Главная Коллекция "Revolution" Экономика и экономическая теория Статистический анализ и моделирование информационно-телекоммуникационной деятельности

Статистический анализ и моделирование информационно-телекоммуникационной деятельности

Основные понятия и история становления информационно-коммуникационных технологий, характеристика тенденций и перспектив их развития в России. Исследование причинно-следственной связи основных показателей информационно-телекоммуникационной деятельности.

Рубрика Экономика и экономическая теория
Вид дипломная работа
Язык русский
Дата добавления 27.04.2016
Размер файла 1,4 M
рефераты на заказ со скидкой

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:

При изменении на 1% затрат на информационные и коммуникационные технологии, объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами (без НДС, акцизов и других аналогичных платежей) организациями промышленного производства и сферы услуг) увеличивается на 0,523%. При увеличении числа организаций, имевших CRM, ERP, SCM системы на 1%, объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами увеличится на 0,549%. При увеличении численности работников организаций, использовавших ИКТ - всего на 1%, объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами увеличится на 1,238%. При увеличении количества ПК в организациях на 1%, объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами увеличится на 1,4%. При увеличении числа организаций, осуществлявших продажу по заказам, полученным по глобальным информационным сетям - всего, объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами увеличится на 0,34%.

Выделим общие факторы для двух моделей.

Таблица 3. Сравнение регрессионных моделей.

Показатель

Коэффициент регрессии в 2011 году

Коэффициент регрессии в 2011 году

Численность работников организаций, использовавших ИКТ - всего

0,149

1,238

Численность работников списочного состава в секторе ИКТ, человек

0,359

-

Затраты на информационные и коммуникационные технологии - всего

0,043

0,523

Число организаций, проводивших обучение специалистов и пользователей ИКТ- всего.

0,442

-

Число организаций, имевших CRM, ERP, SCM системы

-

0,549

Количество ПК в организациях

-

1,4

Число организаций, осуществлявших продажу по заказам, полученным по глобальным информационным сетям - всего

-

0,34

Коэффициент регрессии при затратах на информационные и коммуникационные технологии уменьшился, то есть влияние этой переменной ослабилось. Государство проводит активную политику по поддержке информационного бизнеса, а также компании все больше вовлекаются в использование информационных технологий. Это говорит о том, что раньше увеличение затрат было более значимым фактором. Также уменьшилось влияние численности работников организаций, использовавших ИКТ, так как уменьшился коэффициент эластичности на результирующий признак.

В то же время появилось два новых фактора в 2011 году, не имевших значимого влияния в 2009. Так, число организаций, проводивших обучение специалистов и пользователей ИКТ - новый фактор, влияющий на объемы отгруженной продукции, выполненных работ и услуг. Это говорит о том, что необходимо повышать квалификацию персонала, связанного с использованием информационных услуг.

3.4 Исследование причинно-следственной связи между показателями, характеризующими информационно-коммуникационную деятельность, посредством снижения размерности признакового пространства

Компонентный анализ - метод многомерного статистического анализа, который состоит в снижении признакового пространства путем объединения первоначального набора данных в компоненты. В результате получается сжатое описание данных малого объема, включающее в себя практически всю информацию по первоначальным данным. Действие компонентного анализа состоит во вращении признакового пространства таким образом, чтобы дисперсия полученных компонент оказалась максимальной среди возможных линейных комбинаций, а векторы компонент были ортогональными. При этом компоненты упорядочены по убыванию дисперсии, что позволяет оценить вклад каждой компоненты в объясненную дисперсию. Этот метод актуален при достаточно высоких корреляционных зависимостях между признаками, поскольку позволяет сделать некоррелированными между собой главные компоненты. Затем строится уравнение регрессии на главных компонентах, позволяющее оценить влияние каждой из компонент на результирующий признак.

Так как в анализ я взяла только часть субъектов, поскольку аномальные наблюдения были исключены, а переменных достаточное количество, уместным будет провести компонентный анализ, позволяющий уменьшить признаковое пространство и построить уравнение регрессии на главных компонентах.

Исходя из полученных результатов, с которыми можно ознакомиться в таблице в приложении (Таблица 8-1. Компонентный анализ; Таблица 8-2. Компонентный анализ. Объясненная дисперсия) было выделено 2 компоненты, отвечающих за ту или иную группу показателей. Напомним, что собственное значение должно быть больше единицы для того, чтобы мы могли учитывать вклад компоненты.

На графике представлено визуальное решение, где по оси абсцисс обозначаются номера главных компонент, а по оси ординат - их собственные значения.

Рис. 20. График собственных значений.

Первая компонента отвечает практически за все показатели, ее вклад составил 70,4% (собственное значение равно 11,269). Таким образом, она характеризует используемые ИКТ-технологии, инновационную активность и затраты на информационные и коммуникационные технологии.

Вклад второй компоненты 8% (собственное значение при этом 1,291). Она отвечает за число созданных технологий, а также за численность специалистов ИКТ-сектора.

Нельзя сказать, что данное разбиение является оптимальным, однако, используя другие методы компонентного анализа, я пришла к подобного рода результатам снова. Например, метод варимакс, который максимизирует разброс квадратов нагрузок для каждого фактора, также определяет 2 главные компоненты с таким же составом.

Итак, компоненты были отобраны, теперь необходимо построить регрессионное уравнение, включающее данные компоненты.

Уравнение выглядит следующим образом:

(528,207) (38,984) (1,910)

Полученная модель обладает следующими характеристиками: коэффициент детерминации R2 = 0,93; наблюдаемое значение Fн=761,686 достаточно велико, то есть модель значима на уровне 5%; = 0,204. Модель значима на уровне 5%, коэффициенты значимы на уровне 10%, что позволяет делать выводы из модели. Подробные характеристики модели представлены в Приложении (Таблица 9-1. Регрессия по главным компонентам. Сводка модели; Таблица 9-2. Регрессия по главным компонентам. Дисперсионный анализ; Таблица 9-3. Регрессия по главным компонентам. Коэффициенты регрессии).

Коэффициент детерминации достаточно высокий, что говорит о том, что модель обладает хорошей объясняющей способностью.

Итак, увеличение значения первой компоненты на 1% увеличит результирующий признак на 0,912%, увеличение второй компоненты увеличит объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами (без НДС, акцизов и других аналогичных платежей) организациями промышленного производства и сферы услуг) на 0,045%. Здесь опять-таки видно, что первая компонента играет гораздо более важную роль в анализе взаимосвязей информационных и коммуникационных технологий и несет в себе основные показатели использования информационно-коммуникационных технологий.

Таким образом, было получено пространство, состоящее из 2-х компонент, которые включают в своей совокупности всю информацию, содержащуюся в первоначальном наборе данных. Это позволило убрать мультиколлинеарность между первоначальными показателями, что важно для построения регрессионной модели. Именно поэтому удалось построить модель, в которой значимы обе компоненты, характеризующие информационно-телекоммуникационную деятельность в России.

3.5 Исследование показателей, характеризующих информационно-телекоммуникационную деятельность, по их территориальной расположенности

Интересным является проследить тенденции по субъектам РФ, для этой цели воспользуемся методом кластерного анализа:

Результат реализации иерархической агломеративной процедуры представлен в виде дендограммы. В процессе реализации процедуры разбиения на кластеры я использовала метод Варда, измеряя расстояния между групповыми объектами.

В методе Варда в качестве расстояния между объектами берется прирост суммы квадратов расстояний объектов до центров кластеров, получаемый в результате их объединения.

Я разбила показатели на несколько кластеров и постаралась их проанализировать с точки зрения территориальной расположенности.

В первую очередь стоит обратить внимание на тот факт, что практически в каждом кластере представлены области из разных Федеральный округов, однако тенденция все-таки есть.

То есть разбиение округов неслучайно, оно соответствует развитию информационных услуг по областям. Более подробно с этим можно ознакомиться на дендограмме (Рис. 25. Дендограмма).

Основные выводы из разбиения таковы.

Первый кластер включает в себя преимущественно Уральский федеральный округ. Второй кластер можно охарактеризовать как кластер с наиболее высокой активностью в сфере информационных и коммуникационных технологий, в него вошли Москва, Московская область и Санкт-Петербург. Как было показано выше, именно в этих субъектах использование ИКТ-технологий являлось аномальным по сравнению со средними значениями наблюдением. Практически по всем исследуемым показателям в субъектах наблюдались максимальные значения признака, намного превышающие его средние значения. Третий кластер является неоднородным по территориальной расположенности, однако использование ИКТ-технологий здесь находится на среднем уровне. И, наконец, четвертый включает Северо-Кавказский и Дальневосточные округа, здесь использование ИКТ по большей части остает.

Для проверки разбиения воспользуемся методом дискриминантного анализа. Цель дискриминантного анализа - классификация объекта на основе различных признаков, то есть отнесение его к одной из групп. И теперь остается только с помощью дискриминантного анализа проверить и уточнить результаты проделанной классификации.

Лямбда Уилкса является стандартной статистикой, используемой для обозначения статистической значимости мощности дискриминации. Принимает значения от 1 (отсутствие дискриминации) до 0 (полная дискриминация). Так как значения лямбды Уилкса низкие, а собственные значения высокие, следовательно, можно утверждать, что мы провели качественное разделение совокупности на кластеры. При помощи Лямбда-Уилкса производится тест на то, значимо ли в обеих группах отличаются друг от друга средние значения дискриминантной функции. В данном случае различие значимо. К тому же значение статистики заметно превосходит Лямбду-Уилкса. Так как значение F-статистики заметно превосходит лямбду, можно сделать вывод о том, что по переменным наблюдается значительное различие в средних значениях между кластерами.

Корреляционный коэффициент между рассчитанными значениями дискриминантной функции и реальной принадлежностью к группе является высоким (Таблица 11-1. Дискриминантный анализ; Таблица 11-2. Дискриминантный анализ. Лямбда-Уилкса).

Рис. 21. Канонические функции.

График дает нам грамотное представление о том, как мы провели разбиение на кластеры. Может заметить, что облака кластеров находятся на некотором удалении друг от друга, хотя некоторые значения являются спорными. А центроиды групп находятся на значительном отдалении друг от друга.

Использование матрицы факторной структуры позволяет выявить, какие переменные «маркируют» или определяют отдельную дискриминантню функцию. Так, коэффициенты являются корреляциями между переменными в модели и функцией. Их можно рассматривать как факторные

Таким образом, 85,9% значений было предсказано верно, что является достаточно высоким показателем.

К тому же была построена территориальная карта (она расположена в приложении к работе. Рис. 26. Территориальная карта), по данной территориальной карте можем заметить, что некоторые значения находятся довольно близко к границе (центры расположены не слишком далеко от границ). То есть могут иметься спорные значения - отнесенные «не туда».

Нормированные коэффициенты дискриминантной функции позволяют построить дискриминантные и с помощью них оценить попадание новой переменной в ту или иную группу.

3.6 Исследование причинно-следственной связи между показателями, характеризующими информационно-телекоммуникационную деятельность, с дискретными зависимыми переменными

Иногда мы встречаемся с моделями, в которых необходимо в качестве фиктивной переменной принять зависимую переменную, то есть результирующий признак. В данной части работы я рассмотрю именно такого рода модели. Отметим, что модели могут быть бинарными и множественными. Бинарные модели - модели, в которых выбор стоит между двумя значениями: 0 или 1, во множественных же моделях мы можем столкнуться с большим выбором. Однако в данной работе множественные модели будут проанализированы с точки зрения 3-х значений: 0, 1 и 2.

Модель бинарного выбора.

Модель бинарного выбора - это модель с зависимой дискретной переменной, то есть признак у принимает только 2 типа значений: 0 и 1.

В данной части исследования интересно рассмотреть другие взаимосвязи. Зависимая переменная - удельный вес организаций, осуществлявших инновационную деятельность, в общем числе организаций, процентов. Показатель был разбит на 2 группы, меньше среднего и больше среднего. Среднее значение 9,6%, то есть если показатель меньше 9,6%, то у принимает значение 0, если больше 9,6%, то значение принимается 1. Таким образом, признаковое пространство было разделено на 2 части по активности инновационной деятельности в субъектах РФ.

Показатели, используемые в данной модели следующие: у - удельный вес организаций, осуществлявших инновационную деятельность (%). Независимых показателей 3: х2 - выдано патентов на полезные модели, х3 - число используемых передовых производственных технологий, х4 - Число организаций, использовавших Интернет (в процентах от общего числа обследованных организаций соответствующего субъекта Российской Федерации).

Первоначально необходимо построить данную модель в программе Eviews для того, чтобы взять оттуда коэффициенты (Таблица 4. Коэффициенты регрессии (logit)).

Видно, что коэффициент при х3 достаточно мал, что говорит о том, что скорее всего этот коэффициент незначим, что будет показано в дальнейшем в работе.

Коэффициент качества модели для данной модели недостаточно высок, 0,17, но модель в целом является значимой на уровне 0,05, так как показатель Prob (LR) меньше 0,05. Если обратить внимание на значимость отдельных коэффициентов, то видно, что незначим только коэффициент при х3, о чем мы сказано выше. Однако проведем исследование с такой моделью, так как в целом данный коэффициент никак не влияет на результирующий признак. После этого проведем анализ без участия незначимой переменной.

Рис. 22. Первоначальные и предсказанные значения (logit-модель)

13 предсказанных значений не совпало, 38 значений предсказано верно, таким образом, 0,745 - вероятность правильно предсказанных значений для результирующего признака - удельный вес организаций, осуществлявших инновационную деятельность, в общем числе организаций, процентов.

Показатели качества модели:

Log likelihood:

Restr log likelihood:

LR-statistic:

Данный показатель говорит о том, что модель значима, так как наблюдаемое значение больше критического (критическое при этом равно 3,84) или показатель prob (LR) меньше или равен 0,05.

Следующий показатель McFadden R-squared:

Pseudo R-squared:

Predict R-squared:

, где, а

Также необходимо посчитать критерии:

Akaike info criterion:

Schwarz criterion:

Hannan-Quinn criterion:

Отметим, что чем ближе значения критериев к нулю, тем более качественна модель. На основании этого правила и будем сравнивать в дальнейшем модели.

Сравним 3 модели: logit, probit, extreme value модели согласно критериям.

Анализируя значимость моделей, можно сделать вывод о том, что все модели значимы на уровне 0,05, однако показатель при х3 не значим, поэтому в дальнейшем произведем анализ без этого показателя.

Probit-модель:

Модель выглядит следующим образом:

(2,2131) (-0,2093) (1,9364) (-2,1657)

Показатель при х3 не является значимым, остальные значимы на уровне 5%.

Увеличение показателя выданных патентов на единицу, увеличивает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъекту РФ, на 0,00648%, при увеличении числа организаций, использовавших Интернет по субъектам РФ, вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъектам РФ, увеличится на 0,0962%, и, наконец, последний показатель влияет незначительно на изменение вероятности отнесения субъекта к субъектам, где инновационная деятельность выше среднего, то есть число используемых передовых технологий уменьшает вероятность отнесения к более высшей категории по инновационной деятельности предприятий по субъектам РФ. Аналогично обратим большее внимание на знак влияния каждой переменной.

Extreme value:

Модель выглядит следующим образом:

(2,08845) (-0,4038) (1,92556) (-2,11601)

Ситуация со значимостью показателей аналогична прошлой модели.

Увеличение показателя выданных патентов на единицу, увеличивает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъекту РФ, на 0,00751%, при увеличении числа организаций, использовавших Интернет по субъектам РФ, вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъектам РФ, увеличится на 0,0875%, и, наконец, последний показатель влияет незначительно на изменение вероятности отнесения субъекта к субъектам, где инновационная деятельность выше среднего, то есть число используемых передовых технологий уменьшает вероятность отнесения к высшей категории по инновационной деятельности предприятий по субъектам РФ (вероятность снизится на 0,00104%).

Здесь мы видим, что лучшая модель logit-модель. McFadden, являющийся аналогом коэффициента детерминации, так как также характеризует качество модели, также наиболее высок в данной модели. Проинтерпретируем ее. Уравнение регрессии выглядит следующим образом:

(2,1007) (-0,2205) (1,914) (-2,094)

В скобках указана z-статистика. То есть показатель x3 незначим, остальные значимы.

Увеличение показателя выданных патентов на единицу, увеличивает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъекту РФ, на 0,0108%, при увеличении числа организаций, использовавших Интернет по субъектам РФ, вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъектам РФ, увеличится на 0,1799%, и, наконец, последний показатель влияет незначительно на изменение вероятности отнесения субъекта к субъектам, где инновационная деятельность выше среднего, то есть число используемых передовых технологий уменьшает вероятность отнесения к более высшей категории по инновационной деятельности предприятий по субъектам РФ.

Теперь исключим из анализа незначимую переменную и приведем необходимые выводы. Не будем останавливаться так подробно на каждой модели, проинтерпретируем только лучшую из перечисленных, а также коэффициенты приведем только для нее. Можно отметить только тот факт, что все коэффициенты значимы на уровне 10%. Модели также являются значимыми на уровне 5%.

Probit:

Logit:

Extreme value:

Здесь аналогично оказалась лучшей logit-модель:

(2,3287) (1,908) (-2,086)

Проверка на автокорреляцию.

Средствами Eviews была проведена проверка на автокорреляцию. (Таблица 12. Тест на автокорреляцию).

Нулевая гипотеза:

Затем на основании посчитанных в Eviews значений я рассчитала наблюдаемое и критическое значение. Наблюдаемое значение больше критического, поэтому можно сделать вывод о том, что автокорреляция есть.

Критерий Жарка-Берра.

Этот критерии состоит в проверке нулевой гипотезы о нормальности остатков. И если наблюдаемое, рассчитанное значение меньше критического, то нулевая гипотеза не отвергается. Таким образом, если гипотеза верна, то статистика имеет распределение, близкое к распределению хи-квадрат.

Наблюдаемое значение рассчитывается на основании рассчитанного коэффициентов асимметрии и эксцесса.

Критическое равно при значимости 5% - 5,991.

То есть наблюдаемое меньше критического, следовательно, гипотеза о нормальности распределения не отвергается (Рис. 23. Проверка на нормальный закон распределения).

Увеличение показателя выданных патентов на единицу, увеличивает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъекту РФ, на 0,0102%, при увеличении числа организаций, использовавших Интернет по субъектам РФ, вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше среднего значения по субъектам РФ, увеличится на 0,1765%.

Модели множественного выбора.

Модели множественного выбора - это модели, в которых зависимая переменная принимает более 2-х значений. В нашем случае зависимая переменная принимает 3 значения.

Результирующий признак в нашем случае принимает 3 значения, 0, 1 и 2.

Первая группа - удельный вес организаций, осуществлявших инновационную деятельность, в общем числе организаций, от 5,1% до 7,5%, вторая группа - от 7,6% до 9,9%, третья группа - от 10% до 21,3%.

Рассмотрим модели упорядоченного выбора.

Общее уравнение имеет вид:

.

Probit-модель:

Рис. 24. Исходные и предсказанные значения (probit)

Модель значима на уровне 11%. Однако некоторые коэффициенты значимы только на более высоком уровне, поэтому возьмем рамки значимости 15% для всех моделей.

Находим характеристики правдоподобия:

Log likelihood:

Restr log likelihood:

LR-statistic:

Данный показатель говорит о том, что модель значима, так как наблюдаемое значение больше критического или показатель prob (LR) меньше или равен 0,15.

Следующий показатель McFadden R-squared:

Смотрим, сколько предсказанных значений совпало. В оцененном уравнении правильно оценены 23 (8 для первой группы из 17, 5 для второй аналогично из 17 и 10 для третьей из 17 возможных), то есть неверно предсказанных 28, вероятность правильно предсказанных значений 45%.

Также необходимо посчитать критерии:

Akaike info criterion:

Schwarz criterion:

Hannan-Quinn criterion:

Модель имеет вид:

(2,0079) (-1,3497) (1,3644)

Увеличение показателя выданных патентов на единицу, увеличивает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше по субъекту РФ на 0,0048%, при увеличении числа организаций, использовавших Интернет по субъектам РФ, повышает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше, на 0,0575%, и, наконец, последний показатель, а именно выдача патентных заявок, снижает эту вероятность на 0,00026%.

Таким образом, здесь как и в случае бинарных моделей, оценивается вероятность перехода к той или иной группе (в данном случае их на 1 больше).

Аналогичная проверка на автокорреляцию показала наличие автокорреляции. Проверка на нормальность выявила нормальность остатков.

Сравним 3 модели (таблицы приведены в Приложении (Таблица 13. Модель с дискретной переменной) и выберем лучшую. Extreme value - лучшая модель. Модель значима на уровне 10%.

Критерии:

Akaike info criterion:

Schwarz criterion:

Hannan-Quinn criterion:

Коэффициент при х2 значим на уровне 5%, остальные на уровне 15%.

Уравнение выглядит следующим образом:

(2,1465) (-1,62341) (1,6724)

Увеличение показателя выданных патентов на единицу увеличивает вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше, на 0,00066%, при увеличении числа организаций, использовавших Интернет по субъектам РФ, вероятность того, что доля организаций, осуществлявших инновационную деятельность, будет выше, увеличится на 0,0715%, а при увеличении использования производственных передовых технологий на 1 та же самая вероятность упадет на 0,00039%.

Исследование патентной активности в России не распространено в России, причиной этому служат проблемы, связанные со сбором первоначальных данных по патентной активности в сфере информационно-коммуникационных технологий. К тому же Россия является по большей мере страной, экспортирующей технологии, с этим можно связать отрицательный знак при показателе числа передовых технологий.

Выводы по третьей главе.

В третьей части работы были проанализированы данные, характеризующие информационно-коммуникационную деятельность и ранжированные по субъектам РФ. Сначала данные прошли предварительную подготовку, затем были исследованы взаимосвязи между основными показателями ИКТ, причинно-следственные связи между показателями. Факторы, влияющие на показатели «выхода», подлежали анализу за 2011 и 2009 для того, чтобы выявить показатели, устойчиво влияющие на объемы отгруженной продукции, выполненных работ и услуг. Помимо этого результирующая переменная была представлена в виде дискретной (на основании сравнения со средним показателем по признаку), были сделаны выводы о том, какие факторы необходимы для перехода от одного уровня инновационной активности к другому.

Так, на объемы отгруженной продукции влияют затраты на информационно-коммуникационные технологии, а также численность персонала, занятого в ИКТ-сфере. На инновационную активность влияет число организаций, использовавших Интернет, а также число производственных передовых технологий. К тому же анализ показал, что необходимо большее вовлечение корпоративного сектора в использование ИКТ-технологий.

Заключение

Изучение показателей, характеризующих информационные услуги, представляется весьма интересным. Эта тема актуальна на сегодняшний день, поскольку затрагивает практически все сферы жизнедеятельности человека. При этом влияние на показатели информационно-коммуникационных технологий, что немаловажно, прямое, оказывает и инвестиционная, и научная деятельность организаций, и количество выданных патентов на изобретения и полезные модели, и структура использования ПК. Проведенный анализ действительно показал, что это не разрозненные показатели, и между ними существует вполне закономерная взаимосвязь, которую можно проследить на протяжении лет.

Исследования, касающиеся информации и способов ее передачи, использования информационно-коммуникационных технологий, достаточно популярны в настоящее время и широко отражаются в средствах массовой информации, проводятся многочисленные научные встречи, касающиеся информационно-телекоммуникационной деятельности. В первой части работы были проанализированы основные вопросы, которыми занимаются исследователи в России и за рубежом. А именно значимо ли влияние использования информационно-коммуникационных технологий на экономический рост страны и другие макроэкономические показатели. Как было показано, такая связь действительно есть, однако эффективные разработки информационных технологий не единственная причина успеха государства, необходимо использование комплексных мер по улучшению позиций той или иной страны.

Рынок информационных услуг находится в постоянном развитии, о чем свидетельствуют показатели, описанные во второй части работы. Однако мировой кризис замедлил темпы внедрения новых технологий, что можно проследить по динамике основных показателей. К тому же Россия отстает по показателям информационной активности от развитых стран, несмотря на то, что отрасль является динамичной и находится в постоянном развитии, причем темпы такого рода развития опережают темпы роста экономики.

Если по показателям использования информационно-коммуникационных технологий средние российские показатели догоняют европейский уровень, то использование ИКТ корпоративным сектором заметно отстает. Государственная политика должна быть направлена на стимулирование бизнеса использовать и создавать технологии. Россия в большей степени является потребителем экспортных технологий, поэтому необходимо вовлекать собственный бизнес-сектор в активную работу по усовершенствованию использования и создания ИКТ.

Помимо этого исследование показателей, характеризующих информационно-коммуникационную деятельность, ранжированных по субъектам РФ, позволило выявить сильную дифференциацию между Центральной частью страны и остальными федеральными округами. Показатели Москвы, Московской области заметно отличаются от общероссийских (являются аномальными наблюдениями по всем исследованным показателям ИКТ).

Исследование взаимосвязей между основными показателями использования информационно-коммуникационных услуг позволило выявить ряд зависимостей. Так, высокая взаимосвязь между числом организаций, использовавших ИКТ, и отгруженной продукцией, выполненными работами и услугами. Сильная взаимосвязь между числом организаций, выполнявших обучение сотрудников и пользователей ИКТ, и отгруженной продукцией, выполненными работами и услугами.

Исследование причинно-следственной связи между основными показателями использования ИКТ также важная часть работы. На объемы отгруженной продукции влияют затраты на информационно-коммуникационные технологии, а также численность персонала, занятого в ИКТ-сфере. К тому же анализ показал, что необходимо большее вовлечение корпоративного сектора в использование ИКТ-технологий. Сравнение регрессионных уравнений за два периода позволяет делать выводы об устойчивых факторах, влияющих на использование ИКТ (это число работников, использовавших ИКТ, и затраты на информационно-коммуникационные технологии).

Ввиду высокой взаимосвязи между основными показателями использования ИКТ, признаковое пространство было разбито на две компоненты, отвечающие за использование ИКТ. Гипотеза о том, что использование ИКТ влияет на показатель выхода - отгружено продукции, выполнено работ и услуг, не отвергается. Аналогичный итог доказывают и современные исследования ученых. Государство при проведении эффективной политики должно учитывать эти тенденции.

Исследование показателей использования ИКТ по субъектам позволило разделить области на классы согласно активности использования информационных технологий.

Помимо этого результирующая переменная была представлена в виде дискретной (на основании сравнения со средним показателем по признаку), были сделаны выводы о том, какие факторы необходимы для перехода от одного уровня инновационной активности к другому. На инновационную активность влияет число организаций, использовавших Интернет, а также число производственных передовых технологий.

Выбранная мной тема работы актуальна и интересна как для людей, задействованных в этой сфере деятельности, так и для сторонних наблюдателей, потому что каждый день мы сталкивается с получением информации на разных уровнях. И это оставляет еще множество аспектов, интересных для дальнейшего изучения и анализа.

Список литературы

1. Федеральный закон от 27 июля 2006 г. N 149-ФЗ "Об информации, информационных технологиях и о защите информации";

2. Министерство экономического развития, «Прогноз долгосрочного социально-экономического развития Россиqской Федерации на период до 2030 года», март 2013, URL: http://government.ru/media/2013/3/25/55481/file/prognoz_2030.pdf;

3. Официальный сайт Минкомсвязи РФ URL: http://www.mskit.ru/;

4. Официальный сайт Федеральной службы государственной статистики URL: www.gks.ru;

5. Рекомендации Общественной палаты Российской Федерации по результатам общественных слушаний «Экономика будущего - ИНФОНОМИКА. Обеспечение инновационного развития экономики России», Комиссии по науке и инновациям Общественной Палаты РФ совместно с Ассоциацией предприятий компьютерных и информационных технологий (АП КИТ) 4 декабря 2012г.;

6. Информационно-правовой портал Гарант, URL: http://base.garant.ru/12148555/;

7. Официальный сайт компании «Консультант Плюс» URL: consultant.ru;

8. Словарь бизнес-терминов http://dic.academic.ru/dic.nsf/business;

9. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы и основы эконометрики. / Учебное пособие./ Московский государственный университет экономики, статистики и информатики. М.: МЭСИ, 2002г;

10. Андреев В.А., «Факторы, определяющие коммерческую успешность исследований и разработок различного уровня новизны в реальном секторе экономики России».

11. Валиева О.В., «Малый инновационный бизнес в России: проблемы и перспективы», 2012;

12. Москальонов С.А., Львов А.Г. «Анализ инновационного потенциала Российской экономики: метод производственных функций», 2010;

13. Газета IT-News: № 08/2013 http://www.it-weekly.ru/analytics/;

14. Зимин К.В., Маркин А.В., Скрипкин К.Г. «Влияние информационных технологий на производительность российского предприятия; методология эмпирического исследования», 2012. URL: http://ecsocman.hse.ru/data/2012/06/06/1271384056/6.pdf;

15. Международный союз электросвязи, «Измерение информационного общества: 2011», URL: http://www.itu.int/ITU-D/ict/publications/idi/material/2011/MIS2011-ExecSum-R.pdf;

16. Полушина И.Н., «Развитие информационно-телекоммуникационного сектора - элемент экономической интеграции и фактор повышения конкурентоспособности региона СНГ», 2010, URL: http://www.unn.ru/pages/issues/vestnik/99999999_West_2010_3(2)/32.pdf;

17. Центр гуманитарных технологий «Рейтинг стран мира по уровню информационно-коммуникационного развития», 2012, URL: http://gtmarket.ru/ratings/ict-development-index/ict-development-index-info;

18. Brynjolfsson and Hitt «Information, Tecnology, and Productivity, Brynjolfsson and Hitt», 2005;

19. Brynjolfsson and Yang, «Exploring the Relationship Between Information Technology and Business Process Reengineering», 1996 год;

20. Soumitra Dutta, Irene Mia, «The global Information Technology Report 2010-2011»,

URL: http://www3.weforum.org/docs/WEF_GITR_Report_2011.pdf.

Приложение

Таблица 5. Корреляционный анализ

Таблица 4.Коэффициенты регрессии (logit).

Коэффициент

X2

0,0108

X3

-7.92E-05

X4

0,1799

C

-16,383

Таблица 6-1. Итоговое регресионное уравнение (2011).Сводка по модели.

Model Summaryb

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

Durbin-Watson

1

,974a

,949

,946

,216

1,719

a. Predictors: (Constant), VAR00014, VAR00005, VAR00016, VAR00018

b. Dependent Variable: y

Таблица 6-2. Итоговое регресионное уравнение (2011). Дисперсионный анализ.

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

63,254

4

15,814

340,321

,000a

Residual

3,392

73

,046

Total

66,646

77

a. Predictors: (Constant), VAR00014, VAR00005, VAR00016, VAR00018

b. Dependent Variable: y

Таблица 6-3. Итоговое регресионное уравнение (2011). Коэффициенты регресии.

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

6,197

,259

23,967

,000

VAR00018

,149

,053

,190

2,786

,007

VAR00016

,359

,072

,314

4,986

,000

VAR00005

,043

,024

,085

1,782

,079

VAR00014

,442

,087

,430

5,060

,000

a. Dependent Variable: y

Таблица 7-1.Итоговое регресионное уравнение (2009).Сводка по модели.

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

,963a

,928

,923

,451

a. Predictors: (Constant), VAR00048, VAR00042, VAR00049, VAR00055, VAR00056

Таблица 7-2. Итоговое регресионное уравнение (2009). Дисперсионный анализ

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

188,453

5

37,691

185,556

,000a

Residual

14,625

72

,203

Total

203,078

77

a. Predictors: (Constant), VAR00048, VAR00042, VAR00049, VAR00055, VAR00056

b. Dependent Variable: y

Таблица 7-3. Итоговое регресионное уравнение (2009). Коэффициенты регресии

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

7,227

1,851

3,904

,000

VAR00042

,523

,132

,429

3,955

,000

VAR00049

,549

,217

,422

2,523

,014

VAR00055

1,238

,414

,888

2,989

,004

VAR00056

1,400

,545

1,005

2,571

,012

VAR00048

,340

,154

,256

2,206

,031

a. Dependent Variable: y

Таблица 8-1. Компонентный анализ

Component Matrixa

Component

1

2

VAR00002

-,133

,775

VAR00003

,848

,040

VAR00005

,864

,044

VAR00006

,943

-,034

VAR00008

,342

,681

VAR00009

,959

-,003

VAR00010

,970

,000

VAR00011

,979

-,040

VAR00012

,957

-,112

VAR00013

,818

-,106

VAR00014

,974

-,046

VAR00015

,889

,034

VAR00016

,944

-,022

VAR00017

,061

,430

VAR00018

,946

-,005

VAR00019

,919

,088

Таблица 8-2. Компонентный анализ. Объясненная дисперсия.

Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

1

11,269

70,428

70,428

11,269

70,428

70,428

2

1,291

8,069

78,497

1,291

8,069

78,497

3

,987

6,170

84,668

4

,687

4,291

88,959

5

,496

3,099

92,058

6

,371

2,321

94,379

7

,258

1,615

95,994

8

,177

1,106

97,100

9

,137

,854

97,954

10

,106

,664

98,618

11

,070

,438

99,056

12

,059

,367

99,423

13

,048

,297

99,721

14

,030

,189

99,910

15

,013

,081

99,991

16

,001

,009

100,000

Extraction Method: Principal Component Analysis.

Таблица 9-1. Регрессия по главным компонентам.Сводка по модели.

Model Summaryb

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

Durbin-Watson

1

,964a

,930

,925

,204

2,157

a. Predictors: (Constant), REGR factor score 2 for analysis 1, REGR factor score 1 for analysis 1

b. Dependent Variable: y

Таблица 9-2. Регрессия по главным компонентам. Дисперсионный анализ.

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

63,417

2

31,708

761,686

,000a

Residual

3,081

74

,042

Total

66,497

76

a. Predictors: (Constant), REGR factor score 2 for analysis 1, REGR factor score 1 for analysis 1

b. Dependent Variable: y

Таблица 9-3. Регрессия по главным компонентам. Коэффициенты регресии.

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

12,282

,023

528,207

,000

REGR factor score 1 for analysis 1

,912

,023

,975

38,984

,000

REGR factor score 2 for analysis 1

,045

,023

,048

1,910

,060

a. Dependent Variable: y

Дендограмма

Dendrogram using Ward Method

C A S E 0 5 10 15 20 25

Label Num +---------+---------+---------+---------+---------+

Пермский край 47 -¬

Челябинская область 58 -+

Республика Татарстан 44 -+

Республика Башкортос 41 -+

Красноярский край 65 -+

Новосибирская област 68 -+

Hижегородская област 49 -+---¬

Самарская область 52 -+ ¦

Свердловская область 56 -+ +-------------¬

Тюменская область 57 -- ¦ ¦

Московская область 10 -¬ ¦ ¦

г.Санкт-Петербург 28 -+---- ¦

г.Москва 18 -- ¦

Томская область 70 -¬ ¦

Приморский край 73 -+ ¦

Тверская область 15 -+ ¦

Тульская область 16 -+ ¦

Удмуртская Республик 45 -+ ¦

Чувашская Республика 46 -+ ¦

Алтайский край 63 -+ ¦

Курская область 8 -+ +--------------------------¬

Смоленская область 13 -+---¬ ¦ ¦

Оренбургская область 50 -+ ¦ ¦ ¦

Тамбовская область 14 -+ ¦ ¦ ¦

Хабаровский край 74 -+ ¦ ¦ ¦

Республика Коми 20 -+ ¦ ¦ ¦

Сахалинская область 77 -+ ¦ ¦ ¦

Липецкая область 9 -+ ¦ ¦ ¦

Брянская область 2 -+ ¦ ¦ ¦

Астраханская область 32 -+ ¦ ¦ ¦

Белгородская область 1 -+ ¦ ¦ ¦

Рязанская область 12 -+ ¦ ¦ ¦

Калининградская обла 23 -+ +-------------- ¦

Новгородская область 26 -+ ¦ ¦

Республика Саха(Якут 71 -- ¦ ¦

Ярославская область 17 -¬ ¦ ¦

Саратовская область 53 -+ ¦ ¦

Ленинградская област 24 -+ ¦ ¦

Иркутская область 66 -+ ¦ ¦

Калужская область 6 -+-¬ ¦ ¦

Воронежская область 4 -+ ¦ ¦ ¦

Краснодарский край 31 -+ ¦ ¦ ¦

Ростовская область 34 -+ ¦ ¦ ¦

Кемеровская область 67 -+ +-- ¦

Омская область 69 -+ ¦ ¦

Волгоградская област 33 -- ¦ ¦

Ставропольский край 40 -¬ ¦ ¦

Кировская область 48 -+-- ¦

Владимирская область 3 -+ ¦

Ульяновская область 54 -+ ¦

Пензенская область 51 -- ¦

Чеченская Республика 39 -T-¬ ¦

Республика Тыва 61 -- ¦ ¦

Карачаево-Черкесская 37 -¬ ¦ ¦

Республика Северная 38 -+ +-----¬ ¦

Республика Калмыкия 30 -+ ¦ ¦ ¦

Республика Адыгея 29 -+ ¦ ¦ ¦

Республика Алтай 59 -+-- ¦ ¦

Еврейская авт.област 78 -- ¦ ¦

Республика Дагестан 35 -¬ ¦ ¦

Магаданская область 76 -+ +------------------------

Республика Бурятия 60 -+-----¬ ¦

Амурская область 75 -+ ¦ ¦

Республика Карелия 19 -+ ¦ ¦

Ивановская область 5 -+ ¦ ¦

Архангельская област 21 -+ ¦ ¦

Вологодская область 22 -- +--

Костромская область 7 -¬ ¦

Псковская область 27 -+ ¦

Орловская область 11 -+ ¦

Республика Хакасия 62 -+ ¦

Кабардино-Балкарская 36 -+------

Камчатский край 72 -+

Курганская область 55 -+

Забайкальский край 64 -+

Республика Марий Эл 42 -+

Республика Мордовия 43 --

Рис.25. Дендограмма.

Рис.26. Территориальная карта.

Таблица 11-1. Дискриминантный анализ

Собственные значения

Функция

Собственное значение

% объясненной дисперсии

Кумулятивный %

Каноническая корреляция

1

2,883a

58,5

58,5

,862

2

1,671a

33,9

92,4

,791

3

,376a

7,6

100,0

,523

a. В анализе использовались первые 3 канонические дискриминантные функции.

Таблица 11-2. Дискриминантный анализ. Лямбда-Уилкса

Лямбда Уилкса

Проверка функции(й)

Лямбда Уилкса

Хи-квадрат

ст.св.

Знч.

от 1 до 3

,070

166,139

15

,000

от 2 до 3

,272

 ...

Страница:


Подобные документы

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 — 2023, ООО «Олбест» Все права защищены