Na základě teoretického modelu byla provedena specifikace pro ekonometrický model vnitřní migrace ČR:
𝑀𝐼𝐺𝑟𝑡 = 𝛼 + 𝛽1𝑀𝐼𝐺𝑟𝑡−1+ 𝛽2𝑊𝐴𝐺𝐸𝑟𝑡 + 𝛽3𝑈𝑁𝐸𝑀𝑃𝐿𝑟𝑡+ 𝛽4𝐼𝑁𝐷𝑈𝑆𝑟𝑡+ 𝛽5𝐹𝑂𝑅𝐸𝐼𝐺𝑁𝐸𝑅𝑆𝑟𝑡 + 𝛽6𝐻𝐶𝑟𝑡+ 𝛽7𝐹𝐿𝐴𝑇𝑟𝑡 + 𝛽8𝑃 𝐹𝐿𝐴𝑇𝑟𝑡 +
𝛽9𝑈𝑅𝐵𝑟𝑡+ 𝛽10𝐶𝑅𝐼𝑆𝐼𝑆𝑟𝑡 + 𝜇𝑟𝑡 (3.2) K odhadu ekonometrického modelu jsou použita panelová data, proto jednotlivé proměnné mají příznak r a t. Index r vyjadřuje průřezovou jednotku (r=1,2, …, N),
složenou kombinací pozorování i a j, kdy i značí imigrační region (i=1,2, …, n) a index j označuje emigrační region (i=1,2, …, n) a zároveň platí nerovnost i ≠ j, N nabývá hodnoty součinu n x (n–1). Index t reprezentující období sledované jednotky (obvykle rok) nabývá hodnot t = 1–T. Vzniklý panelový dataset má NxT počet pozorování. V získaném datasetu je celkem 14 krajů, indexy i a j nabývají hodnot od 1 do 14 a index r tudíž nabývá hodnot od 1 do 182 (tj.14 x 13). Sledované osmnáctileté období je mezi lety 2000–2017, hodnoty indexu t nabývají maximální hodnoty 18, finální panelový data set má celkem 3 276 pozorování.
Vysvětlovaná proměnná míra migrace MIGrt vyjadřuje poměr imigrace a emigrace pro danou průřezovou jednotku r v čase t. Pokud je migrace z regionu j do regionu i vyšší než migrace z regionu i do j, je tento poměr > 1 a vice versa, pokud by byl příliv a odliv obyvatel spíše vyrovnaný, tak by tento ukazatel nabýval hodnoty blízké 1. Pro upřesnění: od roku 2005 přebírá ČSÚ údaje o stěhování od MV a nezjišťují se údaje o nejvyšším dosaženém vzdělání v případě stěhování mezi kraji. Proto nebylo možné testovat v rámci navrženého ekonometrického modelu, zda se míra migrace liší v závislosti na dosaženém vzdělání.
FAKTOR PROSTORU A JEHO IMPLEMENTACE DO EKONOMETRICKÉHO MODELU
Podle Ravesteinových zákonů se míra migrace snižuje s rostoucí vzdáleností mezi destinacemi. Neoklasická teorie následně předpokládá, že migrace je ovlivněna prostorovými rozdíly v nabídce a poptávce mezi jednotlivými trhy práce v prostoru.
Do ekonometrického modelu byl proto inkorporován rozměr prostoru prostřednictvím vzdálenosti mezi jednotlivými kraji a prostřednictvím diferencí u vybraných proměnných. Vzhledem k tomu, že předpokládáme, že migrace se neřídí pouze rozdíly ve mzdách a v nezaměstnanosti, ale diference je relevantním faktorem i v případě dalších kardinálních proměnných, byly tyto rozdíly vypočítány jako procentuální rozdíl mezi kraji a následně byla diference vydělena vzdáleností mezi kraji:
𝑑𝑖𝑓𝑓𝑟𝑡𝑣 =
𝑣𝑖𝑡 𝑣𝑗𝑡−1
𝑑𝑖𝑠𝑡𝑟 (3.3)
Znak v reprezentuje vybrané kardinální vysvětlující proměnné, distr je vzdálenost mezi kraji i a j, vi je hodnota proměnné v imigračním regionu, vj reprezentuje hodnotu v emigračním regionu a index t reprezentuje daný rok.
Vzdálenost mezi kraji byla měřena prostřednictvím vzdálenosti mezi krajskými městy, která byla zjišťována pomocí mapového portálu Mapy.cz (vzdálenost nejrychlejší trasy v km ujeté osobním vozidlem). Problém stanovení vzdálenosti se samozřejmě vyskytl u Středočeského kraje, neboť jako jediný kraj nemá své krajské město a krajský úřad sídlí v hlavním městě. Proto pro stanovení vzdálenosti byla vybrána dvě okresní města: Příbram (s 15 % rozlohy kraje je největším okresem v STC) a Mladá Boleslav (okres s největším počet obcí v STC). Vzdálenost mezi Středočeským krajem a ostatními kraji vznikla jako průměr vzdáleností mezi těmito dvěma okresními městy a ostatními krajskými městy.
Naměřené vzdálenosti byly rozděleny do 6 stejně velkých intervalů s rozpětím 75 km, jejich vzdálenost byla překódována na ordinální proměnnou distr, jejíž kategorie nabývají hodnot od 1 do 6. Regiony vzdálené mezi sebou do 75 km mají hodnotu distij = 1, do této kategorie spadají 3 kombinace krajů: PHA–STC; HKK–
PAK a OLK–ZLK. Naopak největší naměřenou vzdálenost mezi sebou mají kraje, u kterých distij = 6, tj. nad 375 km. Tato hodnota byla zjištěna u 11 kombinací krajů.
Jedná se především o kombinace krajů mezi východem a západem České republiky:
MSK–PHA, STC, JHK, PLK, ULK a KVK; ZLK–PLK, ULK, LBK, KVK; OLK–
KVK.
D
ATAČ
ESKÁ REPUBLIKAData byla získána z ČSÚ, konkrétně byla získána data na úrovni NUTS3 z jednotlivých Krajských správ Českého statistického úřadu. Data byla následně zpracována, neboť do modelu nevstupují jejich absolutní hodnoty, ale u většiny proměnných bylo nutné provést vlastní výpočet (viz Rovnice 3.3). Jak již bylo zmíněno analyzované období je dlouhé 18 let, konkrétně se jedná o období od roku 2000 až do roku 2017. Starší data bohužel nebyla dostupná v členění na úroveň
krajů (CZ-NUTS3)11. Data byla zpracovávána prostřednictvím softwarů STATA a EXCEL (tzv. add-ins: doplňků pro zpracování kartogramů a uzlových grafů).
Mzda (WAGE) a míra nezaměstnanosti (UNEMPL): tyto proměnné představují v modelu klíčové vysvětlující proměnné. Pro výpočet proměnné WAGE byla použita hrubá měsíční mzda, dále byl zjišťován i hrubý domácí produkt na obyvatele v daném kraji (HDP/obyv.), který by mohl vhodně reprezentovat rozdíly v příjmech mezi jednotlivými kraji. Před samotným odhadem ekonometrického modelu bylo však zjištěno, že mezi těmito dvěma proměnnými je silná lineární závislost (pwcorr = 0.9462; P–value = 0.000) a po změření multikolinearity prostřednictvím VIF (faktory a indexy podmíněnosti korelační matice vysvětlujících proměnných) nebyla z opatrnostních důvodů proměnná HDP/obyv.
do ekonometrického modelu zahrnuta. Pro výpočet proměnné UNEMPL nemohl být použit statistický ukazatel Podíl nezaměstnaných osob, který se obvykle používá pro vyjádření míry nezaměstnanosti, neboť od roku 2005 došlo ke změně metodiky výpočtu míry nezaměstnanosti a časové řady nebyly Českým statistickým úřadem bohužel zpětně přepočítány. Proto byl jako statistický ukazatel u proměnné UNEMPL vybrán ukazatel Počet uchazečů na 1 pracovní místo v evidenci Úřadu práce ČR, u něhož byla dostupná data za celé analyzované období. Korelace mezi ukazateli Podíl nezaměstnaných osob a Počet uchazečů na 1 pracovní místo v evidenci Úřadu práce ČR byla relativně silná (pwcorr = 0.77; P–value = 0.000), což naznačuje vhodnost výběru ukazatele Počet uchazečů na 1 pracovní místo v evidenci úřadu práce jakožto alternativního ukazatele míry nezaměstnanosti.
Jako kontrolní vysvětlující proměnná byla do modelu zahrnuta míra migrace z předcházejícího roku (MIG_lag), aby bylo možné sledovat, zda je míra migrace determinována historickým vývojem migrace v daném regionu.
11 ČSÚ v souvislosti se vstupem do Evropské Unie přijal klasifikaci CZ-NUTS, díky níž se vykazují údaje pro nižší územní celky. Od roku 2004 vzniklo 8 regionů soudržnosti (CZ-NUTS2; dříve nazývaných jako oblasti) a to primárně pro potřeby poskytování údajů ve vztahu k Evropské unii, zejména pro úkoly spojené s čerpáním prostředků ze strukturálních fondů Evropské unie. Dále vzniklo 14 krajů (CZ-NUTS3), tato úroveň byla vybrána pro analýzu vnitřní migrace.
Míra industrializace (INDUS): pro tuto proměnnou byl vybrán ukazatel, který byl vypočtený jako podíl počtu zaměstnaných v průmyslu a ve stavebnictví na celkové zaměstnanosti v kraji.
Lidský kapitál (HC) byl vypočítán jako podíl Studentů všech forem studia na vysoké škole na celkové populaci kraje, vyjádřené jako Střední stav obyvatelstva.
Zahraniční migrace (FOREIGNERS) je vyjádřena jako index efektivnosti zahraniční migrace vypočtený jako poměr čisté zahraniční migrace v kraji (tj. rozdíl mezi imigrací a emigrací v daném regionu) a obratem zahraniční migrace (tj. součet imigrace a emigrace v daném regionu), tento ukazatel nabývá hodnot v intervalu od -1 do 1, pokud je zahraniční imigrace a emigrace vyrovnaná, nabývá hodnot blízké 0.
Proměnná nabídka bydlení (FLAT) je vyjádřena jako počet Dokončených bytů na 1000 obyvatel v kraji a proměnná náklady na bydlení (PRICE FLAT) jsou reprezentovány cenou za byty v Kč/m2. Data o cenách bytů přebírá ČSÚ od Ministerstva financí, zdrojem jsou přiznání k dani z nabytí (převodu) nemovitých věcí, která jsou povinni podávat noví vlastníci (kupující) nemovitostí příslušným finančním úřadům do konce třetího kalendářního měsíce následujícího po měsíci, v němž byl zapsán vklad práva do katastru nemovitostí. Databáze celoplošně postihuje transakce na trhu nemovitostí a vychází z reálných (přiznaných) cen.
Bohužel se nepodařilo získat data za všechny kraje v podobě cen nájemného bydlení, proto byl vybrán ukazatel cena za byty v Kč/m2. Lze předpokládat, že časové řady cen nájemného bydlení a cen za byty jsou silně korelované, a tudíž průměrná kupní cena nemovitostí je vhodný proxy ukazatel. S ohledem na ekonomickou teorii lze předpokládat, že existuje vztah mezi cenou nemovitostí a nabízeným množstvím bytů. V ekonometrii není vždy možné dosáhnout dokonalých podmínek a splnění všech předpokladů pro použití dané metody, a to například dosáhnout toho, že vysvětlující proměnné nejsou mezi sebou závislé.
Jednou z možností, jak zjistit těsnost vztahu mezi statistickými ukazateli je výpočet Pearsonova korelačního koeficientu (pwcorr), což bylo učiněno (viz část Odhad ekonometrického modelu ČR), v případě ukazatelů FLAT a PRICE FLAT tak je
závislost relativně slabá (pwcorr=0,5315). Co se týká technického problému s multikolinearitou, při odhadu ekonometrického modelu byla měřena její síla pomocí VIF a v případě ČR i PL je její míra únosná. Navíc sektor stavebnictví je velmi citlivý na ekonomický cyklus čili hlavním faktorem ovlivňující nabízené množství bytů v kraji nemusí být nutně růst nově přistěhovalých.
Další vysvětlující proměnnou zahrnutou do modelu je míra urbanizace (URB).
Byl sledován Podíl městského obyvatelstva na celkovém počtu obyvatel, do modelu vstupuje jako ordinální dummy proměnná s hodnotami od 0 do 2, kdy hodnoty nižší než 0.75 jsou 0, hodnoty mezi 0.75 a 0.85 jsou 1 a hodnoty vyšší než 0.85 jsou 2.
Poslední uvažovanou vysvětlující proměnnou je ekonomická krize (CRISIS), která byla definována jako binární (tj. nula–jednotková) proměnná. V letech 2008–
2011 nabývá hodnot 1, v ostatních letech nabývá 0.
ANALÝZA VNITŘNÍ MIGRACE V ČESKÉ REPUBLICE
Základní charakteristiky vnitřní migrace lze prezentovat pomocí několika statistických ukazatelů, např: saldo migrace (čistá migrace), obrat migrace, index efektivnosti (IE) migrace a míra imigrace (imigrace/emigrace). Dále pro vhodné znázornění změn v prostoru a v čase jsou tyto statistiky prezentovány pomocí kartogramů, modifikovaných Webbových diagramů, matice indexů efektivnosti a uzlových schémat.
Nejprve je možné podívat se na vnitřní migraci z pohledu salda migrace, což umožní identifikovat kraje, které mají kladnou čistou migraci. V Obrázku 3.1 jsou tři kartogramy, ve kterých je spočítaná kumulovaná čistá migrace mezi roky 2000–
2017. V horním kartogramu je započítaná vnitřní migrace obyvatel ČR společně s migrací zahraniční, vlevo dole je kartogram vyjadřující pouze saldo regionální migrace obyvatel ČR a vpravo saldo zahraniční migraci v jednotlivých krajích.
OBRÁZEK 3.1:ČISTÁ MIGRACE VKRAJÍCH A SROVNÁNÍ SE ZAHRANIČNÍ MIGRACÍ
(PRŮMĚR ZA ROKY 2000–2017)
Zdroj: ČSÚ (2018), vlastní zpracování Z pohledu celkového salda vnitřní migrace, je zřejmá dominance kraje STC, jeho dominance je patrná i v případě rozdělení migrace na vnitřní a zahraniční.
V případě čisté zahraniční migrace mají všechny kraje v průběhu let kladné saldo zahraniční migrace, tzn. že zahraniční migrace měla ve všech krajích pozitivní vliv na změny v objemu populace. Nicméně v krajích MSK, OLK, ZLK, VYS a KVK nedokázala nahradit úbytek populace vlivem odlivu obyvatel ČR z krajů. Pouze v případě kraje PHA nahradila zahraniční migrace úbytek domácích obyvatel.
Ze statistik vyplývá, že do České republiky přichází za prací více lidí, než kolik jich odchází do zahraničí. ČR je v tomto ohledu v regionu střední a východní Evropy druhou nejatraktivnější zemí, což vyplývá ze studie, kterou zpracoval britský Legatum Institute (2018). Atraktivnější pracovní trh nabídlo ve středoevropském
regionu pouze Rakousko. K zájmu zahraniční pracovní síly o český pracovní trh mohla přispět také iniciativa vlády prostřednictvím cílených projektů. Jedná se např. o projekt Fast Track: Zrychlená procedura pro vnitropodnikově převáděné a lokalizované zaměstnance zahraničních investorů; projekty mířené na pracovní sílu z Ukrajiny: Zvláštní postupy pro vysoce kvalifikované zaměstnance z Ukrajiny; Režim zvláštního zacházení pro kvalifikované zaměstnance z Ukrajiny;
Zvláštní postupy pro pracovníky do zemědělství a potravinářství z Ukrajiny.
Některé projekty jsou mířené na studenty ze zahraničí: Režim STUDENT (viz více MV ČR, 2019).
Přehled toků zahraniční migrace podle jednotlivých států je uveden v Obrázku 3.2.
Vlevo jsou uvedeny země, ze kterých plyne do ČR nejvíce obyvatel, vpravo jsou země, kam nejčastěji migrují obyvatelé ČR. Pro lepší srovnání vývoje migračních toků byl vypočtený jejich průměr za desetileté období mezi lety 2006–2015 a státy jsou seřazeny podle hodnot dosažených v roce 2016. V obou grafech na obrázku 3.2 je uvedeno 10 zemí, které jsou nejčastěji vyhledávány migranty podle země původu, intenzita je vyjádřena jako procento na celkovém přílivu a odlivu obyvatel.
Je vidět, že mezi lety 2006–2015 do ČR plynulo v průměru nejvíce migrantů z UKR (avg: 27 %) a dále pak ze SVK (avg: 15 %), v roce 2016 imigrace ze SVK mírně převýšila imigraci z UKR. S mírným odstupem je na 3. místě RUS (avg: 9 %, 2016:
7 %), následované migrací z VNM (avg: 9 %; 2016: 5 %). Mezi nejčastěji vyhledávané země pro emigraci obyvatel z ČR patří DEU (avg: 44 %; 2016: 43 %) a pak s velkým odstupem GBR (avg: 16 %, 2016: 13 %), AUT (avg: 8 %, 2016:
7 %) a CHE (avg: 8 %, 2016: 7 %).
OBRÁZEK 3.2:PŘEHLED ZAHRANIČNÍ MIGRACE V ČR(TOP10,%)
Pozn: pro Velkou Británii (GBR) byla data dostupná pouze pro období mezi lety 2011–2015, byl vypočtený průměr za dostupné období a pro rok 2016 byla použita jako referenční hodnota z roku 2015.
Zdroj: OECD (2018), vlastní zpracování Dále je možné podívat se blíže na vývoj čisté migrace v čase a porovnat ji mezi jednotlivými kraji. K tomu je vhodné využít modifikovaný Webbův diagram (viz např. Fiala a Langhamrová, 2016), soubor regionálních jednotek je pomocí kartézského systému souřadnic se dvěma osami znázorněn v grafu, kdy na ose x je zanesené průměrné roční saldo vnitřní migrace, na ose y jsou hodnoty ročního průměrného salda zahraniční migrace. Oba tyto ukazatele byly přepočítány na 1000 obyvatel (Střední stav obyvatel v daném kraji). Význam v diagramu mají také úhlopříčky, které spolu se souřadnicovými osami rozdělují pole diagramu na osm sektorů označených písmeny A–H. V každém sektoru je přitom umístěný jeden typ územních jednotek (regionů) se specifickým vztahem salda vnitřní migrace a migračního salda zahraniční migrace. Modifikovaný Webbův diagram – viz Obrázek 3.3 a jednotlivé sektory jsou popsány v legendě pod ním.
OBRÁZEK 3.3: MODIFIKOVANÝ WEBBŮV DIAGRAM PRO ZOBRAZENÍ MIGRAČNÍHO SALDA
Zdroj: adaptace dle Fiala a Langhamrová (2016), vlastní zpracování
Legenda: A: přírůstek zahraniční migrace > úbytek vnitřní migrace; B: přírůstek zahraniční migrace >
přírůstek vnitřní migrace; C: přírůstek vnitřní migrace > přírůstek zahraniční migrace; D: přírůstek vnitřní migrace > úbytek zahraniční migrace; E: úbytek zahraniční migrace > přírůstek vnitřní migrace; F: úbytek zahraniční migrace > úbytek vnitřní migrace; G: úbytek vnitřní migrace > úbytek zahraniční migrace;
H: úbytek vnitřní migrace > přírůstek zahraniční migrace.
Sledované období bylo rozděleno na tři stejně dlouhé šestileté úseky. Byly sestrojeny celkem 4 Webbovy diagramy, nejprve pro celé období 2000–2017, následně pro období: 2000–2005; 2006–2011 a 2012–2017. Výsledky jsou prezentovány v následujícím Obrázku 3.4.
-5,0 -3,0 -1,0 1,0 3,0 5,0
-5,0 -3,0 -1,0 1,0 3,0 5,0
Saldo zahraniční migrace (1000 obyv. ročně)
Saldo vnitřní migrace (1000 obyv. ročně)
2012–2017
B
C
D
E F
G H
A
OBRÁZEK 3.4:WEBBOVY DIAGRAMY VÝVOJE VNITŘNÍ A ZAHRANIČNÍ MIGRACE VKRAJÍCH VLETECH 2000–2017
Zdroj: ČSÚ (2018), vlastní zpracování
Již z kartogramů bylo patrné, že ve všech krajích byla zaznamenána mezi lety 2000–
2017 kladná čistá zahraniční migrace. To způsobilo, že veškeré souřadnice ve Webbových diagramech se nacházejí v sektorech nad osou x (tj. sektory A, B, C a H). Významný počet krajů se konstantně nacházel v sektorech A a H, kdy je saldo vnitřní migrace záporné. V sektoru H se ve všech sledovaných obdobích nacházely kraje MSK a ZLK, úbytek domácích obyvatel byl stále vyšší než příliv zahraniční migrace. Přesun mezi sektory H a A v čase lze zaznamenat, v krajích KVK, OLK, VYS, HKK a ULK. V letech 2012–2017 se přesunuly ze sektoru A do sektoru H, tzn. že v posledních letech přestala zahraniční migrace kompenzovat úbytek domácích obyvatel. Dále kraj JHM se v posledním období přesunul ze sektoru A do sektoru B a vnitřní i zahraniční migrace, tak přispěla k růstu populace v tomto kraji.
Zajímavý vývoj lze zaznamenat i v kraji PAK, kdy mezi lety 2006–2011 byla vnitřní migrace kladná (sektor B), ale v následujícím období lze opět sledovat úbytek domácích obyvatel vlivem záporného salda vnitřní migrace. V posledním období lze u kraje PHA zaznamenat mírný posun k sektoru B, úbytek domácích obyvatel se snižoval, nejvyšší přírůstky vlivem zahraniční migrace kraj PHA zaznamenal v letech 2006–2011. V kraji STC ve všech sledovaných období převyšoval přírůstek domácích obyvatel zahraniční imigraci, kraj STC těžil především z přílivu obyvatel z kraje PHA, což je patrné z následující analýzy toků migrace mezi kraji.
Předchozí zobrazení dat migrace prostřednictvím Webbových diagramů neumožňuje bližší zkoumání samotných toků obyvatel mezi jednotlivými regiony.
Jednou z možností, jak sledovat tyto toky je využití matice indexů efektivnosti vnitřní migrace, kdy na ose x je region vystěhování a na ose y region přistěhování.
Pro přehlednost byly zaneseny pouze hodnoty IE pod diagonálou. Získaná data bohužel neumožňují sledování toků zahraniční migrace mezi kraji, proto jsou na diagonále zaneseny hodnoty IE zahraniční migrace alespoň agregovaně pro daný region (viz Obrázek 3.5 a legenda pod ní).
OBRÁZEK 3.5:INDEX EFEKTIVNOSTI VNITŘNÍ MIGRACE A ZAHRANIČNÍ MIGRACE MEZI LETY 2000–2017
Zdroj: ČSÚ (2018), vlastní zpracování
Legenda: velikost bublin odpovídá velikosti IE, kdy abs(IE) < 0,1; 0,15–0,3 a > 0,3; modré ohraničení bublin odpovídá IE>0, červené odpovídá IE<0, šrafovaná výplň značí sousedící kraje, na diagonále jsou zaneseny IE zahraniční migrace.
Poznámka: PHA: Hlavní město Praha; STC: Středočeský kraj; JHC: Jihočeský kraj; PLK: Plzeňský kraj; KVK:
Karlovarský kraj; ULK: Ústecký kraj; LBK: Liberecký kraj; HKK: Královéhradecký kraj; PAK: Pardubický kraj; VYS: Kraj Vysočina; JHM: Jihomoravský kraj; OLK: Olomoucký kraj; ZLK: Zlínský kraj; MSK:
Moravskoslezský kraj
Z matice je patrné, že probíhalo významné stěhování směrem z kraje PHA do kraje STC (PHA→STC). Do STC proudí další jiné toky migrace, významné stěhování probíhalo ze sousedního kraje KVK i z dalších vzdálenějších krajů OLK, ZLK, MSK. Z kraje STC byl zaznamenán odliv směrem do kraje PLK, který je však svým objemem oproti ostatním relativně malý. V případě MSK kraje lze vidět, že probíhá odliv obyvatel do všech krajů ČR. Silná vazba v rámci Moravy je s JHM a obyvatelé ze MSK se také stěhovali do Čech (PHA, STC, JHC, PLK).
Dalším vhodným nástrojem pro zobrazení migračních toků mezi kraji mohou být uzlové diagramy. Pro zachycení toků vnitřní migrace byly vytvořeny 3 diagramy (viz Obrázky 3.6 a 3.7).
OBRÁZEK 3.6: MIGRAČNÍ TOKY MEZI REGIONY: KUMULATIVNÍ MIGRAČNÍ TOKY BĚHEM LET 2000–2017(VTIS.)
Zdroj: ČSÚ (2018), vlastní zpracování
Poznámka: PHA: Hlavní město Praha; STC: Středočeský kraj; JHC: Jihočeský kraj; PLK: Plzeňský kraj;
KVK: Karlovarský kraj; ULK: Ústecký kraj; LBK: Liberecký kraj; HKK: Královéhradecký kraj; PAK:
Pardubický kraj; VYS: Kraj Vysočina; JHM: Jihomoravský kraj; OLK: Olomoucký kraj; ZLK: Zlínský kraj;
MSK: Moravskoslezský kraj
thr. > 15 tis.
Na Obrázku 3.6 jsou 2 diagramy. Diagram horní zachycuje provázanost všech jednotlivých krajů v ČR, je v něm zachyceno všech 182 kombinací kumulovaných migračních toků, které probíhaly mezi lety 2000–2017. Pro lepší názornost byla zvolena prahová hodnota 15 tisíc (thr. > 15 tis.), kdy z 182 kombinací zůstane pouze 16 (viz diagram dole).
Na Obrázku 3.7 je zachycena vnitřní migrace mezi regiony pomocí kumulovaného salda migrace a jako práh pro zobrazení byla zvolena hodnota 5 tisíc (thr. >5 tis.). Z diagramu lze pozorovat, že proudy čisté migrace směřují především do kraje PHA, nicméně odsud odchází mnoho obyvatel do kraje STC, odliv obyvatel z MSK pohltí především kraje PHA, STC a JHM.
OBRÁZEK 3.7: KUMULOVANÉ MIGRAČNÍ SALDO BĚHEM LET 2000–2017 (THR.>5 TIS.)
Zdroj: ČSÚ (2018), vlastní zpracování
Poznámka: PHA: Hlavní město Praha; STC: Středočeský kraj; JHC: Jihočeský kraj; PLK: Plzeňský kraj;
KVK: Karlovarský kraj; ULK: Ústecký kraj; LBK: Liberecký kraj; HKK: Královéhradecký kraj; PAK:
Pardubický kraj; VYS: Kraj Vysočina; JHM: Jihomoravský kraj; OLK: Olomoucký kraj; ZLK: Zlínský kraj;
MSK: Moravskoslezský kraj
ZÁKLADNÍ POPISNÁ STATISTIKA PROMĚNNÝCH
Před samotným odhadem ekonometrického modelu byla provedena základní statistická deskripce proměnných, byly vypočítány popisné statistiky: průměr (avg), směrodatná odchylka (SD), minimum (MIN) a maximum (MAX) a meziroční růst/pokles (2017/2000 v %). Tabulka základních popisných statistik je uvedena v Příloze 1 a 2, grafické znázornění vývoje jednotlivých statistických ukazatelů je znázorněno v Obrázku 3.8.
Dále byla vypočítána lineární závislost mezi mírou migrace a absolutními hodnotami vybraných statistických ukazatelů, tzn. statistické ukazatele zatím nezohledňují prostorovou diferenci mezi jednotlivými regiony, vypočtená asociace
Dále byla vypočítána lineární závislost mezi mírou migrace a absolutními hodnotami vybraných statistických ukazatelů, tzn. statistické ukazatele zatím nezohledňují prostorovou diferenci mezi jednotlivými regiony, vypočtená asociace