Metodika a reference

Finanční dostupnost bydlení

Poměr cena-příjmy

Metodika

Definice

  • Podíl prodejní ceny standardizovaného, cihlového, 60 m² bytu a čistého ročního příjmu průměrné domácnosti.

  • Průměrná velikost domácnosti je podle SLDB (2021) 2,15 osoby.

  • Standardizovaný byt je v existujícím cihlovém domě (nejedná se o novostavbu), bez balkonu, terasy, bez parkování, garáže a v dobrém nebo lepším technickém stavu.

  • Standardizace umožňuje sledovat rozdíly v cenové hladině bytů v různých lokalitách a v čase, očištěné o rozdíly ve složení bytového fondu.

  • Pro delší časovou řadu a mezinárodní srovnání využíváme také data OECD v podobě procentuálního indexu poměru cena-příjmy, který srovnává hodnotu v daném roce oproti hodnotě bazického roku. Tato data zachycují vývoj v čase od roku 2008 (nejdelší časová řada dostupná pro Česko). Tento index je založen na obecných cenách bytů, bez stejné standardizace.

Data

  • ČR

    • Výpočet MMR na základě následujících dat:

    • Průměrná prodejní cena standardizovaného 60 m² bytu za m² | Diotima, model MoniT | 2024

      • Metodika výpočtu a jeho validace na příkladech konkrétních SO ORP dostupná zde: Model realitního trhu MoniT

      • Jedná se o průměrnou prodejní cenu bytu s danými charakteristikami, ceny konkrétních bytů v dané lokalitě mohou být v širším rozmezí a od tohoto průměru se odlišovat.

    • Průměrné nominální čisté peněžní příjmy na obyvatele a rok | Technická univerzita v Liberci | 2022

    • Průměrná hrubá měsíční mzda na přepočtené zaměstnance | ČSÚ | 2024

  • Mezinárodní

Výpočet

  • ČR

    • Příjem v detailu na SO ORP je vypočítán z dat za roky 2020 až 2022 (vstupní data TUL) a dále jej pro každé čtvrtletí indexujeme růstem průměrných hrubých mezd v daném kraji od průměru roku 2021. Využita je vždy průměrná mzda za poslední 4 čtvrtletí pro vyrovnání sezónních výkyvů.

    • Poměr cena / příjmy = Prodejní cena * 60 m2 / (čistý příjem * 2,15)

    • Průměr pro kraje a ČR je vypočten jako průměr SO ORP vážený počtem obyvatel.

  • Mezinárodní

    • Data přepočítána na index se základním rokem 2008

    • Více k výpočtu indexu: HM1.2 HOUSE PRICES

Srovnání s výsledky jiných měření

  • Deloitte Property Index pro rok 2023 stanovil pro ukazatel Price to income ratio hodnotu 13,3. To znamená, že na pořízení nového bytu o rozloze 70 m² je potřeba 13,3násobek průměrného ročního hrubého platu jednotlivce. Indikátor použitý v této zprávě ukazuje odlišné číslo – 5,1násobek průměrného ročního příjmu domácnosti pro koupi bytu o rozloze 60 m². Tento rozdíl vyplývá z odlišné metodiky: Deloitte počítá s průměrným platem jednotlivce a zaměřuje se na novostavby o větší rozloze. Tato zpráva pracuje dle definice indikátoru ve výpočtech s celkovými příjmy průměrné domácnosti (tedy 2,15 osob) a zohledňují existující byty v bytových domech z cihlového zdiva (ne novostavby) o menší rozloze 60 m². Definice použitá v této zprávě je blíže definici indikátoru (použití příjmů oproti mzdám) a odpovídá situaci, kdy si domácnost dohromady kupuje přiměřeně velký, existující byt (oproti jednotlivci kupujícímu větší byt v novostavbě). Průměrná plocha bytů v bytových domech je 63,5 m², průměrná plocha nově postavených bytů se dlouhodobě pohybuje kolem 50 m². Konkrétní parametry výpočtu tohoto indikátoru se v různých zdrojích odlišují. V zahraničním srovnání a v odborné literatuře je obvyklejší využití příjmu celé domácnosti a existujících bytů.

  • Projekt Index prosperity a finančního zdraví (Index prosperity Česka 2024) využívá výsledky z crowdsourcingové databáze Numbeo (Numbeo 2024). Tyto výsledky ukazují hodnotu indikátoru Price to income ratio na úrovni 12,9 (oproti 14,9 v roce 2023). Tento indikátor vyjadřuje poměr mediánové ceny bytu k mediánovému disponibilnímu příjmu domácnosti, a to v letech potřebných k jeho splacení. Numbeo ve svých výpočtech pracuje s čistým disponibilním příjmem rodiny, který je definován jako 1,5násobek průměrné čisté mzdy. Tento násobek vychází z předpokladu, že 50 % žen je aktivních na trhu práce. Mediánová velikost bytu je nastavena na 90 m² a cena za čtvereční metr vychází z průměru cen v centru města a mimo něj. Naše výsledky se liší v důsledku odlišné metodiky a použitých dat. Počítáme s počtem ročních příjmů potřebných pro průměrnou domácnost k zakoupení standardizovaného bytu o rozloze 60 m². Zohledňujeme celkový roční příjem domácnosti, nikoliv pouze průměrné mzdy jednotlivých členů. Navíc pracujeme s menší velikostí bytu (60 m²) oproti 90 m², které ve svých výpočtech využívá Numbeo.

Poměr nájem-příjmy

Metodika

Definice

  • Procentuální podíl průměrného ročního nájemného standardizovaného, cihlového, 60 m² bytu a čistého ročního příjmu průměrné domácnosti.

  • Průměrná velikost domácnosti je podle SLDB (2021) 2,15 osoby.

  • Standardizovaný byt je v existujícím cihlovém domě (nejedná se o novostavbu), bez balkonu, terasy, bez parkování, garáže a v dobrém nebo lepším technickém stavu.

  • Standardizace umožňuje sledovat rozdíly v cenové hladině nájemného bytů v různých lokalitách a v čase, očištěné o rozdíly ve složení bytového fondu.

  • Jedná se o nájemné relevantní pro nabídky na nové tržní nájmy.

  • Pro delší časovou řadu a mezinárodní srovnání využíváme také data OECD v podobě procentuálního indexu poměru nájem-příjmy, který srovnává hodnotu v daném roce oproti hodnotě bazického roku. Tato data zachycují vývoj v čase od roku 2008 (nejdelší časová řada dostupná pro Česko). Tento index je založen na obecných nájmech bytů, bez stejné standardizace. Tento index zahrnuje kromě nově nabízených tržních nájmů také stávající smlouvy (dlouhodobé a opakované krátkodobé) a netržní nájmy.

Data

  • ČR

    • Výpočet MMR na základě následujících dat:

    • Průměrná cena nájmu standardizovaného 60 m² bytu za m² | Diotima, model MoniT | 2024

      • Metodika výpočtu a jeho validace na příkladech konkrétních SO ORP dostupná zde: Model realitního trhu MoniT

      • Jedná se o průměrnou cenu nájmu bytu s danými charakteristikami, nájemné konkrétních bytů v dané lokalitě může být v širším rozmezí a od tohoto průměru se odlišovat.

    • Průměrné nominální čisté peněžní příjmy na obyvatele a rok | Technická univerzita v Liberci | 2022

    • Průměrná hrubá měsíční mzda na přepočtené zaměstnance | ČSÚ | 2024

  • Mezinárodní

Výpočet

  • ČR

    • Příjem v detailu na SO ORP je vypočítán z dat za roky 2020 až 2022 (vstupní data TUL) a dále jej pro každé čtvrtletí indexujeme růstem průměrných hrubých mezd v daném kraji od průměru roku 2021. Využita je vždy průměrná mzda za poslední 4 čtvrtletí pro vyrovnání sezónních výkyvů.

    • Poměr nájem / příjmy = Cena nájemného * 60 m2 / (čistý příjem * 2,15) * 100 %

    • Průměr pro kraje a ČR je vypočten jako průměr SO ORP vážený počtem obyvatel.

  • Mezinárodní

    • Poměr nájem-příjmy = price-income ratio / price-rent ratio

    • Data dále přepočítána na index se základním rokem 2008

    • Více k výpočtu indexů: HM1.2 HOUSE PRICES

Nabídkové a stávající nájmy

Definice

  • Nabídkovými nájmy zde myslíme údaje o nájemném, které byly získány z inzerátů na realitních portálech. Jedná se o nabízené nájemné pro nové, tržní nájemní smlouvy.

  • Stávajícími nájmy zde myslíme nájemní smlouvy, které jsou v danou chvíli platné, bez ohledu na to, kdy byly uzavřeny. Jedná se tedy o smlouvy, které byly uzavřeny nedávno, dále smlouvy běžící dlouhodobě a také opakující se krátkodobé smlouvy, které ale již neprochází znovu realitními portály.

Data

  • Nabídkové nájmy
    • Deloitte rent index | 2024
    • Průměrný nájem v Česku v Kč / m2
    • Data z realitních portálů
    • Více na Deloitte rent index
  • Stávající nájmy
    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023
    • Průměrný nájem v Česku v Kč / m2 v domácnostech nájemníků v tržním nájmů
    • Výběrové šetření mezi domácnostmi
    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:
  • Čisté příjmy na osobu
    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023
    • Čistý disponibilní příjem domácnosti v Kč za rok dle definice EU
    • Počet osob v domácnosti
  • Spotřebitelské ceny
    • ČSÚ | 2024
    • Harmonizovaný index spotřebitelských cen (HICP)

Výpočet

  • Nabídkové nájmy
    • Pro jednotlivé roky použita data ke Q4 daného roku
    • Index použit přímo jako procento hodnoty v roce 2014
    • Nebo přepočten jako podíl nabídkového nájemného v daném roce oproti stávajícímu nájemnému v roce 2014 * 100 %
  • Stávající nájmy
    • Z dat SILC vypočten průměrný nájem v domácnostech, kde právní důvod užívání bytu = “pronajatý” a typ nájmu = “tržní”
    • Nájem v Kč / m2 vypočten jako podíl celkového nájmu a celkové plochy bytu
    • Index vypočten jako podíl stávajícího nájemného v daném roce oproti stávajícímu nájemnému v roce 2014 * 100 %
  • Čisté příjmy
    • Čisté příjmy na osobu = čistý disponibilní příjem domácnosti / počet osob v domácnosti

Finanční udržitelnost bydlení

Podíl výdajů na bydlení na příjmech

Metodika

Definice

  • Průměrný podíl celkových výdajů na bydlení na čistých disponibilních příjmech domácnosti.

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023 (příjmy za rok 2022)

    • Celkové výdaje na bydlení v Kč za měsíc - zahrnují nájem, elektřinu, plyn, ústřední topení a vodu, vodné, služby související s bydlením, paliva a běžnou údržbu; nezahrnují splátky úvěrů a příspěvky na bydlení

    • Čistý disponibilní příjem domácnosti v Kč za rok dle definice EU

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

    • Eurostat | EU-SILC | 2023 (příjmy za rok 2022)

    • Share of housing costs in disposable household income | Online data code: ilc_mded01

    • Výdaje na bydlení zahrnují náklady na energie (voda, elektřina, plyn a topení), pojištění nemovitosti, povinné služby a poplatky (např. odvoz odpadu a odpadních vod), daně, běžnou údržbu a opravy. Pro vlastníky nemovitostí se do nákladů na bydlení započítávají úrokové platby z úvěrů na bydlení po odečtení daňových úlev. U nájemníků jsou do nákladů zahrnuty platby za nájem.

    • Šetření EU-SILC se provádí v celé EU, více je možné zjistit také na stránkách Eurostatu:

Výpočet

  • ČR

    • Podíl výdajů na příjmech = Výdaje na bydlení * 12 měsíců / Disponibilní příjem * 100 %

    • Z výpočtu byly vyřazeny extrémní hodnoty podílu < 0 % nebo > 100 % (přibližně 0,7 % domácností).

    • Hodnota byla vypočtena jako průměr podílu u domácností v daném území nebo skupině.

    • Definice skupin domácností

  • Mezinárodní

    • Data převzata bez úprav

    • Vážený průměr distribuce podílů nákladů na bydlení na disponibilním příjmu domácností

    • Více k výpočtu: Economic strain linked to dwelling

Srovnání s výsledky jiných měření

  • OECD Better Life Index počítá indikátor výdajů na bydlení jako podíl výdajů na bydlení na hrubém upraveném disponibilním příjmu. Výsledek ukazuje, že průměrná česká domácnost vynakládá 23 % svého hrubého příjmu na bydlení. Výsledky výpočtů MMR na základě dat ČSÚ SILC jsou téměř shodné – 23,3 %.
  • Eurostat měří náklady na bydlení jako podíl nákladů na bydlení na disponibilní příjmu domácnosti a udává, že v roce 2023 činily tyto náklady 22,1 %. Výsledky výpočtu MMR pro stejný rok se mírně liší – 23,3 %. Přesto, že oba výpočty vychází z šetření SILC, může ve výpočtech docházet k mírným odlišnostem na základě zahrnutí konkrétních položek do nákladů bydlení (viz v metodice výše) a dále z rozdílů ve způsobu čištění nebo převažování dat. Tato zpráva využívá individuální data SILC zpracovaná ČSÚ a také váhy domácností pro přepočet na celou populaci vypočtené ČSÚ.
  • Český statistický úřad počítá výdaje na bydlení jako procento čistých příjmů domácností. Podle ČSÚ činí tyto výdaje 16,7 % pro průměrnou domácnost a 30,3 % pro nájemníky. Výsledky výpočtů MMR jsou vyšší – 23,3 % u průměrné domácnosti a 36,8 % u nájemníků. Tento rozdíl vychází zejména ze zahrnutí méně kategorií výdajů do celkových výdajů na bydlení definovaných ČSÚ. Je také patrné, že ČSÚ a Eurostat využívají odlišné definice a hodnota vypočtená ČSÚ je nižší než hodnota vypočtená Eurostatem. Tato zpráva využívá pro výpočet čistý disponibilní příjem dle definice Eurostatu a výdaje na bydlení popsané v metodice výše.

Nadměrné zatížení výdaji na bydlení

Metodika

Definice

  • Podíl domácností, které jsou nadměrně zatížené výdaji na bydlení

  • Nadměrně zatížená je domácnost, jejíž celkové výdaje na bydlení přesahují hranici 40 % jejich čistých disponibilních příjmů

  • Hranice 40 % příjmů vychází z definice používané Eurostatem

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023 (příjmy za rok 2022)

    • Celkové výdaje na bydlení v Kč za měsíc - zahrnují nájem, elektřinu, plyn, ústřední topení a vodu, vodné, služby související s bydlením, paliva a běžnou údržbu; nezahrnují splátky úvěrů a příspěvky na bydlení

    • Čistý disponibilní příjem domácnosti v Kč za rok dle definice EU

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

    • Eurostat | EU-SILC | 2023 (příjmy za rok 2022)

    • Housing cost overburden | Online data code: ilc_lvho07a

    • Výdaje na bydlení zahrnují náklady na energie (voda, elektřina, plyn a topení), pojištění nemovitosti, povinné služby a poplatky (např. odvoz odpadu a odpadních vod), daně, běžnou údržbu a opravy. Pro vlastníky nemovitostí se do nákladů na bydlení započítávají úrokové platby z úvěrů na bydlení po odečtení daňových úlev. U nájemníků jsou do nákladů zahrnuty platby za nájem.

    • Šetření EU-SILC se provádí v celé EU, více je možné zjistit také na stránkách Eurostatu:

Výpočet

  • ČR

    • Podíl výdajů na příjmech = Výdaje na bydlení * 12 měsíců / Disponibilní příjem * 100 %

    • Z výpočtu byly vyřazeny extrémní hodnoty podílu < 0 % nebo > 100 % (přibližně 0,7 % domácností).

    • Domácnost nadměrně zatížená, pokud Podíl výdajů na bydlení na příjmech >= 40 %

    • Hodnota je vypočtena jako podíl nadměrně zatížených domácností v daném území nebo skupině.

    • Poznámka: Mezi domácnostmi, které vynakládají více než 40 % svých příjmů na bydlení, mohou být také domácnosti, které volí vysokou spotřebu bydlení. Tedy domácnosti, které bydlí v bytech velkých, luxusních nebo dobře situovaných proto, že si to mohou dovolit a stále jim zbývá dostatečný příjem pro uspokojení ostatních potřeb.

    • Definice skupin domácností

  • Mezinárodní

    • Data převzata bez úprav

    • Podíl se vztahuje k úrovni jednotlivců nikoli domácností

    • Více k výpočtu: Housing conditions

    • Poznámka: Mezinárodní srovnání nestanovuje normativy přiměřené kvality bydlení a v jednotlivých zemích se může lišit, kolik domácností volí kvalitnější a dražší bydlení i za cenu vyššího zatížení.

Srovnání s výsledky jiných měření

Srovnání s výsledky jiných měření

  • Projekt Českého rozhlasu a výzkumné společnosti PAQ Research “Život k nezaplacení” (2024) ukazuje, že v roce 2023 bylo 23 % domácností nadměrně zatíženo výdaji na bydlení. Projekt “Život k nezaplacení” a výpočet v této zprávě využívají odlišné zdroje dat. “Život k nezaplacení” využívá online šetření, tato zpráva využívá data SILC - reprezentativní každoroční průzkum formou osobního rozhovoru na velkém vzorku 8 až 9 tisíc domácností. Významnou odlišností je také definice výdajů na bydlení. Indikátor prezentovaný v této zprávě na rozdíl od projektu “Život k nezaplacení” do výdajů nezahrnuje splátky hypotečních úvěru. Tyto splátky do výdajů na bydlení nezahrnuje také Eurostat a ČSÚ.

  • Index prosperity Česka (Index prosperity Česka 2024) pracuje s daty Eurostatu, kde nadměrné zatížení výdaji na bydlení vykazuje nižší hodnoty (9,3% v roce 2023, resp. 6,2 % v roce 2021). Rozdíl ve výsledcích je způsoben mírnými odlišnostmi v metodice. Přesto, že oba výpočty vychází z šetření SILC, může ve výpočtech docházet k mírným odlišnostem na základě zahrnutí konkrétních položek do nákladů bydlení (viz v metodice výše) a dále z rozdílů ve způsobu čištění nebo převažování dat. Tato zpráva využívá individuální data SILC zpracovaná ČSÚ a také váhy domácností pro přepočet na celou populaci vypočtené ČSÚ. Rozdíly také mohou vznikat na základě toho, zda je indikátor definován jako podíl nadměrně zatížených domácností, nebo jako podíl jednotlivců v nadměrně zatížených domácnostech.

  • Studie Sociologického ústavu Akademie věd ČR s názvem Finanční náročnost bydlení v českých domácnostech (Fialová, Myslíková 2023) i Index finančního zdraví Česka (Index prosperity Česka 2024) využívají ke stanovení míry nadměrného zatížení průzkum realizovaný agenturou IPSOS pro Českou spořitelnu v roce 2023. Průzkum měřil podíl domácností, jejichž náklady na bydlení přesahují 40 % čistých příjmů prostřednictvím online dotazování. Výsledek ukázal, že 23 % domácností bylo nadměrně zatíženo výdaji na bydlení. Rozdílné výsledky jsou dány jak jinou metodou sběru dat, tak jiným pojetím nákladů na bydlení. Tato zpráva pracuje s daty SILC-EU, které vycházejí z každoročního reprezentativního průzkumu na velkém vzorku domácností i jednotlivců. Průzkum IPSOS navíc např. pracuje i se splátkami úvěrů a hypoték, které tato zpráva nezahrnuje. Tyto splátky do výdajů na bydlení nezahrnuje také Eurostat a ČSÚ.

Reziduální chudoba

Metodika

Definice

  • Podíl domácností, které jsou ohroženy reziduální chudobou způsobenou výdaji na bydlení.

  • Jedná se o domácností, které po uhrazení výdajů spojených s bydlením nemají dostatek finančních prostředků na zajištění základních potřeb, jako je výživa a další nezbytnosti.

  • To je definováno jako domácnosti, kterým po zaplacení všech výdajů na bydlení zůstává disponibilní příjem nižší než 1,5 násobek životního minima odpovídajícího složení dané domácnosti.

  • V zahraničí se pracuje s ukazatelem „household income after housing costs” (příjem domácnosti po zaplacení výdajů na bydlení), který ale nestanovuje hranici životního minima jako v Česku. Tento rozdíl v metodologii komplikuje možnost přímého srovnání míry reziduální chudoby mezi Českem a jinými zeměmi.

  • Proto využíváme příbuzný indikátor - podíl osob, které jsou nadměrně zatížené výdaji na bydlení a zároveň se jejich příjem pohybuje pod hranicí relativní příjmové chudoby. Nadměrné zatížení výdaji na bydlení je stanoveno hranicí 40 % a relativní příjmová chudoba je stanovena hranicí 60 % mediánu ekvivalizovaného disponibilního příjmu v dané zemi (Glossary:At-risk-of-poverty rate).

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023 (příjmy za rok 2022)

    • Celkové výdaje na bydlení v Kč za měsíc - zahrnují nájem, elektřinu, plyn, ústřední topení a vodu, vodné, služby související s bydlením, paliva a běžnou údržbu; nezahrnují splátky úvěrů a příspěvky na bydlení

    • Čistý disponibilní příjem domácnosti v Kč za rok dle definice EU

    • Životní minimum vypočtené pro částky platné v daný rok a danou domácnost podle jejího přesného složení v Kč za rok

    • Více o výpočtu životního minima a současných hodnotách: Životní a existenční minimum

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

    • Eurostat | EU-SILC | 2023 (příjmy za rok 2022)

    • Housing cost overburden rate by age, sex and poverty status for households below 60 % of median equavalised income | Online data code: ilc_lvho07a

    • Výdaje na bydlení zahrnují náklady na energie (voda, elektřina, plyn a topení), pojištění nemovitosti, povinné služby a poplatky (např. odvoz odpadu a odpadních vod), daně, běžnou údržbu a opravy. Pro vlastníky nemovitostí se do nákladů na bydlení započítávají úrokové platby z úvěrů na bydlení po odečtení daňových úlev. U nájemníků jsou do nákladů zahrnuty platby za nájem.

    • Šetření EU-SILC se provádí v celé EU, více je možné zjistit také na stránkách Eurostatu:

Výpočet

  • ČR

    • Reziduální příjem domácnosti = Disponibilní příjem - Výdaje na bydlení * 12

    • Domácnost ohrožena reziduální chudobou pokud Reziduální příjem < Životní minimum * 1,5

    • Hodnota byla vypočtena jako podíl ohrožených domácností v daném území nebo skupině.

    • Definice skupin domácností

  • Mezinárodní

    • Data převzata bez úprav

    • Více k výpočtu: Housing conditions

    • Poznámka: Mezinárodní srovnání nestanovuje normativy přiměřené kvality bydlení a v jednotlivých zemích se může lišit, kolik domácností volí kvalitnější a dražší bydlení i za cenu vyššího zatížení.

Pocitové zatížení výdaji na bydlení

Metodika

Definice

  • Podíl domácností, které uvedly, že výdaje na bydlení pro ně představují velkou zátěž.

  • Domácnosti odpovídaly na otázku “Vezmete-li v úvahu své celkové náklady na bydlení a případné splátky hypotéky/úvěru, řekli byste, že jsou tyto výdaje pro Vaši domácnost velkou zátěží?”

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023

    • Náklady na bydlení finanční zátěží (velkou / určitou / žádnou)

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

Výpočet

  • ČR

    • Hodnota je vypočtena jako podíl domácností v daném území nebo skupině, které uvedly, že náklady na bydlení jsou pro ně velkou zátěží.

    • Definice skupin domácností

  • Mezinárodní

Srovnání s výsledky jiných měření

  • Studie Finanční náročnost bydlení v českých domácnostech (Fialová, Myslíková 2023) používá ke stanovení subjektivního hodnocení zátěže náklady na bydlení opět průzkum od agentury IPSOS (2023). V průzkumu dosáhl podíl domácností, které subjektivně vnímají náklady na bydlení jako velkou zátěž nebo velmi velkou zátěž, hodnoty 55,6 %, což je výrazně vyšší hodnota než jakou uvádí tato zpráva. Rozdíly mohou být způsobené odlišnou metodou dotazování, ale i růzností výběrového souboru (např. průzkum IPSOS byl realizován jen na populaci 18-65 let). Průzkum IPSOS využívá online šetření, tato zpráva využívá data SILC - reprezentativní každoroční průzkum formou osobního rozhovoru na velkém vzorku 8 až 9 tisíc domácností.

Prodlení s platbami za bydlení

Metodika

Definice

  • Podíl domácností, které se alespoň jednou za posledních 12 měsíců dostaly kvůli finančním problémům do prodlení s placením alespoň jednoho z výdajů spojených s bydlením.

  • Domácnosti byly dotazovány, zda byly v posledních 12 měsících kvůli finančním problémům v prodlení s placením:

    • nájemného nebo fondu oprav
    • platby za teplo, elektřinu, plyn, vodu za byt
    • hypotéky nebo půjčky na byt.

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023

    • Dluhy (neschopnost zaplatit v termínu) v posledních 12 měsících - nájemné za byt; platby za teplo, elektřinu, plyn, vodu; splátky hypotéky; splátky půjček a úvěrů

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

Výpočet

  • ČR

    • Domácnost byla považována za v prodlení v posledních 12 měsících, pokud odpověděla kladně alespoň na jednu z možností.

    • Hodnota byla vypočtena jako podíl domácností v prodlení v posledních 12 měsících v daném území nebo skupině.

    • Definice skupin domácností

  • Mezinárodní

Podíl výdajů na bydlení na spotřebě

Metodika

Definice

  • Podíl výdajů na bydlení na celkové spotřebě domácností podle metodiky kategorií COICOP (klasifikace individuální spotřeby podle účelu).

  • Výdaje na bydlení zahrnují nájemné, imputované nájemné, náklady na údržbu a opravy, zásobování vodou a různé služby související s bydlením, elektřinu, plyn a jiné druhy paliv.

Data

  • Mezinárodní

    • OECD | 2022

    • Annual household final consumption expenditure by purpose (COICOP) | OECD Data Explorer

Výpočet

  • Mezinárodní

    • Podíl výdajů na bydlení na celkové spotřebě = výdaje na bydlení / celková spotřeba

Přiměřená kvalita bydlení

Přelidnění

Metodika

Definice

  • Podíl obyvatel, kteří žijí v přelidněných domácnostech.

  • Osoba je považována za žijící v přelidněné domácnosti, pokud domácnost nemá k dispozici minimální normativní počet obytných místností.

  • Dostatečný normativní počet obytných místností pro domácnost je součtem následujících místností:

    • jeden pokoj pro každou domácnost;
    • jeden pokoj pro každý pár v domácnosti;
    • jeden pokoj pro každou single osobu ve věku 18 a více let;
    • jeden pokoj pro každou dvojici single osob stejného pohlaví ve věku mezi 12 a 17 lety;
    • jeden pokoj pro každou single osobu ve věku mezi 12 a 17 lety, která není zahrnuta v předchozí kategorii;
    • jeden pokoj pro každou dvojici dětí mladších 12 let.

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023

    • Počet obytných místností (bez kuchyně)

    • Počet potřebných místností pro domácnost

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

Výpočet

  • ČR

    • Domácnost považována za přelidněnou, pokud počet obytných místností < počet potřebných místností pro domácnost

    • Hodnota byla vypočtena jako podíl přelidněných domácností v daném území nebo skupině.

    • Definice skupin domácností

  • Mezinárodní

Kumulativní deprivace

Metodika

Definice

  • Průměrná kumulativní deprivace v oblasti bydlení mezi domácnostmi.

  • Hodnota pro jednotlivou domácnost může dosahovat rozmezí 0 až 8 bodů.

  • Domácnosti je přidělen 1 bod za každou z následujících problémových položek:

    • Zatékání střechou, vlhké zdi, podlahy, základy nebo shnilá okna, rámy, podlahy,

    • Příliš tmavý byt, nedostatek denního světla,

    • Hluk od sousedů nebo hluk z ulice (doprava, obchody, továrny atd.),

    • Znečištění, špína nebo jiné problémy se životním prostředím v okolí,

    • Kriminalita, násilí nebo vandalismus v okolí,

    • Domácnost si nemůže dovolit nahrazovat opotřebený nábytek novým,

    • Domácnost se během posledních 12 měsíců dostala do takových finančních problémů, že nebyla schopna zaplatit v termínu nájemné, úhradu za užívání bytu, fond oprav, platby za teplo, elektřinu, plyn, vodu, splátky hypotéky nebo půjčky na byt/dům,

    • Domácnost bydlí v přelidněném bytě (posuzováno na základě počtu a složení členů domácnosti a počtu obytných místností).

  • Mimo definice výše používáme také data Eurostatu, která měří podíl osob v závažné bytové deprivaci. Jedná se o osoby v přelidněných domácnostech, které zároveň vykazují alespoň jedno z následujících měřítek:

    • Zatékání střechou, vlhké zdi, podlahy, základy nebo shnilá okna, rámy, podlahy,

    • Příliš tmavý byt, nedostatek denního světla,

    • Domácnost bez WC, vany a sprchy v bytě.

  • Indikátor vychází z definice používané Lucemburským ministerstvem bydlení. Metodika je popsána v L’indicateur de déprivation cumulée (francouzsky), případně zkráceně v Housing Observatories (anglicky).

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | EU-SILC | 2023

    • Vlhkost - zatékání střechou, vlhkost (zdi, podlahy, základy)

    • Tmavý byt - nedostatek světla

    • Hluk - hluk od sousedů nebo z ulice

    • Špína - znečištění a jiné problémy se životním prostředím

    • Vandalismus, kriminalita

    • Domácnost si může dovolit pořizovat nový nábytek za opotřebený

    • Dluhy (neschopnost zaplatit v termínu) v posledních 12 měsících - nájemné za byt; platby za teplo, elektřinu, plyn, vodu; splátky hypotéky; splátky půjček a úvěrů

    • Počet obytných místností (bez kuchyně)

    • Počet potřebných místností pro domácnost

    • O reprezentativním výběrovém šetření EU-SILC je možné zjistit více na stránkách ČSÚ:

  • Mezinárodní

Výpočet

  • ČR

    • Celkem je hodnoceno 8 kritérií. Kumulativní deprivace domácnosti je jejich součtem (0 až 8 bodů).

    • Míra kumulativní deprivace je vypočtena jako průměrná kumulativní deprivace domácností v daném území nebo skupině.

    • Definice skupin domácností

  • Mezinárodní

Fyzická dostupnost

Metodika

Definice

  • Počet bytů na 1000 obyvatel.

  • Počet bytů je stanoven na základě všech bytů bez ohledu na obydlenost, nebo pouze na základě obydlených bytů

  • Dle definice SLDB ČSÚ se byt považuje za obydlený, pokud jej ve Sčítání alespoň jedna osoba uvedla jako místo svého obvyklého pobytu (nemusí se tedy jednat o místo trvalého pobytu).

Data

  • ČR

    • Výpočet MMR na základě dat ČSÚ | SLDB | 2021

    • Počet bytů podle obydlenosti v ČR a krajích (všechny byty, obydlené byty)

    • Počet obyvatel ČR a krajů

    • O SLDB 2021 je možné zjistit více zde: Sčítání 2021

  • Mezinárodní

Výpočet

Skupiny domácností

Socioekonomické skupiny

  • Všechny domácnosti
    • Průměrná hodnota pro všechny domácnosti
  • Mladé domácnosti
    • Osoba v čele domácnosti a partner(ka) nebo manžel(ka) mají nejvýše 35 let
  • Domácnosti s dětmi
    • Alespoň 1 vyživované dítě
    • Vyživované děti jsou osoby v předškolním věku, na základní škole nebo připravující se na povolání (nejvýše ve věku 25 let)
  • Důchodci
    • Všechny osoby v domácnosti mají alespoň 65 let a nejsou ekonomicky aktivní
  • Nájemníci
    • Právním důvodem užívání bytu je pronájem (zahrnuje nájem a podnájem)
  • Vlastníci
    • Právním důvodem užívání bytu je vlastní dům, osobní vlastnictví nebo družstevní byt
  • Samoživitelé
    • Pouze 1 dospělá osoba a alespoň 1 vyživované dítě
  • Domácnosti mohou patřit do více socioekonomických skupin; jedna domácnost tedy může být například mladá, samoživitelská a být v prvním příjmovém kvintilu

Příjmové skupiny

  • Rozdělení domácností do 5 stejně velkých kvintilů podle čistého disponibilního příjmu na spotřební jednotku; každý kvintil tedy obsahuje 20 % domácností, kde v 1. kvintilu jsou domácnosti s nejnižšími příjmy a v 5. kvintilu jsou domácnosti s nejvyššími příjmy
  • Přepočet na spotřební jednotku zajišťuje srovnatelnost mezi domácnostmi a bere v úvahu počet a věk osob a dětí v domácnosti

Výběr indikátorů

Indikátory, které používáme k hodnocení dostupnosti bydlení, by měly splňovat následující kritéria:

  1. Specifické
    Indikátory musí být přesně definované a konkrétní, aby jasně odpovídaly na otázku, co přesně měříme. Měly by se zaměřit na konkrétní aspekty dostupnosti bydlení.

  2. Měřitelné
    Indikátory musí být kvantifikovatelné, což znamená, že musí být jasně stanovený způsob, jak jejich hodnotu měřit a monitorovat. Je důležité, aby byla data snadno dostupná a pravidelně aktualizovaná.

  3. Relevantní
    Indikátory by měly být relevantní pro hodnocení podstatných aspektů dostupnosti bydlení. Měly by být založené na uznávaných standardech a používat podobné indikátory jako zahraniční literatura.

  4. Realistické
    Indikátory musí být realistické a odrážet reálné možnosti měření. Je důležité, aby data, která budeme pro indikátory využívat, byla dostupná a snadno monitorovatelná. Indikátory by měly vycházet z důvěryhodných zdrojů, jako jsou oficiální statistiky, data mezinárodních organizací nebo odborně zpracované vlastní výpočty.

  5. Odolné
    Indikátory musí být stabilní a poskytovat konzistentní výsledky i v případě změn vnějších podmínek. Měly by být odolné vůči různým interpretacím a schopné přizpůsobit se i různým metodám měření, které mohou být použity během hodnocení.

  6. Akceptovatelné
    Indikátory by měly být přijímány všemi klíčovými zainteresovanými stranami, aby byla zajištěna podpora pro jejich sledování, vyhodnocení a závazek pravidelně přispívat k monitorování.

  7. Důvěryhodné
    Indikátory musí být založeny na důvěryhodných a spolehlivých datech, která mohou být ověřena.

Hodnocení indikátorů

Trendy

  • Dlouhodobý trend – Sledujeme vývoj indikátoru v delším časovém horizontu, abychom identifikovali obecný směr vývoje a zda se situace v oblasti bydlení zlepšuje nebo zhoršuje. V závěrečném hodnocení definujeme dlouhodobý trend jako vývoj indikátoru v posledních sedmi až deseti letech (v závislosti na dostupnosti dat). Pokud došlo ke změně menší než 5 %, je trend vyhodnocen jako stabilní. Délka dlouhého období byla zvolena i s ohledem na dostupnost dat (například SLDB se provádí také jednou za deset let). Vzhledem k povaze bydlení a výstavby mohou však být cykly na tomto trhu velmi dlouhé a překračovat i tuto zvolenou hranici.

  • Krátkodobý trend – Zaměřujeme se na vývoj indikátoru v kratším časovém období, abychom mohli hodnotit aktuální změny a jejich dopad na dostupnost bydlení. V závěrečném hodnocení definujeme krátkodobý trend jako vývoj indikátoru v posledních třech letech. Pokud došlo ke změně menší než 5 %, je trend vyhodnocen jako stabilní.

Mezinárodní srovnání

  • Mezinárodní srovnání – Indikátor porovnáváme s hodnotami v dalších zemích, především v rámci Evropské unie (případně OECD), abychom získali představu o tom, jak si Česko vede ve srovnání s jinými státy. To nám umožňuje lépe pochopit relativní úroveň dostupnosti bydlení. Porovnání je vyhodnoceno jako pozitivní (resp. negativní), pokud se Česko řadí mezi třetinu zemí s nejlepšími (resp. nejhoršími) hodnotami a indikátor je vzdálena alespoň 0,5 směrodatné odchylky od průměru. V ostatních případech je porovnání vyhodnoceno jako neutrální.

Rozdíly v zatížení výdaji od průměru

Definice

  • Zatížením výdaji na bydlení zde myslíme průměrný podíl celkových výdajů na bydlení na čistých disponibilních příjmech domácnosti.

  • Jako rozdíl v zatížení mezi různými skupinami domácností sledujeme procentuální rozdíl (pozitivní či negativní) od průměru všech domácností.

Data

Výpočet

  • ČR

    • Pro každou skupinu domácností je vypočten procentuální rozdíl od průměru všech domácností v daném roce.

    • Časová řada těchto rozdílů je proložena jednoduchým lineárním trendem.

    • Definice skupin domácností

Index nedostupnosti bydlení

Definice

  • Kompozitní index nedostupnosti bydlení složený z poměru cena-příjmy a nájem-příjmy.

  • Index zachycuje pořadí a rozdíly mezi jednotlivými územními jednotkami.

  • Index je relativní, hodnota 0 vždy značí relativně nejlepší dostupnost a hodnota 100 značí relativně nejhorší dostupnost.

Data

  • ČR

    • Výpočet MMR na základě:

      • Poměr cena-příjmy - výpočet popsán zde: Poměr cena-příjmy

      • Poměr nájem-příjmy - výpočet popsán zde: Poměr nájem-příjmy

      • Počet obydlených bytů podle právního důvodu užívání | ČSÚ | SLDB | 2021

Výpočet

  • ČR

    • Protože poměry cena-příjmy a nájem-příjmy mají jiná měřítka a také jinou variabilitu, jsou každý zvlášť standardizován na škálu 0 až 1, kde 0 je nejnižší hodnota a 1 je nejvyšší hodnota poměru (min-max standardizace).

    • Ze standardizovaných hodnot je vypočten vážený průměr, kde váhy poměrů odpovídají složení bytového fondu v dané územní jednotce.

    • Poměru cena-příjmy odpovídá váha na základě podílu bytů ve vlastním domě, v osobním vlastnictví a družstevních bytů. Poměru nájem-příjmy odpovídá váha na základě podílu bytů v nájmu a pronájmu. Ostatní kategorie do výpočtu nevstupují.

    • Výsledný vážený průměr je standardizován do rozpětí 0 až 100 použit jako index nedostupnosti bydlení.

O Zprávě

Zprávu o dostupnosti bydlení v Česku připravilo Ministerstvo pro místní rozvoj - Oddělení analýz a strategie bytové politiky.

Zpráva každoročně shrnuje a hodnotí dostupnost bydlení. Nejaktuálnější data prezentuje Ministerstvo pro místní rozvoj na Dashboardu bydlení.

Pokud ve Zprávě naleznete chybu, kontaktujte: vojtech.kuna@mmr.gov.cz

Reference

Anacker, K. B. (2019). Introduction: Special issue: Housing affordability and affordable housing. International Journal of Housing Policy, 19(1), 1–4. https://doi.org/10.1080/19491247.2018.1560544.

Ariffin, R., Noriza, R. K., Zahari, T., & Makmor, T. (2015). Housing and transport in Malaysia: A fundamental combination in determining affordability. Advances in Environmental Biology, 9(1), 186–190.

Bieri, D. S. (2015). Housing affordability. Urban & Regional Planning, University of Michigan. Dostupné z http://www.david-bieri.com/docs/QOLHousingAffordability_Bieri_Springer.pdf.

Cai, W., & Lu, X. (2015). Housing affordability: Beyond the income and price terms, using China as a case study. Habitat International, 47, 169–175. https://doi.org/10.1016/j.habitatint.2015.01.027.

Česká národní banka (2024). Statistika úrokových sazeb - nové obchody. ARAD. https://statics.teams.cdn.office.net/evergreen-assets/safelinks/1/atp-safelinks.html.

Český statistický úřad. (2022). Velikost hospodařící domácnosti: Sčítání 2021. Dostupné z https://scitani.gov.cz/velikost-hospodarici-domacnosti.

Český statistický úřad (2023a). Životní podmínky domácností (EU-SILC). Dostupné z Životní podmínky domácností (EU-SILC) | Statistika.

Český statistický úřad. (2023b). Aktuální populační vývoj v kostce. Dostupné z https://csu.gov.cz/aktualni-populacni-vyvoj-v-kostce.

Český statistický úřad (2024). Jak bydlí domácnosti podle výsledků sčítání lidu 2021. Sčítání lidu domů a bytů. https://csu.gov.cz/docs/107508/a9eea71d-4279-2497-78c4-5b01359f60f0/17021624.pdf?version=1.0.

Česká národní banka. (2024). Komentář k úrokovým sazbám měnových finančních institucí. Dostupné z https://www.cnb.cz/cs/statistika/menova_bankovni_stat/harm_stat_data/komentar-k-urokovym-sazbam-menovych-financnich-instituci/.

Daud, M. N., Alias, A., Daud, N. M., & Sapian, A. R. (2017). Affordable housing system: A review on issues and challenges among the Malaysian affordability. International Journal of Civil Engineering and Technology, 8(11), 1281–1287.

Eurostat. (2024). House price index – Quarterly data. Housing market statistics. Dostupné z https://doi.org/10.2908/TEICP270.

Eurostat. (2024). Housing cost overburden rate. Dostupné z https://ec.europa.eu/eurostat/statistics-explained/index.php/Glossary%3AHousing_cost_overburden_rate.

Gibas, P., Sunega, P., Hájek, M., Kážmér, L., & Boumová, I. (2022). Bydlení mladých v době krize. Praha: Sociologický ústav AV ČR, v. v. i. Dostupné z https://seb.soc.cas.cz/attachments/article/134/gibas_a_kol-bydleni_mladych_v_dobe_krize.pdf.

Kadlecová, V., & Fialová, D. (2012). Timesharing a apartmánové byty. Urbanismus a územní rozvoj, 15(1), 20–24. Dostupné z https://www.uur.cz/media/ofmfbiy5/03_timesharing.pdf.

Litman, T. (2015). Evaluating transportation affordability: Improving accessibility and mobility. Victoria Transport Policy Institute. Dostupné z https://www.vtpi.org/tranben.pdf.

Lux, M. (Ed.), Sunega, P., Boumová, I., Gibas, P., Samec, T., Bartoš, V., Mikeszová, M., Hájek, M., Kážmér, L., & Palguta, J. (2015). Standardy bydlení 2014/2015: Sociální normy a rozhodování na trhu bydlení. Praha: Sociologický ústav AV ČR, v. v. i. ISBN 978-80-7330-279-5.

Lux, M., Gibas, P., Boumová, I., Hájek, M., & Sunega, P. (2017). Reasoning behind choices: Rationality and social norms in the housing market behavior of first-time buyers in the Czech Republic. Housing Studies, 32(4), 517–539. https://doi.org/10.1080/02673037.2016.1219331.

Lux, M., Samec, T., Bartoš, V., Sunega, P., Palguta, J., Boumová, I., & Kážmér, L. (2018). Who actually decides? Parental influence on the housing tenure choice of their children. Urban Studies, 55(2), 406–426. https://doi.org/10.1177/0042098016646665.

Lux, M., Kubala, P., & Sunega, P. (2023). Why so moderate? Understanding millennials’ views on the Urban housing affordability crisis in the post-socialist context of the Czech Republic. Journal of Housing and the Built Environment, 38(5), 1601–1617. https://doi.org/10.1007/s10901-022-10005-x.

Meen, G., & Whitehead, C. (2020). Understanding affordability: The economics of housing market. Bristol: Bristol University Press.

Ministerstvo pro místní rozvoje ČR. (2024). Nájemní bydlení: Data Brief. Dostupné z https://mmr.gov.cz/getmedia/5e7971a2-73ba-415a-81c2-9498eeed8cb1/Najemni-bydleni_Data-Brief.pdf.aspx?ext=.pdf.

Národní ekonomická rada vlády. (2024). Dvanáct klíčových opatření pro posílení dostupnosti bydlení v České republice. Vláda České republiky. Dostupné z https://vlada.gov.cz/cz/ppov/nerv/aktuality/nerv-pripravil-namety-pro-lepsi-dostupnost-bydleni-217159/.

OECD. (2021). Social rental housing stock (Indicator PH4.2). OECD Affordable Housing Database. Dostupné z https://webfs.oecd.org/Els-com/Affordable_Housing_Database/PH4-2-Social-rental-housing-stock.pdf.

OECD. (2021). Housing affordability in cities in the Czech Republic (Sv. OECD Urban Studies). Paris: OECD Publishing. https://doi.org/10.1787/bcddcf4a-en.

OECD. (2024). Analytical house prices indicator. OECD Data Explorer. Dostupné z OECD Data Explorer • Analytical house prices indicators.

Orcígr, V. (Ed.), Bírová, B., Fabšíková, N., Heřmánková, V., Jelínková, B., Městecký, P., Michal, V., Nakládal, J., & Vinklárková, A. (2024). Pražská bytová krize: Perspektivy a souvislosti. Arnika – Centrum pro podporu občanů. https://arnika.org/prazska-bytova-krize-perspektivy-a-souvislosti.

Samec, T. (Ed.). (2018). Jak zajistit dostupné bydlení?. Praha: Sociologický ústav AV ČR, v. v. i. Dostupné z https://www.soc.cas.cz/images/drupal/publikace/samec_ed._-_jak_zajistit_dostupne_bydleni.pdf.

Sčítání lidu, domů a bytů (2021). Velikost hospodařící domácnosti. Český statistický úřad. Dostupné z Velikost hospodařící domácnosti | Sčítání 2021.

Sunega, P., Lux, M., & Mikeszová, M. (2023). Postoje k bydlení 2023: Tisková zpráva k výsledkům výzkumu. Praha: Sociologický ústav AV ČR, v. v. i. Dostupné z https://seb.soc.cas.cz/attachments/article/142/TZ_Postoje_k_bydlen%C3%AD_2023.pdf.

Sýkora, J. (2024). Analýza stavu a vývoje krátkodobého ubytování v soukromí 2018—2023. Praha: Institut plánování a rozvoje hl. m. Prahy. Dostupné z https://iprpraha.cz/assets/files/files/9307d16be79b7ca7dbd482f6ea4e3126.pdf.

Sýkora, L. (1996). The Czech Republic. V P. Balchin, Housing Policy in Europe, s. 272-288. London: Routledge.

Sýkora, L., Bouzarovski, S. (2012). Multiple Transformations: Conceptualising the Post-communist Urban Transition. Urban Studies, 49(1), 43-60. https://doi.org/10.1177/0042098010397402.

Zákon č. 211/2000 Sb., o Státním fondu podpory investic, ve znění pozdějších předpisů.

Software

Allaire J, Dervieux C (2024). quarto: R Interface to ‘Quarto’ Markdown Publishing System. R package version 1.4.4, https://CRAN.R-project.org/package=quarto.

Baddeley A, Rubak E, Turner R (2015). Spatial Point Patterns: Methodology and Applications with R. Chapman and Hall/CRC Press, London. ISBN 9781482210200, https://www.routledge.com/Spatial-Point-Patterns-Methodology-and-Applications-with-R/Baddeley-Rubak-Turner/p/book/9781482210200/.

Bouchal P (2024). czso: Use Open Data from the Czech Statistical Office in R. R package version 0.4.1, https://CRAN.R-project.org/package=czso.

Firke S (2023). janitor: Simple Tools for Examining and Cleaning Dirty Data. R package version 2.2.0, https://CRAN.R-project.org/package=janitor.

Cheng J, Schloerke B, Karambelkar B, Xie Y (2024). leaflet: Create Interactive Web Maps with the JavaScript ‘Leaflet’ Library. R package version 2.2.2, https://CRAN.R-project.org/package=leaflet.

Lacko J (2023). “RCzechia: Spatial Objects of the Czech Republic.” Journal of Open Source Software, 8(83). doi:10.21105/joss.05082 https://doi.org/10.21105/joss.05082, https://joss.theoj.org/papers/10.21105/joss.05082.

Pebesma, E., 2018. Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal 10 (1), 439-446, https://doi.org/10.32614/RJ-2018-009

Pebesma E, Bivand R (2005). “Classes and methods for spatial data in R.” R News, 5(2), 9-13. https://CRAN.R-project.org/doc/Rnews/.

R Core Team (2024). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.

Roh T (2024). leaflegend: Create Custom Legends for Leaflet. https://leaflegend.roh.engineering.

Sievert C. Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida, 2020.

Teucher A, Russell K (2023). rmapshaper: Client for ‘mapshaper’ for ‘Geospatial’ Operations. R package version 0.5.0, https://CRAN.R-project.org/package=rmapshaper.

Wickham H (2023). stringr: Simple, Consistent Wrappers for Common String Operations. R package version 1.5.1, https://CRAN.R-project.org/package=stringr.

Wickham H, Averick M, Bryan J, Chang W, McGowan LD, François R, Grolemund G, Hayes A, Henry L, Hester J, Kuhn M, Pedersen TL, Miller E, Bache SM, Müller K, Ooms J, Robinson D, Seidel DP, Spinu V, Takahashi K, Vaughan D, Wilke C, Woo K, Yutani H (2019). “Welcome to the tidyverse.” Journal of Open Source Software, 4(43), 1686. doi:10.21105/joss.01686 https://doi.org/10.21105/joss.01686.

Wickham H, François R, Henry L, Müller K, Vaughan D (2023). dplyr: A Grammar of Data Manipulation. R package version 1.1.4, https://CRAN.R-project.org/package=dplyr.

Wickham H, Pedersen T, Seidel D (2023). scales: Scale Functions for Visualization. R package version 1.3.0, https://CRAN.R-project.org/package=scales.

Xie Y, Cheng J, Tan X (2024). DT: A Wrapper of the JavaScript Library ‘DataTables’. R package version 0.33, https://CRAN.R-project.org/package=DT.

Zeileis A, Grothendieck G (2005). “zoo: S3 Infrastructure for Regular and Irregular Time Series.” Journal of Statistical Software, 14(6), 1-27. doi:10.18637/jss.v014.i06 https://doi.org/10.18637/jss.v014.i06.

Zpět na začátek