1.

Cel prognozy
1.1. Wprowadzenie

Celem prognozy jest określenie potencjału rozwojowego województwa Lubelskiego na

tle innych województw na rok 2022 oraz przedstawienie zmian poziom rozwoju
gospodarczego województw w okresie 2009 – 2021. W poniższej pracy zastosowano metodę
porządkowania liniowego obiektów wielowymiarowych. Wykorzystano dwa mierniki
syntetyczne – wskaźnik względnego poziomu rozwoju (BZW) oraz średnią.

1.2. Dane

Korzystając z Bazy Danych Lokalnych GUS, w początkowej fazie badania wzięto pod
uwagę 14 następujących zmiennych. Dane opisują różne zjawiska w 16 polskich
województwach w latach 2009 – 2021.

zmienna opis
x1 Liczba ludności w poszczególnych województwach
x2 Liczba małżeństw na 1000 ludności
x3 Urodzenia żywe na 1000 ludności
x4 Zgony na 1000 ludności
x5 Wskaźnik starości (odsetek osób w wieku 70 lat i więcej
x6 Wskaźnik zadowolenia z życia
x7 Mieszkania na zasobach mieszkaniowych
x8 Przeciętne wynagrodzenie brutto
x9 Dzieci w placówkach wychowania przedszkolnego na 1000 dzieci w wieku 3-5 lat
x10 Kanalizacja w %
x11 Wodociągi w %
x12 Gaz w %
x13 Nowe podmioty gospodarki narodowej wpisane do rejestru REGON
x14 Rozwody

2. Dobór zmiennych

W kolejnym kroku wyliczono współczynniki zmienności dla wszystkich zmiennych w

poszczególnych latach 2009 – 2021. Współczynnik zmienności określono ze wzoru:

σ
V=
µ

Przy założeniu, że wartość krytyczna V* = 0,05, usunięto zmienne dla których V < V*.
W tym kroku odrzucono zmienne x2 (zgony na 1000 ludności) oraz x14 (rozwody). Na tym
etapie pozostało 12 zmiennych.
 Następną metodą zastosowaną do doboru zmiennych była analiza macierzy korelacji.
To jest dla każdego roku utworzono macierz korelacji pomiędzy wszystkimi zmiennymi. Dla
tej metody przyjęto, że korelacja pomiędzy zmiennymi nie może przekraczać r* = 0,85.
Dlatego też na podstawie przeprowadzonej analizy odrzucono zmienne x5, x7 i x13.

Podsumowując, w całym procesie doboru zmiennych odrzucono 5 zmiennych, a

zmienne, które przeszły do kolejnego etapu badania to:

zmienna opis
x1 Liczba ludności w poszczególnych województwach
x3 Urodzenia żywe na 1000 ludności
x4 Zgony na 1000 ludności
x6 Stopa bezrobocia
x8 Przeciętne wynagrodzenie brutto
x9 Dzieci w placówkach wychowania przedszkolnego na 1000 dzieci w wieku 3-5 lat
x10 Kanalizacja w %
x11 Wodociągi w %
x12 Gaz w %

W sumie pozostało 9 zmiennych.

3. Normalizacja.

Kolejnym etapem pracy była normalizacja zmiennych. Normalizacje należało wykonać

dla każdej z dziewięciu zmiennych dla każdego roku (2009-2021). Aby to zrobić posłużono
się wzorem:

x−μ
z=
σ

Dokładniej jest to proces standaryzacji, dzięki któremu uzyskano zmienne uzyskały

średnią wartość oczekiwaną zero i odchylenie standardowe jeden.

4. Budowa zmiennej syntetycznej

4.1. BZW

Budowę wskaźnika względnego poziomu rozwoju rozpoczęto od uszeregowania

znormalizowanych danych względem roku którego dotyczą. W następnym kroku, dla każdego
roku zbudowano syntetyczną zmienną pomocniczą:

z ij =x ¿ij +¿ min ⁡{ x¿ij }∨¿

 Dzięki temu w ostatnim kroku możliwe było wyznaczenie wskaźnika BZW.

∑ z ij
j=1
BZW i= k

∑ max ⁡{z ij }
j=1

Na tym etapie w ustanowiono ranking województw dla każdego z badanych lat. Z

analizy miernika BZW w poszczególnych latach można zauważyć ze w rankingu województw
niewiele się zmienia. Pierwsze 3 miejsca przez całą długość badanego okresu są zajęte przez
województwa Mazowieckie, Śląskie i Dolnośląskie, a ostatnie 3 przez Warmińsko –
Mazurskie, Lubelskie i Świętokrzyskie (z kilkoma przypadkami województwa Podlaskiego).
Tak przedstawia się ranking z roku 2009.

Województwo: BZW (2009) Miejsce w rankingu

Mazowieckie 0,60222519 1
Śląskie 0,587455066 2
Dolnośląskie 0,542751826 3
Zachodniopomorskie 0,510599213 4
Pomorskie 0,503813766 5
Wielkopolskie 0,465948749 6
Łódzkie 0,437004386 7
Lubuskie 0,42884222 8
Warmińsko-mazurskie 0,406454239 9
Kujawsko-pomorskie 0,401279834 10
Opolskie 0,365865931 11
Małopolskie 0,338892699 12
Podkarpackie 0,309233081 13
Lubelskie 0,281012605 14
Podlaskie 0,275371236 15
Świętokrzyskie 0,251303715 16

Tak przedstawia się ranking w roku 2021

Województwo: BZW (2021) Miejsce w rankingu

Mazowieckie 0,69961487 1
Śląskie 0,64320964 2
Dolnośląskie 0,59033013 3
Pomorskie 0,53143004 4
Zachodniopomorskie 0,51285383 5
Wielkopolskie 0,50151195 6
Łódzkie 0,48661197 7
Opolskie 0,4535014 8
Małopolskie 0,45341697 9
Podkarpackie 0,44396021 10
Lubuskie 0,42252613 11
Kujawsko-pomorskie 0,40149925 12
Podlaskie 0,38282224 13
Warmińsko-mazurskie 0,37562372 14
Lubelskie 0,36275816 15
Świętokrzyskie 0,36177713 16

Z rankingu można wyciągnąć wniosek ze w badanych latach, rozważając zmienne,

które są rozważane w badaniu, najlepszym województwem jest województwo Mazowieckie, a
najgorszym województwo Świętokrzyskie. Województwo Lubelskie, którego potencjał
rozwojowy badany jest w tej pracy, przez cały badany okres plasował się na jednym z
ostatnich trzech miejsc

4.2. Średnia wartość zmiennej

Drugim miernikiem jaki wykorzystano jest średnia. Aby wykorzystać średnią jako
miernik dla każdego roku i dla każdego województwa policzono średnią wartość zmiennej.
Ranking województw dla roku 2009 ze średnią jako miernikiem przedstawia się w
następujący sposób:

Województwo: średnia Miejsce w rankingu

Mazowieckie 0,68217 1
Śląskie 0,62711 2
Dolnośląskie 0,46044 3
Zachodniopomorskie 0,34057 4
Pomorskie 0,31527 5
Wielkopolskie 0,17409 6
Łódzkie 0,06618 7
Lubuskie 0,03575 8
Warmińsko-mazurskie -0,04772 9
 Kujawsko-pomorskie -0,06701 10
Opolskie -0,19904 11
Małopolskie -0,29961 12
Podkarpackie -0,41019 13
Lubelskie -0,51540 14
Podlaskie -0,53644 15
Świętokrzyskie -0,62617 16

Ranking województw dla roku 2021:

Województwo: średnia Miejsce w rankingu

Mazowieckie 0,80011 1
Śląskie 0,59787 2
Dolnośląskie 0,40826 3
Pomorskie 0,19708 4
Zachodniopomorskie 0,13047 5
Wielkopolskie 0,08980 6
Łódzkie 0,03638 7
Opolskie -0,08234 8
Małopolskie -0,08264 9
Podkarpackie -0,11655 10
Lubuskie -0,19340 11
Kujawsko-pomorskie -0,26879 12
Podlaskie -0,33576 13
Warmińsko-mazurskie -0,36157 14
Lubelskie -0,40770 15
Świętokrzyskie -0,41122 16

Jak widać uzyskane rankingi są bardzo podobne to tych, uzyskanych za pomocą

miernika BZW.

5. Model prognostyczny

Dzięki uzyskanym wskaźnikom BZW i wyliczonym wartościom średnim można przejść

do tworzenia modeli dla poszczególnych województw, dzięki którym możliwe będzie
wyznaczenie prognozy na rok 2022.

5.1. Modele BZW

 Modele utworzono dzięki wykorzystaniu okresu t jako zmiennej x, a miernika BZW
jako zmiennej y. Modele różniły się od siebie postacią analityczną. Pośród 16 uzyskanych
modeli przeważają modele wielomianowe, natomiast zdarzały się modele liniowe,
logarytmiczne czy też potęgowe. Poniżej lista uzyskanych modeli:

Województwo Postać modelu R2 Istotność parametrów

y = -6E-06x6 + 0,0003x5 - 0,0048x4 + Wszystkie parametry nieistotne za

Dolnośląskie 0,8132
0,0416x3 - 0,1768x2 + 0,3332x + 0,3533 wyjątkiem parametru b0

Kujawsko- y = -5E-06x6 + 0,0002x5 - 0,0037x4 +

0,1544 Wszystkie parametry nieistotne
pomorskie 0,0293x3 - 0,1142x2 + 0,1948x + 0,3028

y = -7E-06x6 + 0,0003x5 - 0,0055x4 + Wszystkie parametry istotne za

Lubelskie 0,8711
0,0486x3 - 0,2145x2 + 0,4299x + 0,0247 wyjątkiem b0 i b6

y = -6E-06x6 + 0,0003x5 - 0,0042x4 + Wszystkie nieistotne za wyjątkiem

Lubuskie 0,59
0,0333x3 - 0,1269x2 + 0,2016x + 0,3296 b0

y = -6E-06x6 + 0,0003x5 - 0,0053x4 +

Łódzkie 0,8267 Istotne parametry b1, b2 ,b3
0,0495x3 - 0,2364x2 + 0,521x + 0,1056

Małopolskie y = 0,0111x + 0,3159 0,7818 Wszystkie parametry istotne

Mazowieckie y = -0,0008x2 + 0,0201x + 0,5803 0,8566 Wszystkie parametry istotne

y = -2E-05x6 + 0,0007x5 - 0,0121x4 +

Opolskie 0,8922 Wszystkie parametry istotne
0,1025x3 - 0,4392x2 + 0,8618x - 0,1444

Podkarpackie y = 0,0106x + 0,2917 0,7653 Wszystkie parametry istotne

y = -3E-06x6 + 0,0002x5 - 0,0032x4 +

Podlaskie 0,9089 Wszystkie parametry nieistotne
0,0319x3 - 0,154x2 + 0,3267x + 0,078
 Wszystkie parametry nieistotne za
Pomorskie y = -0,0008x2 + 0,0201x + 0,5803 0,4615
wyjątkiem parametru b0

y = -3E-06x6 + 0,0002x5 - 0,0032x4 +

Śląskie 0,9089 Wszystkie parametry istotne
0,0319x3 - 0,154x2 + 0,3267x + 0,078

y = 0,0001x3 - 0,0028x2 + 0,0259x + Wszystkie parametry nieistotne za

Świętokrzyskie 0,8028
0,2227 wyjątkiem parametru b0

Warmińsko- y = -6E-06x6 + 0,0003x5 - 0,004x4 +

0,3677 Wszystkie parametry nieistotne
mazurskie 0,03x3 - 0,104x2 + 0,1391x + 0,3517

y = -3E-06x6 + 0,0001x5 - 0,0016x4 +

Wielkopolskie 0,4556 Wszystkie parametry nieistotne
0,0084x3 - 0,0095x2 - 0,0401x + 0,5176

y = -9E-06x6 + 0,0004x5 - 0,0065x4 +

Zachodniopomorski 0,6063 Wszystkie parametry nieistotne
0,0546x3 - 0,2292x2 + 0,4295x + 0,2674
e

Jak widać na załączonej tabeli większość współczynników R2 przekracza 80%.

Dlatego w tej kategorii te modele oceniamy pozytywnie. Modeli z niskimi wartościami R 2 w
zestawieniu jest 4. Istotność parametrów badano testem t-studenta. Dla p-value < 0,05,
hipotezę zerową dotyczącą nieistotności parametru odrzucano. Istotność parametrów w
modelach to jest to bardzo zróżnicowane zjawisko. Jedynie dla 5 modeli uzyskaliśmy wynik
oznaczający istotność wszystkich parametrów. Modele dla których parametry są nieistotne
mimo wysokiego współczynnika R2 należy ocenić negatywnie. Taka sytuacja może być
spowodowana złożonością zjawiska.

Jeden z modeli (model dla województwa Podkarpackiego) został weryfikowany ze

względu na poprawność postaci liniowej, normalność reszt oraz homoskedastyczność.

TEST DOORNIKA – HANSENA NA NORMALNOŚĆ RESZT

Rozkład częstości dla residual, obserwacje 1-13
liczba przedziałów = 5, średnia = 1,70804e-017, odch.std. = 0,0238065
 Przedziały średnia liczba częstość skumulowana

< -0,041780 -0,055071 1 7,69% 7,69% **

-0,041780 - -0,015198 -0,028489 0 0,00% 7,69%
-0,015198 - 0,011384 -0,0019067 10 76,92% 84,62% ***************************
0,011384 - 0,037967 0,024676 1 7,69% 92,31% **
>= 0,037967 0,051258 1 7,69% 100,00% **

Hipoteza zerowa: dystrybuanta empiryczna posiada rozkład normalny.Test Doornika-Hansena

(1994) - transformowana skośność i kurtoza.:
Chi-kwadrat(2) = 16,537 z wartością p 0,00026

Ponieważ p <0,05 to hipotezę zerową o normalności rozkładu dystrybuanty

empirycznej należy odrzucić. Brak normalności nie powoduje utraty własności estymatora
MNK(liniowy, nieobciążony, zgodny, najefektywniejszy), natomiast będzie wiązał się z
pewnymi ograniczeniami w korzystaniu z modelu w przyszłości jak np. brak możliwości
wykorzystania testu F-Snedecora o istotności parametrów.

TEST RESET NA POSTAĆ LINIOWĄ

Pomocnicze równanie regresji dla testu specyfikacji RESET

Estymacja KMNK, wykorzystane obserwacje 2009-2021 (N = 13)
Zmienna zależna (Y): Podkarpackie

współczynnik błąd standardowy t-Studenta wartość p

---------------------------------------------------------------
const −4,12022 10,0419 −0,4103 0,6912
t −0,274266 0,619469 −0,4427 0,6684
yhat^2 69,3982 161,188 0,4305 0,6769
yhat^3 −58,9242 146,866 −0,4012 0,6976

Statystyka testu: F = 0,537397,

z wartością p = P(F(2,9) > 0,537397) = 0,602

Wartość p=0,602, co oznacza, że hipotezę zerową o poprawnej specyfikacji modelu

należy odrzucić. Natomiast podczas prób wybrania lepszej postaci modelu dla opisywanego
zjawiska progresywnie otrzymywano nieistotne parametry, lub niższą wartość składnika R^2.

TEST WHITE’A NA HOMOSKEDASTYCZNOŚĆ

Test White'a na heteroskedastyczność reszt (zmienność wariancji resztowej)

Estymacja KMNK, wykorzystane obserwacje 2009-2021 (N = 13)
Zmienna zależna (Y): uhat^2

współczynnik błąd standardowy t-Studenta wartość p

---------------------------------------------------------------
const 0,00206651 0,000946716 2,183 0,0540 *
t −0,000400006 0,000311014 −1,286 0,2274
sq_t 1,92555e-05 2,16170e-05 0,8908 0,3940

Wsp. determ. R-kwadrat = 0,290931

Statystyka testu: TR^2 = 3,782097,

z wartością p = P(Chi-kwadrat(2) > 3,782097) = 0,150913
 Ponieważ wartość p>0,05, to występuje brak podstaw do odrzucenia hipotezy zerowej.
Składnik losowy jest homoskedastyczny.

5.2. Modele ze średnią jako miernikiem

Modele utworzono dzięki wykorzystaniu okresu t jako zmiennej x, a średniejjako

zmiennej y. Modele różniły się od siebie postacią analityczną. Pośród 16 uzyskanych modeli
przeważają modele wielomianowe. Poniżej lista uzyskanych modeli:

Województwo Postać modelu R2 Istotność parametrów

y = -2E-06x6 + 0,0001x5 - 0,0028x4 +
0,646 Wszystkie parametry
Dolnośląskie 0,0296x3 - 0,1498x2 + 0,3072x +
5 nieistotne
0,2741

0,763 Wszystkie parametry

Kujawsko-pomorskie y = -0,016x - 0,0631
3 istotne

y = 1E-04x5 - 0,0037x4 + 0,0524x3 - 0,615 Wszystkie parametry

Lubelskie
0,3418x2 + 0,9497x - 0,615 3 istotne

y = -0,0003x3 + 0,0096x2 - 0,0885x + 0,933 Wszystkie parametry

Lubuskie
0,1006 3 istotne

y = 1E-04x5 - 0,0037x4 + 0,0524x3 - Wszystkie parametry

Łódzkie 0,666
0,3418x2 + 0,9497x - 0,615 nieistotne

Wszystkie parametry
Małopolskie y = 0,0265x - 0,3896 0,808
istotne

y = -0,0004x3 + 0,0035x2 + 0,0305x 0,924

Mazowieckie Istotny parametr b0
+ 0,6229 3

y = -4E-05x6 + 0,0017x5 - 0,0294x4 + Wszystkie parametry

Opolskie 0,906
0,254x3 - 1,1135x2 + 2,247x - 1,5627 istotne

0,845 Wszystkie parametry

Podkarpackie y = 0,0248x - 0,4805
3 istotne
 y = 1E-05x6 - 0,0003x5 + 0,0036x4 -
0,938
Podlaskie 0,0108x3 - 0,0383x2 + 0,223x - Istotny parametr b0
6
0,7156

y = 1E-05x6 - 0,0007x5 + 0,0132x4 -

0,547 Wszystkie parametry
Pomorskie 0,1306x3 + 0,6526x2 - 1,4824x +
7 nieistotne
1,279

y = -1E-05x6 + 0,0005x5 - 0,0088x4 +

0,907 Wszystkie parametry
Śląskie 0,0744x3 - 0,3327x2 + 0,7239x +
2 nieistotne
0,1646

y = 2E-05x6 - 0,001x5 + 0,0168x4 -

0,405 Wszystkie parametry
Świętokrzyskie 0,1406x3 + 0,5768x2 - 1,0037x -
8 nieistotne
0,1086

y = -2E-06x6 + 4E-05x5 + 0,0006x4 -

0,858 Wszystkie parametry
Warmińsko-mazurskie 0,0175x3 + 0,1427x2 - 0,4613x +
1 nieistotne
0,2956

y = 1E-05x6 - 0,0005x5 + 0,0098x4 -

0,526 Wszystkie parametry
Wielkopolskie 0,0971x3 + 0,4891x2 - 1,1157x +
7 nieistotne
0,9055

y = -0,0001x4 + 0,0035x3 - 0,0317x2 0,923

Zachodniopomorskie Istotny parametr b0
+ 0,0746x + 0,3174 5

Jak widać na tabeli większość modeli posiada współczynnik R 2 przekraczający 0,8.

Model z najgorszym dopasowaniem to model dla województwa świętokrzyskiego, dla którego
ta wartość to 0,4058. Niestety, większość modeli ma nieistotne parametry. Dla jednego z
modeli (woj. Podkarpackie) zostanie przeprowadzona dokładniejsza weryfikacja.

TEST DOORNIKA – HANSENA NA NORMALNOŚĆ RESZT

Rozkład częstości dla residual, obserwacje 1-13

liczba przedziałów = 5, średnia = 3,52282e-017, odch.std. = 0,0430998

Przedziały średnia liczba częstość skumulowana

< -0,092458 -0,11217 1 7,69% 7,69% **

-0,092458 - -0,053028 -0,072743 0 0,00% 7,69%
-0,053028 - -0,013598 -0,033313 2 15,38% 23,08% *****
-0,013598 - 0,025832 0,0061167 7 53,85% 76,92% *******************
>= 0,025832 0,045547 3 23,08% 100,00% ********

Hipoteza zerowa: dystrybuanta empiryczna posiada rozkład normalny.Test Doornika-Hansena

(1994) - transformowana skośność i kurtoza.:
Chi-kwadrat(2) = 7,026 z wartością p 0,02981
 Ponieważ p<0,05, należy odrzucić hipotezę zerową o normalności rozkładu reszt dla
badanego modelu.

TEST RESET

Pomocnicze równanie regresji dla testu specyfikacji RESET

Estymacja KMNK, wykorzystane obserwacje 2009-2021 (N = 13)
Zmienna zależna (Y): Podkarpackie

współczynnik błąd standardowy t-Studenta wartość p

---------------------------------------------------------------
const −0,138710 2,16411 −0,06410 0,9503
t 0,00637205 0,138037 0,04616 0,9642
yhat^2 −4,49359 18,9397 −0,2373 0,8178
yhat^3 −6,76284 20,4795 −0,3302 0,7488

Statystyka testu: F = 0,625032,

z wartością p = P(F(2,9) > 0,625032) = 0,557

Wartość p=0,557, co oznacza, że hipotezę zerową o poprawnej specyfikacji modelu

należy odrzucić. Podczas prób wybrania lepszej postaci modelu dla opisywanego zjawiska
progresywnie otrzymywano nieistotne parametry, lub niższą wartość składnika R^2.

TEST WHITE’A NA HOMOSKEDASTYCZNOŚĆ

Test White'a na heteroskedastyczność reszt (zmienność wariancji resztowej)

Estymacja KMNK, wykorzystane obserwacje 2009-2021 (N = 13)
Zmienna zależna (Y): uhat^2

współczynnik błąd standardowy t-Studenta wartość p

---------------------------------------------------------------
const 0,00598562 0,00327527 1,828 0,0976 *
t −0,00117930 0,00107599 −1,096 0,2988
sq_t 6,09723e-05 7,47864e-05 0,8153 0,4339

Wsp. determ. R-kwadrat = 0,192816

Statystyka testu: TR^2 = 2,506614,

z wartością p = P(Chi-kwadrat(2) > 2,506614) = 0,285559

Ponieważ wartość p>0,05, to występuje brak podstaw do odrzucenia hipotezy zerowej.

Składnik losowy jest homoskedastyczny.
6. Prognoza punktowa na następny okres

Do wyznaczenia prognoz punktowych posłużono się modelami. Prognozowany okres to

rok 2022.

6.1. Ranking z wykorzystaniem modeli stworzonych za pomocą miernika BZW:

Ranking dla BZW: BZW Pozycja:

Mazowieckie 0,696928 1
Dolnośląskie 0,509601 2
Śląskie 0,506652 3
Małopolskie 0,471005 4
Łódzkie 0,470817 5
Pomorskie 0,453253 6
Podlaskie 0,451484 7
Podkarpackie 0,439643 8
Wielkopolskie 0,416843 9
Świętokrzyskie 0,381505 10
Zachodniopomorskie 0,379575 11
Lubelskie 0,346411 12
Lubuskie 0,300596 13
Kujawsko-pomorskie 0,285304 14
Warmińsko-mazurskie 0,226444 15
Opolskie 0,216666 16

Jak widać zgodnie z prognozą na pierwszym miejscu pozostaje województwo

Mazowieckie, a za nim plasują się województwa Dolnośląskie i Śląskie. Widzimy awans
województwa Dolnośląskiego na drugie miejsce w stosunku do 2022 roku. Jeżeli chodzi o
województwo Lubelskie to możemy zauważyć awans tego województwa na 12 pozycje. To
dobry wynik rozważając, że wcześniej oscylowało wokół ostatniej trójki. Widzimy też
znaczny spadek pozycji województwa Kujawsko-Pomorskiego i Opolskiego.

6.2. Ranking z wykorzystaniem modeli stworzonych za pomocą średniej jako miernika:

Ranking dla średniej: średnia Pozycja:

Mazowieckie 0,694728 1
Dolnośląskie 0,402543 2
Śląskie 0,385041 3
Łódzkie 0,292118 4
Pomorskie 0,205339 5
Podlaskie 0,203653 6
Wielkopolskie 0,075543 7
Zachodniopomorskie 0,061524 8
Małopolskie -0,01855 9
Świętokrzyskie -0,06098 10
 Lubelskie -0,10459 11
Podkarpackie -0,13376 12
Lubuskie -0,2041 13
Kujawsko-pomorskie -0,28702 14
Warmińsko-mazurskie -0,61107 15
Opolskie -0,66216 16

Na pierwszych trzech miejscach tak samo jak dla miernika BZW pozostały
województwa Mazowieckie, Dolnośląskie i Śląskie. Województwo Lubelskie awansowało na
pozycje 11. Widzimy znaczny spadek pozycji województwa Opolskiego i Kujawsko –
Pomorskiego. Województwo Warmińsko – Mazurskie nadal w ostatniej trójce.