Главная Коллекция "Otherreferats" Экономика и экономическая теория Исследование влияния цифровых технологий на качество жизни населения в странах мира

Исследование влияния цифровых технологий на качество жизни населения в странах мира

Понятия и подходы к измерению, статистические свойства и динамика показателей качества жизни. Эконометрический анализ цифровых технологий. Разбиение стран на кластеры в зависимости от уровня их цифрового развития и от качества жизни их населения.

Рубрика Экономика и экономическая теория
Вид диссертация
Язык русский
Дата добавления 02.09.2018
Размер файла 2,3 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Значения глобального индекса подключения лежат в интервале от 0 до 100. Первое место занимают США, далее идут Сингапур, Швеция, Швейцария, Великобритания. Россия находится на 27-м месте между Польшей и Румынией. Последние места занимают Нигерия, Бангладеш и Пакистан (Рисунок 12).

Выбросы, согласно строгому правилу, в распределении индекса подключения отсутствуют (Рисунок 13). Распределение индекса подчиняется нормальному закону распределения на уровне значимости 0,2 (Таблица 4).

Рисунок 12. Глобальный индекс подключения, 2017

Рисунок 13. Ящичковая диаграмма для индекса глобального подключения

Таблица 4. Тесты на нормальность для глобального индекса подключения

Показатели

Колмогоров-Смирнов

Шапиро-Уилк

Статистика

df

Значимость

Статистика

df

Значимость

GCI

0,108

46

0,200*

0,95

46

0,047

Индексы обладают необходимыми статистическими свойствами для дальнейшего анализа: их распределения подчинены нормальному закону, выбросы отсутствуют.

2.3 Исследование связи между основными показателями развития цифровых технологий и качества жизни

На первом этапе определения взаимосвязи между показателями развития цифровых технологий и качества жизни были построены диаграммы рассеивания. Так, можно утверждать, что между индексом человеческого развития и индексом сетевой готовности существует прямая линейная связь. Однако в странах с высоким индексом сетевой готовности (5 и выше) это связь слабеет (Рисунок 14). В странах с низким развитием цифровых технологий, их уровень развития оказывает большее влияние на качество жизни населения, чем в странах с высоким уровнем цифрового развития. Это подтверждает гипотезу о том, что развитие цифровых технологий в первую очередь необходимо для стран с низким социально-экономическим развитием для выхода их из зоны крайней бедности.

Рисунок 14. График зависимости индекса человеческого развития от индекса сетевой готовности

Далее рассмотрим взаимосвязь между индексом счастья и его составляющими и индексом сетевой готовности. Продолжительность счастливой жизни также положительно и линейно зависит от уровня развития цифровых технологий, однако значимость данной связи ниже, чем для связи между ИЧР и индексом сетевой готовности (Рисунок 15).

Рисунок 15. График зависимости счастливой продолжительности жизни от индекса сетевой готовности

Рисунок 16. График зависимости удовлетворенности жизнью от индекса сетевой готовности

Построив диаграмму рассеивания для уровня удовлетворенности жизнью и индекса сетевой готовности, видим, что связь положительна, но слабее и еще менее значима (Рисунок 16). И, наконец, связь между индексом счастья и индексом сетевой готовности отсутствует (Рисунок 17). Так, качество жизни в субъективном понимании в меньшей степени зависит от развития цифровых технологии, нежели объективное качество жизни.

Рисунок 17. График зависимости индекса счастья от индекса сетевой готовности

Рисунок 18. График зависимости индекса человеческого развития от глобального индекса подключения

Перейдем к анализу взаимосвязи между индексом человеческого развития и глобальным индексом подключения. Так, взаимосвязь носит уже нелинейный характер и остается положительной. График можно описать как степенную функцию с показателем меньше единицы. При увеличении значений индекса подключения скорость приращения функции сокращается, то есть уменьшается взаимосвязь между качеством жизни и развитием цифровых технологий (Рисунок 18).

Так как индекс подключения характеризует степень трансформации к цифровой экономике, рассмотрим взаимосвязь между логарифмом валового национального дохода на душу населения и индексом подключения. Так, зависимость носит нелинейный характер и является положительной. Также можно отметить, что график схож с логистической кривой, и наибольшее влияние на экономику страны цифровые технологии оказывают в развивающихся странах со значением индекса от 35 до 55 (Рисунок 19).

Рисунок 19. График зависимости логарифма валового национального дохода на душу населения от глобального индекса подключения

На основе корреляционной матрицы можно утверждать, что ИЧР имеет положительные и статистически значимые коэффициенты корреляции Пирсона со всеми показателями, кроме неравенства, с которым имеет отрицательную взаимосвязь. ИЧР положительно, но слабо коррелирует с индексом счастья, это объясняется положительной связью ИЧР с экологическим следом, в то время, как индекс счастья имеет отрицательную корреляцию с экологическим следом. Результаты, полученные на основе графиков рассеивания, подтверждаются матрицей корреляций. Так, ИЧР положительно и значимо взаимосвязан со всеми компонентами индекса сетевой готовности и с самим индексом. Также ИЧР имеет высокую положительную корреляцию с глобальным индексом подключения. Однако, индекс счастья не значимо коррелирует с компонентами индекса сетевой готовности, и слабо положительно с самим индексом, также он имеет незначимую связь с глобальным индексом подключения (Приложения, Таблица 31).

Итак, показатели характеризуются отсутствием выбросов и большая часть из них распределены согласно нормальному закону распределения. Кроме того, показатели качества жизни положительно и значимо зависят от показателей развития цифровых технологий, что подтверждается диаграммами рассеивания и матрицей коэффициентов корреляции Пирсона. Однако взаимосвязь между показателями качества жизни и развитием цифровых технологий имеет нелинейную форму, поэтому в следующей главе будут построены несколько нелинейных моделей для выбора оптимальной функциональной формы.

Глава 3. Эконометрический анализ влияния цифровых технологий на качество жизни населения

3.1 Влияние цифровых технологий на качество жизни населения: линейные и нелинейные регрессионные модели

Для выявления факторов развития информационного общества и цифровых технологий, оказывающих статистически значимое влияние на показатели качества жизни,будем использовать аппарат регрессионного моделирования.В качестве независимых переменных будут выступать индекс сетевой готовности (nri) за 2016 год по 140 странам мира, а также глобальный индекс подключения (gci)за 2017 год по 50 странам мира. Зависимой переменной является индекс человеческого развития (hdi)за 2015 год. Так как независимые переменные обладают разным количеством наблюдений, будут построены отдельные модели для индекса сетевой готовности и для глобального индекса подключения.Согласно полям корреляции, линейной связью может характеризоваться только связь между индексом человеческого развития и индексом сетевой готовности. Проверим наличие линейной связи, построив линейное регрессионное уравнение:

(1)

Модель статистически значима, все ее коэффициенты также значимы на уровне 0,01. Модель обладает хорошей объясняющей способностью (R2=0,792), остатки распределены нормально на уровне значимости 0,1. Можно говорить, что при увеличении индекса сетевой готовности на единицу, индекс человеческого развития увеличится на 0,144 (Таблица 5). Однако, согласно тесту Рамсея на адекватность функциональной формы, линейная форма модели не является адекватной, кроме того в остатках модели присутствует гетероскедастичность. Также это можно наблюдать на графике наблюдаемых и расчетных значений (Рисунок 20).

Таблица 5. Линейная регрессионная модель (1) с зависимой переменной HDI

Коэффициент

Стандартная ошибка

Значимость

const

0,139

0,026

4,48e-07

NRI

0,144

0,006

7,02e-49

R2

0,792

F-статистика

525,04

p-value

7,02e-49

AIC

-350

BIC

-344

Тест на нормальность распределения ошибок

2

0,836

p-value

0,658

Тест Вайта на гетероскедастичность

LM

12,932

p-value

0,002

Reset-тест

F

10,154

p-value

7,76e-05

Рисунок 20. График наблюдаемых и расчетных значений модели 1

Зависимость ИЧР от индекса сетевой готовности можно описать функцией логарифма, поэтому была построена следующая модель:

(2)

Модель 2 статистически значима, все ее коэффициенты значимы на уровне значимости 0,05. Объясняющая способность модели с логарифмом выше, чем у линейной модели (R2=0,813) (Таблица 6). График наблюдаемые-расчетные значения логарифмической модели показывает большую согласованность, чем график линейной модели (Рисунок 21). Модель адекватна на уровне значимости 0,05 (Тест Рамсея), однако в ошибках присутствует гетероскедастичность. Так, при увеличении индекса сетевой готовности на один процент, индекс человеческого развития увеличится на 0,006. Также можно отметить, что для наиболее развитых стран в сфере цифровых технологий зависимость между цифровым развитием и качеством жизни ниже, чем для развивающихся стран.

Таблица 6. Логарифмическая регрессионная модель (2) с зависимой переменной HDI

N=140

Коэффициент

Стандартная ошибка

Значимость

const

-0,076

0,033

0,023

lnNRI

0,582

0,024

7,14e-52

R2

0,813

F-статистика

599,604

p-value

0

AIC

-364

BIC

-358

Тест на нормальность распределения ошибок

2

5,716

p-value

0,06

Тест Вайта на гетероскедастичность

LM

16,651

p-value

0,0002

Reset-тест

F

2,52

p-value

0,084

Рисунок 21. График наблюдаемых и расчетных значений модели 2

Также проверим наличие логарифмической связи между индексом человеческого развития и индексом подключения. Построим регрессионное уравнение:

(3)

Модель 3 и ее параметры статистически значимы на уровне значимости 0,01. Предпосылки модели выполнены: остатки подчиняются нормальному закону распределения, гетероскедастичность отсутствует. Объясняющая способность высокая (R2=0,857) (Таблица 7). Наблюдаемые и модельные значения хорошо согласуются (Рисунок 22). При увеличении глобального индекса подключения на 1% индекс человеческого развития увеличится на 0,004.

Таблица 7. Логарифмическая регрессионная модель (3) с зависимой переменной HDI

N=50

Коэффициент

Стандартная ошибка

Значимость

const

-0,57

0,08

6,04e-9

lnGCI

0,358

0,021

6,11e-22

R2

0,857

F-статистика

288,73

p-value

0

AIC

-164

BIC

-161

Тест на нормальность распределения ошибок

2

0,142

p-value

0,931

Тест Вайта на гетероскедастичность

LM

3,02

p-value

0,22

Reset-тест

F

9,68

p-value

0,003

Рисунок 22. График наблюдаемых и расчетных значений модели 3

Диаграмма рассеивания индекса человеческого развития в зависимости от индекса подключения имеет нелинейную форму и может быть задана логистической функцией (s-кривая), которая имеет следующий вид:

Регрессионная модель выглядит следующим образом:

Чтобы линеаризовать уравнение, зависимая переменная была приведена к следующему виду:

Далее были найдены коэффициенты линеаризованного уравнения, и с помощью поиска решений, сумма квадратов остатков исходной модели была приведена к минимуму при изменении параметров регрессии (минимальное и максимальные значения, коэффициенты при независимой переменной).

Модель и ее параметры статистически значимы на уровне значимости 0,01. Модель обладает хорошей объясняющей способностью (R2=0,852) (Таблица 8). Расчетные значения по модели хорошо согласуются с наблюдаемыми значениями (Рисунок 23). Распределение остатков модели на уровне значимости 0,1 является нормальным. Однако, график остатков демонстрирует, что присутствует гетероскедастичность (Рисунок 24).

Таблица 8. Логистическая регрессионная модель (4) с зависимой переменной HDI

N=50

Коэффициент

Стандартная ошибка

Значимость

const

-0,849

0,15

8,27e-07

GCI

0,0504

0,003

1,44e-21

R2

0,852

F-статистика

276,9

p-value

0

AIC

24,8

BIC

28,6

Тест на нормальность распределения ошибок

2

1,205

p-value

0,547

Рисунок 23. График наблюдаемых и расчетных значений модели 4

Рисунок 24. График остатков модели 4

Проверим наличие логистической связи для индекса человеческого развития и индекса сетевой готовности. Модель и ее параметры значимы, объясняющая способность высокая (R2=0,846). Однако остатки не подчиняются нормальному закону распределения, присутствует гетероскедастичность (Таблица 9, Рисунок 26). Наблюдаемые и модельные значения хорошо согласуются (Рисунок 25).

Таблица 9 Логистическая регрессионная модель (5) с зависимой переменной HDI

N=140

Коэффициент

Стандартная ошибка

Значимость

const

-2,24

0,124

0

NRI

0,824

0,03

0

R2

0,846

F-статистика

760,5

p-value

0

AIC

86,5

BIC

92,4

Тест на нормальность распределения ошибок

2

9,47

p-value

0,009

Рисунок 25. График наблюдаемых и расчетных значений модели 5

Также описанные зависимости можно представить функцией модифицированной экспоненты. Уравнение функции записывается следующим образом: , где прямая является горизонтальной асимптотой.В экономических моделях кривая возрастает с замедлением и стремится к асимптоте, причем всегда лежит ниже асимптоты

Рисунок 26. График остатков модели 5

После линеаризации модель выглядит следующим образом

.

Используя описанную линеаризацию построим следующую модель:

(6)

Модель статистически значима на уровне 0,01, также обладает хорошей объясняющей способностью (R2=0,886), остатки подчинены нормальному закону распределения (Таблица 10). Модельные значения хорошо согласуются с реальными данными (Рисунок 27).

Таблица 10. Регрессионная модель модифицированной экспоненты (6) с зависимой переменной HDI и независимой GCI

Параметры модели

Значения

k

0,987

-1,413

0,954

ESS

0,081

TSS

0,709

0,886

F-статистика

374,364

p-value

0

N

50

AIC

-170,57

Тест на нормальность распределения ошибок

Статистика Шапиро-Уилкса

0,972

Значимость

0,289

Рисунок 27. Наблюдаемые и расчетные значения модели 6

(7)

Модифицированная показательная модель хорошо объясняет связь между индексом человеческого развития и индексом сетевой готовности. Модель 7 статистически значима, и ее объясняющая способность высокая (R2=0,815), остатки подчиняются нормальному закону распределения (Таблица 11). Модельные значения хорошо аппроксимируют наблюдаемые (Рисунок 28).

Таблица 11. Регрессионная модель модифицированной экспоненты (7) с зависимой переменной HDI и независимой NRI

Параметры модели

Значения

k

1,205

-1,654

0,731

ESS

0,5799

TSS

3,133

0,815

F-статистика

607,602

p-value

0

N

140

AIC

-361,785

Тест на нормальность распределения ошибок

Статистика Шапиро-Уилкса

0,986

Значимость

0,153

Рисунок 28. Наблюдаемые и расчетные значения модели 7

Итак, все модели и их параметры статистически значимы. Объясняющая способность всех моделей высокая (R2>0,8), особенно, она выше у нелинейных моделей, остатки по всем моделям распределены нормально. Для объяснения влияния индекса сетевой готовности на индекс человеческого развития подходит как логистическая модель, так и модель модифицированной экспоненты. Однако модель модифицированной экспоненты обладает наилучшими информационными критериями. Наибольшее влияние изменения в цифровом развитии оказывают на качество жизни в развивающихся странах, в отстающих странах и развитых странах эта связь слабее. Связь между глобальным индексом подключенияи индексом человеческого развития представляется в форме модифицированной экспоненты: для развивающихся стран влияние улучшения в цифровом развитие больше сказывается на качестве жизни, чем в развитых странах.

3.2 Разбиение стран на кластеры в зависимости от уровня их цифрового развития. Описание и сравнение полученных кластеров

Страны мира характеризуются высокой дифференциацией по развитию цифровых технологий. В связи с неоднородностью показателей и нелинейностью изучаемых связей, возникает проблема гетероскедастичности и неэффективности оценок. Данную проблему можно решить путем разбиения стран на однородные группы и выявления связей между показателями в каждой из групп. Кроме того, для оценки структуры развития цифровых технологий по миру необходимо выявить группы стран, схожих по показателям доступности цифровых технологий, их использования и влияния на экономическую и социальную сферы.

Чтобы оценить влияние каждой сферы развития цифровых технологий, среды, готовности, использования и влияния ИКТ, на выделение однородных групп и состав этих групп, были проведены кластерный и дискриминантный анализы. Методом к-средних страны были разбиты на три группы по уровню развития цифровых технологий на основе десяти компонент индекса сетевой готовности. Третий кластер включает 37 стран, которые обладают максимальными средними значениями по всем показателем (Таблица 12). Данный кластер характеризует страны-лидеры с высоким развитием цифровых технологий. К странам-лидерам по развитию цифровых технологий относятся страны Западной Европы и Северной Америки, а такие нефтедобывающие страны, как Катар и Саудовская Аравия, а также Малайзия (Таблица 32). Наиболее характерные для данного кластера следующие страны: Франция, Бельгия, Эстония, они наиболее близко расположены к центру кластера. Средние значения по показателям первого кластера лежат между значениями второго и третьего кластеров (Рисунок 29). Однако по четвертой компоненте, доступности цифровых технологий, кластеры не отличаются. Страны первого кластера отстают от стран-лидеров по цифровому развитию и являются развивающимися в сфере цифровых технологий и их использования. Кластер является самым многочисленным и включает 58 стран. В основном, это страны Восточной Европы, Азии и развитые страны Африки. Наиболее характерные страны для этого кластера: Таиланд, Молдова, Румыния. Также к кластеру развивающихся в области цифровых технологий относится и Россия (Таблица 32).

Второй кластер - кластер отстающих по развитию цифровых технологий. Средние значения по всем показателям ниже, чем у первого и третьего кластеров. В основном, кластер состоит из стран Африки, всего, к этому кластеру относится 42 страны. Наиболее типичные страны для второго кластера: Габон, Танзания, Нигерия.

Таблица 12. Конечные центры кластеров

Кластеры

Показатели

1

2

3

pil1

3,58

3,25

4,98

pil2

4,26

3,60

5,15

pil3

3,98

2,39

6,08

pil4

5,51

3,62

5,48

pil5

4,95

3,26

5,83

pil6

3,95

2,19

5,92

pil7

3,55

3,16

4,94

pil8

3,95

3,18

4,98

pil9

3,18

2,65

4,79

pil10

4,13

3,06

5,32

Рисунок 29. График средних значений показателей в кластерах

С помощью дискриминантного анализа определим роль каждой переменной в разбиении стран на кластеры. Лямбда Уилкса позволяет оценить дискриминирующую способность переменных. Так, наилучшей дискриминирующей способностью обладает шестая компонента индекса сетевой готовности, отвечающая за индивидуальное использование цифровых технологий. Наибольшей разностью средних значений по кластерам (F) обладает также шестая компонента (292,9) (Таблица 13). Все переменные значимы на уровне значимости 0,01. Между переменными, включенными в дискриминантный анализ отсутствует высокая корреляция (Таблица 33).

Таблица 13. Критерии равенства групповых средних

Лямбда Уилкса

F

df1

df2

Значимость

pil1

,389

105,080

2

134

,000

pil2

,310

149,272

2

134

,000

pil3

,231

223,203

2

134

,000

pil4

,573

49,837

2

134

,000

pil5

,270

181,299

2

134

,000

pil6

,186

292,881

2

134

,000

pil7

,286

167,562

2

134

,000

pil8

,425

90,796

2

134

,000

pil9

,227

228,535

2

134

,000

pil10

,277

174,966

2

134

,000

Согласно тесту Бокса о равенстве ковариационных матриц, гипотеза о принадлежности многомерному нормальному закону отвергается с вероятностью ошибки б=0,05, следовательно, нарушается многомерное нормальное распределение. Однако, это не говорит о плохом качестве модели. В Таблица 15представлены собственные значения дискриминантных функций. Собственное значение характеризует отношение межгрупповой дисперсии к внутригрупповой дисперсии выборочных значений дискриминантной функции. Так, более точной оказалась первая дискриминантная функция, ее собственное значение выше, чем у второй функции. Кроме того, первая дискриминантная функция обладает максимальным значением канонической корреляции, что свидетельствует о высоком качестве достоверности дискриминации.

Таблица 14 Критерий Бокса равенства ковариационных матриц

М Бокса

307,058

F

Примерная

2,482

df1

110

df2

38557,040

Значимость

,000

Таблица 15. Собственные значения дискриминационных функций

Функция

Собственное значение

% дисперсии

Суммарный %

Каноническая корреляция

1

6,809

86,2

86,2

,934

2

1,091

13,8

100,0

,722

Лямбда Уилкса характеризует долю дисперсии значений дискриминантной функции, не обусловленную различиями между группами. Наименьшим значением лямбды Уилкса обладает первая дискриминантная функция (0,061,Таблица 16). Итак, первая дискриминантная функция обладает лучшими характеристиками, следовательно, в дальнейшем анализе будем рассматривать только ее.

Таблица 16. Лямбда Уилкса дискриминационных функций

Критерий для функций

Лямбда Уилкса

Хи-квадрат

df

Значимость

1 through 2

,061

361,688

20

,000

2

,478

95,529

9

,000

Коэффициенты стандартизованной канонической дискриминантной функции (Таблица 17) определяют приоритетность факторов при включении новых объектов в кластеры. Так, значительную роль при включении элементов в кластеры играет шестая компонента индекса сетевой готовности, характеризующая индивидуальное использование цифровых технологий, также значительную роль играют восьмая и третья компоненты, отвечающие за государственное использование и инфраструктуру.

Таблица 17. Коэффициенты стандартизованной канонической дискриминантной функции

Функция

1

2

pil1

-,127

-,390

pil2

,107

,114

pil3

,217

-,245

pil4

,205

,527

pil5

,240

,643

pil6

,388

,018

pil7

,057

-,139

pil8

,252

,009

pil9

,195

-,550

pil10

,087

,274

Коэффициенты корреляции также характеризуют, какие переменные обладают высоким значением в модели. Так, наибольшую часть берет на себя шестая (индивидуальное использование) компонента, а также третья (инфраструктура), девятая (экономическое влияние) и десятая (социальное влияние) компоненты, они в большей степени определяет, какой объект к какому кластеру будет отнесен (Таблица 18). Ненормированные коэффициенты позволяют вычислить значение дискриминантной функции для новых объектов (Таблица 19).

Таблица 18. Матрица структуры дискриминантных функций

Функция

1

2

pil6

,801*

-,055

pil3

,697*

-,144

pil9

,674*

-,539

pil10

,619*

-,046

pil5

,617*

,327

pil7

,570*

-,514

pil2

,570*

-,122

pil8

,444*

-,099

pil4

,275

,457*

pil1

,445

-,447*

Модель обладает хорошим качеством, так как значение лямбды Уилкса невысокое, а достоверность дискриминации высокая. В распределении стран на кластеры наибольшее влияние оказывают индивидуальное использование цифровых технологий, инфраструктура и социально-экономическое влияние.

Таблица 19. Коэффициенты канонической дискриминантной функции

Функция

1

2

pil1

-,226

-,693

pil2

,267

,286

pil3

,280

-,316

pil4

,202

,517

pil5

,388

1,042

pil6

,568

,026

pil7

,127

-,305

pil8

,423

,015

pil9

,422

-1,192

pil10

,162

,511

(Constant)

-10,751

-1,683

Итак, наибольшее влияние на формирование кластеров оказывает компонента, характеризующая индивидуальное использование цифровых технологий. К странам-лидерам по уровню развития цифровых технологий относятся страны Северной Америки, Западной Европы и прогрессивные страны Азии, такие как Сингапур и Гонконг. Развивающиеся страны - это, в основном, страны Азии и Восточной Европы, также в этот кластер попадает Россия. Наиболее отстающие по развитию цифровых технологий страны Африки южнее Сахары.

3.3 Влияние использования цифровых технологий на субъективное качество жизни населения: порядковая регрессия

Субъективное качество жизни определяется оценкой индивидами своего состояния. Такой микро-подход основан на анализе результатов специальных обследований населения, направленных на выявление качества жизни. Одним из таких обследований является Лонгитюдное обследование домохозяйств РМЭЗ НИУ ВШЭ . Данные представлены за 2016 год репрезентативно по России.

Для определения качества жизни воспользуемся следующими вопросами, ответами на которые является шкала от 1 до 5, где 1 - полностью удовлетворен / очень счастлив, 5 - совсем не удовлетворен / совсем несчастлив: «Насколько Вы удовлетворены своей жизнью в целом в настоящее время?» (satisfaction), «Скажите, пожалуйста, Вы счастливы?» (happiness). Данные переменные являются порядковыми, чем выше порядок, тем ниже качество жизни, поэтому для определения влияния цифровых технологий на качество жизни воспользуемся порядковой регрессией. Независимыми переменными будут ответы на следующие вопросы: «Скажите, пожалуйста, приходилось ли Вам в течение последних 12 месяцев пользоваться персональным компьютером в любых целях, включая печатание текстов, компьютерные игры и другое?» (pc_use), «Приходилось ли Вам в течение последних 12 месяцев пользоваться Интернетом?» (int_use), «Вы посещаете социальную сеть Вконтакте?» (vk_use), «Вы посещаете социальную сеть Фейсбук?» (fb_use). В качестве контрольных переменных взяты пол (gender), возраст (age), удовлетворенность материальным положением (mat_satisfaction), семейное положение (marital).

Так как переменные являются номинальными и порядковыми проверим наличие связи между ними с помощью коэффициентов корреляции Спирмена.Удовлетворенность жизнью имеет значимую положительнуюсвязь со всеми переменными, однако, наиболее сильно связана с удовлетворенностью материальным положением, использованием интернета и персонального компьютера. Уровень счастья в большей степени коррелирует с использованием персонального компьютера и интернета, нежели удовлетворенность жизнью. Также можно сказать, что при увеличении возраста, удовлетворенность жизнью падает (Приложения, Таблица 34).

Оценкой качества жизни является шкала от 1 до 5, поэтому, чтобы оценить влияние использования цифровых технологий на качество жизни используем модель упорядоченного выбора. Предполагается, что существует скрытая переменная, которая также зависит от независимых факторов:

Также оценивается вероятность дискретной зависимой переменной принимать какое-либо значение в зависимости от значения латентной переменной:

.

Также вероятности могут выражены с помощью распределения зависимой переменной:

.

Оценка параметров модели производится с помощью метода максимального правдоподобия.

Далее будут оценены две модели с латентными переменными satisfaction*и happiness*:

Для выбора связующей функции построим гистограммы распределений зависимых переменных. Так, для обеих переменных низшие категории представлены сильнее, следовательно, будем использовать функцию отрицательного двойного логарифма (Рисунок 30, Рисунок 31).

Рисунок 30. Гистограмма распределения переменной satisfaction

В качестве оценки значимости модели порядковой регрессии используется отрицательное удвоенное значение логарифма функции правдоподобия. Тестовой статистикой служит разность между начальным и конечным значениями, которая подчиняется распределению хи-квадрат. Так, полученная модель статистически значима.

Рисунок 31. Гистограмма распределения переменной happiness

Таблица 20. Информация о приближении модели (зависимая переменная: satisfaction)

Модель

-2 логарифмическое правдоподобие

Хи-квадрат

Степень свободы

Значимость

Только постоянное слагаемое

9074,309

Окончательно

8076,331

997,979

13

0,000

Связующая функция: Отрицательный двойной логарифм

Для проверки согласованности наблюдаемых частот и частот, полученных по модели, используется тест Пирсона. Нулевой гипотезой теста является отсутствие различий между наблюдаемыми и модельными частотами. Гипотеза отвергается с вероятность ошибки 0,01, что говорит о низкой степени приближения (Таблица 21).

Таблица 21. Критерий согласия (зависимая переменная: satisfation)

Хи-квадрат

Степень свободы

Значимость

Пирсон

10069,645

7847

0,000

Отклонение

6193,889

7847

1,000

Связующая функция: Отрицательный двойной логарифм

Мера согласия, рассчитанная по методу Нагелькерке является аналогом R2 для линейной регрессии и отражает долю дисперсии зависимой переменной, объяснимой при помощи порядковой регрессии. Построенная модель объясняет 20% дисперсии, что является неплохим результатом для порядковой регрессии (Таблица 22).

Таблица 22. Псевдо R-квадрат (зависимая переменная: satisfaction)

Кокс и Шелл

0,191

Нагелькерке

0,204

МакФадден

0,077

Связующая функция: Отрицательный двойной логарифм

Значимое влияние на удовлетворенность жизнью на уровне значимости 0,1 оказывают возраст, использование компьютера, использование социальной сети Вконтакте, удовлетворенность материальным положением, женитьба / замужество (Таблица 23). Так как шкала является обратной, показатели с отрицательными коэффициентами будут оказывать положительное влияние на удовлетворенность жизнью. Так, увеличение возраста снижает удовлетворенность жизнью. Использование персонального компьютера увеличивает вероятность попадания в низшие категории зависимой переменной, то есть увеличивает удовлетворенность жизнью. Также положительное влияние на качество жизни оказывает то, что человек состоит в первом или повторном браке.

Использование социальной сети Вконтакте также положительно сказывается на удовлетворенности жизнью. В большей степени удовлетворенность жизнью определяется удовлетворенностью своим материальным положением.

Таблица 23. Оценки параметров порядковой регрессии

Оценка

Стандартная ошибка

Вальд

Степень свободы

Значимость

Порог

[satisfaction = 1]

-1,700

,300

32,187

1

,000

[satisfaction = 2]

-,201

,299

,455

1

,500

[satisfaction = 3]

,813

,299

7,375

1

,007

[satisfaction = 4]

2,453

,305

64,496

1

,000

Положение

age

,011

,002

44,665

1

,000

[pc_use=1]

-,166

,076

4,779

1

,029

[pc_use=2]

0

.

.

0

.

[gender=1]

,017

,035

,237

1

,627

[gender=2]

0a

.

.

0

.

[marital=1]

-,252

,283

,792

1

,373

[marital=2]

-,529

,282

3,516

1

,061

[marital=3]

-,498

,289

2,979

1

,084

[marital=4]

-,200

,285

,491

1

,483

[marital=5]

-,331

,295

1,258

1

,262

[marital=6]

0

.

.

0

.

[mat_satisfaction=1]

-2,771

,180

236,064

1

,000

[mat_satisfaction=2]

-1,147

,056

413,543

1

,000

[mat_satisfaction=3]

-,681

,052

174,248

1

,000

[mat_satisfaction=4]

-,378

,044

74,737

1

,000

[mat_satisfaction=5]

0

.

.

0

.

[vk_use=1]

-,115

,039

8,543

1

,003

[vk_use=2]

0

.

.

0

.

Связующая функция: Отрицательный двойной логарифм

Теперь оценим порядковую для случая с зависимой переменной, отвечающей за счастье индивида, независимые переменные останутся теми же. Связующей функцией также является отрицательный двойной логарифм. Можно наблюдать значимый вклад независимых переменных в улучшение прогнозов, модель статистически значима (Таблица 24).

Таблица 24. Информация о приближении модели (зависимая переменная: happiness)

Модель

-2 логарифмическое правдоподобие

Хи-квадрат

Степень свободы

Значимость

Только постоянное слагаемое

6425,683

Окончательно

6076,37

349,313

14

0,000

Связующая функция: Отрицательный двойной логарифм

Согласно тесту Пирсона, существуют значимые различия между наблюдаемые и ожидаемыми частотами по модели, модель обладаетнизкой степенью приближения (Таблица 25).

Таблица 25. Критерий согласия (зависимая переменная: happiness)

Хи-квадрат

Степень свободы

Значимость

Пирсон

8361,742

7782

0,000

Отклонение

5175,880

7782

1,000

Связующая функция: Отрицательный двойной логарифм

Модель обладает низкой объясняющей способностью, она способно объяснить только 12% дисперсии зависимой переменной (Таблица 26).

Таблица 26. Псевдо R-квадрат (зависимая переменная: happiness)

Кокс и Шелл

0,107

Нагелькерке

0,117

МакФадден

0,045

Связующая функция: Отрицательный двойной логарифм

Значимое влияние на ощущение счастья на уровне значимости 0,1 оказывают возраст, использование компьютера, использование социальной сети Вконтакте, наличие личного переносного компьютера, наличие личного мобильного телефона, удовлетворенность материальным положением. Так как шкала является обратной, показатели с отрицательными коэффициентами будут оказывать положительное влияние на ощущение счастья. Так, увеличение возраста снижает субъективноекачество жизни, измеренное уровнем счастья. Использование персонального компьютера и его наличие увеличивает вероятность попадания в низшие категории зависимой переменной, то есть увеличивает уровень счастья. Также положительно сказывается на ощущении счастья использование социальной сети Вконтакте и наличие мобильного телефона. В большей степени счастье определяется удовлетворенностью своим материальным положением (Таблица 27).

Таблица 27. Оценки параметров порядковой регрессии

Оценка

Стандартная ошибка

Вальд

Степень свободы

Значимость

Порог

[happiness = 1]

-,802

,316

6,463

1

,011

[happiness = 2]

,356

,316

1,270

1

,260

[happiness = 3]

2,273

,320

50,522

1

,000

[happiness = 4]

5,127

,389

173,354

1

,000

Положение

age

,015

,002

58,934

1

,000

[pc_use=1]

-,161

,088

3,361

1

,067

[pc_use=2]

0

.

.

0

.

[marital=1]

,187

,295

,403

1

,525

[marital=2]

-,215

,294

,536

1

,464

[marital=3]

-,265

,303

,765

1

,382

[marital=4]

,275

,297

,854

1

,355

[marital=5]

,091

,308

,088

1

,767

[marital=6]

0

.

.

0

.

[mat_satisfaction=1]

-1,191

,152

61,233

1

,000

[mat_satisfaction=2]

-,484

,064

56,745

1

,000

[mat_satisfaction=3]

-,248

,063

15,551

1

,000

[mat_satisfaction=4]

-,092

,053

3,061

1

,080

[mat_satisfaction=5]

0

.

.

0

.

[vk_use=1]

-,155

,049

10,085

1

,001

[vk_use=2]

0

.

.

0

.

[pc=1]

-,164

,042

15,300

1

,000

[pc=2]

0

.

.

0

.

[mobile=1]

-,099

,044

5,078

1

,024

[mobile=2]

0

.

.

0

.

Связующая функция: Отрицательный двойной логарифм

Итак, наилучшей порядковой регрессионной моделью является модель с зависимой переменной, отвечающей за удовлетворенность жизнью. Эта модель является статистически значимой и обладает наилучшей объясняющей способностью. В этой модели переменная, содержащая ответы на вопрос о том, насколько индивид удовлетворен своей жизнью, является прокси индикатором качества жизни. Положительное значимое влияние на качество жизни оказывают использование компьютера, использование социальной сети Вконтакте, удовлетворенность материальным положением, женитьба / замужество. Можно сказать, что активное использование цифровых технологий повышает качество жизни. Так, молодое население, состоящее в браке и активно использующее цифровые технологии,характеризуется высокой удовлетворенностью жизнью.

Заключение

Ускоренное развитие цифровых технологий в последние десятилетия привело к изменениям вовсех сферах человеческой жизни. Изменились структура занятости иуровень дохода, уровень образования и здравоохранения. Цифровыетехнологии оказали огромное влияние на формирование нового типаэкономики, «цифровой» экономики, и интернета вещей. Все эти измененияоказывают непосредственное влияние на качество жизни населения встранах мира.

В работе был приведен анализ влияния цифровых технологий на качество жизни, как в объективном понимании, так и в субъективном. С точки зрения объективистского подхода, качество жизни - агрегированный статистический показатель, характеризующий благосостояние населения региона или страны. В основе этого макро-подхода лежал анализ статистических показателей стран мира и их связи. Также были выделены группы стран со схожими характеристиками развития цифровых технологий.

С помощью полей корреляции, между показателями человеческого развития и показателями развития цифровых технологий была выявлена положительная нелинейная связь. Данный вывод подтвердился построением регрессионных моделей двух форм: логистической и модифицированной экспоненты. Так, можно отметить, что наибольшее влияние изменения в цифровом развитии, значениях индекса сетевой готовности, оказывают на качество жизни в развивающихся странах, в отстающих странах и развитых странах эта связь слабее. Связь между глобальным индексом подключения и индексом человеческого развития представляется в форме модифицированной экспоненты: для развивающихся стран влияние улучшения в цифровом развитие больше сказывается на качестве жизни, чем в развитых странах.

Страны были разбиты на три группы по развитию цифровых технологий на основе десяти компонент индекса сетевой готовности. Так, первая группа состоит из 37 стран-лидеров по уровню развития цифровых технологий, к которым относятся страны Северной Америки, Западной Европы и прогрессивные страны Азии, такие как Сингапур и Гонконг. Наибольший кластер, состоящий из 58 стран, - кластер развивающихся стран, к которому относятся, в основном, страны Азии и Восточной Европы, также в этот кластер попадает Россия. Наиболее отстающие по развитию цифровых технологий страны Африки южнее Сахары.

Чтобы оценить влияние использование цифровых технологий на субъективное восприятие качества жизни, были использованы микро-данные РМЭЗ НИУ ВШЭ. В качестве переменной, отвечающей за качество жизни, были использованы ответы респондентов на вопросы об удовлетворенности жизнью и ощущении счастья. В связи с порядковой шкалой ответов на данные вопросы, были построены порядковые регрессии. Так, использование компьютера, социальной сети Вконтакте, удовлетворенность материальным положением, женитьба / замужество повышают удовлетворенность жизнью. В тоже время, увеличение возраста снижает качество жизни. Итак, молодое население, состоящее в браке и активно использующее цифровые технологии, обладает высоким качеством жизни.

Итак, на основе микро- и макро-подходов была подтверждена гипотеза о положительной зависимости качества жизни населения от уровня развития цифровых технологий, их доступности и использования.

Список литературы

\

1. Abdallah S. et al. The Happy Planet Index 2.0: Why good lives don't have to cost the Earth. - 2009.

2. Asheim G. B. Green national accounting: why and how? //Environment and Development Economics. - 2000. - Т. 5. - №. 1. - С. 25-48.

3. Atkinson R. D., Castro D. Digital quality of life: Understanding the personal and social benefits of the information technology revolution. - 2008.

4. Bell D. Coming of post-industrial society-venture in social forecasting-reply //CONTEMPORARY SOCIOLOGY-A JOURNAL OF REVIEWS. - 1974. - Т. 3. - №. 2. - С. 107-109.

5. Bjшrnskov C., Dreher A., Fischer J. A. V. Cross-country determinants of life satisfaction: Exploring different determinants across groups in society //Social Choice and Welfare. - 2008. - Т. 30. - №. 1. - С. 119-173.

6. Boyden S. V. Western civilization in biological perspective: patterns in biohistory. - Oxford University Press, USA, 1990.

7. Castells M. Power of identity: The information age: Economy, society, and culture. - Blackwell Publishers, Inc., 1997.

8. Davis L. E., Trist E. L. Improving the quality of work life: Socio-technical case studies. - University of California, 1974.

9. Diener E. A value based index for measuring national quality of life //Social indicators research. - 1995. - Т. 36. - №. 2. - С. 107-127.

10. Douhou S., Van Soest A. Explaining subjective well-being: The role of victimization, trust, health, and social norms //Прикладная эконометрика. - 2013. - №. 3 (31).

11. Ferkiss V. Nature, technology and society //New York: New York University. - 1993.

12. Holdren J. P. Science and technology for sustainable well-being //Science. - 2008. - Т. 319. - №. 5862. - С. 424-434.

13. Johnston D. F. Toward a comprehensive `quality-of-life' index //Social Indicators Research. - 1988. - Т. 20. - №. 5. - С. 473-496.

14. Leung L., Lee P. S. N. Multiple determinants of life quality: The roles of Internet activities, use of new media, social support, and leisure activities //Telematics and Informatics. - 2005. - Т. 22. - №. 3. - С. 161-180.

15. Machlup F. Knowledge: Its creation, distribution and economic significance, Volume III: The economics of information and human capital. - Princeton University Press, 2014. - Т. 3.

16. McPheat D. Technology and life-quality //Social Indicators Research. - 1996. - Т. 37. - №. 3. - С. 281-301.

17. Michalos A. C. Combining social, economic and environmental indicators to measure sustainable human well-being //Social Indicators Research. - 1997. - Т. 40. - №. 1. - С. 221-258.

18. Park C. M. The quality of life in South Korea //Social Indicators Research. - 2009. - Т. 92. - №. 2. - С. 263-294.

19. Porat M. U. The Information Economy: Sources and Methods for Measuring the Primary Information Sector (Detailed Industry Reports). - 1977.

20. Sen A. Human Development Index: Methodology and Measurement. - 2003.

21. Shapiro J. M. Smart cities: quality of life, productivity, and the growth effects of human capital //The review of economics and statistics. - 2006. - Т. 88. - №. 2. - С. 324-335.

22. Sherk J., Burke L. Automation and Technology Increase Living Standards //The Heritage Foundation. - 2015.

23. Sing M. The quality of life in Hong Kong //Social Indicators Research. - 2009. - Т. 92. - №. 2. - С. 295-335.

24. Slottje D. J. Measuring the quality of life across countries //The Review of economics and statistics. - 1991. - С. 684-693.

25. Toffler A., Alvin T. The third wave. - New York : Bantam books, 1980. - Т. 484.

26. Veenhoven R. Happy life-expectancy //Social indicators research. - 1996. - Т. 39. - №. 1. - С. 1-58.

27. Wallace C. Can information and communications technology enhance social quality? //The International Journal of Social Quality. - 2012. - Т. 2. - №. 2. - С. 98.

28. Wei R., Leung L. Owning and using new media technology as predictors of quality of life1 //Telematics and Informatics. - 1998. - Т. 15. - №. 4. - С. 237-251.

29. Wrуblewska A. et al. The Meaning of Internet Service Exchange Platforms for Improving The Quality of Life on a Global Scale //Human Capital without Borders: Knowledge and Learning for Quality of Life; Proceedings of the Management, Knowledge and Learning International Conference 2014. - ToKnowPress, 2014. - С. 1191-1197

30. Айвазян С. А. Анализ качества и образа жизни населения (эконометрический подход) //М: Наука. - 2012.

31. Айвазян С. А., Исакин М. А. Интегральные индикаторы качества жизни населения региона как критерии эффективности социально-экономической политики, проводимой органами региональной власти //Прикладная эконометрика. - 2006. - №. 1.

32. Варнавский В.Г. Цифровые технологии и рост мировой экономики. - Друкеровский вестник. - 2015. - № 3 (7). - С. 73 - 80.

33. Кузнецова С.Б. Четвертая промышленная революция как результат инновационно-технологического развития производственных систем // Современные научные исследования и инновации. 2016. № 3 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2016/03/65792 (дата обращения: 14.01.2018).

34. Рачинский А. А. Распространение мобильной связи в России //Прикладная эконометрика. - 2010. - №. 2 (18).

35. Российский мониторинг экономического положения и здоровья населения НИУ-ВШЭ (RLMS-HSE)[Электронный ресурс] URL: https://www.hse.ru/rlms

36. Сайт Global Connectivity Index [Электронный ресурс] URL: http://www.huawei.com/minisite/gci/en/country_rankings.html

37. Сайт Happy Planet Index [Электронныйресурс] URL: http://happyplanetindex.org/countries

38. Сайт Human Development Reports [Электронныйресурс] URL: http://hdr.undp.org/en/data

39. Сайт World Economic Forum [Электронныйресурс] URL: http://reports.weforum.org/global-information-technology-report-2016/networked-readiness-index/?doing_wp_cron=1523441944.1570758819580078125000

40. Сударушкина И. В., Стефанова Н. А. ЦИФРОВАЯ ЭКОНОМИКА //Азимут научных исследований: экономика и управление. - 2017. - Т. 6. - №. 1. - С. 182-184.

41. Ястреб Н. А. Четвертая промышленная революция: глобальные промышленные сети и Интернет вещей //ИнВестРегион. - 2014. - №. 4. - С. 22.

Приложения

Таблица 28. Структура индекса сетевой готовности

Индекс сетевой готовности

Среда

Готовность

Использование

Влияние

Политическая и правовая среда

Инновационная и бизнес среда

Инфраструктура и цифровой контент

Доступность

Навыки

Индивидуальное

Коммерческое

Государственное

Экономическое

Социальное

Эффективность правотворческих институтов [1,7]

Доступность передовых технологий

Производство электричества

Стоимость мобильных тарифов

Качество образовательной системы [1,7]

Количество абонентов мобильной связи

Адаптация фирмами новых технологий [1,7]

Значимость ИКТ для будущей деятельности государства [1,7]

Влияние ИКТ на появление новых товаров и услуг [1,7]

Влияние ИКТ на доступ к базовым услугам [1,7]

Развитость законов, связанных с ИКТ [1,7]

Доступность венчурного капитала

Охват мобильной сетью

Тарифы на проводной широкополосный Интернет

Качество математического и естественнонаучного образования [1,7]

Количество пользователей Интернет

Инновационный потенциал компаний [1,7]

Индекс государственных онлайн-услуг

Патенты в сфере ИКТ

Доступ к интернету в школах [1,7]

Независимость судебной системы [1,7]

Суммарная налоговая ставка

Международная пропускная способность Интернета

Индекс конкуренции на мобильном и интернет рынке

Степень охвата средним образованием

Домохозяйства с персональным компьютером

Число патентов

Успех государства в продвижении ИКТ [1,7]

Влияние ИКТ на появление новых форм организационных моделей

Влияние использования ИКТ на эффективность государства

Эффективность правовой и судебной систем при урегулировании споров [1,7]

Время, необходимое для отрытия бизнеса

Безопасные интернет-серверы

Уровень грамотности

Домохозяйства с доступом к сети Интернет

Использование ИКТ для B2B взаимодействия

Занятость в наукоемких областях

E-participation index (качество, актуальность и полезность правительственных веб-сайтов в предоставлении онлайн-информации и инструментов участия и услуг для своих граждан)

Эффективность правовой и судебной систем при оспаривании постановлений государства [1,7]

Число процедур для открытия бизнеса

Количество абонентов проводного широкополосного Интернета

Использование Интерната для B2C взаимодействия

Защита прав интеллектуальной собственности [1,7]

Интенсивность местной конкуренции

Количество абонентов мобильной широкополосной связи

Степень подготовки сотрудников

Уровень компьютерного пиратства

Уровень охвата высшим образованием

Использование виртуальных социальных сетей

Число процедур при разрешении спора

Качество бизнес-школ

Время для разрешения спора

Государственные закупки передовых технологий

Таблица 29. Структура глобального индекса подключения

4 компоненты

Предложение

Спрос

Опыт

Потенциал

5 технологий для реализации

Основы

Инвестиции в ИКТ, телесвязь; законы, связанные с ИКТ; международная пропускная способность интернета

Загрузка приложений; проникновение смартфонов; электронные торговые операции; домохозяйства с персональными компьютерами

Электронные услуги государства; услуги для клиентов телекоммуникаций; доля лиц, использующих интернет; скорость широкополосной загрузки

Расходы на исследования и разработки; патенты в сфере ИКТ; рабочая сила в сфере ИКТ; разработчики программного обеспечения

Широкополосная связь

Оптическое волокно, охват 4G

Абоненты мобильной связи; абоненты фиксированной широкополосной связи

Доступности мобильной связи и фиксированной широкополосной связи

Потенциал широкополосной и мобильной связи

Центры обработки данных

Инвестиции в центры обработки данных

Оборудование центров обработки данных

Опыт в сфере обработки данных

Потенциал в сфере обработки данных

Облачные сервисы

Инвестиции в облачные сервисы

Перемещение данных через облачные сервисы

Опыт в сфере облачных сервисов

Потенциал в сфере облачных сервисов

Большие данные

Инвестиции в большие данные

Создание аналитических данных

Опыт в сфере больших данных

Потенциал в сфере больших данных

Интернет вещей

Инвестиции в интернет вещей

Клиентская база интернета вещей

Опыт в сфере интернета вещей

Потенциал в сфере интернета вещей

Таблица 30. Описательные статистики

Показатель

Обозначение

Статистика

Индекс человеческого развития

Human Development Index

HDI

Mean

0,723

95% Confidence Interval for Mean

Lower Bound

0,698

Upper Bound

0,748

5% Trimmed Mean

0,729

Median

0,749

Variance

0,023

Std. Deviation

0,150

Minimum

0,396

Maximum

0,949

Range

0,553

Interquartile Range

0,236

Skewness

-0,465

Kurtosis

-0,828

Ожидаемая продолжительность жизни при рождении

Life expectancy at birth

LE

Mean

72,342

95% Confidence Interval for Mean

Lower Bound

70,959

Upper Bound

73,725

5% Trimmed Mean

72,864

Median

74,416

Variance

68,484

Std. Deviation

8,276

Minimum

48,943

Maximum

84,163

Range

35,220

Interquartile Range

10,957

Skewness

-0,840

Kurtosis

0,130

Ожидаемое число лет обучения

Expected years of schooling

EYS

Mean

13,502

95% Confidence Interval for Mean

Lower Bound

13,042

Upper Bound

13,963

5% Trimmed Mean

13,500

Median

13,451

Variance

7,583

Std. Deviation

2,754

Minimum

7,300

Maximum

20,433

Range

13,132

Interquartile Range

3,943

Skewness

-0,090

Kurtosis

-0,461

Среднее число лет обучения

Mean years of schooling

MYS

Mean

8,706

95% Confidence Interval for Mean

Lower Bound

8,192

Upper Bound

9,220

5% Trimmed Mean

8,807

Median

9,164

Variance

9,464

Std. Deviation

3,076

Minimum

1,442

Maximum

13,370

Range

11,928

Interquartile Range

5,033

Skewness

-0,427

Kurtosis

-0,830

Логарифм валового национального дохода на душу населения

ln Gross national income per capita

lnGNI

Mean

9,353

95% Confidence Interval for Mean

Lower Bound

9,164

Upper Bound

9,543

5% Trimmed Mean

9,378

Median

9,530

Variance

1,288

Std. Deviation

1,135

Minimum

6,538

Maximum

11,775

Range

5,236

Interquartile Range

1,704

Skewness

-0,384

Kurtosis

-0,642

Индекс сетевой готовности

Networked Readiness Index

NRI

Mean

4,061

95% Confidence Interval for Mean

Lower Bound

3,905

Upper Bound

4,216

5% Trimmed Mean

4,052

Median

4,003

Variance

0,863

Std. Deviation

0,929

Minimum

2,298

Maximum

6,024

Range

3,726

Interquartile Range

1,342

Skewness

0,260

Kurtosis

-0,765

Политическая и правовая среда

1st pillar: Political and regulatory environment

pil1

Mean

3,853

95% Confidence Interval for Mean

Lower Bound

3,702

Upper Bound

4,005

5% Trimmed Mean

3,828

Median

3,657

Variance

0,802

Std. Deviation

0,896

Minimum

2,200

Maximum

5,890

Range

3,700

Interquartile Range

1,080

Skewness

0,563

Kurtosis

-0,431

Инновационная и бизнес среда

2nd pillar: Business and innovation environment

pil2

Mean

4,299

95% Confidence Interval for Mean

Lower Bound

4,178

Upper Bound

4,419

5% Trimmed Mean

4,306

Median

4,207

Variance

0,506

Std. Deviation

0,711

Minimum

2,490

Maximum

5,960

Range

3,460

Interquartile Range

1,090

Skewness

-0,023

Kurtosis

-0,535

Инфраструктура

3rd pillar: Infrastructure

pil3

Mean

4,057

95% Confidence Interval for Mean

Lower Bound

3,787

Upper Bound

4,328

5% Trimmed Mean

4,056

Median

4,109

Variance

2,565

Std. Deviation

1,601

Minimum

1,020

Maximum

7,000

Range

5,980

Interquartile Range

2,310

Skewness

0,145

Kurtosis

-0,852

Доступность

4th pillar: Affordability

pil4

Mean

4,922

95% Confidence Interval for Mean

Lower Bound

4,697

Upper Bound

5,148

5% Trimmed Mean

4,989

Median

5,285

Variance

1,779

Std. Deviation

1,334

Minimum

1,310

Maximum

6,950

Range

5,650

Interquartile Range

1,930

Skewness

-0,678

Kurtosis

-0,350

Навыки

5th pillar: Skills

pil5

Mean

4,672

95% Confidence Interval for Mean

Lower Bound

4,473

Upper Bound

4,871

5% Trimmed Mean

4,723

Median

5,029

Variance

1,393

Std. Deviation

1,180

Minimum

1,840

Maximum

6,530

Range

Страница:


Подобные документы

  • Статистические методы изучения качества и уровня жизни населения

    Статистика уровня жизни населения: показатели доходов и расходов. Виды уровня жизни и методы изучения динамики доходов населения. Качество жизни как совокупность показателей общего благосостояния людей. Сравнение уровня жизни различных регионов и стран.

    курсовая работа [419,6 K], добавлен 26.02.2009

  • Экономическая оценка уровня и качества жизни населения Ставропольского края

    Подходы к определению уровня и качества жизни населения. Сравнительный анализ показателей уровня и качества жизни населения Ставропольского края и России в целом. Приоритетные меры по повышению уровня и качества жизни населения Ставропольского края.

    дипломная работа [1,4 M], добавлен 06.02.2018

  • Уровень жизни населения и его региональные особенности

    Концептуальные аспекты и системы показателей уровня жизни населения. Методики оценки уровня и качества жизни населения. Анализ и оценка основных показателей уровня жизни населения Тюменской области и России в целом. Меры повышения уровня жизни населения.

    курсовая работа [1,9 M], добавлен 20.04.2011

  • Уровень и качество жизни населения в России и за рубежом

    Понятие и система показателей уровня и качества жизни населения. Динамика уровня жизни в России в 2000-2009 гг. Международные сравнения по индексу развития человеческого потенциала. Основные направления повышения уровня и качества жизни в России.

    курсовая работа [1,6 M], добавлен 16.12.2010

  • Уровень и качество жизни населения

    Теоретические подходы к определению уровня и качества жизни населения, индикаторы их измерения. Показатели уровня и качества жизни населения России: совокупность экономических отношений. Основные направления повышения уровня жизни населения России.

    курсовая работа [136,7 K], добавлен 03.10.2010

  • Качество жизни населения и социальные стандарты

    Подходы к измерению качества жизни населения. Индекс развития человеческого потенциала как интегральный показатель измерения уровня жизни. Понятие и значение социальных стандартов. Характеристика государственных социальных стандартов Республики Беларусь.

    курсовая работа [159,8 K], добавлен 13.06.2014

  • Исследование качества жизни населения региона (на примере Свердловской области)

    Определение, сущность и структура понятий "уровень жизни" и "качество жизни населения". Основные показатели уровня жизни и качества жизни населения. Факторы территориальной дифференциации качества жизни населения на примере Свердловской области.

    курсовая работа [355,4 K], добавлен 21.07.2015

  • Анализ уровня и качества жизни населения России

    Уровень и качество жизни: понятие и сущность. Интегральный и частный подходы к познанию этих понятий. Факторы, определяющие динамику качества жизни населения. Оценка занятости населения и безработицы. Разработка направлений снижения уровня бедности.

    дипломная работа [83,5 K], добавлен 01.12.2014

  • Качество жизни населения

    Сущность качества жизни как социально-экономической категории и ряд ее особенностей. Уровни и система показателей "качества жизни". Важнейшие парадигмы и индекс развития человеческого потенциала. Меры по совершенствованию "качества жизни населения".

    курсовая работа [205,9 K], добавлен 23.09.2010

  • Уровень качества жизни как основа благосостояния населения

    Качество жизни населения, его социальная составляющая и оценка. Значение изучения динамики и качества уровня жизни населения, его прогнозирование. Показатели уровня и качества жизни населения Республики Беларусь, основные направления его повышения.

    курсовая работа [1,4 M], добавлен 19.10.2011

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2025, ООО «Олбест» Все наилучшее для вас