CC BY
13
УДК 614.841
РЕГРЕССИОННЫЙ АНАЛИЗ ФАКТОРОВ ОКАЗЫВАЮЩИХ ВЛИЯНИЕ НА ТРУДОЗАТРАТЫ ПРИ ПРОВЕРКАХ ОРГАНОВ МЕСТНОГО САМОУПРАВЛЕНИЯ НИЖЕГОРОДСКОЙ ОБЛАСТИ
С. В. РЕПИН1, Г. Н. ЛАХВИЦКИЙ2, К. Г. БУРЛАЧЕНКО1, М. Д. ПАВЛИКОВА3
1 Академия ГПС МЧС России, Российская Федерация. г. Москва 2 Главное управление МЧС России по Нижегородской области, Российская Федерация, г. Нижний Новгород
3 ФГБОУ ВО «Волжский государственный университет водного транспорта», Российская Федерация, г. Нижний Новгород Е-mail: repin52@yandex.ru; egor70288@mail.ru; ksenia_burlachenko@mail.ru; pavlikova9797@mail.ru
Проблема регулирования штатной численности подразделений надзорной деятельности МЧС России находится в центре внимания руководства министерства. Особую актуальность данные вопросы приобрели после вступления в силу Федерального закона «О государственном контроле (надзоре) и муниципальном контроле в Российской Федерации», принципиально изменившем процедуру проведения проверки. В статье описан опыт применения метода регрессионного анализа факторов, оказывающих влияние на трудозатраты сотрудников при проведении надзорных мероприятий в отношении органов местного самоуправления, на примере ГУ МЧС России по Нижегородской области. Результаты исследования свидетельствуют о том, что построенная модель регрессии применима для прогнозирования трудозатрат инспектора на проведение проверок в отношении органов местного самоуправления. Кроме того, полученные данные могут использоваться при принятии управленческих решений по приобретению (распределению) служебных транспортных средств для подразделений надзорной деятельности.
Ключевые слова: трудозатраты, регрессионный анализ, управление, надзор за ОМС, эффективность, оптимизация
REGRESSION ANALYSIS OF FACTORS INFLUENCING LABOR COSTS DURING INSPECTIONS OF MUNICIPAL AUTHORITIES OF THE NIZHNY NOVGOROD REGION
S. V. REPIN1, G. N. LAKHVITSKY2, K. G. BURLACHENKO1, M. D. PAVLIKOVA3
1 State Fire Academy of EMERCOM of Russia, Russia, Moscow,
The Main Directorate of EMERCOM of Russia in the Nizhny Novgorod region, Russian Federation, Nizhny Novgorod 3 Volga State University of Water Transport, Russian Federation, Nizhny Novgorod Е-mail: repin52@yandex.ru; egor70288@mail.ru; ksenia_burlachenko@mail.ru; pavlikova9797@mail.ru
The problem of regulating the staffing of the supervisory activity units of the Ministry of Emergency Situations of Russia is in the focus of attention of the Ministry's leadership. These issues became particularly relevant after the entry into force of the Federal Law "On State Control (Supervision) and Municipal Control in the Russian Federation", which fundamentally changed the procedure for conducting an audit. The article describes the experience of using the method of regression analysis of factors affecting the labor costs of employees when conducting supervisory activities in relation to local governments, using the example of the EMERCOM of Russia in the Nizhny Novgorod region. The results of the study indicate that the constructed regression model is applicable for predicting the inspector's labor costs for conducting inspections in relation to local self-government bodies. In addition, the data obtained can be used in making managerial decisions on the acquisition (distribution) of official vehicles for supervisory activity units.
© Репин С. В., Лахвицкий Г. Н., Бурлаченко К. Г., Павликова М. Д., 2022
Key words: labor costs, regression analysis, management, supervision of local governments, efficiency, optimization
Оптимизация организационно-штатной структуры подразделений надзорной деятельности МЧС России продолжается на протяжении последнего десятилетия1. При этом, какой-либо видимой взаимосвязи между количеством проводимых контрольных (надзорных) мероприятий (далее - КНМ, проверки), количеством объектов надзора и численностью (фактической и штатной) инспекторского состава не наблюдается. Динамика численности личного состава подразделений надзорной деятельности МЧС России2, количества объектов надзора и проверок представлена на рис. 1.
Корреляционный анализ [1] численности инспекторского состава с основными показателями деятельности (количество КНМ и объектов надзора), представленный в табл. 1, показывает, что взаимосвязь между количеством инспекторского состава и проводимых в текущем году плановых КНМ находится на умеренном уровне (по качественной шкале Чеддока), а коэффициент детерминации составляет всего 0,13 для штатной и 0,23 факти-
ческой численности персонала. Таким образом, все переменные почти на 80 % зависят от других, не учтенных в модели факторов [2].
В свою очередь, взаимосвязь между количеством объектов надзора и количеством проводимых КНМ имеет обратную корреляционную зависимость, т.е. при увеличении числа объектов надзора, количество плановых КНМ снижается и наоборот. Следовательно, статистически значимые взаимосвязи, между ключевыми исходными данными, учитываемыми при расчете необходимого и фактического фонда рабочего времени подразделений надзорной деятельности МЧС России и регулирование организационно-штатной структуры, отсутствуют.
Таким образом, для корректировки существующих методик определения оптимальной штатной численности инспекторского состава [3], необходимо исследовать степень влияния на трудозатраты различных факторов, в том числе материально-технического характера.
си ю
о
и си
о
2011 2012 2013 2014 2015
2016 Год
2017 2018
Л
2019 2020
2021
20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 0
гч-ц-ц-1 Кол-во плановых КНМ — — кол-во инспекторов штат
™™ Количество объектов надзора *10 кол-во инспекторов факт
Рис. 1. Динамика численности личного состава подразделений надзорной деятельности МЧС России,
количества объектов надзора и проверок
1
Паспорт приоритетной программы «Реформа контрольной и надзорной деятельности» (приложение к протоколу президиума Совета при Президенте РФ по стратегическому развитию и приоритетным проектам от 21.12.2016 № 12) [Электронный ресурс], URL: https://base.garant.ru/71682144/ (дата обращения 11.07.2022)
Составлено по данным ГАИС «Управление» раздел «Мониторинг контрольно-надзорной деятельности», строка 59 [Электронный ресурс], URL: https://gasu.gov.ru/infopanel?id=11824
3 Государственный надзор МЧС России в 2021 г.: информ. сб. Балашиха: ФГБУ ВНИИПО МЧС России, 2022. 263 с. // [Электронный ресурс], URL: http://www.vniipo.ru/ufiles/ufiles/Reestry/Sbornik-2021_ nadzor.pdf (дата обращения: 11.07.2022)
Таблица 1. Корреляционная матрица (корреляция Пирсона) взаимосвязи численности личного состава подразделений надзорной деятельности МЧС России, количества объектов надзора и проверок
Количество КНМ Количество объектов Численность штат Численность факт
Количество КНМ 1
Количество объектов -0,70885 1
Численность штат 0,364877 -0,6983 1
Численность факт 0,463886 -0,7818 0,979948 1
2 Коэффициент детерминации R
Количество КНМ 1 0 0 0
Количество объектов 0,502462 1 0 0
Численность штат 0,133135 0,487621 1 0
Численность факт 0,21519 0,611212 0,960299 1
В настоящей статье, приведены результаты исследования оценки степени влияния таких факторов, как наличие в подразделении надзорной деятельности служебного автомобиля и площади сельских населенных пунктов, находящихся на обслуживаемой территории.
Для оценки степени влияния технических факторов, проведем анализ трудозатрат на организацию КНМ в отношении органов местного самоуправления. Анализ зависимости трудозатрат (по результатам опроса подразделений надзорной деятельности ГУ МЧС России по Нижегородской области) от площади и типа населенного пункта, а также наличия транспортного средства, представленного на рис. 2, показал, что для городских поселений время обследования не имеет какой-либо устойчивой взаимосвязи с площадью и наличием транспортного средства. Возможно, из-за не значительной разницы в их площадях.
Анализ графика, представленного на рис. 3, позволяет предположить, что для сельских населенных пунктов данная зависимость прослеживается. Для проверки наличия и величины взаимосвязи воспользуемся методами дисперсионного [4], корреляционного и регрессионного анализа [5].
Статистические данные получены путем опроса сотрудников подразделений
надзорной деятельности ГУ МЧС России по Нижегородской области, осуществляющих надзор за реализацией органами местного самоуправления полномочий в области пожарной безопасности [6]. Выборка составляет 119 респондентов, при генеральной совокупности 168 сотрудников. Размер выборки обеспечивает доверительную вероятность («надежность») равную 95 %, при ошибке оценки доверительного интервала 5 %.
Проверим наличие различий между средними показателями групп по наличию служебного автомобиля. Диаграмма рассеяния, представленная на рис. 3, свидетельствует о том, что различия между средними арифметическими показателями трудозатрат составляет 335 минут, а между медианами -415 минут.
Проверим наличие различий в средних, методом дисперсионного анализа, в качестве нулевой гипотезы принимается утверждение: «среднее время обследования сельского населенного пункта, не зависит от его площади и наличия (отсутствия) служебного автомобиля».
Результаты двухфакторного дисперсионного анализа, проведенного при помощи программного обеспечения MS Excel, представлены в табл. 2
4000
с 3500
X
л
et CD 3000
Ei
о
^ с 2500
ОС
S
X та 2000
m
О
et
си ^ 1500
и
ю
о
ОС 1000
2
си
.
m 500
0
Площадь НП
500 450 400 350 300 250 200 150 100 50 0
I ГО О! 1Л Н I ГО О! 1Л Н I ГО О! 1Л Н I ГО О! 1Л Н I ГО О! 1Л Н I ГО О! 1Л Н I го
номер респондента
Количество сельских НП Время обследования
и си т S
о
Рис. 2. Зависимость времени обследования населенного пункта от его площади и типа
3000
2500
| 2000 (И
m О
et
си
5 1500
Ю
о
ОС 2
о. 1000 со
500
Количество сельских НП
Номер респондента
Время обследования
ю н ш н 1223
транспорт
си
ю о
(И X ■О X
ю
CU
36 >
55
о m I-
и OJ
о
Рис. 3. Зависимость времени обследования сельского населенного пункта от его площади и наличия служебного автомобиля
1
1
1
1
0
0
0
0
Рис. 4. Диаграмма рассеяния
Таблица 2. Дисперсионный анализ (двухфакторный)
Источник вариации SS df MS F P-Значение F критическое
Строки (время обследования) 76470567 118 648055,6 2,616167 1,9319E-10 1,292
Столбцы (факторы: количество сельских НП, наличие ТС) 1,55E+08 2 77542916 313,0367 4,0680E-67 3,034
Погрешность 58460001 236 247711,9
Итого 2,9E+08 356
Поскольку вероятность достоверности (Р-Значение) нулевой гипотезы значительно ниже предельного значения допустимой ошибки (0,05), нулевая гипотеза отвергается. Кроме того, поскольку F-статистика больше критического значения [7], соответствующего выбранному уровню значимости, дисперсии случайных величин признаются не одинаковыми.
Далее построим корреляционную матрицу (табл. 3) взаимной зависимости величин (У - время обследования; XI - наличие или отсутствие ТС; Х2 - площадь населенного пункта)
В результате анализа корреляционной матрицы установлено, что наибольший парный коэффициент корреляции наблюдается между переменными Y (время обследования) и X2 (площадь населенного пункта). Парный коэффициент корреляции между переменными Y (время обследования) и X1 (наличие служебного автомобиля) не только значительно ниже, но и является обратным, т.е. при увеличении переменной X1 (отсутствие ТС=1, наличие ТС=2) время обследования уменьшается. Теснота взаимосвязи переменных по шкале Чеддо-ка — высокая и заметная, соответственно.
Далее при помощи пакета анализа данных MS Excel построим многофакторную регрессионную модель, в которой зависимая переменная - Y время обследования сельских населенных пунктов.
Определим коэффициенты уравнения регрессии.
Y = р0 + P1-X1 + P2-X2 . (1.1)
Таблица 3. Корреляционная матрица (корреляция Пирсона)
Y X1 X2
Y 1,000
X1 -0,454 1,0 00
X2 0,771 -0,121 1,0 00
Результаты множественной регрессии в численном виде представлены в табл. 4.
Таблица 4. Результаты множественной регрессии
Y-пересечение Переменная X1 Переменная X 2
Коэффициенты 791,9276 -532,815 0,465992
Стандартная ошибка 107,7473 71,26712 0,031396
^статистика 7,34986 -7,4763 14,84259
Р-Значение 3,02E-11 1,58E-11 1,4E-28
Нижние 95 % 578,5205 -673,968 0,403809
Верхние 95 % 1005,335 -391,661 0,528175
Нижние 95,0 % 578,5205 -673,968 0,403809
Верхние 95,0 % 1005,335 -391,661 0,528175
Регрессионная статистика
Множественный R 0,852081
Р-квадрат 0,726041
Нормированный R-квадрат 0,721318
Стандартная ошибка 304,7446
Наблюдения 119
Дисперсионный анализ
df SS MS F Значимость F
Регрессия 2 28550034 14275017 153,7109 2,43E-33
Остаток 116 10772837 92869,28
Итого 118 39322871
В соответствии с данными табл. 4 уравнение регрессии будет иметь следующий вид:
У = 791,9276 + (-532,815)Х1 +
+ 0,465992X2 . (1.2)
Уравнение (1.2) выражает зависимость времени обследования сельского населенного пункта ^ от наличия служебного автомобиля (Х1) и площади населенных пунктов (Х2). Коэффициенты уравнения показывают количественное воздействие каждого фактора на результативный показатель при неизменности других. Анализ табличных данных показывает, что среднее время проведения обследования уменьшается на 532,815 минуты при наличии служебного транспорта, при неизменности показателя площади населенного; и увеличивается на 0,465992 минут при увеличении площади населенного пункта на каждый квадратный километр при неизменности показателя Х1 (наличие служебного транспорта). Случайное отклонение для коэффициента при переменной Х1 составляет 71,26712; при переменной Х2 - 0,031396; для свободного члена -107,7473.
Определим значимость уравнения регрессии, путем сопоставления табличного значения критерия Стьюдента и расчетной 1-статистики.
Табличное значение критерия Стью-дента, соответствующее доверительной вероятности Y = 0,95 и числу степеней свободы
v=n-m-1=116
(1.3)
составляет: tкр.=1,980. Таким образом, все коэффициенты уравнения регрессии являются значимыми.
Поскольку коэффициент детерминации (Р2=0,726041) и скорректированный на потерю степеней свободы коэффициент множественной детерминации (AR2=0,721318) превышают уровень 0,7, то можно сделать вывод, что по качественной шкале Чеддока, между переменными имеется высокая сила связи. Другими словами, это означает, что на долю вариации факторных (исследуемых) признаков приходится большая часть по сравнению с остальными неучтенными в модели факторами, влияющими на изменение результативного показателя. Построенная регрессионная модель имеет высокое практическое значение.
Поскольку Р-Значение многократно менее уровня допустимой ошибки (0,05), гипотеза о нулевом коэффициенте регрессии по всем переменным отвергается, а все значения переменных являются статистически значимыми. Аналогичные выводы о статистической значимости уравнения регрессии, можно сделать при анализе значения критерия Фишера (Р=153,7109).
Далее оценим остатки модели регрессии на наличие автокорреляции используя значение статистики Дарбина-Уотсона.
DW :
I(e ~ei-if _ 1744723293
I e
1071731543
: 1 ,6 3. (1.4)
По таблице критических значений статистики Дарбина-Уотсона [8] определяем точки ^ и du для 5% уровня значимости.
Для т = 2 и п = 100: dL = 1,63; ^ = 1,72.
Так как DW ^ (1,63<1,63), гипотеза о независимости случайных отклонений принимается (следовательно, положительная автокорреляция случайных отклонений отсутствует).
Вывод
Проведенное исследование подтверждает, что между временем проведения КНМ, количеством, площадью, находящихся на обслуживании подразделения надзорной деятельности, сельских населенных пунктов, а также наличием служебного транспорта, существует устойчивая взаимосвязь. Данный факт подтверждается коэффициентом детерминации (Р2=0,73).
Наличие статистических взаимосвязей и полученное уравнение регрессии позволяет прогнозировать трудозатраты инспектора на проведение проверок в отношении органов местного самоуправления, а также принимать рациональные управленческие решения по выделению бюджетных средств на приобретение служебных автомобилей или перераспределение уже имеющихся между подразделениями надзорной деятельности.
Представленные в работе результаты показывают, что методы дисперсионного, корреляционного и регрессионного анализа применимы для прогнозирования трудозатрат государственного инспектора по пожарному надзору и могут быть использованы для разработки методик оптимизации организационно-штатной структуры подразделений надзорной деятельности МЧС России.
Список литературы
1. Березин В. В. Использование корреляционно-регрессионного анализа для разработки норм труда // HumanProgress, 2016. С. 111. URL: https://cyberleninka.ru/article/n/ ispol-zovanie-korrelyatsionno-regressionnogo-analiza-dlya-razrabotki-norm-truda (дата обращения: 18.06.2022).
2. Баврина А. П., Борисов И. Б. Современные правила применения корреляционного анализа // Медицинский альманах, 2021. № 3 (68). С. 70-78. URL https://cyberleninka.ru/ article/n/sovremennye-pravila-primeneniya-korrelyatsionnogo-analiza/viewer (дата обращения: 08.07.2022).
3. О методике обоснования численности инспекторского состава органов государственного пожарного надзора / А. А. Порошин, Е. В. Козырев, О. В. Петрова // Технологии тех-носферной безопасности: интернет-журнал. 2017. Вып. 2 (72). С. 209-214. URL: http://agps-2006.narod.ru/ttb/2017-2/05-02-17.ttb.pdf (дата обращения: 25.06.2022).
4. Шеффе Г. Дисперсионный анализ. М.: Наука, 1980. 512 с.
5. Прозорова Ю. Ю., Хомяченко А. А. Использование корреляционно-регрессионного анализа в процессе анализа эффективности использования трудовых ресурсов предприятия // Таврический научный обозреватель, № 3 (20), 2017. С. 32-35. URL: https://cyberleninka. ru/article/n/ispolzovanie-korrelyatsionno-regressionnogo-analiza-v-protsesse-analiza-effektivnosti-ispolzovaniya-trudovyh-resursov-predpriyatiya (дата обращения: 04.07.2022).
6. Репин С. В., Лахвицкий Г. Н. О разработке метода определения фактических трудозатрат инспекторского состава и описание упрощенной математической модели определения штатной численности подразделений надзорной деятельности МЧС России // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления, 2021, № 39. С. 169-188, DOI: 10.15593/2224-9397/2021.3.09 (дата обращения: 25.06.2022).
7. Балдин К. В., Башлыков В. Н., Рукосуев А. В. Теория вероятностей и математическая статистика: учебник. М.: Дашков и К, 2014. 473 c.
8. Практикум по эконометрике. Под редакцией И. И. Елисеевой М.: Финансы и статистика, 2007. 343 с.
References
1. Berezin V. V. Ispol'zovaniye korrelyatsionno-regressionnogo analiza dlya raz-rabotki norm truda [Using correlation and regression analysis to develop labor standards]. Human Progress, 2016, pp. 1-11. URL: https://cyber leninka.ru/article/n/ispolzovanie-korrelyatsionno-regressionnogo-analiza-dlya-razrabotki-norm-truda (data obrashheniya: 18.06.2022).
2. Bavrina A. P., Borisov I. B. Sovremen-ny'e pravila primeneniya korrelyacionnogo analiza [Modern rules for applying correlation analysis]. Medicinskij al'manax, 2021, vol. 3 (68), pp. 7078. URL https://cyberleninka.ru/article/n/sov-remennye-pravila-primeneniya-korrelyatsionnogo-analiza/viewer (data obrashheniya: 08.07.2022).
3. O metodike obosnovaniya chislennosti inspektorskogo sostava organov gosudarstven-nogo pozharnogo nadzora [On the methodology for substantiating the number of inspectors of state fire supervision bodies] / A. A. Poroshin, E. V. Kozy'rev, O. V. Petrova [et al.]. Texnologii texnosfernoj bezopasnosti: internet-zhurnal, 2017, vol. 2 (72), pp. 209-214. URL: http://agps-2006.narod.ru/ttb/2017-2/05-02-17.ttb.pdf (data obrashheniya: 25.06.2022).
4. Sheffe G. Dispepsionny'j analiz [Analysis of variance]. M.: Nauka, 1980. 512 p.
5. ProzorovaYu. Yu., Xomyachenko A. A. IspoPzovanie korrelyacionno-regressionnogo analiza v processe analiza effektivnosti ispoPzovaniya trudovy'x resursov predpriyatiya [The use of correlation and regression analysis in the process of analyzing the efficiency of using the labor resources of an enterprise]. Tavricheskij nauchny'j obozrevatel', 2017, vol. 3 (20), pp. 3235 URL: https://cyberleninka.ru/article/n/ispol-zovanie-korrelyatsionno-regressionnogo-analiza-v-protsesse-analiza-effektivnosti-ispolzovaniya-trudovyh-resursov-predpriyatiya (data obrash-heniya: 04.07.2022).
6. Repin S. V., Laxviczkij G. N. O raz-rabotke metoda opredeleniya fakticheskix trudozatrat inspektorskogo sostava I opisanie up-roshhennoj matematicheskoj modeli opredeleniya shtatnoj chislennosti podrazdelenij nadzornoj deyatePnosti MChS Rossii [On the development of a method for determining the actual labor costs of the inspector staff and a description of a simplified mathematical model for determining the staffing level of units of supervisory activities of the EMERCOM of Russia]. Vestnik Permskogo nacional'nogo issledovatel'skogo politexnich-eskogo universiteta. E'lektrotexnika, informacion-ny'etexnologii, sistemy' upravleniya, 2021, issue 39, pp. 169-188. DOI: 10.15593/22249397/2021.3.09 (data obrashheniya: 25.06.2022).
7. Baldin K. V., Bashlykov V. N., Rukos-uev A. V. Teoriya veroyatnostej i matematich-eskaya statistika: uchebnik [Probability Theory and Mathematical Statistics: textbook]. M.: Dashkov i K, 2014, 473 p.
8. Praktikum po e'konometrike [Workshop on econometrics]. Pod redakciej I. I. Eli-seevoj. M.: Finansy' i statistika, 2007, 343 p.
Репин Сергей Викторович (ORCID 0000-0002-6911-8053)
Академия ГПС МЧС России
Российская Федерация, Москва
адъюнкт кафедры информационных технологий
E-mail: repin52@yandex.ru
Repin Sergey Viktorovich (ORCID 0000-0002-6911-8053) State Fire Academy of EMERCOM of Russia, Russian Federation, Moscow Adjunct of the Department of Information Technology E-mail: repin52@yandex.ru
Лахвицкий Георгий Николаевич (ORCID 0000-0001-6762-9848) Главное управление МЧС России по Нижегородской области Российская Федерация, Нижний Новгород
заместитель начальника отдела надзорных мероприятий в области гражданской обороны, защиты населения и территорий от чрезвычайных ситуаций управления надзорной деятельности и профилактической работы E-mail: egor70288@mail.ru
Lakhvitsky Georgy Nikolaevich (ORCID 0000-0001-6762-9848)
The Main Directorate of the Ministry of EMERCOM of Russia in the Nizhny Novgorod
region Nizhny Novgorod, Russian Federation
Deputy Head of the Department of Supervision Measures in the Field of Civil Defense, Protection of the Population and Territories from Emergency Situations of the Department of Supervision and Preventive Work E-mail: egor70288@mail.ru
Бурлаченко Ксения Григорьевна (ORCID 0000-0001-9913-8293)
Академия ГПС МЧС России
Российская Федерация, Москва
адъюнкт кафедры информационных технологий
E-mail: ksenia_burlachenko@mail.ru
Burlachenko Ksenia Grigorievna (ORCID 0000-0001-9913-8293) State Fire Academy of EMERCOM of Russia, Russian Federation, Moscow
Adjunct of the Department of Information Technology E-mail: ksenia_burlachenko@mail.ru
Павликова Мария Дмитриевна (ORCID 0000-0002-4585-6692)
ФГБОУ ВО «Волжский государственный университет водного транспорта»
Российская Федерация, Нижний Новгород
аспирант кафедры охраны окружающей среды и производственной безопасности E-mail: pavlikova9797@mail.ru
Pavlikova Maria Dmitrievna (ORCHID 0000-0002-4585-6692) Volga State University of Water Transport Russian Federation, Nizhny Novgorod
Postgraduate student of the Department of Environmental Protection and Industrial Safety E-mail: pavlikova9797@mail.ru
