ArticlePDF Available

The changing Hungarian labour market structures and spatial features between 2001 and 2016 (In Hungarian)

September 2022
Regional Statistics 62(5):483–509

DOI:10.15196/TS620501

Authors:

Marianna Sávai

University of Szeged

György Vida

University of Szeged

In the current economy, cross-border competition between countries and regions for skilled workers is intensifying, and technological and social transformations also have a significant impact on employment. These processes have generated different spatial patterns in the European Union and in Hungary. Therefore, from both a scientific and a policymaking point of view, it is current to examine the structure of the Hungarian labour market and its changes, as well as to determine how specialised our NUTS3 counties are regarding employment. Consequently, the present study aimed to examine the sectoral, geographical, and temporal characteristics of the NUTS3 level labour market structure between 2001 and 2016, based on the Hungarian Standard Classification of Occupations. Thus, with the help of the location quotient, the Theil index, and Shift-share analysis, we explored the employment peculiarities of the counties of Hungary and their transformations. The main message of the research is that the change in the structure of the labour market is a slower process, in which the existence of geographical differences and the effects of local, regional processes are more pronounced than general structural changes. Therefore, in the future, place-based, bottom-up and integrated development can compensate for frictional or structural unemployment resulting from possible economic changes and shocks.

Content uploaded by György Vida

Content may be subject to copyright.

Közzététel: 2022. szeptember 21.

A tanulmány címe:

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai 2001 és 2016 között

Szerzők:

Szakálné Kanó Izabella–Sávai Marianna–Vida György

https://doi.org/10.15196/TS620501

Az alábbi feltételek érvényesek minden, a Központi Statisztikai Hivatal (a továbbiakban: KSH)

Területi Statisztika c. folyóiratában (a továbbiakban: Folyóirat) megjelenő tanulmányra.

Felhasználó a tanulmány, vagy annak részei felhasználásával egyidejűleg tudomásul veszi a jelen

dokumentumban foglalt felhasználási feltételeket, és azokat magára nézve kötelezőnek fogadja

el. Tudomásul veszi, hogy a jelen feltételek megszegéséből eredő valamennyi kárért felelősséggel

tartozik.

1) A jogszabályi tartalom kivételével a tanulmányok a szerzői jogról szóló 1999. évi LXXVI.

törvény (Szjt.) szerint szerzői műnek minősülnek. A szerzői jog jogosultja a KSH.

A KSH földrajzi és időbeli korlátozás nélküli, nem kizárólagos, nem átadható,

térítésmentes felhasználási jogot biztosít a Felhasználó részére a tanulmány vonatkozásában.

3) A felhasználási jog keretében a Felhasználó jogosult a tanulmány:

a) oktatási és kutatási célú felhasználására (nyilvánosságra hozatalára és továbbítására a

4. pontban foglalt kivétellel) a Folyóirat és a szerző(k) feltüntetésével;

b) tartalmáról összefoglaló készítésére az írott és az elektronikus médiában a Folyóirat

és a szerző(k) feltüntetésével;

c) részletének idézésére – az átvevő mű jellege és célja által indokolt terjedelemben és az

eredetihez híven – a forrás, valamint az ott megjelölt szerző(k) megnevezésével.

4) A Felhasználó nem jogosult a tanulmány továbbértékesítésére, haszonszerzési célú

felhasználására. Ez a korlátozás nem érinti a tanulmány felhasználásával előállított, de az

Szjt. szerint önálló szerzői műnek minősülő mű ilyen célú felhasználását.

5) A tanulmány átdolgozása, újra publikálása tilos.

6) A 3. a)–c.) pontban foglaltak alapján a Folyóiratot és a szerző(ke)t az alábbiak szerint kell

feltüntetni:

„Forrás: Területi Statisztika c. folyóirat 62. évfolyam 5. számában megjelent, Szakálné Kanó

Izabella – Sávai Marianna – Vida György által írt,

A magyarországi munkaerőpiac szerkezeti

változásának térbeli sajátosságai 2001 és 2016 között

c. tanulmány”

7) A Folyóiratban megjelenő tanulmányok kutatói véleményeket tükröznek, amelyek nem

esnek szükségképpen egybe a KSH, vagy a szerzők által képviselt intézmények hivatalos

álláspontjával.

TANULMÁNYOK

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

A magyarországi munkaerőpiac szerkezeti

változásának térbeli sajátosságai

2001 és 2016 között

The changing Hungarian labour market structures and spatial

features between 2001 and 2016

Szakálné Kanó, Izabella

Szegedi Tudományegyetem,

Gazdaságtudományi Kar,

Közgazdaságtani és

Gazdaságfejlesztési Intézet

E-mail:

kano.izabella@eco.u-szeged.hu

Sávai, Marianna

Szegedi Tudományegyetem,

Gazdaságtudományi Kar,

Közgazdaságtani és

Gazdaságfejlesztési Intézet

E-mail: savai.marianna@gmail.com

Vida, György

Szegedi Tudományegyetem,

Gazdaságtudományi Kar,

Közgazdaságtani és

Gazdaságfejlesztési Intézet

E-mail: vidagyorgy.vida@gmail.com

Kulcsszavak:

munkaerőpiaci szerkezet,

térbeli és időbeli változások,

lokációs hányados,

Theil-index,

hatásarán

-elemzés

Napjainkban a magasabb képzettségű mun-

kavállalókért folytatott országok és régiók kö-

zötti verseny országhatárokon átívelően fel-

erősödik, valamint a technológiai és társadal-

mi átalakulások a foglalkoztatottságra is jelen-

tős hatást gyakorolnak. Ezek a folyamatok az

Európai Unióban és azon belül Magyarorszá-

gon is eltérő területi hatásokkal

árnak. Ezér

tudományos és szakpolitikai vizsgálatok gya-

kori tárgya hazánk munkaerőpiaci szerkezete

és annak változásai, valamint az is, hog

mennyire tekinthető sajátosnak megyéink fog-

lalkoztatottsági helyzete.

elen tanulmány a Foglalkozások Egységes

Osztályozási Rendszere alapján a megyei szin-

tű munkaerőpiac szerkezetének szektorális és

földra

zi, valamint időbeli sa

átosságaiban

2001 és 2016 között bekövetkezett változáso-

kat vizsgál

a. A szerzők a lokációs hányados,

Theil-index és a hatásarány-elemzés segítsé-

gével tárták fel Magyarország megyéinek fog-

lalkoztatottsági jellemzőit és azok alakulását.

kutatás fő üzenete, hogy a munkaerőpiaci

szerkezet változása lassabb folyamat, amiben

a földra

zi eltérések megléte, valamint a lokális

regionális folyamatok hatásai erősebbek, min

az általános szerkezeti változások esetében.

Ezért a jövőben a helyalapú, alulról szervező-

dő, integrált fejlesztéssel lehet ellensúlyozni az

esetleges gazdasági változásokból, sokkhatá-

sokból eredő súrlódásos vagy strukturális

munkanélkülisé

et.

484 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Keywords:

labour market structure,

spatial and temporal changes,

location quotient (LQ),

Theil-index,

Shift-share analysis

In the current economy, cross-border compe-

tition between countries and regions for skil-

led workers is intensifying, and technologica

and social transformations also have a sig-

nificant impact on employment. These pro-

cesses have generated different spatial pat-

terns in the European Union and in Hungary.

Therefore, from both a scientific and a po-

licymaking point of view, it is current to

examine the structure of the Hungarian la-

bour market and its changes, as well as to de-

termine how specialised our NUTS3 counties

are regarding employment.

Consequently, the present study aimed to

examine the sectoral, geographical, and tem-

poral characteristics of the NUTS3 level la-

bour market structure between 2001 and

2016, based on the Hungarian Standard Clas-

sification of Occupations. Thus, with the help

of the location quotient, the Theil index, and

Shift-share analysis, we explored the emp-

loyment peculiarities of the counties of Hun-

gary and their transformations. The main

message of the research is that the change in

the structure of the labour market is a slowe

process, in which the existence of geographi-

cal differences and the effects of local, regio-

nal processes are more pronounced than ge-

neral structural changes. Therefore, in the

future, place-based, bottom-up and integrated

development can compensate for frictional o

structural unemployment resulting from pos-

sible economic chan

es and shocks.

Beküldve: 2021. június 2.

Elfogadva: 2022. január 19.

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 485

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Bevezetés

Napjainkban felerősödik a szupranacionális térségek, az országok és a régiók közötti

gazdasági verseny, aminek egy fontos eleme a magasan képzett munkaerő megszer-

zése és megtartása. Mindemellett a technológiai újítások és a digitalizáció előretörése

dinamikusan formálja a munkaerőpiacot és ebből fakadóan a térségek relatív pozíci-

óját is (Tagai et al. 2018, Nagy et al. 2019). Megállapítható, hogy a regionális ver-

senyképességben (Annoni–Dijkstra 2019, Annoni–Kozovska 2010, Bodnár 2020,

Lengyel 2006, 2010, Vida 2016, Vida–Dudás 2017), a területi tőke elemzésében

(Tésits et al. 2021, Tóth–Szabó 2018), a regionális gazdasági ellenálló képességben

(Annoni et al. 2019, Drobniak 2017, Kovács–Bodnár 2017, Szép et al. 2021, Nyikos

et al. 2021), valamint különböző gazdaságfejlesztési stratégiákban (EC 2014a, NIH

2014, NKFHI 2021) egyaránt fontos a magas foglalkoztatottság és a munkaerőpiac

kedvező szerkezetét létrehozó tényezők meghatározása, valamint elemzése. Napja-

ink innovációvezérelt gazdasági környezetében ugyanakkor kiemelendő az is, hogy a

regionális versenyképességben nem a munkaerő mennyisége, hanem egyre inkább a

minősége és specializáltsága játszik döntő szerepet (NIH 2014, NKFHI 2021).

A téma aktualitását az általános gazdasági folyamatok mellett a Covid-19-

világjárvány is kiemelte (Kincses−Tóth 2020), hiszen fajsúlyos kérdés a járvány

munkaerőpiacra gyakorolt hatásainak és jövőbeli trendjeinek meghatározása (Czir-

fusz 2021, Fekete et al. 2021). A világjárvány által is felgyorsított digitalizáció és

gépesítés (Oláh 2019), a távmunka lehetőségei és korlátai (Lipták 2021), valamint a

2010-es évek gazdasági fellendülésének fontos trendjei miatt a munkaerőhiány, az

elvándorlás, valamint a közfoglalkoztatás térbeli és társadalmi kérdései is előtérbe

kerültek (Czirfusz 2021, Koós 2016). Megállapítható, hogy a Covid-19-járvány alatt

jellemzően a képzetlenebb, betanított munkát végző embereket sújtotta nagyobb

arányban az elbocsátás, míg a magasabb státusú, szellemi foglalkoztatottak válság-

hoz való alkalmazkodóképessége erősebb volt (Tóth et al. 2021). Ez a társadalmi

egyenlőtlenség térben is jelentős különbségeket mutatott, hiszen megyéink, régióink

eltérő munkaerőpiaci szerkezettel rendelkeztek. Az egyenlőtlenségeket a szakpoliti-

kának is kezelnie kell, hiszen a kedvezőtlen munkaerőpiaccal jellemezhető térségek-

ben is elképzelhető magas foglalkoztathatóság és potenciálisan kiaknázható bázis

(Alpek et al. 2018, Kóti 2018, Alpek–Tésits 2019, Alpek−Oláh 2021). Tehát a regio-

nális verseny- és ellenálló képesség, valamint a gazdasági és társadalmi változások a

munkaerőpiacra és annak földrajzi eltéréseire is jelentős hatást gyakorolnak, ezért

ennek a folyamatnak a területi összefüggéseit vizsgálni szükséges. Azonban, mivel a

munkaerőpiac útfüggő módon változik időben és térben, ezért célszerű egy hosz-

szabb időszakon elemezni a főbb szerkezeti változásokat.

Ezért jelen tanulmány a megyei szintű munkaerőpiac szerkezetében 2001 és 2016

között bekövetkezett szektorális változások vizsgálatát tűzte ki célul, melyet két

kutatási kérdés mentén jártunk körbe. Egyrészt elemzésünk arra a kérdésre kereste a

választ, hogy a Foglalkozások Egységes Osztályozási Rendszere (FEOR) alapján

486 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

mennyire koncentrált, vagy diverzifikált megyéink munkaerőpiaci szerkezete, és ez

időben hogyan változott az országos átlaghoz viszonyítva. Másrészt arra, hogy a

nemzeti szintű szerkezeti változások vagy a regionális sajátosságok gyakoroltak-e

nagyobb hatást a foglalkoztatási szerkezet átalakulására. Az operacionalizálás szem-

pontjából a magasan képzett munkaerő meghatározására és a foglalkoztatottsági

szerkezet földrajzi elemzésére nyújt átfogó statisztikai lehetőséget a differenciált

FEOR, ami a hazai sajátosságok megtartásával követi a nemzetközi International

Standard Classification of Occupations (ISCO) osztályozást (ILO 2007, KSH 2009).

Így az összevethetőség végett és a kellően részletes információk alapján ezt az adat-

halmazt használtuk.

Eredményeink alapvetően 2001 és 2016 közötti időszakra vonatkoznak, és a

2001., 2011. évi népszámlálás, valamint a 2016. évi mikrocenzus adatbázisaiból, a

Központi Statisztikai Hivatal (KSH) kutatószobáján keresztül elérhető adatokon

alapulnak. Az összegyűjtött adatokon regionális elemzési módszerekkel vizsgáltuk

meg Magyarország megyéinek munkaerőpiacát és szerkezeti sajátosságainak változá-

sát. Ebből adódóan – véleményünk szerint – a tanulmány eredményei és területi

jellemzői hasznosíthatóak a szakpolitikát megalapozó elemzésekben, továbbá hosz-

szabb időtávot felölelő fejlesztési javaslatok megfogalmazásában is.

Tanulmányunk a következőképpen épül fel. Első lépésben kifejtjük a foglalkozta-

tottság jelentőségének felértékelődését, továbbá a munkaerőpiac szerkezeti jellemző-

inek és változásának a regionális versenyképesség témaköréhez, valamint a különbö-

ző fejlesztési stratégiákhoz való fogalmi kapcsolódását. A nemzetközi és hazai szak-

irodalmak feldolgozását követően a mintaterület leíró statisztikáját és a kutatás pon-

tos módszertanát mutatjuk be. Az elméleti és módszertani részletek ismertetése után

lokációs hányados (location quotient – LQ) és Theil-index számításával (Nagy et al.

2018, Shimamoto 2019), valamint hatásarány-elemzéssel tárjuk fel a vizsgált térségek

munkaerőpiaci szerkezetének főbb sajátosságait és összefüggéseit. A tudományos

eredmények leírását követően a tanulmányt összegzés és az eredményekből levonha-

tó főbb jövőbeli szakpolitikai kihívások felvázolása zárja.

A foglalkoztatottság, a munkaerőpiaci szerkezet és

a fejlesztéspolitikai stratégiák összefüggései

Az 1980-as évek neoliberális fordulatától kezdve nemzetközi szinten (például az

Egyesült Államokban és Nagy-Britanniában) az állami szakpolitikai beavatkozások a

piaci folyamatok mellett a jóléti szociális háló leépítésére, valamint inkább a verseny-

képességre, a foglalkoztatottság növelésére és a szerkezeti reformokra irányultak.

Ebből adódóan, bár a munkaalapú társadalom elveit leginkább az elmúlt évtizedhez

kötjük, ez az elképzelés évtizedek óta jelen van a nemzetközi gondolkodásban és

lépésről lépésre bontakozott ki Magyarországon is (Czirfusz 2020). Ebbe a folya-

matba illeszkedik hazánkban, hogy az elmúlt időszakban fontos munkaerőpiaci

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 487

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

szerkezetet is befolyásoló tényezők jelentek meg a szakpolitikai gyakorlatban. Ilye-

nek például a nyugdíjkorhatár emelése, a rokkantsági járadék szabályainak szigorítá-

sa, a tankötelezettségi kor leszállítása, a gyermekgondozási ellátás ideje alatti munka-

végzés korlátainak mérséklése, az álláskeresési járadék folyósítási időtartamának

3 hónapra csökkentése, a Start munkaprogram és közfoglalkoztatás bevezetése és

kiterjesztése (Czirfusz 2020, Koós 2016).

A társadalmi, gazdaságfejlesztési és szakpolitikai keretek változása mellett földrajzi

szempontból az Európai Unión (EU) belüli szabad munkaerő-áramlás lehetősége,

főként Németország és Ausztria munkaerőpiacának megnyitása is hatással volt a ma-

gyar foglalkoztatottságra (KSH 2018). Az ismertetett folyamatokból is megállapítható,

hogy meghatározó mögöttes erők formálták a magyar munkaerőpiacot és annak szer-

kezetét, így jelentős stratégiai kihívások jelentkezhetnek a magyarországi foglalkoztatá-

si szerkezetben, amit szükségképpen térben és időben elemezni kell.

A térségek versenyére épülő gazdaságban és a versenyképesség egységes fogal-

mában is kiemelt szerepet tölt be a foglalkoztatottság, sőt annak szerkezeti megoszlása

is. A versenyképesebb és sikeresebb régiókban a vezetők és a magasan képzett mun-

kaerő is koncentrálódnak, és az innováció előmozdításában ez a kedvező szerkezet is

kulcstényező. Hiszen egy adott régió vagy megye munkaerő-szerkezete hatással van az

ott működő cégek termelési és tudásmegosztási lehetőségeire is. Egyrészt a diverzifi-

kált munkaerővel rendelkező régiók könnyebben tudnak reagálni a gazdaságiszerkezet-

váltásra és megfelelő merítést biztosítanak a cégek számára, továbbá az agglomerációs

előnyök is könnyebben érvényesülhetnek (Lengyel 2010, 2021, NIH 2014). Másrészt,

a kevésbé sokszínű, főként egy iparágra fókuszáló munkaerő-állományú régiók a bezá-

ródás kockázata (Boros 2017) mellett olyan előnyöket kínálhatnak a vállalkozásoknak,

mint például a speciális helyi munkaerőpiac és értékláncok, valamint az iparágon belüli

tudás túlcsordulása (Lengyel 2010, 2021, Nagy et al. 2019).

Mérési szempontból megállapítható, hogy a munkaerőpiaci folyamatok megfigye-

lésének az a követelménye, hogy rendelkezésre álljanak azok a kölcsönösen elfoga-

dott osztályozások és fogalmak, amelyek közös nyelvet jelentenek az adatok gyűjté-

sénél, feldolgozásánál és felhasználásánál, ezért szükséges leírni azokat a fogalmakat,

amivel elemezzük a folyamatokat (KSH 2011). A foglalkoztatási szerkezet fogalma

azt takarja, hogy az aktív keresők mely gazdasági ágazatban végzik tevékenységüket.

A foglalkoztatási és munkaerőpiaci szerkezetet többféle módon lehet osztályozni és

elemezni, amiből az egyik a KSH által az 1970-es évek óta gondozott FEOR (KSH

2011). Ez az osztályozási rendszer elveiben és rendszerezésében követi az érvényes

nemzetközi foglalkozási osztályozás, az ISCO rendszerét, amelynek egyik fő célja,

hogy modellként szolgáljon, továbbá elemzések szempontjából mérhetővé tegye a

nemzetközi folyamatokat (KSH 2011). Mindemellett a FEOR alapján elkészített

osztályozások megfelelően differenciáltan jellemzik a munkaerőpiaci szerkezetet

(KSH 2009, 2011), és ez mind a regionális versenyképesség elemzéséhez, mind a

fejlesztési szakpolitikához és az intelligens szakosodáshoz is kapcsolható.

488 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Mindezek alapján a foglalkoztatottság és a területek specializációjának kiemelt kér-

désköre a területi különbségek tudományos elemzése mellett logikusan a fejlesztési

szakpolitika oldaláról is előtérbe került (Rechnitzer et al. 2019). Az Európai Bizottság

által létrehozott Nemzeti intelligens szakosodási stratégia (S3) stratégia (EC 2014b,

NIH 2014) nemzeti szintű kidolgozását a Nemzeti Innovációs Hivatal (NIH) 2014-

ben fejezte be, és megalkotta Magyarország Nemzeti intelligens szakosodási stratégiá-

ját (NIH 2014). Ebben a megyéket három régiótípusba sorolták be a fenntartható,

intelligens és befogadó növekedés dimenziói mentén. Az első a tudásrégiók típusa,

amelyben Budapest és Pest megye, Baranya, Csongrád-Csanád, Hajdú-Bihar és Vesz-

prém megye található. A második az ipari termelési zónák típusa, ide Bács-Kiskun,

Borsod-Abaúj-Zemplén, Fejér, Győr-Moson-Sopron, Jász-Nagykun-Szolnok, Komá-

rom-Esztergom és Vas megye tartozik. A harmadik típusba, az alacsony tudás- és

technológiaintenzitású régiók közé pedig Békés, Heves, Nógrád, Somogy, Szabolcs-

Szatmár-Bereg, Tolna és Zala megye sorolható (NIH 2014). Ezzel a tipizálással a meg-

felelő speciális szakpolitikai intézkedések alapjait próbálták térbeli keretbe foglalni, ami

a munkaerőpiaci szerkezet jövője szempontjából is döntő, hiszen a megfelelő típushoz

célszerű igazítani a foglalkoztathatóság sajátosságait. A FEOR differenciálása alapján

vizsgálható a megfelelő stratégiai illeszkedés, specializálódás és szerkezetváltás. Termé-

szetesen az is megállapítható, hogy egy megyén belül is jelentős eltérések alakulhatnak

ki, hiszen járási és települési szinten is stabilak a centrumok és a perifériák (Berkes

2020, 2021, Dövényi 2021, Papp et al. 2017, Pálóczi 2016, Pénzes−Pálóczi 2017),

viszont az EU esetében alapvetően a statisztikai célú területi egységek nómenklatúrá-

ja (Nomenclature des Unités Territoriales Statistiques – NUTS) szerinti NUTS3

szint elemezhető, alatta már adatgyűjtési és módszertani szempontból nehezebben

értelmezhetők, vizsgálhatók a nagyobb, nemzetközileg is összevethető szerkezetváltási

folyamatok (EC 2019).

Az előzőekből adódóan az S3 2014–2020-es időszaki tapasztalatai a következő

fejlesztési ciklusban is fontos szerepet töltenek be a szakpolitikában, hiszen a kor-

mány 2021-ben elfogadta a 2021–2027-es időszakra szóló S3 stratégiát is (NKFHI

2021). Az új szakpolitikai dokumentumban többek között a korábbiakhoz képest is

hangsúlyosabbá válik a tudás szerepe, a K+F, a gazdaság és társadalom digitalizáció-

jának dinamikusabb elősegítése (NKFHI 2021). Ebben a dokumentumban szintén

kiemelt figyelmet fordítottak a foglalkoztatottság mennyiségi és minőségi változásá-

ra, továbbá a megyei és regionális léptékre, azonban a korábbinál határozottabban

megjelenik benne a várostérségek földrajzi szintje is. A stratégia illeszkedik ahhoz a

Lengyel et al. (2016) által megfogalmazott szemlélethez, miszerint például az újraipa-

rosítás leginkább szubnacionális területi egységek gazdaságiszerkezet-váltása mentén

vizsgálható. Hiszen míg az iparágak vállalatai a termékpiacaikat és értékesítésüket

országcsoportokra szabják, addig inputpiacaikat és termelésüket általában városok-

ban és vonzáskörzetükben szervezik (Lengyel et al. 2016, NKFHI 2021).

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 489

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Az említett elméleti kapcsolódások összegzésével megállapítható, hogy mind tu-

dományos, mind szakpolitikai megközelítésből fontos a foglalkoztatottság, a mun-

kaerő szerkezetének, továbbá utóbbi térbeli és időbeli változásának pontos elemzé-

se. Mindemellett célszerű mérni azt is, hogy az egyes foglalkozási főcsoportok mely

megyékben koncentrálódtak, illetve a megyék foglalkoztatottak szerinti szerkezete

hogyan alakult, továbbá ezen jellemzők mennyire illeszkednek a korábban kifejtett

szakpolitikai tipizálásokhoz. Ezért jelen tanulmányunkban a hazai munkaerőpiac

szerkezetváltásának térbeli sajátosságaira fókuszáltunk, a 2001 és 2016 közötti idő-

szakban bekövetkezett változások feltárása céljából.

Magyarország munkaerőpiaci folyamatainak leíró statisztikája

A térbeli jellemzők feltárása módszertani alapjának kifejtése előtt szükséges tartjuk

az országos folyamatok bemutatását, hiszen a területi változások ennek fényében

értelmezhetők. A KSH FEOR-osztályozása négy számjegyű, decimális rendszerben

csoportosítja a foglalkozásokat, tíz (0–9.) főcsoportba sorolja azokat, és az ISCO-08

rendszerét alkalmazza (KSH 2009). Az egyes főcsoportokban foglalkoztatottak

2001., 2011. és 2016. évi létszámadatait foglalja össze az 1. táblázat, a vizsgált évek

közötti százalékos változásokkal kiegészítve. 1. táblázat

A munkaerőpiaci szerkezet hazai változása

Change in the labour market structure in Hungary

FEOR-főcsoport Alkalmazásban állók létszáma, fő Változás, %

sor-

szám megnevezés 2001 2011 2016 2001–2011 2011–2016

0. Fegyveres szervek foglalkozásai 69 626 19 309 17 568 –72,27 –9,02

1. Gazdasági, igazgatási, érdek-

képviseleti vezetők, törvényhozók 299 763 202 098 224 280 –32,58 10,98

2. Felsőfokú képzettség önálló alkal-

mazását igénylő foglalkozások 479 248 625 944 819 545 30,61 30,93

3. Egyéb felsőfokú vagy középfokú

képzettséget igénylő foglalkozások 506 388 677 608 737 136 33,81 8,79

4. Irodai és ügyviteli (ügyfélkapcsola-

ti) foglalkozások 224 204 261 585 280 646 16,67 7,29

5. Kereskedelmi és szolgáltatási fog-

lalkozások 555 081 633 116 677 362 14,06 6,99

6. Mezőgazdasági és erdőgazdálkodási

foglalkozások 115 020 111 409 157 951 –3,14 41,78

7. Ipari és építőipari foglalkozások 674 702 550 119 623 875 –18,46 13,41

8. Gépkezelők, összeszerelők, jármű-

vezetők 455 801 477 164 513 414 4,69 7,60

9. Szakképzettséget nem igénylő (egy-

szerű) foglalkozások 310 436 384 371 451 672 23,82 17,51

0–9. Összesen 3 690 269 3 942 723 4 503 449 6,84 14,22

Forrás: a 2001., 2011. és 2016. évi népszámlálás/mikrocenzus FEOR-adatai alapján saját számítás.

490 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Míg 2001-ben a 7. Ipari és építőipari foglalkozások mellett a két legnagyobb létszá-

mot egyesítő FEOR-főcsoport a 3. Egyéb felsőfokú vagy középfokú képzettséget igénylő

foglalkozások, valamint az 5. Kereskedelmi és szolgáltatási foglalkozások voltak, addig

2011-re a legtöbb alkalmazottal rendelkezővé a 3. Egyéb felsőfokú vagy középfokú kép-

zettséget igénylő foglalkozások főcsoport vált, melynek létszáma 33,8%-kal, majd 2016-ra

a 2001. évi majdnem másfélszeresére nőtt. A 2001 és 2011 közötti következő legna-

gyobb arányú (30,6%) növekedés a már korábban említett 3. főcsoport után a 2.

Felsőfokú képzettség önálló alkalmazását igénylő foglalkozások főcsoporthoz kötődött, ami

a foglalkoztatottak létszámában 2016-ra az első helyre került. 2011 és 2016 között a

41,8%-os növekedést elérő 6. Mezőgazdasági és erdőgazdálkodási foglalkozások álltak a

lista élén, de mivel 2011-ben ez volt a második legalacsonyabb létszámú főcsoport,

így a növekedés mindössze 47 ezer főt tett ki.

A 2011. évi népszámlálás és a 2016. évi mikrocenzus között legnagyobb arányú lét-

számcsökkenést a 0. Fegyveres szervek foglalkozásai (–72,3%), az 1. Gazdasági, igazgatási,

érdek-képviseleti vezetők, törvényhozók (–32,6%), valamint a 7. Ipari és építőipari foglalkozások

(–18,5%) szenvedték el. 2011 és 2016 között míg a 0. Fegyveres szervek foglalkozásai fő-

csoport létszáma csökkent (–9,0%), addig az összes többi főcsoporté növekedett.

Három FEOR-főcsoportot jellemzett egymással ellentétes irányú létszámváltozás a két

részidőszakban. Az 1. főcsoport 32,6%-os csökkenését közel 11,0%-os növekedés

követette. A 6. főcsoport kismértékű létszámcsökkenés (–3,1%) után könyvelhette el a

korábban említett kiemelkedő mértékű növekedést. A 7. főcsoport létszáma 18,5%-os

csökkenés után a második időszakban 13,4%-kal emelkedett.

Módszertani áttekintés

A korábban említett elméleti és szakpolitikai stratégiai elképzelésekkel párhuzamo-

san a foglalkoztatási szerkezetet, valamint a gazdaság ellenálló képességét különböző

módszertani szemszögből több tudományos publikáció is vizsgálta (Rota et al.

2020). Közülük kutatásunkban a módszertani megközelítést emeltük ki. Többek

között Gajdos (2014) lokációs hányados segítségével azt térképezte fel, hogy mely

foglalkozási főcsoportok, mely megyékben koncentrálódtak Lengyelországban. Ha-

sonló elemzéseket nemcsak megyei, hanem kisebb közigazgatási szinten is végeztek,

ami rávilágít a NUTS2, NUTS3 szintű lehatárolás alatt megbúvó centrum és perifé-

ria relációkra. Vinuela et al. (2014) Spanyolország települési szintű vizsgálatából

megállapította, hogy az adott közigazgatási szint adminisztratív besorolása nem fe-

jezte ki megfelelőképpen a foglalkoztatás esélyét. Az esélyek meghatározása céljából

alternatív besorolási rendszert fejlesztett ki, melynek segítségével kimutatta, hogy a

nagyvárosokban vagy azok közelében élők nagyobb valószínűséggel válnak foglal-

koztatottá. Ki kell azonban emelnünk, hogy az urbánus területek relatív helyzeti

előnye mellett a foglalkoztathatóság összetett társadalmi tényezőinek összefüggéseit

hangsúlyozta Alpek–Tésits (2019), amikor is egy általa létrehozott indexszel tárta fel

többek között a magyarországi térszerkezetet.

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 491

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Mindemellett a hatásarány-elemzésen alapuló empirikus vizsgálatok közül emlí-

tendő a munkatermelékenység változására vonatkozóan Máté (2009, 2014) EU-15-

és OECD-országokról lefolytatott vizsgálata. Az EU-15-re vonatkozó eredményeik

azt mutatták, hogy 1990 és 2003 között a regionális tényezők szerepe volt nagyobb a

foglalkoztatás növekedésében. Mindkét tanulmány megállapította, hogy a vizsgált

országokban míg a strukturális nyereségek főként az alapvetően technológiaintenzív

ágazatokban vannak jelen, addig a strukturális veszteségek az alacsony szintű tech-

nológiát alkalmazó ágazatokban. A foglalkoztatottak az alacsonyabb termelékenysé-

gű iparágakból a magasabb termelékenységűek felé áramlanak. Az OECD-

országokkal foglalkozó tanulmány arra is felhívja a figyelmet, hogy recessziós idő-

szakban „a korábban magasabb termelékenységet felmutató technológiaintenzív ágazatok nem

képesek a nagyobb foglalkoztatásból való részesedésüket fenntartani” (Máté 2014: 64.).

Mivel Magyarországra vonatkozóan a témában – ismereteink szerint – a közel-

múltban nem született hasonlóan összetett módszertannal készült tanulmány, ezért

vizsgálatunkat három különböző módszerre alapozva végeztük el annak érdekében,

hogy megerősíthetők legyenek a kapott eredmények, és pontosan jellemezhessük a

magyar munkaerőpiacon lezajlott folyamatokat.

Lokációs hányados

A lokációs hányados segítségével arra a kérdésre kaphatunk választ, hogy egy adott

főcsoport túl- vagy alulreprezentált-e az adott megyében. Ezzel a mutatóval a külön-

féle területi vizsgálatokban meghatározható a térbeli specializáltság mértéke, továbbá

az is, hogy melyek a potenciálisan erős foglalkozási főcsoportok. Általában ezt a

mutatót a klaszterek tulajdonságainak feltérképezésében használják (Miller et al.

2001, Gecse–Nikodémus 2003, EC 2009, Vas 2009, Szakálné Kanó 2011, Vas et al.

2015, Lőrincz et al. 2018).

A lokációs hányados számításával az egyes foglalkozási főcsoportokban alkalma-

zottak létszámának megyékbe való koncentráltságát (vagy másként az egyes megyék

specializáltságát valamely főcsoportra) mérjük az összes magyar megye vonatkozá-

sában. A mutató tehát:

𝐿𝑄

𝑖𝑗

=𝐸

𝑖𝑗

𝐸

𝑗



𝐸

𝑖𝑛

𝐸

𝑛



ahol

𝐸

𝑖𝑗

a j-edik megyében az i-edik foglalkozási főcsoportban alkalmazottak száma,

𝐸⋅𝑗

a j-edik megye alkalmazottainak száma,

𝐸

𝑖⋅

az i-edik foglalkozási főcsoportban

alkalmazottak száma az összes megyében,

𝐸

𝑛

pedig az összes megye összes alkal-

mazottjának száma.

Az eredményekből lehet következtetni az adott foglalkozási főcsoport adott me-

gyében betöltött szerepére. Ha értéke nagyobb 1-nél, akkor az a főcsoport adott

megyébe való koncentrációját (másként a megye adott foglalkozási főcsoportjára

492 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

való specializációját) mutatja (Lengyel et al. 2016). Ebben az esetben tehát az adott

megyében az adott foglalkozási főcsoport a megyék összességéhez viszonyítva na-

gyobb arányban van jelen, illetve az adott foglalkozási főcsoportban az adott megye

a főcsoportok összességében megjelenő átlagoshoz képest nagyobb súllyal rendelke-

zik.

Theil-index

Thissen et al. (2013), valamint Lengyel et al. (2016) a Theil-indexet használták mind

az ágazati térségekbe való koncentráció, mind a térségek ágazatokra való specializá-

ciójának mérésére.

Abban a feltételezett esetben, ha az adott megyéhez tartozó LQ-értékek mind-

egyike 1 lesz, akkor a megye főcsoportok szerinti összetétele megegyezik az orszá-

gossal, tehát a megye tökéletesen diverzifikált. A másik véglet az lenne, amikor az

adott megyében csak egyetlen főcsoportban foglalkoztatottakat találnánk, és az adott

megyei LQ ezen főcsoport kivételével az összes többi főcsoportra 0 értékeket venne

fel, ekkor ezt a megyét tökéletesen specializáltnak neveznénk. Tehát itt is az

LQ-értékek eloszlása használható a megye diverzifikáltsági, illetve specializáltsági

skálán való elhelyezésére.

Ugyanilyen gondolatmenet alapján a vizsgált főcsoportban foglalkoztatottak tér-

beli eloszlása megegyezik a gazdaság egészében foglalkoztatottak térbeli eloszlásával,

tehát az adott főcsoport LQ-értékei mind 1-es értékeket vesznek fel, akkor ezt a

főcsoport tökéletes szóródottságának tekintjük. Amennyiben viszont az a feltétele-

zett helyzet áll fenn, hogy a főcsoportban foglalkoztatottak csak egyetlen megyében

vannak jelen, az a főcsoport tökéletes koncentráltságát jelenti, ekkor egyetlen megye

kivételével a főcsoportra vonatkozó LQ-értékek minden megyében 0 értéket vesz-

nek fel. A valóság általában a két szélsőséges eset között található, és azt minden-

esetre jelzi a két bemutatott feltételezett helyzet, hogy az ágazati LQ-értékek eloszlá-

sa használható a főcsoport szóródás-koncentrálódás skálán való elhelyezésére.

Vizsgálatunkban tehát a Theil-index arra szolgál, hogy megmérjük a főcsoportok

megyei szintű koncentráltságát, illetve a megyék foglalkozási főcsoportokra való

specializációját. Ennek alapján kiszámoltunk mindegyik megyére (i) egy-egy speciali-

záltsági mutatót 2001-re, 2011-re és 2016-ra vonatkozóan a lokációs hányados alap-

ján, a következő módon

(

𝐽

= 10)

𝑆𝑝𝑒𝑐

𝑖

=1

𝐽

ln (

𝐽

)𝐿𝑄

𝑖𝑗

𝐽

∑𝐿𝑄

𝑖𝑗

𝐽

𝑗

∙ln 𝐿𝑄

𝑖𝑗

𝐽

∑𝐿𝑄

𝑖𝑗

𝐽

𝑗



𝐽

𝑗

Valamint ugyanezen évekre minden főcsoportra kiszámítottunk egy-egy koncent-

ráltsági mutatót

(𝐼= 19)

𝐶𝑜𝑛𝑐

𝑗

=1

𝐼1

𝑙𝑛 ( 𝐼)󰇯󰇭𝐿𝑄

𝑖𝑗

𝐼∑𝐿𝑄

𝑖

𝑗

𝐼𝑖=1

󰇮∙ln 󰇭𝐿𝑄

𝑖𝑗

𝐼∑𝐿𝑄

𝑖𝑗

𝐼𝑖=1

󰇮󰇰

𝐼

𝑖=1

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 493

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Mindent egybevetve ezzel a módszerrel igyekeztünk feltárni a magyarországi me-

gyék foglalkoztatottsági szerkezetének térbeli és szerkezeti sajátosságait, továbbá

annak 2001 és 2016 közötti változását.

Hatásarány-elemzés

A hatásarány-elemzés (shift-share analízis) (Capello 2016, Lipták 2016, Kincses et al.

2016a, b) olyan területi elemzési módszer, melynek során egy változó területi értéke-

inek két időpont közötti változásait (esetleg egy fajlagos mutató számlálója és neve-

zője közötti eltéréseket) bontjuk fel három hatás összegére. Ehhez szükség van arra,

hogy a vizsgált változó(k) értékei egy területi felosztásban, egy ettől különböző má-

sik osztályozás szerint rendelkezésre álljanak. Az összeg első tagja a nemzeti vagy

országos (a teljes megfigyelt területen tapasztalt) hatás, a második a szerkezeti hatás,

amely a vizsgált területi egység – nem területi – osztályozás szerinti struktúrájából

adódik. A harmadik a regionális hatás, amely a vizsgált területi egység olyan jellem-

zőiből ered, amelyeket nem vettünk figyelembe az osztályozás során. A Daniel B.

Cramer által megalkotott hatásarány-elemzést már Beluszky–Sikos (1980) is használ-

ta az encsi járás demográfiai folyamatainak elemzésére.

Vizsgálatunkban a területi egységek a megyék (

𝑖=1,...,19:

mert Budapestet és

Pest megyét funkcionális összetartozásuk miatt együtt vettük figyelembe), a változó

az alkalmazottak létszáma, a nem területi osztályozást pedig a FEOR-főcsoportok

szerint (

𝑗

=0,...,9

) végeztük el.

A K mátrix elemei a

𝑘𝑖𝑗

számok, ezek kezdeti értékek, melyek lehetnek 2001.,

vagy 2011. éviek, az alkalmazottak létszáma az

𝑖

megyében a

𝑗

FEOR-

főcsoportban. A V mátrix elemei

𝑣

𝑖𝑗

számok, ezek végső értékek, melyek lehetnek

2011., vagy 2016. éviek, az alkalmazottak létszáma az

𝑖

megyében a

𝑗

FEOR-

főcsoportban.

𝑘𝑖∙=𝑘𝑖𝑗

𝑗

, illetve

𝑣

𝑖∙

=𝑣

𝑖𝑗

𝑗

jelöli a

𝑘

𝑖𝑗

, illetve

𝑣

𝑖𝑗

elemek sorösszegét, azaz az

𝑖

megyében alkalmazottak létszámát.

𝑘

∙

𝑗

=𝑘

𝑖𝑗

𝑖

, illetve

𝑣

𝑗

=𝑣

𝑖𝑗

𝑖

jelöli a

𝑘

𝑖𝑗

, illetve

𝑣

𝑖𝑗

elemek oszlopösszegét, az-

az a

𝑗

FEOR-főcsoportban alkalmazottak létszámát.

𝑘=𝑘

𝑗

, illetve

𝑣=𝑣

∙

𝑗

jelöli a

𝑘

𝑗

, illetve a

𝑣

𝑗

elemek sorösszegét, azaz az

országosan alkalmazottak létszámát.

M mátrix elemei

𝑚𝑖𝑗

értékek, ezek a V és K elemeinek hányadosai:

𝑚𝑖𝑗 =𝑣𝑖𝑗

𝑘𝑖𝑗

jelöli azt, hogy az

𝑖

megyében a

𝑗

FEOR-főcsoportban hányszorosára változott az

alkalmazottak létszáma.

𝑚

𝑖∙

=𝑣

𝑖∙

𝑘

𝑖∙

jelöli azt, hogy az

𝑖

megyében hányszorosára változott az alkalmazot-

tak létszáma, ez a V és K mátrixok i. sorösszegeinek a hányadosa.

494 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

𝑚

∙𝑗

=𝑣

∙𝑗

𝑘

∙𝑗

jelöli azt, hogy a

𝑗

FEOR-főcsoportban hányszorosára változott az al-

kalmazottak létszáma, vagyis a V és K mátrixok j-edik oszlopösszegeinek a hánya-

dosát adja meg.

𝑚=𝑣

𝑘

jelöli azt, hogy az országban hányszorosára változott az alkalmazottak lét-

száma.

A 2001-ről 2011-re, illetve a 2011-ről 2016-ra bekövetkezett változások az egyes

megyék egyes FEOR-főcsoportjaiban (

𝑣

𝑖𝑗

−𝑘

𝑖𝑗

) a következő módon bonthatók fel a

különböző változások összegére:

𝑆

𝑖𝑗

=𝑣

𝑖𝑗

−𝑘

𝑖𝑗

=𝑁𝑆

𝑖𝑗

+𝑂𝑆

𝑖𝑗

+𝑅𝑆

𝑖𝑗

𝑁𝑆

𝑖𝑗

=𝑘

𝑖𝑗

(𝑚−1)

az országos hatás, vagyis ekkora létszámváltozás magyarázha-

tó az országban bekövetkezett létszámváltozással.

𝑂𝑆

𝑖𝑗

=𝑘

𝑖𝑗

𝑚

∙𝑗

−𝑚

𝑗

FEOR-főcsoport hatása, vagyis ekkora létszámváltozás

ered a

𝑗

FEOR-főcsoport létszámváltozásából, amiből az országos hatást már ki-

szűrtük.

𝑅𝑆

𝑖𝑗

=𝑘

𝑖𝑗

𝑚

𝑖𝑗

−𝑚

∙𝑗



a régió hatása, vagyis ekkora az a létszámváltozás, ami sem

a FEOR-főcsoporttal, sem az országos tendenciával nem magyarázható.

A 2001-ről 2011-re, illetve 2011-ről 2016-ra bekövetkezett változások az egyes

megyékben (

𝑣

𝑖∙

−𝑘

𝑖∙

) ugyancsak a következő módon bonthatók fel a különböző

változások összegére:

𝑆

𝑖

=𝑆

𝑖𝑗

𝑗

=𝑣

𝑖∙

−𝑘

𝑖∙

=𝑁𝑆

𝑖

+𝑂𝑆

𝑖

+𝑅𝑆

𝑖

𝑁𝑆

𝑖

=𝑘

𝑖

(𝑚−1)

az országos hatás, vagyis ekkora létszámváltozás magyarázható

az országban bekövetkezett változással.

𝑂𝑆

𝑖

=𝑘

𝑖𝑗

𝑚

∙

𝑗

−𝑚

𝑗

a megye FEOR-struktúrájának hatása, vagyis ekkora lét-

számváltozás származik a megye FEOR-összetételéből.

𝑅𝑆

𝑖

=𝑘

𝑖𝑗

𝑚

𝑖

𝑗

−𝑚

∙

𝑗



𝑗

a régió hatása, vagyis ekkora az a létszámváltozás, ami sem

a FEOR-főcsoporttal, sem az országos tendenciával nem magyarázható, csak a megye

sajátosságaival. A tanulmányunk e módszertani felépítése nem példa nélküli, hanem

Mayor–López (2005) munkájához hasonlatos, amely ily módon vizsgálta Spanyolor-

szág NUTS3 szintű területi egységeinek munkaerőpiacát, 1990 és 2004 között.

Eredmények

Első lépésben a munkaerő térbeli mintázatát a lokációs hányados segítségével mér-

tük fel. A továbbiakban az utolsó vizsgált év, azaz 2016 adataiból levont következte-

téseinket mutatjuk be. Minden számításunkat kétféle módon hajtottuk végre, egy-

részt Budapest nélkül, másrészt Budapestet és Pest megyét egy egységnek véve. Így

pontosabb eredményt kaptunk, mintha Budapestet is külön egységnek tekintettük

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 495

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

volna. A 0–9. főcsoport (Pest megye esetében Budapest nélkül és Budapesttel szá-

mított) koncentráltságát lásd az Internetes melléklet M1–M10. ábráján. Először

megvizsgáltuk az 1. és 2. foglalkozási főcsoport koncentrálódását, hiszen ezek a

felsőfokú végzettség önálló alkalmazását igénylő foglalkozások, melyek a tudásinten-

zív ágazatokban vannak jelen nagyobb arányban, így feltehetően erőteljesen hozzájá-

rulnak a régió jövedelméhez.

A lokációs hányados alapján megállapíthatjuk, hogy a tudásintenzív ágazatokban

dolgozó magasan képzett munkaerő, azaz az 1. Gazdasági, igazgatási, érdek-képviseleti

vezetők, törvényhozók főcsoport Budapesten és Pest megyében koncentrálódik legin-

kább, ahol a foglalkoztatottak több mint 6,6%-át számlálja (1. ábra). Ez nem megle-

pő, hiszen Budapest nem kizárólag önmagát, hanem az egész országot kiszolgáló

központi funkciókat lát el, melyek sok vezető foglalkozású dolgozót igényelnek,

valamint sok Budapesten foglalkoztatott a Budapest környéki településekről jár be

dolgozni. Egy megye van még, ahol az országos átlaghoz képest magasabb e főcso-

port jelenléte (> 4,98%), ez Somogy megye. Nógrád és Szabolcs-Szatmár-Bereg

megyében azonban az 1. főcsoport jelentősen alulreprezentált (LQ < 0,75), ami azt

jelenti, hogy ez a főcsoport kevesebb mint 3,74%-át teszi ki az ottani foglalkoztatot-

taknak. Budapest figyelembevétele nélkül (Internetes melléklet M2. ábra) további

jellemzőket találhatunk. Az országos átlag Budapest nélkül 4,53%. Átlag alatti –

Csongrád-Csanád és Jász-Nagykun-Szolnok megyék kivételével – az Alföld nagy

része, és Szabolcs-Szatmár-Bereg megye helyzete még így sem javult, ahol e főcso-

port hányada még a Budapest nélküli országos átlag 75%-át sem éri el. 1. ábra

Az 1. FEOR-főcsoport koncentráltsága 2016-ban (Pest megye Budapesttel)

The concentration of major group 1 in the Hungarian Standard Classification of

Occupations (FEOR) in 2016 (Pest county with Budapest)

4,18%

3,79%

3,78%

5,02%

3,25%

3,91%

4,76%

4,14%

4,08%

4,70%

4,60%

4,42%

4,85%

4,62%

4,42%

3,94%

3,49%

4,48%

6,61%

LQ≤0,75

0,75<LQ≤1,0

1,00<LQ≤1,25

1,25<LQ≤1,5

1,50<LQ

Megjegyzés: A százalékos értékek azt mutatják, hogy az adott megyében alkalmazottak hány százalékának foglal-

kozása tartozik az 1. főcsoportba.

Forrás: Népszámlálási FEOR-adatok alapján saját számítás.

496 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Ha a szintén tudásintenzív ágazatokban tevékenykedő 2. Felsőfokú képzettség önálló

alkalmazását igénylő foglalkozásokat tömörítő főcsoport LQ-értékeit (Internetes mellék-

let M3. ábra) vizsgáljuk, akkor az 1. főcsoporthoz hasonló eredményeket kapunk. Az

országban foglalkoztatottaknak 18,20%-a tartozik ebbe a főcsoportba. Ha Budapes-

tet Pest megyével együtt vizsgáljuk, akkor megállapítható, hogy kiemelkedően spe-

cializálódtak e főcsoportra, de a főcsoport aránya nem haladja meg az országos átlag

másfélszeresét, bár megközelíti azt. A rangsorban csak a három vidéki egyetemi

várost, Pécset és Szegedet és Debrecent magában foglaló Baranya, Csongrád-Csanád

és Hajdú-Bihar megye követi, de még ezek sem érik el az országos átlagot. Az emlí-

tett megyék az S3 stratégiai beosztás szerint Budapest és Pest megye mellett a tudás-

régiók csoportjába tartoznak.

A 2. főcsoport esetében is igaz, hogy pontosabb eredményeket kapunk, ha Bu-

dapestet nem vesszük figyelembe, ekkor ugyanis a foglalkoztatottaknak 14,78%-a

tartozik e főcsoportba, de a szóródás nem jelentős, mivel csak Nógrád megyében

van kissé alulreprezentálva, a főcsoport hányada minden megyében a Budapest nél-

küli átlag 74,8–125%-a. Ebben az esetben már átlag felettiek az említett vidéki egye-

temi városok megyéi, melyek az S3 stratégiai beosztás szerint is tudásrégiónak minő-

sülnek (Internetes melléklet M3. ábra).

Az Internetes mellékletben bemutatott eredményeinkből levonható főbb követ-

keztetések:

 A 3. Egyéb felsőfokú vagy középfokú végzettséget igénylő foglalkozások főcsoportban

Pest megye Budapesttel együtt mutatja a legnagyobb specializáltságot, majd

Fejér és Komárom-Esztergom megye következik. Ha Budapest nélkül tekint-

jük, akkor hányaduk a nyugat-magyarországi megyékben is átlag feletti. Hoz-

zájuk csatlakozott még Csongrád-Csanád, Baranya és Hajdú-Bihar megye is.

 A 4. Irodai és ügyviteli (ügyfélkapcsolati) foglalkozásokat tartalmazó főcsoport Bu-

dapest és Pest megye kettősében jelentős koncentráltságot mutat, ezt követi

Győr-Moson-Sopron megye. Ha Budapest nélkül vizsgáljuk, akkor Baranya,

Csongrád-Csanád és Hajdú-Bihar megyében is átlag feletti e főcsoport aránya.

 Az 5. Kereskedelmi és szolgáltatási foglalkozások főcsoportban már kevésbé erős

Budapest és Pest megye specializáltsága, de még mindig jelen van. Ha Buda-

pest nélkül vizsgáljuk, akkor Zala megye csatlakozik Baranya, Bács-Kiskun,

Békés, Csongrád-Csanád, Győr-Moson-Sopron, Hajdú-Bihar, Somogy és

Szabolcs-Szatmár-Bereg megyéhez, a főcsoport átlag feletti arányával.

 A 6. Mezőgazdasági és erdőgazdálkodási foglalkozások főcsoport koncentráltsága az

Alföldön, Bács-Kiskun, Hajdú-Bihar, Csongrád-Csanád, Békés és Szabolcs-

Szatmár-Bereg megyében a legmagasabb, sőt e megyékben a főcsoport aránya

az országos átlag másfélszeresét is meghaladja. Kevésbé, de még mindig jelen-

tős a főcsoport relatív koncentráltsága Somogy, Jász-Nagykun-Szolnok és

Tolna megyében. Budapest és Pest megye kettőse, Komárom-Esztergom me-

gye, valamint Fejér megye aránya nem éri el az országos átlag (3,51%) három-

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 497

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

negyedét sem. A Budapest nélküli országos átlag háromnegyedét nem éri el

továbbá Pest, Komárom-Esztergom, Fejér és Győr-Moson-Sopron megye

sem.

 A 7. Ipari és építőipari foglalkozások főcsoport esetében a legspecializáltabb

Tolna megye. Ha Budapesttel együtt vizsgáljuk, akkor az alkalmazottak

18,29%-ával viszonylag erősebb a specializáltsága (LQ = 1,32), és meghaladja

az országos átlagot (13,85%). Budapest nélkül számítva ez a kiugró arány már

csak 20%-kal magasabb az országos átlagnál. Ebben a főcsoportban Csong-

rád-Csanád, Hajdú-Bihar, Pest és Baranya megye (tudásrégiók) az alkalmazot-

tak átlag alatti arányával rendelkeznek, továbbá még az alacsony tudás- és

technológiaintenzitású régiók közé tartozó Somogy és Szabolcs-Szatmár-

Bereg megye is.

 A 8. Gépkezelők, összeszerelők és járművezetők főcsoport térképei alapján Vas és

Komárom-Esztergom megye specializáltsága kiemelkedő (LQ = 1,5 Buda-

pesttel), ahol az alkalmazottaknak rendre 20,22, illetve 17,86%-a ebben a fő-

csoportban tevékenykedik, amelyben az autóipar kiemelkedő méreteket ölt.

De jelentős a specializáció Nyugat- és Közép-Dunántúl megyéiben is, ahol

még a Budapest nélkül számított országos átlaghoz (13,17%) képest is a

1,25 < LQ ≤ 1,5 csoportba tartozik Vas megyén kívül még Veszprém és

Fejér megye is. Az alkalmazottak legalacsonyabb aránya ebben a főcsoport-

ban is három tudásrégióhoz, Pest, Baranya és Csongrád-Csanád megyéhez

köthető.

 A 9. Szakképzettséget nem igénylő (egyszerű) foglalkozások1 főcsoport a Budapesttel

együtt vizsgált Pest megyében kifejezetten alacsony arányú a többi megyéhez

képest: 6,38%, szemben az országos átlaggal (10,3%). Budapest nélkül az át-

lag 11,13%. A főcsoportnak az országos átlag 125%-ánál nagyobb koncent-

ráltsága Borsod-Abaúj-Zemplén (15,66%), Szabolcs-Szatmár-Bereg (17,25%)

és Nógrád (14,04%) megyére jellemző. Tehát a képzettségbeli lemaradás az

északkeleti országrészben jelentősen megmutatkozik. A lokációs hányadossal

végzett vizsgálatok eredményeiből szintén arra következtethetünk, hogy a

magasan képzett munkaerő Budapesten és vonzáskörzetében koncentrálódik,

továbbá a nyugat-magyarországi és az egyetemi városokkal rendelkező me-

gyékben. Minél nagyobb mértékben csökken a képzettségi szint, annál inkább

kiemelkedik az északkeleti megyékre való koncentráltság.

Annak érdekében, hogy jellemezzük az egyes megyék FEOR-struktúrájának sok-

féleségét, illetve egysíkúságát, mindhárom vizsgált évre kiszámítottuk a megyei Theil-

indexeket, a 0. Fegyveres szervek foglalkozásai főcsoport nélkül. Ez a főcsoport jelentős

változásokon ment keresztül 2001 és 2016 között (például a sorkatonai szolgálat meg-

szűnése, a határvédelem Schengeni egyezményhez csatlakozás utáni átalakulása stb.),

1 Természetesen ez nem feltétlen jelenti azt, hogy ebben a főcsoportban a foglalkoztatottaknak nincs semmi-

lyen szakképzettségük, csak azt, hogy a foglalkozásuk nem igényel szakképzettséget.

498 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

továbbá az alkalmazottak viszonylag alacsony létszáma is torzítja az eredményeket,

ezért a főcsoport számításokból történő kihagyása mellett döntöttünk.

A lokációs hányados alapján számolt Theil-index egy megyére akkor mutat ma-

gas értéket, ha az LQ-értékek különböznek egymástól, vagyis szóródásuk magas,

tehát vannak az alkalmazottak létszáma alapján az országos átlagtól jelentősen eltérő

arányú FEOR-főcsoportok, amiből a megyék specializáltságára következtethetünk.

A megye alacsony Theil-indexe ellenben azt jelzi, hogy kicsi az LQ-értékek szóródá-

sa, a FEOR-főcsoportok inkább az országos átlaghoz közeli arányban vannak jelen a

megyében, a megye FEOR-struktúrája diverzifikált. 2. ábra

A megyék FEOR-struktúra szerinti specializáltsága

(a 0. Fegyveres szervek foglalkozásai főcsoport nélkül)

The specialisation of counties according to the structure of

the Hungarian Standard Classification of Occupations (FEOR)

(excluding major group 0 Occupations of armed forces)

0 0.01 0.02 0.03 0.04 0.05 0.06

Zala

Veszprém

Vas

Tolna

Szabolcs-Szatmár-Bereg

Somogy

Pest (Budapesttel együtt)

Nógrád

Komárom-Esztergom

Jász-Nagykun-Szolnok

Heves

Hajdú-Bihar

Győr-Moson-Sopron

Fejér

Csongrád-Csanád

Borsod-Abaúj-Zemplén

Békés

Baranya

Bács-Kiskun

Theil-index

2001 2011 2016

Forrás: a 2001., 2011. és 2016. évi népszámlálás/mikrocenzus FEOR-adatai alapján saját számítás.

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 499

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

A 2. ábra alapján arra következtethetünk, hogy 2001 és 2011 között több megyé-

ben nőtt a diverzifikáció, azaz a megyék egy vagy több FEOR-főcsoportra való

specializációja csökkent. Azokban a megyékben is, ahol utóbbi nőtt, annak mértéke

kisebb volt. 2011 és 2016 között inkább a specializáció növekedett. A 2016-ra a

specializáltság általánosságban emelkedett, de a Theil-indexek szűkebb intervallum-

ban szóródtak, mint a két korábbi megfigyelt évben, vagyis a megyék egymáshoz

hasonlóbbá váltak. 2001 és 2011 között tíz megye esetében csökkent a specializált-

ság, az országos átlaghoz közelítettek az alkalmazottak létszámának FEOR-

főcsoportok szerinti arányai, kilenc megye esetében pedig nőtt. Komárom-

Esztergom megye után, Budapestet és Pest megyét jellemezte leginkább egyedi

FEOR-struktúra, de egymással ellentétes folyamatok zajlottak le e két megyében.

Míg Budapesten és Pest megyében növekedett a specializáltság, addig Komárom-

Esztergom megyében csökkent. A specializáció legnagyobb növekedését 2001 és

2016 között Hajdú-Bihar megye könyvelhette el, ugyancsak a 6. Mezőgazdasági és

erdőgazdálkodási foglalkozások és a 9. Szakképzettséget nem igénylő (egyszerű) foglalkozások

főcsoportjának LQ-változásával összefüggésben.

A diverzifikáció második legnagyobb mértékű növekedése pedig Borsod-Abaúj-

Zemplén megyében következett be, melynek hátterében a 8. Gépkezelők, összeszerelők,

járművezetők főcsoport magas koncentrációjának növekedése állt. Vas megyét érde-

mes még kiemelni, mert ott csökkent legnagyobb mértékben a specializáció, amely-

nek az oka a 6. Mezőgazdasági és erdőgazdálkodási foglalkozások főcsoport LQ-értékének

csökkenése. A specializáció 2001 és 2011 közötti csökkenését 2011 és 2016 között

annak növekedése követte Győr-Moson-Sopron, Zala, Somogy, Heves, Bács-

Kiskun és Békés megyében. Baranya és Csongrád-Csanád megyében gyakorlatilag

nem változott jelentős mértékben a diverzifikáció.

A különféle módszerekkel végzett vizsgálatok során kapott eredményeink egy-

mást megerősítve, egy irányba mutatnak. Annak ellenére, hogy egyes megyék

FEOR-struktúrái egyre közeledtek egymáshoz, az alkalmazottak megyei létszámának

változásában nagyobbak voltak a 2011 és 2016 közötti különbségek, mint a 2001 és

2011 közöttiek. Ez a jelenség, továbbá a regionális hatásnak a szerkezeti hatáshoz

mért relatív felülreprezentáltsága, valamint időbeli abszolút növekedése is arra mu-

tat, hogy a megyék specifikus regionális jellegzetességei jelentős mértékben átalakí-

tották a munkaerőpiaci folyamatokat. Ezért az oktatás- és gazdaságpolitikai döntés-

hozásban a regionális sajátosságokat figyelembe vevő, decentralizált előkészítésre

van szükség. Ezt alátámasztják a megyei léptékű Theil-index elemzése mellett annak

FEOR-főcsoport szinten meghatározott értékei is, hiszen azok validálják és megerő-

sítik az említett összefüggéseket (3. ábra, Internetes melléklet M11. ábra).

500 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

3. ábra

A FEOR-főcsoportok Theil-indexe (a 0. Fegyveres szervek foglalkozásai és

a 6. Mezőgazdasági és erdőgazdálkodási foglalkozások főcsoportok nélkül)

The Theil index of major groups in the Hungarian Standard Classification of

Occupations (FEOR) (excluding major groups 0 Occupations of armed forces and

6 Agricultural and forestry occupations)

0,000 0,002 0,004 0,006 0,008 0,010

9. főcsoport

8. főcsoport

7. főcsoport

6. főcsoport

5. főcsoport

4. főcsoport

3. főcsoport

2. főcsoport

1. főcsoport

Theil-index

2001 2011 2016

Forrás: a 2001., 2011. és 2016. évi népszámlálás/mikrocenzus FEOR-adatai alapján saját számítás.

A vizsgált adatokból azt a következtetést vonhatjuk le, hogy 2001 és 2016 között

a 6. Mezőgazdasági és erdőgazdálkodási foglalkozások főcsoport koncentráltsága kiugró,

bár csökkenő tendenciával, még így is magasan a többi főcsoport feletti volt. Ennek

egyértelmű okai a mezőgazdaság természetföldrajzi meghatározottságában keresen-

dők, hiszen az adottságok kijelölik az ágazat és a benne dolgozók lehetőségeit.

Mindemellett a csökkenő tendencia egy átrendeződési folyamatot mutat. A jövőben

ez az ágazat jelentős átalakuláson megy át (például a nagybirtokrendszer kiteljesedé-

se, a gépek által kiváltott emberi munka, munkaerő-felesleg és a szakképzett munka-

erő egyidejű hiánya stb.) (Kovách 2016), ezért a dolgozók képzése és foglalkoztatása

a jövőben is stratégiai kérdés lesz.

Ha a 6. Mezőgazdasági és erdőgazdálkodási foglalkozások főcsoportot nem vesszük fi-

gyelembe, akkor egyfajta munkaerőpiaci polarizációt fedezhetünk fel. A köztes

FEOR-főcsoportok nem változtak érdemben, indexeik stagnálnak. Az 1. és a 2.

főcsoport, valamint a 8. Gépkezelők, összeszerelők, járművezetők, továbbá a 9. Szakkép-

zettséget nem igénylő (egyszerű) foglalkozások főcsoportok Theil-index szerinti koncent-

ráltsága növekedett 2001 és 2016 között.

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 501

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

A lokációs hányados és a Theil-index földrajzi mintázata után a szerkezetváltásra

is érdemes figyelni. Ezért a hatásarány-elemzéssel végzett számításainkat is kétféle

módon végeztük el, egyrészt Budapestet és Pest megyét egy egységnek számítva (2.

táblázat), másrészt Pest megyét Budapest nélkül vettük figyelembe (Internetes mel-

léklet M1. táblázat). Mindkét számítást elvégeztük a 2001 és 2011, valamint a 2011

és 2016 közötti változások kimutatása érdekében. Ennek megfelelően részletesebb

jellemzőket kaptunk, mintha Budapestet is külön egységnek tekintettük volna.

2. táblázat

A munkaerőpiaci szerkezet megyék szerinti változásai (Pest megye Budapesttel)

Changes in the labour market structure by county (Pest county with Budapest) (fő)

Megye, főváros 2001 és 2011 közötti változás 2011 és 2016 közötti változás

NSi OSi RSi típusa) NSi OSi RSi típusa)

Pest + Budapest 79 537 27 970 7 557 + + > + 18 1713 8 413 –11 484 – + –

Fejér 12 001 –2 591 –7 277 – – < – 25 253 –1 474 –2 583 – – < –

Komárom-Esztergom 8 481 –1 800 410 – – + 18 639 –1 941 –5 211 – – < –

Veszprém 9 983 –3 211 –6 009 – – < – 20 862 –1 550 –4 945 – – < –

Győr-Moson-Sopron 12 614 –1 656 2 959 + – + 28 203 –1 718 –1 508 – – > –

Vas 7 857 –2 675 –8 058 – – < – 15 924 –1 028 –3 931 – – < –

Zala 8 046 –1 329 –6 395 – – < – 16 773 –942 –9 242 – – < –

Baranya 9 331 248 –4 039 – + – 20 185 365 –1 235 – + –

Somogy 7 696 –1 212 –5 270 – – < – 16 172 –297 380 + – +

Tolna 6 014 –461 –6 188 – – < – 12 412 –62 –5 355 – – < –

Borsod-Abaúj-Zemplén 14 319 423 7 743 + + < + 32 965 –992 12 351 + – +

Heves 7 528 –1 807 –1 433 – – > – 16 260 –673 –870 – – < –

Nógrád 4 972 –2 497 –5 048 – – < – 9 969 –717 1 497 + – +

Hajdú-Bihar 11 958 160 11 194 + + < + 28 174 530 7 145 + + < +

Jász-Nagykun-Szolnok 9 134 –2 151 1 593 – – + 20 208 –947 2 409 + – +

Szabolcs-Szatmár-Bereg 10 771 –195 20 606 + – + 26 826 –88 26 517 + – +

Bács-Kiskun 13 104 –5 014 –871 – – > – 28 269 1 316 –188 + + –

Békés 8 562 –2 073 –1 383 – – > – 18 525 147 527 + + < +

Csongrád-Csanád 10 547 –130 –93 – – > – 23 395 1 657 –4 275 – + –

a) A + , – , illetve relációs jelek a következők. Az első jel a FEOR szerkezeti hatás és a regionális hatás összegé-

nek előjele, vagyis az, hogy a megye létszámváltozása arányaiban az országos változás alatti vagy feletti volt-e.

A második jel a FEOR szerkezeti hatás előjele. Az utolsó jel a regionális hatás előjele. Ha a két hatás előjele azonos,

akkor relációs jel utal a hatások nagysága közötti kapcsolatra (előjeltől függetlenül).

Forrás: a 2001., 2011. és 2016. évi népszámlálás/mikrocenzus FEOR-adatai alapján saját számítás.

Budapest adatainak figyelembevétele (2. táblázat), illetve elhagyása (Internetes

melléklet M1. táblázat) 2001 és 2011 között jelentős különbséget mutat a létszámvál-

tozás felbontása tekintetében, azonban a létszámnövekedés országos aránya feletti

és alatti megyék ugyanazok. Három (Vas, Tolna, és Nógrád) megyében csökkent a

létszám ebben az időszakban. Az előbbiekben felsoroltakon túl a létszámnövekedés

502 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

országos aránya (7,5% Budapest nélkül, illetve 6,8% Budapesttel) alatt maradt tizen-

egy (Fejér, Komárom-Esztergom, Veszprém, Zala, Baranya, Somogy, Heves, Jász-

Nagykun-Szolnok, Bács-Kiskun, Békés és Csongrád-Csanád) megye. Országos átlag

feletti létszámnövekedést Pest (illetve Pest-Budapest), Győr-Moson-Sopron, Bor-

sod-Abaúj-Zemplén, Hajdú-Bihar és Szabolcs-Szatmár-Bereg megye mutatott. Ha

nem vesszük figyelembe a fővárost (Internetes melléklet M1. táblázat), akkor négy

(Győr-Moson-Sopron, Baranya, Tolna, Csongrád-Csanád) megye esetében volt

ellentétes irányú a szerkezeti összetétel és a régió hatása, mindegyikben a szerkezeti

összetétel hatása volt pozitív. Ha Budapestet is figyelembe vesszük (2. táblázat),

akkor öt ilyen ellentétes hatással rendelkező megyét találunk (Komárom-Esztergom,

Győr-Moson-Sopron, Baranya, Jász-Nagykun-Szolnok és Szabolcs-Szatmár-Bereg),

ekkor Baranya megye kivételével a többi négy megye esetében a regionális hatás volt

pozitív.

2011 és 2016 között már minden megye létszámnövekedést mutatott, de külön-

bözik az országos létszámnövekedési arány alatti és feletti megyék csoportja. Buda-

pest adataival együtt számolva (2. táblázat) nyolc megye (Somogy, Borsod-Abaúj-

Zemplén, Nógrád, Hajdú-Bihar, Jász-Nagykun-Szolnok, Szabolcs-Szatmár-Bereg,

Bács-Kiskun és Békés) esetében a létszámváltozás az országos átlag (14,2%) feletti,

és Bács-Kiskun megye kivételével ezen megyékben a regionális hatás okozza az

átlagost meghaladó növekedést. Budapest nélkül vizsgálódva (Internetes melléklet

M1. táblázat) ugyancsak nyolc megye könyvelhetett el országos átlag (14,6%) feletti

létszámnövekedést, de az előbbiek közül itt nem szerepel Somogy megye, Pest me-

gye viszont bekerült ebbe a csoportba. Többnyire esetükben is a regionális hatás

okozta az országos növekedési arány fölé emelkedést, csak két (Bács-Kiskun és

Békés) megye esetében nem volt pozitív ez a hatás.

Ettől kezdve elemzésünket a Budapest nélkül vett adatokon folytatjuk, amennyi-

ben nem jelzünk mást (Internetes melléklet M1. táblázat). Egyrészt mindkét idő-

szakban azok a megyék tudtak jelentősebb létszámnövekedést elérni, amelyeknek a

FEOR-struktúrája ebből a szempontból előnyösebb volt. Másrészt viszont a szerke-

zeti és regionális hatások összevetéséből kiderül, hogy a legtöbb megyében a regio-

nális hatás a jelentősebb. Ez a következő folyamatokban és formákban érhető tetten:

1. A két hatás ellentétes irányú: 2001 és 2011 között Győr-Moson-Sopron me-

gye esetében a regionális sajátosságok miatt volt magasabb az alkalmazottak

létszámnövekedése, mint az a relatíve kedvezőtlen FEOR-struktúra alapján

várható lett volna, valamint Baranya, Tolna és Csongrád-Csanád megye ese-

tében a kedvező FEOR-struktúra ellenére sem nőtt az alkalmazottak létszáma

a vártnak megfelelően. 2011 és 2016 között a tudásrégiók, vagyis Pest, Bara-

nya és Csongrád-Csanád, mellettük Borsod-Abaúj-Zemplén, Jász-Nagykun-

Szolnok és Bács-Kiskun megye esetében az ipari termelési zónák, valamint az

alacsony tudás- és technológiaintenzív régiók közül Somogy, Nógrád, Tolna,

Békés megye volt ilyen. Közülük Pest, Borsod-Abaúj-Zemplén, Nógrád és

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 503

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

Jász-Nagykun-Szolnok megye rendelkezett viszonylag kedvezőtlen FEOR-

struktúrával, mégis a vártnál magasabb létszámnövekedéssel, a többi felsorolt

megyében pedig fordítva.

2. Mindkét hatás pozitív, de a regionális hatás nagyobb: 2001 és 2011 között

mind a négy olyan megyében, ahol az országos átlag feletti volt az alkalmazot-

tak létszámának növekedése, a regionális és helyi hatás felülmúlta a megye

FEOR-struktúrájának hatását, és többnyire jelentős különbséggel. 2011 és

2016 között már csak Hajdú-Bihar és Szabolcs-Szatmár-Bereg megyére volt

igaz az előző állítás. Pest és Borsod-Abaúj-Zemplén megye esetében pedig a

két hatás ellentétesre változott.

3. Mindkét hatás negatív, de a regionális hatás nagyobb: 2001 és 2011 között

Jász-Nagykun-Szolnok megyében a két hatás közül a FEOR-struktúráé felül-

múlta ugyan a speciális regionális jellemzők hatását, Fejér, Komárom-

Esztergom, Veszprém, Vas, Zala, Somogy, Heves, Nógrád és Békés megyé-

ben a regionális hatás jelentősen felülmúlta a megye FEOR-struktúrájának ha-

tását, Bács-Kiskun megyében is magasabb volt, bár esetében a különbség nem

volt jelentős. 2011 és 2016 között ugyancsak a regionális hatás volt erősebb

Fejér, Komárom-Esztergom, Veszprém, Vas, Zala, Somogy, Heves megyé-

ben. Hozzájuk csatlakozott Győr-Moson-Sopron megye, ahol korábban az

országos átlag feletti volt a létszámnövekedés. Az alkalmazottak országos át-

lag alatti létszámnövekedésével jellemezhető megyék egyikében sem volt na-

gyobb a FEOR-struktúra hatása.

Összegzés

Napjaink innovációra építő gazdaságában egyfajta kettősség figyelhető meg. Egy-

részt a humán tőke egyre jelentősebb szerepe, különösen a tudásintenzív iparágak-

ban, ahol a magasan képzett munkaerő elengedhetetlen feltétele a termelékenység

növelésének és az innovációnak. Másrészt az úgynevezett negyedik ipari forradalom,

ami többek között a mesterséges intelligencia térhódítását és a gépesítés egyre na-

gyobb előretörését jelenti, egyre több hagyományos munkaerőt váltva ki. A gyors

digitalizáció és fejlődés felveti azt a kérdést, hogy mi lesz az esetlegesen felszabaduló

munkaerővel, ennek megválaszolása kihívás elé állítja mind a szakpolitikát, mind a

társadalmat. Ehhez kapcsolódik az is, hogy a hatások térben egyenlőtlenül jelentkez-

nek, ami emeli a regionális elemzések és a helyalapú gazdasági fejlesztések relevanci-

áját. Éppen ezért célszerű megvizsgálni hazánk munkaerőpiaci változásait, valamint

azokat a főbb összefüggéseket, amelyek az oktatási és a regionális gazdasági szakpo-

litikai döntéseket is megalapozhatják.

Két kutatási kérdés mentén vizsgáltuk meg a magyarországi munkaerőpiac 2001 és

2016 közötti szerkezetváltozásának térbeli sajátosságait. Kutatásunkban a pontosabb

eredmények elérése érdekében komplex módszertant alkalmaztunk (lokációs hánya-

dos, Theil-index és hatásarány-elemzés). Számításaink és az empirikus vizsgálatunk

504 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

eredményei azt mutatták, hogy a lokációs hányados térbeli mintázatában megfigyelhe-

tő egyfajta térbeli koncentráció. A felső vezetők és a felsőfokú képzettség önálló al-

kalmazását igénylő foglalkozások (1. és 2. főcsoport) koncentrációja tekintetében Bu-

dapest, a vidéki egyetemvárosok és további regionális centrumok megyéi emelkednek

ki. Ahogy haladunk a FEOR magasabb sorszámú főcsoportjai felé, úgy csökken a

főváros, illetve térségének túlsúlya, és a periferikus megyék kerülnek többségbe.

A Theil-index és dinamikája alapvetően megerősítették, továbbá számszerűsítet-

ték az LQ által feltárt összetett térbeli és szerkezeti sajátosságokat. Megyék szintjén

Budapesten és Pest megyében növekedett a specializáltság, míg Komárom-

Esztergom és Vas megye esetében csökkent. A specializáció legnagyobb növekedé-

sét 2001 és 2016 között Hajdú-Bihar megye könyvelhette el, de Borsod-Abaúj-

Zemplén megye dinamikája is hasonló volt.

Ha FEOR-főcsoportok szerint elemezzük a Theil-indexek alakulását, akkor az 1.

és a 2., valamint a 8. és a 9. főcsoport relatív koncentrálódását figyelhetjük meg. Ez

társadalmi polarizációra utal, hiszen a két véglet esetén indul el az egyenlőtlenség

egyfajta növekedése. A többi főcsoport esetében nem történt érdemi elmozdulás

2001 és 2016 között. Kiemelhető a mezőgazdasághoz kapcsolható foglalkoztatottak

(6. főcsoport) változása, ami a természeti adottságok és a birtokméret eltéréseiből

eredő sajátosságok miatt egyedi görbe szerint alakult a vizsgált időszakban.

Végezetül a hatásarány-elemzésünk eredményei azt mutatták, hogy a megyék

munkaerőpiaci szerkezetének változásában a regionális hatások erősebbek voltak,

mint a szerkezeti hatások. Azok a megyék, amelyekben felsőoktatási intézmények

működnek, és így magasabb képzettségű munkaerő áll rendelkezésükre a vállalatok-

nak, a munkaerőpiaci változást még inkább a regionális hatások határozták meg.

Szakpolitikai szempontból megállapítható, hogy kutatási eredményeink foglal-

koztatáspolitikai irányokat és ehhez szorosan kapcsolódva fontos szakmai kérdése-

ket is felvetnek. Például: a régiók versenyképességét a specializáció, vagy a diverz

szerkezet segítheti-e? Vagy a tudásalapú specializáció és ezen megyék támogatása

kedvező-e az ország egészének versenyképessége szempontjából? Szakmai álláspon-

tunk szerint a területi lépték a meghatározó. Ha a specializációt túlságosan kiemel-

jük, akkor esetleg túlzottan támogatjuk a kiválasztott térségeket és erősen determi-

nált pályára állítjuk őket, viszont a nemzetközi versenyben a kritikus tömeg miatt így

is szükséges ezen területek fejlesztése. Tehát azzal az örök fejlesztési dilemmával

szembesülünk, hogy a szegényebb területek felzárkóztatását, vagy a központok

nemzetközi versenyképességének erősítését vegyük-e előre. Ehhez kapcsolódóan a

szubszidiaritás elvét emelnénk ki, hiszen szerintünk mindkettőre (például a tudástér-

ségek kiemelt fejlesztésére és a belső térbeli egyenlőtlenségek mérséklésére is) szük-

ség van, valamint a döntéseket a polgárokhoz lehető legközelebb kell meghozni.

Összességében tehát a szakpolitika számára az a fő üzenet, hogy a döntéshozóknak

olyan decentralizált fejlesztéspolitikát kellene megvalósítaniuk, amelyben a helyi

sajátosságokra figyelő, tudásra építő specializációt és dinamikus szerkezetváltást,

valamint az alulról építkező ötleteket helyezik előtérbe.

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 505

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

INTERNETES MELLÉKLET

M1. ábra A 0. FEOR-főcsoport koncentráltsága 2016-ban

M2. ábra A 1. FEOR-főcsoport koncentráltsága 2016-ban

M3. ábra A 2. FEOR-főcsoport koncentráltsága 2016-ban

M4. ábra A 3. FEOR-főcsoport koncentráltsága 2016-ban

M5. ábra A 4. FEOR-főcsoport koncentráltsága 2016-ban

M6. ábra A 5. FEOR-főcsoport koncentráltsága 2016-ban

M7. ábra A 6. FEOR-főcsoport koncentráltsága 2016-ban

M8. ábra A 7. FEOR-főcsoport koncentráltsága 2016-ban

M9. ábra A 8. FEOR-főcsoport koncentráltsága 2016-ban

M10. ábra A 9. FEOR-főcsoport koncentráltsága 2016-ban

M11. ábra A FEOR-főcsoportok Theil-indexe (a 0. Fegyveres szervek foglalkozásai főcso-

port nélkül)

M1. táblázat A munkaerőpiaci szerkezet megyék szerinti változása (Pest megye Budapest

nélkül)

Köszönetnyilvánítás

A kutatást az EFOP-3.6.2-16-2017-00007 azonosítójú, EU társfinanszírozású projekt támo-

gatta. A szerzők külön köszönetüket fejezik ki az anonim opponenseknek, akik hasznos és

építő javaslataikkal hozzájárultak a tanulmány minőségének javításához.

IRODALOM

ALPEK, L.–TÉSITS, R.−HOVÁNYI, G. (2018): Spatial inequalities of disadvantage accumulation

and their impact on employability in Hungary Regional Statistics 8 (1): 96–119.

https://doi.org/10.15196/RS080104

ALPEK, L.–TÉSITS, R. (2019): Measuring regional differences in employability in Hungary

Applied Spatial Analysis and Policy 13 (1): 329–347.

https://doi.org/10.1007/s12061-019-09306-6

ALPEK, L.−OLÁH, D. (2021): A magyar települések innovációs potenciáljának dimenziói

Területi Statisztika 61 (6): 712–738. https://doi.org/10.15196/TS610602

ANNONI, P.–KOZOVSKA, K. (2010): EU regional competitiveness index Publications Office of

the European Union, Luxembourg. https://doi.org/10.2788/88040

ANNONI, P.–DIJKSTRA, L. (2019): The european regional competitiveness index 2019 Publications

Office of the European Union, Luxembourg.

https://doi.org/10.2776/046835

ANNONI, P.–DOMINICIS, L.–KHABIRPOUR, N. (2019): The great recession: Main determinants of

regional economic resilience in the EU Publications Office of the European Union,

Luxembourg. https://doi.org/10.2776/923861

506 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

BELUSZKY, P.–SIKOS, T. (1980): Hatásarány-analízis a területi kutatásokban Szigma 13 (3):

181–201.

BERKES, J. (2020): The economic structure and performance of the catchment area of the

Hungarian regional centers Deturope 12 (3): 68–81.

BERKES, J. (2021): Highly qualified social strata in urban areas of Hungarian regional centres

from 1980 to 2011 Regional Statistics 11 (4): 126–149.

https://doi.org/10.15196/RS110406

BODNÁR, G. (2020): Study of the factors influencing regional competitiveness in the case of

Germany and France Romanian Review of Regional Studies 16 (2): 3–14.

BOROS, L. (2017): Detroit válsága: Okok és következmények Földrajzi Közlemények 141 (4):

356–369.

CAPELLO, R. (2016): Regional economics (2nd ed.) Routledge, London.

CZIRFUSZ, M. (2020): Foglalkoztatás. In: CZIRFUSZ, M. (szerk.): Területi kihívások és területi

politikák Magyarországon, 2010–2020 pp. 11–17., Közgazdaság- és Regionális Tu-

dományi Kutatóközpont Regionális Kutatások Intézete, Budapest.

CZIRFUSZ, M. (2021): A COVID-19-válság és a térbeli munkamegosztás változásai Magyar-

országon Területi Statisztika 61 (3): 320–336.

https://doi.org/10.15196/TS610303

DÖVÉNYI, Z. (2021): A népesség összetétele: Társadalmi tagozódás. In: KOCSIS, K–KOVÁCS,

Z.–NEMERKÉNYI, ZS–KINCSES, Á.–TÓTH, G. (szerk.): Magyarország nemzeti atla-

sza: Társadalom pp. 88–96., Csillagászati és Földtudományi Kutatóközpont Föld-

rajztudományi Intézet, Budapest.

DROBNIAK, A. (2017): Economic resilience and hybridization of development – A case of

the Central European regions Regional Statistics 7 (1): 43–62.

https://doi.org/10.15196/RS07103

EC (2009): EU cluster mapping and strengthening clusters in Europe Brussels.

EC (2014a): Helping firms grow – European competitiveness report 2014 European Commission,

Luxembourg. https://doi.org/10.2769/28020

EC (2014b): Smart specialization and Europe’s growth agenda European Commission,

Luxembourg. https://doi.org/10.2776/73346

EC (2019): Methodological manual on territorial typologies – 2018 edition European Commission,

Luxembourg. https://doi.org/10.2785/930137

FEKETE, K.−DOMBI, G.−OLÁH, M. (2021): Önkormányzati válságkezelés a Balaton Kiemelt

Üdülőkörzetben, a COVID-19-járvány első hullámában Területi Statisztika 61 (3):

337–355. https://doi.org/10.15196/TS610304

GAJDOS, A. (2014): Przestrzenne analizy struktury kapitału ludzkiego Comparative Economic

Research. Central and Eastern Europe 17 (4): 43–54.

https://doi.org/10.2478/cer-2014-0031

GECSE, G.–NIKODÉMUS, A. (2003): A hazai klaszterek lehatárolásának problémái – lokációs

hányados Területi Statisztika 43 (6): 507–522.

KINCSES, Á.−TÓTH, G.−TÖMÖRI, M.−MICHALKÓ, G. (2016a): Identifying settlements

involved in Hungary’s transit traffic Regional Statistics 6 (1): 193–216.

https://doi.org/10.15196/RS06110

KINCSES, Á.−TÓTH, G.−TÖMÖRI, M.−MICHALKÓ, G. (2016b): Characteristics of transit

tourism in Hungary with a focus on expenditure Regional Statistics 6 (2): 129–148.

https://doi.org/10.15196/RS06207

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 507

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

KINCSES, Á.−TÓTH, G (2020): How coronavirus spread in Europe over time: national pro-

babilities based on migration networks Regional Statistics 10 (2): 228–231.

https://doi.org/10.15196/RS100210

KOÓS, B. (2016): Közfoglalkoztatás a mezőgazdaságban Tér és Társadalom 30 (3): 40–62.

https://doi.org/10.17649/TET.30.3.2793

KÓTI, T. (2018): Spatial differences regarding the chance to leave supported public

employment in Hungary’s rural periphery Regional Statistics 8 (2): 109–134.

https://doi.org/10.15196/RS080210

KOVÁCH, I. (2016): Földek és emberek, Földhasználók és földhasználati módok Magyarországon MTA

Társadalomtudományi Kutatóközpont, Debreceni Egyetemi Kiadó, Budapest.

KOVÁCS, P.–BODNÁR, G. (2017): Examining the factors of endogenous development in Hun-

garian rural areas by means of PLS path analysis Regional Statistics 7 (1): 90 –114.

https://doi.org/10.15196/RS07106

LENGYEL, I. (2006): A regionális versenyképesség értelmezése és piramismodellje Területi

Statisztika 46 (2): 131–147.

LENGYEL, I. (2010): Regionális gazdaságfejlesztés. Versenyképesség, klaszterek és alulról szerveződő

stratégiák Akadémiai Kiadó, Budapest.

LENGYEL, I. (2021): Regionális és városgazdaságtan Szegedi Egyetemi Kiadó, Szeged.

LENGYEL, I.–SZAKÁLNÉ, K. I.–VAS, ZS.–LENGYEL, B. (2016): Az újraiparosodás térbeli

kérdőjelei Magyarországon Közgazdasági Szemle 63 (6): 615–646.

https://dx.doi.org/10.18414/KSZ.2016.6.615

LIPTÁK, K. (2016): Az Észak-magyarországi régió munkaerő-piaci folyamatainak vizsgálata

Competitio 16 (3): 84−102.

LIPTÁK, K. (2021): Maradj otthon, dolgozz otthon! A koronavírus hatása a távmunkára

Észak-Magyarországon, 2020. április Területi Statisztika 61 (2): 153–169.

https://doi.org/10.15196/TS610202

LŐRINCZ, L.–KISS, K. M.–ELEKES, Z.–CSÁFORDI, ZS.–LENGYEL, B. (2018): Az iparágak

közti hasonlóság mérésének hálózati módszerei és relevanciájuk a gazdaságfej-

lesztésben Műhelytanulmányok, Discussion Papers 2018 MT-DP–2018/16, MTA

Közgazdaság- és Regionális Tudományi Kutatóközpont Közgazdaság-

Tudományi Intézet – Budapest.

MÁTÉ, D. (2009): A foglalkoztatásban és a termelékenységben bekövetkezett permanens

szektorális változások Competitio 8 (1): 117–137.

MÁTÉ, D. (2014): A termelékenységben bekövetkezett változások technológia-intenzív ága-

zati megközelítésben E-CONOM 3 (2): 54–66.

MAYOR, M.–LÓPEZ, A. J. (2005): The spatial shift-share analysis: new developments and some findings

for the Spanish case Proceedings of the European Regional Science Association,

ERSA 2005, Amsterdam.

MILLER, P.–BOTHAM, R.–GIBSON, H.–MARTIN, R.–MOORE, B. (2001): Business clusters in the

UK Department of Trade and Industry, London.

NAGY, B.–UDVARI, B.–LENGYEL, I. (2019): Újraiparosodás Kelet-Közép-Európában –

újraéledő centrum–periféria munkamegosztás? Közgazdasági Szemle 66 (2):

163–184. https://doi.org/10.18414/KSZ.2019.2.163

NAGY, Z.–SEBESTYÉNNÉ SZÉP, T.–SZENDI, D. (2018): Területi különbségek a megyei jogú

városok energiafelhasználásában – II. rész Területi Statisztika 58 (6): 551–566.

https://doi.org/10.15196/TS580601

508 Szakálné Kanó Izabella–Sávai Marianna–Vida György

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

NYIKOS, GY.−SOHA, B.−BÉRES, A. (2021): Entrepreneurial resilience and firm performance

during the COVID-19 crisis – Evidence from Hungary Regional Statistics 11 (3):

29–59. https://doi.org/10.15196/RS110307

OLÁH, J. (2019): Az Ipar 4.0 keretrendszere, valamint a kapcsolódó technológiák International

Journal of Engineering and Management Sciences 4 (4): 213–223.

https://doi.org/10.21791/IJEMS.2019.4.24

PAPP, S.–NAGY, GY.–BOROS, L. (2017): A kedvezményezett települések objektív életminő-

ség alapján történő lehatárolási lehetőségei Területi Statisztika 57 (6): 639–664.

https://doi.org/10.15196/TS570603

PÁLÓCZI, G. (2016): Researching commuting to work using the methods of complex net-

work analysis Regional Statistics 6 (1): 3–22.

https://doi.org/10.15196/RS06101

PÉNZES, J.–PÁLÓCZI, G. (2017): Comparative research of the results of functional regionaliza-

tion methods – by the network of commuting in Hungary Deturope 9 (3): 29–41.

RECHNITZER, J.−BERKES, J.−FILEP, B. (2019): The most important city development initia-

tives of Hungary Regional Statistics 9 (2): 20–44.

https://doi.org/10.15196/RS090204

ROTA, F. S.–BAGLIANI, M.–FELETING, P. (2020): Breaking the black-box of regional resi-

lience: A taxonomy using a dynamic cumulative shift-share occupational

approach Sustainability 12 (21): 9070.

https://doi.org/10.3390/su12219070

SHIMAMOTO, K. (2019): Empirical analysis of the distribution of urban parks in Japan Regio-

nal Statistics 9 (2): 148–172.

https://doi.org/10.15196/RS090203

SZAKÁLNÉ KANÓ, I. (2011): A gazdasági aktivitás térbeli eloszlásának vizsgálati lehetőségei

Statisztikai Szemle 89 (1): 77–100.

SZÉP, T.–NAGY Z.–TÓTH, G. (2021): Lehet az alkalmazkodóképesség vonzó? A rugalmas

ellenálló képesség szerepe a magyar városok példáján Statisztikai Szemle 99 (8):

709–730. https://doi.org/10.20311/stat2021.8.hu0709

TAGAI, G.−BERNARD, J.−ŠIMON, M.−KOÓS, B. (2018): Two faces of peripherality: labour

markets, poverty, and population dynamics in Hungary and Czechia Regional Sta-

tistics 8 (2): 19–45. https://doi.org/10.15196/RS080204

TÉSITS, R.–ZSIGMOND, T.–ALPEK, L.–HOVÁNYI, G. (2021): The role of endogenous capital

factors in the territorial development of the Sellye District in Hungary Regional

Statistics 11 (1): 1–20.

https://doi.org/10.15196/RS110103

THISSEN, M.–VAN OORT, F.–DIODATO, D.–RUIJS, A. (2013): Regional competitiveness and smart

specialization in Europe Edward Elgar, Cheltenham.

TÓTH, A.–SZABÓ, SZ.–KÁLMÁN, B.–POÓR, J. (2021): A foglalkoztatottság alakulása a magyar

gazdaság szektoraiban a COVID-19 járvány következtében Új Munkaügyi Szemle

2 (1): 2–23.

TÓTH, B. I.–SZABÓ, P. (2018): A területi tőkén nyugvó fejlesztéspolitika esélyei Gazdaság és

Társadalom 10 (2): 5–20. https://doi.org/10.21637/GT.2018.02.01

VAS, ZS. (2009): Közelség és regionális klaszterek: a szoftveripar Szegeden Tér és Társadalom

23 (3): 127–145.

A magyarországi munkaerőpiac szerkezeti változásának térbeli sajátosságai

2001 és 2016 között 509

Területi Statisztika, 2022, 62(5): 483–509; DOI: 10.15196/TS620501

VAS, ZS.–LENGYEL, I.–SZAKÁLNÉ KANÓ, I. (2015): Regionális klaszterek és agglomerációs

előnyök: feldolgozóipar a magyar városrégiókban Tér és Társadalom 29 (3): 49–72.

https://doi.org/10.17649/TET.29.3.2697

VIDA, GY. (2016): A vidéki agglomerációk, agglomerálódó térségek és nagyvárosi település-

együttesek versenyképességének sajátosságai. In: LENGYEL, I.–NAGY, B. (szerk.):

Térségek versenyképessége, intelligens szakosodása és újraiparosodása pp. 204–222.,

JATEPress Kiadó, Szeged.

VIDA, GY.–DUDÁS, G. (2017): Geographical context of the revealed competitiveness of

urbanised areas in Hungary excluding the Budapest agglomeration Geographica

Pannonica 21 (3): 179–190. https://doi.org/10.5937/GeoPan1703179V

VINUELA, A.–RUBEIRA-MOROLLÓN, F.–FERNANDEZ-VÁZQUEZ, E. (2014): Applying eco-

nomic-based analytical regions: a study of the spatial distribution of employment

in Spain The Annals of Regional Science (52): 87–102.

https://doi.org/10.1007/s00168-013-0575-z

INTERNETES FORRÁSOK

ILO (2007): Resolution concerning updating the international standard classification of occupations

https://www.ilo.org/public/english/bureau/stat/isco/docs/resol08.pdf

(letöltve: 2021. július)

KSH (2009): Módszertani útmutató a FEOR-08 foglalkozásainak besorolásához

https://www.ksh.hu/docs/szolgaltatasok/hun/feor08/pdf/feor08_modszertan.

pdf (letöltve: 2021. július)

KSH (2011): FEOR-08 Foglalkozások Egységes Osztályozási Rendszere

https://mek.oszk.hu/09700/09798/09798.pdf (letöltve: 2021. július)

KSH (2018): Munkaerőpiaci helyzetkép, 2014–2018

http://www.ksh.hu/docs/hun/xftp/idoszaki/munkerohelyz/munkerohelyz17.pdf

(letöltve: 2021. július)

NIH (2014): Nemzeti Intelligens Szakosodási Stratégia

https://nkfih.gov.hu/hivatalrol/nemzeti-intelligens/nemzeti-intelligens-180603-1

(letöltve: 2021. július)

NKFHI (2021): Nemzeti Intelligens Szakosodási Stratégia (S3) 2021–2027

https://nkfih.gov.hu/hivatalrol/nemzeti-intelligens/nemzeti-intelligens-

szakosodasi-strategia-2021-2027 (letöltve: 2021. július)

Trends in the Czech and Hungarian labour markets from a regional perspective, especially in light of the two recent crises

Article

Full-text available

Jan 2024

Optimasi Pembangunan Lokal Melalui Pengabdian Masyarakat: Analisis Laju Pertumbuhan Ekonomi Sebagai Pilar Pencapaian Kesejahteraan Bersama

Article

Jan 2024

Penelitian ini bertujuan untuk memberikan informasi yang dapat digunakan sebagai dasar untuk kebijakan pembangunan daerah. Dengan mempertimbangkan karakteristik dan potensi sektor-sektor unggulan, Kabupaten Bekasi diharapkan dapat merancang strategi pembangunan yang lebih terarah untuk meningkatkan kesejahteraan masyarakat dan pertumbuhan ekonomi yang berkelanjutan. Laju pertumbuhan penduduk, perubahan struktur ekonomi, dan dampak pandemi COVID-19 turut memengaruhi kondisi ekonomi daerah. PDRB Kabupaten Bekasi terus mengalami peningkatan, dengan sektor industrip pengolahan menjadi kontributor utama. Berdasarkan metode analisis shift-share, Location Quotient (LQ), dan Klassen Typology menunjukkan bahwa sektor industri, terutama industri pengolahan, memiliki peran sebagai sektor utama di Kabupaten Bekasi. Skenario proyeksi PDRB hingga 2027 menggambarkan potensi pertumbuhan ekonomi yang bervariasi tergantung pada kondisi eksternal seperti stabilitas global dan pemulihan pasca-pandemi. Sektor pertanian, kehutanan, dan perikanan menunjukkan fluktuasi yang signifikan yang cenderung stabil dengan rata-rata 1.5 persen, sedangkan sektor perdagangan menunjukkan kesetabilan selama 8 tahun di angka 5 persen. Analisis konsumsi rumah tangga memperlihatkan peran utama dalam perekonomian, dengan kontribusi sebesar 35 persen meskipun terpengaruh penurunan daya beli selama pandemi.

A magyarországi járások versenyelőnyének elemzése társadalmi innovációs potenciál alapján, 2020

Article

Jan 2023

A hazai felsőoktatási alap- és mesterszakos informatikusképzések térbelisége, 2005-2021

Article

Jan 2023

Bence Gábor Kovács

Statisztika+ Quetelet konferencia előadásai - 2023. szeptember 28.

Book

Full-text available

Nov 2023

Zoltan Bartha

A Statisztika+ Quetelet (2023. szeptember 28.) konferencia előadásai.

The Economic Structure and Performance of the Catchment Area of the Hungarian Regional Centers

Article

Full-text available

Oct 2020

Berkes Judit

Entrepreneurial resilience and firm performance during the COVID-19 crisis – Evidence from Hungary

Article

Full-text available

Jan 2021

Purpose: Recognising the swift and negative impact of COVID-19 on innovation, entrepreneurial behaviour, and small and medium enterprises’ (SME) performance, the authors examine the situation and prospects of Hungarian companies and evaluate entrepreneurial resilience and firm performance, with a specific focus on subsidised firms. Design/methodology/approach: Data from two surveys are used. This is a combined dataset of the database of Hungarian companies required to use the double entry bookkeeping system, and the integrated monitoring database, established by the MIT to cover financial assistance from both the European Union and national budgets. The analyses use the propensity score matching method. The ultimate goal of the study is to show the micro-level effects of the COVID-19 crisis on entrepreneurs, with special focus on previously received financial assistance by a firm, its geographical location (based on NUTS1 level 2 regions and urban development zones2), industry (level 2 NACE3 codes), and size. Findings: The result provides evidence that subsidies have a positive impact on SMEs’ resilience, employment, sales, and productivity.

Maradj otthon, dolgozz otthon! - A koronavírus-járvány hatása a távmunkára Észak-Magyarországon, 2020. április

Article

Jan 2021

Katalin Lipták

The most important city development initiatives of Hungary

Article

Jan 2019

Highly qualified social strata in urban areas of Hungarian regional centres from 1980 to 2011

Article

Jan 2021

Berkes Judit

The role of endogenous capital factors in the territorial development of the Sellye District in Hungary

Article

Jan 2021

Empirical analysis of the distribution of urban parks in Japan

Article

Jan 2019

Kenichi Shimamoto

A magyar települések innovációs potenciáljának dimenziói

Article

Jan 2021

Lehet az alkalmazkodóképesség vonzó? A rugalmas ellenálló képesség szerepe a magyar városok példáján

Article

Jan 2021

A szerzők a városi rugalmas ellenálló képesség, a reziliencia összefüggéseit elemzik. Értelmezik a kifejezés tartalmát, definiálják fogalmát, és bemutatják a mérhetőséggel kapcsolatos fontosabb kérdéseket. Szakirodalmi és módszertani ajánlások felhasználásával egy komplex reziliencia indexet dolgoznak ki. Megvizsgálják a magyarországi városhálózatra számított index és komponenseinek területi eloszlását, illetve a jövedelmek és a népesség alakulásának trendjeit. Számításaikkal igazolják, hogy a reziliencia alapvetően a jövedelmek változására hat, míg ilyen kapcsolódást a népesség vonatkozásában nem tudnak igazolni. A hazai városokat öt csoportba sorolják a reziliencia és annak összetevői segítségével.

Crisis management by local governments in the Lake Balaton Resort Area during the first wave of the Covid-19 pandemic

Article

Jan 2021

The Covid-19 pandemic generated globally an unfamiliar crisis situation for the present so-cio-economical systems. Social and policy challenges related to the pandemic, however, are variable due to local and regional specifics. Specifics may be identified and modeled extensively in a functional and more or less natural region like the Lake Balaton Resort Area. This region pulled through the first wave of the Covid-19 pandemic as the second touristic destination of Hungary. Due to the measures of the central government concerning the budgets and jurisdictions of local governments, municipalities had a significant role during the preventing actions against the pandemic. While budgetary cuts hit them, local governments stepped forward as local crisis managers. Examinations based on statistical data of territorial impacts of the pandemic was beyond their possibilities due to incomplete territorial references. Therefore our research on territorial and local governmental impacts of the first wave of the pandemic in the Lake Balaton Resort Area was based on a questionnaire conducted with mayors from the region. The following study presents the results of the questionnaire, demonstrates the regional specifics of the pandemic, the particular role of local governments, and summarizes the useful conclusions for upcoming challenges.

The changing Hungarian labour market structures and spatial features between 2001 and 2016 (In Hungarian)

Abstract

Recommended publications

Social Transformation and the Transition from Vocational Education to Work

Spatial characteristics of some aspects of regional ‘realised competitiveness’ in Hungary between 20...

A COVID-19-válság és a térbeli munkamegosztás változásai Magyarországon

Comparative study of labour market development in post-socialist Hungary and Azerbaijan since 1990

A COVID-19-járvány gazdasági és társadalmi hatásai az elmúlt egy évben az Európai Unióban, különös t...