- •1. Введение
- •2. Используемые данные и расчетные показатели
- •3. Результаты оценки внутрирегионального неравенства с помощью различных показателей
- •4. Выводы
- •5. Список литературы
- •Приложение 1. Формулы расчета и краткие характеристики используемых показателей
- •Приложение 2. Использование интегральной оценки разноименных показателей для получения совокупной характеристики муниципальных образований
- •Приложение 3. Коэффициенты корреляции переменных
- •Приложение 4. Построение суммарного показатель развития муниципального образования на выборке, не содержащей муниципальные образования, являющиеся региональными центрами
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.