két főkomponenst különítettünk el.
Az első főkomponenssel erősen korrelált a digitális technológiák integráltsága,
az internetes szolgáltatások használata és az internet-hozzáférés, a második faktor
esetében pedig kiemelt jelentősége volt a digitális közszolgáltatások hatásának.
A humántőke mindkét faktorban közel azonos mértékben szerepelt. A parciális
korrelációs elemzés alapján felállítottuk az oksági láncot a változók között, és megál-
lapítottuk, hogy a digitális technológiák integráltsága az előző évi adatokhoz
képest közelebb csúszott a magánszektorra jellemző tényezőkhöz, feltehetően a
Covid19-járvány hatására.
A Covid19-járvány utóhatásának vizsgálatához érdemes a következő években
is elvégezni hasonló elemzéseket – hogy megtudjuk, tartós trend szerint alakul-e a
magánszektor és a vállalkozások digitalizációjának közeledése, vagy csak a járvány
hatása érvényesült ebben az időszakban –, és ezzel hosszú távú következtetéseket
vonhassunk le a járványok és a digitalizáció kapcsolatáról.
Függelék
F1. táblázat
A 2020. évi I-DESI-felmérés eredményei, vizsgálatunk alapadatai
(Basic data and results of the 2020 I-DESI study)
Ország, országcsoport átlaga
és súlyszám
Dimenzió
Internet-
hozzáférés Humántőke
Internetes
szolgáltatások
használata
Digitális
technológiák
integráltsága
Digitális
közszolgáltatások I-DESI
Súlyszám 0,25 0,25 0,15 0,20 0,15
EU27-tagállamok átlaga 0,62 0,42 0,47 0,41 0,56 0,50
Ausztria 0,60 0,50 0,48 0,43 0,57 0,52
Belgium 0,63 0,33 0,55 0,51 0,43 0,49
Bulgária 0,60 0,37 0,27 0,22 0,49 0,40
Ciprus 0,63 0,41 0,50 0,20 0,64 0,47
Csehország 0,61 0,40 0,45 0,42 0,48 0,47
Dánia 0,73 0,58 0,74 0,66 0,83 0,70
Észtország 0,63 0,49 0,52 0,49 0,77 0,57
Finnország 0,70 0,60 0,58 0,80 0,74 0,68
Franciaország 0,67 0,50 0,41 0,46 0,86 0,57
Görögország 0,59 0,35 0,36 0,13 0,59 0,40
(A táblázat folytatása a következő oldalon)

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 281
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
(Folytatás)
Ország, országcsoport átlaga
és súlyszám
Dimenzió
Internet-
hozzáférés Humántőke
Internetes
szolgáltatások
használata
Digitális
technológiák
integráltsága
Digitális
közszolgáltatások I-DESI
Hollandia 0,64 0,57 0,65 0,83 0,77 0,68
Horvátország 0,57 0,27 0,30 0,27 0,26 0,35
Írország 0,61 0,57 0,51 0,61 0,69 0,60
Lengyelország 0,54 0,30 0,36 0,11 0,52 0,36
Lettország 0,57 0,27 0,48 0,38 0,36 0,41
Litvánia 0,63 0,41 0,49 0,23 0,38 0,44
Luxemburg 0,66 0,57 0,65 0,63 0,59 0,62
Magyarország 0,55 0,31 0,43 0,38 0,37 0,41
Málta 0,70 0,39 0,39 0,31 0,57 0,48
Németország 0,63 0,50 0,54 0,67 0,54 0,58
Olaszország 0,59 0,27 0,34 0,19 0,52 0,38
Portugália 0,58 0,24 0,37 0,39 0,47 0,41
Románia 0,55 0,41 0,46 0,18 0,48 0,42
Spanyolország 0,60 0,39 0,43 0,24 0,71 0,47
Svédország 0,69 0,60 0,64 0,73 0,57 0,65
Szlovákia 0,54 0,29 0,44 0,27 0,41 0,39
Szlovénia 0,59 0,42 0,39 0,39 0,53 0,47
EU-n kívüli országok átlaga 0,59 0,43 0,52 0,46 0,60 0,52
Ausztrália 0,65 0,57 0,52 0,50 0,77 0,60
Brazília 0,46 0,36 0,37 0,10 0,56 0,37
Chile 0,53 0,29 0,25 0,29 0,35 0,35
Dél-Korea 0,69 0,37 0,54 0,35 0,85 0,54
Egyesült Államok 0,70 0,66 0,68 0,73 0,81 0,71
Egyesült Királyság 0,67 0,43 0,61 0,65 0,64 0,59
Izland 0,72 0,51 0,75 0,71 0,38 0,62
Izrael 0,55 0,47 0,64 0,76 0,54 0,58
Japán 0,75 0,42 0,52 0,58 0,60 0,57
Kanada 0,60 0,37 0,62 0,56 0,70 0,55
Kína 0,56 0,47 0,46 0,21 0,63 0,46
Mexikó 0,45 0,34 0,32 0,19 0,58 0,37
Norvégia 0,67 0,47 0,73 0,64 0,77 0,64
Oroszország 0,46 0,37 0,48 0,28 0,61 0,43
Svájc 0,69 0,56 0,64 0,86 0,50 0,66
Szerbia 0,50 0,40 0,32 0,18 0,46 0,38
Törökország 0,43 0,23 0,37 0,24 0,45 0,34
Új-Zéland 0,62 0,46 0,49 0,49 0,67 0,54
Forrás: Saját szerkesztés a European Commission [2021b] adatbázisa alapján.

282 TARJÁNI ARIELLA JANKA – KALLÓ NOÉMI – DOBOS IMRE
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
F1. ábra. A vizsgált országok I-DESI-értékei
(I-DESI data of the examined countries)
0 0,2 0,4 0,6 0,8 1
Új-Zéland
Törökország
Szlovénia
Szlovákia
Szerbia
Svédország
Svájc
Spanyolország
Románia
Portugália
Oroszország
Olaszország
Norvégia
Németország
Mexikó
Málta
Magyarország
Luxemburg
Litvánia
Lettország
Lengyelország
Kína
Kanada
Japán
Izrael
Izland
Írország
Horvátország
Hollandia
Görögország
Franciaország
Finnország
Észtország
Egyesült Királyság
Egyesült Államok
Dél-Korea
Dánia
Csehország
Ciprus
Chile
Bulgária
Brazília
Belgium
Ausztria
Ausztrália
Internet-hozzáférés Humántőke
Internetes szolgáltatások használata Digitális technológiák integráltsága
Digitális közszolgáltatások
Forrás: Saját szerkesztés a European Commission [2021b] adatbázisa alapján.

A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX STATISZTIKAI ELEMZÉSE 283
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
Irodalom
BÁNHIDI Z. – DOBOS I. [2020]: Az Európai Unió digitális gazdaság és társadalom indexének statisz-
tikai elemzése. Statisztikai Szemle. 98. évf. 2. sz. 149–168. old.
https://doi.org/10.20311/stat2020.2.hu0149
BÁNHIDI, Z. – DOBOS, I. – NEMESLAKI, A. [2020]: What the overall digital economy and society
index reveals: A statistical analysis of the DESI EU28 dimensions. Regional Statistics. Vol.
10. No. 2. pp. 42–62. https://doi.org/10.15196/RS100209
BÁNHIDI Z. – DOBOS I. [2021]: A digitális fejlődés rangsorolása a DEA-típusú összetett indikátorok
és a TOPSIS módszerével. Statisztikai Szemle. 99. évf. 3. sz. 253–265. old.
https://doi.org/10.20311/stat2021.3.hu0253
BAŞOL, O. – YALÇIN, E. C. [2020]: How does the digital economy and society index (DESI) affect
labor market indicators in EU countries? Human Systems Management. Pre-press.
https://doi.org/10.3233/HSM-200904
ESSES, D. – CSETE, M. S. – NÉMETH, B. [2021]: Sustainability and digital transformation in the
Visegrad Group of Central European Countries. Sustainability. Vol. 13. No. 11. Article No.
5833. https://doi.org/10.3390/su13115833
GURĂU, M. I. [2021]: The impact of social media in the digitization process. Global Economic
Observer. Vol. 9. No. 1. pp. 139–146.
KOKH, L. V. – KOKH, Y. V. [2019]: Analysis of existing approaches to measurement of digital
economy. St. Petersburg State Polytechnical University Journal. Economics. Vol. 12. No. 4.
pp. 78–89. https://doi.org/10.18721/JE.12407
KOVÁCS E. [2014]: Többváltozós adatelemzés. Typotex. Budapest.
POLOZOVA, T. – KOLUPAIEVA, I. – SHEIKO, I. [2021]: Digital Gap in EU Countries and Its Impact on
Labour Productivity and Global Competitiveness. Proceedings of the International Scientific
Conference ‘Hradec Economic Days’ 2021. Vol. 11. University of Hradec. Králové.
https://doi.org/10.36689/uhk/hed/2021-01-065
RENCHER, A. C. [2002]: Methods of Multivariate Analysis. Wiley-Interscience. Danvers.
RUSSO, V. [2020]: Digital economy and society index (DESI). European guidelines and empirical
applications on the territory. In: Sarasola Sánchez-Serrano, J. – Maturo, F. – Hošková-
Mayerová, Š. (eds.): Qualitative and Quantitative Models in Socio-Economic Systems and
Social Work. Studies in Systems, Decision and Control. Springer. New York. pp. 427–442.
https://doi.org/10.1007/978-3-030-18593-0_31
STAVYTSKYY, A. – KHARLAMOVA, G. – STOICA, E. A. [2019]: The analyses of the digital economy
and society index in the EU. Baltic Journal of European Studies Tallinn University of Tech-
nology. Vol. 9. No. 3. pp. 245–261. https://doi.org/10.1515/bjes-2019-0032
TURUK, M. [2021]: An overview of digital entrepreneurship in Central and Eastern European coun-
tries. In: Wu, R. M. X. – Mircea, M. (eds.): E-Business: Higher Education and Intelligence
Applications. IntechOpen Ltd. London. pp. 19–29.

284 TARJÁNI–KALLÓ–DOBOS: A NEMZETKÖZI DIGITÁLIS GAZDASÁG ÉS TÁRSADALOM INDEX…
STATISZTIKAI SZEMLE, 100. ÉVFOLYAM 3. SZÁM 266–284. OLDAL DOI: 10.20311/stat2022.3.hu0266
Internetes források
EUROPEAN COMMISSION [2021a]: I-DESI 2020: How digital is Europe compared to other major
world economies? https://digital-strategy.ec.europa.eu/en/library/i-desi-2020-how-digital-
europe-compared-other-major-world-economies
EUROPEAN COMMISSION [2021b]: Raw data – International Digital Economy and Society Index
2020. https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=72353
EUROPEAN COMMISSION [2021c]: International Digital Economy and Society Index 2020.
https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=72352