CC BY
42
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №7-8/2016 ISSN 2410-6070_
5. Перевозова О.В., Возилова Е.В. Риски управленческой некомпетентности: источники и причины / Инновационная наука. 2015. Т.1. № 3. С. 40 - 42
6. Перевозова О.В. Формирование компетентности как фактор развития конкурентоспособности менеджеров / Современная высшая школа: инновационный аспект. 2009. № 4. С. 24 - 27.
© Залецкая А.П., 2016
УДК 311.12
И.В. Захаров
магистрант группы З-14Эк(м)САПСЭП Оренбургский государственный университет Г. Оренбург, Российская Федерация
СТАТИСТИЧЕСКИЕ МЕТОДЫ ВЫЯВЛЕНИЯ ОДНОРОДНОСТИ СУБЪЕКТОВ РФ ПО УРОВНЮ
СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ
Аннотация
В статье рассматриваются особенности применения статистических методов для выделения однородных групп. Обосновывается важность использования именно однородных совокупностей при изучении социально-экономических явлений и процессов. В заключении дается вывод о целесообразности применения многомерных статистических методов для изучения дифференциации субъектов РФ по уровню социально-экономического развития.
Ключевые слова
Статистика, однородность, уровень развития, группировка, многомерные статистические методы, кластерный анализ.
Как известно, объектом статистического изучения могут быть различные предметы и явления, протекающие в жизни общества, это демографические процессы (рождения и смерти), социальные (безработица, число школ, количество больных, уровень заработной платы и т.д.), экономические (инфляция, ВВП, государственный долг и т.д.), при этом для выявления закономерностей развития необходимо, чтобы рассматриваемые совокупности объектов были однородны.
Если же применять статистические методы к неоднородной совокупности, то растет вероятность получения недостоверных результатов, что в свою очередь может привести к неверным выводам об изучаемых процессах и явлениях.
Не исключением является исследование уровня социально-экономического развития субъектов Российской Федерации, которые в силу различных исходных условий, наличия природных и человеческих ресурсов, развиваются неравномерно. Вследствие вышесказанного считаем, что выделение однородных групп субъектов РФ является актуальной задачей, поэтому, опираясь на мнения таких ученых, как: Баканач О.В. [1], Ивашкова Т.К. [2], Кузьмина И.Г. [4], Лобанова А.И. [5], Хун Ц. [6], Цыпин А.П. [7] и др., рассмотрим особенности применения статистических методов для выделения однородных групп объектов.
Рассматривая понятие «однородность» применительно к экономическим совокупностям, необходимо указать на тот факт, что в подавляющем большинстве случаев исследователь пользуется понятием относительной однородности, т.е. подразумевается достижение такой степени однородности, при котором обеспечивалась бы достаточная точность экономических выводов.
Ряд авторов выделяет два вида однородности: качественную и количественную. Первая определяется наличием одной качественной основы, которая отражается в наименовании совокупности, вторая отражается в сравнительном количественном равенстве объектов по какому-либо признаку (или группе признаков). При
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №7-8/2016 ISSN 2410-6070_
этом оба понятия диалектически взаимосвязаны, и количественная однородность возможна лишь при наличии одинаковости явлений и процессов, образующих совокупность наблюдений.
Итак, в дальнейших своих исследованиях, под «однородностью» будем понимать наличие у объектов одного класса общих свойств или признаков, определяющих некоторое сходство данных объектов и служащих основанием для отнесения этих объектов к одному классу.
Если обратится к этапам проведения статистического исследования, то можно выделить: сбор, группировку и анализ информации. Очевидно, что на первом этапе получаем неоднородный массив, и лишь на втором этапе, после проведения процедуры группировки, можно говорить об однородности. В связи с этим остановимся на рассмотрении статистических методов направленных на выделение однородных групп.
В теории статистике говорится, что основным методом выделения однородных групп является группировка, под которой понимают процесс образования однородных групп на основе разделения статистической совокупности на части или объединения единиц в частные совокупности по определенным, существенным для них признакам.
Логичным было бы предположить, что за годы своего развития статистика сформировала несколько методов группировки, наилучшим образом видовую классификацию которых, можно представить в виде рисунка 1.
1. По целевому назначению
Типологическая - характеризует качественные особенности и различия между единицами совокупности
Структурная - выявление состава однородной в
качественном отношении совокупности по какому-либо признаку
Комбинированная - последовательное использование признаков
Многомерная - одновременное использование признаков
3. По используемой информации
Первичная - па основании исходных данных
Рисунок 1 - Классификация видов статистических группировок
Не вдаваясь в подробности относительно сущности перечисленных группировок, тем не менее, стоит остановиться на рассмотрении многомерной группировки. Сосредоточение внимания именно на этом виде объясняется ростом объемов информации в современном обществе, а значит и увеличением количества доступных для анализа признаков. Это в свою очередь приводит к усложнению процедуры одномерной группировки, а также неспособности выявить новые закономерности.
Рассматривая алгоритмы многомерной группировки, мы приходим к понятию «кластерный метод», под которым, согласно работе Ким О. Дж., понимают многомерную статистическую процедуру, выполняющую сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающую объекты в сравнительно однородные группы [3].
Классификация наиболее часто встречающихся алгоритмов кластерного анализа, представлены на рисунке 2.
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №7-8/2016 ISSN 2410-6070
Метод к-средних
•предназначен для разбиения многомерных наблюдений на заданное число к (к<п) классов, однородных в смысле геометрической взаимно близости элементов, принадлежащих к одному классу
Двувходовое объединение
•относится к иерархическим методам кластеризации которые позволяют получить представления о структуре классифицируемой совокупности
Древовидная кластеризация
•позволяет сделать кластеризацию сразу в двух направлениях и по наблюдениям и по переменным
Рисунок 2 - Алгоритмы кластерного анализа
Рассматривая статистические методы, направленные на выделение однородных групп, необходимо упомянуть о методах позиционирования объектов, активно используемых в других научных дисциплинах, к примеру: матрица БКГ (матрица Бостонской консалтинговой группы) позволяющая выявлять позиции объектов в совокупности и указывать на их вероятные пути развития. Но более подробное рассмотрение достоинств (недостатков) подобных инструментов, равно как и сопоставление их со статистическими инструментарием, выходит за рамки настоящей статьи.
Очевидно, рассматривая совокупность из 85 субъектов РФ, характеризуемых набором более чем из 10 социально-экономических показателей, наилучшим методов выделения однородных групп является кластерный анализ. В результате применения которого возможно учитывать «вес» каждого признака при отнесении объектов к той или иной группе, снизить признаковое пространство, визуализировать многомерную информацию, применить к результатам кластеризации другие количественные методы статистического анализа.
Список использованной литературы:
1. Баканач О.В. Статистический анализ факторов конкурентоспособности регионов Российской Федерации / О.В. Баканач, Н.В. Проскурина, Ю.А. Токарев // Вестник Воронежского государственного университета инженерных технологий. - 2015. - № 4 (66). - С. 222-228.
2. Ивашкова Т.К. Типология регионов Российской Федерации / Т.К. Ивашкова, Н.В. Морозова // Интернет-журнал Науковедение. - 2014. - № 6 (25). - С. 87.
3. Ким О. Дж. и др. Факторный, дискриминантный и кластерный анализ / под ред. И. С. Енюкова. - М.: Финансы и статистика, 1989. - 215 с.
4. Кузьмина И.Г. Статистический анализ структуры и динамики основных показателей состояния и развития розничной торговли в России за период 1990-2012 гг. / И.Г. Кузьмина, А.П. Цыпин // Экономика и предпринимательство. - 2014. - № 5-2 (46-2). - С. 234-239.
5. Лобанова А.И. Многомерная группировка субъектов ПФО по индикаторам социально-экономического развития / А.И. Лобанова // Вестник магистратуры. - 2013. - № 4 (19). - С. 111-113.
6. Хун Ц. Группы показателей оценки эффективности социальной политики региона / Ц. Хун, А.С. Юматов // Интеллект. Инновации. Инвестиции. - 2014. - № 3. - С. 37-43.
7. Цыпин А.П. Статистика в табличном редакторе Microsoft Excel: учебное пособие / А.П. Цыпин, Л.Р. Фаизова. - Оренбург: Изд-во: Оренбургский государственный университет. 2016. - 290 с.
© Захаров И.В., 2016
