← Összes podcast
2023/2. lapszám · Európai Unió és regionális fejlődés

A Kohéziópolitika váratlan hatásai: A leggazdagabb régiók vonzzák a legtöbb EU-s forrást

Réka Horváth, Tünde Petra Szabó

Megjelent: 2023 · Közgazdász Fórum, 2023/2. lapszám · Oldalak: 54–83

„Miért a leggazdagabb régiók vonzzák a legtöbb uniós pénzt?”

Meghallgatom a podcastot

Bővebb beszélgetés · 5 perc
HU EN A podcast nyelve: magyar · EN: az angol változat még nem készült el
0:00-5:01

Megjelent: 2023 · Közgazdász Fórum, 2023/2. lapszám · Oldalak: 54–83

A teljes cikk HU EN

OJS ↗ A teljes lapszám (PDF) ↗

Közgazdász Fórum · 2023/2. lapszám · 54–83

A Kohéziópolitika váratlan hatásai: A leggazdagabb régiók vonzzák a legtöbb EU-s forrást

Absztrakt. Ez a tanulmány az Európai Unió (EU) kohéziópolitika kapcsán egy új kutatási irányt vizsgál. Hipotézisünk szerint a magasabb GDP-per capita jellemző régiók sikeresebben vonzzák az EU kohéziópolitikai támogatásait, mint a szegényebb társak. Hipotízisünket egy új, romániai adatszerepkör alapján teszteltük, amely minden olyan entitást tartalmaz, amely EU-s pályázati támogatást kapott. Kutatásunk három mintára alapulva készült. Minden egyes mintán OLS és IV regresziós modelleményeket határoztunk meg. Az estimációk alátámasztják a hipotézisünket: mindhárom esetben a GDP per capita statisztikailag szignifikáns pozitív hatással van a megszerzett EU-s forrásokra.

Kulcsszavak: Strukturális és kohéziós alapok, Kohéziópolitika, Európai Unió, Románia, Közép- és Kelet-Európa

Bevezetés

Az Európai Unió (EU) Kohéziós Politikája jelentős számú tudományos tanulmányt eredményesített. Egy egyszerű keresés az „EU strukturális és kohéziós fundjai” (a továbbiakban: EU-s fundok) kifejezésre a Brüsszel Szabad Egyetem könyvtárának keresőmotorában az elmúlt öt évre vonatkozóan 5802 találatot idéz fel. Ez nem meglepő, hiszen az EU kohéziós politikája vált a második legjelentősebb anyagi támogatást élvező EU-s politikává. 2007–2013 között az új tagállamoknak (azoknak, amelyek 2004-ben és 2007-ben csatlakoztak az EU-hoz) az EU-s fundok 50,51 százaléka került allocateszióba (kivéve az Európai Területi Összesülés keretét). Ennek ellenére a jelentős keret ellenére az új tagállamok kohéziós politika kapcsán végzett tudományos elemzése korlátozottnak tűnik, ami további kutatások számára nyit teret. Románia, amely 2007-ben csatlakozott az EU-hoz, és a kohéziós politika keretében 2007 és 2013 között közel 19 milliárd eurót kapott, még kevésbé elemzett a bevett tudományos folyóiratokban.

Az EU-s szerződések értelmében a kohéziós politika célja a regionális különbségek csökkentése. A kohéziós politika allocatesziós szabálya az alapján nyugszik: PhD, docens, Babeş-Bolyai Egyetem, Gazdaság- és İşmérvadói Kar, [email protected]. 2 PhD, egyetemi docens, Babeş-Bolyai Egyetem, Gazdaság- és İşmérvadói Kar, [email protected].

A régiók GDP-je fejezet per capita. A vásárlóérettségi páritás alapján számított egy főre jutó GDP és az EU GDP-je közötti arány alapján különítjük el a „szegényebb” és a „gazdagabb” régiókat. Az előbbiek kapják „a GDP-hez viszonyított legmagasabb átutalásokat” (Mohl 2016. 18). Számos tanulmány alátámasztja azt az elméletet, hogy a gazdagabb régiók jobban profitálnak az EU-s fundokból (például Surubaru 2021; Crescenzi–Giua 2016; Rodríguez-Pose–Garcilazo 2015; Pinho et al. 2015; Crescenzi 2009). Ezek a kutatási eredmények azt is alátámasztják, amit Romániában a gyakorlatban is tapasztalhattunk.

Az EU kohéziós politikájának Romániában történő első implementációs évei után megállapítható, hogy azok a települések, vállalatok és civil szervezetek (az EU-s fundok kedvezményezettjei), amelyek jobb gazdasági helyzetben vannak, nagyobb kapacitással rendelkeznek a fundok bevonzására és a szükséges współfinanszírozási összegek biztoslására. Mivel egy régió gazdasági szektorának eredményei a GDP-ben tükröződnek, feltételezzük, hogy a magasabb egy főre jutó GDP-vel rendelkező megyék nagyobb rész arányát kaphatják meg az EU-s fundoknak. Véleményünk szerint ez nemcsak Romániában, hanem más közép- és kelet-európai országokban is megfigyelhető.

Bachtrögler et al. (2020) is is rontja ki a szükségességét annak, hogy elemzésre kerüljön a Kohéziós Politika hatásainak divergens természetét a gazdagabb és a szegényebb régiók között. A vállalatokra gyakorolt kohéziós hatások tekintetében megállapítják, hogy „a vállalatok támogatása tendenciásan hatékonyabb a szegényebb országokban, valamint az országokon belüli szegényebb régiókban” (Bachtrögler et al. 2020. 32).

Az EU-s szintű allokáció és a különböző régiók kedvezményezettjei által megkapott összegek között tagállamok kiadási stratégiái állnak. A kohéziós politika tagállam szintű végrehajtására gyakorolt politikai és adminisztratív kapacitás hatását már széles körben kutatták (lásd, például: Incaltaru et al. 2020; Hagemann 2019; Banaszewska  Bischoff 2017; Bachtler et al. 2017; Medve-Bálint 2018; Surubaru 2017; Dotti 2016; Bachtler et al. 2014; Dotti 2013; Dellmuth et al. 2017; Bouvet  Dall’Erba 2010). A régiók jellemzőit és területi tőkéjüket szintén alaposan vizsgálták (lásd: Fratesi  Perucca 2019; Bachtro gler et al. 2020; Percoco 2017; Fratesi  Wishlade 2017; Fratesi  Perucca 2014; Perucca 2014). Egyes szerzők a kohéziós politika hatásainak országspecifikus megértésére mutatnak rá (Crescenzi  Giua 2019). E feltételező kutatástype csak most hajthatók végre, mivel Romániában csak nemrég vált elérhetővé elegendő minőségű adat.

Az EU Kohéziós Politikájának tagállami szintű – beleértve Románia is – végrehajtása a állami hatóságok által irányított pályázati rendszeren alapul. Ennek a rendszernek egyik fontos jellemzője, hogy a pályázóknak saját erőből biztosítanuk a projektek współfinanszírozását. Ezzel párhuzamosan a kiadások módjának felülvizsgálata és ellenőrzése gyakran késlelteti a kifizetési igények teljesülését. Ennek okán a pályázati rendszer jellegéből adódóan a kedvezményezettnek rendelkeznie kell elegendő likviditással a pályázatban leírt projekt megvalósításához, majd várnia kell a megtérítésre. A pályázatok célkitűzéseit, a kifizetési folyamatot, a współfinanszírozási összeget és a teljes pályázati rendszert a tagállamok és az EU különböző intézményei (például a Parlament és a Tanács a jogalkotási rész tekintetében, a Bizottság pedig a partnerségi megállapodások és az egyes operatív programok tekintetében) közösen határozzák meg. A szakirodalmi áttekintés során megállapítottuk, hogy a megfelelő adatbázisok hiánya miatt kevés olyan tanulmány létezik, amely az EU-s források kedvezményezettjeinek megyei (NUTS-3 szintű) eloszlására fókuszált (Bachtrögler et al. 2019). Romániában először áll rendelkezésre egy olyan adatbázis a 2007–2013 közötti időszakra vonatkozóan, amely tartalmazza a NUTS-3 szintű összes kedvezményezett listáját és a tényleges kifizetések összegeit. Ezért úgy véljük, hogy most már megvannak a feltételek annak elemzésére, hogyan oszlanak Romániában fel az EU-s források. Meglátásunk szerint Románia esete az egyéb, 2004 után vagy ekkor csatlakozott EU-s tagállások számára is érdeklődést ébresztő lehet.

E kontextusban tanulmányunkban teszteltük azt a feltételezést, miszerint a magasabb GDP-re fordulónként rendelkező megyék (NUTS-3 szintű) sikeresebben képesek voltak mobilizálni az európai forrásokat, mint az alacsonyabb GDP-re fordulónként rendelkező megyék.

Kutatásunk célja kétszeres. Egyfelől kihasználjuk egy teljesen új készlet kínálta lehetőséget, mivel Románia esetében korábban nem voltak elérhető adatok a konkrét résztvevők szerinti bontású, ténylegesen felhasznált EU-s forrásokról. Másfelől egy olyan országot vizsgálunk, amely relatív mérete és az EU-s forrásokból való részesedése ellenére sem volt az egyik leggyakrabban kutatott tagállam. Elemzésünk két módon járul hozzá a kohéziós politikáról szóló szakirodalomhoz. Elsősorban a kohéziós politika Romániában történő tényleges megvalósítását vizsgáljuk, ami segít megérteni nemcsak az Unió egyik nettó kedvezményezettjét, hanem a kohéziós politika Közép- és Kelet-Európában (CEE) felvetett kérdéseit is. Másodsorban megértéssel törekszünk azokra a tényezőkre, amelyek magyarázzák az EU-s finanszírozás mértékét.

A tanulmány felépítése a következő: Először röviden áttekintjük a releváns szakirodalmat, kiemelve az új tagállatokkal kapcsolatos munkákat. Másodszor bemutatjuk az EU-s források romániai felhasználásának néhány fő jellemzőjét. Harmadszor ismertetjük az elemzésben alkalmazott változókat és kutatási módszertant, valamint empirikus eredményeinket. Végül összefoglaljuk a konklúziókat, a gyakorlati implikációkat, a kutatás korlátait, valamint a jövőbeni kutatási irányokat.

Irodalmi áttekintés

Ahogy Bachtrögler et al. (2020) hangsúlyozta, az EU kohéziós politikájának hatékonyságáról szóló szakirodalom hatalmas. Azonban a tanulmányok nem értek el konszenzust ezen politika hatékonyságáról egy főben egyes GDP-re eső növekedés tekintetében (Bachtrögler et al. 2020; Bouvet–Dall’Erba 2010; Medeiros 2017; Gagliardi–Percoco 2017; Mohl–Hagen 2010). Metaanalízisükben Dall’Erba és Fang (2017) arra a következtetésre jutottak, hogy az EU-s források növekedésre gyakorolt hatásának megfigyelt heterogenitása a publikációs státuszból, az elemzett időszakból, az endogensségi kontrollból, valamint a különböző regreszorokból adódik.

Fratesi és Wishlade 2017-es szerkesztői írásában hangsúlyozzák azt az új kutatási irányt, amely a kohéziós politika hatását befolyásoló tényezők magyarázását célozza. Ezek a tényezők a kormányzati felszívókapacitás minősége és a régiók tiszta tőkéje (territorial capital) (Fratesi–Wishlade 2017). Két évvel később, Bachtrögler et al. (2019) a régiók területi eszközeinek/tőkénék jelentőségét emelték ki a kohéziós politika hatásmechanizmusában. Caro és Fratesi megállapításai (2021. 319) azt sugallják, hogy a „nemzeti és regionális kontextusfüggő tényezők” befolyásolják a kohéziós politika eredményeit. Az új tagállamokra vonatkozó kutatások kapcsán, a 2004–2006 közötti időszakra vonatkozó CEE NUTS-3 régiók példáján keresztül Fratesi és Perucca (2014) démontrálták, hogy a kohéziós politika hatása a régiók területi tőkéjétől függ. Elemzésük azt is mutatta, hogy „a különböző politikai tengelyeket eltérő területi tőkeállományok teszik lehetővé” (Fratesi–Perucca 2014. 187).

A meglévő szakirodalom áttekintése során megállapítottuk, hogy a GDP-re eső egy fő személy plays központi szerepet játszik a kohéziós politika hatásának elemzésében. Dotti (2016. 539) megjegyzi, hogy „a politikai indoklás szerint a finanszírozás összege fordítva arányos módon várható a GDP-re eső egy főre jutó szintjéhez képest”. Ennek ellenére nem találtunk olyan kutatást sem, amely magyarázná a egy régióban felhalmozott EU-s források összege és a régió GDP-re eső egy főre jutó értéke közötti összefüggést.

Az új tagállamok tekintetében megállapítható, hogy csak a kohéziós politikáról szóló hatalmas szakirodalom csekély részében szerepelnek a kutatásokban. Ebből adódóan egy jó kutatási lehetőséget azonosítottunk. Mivel az új tagállatok belépésekor...

Az EU 2004-ben, 2007-ben és 2014-ben, az első teljes többéves pénzügyi keretrendszer-időszak pedig 2007–2013 volt; ebben a kontextusban a tudományos irodalom szisztematikus áttekintését végeztük, különös tekintettel a 2010 után megjelent folyóiratokra. A Brüsszel szabad egyetem (Free University of Brussels) könyvtárának keresőmotorját használtuk, amely számos adatbázis elérését tette lehetővé. Ezen eszközök segítségével elkészítettük az 1. táblázatot, amely felsorolja a Közép- és Kelet-Európával kapcsolatos, a témánkkal releváns főbb tanulmányokat.

A fent említett cikkeket vizsgálva megállapíthatjuk, hogy a rangos folyóiratokban megjelent elemzések közül csak néhány fókuszál Romániára (Surubaru 2017), és ezek is inkább az adminisztratív kapacitásra vagy a kormányzatra irányulnak (Incaltarau et al. 2020), nem pedig az EU-s források területi eloszlására.

Egyértelmű, hogy az EU-s források számos kutatás tárgyát képezték. Azonban egyetlen kutatás sem tette fel a következő kérdést: egy régió egy főnéperes GDP-je magyarázza-e az adott régió kedvezményezettjei által megkapott EU-s források mennyiségét? Ez egy olyan hiányosság, amelyet az irodalomkutatás során azonosítottunk. Emellett nincs olyan kutatás sem, amely általánosságban foglalkozna az EU-s források Romániában történő eloszlásával – annak ellenére, hogy az ország a európai kohéziós politika jelentős kedvezményezettje –, és amely rendelkezne egy új, 2007–2013 közötti időszakra vonatkozó adatkészlettel.

Mivel az 1. obiettiviért (NUTS-2 szintű régiók, amelyek GDP-je az EU átlagának kevesebb mint 75%-át teszi ki) meghatározott jogosultsági szabály nem változott a programozási időszakok során, hipotézisünk a következő: egy régió egy főnéperes GDP-je magyarázza az adott régió különböző kedvezményezettjei által megkapott EU-s források teljes összegének legalább egy részét. A jogosultsági kritérium alapján ideális lenne azt az eredményt találni, hogy a magasabb GDP kevesebb EU-s támogatást jelent. A tudományos irodalom (Fratesi  – Perucca 2014; Fabrizi et al. 2016; Bachtrögler et al. 2019; Medve-Bálint 2017; Bakucs  – Fertő 2019; Bourdin 2019; Dyba et al. 2018; Aiello  – Pupo 2017) alapján azonban az ellenkezőt, nevezetesen azt várjuk, hogy a magasabb GDP nagyobb mennyiségű EU-s forrást eredményez. Tekintettel arra, hogy függő változónk egy régió által megnyAbsorbált EU-s források összege, hipotézisünket regresziós elemzésekkel teszteljük. Az irodalom (Novosák et al. 2017; Fabrizi et al. 2016; Pellegrini et al. 2013; Gagliardi  – Percoco 2017) alapján az egy főnéperes GDP-t és több egyéb kontrollváltozót használjuk a függő változó előre megjósolására. A kontrollváltozókat az irodalom (lásd például: Medve-Bálint 2017) és azok Románia vonatkozó rendelkezésre állása alapján választottuk ki.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Strukturális és kohéziós alapok Romániában

Jelenleg a nemzetközi tudományos irodalom nem tartalmaz olyan cikket, amely a romániai EU-s alapok területi eloszlásával foglalkozna. Ezért a jelentős regresziók végrehajtása és eredményeink magyarázata érdekében először a 2007–2013 közötti időszakban megvalósított operatív programok jellemzőit mutatjuk be, amely volt az az első időszak, amikor Románia teljes körűen bénéficierévé vált az EU-s alapoknak.

Románia 2007-ben csatlakozott az EU-hoz, és a 2007–2013 közötti időszakban Románia összes NUTS-2 (és NUTS-3) régiója a konvergens célkitűzés keretében kapott finanszírozást (a Bizottság 2007/191/EC számú határozata). Románia az Európai Területi Kooperáció célkitűzése keretében is támogatást kapott. Transznacionális projektek esetén minden NUTS-2 régió jogosult volt a finanszírozásra. Az irányadó keretösszegek a következők voltak (2004-es árakon alapozva): 16 870 209 691 euró a konvergens célkitűzésre (ebből 5 754 788 708 euró a Kohéziós Alapból), és 308 930 782 euró az Európai Területi Kooperációra (European Commission 2007a, 2007b, 2007c).

A kormány által bemutatott kohéziós politika szabályainak követésében, intenzív tárgyalások után a Bizottság jóváhagyta Románia 2007–2013-as Nemzeti Stratégiai Referenciakeretét (NSRF). Az NSRF meghatározta a célkitűzéseket és azokhoz tartozó pénzügyi kereteket (lásd az 2. táblázatot). Az NSRF jóváhagyását operatív programok kidolgozása követte, amelyeket szintén jóvá kellett hagynia a Bizottságnak. A pályázati felhívásokat ezen programozási dokumentumok alapján készítették elő. Az NSRF az alábbi operatív programokat (OP) azonosította: közlekedés, környezetvédelem, versenyképesség, regionális operatív program, humánerőforrás-fejlesztés, adminisztratív kapacitásépítés, valamint műszaki asszisztencia (Government of Romania 2007). Jelentősnek mondható, hogy a 2007–2013-as román NSRF a Nemzeti Fejlesztési Tervre épül, és azt a fejlesztési régiók (NUTS-2 szint) valamint a megyék (NUTS-3 szint) képviselői is elfogadták.

Az Európai Területi Kooperáció célkitűzésével kapcsolatban Románia 12 programban vett részt 2007 és 2013 között: Románia–Bulgária, Magyarország–Románia, Délkelet-Európa, INTERREG IVC, Urbact II, Románia–Szerbia, Fekete-tenger, Románia–Ukrajna–Moldova Köztársasága, Magyarország–Szlovákia–Románia–Ukrajna, Interact, ESPON és Közép-Európa (MDRAP 2012).

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Analízisünk során kizárólag a Konvergens célkitűzéshez kapcsolódó adatokat használjuk, amely Románia számára a Strukturális és Kohéziós Alapokból érkező összes indikatív összesítés 98,2 százékát teszi ki. Az Európai Területi Összesülés célkitűzést nem vizsgáljuk, mivel jelenleg nincs olyan adatbázis, amely lehetővé tenné a megkapott pontos finanszírozás összekapésát a vonatkozó román megyékkel (NUTS-3 régiók). A szakirodalom alapján az EU-s források térségi eloszlását legalább három fő programozási jellemző befolyásolja. Az első az erőforrások operatív programok közötti elosztása. A 2 táblázatban a Környezetvédelmi és a Közút- és közlekedési operatív programok alkotják a két fő infrastruktúra-programot, amelyek az EU-s finanszírozás közel 23 százalékát kapják meg egymásról. Ha beleveszzük a Regionális Operatív Programhoz allocates források is, amely szintén elsősorban infrastruktúrára összpontosít, látható, hogy az EU-s források körülbelül 67 százaléka infrastruktúra-beruházásokkal kapcsolatos. Következtetni ebből, hogy a különböző típusú finanszírozások közötti elosztás egyenetlen, amelyet a román kormány dönt el, és az Európai Bizottság jóváhagy.

A második jellemző a programokban meghatározott prioritások sorrendje, mivel nem minden intézkedés kapja ugyanannyi erőforrást. Például a Versenyképességi OP esetében a kis- és középvállalkozások (KKV) termelési beruházásaira vonatkozó 1.1. prioritási tengely a jelenleg ezen az OP-ra kijuttatott összes finanszírozás 20,60 százalékát teszi ki. Ezzel szemben az operatív program kommunikációjára szolgáló 5.2. jellegű intézkedések az EU-s források mindössze 0,93 százalékát teszik ki (a szerzők számításai a Ministerul Finanțelor Publice 2011 adatai alapján).

A harmadik fő jellemző a potenciális kedvezményezettek típusára vonatkozik. Minden operatív programon belül minden prioritási tengely tartalmaz egy potenciális kedvezményezett-kategóriák listáját. Például voltak olyan prioritási tengelyek, amelyekre kizárólag a regionális vízszolgáltatók és a Bukarest Polgármesteri Hivatala volt jogosult (Környezetvédelmi Operatív Program 1.1), és ezek a operatív program költségvetésének 61,53 százalékát képviselték (saját számítások a Ministerul Mediului și Pădurilor 2012 adatai alapján). Ugyanakkor létezett olyan célkitűzés is, amely több mint tizenegy pályázati kategóriát sorolt fel, annak ellenére, hogy az összes költségvetés mindössze 7,72 százalékát kapta meg (a szerzők számításai a Ministerul Muncii, Familiei, Protecției Sociale și Persoanelor Vârstnice 2013 adatai alapján).

A programoknak ezek mindannyai alapvetően befolyásolják a források területi eloszlását. Például, ha a finanszírozásért pályázható kedvezményezettek többsége a Bukarestben (NUTS-3 régió) kayıtban lévő közszférabeli intézmény, akkor a főváros túlméretezett lesz a mintában. Azonban ezeknek a forrásoknak a hatása más megyékben is érezni fogja magát.

Kutatási módszertan és adatok

Az adatbázisunkat 2019 januárjában töltöttük le a romániai Európai Unióból származó Európai Fondok Minisztériuma honlapjáról (Ministerul Fondurilor Europene 2016). Több e-mailből és a Minisztérium válaszából kiindulva tisztáztuk a felvetett kérdéseket. Így létrehoztunk egy olyan adatbázist, amely különböző programokhoz kapcsolódó 15 930 projektet tartalmaz. Minden projekt esetében szerepel a kedvezményezett neve, a NUTS-3 régió neve, az EU-s forrásokból (Kohéziós Alap, Európai Szociális Alap, Európai Regionális Fejlesztési Alap) kifizetett összes összeg, a programoperatív irány (OP), valamint a kedvezményezett típusa. Romániában 42 NUTS-3 régió található, nevezetesen 41 megye és a főváros, Bukarest.

Hipotézisünk az, hogy a népességenkénti GDP magyarázza az egyes megyékben (NUTS-3 régióban) a kedvezményezettek által kapott összeget, a függő változó pedig a népességenkénti EU-s forrás. Mivel az EU-s forrásokból kapott összegek nem bonthatóak évre, a használt változóknak az egész elemzett időszakot le kell fedniük. Úgy döntöttünk, hogy a regresziókban szereplő összes független változó siebenéves átlagértékét (2007 és 2013 közötti időszak) alkalmazzuk. Magyarázó változóink a népességenkénti GDP, ágyak száma (1000 lakosra), az előiskolai és középiskolai oktatásban részt vevő diákok száma, a felsőoktatási abzólvium megszerzésére jelentkezett hallgatók száma, nyugdíjasok száma, a munkanélküliségi ráta, valamint a népességenkénti állami támogatás voltak. Minden változónk, azok rövidítései és forrásaikat a 3. táblázat tartalmazza.

3. táblázat. A kutatásban használt változók

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Mivel nem adtál meg fordítandó szöveget, kérlek, küldd el a forrás szöveget, és azonnal elvégzem a kért fordítást a megadott szigorú szempontok alapján.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Adatbázis-szerkezetünk és adataink alapján több regressziós egyenlet felépítésére van szükség a hipotézisünk tesztelése érdekében. A fent említett adatbázis-jellemzőkön felül az adatbázis összesen 28 típusú kedvezményezőt tartalmaz, amelyek közül 13 típus az EU-s forrásokból kifizetett összegek kevesebb egy procentját teszi ki. Ezek a 13 típus összesen a Románia által az EU-s forrásokból kapott összes kifizetés 4,075 százalékát teszik ki (saját számításunk). Érdemes megjegyezni, hogy a kedvezményezettek összes típusát nem érte el finanszírozás minden program keretében (lásd az 1. mellékletet). Valójában a központi államigazgatási hatóságok voltak az egyetlen olyan kedvezményezett típus, amely minden romániai operatív program keretében megkapta az EU-s forrásokat. A kedvezményezettekkel kapcsolatos adatok rávilágítanak a források koncentrációjára is, és a különböző kedvezményezett típusok részesedése a kifizetett összegből a következő: 22,62 százalék megyei tanácsok, helyi tanácsok és önkormányzatok; 16,88 százalék többségi vagy teljes állami tulajdonú kereskedelmi vállalatok; 16,70 százalék vállalkozások (minden típus); 11,47 százalék regionális operátorok; 10,74 százalék központi államigazgatási hatóságok vagy az általuk koordinált egységek (saját számításunk).

A kedvezményezett típusok által kapott EU-s források mennyiségének elemzésével azonosítottunk öt olyan operatív programot, ahol az első három típusú kedvezményezett megkapta az összeg összesítményének több mint 80 százalékát. Ezek az operatív programok a következők: regionális, környezetvédelmi, közlekedési, adminisztratív fejlesztési és műszaki asszisztenciás program (saját számításunk). Emellett mindegyik ilyen program tartalmaz olyan kedvezményezett típusokat, amelyek az adott operatív program kifizetett összegének több mint 50 százalékát teszik ki: a Regionális OP esetében az önkormányzatok és a helyi tanácsok 50,68 százalékát; a Környezetvédelmi OP esetében a regionális operátorok 53,84 százalékát; a Közlekedési OP esetében a többségi vagy teljes állami tulajdonú kereskedelmi vállalatok 93,67 százalékát; az Adminisztratív Kapacitásépítési OP esetében a központi államigazgatási hatóságok 65,32 százalékát, és a Műszaki Asszisztenciás OP esetében 81,58 százalékát (saját számításunk).

A fent említett megfigyelések mindannyian a több regressziós egyenlet felépítését unterstützen meg. Először a teljes mintán kell tesztelnünk a hipotézisünket. Másodszor, mivel az önkormányzatok és a vállalatok gyűjtötték össze a legtöbb összeget, ezeket külön kell vizsgálni.

Tisában vagyunk attól, hogy a regreszió felépítése során felmerülhet az endogensitás problémája. Három esetben születik meg az exogenitás feltételezésének megsértése, és így jelenik meg az endogensitás: a változókban megjelenő méréshihibák, az elmaradt változók, valamint az egyszeredűs kauzalitás. A strukturális és a kohéziós alapok kifizetéseinek gazdasági növekedésre gyakorolt hatásának becslése során Mohl és Hagen (2010) négy okot nevez meg az endogensitás mögött: a pontatlan adatok használatát, a fordított kauzalitást, a megfigyelhetetlen vagy elmaradt változókat, valamint a regionális szivárgási hatások (spillover effects) figyelmen kívül hagyását. Ezeket a hatásokat az alábbi módszertannal próbáltuk enyhíteni. Az első problémára tekintettel a tényleges kifizetéseket vettük figyelembe a strukturális alapok elkötelezett összegei helyett. A második problémával kapcsolatban Románia esetében a 2007–2013-as időszak az első programozási időszak az EU tagjaként, így minden NUTS-3 szintű régió „1. objektív” régió volt. Ennek következtében a finanszírozási jogosultságról szóló döntés több évvel a tényleges kifizetések előtt, még az ország EU-tagsága nélkül született meg. A harmadik problémára vonatkozóan törekedtünk arra, hogy az adott időszakra és szintre elérhető összes kontrollváltozót felhasználjuk. A negyedik problémát az adott időszakban és az adott ország esetében nem tekinthetjük fenn, mivel az adatbázisunkban minden egyes projektre és megyére vonatkozóan szerepelnek az EU-s alapok tényleges kifizetései. Emellett minden esetben az instrumentális változókkal történő becslés alkalmazásával teszteltük az endogensitást.

Empirikus eredmények

Az alábbi három regresziós modellt becslük: az elsőt a teljes mintára alkalmaztuk; a másodikkal kizárólag a megyei tanácsok, városi tanácsok és önkormányzatok által kapott forrásokat elemeztük, a harmadik pedig kizárólag a vállalatok által kapott összegekre összpontosított.

1. modell: A teljes romániai mintatartomány

Ebben a mintában a 2007 és 2013 közötti időszakban minden megyéből, minden kedvezményezett számára finanszírozott projektet szerepeltetünk. Ahogy már említettük, a függő változó az egy főre jutó EU-s alap, míg a független változók: az egy főre jutó GDP, az ágyak száma 1000 lakosonként kórházakban, a pre-univerzitári (felsőfokozat előtti) oktatásban bejegyezett diákok száma, a felsőoktatási abszolvumok száma, a nyugdíjasok száma, valamint a munkanélküliség;: Mivel az egy főre jutó EU-s alap és az egy főre jutó GDP közötti kapcsolat inkább exponenciális, a változóktól természetes logaritmusukat fogjuk használni. Bevezettünk egy dummy változót Bukarest esetében, mivel sok kedvezményezett Bukarestben volt regisztrálva, ezzel ellenőrizve, hogy jelentős különbség van-e a főváros és a megyék között. A 2. melléklet tartalmazza a használt változók (mind a függő, mind a független) közötti korrelációkat. Többszörös regresziót futtattunk, ahol az egy főre jutó EU-s alap természetes logaritmusát vettük függő változóként.

Az endogenitás jelenlétét az instrumentális változók módszerével (IV) vizsgáltuk. Elsőként az instrument relevanciáját teszteltük, azaz megvizsgáltuk, hogy a választott instrumentum (jövedelem) valóban kellően korrelált-e az endogens változóval (logGDP/cap), majd teszteltük az egzogenitást, vagyis azt, hogy a potenciálisan endogens változó (logGDP/cap) ténylegesen endogens-e. Ezek a diagnosztikai tesztek azt mutatták, hogy az alkalmazott instrumentum erős volt (Wald-teszt: F(2,39)=113,42, p<0,001), azonban nem tudtuk elutasítani az endogenitásra vonatkozó Wu-Hausman-nullhipotézist (F(1,37)=0,364, p=0,55); így a vizsgált változó (logGDP/cap) nem korrelál a hibateremmel, tehát az OLS-becslő konzisztens, ezért az OLS-becslő alkalmazása preferálható. Az OLS-regressziós eredmények és az instrumentális változó (IV) becslése a 4. táblázatban láthatóak.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Ezt követően az OLS-regresszió összes klasszikus feltételét ellenőriztük (Melléklet 3). Az átlagozott $R^2$ értéke azt mutatja, hogy a log(GDP/cap), az 1000 lakosra jutó ágyas kórházi kapacitás, a lakosonkénti állami támogatás, valamint a Bucdummy dummy változó magyarázza az EU-s források lakosonkénti értékének (log(EUfunds/cap)) a varianciájának 99,8%-át. A regresziós egyenlet a következő alakot veszi fel: ln(EUFunds / capi) = 0,658 $\cdot$ ln(GDP / capi) + 0,095 $\cdot$ HBEDi + 0,002 $\cdot$ SUBSIDIESi + 0,832 $\cdot$ Bucdummyi + $\varepsilon$i, i=1,42. Megállapítható, hogy a GDP per capita 1%-os változása az EU-s források lakosonkénti értékének 0,658%-os változását eredményezi. A Bucdummy változó Bukarest esetében az EU-s források lakosonkénti értékének 0,832%-os növekedését mutatja. A korábbi regresszió azt jelzi, hogy egy megye magasabb GDP per capita értéke nagyobb amount-ú EU-s forrás elérését eredményezi. Ezért, annak ellenére, hogy a niágosabb GDP-vel rendelkező megyéknek nagyobb mértékben kellene hasznosukuk az európai forrásokat, eredményeink azt mutatták, hogy egy megye GDP-je minél magasabb, annál nagyobb mennyiségű forrásból tud élvezni.

Scotti et al. (2022) szerint a térségi hatások figyelembevétele mellett szóló elméleti okok a gazdasági integrációval, a kereskedelmmel, a tőkemobilitással, a munkaigazgatással, a technológiaátvitelrel és a tudásáramlással (knowledge spillovers) kapcsolatosak, amelyek azt mutatják, hogy a régiók nem tekinthetők izolált entitásoknak. Az 1. ábra az EU-s források lakosonkénti térségi eloszlását mutatja Romániában.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Ezen a modell esetén az OLS-regresszió minden klasszikus feltételét ellenőriztük is (Melléklet 6), és minden feltétel teljesült. A regresziós egyenlet a következő alakot veszi fel: ln(EUFunds / capi) = 0,546·ln(GDP / capi) – 0,00001·RETIREESi + 0,00001·ENROLLEDPREUNIVi + 0,005·Subsidiesi + $\varepsilon_i$, $i=1,42$. Megállapítható, hogy a nyugdíjasok száma jelentős negatív hatással van az EU-s forrásokra, mivel a nyugdíjasok számának növekedése nyomást gyakorolhat a közpénzből finanszírozott nyugdíjpénztárakra, amelyeket részben kormányzati hozzájárulások és adók tesznek lehetővé. Ahogy egyre többen nyugdíjaznak és kezdenek nyugdíjjukat felvenni, egyre kevesebb forrás állhat rendelkezésre a kormány által finanszírozott egyéb programok vagy kezdeményezések támogatására. A nyugdíjasok számának növekedése csökkentheti a munkaerő kínálatát is, ami befolyásolhatja a gazdasági növekedést és az adóbevételeket. Ennek közvetett hatása lehet az EU-s források elérhetőségére, mivel kevesebb tőke állhat rendelkezésre a infrastruktúrába, a kutatás-fejlesztésbe vagy egyéb kormányzati finanszírozást igénylő kezdeményezésekbe való beruházásokhoz.

A középiskolai tanulók száma jelentős pozitív hatással van az EU-s forrásokra. Az EU szociális és kohéziós tartalékait gyakran fordítják az oktatási és képzési programok támogatására, amelyek célja a munkaerő készségeinek és foglalkoztathatóságának fejlesztése. A középiskolai tanulók nagyobb száma növelheti az ilyen programok iránti keresletet, különösen a technikai és szakképzést fejlesztő, valamint a vállalkozói szemléletre és az innovációra összpontosító programok esetében. Az EU-s forrásokat fel lehet brukelni a közép- és felsőoktatási igények kielégítésére, a munkaerő készségeinek és foglalkoztathatóságának javítására, valamint a gazdasági növekedés előmozdítására irányuló beruházások támogatására.

Itt megállapítható, hogy ha kizárólag egy NUTS-3 szintű régióban különböző típusú önkormányzatok által kapott összegeket elemezzük, akkor egy adott megyében az egy főre jutó állami támogatás növekedésével párhuzamosan az EU-s források egy főre jutó értéke is emelkedik. Az EU-s forrásokat bénéficier részesülőket érintő, 2007–2013 közötti időszakra vonatkozó geolokált adatok lehetővé teszik az EU-s fejlesztési projektek Románia területén történő földrajzi eloszlásának vizualizálását (2. ábra).

Annak ellenőrzése érdekében, hogy az OLS-modell eredményei elfogadhatóak-e, szükség volt a modell részegrendszereiben (residuumokban) megjelenő térségi autokorreláció vizsgálatára. A modell részegrendszereire vonatkozó Moran’s I diagnosztika nem bizonyult statisztikailag szignifikánsnak (MI = -0,139631086, p = 0,885). Ez az eredmény megerősítette a modellben a térségi autokorreláció hiányát.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

3. modell: Vállalatok

Az előző szekcióban megállapítottuk, hogy a vállalatok (összes típus összesítve) részesültek az EU-s forrásokból kifizetett összegből 16,70 százalékkal. Ez a vállalatokat a harmadik helyre helyezi azoknak a kedvezményezetteknek, amelyek a legnagyobb összeget kapták az EU-s forrásokból. Ebből adódóan megvizsgáltuk, hogy a hipotézisünk megállapításai fennállnak-e, ha kizárólag a vállalak által megkapott összegeket vesziünk figyelembe.

Ezúttal megyenként (NUTS-3 szinten) kiszámítottuk a vállalatok által bevonzott összegeket, így egy többszörös regresziós modellt becsültünk, ahol az EU-s források egy főre jutó értéke a természetes logaritmusában szereplő függő változó volt. A magánváltozók a GDP egy főre jutó értékének természetes logaritmusát, a munkanélküliségi rátát, az 1000 lakosra jutó ágyhészámot, az iskolaszolgáltatási szinten (pre-university) bejegyezett diákok számát, az egyetemi hallgatók számát, valamint a nyugdíjasok számát tartalmazták. A 7. mellékletben láthatók az alkalmazott változók (mind a függő, mind a magánváltozók) közötti korrelációk.

Ebben az esetben is teszteltük az endogenitást, jövedelmet használva instrumentális változóként. Az első szakaszban az instrumentumra alkalmazott Wald-teszt alapján elutasítottuk a nullahipotézist (p<0,001), így az alkalmazott instrumentum (jövedelem) erős volt. A Wu-Hausman-teszt az endogenitás tekintetében nem volt szignifikáns (F(1,39)=1,171, p=0,286), ami azt jelezte, hogy az endogenitás nem okozott problémás torzulást az ln(GDP/capita) és az ln(EU Funds/capita) közötti hatás becslésében. Az OLS-regresszió és az instrumentális változós becslés eredményei a 6. táblázatban láthatóak. 6. táblázat. Az OLS-regresszió eredményei, kizárólag a vállalatokat tartalmazó módel (3. modell) és az IV3-as modell

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Az OLS-regresszió minden klasszikus feltételét ellenőriztük (8. melléklet). A regresziós egyenlet a következő alakot veszi fel: ln(EUFunds / capi) = 0,657·ln(GDP / capi) – 0,103·UNEMPi + $\varepsilon_i$, $i=1,42$. A GDP per capita statisztikailag szignifikáns pozitív hatással van az EU-s forrás per capita értékére. Így a hipotézisünk akkor is igaz, ha kizárólag a vállalatok által kapott forrásokat vesszük figyelembe. Megfigyelhető a munkanélküliségi ráca statisztikailag szignifikáns negatív hatása az EU-s források per capita értékének természetes logaritmusára. Az EU forrásokat fordíthat a gazdaságfejlesztés támogatására, valamint a magas munkanélküliséggel küzdő régiók – beleértve az egyes országokon belüli területeket is – egyensúlytalanságainak kezelésére. Ezen problémák megyei szintű kezelésével az EU segítheti elő a gazdasági növekedést és csökkentheti az országon belüli gazdaságfejlesztési különbségeket, valamint támogathatja az egységes piac általános működését. Ez különösen fontos lehet a határvidékek számára, ahol egy megye munkanélküliségi rátáját a szomszédos megyék gazdasági körülményei is befolyásolhatják. A kizárólag vállalatok által kapott EU-s források térségi eloszlását az ábrán 3 látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Diskuszió és konklúziók

Kutatásunkban olyan perspektívát vizsgáltunk meg, amely korábban hiányzott az EU-s forrásokról szóló szakirodalomban. A romániai NUTS-3 régiókra (a román megyékre) összpontosítottunk, mivel ez egy kevésbé kutatott országos és regionális szint, ezzel kitöltve az irodalomban talált hiányt. Emellett rendelkezünk egy új adatkészlettel, amely tartalmazza a romániai kedvezményezetteknek kifizetett tényleges EU-s összegeket. Megválaszoltuk arra a kérdést, hogy egy adott megye GDP per capita értékének megmagyarázó ereje van-e a ugyanazon megyében (NUTS-3 szinten) a kedvezményezettek által kapott összegekkel kapcsolatban. Analízisünk Romania összes NUTS-3 régióját érintette a 2007–2013 közötti időszakban. Ez alatt az időszak alatt Romania összes régiója „1. célkitűléses” (Objective 1) régió volt. Hiptézisünk az volt, hogy a egy adott megyében a kedvezményezetteknek kifizetett összegek varianciáját a GDP per capita tujuhévnyi átlagértéke (2007–2013) és egyéb változók magyarázzák. Hiptézisünket három adatbázis alapján teszteltük, és három olyan modellt becsültünk, amelyek az empirikus részben láthatóak.

Elsősorban a regresziót azon adatbázis felhasználásával becsültük, amely tartalmaz minden olyan projektet, amely ebben az időszakban EU-s forrásokból részesült. Ezután az alábbi két mintat (subsampel) állítottuk össze, amelyek minden győztes projektet és azokhoz kapcsolódó tényleges kifizetéseket tartalmazzák: az első mintat csak a megyei tanácsok, a városi tanácsok és az önkormányzatok által kapott összegeket tartalmazza; a második adatbázis pedig mindenféle vállalatot tartalmaz. Három lineáris regresziós modellt állítottunk össze, ahol az EU-s források per capita természetes logaritmusa szerepelt függő változóként, a GDP per capita természetes logaritmusa pedig az independent (magánváltozó) és számos egyéb változó mellett.

Hiptézisünket minden esetben igazoltuk. Pontosabban megállapítottuk, hogy ha összesítjük a Romania összes kedvezményezettje által kapott forrást (a mintát), a megyei tanácsok, a városi tanácsok és az önkormányzatok által kapott összegeket (első mintat), vagy a vállalatok által kapott összegeket (második mintat), akkor a GDP per capita statisztikailag szignifikáns pozitív hatással volt az EU-s források per capita értékére. Azonban a GDP per capita ezen kívül nem találtunk közös befolyásoló tényezőt mindhárom esetben, ami megerősíti Fratesi és Perucca (2014) eredményeit egyes CEE-országokra vonatkozóan, Romania kivételével. Ez az eredmény egy másik kérdést is felvet Romania kapcsán: melyik területi tőke tényező különbözteti meg az EU-s források hatását ezekben a régiókban? Úgy gondoljuk, hogy ez egy kutatási irány, amely érdemes felfedezni, amint a 2014–2020 közötti időszak adatait közzétételik.

Tudjuk, hogy az EU beenessége az EU azon belül eső, kevésbé jólutalt régiói és országai gazdasági és társadalmi fejlődésének támogatására irányul. Ebből adódóan az alacsonyabb GDP-per capita, valamint a magasabb munkanélküliségi arányú és nagyobb gazdasági különbségekkel rendelkező régiók és országok nagyobb share-t kaphatnak az EU forrásaiból. Ez azonban nem vonatkozik a vállalatokra, mivel a vállalatok alcsoportját érintő eredményeink azt mutatják, hogy egy megye GDP-per capita értéke càng magas, annál nagyobb az az EU-s forrás, amelyet az adott régió vállalatjai kapnak per capita, ami felveti az EU-s támogatások hatékonyságával kapcsolatos kérdéseket. Ez különösen azért releváns, mivel Bachtrögler et al. (2019. 32) megállapította, hogy „a vállalatok támogatása tendenciáltan hatékonyabb a szegényebb országokban és az országokon belüli szegényebb régiókban”. Azonban még a magasabb GDP-per capita értékkel rendelkező régiók és országok is jogosultak lehetnek az EU-s finanszírozásra, amennyiben specifikus gazdasági és társadalmi kihívásokkal küzdenek, vagy olyan projekteket vállalnak, amelyek összhangban vannak az EU prioritásaival és céljaival. Például egy magas GDP-per capita értékű régió kaphat támogatást egy kutatási és innovációs projekthez, amely hozzájárul az EU fenntartható és inkluzív növekedését elősegítő célkitűzéséhez.

Ebből okokból hipotézisünk megerősödött: Románia esetében a NUTS-3 szintű régiók GDP-per capita értéke statisztikailag szignifikáns pozitív hatással van az elemzett időszak alatt az adott régió kedvezményezettjei által kapott EU-s források per capita értékére. Megismételtük, hogy ha egy régió GDP-per capita értéke magasabb, akkor több EU-s forrást kap per capita, mint egy alacsonyabb GDP-per capita értékű régió. Egy jövőbeni kutatás az EU szintű NUTS-3 adatok alapján is alátámasztaná ezt a hipotézist. Ez az eredmény összhangban van Bouvet és Dall’Erba következtetéseivel is, akik úgy érvelnek, hogy „az [Objektív 1-es régiók] alacsonyabb szintű fejlődése korlátozza az EU-s pénzek befogadására reapaktált kapacitásukat” (Bouvet ‘Dall’Erba 2010. 518). Továbbá Dettmer és Sauer úgy véleményezik, hogy az adicionalitás elve „tendenciáltan a gazdagabb, az extra források biztosítására képes régiókat részesíti előnyben a szegényebb régiók rovására, amelyek erre nem képesek” (Dettmer ‘Sauer 2019. 171).

A tanulmány fő korlátozása, hogy az EU-s forrásokból kapott összegek nem bonthatóak éves alegységre. Úgy döntöttünk, hogy a regresziókba bevonandó összes független változó esetében a siebenéves átlagértéket (2007 és 2013 közötti időszak) alkalmazzuk. Ebből adódóan eredményeink az átlagértékekre vonatkozó trendeket hangsúlyozzák, így nem alkalmazhatók különállóan az elemzett időszak minden egyes évére. Methodológiai választásainkból két új kutatási irány is kibontakozik. Egyrészt vizsgálható a népességszámra vetített GDP és a népességszámra vetített EU-s források közötti kauzális összefüggés. Másrészt, amint újabb adatok állnak rendelkezésre, képesek leszünk a hipotézisünket hosszabb időszakon, 2007–2020 között is tesztelni.

Ebből a kutatásból két következtetés vonható le az EU Kohéziós Politikájának fejlődésével kapcsolatban. Egyrészt, ha azt szeretnénk, hogy a szegényebb régiók képesek legyenek több EU-s forrást attracted, azokat be kell integrálniuk a nemzeti szintű tervezésbe. Az EU-s források programozásában részt vevő összes szereplőnek – a források felhasználásának tervezésétől kezdve a megvalósításig – nyilvános felelősséget kell vállalnia. Ennek magában kell foglalnia a régiók és célkitűzések közötti prioritások meghatározásáért való felelősséget is. Támogatjuk Crescenzi et al. (2020. 5) véleményét, akik úgy érveltek, hogy „az országoknak teljes felelősséget és tulajdonjogot kell vállalniuk a Kohéziós Politikára és annak hatásaira”. Olyan esetekben, mint például Románia, ahol minden megye (NUTS-3 szintű egység) az 1. Célkitűzés körébe tartozott, érdemes lenne országos szinten, jól kommunikált és tudományosan megalapozott módon meghatározni, hogy egy megyéből összesen mennyi összeg fordítható el)}') a kedvezményezettek számára. Vagy ahogy Crescenzi már 2009-ben javasolta, a megoldás a célzottabb megközelítés és a „népességszámra vetített GDP további társadalmi-gazdasági feltételekről szóló információkkal való kombinálása” lehetne (Crescenzi 2009. 128). A régiók közötti differenciáláció szükségességét Medve-Bálint (2017. 220) is hangsúlyozza, aki megfogalmazása szerint „a forrásokra való jogosultság tekintetében a gazdagabb és kevésbé jólanú gazdasági helyzetű régiók közötti differenciáció hiánya egyenlőtlen belső versenyt eredményezett a forrásokért, amely elsősorban a gazdagabb régiók és helyszínek javát szolgálta”. Ugyanakkor, tekintettel a számos kutatás által (pl. Bourdin 2019; Kostov  – Gallo 2015) bizonyított átszivárgási hatások (spillover effects) jelentőségére, érdemes lenne régióonként, NUTS-2 szinten maximum jogosult összegeket meghatározni. A döntéshozók részvételével egy részleges megoldásként megfontolható az EU-s współfinanszírozási arány csökkentése a gazdagabb régiókban, és növelése az alacsonyabb népességszámra vetített GDP-vel rendelkező régiókban. Emellett segítséget nyújthatna a probléma megoldásában a régiók számára fontos kérdéseket kezelő regionális programok (NUTS-2 szint) alkalmazása, valamint egy vagy két, transzregionális hatású (NUTS-2 szint feletti) nemzeti program elterjesztése is.

Másrészt döntés elé kell állni annak kérdésében, hogy az EU regionális konvergenciája vagy a tagállások szintű regionális fejlesztése a prioritás. Románia esetében minden régió attracted az EU-s forrásokat, és ezekkel a támogatásokkal bizonyos szintű fejlődést is elértek. Ezek a régiók az EU-s források nélkül képtelenek lettek volna erre. Úgy érvelünk, hogy még ha a Kohéziós Politika végső célja – azaz az összes EU-s régió közötti konvergencia – nem is valósulna meg teljes egészében, az egyéni tagállamok számára jelentős fejlesztési előnyöket eredményezhet, ami az egész EU számára is előnyös lehet.

References

Irodalomjegyzék

  1. Aiello, F.–Pupo, V. 2017. Structural funds and the economic divide in Italy. Journal of Policy Modeling 34, 402–418.
  2. Anselin, L. 2005. Exploring spatial data with GeoDaTM: A workbook. https://www. geos.ed.ac.uk/gisteac/fspat/geodaworkbook.pdf, downloaded: 10.01.2023.
  3. Bachtler, J.–Berkowitz, P.–Hardy S.–Muravska, T. 2017. EU Cohesion Policy Reassessing performance and direction. London: Routledge.
  4. Bachtler, J.–Mendez, C.–Oraže, H. 2014. From Conditionality to Europeanization in Central and Eastern Europe: Administrative Performance and Capacity in Cohesion Policy. European Planning Studies 22, 735–757. Bachtrögler, J.–Fratesi, U.–Perucca, G. 2020. The influence of the local context on the implementation and impact of EU Cohesion Policy. Regional Studies 54, 21–34. Bachtrögler, J.–Hammer, C. 2018. Who Are the Beneficiaries of the Structural Funds and Cohesion Fund and how Does the Cohesion Policy Impact Firm Level Performance. OECD Economic Department Working Papers, no. 1499.
  5. Bakucs, Z.–Fertő, I. 2019. Convergence or Divergence? Analysis of Regional Development Convergence in Hungary. Eastern European Countryside 26, 121–143.
  6. Banaszewska, M.–Bischoff, I. 2017. The Political Economy of EU-funds: Evidence from Poland. Journal of Economics and Statistics 237, 191–224.
  7. Bourdin, S. 2019. Does the Cohesion Policy Have the Same Influence on Growth Everywhere? A Geographically Weighted Regression Approach in Central and Eastern Europe. Economic Geography 95, 256–287.
  8. Bouvet, F.–Dall’Erba, S. 2010. European Regional Structural Funds: How Large Is the Influence of Politics on the Allocation Process? Journal of Common Market Studies 48, 501–528.
  9. Caro, P.D.–Fratesi, U. 2021. One policy, different effects: Estimating the regionspecific impacts of EU cohesion policy. Journal of Regional Science 62, 303 ̶ 330.
  10. Crescenzi, R. 2009. Undermining the Principle of Concentration? European Union Regional Policy and the Socio-economic Disadvantage of European Regions. Regional Studies 43(1), 111 ̶ 133.
  11. Crescenzi, R.–Giua, M. 2016. The EU cohesion policy in context: does a bottom- up approach work in all regions? Environment and Planning A: Economy and Space 48(11), 2340 ̶ 2357.
  12. Crescenzi, R.–Giua, M. 2019. One or many Cohesion Policies of the European Union? On the differential economic impacts of Cohesion Policy across member states. Regional Studies 54, 10–20.
  13. Crescenzi, R.–Fratesi, U.–Monastiriotis, V. 2020. Back to the Member States? Cohesion Policy and the National Challenges to the European Union. Regional Studies 54, 5–9.
  14. Dabrowski, M. 2014. EU Cohesion Policy, Horizontal Partnership and the Patterns of Sub-national Governance: Insights from Central and Eastern Europe. European Urban and Regional Studies 21, 364–383.
  15. Dall’Erba, S.–Fang, F. 2017. Meta-analysis of the Impact of European Union Structural Funds on Regional Growth. Regional Studies 51, 822–832.
  16. Dellmuth, L. M.–Schraff, D. ̶ Stoffel, M. F. 2017. Distributive Politics, Electoral Institutions and European Structural and Investment Funding: Evidence from Italy and France. Journal of Common Market Studies 55, 275–293.
  17. Dettmer, B.–Sauer, T. 2019 Implementation of European Cohesion Policy at the Subnational Level: Evidence from Beneficiary Data in Eastern Germany. Papers in Regional Science 98, 167–189.
  18. Dotti, N. F. 2016. Unwritten Factors Affecting Structural Funds: The Influence of Regional Political Behaviours on the Implementation of EU Cohesion Policy. European Planning Studies 24, 530–550.
  19. Dotti, N. F. 2013. Unbearable Instability of Structural Funds’ Distribution. European Planning Studies 21, 596–614.
  20. Dyba, W.–Loewen, B.–Looga, J.–Zdražil, P. 2018. Regional Development in CentralEastern European Countries at the Beginning of the 21st century: Path Dependence and Effects of EU Cohesion Policy. Quaestiones Geographicae 37, 77 ̶ 92.
  21. European Commission 2007a. Commission Decision of 15 May 2007 Amending Decision 2006/609/EC Fixing an Indicative Allocation by Member State of the Commitment Appropriations for the ‘European Territorial Cooperation’ Objective for the Period 2007 to 2013 as Concerns Bulgaria and Romania (notified under document number C(2007) 2047). Official Journal of the European Union, L. 131/24.
  22. European Commission 2007b. Commission Decision of 26 March 2007 Amending Decision 2006/595/EC Drawing up the List of Regions Eligible for Funding from the Structural Funds under the Convergence Objective for the Period 2007 to 2013 as Concerns Bulgaria and Romania. Official Journal of the European Union, L 87/15.
  23. European Commission 2007c. Commission Decision of 26 March 2007 Amending Decision 2006/594/EC Fixing an Indicative Allocation by Member State of the Commitment Appropriations for the Convergence Objective for the Period 2007 to 2013 as Concerns Bulgaria and Romania (notified under document number C(2007) 1290). Official Journal of the European Union, L 87/18.
  24. Fabrizi, E.–Guastella, G.–Marta, S.–Timpano, F. 2016. Determinants of IntraDistribution Dynamics in European Regions: An Empirical Assessment of the Role of Structural Intervention. Tijdschrift voor Economische en Sociale Geografie 107, 522 ̶ 539.
  25. Fratesi, U.–Perucca, G. 2014. Territorial Capital and the Effectiveness of Cohesion Policies: An Assessment for CEE Regions. Investigaciones Regionales 29, 165 ̶ 191.
  26. Fratesi, U.–Perucca, G. 2019. EU Regional Development Policy and Territorial Capital: A Systemic Approach. Papers in Regional Science 98, 265 ̶ 281.
  27. Fratesi, U.–Wishlade, FG. 2017. The impact of European Cohesion Policy in different contexts. Regional Studies 51, 817–821.
  28. Gagliardi, L.–Percoco, M. 2017. The Impact of European Cohesion Policy in Urban and Rural Regions. Regional Studies 51, 857–868.
  29. Government of Romania 2007. National Strategic Reference Framework 20072013, Final version 2007. http://old. fonduri-ue. ro/baza-de-date-proiecte-contractate, downloaded: 20.03.2019.
  30. Hagemann, C. 2019. How Politics Matters for EU funds’ Absorption Problems – a Fuzzy-Set Analysis. Journal of European Public Policy 26, 188–206.
  31. Incaltarau, C.–Pascariu, C. G.–Surubaru, N. C. 2020. Evaluating the Determinants of EU Funds Absorption across Old and New Member States – the Role of Administrative Capacity and Political Governance. Journal of Common Market Studies 58, 941–961.
  32. Kostov, P.–Le Gallo, J. 2015. Convergence: A Story of Quantiles and Spillovers. Kyklos 68, 552–576.
  33. Loewen, B. 2018. Cohesion Policy and Institutional Change in Hungary and Estonia. Regional Studies, Regional Science 5(1), 255–262.
  34. Medeiros, E. 2017. European Union Cohesion Policy and Spain: A Territorial Impact Assessment. Regional Studies 51, 1259–1269.
  35. Medve-Bálint, G. 2017. Funds for the Wealthy and the Politically Loyal? How EU Funds May Contribute to Increasing Regional Disparities in East Central Europe. In:
  36. Bachtler, J.–Berkowitz, P.–Hardy, S.–Muravska, T. (eds.) EU Cohesion Policy Reassessing Performance and Direction. London: Routledge, 220–240.
  37. Medve-Bálint, G. 2018. The Cohesion Policy on the EU’s Eastern and Southern Periphery: Misallocated Funds? Studies in Comparative International Development 53, 218–238.
  38. MDRAP 2012. Finanțare Europeană pentru proiecte de cooperare teritorială. http:// www.mdrap.ro/pachet-informativ-cte, downloaded: 21.03.2019.
  39. Ministerul Finanțelor Publice 2011. POS Creșterea Competitivității Economice. Document Cadru de Implementare a Programului Operațional Sectorial Creșterea competitivității economice, versiunea, ianuarie 2011. http://old.fonduri-ue, downloaded: 11.02.2019.
  40. Ministerul Fondurilor Europene 2016. https://www.fonduri-ue.ro/images/files/ transparenta/date-deschise/comm_financing_contracts_oct_2016.xls, downloaded: 21.01.2019.
  41. Ministerul Mediului și Pădurilor 2012. Documentul Cadru de Implementare a Programului Operațional Sectorial Mediu 2007-2013. Versiunea 6, decembrie 2012. http://old.fonduri-ue.ro/documente-programare/documente-cadru-de-implementare/ posm, downloaded: 22.03.2019. Ministerul Muncii, Familiei, Protecției Sociale și Persoanelor Vârstnice 2013. Documentul Cadru de Implementare a Programului Operațional Sectorial Dezvoltarea Resurselor Umane 2007-2013. Versiunea 6. http://old.fonduri-ue.ro/documenteprogramare/documente-cadru-de-implementare/posdru, downloaded: 19.03.2019.
  42. Mohl, P.–Hagen, T. 2010. Do EU Structural Funds Promote Regional Growth? New Evidence from Various Panel Data Approaches. Regional Science and Urban Economics 40, 353–365.
  43. Mohl, P. 2016. Empirical Evidence on the Macroeconomic Effects of EU Cohesion Policy. Wiesbaden: Springer Gabler.
  44. Novosák, J.–Hájek, O.–Novosáková, J.–Lindner, M. 2017. Enterprise Support Policy and Territorial Cohesion: The Czech Republic (2007-2013). Journal of Urban and Regional Analysis 9, 141–157.
  45. Pellegrini, G.–Terribile, F.–Tarola, O.–Muccigrosso, T.–Busillo, F. 2013. Measuring the Effects of European Regional Policy on Economic Growth: A Regression Discontinuity Approach. Papers in Regional Science 92, 217–233.
  46. Percoco, M. 2017. Impact of European Cohesion Policy on Regional Growth: Does Local Economic Structure Matter? Regional Studies 51, 833–843.
  47. Perucca, G. 2014. The Role of Territorial Capital in Local Economic Growth: Evidence from Italy. European Planning Studies 22, 537–562.
  48. Pinho, C.–Varum, C.–Antunes, M. 2015. Under what conditions do Structural Funds play a Significant Role in European Regional economic growth? Some evidence from recent panel data. Journal of Economic Issues 49, 749–771. Rodríguez-Pose, A.–Garcilazo, E. 2015. Quality of Government and the Returns of Investment: Examining the Impact of Cohesion Expenditure in European Regions. Regional Studies 49, 1274–1290.
  49. Scotti, F.–Flori, A.–Pammolli, F. 2022. The economic impact of structural and Cohesion Funds across sectors: Immediate, medium-to-long term effects and spillovers. Economic Modelling 111(1):105833.
  50. Surubaru, N. C. 2017. Administrative Capacity or Quality of Political Governance? EU Cohesion Policy in the New Europe 2007–13. Regional Studies 51, 844–856.
  51. Increase of Econ. Comp.
  52. Human Resource Development
  53. Transport
  54. Administrative Capacity Building
  55. Technical Assistance
  56. Total
  57. Central public administration authority Research institute
  58. Environment
  59. Type of beneficiary
  60. Regional OP
  61. Appendices Appendix 1: Distribution of types of beneficiaries across OPs (number of winning projects)
  62. 36
  63. 151
  64. 204
  65. 206
  66. 46
  67. 126
  68. 96
  69. 865 140
  70. 0
  71. 3
  72. 103
  73. 34
  74. 0
  75. 0
  76. 0
  77. Large enterprise
  78. 0
  79. 0
  80. 284
  81. 73
  82. 5
  83. 0
  84. 0
  85. 362
  86. Small business
  87. 79
  88. 0
  89. 2629
  90. 280
  91. 0
  92. 0
  93. 0
  94. 2988
  95. Medium enterprise
  96. 27
  97. 2
  98. 1090
  99. 94
  100. 7
  101. 0
  102. 0
  103. 1220
  104. Microenterprise
  105. 2157
  106. 0
  107. 1153
  108. 165
  109. 0
  110. 0
  111. 0
  112. 3475
  113. 0
  114. 81
  115. 0
  116. 7
  117. 0
  118. 0
  119. 0
  120. 88
  121. 160
  122. 89
  123. 166
  124. 681
  125. 0
  126. 12
  127. 0
  128. 1108
  129. 64
  130. 2
  131. 18
  132. 69
  133. 0
  134. 1
  135. 15
  136. 169
  137. 23
  138. 8
  139. 40
  140. 876
  141. 1
  142. 1
  143. 0
  144. 949
  145. 1
  146. 5
  147. 0
  148. 2
  149. 71
  150. 0
  151. 0
  152. 79
  153. 317
  154. 58
  155. 62
  156. 24
  157. 0
  158. 48
  159. 2
  160. 511
  161. 1587
  162. 43
  163. 42
  164. 84
  165. 1
  166. 134
  167. 0
  168. 1891
  169. Unit subordinated to or coordinated by a central public administration authority
  170. 5
  171. 59
  172. 104
  173. 446
  174. 8
  175. 53
  176. 48
  177. 723
  178. State university
  179. 9
  180. 12
  181. 104
  182. 545
  183. 0
  184. 10
  185. 0
  186. 680
  187. Regional operator Non-profit, non-governmental organisation Non-profit, non-governmental body of public utility, with legal personality, operating in the field of regional development Legal person of private law and public utility Commercial company with majority or full state ownership Territorial administrative unit / county council Territorial administrative unit / town hall / local council
  188. Source: Own calculations
  189. Appendix 2: Means, standard deviations, and correlations with confidence intervals (whole sample) Variable
  190. M
  191. SD
  192. 1. logEUFunds
  193. 7.52
  194. 0.49
  195. 2. logGDPpercap 9.89
  196. 0.34
  197. 0.71** [.52, .84]
  198. 3. HBED
  199. 1.50
  200. 0.63** 0.58** [.41, .79] [.34, .75]
  201. 5.45
  202. 1
  203. 2
  204. 3
  205. 4
  206. 5
  207. 6
  208. 7
  209. 4. ENROLLED0.49** 0.46** 0.52** 64603.77 31970.02 PREUNIV [.22, .69] [.18, .67] [.26, .71] 5. STUDFINAL0.68** 0.65** 0.63** 0.83** 15933.50 39259.65 UNIV [.48, .82] [.43, .80] [.40, .78] [.71, .91] 6. RETIREES
  210. 111967.66 71143.30
  211. 0.59** 0.59** 0.56** 0.94** 0.91** [.35, .76] [.35, .76] [.30, .74] [.88, .97] [.84, .95]
  212. 7. UNEMP
  213. 6.3
  214. 2.03
  215. -0.52** -0.63** -0.27 -0.36* -0.43** -0.40** [-.71,-.26] [-.78,-.40] [-.53, .03] [-.60, -.07] [-.65, -.15] [-.63, -.11]
  216. 8. SUBSIDIES
  217. 220.47
  218. 42.91
  219. -0.00 -0.16 -0.19 -0.35* -0.29 -0.31* 0.01 [-.31, .30] [-.45, .15] [-.47, .12] [-.59, -.05] [-.55, .01] [-.56, -.01] [-.29, .31]
  220. Source: Own calculations
  221. Appendix 3: Testing the assumptions of the OLS regression for all (Model 1) Linearity Homoscedasticity Autocorrelation Normality of residuals
  222. RAMSEY RESET test: F(2,36) = 0.065809, p-value = 0.9364 Rainbow test: F(21,17) = 1.4044, , p-value = 0.2407 studentized Breusch-Pagan test: χ2(3) = 6.2587, p-value = 0.09968 Goldfeld-Quandt test: F(17,17) = 1.4741, p-value = 0.216 White test: χ2(8)=13.0, p-value = 0.113 Durbin-Watson test: DW = 2.1567, p-value = 0.7175 Breusch-Godfrey test for serial correlation of order up to 4: F(4) = 2.474, p-value = 0.6493 Shapiro-Wilk normality test: W = 0.94774, p-value = 0.05362 Anderson-Darling normality test: A = 0.62609, p-value = 0.09619
  223. Source: Own calculations in R
  224. Appendix 4: Descriptive statistics for EU funds/capita received by county councils, city councils and town halls N
  225. Minimum Maximum
  226. Statistic Statistic EU funds/ capita
  227. 42
  228. Mean
  229. Std. Deviation
  230. Skewness
  231. Kurtosis
  232. Statistic Statistic Std. Error Statistic Statistic Std. Error Statistic Std. Error
  233. 241.126 1257.479 701.383
  234. 37.470
  235. 242.839
  236. 0.247
  237. 0.365
  238. -0.461
  239. 0.717
  240. Source: Own calculations
  241. Appendix 5: Means, standard deviations, and correlations with confidence intervals in the case of funds received exclusively by county councils, city councils and town halls Variable
  242. M
  243. SD
  244. 1. logEUFunds
  245. 6.49
  246. 0.38
  247. 2. logGDPpercap 9.89
  248. 0.34
  249. -0.08 [-.37, .23]
  250. 3. HBED
  251. 1.50
  252. 0.13 0.58** [-.18, .42] [.34, .75]
  253. 5.45
  254. 1
  255. 2
  256. 3
  257. 4
  258. 5
  259. 6
  260. 7
  261. 4. ENROLLED-0.32* 0.46** 0.52** 64603.77 31970.02 PREUNIV [-.57, -.02] [.18, .67] [.26, .71] 5. STUDFINAL-0.35* 0.65** 0.63** 0.83** 15933.50 39259.65 UNIV [-.59, -.05] [.43, .80] [.40, .78] [.71, .91] 6. RETIREES
  262. 111967.66 71143.30
  263. -0.35* 0.59** 0.56** 0.94** 0.91** [-.59, .05] [.35, .76] [.30, .74] [.88, .97] [.84, .95]
  264. 7. UNEMP
  265. 6.3
  266. 2.03
  267. -0.01 -0.63** -0.27 -0.36* -0.43** -0.40** [-.31, .30] [-.78,-.40] [-.53, .03] [-.60, -.07] [-.65, -.15] [-.63, -.11]
  268. 8. SUBSIDIES
  269. 220.47
  270. 42.91
  271. 0.61** -0.16 -0.19 -0.35* -0.29 -0.31* 0.01 [.38, .77] [-.45, .15] [-.47, .12] [-.59, -.05] [-.55, .01] [-.56, -.01] [-.29, .31]
  272. Note: M and SD are used for mean and standard deviations. Values in square brackets indicate the 95% confidence interval. The confidence interval is a plausible range of population correlations that could have caused the sample correlation (Cumming, 2014). * p < .05. ** p < .01.
  273. Source: Own calculations
  274. Appendix 6: Testing the assumptions of the OLS regression for county councils, city councils and town halls (Model 2) Linearity Homoscedasticity Autocorrelation Normality of residuals
  275. RAMSEY RESET test: F(2,36) = 1.0015, p-value = 0. 3773 Rainbow test: F(21,17) = 2.1343, , p-value = 0.0586 studentized Breusch-Pagan test: χ2(3) = 6.0398, p-value = 0.1097 Goldfeld-Quandt test: F(17,17) = 0.53678, p-value = 0.8951 White test: χ2(8) = 13.7, p-value = 0.0890 Durbin-Watson test: DW = 1.9724, p-value = 0.4847 Breusch-Godfrey test for serial correlation of order up to 4: F(4) = 2.0467, p-value = 0.7272 Shapiro-Wilk normality test: W = 0.98609, p-value = 0.8817 Anderson-Darling normality test: A = 0.20706, p-value = 0.8586
  276. Source: Own calculations in R
  277. Appendix 7: Means, standard deviations, and correlations with confidence intervals in the case of funds received exclusively by companies Variable
  278. M
  279. SD
  280. 1. logEUFunds
  281. 5.84
  282. 0.38
  283. 2. logGDPpercap
  284. 9.89
  285. 0.34
  286. 0.60** [.36, .76]
  287. 3. HBED
  288. 5.45
  289. 1.50
  290. 0.40** [.11, .63]
  291. 4. ENROLLEDPRE122.25 UNIVper1000
  292. 10.21
  293. -0.31* -0.47** -0.12** [-.56, -.00] [-.68, -.20] [-.41, .19]
  294. 5. STUDFINALUNIVper1000
  295. 18.65
  296. 25.48
  297. 0.52* [.26, .71]
  298. 0.71** [.52, .84]
  299. 0.74** [.56, .85]
  300. -0.35* [-.59, -.06]
  301. 6. RETIREES
  302. 111967.66 71143.30
  303. 0.37* [.08, .61]
  304. 0.59** [.35, .76]
  305. 0.56** [.30, .74]
  306. -0.35* 0.76** [-.59, -.05] [.59, .86]
  307. 7. UNEMP
  308. 6.30
  309. 0.34* -0.53** -0.63** -0.27 -0.46** [.04, .58] [-.72, -.26] [-.78, -.40] [-.53, .03] [-.67, -.19]
  310. 2.03
  311. 1
  312. 2
  313. 3
  314. 4
  315. 5
  316. 6
  317. 0.58** [.34, .75]
  318. -0.40* [-.63, -.11]
  319. Note: M and SD are used for mean and standard deviations. Values in square brackets indicate the 95% confidence interval. The confidence interval is a plausible range of population correlations that could have caused the sample correlation (Cumming, 2014). * p < .05. ** p < .01.
  320. Source: Own calculations in R
  321. Appendix 8: Testing the assumptions of the OLS regression for companies (Model 3) Linearity Homoscedasticity Autocorrelation Normality of residuals
  322. RAMSEY RESET test: F(2,38) = 2.0004, p-value = 0.1493 Rainbow test: F(21,19) = 0.95451, , p-value = 0.5439 studentized Breusch-Pagan test: χ2(1) = 2.5245, p-value = 0.1121 Goldfeld-Quandt test: F(19,19) = 0.73154, p-value = 0.7489 White test: χ2(4)=3.47, p-value = 0.482 Durbin-Watson test: DW = 2.1076, p-value = 0.6381 Breusch-Godfrey test for serial correlation of order up to 4: F(4)= 2.8963, p-value = 0.5753 Shapiro-Wilk normality test: W = 0.96181, p-value = 0.1713 Anderson-Darling normality test: A = 0.33915, p-value = 0.4838
  323. Source: Own calculations in R

A szerzők

  • Réka Horváth
  • Tünde Petra Szabó

A szöveget automatikusan nyertük ki a PDF-ből; a táblázatok, ábrák és a pontos tördelés a lapszám PDF-változatában láthatók.