Полученные результаты, в принципе, позволяют исследовать динамику изменения уровня здоровья населения регионов ЦФО, сравнить эти уровни с показателями регионов других федеральных округов. Но при этом возникает вопрос – насколько эти результаты, полученные статистическими методами, соответствуют представлениям экспертов – специалистов в сфере здравоохранения.

Очевидно, что эффективность экспертных методов исследования во многом определяется правильным их выбором в каждом конкретном случае. Представляется, что применительно к сформулированной задаче наиболее эффективен метод парных сравнений¹³, обеспечивающий получение количественной информации.

Помимо метода экспертного оценивания, важно располагать математическим аппаратом учета получаемых при этом экспертных мнений. В работе¹⁴ предлагается следующий подход к экспертному оцениванию, цель которого – получить в качестве результата опроса не разовые экспертные оценки, а эконометрическую модель, которую впоследствии можно использовать для прогноза. Строится модель

у_i^k = f(x_i1, x_i2, …, x_im) + _i^k, (1)

где у_i^k – ожидаемое значение бинарной переменной, которое k-й эксперт связывает с i-м набором показателей; f(x_i1, x_i2, …, x_im) – бинарная функция, принимающая два значения (1 и 0); _i^k – ошибка, которую может допустить k-й эксперт, оценивая влияние i-го набора на появление ожидаемого события (эта случайная переменная может принимать значения 1, 0, -1).

В результате опроса экспертов формируется «псевдовыборка», объединяющая в себе их субъективные мнения по обсуждаемому вопросу, главная особенность которой в том, что она содержит информацию, которую эксперты «сумели обнаружить и связать своими субъективными оценками со значениями зависимой переменной»¹⁵.

Изложенный подход применен нами для моделирования вероятностных распределений отнесения регионов ЦФО к группам по комплексу показателей здоровья населения. В качестве эмпирической базы при этом были использованы данные табл. 1.

Таблица 1 - Результаты отнесения регионов ЦФО к группам по комплексу показателей здоровья населения

Регион	Показатель			Результат	Частость (оценка)
	Х1	Х2	Х3	Y	W,%
Белгородская обл.	7,60	15,11	14,58	1	100
Брянская обл.	7,44	17,14	16,76	1	50
Владимирская обл.	6,94	17,70	15,92	1	100
Воронежская обл.	7,16	17,20	15,34	1	50
Ивановская обл.	6,56	19,45	19,34	0	100
Калужская обл.	6,94	17,24	16,78	1	50
Костромская обл.	7,56	17,35	16,96	1	100
Курская обл.	7,68	17,42	17,74	1	50
Липецкая обл.	7,34	15,69	15,58	1	100
Московская обл.	6,82	16,76	14,80	1	100
Орловская обл.	7,26	16,46	14,52	1	100
Рязанская обл.	6,80	18,36	16,16	1	50
Смоленская обл.	6,34	18,53	17,20	0	100
Тамбовская обл.	7,20	17,50	15,50	1	50
Тверская обл.	6,80	19,80	18,22	0	100
Тульская обл.	6,48	20,12	19,86	0	100
Ярославская обл.	6,76	17,76	14,48	1	100
г. Москва	7,86	-	-	1	-

---

В табл. 1 использованы следующие обозначения: Х₁ – коэффициент рождаемости (число родившихся на 1000 человек населения) в 1999 г., промилле; Х₂ – общий коэффициент смертности (число умерших на 1000 человек населения) в 1999 г., промилле; Х₃ – коэффициент младенческой смертности (число детей, умерших в возрасте до 1 года, на 1000 человек родившихся живыми) в 1999 г., промилле; Y – интегральный показатель здоровья населения региона (1 – «относительно благополучное состояние», 0 – «неблагополучное состояние»); W – экспертная оценка вероятности зафиксированного значения интегрального показателя здоровья населения (частость соответствующих экспертных оценок), %.

В качестве эконометрической модели выбрана логит-модель, а инструментарием ее построения послужила соответствующая процедура программы анализа данных общественных наук SPSS Base¹⁶.

Логит-модель в этом случае представляется формулой:

ln(p/(1 – p)) = xb, (2)

причем итогом логит-анализа являются расчетные значения частостей повторности каждого из наблюдений выборки. Адекватность модели (2) устанавливается по критерию хи-квадрат Пирсона.

Применение процедуры логит-анализа к данным табл. 1 показало статистическую незначимость предиктора Х₁ (коэффициент рождаемости). После исключения этого предиктора из списка ковариат получена следующая модель для значения интегрального показателя здоровья населения региона Y =1:

ln(p/(1 – p)) = 27,53497 – 0,92517 х₂ – 0,64682 х₃, (3)

коэффициенты которой статистически значимы (превышают ошибки в их расчете в 7 и более раз). В то же время модель (3) неадекватна по критерию хи-квадрат Пирсона, поскольку отклонения расчетных частот от принятых нами (Residual) весьма велики – табл. 2.

Соответствующее этим отклонениям значение критерия хи-квадрат Пирсона оказалось значимым на р-уровне, меньшем критического значения 0,05, что формально говорит о неадекватности модели в форме (3). Но так как коэффициенты регрессии при всех предикторах оказались значимыми, полученная модель вполне применима для прогностических целей – ведь нас интересует не точное предсказание частостей для того или иного набора предикторов, а сам факт «попадания» расчетных значений частостей в интервал (0; 0,5) либо (0,5; 1). Из табл. 2 видно, что таких несовпадений только одно – Курская область, ранее отнесенная к группе 1 относительно благополучных регионов, – результат вполне приемлемый.

Таблица 2 - Результаты расчета частот наблюдений в процедуре логит-анализа пакета SPSS Base (упрощенные экспертные частоты)

Number of Observed Expected VAR00017 VAR00014 Subjects Responses Responses Residual Prob 0 19,45 100,0 100,0 100,000 7,1054E-14 1,00000 0 18,53 100,0 100,0 100,000 1,4211E-14 1,00000 0 19,80 100,0 100,0 100,000 4,2633E-14 1,00000 0 20,12 100,0 100,0 100,000 1,7053E-13 1,00000 1 15,11 100,0 100,0 98,409 1,591 ,98409 1 17,14 100,0 50,0 69,780 -19,780 ,69780 1 17,70 100,0 100,0 70,309 29,691 ,70309 1 17,20 100,0 50,0 84,551 -34,551 ,84551 1 17,24 100,0 50,0 67,511 -17,511 ,67511 1 17,35 100,0 100,0 62,555 37,445 ,62555 1 17,42 100,0 50,0 48,598 1,402 ,48598 1 15,69 100,0 100,0 94,986 5,014 ,94986 1 16,76 100,0 100,0 92,101 7,899 ,92101 1 16,46 100,0 100,0 94,857 5,143 ,94857 1 18,36 100,0 50,0 52,403 -2,403 ,52403 1 17,50 100,0 50,0 78,897 -28,897 ,78897 1 17,76 100,0 100,0 85,043 14,957 ,85043

---

Для проверки устойчивости логит-модели (3) был выполнен дополнительный «прогон» процедуры логит-анализа с частостями, близкими к расчетным в табл. 3, при этом получена регрессионная модель:

ln(p/(1 – p)) = 28,97627 – 1,01746 х₂ – 0,63655 х₃, Y=1, (4)

адекватная по критерию хи-квадрат Пирсона (табл. 3).

Таблица 3 - Результаты расчета частот наблюдений в процедуре логит-анализа пакета SPSS Base (модельные экспертные частоты)

Number of Observed Expected VAR00017 VAR00014 Subjects Responses Responses Residual Prob 0 20,12 100,0 100,0 100,000 1,5632E-13 1,00000 0 19,80 100,0 100,0 100,000 4,2633E-14 1,00000 0 18,53 100,0 100,0 100,000 1,4211E-14 1,00000 0 19,45 100,0 100,0 100,000 5,6843E-14 1,00000 1 17,76 100,0 85,0 84,408 ,592 ,84408 1 17,50 100,0 80,0 78,653 1,347 ,78653 1 18,36 100,0 50,0 50,225 -,225 ,50225 1 16,46 100,0 95,0 95,194 -,194 ,95194 1 16,76 100,0 90,0 92,433 -2,433 ,92433 1 15,69 100,0 95,0 95,668 -,668 ,95668 1 17,42 100,0 50,0 48,992 1,008 ,48992 1 17,35 100,0 60,0 62,888 -2,888 ,62888 1 17,24 100,0 70,0 68,003 1,997 ,68003 1 17,20 100,0 85,0 84,700 ,300 ,84700 1 17,70 100,0 70,0 69,705 ,295 ,69705 1 17,14 100,0 70,0 70,441 -,441 ,70441 1 15,11 100,0 100,0 98,689 1,311 ,98689

Модель (4) была использована для прогноза динамики изменения вероятности отнесения Смоленской и Тверской областей к группе 1 относительно благополучных регионов по показателям здоровья населения. Выявлено, что последствия снижения уровня жизни сказывается на показателях здоровья населения этих регионов вплоть до 2001-2002 гг., а затем вероятность их отнесения к группе 1 постепенно увеличивается. Но если в Смоленской области, начиная с 2005 г., ситуация изменяется к лучшему (вероятность отнесения Смоленской области к группе 1 в 2005 г. превышает граничное значение 0,5), то в Тверской области спад уровня жизни настолько велик, что требуются радикальные меры для изменения ситуации в области здравоохранения населения.

Филинов П.Л., Шуметов В.Г.

ТЕРРИТОРИАЛЬНЫЕ РАЗЛИЧИЯ ПОКАЗАТЕЛЕЙ РАЗВИТИЯ ЭКОНОМИКИ регионов цЕНТРАЛЬНОЙ РОССИИ В СОВРЕМЕННЫЙ ПЕРИОД: ТИПОЛОГИЧЕСКИЙ АНАЛИЗ

Не вызывает сомнения тот факт, что Центральный Федеральный округ по праву может претендовать на звание центра экономической эффективности РФ. При минимальной сырьевой обеспеченности здесь наибольшая концентрация квалифицированных кадров, технологическая обеспеченность предприятий, развитая инфраструктура, а также их близость к финансовым ресурсам. Являясь центром высоких технологий и обладая значительными инновационными ресурсами, ЦФО имеет ключевое значение для экономики в целом, обеспечивая возможности роста производства в других регионах России. Все это во многом предопределяет высокую инвестиционную привлекательность предприятий округа, как для российских, так и для иностранных инвесторов.

---

В то же время, наблюдается значительная неоднородность регионов ЦФО по показателям развития экономики. В этой связи нами выполнен анализ территориальных особенностей их развития, преследуя основную цель – разработку типологии регионов по их роли в экономике современной России.

В работе¹⁷ отмечалось, что на первом этапе разработки типологии необходимо установить информативные показатели, адекватно отражающие процесс развития экономики в регионах. Нами обосновано¹⁸, что это, прежде всего, – средние показатели анализа временных рядов территориальных индексов в период стабилизации и роста экономики (1995-2006 гг.¹⁹), а именно, средний уровень и средний прирост доли каждого из регионов Центральной России в сумме валового регионального продукта (ВРП) субъектов РФ.

В работе²⁰ также отмечалось, что формальному кластерному анализу как объективному методу типологизации, целесообразно предпослать выявление так называемых «типологических синдромов», под которыми понимается совокупность неоднородных областей объектов, в нашем случае – регионов ЦФО. Отмечалось также, что адекватным визуальным приемом выявления типологических синдромов является представление исходных данных на двумерных диаграммах рассеяния, где изучаемые объекты изображаются в виде точек с координатами, отвечающими каким-либо двум эмпирическим координатам. Такой двумерный визуальный анализ эффективнее одномерного: отсутствие неоднородностей по отдельно взятым признакам не гарантирует отсутствия таковых в двумерном, а тем более в многомерном признаковом пространстве.

На рисунке 1 представлены диаграммы рассеяния, иллюстрирующие позиции каждого из регионов Центрального Федерального округа, кроме г. Москвы как мегаполиса с исключительно большим весом в экономике страны, на плоскости этих двух показателей.

а	б
Рис. 1. Расположение регионов ЦФО на плоскости средних показателей уровня и прироста доли региона в сумме ВРП субъектов РФ: а – выборка без Москвы; б – выборка без Москвы и Московской области. Пунктирной линией обозначен нулевой прирост доли региона; числа над точками – условный код региона (в алфавитном порядке; код Москвы – 18)

Из диаграммы на рисунке 1 а следует, что Московская область характеризуется хотя и меньшими, чем Москва, но все же экстремально высокими средними показателями динамики рядов – доля Московской области в 1995-2006 гг. в сумме ВРП субъектов РФ варьировалась в диапазоне от 3,1% до 4,2% и в среднем составляла 3,7%, а прирост рассматриваемого территориального индекса – в среднем 0,044% в год (для Москвы эти средние показатели – 18,1% и 1,082% в год).

После исключения из анализа, вслед за Москвой, также и Московской области, мы получаем более однородную выборку 16-ти периферийных регионов (рис. 1 б).

---

По диаграмме рисунка 1 б визуально можно выделить четыре типологических синдрома:

1) 1 и 9 – Белгородская и Липецкая области;

2) 2, 5, 6, 7, 11, 13 и 14 – Брянская, Ивановская, Калужская, Костромская, Орловская, Смоленская и Тамбовская области;

3) 3, 8, 12, 15 и 16 – Владимирская, Курская, Рязанская, Тверская и Тульская области;

4) 4 и 17 – Воронежская и Ярославская области.

Для уточнения принадлежности выявленных типологических синдромов к однородных кластерам, нами выполнен иерархический кластерный анализ с помощью соответствующей процедуры пакета SPSS Base²¹. Кластерный анализ проводили по методу Уорда, который обеспечивает образование кластеров примерно равного размера, а для повышения «контрастности» дендрограммы в качестве меры различия (расстояния) использовали квадратичную евклидову метрику²².

Переменными кластеризации являлись z-преобразованные показатели – средний уровень и средний прирост доли регионов Центральной России в сумме ВРП субъектов РФ (z-преобразование переменных, т.е. их центрирование относительно выборочных средних и нормирование к среднему квадратическому отклонению, проводили для приведения переменных к безразмерному виду и исключения влияния эффекта масштаба²³).

По критерию сходства регионов не менее 80% принята группировка регионов ЦФО на четыре кластера – таблица 1.

Таблица 1 - Состав кластеров регионов ЦФО по совокупности z-преобразованных показателей уровня и динамики доли в сумме ВРП субъектов РФ

Кластер	Число регионов	Состав кластера
1	2	Белгородская и Липецкая области
2	7	Брянская, Ивановская, Калужская, Костромская, Орловская, Смоленская и Тамбовская области
3	5	Владимирская, Курская, Рязанская, Тверская и Тульская области
4	2	Воронежская и Ярославская области

Из таблицы следует, что состав кластеров согласно иерархическому кластерному анализу, как методу объективной классификации, полностью совпадает с составом типологических синдромов, установленных нами ранее визуально по диаграмме рисунка 1 б.

Важным этапом разработки типологии является проверка устойчивости кластерного решения. Нами предложено такую проверку проводить с помощью итеративного кластерного анализа по методу k-средних, предусмотренному пакетом анализа данных общественных наук SPSS Base. Особенность этого метода в том, что, в отличие от иерархического кластерного анализа, в котором число кластеров неизвестно и определяется по его результатам, число кластеров k в нем задается заранее, при этом «выходом» итеративного кластерного анализа является, во-первых, распределение статистических единиц (в нашем случае, регионов) по кластерам, во-вторых, «расстояние» каждой из них до центра ближайшего кластера.

---

Смотрите также файлы

• Задание.docx

• Реферат.docx

• Второй основной вариант.docx

• Раздатка.docx

• Доклад.docx