A megyék iparszerkezeti jellemzőinek feltárására az egyes ipari ágazatokban működő és újonnan létesített vállalatok adataiból összeállítottuk a 24 feldolgozóipari ágazatra, a 19 magyar megyére és Budapestre vonatkozó adatbázist. A működő és az új cégek számára alapozva koncentrációs mutatókat számítottunk, így közelítve meg azt a kérdést, hogy melyik feldolgozóipari ágazat, melyik megyében van jelen az országos átlaghoz képest nagyobb vagy kisebb mértékben.
A digitális infrastruktúra mérésére két indikátort alkalmaztunk a digitalizáció mérésére: egy mennyiségi (az 1000 főre jutó internet-előfizetések száma) és egy minőségi jellegűt (az xDSL hálózaton keresztül megvalósított internetkapcsolatok száma). Utóbbi alkalmazása mögött az a feltételezés állt, hogy bár az xDSL kapcsolatok a szélessávú kapcsolatok közé tartoznak, azok nem nyújtanak akkora sávszélességű kapcsolatot, ami lehetővé tenné az olyan jelentősebb hálózati szükségleteket igénylő alkalmazások permanens használatát, mint pl. a felhő-rendszerek. Ezért az ilyen típusú kapcsolatok viszonylag nagy aránya kevésbé kedvez az Ipar 4.0 technológiák terjedésének.
A társadalmi-gazdasági indikátorok közül az egy adófizetőre jutó éves jövedelem mutatóját használtuk a megyék gazdasági teljesítményének mérésére. Továbbá két mérőszám szolgálta a megyék foglalkozási szerkezetének jellemzését. Az egyik a „tudásintenzív munkaerő” arányát mutatja az összes foglalkoztatotton belül, ahova a „Műszaki, informatikai és természettudományi foglalkozások” (21) és a „Technikusok és hasonló műszaki foglalkozások” (31) tartoznak. A másik a „feldolgozóipari összeszerelő munkaerő” részesedését jelzi, amibe a „Gépi operátorok és feldolgozóipari gépek kezelői” (81), az „Összeszerelők” (82) és a „Helyhez kötött és mobil gépek kezelői” (83) sorolhatók.
Az Ipar 4.0 technológiákat jellemző adatokat a Központi Statisztikai Hivatal (KSH) Tájékoztatási adatbázisában értük el (zárójelben a változó rövidített neve olvasható):
- Felhőt használó vállalkozások aránya, % (cloud_use)
- Ipari robotokat használó vállalkozások aránya, % (robot_i)
- Szolgáltató robotokat használó vállalkozások aránya, % (robot_s)
- Saját 3D nyomtatót használó vállalkozások aránya, % (3d_own)
- Más vállalkozás által nyújtott 3D szolgáltatást igénybe vevő vállalkozások aránya, % (3d_ext)
- Big Data elemzést végző vállalkozások aránya: Saját alkalmazottakkal, % (bigdata_own)
- Big Data elemzést végző vállalkozások aránya: Külső, vállalkozáson kívüli szolgáltatókkal,% (bigdata_ext).
Bár az adatok a 2017–2020. közötti időszakra vonatkoztak, ezek nem minden technológia esetében voltak elérhetők mindegyik évre. Ezért úgy döntöttünk, hogy minden egyes változónak a jelzett időszakra hozzáférhető értékeinek az átlagát vonjuk be a vizsgálatba, és ehhez tettük hozzá a 2019. évi ágazati szerkezeti és IKT adatokat.
A korrelációelemzés eredményeit tekintve, az Ipar 4.0 technológiákkal összefüggésben mindenképpen kiemelendő, hogy
pozitív szignifikáns kapcsolat fedezhető fel az ipari robotok használatának aránya (N) és a közepesen-alacsony és az alacsony technológia szintű cégek koncentrációja között (B, C).
Ez az összeszerelő jellegű tevékenységet folytató és kevés képzett munkaerőt alkalmazó vállalkozások jelentősebb előfordulásának az eredője. Szintén pozitív (még hozzá viszonylag erős) kapcsolat van az ipari (M), valamint a szolgáltató robotokat (O) használó cégek és az „összeszerelő” foglalkozások aránya (K) között, ami arra utal, hogy az összeszerelő munkaerőt kiegészíti a robotok alkalmazása.
A felhőhasználat (L) ott jelenik meg erősebben, ahol a magas és közepesen-magas technológia szintű feldolgozóipari tevékenység koncentrációja számottevő (A) és a tudásintenzív munkaerő (J) aránya viszonylag jelentős. Ezzel szemben a 3D nyomtatót használó vállalkozások aránya (O, P), illetve a Big Data alkalmazások saját alkalmazottak általi (Q) vagy külső szolgáltókon keresztüli (R) igénybevétele egyelőre egyik technológiai szint esetében sem jelenik meg szignifikáns tényezőként. Ennek valószínűleg az lehet az oka, hogy ezeknek a technológiáknak az alkalmazása – szemben a robotokkal, vagy a felhőalkalmazásokkal – még nem terjedt el olyan mértékben, hogy az szignifikáns korrelációt eredményezne.
A korrelációelemzést követően az Ipar 4.0 technológiák adatai alapján klasztereztük a megyéket. A klaszterelemzésben használatos módszertani eszközök alkalmazása alapján végül a négyklaszteres csoportosítás tűnt a legelfogadhatóbb megoldásnak (2. ábra).
A klaszterelemzés eredményei arra engednek következtetni, hogy az Ipar 4.0 technológiáinak alkalmazásában a főváros kiemelkedik („C1”). Budapest esetében az infokommunikációs infrastruktúra magasabb fejlettsége és a külföldi szolgáltatócégek jelenléte is minden bizonnyal hozzájárul az Ipar 4.0 technológiák gyorsabb terjedéséhez. A felhőhasználat jóval országos átlag feletti és az Ipar 4.0 technológiákhoz kapcsolódó szolgáltatásokra is itt mutatkozik a legnagyobb igény, ugyanis a külsős (nem saját) 3D-nyomtatást és Big Data szolgáltatást igénybe vevő cégek aránya is Budapesten érte el a legmagasabb értéket. A robotok vagy a 3D nyomtatás szerényebb előfordulása ellenben a helyi ipar, különösen a munkaigényes ágazatok kisebb jelentőségével indokolható (3. ábra).
A „C2” csoport a Közép-dunántúli régiót, valamint Pest, Győr-Moson-Sopron és Csongrád-Csanád megyéket foglalja magába. A felhőszolgáltatást igénybe vevő cégek aránya a főváros után ezekben a térségekben a legmagasabb, meghaladja az országos átlagot is. Szintén tetemes az ipari és szolgáltató robotok előfordulása, ami lényegében az olyan, főleg külföldi érdekeltségű vállalkozások jelentősebb koncentrációjával magyarázható, amelyek könnyen automatizálható ipari tevékenységet végeznek (pl. monoton, veszélyes vagy nagy precizitást igénylő munkákat). Ez a típusú tevékenység a csoporton belül a dunántúli megyékben fordul elő gyakrabban.
A „C3” csoportban, amely az ország északi-északkeleti megyéit tömöríti, többnyire az országos átlag körül vannak az értékek, attól kismértékben inkább negatív irányba térnek el. Azonban ebben a csoportban kiemelkedő a saját 3D nyomtatást és Big Data-t használó cégek aránya.
Végül a „C4” csoport, ahol csak egy-két mutató értéke éri el az országos átlagot, egyfajta gyűjtőcsoportot képez. Ez abban nyilvánul meg, hogy az ország négy régiójából tartoznak ide megyék, amelyek eltérő iparszerkezettel, ipari hagyományokkal és társadalmi, gazdasági fejlettséggel rendelkeznek. A csoport magába foglalja az ország déli, délnyugati részét, ahol az ipar jelentősége jóval kisebb az ország északi felénél. Bár vannak olyan térségek a csoporton belül, ahol az ipar fejlesztése és fejlődése előtérbe került az elmúlt évtizedben és újabb beruházások is folyamatban vannak, miáltal az Ipar 4.0 technológiák alkalmazása is erősödhet, de a csoportban található terület nagy részében nem várható markáns változás.
A kutatás eredményei több fontos összefüggésre is rámutattak. A korrelációelemzés során megállapítottuk, hogy a robotok használata főleg az alacsony és közepesen-alacsony technológia szintű ágazatokra jellemző, míg a magas és közepesen-magas technológia szintű cégeknél inkább a digitalizációhoz (pl. felhőhasználat) kötődő alkalmazások gyakoribbak.
A digitális infrastruktúra és a társadalmi-gazdasági fejlettség 2019. évi térbeli mintázata részben megegyezik, részben különbözik az Ipar 4.0 technológiák területi megjelenésétől. A hasonlóság a legfejlettebb országrészeknél (Észak-Dunántúl, Közép-Magyarország) tapasztalható, ahol az általános társadalmi, gazdasági fejlettség miatt a digitális infrastruktúra is fejlettebb és ez pozitívan hat az Ipar 4.0 alkalmazásra is.
Szintén viszonylag kedvezőnek tekinthető még az új technológiák előfordulása Észak-Magyarországon és az Észak-Alföld két megyéjében (Hajdú-Bihar, Szabolcs-Szatmár-Bereg), habár ezen megyék fejlettsége a különböző indikátorok alapján jóval szerényebbnek mondható. Ez elsősorban a feldolgozóipari hagyományokkal és az ipar jelentősebb előfordulásával magyarázható, főleg Észak-Magyarországon, amíg az Észak-Alföldön ez a jelenség az utóbbi években megszaporodott jelentősebb értékű (egy milliárd Ft feletti) új ipari beruházásoknak tulajdonítható (4. ábra). Úgy tűnik tehát, hogy ezekben a megyékben a digitalizáció, illetve az Ipar 4.0 technológiák alkalmazásai befolyásolhatják a korábbi fejlődési pályákat és új lehetőségeket nyithatnak.
A Dunántúl déli felében és a Dél-Alföldön (Csongrád-Csanád megye kivételével) azonban egyelőre nem figyelhető meg az Ipar 4.0 technológiák számottevő elterjedése. Ez a leginkább az ipar helyi gazdaságban betöltött kisebb szerepével magyarázható, és azzal, hogy az Ipar 4.0 technológiák terjedésében a feldolgozóiparnak releváns szerepe van.
Az Ipar 4.0 technológiák előfordulása látványosan tükrözi a digitális megosztottságot az ország északi és déli fele között. A jelentősebb feldolgozóiparral rendelkező északi régiókban jóval gyakrabban fordulnak elő az Ipar 4.0 technológiák, ami elsődlegesen a magyar ipar térszerkezetével függ össze. A nagyjából a Tiszaújváros–Dunaújváros képzeletbeli tengelytől délre levő országrészben viszont fejletlenebb a digitális infrastruktúra és alacsonyabb az általános társadalmi-gazdasági fejlettség szintje is, ami kevésbé kedvező környezet biztosít az Ipar 4.0 technológiák megjelenésének. Az új technológiák alacsony gyakorisága ezekben a megyékben betudható annak is, hogy az ottani feldolgozóipar ágazati struktúrájában jóval kisebb szerepet kapnak azok az iparágak (pl. elektronika, autóipar, vegyipar), amelyekben általában előrehaladottabb a digitalizáció.
A 2014 és 2023 között megkezdett vagy bejelentett 107 ipari nagyberuházásból csak 40 kapcsolódik az ország déli feléhez (30 az Alföldhöz, 10 a Dél-Dunántúlhoz). Ennél fogva az sem valószínű, hogy a magyar ipar térszerkezetében radikális átrendeződés következik be a közeljövőben. Legfeljebb lassú elmozdulás történhet az Alföld északi megyéinek irányába, mert Hajdú-Bihar és Szabolcs-Szatmár-Bereg megyében is több ipari nagyberuházás van folyamatban vagy várható esetleg az elkövetkezendő években.
Összességében megállapítható, hogy az Ipar 4.0 technológiák térbeli diffúziója ma még inkább követi az ipari vállalkozások előfordulását, mintsem meghatározza azok letelepedését.
A teljes tanulmány itt olvasható.
Kiss Éva a HUN-REN Csillagászati és Földtudományi Kutatóközpont (CSFK) Földrajztudományi Intézetének tudományos tanácsadója
Páger Balázs a HUN-REN Közgazdaság- és Regionális Tudományi Kutatóközpont (KRTK) Regionális Kutatások Intézetének tudományos munkatársa
A cikk a szerző véleményét tükrözi, amely nem feltétlenül esik egybe a Portfolio szerkesztőségének álláspontjával.
Címlapkép forrása: Getty Images
