Инструментарий управления эффективностью коммунальной инфраструктуры региона тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Щербаков Дмитрий Андреевич

• Щербаков Дмитрий Андреевич
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Щербаков Дмитрий Андреевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ УПРАВЛЕНИЯ КОММУНАЛЬНОЙ ИНФРАСТРУКТУРОЙ

1.1. Социально-экономическое позиционирование коммунальной инфраструктуры в системе регионального хозяйства

1.2. Механизмы управления в сфере регионального коммунального хозяйства

1.3. Актуальные проблемы системы управления коммунальной инфраструктурой России

1.4. Выводы по главе 1 59 ГЛАВА 2. МЕТОДИЧЕСКИЕ ПОДХОДЫ К УПРАВЛЕНИЮ ЭФФЕКТИВНОСТЬЮ В СФЕРЕ КОММУНАЛЬНОГО ХОЗЯЙСТВА

2.1. Категориально-понятийный аппарат управления эффективностью коммунальным хозяйством

2.2. Методический инструментарий оценки эффективности управления в сфере коммунального хозяйства

2.3. Выводы по главе 2 101 ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ УПРАВЛЕНИЯ ЭФФЕКТИВНОСТЬЮ КОММУНАЛЬНОЙ ИНФРАСТРУКТУРЫ РЕГИОНА (НА ПРИМЕРЕ РОСТОВСКОЙ ОБЛАСТИ)

3.1. Формирование системы показателей коммунальной инфраструктуры как инструмента управления коммунальным хозяйством региона

3.2. Методическое обеспечение реализации модели управления эффективностью коммунальным хозяйством региона

3.3. Выводы по главе

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЯ

Введение диссертации (часть автореферата) на тему «Инструментарий управления эффективностью коммунальной инфраструктуры региона»

ВВЕДЕНИЕ

Актуальность темы исследования. Коммунальная инфраструктура и жилищно-коммунальный комплекс в целом обладают бесспорной социально-экономической значимостью в силу своего масштаба и незаменимости. Каждый гражданин, проживающий на территории России, является потребителем отечественных коммунальных услуг, характеристики которых, напрямую влияют на качество жизни любого человека, а также на производство и экономику в целом.

До проведения реформ, система экономических отношений в жилищно-коммунальной сфере основывалась на бюджетном финансировании организаций, как поставщиков коммунальных ресурсов потребителям. Данная система имела существенные проблемы и доказала свою неэффективность по ряду причин: убыточное финансирование огромной сферы, отсутствие должного контроля качества, невозможность какого-либо влияния потребителей на качество и количество получаемых услуг, полное отсутствие конкуренции, что в свою очередь лишает стимула повышать эффективность и качество.

С начала XXI века система управления коммунальным хозяйством подверглась значительным изменениям. Одной из важнейших реформ явилось создание в 2013 г. Министерства строительства и ЖКХ Российской Федерации, также реализовывалась Комплексная программа модернизации и реформирования ЖКХ на 2010-2020 гг. За последнее десятилетие жилищно-коммунальный комплекс стал рассматриваться как объект системы рыночных отношений, в которой государству отведена роль регулятора и контролера. Но это ни в коей мере не умаляет ответственности и возможностей государственной системы управления коммунальной инфраструктурой воздействовать на качество и эффективность её функционирования.

Несмотря на реформирование и развитие системы управления коммунальной инфраструктурой, остается широкий спектр проблем, не

позволяющий удовлетворить всех участников отношений данной сферы. Безусловно, с позиции географического детерминизма можно объяснить сложности достижения качественной повсеместной работы жилищно-коммунального комплекса. Протяженность территории, глобальная климатическая разница, особенности отдельных территорий, различная плотность населения, множество отдаленных населенных пунктов, где проживает четверть россиян, в сравнении с европейскими небольшими странами, задача организации высокоэффективного управления является несоизмеримо сложной. Соответственно, для данной области научные исследования, способствующие повышению эффективности управления коммунальным хозяйством, являются особенно актуальны и востребованы.

Подобная ситуация обуславливает необходимость совершенствования методов управления коммунальным хозяйством, в числе которых неотъемлемым инструментом является оценка эффективности функционирования коммунальной инфраструктуры территорий на местном уровне. Данный аспект управления особенно актуален в свете Национального проекта «Производительность труда и поддержка занятости»1 и, созданного на его основе, регионального проекта «Эффективный регион»2, поскольку данные проекты задают курс на разработку и внедрение современных управленческих практик.

На законодательном уровне система оценки эффективности функционирования коммунальной инфраструктуры отсутствует. В Указе Президента РФ № 68, утверждающем перечень показателей для оценки эффективности деятельности высших должностных лиц субъектов Российской Федерации и деятельности органов исполнительной власти

1 Национальный проект «Производительность труда и поддержка занятости». Режим доступа: http://government.ru/rugovclassifier/865/events/

2 Региональный проект «Эффективный регион». Режим доступа: https://mineconomikiro.donland.ru/activity/12996/

субъектов Российской Федерации3, не включены какие-либо показатели коммунальной сферы в отличие от перечней предшествующих указов. Тем не менее, разрабатываемые на государственном уровне методики расчета подобных показателей эффективности, как и представленные во многих отечественных исследованиях, представляют собой интегральную оценку, полученную посредством индексного метода, либо вычисляются посредством соотношения достигнутых показателей к плановым, что является получением значения результативности, а не эффективности. Также, в практике на муниципальном уровне имеют место опросы населения об эффективности деятельности руководителей органов местного самоуправления, а также организаций, оказывающих населению услуги в сфере ЖКХ и т.д.4, что безусловно имеет субъективный характер, ненадежность и плохо поддается верификации.

Оценивание и управление эффективностью является важнейшим и неотъемлемым элементом любой системы управления. Ключевой интерес для данного исследования представляет метод оценки относительной эффективности DEA (Data Envelopment Analysis), как один из лучших инструментов оценки эффективности на сегодняшний день.

3 Указ Президента РФ от 4 февраля 2021 г. № 68 «Об оценке эффективности деятельности высших должностных лиц (руководителей высших исполнительных органов государственной власти) субъектов Российской Федерации и деятельности органов исполнительной власти субъектов Российской Федерации». Режим доступа: http://pravo.gov.ru/proxy/ips/?docbody=&prevDoc=102544756&backlink=1&&nd=602009586

4 Итоги опроса населения об эффективности деятельности руководителей органов местного самоуправления, а также организаций, оказывающих населению услуги в сфере ЖКХ, дорожного хозяйства и транспортного обслуживания, за 2021 год. Режим доступа: https://www.donland.ru/result-report/1238/

В рамках отечественного опыта метод DEA применялся в таких областях как: сельское хозяйство5, экологическая безопасность6, инфраструктура социальной безопасности туристической дестинации7, сфера управления

8 9

пенсионными накоплениями8, региональные инновационные системы9, инвестиционная сфера10, перерабатывающая промышленность11, промышленность и торговля12, здравоохранение13, банковский сектор14, жилищно-коммунальное хозяйство15.

Изучая международный опыт применения модели DEA в области социальной инфраструктуры, стоит выделить исследования в различных

5 Белоярская Т. С. Моделирование налогообложения сельскохозяйственных организаций с использованием метода анализа оболочки данных / Современная экономика: проблемы и решения. - 2016. - № 4(76). - С. 818. - DOI 10.17308/meps.2016.4/1413. - EDN XQSONF; Лобова С. В., Понькина Е. В., Межин С. А., Курочкин Д. В. Применение методов DEA и SFA для количественной оценки влияния технологических и социо-экономических факторов на эффективность сельскохозяйственных предприятий / Вестник алтайской науки.

- 2014. - № 1(19). - С. 258-267; Сазонов С.Н., Сазонова, Д. Д. Оценка технической эффективности использования производственных ресурсов в фермерских хозяйствах / Экономика: вчера, сегодня, завтра. -2012. - № 3-4. - С. 108-128.

6 Порунов А. Н. Оценка сравнительной эффективности государственного менеджмента экологической безопасности в регионе методом DEA-анализа (на примере Приволжского федерального округа) / Научный журнал НИУ ИТМО. Серия: Экономика и экологический менеджмент. - 2016. - № 1. - С. 104-111. - DOI 10.17586/2310-1172-2016-9-1-104-111. - EDN VSLQET.

7 Порунов А. Н. Оценка эффективности управления инфраструктурой социальной безопасности туристической дестинации методом DEA - анализа / Курорты. Сервис. Туризм. - 2016. - № 1(30). - С. 44-56.

8 Ткаченко, А. А. Оценка технической эффективности компаний, управляющих пенсионными накоплениями на основе модификации метода DEA (data envelopment analysis) / Сборник статей участников V Международного конкурса научных работ аспирантов и студентов, Москва, 01 марта - 25 2016 года. -Москва: Финансовый университет при Правительстве Российской Федерации, 2016. - С. 447-450.

9 Бычкова А. В., Рудская И. А. Оценка эффективности региональных инновационных систем на основе непараметрического метода DEA / Неделя науки СПбПУ: материалы научной конференции с международным участием, Санкт-Петербург, 13-19 ноября 2017 года / Санкт-Петербургский политехнический университет Петра Великого. - Санкт-Петербург: Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого", 2017. - С. 288290.

10 Конюхов В. Ю., Красикова Т. Ю. Применение метода DEA для оценки эффективности инвестиций в инновационный научно-образовательный кластер / Экономические и гуманитарные исследования регионов.

- 2012. - № 1. - С. 146-150.

11 Новожилов А. А. Использование метода DEA для анализа эффективности перерабатывающей отрасли / Современные наукоемкие технологии. - 2009. - № 2. - С. 43-44.

12 Бахтин К. В. Оценка и сравнение технической эффективности российских промышленных и торговых компаний / Российская экономическая школа, РЭШ. - Москва : РЭШ, 2009. - 42 с. - (Препринт). - ISBN 9785-8211-0520-2.

13 Куделина О.В. Теоретические и методологические основы научной оценки эффективности использования ресурсов в здравоохранении / докт. диссертация 2021 г. Москва

14 Пустовалова Т. А., Маркова А. В. Оценка качества управления коммерческим банком с помощью DEA-моделирования / Экономика и управление. - 2016. - № 4(126). - С. 39-47.

15 Ахременко А.С. Социальная эффективность государства в регионах России: 2008 - 2011 гг. / Политическая теория и политический анализ. WP14. Высшая школа экономики, 2013. № WP14/2013/07; Камоликова, В. Р. Эффективность исполнительной власти в сфере ЖКХ в регионах России (2010-2013 гг.) / В. Р. Камоликова // Вестник Пермского университета. Политология. - 2016. - № 1. - С. 55-68. - EDN VTFIWJ.

отраслях коммунального хозяйства: водоснабжение16, водоотведение17, теплоснабжение18, газоснабжение19, электроснабжение20.

16 Junqing L., Mototsugu F. Efficiency and pricing of water supply and sewerage services in Japan / Graduate School of Economics, Osaka University, 1-7, Machikaneyama-cho, Toyonaka, Osaka 560-0043, Japan / Utilities Policy 62 (2020) 100984; Hongrui W., Hongli L, Cheng W., Ying B., Linlin F. A study of industrial relative water use efficiency of Beijing: an application of data envelopment analysis / Water Policy 21 (2019) P. 326-343; Kulshrestha M., Vishwakarma A. Efficiency evaluation of urban water supply services in an Indian state / Water Poücy 15 (2013) P.134-152; Mahmoudi M. J., Fathi B., Sajadifar H., Shahsavari A. Measuring Efficiency of Water and Wastewater Company: A Dea Approach / Research Journal of Applied Sciences, Engineering and Technology 4(12): 1642-1648, 2012, ISSN: 2040-7467; John W. Norton Jr., Walter J., Weber Jr. Water Utility Efficiency Assessment Using a Data Envelopment Analysis Procedure / Journal of infrastructure systems ©ASCE / June 2009 / 81, P. 80-87; Sala-Garrido R., Mocholí-Arce M., Molinos-Senante M., Maziotis A. Measuring operational and quality-adjusted efficiency of Chilean water companies / Measuring operational and quality-adjusted efficiency of Chilean water companies. npj Clean Water 5, 1 (2022). https://doi.org/10.1038/s41545-021-00146-x; Palomero-González J.A.; Almenar-Llongo V.; Fuentes-Pascual R. Evaluating the Efficiency of Water Distribution Network Sectors Using the DEA-Weight Russell Directional Distance Model: The Case of the City of Valencia / (Spain). Sustainability 2021, 13, 10546. https://doi.org/10.3390/su131910546

17 Ayyildiz E., Yildiz A., Taskin Gumus A., Ozkan C. An Integrated Methodology Using Extended Swara and Dea for the Performance Analysis of Wastewater Treatment Plants: Turkey Case / Environ Manage. 2021 Mar;67(3):449-467. doi: 10.1007/s00267-020-01381-7. Epub 2020 Oct 30. PMID: 33128110; Fan-Peng Liu, Xiangyu Teng & Yung-Ho Chiu (2021) Threshold of wastewater treatment improvement costs - applying a hybrid dynamic DEA analysis / Urban Water Journal, 18:9, 761-770, DOI: 10.1080/1573062X.2021.1930068; Mahmoudi M. J., Fathi B., Sajadifar H., Shahsavari A. Measuring Efficiency of Water and Wastewater Company: A Dea Approach / Research Journal of Applied Sciences, Engineering and Technology 4(12): 1642-1648, 2012, ISSN: 2040-7467; Torregrossa D., Torregrossa D., Marvuglia A., Marvuglia A., Leopold U., Leopold U. A novel methodology based on LCA + DEA to detect eco-efficiency shifts in wastewater treatment plants / Ecological indicators, 94, 7-15. doi: 10.1016/j.ecolind.2018.06.031

18 Per J. Agrell, Peter Bogetoft, Economic and environmental efficiency of district heating plants / Energy Policy, Volume 33, Issue 10, 2005, Pages 1351-1362, ISSN 0301-4215, https://doi.org/10.1016/j.enpol.2003.12.011; Lygnerud K., Peltola-Ojala Paivi Factors impacting district heating companies decision to provide small house customers with heat / Applied Energy, 2010, Elsevier, vol. 87(1), pages 185-190; Pakare A., Gravelsins A., Lauka D., Blumberga D. Estimating energy efficiency increase in national district heating network, Energy / Volume 7, Supplement 4, 2021, Pages 401-409, ISSN 2352-4847, https://doi.org/10.1016/j.egyr.2021.08.088

19 J.-Sharahi, S., Khalili-Damghani, K., Abtahi, AR. et al. A new network data envelopment analysis models to measure the efficiency of natural gas supply chain / Oper Res Int J 21, 1461 -1486 (2021). https://doi.org/10.1007/s12351-019-00474-4; Sueyoshi T., Goto M. Performance Assessment of Japanese Electricity and Gas Companies during / 2002-2018: Three DEA Approaches. Energies 2021, 14, 1705. https://doi.org/10.3390/en14061705; Mamipour S., Najafzadeh B. Three-Stage Environmental Efficiency Evaluation of Iran's Power Industry: Network Data Envelopment Analysis Approach / Volume 53, Issue 2 - Serial Number 123, July 2018, Pages 191-217

20 Vanessa de Quadros Martins, Carlos Alberto Diehl, Cristiano R. Mauricio Tagliari Evaluation of technical efficiency of Brazilian distribution companies of electrical energy through Data Envelopment Analysis (DEA) / Contaduría y Administración, Accounting and Management, vol. 63(1), 2018, pages 31-32, Enero - M; Chia-Nan Wang, Nhu-Ty Nguyen, Thanh-Tuyen Tran Integrated DEA Models and Grey System Theory to Evaluate Past-to-Future Performance: A Case of Indian Electricity Industry / The Scientific World Journal, vol. 2015, Article ID 638710, 17 pages, 2015. https://doi.org/10.1155/2015/638710; Antonio J., Lucio Soares da Silva R. Performance and Efficiency of Electric Power Companies in Brazil: An Application of Data Envelopment Analysis (DEA) / Espacios 38(26):31, January 2017, ISSN 0798 1015; Xu, T., You, J., Li, H., Shao, L. Energy Efficiency Evaluation Based on Data Envelopment Analysis: A Literature Review / Energies 2020, 13, 3548. https://doi.org/10.3390/en13143548; Kannan, P.M., Marthandan G., Kannan R. Modelling Efficiency of Electric Utilities Using Three Stage Virtual Frontier Data Envelopment Analysis with Variable Selection by Loads Method / Energies 2021, 14, 3436. https://doi.org/10.3390/en14123436; DOGAN, N. O.; TUGCU, C. T. Energy Efficiency in Electricity Production: A Data Envelopment Analysis (DEA) Approach for the G-20 Countries / IJEEP 2014, 5, 246-252; Deependra Kumar J., Naoto Y., Yoshifumi Z. Benchmarking of Generation and Distribution Units in Nepal Using Modified DEA Models / IEEJ Transactions on Power and Energy, 2008, Volume 128, Issue 9, Pages 1082-1090, Released on J-STAGE September 01, 2008, Online ISSN 1348-8147, https://doi.org/10.1541/ieejpes. 128.1082; Sanhueza R., Rudnick H., Lagunas H. DEA efficiency for the determination of the electric power distribution added value / IEEE Transactions on Power Systems, vol. 19, no. 2, pp. 919-925, May 2004, doi: 10.1109/TPWRS.2004.826723.

В силу вышеприведенных причин, сфера коммунального хозяйства испытывает потребность во внедрении инструментария, способного дать объективную оценку экономической эффективности и задать верную траекторию управления. Таким образом, в силу приведенной аргументации, был сделан выбор темы диссертационного исследования.

Степень научной разработанности темы исследования. Вопросам реформирования и модернизации жилищно-коммунального комплекса на региональном и местном уровнях посвящены труды: Гебрэ Э., Демина А.В., Зарипова, Г.М., Кирилловой А.Н., Кондратьевой М.Н., Коровин, Э.В., Кубрак И.А., Макареня Т.А., Мироновой М.Д., Николаева Ю.Н., Озиной А.М., Оксогоев А.Н., Проваленова, Н.В., Ряховская, А.Н., Сиваева С.Б., Царьковой С.В., Чернышева Л.Н., Чижо Л.Н. и др. Проблемные аспекты совершенствования экономико-организационных механизмов управления сферой жилищно-коммунального хозяйства рассматриваются в исследованиях Башмакова И.А., Доничева О.А., Казанской А.Ю., Кобец Е.А., Котенко И.А., Кузнецова Ю.С., Макареня Т.А., Налесной Я.А., Сташ С.В., Яськовой Н.Ю. и др. Вопросы совершенствования инфраструктурного управления исследованы в трудах Король Т.А., Мордовченков Н.В., Николаева М.Г., Логачевой Н.М., Спириной Л.И. Тематику энергоэффективности и экологичности производства в сфере коммунального хозяйства развивали в своих работах Башмаков И.А., Киндас И.Н., Самарина В.П., Чернышов Л.Н.

В области использования экономических подходов для оценивания социально-экономических систем, стоит выделить следующих отечественных исследователей: Борисова Е.И., Иванюк И.И., Кошелюк Ю.М., Кривоножко В.Е., Лычев А.В., Моргунов Е.П., Моргунова О.Н., Пискунов А.А., Светлов Н.М., Федотов Ю.В., Фридман Ю.А. Исследованию и внедрению в отечественную практику метода DEA посвящены публикации следующих авторов: Анохин П.М., Бухвалова В.А., Бухвалова В.В., Кривоножко В.Е., Лычев А.В., Овчинникова Т.И., Порунов А.Н., Пропой А.И., Родченков И.В., Рожнов А.В., Сеньков Р.В., Форсунд Ф.Р.

Большой вклад в разработку и совершенствование современного программного обеспечения метода DEA, позволяющего производить расчеты в программной среде R, внесли следующие исследователи-разработчики: Бенетиз Р., Бер А., Богетофт П., Болос В., Дарио С., Отто Л., Кол-Серрано В. Сефорд Л., М., Симар Л., Купер В.В., Лосгрен М., Тамбоур М., Тони К.

Целью диссертационного исследования является разработка методических подходов и практических рекомендаций в управлении эффективностью коммунальной инфраструктуры региона с использованием экономического инструментария.

Задачи диссертационного исследования. Достижение поставленной цели диссертационного исследования обусловило необходимость реализации следующих задач:

1. Уточнить социально-экономическую сущность коммунальных услуг и определить место коммунальной инфраструктуры в системе регионального хозяйства.

2. Исследовать современное состояние коммунальной инфраструктуры России, особенности системы управления и её генезис.

3. Провести анализ взаимосвязей факторов, составляющих спектр проблем управления коммунальной инфраструктурой в России.

4. Изучить теоретические подходы к определению эффективности и уточнить базовые понятия в области оценки экономической эффективности.

5. Рассмотреть и проанализировать методический инструментарий экономических методов, применяемых для оценки эффективности функционирования коммунального хозяйства региона.

6. Разработать систему показателей коммунальной инфраструктуры, как инструмента управления эффективностью коммунального хозяйства региона.

7. Произвести моделирование и апробацию методики оценки эффективности функционирования коммунальной инфраструктуры региона (на примере Ростовской области).

Объект исследования - система государственного управления коммунальной инфраструктурой региона.

Предмет исследования - методический инструментарий управления эффективностью коммунальной инфраструктуры региона, как экономико-организационной структуры.

Соответствие исследования паспорту научной специальности. Исследование соответствует паспорту специальности 5.2.3 - Региональная и отраслевая экономика:

- 1.6. Мониторинг социально-экономического развития регионов. Региональная экономическая динамика.

- 1.7. Факторы устойчивости региональных экономических систем.

- 6.6. Экономика сферы ЖКХ. Теоретические и методологические основы экономики и управления жилищным фондом и жилищно-коммунальным хозяйством.

Теоретическая и методологическая основа исследования. Теоретической основой послужили научные труды отечественных и зарубежных ученых по проблемам развития жилищно-коммунальной сферы, исследования в области управления эффективностью социально-экономических систем.

Методологическую основу исследования составляет совокупность общенаучных методов познания социально -экономических явлений и процессов: системный подход, моделирование, методы логического, факторного и компаративного анализа, формальная логика (индукция, дедукция, анализ, синтез, экстраполяция и др.), а также, параметрические и детерминистические методы.

Информационная база исследования. Информационную базу исследования составили официальные статистические данные Федеральной службы государственной статистики и её территориальных органов (в частности Ростовской области), Фонда содействия реформированию ЖКХ,

официальные материалы Министерства строительства и жилищно-коммунального хозяйства РФ, Министерство жилищно -коммунального хозяйства Ростовской области, законодательные и нормативно-правовые акты РФ, материалы монографий и аналитических отчетов, статьи и иные публикации в научной и деловой печати, в том числе в сети Интернет, а также собственные расчёты автора, полученные при использовании программных средств Microsoft Excel и программной среды «R» (загружаемая библиотека «DeaR»).

Научная новизна результатов исследования заключается в развитии теоретико-методических основ и разработке методического инструментария комплексной оценки эффективности системы управления коммунальной инфраструктурой региона, включая возможность управления эффективностью с помощью предложенных инструментов.

Основные положения и результаты исследования. В ходе исследования автором получен ряд теоретических и практических результатов, определяющих научную новизну и ставших предметом защиты:

1. Определена современная специфика сферы коммунального хозяйства, рассмотрен и проанализирован понятийный аппарат, закрепленный законодательно, что позволило выявить пробелы и недостаточность правовой регламентации базовых определений, фигурирующих в сфере, рассмотрен нормативно-правовой аспект перехода в коммунальную сферу новой услуги «обращение с ТКО», уточнены и дополнены понятия основных элементов системы коммунальной инфраструктуры, которая, в свою очередь, была проанализирована, как система, что позволило выявить её принципиальные особенности, как объекта управления.

2. Представлен анализ генезиса системы управления сферой

коммунального хозяйства за последние 30 лет с рассмотрением каждого этапа

реформирования и полученных результатов, особое внимание уделено

разграничению полномочий государственной власти региона и местным

самоуправлением в вопросах управления коммунальной инфраструктурой,

12

выявлены перспективные механизмы управления, способные оказывать положительный эффект на состояние коммунальной инфраструктуры, предложен ряд мер организационного характера.

3. Произведена систематизация современных проблем коммунальной инфраструктуры России, в результате которой была предложена группировка проблемных аспектов по их специфике и достигнуто понимание причинно-следственных связей, что позволило определить первопричины и выработать пути развития сферы для преодоления «хронических» слабых мест, детерминированных территориальными и историческими особенностями российской коммунальной инфраструктуры.

4. Предложен категориально-понятийный аппарат, являющийся необходимым элементом методической системы оценки и управления эффективностью экономико-организационной структуры, проанализированы подходы различных авторов, предоставляющих подробное объяснение таких понятий как эффективность, результативность, затраты, выпуск и результат, обоснована необходимость понимания принципиального различия показателей выпуска и результата, что необходимо для конструирования методики изменения относительной экономической эффективности.

5. Выявлены, в результате исследования математического аппарата и особенностей применения, выбранных для рассмотрения методов оценки экономической эффективности, преимущества и недостатки, что в свою очередь, позволило сопоставить возможности методов и выбрать наилучшую комбинацию для использования в следующем этапе исследования.

6. Сформирован поэтапный алгоритм работы, позволяющий достигнуть цели исследования, в рамках которого выполнены следующие операции:

- произведена группировка и выбраны актуальные показатели, характеризующие состояние функционирования коммунальной инфраструктуры региона;

- осуществлен сбор данных коммунальной инфраструктуры Ростовской области, основными источниками которых, стали: территориальный орган государственной статистики по Ростовской области (Ростовстат), база данных показателей муниципальных образований, размещенная на официальном сайте Ростовстата21;

- осуществлен анализ полноты полученных данных, в связи с чем, была изучена методология программного восстановления пропущенных значений, т.к. методы оценки эффективности требуют наличия полных массивов данных, таким образом, были выбраны наиболее современные и точные методы множественного восстановления с помощью цепных уравнений (MICE);

- в результате процесса восстановления данных, помимо ожидаемого результата, разработан ряд методических решений, актуальных в решении подобных задач, сформированы три методики, применимые для различных типов пропусков в данных и работающих в комбинации, таким образом, полученные методические разработки способны послужить руководством для решения проблемы пропущенных значений в процессе работы с данными.

7. Представлены расчетные и аналитические процедуры, направленные на измерение относительной экономической эффективности комбинацией методов DEA и Индекс Мальмквиста, а также на управление эффективностью, среди данных процедур:

- осуществлен процесс тестирования модификаций модели DEA и выявлен ряд, неупомянутых в литературе, проблем в ходе программного использования моделей, таких как: мультиколлинеарность, нулевые значения, что привело к поиску и успешному нахождению путей решения, один из которых - метод главных компонент, в числе результатов данного этапа

21 База данных показателей муниципальных образований. Режим доступа: https://www.gks.ru/dbscripts/munst/munst60/DBInet.cgi (дата обращения: 02.04.2022)

14

работы: сделан аргументированный выбор в пользу нерадиальной «slake-on-based^-модели DEA, выявлены практические сложности в программной реализации и предложены методические рекомендации по их преодолению и настройки параметров модели, исходя из типа данных и специфики переменных;

- проведена валидация и анализ полученных оценок методом DEA, предоставивший возможности для нахождения причин неэффективности систем управления коммунальной инфраструктурой отдельных городских округов и муниципальных районов, для этой цели был предложен ряд разработанных мета-показателей, упрощающих установление проблемных факторов;

- реализован алгоритм Индекса Мальмквиста, позволяющего рассчитать чистую эффективность, абстрагированную от эффектов внешней среды, что в свою очередь, стало необходимым условием для реализации получения второго ряда рекомендательных значений для неэффективных объектов, таким образом, итоговая таблица предоставляет (Таблица 10) диапазон значений для показателей каждого объекта, достигнув данных значений, городской округ или муниципальное образование будет достигать уровня относительной эффективности в рамках региональной среды.

Теоретическая значимость исследования состоит в развитии теоретических положений методики управления эффективностью коммунальной инфраструктурой региона.

Практическая значимость исследования заключается в том, что основные положения, выводы и рекомендации могут быть использованы управленческими структурами для объективной оценки эффективности в заданном масштабе. А также получении, с помощью предложенной методики, подходящего эталона и точных значений показателей, что позволит оптимизировать расходы и выстроить наиболее верные приоритеты в направлениях развития. Таким образом, предложенная методика, в качестве

Список литературы диссертационного исследования кандидат наук Щербаков Дмитрий Андреевич, 2023 год

Источник:

Процентные значения полноты данных114

x3 x4 x5 x6 x7 x8 x9 x10 x11 y1 y2 y3

* * * * 100,0% 50,91% 80,00% 12,73% 23,64% 3,64%

* * * * 100,0% 54,55% 96,36% 10,91% 14,55% 5,45%

* * * * 100,0% 67,27% 100,0% 9,09% 18,18% 3,64%

* * * * 100,0% 0,00% 98,18% 9,09% 20,00% 0,00%

* * * * 100,0% 0,00% 100,0% 20,00% 54,55% 1,82%

* * * * 100,0% 0,00% 98,18% 16,36% 45,45% 0,00%

* * * * 100,0% 0,00% 100,0% 5,45% 49,09% 0,00%

* * * * 98,18% 0,00% 100,0% 5,45% 41,82% 0,00%

* * * * 98,18% 0,00% 100,0% 14,55% 38,18% 0,00%

* * * * 98,18% 0,00% 100,0% 7,27% 50,91% 0,00%

* * * * 100,0% 87,27% 100,0% 54,55% 92,73% 9,09% y9 y10 y11 y12 y13 y14 y15 y16

92,73% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 45,45% 100,0% 36,36%

92,73% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 47,27% 100,0% 43,64%

92,73% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 47,27% 100,0% 34,55%

92,73% 100,0% 100,0% 100,0% 100,0% 96,4% 100,0% 45,45% 100,0% 40,00%

92,73% 100,0% 100,0% 100,0% 100,0% 96,4% 100,0% 50,91% 100,0% 38,18%

90,91% 100,0% 100,0% 100,0% 100,0% 96,4% 100,0% 54,55% 100,0% 30,91%

90,91% 100,0% 100,0% 100,0% 100,0% 96,4% 100,0% 60,00% 100,0% 34,55%

0,00% 100,0% 100,0% 100,0% 100,0% 94,5% 100,0% 60,00% 100,0% 34,55%

0,00% 100,0% 100,0% 100,0% 100,0% 96,4% 100,0% 58,18% 100,0% 38,18%

0,00% 100,0% 100,0% 100,0% 100,0% 98,2% 100,0% 56,36% 100,0% 38,18%

92,73% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 63,64% 100,0% 69,09%

составлено автором

x2

0,0% 80,0% *

0,0% 89,1% *

0,0% 89,1% *

0,0% 90,9% *

0,0% 89,1% *

0,0% 89,1% *

0,0% 89,1% *

0,0% 78,2% *

0,0% 78,2% *

61,8% 76,4% *

61,8% 90,9% * y7 y8

y4 0,00% 0,00% 0,00% 0,00% 1,82% 0,00% 0,00% 0,00% 3,64% 0,00% 3,64% y17 9,09% 20,00% 12,73% 16,36% 18,18% 10,91% 20,00% 18,18% 14,55% 14,55% 40,00%

y5 98,18% 100,0% 100,0% 100,0% 90,91% 92,73% 94,55% 47,27% 43,64% 41,82% 100,0%

y18 21,82% 23,64% 23,64% 36,36% 29,09% 29,09% 40,00% 36,36% 29,09% 23,64% 72,73%

Статистика по числу действующих организаций коммунальной сферы и убыточных организаций до 2019 года не представлена в официальных источниках. Также, значимая часть данных по результирующим показателям (y1, y2, y14, y16, y17, y18) отсутствует. Данные показателей y3 (ввод в действие канализации-коллекторы и сети) и y4 (ввод в действие тепловых сетей, км) практически полностью отсутствуют.

Ниже представлена корреляционная матрица, позволяющая выполнить анализ взаимосвязей, необходимый для дальнейшего применения методов вменения пропущенных значений (см. Рисунок 12). Корреляционный анализ реализован при помощи базовой функции «cor» среды программирования R, тепловая схема визуализирована посредством инструментария загружаемой

Прим.: * - общие данные по Ростовской области

111

библиотеки «ш^^»115. В приложениях 1 и 2 предложены варианты анализа с визуализацией, предназначенной для быстрого нахождения слабых зависимостей с значением p - 0,01 и p - 0,05.

Рисунок 12. Тепловая корреляционная матрица показателей коммунальной инфраструктуры РО ф = 0,05). Источник: составлено автором

Касательно затратных показателей, коэффициенты корреляции переменных x3, x9, x10, x11 демонстрируют сильную взаимосвязь. Стоит отметить принадлежность x3 и x9 к группе показателей износа фондов коммунальной инфраструктуры, обе переменные выражают объем потери

115 [Электронный ресурс]. Режим доступа: https://cran.r-

project.org/web/packages/corrplot/corrplot.pdf (дата обращения: 13.08.2021)

112

коммунального ресурса в процессе производства и транспортировки. Показатели x10 и x11 являются финансовыми и выражают затраты местного бюджета на коммунальную сферу. Крайне сильная связь двух вышеназванных групп затратных показателей указывает на устойчивый процент потери коммунальных ресурсов из-за изношенности основных фондов и отсутствие эффекта масштаба в этой функциональной зависимости.

Рассматривая зависимости результирующих показателей, в первую очередь выделяются y16, y17, y18, где усреднённый коэффициент корреляции около 0,93. Вышеназванные переменные составляют группу показателей экономии от проведенных энергосберегающих мероприятий коммунальной инфраструктуры, что объясняет сильную зависимость переменных. Также, подтверждается логическая зависимость между показателями энергоэффективности и показателями расходов местного бюджета на коммунальную сферу, численностью населения территории (d1), фондом заработной платы всех работников организаций (d5).

Отдельно стоит отметить положительную корреляцию (-0,92) двух групп показателей: показатели экономии от проведенных мероприятий по энергосбережению (y16, y17, y18), показатели потерь коммунального ресурса в процессе производства и транспортировки (x3, x9). В сочетании с слабой корреляцией (-0,45) показателей экономии от проведенных мероприятий по энергосбережению и показателем общего объема произведенной и распределенной электроэнергии, газа и воды (y5), становится вопрос, касательно эффективности проведенных мероприятий по энергосбережению и верификации отчетных данных. Также, важно уточнить, что в текущем исследовании граппа показателей энергоэффективности коммунальной инфраструктуры имеет условное название, так как в наличии только показатели экономии от проведенных мероприятий по энергосбережению (y16, y17, y18), но данные по затратам на эти мероприятия не предоставляются официальной статистикой. В дальнейшем использовании метода DEA этот

момент будет частично нивелирован благодаря учету пропорций с общими показателями бюджетных затрат в оптимизационной задаче.

Изучив существующую методологию восстановления данных, для решения задачи исследования была выбрана модель множественного восстановления с помощью цепных уравнений (MICE). В ядре данной модели могут быть реализованы различные алгоритмы. Преимущественно тестироваться будут алгоритмы на основе регрессии, такие как: «случайный лес» (random forest), линейная регрессия с использованием бутстрепа, метод предсказанного среднего и т.д. Реализуемая, на данном этапе, задача исследования обусловлена необходимостью подготовки данных для последующего использования в модели DEA, которая, в свою очередь, требует наличия одноразмерных матриц входов и выходов, содержащих полные данные показателей по всем оцениваемым объектам.

Первичный анализ данных коммунальной инфраструктуры Ростовской области, показал большие различия между массивами по доле и распределению пропущенных значений. Показатели x4, x5, x6, x7, x8 были предоставлены только по Ростовской области в целом по запрашиваемым годам, что стало основанием исключения их из последующих расчетов. Показатели y3, y4 были также исключены из исследования т.к. обладают критически большим количеством пропусков, не поддающихся восстановлению. Все остальные массивы являются пригодными. Результатами предстоящих процедур вменения пропущенных значений будут являться статистические предположения, опирающиеся на данные предикторов и их функциональную зависимость с показателями-объясняемыми переменными.

Специфика выбранной методологии восстановления требует особого порядка операций, в связи с чем необходимо заранее составить логическую

х1

М

В

у1

М

Первый этап Второй этап -► Третий этап

п у10 У12

В

п у14

В

у16 п

М

В

Рисунок 13. Схема взаимосвязи показателей «предиктор - восстанавливаемая переменная». Источник: составлено

автором 115

схему (см. Рисунок 13) и выработать последовательность операций. Нижеописанный процесс подразделяется на три этапа.

В рамках первого этапа производятся нижеследующие операции. Массив данных показателя x9 содержал небольшое количество пропусков за 2017-2019 годы (полнота данных: 98,18%). В свою очередь, массив данных показателя x11 содержал пропуски за 2010, 2011, 2013, 2015 годы, полнота данных составляла 80-98,18%.

Данные показателей x9 и x11 были восстановлены с помощью модели mice, с использованием алгоритма «случайный лес» (random forest). Первоначально были протестированы алгоритмы различных регрессий (линейная, байесовская, регрессия с использованием бутстрепирования) и алгоритм предсказанного среднего (pmm), но в силу наличия только одного полноценного предиктора (d1 ) для восстановления данных переменных, методы оказались неэффективны т.к. эмпирический анализ значений конкретного показателя по временному ряду выявлял нереалистичность полученных значений (вмененные значения были отрицательными или радикально выходили из множества фактических значений). Большинство древ ансамбля алгоритма случайного леса предоставило правдоподобные значения.

Алгоритм «случайный лес» позволяет успешно восстанавливать данные

массива с наличием доли пропусков 50%, и даже 70%. Ещё одним

преимуществом является полноценная работа метода при наличии всего

одного предиктора. Сравнительный анализ выявил большую корректность и

реалистичность результата процедуры восстановления для массивов

показателей x9 и x11 , нежели более классические регрессионные методы

(перечислены выше). Данный опыт будет с высокой вероятностью актуален

для ситуаций со схожей спецификой. Безусловно, в некоторых ситуациях

может быть более эффективна бутстрепированная регрессия, примененная в

методике mice. Для качественного результата восстановления в каждой

ситуации необходимо тестировать несколько потенциально работоспособных

116

методов параллельно. Также, крайне важно уделить достаточное внимание такому трудоёмкому этапу процедуры, как подбор оптимального варианта вменения каждого конкретного пропущенного значения, т.к. главная идея концепции множественного восстановления заключается в вычислении множества гипотетических значений, каждое из которых может быть потенциально близким к истине. Выбор конечного варианта вменения - задача исследователя. Кроме того, желательно не упрощать этот этап работы с помощью вменения первого предложенного столбца переменных для восстанавливаемого массива, или вменения агрегированного усредненного варианта, который также предлагается алгоритмом, но подобный вариант противоречит самой идее применения метода множественного восстановления. Данная методика может позиционироваться как базовая, поскольку удачно реализуется во многих ситуациях неполноты данных. В дальнейшем, в случаях применения методики для восстановления массивов других показателей, в тексте будет обозначаться, как «методика А».

Массив данных показателя y12 содержал небольшое количество пропусков (с 2013 по 2019 годы, полнота данных: 94,55-98,18%). Предиктором выступает показатель y10. Для восстановления пропущенный значений применена «методика А».

Массивы временного ряда показателя y12 содержали большое

количество пропущенных значений за каждый год, при этом, пропуски носили

ярко выраженный случайный (бессистемный) тип, что говорит о больших

проблемах в системе сбора и учёта данных муниципалитетов по данному

показателю. Средний процент заполненности данных по показателю за 10 лет

составляет 35,64%, что представило собой серьёзную апробацию модели mice

на основе случайного леса в условиях наличия чуть более трети значений от

общего объёма массива. Результат оправдал ожидания. Проводя

эмпирический анализ, можно заметить больший разброс вмененных значений

в сравнении с примером восстановлений раннее описанных показателей, но

анализ распределения наличествующих значений сразу же выявляет

117

относительно большое стандартное отклонение, что говорит об успешной имитации этого фактора при восстановлении пропусков. Таким образом, основываясь на имеющихся данных, динамика временного ряда по объектам и распределение значений полученного массива представляет собой реалистичное предположение и, соответственно, успешную апробацию «методики А» в ситуации с большим количеством пропусков в массивах.

Данные показателя y5 в массивах 2010 года и 2014-2016 годов обладают заполненностью 90,91-98,18%, массивы 2017-2019 годов заполнены на 41,8247,27%. Предикторами для y5 являются y7 и d1, в свою очередь данные массивов y7 за 2010-2016 г. заполнены на 90,91-92,73%, за 2017-2019 годы данные полностью отсутствуют. Процесс восстановления данных y5 и y7 примечателен тем, что они являются предикторами друг для друга и имеют общий предиктор d1. Отдельной задачей является моделирование полностью отсутствующих данных в трёх массивах показателя y7.

На этапе восстановления, а рамках одной процедуры было произведено вменение пропущенных значений данных за 2010-2016 годы показателей y5 и y7, использовалась «методика А», демонстрирующая хороший результат в вышеописанных процедурах восстановления предыдущих показателей.

Учитывая отсутствие данных y7 за 2017-2019 годы, предиктором для y5 в восстановлении по этим годам, помимо полного массива d1 , выступил вектор средних значений 2010-2016 лет показателя y7. Такая мера, безусловно, даёт существенно меньше информации для модели восстановления и сильно уменьшает отклонения значений относительно предполагаемого реального распределения, но позволяет спектру значений оставаться в рамках среднего ожидания, таким образом избегая появления выбросов с слишком большим отклонением по отдельным объектам, что могло бы для них привести к сильному и маловероятному изменению динамики показателя.

Процедура вменения данных показателя y7 2017-2019 г. относится к

области моделирования. Модель восстановления методики mice вычисляет

регрессоры, используя в регрессионной формуле наличествующие данные как

118

векторов-предикторов, так и вектора с пропусками, являющегося восстанавливаемым, следовательно, вменение значений полностью пустого вектора данной методикой не представляется возможным. Для данной ситуации процедура вменения реализуется с помощью моделей на основе регрессионного анализа, как и методика mice. Более того, также был выбран алгоритм «случайный лес», реализуемый в R пакетом «randomForest».

На первом этапе моделирования значений показателя y7 2017 года создаётся обучающая выборка, включающая векторы значений 2016 года зависимой переменной и предикторов. Далее, посредством функции «randomForest» одноименного пакета, производится расчёт статистической модели. На третьем этапе функция «predict» воспроизводит полученную статистическую модель на целевом массиве данных 2017 года с пустым вектором y7. Результатом является массив данных, содержащий агрегированные значения для каждого объекта, а также значения, предложенные каждым регрессионным древом в отдельности (аналогично с бутстреп-методом). Четвертый этап заключается в эмпирической обработке и подборе значений из предложенных алгоритмом случайного леса. Данный этап необходим в большинстве практических случаев, т.к. использование агрегированных значений, предложенных алгоритмом, без процедуры отбора исследователем, возможно только в случае идеальных условий для реализации алгоритма:

- большая учебная выборка и полнота данных каждой переменной, что позволит сделать расчёт коэффициентов регрессии достаточно точным;

- наличие регрессионной формулы высокого качества с достаточным количеством предикторов, на что будет указывать скорректированный коэффициент детерминации регрессионной модели (R2adjusted), близкий к 1;

- точная настройка самого алгоритма случайного леса.

В конечном результате процедуры моделирования, вектор показателя y7 2017г. был заполнен значениями, не исказившими общее распределение по

массиву в целом, и сохраняющими динамику по временному ряду. В отдельных случаях, по некоторым объектам, динамика была изменена, что объясняется переменными-предикторами. Согласно имеющимся данным, некоторые муниципальные районы и городские округа произвели в 2017 г. меньшее количество электроэнергии, газа и воды (показатель у7), что должно повлиять на уменьшение вмененных значений показателя у5 по данным объектам (среднемесячная заработная плата работников организаций: производство и распределение электроэнергии, газа и воды).

Для моделирования векторов значений 2018 и 2019 г. показателя у7, процедура практически идентична, обучающая выборка создаётся из векторов значений 2017 г. и 2018. соответственно, включая восстановленные и смоделированные значения.

Данная методика моделирования значений для пустых векторов временного ряда в дальнейшем обозначается как «методика В».

Далее, следует реализация второго этапа. Для массива данных показателя х10 предиктором выступает х11. Данные 2010-2012 обладают заполненностью 50,91-67,27% и восстанавливаются посредством «методики А». Получившийся массив вместе с имеющимися данными по этим же годам показателя-предиктора х11 вошли в обучающую выборку, что позволило смоделировать с помощью «методики С» векторы массива х10 2013-2019 г.

Массив данных у6 не имеет пропусков до 2017 г., данные векторов 2017, 2018 и 2019 г. полностью отсутствуют. Предиктором для процедуры полного моделирования пустых векторов выступает х11. Тип массива с пропусками крайне схож с у7, соответственно, применяется «методика В». Но тестирование методики, ранее удачно реализовавшей удовлетворительное моделирование пустых векторов массива у7, к сожалению, не продемонстрировало приемлемый результат в данном случае. О чём свидетельствует уклон распределения в сторону меньших значений, что, в свою очередь, приводит к нарушению трендов по временному ряду для многих

объектов. Потребовалось нахождение альтернативных методологических решений.

Значения всего массива данных y6 были объединены в один вектор значений, был учтён порядок лет (от 2010 до 2019 г.), а также пропуски, в том числе полностью пропущенные периоды. Аналогичная операция проведена с массивом данных предиктора x11. Далее, был сформирован массив из двух созданных векторов и применена методика восстановления на основе алгоритма «случайный лес», и дополнительно, методика восстановления на основе линейной регрессии с использованием бустрепирования (программная среда «R», пакет «mice», аргумент «norm.boot» функции «mice»). Методика позволила включить в вычисление регрессоров максимальное количество полных пар, что, безусловно, положительно сказывается на качестве результата восстановления. Также, применение нескольких алгоритмов, повышает вероятность генерации оптимального значения для каждого конкретного пропуска. Таким образом, был получен достаточный пул для эмпирического отбора из предложенных значений. Восстанавливаемый показатель имеет финансовый тип и выраженную склонность тренда по временному ряду, что необходимо учесть при формировании окончательного правдоподобного результата восстановления. По завершению процедуры, заполненный вектор целевой переменной дробится на десять векторов временного ряда, возвращаясь к изначальной форме, но с вменениями вместо пропусков.

Процесс, описанный в предыдущем абзаце, будет обозначаться как «методика С».

Предикторами для восстановления массива y1 выступают показатели y7

и y13. В силу наличия малого количества наличествующих значений,

целесообразно применена «методика С», сформированная в процессе

восстановления массива данных показателя y6. Стоит отметить, что полнота

отдельных векторов во временном ряде массива y1 находится в интервале

5,45-20%, но полнота вектора усредненных значений по наблюдениям массива

121

составляет 54,55%. Исходя из этого, можно полагать о возможности создать достаточное количество полных пар, применяя «методику С», что даст больше информации для вычисления регрессоров, чем использование массива с усредненными значениями показателей по наблюдениям.

Для восстановления массивов показателей у16, у17, у18 общим предиктором выступает х11. Для массива у2 предиктором является ё2. Основным критерием в выборе методики восстановления является общая характеристика вышеназванных четырёх массивов, выраженная в малой доле наличествующих значений отдельных векторов временного ряда, но достаточно полный вектор усредненных значений каждого показателя по наблюдениям. Соответственно, в данной ситуации лучшим выбором является «методика С».

Оставшиеся показатели с наличием пропусков подлежат восстановлению в рамках третьего этапа. Данные показателя х3 имеют пропуски в каждом массиве временного ряда. Полнота данных составляет 76,36-90,91%. Предикторами для восстановления данных х3 выступают показатели х11 и у7. Для у14 предикторами являются у7 и у17. Полнота данных составляет 45,45-60%. Восстановление массивов данных показателей х3 и у14 проведено посредством «методики А».

Для массива х2 предикторами послужили показатели у7 и ё2. Значения показателя х2 2019 год в процентном виде были вычислены из показателей «Количество хозяйствующих субъектов по данным бухгалтерской отчетности: обеспечение электрической энергией, газом и паром; кондиционирование воздуха» и «Количество убыточных организаций по данным бухгалтерской отчетности в сферах: обеспечения электрической энергией, газом и паром; кондиционирование воздуха». Полнота данных х2 2019 года составляет 61,82%. Данные по другим годам отсутствуют. Восстановление произведено с помощью «методики А». Одновременно с этой процедурой был сформирован массив, послуживший обучающей выборкой для моделирования

отсутствующих значений в массивах показателя x2 за 2010-2018 годы. Инструментом моделирования выступает «методика В».

Для массива показателя x1 предикторами являются y10, y14 и d4. Значения показателя x2 2019 год в процентном виде были вычислены из показателей «Количество хозяйствующих субъектов по данным бухгалтерской отчетности: водоотведение, организация сбора и утилизация отходов, деятельность по ликвидации загрязнений» и «Количество убыточных организаций по данным бухгалтерской отчетности в сферах: водоснабжение; водоотведение, организация сбора и утилизация отходов, деятельность по ликвидации загрязнений». Полнота данных 2019 г. составляет 96,36%. Ситуация касательно пропусков и методика восстановления-моделирования совпадают с аналогичными в x2.

Применительно к x1 и x2, радикальные значения (0% и 100%) были продублированы по всему временному ряду, чтобы не создавать ложную динамику.

В конечном итоге вышеописанного этапа исследования, необходимые данные о коммунальной инфраструктуре Ростовской области, полученные от Ростовстата по запросу, были подготовлены для дальнейшего их использования в модели DEA в сочетании с индексом Мальмквиста. В процессе подготовки данных (Data Screening), самой сложной и трудоёмкой задачей являлось восстановление большого количества пропущенных значений, что потребовало изучения методологии отдельной области работы с данными - восстановление данных (Imputation).

3.2 Методическое обеспечение реализации модели управления эффективностью коммунальным хозяйством региона

Этап работы, описанный в предыдущем параграфе, позволил

сформировать полные массивы данных без пропущенных значений, что

удовлетворяет одному из главных условий работы алгоритма метода DEA.

123

Полученные матрицы практически готовы для использования в расчётах, остаётся сделать окончательный выбор инструментария и настроек всех необходимых параметров, также, такой промежуточный этап, как тестирование, окончательно ответит на вопрос о работоспособности и корректности всех произведенных действий.

В качестве программного обеспечения реализации метода DEA был выбран пакет deaR программной среды R116, так как именно эта загружаемая библиотека предоставляет наиболее широкий инструментарий в области оценки эффективности в рамках выбранной методологии.

Благодаря подробному теоретическому изучению модификаций DEA, проведенному во второй главе данной работы, возможен грамотный выбор конкретной модификации алгоритма DEA, учитывая потребность в широких возможностях настройки параметров. Исходя из базовой классификации деления моделей на радиальные и нерадиальные, выбор останавливается на нерадиальной модели в силу отсутствия привязки к предположению о пропорциональности изменения входов и выходов. Также, модели данного типа опираются на учёт слаков (slacks) т.е. резервов. В связи с этим, полагается, что нерадиальная модель будет предоставлять наиболее достоверный расчёт эффективности при этом находя ближайший путь к эталонной точке на границе, что позволит неэффективным объектам достичь результата без лишних затрат.

Далее, на этапе тестирования как в базовых CCR - и BCC-моделях, так и в slake-on-based моделях, были обнаружены некорректности в работе алгоритма, применительно к используемым данным.

Первая и наиболее очевидная причина ошибок в расчёте оценок методом DEA (на примере всех модификаций) это присутствие нулевых значений в переменных, которые содержатся преимущественно в процентном формате

116 [Электронный ресурс]. Режим доступа: https://cran.r-

project.org/web/packages/deaR/deaR.pdf (дата обращения: 13.08.2021)

124

показателей x1 и x2. Простым решением является замещение нулевых значений условно минимальными (0.01), подобное действие не окажет существенного влияния на полученные оценки модели и позволит ей функционировать корректно (при отсутствии других проблем с данными). В противном случае, объекты, содержащие в переменных нулевые значения, не оцениваются и алгоритм выдаёт ошибку. Подобная процедура является удачным компромиссом между точностью и общей работоспособностью алгоритма.

Второй, менее очевидной, причиной некорректной работы алгоритма стало наличие свойства мультиколлинеарности данных. Особенно проявилась эта проблема при тестировании модификации с переменным эффектом масштаба. Выводимый показатель эффективности почти у всех объектов максимален, что сводит результат измерения относительной оценки экономической эффективности на нет (учитывая условие различности пропорций у объектов результирующих показателей и затратных). При тестировании в тех же модификациях с настройкой ориентации модели на постоянный и генерализированный эффект масштаба, алгоритм демонстрирует себя лучше, но также заметна гиперчувствительность к выбросам. Распределение оценок необоснованно резкое, что особенно заметно по крайне низким значениям оценок неэффективных объектов.

Недостаток робастности был уже описан во второй главе, как один из минусов метода DEA, с ссылками на ранее отмечавших это исследователей и практиков. Но проблема мультиколлинеарности не была ожидаема изначально, так как DEA детерминированный метод на основе оптимизационной задачи, а не функциональный. Подобный нюанс подготовки данных в открытых источниках, исследованиях и мануалах не был встречен.

Наиболее применимые из известных методов решения ситуации

устранения нежелательной коррелированности переменных с сохранением

общей информационной ценности это метод удаления коллинеарных

переменных (при наличии сильной корреляции) и метод главных компонент.

125

В целях проверки предположения о повышении чувствительности и корректности работы модели при устранении свойства мультиколлинеарности данных, был реализован первый из вышеназванных методов. Процедура осуществляется благодаря, ранее проведенному, корреляционному анализу, который позволяет выделить и удалить «лишние», с точки зрения метода, переменные, так как они не содержат существенно ценной информации в своём распределении. Данная операция производится отдельно для массива входов, и отдельно для выходов. Результат заметен уже на этапе удаления только общих (продублированных по переменной) значений по области, содержащихся в показателях x4-x8 (Приложение 3). Следовательно, предположение является верным.

Тем не менее, для полноценной реализации вышеописанного этапа подготовки данных требуется применение метода главных компонент, позволяющего создать синтетическую агрегированную переменную из нескольких коррелирующих показателей. Получившаяся искусственная переменная будет содержать практически всю информацию использованных для её создания показателей, включая в себя всю совокупную дисперсию набора переменных.

Из массива данных каждого года были выделены отдельно наиболее коррелированные переменные по входам и выходам, образовав 20 матриц для обработки методом главных компонент посредством загружаемой библиотеки «psych» программной среды R117. Далее, были произведены необходимые настройки параметров функции, реализующей метод. В их числе, количество выделяемых компонент и тип вращения факторов. Так как при редукции данных желательно потерять как можно меньше информации, был выбран ортогональный тип вращения факторов «варимакс», позволяющий извлекать несколько главных компонент из набора переменных, при этом сами

117 [Электронный ресурс]. Режим доступа: https://cran.r-

project.org/web/packages/psych/psych.pdf (дата обращения: 13.08.2021)

126

компоненты, как векторы значений, будут неколлинеарны, что крайне актуально для последующего использования в DEA.

Для переменных категории «входы» матрицу составили показатели: x3, x9, x10 и x11. Из данного набора были извлечены компоненты RC1 и RC2 (см. Приложение 5). Касаясь технических данных, характеризующих результат процедуры, тест подтвердил достаточность двух компонент, также подгонка на основе значений вне диагонали равно 1, среднеквадратическое значение остатков составило 0.02. Дополнительная информация о пропорциях и нагрузках представлена в Таблице 4.

Таблица 4

Параметры главных компонент переменных входного типа

RC1 RC2 h2 u2 com

x3 0.55 0.82 0.97 0.028 1.7

x9 0.83 0.53 0.97 0.029 1.7

x10 0.62 0.76 0.96 0.042 1.9

x11 0.78 0.59 0.96 0.042 1.9

RC1 RC2

SS loadings 1.98 1.88

Proportion Var 0.49 0.47

Cumulative Var 0.49 0.97

Proportion Explained 0.51 0.49

Cumulative Proportion 0.51 1.00

Источник: составлено автором

Подобным образом произведена процедура выделения главных компонент для массива «выходов», который составили показатели у6, у9, у10, у12, у 13, у16, у17, у18, образовав компоненты RC3, RC4 и RC5. Тест достаточности включения совокупной дисперсии в синтетические переменные показал достаточность трёх компонент. Подгонка на основе значений вне диагонали составляет 0,99. Среднеквадратическое значение остатков 0,06 (Техническая информация представлена в Таблице 5).

RC1 RC2 RC3 h2 u2 com

y6 0.36 0.64 -0.05 0.54 0.459 1.6

y9 0.86 0.18 0.06 0.78 0.223 1.1

y10 0.90 0.15 -0.03 0.83 0.173 1.1

y12 0.91 0.20 -0.08 0.88 0.122 1.1

y13 0.95 0.19 0.04 0.94 0.058 1.1

y16 0.09 0.91 0.24 0.89 0.110 1.2

y17 0.00 0.00 0.99 0.98 0.016 1.0

y18 0.16 0.89 -0.18 0.85 0.152 1.1

RC1 RC2 RC3

SS loadings 3.44 2.16 1.09

Proportion Var 0.43 0.27 0.14

Cumulative Var 0.43 0.70 0.84

Proportion Explained 0.51 0.32 0.16

Cumulative Proportion 0.51 0.84 1.00

Источник: составлено автором

Аналогичным образом произведено выделение главных компонент RC1, RC2, RC3, RC4 и RC5 в массивах данных для каждого года. Перечисленные выше коллинеарные переменные были заменены на полученные синтетические. Скорректированные массивы данных представлены в Приложении 5. В процессе реализации метода главных компонент, значения стандартизируются, что приводит к появлению в массиве отрицательных значений, но препятствием корректной работе модели DEA на практике это не явилось.

После выявления и решения возникших проблем, метод DEA был повторно реализован. Необходимо уточнить заданные параметры модели, задающиеся посредством аргументов в функции «model_sbmeff». В первую очередь, была выбрана ориентация модели, поскольку количество результирующих показателей превалирует над затратными, выбрана была ориентация на выход (output oriented). Далее, как упоминалось выше, параметр отдачи от эффекта масштаба (returns to scale) был задан как обобщенный с коэффициентами нижней границы 1 и верхней 1,05.

В завершение настройки модели, были установлены весовые

коэффициенты переменных входов и выходов. Данная настройка представляет

128

из себя указание числового вектора в соответствующих аргументах функции («weight_input», «weight_output»). Для всех кроме синтетических переменных данное значение установлено как 1. Для переменных, созданных с применением метода главных компонент, значение весового коэффициента устанавливается из расчёта отношения количества переменных, участвующих в преобразовании, и количества выделенных из них компонент. Так как предположение о приоритетности каких-либо показателей отсутствует, подобная настройка позволяет уровнять влияние на конечную оценку переменных, подвергнутых редукции. Для RC1, RC2 весовой коэффициент 2, и для RC3, RC4, RC5 коэффициент равен 3. В случае наличия достоверных предположений о разнице в степени влияния показателей на оцениваемый объект, подобная настройка позволяет реализовать их отражение в конечной оценке эффективности.

Помимо этого, было произведено тестирование весовых коэффициентов слаков, доступных в виде аргументов других модификаций (Basic (radial) DEA model, Non-radial DEA model (Zhu, 1996), Additive model of Chames et. al (1985)), но какого-либо эффекта добиться не удалось. Разработчик пакета DeaR Рафаэль Бенитез, в рамках ответа на обращение, подтвердил практическую нереализованность весовых коэффициентов слаков, что говорит о незавершенном процессе совершенствования модели в принципе.

Полученные методом DEA оценки эффективности систем управления коммунальной инфраструктурой городских округов за 2010-2019 годы были объединены в отдельный массив (см. Таблицу 6). И, соответственно, сформирован аналогичный массив для муниципальных районов (см. таблицу 8).

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

Азов c1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Батайск c2 0,892 0,960 0,911 0,560 0,943 0,909 0,369 0,773 0,693 0,492

Волгодонск c3 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Гуково c4 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Донецк c5 0,816 0,707 0,367 0,856 0,803 0,839 0,767 0,875 0,829 0,888

Зверево c6 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Каменск-Шахтинский c7 0,969 0,636 0,336 0,710 0,647 0,710 0,878 0,562 0,707 0,853

Новочеркасск c8 1,000 0,912 0,547 0,965 0,819 1,000 1,000 1,000 0,825 0,898

Новошахтинск c9 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Ростов-на-Дону c10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Таганрог c11 0,935 0,940 0,973 0,967 0,963 0,944 0,769 0,414 0,558 0,943

Шахты c12 1,000 1,000 0,884 0,600 0,826 0,867 0,275 0,714 0,549 0,957

Источник: составлено автором

Важным промежуточным этапом между расчетом оценок эффективности и их анализом является валидация результата работы модели. Задача проверки оценок на валидность может являться отдельной темой для исследования и имеет богатую методологию. В данной статье был выбран метод эндогенной проверки в рамках подхода, изложенного Ахременко А.С.118 Суть метода заключается в построении корреляционной матрицы для установления силы взаимосвязи между векторами значений оценок по годам. В соответствии с подходом, рекомендуется использовать корреляцию Спирмана, как более робастную.

Коммунальная инфраструктура, являясь масштабной социально -экономической системой, при корректной работе модели должна продемонстрировать свойство устойчивости во времени. Что и продемонстрировала корреляционная матрица. Индикатором в данном методе являются высокие значения корреляции (Рис. 2).

118 Ахременко А.С. Социальная эффективность государства в регионах России: 2008 - 2011 гг. / Политическая теория и политический анализ. WP14. Высшая школа экономики, 2013. № WP14/2013/07. 17

2010

4?

0,0 # 082 # • 076 082 0,1 0,,

• „ 074 077 0, 067 075 074 0,»

А 9 081 08 • • 073 # # 072

« 071 • • • 077 0,1 066

а 0.85 0, • • • 078 # # «

• 0,1 • • ф # # 072

« 067 075 • 0,0 0, „ • «

• 075 # 077 # А W „ •

• 074 ... 0,1 ф • ф -

- « „,6 012 0,Э 7

Рисунок 14. Корреляционная тепловая матрица значений эффективности функционирования КИ РО по годам (2010-2019 г.). Источник: составлено

автором

Переходя к анализу произведенных результатов расчетных операций в рамках оценивания методом DEA систем управления коммунальной инфраструктуры городских округов, стоит обратить внимание на динамику изменения показателя эффективности как объектов в отдельности, так и общую, представленную ниже на графике (см. Рисунок 14). Можно заметить достаточно устоявшуюся пропорцию за исследуемый десятилетний период, городские округа поделились практически пополам, исходя из критерия относительной эффективности.

70% 60% 50% 40% 30% 20% 10% 0%

Рисунок 15. Динамика общей доли городских округов РО с относительно эффективной системой управления КИ. Источник: составлено автором

Рассматривая рассчитанные значения городских округов в частности, система управления коммунальной инфраструктурой г.о. Азова, г.о. Волгодонска, г.о. Гуково, г.о. Зверево, г.о. Новошахтинска, г.о. Ростова-на-Дону была оценена как эффективная в каждом году исследуемого периода.

Для дальнейшего анализа причин неэффективности остальных городских округов будут рассчитаны некоторые мета-показатели, позволяющие в отрыве от DEA составить представление о некоторых ключевых процессах через отношения исходных показателей, что позволит учесть масштаб и объективно сделать предположения о неэффективности (см. Таблица 7).

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

Обозначение Расчет мета-показателя Пояснение

т1 х9/у5 отношение потерь воды в процессе производства и транспортировки до потребителей к объему произведенной и распределенной коммунальной продукции

т2 х1Ш1 отношение объема бюджетных расходов на коммунальную инфраструктуру к численности людей, проживающих на территории

т3 у5/х11 отношение объема произведенной и распределенной коммунальной продукции к объему бюджетных расходов на коммунальную инфраструктуру

т4 у8/х1Ш1 отношение среднемесячного размера начисленных субсидий на семью к отношению объема бюджетных расходов на коммунальную инфраструктуру к численности людей, проживающих на территории

Источник: составлено автором

Также, для удобства аналитической работы, ниже в Таблице 8 представлены основные статистические метрики показателей коммунальной инфраструктуры РО 2019 г.

Таблица 8

Общие характеристики данных показателей коммунальной инфраструктуры

РО 2019 г.

Городские округа Ростовской области Муниципальные районы Рост. обл.

среднее мин. макс. ст. откл. среднее мин. макс. ст. откл.

х1 0,24 0 0,4 0,2 0,466113 0 1 0,399678

х2 0,34 0 0,666667 0,2 0,191889 0 1 0,276952

х3 112,88 4,24 689,86 185,8 3,019767 0,04 24,64 4,679237

х9 10177,82 679,4 49953,5 13085,1 748,5558 13,7 5329,5 1150,501

х10 213398,5 3870,5 1942267,0 522505,9 21957,1 1684,3 158730,2 32553,0

х11 750384,17 85893 3634411 909409,3 108379 3643 790628 135826,6

у1 8,43 0,8 38,2 11,4 12,22093 0,8 53,2 12,15825

у2 9,18 0,1 49,2 15,1 12,18372 0,1 79,9 15,58462

у5 12592,98 200,6 81672,8 22903,5 221,4233 27,5 1415 310,2202

у6 17899,58 13248,9 29402,84 3996,3 15690,77 7267,251 23838,8 3199,679

у7 29263,07 16654,36 49145,27 8904,7 18234,77 11593,1 38145,27 5474,672

у8 1536,53 1070,48 1899,72 215,3 1037,189 609,98 1545,3 210,9163

У9 83,23 52,7 99,8 14,5 53,4186 1,7 97,9 17,52633

у10 89,58 71,2 100 9,5 69,74884 39,1 100 16,35758

Таблица 8

Общие характеристики данных показателей коммунальной инфраструктуры

РО 2019 г. (продолжение)

Городские округа Ростовской области Муниципальные районы Рост. обл.

среднее мин. макс. ст. откл. среднее мин. макс. ст. откл.

у11 85,68 57,4 99,3 13,5 89,77907 61,1 100 9,283483

у12 76,26 27,8 100 22,3 50,42093 12,2 97,9 18,80786

У13 86,78 58,8 100 12,9 59,27209 31,2 96,3 15,35471

у14 2,48 0,2 7,5 2,4 2,95814 0,1 54,1 8,269142

у15 89,53 47 100 15,3 73,7814 17,2 100 18,99923

у16 5307,77 332,7 41186,7 11007,1 523,3204 0,2 5960,09 963,0308

у17 1580,64 123 3781,333 1177,8 1392,25 1,1 3677,906 938,5638

у18 679,00 6,5 3417,77 904,3 342,2506 0,41 1017,72 298,0122

Источник: составлено автором

г.о. Шахты соответствовал относительной эффективности в 2010 и 2011 годах и в 2019 г. показатель был почти реабилитирован (0,956). В 2013 г. и 2016 г. можно заметить существенную потерю эффективности (0,6 и 0,275, соответственно), связанную с крайне низкими значениями показателей, результирующих проведение энергосберегающих мероприятий (у17, у 18) и относительно низкими значениями показателей группы доступности коммунальных услуг (у9-у15). Несколько схожая ситуация в оценках г.о. Новочеркасск, существенное снижение наблюдалось только в 2012 г., что также связано с низкими показателями у17, у18.

Также, 2012 г. стал наименее удачным, с точки зрения коммунальной инфраструктуры, периодом для г.о. Донецка и г.о. Каменск-Шахтинского (значения относительной эффективности 0,367 и 0,335). Данные городские округа обладают наибольшей схожестью по оценкам и в их динамике. Выделяя причины неэффективности, в первую очередь стоит назвать: доля убыточных организаций коммунальной сферы превысила среднее значение среди городских округов на конкретный год (22,6% - среднее значение х1 на 2012 г., 33,7% - среднее значение х2 на 2012 г.), относительно низкий показатель объема произведенной и распределенной коммунальной

продукции, средний среди городских округов на 2012 г. т3 - 0,0157, т3 г.о. Донецка - 0,0032, что на 80% ниже среднего. Во вторую очередь: низкие значения показателей, результирующих проведение энергосберегающих мероприятий, низкая заработная плата работников, занятых в коммунальной сфере.

В анализе динамики оценки г.о. Таганрога хочется выделить стабильно хорошие значения с 2010 г. по 2015 г., за этот период городской округ был крайне близок к планке относительной эффективности, установленной в среде, отставание было около 5%. С 2016 г. наблюдался спад, нижней точкой которого стал 2017 г., причиной чего могли послужить: количество убыточных организаций отраслей водоснабжения, водоотведения, сбора и утилизация отходов, деятельности по ликвидации загрязнений на 35% выше среднего (среднее значение х1 по городским округам на 2017 г. - 23,5%), малый объем произведенной и распределенной коммунальной продукции (т3 ниже среднего (0,0253) на 73%), и также, низкие значения показателей группы энергоэффективности. Хочется отметить, что значение оценки эффективности на 2019 год вновь вернулось к состоянию благоприятного для городского округа периоду (0,943).

Динамику показателей г.о. Батайска сложно назвать стабильной. Оценку

эффективности за 2011, 2012, 2014, 2015 г. можно охарактеризовать как

положительную (0,909 - 0,960), но 2013, 2016 и 2019 г. демонстрируют

наличие проблем в управлении коммунальной инфраструктурой городского

округа. Подробнее стоит рассмотреть мета-данные за 2019 год (БЕА-

эффективность - 0,492): большее количество убыточных организаций

отраслей водоснабжения, водоотведения, сбора и утилизация отходов,

деятельности по ликвидации загрязнений (среднее значение х1 по городским

округам на 2019 г. - 23,9%, г.о. Батайск - 40%), также большее количество

убыточных организаций отраслей обеспечения электрической энергией, газом

и паром, кондиционирования воздуха (среднее значение х2 по городским

округам на 2019 г. - 34%, г.о. Батайск - 50%), ниже средних значений

135

показатели группы доступности коммунальных услуг (у9-у15), крайне низкое значение т3 (0,03232 - среднее по г.о. на 2019 г., г.о. Батайск - 0,00144, что на 96% ниже среднего).

Что интересно, оба мета-показателя т3 и т4 связаны с х11 и их соотношение может предоставить информацию о направлении расходования бюджетных средств, выделенных на коммунальную инфраструктуру, в данном случае, т3 продемонстрировал крайне малый результат системы управления городского округа Батайска в отношении производства и распределения коммунальной продукции, но в тоже время, показатель т4 говорит об относительно малом размере среднемесячных начисляемых субсидий на семью (на 34% ниже среднего по г.о.) при достаточно высоких бюджетных затратах на коммунальную сферу (т2 на 20% выше среднего значения по городским округам (среднее т2 - 4,766). Таким образом, вышеописанная ситуация ставит вопрос о целесообразности расходования бюджетных средств.

Переходя к анализу оценок муниципальных районов (см. Таблица 9), в первую очередь стоит отметить достаточно стабильную динамику с 2012 по 2015 г. и рост числа эффективных мун. районов с 2017 по 2019 г. (см. Рисунок 16), что положительно отличается от динамики городских округов и может судить о развитии потенциала территорий области, касательно коммунального хозяйства.

Таблица 9

Оценки эффективности БЕЛ (муниципальные районы РО)

20101 20111 2012 2013 2014 2015 2016 20171 2018 2019

Азовский г1 0,749 0,112 0,447 0,821 0,912 0,639 0,619 0,569 0,396 0,313

Аксайский г2 0,905 1,000 0,848 0,343 0,933 0,918 0,481 0,758 0,828 0,938

Багаевский г3 0,221 0,267 0,065 0,742 0,832 0,589 0,764 0,690 0,678 0,394

Белокалитвинский г4 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Боковский г5 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Верхнедонской г6 1,000 1,000 1,000 1,000 1,000 1,000 0,535 1,000 1,000 1,000

Веселовский г7 0,780 0,335 0,330 0,725 0,737 0,704 0,500 0,719 0,713 0,353

Волгодонской г8 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Дубовский г9 0,348 1,000 0,746 0,887 0,552 0,614 0,829 0,777 0,798 1,000

2010 2011 2012

2013

2014

2015

2016 2017

2018

2019

Егорлыкский

Заветинский

Зерноградский

Зимовниковский

Кагальницкий

Каменский

Ка шарский

Константиновский

Красносулинский

Куйбышевский

Мартыновский

Матвеево-Курга нский

Миллеровский

Милютинский

Морозовский

Мясниковский

Неклиновский

Обливский

Октябрьский

Орловский

Песча нокопский

Пролетарский

Ремонтненский

Родионово-Несвета йский

Сальский

Семика ра корский

Советский

Тарасовский

Тацинский

Усть-Донецкий

Целинский

Цимлянский

Чертковский

Шолоховский

г10 г11 г12 г13 г14 г15 г16 г17 г18 г19 г20 г21 г22 г23 г24 г25 г26 г27 г28 г29 г30 г31 г32

г33 г34 г35 г36 г37 г38 г39 г40 г41 г42 г43

0,807 1,000 1,000 1,000 1,000 1,000 0,136 1,000 0,470 0,243 0,212 0,186 1,000 1,000 1,000 0,834 0,251 1,000 1,000 1,000 1,000 0,161 0,219

0,487 0,920 0,813 0,358 0,838 1,000 1,000 1,000 0,836 0,369 0,798

0,329 1,000 1,000 1,000 1,000 1,000 0,492 1,000 0,764 0,423 0,737 0,209 1,000 1,000 1,000 1,000 0,555 1,000 1,000 1,000 1,000 0,759 0,580

0,782 1,000 0,341 0,215 0,773 1,000 1,000 1,000 1,000 0,858 0,776

0,860 1,000 1,000 1,000 1,000 1,000 0,297 1,000 0,766 0,491 0,127 0,065 1,000 1,000 1,000 0,886 0,330 1,000 1,000 1,000 1,000 0,576 0,639

0,071 0,268 0,738 0,284 0,834 1,000 1,000 1,000 0,973 1,000 0,888

0,817 1,000 1,000 1,000 1,000 1,000 0,386 1,000 0,699 0,489 1,000 0,221 1,000 1,000 1,000 0,823 0,128 1,000 1,000 1,000 1,000 0,691 0,651

0,099 0,898 0,627 0,495 0,463 1,000 1,000 1,000 0,910 0,413 0,907

0,256 1,000 1,000 1,000 1,000 1,000 0,183 1,000 0,727 0,625 0,857 0,430 1,000 1,000 1,000 0,632 0,357 1,000 1,000 1,000 1,000 0,899 0,626

0,304 0,399 0,503 0,448 0,821 1,000 1,000 1,000 0,941 0,819 0,919

0,785 1,000 1,000 1,000 1,000 1,000 0,245 1,000 0,093 0,648 0,892 0,651 1,000 1,000 1,000 0,915 0,196 1,000 1,000 1,000 1,000 0,934 0,672

0,269 0,728 0,346 0,223 0,662 1,000 1,000 1,000 0,957 0,740 0,958

0,372 1,000 0,521 1,000 1,000 1,000 0,419 1,000 0,913 0,401 0,509 0,496 1,000 1,000 1,000 0,812 0,358 1,000 1,000 1,000 1,000 0,887 0,538

0,381 0,905 0,726 0,381 0,698 1,000 1,000 1,000 0,513 0,512 0,872

0,568 1,000 1,000 1,000 1,000 1,000 0,283 1,000 0,841 0,765 0,141 0,533 1,000 1,000 1,000 0,628 0,143 1,000 1,000 1,000 1,000 0,712 0,651

0,635 0,863 0,482 0,452 0,733 1,000 1,000 1,000 0,676 1,000 1,000

0,505 1,000 1,000 1,000 1,000 1,000 0,496 1,000 0,653 0,682 0,210 0,720 1,000 1,000 1,000 0,628 0,267 1,000 1,000 1,000 1,000 0,754 0,691

0,306 0,947 0,900 0,581 0,625 1,000 1,000 1,000 0,624 0,775 1,000

1,000 1,000 0,880 1,000 1,000 1,000 0,286 1,000 0,534 0,634 0,258 0,350 1,000 1,000 1,000 1,000 0,582 1,000 1,000 1,000 1,000 1,000 0,667

0,667 0,715 0,582 1,000 1,000 1,000 1,000 1,000 0,687 0,460 1,000

Источник: составлено автором

80% 60% 40% 20% 0%

Рисунок 16. Динамика общей доли мун. районов РО с относительно эффективной системой управления КИ. Источник: составлено автором

Следующие муниципальные районы Ростовской области, исходя из

оценок, обладали относительной эффективностью на протяжении всего

исследуемого периода: Белокалитвинский, Боковский, Волгодонской,

Заветинский, Зимовниковский, Кагальницкий, Каменский, Константиновский,

Миллеровский, Милютинский, Морозовский, Обливский, Октябрьский,

Орловский, Песчанокопский, Тацинский, Усть-Донецкий, Целинский. Данные

муниципальные районы составили почти 42% от общего перечня. Далее,

анализ причин неэффективности будет сосредоточен преимущественно на

периоде 2019 г. (для мун. районов с оценками <1).

Стоит отдельно рассмотреть несколько групп показателей и выделить

условно неэффективные м.о. с значениями ниже среднего. Касательно

финансовой группы показателей затратного типа, следующие м.о. обладают

отрицательным отклонением от среднего значения:

х1 (среднее значение по м.о. - 46,9): Азовский (+71%), Багаевский