Модельно-методический комплекс анализа и прогнозирования внедрения публичного управления в региональную практику

Логинова Елена Викторовна ORCID: 0000-0002-1579-411X доктор экономических наук заместитель директора по учебно-воспитательной работе, Волжский филиал, Волгоградский государственный университет 404133, Россия, Волгоградская область, г. Волжский, ул. 40 Лет Победы, 11, каб. 2-03 Loginova Elena Viktorovna Doctor of Economics Deputy Director for Academic Affairs, Volzhsky Branch of Volgograd State University 404133, Russia, Volgogradskaya oblast', g. Volzhskii, ul. 40 Let Pobedy, 11, kab. 2-03 loginov1466@mail.ru Другие публикации этого автора     Лосева Наталия Владимировна кандидат физико-математических наук доцент, кафедра математики, информатики и естественных наук, Волжский филиал Волгоградского государственного университета 404133, Россия, Волгоградская область, г. Волжский, ул. 40 Лет Победы, 11, каб. 1-12 Loseva Nataliya Vladimirovna PhD in Physics and Mathematics Docent, the department of Mathematics, Informatics and Natural Sciences, Volzhsky Branch of Volgograd State University 404133, Russia, Volgogradskaya oblast', g. Volzhskii, ul. 40 Let Pobedy, 11, kab. 1-12 loseva-nat@yandex.ru

Полковников Александр Александрович кандидат физико-математических наук заведующий кафедрой, кафедра математики, информатики и естественных наук, Волжский филиал Волгоградского государственного университета 404133, Россия, Волгоградская область, г. Волжский, ул. 40 Лет Победы, 11, каб. 1-11 Polkovnikov Aleksandr Aleksandrovich PhD in Physics and Mathematics Docent, the department of Applied Informatics and Mathematics, Volzhsky Branch of Volgograd State University 404133, Russia, Volgogradskaya oblast', g. Volzhskii, ul. 40 Let Pobedy, 11, kab. 1-11 polkovnikov.alexander@gmail.com Другие публикации этого автора

Работа выполнена при финансовой поддержке РФФИ и Администрации Волгоградской
области, проект «Комплексная модель оценки реализации публичного управления в
регионах России (на примере Волгоградской области)» № 17-12-34024.

Актуальным императивом формирования в Российской Федерации конкурентоспособной знаниеемкой экономики является использование цифровых технологий, что нашло отражение в принятии в июле 2017 г. программы «Цифровая экономика Российской Федерации», реализация которой направлена «на создание условий для развития общества знаний в Российской Федерации, повышение благосостояния и качества жизни граждан нашей страны путем повышения доступности и качества товаров и услуг, произведенных в цифровой экономике с использованием современных цифровых технологий, повышения степени информированности и цифровой грамотности, улучшения доступности и качества государственных услуг для граждан, а также безопасности как внутри страны, так и за ее пределами» ^[9].

Одним из факторов, оказывающих влияние на развитие «общества знаний в Российской Федерации, повышение благосостояния и качества жизни граждан», являются рост информированности граждан, а также улучшение доступности и качества государственных услуг, которые непосредственно связаны с внедрением в практику государственного и муниципального управления технологий публичного управления.

Технологии публичного управления «обеспечивают взаимодействия граждан, общественных ассоциаций, предпринимательских сообществ и государственных институтов с целью установления баланса интересов относительно целей социально-экономического развития, осуществляемые посредством глобальных и локальных социальных сетей» ^{[2, с. 84]}. Подобное взаимодействие, построенное на использовании современных цифровых технологий, «способствует снятию пространственных рамок с коммуникативного процесса, обеспечивает безграничность межсубъектного общения, а также позволяет осуществлять взаимодействия в режиме реального времени» ^{[2, с. 84]}, что приводит к росту прозрачности процессов принятия и реализации решений в системе государственного и муниципального управления.

Для характеристики степени реализации публичного управления в российских регионах был разработан модельно-методический комплекс анализа и прогнозирования публичного управления, включающий в себя оригинальную математическую модель мониторинга состояния конституирующих публичное управление факторов, а также систему оперативной оценки динамики внедрения технологий публичного управления в практику регионального управления, построенную на основе использования геоинформационных технологий и средств математико-картографического моделирования.

Суть разработанной авторами модели оценки реализации публичного управления заключается в выявлении взаимосвязей между определяющими факторами, к числу которых были отнесены ресурсные, институциональные, инфраструктурные, и определении степени их влияния на результирующие факторы, в качестве которых рассматриваются такие социально-экономические показатели регионов России, как число территориальных организаций самоуправления на десять тысяч человек, наличие общественного обсуждения законопроектов в сети Интернет и контроль над ходом государственных закупок ^{[1, 3]}.

В системе публичного управления под влиянием институциональных факторов происходит процесс использования имеющихся ресурсных факторов, результат которого отражается количественными и качественными характеристиками результирующих факторов, при этом взаимодействия, направленные на принятие управленческих решений, осуществляются под воздействием инфраструктурных факторов ^[10].

Ресурсные факторы определяют наличие в регионе социально-экономического и технологического потенциалов, которые создают условия для формирования системы публичного управления.

Институциональные факторы позволяют оценить наличие и степень развитости необходимых оснований и условий для участия и контроля граждан над решением вопросов, затрагивающих их интересы.

Инфраструктурные факторы характеризуют технические возможности, позволяющие субъектам публичного управления осуществлять коммуникации в процессе принятия и исполнения управленческих решений ^[1].

Для объединения ресурсных, институциональных, инфраструктурных и результирующих факторов в математическую модель были использованы социально-экономические показатели, отражающие количественные характеристики факторов в городских округах и муниципальных районах Волгоградской области ^{[2, с. 88-93]}. Источниками для сбора данных послужили официальные статистические сборники, статистическая информация о масштабах распространения и направлениях использования информационных и коммуникационных технологий организациями Волгоградской области, материалы Всероссийской переписи населения за 2010 г., данные Избирательной комиссии Волгоградской области, контент-анализ официальных сайтов органов местного самоуправления Волгоградской области.

В процессе построения моделей авторы применяли методы машинного обучения, современные регрессионные модели. В качестве инструмента построения моделей и анализа данных использовался язык программирования Python и его библиотеки ^[5].

Для отражения в математической модели факторов, конституирующих систему публичного управления, были введены следующие обозначения:

Результирующие переменные:

procurement_policy – число участников в реализации государственной закупочной политики (количество поданных на конкурс заявлений);

public_discussion – общественное обсуждение законопроектов в сети Интернет (да – 1, нет – 0);

tos – количество зарегистрированных организаций ТОС на 10 тысяч человек, штук.

Объясняющие переменные:

- институциональные факторы:

parliament – уровень парламентской конкуренции, %;

citizens_election – включенность граждан в избирательный процесс, %;

citizens_org – участие граждан в деятельности общественных организаций, штук;

- инфраструктурные факторы:

internet_all – количество абонентов сети Интернет, тысяч;

internet_mobile – количество абонентов мобильного интернета, тысяч;

org_access – организации бизнеса, использующие интернет (от общего числа обследованных организаций), %;

edm_external – автоматический обмен данными между своими и внешними информационными системами (от общего числа обследованных организаций), %;

- ресурсные факторы:

average_edu – доля населения со средним образованием, %;

degree – доля населения с учеными степенями, %;

dbn – доходы бюджетов муниципальных районов и городских округов на душу населения, млн рублей;

invest – инвестиции в основной капитал в расчет на 10 тысяч человек населения, тысяч рублей;

income – среднемесячная номинальная начисленная заработная плата на 1 работника, рублей;

cnt – затраты организаций на сетевые технологии, тысяч рублей.

В процессе анализа было замечено, что часть объясняющих переменных принимают одинаковые значения во всех наблюдениях, поэтому в процессе построения математической модели они были удалены. Далее, обрабатывая значения объясняющих переменных, убрали часть показателей, обладающих высокой мультиколлинеарностью (более 0,7).

После проведённого отбора институциональные факторы остались без изменения, а в других наборах остались следующие индикаторы:

- Инфраструктурные факторы: internet_mobile; edm_external;

- Ресурсные факторы: average_edu; invest; income; cnt.

Затем оставшиеся наборы факторов были связаны с результирующими переменными математическими моделями. В качестве методов использовали логистическую регрессию, линейную регрессию (Linear), Lasso регрессию, Ridge регрессию и ARD регрессию ^{[4, 10]}.

Логистическая регрессия дополняет классическую линейную регрессию для случая, когда результирующая переменная является бинарной (то есть набор значений 0 или 1, Да или Нет), а набор объясняющих факторов принимает значения в некотором множестве. Более того, невозможно интерпретировать прогнозные значения, не равные нулю или единице. Поэтому прогнозируют вероятность того, что результирующая переменная примет значение «1» или «0» ^[10].

Линейная регрессия – метод, применяемый достаточно часто. Но при наличии мультиколлинеарности независимых переменных оценки коэффициентов регрессионной модели существенно меняются и искажают прогнозируемые значения результирующей переменной.

Для преодоления возникающих трудностей применяют Lasso регрессию и Ridge регрессию ^[5], которые осуществляют регуляризацию параметров и позволяют преодолеть некоторые недостатки метода наименьших квадратов. При этом осуществляется минимизация суммы квадратов остатков вместе со штрафом за слишком большие коэффициенты. В Ridge регрессии происходит добавление с некоторым весом суммы квадратов оцененных коэффициентов. В Lasso регрессии сумма квадратов остатков «штрафуется» на сумму модулей оцененных коэффициентов с некоторым весом. Результатом является избавление от нестабильной оценки коэффициентов регрессии, вследствие чего именно эти модели позволяют добиться уменьшения дисперсии прогноза за счёт незначительного увеличения его смещённости, что значительно повышает его точность.

ARD регрессия основывается на предположении, что для каждого коэффициента выводится апостериорная оценка дисперсии, и затем коэффициенты с маленькой дисперсией обнуляются. Каждый вес получает индивидуальный коэффициент регуляризации, который определяет степень адаптируемости конкретного веса под исходные данные. ARD регрессия достаточно хорошо работает на небольших наборах данных (порядка нескольких десятков наблюдений) ^[6].

Мерой качества построенной модели послужили: значение коэффициента детерминации, среднеквадратичная ошибка и число правильных ответов на скользящем контроле по отдельным объектам. Они являются стандартной методикой тестирования и сравнения алгоритмов регрессии и прогнозирования.

В процессе решения построенной модели было выявлено, что для результирующего показателя «число участников в реализации государственной закупочной политики», как и в ^[1], наилучшей оказалась модель гребневой (Ridge) регрессии по инфраструктурным факторам:

.

Ridge регрессия обладает неплохой предсказывающей силой, так как значение коэффициента детерминации близко к 1, а значение среднеквадратичной ошибки меньше, чем на других наборах факторов и моделей регрессии. Таким образом, при росте количества абонентов мобильного интернета на один процент, число участников в реализации закупочной политики увеличивается на 12,56 единиц; при росте автоматического обмена данными между своими и внешними информационными системами от общего числа организаций на один процент, число участников в реализации закупочной политики уменьшается на 11,73 единицы. Очевидно, что наиболее весомый вклад в показатель вносит количество абонентов мобильного интернета, что позволяет сделать вывод о том, что быстро развивающийся и высокотехнологичный мобильный интернет имеет особое стратегическое значение для реализации публичного управления.

Для результирующего показателя «количество зарегистрированных организаций ТОС на десять тысяч человек», как и в ^[1], наилучшей оказалась модель ARD регрессии по ресурсным факторам, но значение коэффициента детерминации относительно невелико:

К сожалению, не удалось построить достаточно качественную модель регрессии для результирующего показателя «количество организаций ТОС на десять тысяч человек» по имеющимся институциональным, инфраструктурным и ресурсным наборам факторов. Причина кроется в ограниченности числа наблюдений, что мешает выделить связи между переменными.

Далее были построены модели для бинарного показателя – общественное обсуждение законопроектов в сети Интернет. При этом был использован метод логистической регрессии, которая задает значение вероятности в зависимости от вектора независимой переменной и вектора-столбца параметров где - логистическая функция распределения с

Наилучшей моделью логистической регрессии является модель, построенная по институциональным факторам:

.

Она верно угадывает ответ в 52,6% случаев, что говорит о среднем качестве модели. Вид зависимости позволяет утверждать, что наибольшее влияние на вероятность принятия результирующей переменной значения «1», оказывает такой показатель, как участие граждан в деятельности общественных организаций. В несколько раз слабее влияет включенность граждан в избирательный процесс. Сильнее всего шанс принятия результирующей переменной значения «0» увеличивает показатель уровня парламентской конкуренции.

В целях оперативной оценки динамики внедрения технологий публичного управления в практику регионального управления и для визуализации полученных в процессе решения модели результатов были применены современные геоинформационные технологии и средства математико-картографического моделирования (ГИС), поскольку они являются не только источником пространственных данных по объектам различных территорий, но и инструментом по их обработке ^[7].

В качестве программного обеспечения для создания ГИС был применен программный комплекс ArcGIS, который, используя пространственную информацию, помогает лучше понимать данные, проводить анализ и принимать более информативные решения.

Более того, геостатистический анализ позволил осуществить проверку степени адекватности разработанной авторами модели оценки реализации публичного управления на примере муниципальных образований Волгоградской области, что наглядно можно проиллюстрировать рисунками 1 и 2, где представлены фактические и прогнозные данные, отражающие значение результирующего показателя «число участников в реализации государственной закупочной политики» в муниципальных образованиях Волгоградской области.

Рис. 1. Фактические значения показателя «число участников в реализации государственной закупочной политики» в муниципальных образованиях Волгоградской области

Рис. 2. Прогнозные значения показателя «число участников в реализации государственной закупочной политики» в муниципальных образованиях Волгоградской области

Близкая интенсивность цветовой гаммы для отображения фактической и прогнозной активности организаций бизнеса в реализации государственной закупочной политики в муниципальных образованиях Волгоградской области позволяет сделать вывод, что предлагаемый модельно-методический комплекс может быть использован для осуществления факторного анализа степени сформированности публичного управления на региональном уровне. Результаты, полученные в процессе мониторинга публичного управления, послужат для разработки мер региональной политики, направленной на повышение качества жизни населения региона.