Olvasási idő:
24 percAuthor
Author
Author
A tanuló városok és régiók területi megjelenése és társadalmi-gazdasági mutatókkal való kapcsolata Magyarországon
Az OTKA (K-101867) által támogatott Tanuló régiók Magyarországon: Az elmélettől a valóságig című kutatás (kutatásvezető: Kozma Tamás) keretei között egy kutatócsoport részeként kerestük a Magyarország területén fellelhető „tanuló régiókat” (Kozma et al. 2015). Hipotéziseink a következők voltak:
- A tanulás különböző formáihoz való viszonyt, annak települési szintű különbségeit, egy komplex (20 mérőszámot tartalmazó) mutató segítségével meg lehet jeleníteni.
- Az értékek települési szinten történő térképi ábrázolásával területi különbségeket lehet feltárni. Amennyiben egymás közelében lévő települések, településcsoportok a tanuláshoz egyedien jól (az országos értékeknél jobban) viszonyulnak, azok a magyarországi „tanuló régiók” nyomait jelenthetik.
A „tanulásról szóló mutatók” kialakításakor felhasználtuk a nemzetközi kutatási előzményeket. A Jacques Delors (1996) gondolatait továbbvivő pillérszerkezettel megjelenített CLI,[1]illetve a belőle kifejlesztett ELLI,[2]valamint a DLA[3] indikátorainak, mutatóinak ismeretében választottuk ki az általunk LeaRn Indexnek (LI) nevezett hazai komplex mutató mérőszámait.
A kutatás eredményét monográfiában publikáltuk (Kozma et al. 2015). Jelen tanulmányban az index területi, településhálózati jellemzőinek bemutatása mellett más, szintén regionális sajátosságokkal bíró mutatókkal való összefüggését keressük.
A magyarországi tanuló régiók térképi megjelenése
A Magyarországra vonatkozó, településsoros adatokra támaszkodó statisztikai adatfeldolgozásunk, indexalkotási kísérletünk célja a magyar települések tanuláshoz való viszonyának megjelenítése volt. Kerestük azokat a településeket, településegyütteseket, régiókat, ahol az országos átlagoktól eltérően jobbak (vagy rosszabbak) a szélesen értelmezett (formális, non-formális, kulturális és közösségi) tanulás eredményei (pl.: iskolázottság) és lehetőségei (pl.: intézményhálózat, elérhetőség).
Szakértői véleményekre (Kozma et al. 2015; Juhász E. 2015; Engler et al. 2013; Benke M. 2013; Forray R. K. & Kozma T. 2014; Márkus E. & Miklósi M. 2012; Teperics K., Czimre K. & Márton S. 2014) támaszkodva kiválasztottunk 20 mérőszámot, amelyek (megítélésünk szerint) alkalmasak a jelenség leírására (1. táblázat).
1. táblázat:
A LeaRrn indexet alkotó pillérek és mérőszámok
A mérőszámok választásának fontos összetevője volt a települési szintű bontás, ami céljaink szerint a területi összefüggések szempontjából megkerülhetetlen. Statisztikai módszerekkel ezeket egy indexbe rendeztük és a kapott értékeket térképeken jelenítettük meg (1. ábra).
1. ábra:
Az LI komplex indexe
Forrás: Kozma et al. 2015
A térkép kategóriáit a „természetes törések” elvén választottuk ki, amely alkalmas a komplex indexen belüli különbségek megjelenítésére anélkül, hogy a kategóriahatárok önálló kiválasztásával szubjektív hatást gyakorolnánk a vizuális megjelenésre.
A magas indexérték területi mintázatából egyértelműen kiemelkedik Budapest. Minden klaszterezési kísérletünkben önmagában alkot egy kategóriát, illetve minden részindex vonatkozásában a legjobb értékek kötődnek hozzá. Amennyiben a mérőszámok szintjéig megyünk a vizsgálatban, ott már természetesen vannak gyengébb értékek. Az első pillérben a „nem analfabéták aránya” „csak” a második legjobb érték-kategória köthető a fővároshoz, minden másban magasan első. Természetes, hogy ilyen helyzetek előfordulnak még az intézményrendszerekre (kisebbségi önkormányzatok, nonprofit szervezetek, felnőttképző-intézmények, helyi médiumok) vonatkozó lakosságarányos mérőszámoknál. Látványosabban alacsony értékek a vallási aktivitáshoz kapcsolódnak, itt a Tiszántúlhoz hasonlóan a legrosszabb kategóriába került a főváros.
Egybefüggő, jó mutatókkal rendelkező zóna alakult a főváros körül. Az agglomeráció kis települései mellett ez két sávban is 150 kilométer körüli távolságot ér el. Az északi sáv Győr-Mosonmagyaróvár irányú, a déli Székesfehérvár-(Veszprém)-Balaton-part térségét érinti. Mindkettő esetében igaz, hogy az egyes pillér minden mutatójában a legjobbak között vannak. Leginkább a diplomások jelenlétében mozaikos a kép, de az elérhetőségi mutatók ezeken a területeken egyértelműen jók. A felnőttképzési intézmények és az akkreditált programokkal jellemzően gyenge mutatókkal bírnak, de az abbéli részvételük és általában a kulturális aktivitásuk már átlag feletti. Egyértelműen a legjobbak közé tartoznak a vándorlási dinamika és a politikai aktivitás vonatkozásában. Budapesthez hasonlóan gyengék viszont a vallási aktivitás mérőszámánál.
A területi egybetartozás mellett csoportok különíthetőek el ebben a régióban.
- Az agglomeráció települései a fővárossal szimbiózisban élve, sok vonatkozásban jobban teljesíthetnek, mint a nagyváros. Az urbanizáció folyamatában az agglomerációba történő vándorlás (akár a Budapestről kiáramlás is) erősebb, mint a fővárosba történő mozgás.
- A versenyképes gazdasággal rendelkező, jó közlekedésföldrajzi helyzetben lévő észak-dunántúli városok (Székesfehérvár, Tatabánya, Veszprém, Győr) és környezetük szintén jól használják előnyös helyzetüket.
- Külön kiemelendő ebből a Balaton két partjának települései. Nem túl jó elérhetőségi mutatók mellett migrációs célterület, elöregedő népesség, magas iskolázottság, komoly politikai aktivitás és intenzív kulturális tevékenység jellemzi még a kistelepüléseket is (magyar „napfény övezet”). Árnyalható a kép azzal, hogy a déli part mutatói valamivel jobbak, mint az „elegánsabbnak” tartott északi part települései.
A jó adottságok mozaikosan jelennek meg nagyvárosaink környezetében. Miskolc–Eger, Debrecen–Nyíregyháza várospárok, Szeged, Pécs, Szombathely és Kecskemét környéke önmagában egy-egy kisebb kiterjedésű „régió” központja. Ezek mindenben hozzák az átlagnál jobb értékeiket, kivéve a vallási aktivitás Tiszántúlra és Pécsre jellemző alacsony mutatóit. Ebben a tekintetben Kaposvár és környéke lóg ki a sorból gyengébb értékeivel. Pozitív végletként a Szolnoktól Jászberény irányába húzódó sáv, valamint a Közép-Békési városegyüttes említhető, amelyek esetében a „vártnál” erősebb hatás mutatható ki.
A gyenge adottságú területek más vonatkozásban is ismert perifériákat jelentenek. A külső (határ menti) perifériák közül szépen kirajzolódik Északkelet-, Kelet- és Délnyugat-Magyarország határ menti elmaradott sávja. A határ és határ közötti különbséget világítja meg, hogy ugyanekkor Nyugat- és Északnyugat-Magyarország (osztrák és szlovák határ) pedig jó mutatóival emelkedik ki. Belső perifériák közül a Bakonyalja, Marcal-medence térsége, Külső és Belső-Somogy, valamint a Közép-Tiszavidék jelenik meg kontúrosan. Mindhárom terület feltűnt az első és második pillérben negatív értékeivel.
A Bakonyalja, Marcal-medence értékei a harmadik és a negyedik pillér esetében jobbak, a többié itt is a leggyengébbek közé tartozik. Mérőszámok vonatkozásában is van hasonló különbség. Az iskolázottság esetében az általános iskola befejezéséig nincs komoly hátránya a Marcal-medence térségének (a többi belső perifériának igen), utána viszont itt is érezhető a lemaradás. Egyöntetűen rosszak az elérhetőségi viszonyok és az intézményhálózat sűrűségére és a politikai aktivitásra vonatkozó mutatók mindhárom zónában. A vallási aktivitás és az internet előfizetések terén a Bakonyalja ismét jobb viszonyokkal bír.
Klaszteranalízissel és szomszédsági vizsgálattal próbáltuk a területi kapcsolatokat pontosítani. Mindkét esetben érzékelhetők a homogén területek (régiók).
A hatelemű klaszteranalízis alapján készített térkép határozottan adja vissza az előzőekben kibontott területi jellemzőket. A hat klaszter érdemben öt, ugyanis Budapest kiemelkedve a városok közül önmagában egy klasztert alkot. Területi autokorrelációs vizsgálatot is végeztünk az LI adataival. A Luc Anselin (1995) által kifejlesztett LocalMoran-féle autokorrelációs együtthatót választottuk eszközül. Előnye, hogy nemcsak számokkal, hanem térképi megjelenítéssel is megmutatja a különbségeket és hasonlóságokat, így jól használható térbeli összefüggések kimutatására és az összetartozó településcsoportok lehatárolására. Az eredmény szintén megerősítette a területi összefüggésekre vonatkozó elemzésünket (Kozma és mtsai., 2015)
Egyértelmű konklúziónak tűnik, hogy a tanuló régió lehetőségei a városok (leginkább Budapest és a nagyvárosok) környékén adottak. A város és közvetlen környezetének együttese bír olyan adottságokkal, amelyek a tanuló régió kialakulásának feltételeit megadja. A kettőt (tanuló város, tanuló régió) eszerint nem lehet elválasztani egymástól. Ebben az esetben is érvényes a regionális kutatásokban megfigyelt jelenség, miszerint „nincs régió központ nélkül”.
Hasonlításra felhasznált társadalmi-gazdasági mérőszámok, komplex indexek
A nemzetközi gyakorlathoz (CLI, ELLI) hasonlóan elvégeztük az index összevetését néhány (települési szintű bontásban is elérhető és releváns társadalmi-gazdasági mérőszámmal, komplex mutatóval. Több olyan mérőszámmal is futtattunk korrelációs vizsgálatot (munkanélküliségi ráta, foglalkoztatottság, öregedési index, egy lakosra jutó személyi jövedelemadó /SZJA/ összege), amelyek nem kerültek be a tanulmányba.
Hasonló eredmények okán a mérőszámok közül a gazdasági viszonyok bemutatására az egy lakosra jutó személyi jövedelemadó egy lakosra vetített értékéthasználtuk fel, a 2011-es Népszámlálásból származó településszintű adattal.
A komplex mutatók közül a deprivációs index és a magyar viszonyokra alkalmazott objektív jól-léti mutató került be az összevetésbe. A deprivációs index több dimenziója és a hozzájuk kapcsolódó mérőszámok a hátrányos helyzet bemutatására alkalmasak. A brit tudósok által kifejlesztett mutató (IMD) hazai adaptációját az MTA Közgazdaság- és Regionális Tudományi Kutatóközpont Regionális Kutatások Intézetének (MTA KRTK RKI) munkatársai (Kovács K., 2010; Koós B., 2014) végezték el. Az általuk kiválasztott dimenziókat és felhasznált mérőszámokat tartalmazza a táblázat (2. táblázat).
2. táblázat:
A deprivációs index összetevői
Forrás: Kovács K 2010 nyomán
Az index területi jellemzői szépen megmutatják Magyarország regionális különbségeit és párhuzamosíthatók a LI tulajdonságaival.
A regionális tudomány képviselői által legszélesebb alapokon nyugvó indikátornak tekintett objektív jól-léti mutató a szűken vett gazdasági mutatókon alapú fejlettség-vizsgálatok kritikájaként (alternatívájaként) született meg (2. táblázat). A hazai adaptációt itt is a MTA KRTK RKI munkatársai végezték el, akik 10 dimenzióban 30 mérőszámmal dolgoztak. A LeaRn Indextől eltérően ebben súlyoztak a kutatók. Súlyt kapott a jövedelmi és a foglalkoztatási dimenzió (1,45), az egészségi, a lakás és a képzettségi dimenzió (1,05), valamint a kockázat, a demokratikus részvétel, a természeti környezet, a közszolgáltatások elérhetősége és demográfiai fenntarthatósága (0,79). A mutató érdekessége, hogy az iskolázottság (Oktatási blokk), a választásokon való részvétel (Demokratikus részvétel blokk) és a szolgáltatások elérhetősége (csak a hazai adaptációban jelent meg) kapcsán van átfedése a LeaRn Index alkotórészeivel is.
3. táblázat:
Az adaptált hazai jól-lét modell
Forrás: Nagy G. & Koós B. 2014 nyomán
Az index összetettségéből, sokszínűségéből következik, hogy árnyaltan adja vissza a területi eltéréseket is (2. ábra).
2. ábra:
Az objektív jól-léti mutató települési jellemzői Magyarországon (2011)
Forrás: Nagy G. & Koós B. 2014 adatai alapján
Budapest és az agglomerációja, a Dunántúl északi része tömbben, a nagyvárosaink és környékük mozaikosan jelennek meg pozitív értékekkel a térképen. Ugyanakkor a Dél-Dunántúl, Északkelet-Magyarország és a Dél-Alföld településeinek mutatói a leggyengébbek között vannak.
A társadalmi-gazdasági mutatók és a LeaRn Index
A kiválasztott mutatók és a LI kapcsolatának bemutatását scutter-plot diagramok segítségével szemléltettük. A hasonlításra használt mérőszám/komplex mutatók és a LI közötti szorosabb kapcsolatot a településeket jelző pontok sűrűsödése és szabályos elhelyezkedése jelzi. Gyengébb kapcsolatra utal a szabálytalan szórtabb elhelyezkedés. Általában megállapítható, hogy az LI szorosan együttmozog a gazdasági fejlettséget visszaadó mutatókkal (illetve természetesen az inverzükkel, ha a mérőszám negatív tulajdonságokat ad vissza). Ez az együttjárás a leghatározottabban az objektív jól-léti mutatóval ismerhető fel (3. ábra).
3. ábra:
A LeaRn Index kapcsolata a hasonlításul használt mutatókkal
Forrás: Kozma et al. 2015
A munkanélküliségi ráta esetében a fordított irányú kapcsolat eredményezi a többitől eltérő képet.
Területi egybeesések
A statisztikai kapcsolatok mellett területi egybeeséseket is vizsgáltunk. Egyszerű rangsorolás (rangsor-átlagolás) módszerével kerestünk hasonló tulajdonsággal bíró településeket. A LeaRn Index és a hasonlításra kiválasztott mutató esetében is öt egyforma terjedelmű (közel egyenlő településszámú) részre osztottuk Magyarország településeit. Az „ötödölés” eredményeit (az egyes társadalmi-gazdasági mérőszámok/indexek esetében az első, második, harmadik, negyedik és ötödik ötödbe tartozást) vetettük össze a LeaRn Index egyező rangú kategóriáival. A települések azon csoportja, amelyek mind az LI, mind a hasonlításra használt mutató/index vonatkozásában a legjobb ötödbe tartoztak, természetesen a legjobb helyzetben lévőket jelentik. Ezeket a tematikus térképen „Mindkettőben legjobb”kategóriával jelöltük. Ha „csak” a két összevetett tényező egyikében voltak legjobbak, a másik mutatónál eggyel alacsonyabban szerepeltek, akkor a „Legjobb – jó” kategóriába kerültek. Ezek a települések vagy a LeaRn Index, vagy a hasonlításul használt mérőszám/index vonatkozásában voltak a legjobbak között, a másik (esetünkben nem eldöntött, hogy melyik a kettő közül) rangsorában a „majdnem legjobb” értéket kapták. Hasonló logikával a „Mindkettőben legrosszabb” a mindkettőben utolsó, illetve a „Legrosszabb – kicsit jobb” pedig az egyikben legrosszabb, a másikban „majdnem” a legrosszabb kategóriát adja vissza (4. ábra).
4. ábra:
Társadalmi-gazdasági mérőszámok, komplex indexek és a LeaRn Index együttjárása
Forrás: Kozma et. al.,2015
Megfigyelhető, hogy az egymáshoz közeli értékek (legjobb, legrosszabb kategóriákban történő megjelenés) előfordulása magas. Mindhárom összevetésben 300 feletti a legjobb sávban lévő települések száma, 400–630 közötti a „legjobb-jó” kombináció. Alacsonyabb (300 alatti) a legrosszabb egybeesés. Általában a jobb irányban nyomozható nagyobb számú párhuzam.
Területi vonatkozásban az objektív jól-léti mutatóval legerősebb az egybeesés. 652 településnél teljes, 966-nál közeli az egybeesés. Összességében a települések több, mint fele beletartozik az azonos, vagy nagyon hasonlónak tekinthető kategóriába. Területi tekintetben ezek lényegében egybeesnek a LeaRn Index vonatkozásban is előnyös, illetve hátrányos településekkel.
Az egyes pillérek (dimenziók) kapcsolata a hasonlításra használt mutatókkal
A komplex index (LI) összetevőinek vizsgálata során kiderült, hogy az első pillér (a „formális tanulás”) meghatározó súllyal bír. Ezt a hasonlításul használt mutató és mérőszámok mindegyikénél tapasztaltuk, az első pillér minden gazdasági-társadalmi mutatóval a többinél erőteljesebben korrelál. Abból adódóan, hogy a komplex indexben (LI) is dominánsnak tekinthető a súlya, nem meglepő az első pillér szoros kapcsolata a vizsgált mérőszámokkal és indexekkel. A szemléltetésre felhasznált scutter-plot-tok bizonyítják, hogy erősen hasonlít a komplex index párhuzamaira (5. ábra).
5. ábra:
Az I. pillér kapcsolata a hasonlításul használt mutatókkal
Forrás: Kozma et al. 2015
Érdekes a negyedik pillér a társadalmi-gazdasági adatokkal történő összevetésekben (6. ábra). A többitől eltérően itt nem található semmi statisztikai kapcsolat a kiválasztott társadalmi-gazdasági mutatókkal, komplex indexekkel. Nem következik a magasabb egy lakosra jutó személyi jövedelemadóból a magasabb szintű közösségi tanulás/aktivitás, de fordítva sem áll az összefüggés, tehát a szegénységből sem vezethető le az inaktivitás.
6. ábra:
A IV. pillér kapcsolata a hasonlításul használt mutatókkal
Forrás: Kozma et al. 2015
A közhelyes vélekedéssel ellentétben tehát nem anyagiak kérdése a társadalmi aktivitás.
Települések típusonkénti vizsgálat az LI alapján
Az LI területi jellemzőinek megismerése után világossá vált, hogy a településhálózatban játszott szerep, vagy a település típus szerinti statisztikai vizsgálata önmagában nem lehet eredményes, ezért a hasonlításként felhasznált mérőszám (SZJA értéke) és indexek (objektív jól-léti mutató és a deprivációs index), valamint az LI együttjárása alapján folytattuk a vizsgálatot. A három index jó értékei és a magas egy főre jutó SZJA segítségével tulajdonképpen a regionális különbségekre világítottunk rá. Bemutathattuk azokat a területeket (régiókat, városokat), amelyek kiemelkednek az országos átlagból, ahol minden vonatkozásban jók a körülmények, egybecsengően adottak a feltételek a fejlődésre. Esetükben már információkat adhat a településtípus, illetve a településhierarchia szerinti elemzés.
A jó gazdasági helyzet és a jó komplex mutatók területi együttjárását térképen jelenítettük meg (7. ábra). Kigyűjtöttük minden elem vonatkozásában a legjobb és a legrosszabb (két-két) kategóriába tartozó településeket és ezeket vizsgáltuk (3. táblázat).
3. táblázat:
A vizsgált mutatók rangsorátlag alapján képzett csoportjai
Forrás: Nagy G. & Koós B. 2014; Kovács K. 2010; Kozma T. et al. 2015. adatai alapján
A városok érzékelhetően jól szerepelnek a LeaRn Indexben, de a környezetükben lévő kistelepülések (agglomerálódó települések) értékei is jók, emiatt nem a településhierarchiában betöltött szerep, hanem a „jó fekvés”, a „jó földrajzi elhelyezkedés” befolyásolja elsődlegesen a tanuláshoz való viszonyt is.
Az egyöntetűen jó helyzetben (minden mutatóval a legjobbak közé tartozó) lévő települések között (előzetes elképzeléseinknek megfelelően) magas a jó infrastruktúrával rendelkező városok aránya. A városok mellett szinte kizárólag (egy-két kivétellel) a községi státuszon lévő települések közül azok kerültek a legjobbak közé, amelyek várossal szomszédosak.
7. ábra:
A vizsgált mutatók rangsorátlag alapján képzett csoportjai
Forrás: Nagy G. & Koós B. 2014; Kovács K. 2010; Kozma T. et al. 2015 adatai alapján
A leggyengébb kategóriába csak községek kerültek. A vártnál nagyobb számban a Dél-Dunántúl térségéből, szórtan a határ menti elhelyezkedésű (külső) és a Közép-Tiszavidék (belső) perifériájából. Ezeknél lényegesen jobb, de még mindig gyenge értékkel (a városok közül) Cigánd rendelkezik a legrosszabb mutatókkal, esetében egyedül az LI tartozik a középmezőnyhöz.
Vizsgáltuk még azt a helyzetet, ahol az LI rangsorértéke magasabb, mint a másik három elemé külön-külön. Ezzel azt a helyzetet kerestük, ahol a tanuláshoz való viszony jobb, mint az egyéb tényezők alapján feltételezhető lenne (8. ábra).
Itt már csak községek, valamint kis- és középvárosok maradnak. A megyeszékhelyek, regionális központok és legközvetlenebb perifériáik kimaradnak (esetükben a többi mutató értékei is magas). Feltűnő a perifériális elhelyezkedésű települések magas száma a térképen. Ezeken a településeken a közepes LI rangsor is jobb, mint a jövedelemhelyzet, vagy az objektív jól-léti index értéke.
8. ábra:
A LeaRn Index rangsor értéke meghaladja a hasonlításra használt (SZJA értéke, objektív jól-léti mutató, deprivációs index) mutatók rangsorát
Forrás: Nagy G. & Koós B. 2014; Kovács K. 2010; Kozma T. 2015 adatai alapján
Az LI rangsorértéke általában nagyobb, mint a többi hasonlításul használt mutatóé. A minden más mutatónál magasabb érték 730 településre igaz. Emellett, sok az olyan település, ahol minden összehasonlított érték a legjobb (257 település) és sok az olyan is, ahol legalább egyik mutató az LI-hez hasonlóan a legjobb ötödbe tartozik (241 település).
A maradék települések (1926) között pedig már magasabb a rang valamelyik hasonlításra használt mutató esetében. Lényegesen kevesebb az olyan helyzet (még összességében is), amikor a hasonlításra használt mutatók valamelyike nagyobb az összes többinél (SZJA/fő: 216 település; deprivációs index: 199 település; objektív jól-léti mutató: 221 település). Ritka helyzet (72 település) az is, amikor minden más mutató ötös rangú, de az LI csak négyes.
Általában igaz tehát, hogy az LI alapján jobban szerepelnek a települések ezekben a rangsorokban és a párhuzamos minőség a legjobb és a legrosszabb kategóriákban tűnik fel (4. táblázat).
4. táblázat:
A rangsorértékek egybeesése
Forrás: Nagy G. & Koós B. 2014; Kovács K. 2010, Kozma T. et al. 2015 adatai alapján
Összegzés
Az LI vizuális vizsgálata alapján kitűnik, hogy a nagyobb, egybefüggő foltokkal jellemezhető (meglátásunk szerint tanuló régiónak tekinthető) jó adottságú területek jellemzően nagyvárosok köré csomósodnak. Ezzel együtt nem mondhatjuk, hogy a nagyvárosokra (legyen ennek a kitételnek bármi a tartalma) jellemző csupán a komplex index magas értéke. Közelebb visz bennünket a valósághoz, ha a nagyvárosokat és agglomerálódó környezetüket együtt tekintjük ilyennek. A településhierarchiában megyeszékhely szintjén álló települések mindegyike körül megfigyelhető a jobb értékek megjelenése és így a városkörnyék kis települései is részesei a „régiónak”. A szuburbanizáció jelenségének ismeretében nem meglepő ez a Budapest és a nagyvárosaink körüli környéki kistelepülések esetében sem.
A LI illeszkedik az ismert regionális különbségek sorába. Szoros együttjárást tapasztaltunk a hasonlításra felhasznált mérőszámmal és mutatókkal. Mind a gazdasági helyzet érzékeltetésére használt egy főre jutó személyi jövedelemadó értékével, mind települési szintű bontásban is elérhető és releváns társadalmi-gazdasági komplex mutatókkal hasonló területi képet kaptunk az LI esetében is. Ennek hátterében az LI értékeire is (formális tanulás kapcsán) komoly hatást gyakorló oktatási infrastruktúrát, annak elérhetőségét sejtjük. A regionális különbségeket is figyelembe véve, tovább bontva a jelenséget csak megerősödött a városok, városkörnyékek kitüntetett szerepére vonatkozó elképzelésünk. A tanulás vonatkozásában is a nagyvárosok és környékük (régiójuk) bírnak jobb adottságokkal. Eszerint a tanuló régió és a tanuló város elnevezés nevezéktani különbségtétel csupán, érdemi földrajzi különbséget nem jelent
Megfigyelhető, hogy az LI értéke a legjobb és a legrosszabb helyzetben lévő települések esetében mutatja a legerősebb párhuzamot a hasonításra felhasznált mutatókkal. Érdekes jellemzője, hogy a perifériák esetében jellemzően jobb értékek kapcsolódnak hozzá, mint a többi mutató. Ez akár kitörési pont is lehet néhol.
Megjegyzés
A tanulmány alapját azok a vizsgálatok képezték, amelyeket a LeaRn-kutatás keretében végeztünk (Tanuló régiók Magyarországon: az elmélettől a valóságig). A LeaRn kutatást az OTKA támogatta (K-101867; kutatásvezető: Kozma Tamás).
