Взаимосвязь инноваций, науки, технологий и качества жизни населения в контексте инновационного поведения населения

Наибольшие значения построенного показателя наблюдаются в Москве, Московской области, Санкт-Петербурге, Краснодарском крае, которые объясняются главным образом большим числом спортивно-культурных сооружений, наименьшие - в Чукотском автономном округе, республике Тыва и республике Ингушетия, где наблюдаются крайне низкие значения всех рассматриваемых показателей.

Состояние экологии описывалось с помощью следующей системы показателей (табл.11).

Аналогично было выделено 3 главных компоненты, объясняющих 72,8% дисперсии измеряемого показателя (Приложение 5).

Таблица 11 Система критериев для расчета показателя состояния экологии

Переменная	Характеристика переменной	Единицы измерения
	Площадь зеленых массивов и насаждений	Гектаров на 1000 человек населения
	Среднедушевые затраты на охрану окружающей среды	Тысяч рублей на 1 человека населения
	Отклонение среднемесячной температуры воздуха в июле от нормы	В градусах
	Отношение среднемесячного объема осадков в июле к норме	%
	Объем сброса загрязненных сточных вод в поверхностные водные объекты	М3 на 1000 человек населения

Была получена повернутая методом Варимакс матрица факторных нагрузок (табл. 12).

Таблица 12 Повернутая матрица факторных нагрузок категории состояния экологии

	Компонента
	Сохранение окружающей среды	Устойчивость температуры и чистота вод	Устойчивость режима осадков
Площадь лесных массивов	,881	-,010	-,037
Затраты на охрану окружающей среды	,750	,289	,133
Отклонение температурного режима	-,014	-,800	-,194
Отклонения режима осадков	,060	,023	,968
Уровень загрязненности водных объектов	,217	-,711	-,167

Были выделены 3 компоненты: сохранение окружающей среды, температура и загрязнение вод, режим осадков. Первая компонента тесно связана с показателями площади зеленых насаждений, затраты на охрану окружающей среды (> 0.750), вторая компонента связана с температурным режимом региона и объемом сточных вод, сбрасываемых в водные объекты региона (> 0.711). Третья компонента включает показатель отклонения объема осадков от нормы (0,968). Непосредственные оценки вклада переменных в компоненты представлены в Приложении 5.

Наибольшие значения построенного показателя наблюдаются в Магаданской области, республике Саха (Якутия), Чукотском автономном округе, которые объясняются большой площадью земельных насаждений и расходами на сохранение окружающей среды, наименьшие - в Приморском крае, республике Ингушетия и республике Калмыкия, где наблюдаются крайне низкие значения всех рассматриваемых показателей.

Таким образом, были построены значения 5 категорий, составляющих интегральный показатель качества жизни для регионов РФ. Методом главных компонент был построен интегральный показатель качества жизни с выделением 2 главных компонент, объясняющих 73,24% вариации набора исходных компонент (Приложение 6). Полученные компоненты повторяют результаты корреляционного анализа, поэтому их подробная интерпретация приводиться не будет. Синтетическая категория качества жизни является взвешенной суммой компонент, где в качестве весов выступают доли объясненной ими дисперсии. В результате проведенного анализа можно выделить 10 лидирующих регионов по данному показателю и 10 регионов-аутсайдеров (табл. 13).

Можно сделать вывод о наиболее высоком качестве жизни в городах федерального значения - Москве, Санкт-Петербурге, Тюменской и Архангельской областях, включая входящие в них округа. Низкое качество жизни наблюдается в Ингушетии, Тыве, Дагестане, Чеченской республике и некоторых других регионах Северо-Кавказского федерального округа, а также Сибирского федерального округа, испытывающего трудности с транспортным сообщением (республика Тыва) и демографической ситуацией, ухудшающей показатель качества населения региона.

Таблица 13 Рейтинг регионов по показателю качества жизни населения

Лидеры	Значение	Аутсайдеры	Значение
Москва	1,15	Республика Ингушетия	-3,60
Московская обл.	0,90	Республика Тыва	-1,96
Тюменская обл.	0,88	Республика Дагестан	-1,69
Магаданская обл.	0,84	Чеченская Республика	-1,45
Самарская обл.	0,83	Республика Калмыкия	-1,35
Санкт-Петербург	0,81	Карачаево-Черкесская Республика	-1,09
Мурманская обл.	0,76	Кабардино-Балкарская Республика	-0,99
Белгородская обл.	0,70	Республика Алтай	-0,94
Ленинградская обл.	0,63	Республика Бурятия	-0,84
Архангельская обл.	0,57	Алтайский край	-0,63

Рассчитанный с помощью сорока частных статистических критериев показатель показал хорошую способность аппроксимировать данные и представляет ценность в качестве самостоятельного показателя.

2.2 Построение обобщенных характеристик инновационной, ИКТ и научно-технологической деятельности

Основная задача данной работы заключается в изучении потребностей населения России в инновационных товарах и услугах посредством анализа влияния инновационного и научно-технического прогресса на качество жизни населения. В предыдущем параграфе был построен интегральный показатель качества жизни населения, в данном параграфе будет предпринята попытка моделирования инновационной, научно-технической и информационной активности регионов страны.

Цель построения данных показателей заключается в их последующем включении в регрессионную модель наряду с интегральным показателем качества жизни населения. Данная группа показателей при включении в регрессионную модель будет отражать состояние инновационной деятельности в регионе РФ.

Моделирование инновационной активности будет проводиться с помощью свертывания сильно-коррелируемых частных показателей в главные компоненты, объединяющие показатели инновационного развития, научно-технического развития и развития сферы ИКТ.

Для показателя инновационного развития региона были выделены следующие частные критерии (табл. 14).

Таблица 14 Система критериев для расчета показателя инновационного развития региона

Переменная	Характеристика переменной	Ед. изм.
	Доля организаций, осуществлявших инновационную деятельность от всех обследованных организаций	%
	Доля организаций, осуществлявших технологические инновации от всех обследованных организаций
	Доля организаций, осуществлявших маркетинговые инновации от всех обследованных организаций
	Доля организаций, осуществлявших организационные инновации от всех обследованных организаций
	Количество поданных заявок на патенты	Единиц
	Доля затрат на технологические инновации от всех отгруженных товаров, работ, услуг.	%
	Доля инновационных товаров, работ, услуг от всех отгруженных товаров, работ, услуг

Было выделено 2 главных компоненты, объясняющих 61,1% дисперсии измеряемого показателя. Для определения числа факторов использовался критерий Кайзера - отбирались факторы, объясняющие дисперсию, эквивалентную дисперсии хотя бы одной переменной, с собственными значениями больше 1 (Кайзер, 1974). Была получена повернутая методом Варимакс матрица факторных нагрузок (табл. 15).

Таблица 15 Повернутая матрица факторных нагрузок для моделирования инновационной активности

	Компонента
	Инновационная активность	Ресурсы и результаты инновационной деятельности
Инновационная деятельность фирм	,950	-,014
Технологические инновации в фирмах	,927	-,070
Маркетинговые инновации в фирмах	,794	,247
Организационные инновации в фирмах	,742	,071
Число патентов	,411	-,250
Затраты на инновационное развитие	,096	,790
Доля инновационных товаров и услуг	,034	,629

Компонента инновационной активности показывает вовлеченность фирм в инновационное развитие региона и включает показатели доли инновационных фирм с процессными продуктовыми маркетинговыми и организационными инновациями, а также изобретательскую активность региона, показанную через число патентов. Компонента ресурсов и результатов инновационной деятельности состоит из факторов, отражающих результаты инновационной деятельности фирм: доли отгруженной инновационной продукции и затраты на инновационное развитие региона.

Для построения показателя развития сферы ИКТ будет использоваться следующая система показателей (табл. 16).

Таблица 16 Система критериев для расчета показателя развития сферы ИКТ

Переменная	Характеристика переменной	Ед. изм.
	Доля организаций с веб-сайт, использовавших Интернет в коммерческих целях, от всех обследованных организаций	%
	Доля организаций, использовавших Интернет для связи с потребителями, от все обследованных организаций
	Доля организаций с CRM-системами CRM-системы - это инструмент для решения бизнес-задач, обрабатывающий клиентскую базу и предлагающий товары и услуги для выделенных в базе групп потребителей. от всех обследованных организаций
	Доля организаций, предоставлявших технику для мобильного доступа в Интернет работникам, от всех обследованных предприятий
	Затраты на ИКТ	Тысяч рублей на 1 организацию
	Число организаций, использовавших веб-сайт при оказании государственных услуг	Единиц

Аналогично было выделено 2 компоненты, объясняющие 63,5% дисперсии латентной категории. Была получена повернутая методом Варимакс матрица факторных нагрузок для показателей сектора ИКТ (табл. 17).

Таблица 17 Матрица факторных нагрузок для показателей ИКТ

	Компонента
	Финансирование фирмой ИКТ	Использование Интернета для решения бизнес-задач
Использование Интернета в коммерческих целях	,873	-,007
Использование Интернета для связи с потребителями	,117	,859
Использование систем CRM	-,038	,681
Предоставление мобильного Интернета сотрудникам	,850	-,029
Затраты на ИКТ	,675	-,088
Использование инструментов электронного правительства	,438	-,673

Компонента финансирования фирмой ИКТ описывает уровень развития Интернет-услуг для потребителей в регионе - инструментов для коммерческого использования Интернета, мобильного Интернета в рамках предприятия, развития взаимодействия государства и предпринимателей через средства ИКТ и затрат на сферу ИКТ на региональном уровне. Компонента использования Интернета для решения бизнес-задач отвечает за вовлеченность потребителей в сферу ИКТ.

Показатель научно-технического развития региона будет рассчитываться исходя из следующего набора критериев (табл. 18)

Таблица 18 Система критериев для расчета показателя научно-технического развития региона

Переменная	Характеристика переменной	Ед. изм.
	Доля предприятий, создавших передовые технологии, в числе обследованных предприятий	%
	Доля созданных передовых производственных технологий на предприятиях во всех технологиях, используемых и созданных на предприятии
	Затраты на НИОКР	Тысяч рублей на 1 работника отрасли
	Доля работников, занимающихся исследованиями и разработками от среднегодовой численности занятости	%
	Объем выполненных НИОКР	Тысяч рублей на 1 работника отрасли
	Доля затрат на приоритетные направления (транспортные и космические системы) от внутренних затрат на НИОКР	%

Было выделено 2 главных компоненты, объясняющих в сумме 65,79% вариации набора переменных. С помощью метода Варимакс была получена повернутая матрица факторных нагрузок (табл. 19).

Таблица 19 Повернутая матрица факторных нагрузок для характеристики научно-технического развития

	Компонента
	Развитие направления НИОКР	Уровень изобретательности фирм
Число фирм с передовыми технологиями	,422	,638
Разработка технологий фирмами	,684	,237
Затраты на НИОКР	,895	-,337
Численность работников сферы НИОКР	,532	,521
Результативность НИОКР	,884	-,345
Затраты на приоритетные направления	,560	-,396

Компонента развития направления НИОКР включает в себя переменные ресурсов науки, финансирования и показатель результативности отрасли - объем выполненных работ на одного работника отрасли. Компонента уровня изобретательности фирм включает в себя переменную, характеризующую степень технологического новаторства предприятий региона.

Таким образом, в данной главе был построен интегральный показатель качества жизни для регионов России методом главных компонент на основе пяти категорий, характеризующих различные стороны жизни населения РФ и свернутых из сорока частных статистически-регистрируемых критериев. Выявлен большой разброс регионов по каждому из построенных показателей. На основе метода главных компонент выделены факторы инновационного, информационного и научно-технологического развития. Социально-экономический эффект развития региона в инновационной сфере, науки и технологиях незначительный.

инновационный качество жизнь научный

Глава 3. Эконометрический анализ зависимости качества жизни и уровня научно-технического и инновационного развития

В данной главе предпринята попытка изучить влияние инновационного и научно-технического развития на качество жизни населения. Выдвигается гипотеза о существенном влиянии инновационной, научной и ИКТ-активности на качество жизни людей. Данное влияние выражается через потребность населения в различных инновационных товарах и услугах.

3.1 Влияние научно-технического и инновационного развития на качество жизни населения

В данной главе с помощью инструментов регрессионного анализа предпринята попытка смоделировать влияние развития сфер науки и инноваций на качество жизни населения региона РФ.

Цель данного регрессионного анализа - изучение взаимосвязи научно-технического и инновационного развития с качеством жизни населения.

В качестве результирующей переменной Y взят построенный в предыдущей главе показатель качества жизни по данным за 2014 год. В изначальной выборке представлено 79 регионов (N = 79). Чукотский автономный округ, Еврейская автономная область, регионы Крымского федерального округа не вошли в выборку в связи с отсутствием данных по большинству рассматриваемых статистических критериев. Факторы регрессионной модели также были построены в предыдущей главе:

X1 - инновационная активность предприятий (inn_f)

С увеличением количества фирм, проявляющих инновационную-активность фирм, растет уровня благосостояние, который связан с качеством жизни через показатели экономического развития региона.

X2 - результативность инновационной деятельности предприятий (inn_r)

С повышением результативности инновационной деятельности (объемов отгруженных инновационных товаров и услуг, числа патентов) повышается качество жизни.

X3 - Финансирование бизнесом сферы ИКТ (fin_ikt)

С повышением уровня финансирования бизнесом сферы ИКТ повышается производительность предприятий, следовательно, населению предоставляется большее количество товаров и услуг, что косвенно повышает качество жизни.

X4 - Использование Интернета для решения бизнес-задач (int_bc)

С развитием использования Интернета для решения бизнес-задач работа организаций становится более оптимизированной, а использование систем CRM позволяет более эффективно обеспечить товарами и услугами нуждающиеся категории населения, что повышает качество его жизни через уровень благосостояния

X5 - уровень развития науки (scien)

C повышением эффективности научных исследований и разработок возрастает влияние науки на различные сферы жизни человека - здравоохранительную, социальную сферу, уровень благосостояния населения.

X6 - уровень изобретательности (tech)

С увеличением числа созданных технологий будет повышаться доступность благ, что положительно скажется на качестве жизни.

Регрессионный анализ выявляет зависимость между результирующей переменной Y и объясняющими переменными . Используется модель множественной линейной регрессии:

,

где - независимая переменная, - вектор объясняющих переменных, - ошибка модели.

В основе модели следующие предпосылки и ограничения (Магнус и др., 2014): все переменные являются детерминированными величинами с независимыми между собой векторами; ; - некоррелированность ошибок разных наблюдений; нормальное распределение ошибок: .

Предварительный анализ данных для регрессионной модели представлен в Приложении 7. Для переменных X2, X3, X4 наблюдаются большие значения эксцесса и асимметрии, а также большой разброс значений. Проверка данных на присутствие аномальных выбросов с помощью ящичковых диаграмм и метода Титьена-Мура показала необходимость удаления из выборки следующих регионов: Ингушетии, Тывы, Дагестана, Чечни, Калмыкии. В результате получено следующее распределение переменной качества жизни (рис. 4)

Рис. 4. Гистограмма распределения показателя качества жизни.

Результаты применения методов графического анализа и статистики Джарке-Берра (нулевая гипотеза о нормальности распределения принимается на уровне значимости 5%, если JB<X²_крит. (б=0.05; ?=2) показаны в Приложении 7. Был сделан вывод о нормальном распределении результирующей переменной.

Параметры модели определяются методом наименьших квадратов, который предполагает минимизацию сумму квадратов отклонений наблюдаемых и оценочных значений (Магнус и др., 2004):

Получена регрессионная модель (N=76, данные за 2014 год):

В скобках при коэффициентах указаны стандартные ошибки.

В рамках проверки модели на адекватность рассмотрим остатки на нормальность и гетероскедастичность. Тест Джарке-Бера на уровне значимости 5% показал, что распределение остатков данной модели не является нормальным (p-value = 0.003). Тест Бреуша-Пагана показал наличие гетероскедастичности остатков (). Данную модель нельзя признать адекватной для анализа и оценки, поскольку не выполняются перечисленные ранее предпосылки для модели линейной множественной регрессии. Причина данной проблемы заключается в неоднородности социально-экономического развития и, как следствие, выборки рассматриваемых регионов. В связи с этим проведена многомерная классификация регионов России исходя из их научного, инновационного и технического развития.

3.1.1 Многомерная классификация регионов по уровню инновационного, научно-технического и технологического развития

В данном подразделе предпринята попытка многомерной классификации регионов по уровню развития в сферах ИКТ, науки и инноваций.

Цель многомерной классификации регионов заключается в необходимости учета разнородности социально-экономического развития регионов РФ с точки зрения инновационного и научно-технического развития.

Стоит отметить, что многомерная классификация осуществляется с помощью кластерного анализа, который позиционирует геометрическую близость точек как однородность объектов (Мхитарян, Архипова, Сиротин, 2008). Среди многообразия методов многомерной кластеризации был выбран метод k-средних как наиболее просто интерпретируемый.

Идея метода заключается в разбиении множества объектов n на k кластеров с минимизацией суммы внутриклассовых дисперсий:

Недостаток данного алгоритма - необходимость предварительного определения количества выделяемых групп. В связи с этим вначале необходимо провести кластеризацию иерархическими методами и выделить предположительное число кластеров из анализируемых объектов.

В качестве переменных для кластеризации были взяты уровни инновационной активности региона, научно-технического развития и развития сектора ИКТ. Полученные в результате факторного анализа, данные переменные являются нормализованными и пригодными для классификации. Вывод о наличии трех кластеров был сделан после применения метода взвешенного попарного среднего, метода попарного среднего и метода Варда (Приложение 11), где в качестве меры выбирался квадрат расстояния Евклида. Метод k-средних позволил интерпретировать полученные группы (Приложение 12) исходя из их средних значений (рис. 5).

В первом кластере находится 20 регионов, во втором - 4, в третьем - 49. Первый кластер характеризуется высокими показателями сферы НИОКР и низкими показателями во всех остальных рассматриваемых категориях, его типичными представителями являются Тамбовская, Сахалинская, Свердловская область. Второй кластер содержит регионы с высоким уровнем финансирования инновационного развития и сферы ИКТ, а также высоким уровне изобретательской активности, в данный регион входят города федерального значения - Москва и Санкт-Петербург, а также Чувашия и Татарстан, где наблюдается высокий уровень инновационной активности фирм наряду с их низкой результативностью.

Рис. 5. Средние значения переменных в кластерах, полученные методом k-средних

В третьем кластере находятся регионы с низкими значениями всех переменных, типичные представители кластера - Пензенская, Орловская и Ивановская область. Получена графическая классификация (рис. 6).

Данная диаграмма наглядно демонстрирует распределение регионов по кластерам для их последующего анализа и выявления потенциальной разнородности наблюдений, затрудняющей построение регрессионных моделей взаимосвязи качества жизни населения с показателями инновационного развития, развития научно-технической сферы и сферы компьютерных технологий в регионах РФ.

Рис. 6. Диаграмма рассеивания для переменных финансирования инновационной активности фирм, финансирования сектора ИКТ и изобретательской активности региона по кластерам

Распределение регионов по группам говорит о неоднородности выборки, что может быть использовано в дальнейшем анализе влияния активности в сферах инноваций, ИКТ и науки на качество жизни населения.

3.1.2 Анализ влияния инновационного и научно-технического развития на качество жизни населения с учетом кластеров

В данном подразделе предпринята попытка проверки гипотезы о влиянии групповых различий и различий факторных показателей в рамках кластера на показатель качества жизни населения.

Перед началом проверки гипотезы была введена дамми-переменная, отражающая принадлежность региона к одному из двух наиболее многочисленных кластеров - первому или третьему:

Следует предположить, что принадлежность к кластеру влияет не только на величину константы (фиксированный эффект), но и на зависимость факторной переменной от результирующего признака. Иными словами, эффект от развития науки, ИКТ и инноваций различен. В связи с этим были введены перекрестные дамми-переменные с помощью домножения переменной кластерной принадлежности на независимые переменные модели (X1, …, X6). После исключения незначимых переменных пошаговым методом включения-исключения переменных была получена регрессионная модель (N = 73, данные за 2014 г.):

Проверка адекватности модели предполагает анализ ее остатков. Тест Джарка-Бера показал, что гипотеза о нормальном распределении остатков не отвергается на уровне значимости 5% (p-value = 0.083). Тест на гетероскедастичность Бреуша-Пагана (дисперсии ошибок линейно зависят от r определенных переменных, нулевая гипотеза H₀: , проверяющаяся на основе критерия ) позволил отвергнуть гипотезу об отсутствии гетероскедастичности на уровне значимости 5% (). Результаты подтвердил графический анализ остатков, распределенных нормально и не меняющих дисперсию в зависимости от предсказанных значений (рис. 7).

Построенная модель является адекватной, оценки предположительно не смещены и эффективны. Подтверждена значимость модели, исходя из значения F-статистики гипотеза о нулевых коэффициентах регрессии отвергается с вероятностью ошибки 1%, то есть модель верифицирована. Оценка качества модели на основании коэффициента детерминации, говорит о том, что объясняющая способность модели равна 45,6%. О корректности подобранных регрессоров говорит скорректированный R-квадрат, равный 0,42.

Рис. 7. Распределение остатков модели и графический анализ гетероскедастичности остатков

Полученную модель можно использовать для анализа влияния отдельных переменных на показатель качества жизни населения. Во-первых, принадлежность региона к первому кластеру влияет на качество жизни, значение показателя качества жизни по первому классу в целом выше на 0,04 ед. Для переменной, характеризующей распространенность инновационных фирм в регионе, наблюдается немного противоречивая ситуация: значение показателя качества жизни в первом кластере увеличивается на 0,199 ед. при увеличении доли инновационных фирм, однако во втором кластере - падает на 0,2 ед.

Распространенность средств Интернета для решения бизнес-задач в третьем кластере снижает качество жизни жителей рассматриваемого региона на 0,2 единицы. Также вне зависимости от принадлежности региона к кластеру значительное влияние на показатель качества жизни оказывают уровень финансирования сферы икт (повышающий качество жизни на 0,180 ед.) и изобретательской активности (повышающий качество жизни на 0,112 ед.)

3.2 Анализ взаимосвязи инновационного развития и компонент качества жизни

В данном разделе предпринята попытка изучить влияние данных показателей на отдельные компоненты показателя качества жизни и проанализировать влияние самого общества на региональную инновационную активность, которая видится целесообразной после рассмотрения модели влияния инновационного, научного и технического развития на качество жизни.

Для решения этой задачи составлена система одновременных регрессионных уравнений (N = 78, данные за 2014 г.):

Эндогенными переменными являются уровень благосостояния (), состояние социальной сферы (), показатель уровня инновационной активности предприятий (.

Первое предложение заключается в том, что затраты в сфере НИОКР привлекают инвестиции, что сказывается на благосостоянии жителей; с увеличением количества Интернет-инструментов для решения бизнес-задач оптимизируется функционирование предпринимательской сферы региона и государственного аппарата, что улучшает состояние социальной сферы. Следовательно, уровень благосостояния и состояние социальной сферы сильнее подвержены влиянию со стороны науки, технологий и инновационного развития по сравнению с другими компонентами по сравнению с другими характеристиками качества жизни.

Второе предположение заключается в том, что существует взаимосвязь между инновационной активностью и показателями развития общества - уровнем развитости инфраструктуры и состоянием социальной сферы, поскольку данные показатели характеризуют рынок труда, оказывающий большое влияние на инновационное развитие региона.

Оценке представленной системы предшествовала проверка условий ее идентифицируемости (Магнус и др., 2004). Была установлена сверхидентифицируемость системы, из которой следует наличие множества ее решений. Исходя из подтвержденной идентифицируемости для оценки системы был применен метод двухэтапного МНК (Магнус и др., 2004), который подразумевает отдельную оценку каждого уравнения с использованием инструментальных переменных - экзогенных переменных модели. Полученные оценки используются в МНК-оценивании исходного уравнения системы с коррекцией R² и стандартных ошибок. Получены следующие уравнения:

Первое уравнение:

Второе уравнение:

Третье уравнение:

Была получена значимая система уравнений, и установлено, что развитие региональной инфраструктуры: системы здравоохранения, транспорта, доступа в Интернет и сотовой связи, положительно влияет (0,701) на уровень благосостояния населения. Важной характеристикой уровня благосостояния является состояние здоровья населения и его образованность (0,196), и для регионов с более развитой отраслью НИОКР характерен более высокий уровень материальной обеспеченности населения (0,111). Развитие системы решения бизнес-задач с помощью Интернет-средств положительно сказывается на социальной политике региона (0,299). Значимый положительный коэффициент при показателе уровня благосостояния (0,322) говорит о взаимосвязи состояния социальной сферы региона и обеспеченности его жителей. Отрицательный коэффициент при показателе качества населения может означать, что при высоком уровне воспроизводства населения будет наблюдаться рост безработицы в регионе. Развитие инфраструктуры региона положительно сказывается (0,108) на его инновационной активности, так как информатизация процессов способствует означает, что в обществе распространяются инновационные практики.

3.3 Исследование инновационного поведения населения

В данном разделе предпринята попытка моделирования инновационного поведения и определения наиболее открытой к инновациям группы населения РФ с помощью метода классификационных и регрессионных деревьев, так как проведенный анализ не был бы полным без рассмотрения проблемы с точки зрения населения. Определение наиболее открытой для инноваций группы населения будет проходить посредством классификации населения с помощью классификационных деревьев по данным обследования домохозяйств «Российский мониторинг экономического положения и здоровья населения НИУ-ВШЭ» (RLMS-HSE) 24 волны.

Цель составления классификационного и регрессионного дерева заключается в определении наиболее открытой к инновационным практикам группы на основе данных выборочного обследования.

Метод классификационных и регрессионных деревьев CRT (Breiman et al., 1984) - это альтернативный метод анализа, не учитывающий классические предположения или допущения структуры данных и их распределений. Выполняются последовательные бинарные разбиения исходя из значения критерия уменьшения неоднородности (impurity) - меры Джини:

где - доля наблюдений в узле T определенной категории целевой переменной. Узел разбивается по предиктору, обеспечивающему максимальное сокращение неоднородности ветви. Процесс повторяется для каждого узла, если возможно улучшение прогноза. Чтобы полученное дерево работало не только на своих данных, проводится обратный анализ: дерево усекается на основе меры, рассчитываемой по выборке с кросс-проверкой (cross-validation).

Качество модели проверяется с помощью доли правильно классифицированных наблюдений или вероятности неверной классификации.

Стоит отметить, что дескриптивный анализ результатов обследования представляет интерес, поскольку соблюдена репрезентативность выборки и собрана информация по аспектам жизни населения.

Так, респондентам предлагали оценить, используют они Интернет на работе и учебе, а также используют ли его для работы и учебы. Распределения представлены ниже (рис. 8).

То есть несмотря на то, что 40,6% респондентов выходят в Интернет на местах учебы и работы, использовать его в образовательных и профессиональных целях предпочитают от 29,3% до 43,2% респондентов соответственно.

Рис. 8. Удельный вес ответов «Да» и «Нет» на вопросы об использовании Интернета для учебы и работы

Также в ходе опроса была проанализирована оснащенность населения различными средствами для выхода в Интернет, в частности телефонами, смартфонами и портативными компьютерами (рис. 9).

Рис. 9. Распределение ответов респондентов при ответе на вопрос о наличии различных устройств для выхода в Интернет

Можно сделать вывод о том, что большинство респондентов не обладают смартфонами и ноутбуками, однако большая часть опрошенных имеет мобильные телефоны (81,4%). Также интересно отметить наличие практики совместного пользования ноутбуками, лэптопами и нетбуками у 22,4% опрошенных.

Для определения наиболее открытой к инновациям группы населения рассматриваются некоторые демографические и социально-экономические характеристики. Целевой переменной является распределение ответов респондентов на вопрос «Используете ли Вы для выхода в Интернет мобильный телефон, смартфон или планшет?». При составлении классификационного дерева целевой категорией являлся положительный ответ. 56% респондентов ответило «Да», 44% респондентов не используют мобильный Интернет. Были выбраны следующие предикторы (табл. 20).

Таблица 20 Предикторы, выбранные для создания классификационного дерева

Переменная	Характеристика переменной	Ед. изм.
	Год рождения
	Регион проживания
	Доход по основному месту работы	В рублях
	Семейное положение	Приложение 8
	Законченное образование
	Профессиональная группа
	Отрасль работы
	Пол
	Тип населенного пункта проживания респондента
	Изменение материального положения

Размер выборки составляет 4223 респондента (N=4223), поставим минимальные значения в узле-отце и узле-сыне равняются 200 и 100 соответственно.

На основании анализа построенного классификационного дерева (Приложение 9) была оценена важность каждого из предикторов модели (рис. 10).

Наибольшую важность при определении группы людей, использующих мобильный Интернет, является год рождения, семейное положение и образование респондента.

Проверка качества дерева проводилась с помощью кросс-проверки, позволяющей оценить его использование на более крупной совокупности.

Кросс-проверка строит деревья с поочередным исключением данных каждой подвыборки (бралось 10 подвыборок). Первое дерево создается на основе всех наблюдений, кроме первого слоя выборки, второе - на основе всех наблюдений, кроме второго слоя и т.д. Для итогового дерева риск оценивается как среднее всех рисков построенных деревьев. Доказано, что модель устойчива и достаточно общая для всех наборов данных: значения риска для модели без проверки и с проверкой не сильно отличаются (0,306 для метода замены и 0,337 для кросс-проверки, стандартная ошибка 0,007 в обоих случаях), на уровне значимости 7% ошибка модели лежит в диапазоне от 30,6% до 33,7%.

Рис. 10. Нормализованная важность предикторов модели

Были рассчитаны проценты корректно предсказанных значений (табл. 21).

Можно утверждать, что на основе модели верно классифицированы 69,4% всех респондентов, 57.7% пользователей мобильного Интернета и 78,1% респондентов, которые не используют мобильный Интернет и, следовательно, менее открыты для инновационных практик, а также испытывают меньшую потребность в инновационных товарах и услугах.

Таблица 21 Процент корректно предсказанных значений

Наблюдаемое	Предсказанное
	Да	Нет	Процент корректных
Да	1046	767	57,7%
Нет	527	1883	78,1%
Общий процент	37,2%	62,8%	69,4%

Таким образом, была получена устойчивая модель с приемлемой ошибкой, что позволяет применить построенное дерево на более общих данных.

Для более детального анализа рассмотрим выигрыши узлов полученного дерева классификации (табл. 22).

Таблица 22 Выигрыши узлов для дерева классификации

Узел	По узлам
	Узел	Выигрыш	Отклик
	N	Процент	N	Процент
6	504	11,9%	468	19,4%	92,9%
10	201	4,8%	179	7,4%	89,1%
7	196	4,6%	161	6,7%	82,1%
14	260	6,2%	199	8,3%	76,5%
17	155	3,7%	110	4,6%	71,0%
8	375	8,9%	266	11,0%	70,9%
11	232	5,5%	163	6,8%	70,3%
12	246	5,8%	144	6,0%	58,5%
9	158	3,7%	92	3,8%	58,2%
22	117	2,8%	60	2,5%	51,3%
26	151	3,6%	72	3,0%	47,7%
20	174	4,1%	79	3,3%	45,4%
16	243	5,8%	108	4,5%	44,4%
24	147	3,5%	58	2,4%	39,5%
23	119	2,8%	44	1,8%	37,0%
27	133	3,1%	47	2,0%	35,3%
18	433	10,3%	105	4,4%	24,2%
25	116	2,7%	20	,8%	17,2%
21	263	6,2%	35	1,5%	13,3%

Наибольший процент отклика наблюдается в узлах 6 и 10 (92,9% и 89,1% соответственно), которые представляют 11,9% и 4,8% выборки соответственно.

Разбиение дерева основано на возрасте респондентов. В группу активных пользователей мобильного Интернета входят респонденты младше 25 лет (1991 год рождения). В узле 6 с наибольшим откликом - наибольшей долей пользователей мобильного Интернета есть занятые в следующих отраслях респонденты: образование, органы управления, торговля, бытовое обслуживание, наука, культура, здравоохранение, развлечения, социальное обслуживание и IT. Этот результат может объясняться необходимостью обмена информацией в данных сферах занятости. Во втором узле сосредоточены респонденты старше 25 лет с доходами больше 26 500 руб. Можно объяснить подобное явление тем, что уровень обеспеченности данных людей позволяет им приобрести устройства для использования мобильного Интернета. Данные категории людей наиболее открыты к инновациям и испытывают в них наибольшую потребность.

Наименее открыты к инновациям (узел 25, отклик 17,2%) респонденты со средним специальным образованием старше 43 лет и доходами ниже 28000 рублей в месяц. При разработке политики инновационного развития следует уделять внимание данной категории людей, поскольку для них является затруднительным освоение инновационных товаров и услуг, и они испытывают в них достаточно низкую потребность.

Таким образом, в данной главе были проанализированы влияния развития сферы инноваций, науки и ИКТ на качество жизни в целом и его отдельные компоненты, обозначена группа населения, открытая к инновационным практикам больше всего. Исходя из уровня инновационного развития выделено три кластера, установлено различие в социальном эффекте развития инноваций, науки и техники в разных кластерах. С помощью системы регрессионных уравнений определена зависимость между несколькими компонентами показателя качества жизни и показателями инновационной деятельности: последняя оказывает влияние на уровень благосостояния населения. Также было определено, что люди до 25 лет, занятые преимущественно интеллектуальным трудом, наиболее открыты к инновациям.

Заключение

В данной работе был проведен комплексный анализ потребностей населения РФ в инновационных товарах и услугах в контексте влияния различных аспектов инновационной деятельности на качество жизни населения страны. Все выдвинутые в начале исследования гипотезы не отвергаются.

В первой главе представлены некоторые подходы к измерению и оценке рассматриваемых показателей. Установлено, что единой системы оценки качества жизни не существует, поэтому необходимо совершенствовать имеющиеся системы оценки качества жизни, в отличие от системы оценки инноваций, науки и технологий, сбор данных о которых в РФ обеспечивается в соответствии с международными стандартами. Также были коротко освещены основные результаты проведенного обследования студентов НИУ ВШЭ, подобрана с помощью логарифмически-линейного анализа оптимальная (равновероятная) модель взаимосвязи удовлетворенности респондентов качеством жизни и потребности в инновационных товарах и услугах.

Во второй главе построен интегральный показатель качества жизни для регионов РФ с помощью метода главных компонент на основе пяти аспектов, свернутых из сорока частных статистически-регистрируемых критериев. Выявлен большой разброс регионов по каждому из построенных показателей. На основе метода главных компонент выделены факторы инновационного, информационного и научно-технологического развития. Социально-экономический эффект развития региона в инновационной сфере, науки и технологиях незначительный.

В третьей главе проведен анализ влияния развития инновационной, научно-технической сферы и сферы ИКТ на показатели качества жизни, обозначена группа населения, открытая к инновационным практикам больше всего. На основании уровня инновационного развития рассматриваемых регионов выделено три кластера, установлено различие социальный эффект развития инноваций, науки и техники в разных кластерах. С помощью системы регрессионных уравнений определена зависимость между несколькими компонентами показателя качества жизни и показателями инновационной деятельности: последняя оказывает влияние на уровень благосостояния населения. Определено, что люди до 25 лет, занятые преимущественно интеллектуальным трудом, наиболее открыты к инновациям.

Можно сделать вывод о неравномерности и неоднозначности удовлетворения потребностей населения с помощью инновационного и научно-технического развития. Данный факт позволяет утверждать о необходимости смещения акцента инновационной политики государства на социальную сферу жизни населения России.

Список использованной литературы

1. Айвазян С., Степанов В., Козлова М. (2006). Измерение синтетических категорий качества жизни населения региона и выявления ключевых направлений совершенствования социально-экономической политики (на примере Саратовской области и её муниципальных образований). Прикладная эконометрика, 2, С. 18-84.

2. Архипова М.Ю. Анализ инновационно-технологической активности в России: Монография. - М.: РУДН, 2007.

3. Римашевская Н.М. (2004) Человеческий потенциал России и проблемы «сбережения населения» // Российский экономический журнал. №9-10.

4. Стиглиц Д., Сен А., Фитусси Ж.-П. Неверно оценивая нашу жизнь: Почему ВВП не имеет смысла? Доклад Комиссии по измерению эффективности экономики и социального прогресса / пер. с англ. И. Кушнаревой; науч. ред. перевода Т. Дробышевская. -- М.: Изд-во Института Гайдара, 2015. -- 216 с.

5. Рудь В.А., Фурсов К.С. (2011) Роль статистики в дискуссии о научно- технологическом и инновационном развитии // Вопросы экономики. № 1. С. 138-150

6. Arkhipova M., Sirotin V. (2013). Innovative Development and Quality of Life Interaction / Science, Technology and Innovation in the Emerging Markets Economy Proceedings of The 22th International Conference on Management of Technology IAMOT 2013 Porto Alegre, Brazil

7. Cajaiba-Santana, G. (2013) Social innovation: Moving the field forward. A conceptual framework. Technological Forecasting and Social Change, 82

8. Dawson P., Daniel L., (2010, May 2010). Understanding social innovation: a provisional framework, International Journal of Technology Management, Retrieved February 2, 2014

9. Gorban A.N., Kegl B., Wunsch D., Zinovyev A.Y. (Eds.) (2008) Principal Manifolds for Data Visualisation and Dimension Reduction// Series: Lecture Notes in Computational Science and Engineering Volume 58, 340.

10. Grossman G., Helpman E. (1994, January 1994). Endogenous Innovation in the Theory of Growth, Journal of Economic Perspectives, American Economic Association

11. Howitt P., Aghion P., (1998) Capital Accumulation and Innovation as Complementary Factors in Long-Run Growth// Journal of Economic Growth, Springer, vol. 3(2), pages 111-30

12. Knack S., Keefer P. (1997) Does Social Capital Have an Economic Payoff? A Cross-Country Investigation// The Quarterly Journal of Economics, MIT Press, vol. 112(4), pages 1251-88

13. Knack S., Zak P.J. (2001) Building trust: public policy, interpersonal trust and economic development// MPRA Paper 25055, University Library of Munich, Germany.

14. Kuznets S. (1974). Population, Capital and Growth: Selected Essays. London: Heinemann Educational.

15. Lichtenberg F.R. (2011) Has Pharmaceutical Innovation Reduced Social Security Disability Growth?// International Journal of the Economics of Business, Taylor & Francis Journals, Volume 18(2), Pages 293-316.

16. Lichtenberg F.R. (2012) Pharmaceutical Innovation and Longevity Growth in 30 Developing and High-income Countries, 2000-2009// NBER Working Papers 18235, National Bureau of Economic Research, Inc.

17. Maиiulytл-Рniukienл, A., Gaile-Sarkane, E. (2013) Impact of Information and Telecommunication Technologies Development on Labour Productivity // Social and Behavioral Sciences Volume 110, Pages 1271-1282

18. Mansfield E. (1961) Technical Change and the Rate of Imitation // Econometrica, Vol. 29, No. 4., Pages. 741-766

19. OECD (2005) Oslo Manual: Guidelines for Collecting and Interpreting Innovation Data, 3rd Edition. OECD Publishing, 163.

20. Oslo Manual. Guideline for collecting and interpreting innovation data, third Edition, М.: TSISN, 2006

21. Rogers E.M. (2003). Diffusion of innovations. New York, NY: Free Press.

22. Romer P.M. The origins of endogenous growth // J. Econ. Perspect. 1994. Vol. 8. Р. 3-22.

Приложение 1

Метод главных компонент для показателя качества населения

Таблица 1 Матрица парных коэффициентов корреляции для показателей качества населения

xХ1

xХ2

xХ3

ХХ4

xХ5

xХ6

xХ7

xХ8

xХ9

xХ10

xХ11

Х1

1

-,817**

-,779**

0,208

-,266*

-,505**

-0,096

-,648**

-0,169

-0,173

0,049

Х2

-,817**

1

,667**

-,235*

,476**

,499**

,222*

,670**

,221*

,254*

0,034

Х3

-,779**

,667**

1

-,226*

0,150

,361**

-0,068

,516**

0,129

0,179

-0,035

Х4

0,208

-,235*

-,226*

1

-,291**

-,551**

,351**

-,448**

-,374**

-,394**

-,259*

Х5

-,266*

,476**

0,150

-,291**

1

,624**

,408**

,559**

,343**

,349**

0,211

Х6

-,505**

,499**

,361**

-,551**

,624**

1

-0,012

,690**

,426**

,414**

,287**

Х7

-0,096

,222*

-0,068

,351**

,408**

-0,012

1

0,114

-0,046

-0,125

-,223*

Х8

-,648**

,670**

,516**

-,448**

,559**

,690**

0,114

1

,370**

,336**

0,156

Х9

-0,169

,221*

0,129

-,374**

,343**

,426**

-0,046

,370**

1

,613**

,840**

Х10

-0,173

,254*

0,179

-,394**

,349**

,414**

-0,125

,336**

,613**

1

,658**

Х11

0,049

0,034

-0,035

-,259*

0,211

,287**

-,223*

0,156

,840**

,658**

1

** Корреляция значима на уровне 0.01; *. Корреляция значима на уровне 0.05.

Таблица 2 Собственные значения и объясненная дисперсия компонент категории качества населения

Компонента	Начальные собственные значения	Суммы квадратов нагрузок извлечения	Суммы квадратов нагрузок вращения	Доля объясненной дисперсии, %
	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %
1	4,560	41,451	41,451	4,560	41,451	41,451	2,943	26,751	26,751	32
2	2,299	20,900	62,351	2,299	20,900	62,351	2,534	23,037	49,788	27
3	1,408	12,798	75,149	1,408	12,798	75,149	2,205	20,046	69,834	24
4	,952	8,651	83,800	,952	8,651	83,800	1,536	13,965	83,800	17

Приложение 2

Метод главных компонент для показателя уровня благосостояния

Таблица 1 Матрица парных коэффициентов корреляции для показателей уровня благосостояния

	x1	x2	x3	x4	x5	x6	x7	x8	x9
x1	1	-,827**	,492**	,877**	,526**	,498**	,177	,094	-,044
x2	-,827**	1	-,598**	-,695**	-,641**	-,544**	-,385**	-,132	-,142
x3	,492**	-,598**	1	,427**	,330**	,318**	,275*	,478**	,325**
x4	,877**	-,695**	,427**	1	,473**	,403**	,201	,266*	,099
x5	,526**	-,641**	,330**	,473**	1	,622**	,284**	,028	,367**
x6	,498**	-,544**	,318**	,403**	,622**	1	,204	,043	,289**
x7	,177	-,385**	,275*	,201	,284**	,204	1	,470**	,297**
x8	,094	-,132	,478**	,266*	,028	,043	,470**	1	,491**
x9	-,044	-,142	,325**	,099	,367**	,289**	,297**	,491**	1

** Корреляция значима на уровне 0.01; *. Корреляция значима на уровне 0.05

Таблица 2 Собственные значения и объясненная дисперсия компонент категории уровня благосостояния

Компонента	Начальные собственные значения	Суммы квадратов нагрузок извлечения	Суммы квадратов нагрузок вращения	Доля объясненной дисперсии
	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %
1	4,135	45,943	45,943	4,135	45,943	45,943	2,911	32,345	32,345	0,422276
2	1,702	18,911	64,855	1,702	18,911	64,855	2,088	23,202	55,546	0,302909
3	1,057	11,741	76,596	1,057	11,741	76,596	1,894	21,050	76,596	0,274815

Таблица 3 Матрица собственных векторов категории уровня благосостояния

	Компонента
	1	2	3
x1	,383	-,104	-,085
x2	-,254	,020	-,064
x3	,193	,245	-,148
x4	,355	-,007	-,136
x5	-,068	-,074	,500
x6	-,075	-,094	,497
x7	-,020	,316	,001
x8	,038	,497	-,267
x9	-,309	,328	,366

Приложение 3

Метод главных компонент для показателя состояния социальной сферы

Таблица 1 Матрица парных коэффициентов корреляции для показателей состояния социальной сферы

	x1	x2	x3	x4	x5	x6	x7
x1	1	,722**	-,505**	-,101	,190	-,387**	-,040
x2	,722**	1	-,444**	-,243*	,121	-,310**	-,008
x3	-,505**	-,444**	1	,499**	-,069	,413**	,161
x4	-,101	-,243*	,499**	1	,004	,212	,203
x5	,190	,121	-,069	,004	1	,131	,171
x6	-,387**	-,310**	,413**	,212	,131	1	,307**
x7	-,040	-,008	,161	,203	,171	,307**	1

** Корреляция значима на уровне 0.01; *. Корреляция значима на уровне 0.05.

Таблица 2 Собственные значения и объясненная дисперсия компонент категории состояния социальной сферы

Компонента	Начальные собственные значения	Суммы квадратов нагрузок извлечения	Суммы квадратов нагрузок вращения	Доля объясненной дисперсии
	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %
1	2,643	37,760	37,760	2,643	37,760	37,760	2,204	31,487	31,487	0,440123
2	1,403	20,047	57,807	1,403	20,047	57,807	1,445	20,648	52,135	0,288624
3	,961	13,734	71,541	,961	13,734	71,541	1,358	19,406	71,541	0,271253

Таблица 3 Матрица собственных векторов категории состояния социальной сферы

	Компонента
	1	2	3
x1	,478	,185	,048
x2	,412	,078	,081
x3	-,127	,392	-,029
x4	,210	,754	-,080
x5	,036	-,210	,596
x6	-,259	-,082	,408
x7	,066	,155	,474

Приложение 4

Метод главных компонент для показателя развитости инфраструктуры

Таблица 1 Матрица парных коэффициентов корреляции для показателей развитости инфраструктуры

	X1	X2	X3	X4	X5	X6
X1	1	-,325**	-,364**	,063	,034	,091
X2	-,325**	1	,344**	-,018	,285*	,349**
X3	-,364**	,344**	1	,351**	,089	,393**
X4	,063	-,018	,351**	1	,038	,420**
X5	,034	,285*	,089	,038	1	,448**
X6	,091	,349**	,393**	,420**	,448**	1

** Корреляция значима на уровне 0.01; *. Корреляция значима на уровне 0.05

Таблица 2 Собственные значения и объясненная дисперсия компонент категории развитости инфраструктуры

Компонента	Начальные собственные значения	Суммы квадратов нагрузок извлечения	Суммы квадратов нагрузок вращения	Доля объясненной дисперсии
	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %
1	2,176	36,273	36,273	2,176	36,273	36,273	1,567	26,118	26,118	0,336235
2	1,356	22,600	58,873	1,356	22,600	58,873	1,552	25,871	51,989	0,333054
3	1,128	18,805	77,678	1,128	18,805	77,678	1,541	25,689	77,678	0,330712

Таблица 3 Матрица собственных векторов категории развитости инфраструктуры

	Компонента
	1	2	3
X1	,164	-,608	,092
X2	,339	,367	-,162
X3	-,095	,360	,366
X4	-,165	-,122	,651
X5	,625	-,114	-,169
X6	,367	-,098	,296

Приложение 5

Метод главных компонент для показателя состояния экологии

Таблица 1 Матрица парных коэффициентов корреляции для показателей состояния экологии

	X1	X2	X3	X4	X5
X1	1	,396**	-,115	,033	,164
X2	,396**	1	-,230*	,115	,250*
X3	-,115	-,230*	1	-,093	-,197
X4	,033	,115	-,093	1	,021
X5	,164	,250*	-,197	,021	1

** Корреляция значима на уровне 0.01; *. Корреляция значима на уровне 0.05

Таблица 2 Собственные значения и объясненная дисперсия компонент категории состояния экологии

Компонента	Начальные собственные значения	Суммы квадратов нагрузок извлечения	Суммы квадратов нагрузок вращения	Доля объясненной дисперсии
	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %	Итого	% Дисперсии	Кумулятивный %
1	1,718	34,352	34,352	1,718	34,352	34,352	1,389	27,780	27,780	0,381544
2	1,000	20,008	54,360	1,000	20,008	54,360	1,228	24,570	52,350	0,337458
3	,922	18,449	72,809	,922	18,449	72,809	1,023	20,459	72,809	0,280999

Таблица 3 Матрица собственных векторов категории состояния экологии

	Компонента
	1	2
X1	,453	-,157
X2	,451	,072
X3	-,229	-,319
X4	-,146	,908
X5	,373	-,064

Приложение 6

Метод главных компонент для интегрального показателя качества жизни

Таблица 1 Матрица парных коэффициентов корреляции для интегрального показателя качества жизни

	Качество населения	Уровень благосостояния	Состояния социальной сферы	Уровень доступности услуг	Состояние экологии

Подобные документы

• Статистическое изучение взаимосвязи инноваций и уровня жизни населения

  Понятия инноваций и уровня жизни населения. Система показателей, характеризующая связь инноваций с уровнем жизни. Анализ уровня жизни населения в Российской Федерации и в ее регионах. Моделирование влияния инноваций на уровень жизни населения в России.
  
  дипломная работа [2,1 M], добавлен 13.10.2016
  

• Экономическая оценка уровня и качества жизни населения Ставропольского края

  Подходы к определению уровня и качества жизни населения. Сравнительный анализ показателей уровня и качества жизни населения Ставропольского края и России в целом. Приоритетные меры по повышению уровня и качества жизни населения Ставропольского края.
  
  дипломная работа [1,4 M], добавлен 06.02.2018
  

• Уровень и качество жизни населения

  Теоретические подходы к определению уровня и качества жизни населения, индикаторы их измерения. Показатели уровня и качества жизни населения России: совокупность экономических отношений. Основные направления повышения уровня жизни населения России.
  
  курсовая работа [136,7 K], добавлен 03.10.2010
  

• Исследование качества жизни населения региона (на примере Свердловской области)

  Определение, сущность и структура понятий "уровень жизни" и "качество жизни населения". Основные показатели уровня жизни и качества жизни населения. Факторы территориальной дифференциации качества жизни населения на примере Свердловской области.
  
  курсовая работа [355,4 K], добавлен 21.07.2015
  

• Уровень жизни населения и его региональные особенности

  Концептуальные аспекты и системы показателей уровня жизни населения. Методики оценки уровня и качества жизни населения. Анализ и оценка основных показателей уровня жизни населения Тюменской области и России в целом. Меры повышения уровня жизни населения.
  
  курсовая работа [1,9 M], добавлен 20.04.2011
  

• Уровень качества жизни как основа благосостояния населения

  Качество жизни населения, его социальная составляющая и оценка. Значение изучения динамики и качества уровня жизни населения, его прогнозирование. Показатели уровня и качества жизни населения Республики Беларусь, основные направления его повышения.
  
  курсовая работа [1,4 M], добавлен 19.10.2011
  

• Качество жизни населения

  Сущность качества жизни как социально-экономической категории и ряд ее особенностей. Уровни и система показателей "качества жизни". Важнейшие парадигмы и индекс развития человеческого потенциала. Меры по совершенствованию "качества жизни населения".
  
  курсовая работа [205,9 K], добавлен 23.09.2010
  

• Индекс развития человеческого потенциала

  Анализ индекса развития человеческого потенциала как интегрального показателя качества жизни населения. Характеристика этого статистического показателя в Докладах Программы развития Организации Объединенных Наций. Итоги развития ИРЧП за 1980-2010 гг.
  
  контрольная работа [233,1 K], добавлен 15.02.2014
  

• Анализ уровня и качества жизни населения России

  Уровень и качество жизни: понятие и сущность. Интегральный и частный подходы к познанию этих понятий. Факторы, определяющие динамику качества жизни населения. Оценка занятости населения и безработицы. Разработка направлений снижения уровня бедности.
  
  дипломная работа [83,5 K], добавлен 01.12.2014
  

• Статистический анализ уровня и качества жизни населения Российской Федерации

  Показатели уровня и качества жизни населения в современных условиях. Статистический анализ уровня и качества жизни населения Российской Федерации за период 2000-2013 гг. Анализ динамики и структуры доходов и расходов населения, оценка качества его жизни.
  
  курсовая работа [248,3 K], добавлен 11.02.2015
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам