Integral indicator of the living conditions at the Crimea Republic and some other territories: dependence from factorial variables
Table of contents
Share
Metrics
Integral indicator of the living conditions at the Crimea Republic and some other territories: dependence from factorial variables
Annotation
PII
S265838870004976-6-1
DOI
10.33276/S265838870004976-6
Publication type
Article
Status
Published
Authors
Vladimir Stepanov 
Affiliation: Senior researcher, Laboratory 2.01
Address: Moscow, 117418 The Russian Federation, Moscow; 47, Nakhimovsky av., Room 810
Edition
Abstract

The paper performs econometric analysis of panel data. First, the integral indicator of living conditions for each year is calculated on the basis of  the component analysis  applied to regional variables. Then its time evolution with a focus on the Republic of Crimea and the regions close to it is considered. The proximity is determined by the structures of GDP and manufacturing. Then, for the selected regions, the graphs of integrated indicators, as well as the target functions of economic dynamics, are compared.  The dynamics of indicators of living conditions in the Republic of Crimea for a number of years, “bottlenecks” are being identified.  Finally by 2017 regional data is estimated the linear regression model in which the dependent (endogenous) variable is an indicator of the living conditions of the population, and exogenous - five indicators that depend on decisions of federal and regional authorities. This model can also be used for a number of other regions of the country when simulating scenarios of their development  and identifying how changes in exogenous variables will affect  endogenous behavior.  Calculations are made according to the official data for 2014-2018.

Keywords
economic dynamics, living condition, population welfare, the Republic of Crimea priorities, econometric modeling, integral indicator, regression model, regional politics, principal component analysis, poverty
Received
04.06.2019
Date of publication
06.11.2019
Number of characters
83875
Number of purchasers
11
Views
185
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1

1. Введение. Краткое описание содержания и цели работы

2

Изучая условия жизни в субъектах РФ, можно проводить социологические опросы и затем анализировать их результаты, либо действовать иначе, обрабатывая  данные Росстата методами эконометрики. Ряд результатов по опросным анкетам приводится, например в [1]. В настоящей работе такие “субъективные данные” совсем не используются. Расчёты проводятся на официальных региональных данных, как и в [2,3].

3

Обрабатывая таблицу с показателями за некоторый год t , можно построить  алгоритмами компонентного анализа латентную  переменную, имеющую вид их линейной “свёртки” [4]. Применительно к показателям условий жизни, эта свёртка (или ИИ УБН) будет измерять “объективные значения” уровня жизни в регионе в году t  в некоторой условной шкале от нуля до десяти. Значительная часть работы содержит такой анализ по данным  76-ти регионов за ряд лет; в результате исследуется эволюция полученных ИИ УБН во времени (в их “сводном” или “блочном” варианте).

4

Работа является уточнением и дальнейшим развитием статьи [3], в которой применялись две различные методологии. Во-первых, – методология построения функции целенаправленности экономической динамики (ФЦЭД), предложенная в [2], и  во-вторых,  – методология индикаторов условий жизни [4], основанная на идеях компонентного анализа данных. В этой работе эти индикаторы также называются “интегральными индикаторами уровня благосостояния населения”, или ИИ УБН. 

5

Цели работы: 1) эконометрический анализ панельных данных Росстата на основе методологии  ИИ УБН [4] с фокусировкой внимания на р.Крым и ряд близких ему регионов; 2) применение линейного регрессионного анализа к  таблице с данными 2017 года, содержащей сконструированную зависимую переменную ИИ УБН и  несколько экзогенных переменных, связанных с проводимой в регионах политикой.

6

Главное внимание ниже, как и в [3], обращается на Республику Крым (далее, р.Крым, для краткости). Сначала очень кратко описываются особенности экономики этой республики; приводится динамика её основных показателей с 2012 года. По ходу работы республика сопоставляется по ряду характеристик с несколькими регионами, имеющими  близкие отраслевые структуры ВРП и обрабатывающей промышленности (ОП). Эти структуры приводятся в Таб.2,3; одна из них иллюстрируется на Рис.2. Также для этих регионов в Таб.4 приводятся дополнительные данные. На предыдущем Рис.1 показывается эволюция ФЦЭД (2) для этих регионов во времени, причём оценки неизвестных параметров в (2) взяты из [2]. Затем по методологии [4] находятся ежегодные значения ИИ УБН, в результате чего на Рис.5 получаются графики эволюции ИИ УБН для выбранных регионов; на Рис.6,7 показаны аналогичные графики для “блочных” ИИ. В Таб.7 приводится эволюция ранга  региона по сводному ИИ УБН (среди всех 76-ти при фиксированном t ). Далее анализируется эволюция каждого показателя  условий жизни в Крыму в сопоставлении со средними значениями (см.Рис.8) и отсюда  выявляются  “узкие” , проблемные места.

7

Наконец, строится регрессионная модель, которая связывает измеритель условий жизни населения с рядом показателей, зависящих от решений лиц, управляющих развитием территорий.  Таким измерителем является ИИ УБН, который используется как критерий эффективности региональной политики [5]. Величина ИИ УБН за 2017 год принимается в качестве зависимой (эндогенной) переменной и по таблице показателей для почти 70 регионов оценивается модель линейной регрессии (4), в которой экзогенные переменные – пять показателей этого года; они прямо или косвенно связаны с решениями органов власти. Регрессионные коэффициенты и  разнообразные статистики рассчитываются в Excel-2007.   В Таб.9 показаны результаты применения модели к значениям факторов в 38 регионах РФ в 2016 и 2017 году; на Рис.10,11 часть результатов представлена в картографическом виде.

8

Таким образом, уточнения связаны в основном с корректировкой и добавлением  данных согласно [9-12], а также – с модификацией списка регионов, с которыми сравнивается р.Крым. А развитие – с фокусировкой внимания на ряд аспектов методологии [4], выявлением взаимосвязей  ФЦЭД и индикаторов УБН, а также – с оцениванием параметров  регрессионной модели, связывающей ИИ УБН за 2017 год с комплексом переменных, на которые могут влиять органы власти.

9

В итоге выявляется, на какие “узкие места” стоит обратить внимание при выработке приоритетов в р.Крым. Также на основе этой модели можно в дальнейшем проводить более эффективную политику в р.Крым. Модель  можно применять и во многих других регионах страны при планировании различных вариантов улучшения УБН. Дополнительно  на её основе оценивается значение ИИ УБН в р.Крым в следующем году.

10

2. Методология построения ФЦЭД: краткое изложение. Графики для шести регионов.

11

2.1)  О рациональности экономического развития регионов

Рассматривая динамику региональных показателей в виде их приростов за год, можно предполагать, что она включает в себя “инерционный тренд” [2]. В рассмотрение вводилась функция V(x), которая нелинейным образом сворачивает в себя четыре  показателя (в душевом варианте): х1 – розничный товарооборот; х2 – прирост средней обеспеченности жильём к базовому 2005 году, х3 – средняя оплата труда в образовании и х4 – фактические расходы на бесплатную медицинскую помощь согласно территориальной программе  госгарантий (ТПГГ). Ежегодные данные по переменным х1 ,…, х4 для регионов сформированной выше однородной группы брались из нескольких изданий Росстата (см.[2,3]). Эти данные вначале приводились к единому масштабу через операцию стандартизации [2]. Вектор  x=(x1,…,xp)T  содержит набор этих показателей (переменных) и ниже р=4.

12

Наблюдая эволюцию переменных х1,…,х4  во времени, можно предполагать, что вектор x изменяется за год в каждом регионе наилучшим способом. Другими словами,— пропорционально градиенту в точке x из пространства переменных 4-D, ибо  grad(V(x))  указывает направление наибольшего роста функции V(x) в соответствующей точке:

13

Δxt = xt+1 xt = λgrad(V(xt)),                                               (1)

14

где xt – вектор показателей региона в год t , Δxt – вектор с приростами каждой компоненты x от года t+1 до предыдущего года t , λ – множитель, указывающий на какую длину по градиенту происходит движение в пространстве 4-D. Индекс региона  в (1)   для простоты записи опускается. Таким образом, инерционный тренд выражает целенаправленность экономического роста региона [2].

15

Зависимость целевой функции V(x) от каждой переменной  хi   моделируется в виде смеси линейной и логарифмической функций, взятых с неизвестными параметрами (“весами”), оцениваемыми по пространственно-временной выборке. Также дополнительно в выражение V(x) вводятся слагаемые для учёта взаимодействия некоторых из пар переменных (см. формулу (2) ниже).

16

2.2)  Формирование однородной группы

Опираясь на типологию регионов по эффективности производства [7], сделанную на основе методологии стохастической границы производственного потенциала [6] и с учётом структуры ВРП, в [2] была сформирована выборка регионов. Почти все регионы выборки оказались в “базовой группе” регионов с равномерно развитой структурой производства из [7,Таб.4], причём в нижней половине её списка. Здесь расположены регионы с невысокими оценками технологической эффективности, так как они недостаточно хорошо подготовлены к инновациям. А именно, были выбраны семь регионов из ПФО (республики Марий Эл, Мордовская и Чувашия; также Кировская, Саратовская, Пензенская, Ульяновская области) и к ним были присоединены четыре вблизи лежащие области (Костромская, Рязанская, Волгоградская, Курганская); наконец – ещё три отдалённые (Орловская, Смоленская, Псковская). Эти 14 регионов образуют однородную группу по ряду причин содержательного характера [2]. Данные с показателями х1,…,х4 и их ежегодными приростами для этой группы на некотором промежутке времени использовались при оценивании неизвестных параметров функции V(x) в [2].

17

2.3)  Описание рациональной динамики региона в модельных рамках

Следуя [2,3], определим с помощью выражения  (2) функцию V(x) целенаправленности экономической динамики (ФЦЭД) региона. Она будет использоваться как индикатор уровня его развития; её также можно интерпретировать как измеритель качества жизни в регионе. По построению V(x) состоит из двух аддитивных компонент. Первая – смесь линейной и логарифмической функций по каждому j-му показателю, причём они брались с параметрами αj , βj , где j=1,…,р . Вторая компонента учитывает взаимодействия тех или иных пар из {х1 ,…,х4 } с параметрами  δij  при ij ; причём, если i = j , то δij = 0 :

18

19

Параметры αj, βj, δij  неизвестны и оцениваются по однородной группе регионов с показателями за несколько лет рассматриваемого промежутка времени.  Согласно гипотезе (1) предполагается, что каждый регион с вектором переменных xt стремится к наибольшему росту (2); отсюда разумна стратегия, при которой вектор x  каждого региона получает за год приращение по градиенту V(x)  согласно (1). Принятие данной предпосылки позволяет свести задачу оценки параметров αj, βj, δij к МНК- оцениванию в возникающей на этом пути регрессионной модели (при известных значениях λk  для каждого k-го региона однородной группы). Неизвестная априори длина шага λ  для региона   выбиралась в  (1)  из  экономических соображений [2], исходя из его бюджетной обеспеченности и долговой устойчивости.

20

2.4) Оценивание параметров. Графики ФЦЭД ряда регионов и их обсуждение.

21

Отдельно в [2] рассматривались два однородных промежутка времени: “I” – c 2009 по 2013 гг. и “II” – с 2014 по 2017 гг. годы. Это было вызвано структурным сдвигом траекторий экономической динамики (подробнее см [2]). В течение каждого из этих промежутков параметры αj, βj, δij в (2) предполагались неизменными. Из формул (1), (2) и после дифференцирования по хi возникает уравнение, связывающее переменные, их годовые приросты и неизвестные параметры αj, βj, δij  на конкретном   промежутке. Если для каждого региона нам известна длина шага λ, то задачу оценки параметров αj, βj, δij на данном промежутке  легко свести с использованием этого уравнения к оцениванию коэффициентов  линейной регрессии по имеющейся пространственно-временной выборке (подробнее см. [2]). В таблицах [2, 3] приводятся оценки неизвестных αj, βj, δij  на  промежутках “I” и “II”. В настоящей работе используются оценки лишь из “II”-го промежутка, с тем чтобы изучить поведение графиков для ФЦЭД р.Крым и ещё ряда регионов с близкой ему структурой ВРП-2016 (см. Рис.1, а также  Таб.2 ниже).

    

 Рис.1.  Графики ФЦЭД для шести регионов за ряд лет. По оси ординат  значения ФЦЭД.

22

Здесь, чем выше лежит график и круче он нарастает, тем лучше. Для этого ФЦЭД (2) с использованием оценок параметров αj, βj, δij  , полученных на промежутке 2014,..., 2017 годов, применялась к стандартизованным данным  “новых регионов”: р.Крым, Алтайского и Ставропольского краёв и более продвинутой Воронежской области. Можно ожидать, что эти два края и р.Крым находятся не слишком далеко от вышеописанной однородной группы [3]. Также здесь приведены графики для Пензенской и Орловской областей, которые использовались ранее при оценивании в [2].

 Заметим, что некоторые из этих регионов, включенные также в Таб.2,3 (см.ниже), имеют близкие структурные особенности своей экономики. Отсюда и графики таких регионов на Рис.1 обладают похожими эволюционными свойствами (или типом своего роста во времени). Из Рис.1 следует, что р.Крым имеет отличную скорость роста своей ФЦЭД, сравнимую с Орловской и Пензенской областями; несколько лучшую за последние годы, чем аналогичная характеристика Ставрополья и несравненно лучшую, чем у Алтайского края. Для примера  приводится график Воронежской области – в каком-то смысле “идеальной” для многих вышеперечисленных регионов (см.Таб.4 ниже).

23

3. Динамика показателей Крыма и особенности его экономики.

Сначала приведём в Таб.1 место экономики р.Крым по сравнению с экономиками прочих субъектов РФ (“регионами”) в терминах душевых показателей; за ранние годы использованы данные из [8]. Число в каждой ячейке – место по каждому  макроэкономическому показателю  среди всех регионов страны в  год  t  .

24

Таблица 1.  Место экономики р.Крым в стране, [9-12] (обозначения – см."Список сокращений").

25
Показатель р.Крым 2012 2014 2015 2016 2017 / 2018
ВРП  82  81  79  76   74
Денеж.доходы (ДД)  84  84  79  78   76  / 66
Покупат.способн.ДД    79  79  79   77  / 63
Инвестиции (ИОК)  80  82  84  83   26  / 12
Торговля (РОТ)  77  82  76  76   76  / 73
Промышлен. (о.п.п. )  75  77  74  72   72
Сектор АПК (о.с.п.)  66  46  41  47   56
26

Из Таб.1 видно, что экономика Крыма имела в ранние годы крайне низкие душевые показатели своего развития, так что республика находится относительно прочих  где-то от третьего до шестого места снизу. Однако в итоге часть крымских показателей заметно улучшилась; его душевой ВРП вырос на треть, и теперь республика находится по ВРП на среднем месте среди 15-ти  регионов из ЮФО, СКФО. Показатель  ИОК — почти на уровне р.Татарстан, очень заметно возросли  ДД и их покупательная способность (ДД/ПМ), да и оценка объёмов его с/х производства лучше той, что была в 2012 году; наблюдается стабильный рост промышленности.  Кроме подобной таблицы в [3,8] дополнительно приводились графики по темпам роста экономики Крыма за 9 лет. Они строились для среднего по РФ региона в сопоставлении с  крымскими показателями. В [8]  также приводятся два украинских графика; сравнение с Украиной есть в [44], как и данные для 2018 г.

27

Особенности экономики р.Крым и некоторые её перспективы подробно рассмотрены в [3,8,10-13]. В плане ресурсов основные полезные ископаемые – железная руда, газ, минеральные соли, строительное сырьё. Основные отрасли промышленности  – пищевая, химическая, судостроение (из обрабатывающих производств),  а также добыча углеводородов,  электроэнергетика (см. ниже Таб.2,3). Исходя из геополитических мотивов, почти 11% занимает госбюджетный сектор (ГУВБС). Хорошо развит рекреационный сектор, имеется  высокая  доля “здравоохранения” в ВРП, ибо здесь наибольшее значение  имеют природные рекреационные ресурсы и развитие туризма [8]. Однако, слабовато развита ОП (если смотреть на её вклад в ВРП), была мала доля строительства; правда  с 2017 года есть рост до 8.2% [13]. В последние годы наблюдается существенный спад с/х- сектора. Из проблемных можно выделить следующие особенности:

  1. довольно низкие значения душевого ВРП и РОТ;
  2. высокий уровень бедности, слабая покупательная способность ДД;
  3. огромная степень износа основных фондов; хуже всех  в РФ;
  4. высокая доля убыточных предприятий (хотя с 2014г. и уменьшилась c 51.4 до 42%, но хуже 32%, средних по РФ);
  5. республика  имеет огромную долю бюджетных средств в ИОК среди привлеченных инвестиций;  выше бюджетная поддержка была в 2017 году лишь у республики Ингушетия, г.Севастополя.
28

Если смотреть на динамику с 2014 года, то доля ОП в ВРП к 2016 году выросла примерно вдвое: с 4.7% до 9.1-10% (см.Таб.2). Однако доля сектора ДПИ в 2016 году ещё не достигла уровня 2014 года (3.1%), хотя и приближается [13]. А также, из-за возникших трудностей с орошением пашен и с энерго- и газоснабжением, доля c/х- сектора упала с 22% до 13.3,...,10% (см. Таб.2). Правда по сравнению с 2012-2013 гг., урожаи пшеницы сильно выросли в 2015-2017 годы, но в 2014 году погиб урожай риса, так что  его вместе с соей сейчас не выращивают (после перекрытия Северо-Крымского канала). Валовой сбор овощей из-за проблем с водой уменьшился в два раза относительно 2011-2012 годов, но по сбору плодов и ягод республика осталась на высоком месте, как Ростовская и Волгоградская области. Однако в три раза вырос сектор “недвижимость, аренда, услуги” (с 3.2% до 9.5-11.5%); одна из причин – существенный приток туристов; другие – покупка недвижимости в прекрасном месте, рост ДД и пенсий.

29

4. Сопоставление структур ВРП и ОП для ряда регионов.

30

В следующей Таб.2 приведены данные по вкладу основных секторов экономики в валовую добавленную стоимость в 2016 году (или ВРП-2016) для пяти регионов, включая р.Крым, согласно [9,10,13]. Общая черта для них заключается в том, что доля с/х- сектора в ВРП-2016 лежит между 13% и 20%, доля ОП между 10% и 21%, довольно близки вклады секторов “торговля” и “транспорт, связь", хорошо развит сектор “услуги, аренда…”, очень мала доля ДПИ, на среднем уровне или ниже развито “строительство”, сектор ГУВБС чаще был не очень мал и  не слишком велик. Также у большинства достаточно равномерно развита отраслевая структура ОП. Наконец, почти для всех  характерен  тёплый климат (по сравнению со многими прочими в стране).

 

Таблица 2. Структура ВРП в 2016 году: вклады в [%] из [9]; в скобках – из [13] .

 

Сектор экономики

 

р.Крым Орловская Ставрополь.кр. Воронежская Пензенская
С/х , лесная пром. 13.3/(9.9) 19.5 17.5 14.6 14.3
Торговля(опт.,розн) 15.3/(15.9) 14.8 15.2 20.1 16.5
Транспорт, связь 8.8/(8.0) 10.8 9.3 8.2 8.5
Обраб.пром-ть(ОП) 9.1/(10) 18 14.2 14.6 21
ГУВБС 10.9/(10.5) 6.8 7.7 4.6 6.1
Недв.,аренда,услуги 11.5/(9.5) 6.6 8.8 17.3 11.7
ЭЭГВ 6.6/(5.7) 3.8 5.1 3.8 3
ДПИ(полезн.иск.) 2.2/(2.7) 0.1 0.5 0.4 0.2
Строительство 3/(3.4) 7.2 5.7 7.3 6.5
Здрав, соц.усл. 8.8/(8.3) 4.4 7.7 3.5 5.6
Образование 4.5/(4.4) 5.6 3.9 3.6 3.6
31

К “крымской структуре” ВРП-2016  ближе  будут  структуры  Ставропольского края, Орловской области;  несколько далее  – у оставшихся из Таб.2,4. Структура ВРП для регионов Таб.2 показана на  Рис.2  после частичного  агрегирования секторов ВЭД. Видно, что структура Пензенской области лежит почти всегда между структурами "Воронежская" - двойка "Ставрополье-Орловская" (кроме промышленности).

32

Рис.2. Структура ВРП-2016 регионов из Таб.2, в [%]: р.Крым – красный, Ставрополье – чёрный, Пензенская – жёлтый, Воронежская – зелёный, Орловская – синий (“Промышленность”: сумма ДПИ, ОП и ЭЭГВ).

33

В Таб.3 приводится укрупнённо наиболее важная часть структуры "отгруженных товаров и т.д.", выполненных своими силами. Здесь почти всегда приводятся лишь пятёрки  отраслей ОП, что сильнее прочих  развиты в регионе.

 

Таблица 3. Структура "отгруженных товаров, работ ..."  в ОП в 2017 г. по ВЭД, в [%] [9,10]

Сектор ОП р.Крым Орловская Ставропольск. Пензенская Воронежская
Пр-во  пищевой промышленности 42.2 37.9 35.1 37.8 47.3
Пр-во химических веществ, продуктов, лекарств. средств, медицинских материалов 20.9   32.7   11.5
Пр-во прочей неметаллической минеральной продукции 11 11.2 6.6 5.4 7
Пр-во машин, оборудования, автотрансп.средств (включая судостроение) 10.3 19.3   10.1 11.5
Металлургия, пр-во готовых металл. изделий (кроме машин и оборудования) 6.9 13.4 4.4 9.9 5.6
Производство: компьютеров, электронных и оптич. изделий; электро-оборудования   9.9 8.3 17.7 10.6
ЦБП (целлюлозно-бумажное произ-во)       6.8  
34

Во всех регионах из Таб.3 пищевой сектор вносит главный вклад в стоимость указанного выше “объёма товаров и проч.”. Из них ближе всех к характеристикам р.Крым будут Ставропольский край, Орловская, и лишь затем – Пензенская и Воронежская области. С ещё большим удалением лежит Алтайский край, где 27% вносит производство кокса. Интересно, что доля пищевого сектора для почти всех регионов Таб.3  заметно уступает суммарному вкладу оставшихся главных четырёх (исключая Воронежскую область, где имеется примерное равновесие).

35

Также можно заметить, что графики ФЦЭД для трёх областей из Таб.3 имеют похожий с Крымом  тип эволюции во времени (см.Рис.1 выше). Более того, графики ИИ УБН  для некоторых из этих регионов ведут себя примерно аналогично в сопоставлении с крымскими (см.Рис.5–7), что подтверждается высокими корреляциями между  ФЦЭД и ИИ УБН; с коэффициентом  r  выше 0.7  при фиксированном  t  [2,3]. По-видимому, это связано с похожим типом эволюции душевого ВРП этих регионов (Рис.3) и доходов населения.

36

Рис.3. ВРП для шести регионов, [руб.] с 1998 по 2017 годы (в расчёте на душу, [14])

37

Близость типов эволюции графиков  порождается примерно одинаковыми структурами ОП указанных регионов, ибо прочие отрасли у них сравнительно  близки по вкладам в ВРП-2016.     Далее приводится Таб.4, в которой сопоставляются с 2014 года несколько социально-экономических показателей для группы регионов.

38

5. Сопоставление показателей для ряда  регионов. Выбор экзогенных переменных.

39

Регионы, где лучше ситуация с безработицей, бедностью и автомобилизацией, находятся вверху Таб.4.

Таблица 4.    Социально-экономические показатели согласно [9-14] в 2014,..., 2018 году.

Регион (ВРП)

Ур.безработицы,[%]

Безвозм.поступ./ВРП, [%]

Автомоби-

лизация

Доля “бедных”,

[%]

РОТ, место в РФ

X1

z1

 Z4

X4

X3

ранг X5
(ВРП в 2017 г.)    2014 … 2018 2017 2014...17    20142017 2017
Воронежская(371) 4.5...4.5- 4.3– 3.7 2.9 289…335   9.0… 9.3– 9.1 12
Орловская  (285) 5.1...6.4-6.5– 4.9 5.1 310…318 12.8 … 14– 13.9 48
Пензенская (273) 4.6- 4.7-4.6...4.4 4.2 295…312 12.6 …14 57
Ставрополь. (237) 5.3... 5.7- 5.2– 5 5.2 269…289 11.6 …14– 13.8 43
Алтайский  (216) 7.2...8.6- 6.9–6.1 7 273…292 17-17.9...17.5 65
Респ. Крым (188) 7.2 – 6.8– 6.4 –6 28 77…167 23.1–22.2–19.1 76

Примечание: Многоточие, введённое для облегчения чтения серии цифр, в два крайние столбца Таб.4 означает, что показатель в ячейке изменялся монотонно вблизи  соседнего крайнего значения; т.е. для 2014  г. и последнего 2017 или 2018 годов (например, доля бедных на Алтае со значения 17.9% в 2015 году  уменьшилась до 17.5% в 2017 году, а вместо пропуска значения 2016 года стоит многоточие).

40

Воронежская область является здесь своего рода “математическим пределом сверху” для этих регионов; некоторые из них не скоро смогут приблизиться к ней по комплексу характеристик. Кроме хороших значений многих показателей (а особенно - розничной торговли, доли бедных,высокого уровня ВРП) в  этой области  очень низкая доля убыточных предприятий (меньше 26.4% за все 4 года),  минимальная степень износа ОФ (в Таб.4). У неё также высоко расположен  график ФЦЭД (Рис.1 выше); да и нарастает он достаточно круто;  здесь наилучшие значения сводного ИИ УБН (см.Таб.7, Рис.5 ниже), а также – двух блочных ИИ (Рис.6,7); у них неплохая динамика за четыре года. Правда, стоит отметить, что  структура ВРП здесь явно  отличается от крымской, а также двух  близких ему регионов, имея в своём составе высокие доли "услуг и недвижимости", "оптовой и розничной торговли" (см.Рис.2 выше). Также для неё характерны высокие значения Кф, примерно как в Краснодарском крае, которые  весьма медленно спадают с 2014 года: с 15.4 до 14.

41

Показатели, обозначенные вверху Таб.4 через  xj , формируют первый блок  из  УБН. Во второй части настоящей работы сводный ИИ УБН, сконструированный в её первой половине,  интерпретируется  как  зависимая переменная эндогенного типа. Показатель z1–“уровень безработицы здесь  играет роль переменной экзогенного типа, или “фактора”. Из сравнения значений в строках Таб.4  видно, что чем меньше безработица, тем чаще в  регионе  более высокий  ВРП, меньше уровень бедности, выше место по  РОТ. Очевидно,  что  чем большая доля жителей  работает, тем в среднем в регионе лучше с доходами.  В эконометрике  зависимость темпа прироста заработной платы от уровня безработицы нередко описывают кривой Филипса [15]. Кроме того, установлена  связь показателя бедности — индекса лишений  I2 ,— с логарифмом фактического совокупного ДД семьи и ещё шестью факторами (наличие сбережений и др,) в виде линейной модели регрессии, оцененной по опросам 647 семей Санкт-Петербурга в [16,Таб.4.1]; коэффициент детерминации получился 51% и главный вклад из всех факторов вносит логарифм ДД.  Также,  если дополнительно в регионе ниже  ПМ  и есть доходы помимо официальной зарплаты (например, от подсобных хозяйств или неформальной занятости в малом бизнесе), то  можно ожидать и больше накоплений, а поэтому шире автомобилизация. Последняя ещё зависит от накоплений за прошедшие годы.

42

На доходы работников влияет также производительность труда; отсюда, чем менее изношены ОФ в регионе, тем выше могут быть ДД. Поэтому показатель z5–“доля изношенных ОФ выбран ещё одной переменной экзогенного типа (см.Таб.8 ниже и [29]).  Также из Таб.4 видно, что чем регион  ближе к дотационным, тем в нём хуже ситуация с доходами населения и  бедностью, поэтому переменная z4–“соотношение безвозмездных поступлений в бюджет региона с ВРПвыбрана как ещё один фактор (см.также [51] ). Кроме того введён  показатель z2, связанный с криминальным риском; он лишь отчасти аналогичен индикатору безопасности из [4,(3.12)]; подробнее – см.(3) в п.8.1. И, наконец, была включена  переменная z3 –"объём ИОК на душу (за исключением бюджетных средств)"; показатель zесть в перечне из [17]; примерно аналогичный ему  показатель №6  включён в свежий набор показателей  из Указа [18].

43

Выше мы рассмотрели некоторые социально-экономические показатели выбранных регионов и эволюцию графиков их ФЦЭД. Далее на основе методологии из [4] строится  ИИ УБН примерно как в  [3], но с уточнением некоторых данных согласно [9,10], добавлением свежих [11] и введением дополнительного показателя по качеству дорог с твёрдым покрытием [9].

44

6. Расчёт  ИИ УБН  и  их эволюция по  t  (с  фокусом на  Крым).

45

Опишем кратко, что делается в настоящем разделе. Величина  ИИ УБН (или Y)  в 76-ти регионах рассчитывается по комплексу  показателей из Таб.5, взятых в год согласно п.6.1,...,6.5; расчёты единообразны с 2014 по 2017 годы.  Сначала ежегодно выполняется операция унификации, рассчитываются матрицы ковариаций S и корреляций R (согласно п.6.2). Далее, на 1-м шаге  выполняется компонентный анализ матрицы S (см.п.6.3), на 2-м шаге после изучения  матрицы R   все переменные из Таб.5  разбиваются на три блока. На 3-м шаге  компонентный анализ выполняется  на уровне матриц  S(k) каждого k–го блока, k=1,2 (см.п.6.4). В результате сделанной группировки переменных в три блока и вышеописанной последовательности расчётов,  исходное пространство переменных  редуцировалось в трёхмерное, или 3-D. На 4-м шаге  вычисляется расстояние от точки, которая соответствует  региону, до точки “идеального региона” (см.п.6.5). Это расстояние задаёт значение  Y  для данного региона. Почти вся схема таких расчётов в  заданный год  наглядно приводится на Рис.4 из п.6.6.  Затем, после повторения указанных выше шагов в другие годы  получается динамика  Y по t  для выбранной группы регионов. Эволюция Y во времени  для нескольких регионов  (в блочном и сводном вариантах) рассмотрена на графиках в  п.6.7, 6.8. Наконец,  по совокупности  графиков для этой группы регионов  делаются выводы.

46

6.1) Показатели, описывающие условия жизни; перечень регионов

47

Использовались ежегодные панельные данные с  официальными показателями из Таб.5  для 76-ти регионов страны.

48

Таблица 5.  Перечень показателей условий жизни граждан  в год  [3,4]

Номер Название показателя
1 ВРП (в расчёте на душу)
2 Покупательная способность среднедушевых ДД
3 Доля “бедных”в общей числен.населения; у них ДД меньше, чем ПМ в регионе
4 Автомобилизация населения (число собств. легковых машин на 1 тыс.жителей)
5 Розничный товарооборот на душу (РОТ)
6 Коэффициент фондов Кф
7 Средняя обеспеченность жильём (общая площ.жилых помещ. в расчёте на душу)
8 Ввод в действие общей площади жилых домов (на тысячу жителей)
9 Доля некачественного жилья ( % ветхого и аварийного жилого фонда )
10 Густота «асфальтированных» дорог (АД) общего пользования для автомобилей
11 Доля «улучшенных АД» (%  длины дорог высокого качества к длине всех АД)
49 Из полного списка регионов были исключены два города федерального уровня (Москва, Севастополь), а также три республики (Тыва, Чеченская, Ингушетия) и Чукотский АО; причина – исключение явных “выбросов” (или таких, у которых много “пропусков”).
50

6.2) Унификация шкал измерений каждого показателя в год t

51

Далее расчёты выполнялись так. Сначала выполнялась унификация измерений  каждого показателя в  год  согласно [4,п.2.3.3].   Она выполнялась для всех показателей Таб.5, кроме шестого, согласно формулам (2.2) и (2.3) из  [4]. Они формализуют связи  показателя с условиями жизни типа "чем больше значение переменной, тем лучше УБН" или соответственно — наоборот. Показатель  Кф рассчитывался по [4,(2.4)] с заданием оптимального значения; мы выбрали его равным 9.5. В итоге наилучший по показателю регион получает 10 баллов, а самый слабый — 0.

52

6.3) Компонентный анализ матрицы S

53

Затем по всем  показателям в год    рассчитывались две матрицы: ковариаций S  и корреляций R, выполнялся компонентный анализ  S . В процессе расчётов оказалось, что первая главная компонента объясняет менее 50%  дисперсии всех переменных (верхняя строка Таб.6 ). Добавление второй главной компоненты позволяет объяснить ежегодно выше  60% дисперсии всех переменных (нижняя строка Таб.6).

54 Таблица 6
55

Результаты компонентного анализа матрицы ковариаций в год  t

  2014 2015 2016 2017
 Доля дисперсии (1-я ГК), % 34.5 36.6 39.8 37.4
 Доля дисперсии (1, 2 ГК) 62.2 61.3 64.9 63.4
56

Поэтому следует  переходить к блочному варианту компонентного анализа, формируя два или три блока (группы) из списка Таб.5  согласно [4].

 

57

6.4) Группировка переменных через матрицу  R ; анализ матриц  S(k)

58

Разбиение на группы выполняется в результате анализа коэффициентов  корреляции rij  из   R, а также – с учётом  смысла показателей: надо, чтобы показатели одной группы характеризовали какой-то один аспект условий жизни населения, а также имели высокий уровень коррелированности внутри данной группы. При этом  желательно, чтобы переменные из разных групп (блоков) имели  слабые корреляции. В итоге оказалось, что  показатель Кф  лучше  вынести в отдельный блок, а  все показатели разбились на три группы: блок 1 (“доходы и расходы”) включает первые пять переменных из Таб.5, блок 2 (“жилищные условия, инфраструктура”) – последние пять, а блок 3 (“дифференциация по ДД”) рассчитывается через  Кф .  Очевидным образом, после перестановки номеров  xв  Таб.5 и обнуления незначимых rij  из клеток  R, на блоки также  разбивается матрица S . Иначе говоря, матрицы S и R   ириближённо обладают блочно–диагональной структурой.

59

Затем компонентный анализ делался отдельно  по блокам 1 и 2. Теперь на уровне k-го блока решается полная проблема собственных значений для матрицы ковариаций S(k) этого блока. В результате находилась первая главная компонента блока 1 (иначе говоря, “блочный ИИ1или новая  переменная Y1 ) ; затем, аналогично второго блока  (или  Y2 ) [4]. Указанная главная компонента является взвешенной суммой показателей, что входят в k-й блок; иначе говоря, она является  их “свёрткой”. При этом выражение под знаком суммы в [4] было чуть модмфицировано, чтобы блочный ИИ лежал в отрезке [0,10]. Веса задаются координатами собственного вектора, что соответствует наибольшему собственному значению  λ1  матрицы S(k).  оно первое в {λ1,…,λp(k)} для  S(k), где p(k) - число переменных в k-м блоке.

60

Получается, что величина Y1 , рассчитанная для 2014,..., 2017 годов, объясняла соответственно 65, 62.6, 66.4 и 63.1 процентов дисперсии всех показателей из первого блока, а Yсоответственно 49, 49.5, 52.2 и 52.6 процентов аналогично для второго блока. В качестве  переменной Y3  используется унифицированное значение  Кф .

61

6.5) Расчёты  с новыми переменными (“блочными ИИ”)  в 3-D

62

По построению  каждый блочный ИИ  для  “идеального региона” (Yj), всегда 10, а для “наихудшего” – ноль [4]. Далее тройка переменных Y1,Y2,Y3  сворачивается через нелинейное преобразование: 3-D => [0,10] , — в  “сводный” ИИ УБН (или Y ); иначе говоря, принимает значения из единичного отрезка, растянутого по масштабу до 10-ти.  При этом почти все точки Y(j)=(Y1,Y2,Y3)T   оказываются внутри  куба с рёбрами длиной 10 и лишь очень немногие попадают на его грани, в вершины.   Это преобразование  порождается расчётом расстояния, рассчитываемого от j-й точки до эталона ("идеальной точки"); для j-го региона  это  расстояние  ρj = ρ(Y(j),10) между  Y(j) и 10=(10,10,10)Т. Оно вычисляется на основе  взвешенной метрики Евклида, причём  вес  пропорционален дисперсии величины  Yk  согласно  [4,(2.22)]; за счёт выбора весов, ρj изменяется от 0 до 10. Величина сводного ИИ УБН  для j-го региона  определяется как  Yj= 10ρj  согласно [4,(2.23)]. Поэтому, чем ближе  точка региона расположена  к  эталону (или самой удалённой от нуля вершине куба), тем  выше  Yj ;  значение для идеального региона  всегда 10. В расчётах оказалось, что веса  q(j)  для блочных индикаторов Yj получились   примерно равными q(1)=0.425, q(2)=0.375, q(3)=0.20 в 2015,..., 2017 году.

63

6.6) Наглядное изображение алгоритма расчётов  для некоторого фиксированного года.

На Рис.4 наглядно изображена почти вся последовательность расчёта(для варианта с группировкой  в три блока).

64

Рис.4. Схема последовательности расчёта: случай трёх блоков.

65

Слева условно показывается  срез (cross-section)  панельных данных за выбранный год. Это матрица X  с данными типа “регион-показатель”; причём вектор-строка  для конкретного региона, например р.Крым, помечен жёлтым. После унификации получается  матрица  X с “волной сверху”; по ней сначала рассчитываются матрицы S, R   и решается полная задача на собственные значения для S ; в результате  находятся все её собственные числа и векторы. Далее используется лишь один из собственных векторов с . На основе другой матрицы R  делается разбиение списка переменных  на три блока. После компонентного анализа каждой из  блочных матриц ковариаций S(k) строятся переменные Y1, Y2; вместе с ними далее используется и Y3 . В результате этих операций каждый вектор из  X   преобразуется в некоторую точку из "куба с рёбрами длины 10". На Рис.4 они  помечены рыжим цветом, а одна из них, что соответствует р.Крым, жёлтым. Вершина куба,  наиболее удалённая  от начала координат, что лежит в точке 0=(0,0,0)', изображает эталонную точку 10 ; она помечена красным. Она соответствует “идеалу” по комплексу всех  показателей в заданном году; а точка 0   — аналогичному “наихудшему” региону.  Далее алгоритм, работая уже с точками, попавшими в этот куб, рассчитывает для j-го региона расстояние ρj  от точки Y(j) до вершины 10, взятое c  “весами”. На рис.4 зелёным цветом помечен отрезок, что соединяет интересующую нас точку  с  эталонной. Длина отрезка равна  ρj ; она определяет  величину  Yj   сводного  ИИ УБН  j-го региона  в данном году..

66

6.7)  Динамика сводного ИИ УБН для нескольких регионов

67

На Рис.5 ниже приводятся графики сводных Y  за ряд лет для регионов  Таб.2,4 (они отчасти похожи по структуре экономике на р.Крым); в качестве одного из передовых регионов приводится Воронежская обл. Кроме этих графиков в Таб.7 приводится динамика ранга шести регионов; они рассчитаны в год  t   по убыванию Yj .

Таблица 7. Место (ранг) региона по величине его интегрального индикатора УБН в год  t  .

Регион 2014 2015 2016 2017 Тип динамики ранга Y
Воронежская обл. 5 12 12 8 ≈ сonst
Орловская обл. 21 20 20 22 ≈ сonst
Пензенская обл. 32, 30 29 29 Позитивная
Ставропольск.кр. 20 19 24 30 Негативная
Алтайский край 51 54 46 50 ≈ сonst
р.Крым 71 72 67 62 Позитивная
68

Ежегодно Воронежская область в дюжине лучших. При этом к 2017 году лишь у Ставропольского края произошло заметное ухудшение ранга Yj. Хорошей динамике ранга Y Пензенской области способствовал спад Кф  с 13.5 до 10.4 за 4 года. Если бы значения Кф для Москвы, Санкт-Петербурга и других регионов были бы меньше 11.5, то по величине Y лучшие 20 регионов в 2017 г. : Москва, Санкт-Петербург, Московская и Белгородская области; р.Татарстан; Воронежская, Липецкая, Курская, Нижегородская,Тамбовская, Свердловская области; Краснодарский край; Ленинградская, Брянская,  Ростовская,  Тульская, Самарская, Ярославская,  Калужская и Рязанская области. Первые 12 позиций почти совпадают со списком из [50].

69

Рис.5. Динамика сводного ИИ УБН для шести регионов, включая р.Крым

70

На графиках Рис.5  сначала наблюдается спад от уровня 2014 года. Это произошло как из-за введения во второй половине года “западных санкций”,  так и падения стоимости нефти на мировом рынке и ослабления рубля.

71

6.8) Динамика блочных ИИ УБН для пяти регионов

Для р.Крым, Ставропольского края, Орловской, Пензенской, Воронежской областей ниже приводится эволюция графиков изменения блочных индикаторов УБН  по оси 0 - t (Рис.6,7).

72

Рис.6. Динамика ИИ УБН: блок 1 ("Доходы и расходы")

73

График блочного ИИ1  для р.Крым растёт с 2015 года более круто, чем аналогичные графики четырёх регионов (Рис.6);  отсюда и его сводный индикатор Y   с 2015 по 2017 годы также нарастает  быстрее всех, исключая  Воронежскую область (см.Рис.5). Из-за  медленного ввода площади жилых домов и слабого роста средней обеспеченности жильём, в республике с 2014 года заметно ухудшился  её блочный индикатор ИИ2 (Рис.7).

 

74

Рис.7. Динамика ИИ УБН: блок 2 ("Инфраструктура, жилищные условия" )

75

Заметим, что в 2018 году по объёму ввода жилья на душу р.Крым – на среднем месте [12]. С одной стороны, республика превосходит по этому показателю  Орловскую область и оба края из Таб.4, обгоняет 80% регионов СКФО и ДФО.  Однако, с другой — уступает почти всем регионам ПФО и УрФО, 2/3 регионов  ЦФО, 1/2  регионов ЮФО, CФО, СЗФО.  Из Рис.7 видно, что  Y2 почти не возрастает в республике с 2015 года. Это отчасти было связано с оторванностью территории Крыма от материка, а также с терактом, который породил энергетическую блокаду п/о Крым. Однако с 2016 года наблюдается небольшой рост, аналогичный росту Y2  для Пензенской области. Из графиков (Рис.1,5–7) и Таб.2–4 следует, что по динамике сводного и блочных ИИ УБН, а также по типу эволюции ФЦЭД, к республике ближе всех в 2016 и 2017 годах была Орловская область. Другие два ближайших для р.Крым ориентира: Ставропольский край и Пензенская область, а “в пределе” – Воронежская область.

76

Далее находятся приоритетные показатели из перечня Таб.5. Для этого выбраны четыре конкретных региона; среднее значение по ним, а также по 75-ти регионам из матрицы X , будет сравниваться с аналогичным показателем  р.Крым (после унификации). Это были Орловская и Пензенская области, Ставропольский и Алтайский края, попавшие ранее в Таб.2-4. Поэтому желательно подтянуть характеристики р.Крым хотя бы до среднего уровня, рассчитанного по ним (или по  всем прочим регионам).

77

7. Выявление приоритетов; узкие места” для р.Крым.

7.1)  Анализ  динамики  xj(t) за четыре года; сравнение со средними величинами

Эволюция унифицированных значений показателей р.Крым    сравнивалась в табличном и графическом виде  со средними, рассчитанными только по  четвёрке регионов и по всей матрице  Х "с волной". Оказалось, два показателя   “Автомобилизация”  и “Обеспеченность  жильём”  в Крыму  – наихудшие среди 75-ти прочих регионов. Кроме этих двух, наивысшее отставание  было по уровню бедности и покупательной способности ДД.  Несколько менее проблемными оказались душевые ВРП, РОТ и показатель ввода жилья. 

Также для каждой переменной Таб.5 строились тройки графиков "xj=f(t)" (после предварительной унификации переменных); пример  для  “покупательной  способности доходов” (или ДД/ПМ) приводится на рис.8.

78

Рис.8. Унифицированная покупательная способность доходов крымчан и её средние значения (Цветные линии – средние; у г.Санкт-Петербург - 10 баллов).

79

Очевидно, что эта способность в республике была до 2017 года  мала. Однако, с 2018 года она стала существенно лучше, так что отставание от одного из средних сократилось до уровня 25%. Тем не менее, республика в 2017 году уступает по показателю ДД/ПМ всем регионам ЦФО, почти всем из СЗФО и ЮФО, большинству регионов ПФО, УрФО,  СФО, ДФО и трём регионам из СКФО (двум республикам и Ставропольскому краю). Однако, согласно "Ведомостям" [19], это было достигнуто в республике в большей степени для госслужаших, бюджетников и пенсионеров и почти не коснулось негосударственного сектора.

80

7.2)  Важность борьбы с бедностью в регионах, включая ррым.

81

Актуальность снижения бедности хорошо освещается в [20,21]. Многие исследователи отмечают, что важнейшая  причина бедности – неразвитость адекватных механизмов перераспределения доходов [20,23,40,42].  Из публикаций про её измерение можно указать [16, 21-24, 41,45]. В [24,гл.3] кратко рассматриваются меры благосостояния, а также  несколько показателей бедности, включая предложенный Нобелевским лауреатом А.Сеном (A.Sen); освещается вопрос борьбы с бедностью при ограничениях на бюджет, поставленный здесь как условная задача минимизации. В [21,24] также отмечается, что  власти склонны воздействовать на величину ПМ из соображений политической конъюнктуры, что может приводить к уменьшению "доли бедных". О заниженности величины ПМ в РФ заявил и экс-зам.министра труда и занятости населения РФ [23].

В официально принятой в РФ "абсолютной концепции бедности", что критикуется в [23], главный вклад  в ДД вносит зарплата. Здесь доходы (ДД) человека сравниваются с заданной чертой бедности в виде ПМ. Доходы учитывается нами при расчёте ФЦЭД, а также –  через соотношение ДД/ПМ, показатели автомобилизации и РОТ, которые входят в величину ИИ1, и ещё – показатель X по жилищным условиям. Несколько меньше дефицит ДД связан с отсутствием благоприятной среды для активности МП, ИП, а также  социальными трансфертами (пенсии,...), доходами от накоплений и недвижимости.

82

В [16,21] предлагается подход к оценке бедности через основные лишения (депривации), выявленные по опросам потребления ДХ; он относится к "относительной концепции бедности", следуя работе  П.Таунсенда (1979)  и более поздним трудам [21,48]. Например, его с 2017 года ввёл Евростат [49]; также он использовался в  обзоре Института социального анализа и прогнозирования РАНХ и ГС  [41] после опроса ДХ осенью 2018 года, где россияне разбиты  с точки зрения их "потребительского благополучия" на 4 группы: 1) бедности (22% респондентов);  2) риска (36%),  3) возможных изменений (14%); 4) комфорта (28%). Из полученных результатов следует, что  уровень бедности по этой методике оказывается явно выше, чем в подходе "бедность по доходам". В [16,21] предлагаются комбинированные критерии бедности, который учитывают и материальные ресурсы (включая ДД), и испытываемую в ДХ обездоленность, измеренную по "индексу лишений".  Также в [16,гл.10], [21] развивается многомерный подход к комбинированию оценок ресурсов ДХ и критериев социальной исключённости. Здесь  к активам ДХ, наряду с доходами, относятся:  товары длительного пользования (квартира, дача, машина и др.); качество жилья; предметы организации быта и досуга. В итоге строится интегральный индикатор УБН на базе имеющихся многомерных оценок уровня жизни ДХ. Если проранжировать ДХ по величине этого индикатора, то в самом низу окажутся беднейшие ДХ.

83

Кроме экономических аспектов, здесь очень важен и моральный (бедность влияет на демографию региона, калечит в нём души). Бедный человек среди горстки богатых не может ощущать себя полноценным членом общества, семьи; отсюда порождаются курение, алкоголизм и проч. Следующие два исследования психологов выявили негативное влияние бедности на детей. Так, Марта Фарах утверждает [25], что полное лишений детство ограничивает развитие мозга, порождает позднее ущербный интеллект. Она заинтересовалась связью между социально-экономическим статусом и когнитивными успехами детей.  В результате нескольких экспериментов на проверку когнитивных функций — языка, памяти и визуальной обработки, — она обнаружила, что дети из семей с низким социально-экономическим статусом показывали худшие результаты по сравнению с детьми семей со средним статусом. Было выявлено, что дети из малоимущих семей стабильно показывали более слабые результаты в тестах на память, язык и планирование. Позднее, уже в школе,  многие проблемы, связанные с бедностью (плохое питание и проч.), снижают успехи детей. Примерно об аналогичном пишут в [46]. Другое исследование  (Journal of Personality, август 2005-2006 гг, [26]) показывает, что даже короткий период бедности негативно отражается на когнитивном развитии ребенка. Доказывается, что “пессимизм и оптимизм” закладываются в раннем детстве, причем на их формирование оказывает влияние благосостояние семьи. Так, если ребенок растет в семье с относительно высоким достатком, то  во взрослом возрасте вероятность стать оптимистом у него явно выше, чем аналогично  для ребёнка  из малообеспеченной семьи. Причём даже если выросший в бедности человек позднее разбогатеет, он, скорее всего, уже не станет оптимистом. У таких людей гораздо выше вероятность психических расстройств.  Вместе с тем, указывают исследователи,  люди, выросшие в обеспеченных семьях, сохраняют оптимизм даже тогда, когда в их жизни не все складывается удачно. Они менее склонны к депрессиям и не теряют присутствия духа в сложных ситуациях.

84

Из-за вышеперечисленного и согласно Таб.4, Рис.8 [16,21-24]  можно считать, что  показатели  x2 ,x3 , наряду с быстрейшим расселением аварийного жилья  (входит как часть в x9), являются для р.Крым наиболее приоритетными с позиций “объективного подхода”.  Показатель x3   также есть в перечне из Указа [18], где он имеет  №7 ;  снижение бедности - стратегическая цель "г" для ОИВ РФ [47].

85

Среди мер борьбы с бедностью в [20] предлагалось активнее развивать и раскрепощать МП, ИП (эти типы организации бизнеса чутко реагируют на потребности малоимущих и  улучшают занятость). Показатель занятости жителей в некрупном бизнесе также входит с №3 в Перечень [18]. Однако, если взять данные 2017 года [9], то “по числу работников МП без совместителей в соотношении со среднегодовым количеством занятых” крымчане оказываются лишь на 11-12 месте снизу. Тем не менее, это лучше, чем в регионах СКФО, кроме Ставрополья; однако доля работников МП среди крымчан заметно хуже, чем для Алтайского края, Орловской области. Да и второй показатель по МП (их количество на 10 тыс. жителей) существенно ниже среднего по стране; правда, это выше Ставрополья и чуть лучше уровня Пензенской и Саратовской областей. Также мешающим фактором является чрезмерное давление на бизнес, согласно исследованию Института социологии РАН [19].

86

Кроме мер по созданию условий для бизнеса, роста зарплаты и трансфертов,  на снижение бедности позитивно влияют уменьшение  уровня безработицы (см. Таб.4), снижение  Кф [20] и величины ПМ. Заметное снижение последней ожидается федеральными властями после сдачи ж/д  части Крымского моста; отсюда, согласно методике  [22,п.1.5], можно решать задачу  прогноза  доли "бедных по ДД", имея значение ПМ в регионе.   Дополнительно к трём упомянутым переменным  немаловажно  улучшать строительство жилых домов, сделать жильё доступнее для крымчан, особенно в городах, а также  увеличивать ВРП в республике. По вводу жилья в 2018 году р.Крым опередила всех в ЮФО [44].

87

 7.3)  Низкий уровень ВРП на душу и перспективы его роста.

Среди причин низкого уровня ВРП были: высокий износ ОФ, большая доля убыточных предприятий, недостаточная их энерговооруженность, слабая обеспеченность газом, водой, трудности с орошением полей. Также негативно влияли отрыв территории полуострова от материка, блокада со стороны Украины и западные санкции.  На рост  ВРП должны повлиять снижение степени износа ОФ (см.Таб.8) и рост экономики в результате реализации многочисленных инфраструктурных компонент ФЦПР (полный ввод Крымского моста, улучшение энерго- оснащенности полуострова с осени 2018 года, его снабжения газом и водой, ввод части трассы “Таврида”, терминала аэропорта и др.), а также  развития туризма, рекреационной отрасли [44].  Снижение криминального риска (3) также способствует росту ВРП, созданию комфортных условий для бизнеса, улучшению морального состояния общества,  притоку  отдыхающих.

88

7.4  Перечень приоритетных показателей для УБН ррым

Из содержания п.7.1-7.3,  можно сформулировать некоторые возможные приоритеты для властей р.Крым (с точки зрения условий жизни, или ИИ УБН):

  1. низкая величина ВРП ;
  2. сравнительно невысокие  доходы (ДД) и их  покупательная способность (см.Рис.8, Таб.1);
  3. высокий уровень бедности населения: 76-е место в РФ [42] (хотя с 2016 года доля малоимущих снижается в республике быстрее, чем  в среднем по стране);
  4. слабость строительной отрасли; это порождает медленный рост индикатора Y2 (Рис.6);
  5. низкая  обеспеченность жильём в городах, в которых проживает половина крымчан (хотя ввод жилья на душу в 2018 году сравнялся со средним по стране [11,12]);
  6. рост доли ветхого и аварийного жилфонда к 2017 году более быстрый, чем  среднее значение по четверке регионов (необходимо, в первую очередь, расселять аварийный фонд, площадь которого в 2017 году была 34.1 тыс. кв.м., и постепенно – ветхий, с площадью 512.2 тыс.кв.м. [14]);
  7. медленный рост розничного товарооборота на душу и его относительная слабость (это  следствие невысоких  ДД и их покупательной способности, высокого уровня бедности и значительной распространённости пенсионеров);
  8. создание условий, благоприятных для развития МП, ИП.
89

Положительной чертой р.Крым является неплохая динамика его сводного ИИ УБН с 2015 года (см.Рис.5, Таб.7), которая примерна аналогична Воронежской области. Такая динамика имеет место, в основном, за счёт роста блочного ИИ1 в р.Крым. Этот рост обусловлен увеличением значения ВРП на 34% с 2015 года, заметным ростом ДД и их покупательной способности, усилением РОТ. Положительную роль сыграло и то, что  доля ОП в ВРП монотонно растёт  с 2014 года, достигнув 10%  в 2017 году [14]. После реализации соответствующих этапов ФЦПР можно ожидать, что многие отрасли экономики будут здесь хорошо развиваться. При благоприятной внешнеполитической ситуации, в недалёкой перспективе регион сможет выйти по величине ИИ УБН (Y) — или как минимум блока доходов (Y1), — на уровень Алтайского или даже Ставропольского края, а несколько позднее — Орловской или Пензенской области.

90

В последнем разделе работы строится регрессионная модель, которая связывает эндогенную переменную в регионе за 2017 год  с комплексом экзогенных переменных, на которые могут влиять органы власти, управляющие развитием территорий.  Конечной прикладной целью этой  модели является имитация возможных сценариев развития и выявления того, как могут повлиять изменения экзогенных переменных, поддающихся управлению, на измеритель УБН в р.Крым, и аналогично, — в ряде других регионов.

91

8. Оценивание зависимости ИИ УБН 2017 года от показателей региональной политики.

92

8.1)  Выбор и расчёты факторных переменных и их корреляции

93

Из перечня регионов РФ, кроме шести, ранее исключённых при расчёте Y (г.Москва и др.), ниже дополнительно исключались, как содержащие "выбросы", пять республик: Адыгея, Бурятия, Калмыкия, Марий Эл, Саха (Якутия),— а также четыре области: Иркутская, Московская, Тамбовская, Тюменская. Большинство этих регионов лежали по своей дотационности в 2014 году в самых верхних и нижний строках в Таб.5 из [51]. 

Затем рассматривались различные варианты выбора факторов, которые зависят от региональной экономической политики и влияют на величину сводного индикатора УБН. С учётом предыдущих работ (см., например, формулу (3.23) и Таб.3.17 в [4]), а также — перечисленного   выше в п.5,  в итоге были выбраны  показатели  Zj, j=1,…,5  (см Таб.8 ниже), имеющие корреляционные связи между собой и с зависимой переменой Y. Для каждой из них корреляция ryj  с Y была более высокая, чем с прочими четырьмя экзогенными переменными. Наибольший коэффициент интеркорреляции  rij был между парой переменных Z1 и Z4 ; по модулю он меньше, чем 0.43. Все прочие коэффициенты rij  между Zi и Zj  были по модулю менее 0.33. Также вычислялись коэффициенты множественной детерминации, когда в качестве зависимой переменной поочерёдно брался каждый из факторов. Максимальный коэффициент оказался в этом случае равным 34%.  Всё  это даёт основания предполагать, что нет мультиколлинеарности Zj, j =1,…,5 .

94

Значения за 2017 год по регионам для степени износа ОФ, уровня безработицы, ИОК, по ВРП имеются в [9-12]; доля безвозмездных поступлений – в [27, Таб.8.2]. При оценивании в конкретном регионе удобнее получается взять  значения для безработицы, степени износа ОФ, численность жителей и "недушевые" ИОК, ВРП из [10]. Индикатор "риска потери здоровья и жизни" Z2 – ниже, для краткости,  криминальный риск, – конструировался как линейная свёртка  четырёх показателей вида “число зарегистрированных  случаев в расчёте на 100 тыс. жителей”. Он рассчитывается следующим способом. Сначала  из  таблицы  региона [9,28] было взято число умышленных убийств U  с покушениями,  случаев  причинения тяжкого вреда здоровью V и  случаев смерти по неосторожности Sn  (часть 4, ст.111 УК); также из [9,Таб.8.2] использовалось число изнасилований Ns (включая покушения). Принималось, что случаи смерти пострадавших (от убийств, вреда здоровью) имеют для властей почти в 6 раз более высокий приоритет, чем другие варианты, когда здоровье человека сильно пострадало, но в итоге он выжил. Поэтому использовалась формула:

95

             Z2 = 100 [0.85(U+Sn)+ 0.15( V Sn + Ns)] / N ,              (3)

96

где N – численность постоянного населения, средняя за год, [тыс.чел.] [9,10]; индекс  региона  для простоты здесь опущен.

97

Значения переменной Z  получались элементарным расчётом из структуры ИОК и величины ИОК на душу (из всех источников финансирования) по паре  таблиц  2017 года [9]; соответствующие данные Росстату передаёт Федеральное казначейство.

98

ЗАМЕЧАНИЕ.  Перед включением в (4) факторы Z и  Z предварительно подвергались нелинейной операции унификации с заданием оптимальных значений 100 тыс руб.(на жителя в год) и, соответственно, для износа ОФ – 47%, согласно [4,(2.4)]. Для пояснения приведем график зависимости величины  в 2017 году от ИОК  (Рис.9).   Регионы, которые нас интересуют, лежат по абсциссе в районе 50-70 тыс рублей и ниже. В то же время в стране есть с десяток регионов, у которых Zвыше 100 тыс.  Но мы ими сейчас  не интересуемся, т.к. р.Крым очень далёка от них, как и почти все регионы в нижней части базовой группы. Непрерывная кривая аппроксимирует по МНК  зависимость от ИОК. Поэтому значение ИОК (из всех источников финансирования, но с исключением бюджетных средств)   отображалось в  [0.10] через примерно аналогичное  нелинейное преобразование согласно формуле [4,(2.4)]. Полученное  преобразованное значение и было  экзогенной переменной Zв  (4).

Для "% износа ОФ" дополнительно принималось условие, что если этот износ ниже 47% (и при этом регион не лежит в СФО, СКФО и ДФО), то z5 = 10 баллов; то есть преобразование было "цензурированным".

99

Рис.9. Диаграмма рассеяния Y и фактора ИОК в 2017 г.

100

8.2) Построение линейной регрессионной модели

101

Параметры βj , j =0,1, ....5  и б2  в модели

102

            Y = β0 + β1Z1 +… + β5Z5 + ε                                     (4)

103

были оценены стандартным способом по выборке, включающей данные по 67 регионам за 2017 год, где βj – неизвестные числовые коэффициенты, случайное возмущение   ε     имеет нулевое математическое ожидание и неизвестную дисперсию б2, причём  свободный член  β0  в (4)   учитывает влияние на  величину всех прочих факторов, не учтённых в модели.

104

В следующей ниже Таб.8 приводятся результаты оценивания β-коэффициентов (3-я строка – это МНК-оценки для βj, обозначенные через  bj ), модули t-статистик для проверки гипотезы Ho: "βj=0 для каждого j", достигнутые уровни значимости (4-я и 5-я строка), средние частные коэффициенты эластичности, коэффициент детерминации R2 и его подправленное значение, оценка стандартного отклонения σ, результаты дисперсионного анализа остатков регрессии, статистика DW Дарбина- Уотсона и  её  5%-я критическая граница Du; наконец, – три статистики для критериев согласия эмпирического распределения остатков с нормальным.

105

Таблица 8.      Результаты оценки параметров модели (4); статистики и тесты                        

Y      Z1         Z2      Z3                Z4      Z5

Оценка своб.члена

Уровень  без- работицы, % 

Крим.риск  ИОК (с opt= 100), балл

Доля безвозмездных поступл. в ВРП, [%]

% износа ОФ ,балл

   6.0766     -0.1576  -0.0822    0.0936           -4.17    0.0994
   (15.6)      (4.8)    (8.1)    (3.2)            (3.6)    (4.3)
  < 0.001     < 0.001  < 0.001     0.002            < 0.001    < 0.001
 К-т эластичн.     -0.17     -0.18     0.12            -0.04    0.14
 К-т  R2    80.5%  Скорр.R2     79%  Оценка (несм.) б    0.4284
 F-стат.  50.2

 

 Степ.своб.

 
  61  Достигн.ур.знач.   < 0.001
 Стат. DW  1.915      Крит.граница Du  1.77
 Стат. χ2   1.62  Стат. Dn 0.0586

 Модиф.стат.w*2        

 0.034              
106

Средние коэффициенты эластичности показывают, на сколько процентов от своего среднего  значения изменится Y  при увеличении каждого фактора на 1% и фиксированных прочих; например, если бы в регионе  на 1% возрос криминальный  риск (3), то величина Y  снизилась бы на 0.18%. Положительный знак при эластичности для  Z3, Z5  связан с операцией унификации каждого из этих факторов, их отображением в [0,10]. Так, чем ближе, Zк 100 тыс.руб. (на 1-го жителя региона в год), тем лучше.

107

Гипотеза о значимости модели, или Ho: "βj=0, j=1,...,5"– выполняется через F-статистику; она отвергается, т.к. достигнутый уровень значимости мал. Гипотеза Ho: "отсутствие автокорреляции остатков",— на 5% уровне значимости не отвергается [30,Таб.V], т.к. статистика DW лежит в [Du,4-Du]. Ещё на предмет отсутствия автокорреляции 1-го порядка анализировался график зависимости остатков  e(i) от номера региона i . Все остатки лежат в горизонтальной полосе из [-1,1]. Итогом рассмотрения графика и теста является вывод об отсутствии автокорреляции 1-го порядка. Также строился график зависимости остатков от оценки Y по (4),  а также – аналогичные графики для каждого Zj , откладываемого  по абсциссе. Все графики для  остатков (или оценок ε), как функций от факторов, свидетельствуют о независимости возмущений  ε от Zj (в вероятностном смысле). Из изложенного ещё можно считать, что остатки имеют случайный характер.

108

Гомоскедастичность проверялась для  каждого фактора из {Z1,Z2,Z4,Z5}. При этом использовались два теста: ранговой корреляции Спирмена [30,(7.17-18)] и  Голдфелда-Квандта. Последний применялся с учётом того, что автокорреляции не выявлено, а случайное возмущение – нормальное (см. п.8.4 ниже).  В нём брались две группы по 29 регионов  "сверху" и "снизу" таблицы данных (после их ранжировки по росту  Zj  и без 9-ти регионов в центре). Затем в каждой группе строилась линейная регрессия и рассчитывались остаточные суммы квадратов; через соотношение этих сумм находилась статистика критерия [30,(7.19)]. Она сравнивалась с критическим значением из таблицы F-распределения с v1=v2=24 степенями свободы, что соответствует 5% точке [30,Таб.IV]. В итоге на 5%-м уровне значимости гипотеза Ho о гомоскедастичности не отвергается  (по тестам, выполненным для  каждого Z1,Z2,Z4,Z5). Вместе с анализом графиков остатков отсюда следует отсутствие гетероскедастичности.  Исходя из вышеперечисленного, после анализа остатков (4)  можно считать, что все предпосылки МНК, согласно (5.34)-(5.38) из [31], не противоречат выборочным данным. Резюмируя вышеизложенное, оценки параметров в (4) можно рассчитывать по МНК средствами Еxcel и эти оценки будут несмещённымии, состоятельными, эффективными. А также можно использовать критерии Стьюдента и Фишера, т.к. гипотеза о нормальности не отвергается (см.п.8.4).

109

8.3)  Применение оцененной модели (4) к ретроспективным данным

Если применить модель (4) с оценками βj к значениям  Zj  для 22-х регионов из нижней части "базовой" группы, то средняя ошибка аппроксимации будет 5.2%. Кроме того, в Таб.9 слева приводятся относительные ошибки, полученные аналогично для многих регионов из "базовой"группы, а справа – "обрабатывающей", "добывающей", "с/х" групп [7] и р.Дагестан; порядок следования взят из [7]. Здесь – лишь регионы с ошибкой, что ниже 9%; в скобках – класс региона [33].

 

Таблица 9. Относительная погрешность оценки Y по (4) и факторам Zj 2016,2017 годов,в [%].

110

Регион

Ошибка-'16

Ошибка-'17

Регион

Ошибка-'16

Ошибка-'17

Белгородская   (2)

- 4

- 4.9

Тверская       (2)

        6.7

2.4

респ.Хакассия (7)

- 2.6

5.2

Амурская        (7)

4.9

      - 5.6

Самарская     (1)

- 1.1

- 4.3

Ивановская      (7)

         6.6

2.3

Магаданская   (5)

1.3

- 2.8

Приморский кр.(7)

3.7

       - 4.1

Ленинградская(2)

- 4.3

- 3.4

Новгородская (2)

        1.4

5.9

респ.Карелия  (5)

- 3.5

 1.2

Омская        (7)

6.1

- 3.1

Курская        (2)

- 6.6

- 8.3

Липецкая        (2)

       - 6.5

 - 6.6

Орловская     (2)

- 1.6

- 2.3

Калужская     (2)

- 2.6

        - 4

Костромская   (7)

9

6.5

Владимирская (6)

- 2.6

- 3.9

Хабаровский кр.(4)

4.4

0.5

Тульская       (1)

        - 3.1         - 2.7

Ульяновская   (5)

- 2.3

 2.3

респ.Дагестан  (8)

- 7.6

- 3.9

Брянская       (6)

- 5.1

- 5.2

респ.Татарстан (3)

 8.8

        - 4.4

КЧР                (8)

1,2

5,7

Кемеровская   (3)

- 4.9

- 1.3

Волгоградская (7)

2.3

- 1

респ. Коми    (5)

 1.7

2.5

Смоленская    (2)

- 1.6

7.5

Ростовская      (1)

2.8

3.3

Саратовская  (1)

8,7

6.8

Воронежская   (7)

6

- 0.8

Забайкальск... (7)

- 7.3

- 6.7

Ставропольск. (7)

 2.1

1.1

Мурманская   (4)

- 6.7

- 5.3

Алтайский кр.  (7)

- 4.3

1.4

респ.Чувашия  (5)

 1.0

          2.1

Пензенская       (7)

  6.6

6.6