rejtett lakossági jövedelmek kistérségi szintű becslése

REJTETT LAKOSSÁGI JÖVEDELMEK KISTÉRSÉGI SZINTŰ BECSLÉSE

2013/2

2 / 36

Rejtett lakossági jövedelmek kistérségi szint ű becslése

Budapest, 2013. április

3 / 36

Az MKIK Gazdaság- és Vállalkozáskutató Intézet olyan non-profit kutatóműhely, amely elsősorban alkalmazott közgazdasági kutatásokat folytat. Célja, hogy elméletileg és empirikusan megalapozott ismereteket és elemzéseket nyújtson a magyar gazdaság és a magyar vállalkozások helyzetét és kilátásait befolyásoló gazdasági és társadalmi folyamatokról. MKIK GVI – Institute for Economic and Enterprise Research Hungarian Chamber of Commerce and Industry Az elemzést készítette:

Bublik Bence (ELTE TTK) Tóth István János (MKIK GVI)

Kutatásvezető:

Tóth István János, Ph.D.

(tudományos főmunkatárs, MTA KTI, ügyvezető igazgató, MKIK GVI)

e-mail: [email protected] Internet: http://www.wargo.hu/tij/index.html

Kézirat lezárva: 2013. április 15. MKIK Gazdaság- és Vállalkozáskutató Intézet Cím: 1034 Budapest, Bécsi út 120. Tel: 235-0584 Fax: 235-0713 e-mail: [email protected] internet: http://www.gvi.hu

4 / 36

Tartalom

Ábra- és táblajegyzék ................................................................................................. 5

Bevezetés ................................................................................................................... 6

1. A módszer kiinduló feltételei és leírása ................................................................ 7

2. A modell felépítése............................................................................................. 10

3. Az eredmények bemutatása .............................................................................. 17

4. Következtetések ................................................................................................. 25

Melléklet ................................................................................................................... 26

5 / 36

Ábra- és táblajegyzék 1. ábra: Az egy főre jutó iparűzési adó (ezer Ft) és az egy főre jutó hivatalos jövedelem összege (ezer Ft) közti összefüggés grafikus megjelenítése, 2010* ....... 13 2. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi értékei (ezer Ft), 2010* ................................................................................................................................. 17

3. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi rezidumai (ezer Ft), 2010* ........................................................................................................................ 18 4. ábra: Az egy főre jutó be nem jelentett lakossági jövedelmek aránya az összes jövedelemből (%), 2010*........................................................................................... 19

1. táblázat: A vizsgálat kistérségi szintű eredményei ................................................ 20 2. táblázat: A vizsgálat megyei és regionális szintű eredményei .............................. 24

6 / 36

Bevezetés

A rejtett gazdasággal, és az ebből származó jövedelmek becslésével foglalkozó

tanulmányok száma könyvtárnyi. Nincs konszenzus sem hazai, sem nemzetközi

irodalomban arról, hogy mi tartozik a hivatalos, és mi a nem-hivatalos gazdaságba. A

legegyszerűbb, gyakran használ megfogalmazás Tanzi (1980) és Feige (1979)

nyomán: „...üzleti alapon nyugvó áru- és szolgáltatás-termelés, amely akár legális,

akár illegális, kimarad a hivatalos GDP számításból”1. Jelen tanulmány a

továbbiakban ezt a meghatározást veszi alapul.

A témát illetően a legfőbb probléma azonban az, hogy nem áll rendelkezésre

megfelelő mennyiségű és minőségű adat a rejtett gazdaság mértékéről. Emiatt a

legtöbb kutató saját becslési eljárást dolgoz ki, így próbálva legalább megközelíteni a

valós képet. Az így készült kutatások döntő része makroszinten értelmezi a rejtett

gazdaságot, annak országos vagy regionális nagyságát becsüli. Magyarországra

vonatkozó becslések az 1990-es évek második felétől a rejtett gazdaság GDP-hez

viszonyított nagyságának csökkenését mutatják, 34-30%-os értékről 17-18%-ra2.

Az alábbi elemzés célja az, hogy becslést adjon a be nem jelentett jövedelmek

területi – kistérségi – arányaira és területi különbségeire. Kiindulásképpen azt

feltételezzük, hogy országos szinten a rejtett (be nem jelentett) lakossági jövedelmek

az összes (bejelentett és be nem jelentett) jövedelmek 17-18%-át teszik ki. Ezt,

valamit azt feltételezve, hogy a rejtett gazdaságból szerzett jövedelmek

összefüggenek a teljes gazdasági teljesítménnyel, és ez az összefüggés invariáns a

gazdasági teljesítmény nagyságára, lehetőséget ad egy országos átlagot kijelölve,

kistérségi szintű becslések megalkotására.

1 Lásd Smith, Philip (1994), “Assessing the Size of the Underground Economy: The Canadian Statistical Perspectives,” Canadian Economic Observer, Catalogue No. 11–010, 3.16–33, at 3.18. A rejtett gazdasággal foglalkozó első kutatások eredményeit pedig : Feige, L. (1979) “How Big is the Irregular Economy?”, Challenge, 22, pp. 5-13.; és Tanzi, V. (1980) “The Underground Economy in the United States: Estimates and Implications”, Banco Nazionnale del Lavoro Quarterly Review, 135, pp. 427-453. 2 Lásd Elek Péter – Scharle Ágota – Szabó Bálint – Szabó Péter András (2009): A feketefoglalkoztatás mértéke Magyarországon. In: Semjén András - Tóth István János (szerk.): Rejtett gazdaság. Be nem jelentett foglalkoztatás és jövedelemeltitkolás – kormányzati lépések és a gazdasági szereplők válaszai. KTI Könyvek- 11. MTA KTI, Budapest, 84-102 oldal. http://econ.core.hu/file/download/ktik11/ktik11_08_feketefoglalkoztatas.pdf

7 / 36

1. A módszer kiinduló feltételei és leírása

A hivatalos lakossági jövedelmekről rendelkezésre áll települési szintű statisztika, ez

azonban nem tartalmazza a rejtett gazdaságból származó összegeket. A tanulmány

célja megvizsgálni, hogy a be nem jelentett jövedelmek területileg mennyire

differenciáltak, ebből pedig következtetni lehet a rejtett gazdaság területi

különbségeire. Mivel a meghatározó gazdasági és társadalmi folyamatok nem

feltétlenül adott települések határain belül zajlanak, érdemesnek tartottuk a kistérségi

szinten való vizsgálódást. E területi szint jobban lefedi a hasonló gazdasági és

társadalmi folyamatokkal rendelkező területeket.

A kistérségi lakossági jövedelem becslésére egy 2003-as tanulmány3 szolgált

mintaként. Ebben a szerzők jövedelem alatt a személyijövedelemadó-bevallásokban

szereplő összes adóköteles jövedelmet értették, ennek egy főre jutó kistérségi

értékei szolgáltak számításaik kiindulópontjának. Jelen becslés egyrészt a NAV

2010-es évi „összevont adóalap” összegére vonatkozó, illetve az állami transzferekre

vonatkozó becsült adatokból indul ki. Mint már említettük, kiindulásként elfogadtuk

azt a feltételezést, hogy Magyarországon a hivatalos GDP 17-18%-át teszi ki a rejtett

gazdaság. Mivel rendkívül erős korreláció van az egy főre jutó GDP és a lakossági

jövedelem területi értékei között, ezért azt feltételezzük, hogy átlagosan a lakossági

tényleges jövedelem 18%-a lehet a be nem jelentett jövedelem. Ennek értéke

azonban kistérségenként jelentősen eltérhet. Épp ezért van szükség a rejtett

gazdaságot is számba venni a lakossági jövedelmek meghatározásánál. A már

említett tanulmányban mindezt a jövedelemszinttel kapcsolatba hozható naturális

adatok alapján regressziós becsléssel határozták meg.

A kistérségi fogyasztási adatok alapján becsülhető a tényleges jövedelmi szint. Jelen

becslésünkben ide a következő mutatók tartoznak:

3 Jakobi Ákos – Kiss János Péter (2003): A lakossági jövedelmek kistérségi becslése. Regionális Tudományi Tanulmányok 8. (2003) pp. 55-86

8 / 36

- Egy főre jutó háztartási villamosenergia-felhasználás: klasszikus fogyasztási

mutató, ám a magasabb jövedelem nem feltétlen jár a magasabb fogyasztással

(tudatosság, energiatakarékos eszközök használata), ennek ellenére jól árnyalja a

képet4.

- Személygépkocsi-ellátottság: szintén klasszikus fogyasztási mutatónak

mondható, megvásárlásához azonban általában több évi jövedelemre is szükség

van, az autó megléte alacsonyabb jövedelem mellett sem kiváltság, így inkább az

alacsonyabb jövedelemi szintű térségek eltitkolt bevételeire mutat rá jól.

- Járművek átlagéletkora: a gépjárművek egy minőségi mutatója, mely tükrözi

annak értékét, így a magasabb jövedelmekkel áll szorosabb összefüggésben.

- Kábeltelevízió hálózatba bekapcsolt lakások aránya: olyan közüzemi jellegű

mutató, mely nem létfenntartási szolgáltatás, hanem a lakások komfortjának egy

mérőszáma, kiépítését megelőzően felmérték a fizetőképes keresletet.

A jövedelemmel szintén szoros kapcsolatban állnak a társadalmi-gazdasági adatok,

melyek segítségével pontosítható a becslés. Ezek a következők:

- 1000 lakosra jutó adózók száma: a nagyobb adózói arány magasabb

gazdasági aktivitásra utal, ami pedig magasabb jövedelemszintet eredményez.

- Egy adózóra jutó személyi jövedelemadó: a befizetett SZJA összefügg a

jövedelemszinttel, ám a bevallási hajlandósággal is, így inkább a magasabb

jövedelmű kistérségek közti különbségek árnyalására alkalmas

- Munkanélküliségi ráta: a legáltalánosabb jövedelemforrása utaló mutató.

- Egy főre jutó iparűzési adó: a helyi vállalkozások által megtermelt

jövedelemmel való kapcsolata révén függ össze a lakossági jövedelmekkel, ráadásul

4 A villamosenergia fogyasztásra alapozódó becslések elterjedtek a rejtett gazdaság becslésében. Magyarul lásd például Lackó Mária: (1995): Rejtett gazdaság nemzetközi összehasonlításban. Becslési módszer a háztartási villamosenergia-fogyasztás alapján. Közgazdasági Szemle, XLII. évf., 1995. 5. sz. (486-510. o.).

9 / 36

a kiemelkedően magas jövedelmi szintű térségek általa jól kirajzolhatók, a társasági

nyereségadóval szemben ez telephelyhez kötött.

- Közgyógyellátási igazolványban részesítettek összes száma 10 000 állandó

lakosra vetítve: mivel rászorultság alapján osztják, az alacsony jövedelmű népesség

arányát jól tükrözi.

- Társas vállalkozások gyakorisága: jövedelemszerzési lehetőség mutatójaként

is felfogható, inkább a magasabb jövedelmű kistérségeket rajzolja ki.

- Egyéni vállalkozások gyakorisága: szintén lényeges jövedelemszerzési

lehetőségként értelmezhető, ám számos más tényező is befolyásolhatja a mutatót

(kényszervállalkozók), inkább az alacsonyabb jövedelmi szint mutatója.

10 / 36

2. A modell felépítése Az általunk alkalmazott modellben – ahogy a valóságban is – a bejelentett (hivatalos)

jövedelmek határozzák meg leginkább a valódi jövedelmi szintet. Kiindulópontként

azt feltételezzük, hogy 18%-ra tehető a be nem jelentett jövedelmek aránya az

összes jövedelemből5. Azaz:

Ténylegese összes jövedelem = Hivatalos jövedelmek (82%) + Rejtett jövedelmek (18%)

A hivatalos jövedelmek is több forrásból származnak. Ezek közül a

legszámottevőbbek az adóalapot növelő jövedelmek. A 2010-es évre rendelkezésre

állnak a NAV települési szintű összevont adóalap összegének adatai, ebbe

beletartoznak többek között a főállásból, egyéni és társas vállalkozásból,

mezőgazdasági kis- és őstermelésből és az egyéb jogcímen kapott jövedelmek.

A 2010-es évre a hatályos jogszabályok alapján az összevont adóalapba nem

tartozott bele a gyermekgondozási segély, a nyugdíj összege, gyermeknevelési

támogatás, ápolási díj, baleseti járadék, jövedelempótló kártérítés, anyasági

támogatás, lakhatási támogatás bizonyos formái, stb. Sajnos ez utóbbiak közül nem

mindegyikre áll rendelkezésre kistérségi, vagy település szintű adat. A GYES és a

GYET esetében van kistérségi bontású adat, ráadásul ezek összege jogszabályban

rögzített. Azonban kétség kívül a legnagyobb mértékű, adóalapot nem befolyásoló

transzfer a nyugdíjak, járadékok és nyugdíjszerű ellátások összege, hiszen ez közel

három millió embert érint. Az ellátásban részesülők számáról és az összegéről

megyei szintű adatok találhatók a KSH oldalán. A nyugdíjak már említett fontossága

miatt a megyei adatok kistérségi szintre való dezaggregálására volt szükség. Itt a

kivetkező módszer szerint jártunk el.

A kistérségekre rendelkezésre áll a 60-x éves lakosság száma, ennek az adott

kistérség megyei értékhez viszonyított aránya alapján becsültük a kistérségben a

nyugdíjasok száma, tehát:

5 Azaz feltételezzük, hogy a tényleges jövedelem két komponensből áll: a rejtett jövedelmekből (18%) a hivatalosan mért jövedelmekből (82%).

11 / 36

�� 60�/ 60�� (1)

ahol k kistérség m megyében található, és NY a nyugdíjasok számát, 60f pedig a 60

év felettiek számát jelenti. A 60 év felettiek számára azért esett a választás, mivel a

nyugdíjban, járadékban és nyugdíjszerű ellátásban részesülők háromnegyede 60 év

feletti, a megyei értékek esetében a korreláció értéke 0,65.

Mindezek után pedig az adott megyéhez tartozó átlagnyugdíjakkal felszorzandó a

kistérségi nyugdíjasok száma, így megkapva a kistérségben egy hónapban az

összes nyugdíj értékét, 12-vel még felszorozva pedig az éves értéket. A módszer

gyengesége, hogy elsimítja a megyén belüli egyenlőtlenségeket, de mégis a

valósághoz közelítő képet nyújt a kistérségi szintű nyugdíjakról.

Az utolsó rendelkezésre álló transzfer jellegű juttatás az ápolási díj. A modellben

tehát:

Hivatalos jövedelem = összevont adóalap összege + GYES összege + GYET összege +

nyugdíjak, járadékok és nyugdíjszerű ellátások összege + ápolási díj összege

Az egész évi összegek kerültek összeadásra, így pedig a valósághoz közeli hivatalos

kistérségi jövedelmi adatokat sikerült előállítani.

Az első pontban felsorolt mutatók természetesen nem csupán a jövedelemtől

függnek, de azzal való kapcsolatuk meghatározó, így a sokféle indirekt jövedelmi

mutatóként megbízhatóbb becslés készíthető.

A modell többlépcsős számítási folyamat szerint épül fel. Első lépés a korábban

ismertetett mutatókból lineáris regressziós becsléssel előállított jövedelmi értékek –

az egy főre jutó becsült hivatalos jövedelem kiszámítása. Mind a tizenegy mutatóhoz

tartozó regressziós egyenlet a mellékletben megtalálható, elméleti alapja az alábbi

egyszerű képlettel felírható:

� � � �� (2)

12 / 36

ahol Y az egy főre jutó becsült hivatalos jövedelem, α konsans, X a magyarázó

változó, ε a hibatag.

Példaként az első ábrán az egy főre jutó iparűzési adó és az egy főre jutó hivatalos

jövedelem közti összefüggés, illetve az ebből előállított lineáris regressziós egyenlet

jellemzői szerepelnek. A választott példa esetében a Bodrogközi kistérségben

legalacsonyabb mind az egy lakosra jutó iparűzési adó és az egy főre jutó hivatalos

jövedelem összege is, a Budaörsi kistérségben pedig a legmagasabb az iparűzési

adó fajlagos értéke, Budapesten pedig a hivatalos jövedelemé. Az R2 értéke jelen

példánál 0,54, ami egyébként viszonylag erős kapcsolatot jelent a két mutató között.

Az ábrára tekintve mindez látszik is. Érdemes megjegyezni, hogy a determinációs

együttható értékét jelentősen rontja 5-6 kistérség, ahol az egy főre jutó iparűzési adó

két-háromszorosa az országos átlagnak (44,3 ezer Ft).

13 / 36

1. ábra: Az egy főre jutó iparűzési adó (ezer Ft) és az egy főre jutó hivatalos

jövedelem összege (ezer Ft) közti összefüggés grafikus megjelenítése, 2010*

Adatok forrása: TeIR és NAV, 2012, és saját számítás, Erőforrástérkép

*Az olvasó az ábra címére kattintva a grafikon nagyobb felbontásban láthatja az Erőforrástérkép

oldalán, amennyiben ott korábban regisztrált, és be van jelentkezve az Erőforrástérkép rendszerébe.

Az így kapott tizenegyféle regressziós egyenlet segítségével tehát az összes

kistérségre megbecsülhető a tizenegyféle egy főre jutó hivatalos jövedelem összege:

Ŷ�� (3)

ahol Ŷ az adott mutatóból becsült hivatalos jövedelmet, i az adott mutatót, j pedig a

megfelelő kistérséget jelöli.

Az így kapott eredmények külön-külön akkor lennének reálisak, amennyiben teljes

mértékben az alapmutató határozná meg a tényleges jövedelmi szintet, de mint

ahogy az előbbi példán is látható, az R2 értéke 0,54, és hasonló az összes mutató

14 / 36

esetében is. Ám ezek összességében a jövedelem kellően sok elemét határozzák

meg, véleményünk szerint ezek összesítésével a valósághoz közeli jövedelemi

adatok kaphatók.

A modell következő lépésében az összesítés a mértani átlagok kiszámításával

történik:

�� ∏ Ŷ��

�� (4)

ahol i az adott mutatót j a megfelelő kistérséget, B pedig az egy főre jutó becsült

jövedelmet, Ŷ az adott mutatóból becsült hivatalos jövedelmet jelöli.

Ez az eljárás csökkenti az esetleges torzítás mértékét, ami egy-egy helyi

sajátosságból fakadó extrém magas mutatóból származna (például a

személygépkocsi ellátottság kiugró értéke). Mivel Budapest már nem rendelkezik

kiugró értékkel a felsoroltak közül egyetlen mutató esetében sem, így nem

szükséges a fővárosra vonatkozó értékek figyelmi kívül hagyása, és az itteni

jövedelmi helyzet utólagos becslése.

A mértani átlagok kiszámítása utáni következő lépés a becsült és valós jövedelmek

összevetése. A regresszió sajátossága miatt a becsült értékek fele kisebb lesz, mint

a valódi jövedelmi szint. Az azonban biztos, hogy kistérségi szinten sehol sem

vallanak be több jövedelmet, mint amennyi a tényleges jövedelem. Ezt

kiküszöbölendő, az összes kistérség becsült jövedelemi értékekeit felszoroztuk egy

ezt módosító konstanssal:

� � ��

�� (5)

ahol j a megfelelő kistérséget, J az egy főre jutó összevont adóalap összeget, B az

egy főre jutó becsült jövedelmet, m pedig a módosító konstanst jelenti.

15 / 36

Az állandó értéke tehát az összes kistérséget figyelembe véve az egy főre jutó

hivatalos és becsült jövedelem hányadosának maximuma - jelen esetben a

Dunaújvárosi kistérség 1,244-es értéke. Így, a még szintén nem végleges, módosított

jövedelmi értékek kaphatók meg:

�� (6)

ahol j a megfelelő kistérséget, B az egy főre jutó becsült jövedelmet, M az egy főre

jutó módosított becsült jövedelmet, m pedig a módosító állandót jelenti.

Az ország egészére a módosított becsült jövedelem 82,7%-ára tehető a becsült

tényleges jövedelem, tehát a fenti számítások alapján a becsült be nem jelentett

jövedelem a becsült összes jövedelem 17,3%-ára tehető. Ez az érték nem áll távol

kiinduló feltételezésünktől.

Utolsó lépésként egy korrekciót hajtottunk végre, hogy országos szinten 18%-os

becsült be nem jelentett jövedelemarányt kapjunk. Ez a korrekció azonban nem

változtatja az eredeti becslés kistérségenkénti eltéréseit. Az összjövedelemhez

képest 18 százaléknyi be nem vallott jövedelem arány eléréséhez egy iterációs

eljárásra van szükség. Ez gyakorlatilag azt jelenti, hogy a módosított becsült

jövedelem országos súlyozott átlagának 82%-a legyen a valós jövedelem országos

súlyozott átlaga. Már maga a módosított becsült jövedelem is közel áll ehhez a

szinthez – ami megerősíti a kezdetei, a be nem jelentett jövedelem 18%-os szintjére

vonatkozó kezdeti feltételezést. A teljesség érdekében (a modell megalkotásakor

feltételezett, pontosan 18%-nyi rejtett jövedelmi szinthez) fel kell szorozni ezen

értékeket egy korrekciós állandóval:

� � �� (7)

ahol k a korrekciós állandót, J az egy főre jutó összevont adóalap összeget, M pedig

az egy főre jutó módosított becsült jövedelmet jelenti.

Az egy főre jutó összevont adóalap összegének súlyozott (országos) átlagának, és

az egy főre jutó módosított becsült jövedelem súlyozott (szintén országos) átlagának

16 / 36

hányadosa 1,046. Ezzel felszorozva a módosított becsült jövedelmeket számolható ki

az egy főre jutó korrigált becsült jövedelem kistérségi értékei, amely a modell

végeredménye:

�� (8)

ahol j a megfelelő kistérséget, M az egy főre jutó módosított becsült jövedelmet k

pedig a korrekciós állandót, K pedig az egy főre jutó korrigált becsült jövedelmet

jelenti.

17 / 36

3. Az eredmények bemutatása

A következőkben az eredmények térképes, és táblázatos ismertetésére kerül sor.

Előbbiek az Erőforrástérkép program segítségével készültek – http://regionaldata.org

– és szabadon letölthetők onnan, illetve a megfelelő mutatót kiválasztva saját

térképek is létrehozhatók tetszőleges határértékekkel.

A korrigált becsült jövedelem értékeinek területi képét mutatja be a második ábra:

2. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi értékei (ezer Ft), 2010*

Adatok forrása: Saját számítás, Erőforrástérkép

*Az ábra címére kattintva a térkép elérhető nagyobb felbontásban az Erőforrástérkép oldalán,

amennyiben korábban regisztrált, és be van jelentkezve.

Mint ahogy már említettük, a korrigált becsült jövedelem és a bevallott jövedelem

között erős korreláció áll fent, így a területi különbségeikben is hasonló vonások

fedezhetők fel – Budapest környéke, az északnyugati országrész és a nagyvárosok

értéke a legmagasabb, a keleti és északkelet országrész kistérségeiben pedig a

legalacsonyabb.

18 / 36

Érdekesebb azt megvizsgálni, hogy mennyi az eltérés a korrigált becsült jövedelem

és a bevallott jövedelem között. A harmadik ábrán figyelhető meg ennek területi

sajátossága.

3. ábra: Az egy főre jutó korrigált becsült jövedelem kistérségi rezidumai (ezer Ft),

2010*




A rejtett gazdaságból származó egy főre jutó éves jövedelem értékei tehát 60 és 440

ezer forint között mozognak.

A két ábrát összevetve az a következtetés vonható le, hogy ahol a legmagasabbak a

lakossági jövedelmek (mind a hivatalos, mind a becsült), ott a legalacsonyabb a be

nem jelentett jövedelmek összege, tehát itt „fehér” leginkább a gazdaság. Az viszont

már nem teljesül, hogy ahol a legalacsonyabbak a bevallott jövedelmek, ott a

legnagyobbak az eltitkoltak. A térképen is jól látszik, a legsötétebb színezést nem a

legszegényebb kistérségek kapták, hanem a vidéki átlaghoz közelebbiek (Bács-

Kiskun, Szabolcs-Szatmár-Bereg nyugati része és a Somogy megye nyugati fele). Ez

nevezhető a vizsgálat egyik legfontosabb eredményének.

19 / 36

Az utolsó térkép pedig azt mutatja be, hogy adott kistérségben mekkora a rejtett

jövedelmek (a rezidum) részesedése az összes becsült jövedelemből.

4. ábra: Az egy főre jutó be nem jelentett lakossági jövedelmek aránya az összes

jövedelemből (%), 2010*




A becslési eljárás során mindezt országos szinten 18%-ra tettük. Mivel ez az egész

országra vonatkozó, a népességgel való súlyozott átlag, az ország lakosságának fele

olyan kistérségben él, ahol a rejtett gazdaságból származó jövedelmek 18%-nál

alacsonyabbak, másik fele pedig olyan helyen, ahol ennél a szintnél magasabbak. A

térkép pedig rendkívül jól érzékelteti, hogy sokkal kevesebb az olyan kistérség, ahol

18%-nál kisebb a be nem jelentett jövedelmek aránya – szám szerint 40 kistérség a

174-ből. A fentiekből az is következik, hogy ebben a 40 kistérségben él az ország

lakosságának fele. A népesség súlyához képest jelentős arányú be nem jelentett

jövedelem tehát inkább a kevésbé népes kistérségekre jellemző.

A számítások részletes, kistérségenkénti adatait az 1. és 2. táblázatokban közöljük.

20 / 36

1. táblázat: A vizsgálat kistérségi szintű eredményei

Egy lakosra jutó

összevont adóalap összege (ezer Ft)

Egy lakosra

jutó korrigált becsült

jövedelem (ezer Ft)

A rejtett gazdaságból származó egy lakosra jutó


Eltérés a 18%-os rejtett

jövedelemhez képest (ezer

Ft)

A rejtett gazdaság mértéke

(%) Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Abai 913,5 1224,5 311,0 110,5 25,4% Abaúj-Hegyközi 742,5 1098,4 355,9 192,9 32,4% Adonyi 1054,2 1293,2 239,0 7,5 18,5% Ajkai 1017,2 1309,7 292,5 69,2 22,3% Aszódi 1029,9 1316,0 286,1 60,0 21,7% Bácsalmási 777,3 1126,5 349,1 178,5 31,0% Bajai 883,1 1246,7 363,6 169,7 29,2% Baktalórántházi 690,5 1100,5 410,0 258,4 37,3% Balassagyarmati 1009,5 1241,2 231,6 10,0 18,7% Balatonalmádi 1134,8 1367,2 232,4 -16,7 17,0% Balatonföldvári 1018,1 1300,7 282,6 59,1 21,7% Balatonfüredi 1121,1 1405,0 284,0 37,9 20,2% Balmazújvárosi 807,0 1159,3 352,4 175,2 30,4% Barcsi 802,5 1158,6 356,1 179,9 30,7% Bátonyterenyei 906,5 1192,5 286,0 87,0 24,0% Békéscsabai 1092,3 1276,7 184,4 -55,4 14,4% Békési 864,3 1173,9 309,7 120,0 26,4% Bélapátfalvai 876,4 1171,1 294,8 102,4 25,2% Berettyóújfalui 793,4 1130,7 337,3 163,2 29,8% Bicskei 1043,7 1306,4 262,7 33,6 20,1% Bodrogközi 666,8 1059,3 392,5 246,1 37,1% Bonyhádi 930,4 1261,0 330,7 126,5 26,2% Budaörsi 1411,7 1580,4 168,7 -141,2 10,7% Budapest 1457,3 1541,4 84,1 -235,8 5,5% Ceglédi 936,3 1245,1 308,8 103,3 24,8% Celldömölki 1044,2 1292,2 248,0 18,8 19,2% Csengeri 727,5 1067,9 340,4 180,7 31,9% Csepregi 1033,2 1320,5 287,2 60,4 21,8% Csongrádi 1095,8 1202,1 106,4 -134,1 8,8% Csornai 1063,9 1296,3 232,4 -1,2 17,9% Csurgói 813,2 1172,9 359,6 181,1 30,7% Dabasi 933,2 1327,0 393,8 189,0 29,7% Debreceni 1128,8 1381,3 252,6 4,8 18,3% Derecske-Létavértesi 708,7 1129,9 421,2 265,6 37,3% Dombóvári 937,9 1234,4 296,5 90,6 24,0% Dorogi 1108,3 1345,8 237,5 -5,8 17,6% Dunakeszi 1330,3 1459,9 129,6 -162,4 8,9% Dunaújvárosi 1329,1 1389,9 60,8 -231,0 4,4% Edelényi 762,5 1116,2 353,7 186,3 31,7% Egri 1165,3 1350,2 185,0 -70,8 13,7% Encsi 723,6 1084,8 361,2 202,4 33,3% Enyingi 879,6 1206,8 327,2 134,1 27,1%

21 / 36

Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Ercsi 1084,2 1299,1 214,9 -23,1 16,5% Érdi 1277,6 1466,4 188,8 -91,7 12,9% Esztergomi 1186,3 1398,4 212,1 -48,3 15,2% Fehérgyarmati 722,2 1064,4 342,2 183,6 32,1% Fonyódi 963,7 1259,6 295,9 84,4 23,5% Füzesabonyi 872,9 1181,6 308,7 117,1 26,1% Gárdonyi 1226,4 1349,5 123,0 -146,2 9,1% Gödöllői 1208,5 1403,5 195,0 -70,3 13,9% Gyáli 1012,4 1383,1 370,7 148,5 26,8% Gyöngyösi 1157,7 1339,8 182,1 -72,0 13,6% Győri 1269,7 1465,4 195,7 -83,0 13,4% Gyulai 1029,8 1265,2 235,4 9,4 18,6% Hajdúböszörményi 868,7 1218,6 349,9 159,2 28,7% Hajdúhadházi 688,7 1108,5 419,7 268,5 37,9% Hajdúszoboszlói 998,5 1293,9 295,4 76,2 22,8% Hatvani 1102,5 1292,5 190,0 -52,1 14,7% Hevesi 788,9 1118,6 329,7 156,5 29,5% Hévízi 980,6 1330,2 349,6 134,4 26,3% Hódmezővásárhelyi 953,6 1245,4 291,8 82,4 23,4% Ibrány-Nagyhalászi 712,6 1118,9 406,3 249,9 36,3% Jánoshalmi 786,4 1141,8 355,5 182,8 31,1% Jászberényi 992,2 1284,1 292,0 74,2 22,7% Kadarkúti 755,6 1174,4 418,8 252,9 35,7% Kalocsai 881,1 1232,7 351,7 158,3 28,5% Kaposvári 1019,3 1299,4 280,1 56,4 21,6% Kapuvári 1016,4 1312,2 295,8 72,7 22,5% Karcagi 863,8 1168,7 304,8 115,2 26,1% Kazincbarcikai 959,3 1255,4 296,1 85,5 23,6% Kecskeméti 1022,5 1324,6 302,1 77,6 22,8% Keszthely-Hévízi 996,7 1341,9 345,1 126,3 25,7% Kisbéri 1096,9 1262,8 165,9 -74,9 13,1% Kiskőrösi 797,2 1231,6 434,4 259,4 35,3% Kiskunfélegyházi 913,9 1243,5 329,6 129,0 26,5% Kiskunhalasi 878,7 1264,3 385,6 192,7 30,5% Kiskunmajsai 822,7 1179,6 356,9 176,3 30,3% Kisteleki 774,8 1163,2 388,4 218,3 33,4% Kisvárdai 832,9 1174,1 341,3 158,4 29,1% Komáromi 1243,5 1422,4 179,0 -94,0 12,6% Komlói 921,2 1236,9 315,7 113,5 25,5% Körmendi 1120,9 1323,8 202,9 -43,2 15,3% Kőszegi 1001,0 1332,0 331,0 111,3 24,8% Kunszentmártoni 845,0 1151,7 306,7 121,2 26,6% Kunszentmiklósi 863,3 1209,4 346,1 156,6 28,6% Lengyeltóti 742,9 1139,5 396,5 233,5 34,8% Lenti 992,7 1278,6 285,9 68,0 22,4% Letenyei 892,1 1207,8 315,7 119,9 26,1% Makói 895,8 1169,2 273,4 76,8 23,4% Marcali 850,9 1201,3 350,4 163,6 29,2% Mátészalkai 754,1 1119,3 365,2 199,6 32,6% Mezőcsáti 785,7 1128,4 342,7 170,3 30,4% Mezőkovácsházi 835,5 1127,6 292,1 108,7 25,9% Mezőkövesdi 1001,1 1221,7 220,5 0,8 18,1% Mezőtúri 901,0 1183,9 282,9 85,1 23,9%

22 / 36

Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Miskolci 1054,2 1294,0 239,8 8,4 18,5% Mohácsi 952,9 1242,4 289,5 80,3 23,3% Monori 1052,8 1353,4 300,6 69,5 22,2% Mórahalmi 811,9 1174,7 362,8 184,6 30,9% Móri 1176,8 1354,1 177,3 -81,0 13,1% Mosonmagyaróvári 1013,6 1384,9 371,3 148,8 26,8% Nagyatádi 841,6 1193,9 352,3 167,6 29,5% Nagykállói 724,1 1138,8 414,7 255,8 36,4% Nagykanizsai 1083,4 1341,1 257,7 19,9 19,2% Nagykátai 914,5 1261,3 346,7 146,0 27,5% Nyírbátori 718,2 1125,9 407,7 250,0 36,2% Nyíregyházi 1045,2 1346,1 300,9 71,5 22,4% Orosházi 974,1 1209,7 235,6 21,7 19,5% Oroszlányi 1179,3 1378,6 199,3 -59,5 14,5% Ózdi 775,6 1135,6 360,0 189,7 31,7% Őriszentpéteri 991,2 1203,9 212,8 -4,8 17,7% Pacsai 829,3 1203,0 373,7 191,7 31,1% Paksi 1253,6 1395,6 142,1 -133,1 10,2% Pannonhalmi 1050,1 1285,1 235,0 4,4 18,3% Pápai 1003,6 1277,0 273,5 53,2 21,4% Pásztói 937,6 1227,8 290,2 84,4 23,6% Pécsi 1158,3 1379,0 220,7 -33,6 16,0% Pécsváradi 934,2 1248,8 314,6 109,5 25,2% Pétervásári 920,7 1161,9 241,3 39,2 20,8% Pilisvörösvári 1274,6 1420,4 145,8 -134,0 10,3% Polgári 910,8 1211,7 300,9 101,0 24,8% Püspökladányi 836,9 1148,8 311,8 128,1 27,1% Ráckevei 1074,7 1390,5 315,8 79,9 22,7% Rétsági 1015,8 1245,3 229,5 6,5 18,4% Salgótarjáni 976,1 1227,6 251,5 37,3 20,5% Sárbogárdi 935,1 1221,6 286,6 81,3 23,5% Sarkadi 738,7 1066,8 328,1 165,9 30,8% Sárospataki 927,2 1208,3 281,0 77,5 23,3% Sárvári 1107,6 1339,3 231,7 -11,5 17,3% Sásdi 822,5 1169,5 347,0 166,5 29,7% Sátoraljaújhelyi 943,0 1261,2 318,3 111,3 25,2% Sellyei 773,4 1092,4 319,1 149,3 29,2% Siklósi 864,9 1216,1 351,2 161,3 28,9% Siófoki 1060,6 1351,6 291,0 58,2 21,5% Sopron-Fertődi 1056,4 1393,0 336,6 104,7 24,2% Sümegi 876,6 1201,1 324,5 132,1 27,0% Szarvasi 995,4 1246,1 250,7 32,2 20,1% Szécsényi 820,2 1161,3 341,0 161,0 29,4% Szegedi 1111,6 1363,7 252,2 8,2 18,5% Szeghalmi 866,4 1179,6 313,2 123,0 26,6% Székesfehérvári 1309,5 1440,1 130,6 -156,8 9,1% Szekszárdi 1068,7 1313,4 244,6 10,1 18,6% Szentendrei 1268,1 1439,4 171,3 -107,1 11,9% Szentesi 993,7 1240,0 246,3 28,2 19,9% Szentgotthárdi 1048,0 1304,5 256,5 26,5 19,7% Szentlőrinci 881,5 1191,5 310,1 116,6 26,0% Szerencsi 830,8 1163,5 332,7 150,3 28,6% Szigetvári 836,9 1149,4 312,5 128,8 27,2%

23 / 36

Kistérség (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Szikszói 757,6 1119,4 361,8 195,5 32,3% Szobi 1029,3 1245,9 216,6 -9,4 17,4% Szolnoki 1150,3 1315,2 164,9 -87,6 12,5% Szombathelyi 1200,1 1388,9 188,8 -74,6 13,6% Tabi 869,8 1187,5 317,7 126,7 26,8% Tamási 856,2 1190,5 334,3 146,3 28,1% Tapolcai 992,8 1298,7 305,9 88,0 23,6% Tatabányai 1205,8 1386,8 181,0 -83,7 13,1% Tatai 1248,6 1402,8 154,2 -119,8 11,0% Téti 1056,3 1257,8 201,5 -30,4 16,0% Tiszafüredi 830,9 1140,4 309,4 127,0 27,1% Tiszaújvárosi 1154,8 1335,6 180,8 -72,7 13,5% Tiszavasvári 818,2 1186,0 367,8 188,2 31,0% Tokaji 897,2 1189,8 292,6 95,6 24,6% Törökszentmiklósi 834,8 1177,8 343,0 159,7 29,1% Váci 1138,5 1387,5 248,9 -1,0 17,9% Várpalotai 1048,3 1312,5 264,2 34,1 20,1% Vásárosnaményi 759,8 1105,2 345,4 178,6 31,2% Vasvári 920,1 1231,8 311,7 109,7 25,3% Veresegyházi 1180,6 1507,9 327,3 68,1 21,7% Veszprémi 1233,1 1424,2 191,1 -79,5 13,4% Záhonyi 789,8 1101,3 311,5 138,1 28,3% Zalaegerszegi 1130,5 1360,1 229,6 -18,6 16,9% Zalakarosi 820,1 1185,7 365,6 185,6 30,8% Zalaszentgróti 871,1 1226,4 355,2 164,0 29,0% Zirci 1040,1 1307,7 267,6 39,3 20,5%

Adatok forrása: NAV és saját számítás

24 / 36

2. táblázat: A vizsgálat megyei és regionális szintű eredményei

Egy lakosra jutó

összevont adóalap összege (ezer Ft)

Egy lakosra

jutó korrigált becsült


A rejtett gazdaságból származó egy lakosra jutó


Eltérés a 18%-os rejtett

jövedelemhez képest (ezer

Ft)

A rejtett gazdaság

mértéke (%) Területegység (1) (2) (3)=(2)-(1) (4)=(2)-(1)/0,82 (5)=(3)/(2) Fejér 1179,72 1353,85 174,1 -84,8 12,9% Veszprém 1074,92 1334,80 259,9 23,9 19,5% Komárom-Esztergom 1190,32 1381,25 190,9 -70,4 13,8% Közép-Dunántúl 1148,37 1355,37 207,0 -45,1 15,3% Somogy 926,38 1247,34 321,0 117,6 25,7% Tolna 1035,31 1291,93 256,6 29,4 19,9% Baranya 1013,61 1286,27 272,7 50,2 21,2% Dél-Dunántúl 989,27 1274,41 285,1 68,0 22,4% Vas 1115,22 1342,04 226,8 -18,0 16,9% Győr-Moson-Sopron 1132,70 1398,62 265,9 17,3 19,0% Zala 1030,58 1314,84 284,3 58,0 21,6% Nyugat-Dunántúl 1098,41 1359,41 261,0 19,9 19,2% Dunántúl 1098,41 1359,41 261,0 19,9 19,2% Borsod-Abaúj-Zemplén 937,96 1223,43 285,5 79,6 23,3% Nógrád 958,53 1222,00 263,5 53,1 21,6% Heves 1050,93 1273,70 222,8 -7,9 17,5% Észak-Magyarország 970,19 1235,99 265,8 52,8 21,5% Bács-Kiskun 911,29 1258,28 347,0 147,0 27,6% Békés 951,03 1207,76 256,7 48,0 21,3% Csongrád 1018,98 1283,05 264,1 40,4 20,6% Dél-Alföld 956,52 1251,96 295,4 85,5 23,6% Szabolcs-Szatmár-Bereg 825,15 1180,09 354,9 173,8 30,1% Hajdú-Bihar 932,12 1248,33 316,2 111,6 25,3% Jász-Nagykun-Szolnok 972,98 1235,54 262,6 49,0 21,3% Észak-Alföld 902,38 1219,18 316,8 118,7 26,0% Észak és Alföld 940,44 1234,91 294,5 88,0 23,8% Pest 1140,02 1392,36 252,3 2,1 18,1% Budapest 1457,29 1541,39 84,1 -235,8 5,5% Közép-Magyarország 1323,42 1478,51 155,1 -135,4 10,5% Magyarország 1094,54 1334,80 240,3 0,0 18,0%

Adatok forrása: NAV és saját számítás

25 / 36

4. Következtetések

Kiindulópontként átlagosan 18%-os be nem jelentett jövedelem arányt feltételeztünk.

A számítások eredményeként azt kaptuk, hogy országosan 2010-ben a be nem

jelentett jövedelem 17,3%-os arányát tehette ki a becsült tényleges jövedelemnek. Ez

alátámasztani látszik az erre vonatkozó eredeti feltételezést, a korrekciós állandó

értéke csupán 1,046.

A korrigált becsült jövedelem és a be nem jelentett jövedelem mértékére

vonatkozóan több következtetés vonható le. Érdemes kihangsúlyozni, hogy az egy

főre jutó összevont adóalap és az egy főre jutó korrigált becsült jövedelem területileg

nagyon hasonló képet mutat, a kettő közt erős a korreláció.

Az elemzés alapján az a következtetés vonható le, hogy a magasabb jövedelemmel

rendelkező kistérségekben a rejtett gazdaság részesedése kisebb az országos

átlagnál. Ez első ránézésre azzal magyarázható, hogy ezen kistérségekben hazai

illetve külföldi nagyvállalatok a fő foglalkoztatók, amelyek nagyobb valószínűséggel

és súllyal foglalkoztatnak bejelentett módon. Amennyiben egy-két ilyen (főként ipari)

vállalat a térség fő foglalkoztatója, extrém alacsony a rejtett gazdaságból származó

jövedelmek aránya – a táblázatból Dunaújváros, Paks esetén ez jól látszik.

Másik fontos észrevétel, hogy nem a legszegényebb térségekben a legmagasabbak

a rejtett gazdaságból származó jövedelmek. Ennek oka az lehet, hogy az ilyen

térségek fő bevételi forrása az állami újraelosztás, ehhez kapcsolódóan pedig nincs

lehetőség plusz jövedelemre szert tenni.

Ebből kifolyólag arányaiban a legnagyobb rejtett gazdasággal bíró térségek inkább a

vidéki (Budapest értékét figyelmen kívül hagyó) átlaghoz közeli egy főre jutó

jövedelemmel rendelkező kistérségek. Ezek közül is kiemelkedik Bács-Kiskun

megye.

A fenti eredményeket érdemes további vizsgálatnak alávetni.

26 / 36

Melléklet Regressziós egyenletek és tulajdonságaik:

M1: Becslés az 1000 lakosra jutó adózók száma segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,782a ,612 ,609 101,53308446

a. Predictors: (Constant), a arány

b. Dependent Variable: jöv

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 2791294,972 1 2791294,972 270,764 ,000a

Residual 1773142,365 172 10308,967

Total 4564437,337 173

a. Predictors: (Constant), a arány


Coefficients a

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

1 (Constant) -398,926 83,411 -4,783 ,000

a arány 3,196 ,194 ,782 16,455 ,000

a. Dependent Variable: jöv

Residuals Statistics a

Minimum Maximum Mean Std. Deviation N

Predicted Value 668,8115234 1270,4971924 967,7310657 127,02225403 174

Residual -197,43753052 470,39251709 ,00000000 101,23921095 174

Std. Predicted Value -2,353 2,384 ,000 1,000 174

Std. Residual -1,945 4,633 ,000 ,997 174


27 / 36

M2: Becslés az egy adózóra jutó személyi jövedelemadó segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,888a ,788 ,787 75,02387790

a. Predictors: (Constant), adózóra jutó adó


ANOVAb


1 Regression 3596321,190 1 3596321,190 638,939 ,000a

Residual 968116,148 172 5628,582

Total 4564437,337 173

a. Predictors: (Constant), adózóra jutó adó


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 597,032 15,730 37,956 ,000

adózóra jutó adó 1,598 ,063 ,888 25,277 ,000




Predicted Value 782,0556641 1645,9718018 967,7310657 144,18038617 174

Residual -234,31140137 184,00796509 ,00000000 74,80673163 174


Std. Residual -3,123 2,453 ,000 ,997 174


28 / 36

M3: Becslés a munkanélküliségi ráta segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,836a ,700 ,698 89,28850857

a. Predictors: (Constant), mnkl r


ANOVAb


1 Regression 3193178,042 1 3193178,042 400,527 ,000a

Residual 1371259,295 172 7972,438

Total 4564437,337 173

a. Predictors: (Constant), mnkl r


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 1276,003 16,825 75,839 ,000

mnkl r -24,928 1,246 -,836 -20,013 ,000




Predicted Value 591,4891357 1200,4725342 967,7310657 135,85903189 174

Residual -228,26829529 294,70568848 ,00000000 89,03007529 174


Std. Residual -2,557 3,301 ,000 ,997 174


29 / 36

M4: Becslés az egy főre jutó iparűzési adó segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,738a ,544 ,541 109,99107955

a. Predictors: (Constant), ip adó egy főre


ANOVAb


1 Regression 2483574,873 1 2483574,873 205,287 ,000a

Residual 2080862,464 172 12098,038

Total 4564437,337 173

a. Predictors: (Constant), ip adó egy főre


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 825,941 12,941 63,825 ,000

ip adó egy főre 5,840 ,408 ,738 14,328 ,000




Predicted Value 838,6319580 1691,8961182 967,7310657 119,81620977 174

Residual -280,23568726 312,80160522 ,00000000 109,67272554 174


Std. Residual -2,548 2,844 ,000 ,997 174


30 / 36

M5: Becslés az egy főre jutó háztartási villamosenergia-felhasználás segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,414a ,171 ,166 148,29588471

a. Predictors: (Constant), e per fő


ANOVAb


1 Regression 781870,197 1 781870,197 35,553 ,000a

Residual 3782567,140 172 21991,669

Total 4564437,337 173

a. Predictors: (Constant), e per fő


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 498,400 79,511 6,268 ,000

e per fő 449,055 75,311 ,414 5,963 ,000




Predicted Value 810,5490723 1184,9532471 967,7310657 67,22708462 174

Residual -354,14370728 451,33551025 ,00000000 147,86666272 174


Std. Residual -2,388 3,043 ,000 ,997 174


31 / 36

M6: Becslés a személygépkocsi-ellátottság segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,476a ,226 ,222 143,30766695

a. Predictors: (Constant), 1000 lak szgk


ANOVAb


1 Regression 1032058,303 1 1032058,303 50,253 ,000a

Residual 3532379,034 172 20537,087

Total 4564437,337 173

a. Predictors: (Constant), 1000 lak szgk


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 516,663 64,550 8,004 ,000

1000 lak szgk 1,129 ,159 ,476 7,089 ,000




Predicted Value 782,1279297 1315,2192383 967,7310657 77,23765230 174

Residual -398,09802246 467,02645874 ,00000000 142,89288267 174


Std. Residual -2,778 3,259 ,000 ,997 174


32 / 36

M7: Becslés a járművek átlagéletkora segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,700a ,490 ,487 116,35410388

a. Predictors: (Constant), szgk kor


ANOVAb


1 Regression 2235853,609 1 2235853,609 165,151 ,000a

Residual 2328583,728 172 13538,277

Total 4564437,337 173

a. Predictors: (Constant), szgk kor


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 2066,312 85,939 24,044 ,000

szgk kor -82,651 6,431 -,700 -12,851 ,000




Predicted Value 639,7531738 1402,6234131 967,7310657 113,68381284 174

Residual -273,43115234 322,93582153 ,00000000 116,01733297 174


Std. Residual -2,350 2,775 ,000 ,997 174


33 / 36

M8: Becslés a közgyógyellátási igazolványban részesítettek aránya segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,663a ,439 ,436 121,97882417

a. Predictors: (Constant), közgy


ANOVAb


1 Regression 2005277,967 1 2005277,967 134,774 ,000a

Residual 2559159,370 172 14878,834

Total 4564437,337 173

a. Predictors: (Constant), közgy


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 1317,073 31,481 41,838 ,000

közgy -,856 ,074 -,663 -11,609 ,000




Predicted Value 685,3872070 1158,8261719 967,7310657 107,66244528 174

Residual -261,39364624 395,79379272 ,00000000 121,62577329 174


Std. Residual -2,143 3,245 ,000 ,997 174


34 / 36

M9: Becslés a társas vállalkozások gyakorisága segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,783a ,613 ,611 101,32834986

a. Predictors: (Constant), társas váll


ANOVAb


1 Regression 2798438,606 1 2798438,606 272,555 ,000a

Residual 1765998,731 172 10267,434

Total 4564437,337 173

a. Predictors: (Constant), társas váll


Coefficients a

Model


Standardized

Coefficients


1 (Constant) 741,994 15,683 47,311 ,000

társas váll 65,055 3,941 ,783 16,509 ,000




Predicted Value 809,6510620 1665,7755127 967,7310657 127,18469129 174

Residual -208,48725891 287,77584839 ,00000000 101,03506892 174


Std. Residual -2,058 2,840 ,000 ,997 174


35 / 36

M10: Becslés az egyéni vállalkozások gyakorisága segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,332a ,110 ,105 153,68933453

a. Predictors: (Constant), egyéni v


ANOVAb


1 Regression 501726,551 1 501726,551 21,241 ,000a

Residual 4062710,786 172 23620,412

Total 4564437,337 173



Coefficients a

Model


Standardized

Coefficients


1 (Constant) 1112,581 33,519 33,193 ,000

egyéni v -12,915 2,802 -,332 -4,609 ,000




Predicted Value 759,7398682 1063,3741455 967,7310657 53,85307304 174

Residual -360,68374634 455,77743530 ,00000000 153,24450195 174


Std. Residual -2,347 2,966 ,000 ,997 174


36 / 36

M11: Becslés a kábeltelevízió hálózatba bekapcsolt lakások aránya segítségével:

Model Summary b

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate

1 ,332a ,110 ,105 153,68933453



ANOVAb


1 Regression 501726,551 1 501726,551 21,241 ,000a

Residual 4062710,786 172 23620,412

Total 4564437,337 173



Coefficients a

Model


Standardized

Coefficients


1 (Constant) 1112,581 33,519 33,193 ,000

egyéni v -12,915 2,802 -,332 -4,609 ,000




Predicted Value 759,7398682 1063,3741455 967,7310657 53,85307304 174

Residual -360,68374634 455,77743530 ,00000000 153,24450195 174


Std. Residual -2,347 2,966 ,000 ,997 174


rejtett lakossági jövedelmek kistérségi szintű becslése

Science