Приложение 4. Построение суммарного показатель развития муниципального образования на выборке, не содержащей муниципальные образования, являющиеся региональными центрами
Вначале метод главных компонент применялся для построения показателей отдельных аспектов социально-экономического развития: показателя демографической ситуации в муниципальном образовании, обеспеченности услугами здравоохранения и развитии сельского хозяйства. При выделении главных компонент применялся критерий Кайзера, который заключается в отборе факторов, с собственными значениями, большими единицы.
Представленные ниже таблицы показывают коэффициенты корреляции переменных и процент объясненной общей дисперсии.
1. Показатель демографической ситуации.
Корреляционная матрица
|
|
ROJ |
SME |
|
ROJ |
1,000 |
-0,329 |
|
SME |
-0,329 |
1,000 |
Полная объясненная дисперсия
|
|
Начальные собственные значения |
|
|
Суммы квадратов нагрузок извлечения |
|
|
Компонента |
Всего |
% дисперсии |
Кумулятивный % |
Всего |
% дисперсии |
|
1 |
1,329 |
66,445 |
66,445 |
1,329 |
66,445 |
|
2 |
0,671 |
33,555 |
100,000 |
|
|
Как видно из данной таблицы 1-й фактор объясняет 66,4 % общей дисперсии.
В результате объединения двух переменных ROJ и SME в один фактор, было получено, что Демографическая ситуация в регионе: DEMOG = 0,815∙ ROJ - 0,815∙ SME
2. Показатель обеспеченности услугами здравоохранения
Корреляционная матрица
|
|
VR |
SRMED |
KOEK |
|
VR |
1,000 |
0,483 |
0,122 |
|
SRMED |
0,483 |
1,000 |
0,552 |
|
KOEK |
0,122 |
0,552 |
1,000 |
Полная объясненная дисперсия
|
|
Начальные собственные значения |
|
|
Суммы квадратов нагрузок извлечения |
|
|
Компонента |
Всего |
% дисперсии |
Кумулятивный % |
Всего |
% дисперсии |
|
1 |
1,796 |
59,881 |
59,881 |
1,796 |
59,881 |
|
2 |
0,879 |
29,314 |
89,195 |
|
|
|
3 |
0,324 |
10,805 |
100,000 |
|
|
Как видно из данной таблицы 1-й фактор объясняет 59,9 % общей дисперсии.
В результате объединения трех переменных VR, SRMED и KOEK в один фактор, было получено, что Состояние сферы здравоохранения в регионе:
MEDIC = 0,662∙ VR + 0,908∙ SRMED + 0,730∙ KOEK
3. Показатель развития сельского хозяйства
Корреляционная матрица
|
|
ZERN |
KART |
OVOSH |
MEET |
MILK |
|
ZERN |
1,000 |
0,458 |
0,166 |
0,455 |
0,577 |
|
KART |
0,458 |
1,000 |
0,262 |
0,251 |
0,213 |
|
OVOSH |
0,166 |
0,262 |
1,000 |
0,503 |
0,316 |
|
MEET |
0,455 |
0,251 |
0,503 |
1,000 |
0,732 |
|
MILK |
0,577 |
0,213 |
0,316 |
0,732 |
1,000 |
Полная объясненная дисперсия
|
|
Начальные собственные значения |
|
|
Суммы квадратов нагрузок извлечения |
|
|
Компонента |
Всего |
% дисперсии |
Кумулятивный % |
Всего |
% дисперсии |
|
1 |
2,627 |
52,538 |
52,538 |
2,627 |
52,538 |
|
2 |
0,947 |
18,933 |
71,472 |
|
|
|
3 |
0,842 |
16,849 |
88,320 |
|
|
|
4 |
0,361 |
7,219 |
95,539 |
|
|
|
5 |
0,223 |
4,461 |
100,000 |
|
|
Как видно из данной таблицы 1-й фактор объясняет 52,5 % общей дисперсии,
В результате объединения пяти переменных ZERN, KART, OVOSH, MEET и MILK в один фактор, было получено, что Развитие сельского хозяйства в регионе:
SELHOZ = 0,748∙ZERN+ 0,546∙ KART + 0,589∙ OVOSH + 0,851∙ MEAT + 0,834∙ MILK.
Далее метод главных компонент был применен для нахождения линейной комбинации всех рассматриваемых векторов, ковариационная матрица которых приведена ниже.
|
|
PROM |
SELHOZ |
INV |
DEMOG |
MEDIC |
UNEM |
WAGE |
SQ |
AVTO |
TEL |
DET |
|
PROM |
1,000 |
-0,381 |
0,462 |
0,165 |
0,304 |
-0,101 |
0,692 |
0,161 |
0,359 |
0,394 |
0,324 |
|
SELHOZ |
-0,381 |
1,000 |
-0,234 |
0,121 |
-0,402 |
-0,135 |
-0,307 |
-0,155 |
-0,037 |
-0,402 |
-0,203 |
|
INV |
0,462 |
-0,234 |
1,000 |
0,160 |
0,125 |
0,058 |
0,453 |
0,028 |
0,271 |
0,373 |
0,143 |
|
DEMOG |
0,165 |
0,121 |
0,160 |
1,000 |
-0,111 |
0,121 |
0,069 |
-0,388 |
0,156 |
0,109 |
0,160 |
|
MEDIC |
0,304 |
-0,402 |
0,125 |
-0,111 |
1,000 |
-0,261 |
0,264 |
0,132 |
-0,046 |
0,048 |
0,017 |
|
UNEM |
-0,101 |
-0,135 |
0,058 |
0,121 |
-0,261 |
1,000 |
-0,075 |
-0,137 |
0,192 |
0,261 |
0,090 |
|
WAGE |
0,692 |
-0,307 |
0,453 |
0,069 |
0,264 |
-0,075 |
1,000 |
0,004 |
0,565 |
0,531 |
0,379 |
|
SQ |
0,161 |
-0,155 |
0,028 |
-0,388 |
0,132 |
-0,137 |
0,004 |
1,000 |
-0,105 |
-0,096 |
-0,083 |
|
AVTO |
0,359 |
-0,037 |
0,271 |
0,156 |
-0,046 |
0,192 |
0,565 |
-0,105 |
1,000 |
0,559 |
0,201 |
|
TEL |
0,394 |
-0,402 |
0,373 |
0,109 |
0,048 |
0,261 |
0,531 |
-0,096 |
0,559 |
1,000 |
0,154 |
|
DET |
0,324 |
-0,203 |
0,143 |
0,160 |
0,017 |
0,090 |
0,379 |
-0,083 |
0,201 |
0,154 |
1,000 |
В данном случае, мы уже не использовали критерий Кайзера при выделении главных компонент. В качестве суммарного показателя развития муниципальных образований выбирался фактор с наибольшей объясняющей силой общей дисперсии. Такой выбор позволяет нам провести однозначные расчеты индексов неравенства при максимально возможном учете разброса в развитии муниципальных образований. На этой стадии выяснилось, что переменные уровень безработицы, площадь жилья, приходящаяся на одного жителя, а также показатели демографической ситуации и обеспеченности услугами здравоохранения имеют низкие доли дисперсий, принадлежащих фактору и, следовательно, должны быть исключены из анализа. В результате отбрасывания данных переменных и выделения главных компонент на множестве оставшихся переменных было получено, что 1-й фактор объясняет 46,1 % общей дисперсии, в то время как каждый последующий фактор менее 14,4 %.
Суммарный показатель развития муниципального образования (без учета столиц):
dev_ind = 0, 791∙ PROM - 0, 508∙ SELHOZ + 0, 628∙ INV + 0, 867∙ WAGE + 0, 660∙ AVTO + 0, 741∙ TEL + 0, 460∙ DET,
Приложение 5,
Индексы межмуниципального неравенства республики Чувашия, Томской и Пермской области и республики Марий Эл, построенных на основе суммарного показателя развития муниципальных образований (без учета региональных центров)
Таблица П5.1. Индексы межмуниципального неравенства
|
год |
номер |
MMR |
CVu |
CVw |
Rw |
T |
G |
Gw |
|
1995 |
Республика Чувашия |
1,2235 |
0,0504 |
0,0620 |
0,0262 |
0,0019 |
0,0274 |
0,0346 |
|
1996 |
Республика Чувашия |
1,2644 |
0,0582 |
0,0757 |
0,0308 |
0,0028 |
0,0300 |
0,0405 |
|
1997 |
Республика Чувашия |
1,2727 |
0,0632 |
0,0802 |
0,0332 |
0,0031 |
0,0335 |
0,0433 |
|
1998 |
Республика Чувашия |
1,3059 |
0,0649 |
0,0844 |
0,0343 |
0,0035 |
0,0340 |
0,0455 |
|
1999 |
Республика Чувашия |
1,3333 |
0,0692 |
0,0938 |
0,0367 |
0,0043 |
0,0341 |
0,0488 |
|
2000 |
Республика Чувашия |
1,4091 |
0,0823 |
0,1124 |
0,0436 |
0,0061 |
0,0395 |
0,0575 |
|
1995 |
Томская область |
1,4368 |
0,0888 |
0,0872 |
0,0293 |
0,0036 |
0,0454 |
0,0420 |
|
1996 |
Томская область |
1,5730 |
0,1115 |
0,1117 |
0,0387 |
0,0058 |
0,0554 |
0,0531 |
|
1997 |
Томская область |
1,7912 |
0,1644 |
0,1619 |
0,0584 |
0,0120 |
0,0806 |
0,0744 |
|
1998 |
Томская область |
2,0109 |
0,1832 |
0,1810 |
0,0444 |
0,0138 |
0,0686 |
0,0629 |
|
1999 |
Томская область |
1,9789 |
0,1817 |
0,1815 |
0,0470 |
0,0140 |
0,0723 |
0,0663 |
|
2000 |
Томская область |
2,8041 |
0,3259 |
0,3243 |
0,0885 |
0,0409 |
0,1223 |
0,1147 |
|
1998 |
Пермская область |
1,2778 |
0,0666 |
0,0782 |
0,0326 |
0,0030 |
0,0372 |
0,0444 |
|
1999 |
Пермская область |
1,4945 |
0,1096 |
0,1273 |
0,0539 |
0,0080 |
0,0588 |
0,0716 |
|
2000 |
Пермская область |
1,6237 |
0,1391 |
0,1533 |
0,0665 |
0,0116 |
0,0752 |
0,0869 |
|
2000 |
Республика Марий Эл |
1,2308 |
0,0556 |
0,0703 |
0,0259 |
0,0024 |
0,0269 |
0,0358 |
Рис. П5.1. Динамика индексов неравенства развития муниципальных образований в республике Чувашия
|
|
|
|
|
|
|
|
|
Рис. П5.2. Динамика индексов неравенства развития муниципальных образований в Томской области
|
|
|
|
|
|
|
|
|
Рис. П5.3. Динамика индексов неравенства развития муниципальных образований в Пермской области
|
|
|
|
|
|
|
|
|
1Коэффициенты корреляции представлены в приложении 3.
2В некоторых случаях приходилось перекодировать показатели индикаторов в баллы вручную, поскольку автоматическая перекодировка с использованием указанного алгоритма приводила к неадекватным результатам. Например, для индикатора «объем производства промышленной продукции на душу населения» значения для гг. Кедрового и Стрежевого многократно превышали значения для всех прочих муниципальных образований, включая г. Томск и Томский район. Автоматическая перекодировка в данном случае присвоила бы 100 баллов Стрежевому и Кедровому и по 10 баллов всем остальным муниципальным образованиям, в связи с чем было решено осуществить перевод данного индикатора в баллы вручную.
3Перспективными отраслями были признаны топливная, химическая и нефтехимическая и промышленность стройматериалов.