Событийная оценка состояния городов России по комплексу социально-экономических показателей Текст научной статьи по специальности «Экономика и бизнес»

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ SYSTEM ANALYSIS AND PROCESSING OF KNOWLEDGE

УДК 303.732.4: 001.51:519.2:332.14

СОБЫТИЙНАЯ ОЦЕНКА СОСТОЯНИЯ ГОРОДОВ РОССИИ ПО КОМПЛЕКСУ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ

EVENT ASSESSMENT OF RUSSIAN CITIES' CONDITION ON A COMPLEX OF SOCIAL AND ECONOMIC INDEXES

А.В. Звягинцева А^. Zviagintseva

Белгородский государственный национальный исследовательский университет, Россия, 308015, Белгород, ул. Победы, 85

Belgorod State National Research University, 85 Pobeda St, Belgorod, 308015, Russia

e-mail: zviagintseva@bsu.edu.ru

Аннотация

Изучены показатели состояния и развития 159 городов Российской Федерации с населением свыше 100 тыс. чел. Собранная информация охватывает данные о 63 показателях муниципальных образований России за период с 2003 по 2015 гг., представленные Федеральной службой государственной статистики. Предложен метод комплексной оценки городов на основе определения вероятности индикативных событий, отличающийся представлением состояния объектов через совокупность показателей и совместные события их одновременного наблюдения. Выполнено многопараметрическое ранжирование городов по комплексу социально-экономических показателей. В процессе анализа данных установлено, что возможно получение вероятностных распределений совместных событий наблюдения нескольких атрибутивных показателей и установление связи вероятности таких событий с показателями состояния городов. Полученные результаты позволяют предложить объективный метод комплексной оценки городов и построить систему анализа их состояния.

Abstract

The indicators of the state and development of 159 cities in Russian Federation with over 100 thousand people population were studied. The collected information covers data on 63 Russian municipal entities indicators for the period from 2003 to 2015, presented by the Federal State Statistics Service. The method of cities complex estimation is proposed on the determining of indicative events probability basis, differing in the representation of the objects state through several indicators simultaneous observation joint events. The multi-parametrical cities ranking on the socio-economic indicators set was carried out. In the data analysis process was established that it is possible to obtain joint events probabilistic distributions of several attributive indicators observation and to establish the connection between the such events probability and the cities state indicators. The results obtained make it possible to propose an objective method for the integrated assessment of cities and to construct a system for analyzing their state.

Ключевые слова: комплексная оценка городов и муниципальных образований, многопараметрическое ранжирование, совместные события и их вероятности, статистические данные.

Keywords: complex estimation of cities and municipalities, multiparametric ranking, joint events and their probabilities, statistical data.

Введение

Особенностью современного этапа социально-экономического развития городов является рост открытости их экономики и усиливающиеся процессы глобализации на фоне

крайне неравномерного развития регионов мира. Все это ведет к новым возможностям и угрозам для развития городов. Муниципальные образования должны быть готовы к конкуренции со стороны городов-соседей, к переменам в законодательстве, значительным изменениям в работе предприятий и сферы услуг, а также к вызовам, связанным с формирующейся новой социально-экономической средой. Наличие четких целей и приоритетов в экономике и социальной политике улучшает конкурентные позиции городов на внутреннем и внешнем рынках, позволяет эффективно выстраивать отношения с бизнесом, инвесторами, финансовыми организациями, адекватно реагировать на стратегические вызовы.

В городах, которые приняли к руководству принципы устойчивого развития, на первое место выходит обеспечение высокого уровня и качества жизни горожан при сохранении природных систем. В этом плане развитый город представляется по меркам страны городом с высокими доходами и небольшой стоимостью проживания, территорией с развитой транспортной инфраструктурой и благоустроенными общественными и зелеными зонами, с общедоступным и высоким качеством услуг в области образования, здравоохранения и жилищно-коммунальной сферы, а также с комфортными санитарно-гигиеническими условиями окружающей среды и разнообразной природной средой пригородов. Такие развитые города и населенные пункты видятся адаптированными для жизни, безопасными, жизнестойкими и устойчивыми.

Очевидно, что качество жизни, в первую очередь, неразрывно связано с уровнем доходов горожан и формированием городского бюджета. Богатые города больше и охотнее вкладывают средства в развитие инфраструктуры, энергосберегающие технологии, решение социальных и экологических проблем. Успешные города в Европе, как правило, не очень велики, их население не превышает 1 - 3 млн чел., однако они имеют ВВП от 20 - 25 тыс. долларов на душу населения по паритету покупательной способности (ППС). В свою очередь, уровень ВВП на душу населения (по ППС) в Москве в 2014 г. составлял $45 803, а в Санкт-Петербурге - $22 600. Все остальные города России (за исключением Южно-Сахалинска, Ханты-Мансийска, Сургута, Норильска и Петропаловска-Камчатского) имеют значения удельного ВВП на душу населения (по ППС) от $2 500 до $12 000. С данным показателем тесно связана среднемесячная начисленная заработная плата, которая для городов России в 2015 г. составляла от 18900 до 78800 руб. Из выполненного анализа следует, что только отдельные города России могут за ближайшие 5 - 10 лет достигнуть показателей удельного ВВП на душу населения (по ППС) от $20 000 до $25 000, однако такая цель должна формироваться уже сегодня.

Все описанное выше подчеркивает актуальность оценки городов по комплексу социально-экономических показателей, которые, в принципе, являются разноплановыми. Такие показатели имеют разные единицы измерения (численности, протяженности, стоимости, доли единиц и т. д.). Сравнение разноплановых показателей возможно только на основе представления наблюдаемых их значений в виде событий, для которых можно оценить вероятности по имеющимся статистическим данным. Это позволяет обрабатывать имеющуюся статистическую информацию, основываясь на вероятностных закономерностях процессов развития городов.

Таким образом, целью данной статьи является разработка метода комплексной оценки и ранжирования городов на основе определения вероятности индикативных событий, характеризующих состояние городов России. При этом в качестве индикативных событий рассматриваются совместные события наблюдения нескольких социально-экономических показателей. Другими словами, считается, что информацию о состояниях объектов могут нести в себе как данные в виде показателей, так и различные факты в виде событий. Связь между вероятностями событий и данными позволяет предложить математические модели процессов развития городов.

Данные и методика обработки информации

Анализ информации о состоянии и развитии городов России основывался на данных Федеральной службы государственной статистики [База..., 2017]. На основе этого источника

сформирован массив данных, характеризующих состояние экономики, социальной и жилищно-коммунальной сферы городов с населением свыше 100 тыс. чел. (всего 159 городов).

Для каждого города использовалась информация по 63 показателям, которые входят в 11 групп статистической информации:

• общие социально-экономические показатели (10 показателей);

• демография (5 показателей);

• трудовые отношения (3 показателя);

• уровень жизни населения и социальная сфера (17 показателей);

• основные фонды (4 показателя);

• предприятия и организации (1 показатель);

• добыча полезных ископаемых, обрабатывающие производства, производство и распределение электроэнергии, газа и воды (5 показателей);

• строительство (8 показателей);

• городской пассажирский транспорт (4 показателя);

• торговля (4 показателя);

• инвестиции (2 показателя).

Имеющиеся данные охватывали период времени с 2003 по 2015 гг., таблицы данных «города - показатели» формировались с шагом один год. Общий объем анализируемой информации составил более 200 тыс. наблюдений. В процессе первичной обработки статистических данных выполнены следующие виды исследований: статистическое описание исходных данных с определением основных характеристик и пределов варьирования переменных; анализ резко выделяющихся наблюдений; проверка однородности исходных данных; анализ одномерных эмпирических распределений исследуемых показателей; нахождение вероятности простых событий наблюдения каждого из показателей; выбор наиболее влияющих (атрибутивных) показателей и приемлемых методов дальнейшего статистического анализа информации.

Определение атрибутивных показателей для описания массива данных основывалось на рекомендациях специалистов, исследовавших процессы урбанизации [Forrester, 1969; Яйли, 2006; Guide, 2006; Казанская и др., 2011; Urban, 2011; Битюкова, 2012; Joss, 2012; Дружинин, Угольницкий, 2013; Глазырин, 2016; Eurostat..., 2017], изучении вариабельности показателей, анализе корреляционных связей между показателями и вероятностями индикативных событий. Показатели, имеющие слабую изменчивость с течением времени (вариабельность), не рассматривались как атрибутивные. Корреляционные связи между значениями показателей и вероятностями событий наблюдения соответствующих показателей исследовались на основе анализа многомерных корреляционных матриц. В результате из 63 показателей, характеризующих состояние городов, было отобрано 9, которые при построении моделей событийной оценки приняты в виде атрибутивных величин:

• численность населения pl, тыс. чел.;

• среднегодовая численность работников организаций p9, тыс. чел.;

• среднемесячная номинальная начисленная заработная плата pn, руб.;

• наличие основных фондов организаций p21, млн руб.;

• ввод в действие основных фондов p22 , млн руб.;

• объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами по виду экономической деятельности «Обрабатывающие производства» p26 , млн руб.;

• объем работ, выполненных по виду деятельности «Строительство» p28, млн руб.;

• оборот розничной торговли p30, млн руб.;

• инвестиции в основной капитал p31, млн руб.

В результате статистической обработки данных о состоянии и развитии городов установлено, что приведенные выше показатели имеют значимые взаимосвязи со многими

показателями и могут быть скомпонованы в группы, которые при наблюдении можно рассматривать как сложные совместные события, отражающие особенности городов по определенным аспектам их развития.

Группа показателей (группа 1), охватывающая три показателя: численность работников организаций р9, среднемесячную заработную плату р11 и инвестиции в основной капитал р31, отражала состояние и развитие городов по факту возможности ведения различных видов социально-экономической деятельности. Объединенные в одну группу показатели (группа 2): объем товаров и услуг промышленного производства р26, объем работ, выполненных в строительстве р28, оборот розничной торговли р30 определяли экономический потенциал развития городов. В свою очередь, группа показателей (группа 3), состоящая из показателей: численность населения р1, наличие основных фондов организаций р21 и ввод в действие основных фондов р22 , характеризовала аспект демографического и инфраструктурного состояния и развития городов.

Выполненный анализ показал, что практически во всех случаях значения показателей городов Москва и Санкт-Петербург можно рассматривать как аномальные наблюдения по отношению к основной группе городов России, что вполне естественно, если исходить из особенностей данных городов. Анализ статистических характеристик средних, максимальных и минимальных значений основных показателей, а также среднеквадратичного отклонения указывает на существенную неоднородность и значительный разброс значений социально-экономических показателей для городов России (табл. 1).

Комплексная оценка объектов исследования проводилась на основе выделения индикативных совместных событий, характеризующих состояние городов. Для построения уравнений состояний объектов в виде вероятностных распределений была применена предложенная ранее методика оценки вероятности значимых событий [Звягинцева, 2013; 2у1а§т1Беуа, 2014; Ауепп й а1., 2015; Звягинцева, 2016а, б, в]. В качестве основного индикативного события, характеризующего состояние города в определенном аспекте, принято совместное событие одновременного наблюдения нескольких атрибутивных показателей. Статистическая вероятность совместных событий определялась путем разбиения всего наблюдаемого пространства показателей на прямоугольники (при двух показателях) или параллелепипеды (при трех показателях). Для этого длина всего диапазона наблюдаемых значений переменных от минимального до максимального делилась на одинаковое количество интервалов группирования и в образованных таким образом геометрических фигурах подсчитывалось количество находящихся точек. Относительные частоты находились делением числа этих точек на общее количество всех городов. Принципы, подходы и гипотезы, положенные в основу разработанного метода комплексной оценки и многопараметрического ранжирования, а также используемые алгоритмы приведены в работах [Аверин, 2014; Звягинцева, 2016а, в]. Статистическая вероятность w подсчитывалась кумулятивно во всей группе объектов (159 городов).

Регрессионные зависимости статистической вероятности совместного события наблюдения двух или трех показателей для таблиц данных за каждый из 2003 - 2015 гг. определялись в виде:

где Рг оЬ (пробит) - инверсная функция нормального распределения со средним, равным нулю и дисперсией, равной единице; ^ - статистическая вероятность совместных событий наблюдения показателей р1,р2 или р1,р2,р3, определенная алгоритмически; 5 -энтропия состояния объектов; с0,с1,с2,с3 - эмпирические константы; р1,р2,р3 - выбранные показатели. В качестве опорных величин принимались минимальные значения показателей р = Лтт в группе городов (в столбце данных), которые наблюдались в 2003 году.

ехр|--т ; Рг оЬ = с0 + 5 ; 5 = с1 • 1п— + с2 • 1п—

I 2 ) р,. р2.

р:

(1)

Таблица 1 Table 1

Показатели и статистические характеристики городов России с населением долее 100 тысяч человек

Indicators and statistical characteristics of Russian cities, whch population is more than 100 thousand people

№ п.п. Показатель Кол-во городов Среднее значение Минимум Максимум а Эмпирическое распределение

1 2 3 4 5 6 7 8

1 Численность населения, тыс. чел. 178 418,4 4,80 12108 997,1 Pr ob = -6,843 +1,252 • ln p1; к = 0,992

2 Число родившихся на 1000 чел. населения 178 13,1 3,40 25 2,5 Prob = -15,353 + 6,037 • lnp6; к = 0,997

3 Число умерших на 1000 чел. населения 178 12,0 0,50 20 3,1 k = 0,992 ; Pr ob = 2,281 + 0,998 • 5; 5 = -6,08 • ln p7 + 2,08 • ln2 p7

4 Миграционный прирост, убыль (-) населения, чел. 178 2642,6 -3377,00 108800 9152,5 Pr ob = -5,606 + 0,79 • ln p8 ; к = 0,987

5 Среднегодовая численность работников организаций, тыс. чел. 178 133,2 2,20 4701 387,5 Pr ob = -4,587 +1,104 • ln p9; к = 0,996

6 Численность признанных безработными, чел. 174 1346,2 9,40 24500 2368,7 Pr ob = -8,123 +1,225 • ln p10; к = 0,993

7 Среднемесячная номинальная начисленная зарплата, руб. 178 32082,8 16111,10 81533 12157,4 Pr ob = -38,432 + 3,736 • ln pn ; к = 0,993

8 Средний размер назначенных месячных пенсий, руб. 176 10805,8 101,00 28644 2716,4 Pr ob = -46,204 + 4,978 • ln p12; к = 0,956

9 Численность пенсионеров, тыс. чел. 174 115,6 0,20 2836 243,4 Pr ob = -5,354 +1,264 • ln p13; к = 0,994

10 Общая площадь жилых помещений, приходящаяся в среднем на одного чел., м2 178 23,0 12,50 49 3,8 Pr ob = -25,322 + 8,153 • ln p14; к = 0,989

11 Число дошкольных образо-вательнных организаций 177 84,8 1,00 1097 123,7 Pr ob = -5,086 + 1,265 • ln p15 ; к = 0,996

12 Число детей в дошкольных образов. организац., тыс. чел. 178 28,4 0,30 1738 133,8 Pr ob = -3,104 +1,256 • ln p16; к = 0,997

13 Численность врачей на 10000 чел. населения, чел. 172 57,9 17,70 138 25,9 Pr ob = -10,060 + 2,528 • ln p17; к = 0,986

14 Число больничных организац. 172 16,2 1,00 207 21,1 Pr ob = -2,749 +1,234 • ln p18; к = 0,969

15 Число зарегистрированных преступлений 171 6885,5 73,00 175000 14689,7 Pr ob = -10,837 +1,281 • ln p19; к = 0,964

16 Выявлено лиц, совершивших преступления, чел. 170 2445,0 33,00 37151 3602,7 Pr ob = -9,106 +1,236 • ln p20 ; к = 0,997

17 Наличие основных фондов организаций, млн руб. 178 275204,1 1980,80 9633474 785819,4 Pr ob = -10,222 + 0,891 • ln p21; к = 0,994

18 Ввод в действие основных фондов, млн руб. 178 34435,6 174,80 1419107 120060,6 Pr ob = -8,423 + 0,909 • ln p22; к = 0,978

19 Число предприятий и организаций 178 21949,3 158,00 1173170 92657,4 Pr ob = -7,881 + 0,897 • ln p23; к = 0,995

20 Число перевезенных автобусами за год пассажиров, млн чел. 102 153,6 0,20 11990 1190,9 Pr ob = -1,818 + 0,904 • ln p24; к = 0,991

21 | Й 1 ! ¡¡id Цр g | ^ добыча полезных ископаемых 71 38882,8 9,50 1330198 163353,1 Pr ob = 12,817 +1,01 • 5 ; 5 = -2,96 • ln p25 + 0,177 • ln2 p25; к = 0,998

22 обрабатывающие производства 174 100128,3 3,90 3761464 329350,7 Pr ob = -10,72 +1,07 • ln p26 ; к = 0,979

23 £ * is £ Л S S 3 IPJ 8 производство и распределение электроэнергии, газа и воды 174 16682,3 10,80 561464 45605,6 Pr ob = -9,652 +1,071 • ln p27 ; к = 0,990

24 Объем работ, выполненных по виду деятельности «Строительство», млн руб. 170 14447,6 22,40 674277 60173,0 Pr ob = -7,367 + 0,890 • ln p28; к = 0,996

Окончание табл. 1

1 2 3 4 5 6 7 8

25 Ввод в действие жилых домов, тыс. м2 общей площади 174 239,0 6,10 3146 377,5 Pr ob = -4,722 + 0,974 • ln P29 ; к = 0,983

26 Оборот розничной торговли, млн руб. 177 52679,1 12,20 4016987 308888,7 Pr ob = -8,045 + 0,853 • ln P30 ; к = 0,988

27 Инвестиции в основной капитал, млн руб. 177 33064,3 631,40 1412086 112864,2 Pr ob = -8,483 + 0,903 • ln P31 ; к = 0,992

а - среднеквадратичное отклонение; к - коэффициент корреляции; Prob - пробит вероятности

Согласно результатам работ [Аверин, 2014; Zviagintseva, 2014; Звягинцева, 2016а, б, в] вероятностные распределения (1), представленные через энтропию, позволяют преобразовать нелинейное пространство состояний объектов в линейное, где возможно введение понятия потенциала, отличающегося аддитивностью. При этом зависимости для потенциала при выборе индикативных совместных событий наблюдения двух или трех показателей

представлялись в безразмерном виде:

2222 222222 j _ Pl - Р\ min + p2 - P2min . j _ Pl - P1min + P2 - P2min + Ръ - P3min (2)

C1 ' P1min c2 ' P2min C1 ' P1min c2 ' P2min c3 ' P3 min

где Pt - выбранные для анализа показатели; c - константы, которые определяются регрессионным анализом; Pi min - минимальные значения показателей.

Использование потенциала позволяет осуществить ранжирование городов в пространстве анализируемых показателей.

Результаты оценки состояния городов России

Некоторые из полученных уравнений состояний для различных комбинаций показателей приведены в таблице 2 и на рисунках 1, а - 1, б. Как видно из таблицы 2 и рисунка 1, вероятности совместных событий наблюдения нескольких показателей тесно связаны с логарифмами отношений данных показателей к их соответствующим опорным значениям. Коэффициенты корреляции для регрессионных зависимостей пробит-энтропия имеют высокие значения (от 0,96 до 0,99), что говорит о возможности построения уравнений состояния городов в виде эмпирических функций распределения совместных событий.

Таблица 2 Table 2

Уравнения состояния городов (для 2015 года) Equations of cities' condition (for 2015)

Показатели городов Уравнение состояния Коэф. корреляции

1 2 3

Группа 1

P9, P^ P31 Pr ob = 4,763 + 0,520 • ln P9 + 0,923 • ln P" + 0,169 • ln Pl1 P9min P11min P21min 0,96

P9 ' P11 Pr ob = 4,700 + 0,696 • ln P9 +1,160 • ln Pn P9min P11min 0,96

P9, P31 Pr ob = 3,025 + 0,711' ln P9 + 0,350 • ln P31 P9min P31min 0,99

P^ P31 Pr ob = 5,919 +1,234 - ln Pn + 0,437 - ln P31 P11min P31min 0,98

Группа 2

P26, P28, P30 Pr ob = 4,960 + 0,246 ' ln P26 + 0,196 ' ln P28 + 0,406 ' ln P26 min P28 min P30 min 0,96

Окончание табл. 2

1 2 3

Pг6, P30 Pr ob = 4,684 + 0,279 • ln P26 + 0,526 • ln Рз0 P26min P30min 0,97

P28' P30 Pr ob = 4,623 + 0,300 • ln P26 + 0,585 • ln P30 P26min P30min 0,96

P26 ' P28 Pr ob = 4,354 + 0,455 • ln P26 + 0,317 • ln P30 P26 min P30 min 0,96

Событийный подход позволяет искать связи и закономерности между вероятностями наблюдения различных событий, свойственных изучаемой группе объектов. Для примера на рисунке 2 представлены связи между вероятностями совместных событий наблюдения показателей групп 1, 2 и 3. Хотя коэффициенты корреляции зависимостей, приведенных на рисунке 2, несколько ниже (от 0,76 до 0,86), чем зависимостей, изображенных на рисунке 1, однако они являются значимыми и описываются линейными зависимостями. Из приведенных данных видно, что при описании состояния городов может быть построено множество событийных моделей в виде вероятностных распределений или уравнений, определяющих взаимосвязь вероятностей различных событий. Модели могут использоваться для установления закономерностей наблюдения событий, характеризующих состояние и развитие городов по различным аспектам (демографическому, социальному, экономическому, инфраструктурному и т. д.).

-с

о

£ о

в н о о а:

о.

а со и В ю

о -2

SX

с

-3

я с О ! о ^ > в^б&ъ О --- > s*^ О i

В ощ^5 oe О О jgpw о > о

o> 3 м > О % °°

О s^o о -<£ о >

2,0 2,5 3,0 3,5 4,0 4,5

Энтропия состояния системы s

5,0

5,5

а)

-Cj 2 1

а,

в

8 о

в «

о

Оч

° -1 а 1

ь В

Ю О

а. _2 С

-3

>

О

О кг5* ю

oSwo ис^оо о 0 0

¡»о о

2,0

2,5

6,0

6,5

3,0 3,5 4,0 4,5 5,0 5,5

Энтропия состояния системы б)

Рис. 1. Распределение вероятностей совместных событий, характеризующих состояния городов

в 2013 году: а) группа 1; б) группа 2 Fig. 1. Distribution of probabilities ofthe joint events characterizing cities' conditions in 2013: а) group 1; b) group 2

Для ранжирования городов по уровню развития в качестве атрибутивных показателей принимались величины, входящие во вторую группу показателей, так как они отражают экономический потенциал развития городов: объем товаров и услуг промышленного производства р26, объем работ, выполненных в строительстве р28, оборот розничной торговли р30. При ранжировании выбранные переменные также относились к значениям Р26ш„, Р28ш„, Р30шп , в качестве которых были приняты минимальные показатели развития городов в 2003 году.

Для примера, результаты ранжирования городов по потенциалу состояния и для показателей второй группы приведены в таблице 3. В среднем в период с 2003 по 2015 годы в городах России промышленное производство выросло 4,2 раза, объемы работ в строительстве - в 3,9 раза и объемы торговли - в 2,7 раза. Это обеспечило рост среднего потенциала состояния городов в 13,9 раза.

К первым десяти городам, имевшим самый высокий уровень развития в 2013 году, относятся: Москва, Санкт-Петербург, Уфа, Омск, Пермь, Екатеринбург, Тольятти, Челябинск, Волгоград, Набережные Челны. Из таблицы видно, что потенциал состояния Москвы, Санкт-Петербурга, Уфы, Омска и Перми соотносится приблизительно как 137:22:1,3:1,25:1,0. Все это указывает на крайнюю неравномерность развития мегаполисов. В свою очередь, различие в оставшейся группе городов с населением более 100 тыс. человек при комплексной оценке по трем указанным выше показателям р26, р28 и р30 еще более существенно и достигает по потенциалу состояния в 100-300 раз.

1,0

сч «

£ 0,8

I

<\Г и

s 0,6

н 3 ю о о

о 0,4

о

к

ь о о

S 0,2 а

о О

0,0

о* О / >° «si о

о ° о О ° о

э о О . Vs" о / о О о

Э о / О О оО / о° с

o°X C ik&v о § о е о

0,0

1,0

0,2 0,4 0,6 0,8

Совместное событие (группа 1)

1,0

tn а

I 0,8

I

S34 щ

К 0,6

н 3 о о о

<и 0,4

о

К

н

о

о

Е 0,2 я

о U

0,0

ОО S 9*® о

о с о о а о о / Jr о 8

о <? ° ОО о° О о О V" О/- о о

о О 0 О о О- 00 ° Ж^о < / о > „о °ооо< о

go о ОгГ °° " о ОО

0,0 0,2 0,4 0,6 0,8 1,0

Совместное событие (группа 2) Рис. 2. Связь вероятностей совместных событий наблюдения групп показателей, характеризующих состояния городов в 2013 году Fig. 2. Relation of probabilities of joint events of indicators' observation which characterize cities' conditions in 2013

Аналогичным образом проведена оценка уровня развития для других групп показателей, характеризующих различные аспекты социально-экономического и инфраструктурного состояния городов России с населением более 100 тыс. человек. Продемонстрированный метод событийной оценки, основанный на учете вероятностных закономерностей, позволяет анализировать уровень развития городов. Вероятностные методы оценки значимых событий отличаются универсальностью и дают возможности для описания состояний объектов на основе использования совокупности социальных, экономических и инфраструктурных показателей.

Заключение

Предложен метод комплексной оценки состояния городов на основе определения вероятности индикативных событий, отличающийся представлением состояния объектов через совместные события одновременного наблюдения нескольких значимых показателей, получением регрессионных зависимостей для оценки энтропии и определением потенциала состояния для множества городов, представленного в виде группы однотипных объектов. Это позволило выполнить многопараметрическое ранжирование городов России по комплексу социально-экономических показателей.

Из полученных результатов видно, что описание состояния городов по совокупности показателей возможно на основе получения уравнений состояний, имеющих вид распределений вероятностей совместных индикативных событий. В случае получения таких зависимостей, на основе статистических данных возможно установление среднестатистических тенденций развития городов и ранжирование положения каждого из них в многомерном пространстве показателей по отношению ко всей группе изучаемых объектов.

Предлагаемый метод можно отнести к объективным средствам информационного анализа разноплановых данных, так как в процессе исследования не используются экспертные подходы и не задаются весовые величины, позволяющие экспертным путем провести сравнение значимости оцениваемых факторов.

Таблица 3 Table 3

Значения потенциала U и рейтинги состояния городов России в 2003 и 2013 годах

для показателей, входящих в группу 2 Values of potential and ratings of Russian cities' condition in 2003 and 2013 for the indicators

from group 2

Города Российской Федерации Потенциал состояния U (2003) Потенциал состояния U (2013) Ранги городов согласно предложенной методике

уровень развития (2003) уровень развития (2013)

1 2 3 4 5

Белгород 94,8 893,0 59 56

Владимир 66,7 743,9 72 62

Воронеж 502,4 4134,2 25 32

Калуга 74,5 9134,6 67 22

Курск 141,6 888,4 46 58

Липецк 1387,0 16020,8 13 11

Орел 59,4 336,5 77 86

Рязань 322,4 3503,5 29 34

Тула 209,7 4234,9 42 31

Ярославль 444,0 3342,2 26 35

Москва 479919,4 6101907,4 1 1

Петрозаводск 68,9 201,4 70 100

Архангельск 101,5 170,0 58 103

Калининград 132,9 10860,1 48 16

Мурманск 151,9 512,3 44 71

Окончание табл. 3

1 2 3 4 5

Великий Новгород 60,2 906,3 76 55

Псков 29,6 146,8 93 107

Санкт-Петербург 20790,2 966141,3 2 2

Северодвинск 62,6 237,3 74 96

Краснодар 1242,8 10290,3 18 20

Астрахань 78,8 1593,9 66 46

Волгоград 834,3 17705,9 22 9

Ростов-на-Дону 1314,9 8899,9 15 23

Новороссийск 18,9 601,5 104 69

Сочи 137,9 10347,3 47 19

Таганрог 44,7 446,7 83 77

Ставрополь 224,4 494,2 40 72

Уфа 1447,3 57382,0 12 3

Казань 1070,1 11425,5 19 15

Пермь 2625,1 44522,1 4 5

Киров 105,9 703,5 56 64

Нижний Новгород 1762,0 14459,0 8 13

Оренбург 276,2 1322,0 34 48

Самара 1976,7 9334,1 7 21

Саратов 581,6 2628,8 24 36

Тольятти 4061,8 20284,1 3 7

Набережные Челны 317,1 5400,9 31 28

Нижнекамск 210,9 16997,6 41 10

Екатеринбург 2469,6 20535,0 5 6

Тюмень 373,5 6261,5 27 25

Челябинск 1617,1 19553,3 10 8

Нижний Тагил 202,8 6423,2 43 24

Первоуральск 14,9 651,5 111 66

Сургут 2376,7 15439,8 6 12

Магнитогорск 1333,6 13467,6 14 14

Улан-Удэ 123,3 485,8 50 73

Красноярск 892,5 10354,5 21 18

Иркутск 362,5 1599,6 28 45

Кемерово 321,4 1567,5 30 47

Новосибирск 1669,9 10399,1 9 17

Омск 1004,0 55878,6 20 4

Норильск 1575,8 4370,4 11 30

Владивосток 285,1 1644,1 33 43

Список литературы References

1. Аверин Г.В. 2014. Системодинамика. Донецк, Донбасс, 405.

Averin G.V. 2014. Systemdynamics. Doneck, Donbass, 405. (in Russian).

2. База данных Федеральной службы государственной статистики. 2017. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1138631758 656 (5 апреля 2017).

Database of Federal State Statistics Service. 2017. Available at: http://www.gks.ru/wps/wcm/connect/ rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1138631758656 (accessed 5 apr 2017). (in Russian).

3. Битюкова В.Р. 2012. Социально-экологические проблемы развития городов России. Изд. 3-е. М., Книжный дом «Либроком», 448.

Bitjukova V.R. 2012. Social'no-jekologicheskie problemy razvitija gorodov Rossii [Social and ecological problems of Russian cities' development]. Izd. 3-e. Moscow, Knizhnyj dom "Librokom", 448. (in Russian).

4. Глазырин М.В. 2016. Система устойчивого развития общества на уровне муниципального образования. М., Наука, 172.

Glazyrin M.V. 2016. System of invariable development of society at the municipality's level. Moscow, Nauka, 172. (in Russian).

5. Дружинин А.Г., Угольницкий Г. А. 2013. Устойчивое развитие территориальных социально-экономических систем: теория и практика моделирования. М., Вузовская книга, 224.

Druzhinin A.G., Ugol'nickij G.A. 2013. Invariable development of territorial social and economic systems: theory and practice of modeling. Moscow, Vuzovskaja kniga, 224. (in Russian).

6. Звягинцева А.В. 2013. Комплексная оценка природно-антропогенных систем: предложения по развитию методологии. Системный анализ и информационные технологии в науках о природе и обществе, 1(4)-2(5): 62-74.

Zvjaginceva A.V. 2013. Comprehensive assessment of natural and human systems: proposals for the development methodology. Sistemnyj analiz i informacionnye tehnologii v naukah o prirode i obshhestve, 1(4)-2(5): 62-74. (in Russian).

7. Звягинцева А.В. 2016. Вероятностные методы комплексной оценки природно-антропогенных систем. Под науч. ред. д.т.н., проф. Г.В. Аверина. М., Спектр, 257.

Zviagintseva A.V. 2016. Probabilistic methods of a complex assessment of natural and anthropogenic systems. Pod nauch. red. d.t.n., prof. G.V. Averina. Moscow, Cpektr, 257. (in Russian).

8. Звягинцева А.В. 2016. Модели состояния и развития стран мира на основе оценки статистических вероятностей индикативных событий. Научные ведомости БелГУ Сер. Экономика Информатика. 16(237): 123-131.

Zviagintseva A.V. 2016. The world countries state and development models on the indicative events statistical probabilities assessment basis. Nauchnye vedomosti BelGU. Jekonomika. Informatika [Belgorod State University Scientific Bulletin. Economics Information technologies] 16(237): 123-131. (in Russian).

9. Звягинцева А.В. 2016. О вероятностном анализе данных наблюдений о состоянии природно-антропогенных систем в многомерных пространствах. Научные ведомости БелГУ Сер. Экономика Информатика. 2(223): 93-100.

Zviagintseva A.V. 2016. About probabilistic analysis of observational data about the natural and anthropogenic systems state in multidimensional spaces. Nauchnye vedomosti BelGU. Jekonomika. Informatika [Belgorod State University Scientific Bulletin. Economics Information technologies] 2(223): 93-100. (in Russian).

10. Казанская А.Ю., Компаниец В.С., Боровская М.А. 2011. Социально-экономическое состояние «типичных» муниципальных образований. Саарбрюккен, LAP LAMBERT, 280.

Kazanskaja A.Ju., Kompaniec V.S., Borovskaja M.A. 2011. Social and economic condition of "typical" municipalities. Saarbrjukken, LAP LAMBERT, 280. (in Russian).

11. Forrester, Jay W., 1969 . Urban Dynamics , Waltham, MA: Pegasus Communications, 285.

12. Яйли Е.А. 2006. Научные и прикладные аспекты управления урбанизированными территориями на основе инструмента риска и новых показателей качества окружающей среды. СПб., РГГМУ, ВВМ, 448.

Jajli E.A. 2006. Scientific and applied aspects of the urbanized territories' management on the basis of risk and new indicators of environment's quality. Saint-Petersburg, RGGMU, VVM, 448. (in Russian).

13. Averin G.V., Zviagintseva A.V., Konstantinov I.S. and Ivashchuk O.A. 2015. Data Intellectual Analysis Means Use for Condition Indicators Assessment of the Territorial and State Formations. Research Journal of Applied Sciences, 10(8): 411-414.

14. Eurostat. 2017. Available at: http://ec.europa.eu/eurostat/data/database (accessed 5 apr 2017).

15. Guide to City Development Strategies Improving Urban Performance. Washington, D.C.: The Cities Alliance, 2006. 80 р. Available at: https://www.citiesalliance.org/sites/citiesalliance.org/files/CA Docs/resources/cds/cds-guidelines/cds_guidelines_final.pdf (accessed 6 apr 2017).

16. Joss, S. (ed.) Tomorrow's City Today: Eco - City Indicators, Standards & Frameworks / Bellagio Conference Report. 2012. London: University of Westminster.

17. Urban world: Mapping the economic power of cities. 2011. McKinsey Global Institute. Available at: www.mckinsey.com/mgi/ (accessed 6 apr 2017).

18. Zviagintseva A.V., 2014. Multiparameter ranking of areas based on the analysis of data about the condition of natural and anthropogenic systems. System analysis and information technology in environmental and social sciences, 1(6)-2(7): 76-83.