П р а в
advertisement
Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет "Высшая школа экономики"» Санкт-Петербургский филиал федерального государственного автономного образовательного учреждения высшего профессионального образования «Национальный исследовательский университет "Высшая школа экономики"» Факультет экономики Кафедра городской и региональной экономики ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА На тему: «Оценка факторов, влияющих на динамику развития города» Направление 080100.62 экономика Студентка группы №144 Калишенко А.Л. Научный руководитель доцент, Колчинская Е.Э. Санкт-Петербург 2014 Содержание ВВЕДЕНИЕ.................................................................................................. 3 Глава 1. Теоретические подходы к исследованию процесса социальноэкономического развития города. ................................................................... 5 1.1. Общие сведения о городах............................................................ 5 1.2. Анализ факторов, влияющих на динамику развития города. ... 7 1.3. Обзор работ по заданной тематике. ........................................... 13 Глава 2. Основные теоретические аспекты, применяемые в исследовании. .................................................................................................. 32 2.1. Общие сведения о городах России. .............................................. 32 2.2. Инструменты для эконометрического анализа данных: понятия и характеристики ............................................................................................... 33 2.3. Особенности использования панельных данных в эконометрическом исследовании .................................................................... 36 2.4. Описание данных ........................................................................... 40 Глава 3. Выявление основных факторов, влияющих на развитие городов России. ............................................................................................... 43 3.1. Изучение основных описательных статистик ............................. 43 3.2. Корреляционный анализ ............................................................... 46 3.3. Построение базовой модели ......................................................... 48 3.4. Построение моделей с фиксированными и случайными эффектами. Выбор регрессионной модели..................................................... 55 3.5. Проверка модели ............................................................................ 61 ЗАКЛЮЧЕНИЕ. ........................................................................................ 64 Список литературы. .................................................................................. 67 Приложение ............................................................................................... 71 2 ВВЕДЕНИЕ «Города плюс дорожная сеть – это каркас, это остов, на котором все остальное держится, остов, который формирует территорию, придает ей определенную конфигурацию…Города – это как бы командный состав страны, организующий ее во всех отношениях – и в хозяйственном, и в политико-административном, и в культурном», - так ярко говорил о значении городов советский экономико-географ Баранский Н.Н. [2, с. 207] В одной этой цитате собрано общее мнение ученых и исследователей о том, что город – это неотъемлемо-важная часть эволюции человечества. В современном мире увеличивается интенсивность процесса урбанизации. Однако с его ростом, с развитием городов, которое ярко проявляется в изменении численности и территории города, появляется ряд проблем, который проживания, связан с экономикой, условиями экологией, транспортом и с управлением городским хозяйством. Именно поэтому необходимо проводить разного рода исследования, которые заключаются в выявлении факторов, сильнее всего влияющих на развитие города, а также в прогнозировании важных показателей, характеризующих устойчивое развитие города. Это необходимо для того, чтобы вмешиваться в процесс урбанизации с целью его оптимизации за счет устранения свойственных ему неблагоприятных явлений, а также за счет целенаправленного регулирования его развития. Цель данной работы заключается в выявлении тех факторов, которые влияют на динамику развития городов Российской Федерации. Объектом исследования являются города РФ с численностью населения, превышающей пятьдесят тысяч человек. Предметом в работе являются факторы, которые влияют на развитие городов РФ. Актуальность исследования заключается в том, что города играют ведущую роль в развитии страны, однако процесс урбанизации ускоряется с каждым годом, вследствие чего возникают проблемы, которые большинство городов не могут решать своевременно. Зачастую это происходит потому, что власти города не всегда могут видеть 3 полную картину того, что происходит в городе, на какие сферы городской жизни следует обратить внимание в данный момент, какие отрасли стали хуже развиваться и что стало причиной этого. Все эти вопросы возникают изза слабой информированности, которая зачастую возникает из-за отсутствия комплексных исследований. Необходимо также отметить, что в России не проводилось исследований такого рода, следовательно, результаты проведенной работы дадут представление о том, какие сферы городской жизни в большей степени влияют на развитие городов нашей страны, а на какие следует обратить особое внимание. Задачи для проведения исследования: 1. Изучить имеющиеся классификации факторов, влияющих на динамику развития города. 2. Проанализировать исследовательские работы по методам выявления и оценки факторов. 3. Изучить необходимые аспекты для проведения эконометрического исследования. 4. Собрать данные за 7 лет с 2005 по 2011 гг. 5. Построить регрессию для выявления и оценки факторов, влияющих на развития городов РФ. 6. Провести проверку полученных результатов. В работе приведена информация о городах, как общая, так в частности о городах России, рассмотрены современные методы проведения исследований в данной области. Также приводятся разные классификации факторов. Для проведения самого исследования были собран массив данных, проанализирована информация, касающаяся методов статистического и эконометрического проведения анализа данных и в итоге, проведено само исследование, основанное на построении качественной модели регрессии. 4 Глава 1. Теоретические подходы к исследованию процесса социально-экономического развития города. 1.1. Общие сведения о городах. На сегодняшний день существуют разные варианты определения города. Одним из них является следующий: город – это целостная динамичная система, состоящая из многих элементов, имеющая сложную, иерархическую структуру.[13] Главные отличия города от деревень и других инфраструктуре, населенных наличии пунктов правового заключаются статуса, высокой поселков, в развитой концентрации жителей, а также в высокой концентрации построек различного рода. Города – это центры торговли, науки, интеллектуальной деятельности, культуры, социального развития, а также многих других областей. Города способствуют социальному и экономическому развитию людей. Однако, несмотря на все преимущества города, существует ряд серьезных проблем, которые приостанавливают развитие города. Говоря об общих проблемах города, необходимо отметить следующие из них: недостаток качественного жилья, нехватка средств, для того, чтобы обеспечить население базовыми услугами, упадок инфраструктуры, включая экологические проблемы. Проблемы такого масштаба могут быть разрешены путем прогрессивного развития и роста при помощи эффективного использования имеющихся ресурсов, снижения уровня загрязнений и уменьшения масштабов нищеты. [23] Для достижения результата нужно, чтобы в городах был доступ к основным услугам, транспорту, жилью и многим другим возможностям. Несомненно, невозможно решить все проблемы сразу. Именно поэтому, надо понимать, какая сфера городской жизни развита меньше, какая больше, чтобы равномерно уметь распределять силы, которые направлены на улучшение качества жизни в городе. Города играют важную роль в устойчивом развитии и страны в целом. Она становится все более значимой в связи с постоянным 5 увеличением городского населения. Согласно статистике фонда ООН в области народонаселения: [23] 3,5 миллиарда человек, что составляет половину населения Земли, живут в городах. Количество городских жителей к 2030 г. увеличится до 60% населения мира. Общая площадь городов во всем мире – это 2% суши Земли, однако на них приходится 60-80% потребления энергии. В ближайшее десятилетие примерно 95% роста городов будет происходить исключительно за счет развивающихся стран. Быстрые темпы урбанизации отрицательно влияют на среду обитания, запасы пресной воды, работу канализационных систем и на системы общественного здравоохранения. В связи с такими последствиями урбанизации, в последнее время исследования в области городского устойчивого развития привлекают все большое число ученых. Они изучают причины и последствия низких показателей уровня качества жизни в городе, а также делают дальнейшие прогнозы, касающиеся развития города. 6 1.2. Анализ факторов, влияющих на динамику развития города. В современных исследованиях часто используют описание трех составляющих сфер городской жизни – экономической, социальной и экологической. [37] Несомненно, факторы, относящиеся к этим сферам, являются основой устойчивого развития города. Для того чтобы понять, что это за факторы, необходимо проанализировать имеющиеся их классификации в современной литературе. Это поможет упорядочить имеющиеся знания, а также выявить важные факторы, которые относятся и к другим сферам жизни, помимо трех вышеперечисленных: экономической, социальной и экологической. Для начала, нужно отметить, что на сегодняшний день имеется не столь много классификаций факторов, оказывающих непосредственное влияние на развитие города. Основными из них являются три. Две из них принадлежат иностранным авторам, и одну классификацию приводит коллектив отечественных ученых. Классификация № 1. В одном из популярных научных журналов, содержится исследовательская конкурентоспособности. [39] работа, посвященная городской В ней автор строит модель, по которой в дальнейшем анализирует конкурентоспособность города на примере городов Великобритании. Эта модель включает в себя классификацию факторов, которые влияют на конкурентоспособность, а, следовательно, и на устойчивое развитие города, так как без высоких устойчивых показателей города в разных сферах по сравнению с другими городами, в дальнейшем город будет не способен эффективно продолжать свое развитие. Классификация, приведенная, в работе имеет следующую структуру: 7 создание финансового потенциала; использование налоговых льгот в социальнонеблагополучных районах и т.д. финансы рост предпринимательск их вкладов для восстановления неблагополучных районов; улучшение местного менеджмента и т.д. местное управление создание и продвижение активных предпринимательских действий; продвижение госбюджетных льгот для привлечения инвестиций и т.д. инвестирование Развитие города самореализация управление человеческими ресурсами; управление логистикой; рост основных параметров реализаций проектов и т.д. общественный капитал Увеличение качества человеческих ресурсов; Создание поддержание престижа и т. д. физическая среда и затраты на инфраструктуру; своевременная система планирования; оптимизация решений по экологической ситуации и т. д. Рисунок 1. Классификация факторов, влияющих на развитие города, согласно модели конкурентоспособности Всего для данной схемы выделяется 8 факторов, которые относятся к физической среде, 4 фактора – общественному капиталу, 3 – финансам, 7 – развитию, 4 – инвестированию, 6 – самореализации. На схеме приведены примеры этих факторов, относящихся к каждой из 6 сфер городской жизни. Классификация №2. Еще одну классификацию факторов приводит автор, который в своей исследовательской работе [38] занимается сравнением устойчивого развития в разных городах. В основе её лежат 4 сферы городской жизни: 8 Развитие города Окружающая среда Государственное управление Экономическая сфера Социальная сфера Рисунок 2. Классификация факторов, влияющих на развитие города, согласно базовому списку факторов, который необходим для сравнения различных городских практик У каждой из четырех сфер имеются категории, которые в свою очередь состоят из факторов. Необходимо также отметить, что полный список факторов составлен автором работы с использованием тех факторов, которые признаны международными и региональным организациями, такими, к примеру, как United Nations (2007) или the World Bank (2008). Таблица 1. Распределение городских сфер жизни по категориям № Окружающая среда 2. Территориально сбалансированное заселение Пресная вода 3. Сточные воды 4. Качество окружающей среды и атмосферы 5. Шумовое загрязнение 6. Рациональное использование земельных ресурсов Образование отходов и управление Экологически приемлемая система транспорта Техники по составлению и осуществлению планов по 1. 7. 8. 9. Государственное управление Гражданская активность Прозрачное, ответственное и эффективное управление Правительство Устойчивое управление субъектов предпринимательской деятельности и представителей власти Экономическая сфера Социальная сфера Структура потребления и производства Экономическое развитие Доступ к энергоснабжению Финансы Образование Вода Здоровье Укрепление малых и микро предприятий Безопасность Доступ к воде Аварийноспасательная служба и пожарная охрана Бедность Транспорт Стихийные бедствия 9 Таблица 1. Распределение городских сфер жизни по категориям № 10. Окружающая среда Государственное управление Экономическая сфера окружающей среде Биологическое разнообразие Социальная сфера Нормальные жилищные условия Бомбоубежище 11. 16. Гарантия против незаконного выселения Возможность получения кредита Доступ к пользованию землей Продвижение и поддержка социальной адаптации социальнонеблагополучных групп населения Культура 17. Отдых и развлечения 18. Доступ жителей к озелененным территориям и местным услугам 12. 13. 14. 15. В итоге, четыре сферы городской жизни по данной методике разделены на 37 категорий: 18 категорий социальной сферы, 10 категорий относятся к окружающей среде, 5 – к экономической сфере и 4 к государственному управлению. Каждой их категорий соответствует некоторое количество факторов. Следует привести по примеру категории из каждой сферы. К категории «Территориально сбалансированное заселение» относятся два фактора: рост населения и план расселения. К категории «Гражданская активность» принадлежит два фактора: участие городских жителей; городские товарищества. Категория «Структура потребления и производства» включает в себя шесть факторов: расход материалов; материалоемкость хозяйства; годовое потребление энергии; доля в возобновляемых 10 источниках энергии в общем использовании энергии; интенсивность пользования энергией. Категория «Доступ к энергоснабжению» включает в себя три фактора: процент городского населения с законным доступом к услугам электроэнергетических компаний; общее использование электроэнергией на душу населения; количество и продолжительность перебоев в электроэнергетике ежегодно. Также классифицируются и все остальные категории в зависимости от одного до девяти факторов. Классификация № 3. Следует отметить классификацию, созданную русскими учеными. [15] Авторы работы предлагают несколько признаков, по которым можно классифицировать факторы, влияющие на инфраструктуру города – одну из главных составляющих частей устойчивого городского развития. Таблица 2. Классификация факторов, которые влияю на инфраструктуру города Признак классификации Природа проявления Характер влияния Способ влияния Направление воздействия Степень влияния Масштаб воздействия К социально-экономической Форма проявления Социально-экономические; Организационно-технические Непосредственные; Опосредствованные Внешние; Внутренние Объективные; Субъективные Зависимые; Независимые Общесистемные; Локальные природе проявления относятся экономический и ресурсный потенциал городского хозяйства, а также демографический характер его экономического и социального развития. 11 Вторая категория природы проявления связана с организационными и техническими потенциальными возможностями города в динамике развития инфраструктуры. Факторы непосредственного влияния имеют сильно выраженную причинно-следственную связь с инфраструктурой, в то время как факторы второго типа характера влияния – опосредованного или же косвенного обнаружить сложно, однако очень важно их учитывать, так как в будущем они могут проявить. К объективным факторам относятся: географическое месторасположение города, наличие полезных ископаемых в близлежащих районах, природно-климатические условия, геополитическое расположение города и др. Субъективные факторы: качественный и количественный состав населения, характер и формы проявления местного самоуправления, уровень развития производственных сил города. Внешний способ влияния – также все, что другие располагается инфраструктуры: законы, а нормативные демографические условия, социально-экономического вне акты, положение как страны, так и мегаполиса и др. Общесистемные факторы – это все факторы макроэкономического характера. Более того, это факторы местного значения, которые влияют на все составляющие элементы инфраструктуры. Локальные факторы ограничиваются отдельным инфраструктурным объектом. Таким образом, были рассмотрены три классификации факторов, которые влияют на динамику развития города. Две классификации принадлежат зарубежным авторам, одна из них – отечественным. Анализ классификаций факторов в дальнейшей работе будет способствовать быстрому упорядочиванию факторов в конкретные группы, что некоторым образом ускоряет процесс работы с имеющимися данными. Теперь следует изучить работы ученых, которые исследуют, как и какие факторы влияют на развитие города. Ниже приведены зарубежные исследования по данной 12 тематике, в которых показано, что авторы работ берут за основу, то есть с какой стороны они рассматривают проблему развития городов. Необходимо отметить, что в нашей стране не проводилось комплексных эконометрических исследований, которые помогли бы выявить факторы, влияющие на развитие города. Именно поэтому можно объяснить отсутствие отечественных методик в данной работе. 1.3. Обзор работ по заданной тематике. 1. Модель, позволяющая оценить конкурентоспособность города. В работе ‘An Evaluative Model for City Competitiveness: Application to UK Cities’ [39] автор говорит о непрерывно развивающихся городах, которые обладают сравнительным преимуществом – они создают условия для дальнейшего развития. Кроме этого, у таких городов есть все шансы на победу в конкурентной борьбе в сфере бизнеса. Чтобы избежать проблем, которые могут нанести вред конкурентоспособности, города занимаются восстановлением или же обновлением городской среды и введением и развитием различного рода бизнес стратегий. Ведь именно эти составляющие являются показателям того, как города преодолевают физические, окружающие, социальные и экономические изменения, и, соответственно, как города увеличивают свою конкурентоспособность. На этих двух инструментах и основана модель, которая апробируется на 4 городах Соединенного Королевства. На первый взгляд кажется, что многие города не способны выполнить требования, поставленные властями города, они не способны привлечь инвестирование частного сектора. Не смотря на общие цели социального, экономического и физического восстановления города и развития деловых возможностей, стратегии для восстановления городской среды разобщены во многих городах. Именно поэтому новая модель нацелена на соединение этих ведущих стратегий. 13 Первым этапом разработки такой объединяющей модели стал тщательный обзор литературы. Автором были отобраны компоненты и факторы, которые являются неотъемлемой частью конкурентоспособности города. Следующий шаг – экспертная оценка. После неё модель тестируется дельфийским методом, а также методом анализа иерархий с многокритериальным анализом. Последний этап – применение модели к выбранным городам Великобритании. Иерархическая модель представляет собой взаимосвязанные уровни, состоящие из различных факторов городской конкурентоспособности: Конкурентоспособность города Схема 3 Иерархическая модель восстановление городской среды общественногосударственная политика физическая среда обществен ный капитал ресурсы финансы ведущие бизнес стратегии экономическая среда развитие внутрикорпоратив ные отношения инвестирова ние самореализа ция Рисунок 3. Иерархическая модель конкурентоспособности города На самом верху модели - обозначена общая цель, которая должна быть достигнута. Второй уровень сверху включает в себя две стратегии: восстановление городской среды и ведущие бизнес стратегии. Третий уровень модели представляет собой составляющие вышестоящего уровня. Такие компоненты как общественно-государственная политика, ресурсы, экономическая среда и внутрикорпоративные отношения усиливают связь между восстановлением городской среды и развитием бизнес стратегий с конкурентоспособностью города. Общественно-государственная политика включает в себя рациональное и эффективное управление общественных 14 властей, которые способны повысить стабильность и конкурентоспособность городов. Ресурсы в данном случае имеют отношение к созданию человеческих ресурсов и социальных условий. Экономическая среда - это макро и микроэкономические условия в городе, которые должны привлекать инвестиции в социальную и экологическую сферу жизни города. Внутрикорпоративные отношения связаны с поддержанием равновесия между экономическими, социальными и экологическими целями, беря на себя социальную ответственность в сфере бизнеса совместно с государством. Последняя ступень модели – физическая среда, общественный капитал, финансы, развитие, инвестирование и самореализация - это шесть действующих выявленных компонентов. Они являются базой вышестоящего уровня. Каждый из 6 компонентов был определен с помощью набора определяющих факторов, которые, в свою очередь, были выявлены при помощи имеющейся литературы и экспертных оценок. В дальнейшем каждый фактор был проверен набором определенных критериев, которые необходимы, чтобы увеличивать конкурентоспособность города при помощи обновления городской среды и развития бизнес стратегий. Всего получилось 8 факторов, которые относятся к физической среде, 4 фактора – общественному капиталу, 3 – финансам, 7 – развитию, 4 – инвестированию, 6 – самореализации. К примеру, если взять один из факторов, относящихся к физической среде – «соответствующее качество застроенной окружающей среды», то он был выбран в соответствии со следующими критериями: 1) увеличение необходимой дополнительной площади здания для городского использования путем улучшения уже существующего действующего здания (вторичная застройка); 2) содействие во владении новым пространством при помощи многофункционального комплекса (жилой комплекс с объектами жилого и коммерческого назначения), максимизируя использование коммерческих и жилых показателей; 3) увеличение инвестиционных 15 вложений государственным и частным секторами для создания успешного и устойчивого многофункционального комплекса. Важность дельфийским шести последних методом, а также компонентов методом модели анализа оценена иерархий с многокритериальным анализом. Метод анализа иерархий заключается в сведении сложной задачи на составляющие, а также их группировке в иерархию для возможности проведения дальнейшего исследования. Этот метод упрощает применение многокритериального подхода с дельфийским методом, чтобы протестировать конкурентоспособности города, иерархическую отражая модель взаимодействия для между компонентами. Метод Дельфи заключается в том, чтобы получить согласованную достоверную информацию в ходе анонимного обмена мнениями среди группы экспертов для дальнейшего принятия решения. [20] Всего было отобрано 13 экспертов в этой области из таких стран как США, Индия, Великобритания и Китай, для того, чтобы получить как теоретические, так и практические сведения. Каждый из участников дискуссии высказывал свое мнение по поводу взаимосвязи между компонентами каждого ряда иерархической модели и важностью факторов, на основе которых было выявлено шесть активных компонентов последнего ряда модели. Была использована пятибалльная оценка по шкале Лайкерта (градаций степени согласия или несогласия с каким-либо утверждением). Консенсус по каждому из вопросов был проанализирован на основе межквартильного размаха. По итогам трех раундов эксперты подтвердили как важность выбранных компонентов, так и факторов. Следующий шаг - это проведение полноценного метода анализа иерархий произведенного с помощью многокритериального анализа. Этот шаг необходим для того, чтобы определить процентные веса для действующих компонентов последней ступени модели и, во-вторых, чтобы ранжировать 32 фактора, которые связаны с действующими компонентами модели. Веса, присвоенные шести активным компонентам модели: 16 Таблица 3. Веса, присвоенные компонентам модели Компонент Вес, % Инвестирование 17,06 Финансы 17,01 Общественный капитал 16,77 Развитие 16,74 Самореализация 16,24 Физическая среда 16,17 Каждый из компонентов важен для конкурентоспособности города, так как размах равен 0,89%, что является почти незначительным. 32 фактора, которые напрямую связаны с действующими компонентами, проранжированы на основе математического ожидания, которое, в свою очередь основано на выставлении баллов по дельфийскому методу. После ранжирования можно делать вывод о том, что факторы такого компонента как физическая среда, а именно: инфраструктура, создание возможностей для развития и продуктивная система планирования – считаются главными факторами для увеличения конкурентоспособности города. После получения результатов, модель применяется к городам Великобритании: Бирмингем, Глазго, Ливерпуль и Белфаст. Эти города выбраны потому как они являются представителями разных регионов Великобритании. Планируется оценить конкурентоспособность относительно каждого из 32 факторов и в частности относительно 6 активных компонентов модели. Для этого были опрошены профессионалы в рассматриваемой области в каждом из городов (по 15 участников). Это лидеры местного самоуправления, представители специалисты фирм, по восстановлению консультирующих по городской вопросам среды, недвижимости, 17 архитекторы, специалисты по планированию, проектировщики, инвесторы, бизнесмены и владельцы, которые имеют обширные знания о своих городах. Анализ результатов является двухуровневым. Один уровень дает возможность сравнить всю деятельность города и создать эталон для сравнения, то есть теоретический максимум для сравнения. Второй уровень показывает конкурентоспособную деятельность каждого города через 6 активных компонентов иерархической модели. Все деятельность «количественный в городе показатель представлена результатов конкурентоспособности», который является показателем каждого города активности на макро мероприятий совокупным по уровне, шести по балльным действующим компонентам иерархической модели. Деятельность по каждому активному компоненту представлена суммой средних значений, то есть математическими ожиданиями, полученными по всем факторам, связанным с соответствующим компонентом и умноженным на вес, который был получен в ходе дельфийского метода: Таблица 4. Расчет конкурентоспособности городов Великобритании Количественное значение конкурентоспособности Город 32,38 31,76 31,63 24,85 Бирмингем Ливерпуль Глазго Белфаст Первые три результата показывают незначительное расхождение в своих значениях. Последнее значение отличается от других. Бирмингем с самым высоким результатом подтверждает первенство в городской иерархии. У Ливерпуля и Глазго прогрессивный потенциал, несмотря на то, что это сравнительно небольшие города, они показывают результаты наравне с первым в списке городом. Для сравнительной оценки автор устанавливает некий эталон равный 53,05 для любого города. Это суммирующий результат шести активных компонентов. Конкурентоспособная деятельность в численном значении для 18 Бирмингема (32,38) - это составляет 61, 05% от теоретического максимума. Ливерпуль – 59,90% и Глазго – 59,65% в противовес Белфасту – 46,87%. Второй уровень анализа представляет собой сравнение между четырьмя городами по 6 активным компонентам: Таблица 5. Сравнение конкурентоспособности 4 городов Численное значение конкурентоспособности 32,38 31,76 31,63 Бирмингем Ливерпуль Глазго Инвестирование Финансы Общественный капитал Развитие Самореализация Физическая среда 24,85 53,03 Белфаст Теоретический max Численное значение для каждого компонента по отношению к теоретическому максимуму, % 3,74 3,31 3,34 2,90 (54,73%) (48,47%) (48,92%) (42,47%) 3,17 3,25 2,74 2,05 (62,19%) (63,70%) (53,78%) (40,19%) 4,01 3,97 4,17 3,35 (59,78%) (59,11%) (62,17%) (49,99%) 7,23 7,54 6,95 5,39 (61,68%) (64,35%) (59,34%) (45,99%) 6,02 5,64 5,54 4,40 (61,84%) (57,94%) (56,83%) (45,19%) 8,20 8,05 8,89 6,76 (63,39%) (62,23%) (68,68%) (52,23%) 6,83 5,10 6,71 11,72 9,74 12,94 По таблице видно, что Ливерпуль, к примеру, достиг наилучших результатов в финансах и развитии, в то время как Глазго в социальном капитале и физической окружающей среде. Таблица дает возможность увидеть полную картину, какой из городов лидирует в том или ином активном компоненте модели. Очевидно, что Белфаст не лидирует ни в одном из них. Подводя используются итог, необходимо многократно отметить, апробированные что с в исследовании течением времени аналитические техники, а именно Дельфийский метод и метод анализа иерархий вместе с многокритериальным анализом, чтобы построить достоверную, полную модель для определения конкурентоспособности города. Такое исследование дает возможность продолжить его, но уже на 19 местном уровне, используя какие-либо отличительные особенности в продвижении стратегий индивидуального развития города. 2. Месторасположение предпринимательских услуг и рыночные факторы. Коммерческие или предпринимательские услуги – это экономические действия, которые очень тесно связаны с городскими структурами. Они преобладают в тех городах, где имеются определенные условия для них. Их наличие говорит об устойчиво развитии города. В работе [34] автор проводит исследование концентрации этих бизнес услуг в главных городах Европы, а также заостряет внимание на рыночных факторах как решающих факторах. Предпринимательские услуги охватывают широкий круг услуг, которые главным образом используются в межкорпоративных коммерческих операциях и непосредственно связаны с производством во всех экономических секторах. Они могут быть определены как набор работ по предоставлению услуг, который влияет на качество и эффективность производственной деятельности путем дополнения или замещения для внутрихозяйственных функций обслуживания. [33] Когда приступают к исследованию такого предмета, в большинстве исследовательских работ авторы концентрируют свое внимание на рыночных факторах со стороны спроса и предложения. Однако мало внимания уделяется влиянию предпринимательских других услуг. факторов Поэтому в на этом процесс размещения исследование также анализируются факторы репутации и престижа, которые могут влиять на пространственное расположение бизнес услуг. Цель работы – 1) подтвердить результаты, имеющиеся в литературе, связанных с тем, что предпринимательские услуги находятся на высшем уровне городской структуры и выявить количество объясняющих рыночных факторов обеспечивающих размещение бизнес услуг: 2) выявить влияние престижа и репутации города на размещение предпринимательских услуг. 20 Авторы работы выделяют факторы [21], ориентированные на спрос, предложение, а также факторы престижа города. К каждому из факторов автор приводит соответствующие переменные, с помощью которых этот фактор будет оценен. К примеру, фактор Экономическое развитие будет оцениваться при помощи такой переменной как ВВП на душу населения. Для некоторых факторов используются несколько переменных, и общее число переменных составляет 19. Все переменные берутся из статистики «Городской аудит». (Система показателей «Городской аудит» - это система для отслеживания результатов программ городского развития в странах Европейского Союза). Таблица 6. Факторы спроса, предложения, престижа Факторы, ориентированный на спрос •Доступ к клиентам •Экономическое развитие •Рыночная активная деятельность Факторы, ориентированные не предложение: Факторы престижа и репутации •Обеспеченность ресурсами/фатороами производства •Общедоступность •Инновационная окружающая среда •Культурная и социальная среда •Изменчивость и международные корпорации. •Сведения о внешнеэкономическо й деятельности. •Фактор мобильности и торговые ограничения Все эти показатели освещают широкий спектр концептуальной основы описанной в работе. Для городов будет использоваться один из трех пространственных уровней, который использует «Urban Audit» или «Городской аудит» - уровень центральной части города, в то время как для Лондона и Парижа, для двух крупнейших городов Европы используется иной механизм, включающий дополнительный уровень. После показа дескриптивных результатов, будет проведен анализ главных компонентов. Метод главных компонентов - один из способов уменьшения размерности данных, который позволяет терять минимальное количество информации. [22] Второй метод – множественный 21 регрессионный анализ. Весь набор индикаторов подвергаются логарифмическому преобразованию. 51 город включает в себя примерно 7,1 млн. предпринимательских услуг, которые представляют собой около 30% общей численности работающих в данном секторе для 12 европейских стран, включенных в статистической исследование. 27% от общего числа работ в сфере бизнес услуг из 51 города принадлежат в Германии, а 65% всех бизнес услуг сосредоточены в трёх странах – Германия, Франция и Великобритания. Автором приводятся данные по 4 показателям с удельным весом, которые касаются географической концентрации работ в сфере бизнес услуг в составе рассматриваемых городов: 1. Число работ в сфере бизнес услуг как доля в общем количестве всех работ в городе. 2. Число работ в сфере бизнес услуг как доля в общем количестве работ в сфере бизнес услуг в исследуемых 12 странах. 3. Показатель местоположения 𝐿𝑄𝑖 : 𝐿𝑄𝑖 = 𝐵𝑆𝐽𝑖 /𝑇𝐽𝑖 𝐵𝑆𝐽𝑖 /𝑇𝐽𝑖 Где 𝐵𝑆𝐽𝑖 – количество работ в сфере бизнеса, 𝑇𝐽𝑖 - общее количество работ, iи j - соответствуют городу и стране. 4. Число концентрации, вычисляемое по следующей формуле 𝐶𝑄𝑖 : 𝐶𝑄𝑖 = 𝐵𝑆𝐽𝑖 /𝑇𝐽𝑖 𝐵𝑆𝐽𝑇𝑖 /𝑇𝐽𝑇𝑖 Где i - это город, 𝐵𝑆𝐽𝑖 - количество работ в сфере бизнеса, 𝑇𝐽𝑖 - общее количество работ, 𝐵𝑆𝐽𝑇𝑖 - общее количество работ в сфере бизнес услуг в выбранных городах, и 𝑇𝐽𝑇𝑖 - это общее количество работ в выбранных городах. Показатель местоположения показывает степень, в которой деятельность в сфере бизнес услуг является преобладающей в городе по 22 отношению к производственной структуре страны. Индекс числа концентрации сравнивает необходимость деятельности в сфере бизнес услуг в городе по отношению к необходимости этой же деятельности для 51 города. Результаты многомерного анализа данных. Структурная взаимосвязь между 19 выбранными переменными была протестирована матрицей корреляций Пирсона. Она показала наличие сильной корреляции между некоторыми из выбранных переменных. Эти переменные исключаются. Автор приводит результирующие удельные веса факторов после применения метода анализа главных компонентов. 6 основных компонентов были получены в ходе анализа. 1. Первый компонент, объясняющий 25% от всех объясненных дисперсий, включает в себя факторы спроса и другие рыночные факторы и больше всего этот компонент связан с «агломерационным» уровнем городов. Такие факторы связаны с территориями, где сосредоточена высокая плотность населения и непосредственная близость международных компаний (Лондон, Париж, Амстердам и т. д). Факторы престижа тоже включены в этот компонент. 2. Второй компонент основан на факторах предложения, и он связан с инфраструктурой. Он называется фактор «общедоступности». 3. Третий компонент – это смесь факторов спроса и предложения и больше всего он касается приближенности к политической власти, культурной среде города и обеспеченности факторами производства. Все эти факторы являются индикаторами адекватного функционирования институтов, включая рынок труда. Название фактора – «институциональная структура». 4. Четвертый компонент – главным образом является компонентом спроса. Очень сильно связан с бизнес спросом и называется «высокий уровень развития рынка». 23 5. Пятый компонент – фактор «международной мобильности». Он связан с мобильностью человеческого капитала и предпринимателей. 6. Шестой компонент – говорит о необходимости «новых компаний» - как необходимой части спроса и рыночного динамизма. 4 из 6 факторов связаны с различными факторами рынка. Видно, что факторы престижа и репутации тоже важны. 1,4 и 6 факторы – это факторы, которые ориентированы только на спрос. 2 и 3 – на предложение и 5 – престиж и репутация. Были выявлены интересные результаты. Некоторые межнациональные факторы репутации, такие как наличие международных штаб-квартир, больше относятся к фактором спроса нежели к факторам предложения. Международные выставки не соотносятся ни со спросом, ни с предложением. Они относятся к факторам репутации и престижа. Результаты множественной регрессии. Зависимая переменная y - количественная оценка занятых в сфере предпринимательских услуг. Были оценены две регрессии. Использовались 2 зависимые переменные – два индекса: число работ в сфере бизнес услуг как доля в общем количестве всех работ в города и число концентрации. Регрессоры - это 6 найденных компонентов. Лондон и Париж были исключены из регрессии. Основные результаты: в обеих моделях первые 4 компонента важны на 1% уровне значимости. 2 из 4 компонентов относятся к двум показателям, ориентированным на спрос и оставшиеся 2 к показателям, ориентированным на предложение. Эти 4 показателя имеют сильную объясняющую силу в модели. Но больше всего значительны показатели спроса, в частности Высокий уровень развития рынка. Предпринимательские услуги больше всего располагаются в крупных городах Европы, где наблюдается высокий уровень деловой активности. Они также характеризуются большим доходом, культурной динамичностью и важными позициями на международном рынке. Что касается показателей репутации, они также могут влиять на 24 концентрацию бизнес услуг, но выбранные факторы мало влияют на неё в главных городах Европы. 3. Сравнение разных планов устойчивого развития города. Городское население продолжает расти и государства стран лицом к лицу сталкиваются с изменениями и нововведениями, которые должны обеспечивать хорошее качество жизни для их обитателей. Многие города более тщательно разрабатывают планы по городскому устойчивому развитию. В разных планах используются различные факторы городского устойчивого развития, ведь выбор зависит от целей и нужд города. В работе ‘The Application of Urban Sustainability Indicators - a Comparison Between Various Practices’ [38] рассматриваются 9 различных практик или планов. Также в исследовании приводится сравнительная база факторов, которая называется «Международный список факторов городского устойчивого развития». На ее основе и происходит сравнение планов города. Цель работы – критично подойти к рассмотрению и сравнению разных практик по устойчивому росту городов в процессе выбора факторов городского устойчивого развития. Полноценный лист факторов по устойчивому городскому развитию был составлен с использованием различных наборов факторов, которые признаются международными и региональными организациями, такими как United Nations(2007), UN Habitat (2004), the World Bank (2008), the European Foundation (1998), the European Commission on Science, Research and Development (2000), the European Commission on Energy Environment and Sustainable Development (2004). Базовый список включает в себя широкий круг факторов, которые определяют действия, направленные на городское устойчивое развитие города. Он включает 115 индикаторов сформированных в 37 категорий для лучшей их классификации в пределах 4 категорий: окружающей среды, экономики, социальной сферы и власти. Список используется в работе как база для сравнительного анализа городских практик. Сравнительный анализ проводится по соответствию 25 факторов из сравнительной базы и факторов из планов города, то есть идет выявления факторов, которые включены из базы в практику, факторов, которые являются аналогичными факторами из базы и включены в практику и факторов, которые не включены в практику. Таким образом, сравнение помогает понять, выбраны ли факторы в данной практике должным образом. Сравнение проводится между 9 планами городов развивающихся и развитых стран и регионов мира. Для сбора достоверных, сравниваемых между собой данных, используется образец необходимых данных, который включает в себя: название, концепцию развития, исполнителей, участников, сроки выполнения, дату выхода, дату выхода с учетом новых изменений, мониторинг, сферу деятельности, примечания. Базовый список факторов используется, чтобы помочь в проведении сравнительного анализа между 9 практиками. Для анализа важно, чтобы типы и единицы измерения для факторов, включенных в список, были понятными. Факторы, к примеру, связанные с водой, имеют разные определения и пути измерения, что определяет классификацию этих факторов на 3 разных уровня – экологический, экономический и социальный. Список факторов, выявленных в каждом из 9 выбранных планов подвержен арбитражному анализу для каждой из 37 категорий в базовом списке. Арбитражный анализ состоит в определении, какие из факторов из базового списка включены в индивидуальные практики, они обозначаются галочкой; если включены аналогичные факторы, обозначаются кружочками; и какие не включены, изображаются черточкой. Результаты этого анализа автор приводит в таблице. Более того, данные таблицы более ярко освещены различными графиками, чтобы упростить сравнительный анализ. Основные результаты. Итак, все планы были написаны в разное время, с разными обстоятельствами и для разных целей, но все они были написаны для достижения устойчивого процесса развития города. Различия между практиками говорят о трудностях применения набора общих факторов развития города. Автор описывает полученные результаты, говоря о том, 26 какой город лучше развит в какой-либо из 4 сфер городской жизни и интерпретируют полученные результаты, называя те или иные причины совпадения или несовпадения факторов из планов с факторами из базового списка. К примеру, если взять такую сферу городской жизни, как экологию, то самое большое совпадение факторов в Барселоне и Мехико, по экономике – Гонконг, именно список факторов Гонконга имеет самое приближенно соответствие к базовому списку по всем четырем сферам городской жизни. Социальная сфера – регион Искандер (экономический регион в Малайзии). Что касается политики, то во многих планах факторы этой сферы не имеют своего специального раздела. Самый близкий из всех планов к базовому списку в политической области наблюдается у города Пуна. В общем и целом, надо отметить то, что во всех планах в большей степени, совпадения наблюдаются в социальной и экологической сферах. Самые приближенные к базовому списку город Барселона и регион Искандер. В исследовании акцентируется внимание на том, что главное во всем исследовании – это сравнительная база. Она должна быть оптимальной и полноценной. Дальнейшие сравнения по большому количеству городов помогут развить стандартный процесс, который может быть использован для развития разных планов, выборов факторов, целей и задач для осуществления устойчивых практик в других государствах. Однако для этого, необходимо наличие четких целей у каждого из городов. 4. Влияние политических факторов на качество городской жизни. Хотелось бы более подробно затронуть политическую сферу городской жизни, с учетом предыдущего исследования, в котором, как выяснилось, политическим факторам уделяется мало внимания. Прежде всего, хотелось бы отметить, что различные политические идеологии могут поддерживать, отстаивать разные модели развития города. Политические факторы могут выступать преградами, которые препятствуют осуществлению планов по городскому устойчивому развитию. Цель работы [33] показать, как влияют политические факторы на устойчивое развитие 27 городов, а также выявить эффект устойчивого развития на экономическое развитие города, на бизнес среду города. Основной метод - построение модели линейной регрессии. В самом начале ставится 5 нулевых гипотез: Н1: Наблюдается положительная взаимосвязь между городским устойчивым развитием и его экономическим развитием. Н2: Наблюдается положительная взаимосвязь между политической левой идеологией правящей партии и устойчивым развитием города. Н3: Наблюдается положительная взаимосвязь между политической стабильностью правящей партии и устойчивым развитием города. Н4: Уровень политической конкуренции положительно влияет на устойчивое развитие города. Н5: Экономический уровень избирателей и политических групп влияют на устойчивое развитие города. Для достижения цели были использованы 78 испанских городов с населением около 100000 человек. Устойчивое развитие городов было изучено одной из главных испанских организаций по мониторингу репутации в разных областях, к примеру, лучшее предприятие для работы, лучшие лидеры, лучшие финансовые бренды или лучшие города для проживания, посещения, обучения и ведения бизнеса. Исследование проводится за 2007 и 2008 года. Анализ городов позволяет определить уровень адаптации больших городов к определенным изменениям городской жизни. В частности, отдается предпочтение изучению загрязнения воздуха, шума, транспортных пробок, вызванных ежедневными социально экономическими действиями. Анализ разных аспектов жизни города позволяет определить качество жизни в испанских городах. Используется 250 показателей устойчивого городского развития. Методология включает в себя 4 этапа: 28 1. Оценка городского устойчивого развития с помощью макро исследования, в ходе которого было собрано 9000 мнений жителей в каждом городе. Респонденты должны были дать оценку 41 различным факторам, относящимся к социальным, экономическим, функциональным и реальному положению дел в городе. 2. Сопоставительный анализ показателей. Анализ более 100 показателей, имеющих отношение к разным параметрам городской устойчивости: окружающая среда, планирование и обеспечение жильем, безопасность, мобильность, культура, экономика, социальные услуги и качество жизни. Все данные были предоставлены испанским национальным институтом статистики, а также были взяты из местных государственных планов по устойчивому развитию. 3. Прямая оценка разных муниципальных показателей, чтобы получить остаток необходимых факторов для анализа, которые увеличивают уровень городской устойчивости, мобильности, конкурентоспособности, знаний, солидарности и превосходства. 4. Экспертная оценка. Эксперты в городском управлении выбирают три лучших города в соответствии с главными факторами развития городов. Всего около 100 экспертов из государственных и частных секторов, профессоров, и чиновников в городском управлении. В итоге города располагаются по значению, рассчитанному как взвешенная сумма количественных показателей полученных в вышеупомянутых 4 этапах. Максимальное значение равно 1000. Это единственное максимальное значение и Мадрид – это город с самым высоким уровнем качества жизни, и люди полностью удовлетворены проживанием в нем. Эксперты также считают этот город лучшим для проживания. Что касается уравнения линейной регрессии, нужно отметить, что зависимая величина - это экономическое развитие муниципалитета и 29 устойчивое развитие города. Устойчивое развитие города было измерено с использованием количественных значений, полученных для каждого города на прошлом этапе ранжирования. Экономическое развитие муниципалитета было оценено разными переменными: индексом отрасли хозяйства, индексом оптовой торговли, индексом розничной торговли, индексом услуг. Ценность индекса отражается в удельном весе индустрии города по отношению ко всей Испании, основанном на общем количестве евро в налоговых сборах в Испании равным 100000 единиц. Для начала были рассчитаны индексы по городам, затем построены 4 регрессионные модели по каждому из индексов. После анализа 4 моделей, была построена единственная регрессионная линейная модель. Основные результаты по модели. Три переменные имеют сильный эффект на зависимую переменную: unemployment (безработица), parties (партии), left (левая идеология правящей партии). Причем parties положительно влияют на городское развитие, две оставшиеся отрицательно. Так как переменная left негативно влияет на устойчивое развитие города, то вторая гипотеза принимается, но противоположным знаком тому, который ожидался. Parties положительно влияют на городское развитие, значит четвертая гипотеза принимается. Unemployment отрицательно влияют, следовательно, пятая гипотеза принимается. Density и stability (политическая стабильность правящей партии и устойчивое развитие города) имеют положительный и отрицательный эффект. Это неуместно в эконометрике, значит, третья гипотеза отвергается. Главная гипотеза о том, что политические системы существенно влияют на устойчивое городское развитие, подтверждается. Существование высокого числа заинтересованных групп и политической конкуренции способствуют развитию города. С другой стороны, левая идеология правящей партии негативно сказывается на развитии, в то время как политическая стабильность - по отношению к проценту голосов полученных 30 на последних выборах – не имеет никакого влияние на него. Также можно сказать, что устойчивое городское развитие положительно влияет на экономическое развитие. Главный вывод – политические факторы значительно влияют эффект на устойчивое развитие городов и это влияние положительно сказывается на экономическое развитие. 31 Глава 2. Основные теоретические аспекты, применяемые в исследовании. 2.1. Общие сведения о городах России. На сегодняшний день во всем мире наблюдается процесс увеличения численности городского населения, и Россия не является исключением. Согласно Федеральной службе государственной статистики, на 1 января 2012 года численность городского населения РФ составила 105,7 млн. человек по сравнению с 2011 годом, где показатель был равен 105,4 млн. человек; численность сельского населения на 1 января 2012 года составила 37,3 млн. человек, а в 2011 году 37,5 млн. человек. [12] Это значит, что за год 300 тысяч человек мигрировало населенных пунктов сельскохозяйственного назначения в населенные пункты со статусом города. В РФ более тысячи городов и около двух тысяч поселков городского типа. Площадь нашей страны, согласно сайту Агенства РиФ составляет 17075260 км2 . [16] Однако более половины территории страны не подходят для постоянного проживания, потому что 8 тысяч ледников вместе с территориями, где наблюдается вечная мерзлота, составляют больше половины площади РФ (60% территории). В РФ города занимают не более 1,5% от страны в целом. Этот показатель дает понять, что развитие городов оставляет желать лучшего. Помимо того, что необходимо увеличивать городские территории/строить новые города, надо улучшать и поддерживать на должном уровне стандарты и критерии жизни городского населения. Для такого улучшения нужно четко понимать цели города и знать, какие факторы в большей степени оказывают влияние на его развитие. Именно эти факторы и будут выявлены в данной работе. Результаты исследования дадут возможность сосредоточить внимание на тех аспектах городской жизни, которые недостаточно развиты, что, в свою очередь, поможет ускорить развитие города, нацелившись на улучшение этих аспектов. Это крайне важно, так как в настоящее время 32 именно города выполняют ведущие функции в развитие страны, ведь в них содержится ¾ экономического потенциала РФ. [13] 2.2. Инструменты для эконометрического анализа данных: понятия и характеристики В оценке факторов, оказывающих влияние на развитие города необходимо использование инструментов математической статистики и эконометрики. В этом параграфе будут представлены главные методы и инструменты, использованные при эконометрическом анализе. После сбора и обработки данных для их анализа и для построения модели регрессии, необходимо знать некоторые теоретические аспекты математической статистики и эконометрики. Для того чтобы количественно описать взаимосвязи между экономическими переменными, используются методы регрессии: простая (парная) и множественная. В работе будет применен второй тип регрессии, так как множественная регрессия представляет собой регрессию результативного признака с двумя и большим числом факторов. В исследуемой модели также число факторов превышает один. Спецификация нашей модели – линейная. Построение линейной регрессии сводится к оценке ее параметров. Для оценивания параметров линейной регрессии используется метод наименьших квадратов. Для оценки качества подбора линейной функции рассчитывается коэффициент детерминации (R2): 𝑅2 = 𝜎2 (ŷ) 𝜎2 (y) [6, с.48] Как только построено уравнение линейной регрессии, проводится оценка значимости как уравнения в целом, так и отдельных ее параметров. Оценка значимости уравнения регрессии в целом проверяется с помощью F-критерия Фишера: 𝐹= 𝑅 2 𝑛−𝑝−1 1−𝑅 2 𝑝 , 33 где p - число независимых переменных в уравнении регрессии. Более того, одним из важных тестов является Redundant Variables test – тест на лишние переменные. При помощи данного теста можно улучшить спецификацию модели, удалив из неё некоторые на первый взгляд незначимые переменные, у которых мала t-статистика и высокая вероятность незначимости. В этом исследовании необходим тест Хаусмана. Он проводится, когда требуется сравнить модели, которые оцениваются разными методами. [9] Тест на правильность спецификации проверяется тестом Рамсея. RESET-тест Рамсея на пропущенные регрессоры генерирует степени предсказанных значений зависимой переменной, включает их в модель в качестве регрессора и проверяет его значимость. Необходимо отметить, что одной из главных предпосылок МНК является условие постоянства дисперсий случайных отклонений: дисперсия случайных отклонений постоянна. Выполнение этой предпосылки называется гомоскедастичностью (постоянство дисперсий отклонений). Невыполнимость предпосылки - гетероскедастичностью. [3, с.209]. Разделяют два вида гетероскедастичности: Истинная гетероскедастичность: модель при таком виде гетероскедастичности правильно специфицирована; однако даже в такой, правильно специфицированной модели присутствует разная дисперсия ошибок у разных наблюдений. В этом случае гетероскедастичность не ведет к смещению коэффициентов. Ложная гетероскедастичность: такая гетероскедастичность вызвана неправильной спецификацией (пропущена переменная или же использована линейная регрессия вместо нелинейной). Гетероскедастичность этого типа ведет к смещению коэффициентов. Именно поэтому обязательно нужно проверять модель на наличие гетероскедастичности. Чтобы определить есть ли в модели гетероскедастичность или нет, используют определенные тесты: 34 Тест Парка. Тест Глейзера. Тест Голдфелда-Квандта. Тест Уайта. Тест Бреуша-Пагана-Годфри. Тест Харви. Если в регрессионной модели присутствует гетероскедастичность, то нужно сделать попытку её устранения. Это можно сделать следующими способами: 1. Возможно, следует скорректировать спецификацию, к примеру: использовать логарифмическую или иную нелинейную модель добавить переменные, которые позволяют точнее описать взаимосвязь 2. Другим способом является использование скорректированных стандартных ошибок (наиболее распространенный способ – увеличивает стандартные ошибки по сравнению с обычным МНК; если уж коэффициент значим, то такому выводу можно доверять). 3. Также возможно использование взвешенного метода наименьших квадратов. Лучше всего попробовать разделить обе части уравнения на какую-то переменную, тогда очень часто гетероскедастичность пропадает. После устранения гетероскедастичности последнее, что необходимо провести - это тест на наличие или отсутствие мультиколлинеарности. Мультиколлинеарность – это ситуация, в которой одна переменная достаточно хорошо объясняется другими переменными. Она возможна если две переменные коррелированны, и нельзя различить их влияние на зависимую. Последствия мультиколлинеарности: большие дисперсии ошибок. Это затрудняет нахождение истинных значений определяемых величин; 35 оценки коэффициентов по МНК и их стандартные ошибки становятся неустойчивыми, так как становятся более чувствительными даже к незначительным изменениям данных; возможность получения неверного знака у коэффициента регрессии. В некоторых случаях мультиколлинеарность устранять не стоит. Нужно ли устранять её или нет, зависит от целей исследования. Если, к примеру, модель строится для того, чтобы в дальнейшем прогнозировать будущие значения зависимой переменной, то при достаточно большом (>=0,9)значении коэффициента детерминации, наличие мультиколлинеарности чаще всего не сказывается на прогнозных качествах модели. Если же цель исследования – определение степени влияния каждой из объясняющих переменных на зависимую, то наличие мультиколлинеарности исказит истинные зависимости. Для устранения мультиколлинеарности существуют следующие методы: Исключение переменной (-ых) из модели. Получение дополнительных данных или новой выборки. Изменение спецификации модели. Преобразование переменных. [3, с. 247-253] 2.3. Особенности использования панельных данных в эконометрическом исследовании Прежде чем перейти к теоретическим аспектам, касающимся панельных данных, следует обратиться к такому типу данных, как временной ряд. На сегодняшний день данные этого типа используются очень часто, так как собрать информацию по ним довольно просто, причем количество объектов по наблюдаемой переменной очень велико. К примеру, это могут быть данные по усредненному значению квартплаты за кв. метр в месяц за 25 лет. Провести исследование по временным рядам не составит труда, так как анализируется всего лишь один объект за определенный период. Переходя к 36 теории панельных данных, нужно сказать, что в отличие от временных рядов, ситуация обстоит гораздо сложнее. Для начала следует дать определение этого типа данных. Панельные данные – это (panel data) «пространственная выборка объектов, прослеживаемая во времени, и, следовательно, она предоставляет множество наблюдений над каждым отдельным объектом». [10, с.271] Панельные данные довольно трудно собрать по сравнению с пространственными данными или временными рядами. Для проведения исследования в какой-либо области требуется набор переменных, значения которых требуется собирать в течение всего периода. Очень часто бывает не найти конкретных данных за прошедшие периоды времени по всем исследуемым объектам. Именно поэтому значений переменных гораздо меньше в панельных данных, нежели во временных рядах, однако самих переменных больше. Чаще всего панельные данные используются в маркетинговых обследованиях, а также социологических. Панельными данными являются результаты репрезентативных национальных опросов домохозяйств, преимущества использования предприятий, индивидуумов. Следует перечислить основные панельных данных: 1) Предоставляя большое количество наблюдений, они уменьшают коллинеарность между объясняющими переменными, а, значит, улучшаю эффективность оценок. 2) Используя панельные индивидуальным данные изменением можно проследить характеристик объектов за во времени. 3) Панельные данные дают возможность исследовать множество важных экономических вопросов, в то время как 37 пространственные данные и временные ряды не справятся с этой задачей. 4) Они также дают возможность предотвратить смещение агрегированности, которое постоянно возникает при анализе пространственных данных (там, где не берутся во внимание ненаблюдаемые индивидуальные характеристики объектов), а также временных рядов (там, где анализируется временное изменение усредненного «репрезентативного» объекта). [ 11 ] Для исследования панельных данных есть возможность строить три типа регрессии: Общая модель регрессии. Модель с фиксированными эффектами. Модель со случайными эффектами. [27, c. 346-347] Первый тип регрессионный модели, можно сказать, является исключительно теоретическим, потому как вводятся сильные ограничения относительно переменных. Дело в том, что для построения регрессии предпосылка для данных заключается в том, что других переменных, кроме уже выбранных для исследования, не существует. К примеру, если необходимо проанализировать систему здравоохранения какого-либо города, исследователь может собрать данные по таким переменным, как количество больничных учреждений в городе, количество проделанных операций и, допустим, уровень смертности в городе. Построив общую регрессионную модель, исследователь будет руководствоваться предпосылкой о том, что других переменных просто не существует для исследования системы здравоохранения, однако в реальности это не так. Второй тип регрессии – модель с фиксированными эффектами – имеют уже другую предпосылку о данных, и построение модели регрессии осуществляется, соответственно, принимая её во внимание. Предпосылка заключается в следующем. К примеру, оценивается всё та же модель 38 регрессии, связанная со здравоохранением. Однако различие по сравнению с общей моделью регрессии заключается в том, что в модели учитываются не только те факторы, Предполагается, что которые помимо были данных, собраны для собранных исследования. для проведения исследования, существуют другие факторы, которые не учтены в модели. Такие переменные принято называть ненаблюдаемыми. Стоит отметить, что в модели с фиксированными эффектами ненаблюдаемые переменные обязательно должны коррелировать с теми, которые включены в регрессию. В примере со здравоохранением такими ненаблюдаемыми переменными могут выступать количество определенного рода лекарственных препаратов в детских больницах или же среднее количество пациентов, приходящих на прием к специалисту за месяц. Эти ненаблюдаемые переменные связаны или коррелируют с теми, которые включены в регрессию. Безусловно, нельзя найти их количественные значения, в связи с отсутствием информации о них, но, в ходе построения модели с фиксированными эффектами оценивается качество всех ненаблюдаемых переменных за счет знания о том, что они коррелируют с переменными, включенными в регрессию. Последний тип регрессионной модели – модель со случайными эффектами. Помимо ненаблюдаемых факторов, описанных во втором типе регрессионной модели, в реальности существуют некие другие факторы, которые не коррелируют с теми, что включены в регрессию. Это и есть допущение, которое отличает эту модель от модели с фиксированными эффектами. ( Термины коррелированны и не коррелированны более понятно описывают в данном случае различия в моделях, нежели термины фиксированный и случайный, соответственно). В модели со случайными эффектами учитывается влияние некоррелируемых ненаблюдаемых переменных на зависимую переменную. В итоге все три модели будут построены в данной работе, после чего будет проведен тест Хаусмана, который позволит выявить, какая модель является оптимальной для данного исследования. 39 2.4. Описание данных В данной работе используются панельные данные. Количественные значения переменных были взяты из базы данных Мультистат (Многофункциональный статистический портал). Данные брались за 7 лет с 2005 по 2011 гг. База данных по городам огромна, поэтому, прежде всего, данные выбирались, исходя из их наличия за эти годы и из соответствия переменных заданной тематике работы. Предположительно, были выбраны все данные, которые могут влиять на развитие города. Первоначально был выбран 41 фактор (без зависимой переменной), которые могут влиять на динамику развития города. Зависимая переменная – это численность населения, ведь именно увеличение численности населения стимулирует рост и устойчивое развитие городов. В базе Мультистата данные предоставляются для городов с постоянной численностью жителей от 10000 человек. Однако в процессе работы с базой было выявлено, что по всем имеющимся городам не хватает огромного количества наблюдений. В связи с этим необходимо было убрать некоторые переменные. Более того, были отобраны города, численность которых была от 50000человек. Так как панельные данные, это данные в которых ряд имеющихся объектов, по которым ведется исследование, одинаков на протяжении всего периода вместе со всеми переменными, то было нужно устранить еще несколько переменных и объектов, чтобы панельные данные были сбалансированными. Это также было сделано в связи с отсутствием большого количества наблюдений. В итоге для исследования, связанного с развитием городов РФ были отобраны следующие переменные: 40 Таблица 7. Описание переменных № Название переменной 1 pop_0 2 agents_0 3 empl_0 4 empl_1 5 empl_4 6 ind_1 7 ind_2 8 inv_13 9 constr_0 Интерпретация Численность постоянного населения (на конец года), человек Всего субъектов хозяйственной деятельности, учтенных в статистическом регистре хозяйствующих субъектов, единиц Среднесписочная численность работников организаций человек Среднемесячная заработная плата работников, рублей Количество человек, получающих пособие по безработице, человек Количество действующих организаций по видам экономической деятельности (без субъектов малого предпринимательства) - обрабатывающие производства, единиц Количество действующих организаций по видам экономической деятельности (без субъектов малого предпринимательства) - производство и распределение электроэнергии, газа и воды, единиц Совместная российская и иностранная форма собственности, тыс.руб. Ввод в действие жилых зданий, квартир в них и общей площади квартир за счет всех источников финансирования: жилые дома и общежития (общая площадь), тыс.кв.м Жилищный фонд города : общая площадь жилых помещений, тыс.кв.метров 10 hous_0 11 health_0 Численность врачей - всего, человек 12 health_4 Число больничных учреждений, единиц 13 sport_1 Число спортивных сооружений, единиц 14 envir_0 Выбросы загрязняющих атмосферу веществ, отходящих от стационарных источников, - всего, тыс.тонн 15 cult_3 Число учреждений культурно-досугового типа, единиц 16 educ_0 17 educ_2 18 educ_5 19 educ_12 20 soc_3 Число дошкольных образовательных учреждений, единиц мест (в дошкольных образовательных учреждениях), единиц Число государственных и муниципальных образовательных учреждений среднего профессионального образования (включая филиалы), единиц Число государственных и муниципальных образовательных учреждений высшего профессионального образования (включая филиалы), единиц Число стационарных учреждений социального обслуживания (домов-интернатов), единиц 41 Названия переменных соответствуют названиям базы данных Мультистат. Нужно также отметить, что для обработки массива данных используется офисный пакет Microsoft Excel (в нем лучше всего работать со сбором данных), а для проведения исследования используется программа EViews. Это один из лучших инструментов для статического и эконометрического анализа данных. 42 Глава 3. Выявление основных факторов, влияющих на развитие городов России. 3.1. Изучение основных описательных статистик Описательный анализ данных необходимо начать с построения гистограммы и расчета описательных статистик зависимой переменной Pop_0. Так как данные являются панельными, следует проанализировать описательные статистики за первый период – 2005 год и, соответственно, за последний период – 2011 год. 90 Series: POP_0 Sample 1 111 Observations 111 80 70 60 50 40 30 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 462669.9 230837.0 10425075 53101.00 1084051. 7.596652 67.36829 Jarque-Bera Probability 20230.28 0.000000 20 10 0 0 2000000 4000000 6000000 8000000 10000000 Рисунок 4. Описательные статистики зависимой переменной за 2005 год На графике (Рисунок 4) по вертикальной оси расположено количество наблюдений, по горизонтальной – количество человек в городе. На рисунке видно, что среднее количество населения, проживающее в городах равно 462670 человек. Медианное значение равно 230837 человек, это означает, что в половине городов проживает такое количество человек, которое не выше этого значения. Размах составляет 10371974 человек, что можно видеть на ящичковой диаграмме (Рисунок 2). Размах очень велик. Два значения очень сильно отличаются от других. Это два крупнейших города России, Москва и Санкт-Петербург. Для того, чтобы они не искажали результаты исследования, необходимо исключить выбросы. 43 POP_0 12,000,000 10,000,000 8,000,000 6,000,000 4,000,000 2,000,000 0 Рисунок 5. Ящичковая диаграмма После удаления двух городов, получились следующие результаты описательных статистик: 30 Series: POP_0 Sample 1 109 Observations 109 25 20 15 10 5 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 333492.3 229305.0 1397015. 53101.00 322640.2 1.588896 4.853850 Jarque-Bera Probability 61.47201 0.000000 0 250000 500000 750000 1000000 1250000 Рисунок 6. Описательные статистики зависимой переменой после устранения выбросов за 2005 год В 2005 году среднее значение населения, проживающего в городах, было равно 333492 человек. Размах равен 1343914 человек. Он является большим, так как в России лишь малая часть городов миллионников. Именно 44 эти города и являются причиной столь большого разброса. Но так как взятый для исследования массив данных – это не генеральная совокупность по всем городам, и так как главная цель – выявление факторов, влияющих на развитие городов РФ, то различие в минимальных и максимальных пределах не столь влиятельно для анализа. На Рисунке 6 можно видеть, что распределение населения несимметрично: 1) Асимметрия равна 1,58. Это значение больше нуля, следовательно, у распределения длинный правый хвост. 2) Эксцесс равен 4,85, что больше 3. Значит, распределение имеет острый пик по сравнению с нормальный распределением. 3) Медиана отличается от среднего. Это также можно видеть на Рис. 2. Теперь следует построить гистограмму для 2011 года. Это поможет сравнить значения на начало и конец взятого периода. Из данных заранее были удалены два крупнейших города. 28 Series: POP_0 Sample 1 109 Observations 109 24 20 16 12 8 4 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 342168.9 220619.0 1498921. 52572.00 336494.3 1.621688 4.960406 Jarque-Bera Probability 65.23051 0.000000 0 250000 500000 750000 1000000 1250000 1500000 Рисунок 7. Описательные статистики зависимой переменой за 2011 год Сравнение графиков за 2005 и 2011 гг. дает понять, что за 6 лет население в городах росло. Все описательные статистики увеличились. К 45 примеру, с 333492 человек в 2005 году среднее количество населения увеличилось до 342169 человек, значит, за 6 лет в среднем в городах стало жить на 8677 человек больше. Распределение также осталось распределенным неравномерно: POP_0 .0000024 .0000020 Density .0000016 .0000012 .0000008 .0000004 .0000000 -1,000,000 -500,000 0 500,000 1,000,000 1,500,000 2,000,000 Kernel Normal Рисунок 8. Распределение зависимой переменой за 2011 год На Рисунке 8 показано ненормальное распределение зависимой переменной, так как график эмпирической плотности расходится с графиком теоретической плотности нормального распределения. 3.2. Корреляционный анализ Теперь обратимся к количественным независимым переменным. До построения модели регрессии необходимо выявить те факторы, которые тесно связаны между собой. Ведь если не устранить тесную взаимосвязь между ними, это приведет к неверным значениям коэффициентов в самой регрессии. В процессе корреляционного анализа рассчитываются коэффициенты корреляции. Именно по их значениям будет определено, 46 какие факторы нужно оставить, а какие следует исключить из выборки. Матрица корреляций представлена в Приложении. В таблице выделены значения, которые говорят о высокой корреляции. Всего получилось 32 взаимосвязей между переменными с сильной корреляцией. Сильно коррелируемые между собой переменные связаны с образованием, сферой здравоохранения, спорта, жилья, а также занятостью населения. Следует устранить некоторые из переменных во избежание искажения коэффициентов регрессии. В данном случае, следует удалить переменные, между которыми присутствует очень сильная связь (больше или равно 0,9). В ином случае, если устранять переменные, между которыми коэффициент корреляции принадлежит промежутку от 0,8 до 0,9, имеется большая вероятность того, что для исследования останутся факторы, большинство из которых могут оказаться незначимыми. Прежде всего, одними из первых следует удалить переменные Educ_2 (места в дошкольных образовательных учреждениях) и Educ_0 (число дошкольных образовательных учреждений, единиц) в силу принадлежности обеих переменных к дошкольным образовательным учреждениям. Они сильно коррелируют с двумя другими переменными, связанными с образованием Educ_5 и Educ_12 (число учреждений среднего и высшего профессионального образования). Было решено удалить первые две переменные, в связи с предположением о том, что число студентов ( в основном приезжих) и школьников в большей степени влияют на рост населения. Empl_0 (Среднесписочная численность работников организаций, человек) сильно коррелирует с некоторыми другими переменными. Её следует удалить, так как в будущем возможно смещение коэффициентов регрессии. Более того, необходимо убрать регрессор Health_0 (Численность врачей, человек). Этот фактор играет важную роль в развитии города. Так как врачи востребованы в каждом городе и люди зачастую стремятся попасть в 47 определенный город на прием к специалисту. Очень часто приходится быть под постоянным наблюдением у врача, и люди ради этого готовы переехать и жить в другом городе. Логично то, что чем в городе больше проживает отличных специалистов, тем больше становится население. Однако, так как этот регрессор сильно коррелирует с другими регрессорами, его необходимо устранить. Более того, переменная измеряется в людях, а следовательно, велика вероятность того, что она будет сильно коррелировать с зависимой переменной и приведет к смещению коэффициентов. Независимая переменная Ind_1 (обрабатывающие производства, единиц) сильно взаимодействует с Ind_2 (производство и распределение электроэнергии, газа и воды, единиц). Для людей в городе, прежде всего, важно наличие газа, воды и электричества. Следовательно, оставляем переменную Ind_2. После удаления некоторых из переменных с целью недопущения смещения коэффициентов, следующим шагом является построение базовой или общей модели регрессии. 3.3. Построение базовой модели Построим базовую регрессионную модель для численности населения по городам РФ за период с 2005 по 2011 гг. Следует использовать линейную спецификацию для базовой модели регрессии, так как по ней лучше всего интерпретировать влияние переменных (прямое соотношение). Прежде всего, необходимо построить первичную модель регрессии, которая включает в себя все переменные, за исключением тех, которые были извлечены из выборки в ходе корреляционного анализа, а затем следует решить, какие из этих характеристик имеет смысл оставить в модели. 48 Таблица 8. Первоначальная модель регрессии Dependent Variable: POP_0 Method: Panel Least Squares Sample: 2005 2011 Periods included: 7 Cross-sections included: 109 Total panel (balanced) observations: 763 Variable Coefficient Std. Error t-Statistic Prob. AGENTS_0 CONSTR_0 CULT_3 EDUC_5 EDUC_12 EMPL_1 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 IND_2 INV_13 SOC_3 SPORT_1 C 0.181329 0.023911 437.9117 2196.812 549.8166 -0.773057 1.609319 80.89477 1159.481 37.51265 -77.83770 -0.000496 2362.482 30.35636 2376.458 0.054066 0.081251 90.87410 336.8400 374.4065 0.141294 0.739217 17.79732 249.7417 0.599939 43.11021 0.000364 851.9652 5.969679 3161.857 3.353880 0.294288 4.818884 6.521824 1.468502 -5.471282 2.177059 4.545334 4.642718 62.52745 -1.805551 -1.363050 2.772980 5.085092 0.751602 0.0008 0.7686 0.0000 0.0000 0.1424 0.0000 0.0298 0.0000 0.0000 0.0000 0.0714 0.1733 0.0057 0.0000 0.4525 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.991989 0.991839 29422.58 6.48E+11 -8925.977 6615.882 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 335876.9 325692.5 23.43638 23.52754 23.47148 0.220478 По результатам построенной модели (Таблица 8) можно сделать вывод о том, что она значима в целом (Prob(F-statistic)<0.05, на 5%-ом уровне значимости, есть основания отвергнуть нулевую гипотезу о том, что модель не значима в целом). Коэффициент детерминации, который показывает долю объясненной дисперсии, очень большой – 99% фактических значений модель описала. Помимо этого, также очень высокий скорректированный на количесвто объясняющих переменных коэффициент детерминации (Adjusted R-squared) составляет 99%. Для улучшения спецификации регрессионной модели можно убрать некоторые на первый взгляд незначимые переменные, у которых t-статистика мала и высока вероятность незначимости (такие факторы выделены в 49 Таблице 8). Для проверки надо использовать тест на лишние переменные (Redundant Variables). Таблица 9. Тесты на лишние переменные Redundant Variables: CONSTR_0 F-statistic 0.086606 Prob. F(1,748) 0.7686 Log likelihood ratio 0.088337 Prob. Chi-Square(1) 0.7663 Redundant Variables: EDUC_12 F-statistic 2.156497 Prob. F(1,748) 0.1424 Log likelihood ratio 2.196578 Prob. Chi-Square(1) 0.1383 F-statistic 3.260016 Prob. F(1,748) 0.0714 Log likelihood ratio 3.318165 Prob. Chi-Square(1) 0.0685 F-statistic 1.857907 Prob. F(1,748) 0.1733 Log likelihood ratio 1.892814 Prob. Chi-Square(1) 0.1689 Redundant Variables: IND_2 Redundant Variables: INV_13 Значение вероятности превысило значение 0,05, следовательно, указанные переменные можно исключить из модели. Новая модель выглядит следующим образом: 50 Таблица 10. Базовая модель Dependent Variable: POP_0 Method: Panel Least Squares Sample: 2005 2011 Periods included: 7 Cross-sections included: 109 Total panel (balanced) observations: 763 Variable Coefficient Std. Error t-Statistic Prob. AGENTS_0 CULT_3 EDUC_5 EMPL_1 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 SOC_3 SPORT_1 C 0.186457 442.5020 2301.232 -0.760401 1.740031 70.97753 1103.609 37.40999 2436.025 31.51700 1484.502 0.053793 90.32871 306.2413 0.139829 0.736657 16.88941 241.7053 0.591894 849.9781 5.928385 3107.320 3.466187 4.898797 7.514439 -5.438085 2.362065 4.202487 4.565926 63.20391 2.865985 5.316288 0.477744 0.0006 0.0000 0.0000 0.0000 0.0184 0.0000 0.0000 0.0000 0.0043 0.0000 0.6330 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.991920 0.991813 29469.94 6.53E+11 -8929.239 9231.846 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 335876.9 325692.5 23.43444 23.50130 23.46018 0.215598 Новая модель также осталась значимой. Не осталось незначимых переменных и при скорректированного высокими, что этом, значения коэффициента подтверждает коэффициента детерминации правильной выбор детерминации остались столь удаления и же лишних переменных. Эконометрические тесты (базовая модель). После построения регрессионной модели требуется провести тест на спецификацию модели. Для этого используется RESET-тест Рамсея на пропущенные регрессоры. Нулевая гипотеза: в модели нет пропущенных регрессоров. 51 Таблица 11. Тест Рамсея Ramsey RESET Test: F-statistic Log likelihood ratio 12.12738 12.22274 Prob. F(1,751) Prob. Chi-Square(1) 0.0005 0.0005 Variable Coefficient Std. Error t-Statistic Prob. AGENTS_0 CULT_3 EDUC_5 EMPL_1 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 SOC_3 SPORT_1 C FITTED^2 0.143479 464.8929 2260.746 -0.787170 1.781190 76.04882 1103.296 35.73938 2242.790 33.20070 7511.652 3.27E-08 0.054807 89.89797 304.2226 0.139018 0.731362 16.82895 239.9367 0.758528 845.5811 5.904831 3536.956 9.38E-09 2.617895 5.171340 7.431222 -5.662345 2.435442 4.518929 4.598281 47.11676 2.652365 5.622633 2.123762 3.482439 0.0090 0.0000 0.0000 0.0000 0.0151 0.0000 0.0000 0.0000 0.0082 0.0000 0.0340 0.0005 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.992049 0.991932 29254.30 6.43E+11 -8923.128 8517.875 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat Test Equation: Dependent Variable: POP_0 Method: Least Squares Sample: 1 763 Included observations: 763 335876.9 325692.5 23.42104 23.49398 23.44912 0.531659 Согласно тесту, на 5% уровне значимости мы не отвергаем нулевую гипотезу о равенстве нулю коэффициентов при добавленных переменных, другими словами, нет ошибки спецификации. Тесты на гетероскедастичность. Проведем несколько тестов на наличие гетероскедастичности. Таблица 12. Тест на гетероскедастичность: Глейзер Heteroskedasticity Test: Glejser F-statistic Obs*R-squared Scaled explained SS 44.39485 283.2335 401.2206 Prob. F(10,752) Prob. Chi-Square(10) Prob. Chi-Square(10) 0.0000 0.0000 0.0000 52 Таблица 13. Тест на гетероскедастичность: Харви Heteroskedasticity Test: Harvey F-statistic Obs*R-squared Scaled explained SS 22.81651 177.6129 223.5021 Prob. F(10,752) Prob. Chi-Square(10) Prob. Chi-Square(10) 0.0000 0.0000 0.0000 Таблица 14. Тест на гетероскедастичность: Уайт Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 14.68340 440.9676 986.9910 Prob. F(65,697) Prob. Chi-Square(65) Prob. Chi-Square(65) 0.0000 0.0000 0.0000 Тест Глейзера проверяет значимость регрессии, в которой зависимой переменной являются абсолютные значения остатков, а регрессоры взяты из исходной модели. Поэтому, если значимость регрессии не будет отвергнута, тест подтвердит наличие гетероскедастичности. В этом случае нулевая гипотеза принимается на 1% уровне значимости. Тест Харви говорит о том, что на 5-%-ном уровне есть основания отвергнуть нулевую гипотезу о гомоскедастичности. Т.е. выявлена гетероскедастичность. Тест Уайта строит регрессию квадратов значений остатков на все комбинации исходных регрессоров. С помощью этого теста выявлена гетероскедастичность. Итак, было выяснено, что гетероскедастичность по результатам всех тестов присутствует. Однако это истинная гетероскедастичность, т.к. регрессионная модель правильно специфицирована, а значит, гетероскедастичность является неизбежным свойством этих данных. Об истинности гетероскедастичности говорит следующий график, на котором практически не видно отклонений значений и остатков. 53 1,600,000 1,200,000 800,000 400,000 150,000 0 100,000 50,000 0 -50,000 -100,000 -150,000 100 200 300 400 Residual Actual 500 600 700 Fitted Рисунок 9. График отклонения значений и остатков Диагностика мультиколлинеарности. Диагностика мультиколлинеарности проводилась на этапе анализа данных. Это значит, что модель не включает сильно коррелированные регрессоры. Для подтверждения следует рассчитать показатель VIF: Таблица 15. Тест VIF Variance Inflation Factors Date: 05/27/14 Time: 01:24 Sample: 1 763 Included observations: 763 Variable Coefficient Variance Uncentered VIF Centered VIF AGENTS_0 CULT_3 EDUC_5 EMPL_1 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 SOC_3 SPORT_1 C 0.002894 8159.054 93780.12 0.019552 0.542655 285.2567 58420.57 0.350330 722439.0 35.14816 9655619. 4.317196 2.296225 14.35868 5.924161 4.006417 1.613236 23.71489 32.07002 2.345001 11.30264 8.483040 2.866257 1.302641 6.505800 1.061033 2.309689 1.248095 10.65282 15.44331 1.363127 5.660535 NA 54 Такие результаты не были ожидаемыми. Необходимо проводить оценку по коэффициенту Centered VIF, который должен быть меньше 10. Результат: две данные вызывают этот эффект. Мультиколлинеарность – это такая ситуация, при которой одна переменная очень хорошо объясняется другими переменными. Эта ситуация возможна, если 2 переменные коррелированны между собой, и поэтому становится очень сложно различить их влияние на зависимую переменную. Однако в построенной модели регрессоры не коррелируют сильно между друг другом. Это означает, что результаты, полученные при помощи теста VIF, можно обосновать, как внутренние факторы каждой переменной. Скорее всего, такие переменные могут коррелировать с каким-то определенные набором других переменных (множественная корреляция). Мультиколлинеарность же чаще всего возникает при взаимосвязи на парном уровне. Следовательно, с моделью ничего не следует делать (это позволяют правила эконометрики), чтобы избежать смещения коэффициентов из-за неверной спецификации, при условии того, что сильная корреляция между факторами была заранее предотвращена). 3.4. Построение моделей с фиксированными и случайными эффектами. Выбор регрессионной модели. Построим модель с фиксированными эффектами, которая учитывает ненаблюдаемые переменные, которые коррелируют с переменными в модели. После построения модели с фиксированными эффектами (Таблица 16), можно сделать вывод о том, что модель значима в целом, так как Prob (Fstatistic) <0,05. Коэффициент детерминации по-прежнему очень высокий. Однако, последствием изменения общей регрессионной модели на модель с коррелируемыми между собой наблюдаемыми и ненаблюдаемыми переменными привела к тому, что явно сократилось количество не зависимых переменных. Пять переменных из десяти регрессоров стали незначимыми. 55 Таблица 16. Модель с фиксированными эффектами Dependent Variable: POP_0 Method: Panel Least Squares Sample: 2005 2011 Periods included: 7 Cross-sections included: 109 Total panel (balanced) observations: 763 Variable Coefficient Std. Error t-Statistic Prob. AGENTS_0 CULT_3 EDUC_5 EMPL_1 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 SOC_3 SPORT_1 C -0.028173 286.3074 -311.2042 -0.138843 -0.857739 18.64554 -182.6333 13.73294 -21.62404 -13.26904 247137.3 0.015948 73.73873 160.4362 0.061258 0.250468 16.36240 172.3138 0.636430 350.7875 5.222408 5061.631 -1.766543 3.882728 -1.939738 -2.266537 -3.424546 1.139536 -1.059887 21.57810 -0.061644 -2.540790 48.82563 0.0778 0.0001 0.0528 0.0237 0.0007 0.2549 0.2896 0.0000 0.9509 0.0113 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.999552 0.999470 7499.150 3.62E+10 -7825.865 12175.02 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 335876.9 325692.5 20.82533 21.54858 21.10379 0.914125 Перейдем к построению модели со случайными эффектами. Следует отметить, что значения обоих коэффициентов детерминации снизились до 88% (Таблица 17). Но это значение все также является довольно высоким. Модель является значимой. Кроме того, в модели имеется всего одна незначимая переменная, в то время как другие являются на 100% значимыми, их вероятность незначимости равно 0. 56 Таблица 17. Модель со случайными эффектами Dependent Variable: POP_0 Method: Panel EGLS (Cross-section random effects) Sample: 2005 2011 Periods included: 7 Cross-sections included: 109 Total panel (balanced) observations: 763 Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. AGENTS_0 CULT_3 EDUC_5 EMPL_1 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 SOC_3 SPORT_1 C -0.021655 619.8475 2173.859 -1.053625 -1.211914 77.56576 1842.426 32.46385 1647.504 20.37471 46173.92 0.015886 68.09677 146.7745 0.056628 0.247866 14.51179 155.9606 0.458361 343.7681 4.710998 3192.455 -1.363135 9.102450 14.81087 -18.60609 -4.889397 5.345016 11.81341 70.82588 4.792485 4.324923 14.46345 0.1732 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Effects Specification S.D. Cross-section random Idiosyncratic random 22277.35 7499.150 Rho 0.8982 0.1018 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.881595 0.880020 14639.72 559.9076 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 42392.84 42264.83 1.61E+11 0.612743 Unweighted Statistics R-squared Sum squared resid 0.976016 1.94E+12 Mean dependent var Durbin-Watson stat 335876.9 0.050942 Проведем тест Хаусмана, который поможет выявить, какую из двух моделей следует использовать. Нулевая гипотеза: модель со случайными эффектами является оптимальной. Таблица 18. Тест Хаусмана на определение модели Correlated Random Effects - Hausman Test Equation: Untitled Test cross-section random effects Test Summary Cross-section random Chi-Sq. Statistic Chi-Sq. d.f. Prob. 2123.890402 10 0.0000 57 Так как p-уровень <0,01, значит, мы отклоняем нулевую гипотезу. Полученные результаты позволяют сделать вывод, что из двух моделей подходит модель с фиксированными эффектами. Этот результат корректен, так как для исследования брались конкретные населенные пункты, состав городов не менялся от года к году. Выводы по полученной модели. Итак, наша регрессионная модель имеет следующий вид: Y = 286,3*CULT_3 – 0,14*EMPL_1 – 0,86*EMPL_4 + 13,73*HOUS_0 13,27*SPORT_1 + 247137,3*C В среднем за рассматриваемый период с 2005 года по 2011 год можно сделать следующие выводы. 1. Если в городе строилось учреждение культурно-досугового центра, то в среднем численность постоянного населения в городе увеличивалось на 286 человек. Для российских городов этот показатель является оптимальным, во-первых в связи с тем, что из выборки были изъяты два города – Москва и Санкт-Петербург. В этих двух городах сосредоточено самое большое число учреждений культурно-досугового центра, в то время как во многих других города, при численности населения 50000 человек имеется 1-2 культурно-образовательных учреждения. Понятно, что с меньшим населением, ситуация обстоит еще сложнее. 2. Следующий вывод имеет отношение к средней заработной плате рабочих. На данный момент показатель не подается интерпретации, так как он равен 0,14, что нельзя округлить до 1. Так как речь идет о людях, нельзя использовать нецелочисленные значения. Можно умножить этот коэффициент на 100, и получится, что с увеличением зарплаты на 1 рубль, в среднем из города будут уезжать 14 человек. Это связано с тем, что в городах России помимо Москвы и СанктПетербурга, заработные платы небольшие. И жители уезжают в два 58 крупнейших города нашей страны, так как заработная плата в исследуемых городах не может резко возрасти до уровня Москвы и Санкт-Петербурга, а значит, небольшие увеличения минимальной ставки заработной платы не являются чем-то существенным для людей, что могло бы заставить их остаться в своем городе. Безусловно, важно, что перед показателем стоит отрицательный знак. Это значит что нашей стране, нужно обратить внимание на минимальную ставку оплачиваемого труда, чтобы в дальнейшем избежать отток населения из городов в более существенных масштабах. Сейчас, как было отмечено, люди часто уезжают в Москву и Санкт-Петербург, ведь зарплаты в этих городах куда больше тех, которые имеются в их городах. Отрицательный знак перед показателем в большей степени указывает именно на это, но показатель совсем невелик. 3. Еще один вывод связан с занятостью населения – количество человек, которые получают пособие по безработице. При появлении одного безработного человека, происходит отток населения в среднем также на 1 человека. Это вывод о том, что чем больше уровень безработицы в городе, тем меньше там народу. Этот факт подтверждается все теми же двумя городами – Москвой и СанктПетербургом - в которых численность самая большая и в которых уровень безработицы очень низкий. 4. Что касается жилищной сферы города, то вывод следующий: с увеличением общей площади жилищного фонда на 1000 кв. м. численность постоянного населения увеличивается в среднем на 14 человек. Возможно, столь небольшое увеличение количества человек говорит о том, что их желание переехать из поселка/деревни в город или из одного города в другой город зависит в большей степени от работы, которую они найдут или им предложат. Так как уже выяснилось, что в стране зарплаты не высоки, а за жилье платить 59 надо, люди предпочитают оставаться там, где они сейчас находятся, ведь платить приходится за жилье в любом городе, а если нет достойной работы, то смысла переезжать нет. Так и с деревнями и поселками. Без работы с достойной заработной платой попросту нет смысла переезжать в город. 5. Последний показатель относится к числу спортивных сооружений в городе. Коэффициент показателя довольно странный, потому как имеет отрицательный знак, ведь наоборот, должно быть так, что с увеличением сооружений спортивного типа, число людей должно увеличиваться. В нашем случае результат такой, что при построении одного спортивного сооружения, численность населения уменьшается в среднем на 13 человек. По этому поводу можно сказать, что для людей, которые переезжают в город, наличие спортивных сооружений остается второстепенной причиной переезда, в отличие от работы и жилья. Также, есть предположение о том, что строительство спортивных сооружений проходит довольно долго, и для строительства, к примеру, стадионов, квалифицированные люди в этой требуются высоко области. Именно поэтому, на период строительства специалисты переезжают в этот город на несколько лет, а затем обратно возвращаются в свои города. Нужно отметить, что коэффициент перед константой очень велик. Это подтверждает то, что изменение численности постоянного населения зависит от большого числа других показателей, причем тех, которые коррелируют с уже найденными регрессорами, ведь выбрана модель с фиксированными эффектами. Однако, панельные данные сложно собрать, их надо собирать регулярно, в течение каждого года на основе одних и тех показателей и объектов. Российская база данных не удовлетворят таким жестким требованиям, так как большой число данных отсутствует и очень много городов, по которым за первую часть периода за 2-3 года есть данные, а за другую нет и наоборот, по другим городам за последние годы периода есть 60 данные, а за первые нет. Вывод таков, что необходимо совершенствовать российскую информационную систему, чтобы данные по городам были зафиксированы в определенные сроки и были полными. 3.5. Проверка модели В теоретической информатике есть раздел под названием машинное обучение (Machine Learning). Машинное обучение – это «обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться». [19] Машинное обучение располагается на стыке методов оптимизации, мат. статистики, а также на стыке классических математических дисциплин. Различают индуктивное и дедуктивное обучение. В нашем случае для проверки будет использован первый тип, так как большинство методов индуктивного машинного обучения разрабатывались в качестве альтернативных методов классической статистики. Многие из методов являются неотъемлемой частью интеллектуального анализа данных, который используется в экономических дисциплинах. Постановка задачи индуктивного обучения или обучения по прецедентам: дается конечное множество прецедентов (ситуации, объекты). Также собраны данные по каждому из них. Совокупность всех данных по прецедентам называется обучающей выборкой. Задача состоит в том, чтобы выявить общие взаимосвязи, которые характеризуют не только эту конкретную выборку, но и всем объектам и ситуациям, которые даже еще не наблюдались. В данном исследовании это возможно сделать, если из исходных данных удалить 2-3 переменные за все года. Построить регрессию по оставшимся данным. И если коэффициенты при переменных в уравнении примерно совпадут с теми, которые были найдены в регрессионной модели (Таблица 13), то можно говорить о правильности модели, о том, что она верна не только для конкретных наблюдений, а для всех. Цель проверки также заключается в том, что модель будет проверена сразу. Чаще всего при 61 построении модели, исследователям приходится ждать определенное время, чтобы собрать новые данные для проверки своей модели. В нашем случае, этого делать не придется, поскольку модель будет проверена сразу. Удалим из выборки три переменные: EDUC_12, INV_13 и уберем для более качественной проверки одну переменную, которая включена в уравнение регрессии – EMPL_1. После удаления тех, переменных, которые коррелированны между собой, строим модель с фиксированными эффектами. Таблица 19. Проверка модели. Модель с фиксированными эффектами – 2. Dependent Variable: POP_0 Method: Panel Least Squares Sample: 2005 2011 Periods included: 7 Cross-sections included: 109 Total panel (balanced) observations: 763 Variable Coefficient Std. Error t-Statistic Prob. AGENTS_0 CULT_3 EDUC_5 EMPL_4 ENVIR_0 HEALTH_4 HOUS_0 SOC_3 SPORT_1 C -0.029550 284.5662 -287.7465 -0.821215 21.58256 -104.5886 13.13583 42.36204 -15.73124 248560.7 0.015987 73.97007 160.6101 0.250733 16.36042 169.3961 0.581415 350.7625 5.124166 5038.042 -1.848326 3.847046 -1.791584 -3.275261 1.319194 -0.617420 22.59286 0.120771 -3.070010 49.33677 0.0650 0.0001 0.0737 0.0011 0.1876 0.5372 0.0000 0.9039 0.0022 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.999548 0.999466 7523.080 3.65E+10 -7828.888 12201.05 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 335876.9 325692.5 20.83064 21.54780 21.10675 0.911361 62 Таблица 20.2 Сравнение коэффициентов двух фиксированных регрессий Переменные Регрессия 1 Регрессия 2 (проверочная) CULT_3 286,3 284,5 EMPL_1 -0,14 - EMPL_4 -0,86 -0,82 HOUS_0 13,73 13,14 SPORT_1 -13,27 -15,73 C 247137,3 248650,7 Как видно по результатам Таблицы 20, даже при том, что была удалена независимая переменная, влияющая на изменение населения, коэффициенты изменились не существенно, что говорит о правильности модели. Теперь известно, каким общим зависимостям подчиняются прецеденты в этой области. 63 ЗАКЛЮЧЕНИЕ. Город представляет собой очень сложную систему взаимосвязей между политической, экономической, социальной, культурной и экологической сферами жизни. Однако далеко не всегда удается достичь той ситуации, когда все эти сферы функционируют налажено без каких-либо проблем. Такую модель устойчивого развития города можно смело назвать теоретической, поскольку в реальном мире, дело обстоит иначе. Немногие города имеют высокие показатели по всем сферам городской жизни. Что же касается Российской Федерации, то она одна из тех стран, которым непременно нужно стремиться к ситуации, характеризующейся устойчивым развитием городов. В данной работе было проведено исследование, в ходе которого была достигнута цель - оценить влияние факторов, которые способствуют развитию города. Прежде всего, были рассмотрены теоретические аспекты, связанные с общей информацией о городах, а также, в частности, о городах России. Были представлены классификации факторов, которые имеются на сегодняшний день в литературе, в основном, в зарубежной. Важным этапом работы является рассмотрение исследовательских работ зарубежных авторов, которые занимаются изучением городского развития. Очень важно знать, какие факторы авторы этих работ выделяют среди других, которые тоже влияют на развитие города, но не в такой степени. Более того, их работы очень информативны, так как у каждого автора представлена своя методика проведения анализа. На следующем этапе работы было крайне важно проанализировать инструменты эконометрического анализа, так как именно при помощи него была достигнута цель исследования. В частности в работе рассматривается построение разного рода регрессионных моделей с использованием данных панельного типа в эконометрическом методе, ведь именно такой тип данных и был использован в проведенном исследовании. Данные для исследования были взяты из базы данных Мультистата за 7 лет по 19 факторам. Следует 64 отметить, что по данным о городах России эта база является самой большой. Однако в ней все еще отсутствуют наблюдения по значительному количеству объектов, что затрудняло проведение исследования. Наиболее адекватные регрессионные модели строятся на основе большого количества данных по заданной тематике. Регрессионная модель в этой работе говорит о том, что большинство переменных не учтено в работе (об этом говорит несоизмеримо большой коэффициент перед константой), поскольку другие показатели отсутствуют в базе данных. Исследование было проделано по всем правилам эконометрики. Перед построением модели, была проанализирована зависимая переменная (число постоянного населения), взаимосвязи между независимыми переменными, что дало возможность удалить из выборки часть сильно коррелируемых между собой факторов. Затем была построена модель. В дальнейшем она была проверена различными тестами, которые выявили правильность её построения. Дальше были построены две альтернативные модели, позволяющие более адекватно оценить панельные данные. В итоге была выбрана единственная модель, которая также была проверена методом обучающей выборки. По результатам построенной модели, можно сказать, что наиболее значимыми факторами для увеличения населения, а, следовательно, и развития города являются: среднемесячная заработная плата работников, количество человек, получающих пособие по безработице, общая площадь жилых помещений города, число спортивных сооружений и наличие учреждений культурно-досугового типа. Важным оказалось то, что большая роль принадлежит социально-культурной сфере города, а не только экономической. Хотя модель и была проверена, но в будущем возможно проведение похожего исследования, но уже другому периоду и по большему числу данных. Два исследования можно будет сравнить между собой, а затем провести сравнение с аналогичными зарубежными исследованиями. 65 Сравнение даст стимул к выявлению причин различия или же сходства показателей. Несомненно, это будет способствовать накоплению чрезмерно важного опыта в области развития городов 66 Список литературы. 1. Баранский Н.Н. Об экономико-географическом изучении городов//Становление советской экономической географии. – М.:Мысль, 1980. 2. Битюкова В.Р. Социально-экологические проблемы развития городов России. – М.: Книжный дом «Либроком», 2012.-448с. 3. Бородич С.А. Вводный курс эконометрики. –Мн.: БГУ, 2000. – 354 с. 4. Велихов Л.А. Основы городского хозяйства. М.: Наука, 1996. 5. Доугерти К. Введение в эконометрику: Учебник. 3-е изд. / Пер. с англ. — М.: ИНФРА-М, 2009. — XIV, 465 с. 6. Елисеева И.И., Курышева С.В., Костеева Т.В., Бабаева И.В., Михайлов Б.А. Эконометрика/Под ред. И.И. Елисеевой. – М.: Финансы и статистика, 2003. 7. Изотов А.Н. Проблемы и пути развития малых городов России (на примере республики Башкортостан) – (электронный ресурс)- http://municipal-sd.ru/sites/default/files/Izotov.pdf 8. Коломак Е.А. Эконометрический анализ панельных данных. — Новосибирск: НГУ, 2007. 9. Научно-практический журнал «Прикладная эконометрика». №4(32) . Синергия Пресс2013 10. Ратникова Т.А. «Введение в эконометрический анализ панельных данных». Экономический журнал ВШЭ №2, 2006 г. 11. Ратникова Т.А. Анализ панельных данных в пакете «Stata». М.: 2004 г. 12. Россия 2013: Статистический справочник/Росстат . – М., 2013.-62с. 13.Чекалин В.С. Экономические основы функционирования городского хозяйства. – СПб. :СПбГИЭУ, 2010 14. Яновский В.В. Город как система и объект управления: введение в проблемы управления городского хозяйства. – СПб.:Сев.-Запад. акад.гор. хоз-ва, 1999.-231с. 67 15. Воронов В.И., Воронов А.В., Лазарев В.А., Степанов В.Г. «Международные аспекты логистики». Сайт abc.vvsu – (электронный +ресурс) - http://abc.vvsu.ru/Books/m_asp_log/default.asp [4.05.2014] 16. Сайт Агенство РиФ – (электронный ресурс) - http://www.rf-agency.ru [28.04.2014] 17.Сайт Мультистат – (электронный ресурс) - http://www.multistat.ru/ [9.05.2014] 18.Сайт Univer-nn – (электронный ресурс) - http://univer-nn.ru/econometrica [12.05.2014] 19. Сайт MachineLearning – (электронный ресурс) - http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение [15.05.2014] 20.Сайт – InvenTech (электронный ресурс) – http://inventech.ru/pub/methods/metod-0013/ [10.05.2014] 21.Сайт E-Reading - ресурс) (электронный – http://www.e- reading.ws/chapter.php/84338/31/Shevchuk__Ekonomicheskaya_zhurnalistika.html [11.05.2014] 22.Сайт Statsoft – (электронный ресурс) – http://www.statsoft.ru/home/textbook/modules/stfacan.html [16.05.2014] 23.Устойчивое развитие городов. Сайт ООН – (электронный ресурс) http://www.un.org/ru/sustainablefuture/cities.shtml#overview [28.04.2014] 24. Adams R. Cities: the Problems and Solutions. – (электронный ресурс) http://udf.org.au/udf-quarterly/udfq-94-may-2011/article/cities-the-problemsand-the-solutions/ 25. Allen C. Kelley and Jeffrey G. Williamso ‘What Drives City Growth in the Developing World?’- (электронный ресурс) – http://www.rrojasdatabank.info/econurb87/econurbp44-57.pdf 26. Factors Affecting Urban Development – (электронный ресурс) – http://www.multitran.ru/c/m.exe?CL=1&s=internet+research&l1=1 68 27. Applied Choice Analysis by D.Hensher, J.Rose and W.Greene, Cambridge University Press, 2005. 28. Briassoulis, H. (2001). Sustainable development and its indicators: through a (planner’s) glass darkly. Journal of Environmental Planning and Management, 44(3), 409-427. 29. Garcia A.M, Sante I, Miranda D., Crecente R. ‘Analysis of Factors Influencing Urban Growth Patterns on Small Towns’ available from http://www.wseas.us/e-library/conferences/2009/rodos/UPT/UPT12.pdf 30. Glaeser, E. L., Scheinkman, J. A., & Shleifer, A. (1995). Economic growth in a cross-section of cities. Journal of Monetary Economics, 36(1), 117–143. 31. Hofstad H. (2012) ‘Compact City Development: High Ideals and Emerging Practices’ European Journal of Spatial Development available from 49(2012) [online]. http://www.nordregio.se/Global/EJSD/Refereed articles/refereed49.pdf [ October, 2012] 32. Kuan-Pin Lin. Computational Econometrics. GAUSS Programming for Econometricians and Financial Analysts, 2001. – 375p. 33. Prado-Lorenzo J.-M., García-Sánchez I.-M. & Cuadrado-Ballesteros B. (2010) ‘Sustainable Cities: Do Political Factors Determine the Quality of Life?’ Journal of Cleaner Production 21(2012) [online] 33-34. available from www.elsevier.com/locate/jclepro [31 August 2011] 34. Rubalcaba L., Gallego J., Gallo M.T. & Garrido R. (2010) ‘Business Services Location and Market Factors in Major European Cities’ Cities 31(2013) [online] 258–266. available from www.elsevier.com/locate/cities [9 August 2012] 35. Rubalcaba, L. & Kox, H. (2007). Business services in European economic growth. Hampshire and NY: Palgrave Macmillan. 36. Samuel H. Preston. Urban Growth in Developing Countries: A Demographic Reappraisal // Population and Development Review, Vol. 5, No. 2 (Jun., 1979), pp. 195-215. 69 37. Scipioni, A., Mazzi, A., Zuliana, F., Mason, M., 2008. The standard to guide the urban sustainability measurement process: an Italian experience. Journal of Cleaner Production 16, 1247-1257. Available from www.elsevier.com/locate/jelepro. 38.Shen L.-Y., Ochoa J. J., Shah M. N. & Zhang X. (2010) ‘The Application of Urban Sustainability Indicators - a Comparison Between Various Practices’ Habitat International 35 (2011) [online] 17-29. available from www.elsevier.com/locate/habitatint [2011] 39. Singhal S., McGreal S. & Berry J. (2010) ‘An Evaluative Model for City Competitiveness: Application to UK Cities’ Land Use Policy 30 (2013) [online] 214–222. available from www.elsevier.com/locate/landusepol [20 March 2012] 40. Stock J.H. and Watson M.W. Introduction to Econometrics (Addison- Wesley, 2nd Edition) 41. Sustainability Indicators - a Comparison Between Various Practices’ Habitat International 35 (2011) [online] 17-29. available from www.elsevier.com/locate/habitatint [2011] 42. Verbruggen, H., & Kuik, O. (1991). Indicators of sustainable development: an overview. In O. Kuik, & H. Verbruggen (Eds.), In search of indicators of sustainable development 43. Wooldridge J. M. Econometric Analysis of Cross Section and Panel Data, — MIT Press, 2002. 44. Zamani B. & Arefi M. (2011) ‘Iranian New Towns and Their Urban Management Issues: a Critical Review of Influential Actors and Factors’ Cities 30 (2013) [online] 105–112. available from www.elsevier.com/locate/cities [7 February 2012]. 70 Приложение AGENTS_0 CONSTR_0 CULT_3 EDUC_0 EDUC_2 EDUC_5 EDUC_12 EMPL_0 EMPL_1 EMPL_4 AGENTS_0 1.000000 0.039517 0.355210 0.761722 0.753400 0.717422 0.718008 0.767255 0.021855 0.594833 CONSTR_0 0.039517 1.000000 0.001594 0.022210 0.015654 -0.000808 0.056220 0.023542 -0.021159 -0.004905 CULT_3 0.355210 0.001594 1.000000 0.433941 0.417827 0.396996 0.350972 0.424712 -0.064381 0.285504 EDUC_0 0.761722 0.022210 0.433941 1.000000 0.969277 0.862877 0.818302 0.933474 -0.050839 0.731305 EDUC_2 0.753400 0.015654 0.417827 0.969277 1.000000 0.856447 0.831571 0.926721 0.010751 0.741511 EDUC_5 0.717422 -0.000808 0.396996 0.862877 0.856447 1.000000 0.858568 0.873695 -0.088551 0.631191 EDUC_12 0.718008 0.056220 0.350972 0.818302 0.831571 0.858568 1.000000 0.832439 0.001940 0.629111 EMPL_0 0.767255 0.023542 0.424712 0.933474 0.926721 0.873695 0.832439 1.000000 -0.075204 0.711405 EMPL_1 0.021855 -0.021159 -0.064381 -0.050839 0.010751 -0.088551 0.001940 -0.075204 1.000000 -0.049142 EMPL_4 0.594833 -0.004905 0.285504 0.731305 0.741511 0.631191 0.629111 0.711405 -0.049142 1.000000 ENVIR_0 0.134979 -0.009815 0.077480 0.319810 0.315482 0.190808 0.131147 0.278381 -0.024792 0.206042 HEALTH_0 0.781776 0.017288 0.406106 0.925772 0.931620 0.897434 0.869596 0.928817 -0.009413 0.718439 HEALTH_4 0.747582 0.055835 0.460508 0.917269 0.905306 0.889604 0.845977 0.885575 -0.074071 0.667081 HOUS_0 0.800325 0.024452 0.443809 0.956857 0.963380 0.884762 0.847807 0.958589 -0.012589 0.744021 IND_1 0.662263 0.025139 0.315602 0.762709 0.774085 0.814629 0.750628 0.782216 -0.121521 0.631584 IND_2 0.628829 0.013832 0.337237 0.704232 0.709617 0.769405 0.729617 0.730317 -0.078050 0.543334 INV_13 0.220227 -0.001256 0.070599 0.312819 0.339908 0.213066 0.282163 0.304854 0.102037 0.199004 SOC_3 0.373170 -0.000216 0.163013 0.486852 0.460229 0.445660 0.407940 0.461208 -0.082542 0.277310 SPORT_1 0.709354 0.030650 0.392707 0.887967 0.905768 0.806537 0.781358 0.852324 0.001731 0.674001 71 Приложение. Продолжение ENVIR_0 HEALTH_0 HEALTH_4 HOUS_0 IND_1 IND_2 INV_13 SOC_3 SPORT_1 AGENTS_0 0.134979 0.781776 0.747582 0.800325 0.662263 0.628829 0.220227 0.373170 0.709354 CONSTR_0 -0.009815 0.017288 0.055835 0.024452 0.025139 0.013832 -0.001256 -0.000216 0.030650 CULT_3 0.077480 0.406106 0.460508 0.443809 0.315602 0.337237 0.070599 0.163013 0.392707 EDUC_0 0.319810 0.925772 0.917269 0.956857 0.762709 0.704232 0.312819 0.486852 0.887967 EDUC_2 0.315482 0.931620 0.905306 0.963380 0.774085 0.709617 0.339908 0.460229 0.905768 EDUC_5 0.190808 0.897434 0.889604 0.884762 0.814629 0.769405 0.213066 0.445660 0.806537 EDUC_12 0.131147 0.869596 0.845977 0.847807 0.750628 0.729617 0.282163 0.407940 0.781358 EMPL_0 0.278381 0.928817 0.885575 0.958589 0.782216 0.730317 0.304854 0.461208 0.852324 EMPL_1 -0.024792 -0.009413 -0.074071 -0.012589 -0.121521 -0.078050 0.102037 -0.082542 0.001731 EMPL_4 0.206042 0.718439 0.667081 0.744021 0.631584 0.543334 0.199004 0.277310 0.674001 ENVIR_0 1.000000 0.201730 0.251232 0.279329 0.177883 0.169159 0.334601 0.224617 0.363532 HEALTH_0 0.201730 1.000000 0.926980 0.964939 0.820366 0.775785 0.287983 0.448159 0.879459 HEALTH_4 0.251232 0.926980 1.000000 0.928862 0.817541 0.776243 0.297809 0.491014 0.841344 HOUS_0 0.279329 0.964939 0.928862 1.000000 0.814891 0.755544 0.322022 0.445000 0.898476 IND_1 0.177883 0.820366 0.817541 0.814891 1.000000 0.927439 0.220981 0.336822 0.760419 IND_2 0.169159 0.775785 0.776243 0.755544 0.927439 1.000000 0.206023 0.344378 0.687573 INV_13 0.334601 0.287983 0.297809 0.322022 0.220981 0.206023 1.000000 0.197150 0.300407 SOC_3 0.224617 0.448159 0.491014 0.445000 0.336822 0.344378 0.197150 1.000000 0.417962 SPORT_1 0.363532 0.879459 0.841344 0.898476 0.760419 0.687573 0.300407 0.417962 1.000000 72 73