Forrás: saját szerkesztés MÁK (2020a) alapján
Korrelációanalízissel, Pearson-féle lineáris korrelációs együttható számításával való-sult meg annak az ellenőrzése, hogy az egyes változók közti korreláció nem szignifikáns (7.1. melléklet). Majd ezekhez a változókhoz távolságmértéknek kiválasztásra került a tá-volságnak az európai elemzéshez is használt mérőszáma, a négyzetes euklideszi távolság.
Mivel az elemzésbe vont változók különböző mértékegységűek, a mértékegység befolyá-soló hatását az elemzés előtt standardizálással szükséges volt kiküszöbölni, hogy ezáltal is növekedjen a jobb besorolás esélye.
A klaszteranalízis első fázisában Ward-féle eljárással folyt le a megyék klaszterekbe sorolása. Az agglomerációs eljárásról készült dendrogram (7.2. melléklet) segítségével meghatározhatóvá vált, hogy négy klasztert szükséges kialakítani. A kapott eredmény el-lenőrzéseképp a Ward-eljárással készülő klaszteranalízis egy másik távolságmértékkel is megtörtént, a Csebisev-távolsággal, amelynek alkalmazása ugyanerre az eredményre jutott (7.3. melléklet), miszerint négy klasztert ajánlatos elkülöníteni.
Ezt követően a végleges csoportképzés a nem hierarchikus módszerrel, a k-központú klaszterképzéssel valósult meg. Az elemzés eredményeképp (7.4. melléklet) létrejött klasz-terek középpontjai mind a három klaszterképző változó mentén szignifikánsan különböz-nek, amit az F-statisztikák szignifikanciája bizonyít (ρ ≤ 0,01).
A klaszterek a klaszterközéppontok alapján, illetve a klaszterképző változók klaszte-renkénti átlagainak különbségei alapján jellemezhetők (8. táblázat). A turisztikailag leg-meghatározóbb 6 elem került az első csoportba, Budapest, valamint Heves, Somogy, Vas, Veszprém és Zala megye, amelyek vendégéjszakák szempontjából jóval meghaladják az átlagos vendégéjszaka-számot, holott az alkalmazott adómértékek átlagosan nem magasak.
A helyi adóbevételek GDP-hez viszonyított nagysága ugyanakkor átlagosnak mondható.
8. táblázat: Magyar megyéknek a klaszteranalízis eredményeként létrejött csoportjai 1. klaszter 2. klaszter 3. klaszter 4. klaszter
A második csoportot azok az elemek alkotják, ahol ugyan magas idegenforgalmi adó-mértékekkel működik az adóztatás, a helyi adóbevételek GDP-arányos nagysága azonban az iparűzési adóra koncentráltságot tükrözi. Ide tartozik Csongrád, Fejér, Komárom-Esz-tergom, Pest és Tolna megye is. Érdekes, hogy a harmadik legtöbb helyi adóbevételt reali-záló elem, Győr-Moson-Sopron megye nem ebbe a csoportba került, ami annak köszönhető, hogy a megyei GDP-hez mérten a helyi adóbevételek nagysága már messze nem az élvo-nalba juttatja a megyét. A harmadik csoportba 6 megye sorolódott, melyeknél a kivetett idegenforgalmi adómértékek megyei átlagos értéke viszonylag magas, azonban a vendégéj-szakák száma nem számottevő. Ezekben a megyékben (Bács-Kiskun, Baranya, Békés, Győr-Moson-Sopron, Hajdú-Bihar és Jász-Nagykun-Szolnok megye) összességében a helyi önkormányzati idegenforgalmi adóbevétel nem hangsúlyos. A negyedik csoportba a turisz-tikailag közömbös 3 megye, Borsod-Abaúj-Zemplén, Nógrád és Szabolcs-Szatmár-Bereg megye került, melyek mindhárom változó mentén jóval átlag alatt teljesítenek.
A klaszterelemzéssel kialakított csoportok jósága és az analízis megbízhatósága ezt követően a nem hierarchikus, k-közepű klasztereljárás újbóli, az elemek sorrendjének meg-változtatásával történő lefolytatásaival került ellenőrzésre. Az elemek sorbarendezéséhez a megyék esetében több külső változó került kiválasztásra, mivel az európai elemzés esetében használt mintánál is kisebb minta került felhasználásra a megyék esetében, mindössze 20 elemmel, a nem hierarchikus klaszterezés pedig minél kisebb a minta, annál érzékenyebb az elemek sorrendjére. Három olyan változó került kiválasztásra, amelyek nem mutatnak egyik klaszterképző változóval sem szoros összefüggést. Ez Pearson-féle korrelációs együttható számításával került ellenőrzésre (7.5. melléklet). A megyék GDP-jének, lakos-ságszámának és önkormányzatai számának növekvő sorrendjében lettek az elemek újraren-dezve. A k-közepű klaszteranalízis újbóli lefolytatásai során a megyék klaszterbesorolása közt alig tapasztalható eltérés (7.6. melléklet). Mindössze két megye sorolódott át két ana-lízis során másik klaszterbe: az egyik Vas megye, ami az iparűzési adóra koncentrált me-gyékhez közelít, a másik pedig Heves megye, ami két klaszterezés eredményeként is azon megyék közé került, amelyeknél az idegenforgalmi adó nem annyira hangsúlyos, mint azt az eredeti klaszterezés Heves megye esetében mutatta. A klaszterekbe sorolás alakulása mellett a klaszterközéppontok alapján is szükséges ellenőrizni az eredeti klaszterezés ered-ményét. A klaszterezések során a négy klaszter közül három középpontjaiban kismértékű változás történt Vas és Heves megye átsorolásának következtében (7.7. melléklet). A klasz-terek elemszámának és a klaszterközéppontok értékeinek alacsony mértékű változása ösz-szességében alátámasztja az eredeti klaszterezés során kapott eredmények jóságát.
4.2.3. Idegenforgalmi adóztatás településszintű elemzése
Az európai és megyei elemzést továbbgondolva a településekre vonatkozóan az előzőeknek megfelelő változók mentén újabb klaszteranalízis lenne indokolt. A változók a helyi önkor-mányzati szintre kalkulált egy lakosra jutó vendégéjszakák száma, a bevezetett vendégéj-szakánkénti idegenforgalmi adómérték és (települési GDP értékének hiányában) az egy la-kosra jutó helyi adóbevételek nagysága lenne. Azonban a három változó között szignifikáns (ρ < 0,01) korreláció mutatható ki (8. melléklet), így a klaszterelemzés ezen változók men-tén nem prezentálna hiteles eredményeket.
A 3178 magyar települési önkormányzat közül 844 vetette ki az idegenforgalmi adót, vagyis az alkalmazott adómértékük nem nulla. A települések rangsorolásához a vizsgálati mintába azonban csak az a 756 önkormányzat került be, ahol egyrészt alkalmaztak 2018-ban idegenforgalmi adómértéket, másodsor2018-ban idegenforgalmi adóbevétel is keletkezett, harmadrészt pedig vendégéjszaka is realizálódott.63 Az elemzéshez kiválasztottam azokat a változókat, amelyek az idegenforgalmi teljesítmény és az idegenforgalmi adóztatási haté-konyság, összefoglalva az önkormányzati idegenforgalmi koncentráltság meghatározásában játszanak szerepet. Ezek az egy lakosra jutó idegenforgalmi adóbevétel, az egy lakosra jutó vendégéjszakák száma és az idegenforgalmi adóból származó bevételeknek a költségvetési bevételen belüli aránya. Az adatsorok összehasonlíthatósága érdekében az egyes változók relatív értékét vette figyelembe a vizsgálat. A normalizálásához egyenként egy viszony-szám, index hozzárendelése történt a változókhoz. Az indexek számításakor egy általános, az emberi fejlődés mutatójának (Human Development Index, HDI) kiszámításakor is alkal-mazott képlet (Obádovics – Kulcsár, 2003) biztosított kiindulási alapot, ami a következő-képp számítja a változókhoz tartozó részindexeket:
𝐼𝑖 = Xi - Xmin Xmax - Xmin ahol Xi a változó aktuális értéke,
Xmax a változó rögzített maximális értéke, Xmin a változó rögzített minimális értéke.
Az önkormányzatok idegenforgalmi koncentráltsági indexének számításához a követ-kező három részindex képzése valósult meg.
63 Az utolsó két feltétel egymástól független, ugyanis adóbevétel olyan adóévben is befolyhat az önkormány-zathoz, amikor nincs hatályban idegenforgalmi adó (például december hónap után januárban megfizetett adó, vagy hátralék utólagos kiegyenlítése).
1. Idegenforgalmi adóbevétel index (I1), amelynek képzéséhez az egy lakosra jutó ide-genforgalmi adóbevétel mutatóját használtam fel;
2. Vendégforgalom index (I2), melynél az egy lakosra jutó vendégéjszakák számát vet-tem alapul, ami magában foglalja a kereskedelmi szálláshelyeken és a magánszál-láshelyeken eltöltött vendégéjszakák számát egyaránt;
3. Idegenforgalmi adó arányának indexe (I3), amely az idegenforgalmi adóból származó bevételeknek a költségvetési bevételeken belüli arányát jelzi.
Az indexek számításakor az adatok forrását a KSH és a Belügyminisztérium 2018.
évre vonatkozó adatbázisai biztosították.
A települések rangsorolásához használt mutató végül a számolt indexek egyszerű számtani átlagával került kiszámításra a következő képlet alapján:
𝐼 = 𝐼1+ 𝐼2+ 𝐼3 3
Az értékek 0 és 1 közé esnek, a magasabb érték idegenforgalmi adóztatás szempont-jából kedvezőbb helyzetű besorolást jelent, vagyis minél magasabb egy település értéke, annál meghatározóbb az idegenforgalmi adó hatása a helyi költségvetésre.
Az elemzés eredményeképp az önkormányzatok idegenforgalmi koncentráltsági indexe a 9.
táblázatban szereplő rangsort állította fel a települések között. A TOP50 település listája és azok főbb adatai a 9. mellékletben találhatók. A rangsor alapján az idegenforgalmi adóra leginkább koncentrált település Zalakaros.
9. táblázat: Önkormányzatok idegenforgalmi koncentráltsági indexe szerinti TOP10 magyar település, 2018
A TOP10 között gyógy- és termálfürdővel rendelkezők mellett balatoni települések is helyet foglalnak. De nem csak fürdővárosok és fürdővel rendelkező községek alkotják a listát, mert Visegrád és Parádsasvár is az első tíz olyan önkormányzat közé került, ahol leg-meghatározóbb az idegenforgalom a település életében és a helyi költségvetésben. Heves megyéből három község indexe is magasnak bizonyult (12. ábra), ami a térségük turisztikai szerepének erősségére enged következtetni.
12. ábra: TOP10 település földrajzi elhelyezkedése