close

Вход

Забыли?

вход по аккаунту

Заводских Андрей Андреевич. Совершенствование комплексного подхода к оценке экономического положения регионов

код для вставки
АННОТАЦИЯ
на выпускную квалификационную работу Заводских Андрея Андреевича на
тему: «Совершенствование комплексного подхода к оценке экономического
положения регионов»
Выпускная квалификационная работа изложена на 88 страницах, включает
14 таблиц, 6 рисунков и 1 приложение. Для ее написания использовано 52
источника.
Перечень ключевых слов: региональная экономика, региоальное развитие,
экономическое развитие, статистические модели, факторный анализ, кластерный
анализ.
Цель выпускной квалификационной работы – анализ моделей
экономического развития регионов и их качества, последующая модификация и
составление авторской модели.
В ходе исследования использовались следующие методы: анализ и синтез
при рассмотрении вопросов, связанных с теоретическими основами определения
региона; математико-статистическое моделирование для расчётов региональной
освоенности; кластерный и факторный анализ при модификации моделей
экономического развития регионов; группировка, метод экспертных оценок и
моделирование экономических явлений в процессе разработки авторского
индекса инклюзивного развития; а также обобщение - при формулировании
выводов и результатов исследования.
Работа состоит из введения, трех глав и заключения.
В первой главе «Понятийный и теоретический аспект экономического
развития регионов. Межрегиональная асимметрия» раскрывается различные
подходы учёных к категории региона, даётся исторический обзор региональной
науки. Отдельно рассматривается вопрос межрегиональной асимметрии,
подчёркивается его значимость для исследования.
Вторая глава «Изучение статистических моделей оценки экономического
положения регионов» включает анализ трёх моделей: региональной освоенности
Смагина, финансовых индикаторов за авторством компании «ФБК» и экономикосоциального развития Тихого.
В третьей главе «Совершенствование многомерных моделей оценки
экономического положения регионов» приводится авторская экспертная модель
Индекса инклюзивного развития регионов и изучаются критерии её качества.
5
СОДЕРЖАНИЕ
ВВЕДЕНИЕ .................................................................................................................. 6
1 ПОНЯТИЙНЫЙ И ТЕОРЕТИЧЕСКИЙ АСПЕКТ ЭКОНОМИЧЕСКОГО
РАЗВИТИЯ РЕГИОНОВ. МЕЖРЕГИОНАЛЬНАЯ АСИММЕТРИЯ ...................... 9
1.1 Эволюционный обзор категории «регион» и подходов к её определению.
Становление региональной науки ............................................................................... 9
1.2 Экономическое развитие региона: понятие, цели, основные направления,
подходы к оцениванию. Индикаторы межрегиональной асимметрии .................... 17
2 ИЗУЧЕНИЕ СТАТИСТИЧЕСКИХ МОДЕЛЕЙ ОЦЕНКИ ЭКОНОМИЧЕСКОГО
ПОЛОЖЕНИЯ РЕГИОНОВ ...................................................................................... 32
2.1 Секторальное изучение экономики регионов: модель региональной
освоенности Б.И. Смагина ......................................................................................... 32
2.2 Финансовые индикаторы регионального благосостояния в модели
компании «ФБК» ........................................................................................................ 38
2.3 Социальные аспекты регионального экономического развития: модель В.И.
Тихого ......................................................................................................................... 46
3
СОВЕРШЕНСТВОВАНИЕ
МНОГОМЕРНЫХ
МОДЕЛЕЙ
ОЦЕНКИ
ЭКОНОМИЧЕСКОГО ПОЛОЖЕНИЯ РЕГИОНОВ ............................................... 61
3.1 Современные тенденции при подходе к построению моделей
территориальной освоенности. Построение индекса инклюзивного развития
регионов ...................................................................................................................... 61
3.2 Анализ качества индекса инклюзивного развития. Особенности и различия
региональных рейтингов ........................................................................................... 67
ЗАКЛЮЧЕНИЕ .......................................................................................................... 77
СПИСОК ЛИТЕРАТУРЫ .......................................................................................... 79
ПРИЛОЖЕНИЕ .......................................................................................................... 86
6
ВВЕДЕНИЕ
В настоящее время в условиях экономических реформ происходит
непрерывная трансформация экономических цепочек. Одним из ключевых
вопросов, стоящих перед экономическим анализом, является выявление качества
хозяйственной
деятельности
самого
хозяйствующего
субъекта,
наиболее
комплексная его оценка. Особенно это важно для регионального анализа.
Различные авторы разрабатывают те или иные методики оценки экономической
ситуации в регионе. Однако часто в моделях показатели дублируются, а сами
модели не проверяются по статистическим критериям качества. Неадекватно
составленная модель будет не только давать систематически смещённые оценки,
но и, что куда более тяжело для устойчивого развития, будет посылать неверные
сигналы для региональной политики. Необходимость проверки моделей и, в
случае необходимости, построения собственной модели формирует актуальность
темы в связи с непосредственной связью правильно подобранной модели и
обеспечением устойчивого развития в регионах.
Целью написания данной работы является проведение экономического
анализа некоторых авторских моделей региональной освоенности, изучение их
качества, необходимая модификация и попытка построения собственной
экспертной модели оценки положения регионов.
Для достижения цели работы необходимо решить следующие задачи:
 рассмотреть теоретический аспект подходов к определению региона и
изучить методологию анализа его экономического развития;
 провести анализ ряда моделей региональной освоенности;
 изучить
модели
с
помощью
адекватного
математического
и
статистического инструментария;
 сделать выводы, по применимости моделей. В случае необходимости
осуществить модификацию или предложить собственную модель
оценки региональной освоенности.
Объектом
исследования
являются
региональной экономической освоенности.
разработанные
учёными
модели
7
Предметом исследования являются отдельные характеристики развития
регионов (преимущественно экономического; также рассматриваются социальный
и экологический аспекты), представленные в авторских моделях оценки
региональной освоенности.
Теоретическую базу исследования составляют работы отечественных и
зарубежных учёных, занимающихся вопросами региональной науки. При этом
большое значение имели материалы не только исторически-обзорного характера,
но
и
конкретные
математико-статистические
модели,
которые
нами
рассматривались и модифицировались.
Методологическая основа исследования базируется как на общенаучных
методах (синтез, анализ, индукция, дедукция), так и на уточнённых методах с
использованием математико-статистического аппарата, включая процедуры
многомерного моделирования с помощью кластерного и факторного анализа.
Особую роль в исследовании играет метод экспертного анализа.
Практическая значимость исследования заключается в возможности более
точной настройки системы индикаторов для оценки регионального развития, что
в наибольшей степени нашло отражение в процессе составления авторской
модели. Она является результатом совершенствования имеющихся подходов к
оценке уровня регионального развития.
Дипломная работа состоит из трёх глав, введения, заключения и
приложения.
В первой главе рассматривается теоретический аспект понятия региона,
представляются
различные
подходы
к
его
определению
и
изучению,
анализируется методологическая литература. Отдельно описан вопрос изучения
явления межрегиональной асимметрии.
Во второй главе, состоящей из трёх подпунктов, проводится комплексная
оценка трёх моделей регионального анализа – модель региональной освоенности
Смагина, модель компании «ФБК» и модель социоэкономического положения
регионов Тихого.
8
В третьей главе, которая завершает работу, рассматриваются современные
общемировые тенденции при подходе к анализу экономического положения, а
также предлагается и апробируется авторская версия индекса инклюзивного
развития регионов. В разработке авторской модели заключается научная новизна
данной работы.
Положения работы представлены на ряде конференций в России и за
рубежом. По результатам исследования опубликованы статьи, включая материалы
в журналах ВАК.
9
1 ПОНЯТИЙНЫЙ И ТЕОРЕТИЧЕСКИЙ АСПЕКТ ЭКОНОМИЧЕСКОГО
РАЗВИТИЯ РЕГИОНОВ. МЕЖРЕГИОНАЛЬНАЯ АСИММЕТРИЯ
1.1 Эволюционный обзор категории «регион» и подходов к её определению.
Становление региональной науки
Термин «регион» всё чаще звучит в научной литературе и повседневной
жизни. Данное понятие встречается во множестве наук: экономике, социальной,
физической, общественной и политической географии, лингвистике, военном
деле, истории, политологии, культурологии и т.д. В самом широком (наивном)
смысле понятие региона (от лат. regio – страна, область) подразумевает внутренне
единый участок территории (или акватории), который сложился в результате
эволюционного развития и который отделён от других территорий по ряду
критериев [30, с. 39]. Проведём обзор концептуальных подходов к дефиниции
понятия «регион».
Один из крупнейших теоретиков экономгеографии в СССР Э.Б. Алаев в
своём понятийно-терминологическом словаре уделяет большое значение анализу
понятия региона. Он отмечает, что раньше в российской и советской практике
доминирующим понятием была категория «район», в то время как категория
«регион» являлась синонимичной категорией для понятия «район» [27, с. 3].
В своих ранних работах Э.Б. Алаев, соглашаясь с другими исследователями,
подчёркивал, что понятие «регион» вошло в русский язык относительно недавно.
Любопытно, что такая точка зрения встречается и в более новых работах, в
частности, в исследовании по политическим категориям А.Ю. Мельвиля (2004 г.)
и ссылающейся на него статье О.Ч. Цыренова (2012 г.) [40, с. 35].
Однако была показана ошибочность такой точки зрения (так, Э.Б. Алаев сам
признаёт изменение своих воззрений). Если термин «район» введён в научный
язык в 1879 г. А.С. Ермоловым, создавшим сеть сельскохозяйственных районов,
то термин «регион» появился раньше. Он определялся в Словаре иностранных
слов 1877 г. как «страна, область, пространство воздуха». Потом слово ушло из
словарей, продолжая при этом существовать «как бы в языковом запаснике».
10
Восстановление этой лексемы сопряжено, в первую очередь, с прилагательным
«региональный» [43, с. 228].
Региональная наука трактует термин «регион» многозначно. Часто этот
термин представлен как синоним понятия «район» [29, с. 52]. Также выделяют
понятие региона для обозначения либо сопоставимых таксономических единиц,
либо
же
любых
территорий,
не
«подходящих»
к
принятой
системе
территориального планирования [5, с. 187].
Э.Б. Алаев предполагает, что данная многозначность термина требует её
сокращения и предполагает оставить дефиницию понятия только как замену
понятия района. Это вытеснение происходит в силу чрезмерно жёсткого
определения района и во избежание путаницы с административными районами
(сельскими и городскими), что приводит к активному использованию «более
эластичного» термина «регион» [42, с. 37]. Равенство между районом и регионом
ставит в своих исследованиях Ф. Д. Кожурин. Синонимичность в широком
смысле (в территориальном аспекте) выделяют такие исследователи, как А.Ю.
Скопин, Г.В. Черкашин, Е.Г. Коваленко, А.Г. Гранберг, А.С. Маршалова, А.С.
Новоселов [7, с. 26].
Отметим, что в настоящее время существуют учёные, которые данную
тенденцию не поддерживают. К ним можно отнести географов из МГУ. Так, в
Словаре-справочнике «Социально-экономическая география: понятия и термины»
2013 г. понятия района и региона более интенсивно отделяются [34, с. 305].
Признаётся, что во второй половине XX века район перестал быть «ядром
географических наук», само понятие трансформировалось (район как модель или
конструкция) [26, с. 40]. Региону же достаётся более «скромная» роль: автор
определений В.Е. Шувалов пишет, что «любой район является регионом, но не
любой регион является районом». По его мнению, для региона (в отличие от
района) целостность и внутренне детерминированная территориальная структура
вторичны, в то время как первостепенными факторами являются местоположение,
элементный состав или границы. Тем не менее, В.Е. Шувалов сходится с
11
предыдущей точкой зрения в том, что термин «регион» вытесняет термин
«район».
А.П. Градов, Б.И. Кузин, М.Д. Медников, А.С. Соколицын обосновали
иерархию, в которой как район выступает муниципальное образование (орган
местного самоуправления), но и здесь трактовка термина «регион» не имеет
однозначного толкования. Регион рассматривается в качестве административнохозяйственной единицы (или территории) в составе районов, областей, краев,
округов, субъектов Российской Федерации. С другой стороны, регион выступает
экономико-географическим образованием, то есть частью территории страны с
однородными природными условиями и характерной направленностью развития
производительных сил. К таким регионам относятся Западная Сибирь, СевероЗапад, Дальний Восток, Юг и др. С третьей стороны, под регионом понимают
группу соседних государств с общими исторически сложившимися традициями,
взаимосвязанной экономикой [1, с. 86].
Таким образом, в настоящее время под регионом понимают практически
любое территориальное образование. А.Ю. Скопин писал, что «категория «район
(регион)» – это одно из наиболее часто используемых и поэтому наименее
определенных понятий». Действительно, под ней может скрываться и отдельная
часть субъекта РФ или сам субъект (Орловский регион), так и огромные
надгосударственные объединения (Балканский регион, Европейский регион).
Интересно также, что территориальный фактор, бесспорно, являясь одним
из формообразующих для регионов, не является единственным. В ряде случаев
важную роль играет историческое развитие областей (региональное деление
Японии) или внутренняя целостность региона, его хозяйственная деятельность
(Срединный регион бывшего СССР) [20, 25].
П.А. Минакир, развивая в статье [18, с. 21] идею о развитии региона с точки
зрения проявления народнохозяйственных закономерностей и связей, трактует
регион как пространственную целостность, развивающуюся на ограниченной в
географическом отношении территории ресурсов и труда, которые призваны
12
определять и формировать конкурентные преимущества региона, выделять его
облик среди остальных.
Ещё больший акцент на внутренней связи и целостности делают
исследователи региона в политических науках [9, с. 70]. Так, политолог К. Дойч
трактует регион как группу стран, по большому числу параметров более
взаимосвязанных между собой, чем с другими странами [40, с.38].
Обобщая
различные
подходы
к
определению
предметной
области
региональной науки, включая содержание понятия региона, Ю.Г. Волков
замечает, что в современной учебной и научной литературе оно трактуется
неоднозначно, а часто – противоречиво. В узком смысле слова под регионом
понимаются административно-территориальные образования, что характеризует
политико-правовой подход [2, c. 1496]. Этот аспект созвучен с жёстко
детерминированным подходом, который применялся в советской науке по
отношению к определению района. В широком смысле регион понимается как
территориальное образование, свободное от административных привязок. Здесь
термин «регион» может означать природно-климатическую зону; географическую
территорию;
межгосударственную
территорию;
экономический
или
хозяйственно-экологический район, историко-культурный ареал и т.п.
Территориальный аспект региона рассматривали О.В. Кузнецова, Кистанов
В.В. и Копылов Н.В., Е.Г. Коваленко. Так же определяют регион К.Н. Юсупов,
А.Р. Таймасов, А.В Янгиров, Р.Р. Ахунов [14, с. 7]. По их мнению, регион
означает
область;
совокупностью
это
часть
естественных
страны,
и
отличающаяся
исторически
от
сложившихся,
других
частей
относительно
устойчивых экономических, географических и других особенностей, нередко
сочетающихся с особенностями национального состава населения. В понятие
региона они также включают группу близлежащих стран, представляющую собой
отдельный экономический, географический, близкий по национальному составу
или расе и культуре или однотипный по общественно-политическому строю
район мира. На этой основе возникают региональные объединения государств,
что сопровождается развитием, укреплением экономических, политических и
13
иных связей между областями или государствами, входящими в один регион.
Например, Сибирь представляет собой подобное объединение внутри Российской
Федерации, а Юго-Восточная Азия, Ближний Восток – региона континента, т.е.
группы стран со сходными условиями. Эти трактовки понятия «регион»,
основаны на территориальном, географическом его понимании.
Более общее определение термину «регион» дает известный исследователь
региональной экономики А.Г. Гранберг [7, с. 201]. Он определяет регион как
территорию,
отличающуюся
от
других
территорий
рядом
признаков
и
обладающую определенной целостностью и взаимосвязанностью ее элементов.
Понятие,
введенное
предполагает,
что
Гранбергом,
его
является
конкретизация,
довольно
интерпретация
абстрактным.
его
Оно
содержания
осуществляются при выделении определенных типов регионов. Поэтому регион
можно считать типологическим понятием. Выделение регионов осуществляется в
соответствии с определенными целями и конкретными задачами [19, с. 97].
С понятием региона тесно связан комплекс дисциплин, изучающих регион –
регионология, регионоведение, региональная экономика, региональная экология,
региональная социология. В значительной мере они являются частными
производными терминами от дисциплины regional studies [50, с. 204]. В
англоязычной практике под ней понимают комплексное междисциплинарное
исследование, рассматривающее регион с точки зрения истории, политологии,
социологии, географии, литературы, экономики и т.д. Уже сама такая
предпосылка основана на тесной взаимосвязи всех аспектов жизни региона, что
является следствием объектоориентированного подхода в западной науке (в
отечественной науке же больший акцент делается на методологию). Поскольку в
западной экономической науке не существует понятия «район» (сходную
нагрузку
имеет
территориального
термин
деления),
«дистрикт»
то
и
как
элемент
направление
административно-
определения
предмета
региональной науки шло не горизонтально, как в СССР (на попытках размежевать
категориальный аппарат и выделить отличия региона от района на теоретических
14
построениях), а вертикально, вглубь, расставляя акценты на различные
подсистемы, имманентные региону.
Датой появления региональной науки можно считать 1933 (год написания
книги «Центральные места в Южной Германии» географом Вальтером
Кристаллером). Другими важными трудами в этой сфере деятельности являются
работы Торда Паландера (1935), Августа Лёша (1940) Эдгара Гувера (1938, 1948),
Эдварда Чемберлина (1950), Франсуа Перру (1950), Торстена Хагерстранда
(1953), Эдгара Данна (1954), Мартина Бекманна (1956), Мелвина Гринхата (1956),
Гуннара Мирдаля (1957), Альберта Хиршмана (1958) и Клода Понсара (1958) [44].
Однако крупнейшими и наиболее весомыми работами в региональной науке
считаются труды Уолтера Айзарда. Две его книги – «Экономика размещения и
пространства» (1956) и «Методы регионального анализа» (1960) – снискали ему
репутацию основоположника исследований о регионах. Примечательно, что в
книге 1960 года Айзард отдаёт должное работам своих предшественников.
Именно он отметил, что «стоит нам только углубиться в чисто пространственное
теоретизирование – и дефиниция регион исчезает», таким образом, характеризуя
предмет создаваемого им направления в науке [7, с. 52].
Появление региональной экономики в СССР в 1960-е гг. и её достаточно
стремительное развитие сопровождалось «выяснением отношений» между ней и
экономической географией. Этот вопрос достаточно подробно освещён в
литературе. Отпочкование от географии и от экономической географии новых
научных направлений есть неизбежный и объективный процесс развития и
расширения новых знаний, процесс в целом положительный как для географов,
так и для новых направлений.
Экономическая география в процессе своего развития анализировала
комплекс
вопросов,
связанных
с
пространственным
размещением
и
пространственными сочетаниями экономических явлений на территории. Однако
с течением времени на платформе экономической географии и других
экономических наук появлялись новые науки или новые разделы существующих
наук, которые поглотили значительное множество вопросов, входивших до этого
15
в сферу изучения экономической географии. К примеру, условия развития и
аллокации отдельных отраслей экономики с большей эффективностью и глубиной
изучают многие отраслевые экономические науки, нежели это делает экономикогеографическая наука [8, с. 87].
Соответственно, теоретически появление новой научной дисциплины
возможно и даже неизбежно.
С одной стороны, требовалось создать научное направление для изучения
таких явлений и в таком аспекте, каких экономическая география не могла
обеспечить в силу целого ряда причин. Значительно усложнились задачи
экономического планирования и значительно выросли требования к повышению
эффективности менеджмента и прогнозирования. Это вызвало необходимость в
проведении специальных региональных исследований не
в отвлечённых
категориях, а в рамках комплексной методологии. Каждая предплановая
рекомендация должна быть обоснована с точки зрения времени (конкретного
планового периода), имеющихся в конкретный период ресурсов, средств и
обязательно быть адресной, т.е. иметь конкретного исполнителя. Поэтому
возникла необходимость в создании специальной дисциплины планового
характера, изучающей эти аспекты в разрезе территорий.
С
другой
стороны,
становление
региональной
экономики
можно
рассматривать как проявление в экономических науках геопространственной
парадигмы (как медицинская география вычленилась из медицины, региональная
демография – из демографии, военная география – из военной науки).
В настоящее время эти вопросы трансформировались, всё встало на свои
места, но не на старые, а на новые, обеспечивающие большую взаимосвязь между
фундаментальной и прикладной наукой.
В
советской
научной
традиции
региональная
экономика
есть
географическое (региональное) направление в экономике, научная дисциплина,
изучающая
в
интересах
экономического
планирования
особенности
и
закономерности размещения производительных сил и развития регионов. Она
исследует пространственный аспект развития хозяйства, его отраслей. Конкретно
16
изучает факторы размещения производительных сил и регионального развития, её
объектами являются экономические районы и регионы, территориальнопроизводственные комплексы и другие пространственно-экономические объекты.
Рациональное размещение производительных сил и устойчивое региональное
развитие являются одними из важнейших задач региональной экономики.
Основным
её
социальным
заказчиком
выступают
территориальное
и
региональное планирование.
Попытки найти принципиальные различия между социально-экономической
(экономической)
географией
и
региональной
экономикой
сопряжены
со
сложностями. Эти различия показывали отсутствие каких-либо элементов в одной
из наук при их наличии в другой. Но нет объективных преград для того, чтобы
обе эти науки включили недостающие элементы в свои исследования. Даже если
предпринять во внимание перерастание экономической географии в социальноэкономическую, это не воздвигло барьера между ними, так как региональная
экономика выходит уже и на социальный и даже на экологический уровень
исследования.
Различие между ними возникло по той причине, что экономическая
география выделилась из географии, а региональная экономика (которая могла бы
называться и «географической экономикой») – из экономики. Первая – результат
«экономизации» географии, вторая – результат «географизации» экономики.
Региональная
экономика
работает
на
ряде
уровней:
локальном,
региональном, межрегионально-национальном и наднационально-межстрановым.
У социально-экономической географии есть ещё глобальный уровень (отметим
отдельно, что практически полностью ему посвящена мировая экономика).
Поэтому существует точка зрения, согласно которой региональная экономика
рассматривается
как
ориентированной
на
часть
решение
социально-экономической
прикладных,
практических
географии,
проблем
экономического планирования [6, с. 21].
Если просмотреть работы по региональной экономике, то правильнее было
бы её назвать региональной экономикой и социологией. Эта узость термина
17
«региональная
экономика» служит
причиной,
по которой исследователи
предлагают альтернативные названия для данного комплекса исследований (в
частности, «регионика», «регионоведение», «регионология»). На Западе принято
наименование «региональная наука» (regional studies) [4, с. 1681].
Таким образом, восстановление в отечественной науке термина «регион»
представляется нам своеобразной исторической справедливостью, а также
стремлением науки очиститься от искусственных «наростов» и вернуться к
ясному и чистому терминологическому языку [17, с. 41].
С учётом вышеизложенного, дадим то определение региона, которое мы
будем применять в дальнейшей работе.
Регион – комплексная целостная система в рамках геотории, которая
обладает эволюционно объяснимой схожестью подсистем и которая может
совпадать с административно-территориальным членением данной геотории.
1.2 Экономическое развитие региона: понятие, цели, основные направления,
подходы к оцениванию. Индикаторы межрегиональной асимметрии
Термин
"развитие"
часто
употребляется
в
следующих сочетаниях:
экономическое развитие, социально-экономическое развитие, развитие экономики
России (или другой страны), развитие региона, города. В каждом случае под
развитием обычно подразумевается любое прогрессивное изменение, прежде
всего в экономической сфере. Если изменение количественное, говорят об
экономическом росте. При качественном изменении речь может идти о
структурных изменениях, или об изменении содержания развития, или о
приобретении экономической системой новых характеристик [7, с. 134].
Развитие всегда имеет направленность, определяемую целью или системой
целей. Если эта направленность положительна, то говорят о прогрессе, если
отрицательна, то о регрессе, или о деградации. Иными словами, природа развития
регионов всегда предполагает определенную цель или несколько целей.
18
Развитие региона — многомерный и многоаспектный процесс, который
обычно рассматривается с точки зрения совокупности различных социальных и
экономических целей. Даже если речь идет только об экономическом развитии,
оно обычно рассматривается совместно с развитием социальным. Социальноэкономическое развитие включает в себя такие цели, как рост производства и
доходов; перемены в институциональной, социальной и административной
структурах общества; перемены в общественном сознании; перемены в традициях
и привычках [22, с. 15].
Социально-экономическое развитие региона — это центральная функция
органов власти региона, которая становится особенно актуальной во время
кризиса
и
постоянных
структурных
изменений.
Наиболее
частыми
инструментами управления регионами являются стратегическое планирование и
региональный маркетинг.
Главный вопрос, на который отвечает стратегический план регионального
развития сегодня, — как выйти из кризиса, повысить уровень благосостояния
жителей и заложить прочные основы для его дальнейшего повышения. Приоритет
отдается цели всех преобразований — созданию условий, обеспечивающих
достойные уровень и качество жизни человека.
Цикл стратегического планирования экономического развития региона
можно представить в следующем виде: определение целей развития; анализ
внешней среды развития региона; определение сильных и слабых сторон региона;
использование имеющихся и создание новых местных преимуществ; разработка
концепции развития; разработка плана конкретных действий и осуществление
стратегии; анализ эффективности и результативности, корректировка целей и
методов их достижения [16, с. 131].
Региональный маркетинг — это система привлечения в регион новых
экономических агентов, способствующих процветанию региона в целом.
Задачей регионального маркетинга является создание новых и усиление
имеющихся преимуществ для привлечения в регион экономических агентов,
способных повысить благосостояние жителей региона. Региональный маркетинг
19
выявляет и частично создает уникальные свойства региона, которые могут быть
полезны для потребителей: для предпринимателей — близость рынков сбыта,
квалификация
рабочей
силы;
достопримечательности;
для
для
туристов
инвесторов
—
—
климатические
цены
на
условия,
недвижимость,
отработанность процедур купли-продажи титулов собственности [15, с. 81].
Соответственно целям развития регионов строится система критериев
(характеристик развития) и показателей, которые измеряют эти критерии.
Несмотря на некоторые различия между странами и регионами в иерархии
ценностей и в целях развития, международные организации оценивают степень
развития стран и регионов по некоторым универсальным интегральным
показателям. В связи с тем что в настоящее время важнейшей целью является
повышение качества жизни и обеспечение устойчивости развития территорий,
региональная политика должна строиться с таким учётом, чтобы различные
конкурентные
преимущества
в
регионе
не
вызывали
диспропорций
в
экономическом развитии страны как системы.
Цели и критерии должны увязываться друг с другом в рамках избранных
методов регионального управления и находить количественное выражение в
индикаторах (как частных, так и интегральных). Поскольку как в региональном
планировании,
так
и
в
региональном
маркетинге
акцент
делается
на
конкурентных преимуществах региона, то возникает вопрос о возможности
измерения
экономического
эффекта
от
данных
преимуществ
и
его
дифференциация. Эту задачу мы будем решать через понятие межрегиональной
асимметрии.
Термин
«межрегиональная
асимметрия»
(или
«асимметрия
межрегионального развития») складывается из двух слов-компонентов, которые
раскрывают характер одного из важнейших явлений, характерных для экономики
региона. Обратимся к их более детальному анализу.
Ключевым термином в данном понятии является слово «асимметрия». В
самом простом, бытовом уровне оно может быть истолковано как «нарушение
симметрии»,
«отсутствие
соразмерных
пропорций».
Соответственно,
под
20
асимметрией понимается неравномерное развитие, приводящее к тому, что
значения по тому или иному индикатору теряют нормальное (гауссовское)
распределение и должны быть описываемы другими законами распределения, что
в значительной мере ухудшает анализ показателей освоенности региона и требует
проведения
более
сложного
анализа
признаков
с
включением
ряда
дополнительных статистических инструментов [31, с. 46].
Аспект межрегиональности в данном случае подразумевает то, что при
изучении индикаторов асимметрии показатели учитывают дифференциацию
регионов внутри определённого экономического пространства [10, с. 225] (к
примеру,
внутри одной страны),
при этом
каждый отдельный регион
рассматривается как единое целое и сопоставляется по значениям индикаторов
асимметрии с другими регионами. Существует также и внутрирегиональная
асимметрия, в которой изучаются процессы неравномерности распределения уже
внутри того или иного региона. Объективно явление асимметрии может
рассматриваться и на более крупном, макроэкономическом уровне, когда
анализируется
асимметрия
развития
ряда
стран
в
надгосударственном
объединении (например, асимметрия стран внутри ЕС) или в пределах материка
(асимметрия стран Африки). В самом крупном случае (мегаэкономика) идёт
рассмотрение мира как единого целого, а аспект асимметрии изучается в разных
аспектах (климатическом, институциональном, экономическом, социальном и
т.д.) [32, с. 182].
Нами акцент будет делаться на межрегиональной асимметрии в рамках
Российской Федерации (без учёта республики Крым и г. Севастополя),
соответственно, страна будут рассматриваться в разрезе её субъектов федерации.
Исключение данных р. Крым и г. Севастополя из анализа объясняется
сложностью определения их статуса международным сообществом, а также их
относительно недавней интеграцией в статистическую систему РФ. Это
обосновывается необходимостью переходного периода [33, с. 105].
С
учётом
вышеизложенных
концепций,
дадим
определение
межрегиональной асимметрии, которое мы примем в качестве основного.
21
Асимметрия межрегионального развития – устойчивые во временном и
пространственном разрезе различия, связанные с таким развитием страны,
которое приводит к диспропорциональному установлению отношений регионов
как подсистем [52, с. 90].
Асимметрия межрегионального развития в том понятии, в котором она
рассмотрена выше, может являться объектом изучения абсолютно разных наук и,
соответственно, рассматриваться с точки зрения разных концепций в зависимости
от того, какой из объектов мы положим в качестве основного элемента анализа.
Одной
из
наиболее
ранних
концепций,
предполагавших
изучение
территориальных диспропорций, был географический детерминизм, который
берёт своё начало ещё с теорий Шарля Монтескьё. В настоящее время концепция
географического неодетерминизма значительно проработана в трудах Джеффри
Сакса, который продолжал логику Адама Смита и его «Богатства народов».
Географический подход делает акцент на разные сферы и занимает одно из
ведущих мест при изучении асимметрии в региональной науке [51, с. 351]. Если
Сакс делал акцент на преодоление аспектов бедности и нищеты, то немецкие
учёные Август Лёш и Вальтер Кристаллер рассматривали вопрос размещения
производства с учётом географического аспекта.
Несколько иной подход к изучению диспропорций сложился у учёных,
рассматривавших исторический и социальный подходы. К деятелям науки,
работавшим в этом направлении, можно отнести Фрэнсиса Фукуяму и Элвина
Тоффлера. Они рассматривают периоды истории как волны; общество в разных
местах находится на разных волнах, что, соответственно, вызывает расхождение и
диспропорции в развитии.
Не менее значительным в настоящее время является институциональный
подход, получивший значительное развитие в своих прикладных аспектах с конца
XX века. К аналитикам институциональных процессов можно отнести Дарона
Аджемоглу и Джеймса Робинсона. Их книга «Why nations fail» объясняет процесс
установления
диспропорций
в
экономике
причинами,
связанными
с
22
преобладанием
институтов
того
или
иного
типа
(инклюзивного
или
экстрактивного) в экономике [48, с. 631].
Статистический подход отличается от вышеперечисленных тем, что
предполагает
использование
инструментария
математики
и
прикладной
статистики при изучении показателей неравенства. Оперируя математическими
правилами
как
теоремами,
экономика
разработала
свои
собственные
математические приложения, которые позволили от качественного анализа
показателей асимметрии перейти к количественному, измеримому анализу [46].
Каждый из вышеперечисленных переходов имеет свои изъяны и свои
преимущества. В идеале наиболее адекватной была бы как можно более гибкая их
комбинация, но она требует огромного числа навыков в абсолютно разных
науках. В то же время и сами методы по отдельности не дают исчерпывающего
объяснения. К примеру, географический детерминизм, зародившийся одним из
первых, не даёт объяснения в тех случаях, когда страны или регионы,
находящиеся в схожих географических (и тем более - климатических) условиях,
имеют
принципиально
разные
характеристики
социально-экономического
развития (к примеру, регионы Австрии и Венгрии, находящиеся в схожих
климатических зонах). Исторический аспект изучения асимметрии, в свою
очередь, несколько недооценивает роль изучения пространства [47, с. 78].
Институциональный анализ, глубоко разработанный в представленный
выше книге Аджемоглу и Робинсона, объясняет ряд различий и диспропорций в
развитии
как
в
межстрановом
сопоставлении
(к
примеру,
сравнение
Великобритании и Испании), так и для одной страны в её историческом развитии
(территории Венецианской республики). Однако институциональный анализ в
значительной
мере
игнорирует
географический
и
этнический
факторы
асимметричности развития. Так, к примеру, проведение в странах Африки и Азии
рекомендованных
международными
организациями
реформ,
призванных
усовершенствовать развитие социально-экономических институтов, не привело к
тому, что эти страны перешли к фазе активного экономического роста. К тому же
авторы не отмечают меры, по которым один институт может быть более, к
23
примеру, экстрактивен, чем другой, и не прослеживают чётких математически
доказанных связей.
Статистический
анализ
базируется
на
исследованиях
процессов
межрегиональных диспропорций с помощью инструментария математики и
прикладной статистики [49, с. 259]. Объективно являясь единственным методом,
который может анализировать процессы не качественно, а количественно, он
использует строгость математического аппарата для изучения особенностей
асимметрии. С другой стороны, статистический метод при своей наглядности и
универсальности требует наличия у исследователя определённых знаний из
других областей, поскольку одним из важнейших критериев принятия той или
иной статистической модели является не только её статистические критерии
качества, но и здравый смысл. По этой причине необходимо как тщательно
выбирать показатели, индикаторы и переменные для самой статистической
модели, так и обрабатывать эти данные валидными и надёжными инструментами
и процедурами, которые позволят выявить особенности развития регионов [45, с.
875].
Обобщая вышеизложенные положения, сведём в табл. 1 объекты изучения
асимметрии, которые исследует региональная наука.
Таблица 1 – Основные отрасли знания региональной науки
Отрасль знания
География
Институционализм
Статистика
Объект анализа
Территориальное
Характер
Показатели,
размещение
деятельности
индикаторы и
институтов
индексы
Региональная
Новая
Статистика,
экономика
институциональная
экономико-
экономическая
математическое
теория
моделирование
А. Лёш, В.
Д. Аджемоглу, Дж.
К. Джини, А. Тейл
Кристаллер, Дж.
Робинсон
Прикладная наука
Учёные
Сакс
Источник: авторская разработка
24
Для данной работы мы выберем статистический подход к изучению
межрегиональных
диспропорций
по
ряду
причин:
количественные
характеристики позволяют определить и сопоставить степень асимметрии
развития; статистические методы отличаются значительной наглядностью при
построении
моделей;
использование
математического
аппарата
позволяет
однозначно ответить на вопрос о наличии асимметрии, её характере, глубине и
влияющих на ней факторах.
Для получения квалифицированных выводов по вопросам асимметричности
статистический подход является одним из наиболее качественных инструментов,
поскольку он является единственным из методов, который может относительно
определённым способом дать ответ на вопрос о наличии и о характере
межрегиональной дифференциации. К статистическим данным предъявляются
требования достоверности и сопоставимости.
Первое требование подразумевает, что данные должны соответствовать
реальному положению дел, не быть искажёнными, а оценки должны быть
подобраны таким образом, чтобы можно было увеличить степень гарантии
несмещённости, эффективности и состоятельности.
Требование сопоставимости означает, что данные должны быть собраны по
одинаковой методике, показатели должны различаться только одним параметром,
что гарантирует возможность сравнения данных по различным выборкам.
Также адекватно подобранными должны быть изначальные показателииндикаторы и методы статистического инструментария, с помощью которого эти
данные будут обрабатываться.
Одним из наиболее сложных вопросов является отбор переменных, по
которым будет проводиться анализ. Для этого мы рассмотрим ряд моделей (из
основных, по которым проводились первые исследования, можно выделить
модель Б.И. Смагина и модель фирмы «Финансы-Бизнес-Консалтинг»). Как мы
показали в работе [10], эти модели не лишены некоторой предвзятости (к
примеру, они сводят различия в экономическом положении регионов к какому-то
одному показателю, например, доходам) или используют показатели, которые
25
подвержены коллинеарности и даже мультиколлинеарности. Это приводит к
избыточности предикторов, чрезмерному усложнению анализа и восприятия
модели, а также дублированию данных.
По вышеупомянутым причинам данные индикаторы не могут быть
адекватно проанализированы с помощью многомерной регрессии (в силу степени
коллинеарности
показателей
за
отдельные
годы)
без
перегруппировки
переменных в некоррелирующие факторы или без метода гребневой регрессии, в
связи с чем приобретает особую значимость вопрос соответствия избранных
моделей критериям качества.
С другой стороны, можно изучить эмпирическое распределение данных
показателей [11, с. 780]. Достаточно сложно подобрать для них адекватное
теоретическое распределение, которое полностью описывало бы дисперсию
показателей, но данное исследование этой цели не предполагает, поскольку
определённые характеристики можно выявить по оценкам эмпирического
распределения. Именно эти оценки могут служить базисом для выведения
комплексной оценки.
Для первичного экспресс-исследования были взяты показатели в формате
панельных данных (пространственные выборки за определённый временной
диапазон) по индикаторам за определённый период [23, 24, 28], что позволило
рассчитать следующие базовые статистические коэффициенты: коэффициент
размаха
(отношение
наибольшего
значения
показателя
в
выборке
к
наименьшему); децильный коэффициент (показатель, близкий по смыслу к
коэффициенту фондов, понимаемый как соотношение девятого и первого децилей
по распределению показателей); коэффициент асимметрии (отношение третьего
центрального момента выборочного распределения к кубу среднеквадратического
отклонения);
коэффициент
вариации
(соотношение
среднеквадратического
отклонения варьирующего признака к его среднему значению).
Данные коэффициенты могут быть достаточно просто интерпретированы по
разработанным эмпирическим уровням, что позволит выявить направление и
26
особенности неравенства по каждому из показателей за каждый из изучаемых
периодов.
Рассмотрим особенности применяемых статистических коэффициентов по
методике [21].
Коэффициент размаха рассчитывается по формуле (1) [21, с. 11]:
=


,
(1)
где Xmax – максимальное значение признака в совокупности,
Xmin – минимальное значение признака в совокупности.
Этот коэффициент показывает, во сколько раз наибольшее значение отстоит
от наименьшего. Поскольку этот показатель чувствителен к статистическим
выбросам и нечувствителен к распределению величины, то применяется
сглаживающий коэффицинет – децильный коэффициент, исчисляемый по
формуле (2) [21, с. 11]:
=
9
1
,
(2)
где d9 – значение девятого дециля показателя,
d1 – значение первого дециля показателя.
Иными словами, децильный коэффициент показывает соотношение первых
10% совокупности к последним 10%. Как мы описали в [10], децильный
коэффициент в меньшей степени подвержен статистическим выбросам, его
дисперсия значительно меньшая, чем показателя разброса, в связи с чем можно
утверждать, что децильный коэффициент более качественно отображает среднюю
величину индикатора.
Коэффициент асимметрии представляет собой нормализованный третий
центральный момент величины распределения, рассчитывается по формуле (3)
[21, с. 12]:
 =
где μ3 – третий центральный момент,
σ – стандартное отклонение.
3
3
,
(3)
27
Коэффициент
асимметрии
является
важнейшим
показателем,
характеризующим межрегиональную асимметрию. Он способен дать ответ на
вопрос о том, является ли отклонение от нормального
распределения
статистически значимым, а также дать первичную характеристику диспропорций
в распределении. В России, как мы показали в статье [10, с. 225], показатели,
связанные с межрегиональными сопоставлениями финансовых индикаторов,
являются преимущественно проавоасимметричными и статистически значимыми.
Это свидетельствует о том, что в большинстве регионов наблюдаемые значения
показателя были ниже среднего по совокупности.
Представим различные по значению As распределения (рис. 1).
а
б
в
Рисунок 1 – Распределения с нулевым коэффициентом асимметрии (а),
правосторонней (б) и левосторонней асимметрией (в)
Четвёртый коэффициент – коэффициент вариации – показывает меру
разброса величины (какую долю среднего значения составляет её средний
разброс). Коэффициент вариации вычисляется по формуле (4) [21, с. 12]:
=
где ̅ – среднее значение признака,
σ – стандартное отклонение.

̅
,
(4)
28
Важно выделить трудности используемых методик, в частности, тех,
которые базируются на заработной плате или доходах домохозяйств [38, 39].
Российская методика приводит к систематической смещённости оценки в тех
случаях, когда на предприятиях высокая доля рабочей силы из других регионов
(самый характерный пример – работа вахтенным методом на объектах зоны
Крайнего Севера; в данном случае происходит завышение оцениваемого
параметра). Однако в определённой мере эта особенность купируется тем, что в
России трудовая мобильность ниже, чем в странах Запада, а сама методика
предполагает использование относительных величин (особенно – относительных
величин интенсивности, т.е. распространения тех или иных экономических
показателей в среде населения) [12]. Этот подход позволяет удалить из анализа
искажающие факторы, вызванные внутрирегиональными диспропорциями, но
сохраняют ту часть дисперсии, которая объяснима влиянием межрегионального
движения рабочей силы и трудовой миграции [13].
В
заключение
отдельно
отметим,
что
сама
по
себе
асимметрия
межрегионального развития имеет и положительные стороны [41, с. 202]. К
примеру, с её помощью мы можем выявить, какие регионы или какие отрасли
являются
экономически
эффективными,
охарактеризовать
конкурентные
преимущества отдельного региона, сделать выводы и рекомендации для
обеспечения устойчивости территориального развития. Необходимо, чтобы
асимметрия не превышала критические значения, потому что в таком случае
проявляется её деструктивная роль: так, если в регионах наблюдается
повышенное значение какого-либо индикатора, то это может посылать
некорректные сигналы инвесторам или ответственным за региональную политику
[35, 36].
Как отмечали P.M. Allen и M. Sanglier (ссылки в [49] и [50]), абсолютно
симметричное распределение неустойчиво, малые колебания могут приводить к
появлению территорий с высокой концентрацией, провоцируя миграционные
колебания населения. Интересно также и то, что бюджетная децентрализация и
бюджетный федерализм тоже способны вызвать миграцию населения в регионы с
29
иным набором общественных благ (это рассматривается в модели Тибу). Эти
процессы могут приводить к нарастанию экономических диспропорций. В связи с
описанными факторами мы принимаем утверждение о том, что определённый
уровень территориальных диспропорций необходим в рамках механизма,
способствующего развитию и стимулированию конкурентного развития.
Принимая во внимание вышеизложенное, мы можем сделать вывести, что
понятие региона является одним из самых дискуссионных и трудноопределимых
в региональной экономике. Изучение межрегионального развития, поиск ответа
на вопрос об устойчивости развития зависит от того, насколько качественно
проводится статистический анализ, какими инструментами он проводится. Это
непосредственно вытекает из того, что мы понимаем под регионом. Если мы в
рамках регионального анализа приравниваем регион к субъекту федерации, то
важно обеспечить сопоставимость индикаторов, применять удельные величины и
рассмотреть эмпирические распределения, которые формируются тем или иным
индикатором. Для изучения возможностей регионального управления и анализа
регионального развития важную роль играет асимметрия регионального развития.
С помощью её системы показателей мы можем не только показать преимущества
отдельного региона, но и рассмотреть их положение в целом по стране, выявить
возможности для устойчивости развития, а также через систему коэффициентов
обеспечить сопоставимость индикаторов. При проведении анализа моделей
необходимо рассмотреть сам характер выбираемых индикаторов (предикторов).
Так, нет смысла включать в модель переменные, которые явно между собой
сильно коррелируют (что можно проверить либо первичным визуальным
анализом, либо при подсчёте матриц корреляционных коэффициентов). От
подобных методологических просчётов не застрахованы даже весьма известные
модели (по этому поводу – см. [10]), особенно это важно при построении
интегральных оценок. В связи с этим крайнюю важность приобретают не только
процедуры выведения статистического уравнения, но и проведение тестов,
отвечающих на вопрос о целесообразности пользоваться той или иной методикой
на данных переменных (к ним относятся корреляционные тесты для выбора
30
переменных, мера Кайзера-Майера-Олкина для факторного анализа и т.д.). При
построении интегрального показателя важно также понимать качественные
особенности рассматриваемых моделей [3, с. 36]. Так, вряд ли можно сделать
вывод о комплексном характере изучения экономического положения регионов,
рассмотрев только одну или две экономические категории. Поскольку Россия –
страна с крайне выраженными диспропорциями в территориальном аспекте,
адекватный интегративный показатель становится крайне актуальным. В
отдельных случаях могут получаться ситуации, когда один и тот же регион в
зависимости от выбранных индикаторов модели может занять как одно из
ведущих мест (регионы Дальневосточного федерального округа в рамках модели
«ФБК»), так и быть аутсайдером (многомерная векторная модель Б.И. Смагина
для тех же регионов). Непосредственное сопоставление полученных данных не
способствует снижению неопределённости, определению полюсов роста и
обеспечению рекомендаций для устойчивости развития. В связи с этим возникает
необходимость
понимания
особенностей
территориальных
диспропорций,
механизма минимизации их отрицательных последствий и выстраивание такого
индикатора, который был бы чувствителен к вышеозначенным особенностям.
Асимметрия регионального развития является сложным явлением, под которым
понимают
установление
таких
соотношений
в
различных
социальных,
экономических и иных показателей жизни региона, которые впоследствии
приводят к неравномерному распределению индикаторов как внутри региона, так
и
между
регионами
в
пределах
изучаемой
совокупности
(страны).
Межрегиональная асимметрия может быть изучена с точки зрения ряда аспектов
(институционального,
социального,
исторического,
географического,
статистического). При этом единственным методом, который способен дать
чёткий и однозначный ответ о наличии асимметрии, о её характере и о факторах,
влияющих на неё, является метод статистического анализа. При изучении
асимметрии
межрегионального
развития
с
помощью
статистического
инструментария крайне важным вопросом является корректный для целей
исследования выбор исходных индикаторов (можно изучать асимметрию региона
31
в разрезе доходов, в разрезе финансов, в разрезе социальной обеспеченности, в
разрезе отдельных отраслей, фондооснащённости, транспорта, уровня жизни и
т.д.).
Для
решения
задач
исследования
требуется
адекватный
выбор
статистического инструментария анализа данных и понимание исследователем
слабых и сильных сторон избранной им методики.
32
2 ИЗУЧЕНИЕ СТАТИСТИЧЕСКИХ МОДЕЛЕЙ ОЦЕНКИ
ЭКОНОМИЧЕСКОГО ПОЛОЖЕНИЯ РЕГИОНОВ
2.1 Секторальное изучение экономики регионов: модель региональной
освоенности Б.И. Смагина
После изучения теоретических принципов обратимся к конкретным
моделям. Экономическая наука располагает достаточно широким спектром
статистических моделей региональной экономики, базирующихся на различных
показателях и предпосылках.
Поскольку мы говорим о регионе как о сложной комплексной системе, то
мы должны подобрать такой набор индикаторов, чтобы, с одной стороны,
максимально полно отобразить имеющиеся региональные подсистемы (элементы
хозяйствования региона), а с другой – подобрать такой набор переменных, чтобы
он отвечал как логическим закономерностям регионального развития, так и
статистическим критериям качества.
В связи с этим при анализе региона как многокомпонентной единицы
важно, чтобы имеющиеся модели имели относительно небольшое число
переменных (оптимальным будет число от 3 до 15), достаточно просто
интерпретируемых, сопоставимых и характеризующих различные элементы
региональной
системы,
в
частности,
такие
важнейшие
сектора,
как
промышленность, строительство, торговля, оказание услуг и т.д.
В связи с этим нами для анализа была выбрана модель региональной
освоенности Б.И. Смагина. Она охватывает семь интегральных показателей,
каждый из которых базируется на определённом наборе переменных. Эти
объединённые
показатели
характеризуют
социально-экономическую,
производственную, непроизводственную, промышленную, сельскохозяйственную
и коммуникационную освоенность, а также социально-экономический (опорный)
каркас региона. Модель и выполненный нами её краткий обзор описаны в статье
[10].
33
Каждый из показателей включает в себя от двух до шести переменных.
Первые
шесть
построении.
показателей
Седьмой
же
достаточно
показатель
просты
в
представляет
интерпретировании
собой
и
совокупность
неоправданно усложнённых переменных (в частности, рассчитывается плотность
только городского населения в регионе). Мы модифицировали этот показатель,
взяв другую переменную: плотность расселения урбанизированных жителей по
региону. Конечно, такая переменная содержит неявную предпосылку о
равномерном распределении всех урбанизированных жителей по региону (что,
безусловно, не соответствует истине), однако и изначальный признак не учитывал
неоднородность распределения населения по территории.
В рамках данной модели берётся выборка по 83 регионам Российской
Федерации. Значения признаков берутся по официальным данным Росстата,
опубликованным в статистических сборниках «Регионы России». Представим
состав интегральных оценок [10]:
1) Социально-экономическая освоенность (индикатор W1): плотность
населения, территориальная фондооснащённость, плотность железных
дорог, плотность автомобильных дорог в регионе.
2) Производственная освоенность (индикатор W2): плотность занятых в
производственной сфере на единицу территории, фондооснащённость
производственной сферы, а также плотность железных и транспортных
дорог региона.
3) Непроизводственная освоенность (индикатор W3): плотность занятых в
непроизводственной сфере на единицу территории, фондооснащённость
непроизводственной сферы, плотность железных и транспортных дорог в
регионе.
4) Промышленная освоенность (индикатор W4): плотность занятых в
промышленности, фондооснащённость, плотность дорог в регионе.
5) Сельскохозяйственная освоенность (индикатор W5): плотность занятых в
аграрной сфере на единицу территории, а также фондооснащённость
сельского хозяйства.
34
6) Коммуникационная освоенность (индикатор W6): плотность занятых на
единицу территории, фондооснащённость транспорта и связи, а также
плотность дорог.
7) Опорный (социально-экономический) каркас (индикатор W7): плотность
городского населения, а также дорог в регионе.
Поскольку опорный каркас построить достаточно сложно, то мы заменим
его урбанизационной освоенностью региона. Таким образом, речь идёт о
модифицированной модели Смагина.
Даже при беглом обзоре можно заметить, что показатели в ряде случаев
пересекаются
друг
с
другом
и перекрываются.
Так,
промышленная
и
производственная освоенность с достаточно большой долей вероятности будут в
очень тесной связи. А показатель плотности дорог в данной модели повторяется
целых шесть (!) раз.
Поскольку имеющиеся переменные
единицы
и
порядки
измерения,
то
неоднородны, имеют различные
необходимо
провести
процедуру
стандартизации (z-преобразование переменных). Эта процедура приводит к таким
значениям признаков, что их математическое ожидание равно нулю, а дисперсия
– единице.
Для определения региона-эталона проводится векторное моделирование.
Все показатели разбиваются на стимуляторы (чем выше значение признака, тем
качественно более освоен регион) и дестимуляторы (чем выше значение признака,
тем качество освоения региона ниже). В зависимости от порядка индикатора
берутся максимальные или минимальные значения, по которым определяются два
полярных региона: эталонный и антиэталонный. Семь показателей будут
координатами семимерного вектора, представляющего отдельный регион.
Таким образом, любой из полученных векторов, представляющих регионы,
будет лежать между антиэталонным и эталонным значением. Отдельно отметим,
что чисто эталонного и/или антиэталонного региона может и не быть – он
образуется только в том случае, если регион является лидером (аутсайдером) по
абсолютно всем семи показателям.
35
Вычисляется
расстояние
между
регионом-эталоном
и
регионом-
антиэталоном. Аналогично для каждого региона находим расстояние его вектора
региональной освоенности до региона-антиэталона. Чем оно больше, тем регион
от него дальше и, соответственно, ближе к эталону. В качестве интегрального
показателя можно брать значение величины, равной отношению расстояния
вектора региона от антиэталона к расстоянию между экстремальными регионами.
Таким образом, полученный показатель будет представлять собой долю
освоенности данного региона от максимально освоенного.
Авторы модели провели её оценку на 2002 г. Мы же ранее воспроизвели их
расчёты для 2014 г. В рамках выполненной работы мы подтвердили гипотезу о
том, что имеющиеся переменные чрезмерно дублируются. При первичном
корреляционном анализе видно, что показатели сильно между собой связаны, что
позволяло говорить о мультиколлинеарности. Безусловно, такой показатель, как
длина дорог региона, оказывает влияние практически на любой уровень
освоенности региона (коммуникативный, сельскохозяйственный, промышленный
и т.д.), в связи с этим понятна предпосылка включения этого показателя во все
интегральные оценки, однако это приводит к дублированию информации, что
ухудшает модель как с точки зрения информативности, так и с точки зрения
статистических критериев качества.
Обратимся ещё раз к этой модели, но уже по данным 2016 г. Представим
корреляционную матрицу по индикаторам W1...W7 (табл. 2).
Таблица 2 – Корреляционная матрица признаков региональной освоенности
W1
W2
W3
W4
W5
W6
W7
W1
1,00000
0,99115
0,99998
0,98516
0,85196
0,99953
0,99475
W2
0,99115
1,00000
0,99034
0,99918
0,86730
0,99476
0,99740
W3
0,99998
0,99034
1,00000
0,98412
0,85077
0,99933
0,99420
Источик: авторская разработка
W4
0,98516
0,99918
0,98412
1,00000
0,86837
0,98995
0,99471
W5
0,85196
0,86730
0,85077
0,86837
1,00000
0,85652
0,88073
W6
0,99953
0,99476
0,99933
0,98995
0,85652
1,00000
0,99688
W7
0,99475
0,99740
0,99420
0,99471
0,88073
0,99688
1,00000
По сравнению с ситуацией в 2014 г., интегральные показатели находились в
ещё большей созависимости. Коэффициент корреляции не опускался ниже 0,85, а
36
в отдельных случаях достигал и величины, очень близкой к 1. Этот факт означает,
что
модель
необходимо
модифицировать,
поскольку
крайне
сильно
коррелирующие показатели являются малоинформативными. В связи с этим
поставим вопрос сокращения размерности модели. Для этого применим
процедуру факторного анализа.
Факторный анализ является одним из наиболее значимых инструментов
обработки многомерных статистических данных. Он позволяет сгруппировать
коррелированные переменные в меньшее число некореллированных переменных
– факторов, что позволяет выявить скрытые закономерности и объективно
упростить как построение модели, так и её интерпретацию.
Для
осуществления
процедуры
факторного
анализа
обратимся
к
вспомогательным критериям, представленным в таблице 3.
Таблица 3 – Критерии Кайзера-Майера-Олкина и критерий Бартлетта
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
0,686
4105,233
21
Значимость
0,000
Источник: авторская разработка
Исходные данные отвечают необходимым критериям качества. Так, мера
Кайзера-Майера-Олкина равна 0,686, что свидетельствует об удовлетворительной
адекватности исходных данных и о том, что факторный анализ к ним можно
применить.
Второй упомянутый критерий – тест сферичности Бартлетта. Он проверяет
многомерную
нормальность
имеющегося
распределения
и
отличие
множественного коэффициента корреляции от нуля. Поскольку значение теста
меньше 0,05, то мы можем признать имеющиеся данные годными к факторному
анализу. Соответственно, в дальнейшем применяем к имеющимся данным саму
процедуру факторного анализа. Факторы будем выделять методом главных
компонент.
37
Проведённый тест показал, что из имеющихся переменных можно извлечь
одну главную
компоненту,
которая
объясняет 96,4%
общей дисперсии
совокупности. Таким образом, можно сделать вывод о том, что многомерность
имеющейся модели является излишней. Наименьшую степень корреляции
главный компонент имеет с сельскохозяйственной освоенностью регионов
(R=0,896), наибольшую (R=0,999) – с уровнем урбанизациионной освоенности
регионов (или же модифицированным показателем регионального социальноэкономического каркаса).
Отсюда же можно сделать вывод, что использование относительных
величин интенсивности в значительной степени изменяет окончательный формат
интегральных показателей. Относительные величины интенсивности показывают
степень распространённости первого признака (стоящего в числителе) в среде
второго (стоящего в знаменателе). Одним из признаков сельскохозяйственной
освоенности региона является число занятых в сельском хозяйстве на единицу
территории. Так, в Москве количество занятых людей в сельском хозяйстве
невелико, но небольшая территория (по отношению к другим субъектам) выводит
Москву в лидеры по даже не типичному для неё сельскому хозяйству.
Ещё один вывод, который можно сделать по данной модели – несмотря на
разнонаправленный характер регионального развития, плотность распространения
признаков в регионах изменяется сонаправленно – так, регионы занимают
практически одни и те же места в рейтингах разной освоенности. Это говорит об
относительно общих тенденциях развития и определённом уровне устойчивости
региональной структуры Российской Федерации. Проведение анализа имеющейся
модели на нескольких временных периодах (2002 – авторами модели, 2014 и 2016
– нами) свидетельствует также и о временной устойчивости тенденций
региональной освоенности. Из них особенно выделяются усиление поляризации
регионов при рассмотрении их региональной освоенности. Так, в 2016 г. по ряду
показателей, особенно по автомобильным и железным дорогам, расстояние между
эталонным
и
антиэталонным
региоиами
увеличилось,
что
свидетельствует об усилении асимметрии регионального развития.
напрямую
38
Обобщим рассмотренную информацию, представив плюсы и минусы
изучаемой модели.
С одной стороны, данная модель позволяет рассмотреть многообразие
проистекающих
в
регионе
процессов,
вычленить
особенности
развития,
характерные для той или иной отрасли (сельского хозяйства, промышленности,
непроизводственного сектора) и плотность их распространения. Модель имеет
адекватный математический аппарат для сведения разнородных значений в
единый интегрированный показатель, а также позволяет увидеть, в каких видах
освоенности регион наиболее успешен.
С другой стороны, многомерность данной модели искусственна и
неоправданна. Использование коррелирующих показателей ухудшает критерии
качества моделей и не позволяет проводить адекватный регрессионный анализ
переменных. Проведение оценки на усечённом ряде данных (без Москвы) дало
аналогичную картину, что свидетельствует о том, что модель не удовлетворяет
критериям качества не в силу наличия сильной поляризации, а по причине
некачественного подбора переменных. Проведённая процедура факторного
анализа показала, что все имеющиеся семь переменных адекватно группируются в
один общий фактор региональной освоенности, который имеет достаточно
высокую корреляцию со всеми первоначальными семью показателями. Поскольку
наибольшую
корреляцию
главный
фактор
показал
с
показателем
урбанизационной освоенности региона, то именно он может быть выбран для
дальнейшего анализа при построении оригинальных моделей региональной
освоенности.
2.2 Финансовые индикаторы регионального благосостояния в модели
компании «ФБК»
Изучая модель региональной освоенности Смагина, мы обратили особое
внимание на тот аспект, что различные показатели включали в себя единицы
39
разного порядка, что требовало дополнительной процедуры стандартизации. Это
позволило нам сопоставить километры автодорог с количеством человек, занятых
в той или иной отрасли.
Однако процедура преобразования переменных не только усложняет саму
модель, но и является определённым препятствием в том случае, когда модель
имеет значительные выбросы (как в России – таким является Москва). При
процедуре
стандартизации,
нормализующей
эмпирическое
распределение,
полярные регионы могут особенно сильно искажать показатель. Соответственно,
можно ли сделать так, чтобы в модели процедура стандартизации не
проводилась?
Для утвердительного ответа на этот вопрос мы должны подобрать
величины,
во-первых,
в
одинаковых единицах измерения,
во-вторых
–
одинакового типа и порядка.
В статистической науке для обеспечения эквивалентности используют
показатели в денежных единицах измерения (рублях). Одним из ключевых
измерителей качества регионального благосостояния является его валовой
продукт, под которым понимают рыночную стоимость всех конечных товаров и
услуг, произведённых внутри региона за определённый промежуток времени.
Этот
показатель
в
региональной
экономике
аналогичен
такому
макроэкономическому индикатору, как валовой внутренний продукт.
Этот агрегат является комплексным и показывает наиболее общую картину
регионального развития. Он может рассчитываться тремя методами (по доходам,
по расходам, по добавочной стоимости). Однако из этого индикатора сложно
вычленить структуру региональных изменений (какая отрасль хозяйства внесла
тот или иной вклад в общую сумму), а также благосостояние людей
(домохозяйств).
Чтобы это отобразить, мы применим, как и в предыдущей модели,
относительную величину интенсивности – измерим, сколько рублей из валового
регионального продукта пришлось на жителя региона (валовой региональный
продукт на душу населения). Этот показатель является центральным в модели,
40
предложенной компанией «Финансы. Бизнес. Консалтинг» для изучения
регионального благосостояния.
Помимо аспекта, связанного с региональным благосостоянием, измеренным
в данной модели ВРП на душу населения, значительную роль играет аспект
социальный. Если мы желаем следовать тому же принципу денежной
эквивалентности, то следующим основным показателем будет средняя заработная
плата на душу населения в регионе.
Однако доходы человека складываются не только из заработной платы. Они
могут включать и иные элементы (комиссионные, вознаграждения и гонорары,
прибыль от предпринимательской деятельности и т.д.), поэтому ещё одним
индикатором
авторы
модели
выбрали среднедушевые
денежные
доходы
домохозяйств.
Отдельно хотелось бы отметить вопрос сопоставимости. Безусловно, когда
мы изучаем показатели в денежных единицах измерения, то необходимо
понимать, что один рубль имеет разную покупательную способность не только в
разное время, но и на разных территориях. Однако в ряде показателей, в
частности, ВРП, денежная стоимость является не непосредственным носителем, а
лишь частичным эквивалентом. В деньги пересчитываются все произведённые в
регионе товары и оказанные услуги, поэтому в значении ВРП скрываются не
только чисто монетарные компоненты, которые подвержены инфляции, но и, к
примеру, основные средства, на которые инфляция не влияет, но которые
изнашиваются. Применение прямого пересчёта в силу объёмности модели крайне
затруднено, а индексные пересчёты не являются оправданными, поскольку в
разных регионах структура ВРП разная. Поэтому мы отказываемся от пересчёта
денежных единиц в стандартные величины. Также в пользу этого соображения
приведём тот вывод, что мы используем относительные величины интенсивности:
нас интересует не столько сопоставимость тех или иных денежных показателей, а
плотность их распространения в среде (население региона).
Выбор именно этих показателей, безусловно, не лишён определённых
недостатков: так, в 2016 году в России между средней зарплатой по регионам и
41
уровнем денежных доходов населения наблюдался выборочный коэффициент
корреляции Пирсона R=0,919, что отображает весьма высокую прямую
взаимосвязь (согласно шкале Чеддока) между этими двумя индикаторами, или,
интерпретируя экономический характер явления, мы можем сделать вывод, что
денежные доходы населения в регионах в крайне значительной мере объясняются
уровнем зарплаты. Это также говорит и о низком уровне альтернативных доходов
(от предпринимательской деятельности, частной практики) и низкой степени их
декларированности.
По вышеупомянутым причинам данные индикаторы не могут быть
адекватно проанализированы с помощью многомерной регрессии (в силу степени
коллинеарности
показателей
за
отдельные
годы)
без
перегруппировки
переменных в некоррелирующие факторы или без метода гребневой регрессии.
Одним из элементов изучения данной модели будет применение процедуры
факторного анализа.
С другой стороны, можно изучить эмпирическое распределение данных
показателей. Достаточно сложно подобрать для них адекватное теоретическое
распределение, которое полностью описывало бы дисперсию показателей, но
данное исследование этой цели не предполагает, поскольку определённые
характеристики можно выявить по оценкам эмпирического распределения.
Именно эти оценки могут служить базисом для дальнейшего анализа.
Для исследования были взяты данные по каждому из трёх индикаторов за
2016 год, что позволило рассчитать следующие коэффициенты:
 коэффициент размаха (отношение наибольшего значения показателя в
выборке к наименьшему);
 децильный
коэффициент
(показатель,
близкий
по
смыслу
к
коэффициенту фондов, понимаемый как соотношение девятого и
первого децилей по распределению показателей);
 коэффициент асимметрии (отношение третьего центрального момента
выборочного
отклонения);
распределения
к
кубу
среднеквадратического
42
 коэффициент
вариации
(соотношение
среднеквадратического
отклонения варьирующего признака к его среднему значению).
Данные коэффициенты могут быть достаточно просто интерпретированы по
разработанным эмпирическим уровням, что позволит выявить направление и
особенности неравенства по каждому из показателей в течение того или иного
временного периода. Работа продолжает исследование, результаты которого были
представлены на конференции в МГУ в апреле 2016 г. [12].
В то же время необходимо отметить, что использование ряда показателей
при данных индикаторах либо затруднено, либо невозможно. Так, использование
известного метода для анализа неравенства – коэффициента Джини и кривой
Лоренца – не будет иметь смысла по той причине, что в качестве показателей
выбраны средние удельные значения, которые уже сами по себе несколько
сглажены. Индекс Тейла в данном случае невозможно использовать по той
причине, что не предполагается разбиение выборки по стране и выделение внутри
регионов каких-либо групп, поскольку все регионы трактуются как абсолютно
одинаковые единицы совокупности, обладающие тем или иным вариантом
признака. По этой же причине, а также по причине громоздкости вычислений мы
отказываемся от применения индекса Аткинсона, даже несмотря на то, что он
сводит социальное развитие сугубо к неравенству доходов, что представляется
достаточно оправданным в данном обзоре.
Проанализируем полученные данные и попытаемся, обобщив процесс
нашего
исследования
с
предыдущими
разработками
[11,
12],
выявить
определённые тенденции.
По валовому региональному продукту (индикатор 1) распределение
оказалось самым неравномерным – коэффициент вариации превышает 100%
(140%), что говорит о том, что уровень стандартного отклонения вариант
превышает
среднее
значение
признака.
Совокупность
регионов
крайне
неоднородная. Наибольшее значение превосходит наименьшее в 43 раза
(коэффициент размаха), однако в последнее время замечается тенденция к
снижению этого показателя (в 2011 г. тот же коэффициент равнялся 61,6).
43
Децильный коэффициент, представляющий соотношение девятого и первого
дециля, в определённой мере снижает роль статистических выбросов. По
валовому региональному продукту он равен 4, причём тенденция достаточно
устойчивая (за последние годы коэффициент незначительно колебался около
этого значения). Соответственно, мы можем говорить об относительной
устойчивости совокупности.
Отдельно скажем о коэффициенте асимметрии. Он положителен (что
свидетельствует о правосторонней асимметрии) и статистически значим (это
доказывает системность асимметрии). Имеющаяся асимметрия формируется в
значительной степени несколькими регионами с экстремальными значениями
показателей (Ненецкий, Ямало-Ненецкий, Ханты-Мансийский автономные округа
и столичные города) во много раз выше среднего. Именно они и формируют
удлинённый правый хвост распределения.
Уровень среднедушевого денежного дохода в месяц (индикатор 2) в случае
с Россией является (особенно в поздние годы) практически коллинеарным
показателем по отношению к заработной плате, поскольку средний уровень
денежных доходов по регионам в среднем определяется более чем на 90% теми
же факторами, которыми определяется заработная плата. Тем не менее,
определённые
различия
между
этими
показателями
существуют.
Так,
коэффициент размаха по данному индикатору выше, чем по зарплатам (в 2016 г.
коэффициент равен 4,96).
Децильный коэффициент по данному показателю имеет значение за период,
равное 2,2. В последние годы наблюдается аналогичная тенденция к снижению
показателя до 2, т.е. по рассматриваемой выборке регионов в среднем для
наиболее развитых по данному показателю регионов индикатор был в два раза
выше, чем в наименее развитых.
Средние доходы в домохозяйствах распределены почти настолько же
асимметрично, как зарплаты (за 2016 г. – 2,08). Это объясняется тем, что в
регионах частнопредпринимательская деятельность, самозанятость и частная
44
практика развиты не столь равномерно, как регулируемые государством
отношения по распределению заработной платы.
Среднемесячная начисленная заработная плата (индикатор 3). Несмотря на
то что этот показатель в большей степени привлекает внимание статистиков как
менее достоверный, особенно в случае с высокой долей совместителей и
трудовых мигрантов из соседних регионов, его значения куда более равномерно
распределены, чем значения предыдущего показателя.
Коэффициент вариации для этого показателя за рассматриваемый период
составил 44% (весьма сильная вариация и неоднородность совокупности, но
значительно ниже, чем по индикатору ВРП), причём в последние годы
наблюдается
сокращение
дисперсии
(следственно,
это
вызывает
рост
эффективности оценки параметра).
Коэффициент разброса здесь также ниже, чем в случае предыдущего
показателя, причём его значение на 2016 г. равно 4,2, что говорит об усилении
характеристики данного значения как центра масс для индикатора.
Децильный коэффициент здесь ещё более низок, за рассмотренный
временной ряд он имеет среднее значение, равное 2,7, наблюдается достаточно
выраженная положительная динамика, что свидетельствует об определённом
усилении региональной поляризации.
Асимметрия по распределению данного признака также правосторонняя
(это выявил положительный коэффициент), что характерно практически для всех
распределений,
связанных
с
экономическим
и
финансовым
секторами
деятельности. Коэффициент асимметрии равен 2,08.
Изучим вопрос применимости факторного анализа по данной модели. Для
начала построим вспомогательную таблицу – корреляционную матрицу трёх
переменных (валовой региональный продукт, среднедушевой располагаемый
доход, среднемесячная начисленная зарплата). В случае наличия высокой
корреляции переменных можно будет поставить вопрос об их перегруппировке в
некоррелирующие факторы. Этот этап является предваряющим для процедуры
45
снижения размерности имеющейся модели. Результаты корреляционного анализа
представлены в таблице 4.
Таблица 4 – Корреляционная матрица индикаторов в модели «ФБК»
Корреляции
ВРП
ВРП
Корреляция Пирсона
Доход
,801**
,738**
,000
,000
83
83
83
Корреляция Пирсона
,801**
1
,919**
Знач. (двухсторонняя)
,000
1
Знач. (двухсторонняя)
N
Доход
N
Зарплата
Зарплата
,000
83
83
83
Корреляция Пирсона
,738**
,919**
1
Знач. (двухсторонняя)
,000
,000
83
83
N
83
**. Корреляция значима на уровне 0,01 (двухсторонняя).
Источник: авторская разработка
Поскольку переменные коррелируют, то проверим соответствие данных на
возможность проведения факторного анализа. Критерии качества представлены в
таблице 5.
Таблица 5 – Критерии качества для факторного анализа модели «ФБК»
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
Значимость
,699
231,902
3
,000
Источник: авторская разработка
Мера Кайзера-Майера-Олкина больше 0,5, а значение теста сферичности
Бартлетта меньше 0,05, что свидетельствует о возможности применения
процедуры факторного анализа над имеющимися данными.
Как и в случае предыдущей модели, для применения факторного анализа
мы применим метод главных компонент без вращения. В результате был выделен
один главный компонент, который имеет очень высокие коэффициенты нагрузки
(около 0,9) с исходными переменными. Модель объясняет 88% совокупной
дисперсии. Наиболее сильно (с коэффициентом корреляции
R=0,969) с
46
выделенным фактором коррелирует показатель среднемесячного душевого
дохода. По этой причине в дальнейшем моделировании можно использовать
именно его.
Обобщая вышесказанное, отметим, что данная модель является достаточно
простой и удобной в плане построения. Она не требует каких-либо сложных
статистических процедур, имеет одинаковый порядок величин, относящихся к
одинаковому классу. Однако, как и в предыдущей модели, её многомерность
чрезмерна. Как показало дальнейшее изучение модели, мы можем сократить
размерность без значительной потери дисперсии. В зависимости от целей анализа,
можно остановить выбор на каком-либо одном индикаторе – например, на
среднемесячных денежных доходах домохозяйств.
2.3 Социальные аспекты регионального экономического развития: модель
В.И. Тихого
Вышеизложенные модели (Смагина и компании «ФБК») анализировали
особенности, связанные с хозяйственной деятельностью в регионе и его
инфраструктурой (первая модель) и удельных показателей финансового характера
(модель компании «ФБК»).
При
информативности
статистическое
качество
многомерность
была
–
явно
моделей
в
каждой
излишней,
однозначной
из
них
показатели
проблемой
стало
предложенная
между
собой
их
авторами
сильно
коррелировали, а процедура факторного анализа свела трёх- и даже семимерную
модель к одномерной без значительной потери дисперсии. Это свидетельствует
как о низкой информативной силе моделей, так и о проблемах с дальнейшим
анализом, проводимым на них, и построенных рейтингах. Так, результаты,
показанные моделью компании «ФБК», по своей сути мало чем отличались от
ранжирования регионов по зарплате, а для получения результатов, данных
47
моделью Смагина, можно обратиться к такому показателю, как уровень
урбанизации.
Существует ещё один важный нюанс: эти модели не показывают уровень
социального развития региона. Без этого аспекта анализ и рейтинги будут явно
неполными. Поэтому необходимо провести дальнейшее расширение системы
изучаемых
показателей
и
ввести
переменные
с
дополнительными
характеристиками в рассматриваемые модели. В то же время модель должна
включать в себя информацию, которую мы рассмотрели ранее, а именно –
освоенность регионов и финансовые результаты деятельности.
Разносторонний и комплексный подход к оценке региона является важным
при поиске возможностей устойчивого развития. Достижение устойчивого
развития означает стабильное социальное, экономическое и экологическое
развитие территории.
Одними из важнейших аспектов устойчивого развития территории являются
уровень
жизни
населения
и
региональной
освоенности.
Как
показала
рассмотренная выше модель Смагина, они могут быть измерены одним фактором
– уровнем урбанизации. Поэтому в качестве первого критерия будет взято число
городского населения в регионе. В динамике этот показатель отвечает за
демографический
и
структурно-хозяйственный
компонент
в
рамках
рассматриваемой модели.
Для изучения социальной сферы выбран такой показатель, как численность
больничных коек на 10000 человек. Он является в значительной степени
репрезентативным и служит в модели одним из показателей статистики
здравоохранения. Также этот признак важен для статистики труда. С помощью
этого относительного показателя также можно сделать выводы о необходимости
перспективного расширения больниц. Особенно интересно то, что по всем
федеральным округам динамика показателя была отрицательна. Это мало связано
с процессом расширения населения, поскольку процесс касается даже столичных
городов.
48
Преодоление проблем социального характера зависит от качества жизни
населения. Его можно определить результативным финансовым показателем –
например, валовым региональным продуктом на душу населения, средней
заработной платой или среднедушевыми доходами домохозяйств. Поскольку в
модели «ФБК» была выявлен наибольший вклад в общую дисперсию такого
показателя как среднедушевые доходы, то именно его мы отберём для
дальнейшего рассмотрения. Помимо зарплатных доходов (показателя, к расчёту
которого у статистиков имеются вопросы), этот индикатор также учитывает
предпринимательскую деятельность или частную практику, являясь более
полным.
От
состояния
социальной
сферы
в
весомой
степени
зависимы
демографические процессы. Поэтому выделим ещё один индикатор, связанный с
уровнем воспроизводства рабочей силы, – численность детей в дошкольных
организациях. Он не только служит базой для прогноза будущей рабочей силы, но
и отображает особенности нынешней рабочей силы: так, родители отправляют
детей в дошкольные учреждения преимущественно если работают сами; в случае
если их доход позволяет этого не делать, то детей воспитывает либо один из
родителей, либо дополнительный персонал, что создаёт рабочие места. В отличие
от этого, школу обязаны посещать все дети. Так что можно утверждать, что
выбранный показатель более информативен. Следуя логике исследования,
возьмём
относительный
показатель
–
обеспеченность
детей
местами
в
дошкольных учреждениях (количество мест на 1000 детей).
Продолжая анализ, необходимо отметить значимость такого показателя, как
численность предприятий и организаций в регионе. Различные фирмы, во-первых,
выполняют свою основную цель, удовлетворяя общественные потребности в том
или ином виде услуг, во-вторых, они формируют большинство доходов населения
региона (как показано выше, в регионах России доходы формируются
преимущественно из зарплат). Отдельно следует упомянуть роль малого бизнеса
и необходимость его стимулирования. Таким образом, рассматриваемый
49
индикатор характеризует аспект производственных отношений, складывающихся
в регионах.
Завершая выбор признаков для модели, вернёмся к производственной
сфере. Характеризовать степень региональной хозяйственной деятельности может
показатель объёма продукции. Поскольку регионы имеют разные отрасли
специализации, то объём продукции взят в денежном выражении. Этот показатель
характеризует уровень развития сельского хозяйства, промышленности и
третичного сектора региона. Для избежания проблемы двойного счёта в качестве
основного выбран показатель валового регионального продукта.
Мы описали рассуждения, которые провели В.И. Тихий и И.Н. Сидорова
при построении модели территориального социально-экономического развития.
Изначально модель строилась авторами для оценки сельских территорий, поэтому
в данной работе мы её несколько модифицировали с учётом данных, полученных
при анализе моделей Смагина и компании «ФБК». Обобщая вышесказанное,
представим шесть переменных, которые являются исходными для многомерной
региональной классификации.
1) X1 – численность городского населения;
2) X2 – численность коек в медицинских организациях на 10000 человек;
3) X3 – обеспеченность детей местами в дошкольных образовательных
организациях на 1000 детей;
4) X4 – среднедушевые денежные доходы домохозяйств;
5) X5 – валовой региональный продукт;
6) X6 – численность предприятий и организаций в регионе.
Статистические данные по данным показателям взяты из сборника
«Регионы России»; в процессе анализа данные были унифицированы. Важнейшим
критерием выбора индикатора являлось отношение к обеспечению наилучших
условий жизнедеятельности общества и создания базы для устойчивого развития
региона.
50
Для дальнейшей работы проверим, можно ли к исходным данным
применить процедуру факторного анализа. Воспользуемся данными теста
Кайзера-Майера-Олкина и меры сферичности Бартлетта, представленными в
таблице 6.
Таблица 6 – Критерии качества для факторного анализа модели В.И. Тихого
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
,693
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
465,216
15
Значимость
,000
Источник: авторская разработка
Оптимальное
значение
меры
адекватности
Кайзера-Майера-Олкина
(0,693>0,5) и теста Бартлетта (0,000<0,05) свидетельствуют о возможности
дальнейшего применения факторного анализа и последующей размерности.
Выделим факторы методом главных компонент без применения вращения
матрицы главных компонентов. Представим собственные значения факторов в
таблице 7.
Таблица 7 – Собственные значения факторов модели В.И. Тихого
Начальные собственные значения
Компонент
Всего
% дисперсии
Суммарный %
1
3,128
52,130
52,130
2
1,734
28,897
81,027
3
,534
8,904
89,931
4
,504
8,396
98,327
5
,075
1,244
99,571
6
,026
,429
100,000
Источник: авторская разработка
Для оценки количества компонентов обратимся к критерию Кайзера и
методу каменистой осыпи. Согласно критерию Кайзера, при переходе от
факторов к главным компонентам необходимо отобрать компоненты с таким
значением, собственные значения которых больше единицы. Этому критерию
удовлетворяют два главных компонента, которые объясняют 81% общей
дисперсии, что является достаточно высоким показателем. Для анализа факторов
51
по методу каменистой осыпи необходимо построить график собственных
значений факторов. Представим его на рисунке 2.
Рисунок 2 – График каменистой осыпи для модели В.И. Тихого
Снижение графика замедляется с третьего компонента. Можно утверждать,
что для построения модели можно взять два фактора, в то время как остальные
факторы являются осыпью и вносят незначительный вклад в общую дисперсию.
В таблице 8 отобразим матрицу компонентов факторных нагрузок.
Таблица 8 – Матрица компонентов факторных нагрузок модели В.И. Тихого
Компонент
1
2
X1
,959
-,034
X2
-,306
,755
X3
-,110
,829
X4
,433
,689
X5
,980
,046
X6
,977
,011
Источник: авторская разработка
52
Предпринятая двухкомпонентная модель факторного анализа может быть
интерпретирована графически. Представим график исходных переменных в осях
факторов главных компонент на рисунке 3.
Рисунок 3 – Диаграмма переменных в координатах главных компонентов
Из графика видно, что метки переменных X1, X5 и X6 располагаются в
положительной плоскости первого главного компонента, а метки переменных X2,
X3 и X4 – в положительной плоскости второго главного компонента. Это
означает, что первый главный компонент на своём положительном полюсе
нагружен такими переменными, как число городского населения, валовой
региональный продукт и число организаций. Второй главный компонент, в свою
очередь, нагружен на положительном полюсе переменными, характеризующими
число коек, обеспеченность детей дошкольного возраста образовательными
учреждениями и среднедушевые доходы домохозяйств.
53
Можно сказать, что первый компонент оценивает преимущественно
хозяйственный потенциал региональной освоенности (городское население как
центр системы региональных трудовых отношений, валовой региональный
продукт и число организаций), а второй – социальный аспект (обеспеченность
населения медицинскими и образовательными услугами). Отдельно хочется
отметить роль индикатора среднедушевых доходов – в определённой мере он
является переходным, так как вносит вклад в оба компонента, однако он
коррелирует в большей степени с «социальным» фактором (R=0,689), чем с
«экономическим»
(R=0,433).
Соответственно,
по
оси
второго
главного
компонента он будет лежать близко к окружности радиусом 0,707 (0,707 2=0,5;
критерий сильной корреляции), по оси первого главного компонента он будет
находиться внутри круга, что демонстрирует значительно более слабую
корреляцию. Любопытно, что показатель среднедушевых доходов оказался
несколько ближе к «социальному» компоненту, чем к «экономическому».
Интересно также, что «экономические» и «социальные» факторы не имеют
значимой корреляции, даже имеется определённая отрицательная тенденция. Так,
например, Чукотский автономный округ, занимавший последние места в
экономических моделях региональной освоенности, показал крайне высокие
значения по социальным критериям в рамках избранной модели. Так, это
единственный регион в стране, для которого наблюдалось превышение мест в
детских садах над числом детей. Отдельно отметим, что вращение матрицы
главных
компонентов
по
методу
«варимакс»,
призванное
увеличить
контрастность, значительного влияния на конечное распределение факторных
нагрузок не оказало. Поэтому принимаем исходную матрицу без вращения.
На основании полученных данных попробуем провести типологизацию
регионов. Для этого применим процедуру кластерного анализа. Он позволяет
выделить группы регионов по объективным критериям, действующим вне
зависимости от субъективного мнения исследователя. В рамках осуществления
процедуры кластерного анализа сначала мы выполним иерархический кластерный
анализ, с помощью которого выделим оптимальное число кластеров. В
54
дальнейшем, для подтверждения гипотезы иерархического кластерного анализа
выполним типологизацию регионов итерационным кластерным анализом по
методу k-средних по схеме Уорда на квадратах евклидовых расстояний, что
призвано повысить контрастность выделения кластеров. Отношение совпадений и
несовпадений позволит изучить устойчивость решения для многомерной
типологизации регионов.
В качестве подготовительного этапа построим диаграмму рассеяния
регионов в координатах главных компонентов. Представим её на рисунке 4.
Рисунок 4 – Диаграмма рассеяния регионов в координатах главных компонентов
Мы
видим,
что
основное
большинство
региональных
меток
концентрируется чуть левее начала координат, при этом метки распределены по
второму («социальному») компоненту несколько более равномерно, чем по
первому
(«экономическому»)
компоненту.
Интересно,
что
регион
с
55
максимальным
«экономическим»
компонентом
(Москва),
являющийся
статистическим выбросом, по «социальной» компоненте не показал выдающихся
результатов. Более сильная вариация признаков по социальному фактору
подтверждается и математически. По социальному аспекту регионами-лидерами
являются такие субъекты федерации, как Чукотский автономный округ и
Магаданская область, а регионами-аутсайдерами – республики Северного Кавказа
(Ингушетия, Чеченская республика, Дагестан).
Для
осуществления
типологизации
регионов
проведём
процедуру
кластерного анализа иерархическим методом на главных факторах F1, F2. В
качестве метода выберем схему Уорда на квадратах евклидовых расстояний
между кластерами, что повышает контрастность кластерной структуры. Для
определения количества кластеров построим график протокола объединения и
представим его на рисунке 5.
Диаграмма расст. объединения по шагам
Квадрат евклидова расстояния
140
120
Расстояние объединения
100
80
60
40
20
0
-20
0
8
16
24
32
40
48
56
64
72
80
Расст.
объедин.
Шаг
Рисунок 5 – Диаграмма протокола объединения кластеров по шагам
56
Мы видим, что значительный скачок произошёл на 81 шаге, из чего следует,
что по протоколу объединения следует выделить 2 кластера (83-81). Анализ
дендрограммы показывает, что в таком случае первый кластер включает в себя
только Москву, а второй – все оставшиеся регионы России. Такая структура явно
недостаточна, поскольку учитывает только статистический выброс (Москву).
Поэтому проверим ещё несколько последовательных кластерных решений.
Трёхкластерное решение выделяет первым кластером Москву. Во втором
кластере содержатся следующие субъекты федерации: Камчатский край,
Сахалинская область, Ненецкий АО, Магаданская область, республика Коми,
Мурманская область, Еврейская АО, Ямало-Ненецкий АО, Чукотский АО (9
субъектов). Третий кластер содержит все остальные субъекты федерации. Второй
кластер может быть адекватно интерпретирован как совокупность регионов с
наибольшим значением второго главного компонента («социального»).
При переходе к четырёхкластерному решению из самого крупного кластера
выделяются всего три региона – республики Дагестан, Ингушетия и Чеченская.
Выделение также прошло по второму компоненту (социальному), но уже
выделены регионы, формирующие его отрицательный полюс. Однако выделение
всего трёх регионов (из 83) при дальнейшей кластеризации свидетельствует о
неустойчивости четырёхкластерного решения и адекватности трёхкластерного.
С целью контроля рассмотрим также пятикластерное решение. Первые три
кластера остаются неизменными, а из самого большого кластера выделяется
группа из двенадцати субъектов: Московская область, Санкт-Петербург,
Свердловская область, Ханты-Мансийский АО, Краснодарский край, Татарстан,
Ростовская область, Башкортостан, Самарская область, Челябинская область,
Красноярский край, Новосибирская область. Этот кластер тоже достаточно ясно
интерпретируем, поскольку включает в себя регионы с наибольшим значением
«экономического» компонента с определёнными исключениями. Так, ЯНАО не
входит в этот кластер в силу своего высокого значения «социальной»
компоненты; также в этот кластер не попала Нижегородская область, имеющая
57
большее значение «экономического» фактора, чем Новосибирская область и
Красноярский край, попавший в этот кластер.
При переходе к шестикластерному решению самый крупный кластер
(кластер центральной тенденции) разделяется примерно поровну по достаточно
разнородным регионам. В связи с этим дальнейшее дробление кластерной
структуры проводить не будем.
Обобщая вышесказанное, отметим, что у нас получились два потенциально
адекватных решения: трёхкластерное и пятикластерное (четырёхкластерное далее
не рассматриваем в силу его неустойчивости, вызванной случайной помехой).
Проверим их устойчивость с помощью итерационного кластерного анализа
методом k-средних (рассмотрим два случая для k=3 и k=5).
Для случая k=3 первый кластер включает в себя только Москву. Второй
кластер
включает
следующие
субъекты
федерации:
республика
Коми,
Архангельская область, Ненецкий АО, Мурманская область, Ямало-Ненецкий
АО, Камчатский край, Магаданская область, Сахалинская область, Еврейская АО,
Чукотский АО. К третьему кластеру относятся все остальные регионы. Таким
образом, несовпадение наблюдалось только для одного случая (из 83 субъектов),
что ещё раз свидетельствует о высокой устойчивости трёхкластерного решения.
Рассмотрим случай k=5. Москва формирует отдельный кластер. Второй
кластер формируют девять субъектов: республика Коми, Ненецкий АО,
Мурманская область, Ямало-Ненецкий АО, Камчатский край, Магаданская,
Сахалинская области, Еврейская АО, Чукотский АО. Этот кластер полностью
соответствует
кластеру
положительного
полюса
второго
(«социального»)
главного компонента, выявленного при иерархическом кластерном анализе.
Третий кластер включает в себя семь субъектов федерации: Московская область,
Санкт-Петербург, Краснодарский край, Татарстан, Нижегородская область,
Свердловская область, Ханты-Мансийский АО. Этот кластер в определённой мере
повторяет кластер иерархического анализа, соответствующий группе регионов с
высоким значением первого («экономического») компонента. Интересно, что
итерационный кластерный анализ, в отличие от иерархического, выделил в этот
58
кластер Нижегородскую область, но не включил Самарскую, Челябинскую,
Ростовскую области и Башкортостан, значение первого компонента в которых
выше. Четвёртый кластер итерационного анализа включает четыре региона:
Дагестан, Ингушетию, Чеченскую и Карачаевско-Черкесскую республику. Этот
кластер
(за
исключением
иерархического
анализа,
Карачаево-Черкессии)
соответствующий
повторяет
регионам,
кластер
находящимся
на
отрицательном полюсе второго («социального») главного компонента. Пятый
кластер итерационного кластерного анализа включает в себя оставшиеся 62
субъекта федерации и является кластером общей тенденции.
Таким образом, пятикластерное решение показало меньшую устойчивость
(несовпадения выявлены уже для восьми регионов из 83, т.е. для почти 10%
совокупности). Если в трёхкластерном решении мы выделяли кластеры на уровне
99%-го сходства решений, то в пятикластерном решении уровень сходства
составил 90%. Безусловно, выбор того или иного решения зависит от целей и
задач исследования. Принимая во внимание неустойчивость четырёхкластерного
решения, протокол объединения кластеров, а также результаты итерационного
кластерного
анализа,
мы
принимаем
в
качестве
основных
результаты
трёхкластерного решения иерархического кластерного анализа по методу Уорда
на квадратах евклидовых расстояний. Эти особенности позволяют даже при
достаточно грубом выделении кластеров дать определённые рекомендации по
трём имеющимся кластерам.
Так, Москве, формирующей отдельный кластер и являющейся безусловным
лидером по экономическим показателям модели, необходимо обратить большее
внимание на социальные вопросы, в частности, обеспеченности больничными
местами и образовательными учреждениями. Регионы второго кластера имеют
лидирующие показатели по социальной обеспеченности, поэтому наиболее
важной для них будет экономическая политика (например, поощрение форм
малого
бизнеса
и
частнопредпринимательской
деятельности).
Регионам
центральной тенденции необходимо в равной мере развивать как социальную, так
и экономическую политику, при этом Северному Кавказу необходимо уделить
59
особое внимание социальной освоенности регионов и доступа населения к
медицинским и образовательным услугам.
После изучения региональных классификаций по трём изученным моделям
мы можем сделать ряд выводов.
Во-первых, достаточно часто оказывается, что предложенная авторами
модель подхода к многомерной классификации содержит избыточное число
переменных, которые при методах сокращения размерности (факторном анализе)
дают один фактор. В силу этого построенные на данных моделях классификации
и рейтинги регионов будут иметь не большую значимость, чем ранжирование
регионов по этому одному показателю. Так, например, модель Смагина при более
глубоком анализе позволиляет перейти от семи переменных к одному фактору, то
есть работа по обработке остальных шести переменных оказывается явно
излишней и не дающей значительного улучшения модели. Второй проблемой
таких
моделей
является
невозможность
дальнейшей
с
ней
работы
и
осуществления типологизации регионов, поскольку модель по своей сути
является одномерной. Существует ряд опубликованных работ, в которых авторы
пытаются строить на данных моделях регрессии, не оптимизировав изначально
саму модель.
Во-вторых, в то время как экономические показатели коррелируют между
собой в очень сильной степени (вплоть до почти единичного коэффициента
Пирсона), показатели социального развития менее взаимосвязаны и, что ещё
более важно, в куда меньшей степени связаны с показателями экономическими.
Мы видели, как безусловные лидеры экономического развития показывали весьма
скромные характеристики по социальным показателям модели, а аутсайдеры в
экономической региональной освоенности оказывались на лидирующих местах по
социальным критериям модели. Это явно свидетельствует о несбалансированном
развитии регионов и о проблеме трансформации экономического благосостояния
в доступ к социальным благам. Как следствие, высокий уровень экономического
развития региона, вопреки обычной логике, не является сигналом его высокого
социального развития (здравоохранения и образования, в рамках выбранных
60
индикаторов). Причём тенденция как для здравоохранения, так и для образования
была общей.
В-третьих, несмотря на крайне разнородные и полярные характеристики
регионов
России,
их
совокупность
обладает
весьма
устойчивыми
характеристиками. Мы это обнаружили как во временном аспекте, когда
тестировали
модели
на
разных
временных
промежутках,
так
и
в
пространственном, когда выделяли в рамках моделей кластеры регионов.
Заслуживает внимания, что при росте зарплат и ВРП показатели социального
развития имели в ряде случаев противоположную (отрицательную) динамику, при
этом расслоение по социальным критериям было более значимым, чем по
экономическим. При типологизации регионов методами кластерного анализа
были получены достаточно устойчивые решения, которые выделяли в отдельные
кластеры некоторое количество регионов с экстремальными значениями при
одном большом кластере центральной тенденции. Поэтому также можно сделать
вывод, что улучшение положения большего числа регионов может быть
осуществлено по схожему сценарию проведения региональной политики,
основные векторы которой могут быть определены с помощью предложенных
моделей.
В дальнейшем мы проанализируем модель инклюзивного развития,
предложенную экспертами экономического форума в Давосе, и рассмотрим
вопрос её применения в рамках региональной экономики.
61
3 СОВЕРШЕНСТВОВАНИЕ МНОГОМЕРНЫХ МОДЕЛЕЙ ОЦЕНКИ
ЭКОНОМИЧЕСКОГО ПОЛОЖЕНИЯ РЕГИОНОВ
3.1 Современные тенденции при подходе к построению моделей
территориальной освоенности. Построение индекса инклюзивного развития
регионов
В настоящее время всё больше крупных международных экспертов по
экономическим наукам утверждают, что при оценке экономического развития уже
недостаточно ориентироваться только на показатель валового продукта. Отметим,
что сам показатель валового продукта был разработан в 1930-е годы Саймоном
Кузнецом для оценки уровня национального развития. В дальнейшем были
составлены аналогичные по методологии агрегаты для национального дохода,
которые легли в основу первой и второй редакции Системы национальных счетов
(1945 и 1968 гг.). Третья и ныне действующая четвёртая редакция СНС (1993 и
2008 гг.) оперируют понятием валового внутреннего продукта. Четвёртая
редакция СНС раскрывает ВВП через концепцию добавленной стоимости всех
резидентов-производителей в основных ценах плюс часть налогов на продукты и
за вычетом субсидий на продукты, которая не включена в оценку выпуска.
Примечательно, что валовой национальный доход в данной системе имеет
концептуально иной подход – он является концептом дохода, а не добавленной
стоимости.
Отдельно СНС упоминает, что, несмотря на частую интерпретацию ВВП
как уровня национального благосостояния, сама СНС такую интерпретацию не
делает – и, более того, отдельные аспекты производства (особенно услуг) в этот
агрегат включить нельзя, что вызывает систематические искажения.
Наиболее важный вопрос, стоящий перед нами в данном исследовании, –
насколько возможно сохранение методологической целостности при переходе от
макроэкономического анализа к анализу региональному? В пользу такого
перехода говорит наличие индикатора валового регионального продукта,
рассчитывающегося преимущественно производственным методом. Однако
62
сумма валовых региональных продуктов не равна валовому внутреннему
продукту. Это связано с наличием добавленной стоимости, производимой
государством для всего общества в целом (оборона, госаппарат). Тем не менее,
сам переход оказался не только концептуально выполнимым, но и достаточно
успешно реализуемым на практике. Ещё необходимо упомянуть, что, в силу
комплексности
понятия
региона,
анализ
может
быть
не
только
внутригосударственным (например, регионы России), но и надгосударственным
(Европейский регион). Признавая неустранимые и объективные систематические
искажения, мы допускаем переход к качественно иной единице анализа и
попытаемся осуществить перевод методики макроэкономического анализа в
максимально адекватную и соответствующую исходной модель для анализа
регионов внутри страны.
В январе 2018 г. на Международном экономическом форуме в Давосе было
сделано важное заявление. Суть его сводилась к тому, что фокусирование на
показателе валового продукта приводит к росту неравенства и краткосрочным
решениям (short-termism). В связи с десятилетиями приоритета экономического
роста над социальной справедливостью были вызваны усиление неравенства по
богатству
и
Предложенный
доходам
и
учёными
потеря
Форума
благотворного
новый
круга
показатель
(virtuous
называется
circle).
Индекс
инклюзивного развития (Inclusive development index). Проблема валового
продукта заключается в том, что он измеряет текущее количество произведённых
благ и услуг, а не степень, в которой это способствует расширению социальноэкономического прогресса и улучшению качества жизни.
Индекс инклюзивного развития – это агрегат, в который входят
одиннадцать признаков помимо валового продукта (всего 12). Он включает в себя
три группы показателей (рост и развитие, инклюзивность, преемственность
поколений и устойчивость
развития).
представлен следующими переменными:
I.
Рост и развитие
В оригинальном
виде
показатель
63
1) ВВП на душу населения в постоянных ценах (денежные единицы);
2) Производительность труда – ВВП на одного работника (денежные
единицы);
3) Ожидаемая продолжительность здоровой жизни (годы);
4) Занятость населения (проценты).
II.
Инклюзивность
1) Коэффициент расслоения общества по чистому доходу (Джини);
2) Уровень бедности (проценты);
3) Коэффициент расслоения общества по богатству (Джини);
4) Медианный доход (денежные единицы).
III.
Преемственность поколений и устойчивость развития
1) Скорректированные чистые сбережения (сбережения с учётом вложений в
человеческий капитал и истощения ресурсов, в процентах от ВНД);
2) Парниковая интенсивность ВВП (килотонны выбросов углекислого газа на
денежные единицы);
3) Государственный долг (проценты от ВВП);
4) Коэффициент демографической нагрузки (проценты), т.е. соотношение
иждивенцев (людей моложе 15 и старше 64 лет) к трудоспособному
населению.
Каждый показатель переводится в шкалу от 1 до 7, из них складываются
групповые
индексы,
из
которых
итоговый
получается
как
среднее
арифметическое.
Необходимо отметить, что идея перехода от валового продукта к
многомерному композитному агрегату не нова, её реализовал один из авторов
Индекса человеческого развития Амартия Сен. Однако они не ставили
актуальность этого вопроса для регионального анализа. Разработка подобного
индекса для изучения регионов является в определённой мере новой задачей.
Важно отметить, что сложный индекс (типа индекса инклюзивного развития) и
валовой продукт имеют разные задачи. Так, важно понимать необходимость
64
смены курса, так как растущее неравенство и отсутствие заботы о будущих
поколениях не сулят ничего хорошего в долгосрочной перспективе. Новый индекс
нужен для того, чтобы показать обманчивость успеха, измеряемого только по
экономической и производственной мощи территории.
В известной мере этот тезис получил своё подтверждение в практическом
смысле на модели, рассматривающей экономическое и социальное положение
регионов.
Обратимся к набору исходных переменных и посмотрим, как мы сможем
интерпретировать их в региональном анализе.
ВВП на душу населения, безусловно, заменяется валовым региональным
продуктом на душу населения. ВВП на одного работника – соотношение валового
регионального продукта к числу занятых. Ожидаемая продолжительность жизни в
регионах и занятость населения также представлены в статистических сборниках
по регионам. При расчёте уровня занятости мы возьмём показатель, который в
отечественной статистической науке называется уровнем участия в рабочей силе
(отношение рабочей силы к лицам трудоспособного возраста). Таким образом,
показатели роста и развития практически полностью нашли своё отображение в
данных по региональному анализу.
Обратимся к показателям инклюзивности. Коэффициент расслоения
общества по доходам (по методологии Джини), медианный доход и численность
населения
с
доходами
ниже
прожиточного
минимума
публикуются
в
статистических сборниках «Неравенство и бедность». Отдельно отметим
методологическое разночтение: если по расчётам авторов индекса иклюзивного
развития
(ИИР)
бедными
считаются
люди,
получающие
доход
после
налогообложения ниже медианного (в развитых странах) или менее чем $3,20 в
день (в ценах 2011 г.) для развивающихся стран. В России же подсчёт уровня
бедности исходит из прожиточного минимума, который разнится от региона к
региону. Отдельно отметим показатель неравенства распределения богатства.
Этот показатель рассчитывается и публикуется только для макроуровня
организацией Credit Suisse. Он представляет собой сумму финансового и
65
нефинансового богатства населения за вычетом долгов. По данному показателю
рассчитывается
распределение
и
коэффициент
концентрации.
В
России
рассчитываются показатели распределения ресурсов, но они составляются
единым массивом для территории России. Также отметим, что в России стоит
остарая проблема теневых доходов. По этой причине мы предлагаем заменить
показатель неравенства в распределении богатства процентом легальных
(учтённых) доходов (доходы в регионе за вычетом серых зарплат), которые
можно рассчитать по представленным Росстатом статистическим данным.
Дополнительно ещё скажем, что отчёт Credit Suisse был подвергнут критике
отечественными экономистами по причине некорректных и ошибочных данных
(недостаточной и заниженной оценке имущества жителей России). Авторы Credit
Suisse разрабатывают свой показатель с 2012 г., при этом они не публикуют
методологию исследования, а их данные расходятся с официальной российской
статистикой, причём иногда в достаточно значительной степени. В силу
упомянутых факторов отказ от вышепредставленного показателя обосновывается
ещё более убедительно.
Изучим
показатели
демографической
нагрузки
третьей
группы.
представлены
Расчёты
в
по
коэффициентам
российских
статистических
сборниках. Вместо отношения государственного долга к ВВП мы можем взять
соотношение кредитной задолженности (суммарно по валютным и рублёвым
кредитам физическим и юридическим лицам) к валовому региональному
продукту. Выбросы парниковых газов (углекислого газа) по регионам России
отдельно не рассчитываются, однако можно сделать их оценку на основании
данных по выбросу оксида углерода по стационарным источникам и удельному
весу, который занимают выбросы газов от стационарных источников в субъектах
федерации. Скорректированные чистые сбережения будем рассчитывать на
основе сбережений населения за прибавлением расходов на образование
(рассчитанных в соответствии с Классификатором индивидуального потребления
домашних хозяйств по целям) и за вычетом совокупных затрат на мероприятия по
охране окружающей среды.
66
Обобщая вышесказанное, предложим следующие переменные для индекса
инклюзивного развития регионов:
I.
Рост и развитие
1) ВРП на душу населения (рубли), показатель 1.1;
2) Производительность труда – ВРП на одного работника (рубли), показатель
1.2;
3) Ожидаемая продолжительность жизни (годы), показатель 1.3;
4) Уровень участия в рабочей силе (проценты), показатель 1.4.
II.
Инклюзивность
1) Коэффициент расслоения общества по доходам (Джини), показатель 2.1;
2) Уровень бедности (проценты), показатель 2.2;
3) Уровень учтённых доходов (проценты), показатель 2.3;
4) Медианный среднемесячный доход (рубли), показатель 2.4.
III.
Преемственность поколений и устойчивость развития
1) Скорректированные сбережения (проценты от ВРП), показатель 3.1;
2) Парниковая интенсивность ВРП (килотонны углекислого газа на миллиард
рублей), показатель 3.2;
3) Отношение кредитной задолженности к ВРП (проценты), показатель 3.3;
4) Коэффициент демографической нагрузки, показатель 3.4.
По методологии авторов каждый показатель переводится в балльную
оценку по семибалльной шкале. Однако мы несколько модифицируем модель,
представив уравнения для перевода значений индикаторов в более привычную
пятибалльную шкалу. В случае индикатора, имеющего сонаправленный характер
изменения с уровнем благосостояния, формула примет вид (5):
 =4×
(−)
(max − )
+ 1,
где R – оценка региона по индикатору,
X –значение признака для отдельного региона (варианта),
max – максимальное значение индикатора в совокупности,
min – минимальное значение индикатора в совокупности.
(5)
67
В случае противоположно направленного изменения (чем выше значение
индикатора, тем ниже общественное благосостояние в регионе) формула
изменяется так (6):
 =4×
(−)
(max − )
+ 1,
(6)
где R – оценка региона по индикатору,
X –значение признака для отдельного региона (варианта),
max – максимальное значение индикатора в совокупности,
min – минимальное значение индикатора в совокупности.
В рамках этой методики регион с минимальным значением индикатора
получает 1 балл, с максимальным – 5 баллов. Это позволяет избежать ситуации,
когда ни у одного региона нет максимального значения.
По каждой переменной из набора рассчитывается оценка. По каждому из
трёх разделов рассчитывается среднее арифметическое значение. Итоговым
значением индекса является оценка, равная среднему арифметическому каждого
из трёх индексов (роста и развития, инклюзивности и преемственности поколений
и устойчивости развития).
Далее мы проведём анализ этой модели, построенному по ней рейтингу
регионов и сравним его с предыдущими моделями.
3.2 Анализ качества индекса инклюзивного развития. Особенности и
различия региональных рейтингов
С целью анализа качества модели рассмотрим, соответствует ли она
критериям качества факторного анализа. Для этого представим в таблицах 9, 10 и
11 результаты анализа меры Кайзера-Майера-Олкина и теста Бартлетта для
полученных трёх наборов переменных.
Отдельно отметим, что проводить три теста мы будем с целью выявления
потенциальной чрезмерности данных, изучения возможностей для дальнейшего
совершенствования модели (в частности, через процедуру факторного анализа), а
также анализа качества построенной модели.
68
Таблица 9 – Критерии качества переменных группы «Рост и развитие»
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
,438
475,100
6
Значимость
,000
Источник: авторская разработка
Мера адекватности выборки меньше 0,5, что говорит о том, что для анализа
данной группы переменных факторный анализ использовать нельзя.
Таблица 10 – Критерии качества переменных группы «Инклюзивность»
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
,429
130,040
6
Значимость
,000
Источник: авторская разработка
По второй группе переменных получились аналогичные результаты.
Значение статистики Кайзера-Майера-Олкина оказалось меньше критического
(0,5), в силу чего мы не применяем процедуру факторного анализа.
Таблица 11 – Критерии качества переменных группы «Преемственность
поколений»
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
Значимость
,543
46,654
6
,000
Источник: авторская разработка
Третья группа переменных показала значение меры Кайзера-МайераОлкина в незначительной степени большее, чем критическое. Это позволяет
говорить о применении процедуры факторного анализа, однако мы от неё
откажемся в силу незначительного отклонения, которое в не столь высокой
69
степени превышает критическое значение, а также в силу единственности этой
группы.
Отдельно (для качественного анализа) рассмотрим факторный анализ,
проведённый
на
всех
двенадцати
переменных
модели.
Результаты
его
представлены в нижеследующих таблицах (12-14).
Таблица 12 – Критерии качества всех двенадцати переменных
KMO и критерий Бартлетта
Мера адекватности выборки Кайзера-Майера-Олкина
,673
(КМО).
Критерий сферичности
Примерная Хи-квадрат
Бартлетта
Степени свободы
948,500
66
Значимость
,000
Источник: авторская разработка
Мера Кайзера-Майера-Олкина показала адекватное значение, в связи с чем
дальнейший факторный анализ применим.
Таблица 13 – Главные компоненты модели двенадцати переменных
Объясненная совокупная дисперсия
Начальные собственные значения
Компонент
Всего
% дисперсии
Суммы квадратов нагрузок извлечения
Суммарный %
Всего
% дисперсии
Суммарный %
1
4,498
37,480
37,480
4,498
37,480
37,480
2
2,355
19,628
57,108
2,355
19,628
57,108
3
1,315
10,958
68,066
1,315
10,958
68,066
4
1,118
9,319
77,385
1,118
9,319
77,385
5
,683
5,691
83,076
6
,648
5,400
88,475
7
,566
4,715
93,190
8
,306
2,549
95,740
9
,274
2,286
98,025
10
,172
1,433
99,458
11
,064
,531
99,989
12
,001
,011
100,000
Метод выделения факторов: метод главных компонент.
Источник: авторская разработка
Согласно критерию Кайзера, в качестве главных компонент выделяются те
факторы, которые имеют собственное значение больше единицы. Соответственно,
таких факторов четыре. Построенная на четырёх главных компонентах модель
70
объясняет 77,39% совокупной дисперсии, что является достаточно хорошим
результатом.
Таблица 14 – Повернутая матрица главных компонентов
Повернутая матрица компонентовa
Компонент
1
2
3
4
1.1
,538
,593
,471
-,097
1.2
,499
,594
,487
-,107
1.3
-,184
,113
,030
,825
1.4
,804
,281
-,122
,036
2.1
-,125
-,784
-,048
-,213
2.2
,030
,829
-,280
,086
2.3
,772
-,127
,197
-,480
2.4
,707
,646
,104
-,025
3.1
,025
,172
-,866
,090
3.2
,239
,046
-,275
,694
3.3
,160
,085
,771
-,068
3.4
,742
,107
,258
,407
Метод выделения факторов: метод главных компонент.
Метод вращения: варимакс с нормализацией Кайзера.
a. Вращение сошлось за 7 итераций.
Источник: авторская разработка
Заметно, что интерпретировать компоненты достаточно сложно. Попробуем
рассмотреть, какие переменные нагружают каждый из главных факторов. Первый
компонент на положительном полюсе нагружен показателями 1.4, 2.3, 2.4 и 3.4
(участие в рабочей силе, уровень легальных доходов, медианный доход,
коэффициент демографической нагрузки). Таким образом, первый фактор
ответственен за трудовые ресурсы регионов, их возобновляемость и их стоимость
(доходы). Второй компонент на положительном полюсе нагружен факторами 2.2,
2.4, 1.1 и 1.2 (уровень бедности, демографической нагрузки, ВРП на душу
населения и ВРП на работника), на отрицательном полюсе – фактором 2.1
(коэффициентом Джини). Интерпретировать его уже несколько сложнее. Можно
рассмотреть его как демографический компонент, однако отрицательная
корреляция с индексом Джини несколько препятствует абсолютной точности
такой трактовки. Третий главный компонент на положительном полюсе нагружен
71
индикатором
3.3
отрицательном
(отношение
–
Соответственно,
кредиторской
индикатором
3.1
задолженности
(скорректированные
к
ВРП),
на
сбережения).
его можно оценивать как меру кредитования у будущих
поколений. Четвёртый главный компонент в большей степени сформирован двумя
индикаторами
на
положительном
полюсе
–
1.3
и
3.2
(ожидаемая
продолжительность жизни и парниковая интенсивность ВРП). Данная модель
имеет
достаточно
неоднозначную
и
неустойчивую
трактовку,
поэтому
дальнейший анализ будем проводить на исходных переменных, а не на главных
компонентах.
Для кластерного анализа возьмём данные по трём индексам. Они уже
представлены в стандартизированном значении (от 1 до 5), поэтому ещё раз их
стандартизировать нет необходимости. Выполнять кластерный анализ будем по
вышеописанной методике (схеме Уорда на квадратах евклидовых расстояний).
Представим график протокола объединения на рисунке 6.
Диаграмма расст. объединения по шагам
Квадрат евклидова расстояния
40
35
Расстояние объединения
30
25
20
15
10
5
0
-5
0
8
16
24
32
40
48
56
64
72
80
Расст.
объедин.
Шаг
Рисунок 6 – Диаграмма протокола объединения кластеров по шагам
72
Скачок наблюдается на восемьдесят первом шаге, поэтому рабочей
гипотезой для кластерного решения принимаем трёхкластерное решение.
Представим дендрограмму для этого решения (см. приложение). В силу
трёхмерности модели мы будем вынуждены отказаться от её графической
интерпретации, поэтому опишем полученное решение.
Первый кластер включает в себя следующие регионы: Ненецкий АО,
Ямало-Ненецкий АО, Магаданская и Мурманская области, Камчатский край,
Чукотский АО, Москва, Ханты-Мансийский АО, Санкт-Петербург, Сахалинская
область. Безусловно, это – регионы-лидеры, в которых наблюдалось среднее
значение общего индекса больше трёх или очень близкое к нему (для СанктПетербурга). По ряду показателей большинство этих регионов имеет ведущие
места.
Второй кластер включает следующие регионы: республики Алтай, Коми,
Карелия,
Мордовия,
Чувашия,
Якутия,
Удмуртия,
Хакасия;
Калужская,
Архангельская, Ленинградская, Калининградская, Владимирская, Волгоградская,
Костромская,
Рязанская,
Томская,
Амурская,
Ульяновская,
Орловская,
Курганская, Кировская, Челябинская, Курская, Новгородская, Тюменская,
Оренбургская,
Кемеровская,
Иркутская,
Липецкая
Псковская,
области;
Тверская,
Хабаровский
Вологодская,
край;
Тульская,
Еврейская
АО;
Забайкальский и Алтайский края. В этом кластере практически у всех субъектов
высокие (после максимального первого) значения по второй группе переменных
(Инклюзивность). По остальным признакам выделить в данном кластере какие-то
особенности достаточно сложно.
Третий кластер включает все остальные субъекты федерации. Если мы
следуем той же логике, что и для выделения второго кластера, то в него вошли
регионы с наименьшим значением индекса инклюзивности.
Четырёхкластерная структура однозначно неустойчива – из первого
кластера отдельно выделяются два региона (Ненецкий и Ямало-Ненецкий АО),
которые имеют самые высокие общие значения индекса.
73
Какая из рассмотренного набора моделей позволяет построить наиболее
адекватный рейтинг регионов? Какую методику можно признать наиболее
качественной?
Для ответа на эти вопросы необходимо понимать задачи изначального
исследования: так, у валового регионального продукта и у интерпретируемого
нами индекса инклюзивного развития абсолютно разные целевые назначения.
Однако всё же хотелось бы отметить, что, какой бы ни была построенная модель,
она должна соответствовать статистическим критериям качества, чтобы анализ по
ней был осмысленным.
В рамках первой и второй модели (Смагина и компании «ФБК») мы
показали,
что
отобранный
авторами
набор
переменных
обладает
мультиколлинеарностью, в связи с чем модели не имеют комплексного характера
оценки.
В
первой
модели
мы
практически
полностью
воспроизводим
распределение регионов по уровню урбанизации, во втором – по уровню
финансовых показателей (среднедушевого дохода). Этот подход для построения
оценки представляется нам явно недостаточным. При изучении распределения
финансовых показателей значительную роль будут играть выбросы (столичные
города и территории с развитой добывающей индустрией), к тому же акцент на
валовом продукте будет, следуя закону Гудхарта, нарушать эмпирические
закономерности, которые привели к такому распределению. Уровень урбанизации
региона заведомо исключает из анализа аграриев; концентрация на изучении
городской активности также не соответствует идее, высказанной В.В. Путиным в
мае 2018 г. о том, что необходимо развивать не города, а инфраструктуру и
пространство между ними.
Об определённом уровне комплексности мы можем говорить в третьей из
рассмотренных моделей (В.И. Тихого). В ней исходные показатели были
сгруппированы
в
два
достаточно
адекватно
интерпретируемых
фактора
(экономической и социальной освоенности), что позволило построить такой
рейтинг регионов, который в большей степени соответствует реальной ситуации.
Построенная модель оказалась достаточно устойчивой, но, тем не менее,
74
достаточно сильно реагирующая на отдельные выбросы (так, Москва однозначно
стала высшим кластером, даже несмотря на весьма скромные значения
социального компонента).
Последняя модель, во-первых, оценивает регионы с разных аспектов
освоенности (экономической, социальной, экологической), во-вторых, при
апробации дала такие наборы переменных, по которым проведение факторного
анализа не имеет смысла. Это свидетельствует о качестве отобранных
переменных: некоррелирующие признаки характеризуют регионы с разных
сторон, что понижает систематическую смещённость оценки, улучшая её
качество. При кластерном анализе самым весомым фактором, по которому в
большей степени и происходило выделение кластеров, стала инклюзивность.
Рассмотрим отдельно оценки, полученные в рамках данной модели. В
рамках
первого
фактора
(рост
и
развитие)
переменные
характеризуют
преимущественно экономическую активность региона, поэтому распределение по
этому фактору схоже с распределением во ВРП (особенно удельному).
Безусловный лидер – Ненецкий АО, далее идут АО Тюменской области и Москва.
Неожиданно высокий результат (5 место) показала Ингушетия. Эта республика,
являясь
аутсайдером
по
ВРП,
занимает
лидирующую
позицию
по
продолжительности жизни, что значительно повышает её рейтинг. Максимальное
полученное значение по первой группе (Ненецкий округ) равно 3,99; значение
Ингушетии – 2,5; остальные регионы получили более низкие оценки. Это
свидетельствует о крайне низком использовании потенциала в регионах –
основное большинство регионов не использует даже половины имеющегося
потенциала для обеспечения экономического роста и развития.
Второй показатель – инклюзивность – показал более оптимистичные
результаты. В подавляющем большинстве регионов (за исключением восьми
субъектов – преимущественно субъектов федерации Северного Кавказа) значение
индикатора превысило 2,5, достигнув максимума в Чукотском АО (4,12). У этого
субъекта федерации самое высокое значение по уровню легальных доходов и
одно из лидирующих по медианному доходу.
75
Ситуация по третьему показателю несколько более тяжёлая, чем по
второму, но лучше, чем по первому. Десять регионов имеют значение индикатора
ниже 2,5 (Оренбургская, Тульская, Челябинская области, Удмуртия, Алтайский
край, республика Тыва, Вологодская, Липецкая, Кемеровская области и
республика Алтай). Максимальное значение в 3,6 получено для Дагестана. Оно
получилось в силу низкой парниковой интенсивности ВРП и низкой кредитной
задолженностью. Однако в регионе крайне низкое число сбережений – 10% от
ВРП (аутсайдер – Ненецеий АО с 4%). Это свидетельствует как о нежелании
граждан и юридических лиц вкладывать деньги в банки, тем самым стимулируя
инвестиционный процесс, так и о возможном бегстве капиталов с этих
территорий. Оба процесса негативно влияют на преемственность поколений, что
для Северного Кавказа является очень актуальной темой.
Отдельно хотелось бы отметить наибольшие различия между оценками
одного и того же региона по разным показателям. В среднем различия региона по
трём оценкам составило 0,8. Наибольшие расхождения наблюдались для
показателей экономической освоенности. Так, наибольшее расхождение по
индексам показал Камчатский край – при низком показателе роста и развития
(2,0)
этот
регион
характеризовался
весьма
высоким
(4,0)
значением
инклюзивности. Схожий процесс наблюдался в Дагестане: имея уже упомянутый
выше высокий результат по преемственности поколений (3,6), регион получил
низкую оценку по экономическому росту и развитию. Более детально с выпиской
из рейтингов моделей можно ознакомиться в приложении.
В целом заметим, что получившаяся модель сумела в определённой
степени снизить степень выбросов, которые приводят к систематическим
искажениям в других моделях. Так, в конечном индексе Москва получила пятое
место с достаточно скромным значением 3,3, что вызвано весьма низкими
удельными значениями ВРП. Получается, что высокая экономическая активность
и миграционная привлекательность столицы не трансформируются в рост её
социального
благополучия.
С
другой
стороны,
традиционные
регионы-
аутсайдеры (как, например, республика Тыва, систематически занимающая одно
76
из последних мест по уровню жизни) могут показывать по отдельным
индикаторам
приемлемые
значения
(так,
у
Тывы
адекватный
уровень
инклюзивности).
Ещё одной заслугой данной модели является её возможность для
построения дальнейших классификаций, проведения более точного и детального
уровня кластеризации и анализа отдельных переменных. Все эти особенности
необходимо учитывать при комплексном подходе к оценке региона. Модель
позволяет провести анализ как на достаточно общем уровне, так и на более
детальном,
более
чётко
идентифицируя
отдельные
группы
регионов
и
показателей. Это может служить базой для определения целевых показателей
региона, выстраивания объектов для таргетирования, а также формировать
методологические и концептуальные подходы региональной политики как в
самих субъектах, так и в федеральных органах, ответственных за региональное
развитие.
77
ЗАКЛЮЧЕНИЕ
При выполнении данной дипломной работы основная цель была достигнута,
задачи решены. Мы изучили и критически рассмотрели ряд моделей оценки
регионального благосостояния. Для некоторых моделей выявлен и показан выбор
слишком большого числа сильно коррелирующих переменных, в связи с чем
предложена модификация моделей.
В рамках поставленных задач проведено обобщение материала по
дефинициям категории «регион», рассмотрены статистические методы его
изучения. Проанализированные модели изучены с помощью статистических
критериев качества, проведены процедуры многомерного статистического
моделирования с помощью методов факторного и кластерного анализа.
Во второй главе проведён многосторонний обзор и анализ хозяйственной
деятельности регионов. Модели были подобраны таким образом, чтобы
характеризовать
регион
с
разных
сторон,
дать
возможность
построить
комплексную оценку (экономического, социального, а также экологического
характера). При этом было выявлено, что, несмотря на крайне полярную
структуру регионов (особенно по экономическому развитию), сама региональная
совокупность в значительной степени устойчива. При наличии определённых
регионов с экстремальными значениями основное большинство показателей
находится в рамках общей тенденции. Также отметим, что экономические и
социальные индикаторы регионального развития коррелируют между собой
достаточно слабо. Это позволяет сделать нам два вывода. Во-первых, структура
регионов России, несмотря на высокую степень асимметричности её положения
(преимущественно экономического), является достаточно устойчивой. Эта
особенность была выявлена при кластерном анализе, показавшем, что при
переходе к большему числу кластеров сама их структура в иной раз изменяется в
очень незначительной степени. Во-вторых, регионы России имеют значительные
проблемы по трансформации экономического благосостояния в социальное.
Факторный анализ показал слабую взаимосвязь переменных, отображающих
социальное и экономическое развитие регионов.
78
В третьей главе мы сделали попытку применения методологии экспертов
Всемирного экономического форума к региональному анализу, используя как
разработки учёных, так и собственный экспертный анализ. С учётом неизбежной
и объективной смещённости мы построили адекватный и концептуально новый
индекс.
Наибольший
вес
в
нём
имели
показатели,
характеризующие
инклюзивность. Предпосылка о важности инклюзивности, изложенная в работе
Аджемоглу и Робинсона, перекликается с выводами экспертов из Давоса о
необходимости расширения моделей и включения дополнительных факторов
помимо валового продукта. Этот индекс является результатом совершенствования
имеющихся концепций и может быть применён экспертами для разработки
ориентиров региональной политики.
79
СПИСОК ЛИТЕРАТУРЫ
1. Бадоев, С.Х. Региональная экономическая система как сфера формирования
системы экономических тенденций / С.Х. Бадоев // Terra Economicus. –
2013. – №1-2(11). – С. 85-87.
2. Баранов, С.В., Скуфьина, Т.П. О методах исследования межрегиональной
дифференциации / С.В. Баранов, Т.П. Скуфьина // Фундаментальные
исследования. – 2013. – №10–7. – С. 1495-1499.
3. Бурмистрова, А.А., Кондрашова, И.С., Родионова, Н.К. Межрегиональная
асимметрия
социально-экономического
развития
регионов
/
А.А.
Бурмистрова, И.С. Кондрашова, Н.К. Родионова // Проблемы социальноэкономического развития России на современном этапе: сб. материалов VII
научной конференции, Тамбов / Тамбовская региональная общественная
организация «Общество содействия образованию и просвещению». –
Тамбов: "Бизнес - Наука - Общество", 2014. – С.34-39.
4. Власова, Н.А., Заводских, А.А., Тихий, В.И. Экономическое развитие
муниципальных районов Орловской области / Н.А. Власова, А.А.
Заводских, В.И. Тихий // Региональная экономика: теория и практика. –
2017. – №15. – вып. 9. – С. 1669-1688.
5. Гладкий, Ю.Н., Чистобаев, А.И. Регионоведение: учебник / Ю.Н. Гладкий,
А.И. Чистобаев. – М.: Гардарики, 2012. – 384 с.
6. Головачева, О.А. Активизация притока иностранного капитала как
инструмент сглаживания пространственной поляризации регионов: автореф.
дис. … к.э.н.: 08.00.05 / Головачева Олеся Александровна. – Иваново, 2013.
– 23 с.
7. Гранберг, А. Г. Основы региональной экономики: учебник для вузов / А.Г.
Гранберг. – 4-е изд. – М.: Изд. дом ГУ ВШ, 2007. – 285 с.
8. Дугаржапов, З.Б. Институциональные особенности как фактор социальноэкономических различий регионов / З.Б. Дугаржапов // Вестник Бурятского
государственного университета. – 2013. – № 2. – С. 85-88.
80
9. Губанова, Е.С., Клещ, В.С. Методологические аспекты анализа уровня
неравномерности социально-экономического развития регионов / Е.С.
Губанова, В.С. Клещ // Экономические и социальные перемены: факты,
тенденции, прогноз. – 2017. – № 1. – C. 58-75.
10. Заводских, А.А. К оценке модели региональной освоенности Б. И. Смагина /
А.А. Заводских // Прикладные статистические исследования и бизнесаналитика: сб. материалов межд. науч. Конференции, Москва, 12-14 декабря
2016 г. / РЭУ им. Г.В. Плеханова. – М.: РЭУ им. Г.В. Плеханова, 2016. – С.
225-227.
11. Заводских, А.А., Тихий, В.И., Шуметов, В.Г. Моделирование процессов
движения населения в регионах Центрального федерального округа / А.А.
Заводских, В.И. Тихий, В.Г. Шуметов // Региональная экономика: теория и
практика. – 2017. – № 15. – вып. 4. – С. 772-783.
12. Заводских, А.А. Сопоставительный анализ индикаторов межрегиональной
асимметрии в России и Франции / А.А. Заводских // Ломоносовские чтения2016: материалы международной научной конференции, Москва / МГУ. –
М.: Экономический факультет МГУ им. М.В. Ломоносова, 2016. – С.232.
13. Карасёва, Л.А., Охрименко, А.А. Проблемы расчёта средней заработной
платы в России / Л.А. Карасёва, А.А. Охрименко // Ломоносовские чтения2016: материалы международной научной конференции, Москва / МГУ. –
М.: Экономический факультет МГУ им. М.В. Ломоносова, 2016. – С.231.
14. Койчуев, Т. О неравномерности экономического развития стран в
современном мире / Т. Койчуев // Общество и экономика. – 2014. – № 6. –
С. 5-12.
15. Коровкин, А.Г., Долгова, И.Н., Единак, Е.А. Анализ взаимосвязи
внутренней
миграции
и
социально-экономической
дифференциации
регионов (на примере Центрального федерального округа) / А.Г. Коровкин,
И.Н.
Долгова,
Е.А.
Единак
//
Научные
труды:
Институт
народнохозяйственного прогнозирования РАН. – 2013. – №11. – С. 71-94.
81
16. Кузнецова, О.В. Проблемы оценки федеральной инвестиционной политики
как фактора регионального развития / О.В. Кузнецова // Региональные
исследования. – 2014. – №4. – С. 125–133.
17. Кузнецова, О.В. Региональная политика России: 20 лет реформ и новые
возможности: монография / О.В. Кузнецова. – М.: Книжный дом
"ЛИБРОКОМ", 2013. – 392 с.
18. Минакир, П.А. Экономический анализ и измерения в пространстве / П.А.
Минакир // Пространственная экономика. – 2014. – №1. – С. 12–39.
19. Мкртчян, Н.В., Карачурина, Л.Б. Миграция и естественное движение
населения городов и административных районов России в 1990-2010 гг.:
ключевые факторы различий / Н.В. Мкртчян, Л.Б. Карачурина // Научные
труды: Институт народнохозяйственного прогнозирования РАН. – 2013. –
№11. – С. 95-114.
20. Морошкина,
М.В.
Межрегиональная
дифференциация
субъектов
Российской Федерации / М.В. Морошкина // Экономический анализ: теория
и практика. – 2014. – №45. – С. 20-28.
21. Николаев,
И.А.,
Точилкина,
О.С.
Экономическая
дифференциация
регионов: оценки, динамика, сравнения: аналитический доклад / И.А.
Николаев, О.С. Точилкина. – М.: «Финансы, Бизнес, Консалтинг», 2011. –
28 с.
22. Кузнецов, А.В., Кузнецова, О.В. Региональная политика: зарубежный опыт
и российские реалии: монография / А.В. Кузнецов, О.В, Кузнецова; под ред.
А. В. Кузнецова, О. В. Кузнецовой. – М.: ИМЭМО РАН, 2015. – 137 с.
23. Регионы России. Социально-экономические показатели. 2014. Стат. сб. /
Росстат. – М.: Росстат, 2014. – 900 с.
24. Регионы России. Социально-экономические показатели. 2015. Стат. сб. /
Росстат. – М.: Росстат, 2015. – 1266 с.
25. Ризаханова, Ш.З. Региональная социально-экономическая асимметрия
Северо-Кавказского региона и направления ее снижения / Ш.З. Ризаханова
// Проблемы современной экономики. – 2013. – №4. – С. 293-295.
82
26. Родимцев, С.А., Резвяков, А.В., Студенников Н.В. Основные тенденции
развития демографической ситуации на сельских территориях Орловской
области
и
типологизация
сельских
поселений
по
показателям
демографической среды / С.А. Родимцев, А.В. Резвяков, Н.В. Студенников
// Национальные интересы: приоритеты и безопасность. – 2014. – №26. – С.
37–44.
27. Розанова, Л.И. Методологические основы анализа регионального развития /
Л.И. Розанова // Теоретическая и прикладная экономика. – 2014. – №4. – С.
1–38.
28. Россия в цифрах. 2015. Крат. стат. сб. / Росстат. – M.: Росстат, 2015. – 543 с.
29. Савченко, Е.Е. Пространственно-экономическая трансформация региона
ресурсного типа: системно-инфраструктурный подход / Е.Е. Савченко //
Известия Иркутской государственной экономической академии. – 2014. –
№2. – С. 50-62.
30. Свечникова, Н.Ю. Статистическая оценка конкурентоспособности регионов
Российской Федерации по степени готовности к информационному
обществу / Н.Ю. Свечникова, Е.И. Тихомирова // Вопросы статистики. –
2012. – №5. – C. 38–47.
31. Валентей,
С.Д.
Симметрия
и
асимметрия
в
Российской
модели
федеративных отношений: монография // С.Д. Валентей. — М.: Институт
экономики РАН, 2012. – 57 c.
32. Склянова, И.П., Черкашин, А.К. Количественная оценка демографической
реакции на изменения условий жизнедеятельности в моногородах / И.П.
Склянова, А.К. Черкашин // Регион: экономика и социология. – 2015. – №4.
– С. 179-197.
33. Скуфьина, Т.П., Баранов, С.В., Самарина В.П. Эконометрическая оценка
развития межрегиональной дифференциации в России и прогноз влияния
ВТО на динамику процесса: монография / Т.П. Скуфьина, С.В. Баранов,
В.П. Самарина. – Апатиты: Изд-во Кольского научного центра РАН, 2015. –
150 с.
83
34. Социально-экономическая
география: понятия
и термины.
Словарь-
справочник / МГУ. – Смоленск: Ойкумена, 2013. – 328 с.
35. Стратегия-2020: Новая модель роста — новая социальная политика.
Итоговый
доклад
о результатах
экспертной
работы
по актуальным
проблемам социально-экономической стратегии России на период до 2020
года. Книга 1 / под научн. ред. В.А. Мау, Я.И. Кузьминова. — М.:
Издательский дом «Дело» РАНХиГС, 2013. — 430 с.
36. Стратегия-2020: Новая модель роста — новая социальная политика.
Итоговый
доклад
проблемам
о результатах
экспертной
социально-экономической
работы
стратегии
по актуальным
России
на период
до 2020 года. Книга 2 / под научн. ред. В.А. Мау, Я.И. Кузьминова. — М.:
Издательский дом «Дело» РАНХиГС, 2013. — 408 с.
37. Титов, В.А., Тихомирова Е.И. Асимметрия российской территориальной
системы в контексте развития информационной экономики / В.А. Титов,
Е.И. Тихомирова // Фундаментальные исследования. – 2017. – №1. – С. 214218;
38. Тихий, В.И. Межрегиональная социальная поляризация: сопоставительный
анализ
регионов-лидеров и регионов-аутсайдеров
/ В.И.
Тихий
//
Социально-экономическая география: теория, методология и практика
преподавания: материалы межд. науч.-практ. конф., Москва, 2016. – М.:
МПГУ, 2016. – С.49-53.
39. Ускова,
Т.В.
Региональная
политика
территориального
развития:
монография / Т.В. Ускова, Н.В. Ворошилов. – Вологда: ИСЭРТ РАН, 2015.
– 156 с.
40. Цыренов, О.Ч. Регионализация и регионализм: понятие и классификация /
О.Ч. Цыренов // Вестник ЗабГУ. – 2012. – № 9. – С. 35-39.
41. Чаплыгин, С.И. Количественная оценка «цифрового разрыва» российских
регионов / С.И. Чаплыгин // Методы количественных исследований
процессов
модернизации
экономики
и
социальной
сферы
России:
материалы межд. науч.-практ. конф., РЭУ им. Г.В. Плеханова, 2012. / РЭУ
84
им. Г.В. Плеханова. – М.: Изд-во РЭУ им. Г.В. Плеханова, 2012. – C.201–
204.
42. Чернова, Т.В., Олейникова, И.Н. Влияние инвестиционной активности на
уровень дифференциации социально-экономического развития регионов /
Т.В. Чернова, И.Н. Олейникова // Вестник Астраханского государственного
технического университета. Серия: Экономика. – 2012. – №1(12). – С. 33-39.
43. Шулаева, О.В., Есенин М.А., Агекян Э.А. Российский и зарубежный опыт
формирования системы показателей для оценки экономического потенциала
регионов / О.В. Шулаева, М.А. Есенин, Э.А. Агекян // Статистика и
экономика. – 2015. – №3. – С. 225–232.
44. Brülhart, M., Sbergami, F. Agglomeration and growth: cross-country evidence /
M. Brülhart, F. Sbergami // Journal of Urban Economics. – 2016. – No 65. – P.
48–63.
45. Rothenbacher, F. The Central and East European Population since 1850. / F.
Rotenbacher – Basingstoke: Palgrave Macmillan UK, 2013. – 1511 p.
46. Fujita, M., Krugman, P., Venables, F.J. The Spatial Economy: Cities, Regions
and International Trade. / M. Fujita, P. Krugman, F.J. Venables – Cambrige: The
MIT Press, 2013. – 367 p.
47. Industrial Policy and Territorial Development. Lessons from Korea. – OECD,
2012. – 153 p.
48. Mashegov, P.N., Zaitsev, A.G., Lebedev, M.A., Zavodskikh, A.A. Engineer
Supply of University Research Infrastructure and Ecosystem of Small Innovative
Enterprises / Petr N. Mashegov, Aleksei G. Zaitsev, Maxim A. Lebedev, Andrei
A. Zavodskikh // The European Proceedings of Social & Behavioural Sciences
EpSBS. – 2017. – Vol. XXVI. – P. 626-632.
49. McCann, P. Modern urban and regional economics (2nd edition). / P. McCann –
New York: Oxford University Press, 2013. – 432 p.
50. Regional Development Policies in OECD Countries. – OECD, 2015. – 384 p.
51. Reshaping Economic Geography. World Development Report 2013. – The World
Bank, 2014. – 410 p.
85
52. Zavodskikh, A.A., Chistyakova, M.G., Shumetov, V.G. A statistical approach to
analyzing the efficiency of agricultural production: the example of Central Russia
/ A.A. Zavodskikh, M.G. Chistyakova, V.G. Shumetov // "European Journal Of
Natural History". – 2016. – №4. – P. 88-91.
86
ПРИЛОЖЕНИЕ
1) Дендрограммы кластерных решений
А) Модель В.И. Тихого
87
Б) Индекс инклюзивного развития регионов
88
2) Региональные рейтинги индекса инклюзивного развития регионов
Преемственность
Рост и развитие
Инклюзивность
поколений и
Интегральный индекс
устойчивое развитие
1.
Ненецкий
АО
3,986
2. ЯНАО
3,481
3. ХМАО
2,901
4. Москва
2,871
5.
Ингушетия
1. Чукотский
автономный
округ
2. Камчатский
край
3. Ненецкий
автономный
округ
4. Магаданская
область
4,121
1. Дагестан
3,604
1. Ненецкий
АО
3,691
4,020
2. Чукотский
АО
3,571
2. ЯНАО
3,639
3,954
3. Москва
3,542
3. Чукотский
АО
3,377
3,951
4. ЯНАО
3,490
4. ХМАО
3,327
3,945
5.
Мурманская
область
3,461
5. Москва
3,304
2,810
2,284
2,549
5. ЯНАО
70.
Орловская
область
1,712
38. Орловская
область
3,025
49. Орловская
область
81. Адыгея
1,537
81.
Башкортостан
2,444
81. Тыва
82.
Курганская
область
83.
Бурятия
84.
Еврейская
АО
85. Тыва
1,522
82. Калмыкия
2,423
1,502
83. Бурятия
2,399
1,433
84. Ингушетия
2,383
1,082
85. Чеченская
республика
2,222
82.
Вологодская
область
83. Липецкая
область
84.
Кемеровская
область
85.
Республика
Алтай
46.
Орловская
область
81.
Алтайский
край
2,516
2,234
2,171
82. Адыгея
2,220
2,120
83. Бурятия
2,206
2,037
84.
Республика
Алтай
2,196
2,018
85. Тыва
2,025
89
1/--страниц
Пожаловаться на содержимое документа