Пространственное моделирование электоральных предпочтений в Российской Федерации тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кулецкая Лада Евгеньевна

  • Кулецкая Лада Евгеньевна
  • кандидат науккандидат наук
  • 2024, ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики»
  • Специальность ВАК РФ00.00.00
  • Количество страниц 104
Кулецкая Лада Евгеньевна. Пространственное моделирование электоральных предпочтений в Российской Федерации: дис. кандидат наук: 00.00.00 - Другие cпециальности. ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики». 2024. 104 с.

Оглавление диссертации кандидат наук Кулецкая Лада Евгеньевна

Введение

Актуальность темы исследования

Степень разработанности направления исследования (обзор литературы)

Незаполненные пробелы

Цель и задачи исследования

Научная новизна

Основные результаты исследования

Апробация результатов исследования

Структура работы

Глава 1. Данные, используемые в работе, их обработка и методологические основы исследования

Единица наблюдения

Источники и состав данных

Объясняющие переменные

Ограничения исследования

Подходы к корректировке исходных данных

Заполнение пропусков для переменных социально-экономических факторов муниципальных образований и корректировка матрицы соседства муниципалитетов для каждой переменной

Глава 2. Анализ пространственной зависимости результатов голосования с использованием

глобальных и локальных индексов пространственной зависимости

2.1. Оценка силы взаимосвязи результатов голосования у соседних территорий с использованием глобальных индексов пространственной зависимости

Постановка исследовательских задач и выдвижение гипотез

Методика анализа

Результаты расчетов глобальных индексов пространственной автокорреляции и выводы

2.2 Кластеризация регионов на основании значимых локальных индексов пространственной зависимости

Постановка исследовательских задач и выдвижение гипотез

Методика анализа

Результаты расчетов локальных индексов пространственной автокорреляции и выводы

Глава 3. Моделирование результатов голосования на примере одного из регионов России

Постановка исследовательских задач и выдвижение гипотез

Использование модели пространственной авторегрессии (SAR) и ее модификации для оценки связи пространственных переменных, социально-экономических факторов и результатов голосования на примере одного региона

Глава 4. Моделирование результатов голосования для всех регионов России

Постановка исследовательских задач и выдвижение гипотез

2

Методика анализа

Результаты и обсуждение

Заключение

Практическая и теоретическая значимость исследования

Список литературы

Приложение 1. Механизм формирования объясняющих переменных

Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Введение диссертации (часть автореферата) на тему «Пространственное моделирование электоральных предпочтений в Российской Федерации»

Введение Актуальность темы исследования

Анализ политического поведения избирателей и определение факторов, связанных с результатами голосования, являются одними из самых обсуждаемых и исследуемых разделов научной литературы. Данная тема раскрывается исследователями с совершенно разных точек зрения. Например, в эмпирических работах часто изучают взаимосвязи между результатами выборов и социально-экономическими факторами, которые могли бы на них повлиять. Делаются также попытки более детально оценить влияние внешней среды, включающей в себя взаимосвязь участия в социальных группах, мобильности и состава ближайшего окружения на готовность голосовать за конкретных кандидатов на выборах. Подобный анализ требует использования пространственной эконометрики, которая становится необходимым инструментарием для исследователей. Можно сделать вывод, что по данной теме представлен широкий спектр направлений и вопросов для изучения и проработки.

Данная диссертационная работа посвящена применению методов пространственного моделирования на примере президентских выборов в России 2018 года для определения ключевых факторов, которые значимо связаны с результатами голосования за основного кандидата.

В качестве возможных факторов в работе предлагается рассмотреть ряд социально-экономических показателей самих территорий, а также влияние друг на друга самого электората, живущего на соседних территориях (пространственные эффекты). Особый акцент в работе сделан именно на важности включения пространственных эффектов для корректного оценивания взаимосвязи результатов голосования и социально-экономических факторов. Во многих исследованиях подчеркивается, что исключение из рассмотрения пространственных эффектов может привести к изменениям в оценках

коэффициентов итоговой модели (Anselin, 1988; Kim, Elliott, Wang, 2003; Семерикова, Демидова, 2015; Демидова, Иванов, 2016).

В данной работе анализ проводится не только на уровне регионов, но и на уровне муниципалитетов и территориальных избирательных комиссий (далее -ТИК): предполагается, что такой уровень детализации позволит повысить качество оцениваемых моделей, особенно учитывая масштаб и неоднородность регионов России.

Диссертационное исследование особенно актуально сейчас потому, что анализирует результаты выборов именно в России. На данный момент большая часть научной литературы сконцентрирована на изучении западных демократий, а в работах, посвященным выборам в России, часто больший упор сделан не на применение пространственных методов, а на политические и социальные аспекты, определяющие явку и итоги голосования. При этом результаты могут сводиться к указанию на авторитарную политическую структуру страны, а также на необходимость учитывать региональный аспект, поскольку "некоторые региональные лидеры используют свой жесткий политический контроль для обеспечения сильной электоральной поддержки на федеральных выборах" (Moraski, Reisinger, 2010, p.2). Кроме того, как подчеркивают Moraski, Reisinger (2010), тенденции в голосовании в России проявляются в виде образования определенных географических кластеров с регионами - лидерами, влияющими на своих соседей: "некоторые регионы, увидев избирательное поведение регионов-лидеров, осознали вероятные выгоды от аналогичных действий и соответственно изменили свое поведение" (Moraski, Reisinger, 2010, p.3). Именно поэтому применение методов пространственно-эконометрического анализа к голосованию в России представляется особенно интересным, и результаты не обязательно будут схожи с результатами, полученными для западных демократий. В работах, посвященных анализу российских выборов, существует большая вариация

предметов, тем исследований и методов оценки, что создает простор, не позволяющий сделать однозначные выводы о влиянии тех или иных факторов на результаты голосования. Совокупность вышесказанного обуславливает значимость вносимого представленной работой вклада в научную литературу.

Полученные в работе результаты позволяют, с некоторыми ограничениями, делать предположения о том, какие именно факторы могут быть связаны с принятием решения на выборах, в какой степени электорат влияет друг на друга, и как экономические решения и действия кандидата в каком-либо регионе повлияют на результаты голосования.

Степень разработанности направления исследования (обзор литературы)1

На сегодняшний день в академической литературе по анализу политического поведения избирателей представлено огромное число работ, посвященных пространственному моделированию электорального выбора и определению факторов, влияющих на политические предпочтения голосующих и, соответственно, на результаты голосования.

«В теоретических работах пространственное моделирование электорального выбора представлено, в первую очередь, соотнесением позиций кандидатов и избирателей на выборах в w-мерном политическом пространстве (political space): кандидат, чья позиция оказывается наиболее близка к избирателю, получает его голос (Downs, 1957; Ахременко, 2007). То есть моделируется общий механизм принятия решений (decision making) в контексте выборов между несколькими альтернативами». (Кулецкая, 2021).2

Многие исследователи, ознакомившись с теоретическими положениями, задались вопросом о том, что именно может влиять на политические позиции

1 Данный раздел основан на статье: Кулецкая Л. Е. Пространственные модели электорального выбора: обзор теоретических и эмпирических подходов //Пространственная экономика. - 2021. - Т. 17. - №. 2. - С. 127-164

2 Здесь и далее при прямом цитировании результатов предполагается, что нумерация формул, рисунков, таблиц, а также форма сокращений и имеющиеся в тексте ссылки, могут отличаться от процитированной работы.

электората и их мнение относительно кандидатов, и предположили, что избиратели зависят друг от друга, от своего социального окружения, от города и района, в котором живут (Burbank, 1997; Huckfeldt, 1986; Huckfeldt, Sprague, 1987, 1991).

«Именно данные предположения послужили толчком для дальнейшего развития пространственной эконометрики в области моделирования электорального выбора и появлению множества эмпирических работ, использующих данные о голосовании в разных странах. В то время как большая часть таких работ сконцентрирована на общих экономических или политических факторах в стране, влияющих на результаты выборов (и в таком случае методы пространственной эконометрики становятся лишь необходимым инструментарием), остальная часть исследований посвящена попыткам описать и предсказать влияние членства в социальных группах, мобильности или взаимного влияния избирателей на склонность вступать в определенные партии и голосовать за конкретных кандидатов. Основной гипотезой в таких работах является предположение о положительной пространственной автокорреляции, то есть о том, что практически для всех социально-экономических и политических явлений пространственно близкие единицы (территории) будут с большей вероятностью вести себя аналогично, чем пространственно отдаленные единицы (Berry, Berry, 1990; Huckfeldt, 1986)». (Кулецкая, 2021).

Данный раздел посвящен подробному описанию основных работ в области пространственного анализа и построен следующим образом: в начале следует подраздел «Теоретический подход к пространственному моделированию электорального выбора», в котором представлены основные теоретические работы по пространственному моделированию электоральных предпочтений. Далее следуют подразделы «Базовые способы учета пространственного взаимодействия в эмпирических работах» и «Методы построения эмпирических моделей пространственного взаимодействия», в которых представлены

основные методы эмпирического анализа выбора избирателей, используемые в расчетных статьях. Сами статьи описаны в последующих подразделах: в подразделе «Эмпирические исследования в области учета влияния пространственного взаимодействия в моделях электорального выбора» описаны работы, посвященные применению различных методов пространственного анализа к результатам голосования, где основной упор сделан на эконометрическую составляющую и различиям в разных методах оценки пространственных моделей. В подразделе «Эмпирические исследования в области оценки контекстуальных эффектов в моделях электорального выбора» описаны работы, основной целью которых является анализ степени влияния эффектов соседства на результаты голосования, и где основной упор сделан именно на качественных выводах относительно всех предполагаемых факторов влияния. Далее следует подраздел «Эмпирические исследования на российских данных», где описаны работы, посвященные именно российским выборам и оценке факторов, влияющих на выбор российских избирателей.

Теоретический подход к пространственному моделированию электорального выбора

Исследований-обзоров, посвященных теоретическим принципам и постулатам пространственного моделирования электорального выбора довольно много, например статьи (Balzer, Dreier, 1999; Duggan, 2005; Poole, 2005; Roemer, 2004; Tanner, 1994; Ахременко, 2007). В основном это именно англоязычная литература, но среди статей на русском языке хочется отметить работы (Ахременко, 2007, 2009), в которых очень понятно и подробно описаны основные фундаментальные пространственные теории моделирования выбора избирателей (также в литературе указанные как пространственные теории голосования (spatial theory of voting).

Возникновение пространственного моделирования выбора избирателей и классический подход

«Идея использовать пространственное моделирование для анализа электорального выбора избирателей появилась сравнительно давно, и первыми работами в данной области стали (Black, 1948; Downs, 1957; Hotelling, 1929). В своей работе Hotelling (1929) затронул тему конкуренции между двумя фирмами и выбора наилучшего местоположения для каждой из них с точки зрения максимизации их прибыли, и, при помощи математических моделей, показал, что обе фирмы будут размещаться на одном месте, рядом друг с другом. Hotelling (1929) писал, что примером такого поведения могут быть и конкурирующие политические партии: партиям не выгодно сильно отличаться друг от друга, рискуя потерять многие голоса, поэтому каждая партия будет стремится сделать свою политическую программу максимально похожей на программу конкурента (во всяком случае, если рассматривать двухпартийную систему - например, республиканцев и демократов, как пишет (Hotelling, 1929).

Выводы работы (Hotelling, 1929) в разрезе конкуренции между политическими партиями были применены в работе (Downs, 1957), где Downs подтвердил тезис (Hotelling, 1929) о том, что при двухпартийной системе программы партий будут похожи друг на друга, но отметил, что партии в многопартийной системе стараются как можно более идеологически отличаться друг от друга. В своей работе Downs (1957) описывает одномерную пространственную модель принятия решений, основанную на теории рационального выбора (также называемой positive political theory), основным принципом которой является рациональность избирателей. В данной одномерной модели, также названной в литературе «классической» и «моделью близости» (proximity model of voting), избиратели являются рациональными агентами и принимают решение о голосовании за того или иного кандидата путем сравнения своих собственных политических воззрений и предпочтений по различным вопросам и позиций кандидатов или партий по тем же вопросам, максимизируя свою полезность от победы той или иной партии (Downs, 1957). Таким образом, рациональные избиратели всегда будут поддерживать

9

кандидата или партию, чьи политические убеждения и программы близки к их собственным предпочтениям. В пространственном контексте это означает, что избиратели просто стремятся минимизировать расстояние на одной линии между своей «идеальной точкой» (fixed ideal point) и «точкой» кандидата или партии (Black, 1948; Downs, 1957). Задача же каждой партии -максимизировать количество отданных ей голосов». (Кулецкая, 2021).

Альтернативный классическому подход к пространственному моделированию выбора избирателей

«Таким образом, рассматривая «модель» близости, можно сформулировать четкие принципы моделирования выбора избирателей: избиратели рациональны и стремятся к максимизации своей полезности, политические позиции кандидатов расположены на одной линии, как и «идеальные точки» избирателей, избиратели четко и однозначно могут определить и свою позицию в политическом пространстве, прогнозировать позиции партий по конкретным политическим вопросам и соответственно отдавать свой голос той партии, чьи позиции наиболее близки к их собственным (Ахременко, 2007). Однако данные принципы были впервые поставлены под сомнение в работах (Macdonald et al., 1991; Rabinowitz, Macdonald, 1989), в которых авторы выдвинули альтернативу пространственной «модели близости»: «векторную модель» (directional model). Согласно «векторной модели», избиратели, принимая решение, оценивают не только расстояние между своими «идеальными точками» и позициями кандидатов и партий. Избиратели предпочитают те партии и кандидатов, которые занимают твердую позицию по политическим вопросам и заявляют, что продвигают политику в том же направлении, которое предпочитает избиратель. То есть, если существуют некий центр или нейтральная точка политических позиций, избиратели поддерживают тех кандидатов, чьи политические позиции находятся в том же направлении от центра, что и «идеальные точки» избирателей (Macdonald et al., 1991; Rabinowitz, Macdonald,

1989). В отличие от «модели близости», «векторная модель» предполагает, что избиратель сам имеет определенное мнение по ряду политических вопросов, и оценивает, насколько партии поддерживают его мнение и как сильно его проявляют.

Исследований, проверяющих «модель близости» или «векторную модель» на реальных данных, очень мало, так как выполнить такие вычисления практически невозможно». (Кулецкая, 2021). Статья (Jessee, 2009) представляет собой одну из таких исследований. В частности, в работе (Jessee, 2009) была рассмотрена взаимосвязь между идеологической близостью избирателей к Бушу и Керри и вероятностью их участия в президентских выборах США 2004 года. «Подводя итоги своей работы, Jessee (2009) пишет, что "...в целом поведение избирателей тесно согласуется с допущениями формальных моделей, в которых идеологическая близость граждан к кандидатам и партийные привязанности в совокупности определяют полезность, которую они получают от голосования за каждую кандидатуру. Данные результаты подчеркивают важность теоретического подхода к моделированию поведения избирателей, демонстрируя, что, хотя решения о голосовании являются совокупностью многих различных факторов, большая часть поведения граждан на выборах может быть объяснена относительно упрощенной и скупой теоретической основой" (Jessee, 2009, p.76)». (Кулецкая, 2021).

Пространственное моделирование электорального выбора через призму контекстуальных эффектов

Приведенные выше модели демонстрируют базовый математический подход к тому, как можно моделировать выбор избирателей, используя функции полезности избирателей, позиции избирателей по политическим вопросам и их соотнесение с позициями кандидатов, однако до сих пор не была затронута тема того, как именно избиратели влияют друг на друга, и как внешняя среда влияет на них. Как уже было описано ранее, используя «модель

близости» (Downs, 1957), многие исследователи в области политической науки и психологии предположили, что, определяя свои собственные политические позиции, избиратели зависят друг от друга, от своего социального окружения, от города и района, в котором живут (Burbank, 1997; Huckfeldt, 1986; Huckfeldt, Sprague, 1987, 1991). «То есть, политический выбор индивидов может быть обусловлен, во-первых, личными индивидуальными предпочтениями, а во-вторых, предпочтениями и характеристиками других людей в общей социальной среде (состоящей из друзей, семьи, соседей, коллег, и т.д.). Таким образом, информация, с которой сталкиваются люди и используют для формирования своего мнения, предпочтений и позиций, изначально предвзята и выражает мнение соответствующей социальной группы. Люди более склонны менять направление своих предпочтений, если те, с кем они часто обсуждают политические вопросы, поддерживают это направление, особенно если они являются членами семьи (Burbank, 1997)». (Кулецкая, 2021). Кроме того, как утверждают Wuhs, McLaughlin (2019), соседние округа могут демонстрировать сходные результаты голосования, потому что сами округа могут подвергаться влиянию одного и того же ненаблюдаемого и неочевидного эффекта или события. Такое влияние от социального окружения на выбор избирателей было названо «эффектами соседства» (neighboring effects) (Durlauf, 2004; Foladare, 1968; Pattie, Johnston, 2000).

«В более широком смысле употребляется также термин «контекстуальные эффекты» (contextual effects), когда подразумевается не только влияние от социального окружения, от индивидов друг на друга, а в том числе эффект от прослушивания масс медиа, влияния от политической агитации, и других внешних факторов (Burbank, 1997; Ethington, McDaniel, 2007; Johnson, Shively, Stein, 2002).

Основополагающая работа (Cox, 1968) по контекстуальным эффектам включала также изучение эффектов расстояния (distance effects), а именно, как

влияет расположение лондонских избирательных округов на выбор избирателей. В своих дальнейших работах Cox (1969) сосредоточился на уже описанных ранее контекстуальных эффектах, утверждая, что избиратели руководствуются информацией и сигналами политического поведения, доминирующими в их районе проживания». (Кулецкая, 2021).

В 2023 году была опубликована монография (Окунев, 2023), в которой автор подробно разбирает роль пространственной географии в моделировании электорального процесса. В работе освещены теоретические и методологические аспекты оценки взаимосвязи пространственно близких единиц (описанные, например, в (O'Loughlin, 2003; Shin, 2009; Linke, 2015)), а также указаны оценки степени влияния такой взаимосвязи на электоральное поведение граждан.

Базовые способы учета пространственного взаимодействия в эмпирических работах

«Пространственное моделирование электорального выбора в эмпирических работах, безусловно, отличается от теоретических моделей и в первую очередь подразумевает использование методов пространственной эконометрики, детально описанных, например, в (Beck, Gleditsch, Beardsley, 2006; Burnett, Lacombe, 2012; Leenders, 2002; LeSage, 2008). В некоторых работах модели пространственной эконометрики становятся лишь необходимым инструментом для ответа на основной исследовательский вопрос (например, какие именно экономические или политические факторы влияют на выбор избирателей), а в некоторых работах анализируются и оцениваются сами контекстуальные эффекты и эффекты соседства в голосовании (то есть, например, как избиратели, живущие на соседних территориях влияют на политические предпочтения друг друга), и тогда уже результаты применения методов пространственной эконометрики становятся центральным объектом исследования (какова разница в результатах при применении разных методов,

насколько она существенна, и т.д.). Тем не менее, развитие пространственной эконометрики происходило вместе с теоретическими моделями, предположениями в них, и во многом основано на гипотезе взаимного влияния индивидов, проживающих на соседних территориях, друг на друга». (Кулецкая, 2021).

Как подчеркивают многие авторы (например, (Burnett, Lacombe, 2012)), одной из первых работ в области пространственной эконометрики стала работа (Ord, 1975). В этой статье Ord представляет несколько практических методов оценки моделей, которые пытаются описать взаимодействие между соседними локациями. В первой части своей работы автор приводит непосредственно сами модели пространственного взаимодействия; все они по своей сути основаны на авторегрессионной модели первого порядка, включающую весовую матрицу соседства, которая представляет собой степень близости рассматриваемых единиц наблюдений (локаций), согласно формуле 1:

Yi = a + pZ%1wij Yj + £i (i = 1.....n) (1)

где n - число территорий; i и j - некоторые территории из числа n; wtj -элементы весовой матрицы соседства для территорий i и j (при этом диагональные элементы матрицы соседства равны нулю, т.е. wit = 0); Yt и Yj -наблюдение зависимой переменной при локациях i и j; а и р - параметры модели; £i~N(0, a2), i. i. d.

Матрицу весов можно задавать по-разному, но, в любом случае, как подчеркивает Ord (1975), оценка коэффициентов модели методом наименьших квадратов (далее по тексту - МНК) не подходит для пространственных моделей, т.к. МНК-оценки становятся несостоятельными (inconsistent). В связи с этим Ord (1975) предлагает метод максимального правдоподобия (далее по тексту -ML) для оценки коэффициентов, а также комментирует несколько других, менее популярных на тот момент подходов. Здесь стоит отметить, что также

существует ряд других работ, представляющих различные подходы к методам оценки пространственных моделей: в частности, Kelejian, Prucha (1998) в своей работе предлагают обобщенный метод моментов с использованием инструментальных переменных, Griffith (2003) предлагает так называемую пространственную фильтрацию (spatial filtering), а в работе (LeSage, 1997) описаны байесовские методы оценки авторегресионных моделей.

После работы (Ord, 1975) в научном сообществе появились широко признанные работы (Anselin, 1988, 1995). В частности, в работе (Anselin, 1995) Anselin предлагает класс локальных индикаторов пространственной автокорреляции (LISA). Эти показатели отличаются от глобальных индикаторов тем, что позволяют оценить вклад каждого отдельного наблюдения в зависимую переменную и определить, какие территории формируют локальные кластеры (кластеризация сходных значений зависимой переменной), а какие территории образуют локальные выбросы (кластеризация разнородных значений зависимой переменной). Локальные индикаторы состоят из локальных индексов Moran's I (Moran, 1950), Geary's C (Geary, 1954), Getis-Ord's G (Fisher, Wang, 2011), формулы и описание которых также будет представлено ниже в данной работе.

Методы построения эмпирических моделей пространственного взаимодействия

Любая эконометрическая пространственная модель, согласно (LeSage, 2008), опирается на процесс пространственной авторегрессии и на то, как именно задана матрица соседства, которая является непременным элементом в данных моделях. Матрица соседства чаще всего представляет собой нормированную по строчкам матрицу W, до нормирования состоящую из «0» и «1», где «1» принадлежит двум соседним территориям (имеющим общую границу), «0» - если территории не имеют общей границы. «Весовая матрица соседства, умноженная на вектор зависимой переменной, представляет собой

пространственный лаг и является средним значением зависимом переменной у соседних территорий». (Кулецкая, 2021).

Согласно (LeSage, 2008), для пространственного анализа обычно используются три классические пространственные модели, модель пространственного лага (далее по тексту - SAR), модель пространственной ошибки (далее по тексту - SEM) и пространственная модель Дарбина (далее по тексту - SDM).

SAR предполагает, что зависимая переменная, наблюдаемая на некоторой территории, зависит от данной переменной, наблюдаемой на соседних территориях (это уже описанный ранее пространственный лаг), а также от набора прочих характеристик и представлена уравнением (2):

Ун = Р1%1 Щ УЦ + *itß + ßi + % (2)

где N - число территорий; i и j - некоторые территории из числа N; t-индекс для измерения времени (периодов времени); wtj - элементы матрицы соседства для территорий i и j (при этом диагональные элементы матрицы соседства равны нулю, т.е. wit = 0); yit - наблюдение зависимой переменной при некоторых i и t; xit - вектор - строка независимых переменных; ß-соответствующий вектор оценок коэффициентов; sit~N(0, а2), i. i. d., в то время как ^ обозначает фиксированные эффекты.

В SEM, напротив, предполагается, что зависимая переменная зависит от набора наблюдаемых локальных характеристик, и что ошибки пространственно коррелированы в пространстве. Такая модель представлена уравнением (3):

Ун = *itß + ßi + Vit

Vit = Vit+£it (3)

где отражает пространственно - автокоррелированный член ошибки, а под А подразумевают пространственный коэффициент автокорреляции.

В SDM (формула 4) вводится среднее значение объясняющих переменных из соседних территорий, созданных с использованием произведения матрицы соседства и матрицы регрессоров.

Ун = Р Wij yjt + Xitß + О Y!-=! Wtj Xjt + £it (4)

где N - число территорий; i и j - некоторые территории из числа N; t-индекс для измерения времени (периодов времени); wtj - элементы матрицы соседства для территорий i и j (при этом диагональные элементы матрицы соседства равны нулю, т.е. wit = 0); yit - наблюдение зависимой переменной при некоторых i и t; xit - вектор - строка независимых переменных; ß -соответствующий вектор оценок коэффициентов независимых переменных; в -соответствующий вектор оценок коэффициентов матричного произведения матрицы соседства и независимых переменных; sit~N(0, a2), i. i. d.

В своей работе Franzese, Hays (2007) демонстрируют эконометрические последствия различных вариантов оценки пространственных моделей (для оценки параметров модели были использованы следующие методы: обычный (непространственный) МНК, пространственный МНК (модель включает в себя пространственный лаг зависимой переменной), пространственный двухшаговый МНК (пространственный лаг зависимой переменной как эндогенная переменная инструментируется) и пространственный метод максимального правдоподобия). «Вывод в данной работе состоит в том, что пространственный МНК показывает состоятельные оценки при небольшой выборке и низкой или умеренной силе взаимосвязи переменных (Franzese, Hays, 2007). Пространственный двухшаговый МНК и пространственный метод максимального правдоподобия более универсальны (с учетом того, что выбранные для пространственного двухшагового МНК инструменты окажутся релевантыми и валидными), и показывают несмещенные и состоятельные оценки (Franzese, Hays, 2007)». (Кулецкая, 2021).

Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Список литературы диссертационного исследования кандидат наук Кулецкая Лада Евгеньевна, 2024 год

Список литературы

Алескеров Ф. Т., Бородин А. Д., Каспэ, С. И., Маршаков В. А., Салмин А. М. (2005). Анализ электоральных предпочтений в России в 1993-2003 гг.: динамика индекса поляризованности // Экономический Журнал Высшей Школы Экономики. Т. 9. № 2. С. 173-184.

Алескеров Ф. Т., Голубенко М. А. (2003). Об оценке симметричности политических взглядов и поляризованности общества. Препринт ГУ Высшая Школа Экономики, WP7/2003/04, Москва.

Ахременко А. С. (2007). Пространственное моделирование электорального выбора: развитие, современные проблемы и перспективы (II) // Полис. Политические Исследования. Т. 2. С. 165-179.

Ахременко А. С. (2009). Пространственный электоральный анализ: характеристика метода, возможности кросснациональных сравнительных исследований // Политическая Наука. Т. 1. С. 32-59.

Бородин А. Д. (2005). Согласованность коллективных действий в поведении российских избирателей // Экономический Журнал Высшей Школы Экономики. Т. 9. № 1. С. 74-81.

Демидова, О. А. (2014). Пространственно-авторегрессионная модель для двух групп взаимосвязанных регионов (на примере Восточной и Западной части России) // Прикладная эконометрика, (2 (34)), 19-35.

Демидова О. А., Иванов Д. С. Модели экономического роста с неоднородными пространственными эффектами (на примере российских регионов) // Экономический журнал Высшей школы экономики. - 2016. - Т. 20. - №. 1. - С. 52-75.

Жирнова Л. С. (2022). Региональные тенденции электоральной поддержки латвийских партий: фактор соседства // Балтийский регион, 14(1), 138-158.

Захарова Е. А. (2021). Электоральные процессы в фюльке Норвегии через призму пространственного анализа // Псковский регионологический журнал, (1 (45)), 110-125.

Корнеева Е. М. Локальный уровень голосования в России: пространственно-эконометрический подход // Политическая наука. - 2021. - №. 3. - С. 229250.

Окунев И. Ю. (2023). Электоральная география: монография // Издательство «Аспект Пресс». С. 1-312.

Окунев И. Ю., Осколков П. В., Тисленко М. И. Бибина Э. С., Шиловский Р. С. (2020). Объединение регионов Российской Федерации: социологические данные, глубинные интервью, сравнительный анализ // Общество с ограниченной ответственностью Издательство Аспект Пресс.

Семерикова Е. В., Демидова О. А. Анализ региональной безработицы в России и Германии: пространственно-эконометрический подход // Пространственная экономика. - 2015. - №. 2. - С. 64-85.

Туровский Р. Ф. Президентские выборы в России: возможности и пределы электоральной консолидации // Журнал политической философии и социологии политики «Полития. Анализ. Хроника. Прогноз». - 2018. - №. 2 (89). - С. 23-50.

Шестакова М. Н. (2020). Электоральные исследования приграничных территорий в отечественной науке: состояние и перспективы // Каспийский регион: политика, экономика, культура, (1 (62)), 43-54.

Abrams B. A., Butkiewicz J. L. (1995). The influence of state-level economic conditions on the 1992 U.S. presidential election. Public Choice, 85(1-2), 1-10.

Alvarez R. M., Hall T. E., Hyde S. D. (Eds.). (2009). Election fraud: detecting and deterring electoral manipulation. Brookings Institution Press.

Anselin L. (1988). Spatial econometrics: methods and models. Studies in Operational Regional Science. https://doi.org/10.1007/978-94-015-7799-1

Anselin L. (1993). The Moran scatterplot as an ESDA tool to assess local instability in spatial. Spatial Analytical Perspectives on GIS, 111-126. https://doi.org/10.1201/9780203739051-8

Anselin L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93-115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x

Arzheimer K., Evans J. (2012). Geolocation and voting: Candidate-voter distance

effects on party choice in the 2010 UK general election in England. Political Geography, 37(5), 301-310. https://doi.org/10.10167j.polgeo.2012.04.006

Balzer W., Dreier V. (1999). The structure of the spatial theory of elections. British Journal for the Philosophy of Science, 50(4), 613-638. https://doi.org/10.1093/bjps/50A613

Beck N., Gleditsch K. S., Beardsley K. (2006). Space Is More than Geography: Using Spatial Econometrics in the Study of Political Economy. International Studies Quarterly, 50(1), 27-44. https://doi.org/10.1111/j.1468-2478.2006.00391 .x

Berry F. S., Berry W. D. (1990). State Lottery Adoptions as Policy Innovations : An Event History Analysis. The American Political Science Review, 84(2), 395-415. https://doi.org/10.2307/1963526

Black D. (1948). On the rationale of group decision-making. Journal of Political Economy, 56(1), 23-34. https://doi.org/10.1016/S0140-6736(02)71855-2

Boudreau C., Elmendorf C. S., MacKenzie, S. A. (2019). Racial or Spatial Voting? The Effects of Candidate Ethnicity and Ethnic Group Endorsements in Local Elections. American Journal of Political Science, 63(1), 5-20. DOI: 10.1111/ajps. 12401

Burbank M. J. (1997). Explaining contextual effects on vote choice. Political Behavior, 19(2), 113-132. https://doi.org/10.1023/A:1024806024732

Burnett J. W., Lacombe D. (2012). Accounting for Spatial Autocorrelation in the 2004 Presidential Popular Vote: A Reassessment of the Evidence. Review of Regional Studies, 42(1), 75-89. https://doi.org/10.1177/1091142106295768

Chang E. C., Golden M. A. (2007). Electoral systems, district magnitude and corruption. British journal of political science, 37(1), 115-137.

Cho S., Endersby J. W. (2003). Issues, the spatial theory of voting, and British general elections: A comparison of proximity and directional models. Public Choice, 114(3-4), 275-293. https://doi.org/10.1023/A: 1022616323373

Christensen R., Schultz T. J. (2014). Identifying election fraud using orphan and low propensity voters. American Politics Research, 42(2), 311-337.

Coleman S. (2018). Voting and conformity: Russia, 1993 - 2016. Mathematical Social Sciences, 94, 87-95.

https://doi.org/https://doi.org/10.1016/j.mathsocsci.2017.10.005

Cox K. R. (1968). Suburbia and Voting Behavior in the London Metropolitan Area. Annals of the Association of American Geographers, 58(1), 111-127. https://doi.org/10.1111/j.1467-8306.1968.tb01639.x

Cox K. R. (1969). The voting decision in a spatial context. Progress in Geography, 1, 81-117.

Cutts D., Webber D., Widdop P., Johnston R., Pattie C. (2014). With a little help from my neighbours : A spatial analysis of the impact of local campaigns at the 2010 British general election. Electoral Studies, 34, 216-231. https://doi.org/10.1016/j .electstud.2013.12.001

Darmofal D. (2006). Spatial Econometrics and Political Science. Society for Political Methodology Working Paper. Archive: Http://Polmeth. Wustl. Edu/Workingpapers. Php.

Davis O. A., Hinich M. J., Ordeshook P. C. (1970). An Expository Development of a Mathematical Model of the Electoral Process. The American Political Science Review, 64(2), 426-448. https://doi.org/10.2307/1953842

Downs A. (1957). An economic theory of political action in a democracy. Journal of Political Economy, 65(2), 135-150. https://doi.org/10.1111/j.1467-6435.1986.tb01254.x

Duggan J. (2005). A survey of equilibrium analysis in spatial models of elections.

Unpublished Manuscript.

Durlauf S. N. (2004). Neighborhood Effects. In Handbook of regional and urban economics (pp. 2173-2242). Elsevier. https://doi.org/10.1016/B978-008044910-

4.00480-6

Elhorst J. P. (2010). Spatial Panel Data Models. In Handbook of Applied Spatial Analysis (pp. 377-407). https://doi.org/10.1007/978-3-642-03647-7

Elhorst J. P. (2017). Spatial Panel Data Analysis. Encyclopedia ofGIS, 2050-2058. https://doi.org/10.1007/978-3-319-17885-1 1641

Elinder M. (2010). Local economies and general elections: The influence of municipal and regional economic conditions on voting in Sweden 1985-2002. European Journal of Political Economy, 26(2), 279-292. DOI: 10.1016/j.ejpoleco.2010.01.003

Enelow J. M., Hinich M. J. (1989). A general probabilistic spatial theory of elections. Public Choice, 61(2), 101-113. https://doi.org/10.1007/bf00115657

Enikolopov, R., Korovkin, V., Petrova, M., Sonin, K., , Zakharov, A. (2013). Field experiment estimate of electoral fraud in Russian parliamentary elections.

Proceedings of the National Academy of Sciences, 110(2), 448-452.

Ethington P. J., McDaniel J. A. (2007). Political places and institutional spaces: The intersection of political science and political geography. Annual Review of Political Science, 10, 127-142.

https://doi.org/10.1146/annurev.polisci.10.080505.100522

Eulau H., Rothenberg L. (1986). Life space and social networks as political contexts. Political Behavior, 8(2), 130-157. https://doi.org/10.1007/BF00987180

Fischer, M.M., Getis A. (2009) Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications. Springer, Berlin.

Fischer M. M., Wang J. (2011). Spatial data analysis: models, methods and techniques. Springer Science & Business Media.

Foladare I. S. (1968). The Effect of Neighborhood on Voting Behavior. Political Science Quarterly, 83(4), 516-529. https://doi.org/10.2307/2146812

Forbes J., Cook D., Hyndman R. J. (2020). Spatial modelling of the two-party

96

preferred vote in Australian federal elections: 2001-2016. Australian and New Zealand Journal of Statistics, 62(2), 168-185. https://doi.org/10.1111/anzs.12292

Franzese R. J., Hays J. C. (2007). Spatial econometric models of cross-sectional interdependence in political science panel and time-series-cross-section data. Political Analysis, 15(2), 140-164. https://doi.org/10.1093/pan/mpm005

Geary, R. C. (1954). The Contiguity Ratio and Statistical Mapping. The Incorporated Statistician, 5(3), 115-146. https://doi.org/10.2307/2986645

Gorecki M. A., Marsh M. (2012). Not just "friends and neighbours": Canvassing, geographic proximity and voter choice. European Journal of Political Research, 51(5), 563-582. https://doi.org/10.1111/j.1475-6765.2011.02008.x

Griffith D. A. (2003). Spatial autocorrelation and spatial filtering: gaining understanding through theory and scientific visualization. Springer Science , Business Media.

Hinich M. J., Pollard W. (1981). A New Approach to the Spatial Theory of Electoral Competition. American Journal of Political Science, 25(2), 323-341. https://doi.org/10.2307/2110856

Hotelling H. (1929). Stability in Competition. Economic Journal, 39(153), 41-57. https://doi.org/10.2307/2224214

Huckfeldt R. (1986). Politics in Context: Assimilation and Conflict in Urban Neighborhoods. New York: Agathon Press.

Huckfeldt R., Sprague J. (1987). Networks in Context: The Social Flow of Political Information. The American Political Science Review, 81(4), 1197-1216.

Huckfeldt R., Sprague J. (1991). Discussant effects on vote choice: Intimacy, structure, and interdependence. The Journal of Politics, 53(1), 122-158.

Jensen C. D., Lacombe D. J., , McIntyre, S. G. (2013). A Bayesian spatial econometric analysis of the 2010 UK General Election. Papers in Regional Science, 92(3), 651-666. https://doi.org/https://doi.org/10.1111/j.1435-

5957.2012.00415.x

Jessee S. A. (2009). Spatial voting in the 2004 presidential election. American

Political Science Review, 103(1), 59-81. https://doi.org/10.1017/S000305540909008X

Johnson M., Shively W.P., Stein R. M. (2002). Contextual data and the study of elections and voting behavior: Connecting individuals to environments. Electoral Studies, 21(2), 219-233. https://doi.org/10.1016/S0261-3794(01)00019-1

Kelejian H. H., Piras G. (2014). Estimation of spatial models with endogenous weighting matrices, and an application to a demand model for cigarettes. Regional Science and Urban Economics, 46, 140-149. https: //doi.org/ 10.1016/j.regsciurbeco .2014.03.001

Kelejian H. H., Prucha I. R. (1998). A generalized spatial two-stage least squares procedure for estimating a spatial autoregressive model with autoregressive disturbances. The Journal of Real Estate Finance and Economics, 17(1), 99-121. https://doi.org/10.1177/1536867x1301300201

Kim J., Elliott E., Wang D. (2003). A spatial analysis of county-level outcomes in US Presidential elections: 1988 - 2000. Electoral Studies, 22, 741-761. https://doi.org/10.1016/S0261 -3794(02)00008-2

Lacombe D. J., Shaughnessy T. M. (2007). Accounting for Spatial Error Correlation in the 2004 Presidential Popular Vote. Public Finance Review, 35(4), 480-499. https://doi.org/10.1177/1091142106295768

Leenders R. T. A. J. (2002). Modeling social influence through network autocorrelation: Constructing the weight matrix. Social Networks, 24(1), 21-47. https://doi.org/10.1016/S0378-8733(01)00049-1

LeSage J. P. (1997). Bayesian estimation of spatial autoregressive models. International Regional Science Review, 20(1-2), 113-129. https://doi.org/10.1177/016001769702000107

LeSage J. P. (2008). An introduction to spatial econometrics. Revue d'Economie Industrielle, 123(3), 19-44. https://doi.org/10.4000/rei.3887

LeSage J. P., Pace R. K. (2009). Introduction to spatial econometrics. Boca Raton, US: CRC Press Taylor, Francis Group. 340 p.

Linke A. M., O'Loughlin J. (2015). Spatial analysis. The Wiley Blackwell companion to political geography, 187-205.

Macdonald S. E., Listhaug O., Rabinowitz G. (1991). Issues and party support in multiparty systems. The American Political Science Review, 1107-1131. https://doi.org/10.2307/1963938

Moran P. A. P. (1950). Notes on Continuous Stochastic Phenomena. Biometrika, 37(1/2), 17-23. https://doi.org/10.2307/2332142

Moraski B., Reisinger W. M. (2010). Spatial Contagion in Regional Machine Strength: Evidence from Voting in Russia's Federal Elections. In APSA 2010 Annual Meeting Paper (p. 48).

O'Loughlin J. (2003). Spatial analysis in political geography. A companion to political geography, 30-46.

Ord K. (1975). Estimation methods for models of spatial interaction. Journal of the American Statistical Association, 70(349), 120-126.

https://doi.org/10.1080/01621459.1975.10480272

Ordeshook P. C. (1993). The Spatial Analysis of Elections and Committees: Four Decades of Research. In Handbook of Public Choice. https://doi.org/10.1021/ed024p574

Pattie C., Johnston R. (2000). "People who talk together vote together": An exploration of contextual effects in Great Britain. Annals of the Association of American Geographers, 90(1), 41-66. https://doi.org/10.1111/0004-5608.00183

Poole K. T. (2005). Spatial models of parliamentary voting. Spatial Models of Parliamentary Voting. https://doi.org/10.1017/CBO9780511614644

Poole K. T., Rosenthal H. (1984). U.S. Presidential Elections 1968-80: A Spatial Analysis. American Journal of Political Science, 28(2), 282-312. https://doi.org/10.2307/2110874

Rabinowitz G., Macdonald S. E. (1989). A directional theory of issue voting. The American Political Science Review, 93-121. https://doi.org/10.2307/1956436

Reisinger W. M., Moraski B. J. (2009). Regional Voting in Russia' s Federal Elections and Changing Regional Deference to the Kremlin. In Annual National Conference of the Midwest Political Science Association, 67th (Chicago, Illinois) (p. 42). https:// doi.org/https ://doi.org/10.17077/g02k-n8zq

Roemer J. E. (2004). Modeling party competition in general elections.

Sharafutdinova, G. (2013). Getting the" dough" and saving the machine: lessons from Tatarstan. Demokratizatsiya, 21(4).

Sharafutdinova G., Turovsky R. (2017). The politics of federal transfers in Putin's Russia: regional competition, lobbying, and federal priorities. Post-Soviet Affairs, 33(2), 161-175.

Shin M. E. (2009). Democratizing electoral geography: Visualizing votes and political neogeography. Political Geography, 28(3), 149-152.

Skovoroda R., Lankina T. (2017). Fabricating votes for Putin: new tests of fraud and electoral manipulations from Russia. Post-Soviet Affairs, 33(2), 100-123. DOI: 10.1080/1060586X.2016.1207988

Stekhoven D. J., Buhlmann P. (2012). MissForest—non-parametric missing value imputation for mixed-type data. Bioinformatics, 28(1), 112-118.

Stepan A. (2000). Russian Federalism in Comparative Perspective. Post-Soviet Affairs, 16(2), 133-176. DOI: 10.1080/1060586X.2000.10641484

Tanner T. (1994). An analysis of voter predictive dimensions and recovery of the underlying issue space. Public Choice. https://doi.org/10.1023/a: 1017926207163

Turovsky R., Gaivoronsky Y. (2017). Russia's regions as winners and losers:

100

Political motives and outcomes in the distribution of federal government transfers. European Politics and Society, 18(4), 529-551.

Turovsky R., Korneeva E. (2018). The Institutional impact on voter turnout: The case of Russia and its regions (2011-2016). Russian Politics, 3(3), 372-395.

Turovsky R., Sukhova M. (2020). Federal and Subnational Elections in Russia: Coherence and Divergence in Electoral Outcomes. Russian Politics, 5(3), 329353.

Wuhs S., McLaughlin E. (2019). Explaining Germany's electoral geography: Evidence from the eastern states. German Politics and Society, 37(1), 1-23. https://doi.org/10.3167/gps.2018.370101

Приложение 1. Механизм формирования объясняющих переменных

Объясняющие переменные для решения шестой задачи исследования

Как уже было указано ранее, в одной из задач данного исследования изучался регион Татарстан и соседние с ним субъекты РФ. Социально-экономические показатели этих территорий были собраны напрямую с сайта Росстата. Пропусков в данных обнаружено не было. В Таблице 15 представлены наименования использованных объясняющих переменных, расшифровки, а также формулы расчета.

Таблица 15

Выбранные объясняющие переменные для решения шестой задачи данного

исследования

Переменная

Формула расчета

x1 x2

x3

x4

x5

x6

x7 x8

roadlength goodsservices

famsubsid

houses

nocommercfonds invest

expenses republics

Протяженность автодорог общего пользования местного значения, на конец года / Площадь муниципалитета Отгружено товаров собственного производства, выполнено работ и услуг собственными силами (млрд. рублей) / Кол-во жителей муниципалитета (население) Число семей, получавших субсидии на оплату жилого помещения и коммунальных услуг на конец отчетного периода / Кол-во жителей муниципалитета (население) Введено в действие жилых домов на территории муниципального образования / Кол-во жителей муниципалитета (население)

Наличие основных фондов на конец года по полной учетной стоимости по некоммерческим организациям / Кол-во жителей муниципалитета (население)

Инвестиции в основной капитал за счет средств бюджета муниципального образования / Кол-во жителей муниципалитета (население)

Расходы местного бюджета, фактически исполненные / Кол-во жителей муниципалитета (население)

Источник: расчет автора на основании данных Росстата Объясняющие переменные для решения восьмой задачи исследования

Для того, чтобы быстро и эффективно можно было собрать социально-экономические показатели территорий для всей России, был использован

открытый источник «База данных показателей муниципальных образований России за 2006 - 2020 гг. (data-in.ru)»14. В данной базе находятся все те же самые данные, что есть и на сайте Росстата (раздел "Показатели муниципальных образований"), дополнительно все показатели в данной отрытой базе закодированы.

В Таблице 16 представлены наименования использованных социально-экономических показателей, полученных автором из открытой базы. А в Таблице 17 представлены итоговые социально-экономические переменные, которые вошли в модель для решения восьмой задачи данного исследования.

Таблица 16

Социально-экономические показатели территорий, которые были использованы в дальнейшем формировании итоговых объясняющих переменных для решения восьмой

задачи данного исследования

Переменная Расшифровка

Общая протяженность освещенных частей улиц, проездов, набережных на конец года Общая протяженность улиц, проездов, набережных на конец года Общая площадь жилых помещений

Введено в действие жилых домов на территории муниципального образования

Численность граждан, пользующихся социальной поддержкой (льготами) по оплате жилого помещения и коммунальных услуг на конец отчетного года

Профицит (+), дефицит (-) бюджета муниципального образования (местного бюджета), фактически исполнено

Доля протяженности автомобильных дорог общего пользования местного значения, не отвечающих нормативным требованиям, в общей протяженности автомобильных дорог общего пользования местного значения

Общий коэффициент естественного прироста (убыли)

Среднегодовая численность постоянного населения

Доля населения, проживающих в населенных пунктах, не имеющих регулярного автобусного и (или) железнодорожного сообщения с административным центром городского округа (муниципального района), в общей численности населения городского округа (муниципального района)

14 База данных показателей муниципальных образований: объединенные и обработанные данные за 2006 - 2020 гг. // Росстат; обработка: Веденьков М. В., Комин М.О., Цыганков М.В., Инфраструктура научно-исследовательских данных. АНО «ЦПУР», 2022. Доступ: Лицензия СС BY-SA. Размещено: 28.09.2020 (у.2.0, от 27.01.2022). (Ссылка на набор данных: http://data-in.ru/data-catalog/datasets/115/)

/8006003 /8006007 /8008019 /8010001

/8012003 /8013003

/8106005

/8112009 /8112013

/8155002

/8155056

Доля населения, получившего жилые помещения и улучшившего жилищные условия в отчетном году, в общей численности населения, состоящего на учете в качестве нуждающегося

/8211001 Общая площадь жилых помещений, приходящаяся в среднем на одного жителя — всего

д,,,, „„, Среднемесячная номинальная начисленная заработная плата работников крупных и средних

/8213002 „ „ , ,

предприятий и некоммерческих организаций городского округа (муниципального района)

Источник: «База данных показателей муниципальных образований России за 2006 -2020 гг. (data-in.ru)»

Таблица 17

Выбранные объясняющие переменные для решения восьмой задачи данного

исследования

Переменная Формула для расчета Расшифровка

x1 light street /8006003 / /8006007 Доля освещенных частей улиц (от общей протяженности улиц)

x2 houses /8008019 / /8112013 Площадь жилых помещений на 1 человека

x3 new houses /8010001 / /8211001 Доля новых домов в общей площади жилых помещений на 1 человека

x4 soc support /8012003 / /8112013 Доля граждан, пользующихся социальной поддержкой (льготами) по оплате жилого помещения и коммунальных услуг

x5 deficit budget /8013003 Профицит (+), дефицит (-) бюджета муниципального образования (местного бюджета), фактически исполнено

x6 ucomf roads /8106005 Доля протяженности автомобильных дорог общего пользования местного значения, не отвечающих нормативным требованиям

x7 population /8112009 Общий коэффициент естественного прироста (убыли)

x8 faraway /8155002 Доля населения, проживающих в населенных пунктах, не имеющих регулярного автобусного и (или) железнодорожного сообщения с административным центром городского округа (муниципального района)

x9 get house /8155056 (2018 г.) -/8155056 (2017 г.) Доля граждан, получивших жилье в 2018 г. — доля граждан, получивших жилье в 2017 г.

x10 salary /8213002 / стоимость фиксированного набора потребительских товаров и услуг15 (для каждого региона свое значение) Среднемесячная номинальная начисленная заработная плата работников крупных и средних предприятий и некоммерческих организаций / стоимость фиксированного набора потребительских товаров и услуг (для каждого региона свое значение)

Источник: расчет автора на основании данных Росстата, собранных с открытой базы

«База данных показателей муниципальных образований России за 2006 - 2020 гг. (data-in.ru)»

15 База данных ЕМИСС (https://www.fedstat.ru/indicator/31052).

104

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.