CC BY
29
Emerging Markets Review. - 2017. -№ 32. - P. 200-219.
14. Ismagilov I.I., Khasanova S.F. Algorithms of parametric estimation of polynomial trend models of time series on discrete transforms // Academy of Strategic
Management Journal. - 2016. - Vol. 15. -Special Issue. - P. 21-28.
15. Ismagilov I.I., Khasanova S.F. Short-Term Fuzzy Forecasting of Brent Oil Prices // Asian Social Science. - 2015. -№ 11. - P. 60-67.
УДК 330.43:332.143
Арженовский С. В., Федотова Э. А.
ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ ДОРОЖНОЙ АВАРИЙНОСТИ
В РЕГИОНАЛЬНОМ АСПЕКТЕ
Аннотация
Применены эконометрические методы для анализа количества дорожно-транспортных происшествий по регионам России. Выявлены значимые факторы: плотность автодорог, число автомобилей, температура воздуха, доходы населения, определяющие социальный и транспортный риски. Показана эффективность действия федеральной целевой программы повышения безопасности движения.
Ключевые слова
Дорожно-транспортное происшествие, тренд-сезонная модель, панельные данные, регион, безопасность дорожного движения.
JEL: C23, R40, R41
Arzhenovskiy S. V., Fedotova E. A.
ECONOMETRIC MODELING OF ROAD EMERGENCY IN THE REGIONAL ASPECT
Abstract
Econometric methods to analyze the quantity of road accidents in the regions of Russia are used. Significant factors were identified: the density of roads, the cars quantity, air temperature, household incomes, which determine social and transport risks. The effectiveness of the federal target program to improve traffic safety is proved.
Keywords
Traffic accident, trend-seasonal model, panel data, region, road safety.
Введение. Проблема изучения причин количества дорожно-транспортных происшествий (ДТП) не нова. Однако исследования детерминант дорожной ситуации по регионам России прак-
тически отсутствуют. Это обусловливает актуальность изучения аварийности по данным последних лет.
Следует отметить, что в настоящее время действует федеральная целевая
программа «Повышение безопасности дорожного движения в 2013-2020 годах», целью которой является сокращение смертности к 2020 году на 28,82 % по сравнению с 2012 годом. Основными индикаторными показателями являются число погибших в ДТП, число детей, погибших в ДТП, социальный и транспортный риски. Объем выделенных средств по программе составил в 2016 году 14,6 млрд руб., большая часть из которых приходилась на региональные бюджеты. В январе 2018 года принята Стратегия безопасности дорожного движения, в которой в качестве единственного индикатора принято снижение числа погибших в ДТП на 100 тыс. населения (социальный риск) до 4 (по данным 2016 года, оно составило 13,8). Для сравнения: в Германии социальный риск составил 3,9, в Швеции - 2,7, в Великобритании - 2,81.
Обзор литературы. Выделим ряд недавних исследований, посвященных изучению дорожной ситуации. Авторы [1] разработали нечеткую нейронную сеть для прогнозирования количества ДТП и апробировали ее по 5 регионам, не участвовавшим в процессе обучения сети. Ошибка аппроксимации сети составила около 13 %. Использованы факторы автомобилизации и плотности населения, эксплуатационного состояния автомобильных дорог по субъектам РФ. Регрессионные модели для выявления факторов аварийности и числа погибших в ДТП использовались в диссертационной работе [2]. В качестве факторов автором выделены численность населения, количество автомобилей, индекс качества жизни, природные условия, плотность автодорог и др. В [3] получена регрессионная зависимость между количеством ДТП с пострадавши-
1 Под данным: https://www.kommersant.ru/doc/ 3526919.
ми и количеством единиц автотранспорта по региональным данным 2011 года. В работе [4] предлагается использовать коэффициенты аварийности, учитывающие видимость, состояние дороги, скользкость и др. Методика применима для конкретных дорог. Автор [5] приходит к выводу о нецелесообразности одновременного использования факторов транспортного и социального рисков в силу их коррелированности между собой. В статье отмечено, что зависимость между количеством погибших в ДТП и численностью автомобильного парка неоднозначна.
Модели и результаты. На рис. 1 представлена динамика количества ДТП с пострадавшими по федеральным округам страны.
Выделяются Центральный и Приволжский округа, доля аварийности которых по стране в целом составляет около 25 % и 21 % (в январе 2018 г.) соответственно. В Северо-Кавказском и Дальневосточном округах доля ДТП не превышает 5 % от общероссийской величины. Наибольшее количество ДТП (более 170 на 100 тыс. чел. населения) зафиксировано в 2016 году в Новгородской, Магаданской областях, Республике Калмыкии, Калужской, Владимирской, Псковской областях и Камчатском крае. Благополучными регионами (не более 70 на 100 тыс. чел. населения) с наименьшим числом ДТП являются Республики Чечня, Ингушетия, Дагестан, Свердловская область, г. Москва.
График (рис. 1) также демонстрирует ожидаемую пилообразную сезонность ДТП. Оценка сезонности для количества ДТП по стране за последние четыре года позволяет сделать вывод об относительном снижении количества происшествий в начале года и в ноябре и увеличении в летне-осенние месяцы и декабре (рис. 2).
25000 20000 15000 10000 5000 0
lili
«i «1 \о t> г- г- Г- 00
^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч ^ч
О О О О О О О о О О О О О О О О О О О О О О О О О
(N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N (N
Л Н Л -а Л ■л н ■л -а ■л ■л Н ■л -а ■л ■л ¡ч ■л -а ■л ■л
а & Ч а а а & Ч а а а & Ч а а а & Ч а а а
л « и СЗ 2 2 1 ю £ ю « о СЗ « и СЗ 2 2 1 ю £ ю « о 03 « и СЗ 2 2 1 ю £ ю « о СЗ « и СЗ 2 2 1 ю £ ю « о СЗ « и
я <D О К и (D О К и (D О К и (D О К
Н Центральный □ Южный ® Сибирский
В Северо-Западный □ Приволжский Ш Дальневосточный
Ш Северо-Кавказский В Уральский
Рисунок 1 - Динамика количества ДТП с пострадавшими, чел. (данные МВД РФ)
декабрь
/
/
/
/
/
/ / / /
ноябрь
I I I I /
октябрь
\ * V \ \
\ \
V N ^
сентябрь
N
\
\
\
Ч)
август
январь 6000
февраль
март
май
июнь
июль
Рисунок 2 - Сезонность временного ряда количества ДТП с пострадавшими, чел.
Модель трендовой компоненты для 2018) строится как линейная с процессом
десезонализированного временного ряда Юла в остатках (в круглых скобках стан-
количества ДТП (январь 2014 - январь дартные ошибки коэффициентов):
у{ = 16664,67- 63,75? + 0,94^ - 0,33и(_2,
(277,57)
(10,47)
(0,18)
(0.19)
где у{ - количество ДТП (без сезонности), ^ - время, ы{ - случайная компонента.
С каждым месяцем количество происшествий уменьшается в среднем на 64 случая за период. Влияние предыстории разнонаправленно: предыдущий месяц положительно, пред-
предыдущий отрицательно определяют текущую величину ДТП.
Динамика числа погибших в ДТП на 100 тыс. человек населения представлена на рис. 3. По сравнению с 2005 в 2016 году число погибших снизилось почти в два раза - с 23,7 до 13,8 чел. (на 100 тыс. чел. населения) в целом по России.
26 24 22 20 18 16 14 12
2005 2010 ^ Центральный ► -Северо-Кавказский ' • Сибирский
2011 2012 2013 Северо-Западный • Приволжский — Дальневосточный
2014
2015 Южный Уральский
2016
Рисунок 3 - Число погибших в ДТП на 100 тыс. чел. населения (данные МВД РФ)
Существенно изменилась ситуация по округам. В 2005 году в тройку лидеров входили Дальневосточный, Центральный и Уральский округа. По регионам лидером являлась Республика Алтай (45 чел.), Московская область (41,6 чел.), Республика Тыва (41,5 чел.), Ленинградская область (40,7 чел.). При этом в городе Москве число погибших было одним из самых низких по стране - 10,2 чел. Более чем через 10 лет, в 2016 году, в многолетние лидеры попал Южный округ -17,8 чел. и Северо-Кавказский -14,8 чел. По регионам на первое место вышла Республика Тыва (37,2 чел.),
Калмыкия (33,1 чел.), Ленинградская область (27,6 чел.), Республика Адыгея (26,3 чел.). В городах Москве и Санкт-Петербурге в 2016 году число погибших составило по 4,5 чел. При этом, например, в Республике Тыва значения социального риска в годы действия федеральной целевой программы находятся ниже запланированных величин, а транспортного риска превышают расчетные. Отметим сокращение числа погибших в 2016 году по сравнению с 2005 годом в Ростовской области на 21 %.
Построим эконометрические модели для оценки состояния дорожной ситуации по региональным данным. Выделим в качестве зависимой переменной последовательно количество ДТП на 100 тыс. человек населения, социальный риск, определяемый отношением числа погибших в ДТП на 100 тыс. человек населения, и транспортный риск как частное от деления числа погибших в ДТП на 10 тыс. автомобилей. Выбор факторов определяется, с одной стороны, имеющимися доступными данными по регионам, с другой стороны, сутью факторов. Для характеристики дорожной ситуации выделим плотность автодорог общего пользования с твердым покрытием и количество легковых автомобилей в собственности населения. Для характеристики окружающей среды используем среднегодовую температуру воздуха. Наконец, применим показатель среднедушевых денежных доходов населения для контроля качества жизни в регионе.
На основании указанных переменных сформируем панель данных по регионам за последние пять лет - с 2012 по 2016 год.
Модель регрессии специфицируем с учетом структуры данных как множественную логарифмическую с составной ошибкой. Тестирование по Хаусма-ну показало, что все три модели строятся как модели со случайными эффектами в ошибке. Результаты оценивания параметров моделей приведены в табл. 1. Эластичность количества ДТП по плотности автодорог составила отрицательную величину, равную -0,057. То есть увеличение плотности автодорог с твердым покрытием на 1 % от среднего значения приводит к уменьшению случаев ДТП на 0,057 % от среднего значения. Неожиданный отрицательный знак для плотности автодорог, с одной стороны, свидетельствует о влиянии улучшения качества дорожной сети на дорожную ситуацию в течение периода 2014-2016 годов, с другой - о действенности упомянутой федеральной целевой программы, направленной на повышение безопасности дорожного движения. Также отрицательно влияние плотности автодорог на величину социального и транспортного рисков.
Таблица 1 - Регрессионные модели для оценки состояния дорожной ситуации по регионам РФ (панель 2012-2016, данные Росстата)
Факторы Логарифм зависимой переменной
Количество ДТП на 100 тыс. чел. населения Социальный риск (число погибших в ДТП на 100 тыс. чел. населения) Транспортный риск (число погибших в ДТП на 10 тыс. автомобилей)
Логарифм плотности автодорог общего пользования с твердым покрытием (км/км2) -0,057** (0,023) -0,047* (0,026) -0,065** (0,027)
Логарифм числа собственных легковых автомобилей (на 1000 чел. населения) 0,298*** (0,074) 0,421*** (0,095)
Среднегодовая температура воздуха, °С 0,007* (0,004) 0,009* (0,005) 0,009* (0,005)
Логарифм среднедушевых денежных доходов населения, (руб./мес.) -0,113 (0,090) -0,605*** (0,105) -0,718*** (0,108)
Факторы Логарифм зависимой переменной
Количество ДТП на 100 тыс. чел. населения Социальный риск (число погибших в ДТП на 100 тыс. чел. населения) Транспортный риск (число погибших в ДТП на 10 тыс. автомобилей)
Константа 4,699*** (0,948) 6,882*** (1,103) 9,529*** (1,108)
В2 внутри между общий 0,42 0,31 0,28 0,54 0,41 0,43 0,69 0,39 0,47
Статистика Вальда, х 237,11 415,74 742,66
Тест Хаусмана, х 8,65 11,47 8,42
Тест Бреуша-Пагана для случайных эффектов, х 581,86 517,47 526,04
Число наблюдений 400 400 400
Примечание. Уровни значимости: - 1 %, - 5 %, * - 10 %. В круглых скобках стандартные ошибки. Все модели содержат фиктивные переменные по годам для контроля тренда по времени.
Ожидаемо положительное влияние количества собственных легковых автомобилей на социальный риск дорожной ситуации: при увеличении показателя на 1 % от среднего значения социальный риск увеличивается на 0,42 %, количество ДТП - на 0,29 %.
Как и показывают помесячные данные о количестве ДТП, анализ которых приведен выше, с повышением температуры окружающей среды (и, вероятно, с увеличением плотности движения) увеличивается как социальный, так и транспортный риск - примерно на 0,9 % с увеличением температуры воздуха на каждый градус.
Фактор качества жизни населения, выраженный показателем среднедушевых денежных доходов населения, не значим для модели количества ДТП, но значим для числа погибших в ДТП в моделях социального и транспортного рисков: увеличение доходов на 1 % снижает социальный риск на 0,61 %, транспортный - на 0,72 %.
Заключение. Выполнено моделирование дорожной ситуации по регионам России за последние годы, в том числе за период действия федеральной целевой программы повышения без-
опасности движения, результаты которой следует признать эффективными. Выявлены значимые факторы (плотность автодорог, число автомобилей, температура воздуха, доходы населения), определяющие социальный и транспортный риски.
Библиографический список
1. Скоробогатченко Д.А., Ерохин А.В. Нечеткая нейросетевая модель для прогнозирования числа ДТП региона в условиях ограниченной информации // Вестник Волгогр. гос. архит.-строит, унта. Сер.: Стр-во и архит. - 2014. -Вып. 36 (55). - С. 174-181.
2. Чубуков А.Б. Методология оценки состояния дорожно-транспортной аварийности в регионах Российской Федерации: автореф. дисс. ... д.т.н. 05.22.10. - Орел, 2015.
3. Ивлиев М.И., Черемисина Н.В. Экономико-статистический анализ дорожной ситуации в Российской Федерации // Социально-экономические явления и процессы. - 2014. - Т. 9. - № 7. -С. 23-31.
4. Банушкина Н.А., Печатнова Е.В. Повышение эффективности прогнози-
рования ДТП на автомобильных дорогах вне населенных пунктов на основе разработанной экспертной системы // Известия Алтайского государственного университета. - 2015. - Т. 2. - № 1. -С. 86-90.
5. Курганов В.М. Факторы региональных различий аварийности дорожного движения // Вестник ТГУ. Серия: Экономика и управление. - 2017. - № 2. -С. 149-157.
Bibliographic list
1. Skorobogatchenko D.A., Erokhin A. V. Fuzzy neural network model for forecasting the number of road accidents in the region in conditions of limited information // Bulletin of Volgograd State Architect-Builds University. Series: Building and Architect. - 2014. - Issue 36 (55). -P. 174-181.
2. Chubukov A.B. Methodology for assessing the state of road traffic crashes in the regions of the Russian Federation: Author's abstract of diss. ... Ph. Tech. Sc. 05.22.10. - Orel, 2015.
3. Ivliev M.I., Cheremisina N.V. Economic and statistical analysis of the road situation in the Russian Federation // Socio-economic phenomena and processes. -2014. - Vol. 9. - № 7. - P. 23-31.
4. Banushkina N.A., Pechatnova E.V. Improving the effectiveness of road accident forecasting on motor roads outside populated areas on the basis of the developed expert system // Izvestia Altai State University. - 2015. - Vol. 2. - № 1. -P. 86-90.
5. Kurganov V.M. Factors of regional differences in road traffic accidents // Bulletin of TSU. Series: Economics and Management. - 2017. - № 2. - P. 149-157.
УДК 330.43:331.21
Декина М. П.
ВЛИЯНИЕ ИНДИВИДУАЛЬНЫХ ХАРАКТЕРИСТИК РАБОТНИКОВ НА ЗАРАБОТНУЮ ПЛАТУ В РОССИИ
Аннотация
На основе данных Федеральной службы государственной статистики и Российского мониторинга экономического положения и здоровья населения (РМЭЗ) выполнен статистический анализ влияния индивидуальных характеристик работника на уровень его заработной платы. Рассмотрены такие факторы, как социально-профессиональная принадлежность, уровень образования, возраст, пол и семейное положение работника, с целью выявления переменных, оказывающих наибольшее влияние на уровень благосостояния. По результатам декомпозиции индекса Тейла получено, что наибольшая межгрупповая дифференциация имеет место при группировке по социально-экономическим группам и уровню образования. Сделан вывод о более сильном влиянии на заработную плату социально-профессиональной группы и уровня образования работника. Фактор семейного положения работника оказался статистически незначимым.
Ключевые слова
Дифференциация заработной платы, индекс Тейла, таблица сопряженности, уравнение минцеровского типа.
