Реферат: Г. М. Орлов, В. Г. Шуметов модель электоральных предпочтений: методология построения

© 2001 г.


Г.М. ОРЛОВ, В.Г. ШУМЕТОВ


МОДЕЛЬ ЭЛЕКТОРАЛЬНЫХ ПРЕДПОЧТЕНИЙ: МЕТОДОЛОГИЯ ПОСТРОЕНИЯ


ОРЛОВ Геннадий Михайлович — доктор социологических наук, профессор, проректор Орловской региональной академии государственной службы, ШУМЕТОВ Вадим Георгиевич — кандидат технических наук, доцент, заведующий кафедрой математики и информационных технологий той же академии


В статье рассматриваются методологические и методические вопросы построения модели электорального поведения населения. В основу подхода положено последовательное применение методов многофакторного статистического анализа данных первичной обработки материалов социологических исследований [1—5]. В работе был использован массив данных о предвыборной ситуации в России в период 1993—1999 гг., полученных Центром социологических исследований МГУ с участием Орловской региональной академии государственной службы. Массив информации содержится в базе данных социологических опросов

35536 зн.

1993—1999 гг. по результатам анкетирования около 55000 респондентов, территориально размещенных по ряду регионов. Формат данных соответствовал формату программного продукта SPSS, что позволило выполнить в нем всю необходимую первичную, а в ряде случаев и вторичную статистическую обработку.

^ Информационная модель электорального выбора

Для создания сколько-нибудь работоспособной модели необходимо располагать достаточной эмпирической базой. Обратившись к наиболее обширной базе данных по социологическим опросам 1993—1999 гг. о предвыборной ситуации в России, рассмотрим вначале те основные закономерности электорального предпочтения, усредненные по всем обследованным регионам, которые отражают общие черты поведения респондентов и тем самым должны найти свое отражение в модели.

По результатам анализа итогов национальных выборов можно предположить, что основными факторами, которые должны быть включены в модель общероссийских электоральных предпочтений, являются место проживания, возрастная группа респондентов, а также оценка ими динамики экономического положения своей семьи. Первые два фактора являются объективными, третий — в определенной мере субъективен. Включение соответствующего вопроса в анкеты (“Как изменилось экономическое и финансовое положение Вашей семьи за последний год”) и использование ответов для суждения о последнем факторе вполне оправдано: здесь отсутствует количественная оценка экономического положения, а предполагается сравнительная качественная оценка, зависящая в основном от его динамики. Нет сомнения, что данный фактор оказывает большое влияние на электоральные предпочтения респондентов, а затем и их поведение на выборах, как национальных, так и (причем даже в большей степени) в местные органы власти.

На рис. 1 представлены итоговые данные электоральных предпочтений (обработка данных всероссийского опроса), ранжированные по степени его уменьшения, а также результаты электорального поведения населения России (данные электоральной статистики [6]).

Анализируя графики, можно отметить большую долю респондентов, не определивших своего мнения к моменту опроса — свыше 50%. Именно это обстоятельство в первую очередь обусловливает “перераспределение” рангов партий и движений к моменту выборов. Разумеется, значительное увеличение доли сторонников таких партий как КПРФ, ЛДПР вызвано также и другими обстоятельствами, но все же основная причина расхождения “прогноза” и факта состоит в принятии решения о поддержке той или иной партии лишь в последние дни, а может, лишь в момент выборов.

В связи с этим весьма плодотворным представляется выделение типических групп респондентов-избирателей по показателю интенсивности, с которой они готовы поддержать кандидатов [7]: активистов, союзников, попутчиков и неопределившихся. Данная типизация относится к президентским выборам 1996 года и построена на следующих четырех показателях: 1) намерение избирателей обязательно участвовать в выборах; 2) осознание высокой важности, кто именно будет избран; 3) доверие или недоверие к кандидатам; 4) кого именно избиратели намерены поддержать на выборах.

С некоторыми изменениями эта классификация может быть использована при анализе электоральных предпочтений партий и движений с целью построения модели электорального выбора. Так, представляется целесообразным уменьшить количество составляющих вектора электоральных предпочтений Y за счет объединения ряда партий, а также исключения некоторых из анализа. Результатом является сведение вектора Y (y1, y1,..., yk) к четырехмерному с компонентами:

1. y1 — доля респондентов, утверджившихся к моменту опроса в решении поддержать партии левой ориентации (КПРФ, АПР);

2. y2 — доля респондентов, решивших поддержать ЛДПР;

3. y3 — доля респондентов, принявших решение поддержать партии и движения демократической ориентации (“Яблоко”, “Выбор России”, ПРЕС, РДДР);

4. y4 — доля респондентов, не определивших к моменту опроса, какую партию или движение поддержать на выборах.

В четырехмерный вектор Y (y1, y2, y3, y4) не включены такие движения и партии как “Женщины России”, ДПР. Несмотря на ощутимую поддержку респондентами, они отнесены нами к категории “прочих партий” ввиду неопределенности программ и позиций их лидеров (y5). При подсчете значений компонентов вектора электоральных предпочтений y1, y2, y3, y4 учитывалась также доля респондентов, высказавшихся против всех партий, блоков и движений (y6). Таким образом, профиль электоральных предпочтений является шестикомпонентным, но модель предполагается строить только по четырем из них.

Входными факторами модели, в соответствии со сказанным ранее, являются:

х1 — место проживания респондентов;

х2 — самооценка динамики экономического положения своей семьи;

х3 — возрастная группа респондентов.

Перейдем к анализу характера влияния выделенных нами факторов, а также их взаимосвязи. На рис. 2, 3 в качестве примера представлены результаты первичной обработки данных всероссийского социологического опроса в пакете SPSS по компоненте y1 — доле респондентов, принявших к моменту опроса решение поддержать партии левой ориентации (КПРФ, АПР).

На графиках видна сильная зависимость компоненты вектора электоральных предпочтений y1 (доли респондентов, решивших к моменту опроса в решении поддержать партии левой ориентации) от возрастной группы респондентов, места их проживания и самооценки своего экономического положения.

Хотя при опросе респонденты, проживающие в поселках городского типа и в сельских поселениях, фиксировались раздельно, в данном исследовании принято решение объединить эти две группы. Здесь учтена нецелесообразность выделения сравнительно малочисленной группы опрошенных, проживающих в поселках городского типа, в самостоятельную статистическую единицу достаточного объема. Последнее обстоятельство (малочисленность той или иной группы респондентов) явилось ограничением не только при анализе влияния места жительства.

Аналогичным образом выявлена сильная зависимость от данных факторов и другой компоненты вектора электоральных предпочтений — y3 (доли респондентов, определивших к моменту опроса свой выбор - поддержку партий демократической ориентации) — рис. 3.

При сравнении рис. 2 и 3 обращает на себя внимание существенное различие в характере графиков, отражающих влияние на компоненты вектора y1 и y3 рассматриваемых факторов. Если для компоненты y1, отвечающей электоральному предпочтению респондентами левых партий, рассматриваемые зависимости носят монотонный характер (возрастающие или убывающие с изменением уровней факторов линии), то для компоненты y3, соответствующей электоральному предпочтению респондентами демократических партий, зависимость от возраста носит экстремальный характер (линии с максимумами); зависимость от места жительства отражает сильное взаимодействие факторов, проявляющееся в несимбатном (непараллельном) ходе графиков, соответствующих различным возрастным уровням респондентов. Это свидетельствует о достаточно сложной картине перераспределения политических симпатий и настроений респондентов между различными политическими направлениями.

Еще более сложны закономерности влияния рассматриваемых факторов х1 (место проживания) и х3 (возрастная группа) на компоненты y2 (доля респондентов, принявших к моменту опроса решение поддержать ЛДПР и y4. С математической точки зрения это означает, что если для компоненты вектора электоральных предпочтений y1 (доли респондентов, решивших к моменту опроса в решении поддержать партии левой ориентации) и особенно для компоненты y3 (доли респондентов, определившихся к моменту опроса в поддержке партий и движений демократической ориентации) наблюдается практически линейный ход точечных графиков (рис. 2, 3), то для двух других компонент имеет место более сложная зависимость.

^ Разработка математической объясняющей модели электорального выбора

Исходя из многообразия задач, методы, применяемые при разработке математической модели электорального выбора, могут представлять собой широкий спектр статистических исследований, начиная от описательной (дескриптивной) статистики до корреляционного, дисперсионного, факторного, кластерного и дискриминантного анализов. Особое место занимают методы шкалирования, позволяющие перейти от качественных (номинальных) шкал к количественным интервальным (или даже шкалам отношений), что является предпосылкой использования многих из перечисленных методов многомерного статистического анализа [8, 9].

Анализ вопросов анкет социологических исследований предвыборной ситуации показывает, что только немногие из них допускают переход от номинальной шкалы ответов к “условно интервальной”. Можно выделить следующие варианты шкал: 1)трихотомическую симметричную шкалу с тремя вариантами (уровнями) ответов; 2) трихотомическую несимметричную шкалу с тремя вариантами ответов; 3) четырехуровневую несимметричную шкалу с четырьмя вариантами ответов; 4) пятиуровневую симметричную шкалу с пятью вариантами ответов.

Первый и последний варианты симметричных “условно интервальных” шкал более удобны по сравнению с несимметричными, хотя число уровней шкал, особенно в случае трихотомического варианта ответов, недостаточно для применения эффективных параметрических методов статистической обработки и анализа данных.

Поясним принятый в данном исследовании принцип кодирования уровней факторов с целью перехода от рассматриваемых номинальных признаков к количественным, измеренным по “условно интервальным” шкалам.

Ранжирование уровней фактора х3 (возрастная группа респондентов) вполне естественно проводить по нарастанию возрастов. При этом группе младших возрастов (от 18 до 29 лет) присваивается код –1, группе старших возрастов (60 лет и более) присваивается код +1. Промежуточным группам соответствуют промежуточные кодированные значения независимых переменных: группе возрастов от 30 до 39 лет код –1/2, группе возрастов от 40 до 49 лет код 0, группе возрастов от 50 до 59 лет код +1/2. Таким образом, переменная х3 принимает пять равномерно отстоящих значений: х3 = {–1; –1/2; 0; +1/2; +1}. Эта переменная количественная, поэтому ее дискретизация отражает лишь удобство группировки респондентов на достаточно крупные кластеры.

Ранжирование уровней номинального фактора х2 — оценка респондентами динамики экономического положения своей семьи — целесообразно проводить в направлении степени удовлетворенности экономическим и финансовым положением. Хотя соответствующий вопрос анкеты предусматривал пять значимых альтернатив ответов, принято решение объединить группы ответов с оттенками степени удовлетворенности (неудовлетворенности), а группу ответов “не знаю” включить в группу ответов “экономическое положение без изменений” (обоснование подобного подхода см. в [10]). Группе “неудовлетворенных” респондентов присваивается код –1, “удовлетворенных” — +1, код 0 присваивается группе респондентов с “нейтральными” ответами. Таким образом, переменная х2 принимает три равномерно отстоящих значения: х2 = {–1; 0; +1}. Эта переменная принципиально дискретная и отражает качественные уровни фактора х2.

Ранжирование уровней фактора х1 целесообразно проводить в направлении степени урбанизации места проживания респондентов. При этом переменная х1 принимает три равномерно отстоящих значения: х1 = {–1; 0; +1}. Эта переменная тоже принципиально дискретная и отражает качественные уровни фактора х1: значение х1 = –1 соответствует респондентам, проживающим в селах и поселках городского типа, х1 = 0 -жителям городов (не центров регионов), х1 = +1 — областных центров.

Такая кодировка факторов позволяет использовать не только все методы обработки, применимые для номинальных и порядковых (ранговых) переменных, но и для интервальных переменных (с дополнительным условием их дискретности). Теоретическое и практическое обоснование подобного подхода дано в ряде работ (см.: [1, 2, 9, 10]).

С учетом кодирования факторов дадим трактовку характера графиков рис. 2, где представлена зависимость компоненты вектора электоральных предпочтений y1 от уровней факторов х1, х2 и х3 (направление уровней факторов по осям обратное — от +1 к –1). Как видно, имеется близкая к линейной зависимость доли y1 респондентов, принявших к моменту опроса решение поддержать партии левой ориентации, от уровней этих факторов. Ход графиков примерно симбатный, что отражает не слишком сильное их взаимодействия. Это позволяет рассчитывать на аппроксимацию зависимости y1 от кодированных переменных х1, х2 и х3 достаточно простой математической моделью.

С математической точки зрения так же просто может быть описана зависимость доли y3 респондентов, решивших поддержать партии демократической ориентации, от уровней этих факторов. Ход графиков тоже примерно симбатный (рис. 3). Но смысловая интерпретация прямо противоположна, что отражается в изменении наклона графиков: если доля респондентов, принявших к моменту опроса решение поддержать партии левой ориентации, увеличивается с ухудшением динамики их экономического положения, то, напротив, доля y3 респондентов, определивших к моменту опроса решение о поддержке партий демократической ориентации, уменьшается. Таким же образом доля респондентов, решивших поддержать партии левой ориентации, увеличивается по мере уменьшения степени урбанизации места их проживания, а доля респондентов, заявивших о поддержке партий демократической ориентации, уменьшается.

Более сложная зависимость от уровней факторов х1, х2 и х3 наблюдается для компонент вектора электоральных предпочтений y2 и y4. Практически все точечные графики нелинейны, а на некоторых из них проявляется сильное влияние квадратичных эффектов. Это может вызвать значительные затруднения при отыскании достаточно простой аппроксимирующей модели.

^ Дисперсионный анализ влияния факторов и их взаимодействий на вектор электорального предпочтения

Дисперсионный анализ, суть которого — количественная оценка влияния факторов и их взаимодействий на компоненты вектора электорального предпочтения, — может существенно дополнить выполненный нами в предыдущем разделе качественный анализ.

Для оценки влияния факторов и их взаимодействий по вкладам в дисперсию компонентов вектора электорального предпочтения была использована методика обработки сгруппированных данных (табл. 1) по плану полного трехфакторного эксперимента 335 с постоянными факторами [3]. В таблице приняты следующие обозначения факторов (традиционные для планов дисперсионного анализа):

^ А — место проживания респондентов;

B — самооценка динамики экономического положения своей семьи;

C — возрастная группа респондентов.

План полного трехфакторного эксперимента 335 с постоянными факторами позволяет оценить линейные эффекты факторов А, В и С, их парные взаимодействия АВ, АС и ВС, а также тройное взаимодействие АВС.

Дисперсионный анализ данных проводили с помощью соответствующей процедуры пакета SPSS Base 8.0 [11]. Критерием оценки статистической значимости линейных эффектов факторов и их взаимодействий по степени их влияния на вектор электорального предпочтения принята статистика Фишера. Она рассчитывалась как отношение дисперсий компонент вектора, обусловленных изменениями уровней соответствующих факторов и их сочетаний, к принятой нами условной “дисперсии ошибки”, равной единице (дисперсия, отвечающая 1%-й абсолютной погрешности доли респондентов). При этом большие значения критерия Фишера следует интерпретировать как более сильное влияние рассматриваемого фактора или взаимодействия факторов на разброс данных.

Результаты обработки приведены в табл. 2. В ней для удобства сравнения степени влияния факторов и их взаимодействий на различные компоненты вектора электорального предпочтения сведены сведены расчетные значения критерия Фишера по всем четырем группам исходных данных. Наибольшие значения статистики Фишера по каждой группе источников дисперсии и для каждой компоненты вектора электорального предпочтения выделены полужирным шрифтом.

По результатам дисперсионного анализа можно сделать следующие выводы:

Доминирующим фактором в предпочтении респондентами левых партий является место их проживания. Влияние двух других факторов — динамики экономического положения респондентов и их возраста — менее значимо. Взаимодействиями факторов можно пренебречь. Сколько-нибудь значимым может быть только парное взаимодействие места проживания респондентов с динамикой экономического положения респондентов.

Фактором-доминантом в предпочтении либеральных демократов является самооценка респондентами динамики экономического положения. Второе место по степени влияния разделяют место проживания респондентов и их возраст. Взаимодействиями факторов можно пренебречь.

В предпочтении демократических партий доминируют два фактора: место проживания респондентов и самооценка динамики экономического положения. Влияние возраста значительно менее значимо. Сравнительно большая величина тройного взаимодействия АВС свидетельствует о значимости квадратичных эффектов, не оцененных нами по результатам дисперсионного анализа.

Доминирующим фактором, определяющим политическую “неоопределенность”, является возраст. Второй по значимости фактор — место проживания респондентов. Значимость третьего фактора (самооценки динамики экономического положения) сравнима со значимостью парных и даже тройного взаимодействий. Последнее обстоятельство не позволяет рассчитывать на построение сколько-нибудь простой математической модели по данной компоненте вектора.

Таким образом, выполненный дисперсионный анализ подтвердил и дополнил сделанные нами ранее предположения о степени влияния факторов-доминантов на компоненты вектора электорального предпочтения по результатам всероссийского опроса. Полученная информация позволяет перейти непосредственно к построению регрессионной модели электорального предпочтения.

^ Построение иерархии регрессионных моделей электорального предпочтения

Как и в случае дисперсионного анализа, суть регрессионного анализа — количественная оценка влияния факторов-доминантов на компоненты вектора электорального предпочтения. Различие в том, что если в первом случае мы располагаем информацией только о степени их влияния на интересующий исследователя показатель, то во втором случае также и о количественной оценке величины этого влияния в зависимости от значений уровней входных факторов.

Важно иметь в виду, что чем проще модель (чем меньше параметров она содержит, при той же точности предсказания величины показателя), тем большую ценность она представляет как для целей теоретического анализа, так и для целей практического применения. Исходя из этого, мы отказались от традиционно применяемых регрессионных квадратичных моделей. При трех входных факторах (независимых переменных) такая модель в общем случае может содержать 10 параметров — коэффициентов модели (свободный член, три линейных эффекта, три члена взаимодействия и три квадратичных эффекта). Их интерпретация хотя и не слишком затруднительна, но сама модель при этом является громоздкой и мало удобной для использования.

Простота модели во многом определяется рациональным преобразованием выходной переменной. Поскольку в нашем случае мы имеем в качестве выхода компоненты вектора электорального предпочтения, равные долям (в %) респондентов, симпатизирующих той или иной группе партий либо еще не определившихся в своем выборе, можно интерпретировать переменные y1, y2, y3, y4 как вероятности того или иного поведения респондентов. В этом случае может оказаться полезным следующее преобразование переменной [2]:

 = ln yi /(1  yi), (1)

где yi — реальное значение измеряемой величины.

В соответствии с [2], такая замена устраняет обычные для регрессионных моделей, но весьма неприятные факты выхода вероятностей за пределы физически допустимых значений 0  yi  1. Это следует из обратного преобразования

yiр = е/(1 + е), (2)

где yiр — расчетное значение выходной величины.

Альтернативным решением проблемы обеспечения условия yi  0 является построение модели “экспоненциального роста” [12]

yiр = с + exp(b0 +  bixi), (3)

где с, b0, bi — неизвестные коэффициенты модели, определяемые обычно методом наименьших квадратов. На значения коэффициентов модели накладывается условие

yiр  с > 0, (4)

откуда следует, что при определенных ограничениях на величину с соблюдается условие yiр > 0. Модель экспоненциального роста — пятипараметрическая, что может, при прочих равных условиях (одинаковой суммы квадратов невязок), сделать ее неконкурентоспособной по отношению к четырехпараметрической линейной модели множественной регрессии вида

yiр = b0 +  bixi (5)

или

f(yiр) = b0 +  bixi, (6)

где f(yiр) — преобразованная выходная переменная.

Таким образом, можно построить иерархию моделей (по признаку сложности). Выбор оптимального варианта следует осуществлять, , по следующему алгоритму (см.: [4]). Пусть модель 1 предлагается заменить уточненной моделью 2, для которой коэффициент множественной регрессии имеет большее значение. Модель 2 может быть отвергнута по двум критериям: 1) у нее может оказаться слишком много связей, накладываемых на выборку (неизвестных коэффициентов, подлежащих определению); 2) выигрыш в уменьшении суммы квадратов невязок может быть слишком мал по сравнению со случайной ошибкой измерения показателя.

Проверка по первому критерию является основной, применение второго в случае, когда мы располагаем только одной выборкой, затруднительно.

В соответствии с указанным принципом строим следующую иерархию моделей.

Модель типа I — модель множественной линейной регрессии для преобразованных по (1) выходных переменных 1, 2, 3, 4.

Модель типа II — модель множественной линейной регрессии для исходных выходных переменных y1, y2, y3, y4.

Модель типа III — нелинейная модель экспоненциального роста для исходных выходных переменных y1, y2, y3, y4.

В качестве исходных для построения моделей используем данные табл. 1. Входные переменные при этом кодируются в соответствии с изложенной ранее методикой (от 1 до +1). В методическом отношении обработка сводится к вводу данных в пакет статистического анализа и заданию требуемого метода оценки параметров моделей. Все необходимые преобразования и вычисления проводятся непосредственно с помощью встроенных программных средств пакета. Значения коэффициента множественной регрессии для различных моделей приведены в табл. 3. Из нее следует, что наибольшим величинам коэффициента множественной регрессии R соответствуют модели типа I — модели множественной линейной регрессии для преобразованных по (1) выходных переменных 1 и 3. Так, для компоненты 1, отвечающей предпочтению левых партий, R = 0,963. Это означает, что данная модель объясняет R2 = 92,7% всей дисперсии, что является очень хорошим показателем. Для компоненты 3, отвечающей предпочтению демократических партий, величина R несколько меньше (0,901), что соответствует объяснению при помощи модели 81,2% дисперсии данной компоненты.

Модели типа II (множественной линейной регрессии для исходных выходных переменных y1 и y3) имеют значительно худшие значения коэффициента множественной регрессии (0,931 и 0,881 соответственно). Моделям типа III (нелинейного экспоненциального роста для исходных выходных переменных y1, y2, y3, y4) отвечают значения коэффициента множественной регрессии, близкие к модели типа I для соответствующих переменных (y1, y3). Однако эти модели имеют на один параметр больше. Что касается моделей для переменных y2 и y4, то их ценность весьма мала: модель данного типа объясняет всего 51,8% дисперсии переменной y2, а для переменной y4 этот показатель еще меньше (R2 = 34,5%).

Нам не удалось построить модели типа I и II для переменных 2 и 4, y2 и y4 соответственно. По-видимому, в рамках данных моделей принципиально нельзя получить сколько-нибудь хорошую аппроксимацию результатов социологических исследований по этим компонентам электорального предпочтения.

Наглядное представление о качестве аппроксимации дают графики взаимосвязи исходных и расчетных (предсказанных моделью) значений выходной переменной. В качестве примера на рис. 4 представлены соответствующие корреляционные поля для преобразованных компонент удельного веса электоральных предпочтений левых и демократических партий. Вертикальной оси графиков соответствуют наблюдаемые значения переменных (Observed Values), а горизонтальной оси графиков — расчетные значения (Predicted Values). Чем ближе расположены точки к прямой регрессии, тем лучше качество аппроксимации.

Из рис. 4 а видно, что точки, отвечающие парам наблюдаемых и расчетных значений преобразованной переменной 1, довольно близко расположены от соответствующей линии регрессии (1 по 1р). Рассеяние точек, отвечающие парам наблюдаемых и расчетных значений преобразованной переменной 3, выражено в большей степени (ср. рис. 4 а и б).

Таким образом, задача построения иерархии моделей выполнена. Из рассмотренных моделей наиболее привлекательными представляются модели типа I и III для компонент вектора электорального предпочтения y1 и y3. Запишем их в развернутом виде:

модель множественной линейной регрессии для преобразованной переменной y1р

y1р = 100 exp(–2.795 – 0.594 x1 – 0.340 x2 + 0.634 x3) / ( 1+ exp(–2.795 – 0.594 x1 – – 0.340 x2 + 0.634 x3); (7)

модель множественной линейной регрессии для преобразованной переменной y3р

y3р = 100 exp(–1.414 + 0.367 x1 + 0.341 x2 + 0.136 x3) / ( 1+ exp(–1.414 + 0.367 x1 – + 0.341 x2 + 0.136 x3); (8)

модель нелинейная экспоненциального роста для исходной переменной y1р

y1р = – 4.721 + exp(2.404 – 0.304 x1 – 0.196 x2 + 0.315 x3); (9)

модель нелинейная экспоненциального роста для исходной переменной y3р

y3р = – 0.229 + exp(2.982 + 0.291 x1 + 0.249 x2 + 0.108 x3). (10)

Для выбора оптимального варианта моделей воспользуемся еще одним критерием — оценим стандартную ошибку исходных переменных, приняв гипотезу об адекватности моделей (7)—(10). Подобный подход рекомендован, например, в работе Н. Дрейпера и Г. Смита [5]. Преимуществом такого подхода является оценка точности модели. При этом сумму квадратов невязок (разностей между исходными и расчетными значениями переменных), в целях сравнения, для моделей (7) и (8) будем проводить непосредственно для непреобразованных компонент вектора электорального предпочтения y1 и y3. Результаты расчетов параметров моделей и критериев точности приведены в табл. 4.

На основании данных табл. 4 по критериям точности аппроксимации можно рекомендовать к дальнейшему использованию модели нелинейные экспоненциального роста (9) и (10). Несмотря на то, что они содержат больше коэффициентов, чем модели (7) и (8) — пять против четырех, эти модели имеют более простой аналитический вид и обеспечивают такие же и даже меньшие погрешности предсказания основных компонент вектора электорального предпочтения — доли респондентов, сделавших свой выбор в пользу поддержки левых и демократических партий.

Заключение

Построение нелинейных моделей электорального предпочтения только по трем факторам-доминантам потребовало выделения 45 групп респондентов. При этом некоторые группы по численности даже при столь большой выборке находились на грани минимально допустимой величины. Так, первая возрастная группа респондентов (18-29 лет), проживающих в городах России, положительно оценивающих свое экономическое положение и поддерживающих левые партии, насчитывает всего 9 человек. Понятно, что вряд ли можно рассчитывать на удовлетворительную прогностическую точность моделей, построенных по весьма “скудным” данным, и тем более представляется нереальной задача использовать массив социологических данных ограниченного объема для построения сколько-нибудь полезной прогностической модели, учитывающей достаточное количество входных факторов.

Каков же выход из этого положения?

Создание объясняющих моделей — первый шаг в разработке прогностических региональных моделей. Построение таких моделей на базе данных региональной статистики позволит сопоставлять их друг с другом и с общероссийскими моделями. При таком подходе становится реальным определение “региональных поправочных коэффициентов”, учитывающих особенности того или иного региона, а может быть, и группы регионов. Даже не столь приспособленный для данной цели массив социологической информации 1993—1999 гг. дает определенные возможности для исследований в этом направлении. Одним из вариантов “укрупнения” анализируемых групп может являться усреднение по возрастным группам либо их объединение, а также объединение данных по сходным (в электоральном предпочтении и поведении) регионам и т.п.

Альтернативным подходом является использование методов нейросетевого моделирования, об эффективности которых упоминалось, например, в работе А.В. Синякова [13]. Наши первые шаги в этом направлении показали, что уже при объемах выборки около 1000 респондентов в ряде случаев удается построить прогностические региональные модели нейросетевыми средствами пакета Neural Connection 2.0 [14], которые обеспечивают вероятность предсказания электорального поведения с точностью порядка 75%. При этом число входных факторов достигало 15—18. Включение в модель достаточно широкого набора входных факторов, включающего демографические и статусные характеристики, а также индикаторы отношения респондентов к ключевым проблемам ситуации в стране, позволит прогнозировать электоральное поведение значительной доли респондентов, не определившихся в своем выборе к моменту опроса, что значительно повысит надежность прогноза результатов выборов в целом.

^ СПИСОК ЛИТЕРАТУРЫ

Паниотто В.И., Максименко В.С. Количественные методы в социологических исследованиях. Киев: Наук. думка, 1982.

Вознесенский В.А. Статистические методы планирования эксперимента в технико-экономических исследованиях. М: Финансы и статистика, 1981.

Джонсон Н., Лион Ф. Статистика и планирование эксперимента в технике и науке: Методы планирования эксперимента. М: Мир, 1981.

Пустыльник Е.И. Статистические методы анализа и обработки наблюдений. М: Наука, 1968.

Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Кн. 1. М: Финансы и статистика, 1986.

Российские регионы после выборов-96. М: Юрид. лит., 1997.

Бойков В.Э. Выборы президента России: тенденции развития ситуации. (Результаты социологического мониторинга) / Исследования Российской академии государственной службы (ИРАГС): Серия 1 — социология, М.: Изд-во РАГС, 1996.

Клигер С.А., Косолапов М.С., Толстова Ю.Н. Шкалирование при сборе и анализа социологической информации. М: Наука, 1978.

Толстова Ю.Н. Измерение в социологии: Курс лекций. М: ИНФРА-М, 1998.

Татарова Г.Г. Типологический анализ в социологии. М: Наука, 1993.

SPSS Base 8.0 для Windows. Руководство по применению. Перевод—Copyright 1998 СПСС Русь.

Боровиков В.П., Боровиков И.П. Statistica — Статистический анализ и обработка данных в среде Windows. М.: Информ.-издат. дом “Филин”, 1997.

Синяков А.В. Некоторые подходы к прогнозированию результатов голосования / Вестн. Моск. ун-та. Сер. 18. Социология и политология. 1999. №1. С. 20—26.

Neural Connection 2.0 Applications Guide. Copyright 1997 by SPSS Inc. and Recognition Systems Inc., USA. — 94 p.



Таблица 1

Влияние факторов и их взаимодействий на вектор электоральных предпочтений (в % к опрошенным)


Электо-

Уровни фактора А

Уровни фактора В (самооценка

Уровни фактора С (возрастная группа респондентов, лет)

Ральный выбор

(место проживания)

динамики экономического положения)

18-29

30-39

40-49

50-59

60 и более







Улучшилось

1.4

1.2

2.1

2.5

4.2




Областной центр

Сохранилось

1.8

2.2

3.3

5.0

6.8