Author Archives: eglemadiste

Pilt

Head õpetajate päeva!

161004_infograafika_opetajad_tv-04

Suurim keskkonnamaksude maksja on maismaaveondus

Keskkonnamaksude laekumine on viimase kahe kümnendi jooksul kasvanud ja Statistikaameti andmetel ulatusid 2015. aastal keskkonnamaksud 558 miljoni euroni, millest suurima osa moodustasid energiamaksud. Suurim keskkonnamaksude maksja oli 2014. aastal maismaaveonduse tegevusala.

Alates 2009. aastast on keskkonnamaksude osatähtsus Eesti SKP-st langenud ja 2015. aastal moodustasid keskkonnamaksud SKP-st 2,75%, jäädes siiski Euroopa Liidu keskmisest (2,5%) kõrgemaks. Lisaks energia-, saaste-, ressursi- ja transpordimaksudele maksid ettevõtted ka maavara kaevandamisõiguse tasu, mida rahvamajanduse arvepidamise reeglite järgi ei käsitleta maksuna, vaid hoopis rendina ning see jääb maksulaekumise arvestusest enamasti välja nii Eestis kui ka rahvusvahelistes võrdlusandmetes.

Kui keskenduda keskkonnamaksude ja -tasude jaotusele tegevusalati, siis näeme, et 2014. aastal edestas maismaaveondus varasemat suurimat keskkonnamaksude maksjat – kodumajapidamisi. Enim on keskkonnamaksud ja -tasud kasvanud hoopis suuruselt kolmandal keskkonnamaksude maksjal, mäetööstuse ja energeetika tegevusalade grupis. Võrreldes 2011. aastaga on 2014. aastaks keskkonnamaksud ja –tasud kasvanud 34 miljoni euro võrra ulatudes 2014. aastal 113 miljonini. Seda siiski vaid juhul, kui hõlmata maavara kaevandamisõiguse tasu, mida rangelt võttes keskkonnamaksuks ei liigitata, kuid Eestis tihti keskkonnatasuna käsitletakse.

01

Keskkonnamaksude koormus, kui seda väljendada keskkonnamaksude ning tegevuse ülejäägi (lisandväärtus miinus töötajate palk, sotsiaalmaks, muud (kaudsed) tootmismaksud ja põhivara kulum) suhte kaudu, on suures osas jäänud samaks, kuna kõrvuti keskkonnamaksude kasvuga on enamikul tegevusaladel suurenenud ka tegevuse ülejääk. Nii ületab mäetööstuse ja energeetika tegevusalade grupis tegevuse ülejääk 2014. aastal keskkonnamaksude ja -tasudena makstavat summat neli korda nagu ka varasematel aastatel. Sellesse tegevusalade rühma kuuluvad kolm olulist tegevusala – mäetööstus, põlevkiviõli ja elektrienergia tootmine, kus iga tegevusala keskkonnamaksude ja -tasude suhe oma tegevuse ülejääki on erinev. Mäetööstuse osatähtsus keskkonnamaksude maksjana ettevõtete tegevusalade hulgas on tõusnud 23%-lt 26%-le.

Maismaaveonduses on keskkonnamaksude ja -tasude summa läbi aastate ületanud tegevuse ülejääki. Siiski on tegevuse ülejääk maismaaveonduses kasvanud kiiremini kui perioodil 2011–2014 makstud keskkonnamaksud. Enamikul tegevusaladel on aga keskkonnamaksud ja -tasud tegevuse ülejäägi kõrval siiski väikesed.

02

03

Keskkonnamaksude laekumise kasvu on enim kujundanud kütuseaktsiisi maksumäära tõstmine ning vähemal määral ka kütuste suurem tarbimine. Kui küsida, milline on olnud kütuseaktsiiside mõju aktsiisibaasile ehk fossiilsete heitgaaside rikka kütuse kasutusele, siis peame nentima, et kuni 2015. aastani ei ole kütuseaktsiis kütuste tarbimist absoluutväärtustes vähendanud.

Kaia Oras, Statistikaameti majandus- ja keskkonnastatistika osakonna juhataja asetäitja
Kaia Aher, Statistikaameti juhtivstatistik

Statistikaamet avaldab keskkonnamaksude arvepidamise koondid 2011–2014 statistika andmebaasis.

Euroopa Liidu riikide keskkonnamaksude statistika on avaldatud Eurostati andmebaasis.

Metoodika

Keskkonnamaksude laekumised jaotatakse nelja kategooriasse. Energiamaksud on kütuse ja elektriaktsiis. Transpordimaksudesse kuuluvad raskeveokimaks ja sõiduki registreerimistasu, ressursitasudesse vee erikasutusõiguse tasu ja kalapüügiõiguse tasu. Saastetasudena lähevad arvesse saastetasud heitmete heitmisel õhku, pinnasesse ja vette ning saastetasu jäätmete kõrvaldamise eest, samuti pakendiaktsiis.

Põhjalikum metoodika sissevaade on ilmunud Statistikaameti väljaandes Eesti Statistika Kvartalikiri 4/2013 artiklis „Keskkonnamaksude arvepidamine võimaldab nende makromajanduslikku analüüsi“ (ilmus 23.12.2013).

Noppeid ajaloost: toiduainete tootmine

160921_infograafika_toit_september_veeb

2016. aastal tähistab Eesti statistikasüsteem 95. aastapäeva. Eesti Vabariigis asutati 1. märtsil 1921 Riigi Statistika Keskbüroo, mille juhiks sai Albert Pullerits. Seda kuupäeva võibki pidada Eesti statistika sünnipäevaks. Statistikaamet avaldab aasta jooksul huvitavamaid noppeid 1920. aastate statistikaväljaannetest võrdluses sama valdkonna viimatiavaldatud näitajatega.

Noppeid ajaloost: kodakondsus ja sünnikoht

160825_infograafik_kodakondsus_august_veeb

2016. aastal tähistab Eesti statistikasüsteem 95. aastapäeva. Eesti Vabariigis asutati 1. märtsil 1921 Riigi Statistika Keskbüroo, mille juhiks sai Albert Pullerits. Seda kuupäeva võibki pidada Eesti statistika sünnipäevaks. Statistikaamet avaldab aasta jooksul huvitavamaid noppeid 1920. aastate statistikaväljaannetest võrdluses sama valdkonna viimatiavaldatud näitajatega. ‪#‎eestistatistika95

Suurandmed statistikas

Et statistikas on andmete kogumine kõige ressursimahukam protseduur, on suurandmete kasutamine statistikutele väga ahvatlev, eriti juhul, kui õnnestuks suurandmetega asendada uuringute või loenduste käigus kogutavaid andmeid. Samas on oluline selgeks teha suurandmete rakendatavuse piirid – tegemist pole universaalse meetodiga, mis asendaks kõike varasemat.

Tänapäeval, mil väga paljusid toiminguid teevad elektroonsed seadmed, koguneb nende mäludesse ka selliseid andmeid, mida otseselt kasutada ei kavatsetagi. Näiteks kaupluste kassaautomaatidest võib lisaks üksikkaupade eelistustele saada teavet ka ostjate kaubavalikute mustrite kohta. Niisuguste laekunud andmete kogused võivad olla väga suured ja ka andmed ise üsnagi eriilmelised: info mobiiltelefonide kasutamise, ühistranspordi, pangakontode, elektritarbimise ja paljugi muu kohta. Selliste suuremahuliste andmete kohta kasutatakse ühist nimetust suurandmed (big data).

Kahekümnenda sajandi esimesel poolel hakkas statistikateadlaste seas üldisemalt levima arusaam, et mingi nähtuse kohta järelduse tegemiseks piisab sellest, kui uurida ainult üht osa objektidest – valimit. Selle tõdemuse tulemusena töötati välja uued statistikasuunad, sh valikuuringute teooria, millele tuginedes tänapäeval tehakse kogu maailmas iga päev arvukalt uuringuid. Väga oluline on siinjuures mainida, et kõigi selliste uuringute puhul selgitatakse ka võimaliku vea suurus ja tõenäosus.

Hoolimata valikuuringute kasulikkusest ja tulemuslikkusest teaduses, majanduses ja poliitikas, on nende kasutamise võimalustel oma piirid. Valikuuringud ei saa asendada loendusi ja registreid, mis kajastavad kogu populatsiooni andmeid ja on ülimalt vajalikud tervikpildi saamisest riigi rahvastikust ning majandusest.

Suurandmete analüüsimine pakub suuri väljakutseid statistikutele. Uuel viisil kogutud ja uut tüüpi andmed nõuavad aga sobivate statistikameetodite arendamist. Suurandmete rakendajate väiteil on seni suurandmete põhjal tehtud järeldused olnud peamiselt empiirilised. Edasise arengu käigus on vaja välja töötada metoodika hinnangute arvutamiseks ja järelduste kvaliteedi hindamiseks. Arusaadavalt on suurandmete kasutamise puhul vaja jälgida isikuandmete kaitse reeglistikku.

Oluline on selgeks teha ka suurandmete rakendatavuse piirid – on selge, et tegemist pole universaalse meetodiga, mis asendaks kõike varasemat – kuigi esialgse entusiasmi hoos on ka sellist arvamust väljendatud. Kindlasti ei asenda suurandmete kasutamine kõikset statistikat – loendusandmetele ja registritele tuginevaid statistikatöid, sest üldjuhul ei kata suurandmed kogu populatsiooni ega mõõda täpselt seda, mis kajastub registrites ja loendusstatistikas.

Samas on suurandmete näol tegemist rikkaliku andmeallikaga, mille oluliseks hüveks on andmete objektiivsus. Isiku-uuringute puhul võib sageli kahelda ankeedivastuste objektiivsuses – kas inimesed ei näita ennast (teadlikult või ebateadlikult) mingis mõttes parematena, kui nad tegelikult on? Suurandmete puhul, mis inimeste käitumist nende teadmata registreerivad, seda probleemi ei ole. Oluline on vaid õppida neid andmeallikaid kasutama ja neist järeldusi tegema. Juba tänapäeval, kuid veel enam tulevikus, on edukas vaid andmepõhine majandus, mis kasutab oluliselt statistikat, kombineerides erinevatest allikatest pärinevaid andmeid – niihästi loendus-, uuringu- kui ka suurandmeid, arvestades kõigi andmete eripära.

Ene-Margit Tiit, Statistikaameti peametoodik ja Tartu Ülikooli emeriitprofessor

Artikkel ilmus ajalehes Postimees 03.08.2015 pealkirja all „Suurandmed statistikas“.

Kas Statistikaamet mängib hasartmänge?

Kui kõik vajalikud andmed oleksid õigel ajal käes ja kvaliteetsed, oleks riikliku statistika tegemine puhas rõõm. Tegelikkuses on andmekogumine statistika tegemise protsessi kõige vaevalisem ja kallim osa. Sellepärast peab alati hoolikalt kaaluma, milliseid andmeid on vaja ja kuidas neid koguda.

Majandus ja ettevõtlusstatistika tegemiseks peab ja uuendab Statistikaamet igal aastal majanduslikult aktiivsete majandusüksuste registrit, mida nimetatakse statistiliseks profiiliks. 2016. aastal on statistilises profiilis 152 000 majanduslikult aktiivset üksust. Koguda andmeid kõigilt üksustelt kõikide perioodide kohta on võimatu. Sellepärast kasutab Statistikaamet statistika tegemiseks valikuuringuid – väiksemate üksuste hulgast võetakse valdkondade kaupa juhuslikud valimid ja nendelt kogutud andmete põhjal hinnatakse huvipakkuva sihtgrupi kohta käivaid näitajaid. Teine tähtis põhjus valikuuringu kasutamiseks on majandusüksuste vastamiskoormuse vähendamine. On võimalik tekitada olukorda, kus erinevate uuringute valimid ei kattu või kattuvad väga vähe, mistõttu vastamiskoormus jaguneb üksuste vahel enam-vähem ühtlaselt.

joonis

Valikuuringu ideed rakendati esimest korda 19. ja 20. sajandi vahetusel Norras isikustatistikas. Nagu nimigi ütleb, kogutakse valikuuringu käigus andmeid vaid ainult ühelt osalt (valimilt) mitte kõigilt huvipakkuvatelt objektidelt (üldkogumilt). Esialgu võib tunduda, et valikuuringuga saame teada ainult seda, mis iseloomustab valimi objekte ja valimist väljajäänute kohta ei ole võimalik midagi öelda. Tegelikult sõltub kõik valimi koostamisest ehk võtmisest ja vähemal määral ka valimi suurusest, mida ja kui palju on võimalik valimi põhjal üldkogumi kohta teada saada.

Valimi võtmise viisi järgi jagunevad valimid kaheks

Kui võetakse valim, mis peab teatud tunnuste, näiteks vanuse ja soo, osas olema võimalikult üldkogumi sarnane ehk esindav, siis on tegemist empiirilise valimiga. Üldjuhul ei ole valimi sarnasust üldkogumiga uuritavate tunnuste osas võimalik mõõta, niisamuti ei ole võimalik näidata, milline valim on kindlalt uuritavate tunnuste osas esindav ja milline mitte. Empiirilise metoodika puhul on panus tehtud uurijate (ekspertide) kogemusele, mille järgi võetakse valimisse õigetes proportsioonides näiteks noori, vanu, rikkamaid, vaesemaid, erineva emakeelega, linna- ja maarahvast jne.

Teise valimite klassi moodustavad tõenäosuslikud valimid, mille võtmise alus on klassikaline tõenäosusteooria. Valimi võtmine jäetakse puhtalt juhuse hooleks ja mängitakse tõepoolest hasartmängu, st korraldatakse üldkogumi objektide vahel loterii või kasutatakse mõnda muud juhuslikku protseduuri. Tõenäosuslike valimite puhul pole mõtet rääkida valimi esindavusest – juhus on ükskõikne ja erapooletu. Tõenäosus, et isikute valimisse satuvad põhiliselt üksikud mehed või põhiharidusega naised vms, on kaduvväike. Vastupidi, juhus tõmbab valimisse objekte ka nähtamatute omaduste järgi õige osatähtsusega, näiteks erineva maailmavaate ja/või tervisliku seisundiga inimesi, ekstraverte ja introverte, blonde ja brünette jne. Tõenäosusliku valimi võtmiseks on vaja üldkogumisse kuuluvate objektide täielikku nimekirja.

Miks on tõenäosuslik valim hea?

Etteruttavalt – tõenäosusliku valimi puhul saab hinnata tulemuste kvaliteeti. Mängigu näidisüldkogumit 70 legoklotsi, mille kinnitusnuppude koguarv on 352.

üldkogum

Korraldame nende klotside vahel loterii: võtame välja 14 klotsi, juba väljavõetuid vahepeal tagasi ei pane. Sel viisil oleme võtnud tõenäosusliku valimi, mida nimetatakse lihtsaks juhuvalimiks.

valim

Kõigepealt paneme tähele, et valimisse on sattunud eri värvi klotse nagu on neid ka üldkogumis. Niisamuti on sarnaselt üldkogumiga tõmmatud valimisse väiksemaid ja suuremaid klotse. Seega tundub, et valim sarnaneb üldkogumile ja teisiti see ei saa ollagi, sest ausa loterii puhul on kõigil klotsidel võrdne võimalus välja tõmmatud saada. Veel enam, tõenäosuslikus valimis esindab iga objekt (klots) teatud hulka temaga sarnaseid objekte üldkogumis.

Et valimisse on võetud iga viies, siis eeldatakse, et üldkogumis leidub valimi iga klotsiga identseid klotse veel neli, st kokku viis ehk valimi iga klots esindab peale iseenda veel nelja. Identsuse eeldus on muidugi vale, kuid mitte täiesti. Vaadeldavasse valimisse on sattunud kuus punast ja oranži klotsi, seega üldkogumis peaks selliseid olema täpselt viis korda rohkem, st 6 x 5 = 30, tegelikult aga on seal selliseid klotse 20. Siniseid sattus valimisse kaks, järelikult üldkogumis peaks neid olema 2 x 5 = 10, mis juhtumisi peabki paika jne. Arvud 30 ja 10 on üldkogumi punaste/oranžide ja siniste klotside arvu vastavad hinnangud.

tabel

Analoogiliselt saab hinnata mistahes muid parameetreid, näiteks kinnitusnuppude kogusummat. Üldkogumis on see 352, valimis 76 ja üldkogumi kinnitusnuppude kogusumma hinnang on 76 x 5 = 380. Valimi osalisusest ja juhuslikkusest tingitud viga – valikuviga, on tõelise kogusumma ja selle hinnangu vahe 380 – 352 = 28. Käesoleval juhul moodustab valikuviga 7,4% tegelikust väärtusest. Päriselus ei ole valikuviga täpselt välja arvutada võimalik, sest kui üldkogumi kogusumma oleks teada, poleks ju vajadust seda hinnata. Tõenäosusliku valikuuringu puhul on aga võimalik valikuviga hinnata näidates vahemiku, kuhu tegelik kogusumma teatud tõenäosusega kuulub. Seda vahemikku nimetatakse usaldusvahemikuks. Usaldusvahemiku laius sõltub statistikatarbija riskitaluvusest ja arvutatakse nn standardvea alusel. Koormamata lugejat eelduste, üksikasjade ja valemitega võib antud valimi põhjal eeldada, et vahemik 311 kuni 448 katab tegeliku kogusumma tõenäosusega 0,95 ja nii see tõepoolest on.

 Juhusliku valimi kasutamine ettevõtlusstatistika tegemisel

Statistikaamet hindab ettevõtlusstatistikas peamiselt igasuguseid kogusummasid: ettevõtete kogukäivet, -tulu, -kasumit, töötajate koguarvu, keskmist palka, mediaanpalka jms. Nimetatud näitajate hindamiseks kasutatakse väiksemate ettevõtete osas tõenäosuslikku valikuuringut. Selleks, et hinnata Eesti keskmist palka mingil perioodil, tuleb kõigepealt hinnata kahte kogusummat: 1) kõigile palgatöötajatele väljamakstud brutopalka kokku ja 2) kõikide palgatöötajate koguarvu sellel perioodil. Perioodi keskmise brutopalga hinnang on kogubrutopalgana väljamakstud raha hinnang jagatud töötajate arvu hinnanguga. Ka kahe hinnangu suhtele saab arvutada standardvea, mille alusel iga statistikatarbija võib arvutada talle sobiva usaldusvahemiku. Keskmise brutopalga standardvea avaldab Statistikaamet koos keskmise palga endaga. 2016. aasta I kvartali keskmine kuupalk oli 1091 eurot standardveaga 8 eurot. Seega võib hinnata, et keskmise palga tegelik väärtus tänavu I kvartalis asub tõenäosusega 0,95 vahemikus 1091 – 2 x 8 = 1075 kuni 1091 + 2 x 8 = 1107 ja tõenäosusega 0,05 sellest vahemikust väljas.

Kummagi valimi võtmise viisi plussid ja miinused

Tõenäosusliku valikuuringu eelis on see, et on võimalik hinnata arvutatud statistika kvaliteeti ehk seda, kui lähedale oleme tõele jõudnud. Tõenäosusliku metoodika puudus on üldkogumi objektide nimekirja ehk freimi ehk registri olemasolu möödapääsmatus. Vähegi suuremate üldkogumite puhul on freimi loomine, ülalpidamine ja uuendamine kallis. Mis puutub empiirilistesse valimitesse, siis  asjatundjad suudavad kokku panna väga häid valimeid ilma igasuguse nimekirjata, mistõttu empiirilised uuringud on oluliselt odavamad kui tõenäosuslikud ning nende kasutamine avaliku arvamus- ja turu-uuringutes igati õigustatud.

Ebu Tamm, Statistikaameti peametoodik

Üks statistiline päev 1991. ja 2015. aastal

Millised sündmused leidsid aset ühe statistilise päeva jooksul 1991. ja 2015. aastal, leiad infograafikult.

EV25

Head saabuvat taasiseseisvumispäeva!