WWW.KNIGA.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, пособия, учебники, издания, публикации

 


Pages:     | 1 || 3 |

«СБОРНИК НАУЧНЫХ ТРУДОВ ВСЕРОССИЙСКОГО СТУДЕНЧЕСКОГО КОНКУРСА ВЫПУСКНЫХ КВАЛИФИКАЦИОННЫХ РАБОТ по направлению Статистика и специальности Математические методы в экономике ...»

-- [ Страница 2 ] --

В итоге, оценив структуру, состав и размер среднего класса России и НСО, следует отметить, что в нашей стране еще не сформировался массовый средний класс, достаточный для выполнения той роли и функций, которые ему отводятся. Несмотря на то, что к среднему классу России обращено внимание руководства страны, и в своих официальных заявлениях президент и премьер-министр делают акцент на необходимость формирования данного слоя на уровне 60–70% населения страны к 2020 г., Россия вряд ли достигнет такой отметки при существующей значительной поляризации общества по уровню жизни населения.

МОДЕЛИРОВАНИЕ ЧИСЛЕННОСТИ ТРУДОСПОСОБНОГО

НАСЕЛЕНИЯ ВОЛГОГРАДСКОЙ ОБЛАСТИ С УЧЕТОМ

КАЧЕСТВЕННОГО СОСТАВА И МИГРАЦИОННЫХ ПРОЦЕССОВ

e-mail: mary222@mail.ru, likhomanov.oleg@yandex.ru Актуальность темы исследования. Вопрос демографии в Волгоградской области предельно актуален. Тенденция уменьшения численности населения в области сохраняется на протяжении последних лет.

Росстатом определен рейтинг жизнестойкости регионов. В перечень выморочных попали Тульская, Новгородская, Тверская и Псковская области. При расчете коэффициента жизнестойкости из числа родившихся на тыс. человек населения исследователи вычитали число умерших за аналогичный период. Когда коэффициент больше нуля, регион признается жизнестойким, от -0,1 до -2 – недостаточно жизнестойким, от -2 до -5 – умирающим, от -5 до -8 – вымирающим, ниже -8 – выморочным. Волгоградская область с коэффициентом минус 3,9 в числе умирающих регионов. Среди жизнестойких регионов числятся кавказские республики и несколько регионов Сибири. Наибольшей жизнестойкостью отличается Ингушетия, имеющая коэффициент 22,4. У Москвы коэффициент чуть больше нуля: 0,4.

Петербург и ряд регионов Урала и Поволжья отличаются дефицитом жизненных сил. Саратовская область находится на грани между умиранием и вымиранием:

- 4,9. Самая печальная ситуация среди наших соседей в Нижегородской области:

- 6,7. Общий рейтинг жизнестойкости России равен:

Для разработки эффективной демографической политики в условиях современной экономики особую актуальность приобретает анализ и прогнозирование динамики численности трудоспособного населения.





Степень научной разработанности проблемы исследования. Вопросам моделирования демографических процессов посвящены многие работы зарубежных и отечественных исследователей. Среди ученых, внесших существенный вклад в изучение этого вопроса можно отнести: Д. Граунта, У.

http://v102.ru/analytic/28926.html Петти, Э. Галлея, Л. Кетле, Ахилла, Ж. Бертильона, Г. Кинга, Т. Мальтуса, Ферхюдьста, Д. Форрестера, Д. Медоуза, У. Фарра, А.Д. Лотки, В. Лексиса, М. Кремера, П.К. Уэлптона и др.

Из отечественных ученых огромный вклад внесли: И.Ф. Герман, Д.К.

Шелестов, В.И. Покровский, В. И. Гребенщиков, С.Г. Струмилин, Е. Тарасов, А.Я. Боярский, С.П. Капица, А.В. Подлазов, А.В. Коротаев, А.С. Малков, Д.А. Халтурина, Д.И. Валентей, А.Я. Кваша, Д. Эдиев, В. А. Борисов и др.

Результат этих исследований – обширный научный материал, который ориентируется на изучение и прогнозирование демографических процессов, как в отдельной стране, так и во всем мире. Все это создает научнометодическую основу для дальнейшего научного поиска.

Мир в целом представляет собой закрытую демографическую систему и моделирование демографических процессов таких систем изучено достаточно хорошо. На мезоуровне многие демографические модели не применимы, т.к. из-за миграционных процессов система становится открытой.

Поэтому необходимо моделирование и прогнозирование демографических процессов в отдельных региона страны. Необходимо построение демографических моделей на мезоуровне.

Объектом дипломной работы являются демографические поцессы Волгоградской области.

Предметом данной работы являются численные, статистические, экономико-математические методы исследования демографических процессов в Волгоградской области.

Цели и задачи исследования. Целью данного исследования является анализ и прогнозирования динамики качественного состава трудоспособного населения с корректировкой на размер асоциальных элементов и миграционных процессов в Волгоградской области.

Исходя из цели, поставлены задачи исследования:

исследование современного состояния трудоспособного населения Волгоградской области с учётом его качественного состава и миграционных процессов и выявление тенденции его динамики;

разработка эконометрических моделей демографических процессов в Волгоградской области в краткосрочном периоде на основе аналитического метода и метода передвижки возрастов;

адаптация сценарного подхода при разработке эконометрической модели на основе аналитического метода для учёта скорости изменения тенденций на рынке труда.

Методологической и теоретической базой исследования послужили труды отечественных и зарубежных ученых по анализу и прогнозированию численности и состава населения, вопросам статистики, эконометрики и компьютерной обработки данных, а также методологические разработки и рекомендации Федеральной службы негосударственной статистики Российской Федерации и Территориального органа Росстата по Волгоградской области.

Информационную базу исследования составили статистические данные, предоставленные Федеральной службой государственной статистики РФ, территориальным органом по Волгоградской области а также материалы периодических изданий и ресурсы сети Интернет по теме дипломной работы.

Методы исследования:

экономико-математические методы, позволяющие разработать многофакторные динамические модели;

методы передвижки возрастов и когорт;

Личное участие автора: Использование эконометрического инструментария для моделирования численности трудоспособного населения Волгоградской области с учетом качественного состава и миграционных процессов В качестве исследовательского инструментария использовались методы эконометрического моделирования, многомерные статистические методы корреляционного, регрессионного, компонентного анализа, анализа временных рядов и прогнозирования, а также табличные и графические методы представления статистических данных.

Обработка информации проводилась с использованием пакетов прикладных программ «Statistica 6.0», «Microsoft Excel».

Научная новизна:

сделана попытка разработать экономико-математическую модель прогноза трудоспособного населения для Волгоградской области с учетом социальных факторов и миграционных процессов, влияющих на демографическую ситуацию;

для сравнения с результатами, полученными с помощью экономико-математического моделирования, применен метод возрастных передвижек с учетом миграционных процессов для населения Волгоградcкой области;

Теоретическая значимость исследования заключается в реализации выполненного прогноза как инструментария повышения результативности принятия управленческих решений.

Практическая значимость – результаты выпускной работы используются в исследованиях при финансовой поддержке РГНФ и Администрации Волгоградской области в рамках научно-исследовательского проекта № 11а/В «Денежная эколого-экономическая оценка сгоревших лесных массивов в целях определения ущерба от пожаров с учётом нерыночных полезностей леса» для прогнозирования последствий миграции жителей населённых пунктов, пострадавших от лесных пожаров.

Апробация результатов исследования.

Основные результаты исследовательской работы апробированы в докладах на ряде международных и всероссийских научных конференций:

Конкурс научных докладов, проводимом УМО вузов РФ по специальностям «Статистика» и «Математические методы в экономике». МЭСИ (г. Москва, 2010 г.) Апрельская студенческая научная конференция ВолГУ в рамках VII Межрегиональной научно-практической конференции 2011 г., секция «Оптимизация и информатизация экономических процессов»

Конкурс научных работ студентов и молодых ученых по направлению «Региональная экономика, управление» в рамках Ежегодной всероссийской научно-практической конференции, приуроченной к международному дню Интеллектуальной собственности «Эффективное освоение новшеств, информации и идей – условие модернизации хозяйственных систем», секция «Математическое и инструментальное обеспечение», 2011 г.

V Международная научно-практическая конференция молодых исследователей «Наука и молодежь: новые идеи и решения», ВГСХА, 2011 г.

XVI Региональная конференция молодых исследователей Волгоградской области, секция «Экономика и финансы», ВолГУ, 2011 г.

Конкурс научных докладов, проводимом УМО вузов РФ по специальностям «Статистика» и «Математические методы в экономике». МЭСИ (г. Москва, 2011 г.) III Международная научно-практическая Интернет-конференция «Анализ, моделирование и прогнозирование экономических процессов» ( декабря 2011 г. – 15 февраля 2012 г.).

VIII ежегодная научная конференция студентов и аспирантов базовых кафедр Южного научного центра РАН, г. Ростов-на-Дону, апрель VI Международная научно-практическая конференция молодых исследователей «Наука и молодежь: новые идеи и решения», ВГСХА, Апрельская студенческая научная конференция ВолГУ в рамках VIII Межрегиональной научно-практической конференции (апрель 2012 г.) По теме исследования опубликовано 13 печатных работ, и з них 1 – в журнале из Перечня ВАК, 1- в англоязычном журнале.

Структура работы. Работа состоит из введения, двух глав, заключения, списка использованной литературы из 19 наименований, в т.ч. 1 англоязычного.

Во введении обоснована актуальность темы дипломной работы, определены объект и предмет исследования, сформулирована цель и поставлены задачи, решение которых необходимо для ее достижения, раскрыта научная новизна и практическая значимость результатов исследования.

В первой главе «Современная демографическая ситуация в России и Волгоградской области» проведен анализ и исследован прогноз трудовых ресурсов России до 2025 года Проведен аналитический обзор современной демографической ситуации в Волгоградской области. Отражена миграционная структура в современной России и Волгоградской области.

Во второй главе «Применение эконометрического моделирования и методов прогнозирования к анализу трудоспособного населения Волгоградской области» рассмотрены подходы и методы демографического прогнозирования. Проведен анализ и построен прогноз реальной динамики трудоспособного населения с учетом его качественного состава, внутренней и внешней миграции. Применен метод передвижки возрастов для прогнозирования численности трудоспособного населения Волгоградской области.

В заключении сформулированы основные выводы диссертационного исследования.

В списке литературы приведены работы отечественных и зарубежных авторов, которые использовались при выполнении дипломной работы.

ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ ЦЕНООБРАЗОВАНИЯ

НА РЫНКЕ ЖИЛЬЯ

Научный руководитель:Зайцева Юлия Владимировна К.э.н., доцент кафедры ММИЭ Волгоградский государственный Университет, тел. 8-927-534-49-51, e-mail: m-arr-y@yandex.ru Одним из главных показателей развития в стране нормальных рыночных отношений является состояние рынка недвижимости. Такое экономическое явление как ценовой пузырь достаточно часто встречается именно на рынках жилья. Он ведет к превращению жилой недвижимости в инструмент сохранения и преумножения инвестиционного капитала. Поэтому эффективное управление процессами на рынке жилья требует применения современных методов их анализа. Целью исследования является разработка эконометрических моделей, позволяющих оценить вероятность возникновения ценовых пузырей на региональных рынках жилья в зависимости от макроэкономических факторов.

Информационную основу исследования составили статистические данные Росстата РФ, данные Центрального Банка РФ, материалы периодической печати и данные социально-экономических исследований рынка жилья А.Б. Гусева; С.М. Дробышевского, С.С. Наркевича, Е.С. Пикулиной, Д.И. Полевого; обзоры центра макроэкономических исследований Сбербанка России.

Методологическую основу исследования составили статистические методы эконометрического анализа панельных данных. Для обработки исходных данных использовались пакет «Microsoft Excel» и программа STATA 10.

Природа и типология ценовых пузырей Критерием наличия ценового пузыря является показатель В - значение эластичности цены 1 м2 жилья (P) по изменению покупательской способности средней заработной платы (I). В связи с дискретными рядами статистических данных, показатель В имеет вид:

Ценовой пузырь на рынке жилья будет иметь место, если выполнено одно из следующих условий:

Согласно условию (2) рынок жилой недвижимости переживает ценовой перегрев в связи с тем, что темпы роста покупательской способности ниже темпов роста цен на жилье. Ценовой пузырь, развивающийся в соответствии с данным планом, называется ценовым пузырем 1-го рода. Условие (3) описывает ценовой пузырь 2-го рода, где при росте цен проявляется снижение покупательской способности.

Классификация жилищных рынков с точки зрения механизмов ценообразования Однако остается не рассмотренным такой важный фактор спроса как жилищная обеспеченность. Предполагается, что чем выше число м 2 жилья на душу населения, тем меньше вероятность возникновения ценовых пузырей и наоборот. Показатель H - эластичность цены 1 м2 жилья (P) по изменению жилищной обеспеченности (q) имеет для дискретных статистических данных следующий вид:

Имея в распоряжении значения эластичностей В и Н, составлена классификация жилищных рынков с точки зрения поведения цены относительно изменений основных факторов спроса I и q:

Классификация региональных рынков жилья На основе предложенных методов, были рассчитаны эластичности В и Н для рынков первичного и вторичного жилья российских регионов, за 2007 – 2010 гг. Выборку по рынку первичного жилья будут представлять субъектов Федерации. По рынку вторичного жилья – 74 субъектов Федерации (рис. 1).

И для первичного, и для рынка вторичного жилья 2007-2009 гг. характеризуются I, III и IV типами рынков. А в 2010г. также встречается II тип рынка жилья (развитый рынок). Важно отметить то, что в 2007 году преобладал IV тип жилищного рынка, в 2008 году – I тип для первичного рынка и III тип для вторичного, а в 2009 - 2010 г. – III тип, где на фоне снижения цены на жилье наблюдался рост покупательской способности (В 0) и жилищной обеспеченности (Н 0). Если говорить о типах рынков первичного и вторичного жилья одного и того же региона, то в основном эти типы совпадают. Что касается динамики, то большинство регионов демонстрируют гибкость своего статуса, переходя, как правило, из 4 типа в 1 тип, либо оставаясь в статусе типа рынка, а затем в 3 тип рынка. Тем не менее, есть примеры регионов, жилищные рынки которых устойчиво демонстрируют принадлежность к одному типу. В рассматриваемый период времени имела место четкая тенденция рецессии как первичных, так и вторичных рынков жилья регионов, чему способствовал мировой финансовый кризис.

Анализ данных о наличии ценовых пузырей 1-го и 2-го рода в рассматриваемых регионах РФ (рис. 2) показывает, что по состоянию на 2007 год оба рынка жилья в основном были «инфицированы» ценовым пузырем 2-го рода, т.е. наблюдалось сокращение покупательской способности на фоне роста цен на жилье. Это свидетельствует о разбалансировке рыночных механизмов ценообразования. В 2008 году начался мировой финансовый кризис, который повлек за собой тот факт, что ценовой пузырь 2 рода на ряде рынков стал переходить в ценовой пузырь 1 рода. Таким образом, начался рост покупательской способности, но его темпы были ниже, чем темпы роста цен на жилье.

Для 2009-2010гг. характерно значительное сокращение как первичных, так и вторичных жилищных рынков, охваченных ценовыми пузырями. Это связано с уменьшением цен на жилье на фоне роста покупательской способности. И не было ни одного региона, где бы на протяжении 2007-2010г.

ценовые пузыри отсутствовали бы.

Рис. 1Гистограммы числа регионов, принадлежащих к 4-м типам рынка Охват региональных жилищных рынков ценовыми пузырями Рис. 2.Гистограммы числа ценовых пузырей на рынках жилья Построение бинарных моделей с использованием панельных данных для анализа зависимости появления ценовых пузырей от макроэкономических факторов Наилучшим образом для описания вероятности образования ценовых пузырей на первичном рынке жилья подходит Probit модель со случайным эффектом с временными фиктивными переменными, об этом свидетельствует достаточно высокой показатель соотношения правильно классифицируемых наблюдений (более 83%).

P( Bubble 1) F (0,000025 pf 0,23ipc 2,02d 2007 0,66d 2010 26,84), Значимыми оказались два фактора и две фиктивные переменные – это индекс потребительских цен (ipc), цена 1 м2 (pf), константа, а также переменные d2007 и d2010. Анализ предельных эффектов влияния объясняющих переменных на зависимую переменную для 2010 года показал, что при увеличении цены на одну тысячу рублей за 1м 2 повышает вероятность образования ценового пузыря в среднем на 0,48% для 2010 года. Повышение индекса потребительских цен для этого года на 1% ведет к повышению изучаемой вероятности в среднем на 4,51%. Вероятность появления ценового пузыря в 2007 году по сравнению с 2006 годом повысилась на 68%, а в 2010 году по сравнению с 2009 годом – снизилась на 16%.

Аналогично, для описания вероятности образования ценовых пузырей на вторичном рынке жилья подходит Probit модель со случайным эффектом с временными фиктивными переменными. Показатель соотношения правильно классифицируемых наблюдений составляет более 82%.

P( Bubble 1) F (0,00001Ps 0,26ipc 1,57d 2007 0,53d 2010 29,67) При увеличении цены вторичного жилья (ps) на одну тысячу рублей за 1м2 повышает вероятность образования ценового пузыря в среднем на 0,41% для 2010 года. Повышение индекса потребительских цен для этого года на 1% ведет к повышению изучаемой вероятности в среднем на 8%.

Вероятность появления ценового пузыря в 2007 году по сравнению с годом повысилась на 58%, а в 2010 году по сравнению с 2009 годом – снизилась на 14%.

Можно заметить, что построенные модели для первичного и для вторичного рынков жилья очень похожи.

Было проведено прогнозирование по построенным моделям. Сценарные расчеты по построенным моделям показали: если предположить, что цена жилья на первичном рынке и индекс потребительских цен достигнут докризисного уровня, т.е. повысятся на 17,5% и 11% соответственно, то на рынке первичного жилья с вероятностью 74% образуется ценовой пузырь.

А на вторичном рынке достаточно увеличение ИПЦ на 11% при неизменных ценах на жилье, чтобы ценовой пузырь образовался с вероятностью 65,5%.

Слишком быстрое увеличение цен на жилье, а также индекса потребительских цен приводит к негативным последствиям, а именно образованию ценовых пузырей на рынках жилья. Поэтому необходимо реально оценивать сложившуюся ситуацию на данных рынках, чтобы не только не понести убытков, но и получить доход.

СТАТИСТИЧЕСКОЕ ИССЛЕДОВАНИЕ ДИНАМИКИ ПЛАТНЫХ

УСЛУГ НАСЕЛЕНИЮ (НА ПРИМЕРЕ САМАРСКОЙ ОБЛАСТИ)

Руководитель: Проскурина Наталья Вячеславовна, к.э.н., доцент Самарский Государственный экономический университет Тел:(846)2240726, (917)1125657, е-mail: statistikka@mail.ru Одной из важнейших закономерностей развития экономики является взаимосвязь экономического роста и повышения роли услуг в национальной экономике. Это находит выражение в увеличении доли трудовых, материальных и финансовых ресурсов, используемых в сфере услуг. Масштабы и уровень сферы платных услуг в большей мере определяют оценку экономического статуса региона и страны в целом. Именно высокие темпы развития сферы услуг в ведущих государствах мира в 80-90-е годы предыдущего столетия во многом предопределили общий рост их экономики, являясь как бы его основой и необходимым условием для сохранения динамики роста и на перспективу. В сфере услуг в развитых странах сосредоточено 70-80% ВВП и общей численности занятых, более 2/3 капиталовложений и основного капитала.

Рост доли услуг в РФ многие ученые связывают с резким сокращением производства в промышленности и сельском хозяйстве, а также ростом доли деловых услуг. Россия входит в третью группу стран, где доля доходов от сферы услуг составляет 50-65%.

Современную динамику сферы услуг определяет усложнение производства, насыщение рынка новыми товарами, быстрый рост научнотехнического прогресса, развитие инновационной деятельности, интеграция, глобализация экономики. Потребление платных услуг населением тесно связано с уровнем доходов, общей экономической ситуацией в регионе и стране, инфляционными процессами, типом домохозяйств. Поэтому важно изучать сферу услуг в Российской Федерации в целом, по субъектам и муниципальным образованиям, по отдельным видам экономической деятельности и деятельности конкретных предприятий.

Целью работы является статистическая оценка платных услуг населению, выявление и анализ тенденций в объеме платных услуг, исследование факторов, определяющих объем платных услуг населению.

Объект исследования - платные услуги населению в Самарской области.

Предмет исследования – количественная оценка платных услуг населению и выявление статистических закономерностей в объеме платных услуг.

В процессе работы применялись следующие методы статистического анализа: структурный анализ, анализ временных рядов и прогнозирование, индексный метод анализа, корреляционно-регрессионный анализ, непараметрические методы анализа, табличный и графический методы, метод Вопросы торговли услугами в переговорах о присоединении к ВТО (методическое пособие). ЮНКТАД Отдел международной торговли товарами, услугами и сырьем.

Программа Коммерческой Дипломатии Женева, ноябрь 2001 г. –С. Демидова Л. Сфера услуг: изменение динамики производительности//Мировая экономика и международные отношения, 2006 - №12 – С. 40- Пипко Е.Г. Формирование стратегии предприятий сферы сервиса на рынке деловых услуг // Вестник СГЭУ, 2010. - № 1 (63). – С.64-68.

группировки. Обработка данных проводилась с использованием пакета прикладных программ STATISTICA Информационную базу исследования составили официальные данные Федеральной службы государственной статистики, данные научной и периодической печати по исследуемой тематике, информационные ресурсы сети Internet и электронных СМИ.

В работе раскрыто понятие услуг, дана их классификация, проанализирована динамика развития сферы услуг Самарской области и составлен прогноз на ближайшую перспективу, определено влияние факторов на объем платных услуг на душу населения.

Так, на основе структурно-динамического анализа сферы платных услуг были выявлены закономерности ее развития. Структурный анализ потребления платных услуг населением свидетельствует о том, что, начиная с 2001 года ежегодно увеличивается доля расходов на оплату услуг в общем объеме потребительских расходов. По сравнению с 2002 годом, в году на оплату услуг домашние хозяйства потратили на 15 % общей суммы расходов больше. В то же время при разделении услуг на 2 группы: «обязательного» характера и «необязательного», - выявлено, что в составе потребления преобладают «жизнеопределяющие» услуги: услуги ЖКХ, услуги транспорта. Причем именно на оплату «обязательных» услуг домашние хозяйства стали тратить на 13,5 п.п. своего бюджета больше в 2010 году по сравнению с 2002 годом. Доля расходов на оплату услуг «обязательного»

характера растет быстрее, чем доля расходов на оплату услуг «необязательного» характера. Так как изменение потребления услуг «необязательного» характера свидетельствует об изменении уровня жизни населения, поэтому была проведена рейтинговая оценка регионов Приволжского федерального округа методом «Паттерн», которая позволила определить место субъектов данного округа в потреблении населением услуг «необязательного» характера. Самарская область в 2010 году занимала в рейтинге место.

Расчеты обобщающих показателей структурных сдвигов позволили сделать вывод о произошедших существенных различиях в структуре объема платных услуг населению за последние 8 лет. Значительно возросла доля жилищно-коммунальных услуг (рост составил 65%) и существенно уменьЛеушина Т.В. Статистическое исследование дифференциации и факторов потребления платных услуг населением региона (на примере Оренбургской области)/Автореф. дисс. на соиск. уч. ст. к.э.н. – Самара, 2007. – 24 с.

шилась (на 47%) доля санаторно-оздоровительных услуг. На 34% стали меньше занимать в структуре транспортные услуги.

Рассчитанные коэффициенты неравномерности распределения объема платных услуг населению за 2002 и 2010 гг позволили сделать вывод об увеличении неравномерности распределения исследуемого фактора в пользу потребления услуг «обязательного характера».

Особый интерес представляет вопрос о закономерностях изменения величины объема платных услуг населению во времени. Для выявления наличия и характера тенденции в объеме платных услуг населению в Самарской области проведен анализ временного ряда за период с 2007 года по 2010 год (помесячно) в текущих и сопоставимых ценах.

Изменения в сфере платных услуг произошли в анализируемом периоде преимущественно за счет роста цен. Результаты факторного анализа подтвердили, что рост объема платных услуг населению за последние 11 лет на 95,8% обусловлен увеличением цен на услуги.

Исследование динамики объема платных услуг населению в текущих ценах позволило сделать вывод о наличии возрастающей тенденции. В среднем объем платных услуг на душу населения увеличивался на 8, млн.руб. в месяц. В анализируемом ряду отмечено наличие внутригодовых колебаний. Пик сезонности приходится на четвертый квартал, особенно на декабрь. Полученная модель обладает высокой точностью, что подтвердил расчет относительной средней ошибки (2,7%). На основании данной модели был сделан прогноз на ближайшую перспективу (рис.1).

Объ ем платны х услуг населению, млрд.руб.

Как было отмечено выше, на объем платных услуг населению в текущих ценах большое значение оказывает инфляция. Принимая это во внимание, построена модель, описывающая развитие объема платных услуг населению в Самарской области с учетом снятия инфляционной составляющей с помощью индекса потребительских цен на услуги.

Анализ динамики объема платных услуг населению в сопоставимых ценах показывает, что тенденция во временном ряду отсутствует, заметны устойчивые сезонные колебания, имеющие годовую периодичность: очевидны повторяющийся рост объема платных услуг населению в летнеосенний период и спад в весенне-зимний период (рис.2). Отсутствие тенденции в объеме платных услуг населению за последние четыре года не следует интерпретировать как негативное явление, потому что временной ряд охватывает предкризисный год (2007), год кризиса (2008) и посткризисный период. Поэтому, можно отметить, что негативные явления в экономике незначительно отразились на сфере услуг.

Объ ем пл атны х усл уг насел ению, мл рд.руб.

Для выявления влияния факторов на объем платных услуг на душу населения в городских округах и муниципальных районах Самарской области были построены парные и множественные регрессионные модели за каждый год исследуемого периода (2008-2010 гг).

В городских округах Самарской области на моделируемый показатель сильное влияние оказывает среднедушевая заработная плата работников, не относящихся к субъектам малого предпринимательства, объем инвестиций в основной капитал на душу населения, среднедушевой оборот розничной торговли.

Регрессионные модели, построенные по муниципальных районам Самарской области, отразили влияние на объем платных услуг на душу населения заработной платы работников организаций, не относящихся к субъектам малого предпринимательства, и общей площади жилых помещений, приходящейся в среднем на 1 жителя. Это еще раз доказывает, что в структуре платных услуг населению превалируют обязательные услуги жилищно-коммунального характера.

Полученные в работе динамические и регрессионные модели могут быть использованы региональными органами власти, органами государственной статистики и аналитиками для оценки состояния и тенденции сферы платных услуг и уровня ее развития в различных административнотерриториальных образованиях региона.

СТАТИСТИЧЕСКАЯ ОЦЕНКА КОНКУРЕНТОСПОСОБНОСТИ

РЕГИОНОВ ПРИВОЛЖСКОГО ФЕДЕРАЛЬНОГО ОКРУГА

ФГБОУ ВПО «Мордовский государственный университет имени Н.П.Огарева», +79271778975, podzorovakatya@mail.ru В современных условиях развития национальной и мировой экономики именно категория региональной конкурентоспособности интегрирует в себе все характеристики региона как субъекта общего экономического пространства.

Согласно Концепции долгосрочного социально-экономического развития Российской Федерации на период до 2020 года, повышение конкурентоспособности регионов России обозначено в качестве одного из приоритетов государственной региональной политики.

Предметом конкурентной борьбы между регионами являются государственные программы и проекты, связанные с размещением инвестиций и территориальной организацией хозяйства, а также с решением социальных проблем. В рыночном пространстве страны сталкиваются интересы всех субъектов Федерации, и преимущества получает лишь тот регион, у которого сильнее конкурентные позиции.

Процессы формирования и регионализации экономики приводят к нарастанию асимметрии в результатах развития регионов, увеличивают опасности региональных кризисов и межрегиональных конфликтов, и это дает основание для построения разнообразных связей между центром и регионами.

Для исследования региональной асимметрии и построения рейтинга регионов ПФО по уровню конкурентоспособности формируем первоначальный перечень из двадцати пяти основных показателей. В условиях существенных различий параметры лучше представить в виде относительных и средних величин. Обобщенная оценка «места», или рейтинга региона, осуществляется приемом «сжатия» - методом суммы мест. Исследование рейтинга регионов в динамике позволило выявить тренды в развитии, по наиболее отчетливо изменения проявились при группировке регионов по сумме мест и объединении в четыре группы по формуле Cтepджecca. За пятилетний период в крайних группах, т.е. среди регионов - лидеров и отстающих регионов, изменений не произошло. А в двух средних группах произошла перестановка и переход двух регионов в соседние группы.

Сравнения этих регионов по первоначальным показателям позволило выявить причины и факторы, приведшие к росту конкурентного потенциала (таблица 1).

Группировка регионов ПФО по уровню конкурентоспособности Регионы с высоким Республика Татарстан; Республика Татарстан;

уровнем конкуренто- Республика Башкорто- Республика Башкортоспособности стан; Самарская область; стан; Самарская область;

Регионы с относитель- Пермский край; Пермский край; Оренно высоким уровнем Саратовская область; Уд- бургская область; Сараконкурентоспособности муртская Республика; товская область; ПенЧувашская Республика. зенская область.

Регионы со средним Ульяновская область; Удмуртская Республика;

уровнем конкуренто- Пензенская область; Ульяновская область;

способности Оренбургская область. Чувашская Республика.

Регионы с низким Республика Мордовия; Республика Мордовия;

уровнем конкуренто- Кировская область; Рес- Кировская область; Ресспособности публика Марий Эл. публика Марий Эл.

Первая группа регионов имеет ряд характерных особенностей: высокий уровень природно-ресурсного потенциала, высокоразвитая производственная, торговая и финансовая инфраструктура. Доля добычи полезных ископаемых составила 65,7% от общей добычи регионов ПФО. Эти регионы имеют наивысшее значение по инвестициям в основной капитал на душу населения, по объему работ по виду деятельности «строительство». В этих регионах самые высокие среднедушевые денежные доходы, потребительские расходы, объем платных услуг на душу и ввод в действие жилых домов, а также наименьшая доля населения с доходами ниже прожиточного минимума.

Состав первой группы и места регионов остались неизменными, что характеризует стабильность в их развитии. За этот период состав второй группы поменялся на два региона, а самый большой рывок сделала Оренбургская область за счет существенного роста ВРП на душу населения, увеличения объема промышленной продукции, снижения уровня безработицы, роста товарооборота на душу населения. Перешла также из третьей во вторую группу Пензенская область за счет роста потребительских расходов на душу населения, снижения индекса потребительских цен. В целом вторая группа характеризуется незначительным отставанием от первой группы по таким показателям, как ВРП на душу населения, среднемесячная заработная плата, объем продукции промышленности и сельского хозяйства, потребительские расходы на душу населения. Все регионы можно отнести к числу перспективных, имеющих большой потенциал для дальнейшего развития.

Из второй в более низкую группу переместилась Удмуртская Республика в результате роста удельного веса убыточных организаций, снижения объема работ по виду деятельности «строительство», увеличения выброса загрязняющих веществ в атмосферу. Аналогично переместилась Чувашская Республика в результате снижения индекса промышленного производства и высокой доли населения с денежными доходами ниже прожиточного минимума. Осталась в третьей группе лишь Ульяновская область. В целом регионы третьей группы имеют неплохие показатели по уровню безработицы, по объему продукции сельского хозяйства, по обеспеченности населения жильем, по индексу потребительских цен, что создает необходимые предпосылки поступательного развития.

В четвертую группу вошли регионы с низким уровнем конкурентоспособности, однако анализ сильных и наиболее слабых мест позволил определить приоритетные направления и на этой основе сформировать инвестиционную политику на краткосрочный и среднесрочный периоды.

Исходя из того, что региональная конкурентоспособность характеризуется достаточно большим числом показателей, то представляет интерес задача сжатия исходной информации. Сжатие исходных данных проводилось с использованием метода главных компонент. В процессе проведения компонентного анализа достигнуто решение нескольких задач. Во-первых, решена задача «сжатия» информации, т.е. извлечение из исходной информации наиболее существенной части за счет перехода от системы исходных переменных к системе обобщенных факторов. При этом были выявлены неявные, непосредственно не измеряемые, но объективно существующие закономерности, обусловленные действием как внутренних, так и внешних причин. Во-вторых, решена задача описания исследуемого явления значительно меньшим числом обобщенных факторов (главных компонент) по сравнению с числом исходных признаков. Обобщенные факторы являются новыми единицами измерения свойств явления, линейно зависимыми от исходных, непосредственно измеряемых признаков. В-третьих, решена задача выявления взаимозависимости наблюдаемых признаков с вновь полученными обобщенными факторами.

Таким образом, было получено четыре главных факторов (главных компонент). Первую главную компоненту можно считать характеристикой инновационного и социального развития региона, вторую главную компоненту - индикатором производственной сферы и показателем состояния окружающей среды региона. Третья главная компонента включает в себя факторы качества жизни. Четвертая главная компонента тесно связана с показателями эффективности функционирования предприятий.

В конечном итоге, с целью качественного анализа территориальных различий в эффективности использования индикаторов конкурентного потенциала осуществили кластеризацию 14 регионов Приволжского федерального округа на основе значений полученных главных факторов, и сформировали два однородных кластера.

Основной методологической трудностью оценивания дифференциации регионов по совокупности показателей конкурентоспособности является проблематичность выбора и расчета на основании имеющихся данных величины, интегрирующей в себе многие аспекты указанного явления, что приводит к целесообразности применения метода кластеризации, позволяющего охарактеризовать состояние системы без применения единого комплексного показателя.

Для проведения кластер-анализа выбран агломеративный метод, Евклидова метрика и метод Варда. Сравнивая результаты кластеризации для двух и трех кластеров, выбрали разбиение на два кластера как наиболее оптимальное, т.к. практически отсутствуют совпадения средних значений по кластерам. Разбиение на кластеры совпало с ранжированием регионов по рейтингу, т.к. в первый кластер вошли 7 регионов, характеризующихся низкой конкурентоспособностью, и занимающие в нашем первоначальном рейтинге по 25 показателям с 8-го по 14-е места. В регионах этого кластера по сравнению со 2-м кластером, куда вошли первые 7 регионов из рейтинга, всё-таки имеются наиболее лучшие значения по таким индикаторам конкурентоспособности, как индекс производства продукции сельского хозяйства, объем экспорта, обеспеченность дорогами с твердым покрытием, выброс загрязняющих веществ в атмосферу и сброс загрязненных сточных вод.

Таким образом, в регионах 2-го кластера сосредоточена основная доля крупных предприятий и научных учреждений, т.е. основной инновационный потенциал округа, что обеспечивает высокие доходы населения, но приводит к повышенному загрязнению окружающей среды.

В первый кластер вошли регионы с высоким уровнем развития агропромышленного комплекса, большими объемами производства продовольствия, но в этих сферах наиболее низкие доходы, что отражается на невысоком уровне развития всей социальной сферы.

Многомерный статистический анализ конкурентоспособности позволил определить приоритеты для регионов. Республика Мордовия не располагает сопоставимым с лидерами природно-ресурсным и экономическим потенциалом, но является лидером в округе по развитию агропромышленного комплекса. Значительные объемы инвестиций привели к перевооружению и модернизации его отраслей, но актуальной остается задача финансового оздоровления части организаций.

Сдерживающим отрицательным фактором является высокая изношенность фондов в промышленности, где, однако, имеется уникальный научнотехнический и кадровый потенциал, способный решать задачи по важнейшим направлениям современной науки и техники. Локомотивами становятся вновь создаваемые высокотехнологичные предприятия, нарастают затраты на технологические инновации.

В сложившихся условиях повышение конкурентоспособности региона возможно только с формированием модели воспроизводства основного капитала на базе технологических инноваций.

СТАТИСТИЧЕСКИЙ АНАЛИЗ ДЕМОГРАФИЧЕСКОЙ

СИТУАЦИИ В РФ

Руководитель: доцент, к.э.н., Иванова Татьяна Александровна Магнитогорский Государственный технический университет сот.тел.: 8-908-823-16-96; e-mail: sunnyrain2008@mail.ru Актуальность исследования В послании Президента РФ Федеральному Собранию в мае 2007 года самой острой проблемой современной России была названа демографическая. Вследствие чего изучение демографических процессов, понимание характера происходящих в них изменений и перспектив их развития представляют актуальную задачу.

Целью данной дипломной работы является статистическое исследование демографической ситуации в Ф. Для реализации данной цели в дипломной работе были рассмотрены основные понятия и методы изучения демографической ситуации. Проведен общий анализ динамики демографических показателей, разработаны модели и спрогнозирована динамика демографических процессов.

Анализ демографической ситуации в РФ к 2010 году Согласно данным Росстата, по итогам Всероссийской переписи населения 2010 года, численность постоянного населения Российской Федерации составляла 141,9 млн. человек, и увеличилась по сравнению с 2009 годом на 0,01% (Рис. 1).

Прирост числа жителей России наблюдался впервые с 1995 г. и сложился за счет существенно уменьшившейся естественной убыли и увеличившегося миграционного прироста. Возрастной состав населения России характеризуется существенной гендерной диспропорцией. Соотношение полов за последние несколько лет не изменилось: к началу 2010 года на мужчин приходилось 1162 женщины.

Рис. 1 – Динамика показателей, характеризующих изменение численности населения РФ в 1993-2010 гг.

Население России согласно международным критериям считается старым, так как доля людей в возрасте от 65 лет и старше превышает 7%.

Численность населения младше трудоспособного возраста на протяжении последних лет была практически неизменная и равна 15%. Рождаемость в России растет с 2000 года, однако ее увеличение в 2007-2009 году были особенно значительными, что обусловлено началом действия мер государственной поддержки рождаемости, в том числе с помощью «материнского капитала».

Россию относят к странам с наивысшими уровнями смертности. Своей максимальной отметки коэффициент смертности достиг в 2003. Начиная с 2004 года, смертность снижалась, что можно объяснить началом реформирования системы здравоохранения и некоторым улучшением социальноэкономического положения населения.

Кроме того, для России характерен один из самых больших гендерных разрывов в показателе ожидаемой продолжительности жизни при рождении. Только в последние четыре года ситуация начала несколько улучшаться. Показатель ожидаемой продолжительности жизни при рождении в 2009 г. по сравнению с 2006 г. вырос у мужчин на 2,4 года, у женщин – на 1,4 лет. Позитивная динамика данного показателя обусловлена ростом доходов населения и развитием нац. проекта «Здоровье», однако, не во всех регионах РФ данная программа оказалась одинаково эффективной.

Россия большая по территории страна с сильными региональными различиями в воспроизводстве и качестве жизни населения. Для выделения определенных классов субъектов РФ по основным демографическим показателям (родившихся на 1000 человек населения; умерших на 1000 человек населения; коэффициент миграционного прироста на 1000 человек) была проведена их кластеризация иерархическим методом Варда по показателям за 2010 год. В результате кластеризации был выявлен большой разрыв в структуре классов, 76% субъектов были отнесены в класс «аутсайдеров»

(среди них г. Москва, Московская и Челябинская области). Данное разбиение говорит о наличии проблем в большинстве регионов РФ.

Для анализа взаимосвязи демографических показателей с социальноэкономическими была проведена кластеризация субъектов РФ по социально-экономическим показателям, характеризующих уровень благосостояния населения, качество социальной сферы и здравоохранения с учетом корреляционной связи При сопоставлении двух классификаций только 15% субъектов сохранили свой статус. 73% исследуемых субъектов во второй классификации получили более высокие оценки и повысили свой «класс». В 11%субъектов РФ понизили свой статус.

Для статистической оценки взаимосвязи демографических и социальноэкономических характеристик субъектов Российской Федерации были построены обобщающие индексы. Изменения индексов являются рассогласованными, что подтверждается близким к нулю коэффициента корреляции Пирсона. Наибольшее рассогласование получили республика Тыва, Дагестан, Хакасия, города Москва и Санкт-Петербург.

Прогнозирование демографической ситуации в Российской Федерации в 2015-2020 гг. с использованием математико-статистических методов Наиболее важной характеристикой социально-экономического развития государства, а также – индикатором качества жизни населения является ожидаемая продолжительность жизни. Для прогнозирования данного показателя был выполнен расчет возрастных коэффициентов смертности по пятилетним возрастным интервалам. Далее по моделям Хольта, Брауна и аппроксимации с помощью многократного сглаживания были спрогнозированы погодовые возрастные коэффициенты смертности для мужчин и женщин в с 2010 по 2020 гг. Полученные прогнозные значения позволяют утверждать, что смертность у мужчин в трудоспособных возрастах повысится, в остальных возраста – понизится. Женская смертность во всех возрастах имеет тенденцию к снижению.

По полученным прогнозным значениям коэффициентов смертности было выполнено построение кратких таблиц смертности и рассчитан показатель ожидаемой продолжительности жизни при рождении. По итогам расчетов можно сделать вывод, что ожидаемая продолжительность жизни мужчин повысится с 2013 года, а женщин – с 2010 года. В среднем, прогнозная продолжительность жизни повысилась для мужчин на 3,6 года, для женщин – на 5 лет, что в той или иной мере характерно для всех экономически развитых стран.

Большее значение для экономического и социального планирования имеет прогноз будущего половозрастного состава населения. Прогнозирование численности населения РФ было проведено методом так называемой «передвижки возрастов».

Как показал анализ прогнозных оценок половозрастной структуры, численность женщин в фертильном возрасте будет снижаться. Однако, позитивная динамика прогнозируется в показателях рождаемости, в среднем на 15% для девочек, и на 12% -- для мальчиков.

На основе прогнозируемой половозрастной структуры был рассчитан нетто-коэффициент воспроизводства женского населения при двух сценариях рождаемости, согласно которому в прогнозируемом периоде характер воспроизводства населения будет оставаться суженным, т.е., поколение родившихся детей будет меньше предшествующего. Это способствует росту коэффициентов демографической нагрузки.

Таким образом, численность населения Российской Федерации в прогнозном периоде с учетом миграционного прироста, будет изменяться согласно графику (Рис. 2).

Согласно проведенному исследованию численность населения Российской Федерации будет постепенно уменьшаться. В 2015 году снизится на 3,8%, а в 2020 году – на 6,4%.В условиях суженного воспроизводства населения рост численности не произойдет. И, как следствие, негативное влияние депопуляции неминуемо отразится на всех аспектах жизни населения страны.

В экономической сфере: нагрузка пенсионерами на трудоспособное население увеличится на 4%. При сокращении численности экономически активного населения на 7% ожидает дефицит трудовых ресурсов. Стремительное повышение рождаемости за короткий промежуток времени резко увеличит социальные расходы на подрастающее поколение, которое только в будущем будет приносить отдачу.

Рис. 2 – Численность населения РФ в 1959-2020 гг.

В сфере образования: в связи с увеличением рождаемости появится необходимость увеличения числа мест в детских садах и школах. Снизится число абитуриентов вузов – выпускников школ на 19%. Сократится общее число студентов в вузах, что повлечет за собой сокращение профессорскопреподавательского состава.

В социальной сфере: в России в последнее десятилетие наметились тенденции к усилению бессемейной организации жизни, к рождению детей вне брака, что, в свою очередь, ведёт к резкому изменению всего строя жизни и систем ценностей.

Заключение Таким образом, проведенный в работе анализ основных демографических характеристик выявил существенные негативные изменения в структуре и динамике. А спрогнозированная половозрастная структура и численность населения в 2015-2020 годах говорит о проблеме грядущей депопуляции.

В качестве путей выхода из демографического кризиса могут быть предложено введение дополнительных социальных программ для семей, имеющих трех и более детей; предоставление доступного жилья; увеличение размера семейных пособий в связи с рождением и воспитанием детей, а так же, усовершенствование программ в сфере здравоохранения.

СТАТИСТИЧЕСКИЙ АНАЛИЗ УСЛУГ АВТОМОБИЛЬНОГО

ТРАНСПОРТА (НА ПРИМЕРЕ РЕСПУБЛИКИ МОРДОВИЯ)

Транспортный комплекс является важнейшей составляющей экономики всей страны и отдельных ее регионов. Развитие рыночных отношений на транспорте определило необходимость пересмотра основных понятий, показателей, характеризующих состояние и развитие рынка транспортных услуг. Этим объясняется актуальность выбранной темы.

Целью данной работы является статистический анализ услуг автомобильного транспорта в Республике Мордовия. Объектом исследования является транспортная инфраструктура Республики Мордовия.

Предметом изучения статистики автомобильного транспорта являются массовые экономические явления и процессы на автотранспортных предприятиях, представляющие собой результат транспортного процесса и условия (факторы) его осуществления в конкретных условиях места и времени. Для характеристики транспортной инфраструктуры были проанализированы основные показатели статистики транспорта. На основании проведенного статистического анализа был сделан вывод о том, что объем пассажирских перевозок автобусным и троллейбусным транспортом в РМ, сильно снизился. Так за период с 2006 по 2010 гг. объемы перевозок автобусным транспортом снизились на 9620 тыс. чел., а объемы перевозок троллейбусным транспортом - на 10577 тыс. чел., то есть более чем 1,5 раза.

Подобное снижение можно объяснить тем фактом, что население за истекший период стало приобретать больше автомобилей, соответственно, меньше пользоваться услугами общественного транспорта. Кроме того, подобную тенденцию можно отнести также и на тот счет, что значительное увеличение стоимости проезда за последние 5 лет существенно повысило количество безбилетных пассажиров, в результате чего регистрируемые пассажирские перевозки уменьшились. Снижение перевозок троллейбусным транспортом также связано с и изменением порядка отнесения граждан к льготным категориям.

Соответственно, если рассматривать изменение пассажирооборота, то стоит отметить, что общий пассажирооборот с 2006 года заметно снизился (рисунок 1). Всего за период с 2006 по 2010 гг. пассажирооборот снизился на 190 млн. пассажиро-километров, или в 1,5 раза.

Следует отметить, что отправление грузов всеми видами транспорта выросло в 2010 году по сравнению с 2006 на 2920 тыс. т, или в 2,6 раза, однако снизилось по сравнению с максимальным в анализируемом периоде значением 5219 тыс. т в 2009 году на 477 тыс.т., или на 9,1%.

В соответствии с ростом объемов грузовых перевозок в течение 2006 гг. с помощью автомобильного транспорта, общая величина грузооборота в том же периоде выросла на 117 млн. т-км, или в 2,4 раза. Это может свидетельствовать как об увеличении массы грузов, так и быть следствием увеличения их количества.

Рисунок 1- Динамика пассажирооборота на транспорте общего пользования по РМ на 2006-2010 гг., млн. пассажиро-километров Так же одним из показателей, характеризующих транспортную инфраструктуру является протяженность дорог общего пользования. Поэтому необходимо отметить, что общая протяженность автомобильных дорог снизилась за указанный период на 404 км, или на 6,1 %. Максимальное снижение было отмечено в 2009 году - на 349 км, или на 5,4 %. В то же время протяженность троллейбусных линий увеличилась на 1 км и составила 149 км.

Для прогнозирования был выбран ряд пассажирооборота по всем видам транспорта по Республике Мордовия за период с 1991 по 2010 гг. Динамика пассажирооборота в Мордовии носит убывающий характер. В работе рассматривались три метода прогнозирования данного ряда динамики:

метод аналитического выравнивания по кривой, метод экспоненциального сглаживания и прогнозирование с помощью АРИСС-модели. В ходе исследования, на основе анализа остатков каждой модели прогнозирования и сравнения средней квадратической ошибки, был выявлен наиболее объективный метод прогнозирования пассажирооборота в Республике Мордовия.

Таким образом, была подобрана модель наиболее адекватно описывающая изучаемый процесс. Данной моделью является логарифмическая модель тренда. С вероятностью 95% можно утверждать, что пассажирооборот в РМ будет снижаться и дальше, и к 2013 году, величина пассажирооборота составит 391 млн.

пассажиро-километр.

Для выявления факторов влияющих пассажирооборот применялся корреляционно-регрессионный анализ. В ходе данного анализа с помощью ППП «STATISTICA» методом пошаговой регрессии было построено регрессионное уравнение, представленное на рисунке 2. Так же на этом рисунке представлены результаты корреляционно-регрессионного анализа.

Теснота связи между изучаемыми зависимостями была оценена по величине коэффициента множественной корреляции R=0,6452, то есть связь между факторами можно считать заметной. Коэффициент детерминации D равен 43,4 %, то есть изменение пассажирооборота РМ на 43,4 % вызвано влиянием отобранных и включенных в модель факторов.

Коэффициент корреляции R=0,6453 Коэффициент детерминации D=0, Y= - 326,55 + 1,16 X1 – 1,38 X2 + 2,57 X Значение критерия F(3,7)=11,327 p, Рисунок 2- Результаты корреляционно-регрессионного анализа.

Согласно полученным данным пассажирооборот зависит в основном от таких факторов как число лиц, имеющих льготный проезд, доля лиц, имеющих личный транспорт и среднедушевых денежных доходов населения.

Судя по значениям коэффициентов, стоящих рядом с факторами, при изменении на 1 тыс. чел. численности населения, имеющей льготный проезд пассажирооборот в среднем по совокупности должен изменяться в том же направлении на 1,16 млн. пассажиро-км. При изменении на процентный пункт доли лиц, имеющих личный транспорт пассажирооборот в среднем по совокупности должен изменяться в противоположном направлении на 1,38 млн. пассажиро-км. Так же при изменении среднедушевого дохода на 1 тыс. руб., пассажирооборот в среднем по совокупности изменится в том же направлении на 2,567 млн. пассажирокм.

Бета-коэффициенты факторов модели говорят о том, насколько стандартных отклонений изменится результативный показатель при изменении на 1 стандартное отклонение факторного признака. Таким образом, при изменении на 1 стандартное отклонение численности населения, имеющих льготный проезд, пассажирооборот должен измениться в том же направлении на 0,77 стандартных отклонений. При изменении на 1 стандартное отклонение доли лиц, имеющих личный транспорт, пассажирооборот измениться в противоположном направлении на 0,29 стандартных отклонений. При изменении на 1 стандартное отклонение среднедушевого дохода пассажирооборот изменится в том же направлении на 0,34 стандартных отклонений.

Таким образом, проведенный в работе анализ услуг автомобильного транспорта с помощью статистических методов - позволил выявить наметившиеся тенденции в Республике Мордовия, - определить изменение в транспортной инфраструктуре, - определить факторы, существенно влияющие на пассажирооборот по всем видам транспорта.

СТАТИСТИЧЕСКИЕ МЕТОДЫ В ПОСТРОЕНИИ И

АНАЛИЗЕ КРЕДИТНОГО СКОРИНГА

Новосибирский государственный университет экономики и управления «НИНХ», Тел. 89137567086, E-mail: veronika_sonniko@mail.ru Актуальность темы исследования По данным ЦБ РФ доля просроченной задолженности по кредитам физических лиц на 01.01.2012 год составляет 5,56%. По сравнению с данными на 01.01.2005 г. ее объемы увеличились в 35 раз, в то время как объемы кредитования всего в 8. Соответственно, есть необходимость разобраться в причинах и возможных последствиях данного процесса.

Приведенные статистические данные свидетельствуют о высокой значимости изучения данного явления и его актуальности. Так как кредитные организации функционируют в условиях жесткой конкуренции, им приходится бороться за каждого клиента, поэтому необходимо проявлять большую изобретательность в области разработки новых методов кредитования, тем самым привлекая новых клиентов. Существует острая необходимость в наукоемких механизмах, способных в определенном смысле заменить кредитных экспертов и сократить время анализа заявки и долю субъективизма в принятии решения. Можно предположить, что изучаемое явление в скором времени станет основным конкурентным преимуществом кредитной организации, ориентированной на быстрые потребительские кредиты, которое позволит расширить клиентскую базу.

Степень разработанности темы исследования Анализ публикаций показал глубокую степень разработки теоретической базы в области кредитования. Однако, изученность рассматриваемой темы в нашей стране не является достаточной, о чем свидетельствует небольшое количество публикаций по применяемым методам в анализе кредитоспособности, отсутствии учебных пособий по построении скоринговых моделей. Кредитные организации только начинают накапливать необходимые данные и пытаются построить собственные скоринговые модели, в то время как западные страны предлагают их достаточно большое количество. В процессе исследования изучалась экономическая литература российских авторов. Были изучены работы, посвященные:

кредитному процессу в коммерческих банках: Г.Н.Белоглазова, О.И.Лаврушин, В.В. Жариков, Т.М.Костерина, В.М. Гранатуров и др.;

статистическим методам построения скоринговых моделей: А.А.

Халафян, Н.Н. Буреева, Э.А. Вуколов, И.Д. Мандель, Дж. Ким, А.М. Дубров и др.

Цели и задачи исследования Целью работы является рассмотрение основных статистических методов оценки кредитоспособности физических лиц и обоснование их преимуществ перед экспертными.

Для достижения поставленной цели в работе последовательно решаются следующие основные задачи:

1) рассмотрена категория «кредитный риск» в системе статистических измерений, обсуждаются методы управления кредитными рисками;

2) рассмотрены основные аспекты теории и методики статистического инструментария, используемого при построении скоринговых моделей, дана их критическая оценка, определены возможности и конкурентные преимущества в управлении деятельностью банка при работе с клиентской базой;

3) проведен анализ кредитоспособности клиентов банка с использованием пакета STATISTICA.

Объект исследования Объектом исследования является совокупность клиентов одного из Новосибирских банков, занимающихся выдачей потребительских кредитов.

Предмет исследования Предметом исследования являются экономические отношения, которые возникают между банковской организацией и заемщиками – физическими лицами по поводу предоставления и гашения кредита.

Методология исследования Теоретической и методологической основой исследования являются пособия и публикации в области банковского дела, риск-менеджмента, методов статистического анализа данных.

Информационную базу статистического анализа составили данные по генеральной совокупности клиентов банка – физическим лицам. Объем генеральной совокупности – более 15000 человек. Анализ проведен по случайной выборке: 1000 наблюдениям (500 благонадежных / 500 дефолтных клиентов банка). Проведен анализ платежеспособности клиентов банка на основе кластерного, дискриминантного анализа, аппарата множественной логистической регрессии.

Объем, структура и основное содержание работы Диссертационная работа состоит из введения, трех глав, заключения, списка использованной литературы, и приложения.

Первая глава работы посвящена описанию существа проблемы, роли кредитования для населения и экономики в целом, факторам и методам управления кредитными рисками. Описаны три основных метода оценки платежеспособности заемщиков, приведены положительные моменты использования скоринговых механизмов, а также аргументирована необходимость их внедрения.

Во второй главе обсуждаются теоретические и методические аспекты статистических методов, с помощью которых можно построить модели оценки заемщиков, а именно: Кластерный, Дискриминантный анализ и Логистическая регрессия. Изложены рекомендации по их практическому использованию.

И, наконец, в третьей главе осуществлена попытка построения собственных скоринговых моделей, основанных на вышеперечисленных методах.

Кластерный анализ использовали для предварительного изучения структуры совокупности. Было выделено 3 группы заемщиков.

К первому кластеру относятся представители как женского, так и мужского пола, средний возраст которых составляет 35 лет, с высоким уровнем дохода, имеющие высшее образование, квартиру в собственности, одного иждивенца и занимающих руководящие должности. Средняя сумма кредита, на которую они претендуют составляет 183 146 рублей. В данной группе наблюдается высокий уровень просроченных платежей.

Ко второму кластеру, имеющему наибольшее количество должников как в абсолютном, так и в относительном выражении относятся преимущественно мужчины 28 лет, имеющие средне специальное или неоконченное высшее образование, с невысоким уровнем дохода в 23 642 рубля, у которых нет квартиры в собственности, состоящие в браке и имеющие одного ребенка, занимающие не руководящие должности.

И, наконец, к третьей группе, с хорошим качеством обслуживания долга относятся женщины в возрасте 46 лет, с невысоким уровнем дохода, имеющие средне специальное образование, квартиру в собственности, проживающих по текущему адресу и имеющих стаж работы более 5 лет, не занимающих руководящие должности. Средняя сумма кредита составляет 89 096 рублей.

Дискриминантный анализ позволил выделить признаки, которые имеют статистическую значимость, и которые использовались для построения модели. Были получены две классификационные функции – для благонадежных и неблагонадежных клиентов. К наиболее важным характеристикам относятся: возраст, наличие квартиры в собственности, семейное положение, тип организации, период проживания по адресу, тип места жительства. Проверка моделей на прочность наблюдениями из контролирующей выборки показала, что их процент достоверности равен 75%.

В процессе проведения логистического регрессионного анализа были получены коэффициенты для каждого атрибута признака. После чего они складывались в общий балл. Получен интервал значений скорингового балла, который можно рекомендовать как пороговое значение.

ЭКОНОМИКО-СТАТИСТИЧЕСКИЙ АНАЛИЗ И ОЦЕНКА

РАЗВИТИЯ ИННОВАЦИОННОЙ СФЕРЫ В ЭКОНОМИКЕ

ПРИМОРСКОГО КРАЯ

Научный руководитель: Тупикина Елена Николаевна, к.э.н., доцент кафедры Бизнес-информатики и экономико-математических методов, Важнейшей задачей политики Российской Федерации в области развития науки и технологии является формирование национальной инновационной системы, которая должна обеспечить объединение усилий государственных органов управления всех уровней, организаций научнотехнической сферы и предпринимательского сектора экономики в целях реализации стратегических национальных приоритетов страны.

Современный путь развития Приморского края отвечает национальным интересам государства, рассматривающего Приморье в качестве инновационного центра не только Дальневосточного федерального округа (ДВФО), но всего Азиатско-Тихоокеанского региона (АТР) и способствует динамичному и устойчивому социально-экономическому развитию одного из ведущих субъектов федерации на Востоке России, в мировом сообществе, в первую очередь, в АТР.

Для инновационного развития экономики в крае есть все необходимые предпосылки: богатейшие природные запасы, соответствующие производсвенно-технологические мощности, интеллектуальные и научнотехнические ресурсы, достаточно разветвленная образовательная структура.

Приморский край является одним из немногих субъектов России, в которых имеются практически все условия для активного развития инновационной деятельности. В связи с этим вопрос анализа инновационной сферы в экономике Приморского края интересен и актуален.

Инновационная сфера – сфера деятельности взаимодействующих между собой инноваторов, инвесторов, производителей и потребителей инноваций, обеспечивающих их создание и реализацию.

Анализ основных показателей развития инновационной сферы в Приморском крае показал, что по числу организаций, осуществляющих инновационную деятельность с 2007 г. наблюдается постоянная положительная динамика, а это, следовательно, ведет к увеличению объема отгруженных инновационных товаров, работ, услуг, а также росту затрат на технологические инновации. При этом большинство инновационно-активных организаций сосредоточено в сфере промышленного производства, максимальный прирост инновационной активности достигнут в технологических инновациях и основная часть организаций, занимающихся инновационной деятельностью расположена в городе Владивостоке.

Для экономики региона основным итоговым результатом деятельности за период, а так же одним из важнейших показателей инновационного развития территории является уровень инновационной активности организаций, выраженный в процентах. Этот показатель примем за результативный признак у. Для анализа уровня инновационной активности выберем следующие факторы (табл. 1).

Определим, какие из этих факторов оказывают наибольшее влияние на результативный признак. Для анализа воспользуемся методом главных компонент. Для интерпретации главных компонент перейдем к анализу матрицы факторных нагрузок, элементы которой характеризуют тесноту связи между признаками и главными компонентами. Произведем поворот осей методом нормализованного Варимакс для получения более простой структуры факторов, облегчающей их предметную интерпретацию (табл.

1).

Перечень факторов и матрица факторных нагрузок главных омпонент х1 – число организаций, осуществляющих исследования и разработки, единиц;

х2 – численность работников организаций, выполнявших научные исследования и раз- -0,1107 0, работки, человек;

х3 – внутренние затраты на исследования и разработки, млн. руб.;

х4 – численность аспирантов, выпущенных с защитой диссертации, человек;

х5 – численность докторантов, выпущенных с защитой диссертации, человек;

х7 – число созданных передовых технологий, единиц;

х8 – число используемых передовых технологий, единиц;

х9 – объем отгруженных инновационных товаров, работ и услуг, млн. руб.;

х10 – затраты на технологические инновации, млн. руб.

Первая главная компонента теснее всего связана с факторами х1, х3, х6, х7, х8, х9, х10, характеризующие технологические стороны развития инновационной сферы, выбранные показатели содержат относительный вклад в дисперсию равный 52,87%, наибольше влияние на вторую главную компоненту оказывают факторы х2, х4, х5, относящиеся к профессиональной структуре научных кадров, их вклад в дисперсию составил 26,81%.

Сократив исходное признаковое пространство до двух главных компонент, проведем корреляционно-регрессионный анализ. Для определения влияния главных компонент на у построим корреляционную матрицу (табл.


2).

Матрица парных коэффициентов корреляции двух главных На уровень инновационной активности предприятий наибольшее влияние оказывает только первая главная компонента, коэффициент парной корреляции которой составил 0,9114. Далее, основываясь на данных первой главной компоненты, проведем регрессионный анализ. Проведя регрессионный анализ в табличном процессоре «Microsoft Excel», были получены следующие результаты (табл. 3).

у - пересечение Значение статистики Фишера F=44,1184 говорит о состоятельности уравнения регрессии в целом. Коэффициент детерминации равный 0, означает, что вариация результативного признака у на 83,06% описывается отобранным фактором, t-статистика является значимой, т.е. уравнение составлено правильно.

Таким образом, окончательное уравнение множественной линейной регрессии примет вид:

Таким образом, анализ показал, что на уровень инновационной активности предприятий оказывают влияние факторы, входящие в первую главную компоненту, характеризующие технологическое развитие инновационной сферы.

Построенные модели регрессии активно используются для прогнозирования будущих значений исследуемого показателя. Для составления прогноза уровня инновационной активности предприятий, необходимо рассчитать теоретические значения уровня инновационной активности и на его основе построить прогноз. Для полученного теоретического значения уровня инновационного развития предприятий Приморского края за 2000гг. построим линейную модель, описывающую тенденцию развития инновационной активности предприятий (рис. 1).

Полученное уравнение вида у 0,4438 t 2,592 проверим на адекватность при помощи ошибки аппроксимации. В нашем случае ошибка аппроксимации равна 8,51%. Таким образом, данную модель можно считать адекватной, так как она не превышает 10%. По полученному линейному тренду представляется возможным выявить основную тенденцию развития уровня инновационной активности предприятий Приморского края на перспективу.

На практике результат прогнозируемых явлений обычно получают интервальными оценками, поэтому построим пределы, в которые попадет выше составленный прогноз по (17) формулам. Промежуточные расчеты представлены в приложении Е.

Линейный (Уровень инновационной активности прдприятий) Рис. 2. Построение линейного тренда уровня инновационной активности предприятий Приморского края за 2000-2010 гг. (в процентах) При доверительной вероятности – 0,95, коэффициенте доверия по таблице Стьюдента – 2,2281 выражение t y равно 1,592.

Зная точечную оценку прогнозируемого значения уровня инновационной активности предприятий на 2015 г., найдем вероятностные границы интервала:

Следовательно, с вероятностью 95% можно утверждать, что уровень инновационной активности предприятий Приморского края в 2015 г. в среднем составит 9,6928%. С той же вероятностью можно сказать, что увеличение изучаемого показателя произойдет на 3,3848% по сравнению с 2010 г., что говорит о постоянном росте. Системное повышение уровня инновационной активности предприятий Приморского края говорит о положительной тенденции во всем регионе.

ЭКОНОМИКО-МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И

ОПТИМИЗАЦИЯ РАБОТЫ КОНТАКТНОГО ЦЕНТРА

руководитель: доц. к.э.н. Реент Наталья Анатольевна Во многих областях практической деятельности человека приходится сталкиваться с необходимостью пребывания в состоянии ожидания, например когда мы звоним в контактный центр, чтобы на линии никогда не было очереди необходимо увеличить количество сотрудников, однако невозможно по экономическим причинам беспредельно увеличивать ресурсы.

Таким образом, возникает проблема в нахождении некоторого баланса между улучшением качества обслуживания и допустимыми затратами на это улучшение. Решение данной проблемы представлено на примере работы контактного центра "Мобильные ТелеСистемы" (ОАО "МТС").

Весьма важным моментом является составление расписания работы операторов, а следовательно необходим прогноз их количества на каждый день в течение месяца. Для этого компания "МТС" использует программу Workforce Management, стоимостью около 500 тыс. евро.

Однако небольшие компании, в которых имеются контактные центры (интернет-компании, компании сотовой связи, филиалы банков), не все могут выкупить программу WFM, но оптимизировать работу необходимо, чтобы была возможность отвечать на большую часть поступивших звонков в техподдержку и исключить простои контактных центров. Использование и применение экономико-математических методов позволяет создать для них аналог программы WFM.

Аналог позволяет решить следующие задачи:

-- оценка эффективности работы контактного центра;

прогноз количества поступающих звонков на месяц с помощью экономико-математических методов;

расчет количества операторов, необходимых для эффективной работы контактного центра на каждый день месяца с помощью формул СМО.

Научная новизна данной работы состоит в постановке и решении задачи создания модельного и алгоритмического обеспечения управления численностью персонала в системах массового обслуживания.

В работе использованы скользящие средние, авторегрессионные модели, формулы СМО, нейронные сети. Практическая часть выполнена в программах: Excel, Deductor, Statictica.

Для прогноза количества поступающих звонков был выделен тренд, с помощью скользящей средней, поступления звонков абонентов на операторов компании, период сглаживания был взят 30 дней.

Уравнение авторегрессии для прогнозирования тренда поступающих звонков в сентябре 2010 имеет вид:

Ряд отклонений (разность между количеством поступающих звонков и скользящей средней ) был спрогнозирован с помощью нейронных сетей в программе Deductor. На рисунке 1 продемонстрировано сравнение прогнозного количества поступивших звонков, полученное при построении экономико-математической модели с их реальным значением.

Далее был сделан расчет необходимого количества операторов, по исходным данным за сентябрь 2010 в компании ОАО «МТС», с учетом режима труда оператора при работе на ПК и используя формулы СМО. Было рассчитано минимальное количество операторов, то есть работающих с минимальным временем на отдых.

Справляется ли система с нагрузкой определялось в программе Excel, в резутате проведенных расчетов было установлено, что система справляется с нагрузкой каждый день месяца.

Рисунок 1 - Сравнение прогнозных значений количества поступивших звонков на операторов с исходными данными Сравнение результатов работы на основе программы WFM и на основе разработанного комплекса показало что:

1) Количество операторов, полученное с помощью экономикоматематической модели, справляется с нагрузкой ежедневно в течение месяца.

2) Экономико-математическая модель управления персоналом является экономически более выгодной чем на основе программы WFM 3) Построение модели не требует больших затрат.

4) Контактный центр "Мобильные ТелеСистемы" (ОАО "МТС") может дополнительно получить эффект около 605тыс. руб. в месяц.

МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ДИНАМИКИ

СПРОСА НА ТОВАРЫ С ИСПОЛЬЗОВАНИЕМ СТАТИСТИКИ

ЗАПРОСОВ ПОИСКОВЫХ СИСТЕМ

к.т.н., доцент, ФГБОУ ВПО «Казанский национальный исследовательский технологический университет», Интернет коренным образом изменил методы поиска информации. Интернет является одним из наиболее вероятных источников информации, прежде всего для участников рынка недвижимости и бизнесменов. Согласно данным Российской ассоциации электронных коммуникаций второго квартала 2011 года, количество пользователей Интернет ресурсом в России старше 18 лет, составляет 55 млн. человек, что является примерно 48% от общего числа населения, примерно 70% пользователей заходят в Интернет для поиска информации.

Огромное количество информации онлайн требовало развития эффективного средства поиска – поисковой системы. Поисковые системы являются основным методом размещения информации онлайн. Имеется огромное количество поисковых систем: Google, Rambler, Yandex, Yahoo. С до 2012 годы Google остается лидером на рынке поиска и сейчас его доля составляет 65%. Объем запросов только в одной России огромен – 13, млрд. вопросов за 2010 год /1/.

Статистика запросов — информация об обращениях пользователей к поисковой системе по «ключевым словам». Интересной особенностью, по сравнению с другими сервисами статистики, обладает статистика Google: в отличие от Rambler и Yandex, здесь количественная статистика доступна в формате электронных таблиц. Кроме того, с 2008 года Google предоставил доступ к сервису Google Search Queries, который показывает отчет относительных изменений в поисках Google с 2004 г.

Все результаты в статистике поиска Google приводятся в нормализованном виде. Это позволяет сравнивать базовые характеристики наборов данных. Если бы результаты не были нормализованы и приводились в виде абсолютных значений, данным из регионов с большим количеством запросов всегда бы соответствовали более высокие значения. После нормализации данные отображаются в шкале от 0 до 100 /2/.

До принятия решения о покупке какого-либо товара, пользователи ищут информацию в Интернете, эти запросы фиксируются, и при помощи статистики этих запросов можно прогнозировать продажи товаров. Стигле в своей работе /3/ отмечает, что люди больше времени будут тратить на поиски более дорогого товара. Например, увеличение количества запросов о покупке автомашины какой-либо модели могло бы указывать на увеличение продаж этого автомобиля в будущем.

Данные Google Insights не пользовались популярностью в экономической сфере, пока исследователи – Чой и и Вэриэн /4/, Аскитас и Циммерман /5/, Гинсбергом и др. /6/ не продемонстрировали, что данные Google Insight могут помочь улучшить прогнозы о продаже жилья, безработице, распространении эпидемий. Чой и Вэриэн исследовали взаимоотношения между прогнозами Google и продажей жилья. Они прогнозировали в основном продажи недвижимости на национальном уровне.

Другие исследователи, например, Дуа и Смит /7/, предложили включить новые макроэкономические переменные, чтобы прогностическая способность модели улучшилась. Эти данные можно получить из данных официальной статистической отчетности. Улучшение национального прогноза продажи жилья могло бы помочь тактикам, кредиторам и людям лучше отвечать на будущие события на рынке недвижимости.

В данной работе была использована комбинированная модель, предложенная Хамфри /8/, построенная на базе модели авторегрессии и распределенного лага. В модели были объединены статистика запросов Google и ряд макроэкономических данных. Данная модель является моделью авторегрессии и распределенного лага.

где t - период времени, f - фактор, – количество реально проданного жилья, - вектор базовых переменных, - вектор переменных Google за предыдущий период, - вектор макроэкономических переменных, – ошибка, – параметры модели. При тестировании данной модели были использованы линейный и логарифмический тренды, и затем был выявлен тот, который наиболее точно отражал данные.

Вектор – базовые переменные - отражает статистику проданного жилья за предыдущий период. Этот вектор включает три фактора: количество сделок купли-продажи жилья в Москве за месяц, среднюю цену на жилье за м2 и время по месяцам, начиная с января 2007 года по февраль 2012.Модель содержит ряд макроэкономических переменных : ставка ипотечного кредитования, уровень безработицы, индекс потребительских цен и численность населения. В данной работе использовано в общей сложности 9 переменных поиска Google. Переменные были отсортированы по категориям и им были присвоены номера: 1G «Агентства Недвижимости», 2G «Местные запросы "Агентства Недвижимости"», 3G «Недвижимость», 4G «Местные запросы "Недвижимость"», 5G "Частные агентства", 6G "Аренда", 7G «Категория "Недвижимость"», 8G «Категория "Агентства недвижимости"», 9G «Категория "Аренда"». Поиск мог вестись по абсолютно другим наборам переменных, но был использован метод, предложенный Чоем и Вэриэном. /4/ Переменные в модель включались последовательно. При этом выбиралась та лаговая переменная, при включении которой повышался коэффициент детерминации, и уменьшались информационные критерии Шварца (BIC) и Акайке (AIC).

Все расчеты проводились в прикладном программном пакете для эконометрического моделирования Gretl-1.9.9, поддерживающем функцию импортирования таблиц Excel.

Лаговая переменная количества проданного жилья St была включена с задержкой в 12 месяцев. Это обязательное условие модели Чоя и Вэриэна /4/. В результате была получена модель Для нее, коэффициент Стьюдента составил t =4,59.

Далее, согласно методике /5/ была включена переменная цены P. Целесообразнее оказалось включить цену на жилье с лагом в семь месяцев, так как значительно увеличился коэффициент детерминации с до. Информационные критерии AIC и BIC уменьшились до 861.59 и 867.33 соответственно.

Следующим шагом было включение фактора времени:

уменьшились до 844.23 и 851.88. Уравнение (5) составило базовую линейную модель. Далее она была также последовательно дополнена макроэкономическими параметрами.

Ставка ипотечного кредитования Vm лучше всего описывается моделью с задержкой в восемь месяцев. Индекс потребительских цен CPI оказал эффект на модель с задержкой в восемь месяцев. Факторы безработицы и численности населения оказались статистически незначимы.

В результате включения макроэкономических показателей была получена следующая модель:

Следующим шагом было включение переменных Google Search. Переменные Google были отсортированы по категориям и им были присвоены номера. Последовательно подставляя их в модель, оказалось, что переменные 2G «Местные запросы "Агентства Недвижимости"», 4G «Местные запросы "Недвижимость"», 7G «Категория "Недвижимость"» и 9G «Категория "Аренда"» не улучшили качество модели. Переменная 5G «Частные агентства» с задержкой в девять месяцев значительно улучшила качество модели, но сильно коррелировала с переменными CPI и 3G. При добавлении переменной 5G, вышеупомянутые переменные стали статистически незначимыми. Поэтому было принято решение исключить эти факторы во избежание мультиколлинеарности.

В результате включения в модель переменных Google была получена следующая линейная модель:

В таблице 1 представлена сводная информация. Из таблицы следует, что включив переменные статистики запросов Google, удалось значительно увеличить качество модели. Коэффициент детерминации для линейной модели увеличился на 10%.

Сводные статистические данные для линейной модели Google По аналогичной методике была построена нелинейная логарифмическая модель:

(10) Коэффициент детерминации увеличился от с включенными макроэкономическими параметрами до с переменными статистики запросов. Нелинейная модель описывает данные лучше, чем линейная.

Таким образом, были получены две модели: линейная (9) и нелинейная (10). Автокорреляция остатков в обоих случаях отсутствует. Гетероскедастичности остатков также не наблюдается.

Прогноз продажи жилья в Москве, сделанный при помощи нелинейной модели показал, что в марте 2012 г будет заключено 8321 сделки? Реальный показатель продаж за март 2012 г. составил 8524 сделки. Разница составила всего 3%, что говорит о жизнеспособности модели.

В данной работе было показано, что статистика запросов Google это совершенно новый и эффективный метод получения прогнозных данных, который может заинтересовать довольно широкий круг профессионалов.

1. П.Лебедев «В каких краях зреет Интернет» / П.Лебедев //Интернет в цифрах. - ноябрь 2011. - с. 18.

2. http://support.google.com/insights/?hl=ru.- Интерактивная справка Google Insight.

3. Stigler, George J. «The Economics of Information» / Stigler, George J.

//The Journal of Political Economy. - June 1961. - P. 213-225.

4. Choi H. «Predicting the Present with Google Trends» /Choi H., Varian H.

– Google, April 2009. – P. 1-20.

5. «Google Econometrics and Unemployment Forecasting» / Askitas, Nikos, and Zimmermann, Klaus F. - Discussion Paper No. 4201, IZA, June 2009.-P. 1Detecting Influenza Epidemics Using Search Engine Query Data» / Ginsberg, Jeremy; Mohebbi, Matthew H.; Patel, Rajan S; Brammer, Lynnette; Smolinski, Mark S.; and Brillant, Larry. - Nature 457, February 2009.-P. 1012-1014.

7. «Forecasting U.S. Home Sales Using BVAR Models and Survey Data on Household’s Buying Attitudes for Homes» / Dua, Pami, and Smyth, David J. Journal of Forecasting № 14, 1995.- P. 217-227.

8. B. D. Humphrey «Forecasting Existing Home Sales using Google Search Engine Queries» / B. D. Humphrey.-North Carolina: 2010. – P. 1-68.

МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ АБОНЕНТОВ

ТЕЛЕКОММУНИКАЦИОННЫХ КОМПАНИЙ (НА ПРИМЕРЕ

Седова Екатерина Николаевна, к.э.н., доцент кафедры математических методов и моделей в экономике ОГУ Актуальность, цели и задачи исследования. Мировой экономический кризис затронул и отрасль телекоммуникаций. В отрасли произошел спад, но необходимость пользования ее услугами у населения осталась. При этом, поскольку потребители телекоммуникационных услуг характеризуются низкой лояльностью к оператору, их постоянное блуждание по рынку существенно усложняет борьбу компаний за выживание. В результате компании сталкиваются со все более строгими требованиями по сокращению расходов и снижению потерь, что в свою очередь требует от них достижения максимальной эффективности при работе с каждым клиентом. В литературе моделированию поведения абонентов именно телекоммуникационной компании посвящено мало работ. В исследуемой компании при моделировании клиентской базы используется весьма ограниченное количество признаков, а существующие инструментальные средства, автоматизирующие данный процесс, ей, как компании небольшого размера, недоступны.

Сказанное выше определяет актуальность темы исследования.

Цель исследования состоит в разработке комплекса моделей для прогнозирования поведения абонентов телекоммуникационной компании.

Для достижения цели решались следующие задачи: моделирование длительности действия договора и сегментирование абонентской базы, разработка модели для прогнозирования оттока абонентов и методики оценки ценности.

Анализ основных тенденций развития компании. Проанализировав динамику количества абонентов ООО «Связь Медиа Сервис», выявлено, что к концу 2010 года наблюдалось значительное увеличение абонентской базы, связанное с увеличением компании, после чего началось снижение.

Уменьшение абонентской базы показывает и прогноз количества абонентов по АРПСС-модели. С увеличением размера компании вырос и отток абонентов, что подтверждает необходимость выявления и моделирования определяющих его факторов.

Сегментирование абонентской базы. Компания ООО «СвязьМедиаСервис» функционирует в нескольких регионах РФ. Для изучения поведения абонентов в различных регионах обслуживания проводилась классификация регионов. Для определения количества классов используем иерархический кластерный анализ и обычное евклидово расстояние, поскольку все признаки одинаково важны. Для уточнения классификации использовался метод k-средних. В качестве признаков использовались следующие: количество телефонных номеров у абонента (x1); количество контактов с абонентом (x2); длительность действия договора (x3), мес.; средняя сумма счета (x4), руб.; среднее количество проговоренных абонентом минут (x5), мин.; задолженность абонента (x6), руб.; средний абсолютный темп роста суммы (x7); логарифм средней суммы счета (x8), руб.; средняя сумма счета на один номер телефона (x9), руб.; среднее количество минут, проговоренных по одному номеру телефона (x10), мин; средняя стоимость одной исходящей минуты (x11), руб.

Все регионы обслуживания делятся на 3 класса. В первый класс вошли Оренбургская и Саратовская области. Компания начала свое развитие в этих областях, поэтому и длительность действия договора абонентов здесь больше, чем в других классах. Этим же и объясняется и самое большое количество контактов с абонентами. Достаточное количество времени существования компании дало возможность усовершенствовать политику взаимодействия с абонентами. Это привело к небольшому количеству ушедших и сравнительно небольшой сумме задолженности по сравнению с другими классами. На регионы обслуживания остальных классов компания только выходит.

Моделирование времени жизни абонентов. На следующем этапе для оценки и прогнозирования вероятности ухода абонентов осуществлялось моделирование времени жизни абонента, понимаемого как продолжительность действия договора с момента его заключения до момента прекращения пользования клиентом услугами компании.

Сравнение времени жизни абонентов различных классов при наличии цензурированных наблюдений сведено к сравнению функций выживаемости, описывающих распределение времени жизни для каждого из трех предварительно выделенных классов абонентов. Для оценки функции выживаемости использовался метод Каплана–Мейера (рисунок 1).

Можно заключить, что абоненты 2 класса имеют больше шансов «выжить», в частности в течение критических первых 250 дней после заключения договора. Наиболее пологой является функция выживаемости 3 класса, наиболее ценных абонентов для компании.

Построенные оценки функций выживаемости в сочетании с информацией о ежемесячном доходе, получаемом компанией от абонента, и скорости его дисконтирования, будут далее использоваться для моделирования и прогнозирования долгосрочной потенциальной ценности абонента.

Для описания влияния объясняющих переменных на время жизни абонентов была оценена модель пропорциональных интенсивностей Кокса.

(t) 0 (t)e0,0045z1 0,105z2 0,00005z3 0,0003z4 0,0003z Согласно модели, интенсивность ухода абонентов с высокой суммой задолженности высокая (z5), а интенсивность ухода абонентов с большим количеством контактов(z2) низкая.



Pages:     | 1 || 3 |


Похожие работы:

«Московский международный институт эконометрики, информатики, финансов и права Цыбульская М.В. Яхонтова E.C. Конфликтология Москва 2003 УДК 301.162 ББК 66.3(0,6)15 Я 908 Цыбульская М.В., Яхонтова E.C. Конфликтология / Московский международный институт эконометрики, информатики, финансов и права. – М., 2003. – 100 с. Рекомендовано Учебно-методическим объединением по образованию в области антикризисного управления в качестве учебного пособия для студентов высших учебных заведений, обучающихся по...»

«Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования Национальный исследовательский университет Высшая школа экономики Факультет бизнес-информатики Программа дисциплины Алгебра для направления 231000.62 Программная инженерия подготовки бакалавра Авторы программы: А.П. Иванов, к.ф.-м.н., ординарный профессор, IvanovAP@hse.perm.ru А.В. Морозова, ст. преподаватель, MorozovaAV@hse.perm.ru Одобрена на заседании...»

«л 3 1132 человека, по заочной форме 472 человек, из них за счет бюджета 1258 человек (78%). 2. УЧЕБНО-МАТЕРИАЛЬНАЯ БАЗА Колледж располагает двумя учебными корпусами общей площадью 9632 кв.м, 36 учебными кабинетами и специализированными лабораториями площадью 6461,5 кв.м. Колледж имеет 157 компьютеров. В колледже 4 компьютерных класса: - компьютерный класс для обработки экономической информации и делопроизводства имеет локальную сеть, программу 1С-предприятие, 16 компьютеров Pentium 4 и МФУ,...»

«Джек Швагер Джек Швагер психология торговли НОВЫЕ МАГИ РЫНКА НОВЫЕ МАГИ Беседы с лучшими РЫНКА трейдерами Америки Джек Швагер Беседы с лучшими Есть трейдеры, не похожие на остальных. Как добиваются трейдерами Америки успеха ведущие профессионалы, работающие на самых разнообразных финансовых рынках? Что отличает их от других? Чему они могут научить среднего трейдера или инвестора? В книге Новые маги рынка эти необычайно преуспевающие торговые системы трейдеры, некоторые из которых широкой...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Амурский государственный университет (ГОУ ВПО АмГУ) УТВЕРЖДАЮ Зав. кафедрой ОМиИ _Г.В. Литовка _2009 г. УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ПО ДИСЦИПЛИНЕ МАТЕМАТИЧЕСКИЕ МЕТОДЫ МОДЕЛИРОВАНИЯ В ГЕОЛОГИИ для специальности 130301 – геологическая съемка, поиск и разведка месторождений, полезных ископаемых Составитель: Н.А. Чалкина, к.п.н. Благовещенск, Печатается по решению...»

«Анатолий Ефимович Тарас Боевая машина: Руководство по самозащите — 2 Боевая машина – 2 Боевая машина: Руководство по самозащите: Харвест; Минск; 1997 ISBN 985-433-162-8 Аннотация В этой книге исчерпывающим образом раскрыты проблемы психологии, тактики и техники самообороны от хулиганских и преступных посягательств. Главный акцент сделан при этом на выработке умения входить в надлежащее психическое состояние и на использовании в качестве оружия не только своего тела, но и различных предметов,...»

«ПРИЛОЖЕНИЕ А. СОВОКУПНОСТЬ ЗНАНИЙ ПО ИНФОРМАТИКЕ Данное приложение к отчету CC2001 определяет область знаний, которая должна составлять основную часть учебных программ в области информатики. Обоснование такой классификации, а также подробная информация об истории, структуре и применении этой классификации приведены в полном отчете комиссии. Поскольку мы предполагаем, что приложения к отчету получат более широкое распространение, чем сам отчет, комитет считает важным включение в каждое...»

«Санкт-Петербургский государственный университет Экономический факультет БИЗНЕС-ИНФОРМАТИКА, ЭКОНОМИЧЕСКАЯ КИБЕРНЕТИКА, УПРАВЛЕНИЕ РИСКАМИ И СТРАХОВАНИЕ Сборник материалов Международной школы-семинара 29 октября–30 октября 2012 года Санкт-Петербург 2012 В сборник научных материалов международной школы-семинара Бизнес-информатика, экономическая кибернетика, управление рисками и страхование, проводимого Санкт-Петербургским государственным университетом 29-30 октября 2012 года на базе кафедр...»

«Российская академия наук Институт экологии Волжского бассейна В.К. Шитиков, Г.С. Розенберг Рандомизация и бутстреп: статистический анализ в биологии и экологии с использованием R Исправленная и дополненная интернет-версия от 15.11.2013 Тольятти 2013 Шитиков В.К., Розенберг Г.С. Рандомизация и бутстреп: статистический анализ в биологии и экологии с использованием R. - Тольятти: Кассандра, 2013. - 314 с. ISBN В книге представлено описание широкой панорамы статистических методов, как повсеместно...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ ГУМАНИТАРНЫЙ УНИВЕРСИТЕТ DIES ACADEMICUS 2010/2011 ИТОГИ Москва 2011 ББК 74.58 И93 © Российский государственный гуманитарный университет, 2011 СОДЕРЖАНИЕ Предисловие Общие сведения Учебно-методическая работа Повышение квалификации и профессиональная переподготовка специалистов Довузовское образование в РГГУ...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Амурский государственный университет Кафедра математического анализа и моделирования УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ДИСЦИПЛИНЫ ИНФОРМАЦИОННЫЕ СИСТЕМЫ В ЭКОНОМИКЕ Основной образовательной программы по направлению подготовки 010400.62 – Прикладная математика и информатика Благовещенск 2012 УМКД разработан канд. физ.-мат. наук, доцентом...»

«Дайджест публикаций на сайтах органов государственного управления в области информатизации стран СНГ Период формирования отчета: 01.04.2013 – 30.04.2013 Содержание Республика Беларусь 1. 1.1. Состоялась встреча с Министром информационных технологий, связи и СМИ Нижегородской области Российской Федерации. Дата новости: 04.04.2013. 1.3. Продолжается регистрация Государственных информационных ресурсов и систем. Дата новости: 15.04.2013 1.4. О внесении изменений и дополнений в Закон Республики...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Амурский государственный университет Кафедра общей математики и информатики УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ДИСЦИПЛИНЫ Математика часть IV По направлению подготовки: 262200.62 - Конструирование изделий легкой промышлености, профиль - Конструирование швейных изделий. Благовещенск 2012 1 УМКД разработан разработан доцентом Кафедры ОМиИ Шавченко...»

«Теоретические, организационные, учебно-методические и правовые проблемы информатизации и информационной безопасности О СОВРЕМЕННОМ СОСТОЯНИИ ИНФОРМАТИЗАЦИИ ОРГАНОВ ВНУТРЕННИХ ДЕЛ И ПЕРСПЕКТИВАХ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДО 2015 ГОДА Д.ю.н, профессор. М.Л. Тюркин (начальник Департамента информационных технологий, связи и защиты информации МВД России) Раскрытие и расследование преступлений не может обойтись без использования современных информационных технологий. Потребность сотрудников...»

«Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики Евразийский открытый институт Тультаев Т.А. Маркетинг услуг Учебно-практическое пособие Москва 2008 1 УДК 339.138 ББК 65.290-2 Ш 828 Тультаев Т.А. МАРКЕТИНГ УСЛУГ: Учебно-методический комплекс. М.: Изд. центр ЕАОИ. 2008. – 176 с. ISBN 978-5-374-00135-8 © Тультаев Т.А., 2008 © Евразийский открытый институт, 2008 2 Содержание Введение Тема 1. Сфера услуг в рыночной экономике...»

«Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники Кафедра систем управления А. В. Павлова МАТЕМАТИЧЕСКИЕ ОСНОВЫ ТЕОРИИ СИСТЕМ Конспект лекций по курсу Математические основы теории систем для студентов специальности 1-53 01 07 Информационные технологии и управление в технических системах В 2-х частях Часть 1 Минск 1 СОДЕРЖАНИЕ ВВЕДЕНИЕ. ОБЩИЕ СРЕДСТВА МАТЕМАТИЧЕСКОГО ОПИСАНИЯ СИСТЕМ. ТЕМА 1. ОСНОВЫ ТЕОРИИ...»

«СОДЕРЖАНИЕ ОПРЕДЕЛЕНИЕ ООП..4 1. СОСТАВ И СТРУКТУРА ООП..4 2. 3. СОДЕРЖАНИЕ ООП 3.1. Общие положения..6 3.2. Характеристика профессиональной деятельности выпускника ООП бакалавриата по направлению подготовки 010400.62 – Прикладная математика и информатика..9 3.3. Компетенции выпускника ООП бакалавриата, формируемые в результате освоения данной ООП ВПО..13 3.4. Документы, регламентирующие содержание и организацию образовательного процесса при реализации ООП бакалавриата по направлению подготовки...»

«ПРОБЛЕМЫ СОВРЕМЕННОГО ОБРАЗОВАНИЯ www.pmedu.ru 2010, № 3, 61-69 ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ИННОВАЦИОННЫХ ПРОЦЕССОВ В ДОШКОЛЬНОМ ОБРАЗОВАНИИ INFORMATION SUPPORT OF INNOVATION PROCESSES IN PRESCHOOL EDUCATION IN NIZHNIY–NOVGOROD REGION Белоусова Р.Ю. Зав. кафедрой управления дошкольным образованием ГОУ ДПО Нижегородский институт развития образования, кандидат педагогических наук, доцент E-mail: belousova_58@mail.ru Belousova R.Y. Head of the Preschool Education Department, The State Educational...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования САМАРСКИЙ ГОСУДАРСТВЕННЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ имени академика С.П. КОРОЛЕВА Факультет информатики Кафедра информационных систем и технологий АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ АППРОКСИМАТИВНОГО АНАЛИЗА СЛУЧАЙНЫХ ПРОЦЕССОВ Под редакцией Прохорова С.А. Самара 2010 Автоматизированные системы аппроксимативного анализа случайных процессов. Под ред. Прохорова С.А./ Самар. гос....»

«Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования Национальный исследовательский университет Высшая школа экономики Факультет бизнес-информатики Программа дисциплины Математический анализ для направления 080500.62 Бизнес-информатика подготовки бакалавра Авторы программы: А.П. Иванов, к.ф.-м.н., ординарный профессор, IvanovAP@hse.perm.ru Е.Г. Плотникова, д.п.н., профессор, PlotnikovaEG@hse.perm.ru А.В....»






 
© 2014 www.kniga.seluk.ru - «Бесплатная электронная библиотека - Книги, пособия, учебники, издания, публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.