Statistická analýza indikátorů charakterizujících IT v zemích EU

Transkript

1 Bankovní institut vysoká škola Praha Katedra informatiky a kvantitativních metod Statistická analýza indikátorů charakterizujících IT v zemích EU Diplomová práce Autor: Bc. Vladimír Moc Informační technologie a management Vedoucí práce: Doc. Ing. Dagmar Blatná, CSc. Praha duben, 2015

2 Prohlášení: Prohlašuji, že jsem diplomovou práci zpracoval samostatně a v seznamu uvedl veškerou použitou literaturu. Svým podpisem stvrzuji, že odevzdaná elektronická podoba práce je identická s její tištěnou verzí, a jsem seznámen se skutečností, že se práce bude archivovat v knihovně BIVŠ a dále bude zpřístupněna třetím osobám prostřednictvím interní databáze elektronických vysokoškolských prací. V Praze, dne Bc. Vladimír Moc

3 Poděkování Rád bych touto cestou poděkoval vedoucímu své diplomové práce, Doc. Ing. Dagmar Blatné, CSc., za cenné rady a odborné vedení během zpracování.

4 Anotace Název práce: Statistická analýza indikátorů charakterizujících IT v zemích EU. Abstrakt: Tato diplomová práce se zabývá analýzou ukazatelů charakterizujících informační technologie v zemích Evropské Unie. Teoretická část popisuje cíle Evropské komise v oblasti IT, zároveň představuje konkrétní nástroje statistické analýzy, které jsou následně aplikovány v praktické části. Tam je nejprve analyzována oblast vývozu, dovozu a investic do ICT. Následně je podroben rozboru cloud computing podniků a jednotlivců v zemích EU. V další části je detailně analyzován indikátor jednotlivci nakupující přes internet za období let 2006 až Pro lepší přehled o zemích, které jsou v oblasti využíváni informačních technologií na přibližně stejné úrovni, je použita shluková analýza, která rozděluje státy do tří shluků. Shluková analýza je zároveň použita pro rozčlenění konkrétních IT indikátorů. Následuje korelační analýza těchto indikátorů, jež zkoumá jejich vzájemné závislosti. V závěrečné části práce je použita vícenásobná regresní analýza. Ta zkoumá působení různých nezávislých ekonomických vlivů na závisle proměnnou domácnosti s vysokorychlostním připojením. Klíčová slova: statistická analýza, shluková analýza, korelační analýza, regresní analýza, indikátory informatizace v zemích Evropské Unie. Annotation Title: Statistical analysis of indicators characterizing IT in EU countries Abstract: This thesis analyzes the indicators of information technology in the European Union. The theoretical part describes the objectives of the European Commission in the field of IT, also represents a specific statistical analysis tools, which are then applied in the practical part. First is analyzed the export, import and investment in ICT. Following analysis of cloud computing by enterprises and individuals in the EU countries. The next section is analyzed in detail indicator "individuals purchasing over the Internet" for the period 2006 to For a better overview of the countries that are in the use of information technology at approximately the same level, is used cluster analysis, which divides into three clusters. Cluster analysis is also used for the breakdown of specific IT indicators. The following is a correlation analysis of these indicators, which examines their interdependence. In the final

5 part is used a multiple regression analysis. It examines the effect of different independent economic influences on the dependent variable "households with broadband connection." Key words: statistical analysis, cluster analysis, correlation analysis, regression analysis, indicators of informatization in the countries of the European Union.

6 Obsah Úvod... 8 Teoretická část Zvolené metody zpracování Strategie Evropa Stěžejní iniciativy Digitální agenda pro Evropu Nové digitální priority na období Statistické metody použité v analýze vybraných indikátorů Popisná statistika Koeficient růstu Shluková analýza Korelační analýza Regresní analýza Praktická část Investice do ICT, dovoz a vývoz ICT zboží v ČR Investice do ICT v ČR a EU Podíl investic do softwaru Dovoz a vývoz ICT zboží Cloud computing v EU Struktura využití cloud computingu podniky EU Použití internetu a využití cloudových služeb jednotlivci Statistická analýza IT ukazatelů informatizační společnosti Popis vybraných indikátorů Analýza ukazatele jednotlivci nakupující přes internet Shluková analýza Shluková analýza dle vybraných IT ukazatelů

7 6.3.2 Shluková analýza států EU Korelační analýza Vícenásobná regresní analýza Regresní model všech proměnných Metoda Stepwise Závěr

8 Úvod Informační technologie beze sporu usnadňují život jak jednotlivcům, tak i podnikům. Jejich efektivní využívání umožňuje některým ekonomickým subjektům zvýšit svoje tržby a získat konkurenční výhodu. Evropská komise se snaží, aby země Evropské Unie obstály v konkurenci s jinými státy světa, a proto klade na tuto oblast zvláštní důraz. Jednou ze sedmi stěžejních iniciativ strategie Evropa 2020, kterou přijala Evropská Unie, je iniciativa Digitální agenda. Ta konkretizuje některé cíle v oblasti informačních technologií, které by měly jednotlivé členské státy splnit. Z důvodu aktuálnosti, důležitosti i rychlých změn v této oblasti jsem se rozhodl toto téma zpracovat ve své diplomové práci. Cílem této práce je analýza stavu a vývoje informatizace v zemích Evropské Unie a České republice. Teoretická část v druhé kapitole popíše výše uvedenou strategii Evropa 2020 a její iniciativu Digitální agenda. Ta obsahuje několik konkrétních měřitelných cílů, které zde budou uvedeny. Následovat bude popis statistických analýz a metod, které budou použity v praktické části práce. Praktická část nejprve rozebere ve čtvrté kapitole stav a vývoj v oblasti investic do ICT v zemích Evropské Unie. Současně zhodnotí dovoz a vývoz ICT zboží. Často skloňovaným termínem v informatice je v posledních letech cloud computing. Využívají ho nejen podniky, ale i jednotlivci. Kromě nesporných pozitiv má ovšem i svá negativa. Která to jsou, a jak ovlivňují využívání této služby, bude uvedeno v páté kapitole. Jedním z cílů Evropské komise, na který klade důraz, je maximální rozšíření on-line obchodování. Z tohoto důvodu bude v další části práce podroben ukazatel jednotlivci nakupující přes internet hlubší analýze. Veškeré statistické analýzy budou zpracovány pomocí statistického softwaru Statistika, jehož výstupy jsou v práci prezentovány. Následovat bude shluková analýza IT indikátorů a shluková analýza všech států Evropské Unie. Tato analýza nám vytvoří skupiny zemí, které si jsou v oblasti využívání informačních technologií nejvíce podobné. Korelační analýza jednotlivých IT indikátorů v kapitole 6.4 bude zkoumat vzájemné závislosti mezi nimi. Na závěr bude provedena regresní analýza. Ta bude zkoumat zda, a jakou měrou ovlivňují některé ekonomické či sociální veličiny informatizaci ve společnosti. Jako zástupce informatizace byla vybrána závisle proměnná domácnosti vybavené vysokorychlostním 8

9 internetem. Nezávisle proměnnými budou ukazatele reprezentující hospodářskou a sociální situaci členských zemí EU. 9

10 Teoretická část 1 Zvolené metody zpracování Tato diplomová práce vnikla na základě aplikace různých metod, které mi dopomohly k dosažení objektivních závěrů. Pro teoretickou část jsem zvolil metodu studia odborných publikací, které byly základem pro uplatnění konkrétních postupů v praktické části. Základní metodou, kterou jsem použil při zpracování práce, byla analýza. Tato metoda byla uplatněna hlavně v praktické části, kde byla aplikována na oblast informačních technologií v zemích Evropské Unie. Abych se vyvaroval nepřesných výstupů či neobjektivních komentářů, čerpal jsem veškerá data z oficiální databáze Eurostatu, menší část informací pochází z databáze Českého statistického úřadu. Další metody, které jsem použil v praktické části, byly pozorování, srovnávání a analogie. Pozorováním jsem sledoval hlavně stav v oblasti cloud computingu, exportu, importu a investic do ICT. Srovnávání bylo využito při zjišťování úrovně vyspělosti informačních technologií v zemích EU, kdy byly zjišťovány rozdíly mezi konkrétními státy. Abych dosáhl dílčího cíle, vytvoření skupiny států, které si jsou v úrovni využívání informačních technologií co nejvíce podobné, použil jsem metodu analogie. Ta byla použita pří aplikaci shlukové analýzy. 10

11 2 Strategie Evropa 2020 V praktické části se budeme několikrát odkazovat na cíle, které si vytyčila Evropská komise v dokumentu Digitální agenda. Tento dokument je součástí strategie Evropské Unie Strategie Evropa 2020, která byla přijata v roce Ta volně navazuje na Lisabonskou strategii, jež byla naplňována od roku 2000 do roku Pro lepší přehlednost a porozumění celkové koncepci vedení Evropské Unie si popíšeme cíle, které jsou vytyčeny v této strategii [5]: 1 Zaměstnanost: zaměstnat 75 % osob ve věkové kategorii od 20 do 64 let. 2 Výzkum a vývoj: investovat do výzkumu a vývoje 3 % HDP Evropské unie. 3 Změna klimatu a udržitelné zdroje energie: snížit emise skleníkových plynů o 20 % (nebo dokonce o 30 %, pokud k tomu budou vytvořeny podmínky) ve srovnání se stavem v roce 1990, zvýšit podíl energie z obnovitelných zdrojů na 20 %, zvýšit energetickou účinnost o 20 %. 4 Vzdělávání: snížit míru nedokončení studia pod 10 %, dosáhnout ve věkové kategorii od 30 do 34 let alespoň 40% podílu vysokoškolsky vzdělaného obyvatelstva. 5 Boj proti chudobě a sociálnímu vyloučení: snížit alespoň o 20 milionů počet lidí, kteří žijí v chudobě a sociálním vyloučení nebo jsou na pokraji chudoby a hrozí jim sociální vyloučení. Jelikož v jednotlivých státech panují rozdílné podmínky, stanovují si jednotlivé členské státy vnitrostátní cíle, které se celkovým cílům přibližují [5]. 11

12 2.1 Stěžejní iniciativy Součástí Strategie Evropa 2020 je sedm stěžejních iniciativ [6], které mají za úkol vytvořit nová pracovní místa a vyhledávat nové zdroje růstu. Orgány členských států a EU musí u každé iniciativy svou činnost koordinovat, aby se jejich akce vzájemně podporovaly. Stěžejní iniciativy: Inteligentní růst Digitální agenda pro Evropu Unie inovací Mládež v pohybu Udržitelný růst Evropa méně náročná na zdroje Průmyslová politika pro éru globalizace Růst podporující začlenění Program pro nové dovednosti a pracovní místa Evropská platforma pro boj proti chudobě 2.2 Digitální agenda pro Evropu Iniciativa, která se konkrétně zabývá oblastí ICT, se nazývá Digitální agenda pro Evropu. Tento strategický plán má za úkol podpořit hospodářský růst zemí Evropské Unie a přinést výhody digitálního věku všem občanům členských zemí, viz [7]. Agenda obsahuje sedm stěžejních cílů, které se skládají z přibližně sta dalších opatření, z nichž třicet jedna je legislativní povahy. Cíle Digitální agendy: 1. nový jednotný trh, který přinese výhody digitálního věku, 2. zlepšení standardizace a interoperability v oblasti ICT, 3. zvýšení důvěry a bezpečnosti, 4. zvýšení přístupu Evropanů k rychlému a superrychlému internetu, 5. podpora špičkového výzkumu a inovací v ICT, 6. počítačová gramotnost a služby dostupné on-line posílí postavení Evropanů, 12

13 7. uvolnění potenciálu ICT ve prospěch společnosti. Konkrétní měřitelné cíle agendy Aby bylo možno jednotlivé opatření a kroky vyhodnotit, definovala Evropská komise konkrétní kritéria v jednotlivých oblastech, která by se měla plnit. Konkrétní cíle Digitální agendy jsou uvedeny v její příloze pod názvem Klíčové výkonnostní cíle [7]. Můžeme zmínit některé z nich: základní širokopásmové připojení k internetu do konce roku 2013 pro všechny občany Evropské Unie (tento cíl byl splněn v říjnu 2013, jak se uvádí v [8]), rychlé širokopásmové připojení do roku 2020, 100% pokrytí širokopásmového připojení o rychlostech 30 Mb/s nebo vyšších pro všechny občany EU, superrychlé širokopásmové připojení do roku 2020, 50 % evropských domácností by mělo mít připojení o rychlosti přesahující 100 Mb/s, podpora elektronického obchodování (ecommerce 1 ), 50 % obyvatel EU by mělo do roku 2015 nakupovat on-line, přeshraniční elektronický obchod, 20 % obyvatel EU by mělo do roku 2015 nakupovat on-line v zahraničí, jednotný trh telekomunikačních služeb, rozdíly v roamingu 2 a vnitrostátních tarifech by se do roku 2015 měly přiblížit nule, elektronický obchod pro podniky, 33 % malých a středních podniků by mělo do roku 2015 provádět nákup/prodej on-line, zvýšení pravidelného používání internetu z 60 na 75 % do roku 2015 (tento cíl byl splněn v roce 2014, viz kapitola 5.2), v případě znevýhodněných osob pak ze 41 na 60 %, do roku 2015 snížit na polovinu podíl obyvatel, kteří internet nikdy nepoužili na 15 % (v roce 2009 byl tento podíl 30 %, v roce 2014 se pohyboval na úrovni 18 %, viz kapitola 5.2), posílení výzkumu a vývoje IKT, zdvojnásobit veřejné investice na 11 miliard EUR. 1 ecommerce elektronické obchodování uskutečněné prostřednictvím internetu 2 roaming poskytování telekomunikačních služeb v jiné zemi než je účastník zaregistrován 13

14 2.3 Nové digitální priority na období Z důvodu relativně rychlých změn v oblasti informačních technologií, byly Evropskou komisí aktualizovány priority a cíle obsažené v Digitální agendě. Koncem roku 2012 bylo zhodnoceno dosavadní plnění Digitální agendy a představeny nové upravené cíle [9]. Jedná se o vytvoření nového a stabilního regulačního prostředí v oblasti širokopásmového připojení. Další oblastí je podpora zavedení digitálních služeb, která by měla přinést snížení nákladů. Elektronické zadávání zakázek (eprocurement 3 ) by mohlo přinést úspory ve výši 100 miliard EUR ročně a elektronická veřejná správa (egoverment 4 ) dokáže snížit správní náklady o %. Evropská komise stanovila 7 nových priorit pro období [9]: posilování rozvoje evropské digitální ekonomiky bez hranic s cílem vytvořit celosvětově největší a nejrozmanitější jednotný digitální trh obsahu a služeb a zároveň plně zaručit práva spotřebitelů a tvůrců, urychlení inovací veřejného sektoru zavedením interoperabilních 5 informačních a komunikačních technologií a zlepšením výměny a využívání informací, nabídka a poptávka v oblasti velmi rychlého internetu, zde se Komise zaměří na vytvoření nového a stabilního regulačního prostředí pro rozvoj vysokorychlostních sítí, podpora bezpečného a důvěryhodného prostředí internetu pro uživatele a provozovatele díky posílené evropské a mezinárodní spolupráci v reakci na globální rizika, vytvoření soudržného rámce a podmínek pro služby cloud computingu 6 v Evropě s cílem vytvořit celosvětově největší trh ICT založený na službě cloud computing, vytvoření příznivého prostředí pro přeměnu tradičního podnikání a podpora inovativních internetových podniků. Zvýšení digitální gramotnosti a rozšíření 3 eprocurement je označení pro elektronická tržiště a elektronické aukce. 4 egoverment prezentuje komunikaci se státními a veřejnými institucemi v elektronické podobě. 5 Interoperabilita je schopnost různých systémů vzájemně spolupracovat, poskytovat si služby, dosáhnout vzájemné součinnosti. 6 Cloud computing je poskytování a využívání IT služeb a programů uložených na serverech prostřednictvím internetu. 14

15 digitálních dovedností s cílem překlenou mezeru mezi poptávkou a nabídkou v oblasti odborníků ICT, provádění ambiciózní strategické politiky výzkumu a inovací pro dosažení průmyslové konkurenceschopnosti na základě financování klíčových technologií. 3 Statistické metody použité v analýze vybraných indikátorů 3.1 Popisná statistika Pokud získáme určitá data statistického souboru, většinou nás zajímají jejich základní statistické charakteristiky. Těmito charakteristikami se zabývá popisná statistika. Mezi základní ukazatele patří míry úrovně (polohy), míry variability, šikmost a špičatost rozdělení, jak uvádí Hindls [3]. Míry úrovně (polohy) Za základní vlastnost rozdělení lze považovat jeho úroveň. Měří se pomocí různých druhů středních hodnot. Pomocí těchto číselných charakteristik můžeme zobecnit hodnoty zkoumaného souboru. Střední hodnoty počítané ze všech jednotek statistického souboru se nazývají průměry. Mezi nejdůležitější průměry patří průměr aritmetický, harmonický, geometrický a kvadratický [1]. Téměř v každé statistické úloze se vypočítává nejčastěji používaný druh průměru, aritmetický průměr. 2.1 Mezi důležité střední hodnoty, které jsou založeny na vybraných hodnotách souboru, patří medián a modus. Medián dělí statistický soubor na dvě stejně četné poloviny a značí se x. Modus je hodnota, která se v souboru vyskytuje nejčastěji, je označován jako x. Kvantil je hodnota, která rozděluje statistický soubor na dvě části [3]. Jedna část obsahuje hodnoty, které jsou menší (nebo stejné) než tento kvantil, druhá část obsahuje naopak hodnoty větší než kvantil. Výše uvedený medián je 50% kvantil, jeho označení je x,. Další důležité kvantily, které se často ve statistice používají, jsou kvartily, decily a percentily. 15

16 Kvartily jsou tři a dělí statistický soubor na čtyři části. Každá část obsahuje zhruba 25 % jednotek. Dolní kvartil x, odděluje čtvrtinu nejnižších hodnot od zbytku souboru. Horní kvartil x, odděluje 75 % nejnižších hodnot od 25 % hodnot nejvyšších. Prostřední kvartil je medián. Míry variability K detailnějšímu popisu statistického souboru slouží ve statistice míry variability [3]. Může se stát, že budeme mít dva soubory se shodným aritmetickým průměrem, přesto se mohou od sebe výrazně lišit koncentrací okolo tohoto průměru. Obecně lze říci, že vypovídací hodnota aritmetického průměru je větší, čím menší je variabilita sledovaného znaku. Nejjednodušší, zároveň nejhrubší mírou variability je variační rozpětí Výpočet je snadný a rychlý, interpretace jednoduchá. Problém je v tom, že krajní hodnoty mohou být extrémní, to vyvolá značnou velikost variačního rozpětí. Další nevýhoda spočívá v tom, že variační rozpětí neříká nic o variabilitě hodnot uvnitř souboru. Obdobnou mírou variability variačnímu rozpětí, kterou budu používat v této práci při analýze některých statistických souborů je kvartilové rozpětí. Výpočet kvartilového rozpětí je analogický s výpočtem variačního rozpětí, jedná se o rozdíl horního a dolního kvartilu. Jeho výhodou je, že není tak citlivý vůči odlehlým hodnotám. V tomto intervalu se nachází 50 % údajů.,, 2.3 Základní a nejpoužívanější charakteristikou variability je rozptyl. Ten se vypočítává jako průměr čtverců odchylek jednotlivých znaků od jejich aritmetického průměru. s 2 x n i 1 x i-x 2 n

17 Jelikož je výsledek rozptylu ve čtvercích použité měrné jednotky, špatně se interpretuje. Z tohoto důvodu se pro popis variability souboru častěji používá směrodatná odchylka, jež je odmocninou rozptylu. 2.5 Pokud chceme porovnávat dva statistické soubory obsahující různé měrné jednotky, použijeme k tomu variační koeficient. Je definován jako podíl směrodatné odchylky a aritmetického průměru. Výsledkem je bezrozměrné číslo, jehož násobek stem udává variabilitu souboru v procentech. 2.6 Šikmost a špičatost Do popisné statistiky se řadí též šikmost a špičatost, jedná se o tzv. míry tvaru [1]. Šikmost udává, kterým směrem je proměnná asymetricky rozložena. Pokud se většina hodnot nachází pod průměrem, jedná se o šikmost pravostrannou, pokud je většina nad průměrem, mluvíme o levostranné šikmosti. 2.7 Špičatost určuje relativní strmost nebo plochost rozdělení v porovnání s normálním rozdělením. Kladná špičatost znamená, že rozdělení je poměrně strmé. Záporná špičatost znamená, že rozdělení je poměrně ploché

18 Krabicový graf Některé výše uvedené míry popisné statistiky lze vyjádřit pomocí krabicového grafu [1]. Ten se skládá z obdélníku, jehož spodní hrana představuje dolní kvartil, horní hrana horní kvartil. Čtvereček eček uvnitř obdélníku prezentuje medián. Anténky vycházející z obdélníku dosahují na minimální ní a maximální hodnotu souboru. Pokud se v souboru nacházejí odlehlé a extrémní hodnoty, jsou vyznačeny kolečkem, respektive hvězdičkou. Graf 1: Krabicový graf Zdroj: Vlastní zpracování 3.2 Koeficient růstu Koeficient růstu slouží k porovnání údaje za sledované období s údajem za předcházející období. Udává, o kolik procent se změnil údaj ve srovnávaném období vzhledem k předcházejícímu období [1]. 18

19 Průměrný koeficient růstu je průměrný růst sledovaného ukazatele za celé zkoumané období. Vypočítáme ho jako geometrický průměr všech n-1 koeficientů růstu Shluková analýza Cílem shlukové analýzy je rozklad souboru objektů do několika podsouborů, jejichž prvky mají podobné hodnoty proměnných, dle kterých se rozdělení posuzuje [2]. Prvním krokem je získání matice dat. Ta se skládá z n prvků a p proměnných. Prvky se sdružují do k shluků tak, aby si byly tyto prvky uvnitř shluku co nejvíce podobné a naopak, aby se odlišovaly od prvků z jiných shluků. K hodnocení podobnosti shluků se používají různé míry vzdálenosti např. Euklidovská, Hemmingova, Čebyševova, Mahalanobisova, blokové vzdálenosti (Manhattan). Na základě změření vzdáleností mezi objekty se vytvoří matice vzdáleností. Nejbližší prvky se spojí do shluku a vytvoří se nová matice vzdáleností. Takto se postupuje až do vytvoření jediného shluku. Spojování do shluků má svá pravidla a lze si vybrat z několika metod k tomu určených. Metody ke shlukování jsou: metoda nejbližšího souseda, metoda nejvzdálenějšího souseda, metoda průměrné vazby, centroidní metoda, Wardova metoda. V této práci bude použita Wardova metoda, která využívá ke shlukování rozptyl. V každém kroku se vypočítá součet rozptylů pro všechny možné dvojice prvků. Následně se shlukne dvojice, která má nejnižší součet rozptylů. Takto se postupuje dál, až jsou všechny objekty spojeny v jednom shluku. Z takto vzniklých skupin se vytvoří dendogram, který slouží ke grafickému znázornění jednotlivých shluků. 19

20 3.4 Korelační analýza Korelační analýza se zabývá měřením síly (intenzity) lineárních závislostí numerických proměnných [2]. Silou závislosti rozumíme stupeň, s nímž se závislost blíží funkční závislosti. Závislost je tím silnější, čím více jsou jednotlivé napozorované hodnoty blíže regresní čáře popisující průběh závislosti. Párová korelace Základní mírou lineární těsnosti závislosti dvou proměnných je párový korelační koeficient, ten můžeme vypočítat jako podíl kovariance a součinu směrodatných odchylek obou proměnných a Korelační koeficient může nabývat hodnot intervalu 1;1. Znaménko koeficientu vyjadřuje směr závislosti. Pokud je korelační koeficient vypočítaný z výběrových dat blízký 1, jedná se o silnou lineární závislost mezi proměnnými X a Y. Jestliže se blíží nule, znamená to, že jsou proměnné slabě lineárně korelované. Mohou být ovšem závislé jiným způsobem, např. logaritmicky, exponenciálně. Pokud je hodnota výběrového korelačního koeficientu vysoká, nemusí to nutně znamenat silnou závislost v základním souboru. Tato závislost může být zkreslena důsledkem náhodnosti výběru, zejména v případě malých výběrů. Významnost výběrového korelačního koeficientu ověřujeme testem nezávislosti. Testové kritérium významnosti korelačního koeficientu má Studentovo rozdělení

21 Pokud testové kritérium leží v kritickém oboru, můžeme konstatovat, že vypočítaný korelační koeficient značí statisticky významnou závislost. Tuto významnost lze ověřit také pomocí F-testu, který používá při výpočtech analýzu rozptylu. Ve statistických programech je u kvality testu uvedena hodnota p-value. Pokud je p-value menší než hladina významnosti (standardně 0,05), potom zamítáme hypotézu o nezávislosti proměnných. Pořadová korelace Dalším způsobem, jak vypočítat korelační koeficient, je použít výpočet pomocí pořadové korelace. Hodnoty dvou znaků nahradíme jejich pořadovými čísly a vypočítáme Spearmanův koeficient pořadové korelace V této rovnici vyjadřují a pořadí sledovaných proměnných X a Y. Koeficient pořadové korelace může stejně jako párový korelační koeficient nabývat hodnot 1;1. Hodnoty blízké 1 znamenají shodu pořadí, naopak hodnoty blízké 1 značí neshodu pořadí, tedy zápornou závislost. Hodnoty blízké nule vyjadřují nezávislost. Statistickou významnost Spearmanova koeficientu ověřujeme stejným způsobem jako u korelačního koeficientu pomocí t-testu a p-value. Spearmanův koeficient pořadové korelace se používá zejména v případech, kdy v souboru existují odlehlá pozorování, a kdy závislost není lineární. Vícenásobná korelace Ve vícenásobné korelační analýze identifikujeme tři druhy korelačních koeficientů, jak uvádí Blatná [2]: Výběrové párové korelační koeficienty. Tyto koeficienty měří těsnost lineární závislosti dvou proměnných a to jak závislosti mezi vysvětlovanou proměnnou y a jednotlivými vysvětlujícími proměnnými, tak i sílu lineární závislosti všech dvojic nezávisle proměnných. Výběrové dílčí (parciální) korelační koeficienty. Měří těsnost lineární závislosti dvou proměnných před tečkou, za předpokladu, že vliv ostatních proměnných uvedených za tečkou je konstantní, např. r

22 Vícenásobný korelační koeficient. Měří sílu lineární závislosti mezi závislou proměnnou a společným působením všech nezávisle proměnných. K posouzení těsnosti vícenásobné závislosti se častěji používá čtverec vícenásobného korelačního koeficientu vícenásobný koeficient determinace.... Jedná se o vyjádření podílu variability závisle proměnné, který lze vysvětlit společným působením všech vysvětlujících proměnných. 3.5 Regresní analýza Závislostí mezi numerickými znaky se zabývá regresní analýza. Jedná se o vztah příčinné závislosti, kdy výskyt jednoho jevu (příčina) má za následek výskyt jiného jevu (následek) [2]. Jedná se o analýzu vztahu středních hodnot numerické proměnné Y a hodnot jiné numerické proměnné X nebo většího počtu numerických proměnných. Pokud zkoumáme závislost dvou znaků, hovoříme o jednoduché regresní analýze. V případě zkoumání více znaků se jedná o vícenásobnou regresní analýzu. Ověření významnosti parametrů regresního modelu V této části se testuje nulová hodnota regresních parametrů. Testové kritérium má tvar: Kritický obor tvoří hodnoty testového kritéria a, kde p značí počet parametrů funkce. Pokud je hodnota p-value menší než hladina významnosti α, je potvrzena významnost regresního parametru. Posouzení kvality regresního modelu Kritéria, podle kterých lze posuzovat kvalitu regresní funkce dle Blatné [2]: 1. Index determinace (I 2 ). Jedná se o poměr teoretického součtu čtverců a celkového součtu čtverců, neboli podíl části rozptylu na celkovém rozptylu hodnot. Proto jeho hodnoty mohou být v intervalu 0;1. Index determinace vyjádřený v procentech udává, jakou část rozptylu závisle proměnné Y lze vysvětlit zvolenou regresní funkcí. 22

23 2.13 Velikost indexu determinace roste s počtem parametrů, proto se k porovnávání různých modelů, které obsahují různý počet nezávisle proměnných, používá upravený index determinace. Ten ve svém výsledku zohledňuje počet parametrů funkce Reziduální rozptyl. Čím menší je reziduální rozptyl, tím je regresní funkce vhodnější. Jedná se vlastně o zbytek indexu determinace, který naopak říká, že čím je jeho hodnota vyšší, tím je funkce vhodnější Dílčí t-testy. Těmito testy ověřujeme nulové hodnoty regresních koeficientů. Vhodná je funkce s významnými (nenulovými) regresními parametry. 4. Celkový F-test. Tento test ověřuje hypotézu, kdy alespoň jeden parametr regresní funkce není nulový. Pokud je celkový test významný na určené hladině významnosti, je vhodné provést ještě dílčí t-testy. Testové kritérium celkového F-testu: Kritický obor tvoří hodnota testového kritéria 1;. Vícenásobná regresní analýza V této práci bude použita vícenásobná regresní analýza. Ta má za úkol vysvětlit variabilitu jedné závisle proměnné na základě hodnot několika nezávisle proměnných [2]. Prvním 23

24 krokem analýzy je volba vhodné regresní funkce. Poté se odhadnou parametry regresního modelu, které se následně otestují. Na závěr se zkoumá vhodnost (kvalita) modelu. Metoda Stepwise (kroková regrese) Tato metoda je metodou vícenásobné regresní analýzy. Pokud máme k dispozici více nezávisle proměnných, z kterých chceme vybrat pouze ty, které budou mít největší přínos při vysvětlování závisle proměnné, můžeme použít metodu Stepwise. Tato metoda má dvě varianty, dopřednou a zpětnou. Při dopředné krokové regresy jsou proměnné postupně přidávány do vícenásobného vztahu. Nejdříve se zařadí vysvětlující proměnná s nejvyšším párovým korelačním koeficientem. V každém dalším kroku se vypočítají dílčí korelační koeficienty a F-testy pro zařazení další proměnné a F-testy pro vyřazení již zařazené proměnné. Takto se postupně zařazují a vyřazují nezávisle proměnné do vztahu do té doby, dokud významně zvyšují procento vysvětleného rozptylu závisle proměnné. Při zpětné krokové regresy jsou zpočátku zařazeny všechny nezávisle proměnné do vícenásobného vztahu, a postupně jsou odebírány ty, které mají nejmenší přínos při vysvětlování závisle proměnné. 24

25 Praktická část 4 Investice do ICT, dovoz a vývoz ICT zboží v ČR Definice ICT a jeho členění Informační a komunikační technologie (dále jen ICT) jsou definovány jako produkty, jejichž hlavní funkcí je uskutečnění nebo umožnění komunikace nebo zpracování informací, včetně jejich přenosu a zobrazení elektronickou cestou [10]. ICT vybavení a služby jsou pro statistiku ročních národních účtů, z nichž vycházejí data o výdajích a investicích v této oblasti, vymezeny následujícím způsobem: ICT vybavení (počítače a periferní zařízení, komunikační zařízení), telekomunikační služby, IT služby (programování a poradenství), resp. software v případě investic. ICT (Information and Communication technologies) znamená v překladu informační a komunikační technologie, česká zkratka je IKT. Dříve se používala zkratka IT, v které scházel prvek komunikací. Ten byl doplněn až v době, kdy mezi sebou počítače a sítě začaly komunikovat ve velkém. Hlavními komunikačními kanály jsou v dnešní době bezesporu internet a mobilní sítě, kterými denně proudí velké množství dat. Bez ICT si lze fungování dnešní společnosti jen těžko představit. Jak tvrdí Vinecká [11], výdaje a investice v ICT urychlují rozšiřování ICT technologií ve společnosti a zároveň přispívají k růstu HDP. Využívání ICT ve všech částech ekonomiky pomáhá nejen podnikům zvětšit celkovou efektivitu, ale také zároveň zvýšit nárůst produktivity. Z tohoto důvodu se v této části práce budeme zabývat jak investicemi do ICT, tak vývozem a dovozem ICT zboží. Podrobněji budeme analyzovat stav v této oblasti v České republice, současně budeme tento stav porovnávat s některými zeměmi Evropské Unie, velice okrajově se státy světa. Statistická data jsou převzata z databáze Českého statistického úřadu, jelikož databáze Eurostatu nemá tyto data kompletní. 4.1 Investice do ICT v ČR a EU Nejvíce se v České republice investovalo do ICT na přelomu tisíciletí, kdy byla velká část těchto investic alokována do počítačového vybavení, jak uvádí Mana v měsíčníku Českého statistického úřadu Statistika&my [4]. Vrcholem byly roky 2000 a 2001, kdy se celkové 25

26 investice do ICT v České republice pohybovaly kolem sta miliard korun. Pro srovnání v roce 2012 byly tyto investice poloviční. Stejný trend můžeme pozorovat v celé Evropské Unii. Česká republika byla v letech 2000 a 2001 v poměru k HDP největším investorem do ICT v rámci EU. Příčinou takto velkých investic do počítačového vybavení byla obava z přechodu na nové tisíciletí, tzv. Y2K problém. Nejen soukromý, ale i veřejný sektor vynaložil v těchto letech nemalé částky na obnovu počítačové a komunikační techniky. Graf 2: Investice do ICT celkem v České republice v letech 1993 až 2012 (mil. Kč; % z celkových investic) Investice do ICT 180, , , , , % 11.9% 9.3% 10.5% 11.7% 12.3% 14.0% 15.1% 15.1% 11.5% 9.0% 9.5% 8.4% 8.1% 8.7% 8.9% 9.0% 8.9% 9.4% 9.3% 18.0% 16.0% 14.0% 12.0% 10.0% 80, % 60, % 40, % 20, % 0 0.0% mil. Kč % z celkových investic Zdroj dat: Český statistický úřad [11], vlastní zpracování 4.2 Podíl investic do softwaru Podíl investic do softwaru v rámci ICT dle [4] roste. V roce 2000 se v ČR výdaje na software na celkových investicích do ICT podílely z jedné čtvrtiny. V roce 2012 byl tento podíl již 52 %. V zemích jako je Francie, Finsko nebo Švédsko je tento podíl dokonce okolo 66 %. V České republice v roce 2012 podniky a veřejné instituce investovaly do software 42,6 mld. Kč, což je o 70 % více než v roce V posledních letech se v České republice investice do softwaru podílejí na tvorbě HDP přibližně jedním procentem. Je to méně, než se investuje do 26

27 softwaru ve většině zemí EU. Ještě menší podíl investic k HDP do softwaru než u nás mají například na Slovensku, Irsku, Řecku, a překvapivě i v Německu. Graf 3: Investice do softwaru ve vybraných zemích EU (% k HDP) v letech 2000 a 2011 ŠVÉDSKO SPOJENÉ KRÁLOVSTVÍ FRANCIE RAKOUSKO BELGIE NIZOZEMSKO FINSKO ŠPANĚLSKO LUCEMBURSKO PORTUGALSKO SLOVINSKO ČESKÁ REPUBLIKA ITÁLIE NĚMECKO SLOVENSKO IRSKO ŘECKO Investice do softwaru 0.00% 0.50% 1.00% 1.50% 2.00% 2.50% 3.00% Zdroj dat: Český statistický úřad [12], vlastní zpracování Ve vztahu k celkovým investicím dlouhodobě nejvíce investují do softwaru finanční instituce [4]. Podíl těchto investic byl v posledních deseti letech v rozmezí 24 až 48 %. Nefinanční soukromé podniky mají tento poměr podstatně nižší mezi 2,5 až 7 %. 4.3 Dovoz a vývoz ICT zboží Více než 14 % celkového exportu České republiky v roce 2012 tvořil vývoz ICT zboží [12]. Této komodity se vyvezlo zhruba za 450 mld. Kč. Dovoz stejného zboží byl přibližně o 42 mld. Kč nižší. V minulosti tomu nebylo vždy tak, že by vývoz převyšoval dovoz. Až do roku 2000 byla situace opačná a import byl o více než polovinu vyšší než export. V roce 2005 přišel zlom a od té doby je zahraniční bilance v této oblasti vyrovnaná nebo kladná. Hranice 100 mld. Kč hodnoty vyvezeného ICT zboží byla překonána v roce Během dalších deseti let se tato částka zvyšovala v průměru o 14 % ročně na 444 mld. v roce 2012, což bylo 27

28 o čtvrtinu více, než byl v té době export tuzemské produkce strojírenského průmyslu. Podle předběžných údajů se v roce 2013 celkem výrazně snížil vývoz ICT zboží, a to přibližně o 8 %. V absolutních hodnotách klesl nejvíce vývoz do Německa a Nizozemska. Graf 4: Vývoz ICT zboží z České republiky v letech 2000 až 2012 Vývoz ICT zboží mld. Kč % 15% 15% 15% 14% 14% 11% 11% 12% 13% 11% 7% 4% % 16% 14% 12% 10% 8% 6% 4% 2% 0% vývoz v mld. Kč % na celkovém vyvozu Zdroj dat: Český statistický úřad [12], vlastní zpracování Co se týče dovozu tohoto zboží do České republiky, můžeme pozorovat podobný trend jako u vývozu [12]. V letech 2000 až 2010 rostl každoročně průměrně o 13,6 %. Vrcholu dosáhl v roce 2010, kdy bylo dovezeno do ČR ICT zboží v celkové hodnotě 432 mld. Kč. V tomto roce byla tato částka osmá nejvyšší v EU a osmnáctá na celém světě. Nutno dodat, že tento objem výrazně ovlivnil dovoz fotosenzitivních polovodičových zařízení, včetně fotovoltaických článků, celkem za 55,5 mld. Kč, jak tvrdí Mana [4]. Tato komodita byla potřebná k výstavbě slunečních elektráren, které v tomto období zaznamenaly velký boom. 28

29 Graf 5: Dovoz ICT zboží do České republiky v letech 2000 až 2012 Dovoz ICT zboží mld. Kč % 12% 12% 12% 11% 18% 16% 16% 15% 14% 14% 9% 8% % 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% dovoz v mld. Kč % na celkovém dovozu Zdroj dat: Český statistický úřad [12], vlastní zpracování V roce 2013 byl stejně jako u vývozu ICT zboží zaznamenán meziroční pokles o 6 %. Přesto je částka 379 mld. Kč dovozu ICT zboží v roce 2013 osmkrát vyšší než dovoz osobních automobilů do ČR [4]. Největším importérem do České republiky je dlouhodobě Čína, ta se na dovozu ICT zboží podílela v roce 2013 čtyřiceti sedmi procenty. Většinou se odtud dovážejí jednotlivé díly a komponenty určené pro následnou výrobu ICT výrobků. Struktura vývozu a dovozu Graf 6 znázorňuje podíly dovezených a vyvezených druhů ICT zboží. Nejvíce se na exportu i importu podílely počítače a periferní zařízení [12]. Pokud budeme strukturu analyzovat, zjistíme, že v dovozu je daleko větší zastoupení IT součástek než ve vývozu. Naopak sestavených počítačů a spotřební elektroniky se vyváží přibližně o 27 % více, než se jich dováží. Tento nesoulad naznačuje, že se do naší republiky dovážejí díly, ze kterých se u nás sestaví počítače a jiná spotřební elektronika, která se následně exportuje dále na západ. Přibližně 86 % hotových IT produktů skončilo během poslední deseti let v Německu [4]. 29

30 Graf 6:Struktura dovozu a vývozu ICT zboží v ČR v roce % 50% 40% Struktura dovozu a vývozu ICT zboží v ČR v roce % 30% 36% 20% 10% 0% POČÍTAČE A PERIFERNÍ ZAŘÍZENÍ 25% 10% OSTATNÍ DÍLY A ČÁSTI ICT 19% 9% ELEKTRONICKÉ SOUČÁSTKY 17% 8% SPOTŘEBNÍ ELEKTRONIKA 13% 14% KOMUNIKAČNÍ ZAŘÍZENÍ dovoz vývoz Zdroj dat: Český statistický úřad [12], vlastní zpracování Pozitivum tohoto jevu je vytvoření nových pracovních příležitostí v tomto oboru. Bohužel v této oblasti nedochází v posledních letech, kdy rapidně rostly tržby těchto podniků, ani ke zvýšené tvorbě přidané hodnoty, ani k růstu investic, viz Mana [4]. 30

31 5 Cloud computing v EU Evropská komise aktualizovala cíle Digitální agendy v roce 2012 [9]. Jedním z těchto aktualizovaných cílů je vytvořit celosvětově největší trh ICT založený na službě cloud computingu. Z technologického hlediska je cloud computing model pro poskytování přístupu subjektům přes internet do sdíleného fondu konfigurovatelných výpočetních zdrojů, včetně serverů, databází, softwarových aplikací, skladovací kapacity a výpočetního výkonu [13]. Anglické slovíčko cloud představuje mrak, ze kterého jsou tyto prostředky poskytovány. 5.1 Struktura využití cloud computingu podniky EU Důvodů, proč je tato oblast podle statistických údajů v odvětví informačních technologií v současné době na vzestupu, může být několik. Jedním z nich by mohla být podle mého názoru celková finanční a časová náročnost individuálního řešení IT oblasti, ať již ve firmách či v domácnostech. Nejčastěji jsou prostřednictvím cloud computingu poskytovány následující služby [13]: , kancelářský software, uložení souborů, hosting podnikových databází, finanční a účetní podnikové aplikace, CRM aplikace, výpočetní výkon pro podnikový software. Většina podniků v dnešní době potřebuje ke svému efektivnímu fungování informační technologie. Každý podnikatelský subjekt má ze zákona povinnost vést účetnictví. Tuto činnost si lze dnes bez příslušného IT vybavení těžko představit. Převážná část komunikace se v současné době vyřizuje elektronickou poštou, její provoz zabezpečuje poštovní server s příslušnou databází. Pro optimální chod a řízení podniku jsou důležité různé statistiky a analýzy, které čerpají informace z dalších databází. Objemy dat těchto databází logicky rostou. K tomu je zapotřebí uložiště, na které se budou data ukládat, většinou se musí počítat s dvojnásobnou kapacitou, z důvodu zálohy důležitých dat. Pokud se objemy těchto dat navyšují, dá se předpokládat, že také nároky na výkon hardware se zvyšují. 31

32 Tabulka 1: Využívání cloud computingu podniky EU v roce 2014 Využívání cloud computingu Uložení dat Hostování podnikových databází Office software Finanční a účetní softwarové aplikace CRM software Výpočetní výkon pro vlastní podnikový software % podniků % podniků používajících cloud Evropská Unie (28 států) Belgie Bulharsko Česká republika Dánsko Německo Estonsko Irsko Řecko Španělsko Francie Chorvatsko Itálie Kypr Lotyšsko Litva Lucembursko Maďarsko Malta Holandsko Rakousko Polsko Portugalsko Rumunsko Slovinsko Slovensko Finsko Švédsko Spojené království Zdroj dat: Eurostat [13], vlastní zpracování Výhody vyplývající z využívání cloudu Poskytování cloud computingu se dělí na dva typy. Prvním z nich je veřejný cloud, druhým je privátní [13]. Privátní cloud znamená, že veškeré poskytované prostředky jsou vyčleněny pouze pro jeden podnik. Ten se nedělí o kapacity s ostatními uživateli, což zvyšuje úroveň bezpečnosti. Tuto službu využívá 7 % podniků států Evropské Unie. Veřejný cloud je určen pro sdílené užívání poskytovaných služeb. Tyto služby jsou standardizované a vyznačují se nízkou možností přizpůsobení. Služby veřejného cloudu využívá 12 % podniků EU. Průměrné využívání cloud computingu podniky v zemích Evropské unie je 19 %. Podniky České republiky jsou v užívání těchto služeb mírně pod průměrem EU, na úrovni 15 %. 32

33 Graf 7: Využití cloud computingu podniky EU v roce 2014 Využití cloud couputingu podniky EU EU = 19 % Zdroj dat: dat Eurostat [13 13],, vlastní zpracování K výhodám využívání cloud computingu patří časová úspora při nasazení nového IT řešení. Podnik si nemusí budovat vlastní informační systém, jehož vývoj od definování požadavků až po jeho nasazení může trvat několik měsíců, cloudové služby může začít využívat okamžitě. Je všeobecně známo, že hardware i software postupem času zastarávaj zastarávají. í. Tento aspekt se nemusí v případě využívání cloudu řešit, seriózní poskytovatel by se měl o tyto záležitosti ve svém vlastním zájmu automaticky starat. starat. Také nároky na výpočetní výkon, kapacitu datového uložiště či počet uživatelů přistupujících do datab tabází ází se může časem v podniku měnit. Pokud máme vlastní řešení s určitými kapacitami, může být někdy obtížné tuto změnu realizovat. V některých případech můžeme mít vlastní výkon a kapacity zbytečně předimenzované, což je neefektivní. V případě cloudu změníme své požadavky na základě uzavřené smlouvy a podnik může využívat objemy, které změníme jsou pro jeho potřeby optimální. Platí pouze za to, co spotřebuje. Další výhodou cloud computingu je to, že k využívaným službám moh mohou ou zaměstnanci podniku přistupovat odkudkoli. odkudkoli. Nemusí sedět v kanceláři kanceláři podniku, ale mohou pracovat tam, 33

34 kde je dostupné internetové připojení. Služby mohou využívat prostřednictvím tabletu, mobilního telefonu, laptopu, atp. Překážky, bránící podnikům využívání cloudových služeb Cloudové ové služby obsahují také prvky, které brání některým podnikům v jejich využívání. K nejčastějším důvodům, proč podniky nevyužívají cloud computing patří [13], viz graf 8: riziko narušení bezpečnosti, nejistota ohledně právních předpisů a řešení sporů, problém s přístupem k datům a softwaru, nejistota ohledně umístění dat, obtížná výpověď či změna poskytovatele, vysoké náklady na cloud computing, nedostatečná znalost cloud computingu. Graf 8: Podíl podniků EU a omezující faktory při nákupu cloudových služeb v roce Omezující faktory při nákupu cloudových služeb RIZIKO NARUŠENÍ BEZPEČNOSTI NEJISTOTA OHLEDNĚ PRÁVNÍCH PŘEDPISŮ A ŘEŠENÍ SPORŮ NEJISTOTA OHLEDNĚ UMÍSTĚNÍ DAT PROBLÉM SPŘÍSTUPEM KDATŮM A SOFTWARU OBTÍŽNÁ VÝPOVĚĎ ČI ZMĚNA POSKYTOVATELE VYSOKÉ NÁKLADY NEDOSTATEČNÁ NA CLOUD ZNALOST CLOUD COMPUTING COMPUTINGU velké podniky (250 a více zaměstnanců) malé a střední podniky ( zaměstnanců) Zdroj dat: Eurostat [13], vlastní zpracování Riziko bezpečnosti dat trápí spíše velké podniky EU, v průměru 57 % oproti 38 % středních a menších podniků. Neznalost cloud computingu je překážkou pro jeho používání 34

35 u 32 % středních a malých podniků, přičemž jako problém toto vidí pouze 17 % velkých podniků. Nejistota ohledně právních předpisů a sporů může spočívat v tom, že některá cloudová řešení jsou umístěna v různých částech světa. Není tedy úplně jasné, podle kterých zákonů by se případný spor řešil. 5.2 Použití internetu a využití cloudových služeb jednotlivci Používání internetu jednotlivci v členských zemích EU Cílem Digitální agendy je dosažení 75% podílu používání internetu jednotlivců států Evropské Unie alespoň jednou týdně do roku 2015 [7]. Toho bylo dle statistických údajů uvedených v databázi Eurostatu dosaženo již v roce Tabulka 2 zobrazuje podíl jednotlivců členských zemí EU, kteří použili internet za poslední tři měsíce, každý den či jednou za týden. Další dvě statistiky vypovídají o uživatelích, kteří nikdy nepoužili internet, a kteří používají internet mimo pracoviště a domov. Mezi státy, kde se nejméně využívá internet jeho obyvatelstvem, patří Bulharsko a Rumunsko. Zajímavé je, že nízký podíl uživatelů internetu mají také Itálie, Řecko, Portugalsko a Kypr. Jedná se jižně položené státy. Na druhou stranu nejaktivnější v používání internetu jsou severské země Švédsko, Dánsko, Finsko, společně s Holandskem, Lucemburskem a Spojeným královstvím. Všechny tyto státy měly v roce 2014 podíl jednotlivců, kteří použili internet za poslední 3 měsíce, vyšší než 90 %. V Dánsku nepoužili nikdy internet pouhá 3 % jednotlivců, v Rumunsku je tento podíl 39 %. 35

36 Tabulka 2: Využívání internetu jednotlivci v zemích EU v roce 2014 Použili internet během posledních tří měsíců Jednotlivci využívající internet Použili internet mimo domov nebo práci Nikdy nepoužili internet Každý den nebo skoro každý den Frekvence použití Alespoň jednou týdně (včetně použití každý den) Evropská Unie (28 států) Belgie Bulharsko Česká republika Dánsko Německo Estonsko Irsko Řecko Španělsko Francie Chorvatsko Itálie Kypr Lotyšsko Litva Lucembursko Maďarsko Malta Holandsko Rakousko Polsko Portugalsko Rumunsko Slovinsko Slovensko Finsko Švédsko Spojené království Zdroj: Eurostat [14], vlastní zpracování Stejně jako u podniků i mezi jednotlivci panuje obava o bezpečnost důvěrných dat, které by mohly být zneužity v cloudovém uložišti [14]. Toto je pro 44 % jednotlivců důvod, proč tyto služby nevyužívají. Ještě větší podíl jednotlivců (64 %) uvádí, že cloudové uložiště nevyužívají, protože ukládají data jinam, nebo neukládají vůbec. 28 % jednotlivců má pochyby o důvěryhodnosti poskytovatele cloudu. Pro 22 % je důvodem nevyužívání tohoto uložiště neznalost této technologie. 36

37 Mobilní používání internetu v zemích Evropské Unie se během jednoho roku zvýšilo ze 43 % v roce 2013 na 51 % v roce 2014, viz graf 9. Nejrychlejší růst byl zaznamenán v Německu, Estonsku, Španělsku a Maďarsku. V roce 2014 byla naše republika v používání mobilního internetu pod průměrem EU, na hodnotě 37 %. Graf 9: Podíl jednotlivců EU, kteří používali v letech 2013 a 2014 k přístupu na internet mobilní zařízení Přístup k internetu pomocí mobilního zařízení 75% 50% 25% 0% Zdroj dat: Eurostat [14], vlastní zpracování 37

38 6 Statistická analýza IT ukazatelů informatizační společnosti Cílem této práce je analýza stavu a vývoje informatizace v zemích EU a ČR. Abychom tohoto cíle dosáhli, budeme aplikovat v této kapitole statistické metody popsané v teoretické části. Dílčí výsledky, společně s jejich popisy a komentáři by měly čtenáři pomoci získat dostatečný přehled o současné úrovni informačních technologií v jednotlivých státech Evropské Unie. Zvláštní pozornost budeme věnovat stavu této oblasti v České republice. Statistické metody, které použijeme k analýze: popisná statistika, koeficient růstu, shluková analýza, korelační analýza, regresní analýza. 6.1 Popis vybraných indikátorů Prvním krokem této části je výběr konkrétních ukazatelů, které by charakterizovaly úroveň využívání informačních technologií členských zemí. Omezením při výběru dat byl seznam indikátorů, které Eurostat eviduje pro všechny státy Evropské Unie. Dalším důležitým faktorem byla aktuálnost a kompletnost statistických údajů. Snažili jsme se vybrat takové ukazatele, které by co nejvěrněji zobrazovaly současný stav dotčených zemí. V databázi lze nalézt údaje za rok 2013, ty jsou ovšem v některých případech nekompletní. Těch, které jsou kompletní, není takové množství, aby je bylo možno důkladně analyzovat. Kompromisem byly indikátory, které jsou evidované Eurostatem za rok Současně jsme se snažili vybrat ukazatele, které mají co nejtěsnější spojení s cíli Digitální agendy, popsané v druhé kapitole. Jedním z důležitých prvků informatizace společnosti je v současné době internet a jeho využívání. Aby byl efektivně využíván, měla by komunikace probíhat hladce, bez vyšších časových prodlev. Proto je důležitá také jeho rychlost. Ve výběru nechybí využívání internetu jak podniky, tak jednotlivci. 38

39 Vybrané indikátory, podrobněji viz příloha 1: Podniky, jejichž tržby z objednávek přijatých přes PC sítě tvořily více než 1 % jejich obratu (P-TR), Podniky používající IS CRM k analyzování informací týkajících se zákazníků pro marketingové účely (P-CRM), Automatizované sdílení informací uvnitř podniku o přijatých a zadaných objednávkách (P-OBJ), Podniky používající pravidelně elektronické sdílení informací s odběrateli či dodavateli (P-OD), Podniky s vysokorychlostním připojením (P-VI), Jednotlivci používající internet za účelem vzdělávání (J-VZD), Jednotlivci pravidelně používající internet (J-PI), Jednotlivci nakupující přes internet (J-NI), Jednotlivci využívající internetové bankovnictví (J-BA), Domácnosti vybavené vysokorychlostním připojením k internetu (D-VI). Popisná statistika Základní statistické údaje jednotlivých indikátorů znázorňuje tabulka 3. Některé hodnoty nám mohou pomoci získat lepší přehled o sledovaných datech. Pro lepší přehlednost jsou vybrané buňky barevně zvýrazněny. Zeleně vyplněné pole zobrazují minimální hodnoty sloupce, cihlově červenou barvou jsou označeny maximální hodnoty. Nejvíce aktivity v oblasti informačních technologií vyvíjejí podniky, to nám dokazuje ukazatel podniky s vysokorychlostním internetem. Průměrně 89 % podniků celé Evropské Unie vysokorychlostní internet používá. Podle šikmosti souboru α 2,43 můžeme zároveň tvrdit, že většina zemí leží nad tímto průměrem. Domněnku toho, že se podíly členských států ve využívání vysokorychlostního internetu příliš neliší, tím pádem jsou celkově vysoké, potvrzuje i hodnota variačního koeficientu V 0,10. Podobný závěr můžeme vyvodit z hodnoty špičatosti β 7,81, jenž nám vyjadřuje vysokou koncentraci hodnot kolem střední hodnoty. 39