Odpowiedzi modelowe: Identyfikacja tematów wymagających dziennikarstwa danych

Dziennikarstwo danych

Autor

Afiliacja

Ben Stanley

Wydział Nauk Społecznych, Uniwersytet SWPS

Opublikowano

1 września 2026

GRUPA 1: Wzrost deficytu budżetowego

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z ekspertami – ekonomistami, analitykami budżetowymi o przyczynach wzrostu deficytu
Kontekst polityczny – wypowiedzi polityków rządowych i opozycji, ich interpretacje zmian
Opis procedury – jak przebiegło przyjęcie nowelizacji, kto głosował za/przeciw
Przykłady wpływu – historie konkretnych ludzi/instytucji, które odczują skutki zmian budżetowych
Opinie obywateli – vox populi na temat zarządzania finansami publicznymi

Dziennikarstwo danych (niezbędne)

Analiza wielkości deficytu – porównanie wartości nominalnej i jako % PKB w latach 2015-2024
Dekompozycja zmian – co dokładnie wpłynęło na wzrost (spadek dochodów vs. wzrost wydatków)?
Porównania międzynarodowe – jak polski deficyt wypada na tle innych krajów UE (Eurostat)?
Analiza struktury wydatków – które kategorie wydatków rosną najszybciej?
Projekcje długu publicznego – jaki wpływ obecny deficyt będzie miał na dług w perspektywie 5-10 lat?
Wizualizacja trendu – jak zmieniał się deficyt/nadwyżka przez ostatnie dekady?

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Skala i kontekst liczbowy są kluczowe. Bez danych trudno ocenić, czy “ogromny wzrost” jest rzeczywiście problemem czy normalną korektą. Polityk może powiedzieć “deficyt rośnie katastrofalnie” lub “to rozsądna polityka fiskalna” – tylko dane pokazują prawdę. Porównania międzynarodowe i historyczne wymagają systematycznej analizy, której tradycyjny reportaż nie może zapewnić.

2. Hipotezy badawcze

Hipoteza 1: Wzrost deficytu jest głównie efektem zwiększonych wydatków na obronność

Dane potrzebne: - Wydatki na obronność 2020-2024 (Ministerstwo Finansów, budżet państwa) - Całkowite wydatki budżetowe w tym samym okresie - Zobowiązania NATO (2% PKB) – dane porównawcze

Metody analizy: - Analiza udziału wydatków na obronność w całkowitych wydatkach - Korelacja między wzrostem wydatków na obronność a deficytem - Porównanie z innymi krajami NATO zwiększającymi wydatki

Wizualizacje: - Wykres liniowy: trendy wydatków na obronność vs. inne kategorie (2015-2024) - Wykres słupkowy składany: struktura wydatków budżetowych pokazująca zmiany udziałów - Mapa porównawcza: wydatki na obronność jako % PKB w krajach NATO

Hipoteza 2: Spadek dochodów podatkowych wynika z pogorszenia koniunktury gospodarczej

Dane potrzebne: - Dochody budżetowe według źródeł (VAT, CIT, PIT, akcyza) – Ministerstwo Finansów - Wskaźniki makroekonomiczne: wzrost PKB, inflacja, bezrobocie (GUS) - Dane porównawcze z krajów UE (Eurostat)

Metody analizy: - Analiza korelacji między wzrostem PKB a dochodami podatkowymi - Dekompozycja zmian dochodów według typów podatków - Porównanie elastyczności dochodów podatkowych względem PKB

Wizualizacje: - Wykres rozproszenia: wzrost PKB vs. wzrost dochodów podatkowych - Wykres wodospadowy: dekompozycja zmian dochodów budżetowych - Dashboard: wielopanelowa wizualizacja wskaźników makro + dochody

Hipoteza 3:Deficyt jako % PKB nie jest rekordowy w historii Polski

Dane potrzebne: - Deficyt/nadwyżka budżetowa 1995-2024 (Ministerstwo Finansów, GUS) - PKB w tym samym okresie - Dług publiczny jako % PKB (dla kontekstu) - Dane z innych krajów UE dla porównania

Metody analizy: - Analiza szeregu czasowego deficytu jako % PKB - Identyfikacja okresów kryzysowych (2008-2009, 2020-2021 COVID) - Benchmarking z krajami UE-15 i Grupy Wyszehradzkiej

Wizualizacje: - Wykres liniowy z zaznaczonymi okresami kryzysów: deficyt jako % PKB (1995-2024) - Wykres słupkowy: ranking krajów UE według deficytu/nadwyżki w 2024 - Mapa cieplna: deficyty krajów UE w czasie (heatmap: lata x kraje)

3. Plan projektu

Główne pytanie badawcze

“Czy wzrost deficytu budżetowego w 2024 roku jest rzeczywiście ‘ogromny’ w kontekście historycznym i międzynarodowym, i co dokładnie go spowodowało?”

Źródła danych

Ministerstwo Finansów: Wykonanie budżetu państwa (roczne i miesięczne), dostępne na mf.gov.pl
GUS: Rocznik Statystyczny, dane o PKB, inflacji, bezrobociu (stat.gov.pl, BDL)
Eurostat: Dane o deficytach/nadwyżkach budżetowych krajów UE (ec.europa.eu/eurostat)
NBP: Dane makroekonomiczne, prognozy (nbp.pl)
Sejm RP: Ustawy budżetowe, stenogramy debat budżetowych (sejm.gov.pl)

Metodologia analizy

Analiza deskryptywna – podstawowe statystyki, średnie, mediany, odchylenia
Analiza trendu – regresja liniowa dla identyfikacji długookresowych trendów deficytu
Dekompozycja zmian – metoda składowych (dochodów i wydatków) do określenia czynników wzrostu deficytu
Analiza porównawcza – benchmarking z innymi krajami (różnice w średnich, testy statystyczne)
Normalizacja do % PKB – wszystkie wartości przeliczone na % PKB dla porównywalności

Proponowane wizualizacje

Interaktywny wykres liniowy: historyczny przebieg deficytu jako % PKB z możliwością przełączania między wartościami nominalnymi a % PKB
Wykres wodospadowy: dekompozycja przejścia od budżetu 2023 do 2024 (co wzrosło, co spadło)
Mapa choropleth: deficyty budżetowe krajów UE w 2024
Wykres słupkowy składany: struktura wydatków według działów budżetu (porównanie 2023 vs. 2024)
Dashboard: kluczowe wskaźniki fiskalne i makroekonomiczne w jednym miejscu

Potencjalne ograniczenia i wyzwania

Różnice metodologiczne – kraje UE mogą różnie klasyfikować niektóre wydatki (np. wydatki jednorazowe)
Rewizje danych – GUS i Eurostat często rewidują wstępne szacunki PKB
Transparentność – szczegółowa struktura wydatków może nie być publicznie dostępna w czasie rzeczywistym
Kompleksowość – pełna analiza przyczynowa wymaga zaawansowanych modeli ekonometrycznych
Kontekst polityczny – trudno oddzielić obiektywną analizę od politycznych interpretacji

GRUPA 2: Trendy cenowe na rynku mieszkaniowym

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z ekspertami rynku nieruchomości – analitykami, deweloperami, pośrednikami
Historie kupujących – rodziny kupujące pierwsze mieszkanie, inwestorzy, osoby wynajmujące
Kontekst regulacyjny – zmiany w programach rządowych (Bezpieczny Kredyt 2%, Mieszkanie na Start)
Opinie pośredników – jak wygląda popyt z perspektywy biur nieruchomości
Opis mechanizmów rynkowych – co wpływa na ceny, jak działa rynek pierwotny vs. wtórny

Dziennikarstwo danych (niezbędne)

Analiza trendów cenowych – jak zmieniały się ceny mkw w czasie (2015-2024)?
Różnice geograficzne – które miasta/dzielnice drożeją najszybciej?
Ceny vs. dochody – ile lat pracy potrzeba na mieszkanie (wskaźnik dostępności)?
Analiza rynku pierwotnego vs. wtórnego – jak różnią się trendy cenowe?
Wpływ stóp procentowych – korelacja między stopami NBP a cenami i liczbą transakcji
Volume transakcji – czy rosnące ceny to efekt popytu czy podaży?

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Rynek mieszkaniowy to miliony transakcji i setki zmiennych. Pojedyncze historie są ważne dla humanizacji tematu, ale nie pokazują skali zjawiska ani prawdziwych trendów. Eksperci mogą mieć sprzeczne opinie – tylko systematyczna analiza danych o transakcjach, cenach i dochodach pokazuje obiektywny obraz. Różnice regionalne wymagają map, trendy czasowe wymagają wykresów.

2. Hipotezy badawcze

Hipoteza 1: Ceny mieszkań rosną szybciej niż dochody, zmniejszając dostępność mieszkań

Dane potrzebne: - Ceny transakcyjne mieszkań według miast (NBP, portale: Otodom, Gratka - dane historyczne) - Średnie wynagrodzenie brutto według województw (GUS) - Wskaźnik dostępności mieszkań (NBP publikuje okresowo) - Liczba pokoi/metraż dla kontroli jakości

Metody analizy: - Wskaźnik price-to-income ratio (cena mieszkania 50 mkw / roczne dochody gospodarstwa) - Analiza trendu obu zmiennych w czasie (regresja) - Test współczynnika korelacji

Wizualizacje: - Wykres liniowy podwójnej osi: ceny mieszkań vs. średnie wynagrodzenie (2015-2024) - Wykres słupkowy: liczba lat pracy potrzebna na mieszkanie 50 mkw według miast - Mapa choropleth: wskaźnik dostępności mieszkań według województw

Hipoteza 2: Wzrost cen jest skoncentrowany w dużych miastach, mniejsze miasta drożeją wolniej

Dane potrzebne: - Ceny mkw w 20 największych miastach Polski (raporty Expandera, NBP) - Ceny w miastach powiatowych i gminach (trudniejsze do zdobycia – może GUS) - Populacja i wzrost populacji tych miast dla kontekstu

Metody analizy: - Analiza porównawcza: średni wzrost cen w metropoliach vs. miasta średnie vs. małe miasta - Korelacja między wielkością miasta a tempem wzrostu cen - Clustering – grupowanie miast według dynamiki cen

Wizualizacje: - Mapa bąbelkowa: miasta jako punkty, rozmiar bąbelka = wzrost cen %, kolor = populacja - Wykres słupkowy: ranking miast według tempa wzrostu cen (2019-2024) - Wykres rozproszenia: wielkość miasta vs. wzrost cen (z linią trendu)

Hipoteza 3: Programy rządowe (Bezpieczny Kredyt 2%) podbijają ceny zamiast zwiększać dostępność

Dane potrzebne: - Daty wprowadzenia programów mieszkaniowych (2019: Mieszkanie+, 2023: Bezpieczny Kredyt 2%) - Ceny mieszkań przed i po wprowadzeniu programów - Liczba udzielonych kredytów w ramach programów (BIK, KNF) - Volume transakcji mieszkaniowych

Metody analizy: - Event study analysis – porównanie trendów cenowych przed i po wprowadzeniu programu - Difference-in-differences – porównanie segmentów rynku objętych i nieobjętych programem - Analiza przerwy strukturalnej (structural break) w szeregu czasowym cen

Wizualizacje: - Wykres liniowy z zaznaczonymi datami wprowadzenia programów: ceny w czasie - Wykres przed-po: średnia cena mkw 12 miesięcy przed vs. 12 miesięcy po wprowadzeniu programu - Wykres słupkowy: liczba transakcji według kwartałów z nałożonymi informacjami o programach

3. Plan projektu

Główne pytanie badawcze

“Jak zmieniła się dostępność mieszkań w Polsce w latach 2015-2024, czy różni się między regionami, i jaki wpływ miały programy rządowe na ceny i dostępność?”

Źródła danych

NBP: Ceny transakcyjne mieszkań, wskaźniki dostępności mieszkań (nbp.pl/rynek-nieruchomosci)
GUS: Średnie wynagrodzenia, dane demograficzne, budownictwo mieszkaniowe (stat.gov.pl)
Portale nieruchomości: Otodom, Gratka (dane historyczne z API lub scraping – uwaga na ToS)
Expander, Rentier.io: Raporty rynkowe (publikowane miesięcznie)
BIK: Liczba i wartość kredytów hipotecznych (raport Indeks Popytu na Kredyty Mieszkaniowe)
KNF: Dane o kredytach hipotecznych od banków

Metodologia analizy

Czyszczenie danych – ujednolicenie formatów cen (mkw vs. całość), kontrola jakości (usunięcie outliers)
Normalizacja – wszystkie ceny do realnych (skorygowane o inflację)
Wskaźnik dostępności – price-to-income ratio dla każdego miasta i okresu
Analiza przestrzenna – mapowanie różnic regionalnych
Event study – analiza wpływu programów rządowych
Modelowanie – regresja wieloraka: cena = f(stopy procentowe, dochody, podaż, programy)

Proponowane wizualizacje

Interaktywna mapa Polski: ceny mkw według miast/województw z możliwością wyboru okresu (suwak czasowy)
Dashboard porównawczy: 6 największych miast – wykresy liniowe cen w jednym układzie
Infografika: “Ile lat pracy na mieszkanie?” – wizualizacja wskaźnika dla różnych zawodów i miast
Animacja: mapa Polski pokazująca zmiany cen w czasie (2015-2024) – heatmap animation
Wykres interaktywny: wybór miasta → pokazuje cenę, dochody, wskaźnik dostępności w czasie

Potencjalne ograniczenia i wyzwania

Jakość danych z portali – ceny ofertowe vs. transakcyjne (różnice 5-15%)
Brak danych o małych miejscowościach – większość raportów skupia się na dużych miastach
Heterogeniczność produktu – mieszkania różnią się lokalizacją, jakością, metrażem
Przyczynowość – trudno udowodnić, że programy rządowe były przyczyną wzrostu cen (inne czynniki)
Dostęp do danych BIK/KNF – część danych może być dostępna tylko w agregatach

GRUPA 3: Spadek demograficzny

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z demografami – eksperci wyjaśniają prognozy i mechanizmy demograficzne
Historie z wyludniających się regionów – reportaże z małych miast tracących ludność
Perspektywa młodych ludzi – dlaczego nie mają dzieci, co wpływa na decyzje prokreacyjne
Skutki społeczne – opisy zamykających się szkół, przedszkoli, szpitali
Porównania międzynarodowe – jak inne kraje radzą sobie z demografią (Japonia, Włochy)

Dziennikarstwo danych (niezbędne)

Analiza projekcji GUS – ile osób ubywa, w jakim tempie, do którego roku?
Różnice regionalne – które województwa/powiaty tracą ludność najszybciej?
Struktura wiekowa – jak zmienia się piramida wieku społeczeństwa?
Współczynnik dzietności (TFR) – jak zmieniał się i jak wypada na tle UE?
Migracje – ile osób wyjeżdża za granicę, skąd, dokąd?
Konsekwencje ekonomiczne – modelowanie wpływu na rynek pracy, system emerytalny, PKB

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Demografia to zjawisko długoterminowe i masowe – dotyczy milionów ludzi i dekad czasu. Pojedyncze historie nie pokazują skali. Prognozy wymagają modeli matematycznych, których nie da się “opisać” – trzeba je zwizualizować. Różnice regionalne (Warszawa rośnie, wschodnia Polska się wyludnia) wymagają map. Konsekwencje ekonomiczne (system emerytalny, rynek pracy) wymagają modelowania z danymi.

2. Hipotezy badawcze

Hipoteza 1: Spadek demograficzny jest nierównomierny – duże miasta rosną, mniejsze się wyludniają

Dane potrzebne: - Populacja według gmin/powiatów 2010-2024 i projekcja 2025-2050 (GUS) - Migracje wewnętrzne według kierunków (GUS – przepływy między województwami) - Klasyfikacja gmin według typu (miejskie, wiejskie, podmiejskie)

Metody analizy: - Clustering gmin według dynamiki ludnościowej (rosnące, stagnujące, kurczące się) - Analiza przepływów migracyjnych – wizualizacja sieciowa (kto dokąd się przenosi) - Korelacja między typem gminy a zmianą populacji

Wizualizacje: - Mapa choropleth Polski: zmiana populacji według gmin 2010-2024 (zielony = wzrost, czerwony = spadek) - Sankey diagram: przepływy migracyjne między województwami - Wykres punktowy: typ gminy vs. zmiana populacji (z podziałem na kategorie)

Hipoteza 2: Główną przyczyną spadku jest bardzo niski współczynnik dzietności, nie emigracja

Dane potrzebne: - Współczynnik dzietności (TFR) 1990-2024 (GUS) - Liczba urodzeń i zgonów rocznie (przyrost naturalny) - Saldo migracji zagranicznych (GUS, Eurostat) - Dane porównawcze z krajów UE

Metody analizy: - Dekompozycja zmiany populacji: przyrost naturalny vs. saldo migracji - Analiza trendu TFR w czasie - Projekcja: ile ludności ubyłoby, gdyby migracje wynosiły 0 (izolacja efektu dzietności)

Wizualizacje: - Wykres składany (stacked area): składowe zmiany populacji (urodzen, zgony, emigracja, imigracja) - Wykres liniowy: TFR Polski na tle krajów UE (1990-2024) - Infografika: dekompozycja “skąd się biorą zmiany populacji” (rodzaj wykresu wodospadowego)

Hipoteza 3: Starzenie się społeczeństwa doprowadzi do kryzysu systemu emerytalnego

Dane potrzebne: - Piramida wieku Polski 2024, 2030, 2040, 2050 (projekcje GUS) - Wskaźnik obciążenia demograficznego (liczba osób 65+ / liczba osób 15-64) - Wydatki na emerytury jako % PKB (Ministerstwo Finansów, ZUS) - Dane porównawcze z krajów o podobnych problemach (Japonia, Włochy, Niemcy)

Metody analizy: - Analiza zmian struktury wiekowej w czasie - Obliczenie wskaźnika obciążenia demograficznego dla projekcji - Modelowanie wpływu na system emerytalny (uproszczony model: ile pracujących na 1 emeryta?)

Wizualizacje: - Piramida wieku animowana: zmiany struktury 2024 → 2050 - Wykres liniowy: wskaźnik obciążenia demograficznego w czasie (Polska + porównania międzynarodowe) - Infografika: “Ile pracujących utrzymuje 1 emeryta” (2024 vs. 2050)

3. Plan projektu

Główne pytanie badawcze

“Jaka jest skala i geografia spadku demograficznego w Polsce, co go powoduje, i jakie będą konsekwencje ekonomiczne i społeczne do 2050 roku?”

Źródła danych

GUS: Prognoza ludności, roczniki demograficzne, Bank Danych Lokalnych (demografia według gmin)
Eurostat: Dane porównawcze o dzietności, migracji, strukturze wiekowej krajów UE
ZUS: Liczba emerytów, wydatki na emerytury
Ministerstwo Finansów: Wydatki budżetu na emerytury i świadczenia społeczne
UN Population Division: Prognozy globalne dla szerszego kontekstu

Metodologia analizy

Analiza projekcji – dekompozycja prognoz GUS na składowe (urodzeń, zgony, migracje)
Analiza przestrzenna – mapowanie zmian na poziomie gmin/powiatów
Dekompozycja przyczynowa – co ma większy wpływ: niska dzietność czy emigracja?
Modelowanie scenariuszy – “co jeśli” dzietność wzrośnie do 1.8? Co jeśli migracje się zatrzymają?
Analiza konsekwencji – wskaźnik obciążenia demograficznego, wpływ na system emerytalny

Proponowane wizualizacje

Animowana piramida wieku: pokazująca transformację struktury wiekowej 2024-2050
Interaktywna mapa: zmiana populacji według gmin z możliwością wyboru okresu
Dashboard konsekwencji: 4 panele – populacja, wskaźnik obciążenia, wydatki na emerytury, TFR
Sankey diagram: przepływy demograficzne (urodzeń → śmierci, imigracja ← emigracja)
Wykres scenariuszowy: projekcje populacji przy różnych założeniach (optymistyczny, bazowy, pesymistyczny)

Potencjalne ograniczenia i wyzwania

Niepewność projekcji – prognozy demograficzne na 30-50 lat są bardzo niepewne
Jakość danych migracyjnych – część emigracji nie jest rejestrowana (brak wymeldowań)
Complexity modelowania – pełny model demograficzny wymaga wielu założeń (o dzietności, umieralności, migracjach)
Konsekwencje ekonomiczne – modelowanie wpływu na PKB, system emerytalny wymaga założeń ekonomicznych
Polityczna wrażliwość – temat może być instrumentalizowany politycznie

GRUPA 4: Dynamika zatrudnienia i płac

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z pracownikami – jak wygląda sytuacja na rynku pracy z perspektywy zatrudnionych
Perspektywa pracodawców – czy trudno znaleźć pracowników, jakie są oczekiwania płacowe
Historie zmian zawodowych – ludzie zmieniający pracę, branżę, ścieżkę kariery
Kontekst regulacyjny – zmiany w prawie pracy, płaca minimalna, inne regulacje
Opinie ekspertów rynku pracy – ekonomistów, analityków, przedstawicieli związków zawodowych

Dziennikarstwo danych (niezbędne)

Analiza stopy bezrobocia – jak zmieniała się w czasie, różnice regionalne
Dynamika płac – jak rosną płace nominalne i realne (po uwzględnieniu inflacji)?
Analiza według branż – które sektory mają największy wzrost zatrudnienia/płac?
Różnice geograficzne – jak sytuacja na rynku pracy różni się między województwami?
Jakość zatrudnienia – ile to umowy o pracę vs. śmieciówki? Pełny etat vs. część etatu?
Porównania międzynarodowe – jak polski rynek pracy wypada na tle UE?

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Rynek pracy to miliony pracowników i setki tysięcy firm – pojedyncze historie nie pokazują trendów. Polityk może powiedzieć “rośnie zatrudnienie i płace” – ale czy to wzrost realny (po inflacji)? Czy dotyczy wszystkich branż i regionów? Tylko dane dają pełen obraz. Różnice między branżami i regionami wymagają systematycznej analizy i wizualizacji.

2. Hipotezy badawcze

Hipoteza 1: Realny wzrost płac jest niższy niż nominalne, inflacja “zjada” podwyżki

Dane potrzebne: - Średnie wynagrodzenie brutto według miesięcy 2019-2024 (GUS) - Wskaźnik CPI (inflacja) w tym samym okresie (GUS) - Płace według branż/sekcji PKD (GUS)

Metody analizy: - Deflacja płac nominalnych wskaźnikiem CPI → płace realne - Obliczenie realnego wzrostu płac (% rok do roku) - Porównanie nominalnego vs. realnego wzrostu

Wizualizacje: - Wykres liniowy podwójnej osi: płace nominalne vs. płace realne (2019-2024) - Wykres słupkowy: wzrost nominalny vs. realny według branż - Infografika: “Ile faktycznie więcej możesz kupić za swoją wypłatę?”

Hipoteza 2: Wzrost zatrudnienia koncentruje się w sektorach niskopłatnych (usługi, handel)

Dane potrzebne: - Zatrudnienie według sekcji PKD (GUS – BAEL lub dane ZUS) - Średnie płace według sekcji PKD - Zmiany zatrudnienia rok do roku według branż

Metody analizy: - Klasyfikacja branż według poziomu płac (nisko-, średnio-, wysokopłatne) - Analiza, gdzie jest największy wzrost zatrudnienia - Korelacja między płacą w branży a wzrostem zatrudnienia

Wizualizacje: - Wykres bąbelkowy: wzrost zatrudnienia (oś X) vs. średnia płaca (oś Y), rozmiar bąbelka = wielkość sektora - Wykres słupkowy: wzrost zatrudnienia według branż, posortowany według płacy - Mapa cieplna: wzrost zatrudnienia według województw i branż (2D heatmap)

Hipoteza 3: Bezrobocie spada, ale rośnie udział “niepełnego zatrudnienia” (część etatu, tymczasowość)

Dane potrzebne: - Stopa bezrobocia rejestrowanego (GUS) - Dane BAEL o formach zatrudnienia (umowa o pracę, umowy cywilnoprawne, samozatrudnienie) - Niepełne zatrudnienie (część etatu) – dane BAEL - Zatrudnienie czasowe vs. stałe (Eurostat, GUS)

Metody analizy: - Analiza struktury zatrudnienia – jak zmieniają się udziały różnych form - Wskaźnik “underemployment” – osoby pracujące w niepełnym wymiarze, które chciałyby pełnego etatu - Porównanie z krajami UE

Wizualizacje: - Wykres składany (stacked area): struktura zatrudnienia według form (2015-2024) - Wykres słupkowy: udział zatrudnienia czasowego w Polsce vs. kraje UE - Infografika: “Jak wygląda ‘typowa’ umowa o pracę w 2024?”

3. Plan projektu

Główne pytanie badawcze

“Czy pozytywne wskaźniki rynku pracy (spadek bezrobocia, wzrost płac) przekładają się na realną poprawę sytuacji pracowników w Polsce?”

Źródła danych

GUS: BAEL (Badanie Aktywności Ekonomicznej Ludności), przeciętne wynagrodzenia, bezrobocie rejestrowane
ZUS: Dane o zatrudnieniu według umów, branż (raport płacowy ZUS)
Eurostat: Dane porównawcze o rynku pracy krajów UE
NBP: Inflacja, wskaźniki makro dla deflacji płac
Ministerstwo Rodziny i Polityki Społecznej: Dane o płacy minimalnej, świadczeniach

Metodologia analizy

Deflacja płac – konwersja wszystkich płac nominalnych na realne (bazując na CPI)
Analiza strukturalna – dekompozycja zatrudnienia według branż, form zatrudnienia, regionów
Wskaźniki jakości zatrudnienia – udział umów o pracę, pełny etat, zatrudnienie stałe
Analiza nierówności – rozkład płac (decyle, współczynnik Giniego płac)
Porównania międzynarodowe – benchmarking z krajami V4 i UE-15

Proponowane wizualizacje

Dashboard “Stan rynku pracy”: 6 wskaźników kluczowych (bezrobocie, płace realne, zatrudnienie, inflacja)
Interaktywny wykres: wybór branży → pokazuje zatrudnienie, płace, wzrost w czasie
Mapa Polski: różnice w bezrobociu i płacach według województw (mapa choropleth)
Wykres rozkładu płac: histogram lub boxplot pokazujący nierówności płacowe
Animacja: jak zmieniała się struktura zatrudnienia 2015-2024 (stacked bar chart)

Potencjalne ograniczenia i wyzwania

Szara strefa – część zatrudnienia nie jest oficjalnie rejestrowana
Różnice metodologiczne – BAEL (badanie gospodarstw) vs. ZUS (administracyjne) dają różne liczby
Jakość danych o umowach – ZUS nie rozróżnia wszystkich typów umów cywilnoprawnych
Definicje – “zatrudnienie” może być definiowane różnie (1h pracy tygodniowo vs. pełny etat)
Sezonowość – dane wymagają korekty sezonowej dla prawidłowej interpretacji trendów

GRUPA 5: Kryzys finansowania systemu opieki zdrowotnej

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z pacjentami – doświadczenia z czasami oczekiwania, dostępem do specjalistów
Perspektywa lekarzy i pielęgniarek – trudności w pracy, niskie wynagrodzenia, wypalenie zawodowe
Historie szpitali – konkretne placówki borykające się z problemami finansowymi
Wypowiedzi polityków – deklaracje o reformach, zwiększeniu finansowania
Eksperci zdrowia publicznego – opinie o przyczynach kryzysu i możliwych rozwiązaniach

Dziennikarstwo danych (niezbędne)

Analiza wydatków na zdrowie – % PKB, per capita, w czasie, porównanie z innymi krajami
Dostępność usług – liczba lekarzy/pielęgniarek na 10 tys. mieszkańców, różnice regionalne
Czasy oczekiwania – analiza kolejek NFZ do specjalistów, zabiegów (dane NFZ)
Struktura finansowania – NFZ, wydatki własne pacjentów, prywatne ubezpieczenia
Wskaźniki zdrowia – średnia długość życia, umieralność, zachorowalność (dla oceny efektywności)
Analiza “brain drain” – ile lekarzy wyjeżdża za granicę?

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

System zdrowia to złożony system z milionami pacjentów, dziesiątkami tysięcy lekarzy, tysiącami placówek. Pojedyncze historie są ważne, ale nie pokazują skali problemów ani ich rozkładu geograficznego. Politycy mogą deklarować “rekordowe finansowanie” – tylko porównanie z PKB i innymi krajami pokazuje prawdę. Czasy oczekiwania, dostępność usług, efektywność wydatków – to wszystko wymaga danych.

2. Hipotezy badawcze

Hipoteza 1: Wydatki na zdrowie jako % PKB są znacząco niższe niż w krajach Europy Zachodniej

Dane potrzebne: - Wydatki na zdrowie jako % PKB – Polska 2010-2024 (GUS, OECD, WHO) - Dane porównawcze krajów UE, OECD - Dekompozycja: publiczne vs. prywatne (out-of-pocket) - Wydatki per capita (kontrola za wielkość gospodarki)

Metody analizy: - Analiza trendu wydatków w Polsce w czasie - Benchmarking z krajami UE-15 i V4 - Analiza struktury wydatków (skąd pochodzą pieniądze)

Wizualizacje: - Wykres liniowy: wydatki % PKB w czasie – Polska vs. średnia UE vs. Niemcy/Francja - Wykres słupkowy: ranking krajów UE według wydatków na zdrowie % PKB (2024) - Wykres składany: struktura wydatków (publiczne, prywatne, ubezpieczenia) według krajów

Hipoteza 2: Dostępność lekarzy i pielęgniarek jest nierównomierna – duże miasta mają więcej, wschodnia Polska mniej

Dane potrzebne: - Liczba lekarzy według specjalności i województw (NIL – Naczelna Izba Lekarska, GUS) - Liczba pielęgniarek według województw (NIPiP – Naczelna Izba Pielęgniarek, GUS) - Populacja według województw (do przeliczenia na 10 tys. mieszkańców) - Dane porównawcze OECD

Metody analizy: - Normalizacja: lekarze/pielęgniarki na 10 tys. mieszkańców - Analiza przestrzenna: różnice między województwami - Analiza według specjalizacji: gdzie brakuje specjalistów

Wizualizacje: - Mapa choropleth: lekarze na 10 tys. mieszkańców według województw - Wykres słupkowy: ranking województw według dostępności lekarzy - Mapa cieplna: dostępność według województw i specjalizacji (2D heatmap)

Hipoteza 3: Czasy oczekiwania na zabiegi i specjalistów rosną pomimo deklarowanego zwiększenia finansowania

Dane potrzebne: - Kolejki NFZ – czasy oczekiwania według procedur/specjalizacji (dane NFZ – publicznie dostępne) - Dane historyczne 2015-2024 - Finansowanie NFZ w tym samym okresie - Liczba wykonanych świadczeń (dla oceny czy wydłużenie kolejek to efekt wzrostu popytu czy ograniczenia podaży)

Metody analizy: - Analiza trendu czasów oczekiwania w czasie - Korelacja między finansowaniem a czasami oczekiwania (paradoks: więcej pieniędzy ≠ krótsze kolejki?) - Analiza według specjalizacji: gdzie kolejki rosną najszybciej

Wizualizacje: - Wykres liniowy: mediana czasu oczekiwania do 5 najpopularniejszych specjalizacji (2015-2024) - Wykres bąbelkowy: czas oczekiwania vs. liczba oczekujących, według specjalizacji - Mapa: średni czas oczekiwania do poradni specjalistycznych według województw

3. Plan projektu

Główne pytanie badawcze

“Jak wygląda rzeczywisty kryzys finansowania opieki zdrowotnej w Polsce w kontekście wydatków, dostępności usług i czasów oczekiwania, i jak wypadamy na tle innych krajów UE?”

Źródła danych

GUS/OECD/WHO: Wydatki na zdrowie, wskaźniki zdrowia
NFZ: Kolejki, czasy oczekiwania, statystyki świadczeń (nfz.gov.pl/informacje-publiczne)
NIL: Liczba lekarzy według specjalizacji, województw (nil.org.pl)
NIPiP: Liczba pielęgniarek (nipip.pl)
Ministerstwo Zdrowia: Budżet, programy zdrowotne
Eurostat: Dane porównawcze krajów UE

Metodologia analizy

Analiza porównawcza międzynarodowa – Polska vs. kraje UE według kluczowych wskaźników
Analiza przestrzenna – mapowanie nierówności dostępu w Polsce
Analiza efektywności – czy więcej pieniędzy = lepsze wskaźniki zdrowia?
Analiza strukturalna – dekompozycja wydatków, identyfikacja wąskich gardeł
Time series analysis – jak zmieniały się wskaźniki w czasie

Proponowane wizualizacje

Dashboard “Stan ochrony zdrowia”: 6 wskaźników (wydatki, lekarze, pielęgniarki, kolejki, długość życia, satysfakcja)
Mapa interaktywna Polski: dostępność usług zdrowotnych według województw (można wybierać wskaźnik)
Wykres porównawczy krajów UE: pozycja Polski w rankingach (małe multiples – wiele wykresów słupkowych)
Infografika “Droga pacjenta”: wizualizacja typowej ścieżki pacjenta z czasami oczekiwania na każdym etapie
Wykres Sankey: przepływ finansowania w systemie (źródła → NFZ/MZ → szpitale/przychodnie → usługi)

Potencjalne ograniczenia i wyzwania

Jakość danych NFZ – kolejki mogą być niepełne (część prywatnych placówek nie raportuje)
Różnice metodologiczne – kraje liczą wydatki na zdrowie nieco inaczej
Prywatna opieka – trudno uchwycić pełen obraz, gdy część usług jest prywatna
Kompleksowość systemu – pełna analiza wymaga wiedzy medycznej i ekonomicznej
Polityczna wrażliwość – temat jest silnie upolityczniony, trudno zachować obiektywność w narracjach

GRUPA 6: Zwroty z inwestycji w nieruchomości vs. bezpieczne aktywa

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z inwestorami – doświadczenia osób inwestujących w mieszkania na wynajem
Perspektywa doradców finansowych – zalecenia ekspertów co do alokacji kapitału
Historie sukcesu i porażki – konkretne przypadki udanych i nieudanych inwestycji
Kontekst regulacyjny – zmiany w opodatkowaniu nieruchomości, kredytów
Trendy rynkowe – opinie ekspertów o perspektywach różnych klas aktywów

Dziennikarstwo danych (niezbędne)

Historyczne zwroty – jaka była stopa zwrotu z mieszkań vs. obligacji vs. akcje w ostatnich 10/20 latach?
Analiza ryzyka – zmienność zwrotów, maksymalne obsunięcia (drawdowns)
Koszty ukryte – podatki, prowizje, koszty utrzymania dla różnych inwestycji
Efekt dźwigni – jak kredyt hipoteczny wpływa na zwrot i ryzyko inwestycji w nieruchomości?
Porównania międzynarodowe – jak zwroty w Polsce wypadają na tle innych krajów?
Optymalna alokacja – modelowanie portfela (ile % w nieruchomości, ile w inne aktywa)

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Inwestycje to liczby – zwroty, ryzyko, zmienność. Historia jednego inwestora nie pokazuje, co jest statystycznie lepsze. Eksperci mogą mieć sprzeczne opinie (bias na rzecz branży, w której pracują). Tylko systematyczna analiza historycznych danych o zwrotach różnych klas aktywów pokazuje obiektywny obraz. Ryzyko nie jest widoczne w pojedynczych przypadkach – tylko analiza wielu lat i scenariuszy pokazuje prawdziwe ryzyko.

2. Hipotezy badawcze

Hipoteza 1: Inwestycje w nieruchomości dają wyższy zwrot niż obligacje, ale niższy niż akcje

Dane potrzebne: - Indeks cen mieszkań 2010-2024 (NBP) - Zwroty z obligacji skarbowych (10-letnich) w tym samym okresie (Ministerstwo Finansów) - Indeks WIG (giełda warszawska) dla porównania z akcjami - Średni czynsz najmu dla obliczenia rental yield (portale: Otodom, Rentier.io) - Inflacja (CPI) dla obliczenia realnych zwrotów

Metody analizy: - Obliczenie Total Return dla mieszkań: wzrost ceny + dochód z wynajmu (rental yield) - Obliczenie Total Return dla obligacji: odsetki + zmiana wartości - Obliczenie zwrotu z akcji: dywidendy + wzrost ceny - Porównanie średnich rocznych zwrotów i ich zmienności (odchylenie standardowe) - Obliczenie wskaźnika Sharpe’a (zwrot ponad ryzyko)

Wizualizacje: - Wykres liniowy: skumulowany zwrot z 100 PLN zainwestowanych w 2010 w 3 klasy aktywów - Wykres słupkowy: średni roczny zwrot vs. zmienność (ryzyko) dla 3 klas aktywów - Wykres pudełkowy (boxplot): rozkład rocznych zwrotów dla każdej klasy aktywów

Hipoteza 2: Uwzględnienie kosztów transakcyjnych i podatków znacząco obniża realny zwrot z nieruchomości

Dane potrzebne: - Koszty transakcyjne: notariusz, podatek od czynności cywilnoprawnych (PCC 2%), prowizja pośrednika - Koszty utrzymania: podatek od nieruchomości, opłaty wspólnoty, remonty - Podatek od dochodu z wynajmu (ryczałt 8.5% lub skala podatkowa) - Analogiczne koszty dla obligacji i akcji (prowizje maklerskie, podatek Belki 19%)

Metody analizy: - Obliczenie Total Cost of Ownership dla mieszkania (10 lat) - Obliczenie zwrotu netto (po wszystkich kosztach i podatkach) - Porównanie zwrotu brutto vs. netto dla 3 klas aktywów

Wizualizacje: - Wykres wodospadowy: dekompozycja zwrotu z mieszkania (wzrost ceny → -koszty → -podatki → zwrot netto) - Wykres słupkowy porównawczy: zwrot brutto vs. netto dla 3 klas aktywów - Infografika: “Prawdziwy koszt inwestycji w mieszkanie” (breakdown wszystkich kosztów)

Hipoteza 3: Kredyt hipoteczny (dźwignia) może zwiększyć zwrot, ale też dramatycznie zwiększa ryzyko

Dane potrzebne: - Oprocentowanie kredytów hipotecznych 2010-2024 (NBP, BIK) - Wymagany wkład własny (typowo 10-20%) - Scenariusze: zakup za gotówkę vs. zakup z kredytem (20% wkład)

Metody analizy: - Obliczenie zwrotu na kapitale własnym (Return on Equity) przy różnych poziomach dźwigni - Analiza wrażliwości: jak zwrot zmienia się przy różnych scenariuszach cen (wzrost, spadek) - Modelowanie ryzyka: przy jakim spadku cen inwestor traci cały kapitał?

Wizualizacje: - Wykres kolumnowy: zwrot ROE przy różnych poziomach dźwigni (0%, 50%, 80% kredytu) - Wykres scenariuszowy: zwrot przy różnych scenariuszach cen (+20%, +10%, 0%, -10%, -20%) - Heatmap: zwrot na kapitale własnym w zależności od wzrostu cen i oprocentowania kredytu

3. Plan projektu

Główne pytanie badawcze

“Która klasa aktywów (nieruchomości, obligacje, akcje) daje najlepszy zwrot skorygowany o ryzyko dla polskiego inwestora w perspektywie 10-letniej, uwzględniając wszystkie koszty i podatki?”

Źródła danych

NBP: Indeks cen mieszkań, oprocentowanie kredytów, stopy procentowe
GPW: Indeksy giełdowe (WIG, WIG20), dane o zwrotach
Ministerstwo Finansów: Rentowność obligacji skarbowych, zasady opodatkowania
GUS: Inflacja (CPI)
Portale nieruchomości: Otodom, Gratka (dane o czynszach najmu)
Analizy rynkowe: Raport Rentier.io (rental yields), raporty domów maklerskich

Metodologia analizy

Obliczenie Total Return dla każdej klasy aktywów (wzrost wartości + dochód pasywny)
Uwzględnienie kosztów – wszystkie koszty transakcyjne, podatki, utrzymanie
Analiza ryzyka – zmienność zwrotów, maksymalne obsunięcia, wartość zagrożona (VaR)
Modelowanie dźwigni – wpływ kredytu na zwrot i ryzyko
Optymalizacja portfela – jaka alokacja daje najlepszy stosunek zwrotu do ryzyka (eficient frontier)

Proponowane wizualizacje

Dashboard “Kalkulator inwestycyjny”: użytkownik wpisuje kwotę, horyzont czasowy → widzi projekcję zwrotów
Wykres interaktywny: skumulowane zwroty z 3 klas aktywów z możliwością wyboru okresu
Infografika porównawcza: 3 kolumny (nieruchomości, obligacje, akcje) – zwrot, ryzyko, płynność, koszty
Wykres scenariuszowy: “Co by było gdyby…” – symulacje Monte Carlo dla różnych ścieżek rynku
Efficient frontier: wykres pokazujący optymalne portfele (kombinacje aktywów)

Potencjalne ograniczenia i wyzwania

Jakość danych historycznych – brak dokładnych danych o rental yields sprzed 2015
Heterogeniczność nieruchomości – mieszkania różnią się lokalizacją, jakością (średnia może być myląca)
Survivorship bias – analizujemy tylko rynki/aktywa, które przetrwały
Zakłócenia – COVID, COVID, wojny – nietypowe okresy mogą zakłócać analizę
Przyszłość ≠ przeszłość – historyczne zwroty nie gwarantują przyszłych

GRUPA 7: Wpływ reformy edukacji

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z nauczycielami – jak reforma wpływa na ich pracę, obciążenie, wynagrodzenia
Perspektywa uczniów i rodziców – co zmieniło się w szkołach, jakie są odczucia
Wypowiedzi polityków – uzasadnienie reformy, cele, oczekiwane efekty
Opinie ekspertów edukacji – pedagogów, psychologów, badaczy edukacji
Reportaże ze szkół – konkretne przykłady jak reforma jest implementowana

Dziennikarstwo danych (niezbędne)

Analiza podstawy programowej – ile faktycznie zredukowano treści (20%)?
Wynagrodzenia nauczycieli – jak zmieniły się w czasie, porównanie z innymi zawodami i krajami
Wyniki uczniów – egzaminy ósmoklasisty, matury przed i po reformie (kontrola za inne czynniki)
Liczba godzin nauczania – jak zmieniło się obciążenie uczniów i nauczycieli
Frekwencja i dropout – czy reforma wpłynęła na liczbę uczniów kończących szkołę
Dostęp do zajęć dodatkowych – czy redukcja podstawy pozwoliła na więcej aktywności pozalekcyjnych

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Reforma edukacji dotyczy milionów uczniów, setek tysięcy nauczycieli, tysięcy szkół – pojedyncze historie nie pokazują systemowego wpływu. Politycy deklarują “20% redukcję” – trzeba to zweryfikować faktycznie zliczając treści. “Wynagrodzenia wzrosły” – ale czy realnie (po inflacji)? Czy na tle innych zawodów? Wpływ na wyniki uczniów wymaga quasi-eksperymentalnej analizy porównującej roczniki przed i po reformie.

2. Hipotezy badawcze

Hipoteza 1: Redukcja podstawy programowej faktycznie wynosi mniej niż deklarowane 20%

Dane potrzebne: - Podstawa programowa przed reformą (MEN) - Podstawa programowa po reformie (MEN) - Podręczniki szkolne (liczba stron, tematów) przed i po - Ramowy plan nauczania (liczba godzin przedmiotów)

Metody analizy: - Analiza treści (content analysis): liczenie punktów programowych przed i po - Porównanie liczby godzin nauczania według przedmiotów - Analiza podręczników: liczba stron, tematów, zadań

Wizualizacje: - Wykres słupkowy: liczba punktów programowych przed vs. po, według przedmiotów - Wykres wodospadowy: “z 100% podstawy programowej do X%” – pokazujący faktyczną redukcję - Heatmap: redukcja według przedmiotu i poziomu edukacji

Hipoteza 2: Wynagrodzenia nauczycieli wzrosły nominalnie, ale realnie (po inflacji) pozostały stagnacyjne

Dane potrzebne: - Średnie wynagrodzenie nauczycieli według stopni awansu 2015-2024 (MEN, GUS) - Wskaźnik CPI (inflacja) - Średnie wynagrodzenie w gospodarce dla porównania (GUS) - Dane porównawcze OECD (wynagrodzenia nauczycieli jako % PKB per capita)

Metody analizy: - Deflacja wynagrodzeń nominalnych → wynagrodzenia realne - Porównanie tempa wzrostu wynagrodzeń nauczycieli vs. średnia krajowa - Benchmarking międzynarodowy

Wizualizacje: - Wykres liniowy: wynagrodzenia nominalne vs. realne nauczycieli (2015-2024) - Wykres słupkowy: wzrost wynagrodzeń nauczycieli vs. przeciętne wynagrodzenie w gospodarce - Wykres porównawczy: wynagrodzenia nauczycieli w Polsce vs. kraje OECD (jako % PKB per capita)

Hipoteza 3: Redukcja podstawy programowej nie poprawiła wyników uczniów (brak efektu na egzaminach)

Dane potrzebne: - Wyniki egzaminu ósmoklasisty 2019-2024 (OKE – Okręgowe Komisje Egzaminacyjne) - Wyniki matur 2019-2024 (CKE – Centralna Komisja Egzaminacyjna) - Dane kontrolne: struktura społeczno-ekonomiczna uczniów (SES), wielkość szkół, lokalizacja

Metody analizy: - Difference-in-differences: porównanie roczników “przed” i “po” reformie - Kontrola za zmienne zakłócające (SES, lokalizacja) - Analiza według przedmiotów: czy niektóre przedmioty zyskały, inne straciły - Regression discontinuity design: porównanie roczników tuż przed i tuż po reformie

Wizualizacje: - Wykres liniowy: średni wynik egzaminu ósmoklasisty w czasie z zaznaczoną datą reformy - Wykres pudełkowy: rozkład wyników przed vs. po reformie, według przedmiotów - Wykres slope chart: jak zmieniły się wyniki poszczególnych województw/szkół przed → po

3. Plan projektu

Główne pytanie badawcze

“Czy reforma edukacji (redukcja podstawy programowej o 20% i zmiany wynagrodzeń nauczycieli) osiągnęła zamierzone cele i jak wpłynęła na wyniki uczniów?”

Źródła danych

MEN (Ministerstwo Edukacji Narodowej): Podstawy programowe, ramowe plany nauczania, wynagrodzenia nauczycieli
CKE: Wyniki matur (dane zagregowane i mikrodane – jeśli dostępne)
OKE: Wyniki egzaminów ósmoklasisty
GUS: Dane o nauczycielach, szkołach, infrastrukturze edukacyjnej
OECD: PISA (badanie kompetencji uczniów międzynarodowe), dane o wydatkach na edukację
SIO (System Informacji Oświatowej): Dane administracyjne o szkołach

Metodologia analizy

Content analysis podstawy programowej – systematyczne zliczanie treści przed i po
Deflacja wynagrodzeń – konwersja na realne, porównania
Quasi-experimental design – porównanie roczników uczniów przed i po reformie
Kontrola za zmienne zakłócające – regresja wieloraka z zmiennymi kontrolnymi (SES, lokalizacja, typ szkoły)
Analiza subgrup – czy reforma wpłynęła inaczej na różne grupy (miasto vs. wieś, bogate vs. biedne gminy)

Proponowane wizualizacje

Infografika “Reforma w liczbach”: kluczowe zmiany (% redukcja, zmiana wynagrodzeń, liczba uczniów objętych)
Dashboard porównawczy: wyniki egzaminów przed vs. po, według województw (mapa)
Wykres interaktywny: wybór przedmiotu/poziomu → pokazuje zmiany w programie i wynikach
Slope chart: jak zmieniły się wyniki poszczególnych szkół przed → po reformie
Scatter plot: korelacja między skalą redukcji programu a zmianą wyników

Potencjalne ograniczenia i wyzwania

Przyczynowość – trudno udowodnić, że zmiany wyników to efekt reformy (wiele innych czynników)
Krótki horyzont czasowy – reforma jest świeża, pełne efekty mogą być widoczne dopiero za kilka lat
Jakość danych – mikrodane o uczniach mogą być niedostępne (RODO)
Heterogeniczność szkół – reforma mogła być implementowana różnie w różnych szkołach
COVID-19 – pandemia zakłóciła normalną edukację, trudno oddzielić jej wpływ od wpływu reformy

GRUPA 8: Wzrost cen produktów w długim okresie

1. Analiza tematu

Tradycyjne dziennikarstwo

Wywiady z konsumentami – wspomnienia jak ceny wyglądały 5, 10, 20 lat temu
Perspektywa ekonomistów – wyjaśnienie mechanizmów długoterminowego wzrostu cen
Historie konkretnych produktów – dlaczego masło, benzyna czy energia drożeją szczególnie
Kontekst historyczny – kluczowe wydarzenia wpływające na ceny (kryzysy, pandemie, wojny)
Anegdoty pokoleniowe – “za moich czasów chleb kosztował…”

Dziennikarstwo danych (niezbędne)

Analiza długoterminowych trendów – wzrost cen w perspektywie 5, 10, 20+ lat
Inflacja skumulowana – ile % drożały produkty vs. inflacja ogólna w tym okresie?
Siła nabywcza – ile produktów można kupić za średnią pensję teraz vs. wtedy?
Ranking drożyzny – które produkty drożały najszybciej, które najwolniej?
Porównanie z dochodami – czy pensje rosły szybciej czy wolniej niż ceny?
Kategorie produktów – żywność vs. energia vs. usługi vs. dobra trwałe
Momenty przełomowe – identyfikacja skoków cenowych (kryzysy 2008, 2020, 2022)

Dlaczego tradycyjne dziennikarstwo nie wystarczy?

Perspektywa długoterminowa wymaga systematycznej analizy setek produktów przez lata – pamięć ludzka zawodzi, anegdoty są subiektywne. Artykuł wspomina “masło podrożało X razy” – ale tylko dane pokazują pełen obraz: które produkty drożały podobnie? Czy to wyjątek czy reguła? Jak to wygląda w relacji do pensji? Identyfikacja wzorców, przełomów, nierówności w tempie drożyzny – wymaga systematycznej analizy danych historycznych.

2. Hipotezy badawcze

Hipoteza 1: Niektóre produkty (masło, energia, paliwa) drożały wielokrotnie szybciej niż średnia inflacja w okresie 10-20 lat

Dane potrzebne: - Ceny produktów konsumpcyjnych 2004-2024 (GUS – długie szeregi czasowe) - Wskaźnik CPI skumulowany w tym okresie (GUS) - Ceny masła, energii elektrycznej, benzyny, gazu (GUS, URE, PKN Orlen) - Średnie wynagrodzenie 2004-2024 dla kontekstu (GUS)

Metody analizy: - Obliczenie inflacji skumulowanej dla każdego produktu (baza: 2004=100) - Porównanie z CPI skumulowanym - Identyfikacja outliers – produkty drożejące ekstremalnie szybciej/wolniej - Analiza przełomów czasowych (kiedy nastąpiły skoki cenowe?)

Wizualizacje: - Wykres liniowy: indeksy cen wybranych produktów 2004-2024 (baza 2004=100) + CPI - Wykres słupkowy: wzrost cen w % według produktów (2004-2024 vs. 2014-2024 vs. 2019-2024) - Infografika: “Ile razy podrożało?” – wizualizacja wzrostu cen top 10 produktów

Hipoteza 2: Wzrost wynagrodzeń nie nadążał za wzrostem cen niektórych kategorii produktów, zmniejszając siłę nabywczą

Dane potrzebne: - Średnie wynagrodzenie brutto 2004-2024 (GUS) - Ceny koszyka podstawowych produktów w tym okresie - Dane o konsumpcji – ile produktów przeciętny Polak kupuje (GUS) - Minimalne wynagrodzenie dla porównania

Metody analizy: - Obliczenie siły nabywczej: ile jednostek produktu można kupić za średnią pensję - Porównanie tempa wzrostu wynagrodzeń vs. cen według kategorii - Identyfikacja produktów, których nie stać na więcej mimo wyższych pensji - Analiza według różnych grup dochodowych (minimum vs. średnia vs. górne decyle)

Wizualizacje: - Wykres liniowy podwójnej osi: średnia pensja vs. cena masła/benzyny (2004-2024) - Wykres słupkowy: “ile sztuk można kupić za średnią pensję” (2004 vs. 2024) – chleb, masło, paliwo - Wykres rozproszenia: wzrost wynagrodzeń (X) vs. wzrost cen produktu (Y), każdy produkt = punkt

Hipoteza 3: Kluczowe kryzysy (2008, COVID-19, wojna w Ukrainie) spowodowały skoki cenowe widoczne w danych

Dane potrzebne: - Miesięczne ceny produktów 2006-2024 (GUS) - Daty kluczowych wydarzeń (kryzys 2008, COVID marzec 2020, wojna luty 2022) - Dane o przerwach w łańcuchach dostaw, cenach ropy, kursach walut (NBP)

Metody analizy: - Event study analysis – porównanie trendów cenowych przed i po kryzysach - Interrupted time series – wykrycie strukturalnych przełomów w szeregach - Analiza współczynnika zmienności – czy kryzysy zwiększyły volatilność cen - Dekompozycja: ile % wzrostu cen to “normalna inflacja” a ile szoki kryzysowe

Wizualizacje: - Wykres liniowy z zaznaczonymi datami kryzysów: ceny wybranych produktów 2006-2024 - Wykres przed-po: średni wzrost cen 12 miesięcy przed vs. po każdym kryzysie - Heatmap: zmienność cen (volatility) według produktu i okresu – identyfikacja “gorących momentów”

3. Plan projektu

Główne pytanie badawcze

“Które produkty konsumpcyjne drożały najszybciej w Polsce w perspektywie 5, 10 i 20 lat, jak to wpłynęło na siłę nabywczą Polaków, i jakie kluczowe wydarzenia/kryzysy były punktami przełomowymi?”

Źródła danych

GUS: Ceny detaliczne towarów i usług konsumpcyjnych – długie szeregi czasowe 2000-2024 (stat.gov.pl)
GUS: Wskaźniki CPI i ich składowe, przeciętne wynagrodzenia (stat.gov.pl)
NBP: Kursy walut, stopy procentowe, ceny ropy – czynniki wpływające na inflację (nbp.pl)
URE (Urząd Regulacji Energetyki): Ceny energii elektrycznej i gazu dla gospodarstw (ure.gov.pl)
PKN Orlen: Historyczne ceny paliw (dane archiwalne z komunikatów)
Eurostat: Dane porównawcze HICP dla kontekstu międzynarodowego
Źródła historyczne: Artykuły prasowe, komunikaty o cenach z przeszłości (archiwum)

Metodologia analizy

Analiza długich szeregów czasowych – trendy 2000-2024 (lub dłużej jeśli dane dostępne)
Obliczenie inflacji skumulowanej – indeksy cenowe (baza: rok X = 100) dla każdego produktu
Analiza siły nabywczej – ile produktów za średnią pensję w różnych latach
Event study – wpływ kluczowych kryzysów (2008, 2020, 2022) na ceny
Structural break analysis – identyfikacja momentów przełomowych w trendach
Clustering produktów – grupowanie według podobieństwa dynamiki cen

Proponowane wizualizacje

Wykres liniowy “wyścig inflacji”: indeksy cen top 20 produktów 2004-2024 (baza 2004=100)
Infografika “Ile razy podrożało?”: wizualizacja top 10 produktów z największym wzrostem
Wykres interaktywny siły nabywczej: wybór produktu → pokazuje ile sztuk za pensję w czasie
Timeline z kryzysami: wykres cen z zaznaczonymi kluczowymi wydarzeniami (2008, 2020, 2022)
Heatmap zmienności: volatilność cen według produktu i okresu (identyfikacja szoków)
Dashboard porównawczy: 3 perspektywy czasowe (5, 10, 20 lat) – ranking produktów według wzrostu

Potencjalne ograniczenia i wyzwania

Dostępność długich szeregów – niektóre produkty mogą nie mieć danych sprzed 2010-2015
Zmiany w metodologii CPI – GUS zmieniał koszyk i wagi produktów przez lata (problem porównywalności)
Jakość produktów – “chleb” w 2004 vs. 2024 to różne produkty (skład, jakość)
Survivorship bias – niektóre produkty przestały istnieć, nowe się pojawiły
Kontekst międzynarodowy – część wzrostu cen to efekt globalnych trendów (ropa, surowce), nie tylko lokalnych
Redenominacja – w 1995 było “stare złote” → “nowe złote” (1:10000) – komplikuje analizy sprzed tego okresu