Применяя методы интеллектуального анализа, проведём кластеризацию с помощью программного пакета Viscovery SOMine. В ПО используется методология карт Кохонена (Self Organizing Maps (SOM)). Если метод k-средних требует изначального задания числа кластеров, то Viscovery SOMine сама определяет число кластеров и качество кластеризации.

VSOMine - программное обеспечение, позволяющее решать задачи классификации с помощью нейронных сетей. Таким образом, совокупность субъектов Российской Федерации будет разделена на кластеры в 5-мерном пространстве.

Для кластеризации были взяты те же переменные, что и для иерархической кластеризации и кластеризации k-средних. В результате исследования были получены следующие результаты.

Рис. 21. Карта кластеров, метод SOM

Программа выделила семь кластеров. В первый кластер (голубой) вошло наибольшее количество регионов. Это регионы и области Центрального, Северо-Западного, Сибирского, Дальневосточного Федеральных округов. Во второй кластер (красный) были включены регионы и области следующих Федеральных округов: Северо-Западный, Уральский, Приволжский. Третий кластер (жёлтый) включает в себя регионы Центрального, Дальневосточного и Северо-Западного ФО. Кластер номер 4 (зелёный) представляют регионы и области Приволжского, Северо-западного и Центрального Федеральных округов. В шестой кластер (розовый) - такие отстающие по уровню развития ИКТ регионы, как Чеченская Республика, Республика Дагестан, Республика Ингушетия, Республика Саха (Якутия). В седьмой (салатовый) включает в себя г. Москва и г. Санкт-Петербург.

Таблица 20

Средние значения переменных в кластерах,

метод SOM

Кластер	Кластер 1	Кластер 2	Кластер 3	Кластер 4	Кластер 5	Кластер 6	Кластер 7
Цвет
domen	15,9	15,8	42,7	15,2	14,1	3,8	87,8
housePC	65,67	70,05	73,14	63,31	66,7	40,2	83,95
eldoc	55,67	74	58,87	54,74	63,08	33,55	65
innovation	8,71	9,97	7,59	6,59	22,06	10,3	18,85
orgPC	93,7	97,7	95	84,2	95,8	99,4	99,1

Программа VSOMine показывает распределение значений каждого показателя по отдельности в (рис. 2-6 Приложения). Также программа определяет значения кластера как низкие или высокие в сравнении с результатами других кластеров, отображает по каким параметрам один кластер отличается от других. Как показывает таблица, первый кластер характеризуется низкими значениями доли организаций, использующих системы электронного документооборота, и числом доменных имён на 1000 жителей. Данные показатели составляют 55,57% и 15,9 доменов соответственно. Второй кластер обладает максимальной долей организаций, использующих системы электронного документооборота (74%). Также кластер 2 отличается высокой долей организаций, использующих ПК (70,05%). Третий кластер показал высокие результаты следующих показателей: число доменов на 1000 жителей (42,7) и доля домохозяйств, имеющих персональный компьютер с выходом в Интернет (73,14%). Кластер номер 4 характеризуется минимальной долей организаций, использующих персональный компьютер. Лишь 84,2% организаций пользуются персональными компьютерами, по данному показателю кластер сильно отстаёт от показателей остальных. Кластер 5, несмотря на низкое число доменов на 1000 жителей (14,1 домен), показал наивысшую инновационную активность. Каждая пятая организация (22,06%) осуществляла технологические, организационные, маркетинговые инновации. Шестой кластер выделяется минимальными значениями следующих переменных: долей домашних хозяйств, имеющих ПК с выходом в Интернет (40,2%), удельной долей организаций, использующих системы электронного документооборота (33,55%) и числом доменов на 1000 жителей (3,8 доменов). Одномерно с этим кластер 6 показал максимальный результат доли организаций, имеющих персональный компьютер (99,4%). Кластер 6 определим как кластер с самым низким развитием ИКТ. Седьмой кластер показал максимальные результаты по ключевым переменным: числу доменных имён на 1000 жителей (87,8 доменов) и доле домохозяйств, имеющих персональный компьютер с выходом в Интернет (83,95%). Кроме того кластер 7 характеризуется высоким значением инновационной активности организаций (18,85%).

Интеллектуальные методы анализа подтвердили следующие результаты кластеризации методом k-средних: наличие сильной дифференциации субъектов РФ по уровню ИКТ; присутствие кластера-лидера и кластера-отстающего; г. Москва и г. Санкт-Петербург относятся к кластеру-лидеру; Республика Дагестан и Чеченская Республика образовывают кластер-отстающих. Результаты метода SOM, иерархической кластеризации и кластеризации методом k-средних оказались различными в следующих направлениях: метод SOM выделил 7 кластеров, а иерархический - пять кластеров; в кластер-отстающих метод SOM включил Чеченскую Республику, Республику Дагестан, Республику Ингушетия, Республику Саха (Якутия). Среди трёх проведённых методов кластеризации метод k-средних выбираем как наиболее удовлетворяющий необходимым требованиям.

В ходе проведённых кластерных анализов было установлено наличие высокого уровня дифференциации регионов по всей совокупности рассматриваемых показателей. Иерархический метод, метод k-средних и метод SOM позволили выделить города федерального значения, Москву и Санкт-Петербург, в кластер-лидеров. В данном кластере наблюдается колоссальный отрыв от остальных кластеров по числу доменных имён .RU на 1000 человек населения. Кластер-лидеров показал также наивысшие результаты инновационной активности предприятий, долю домохозяйств, имевших ПК с доступом к сети Интернет и долю организаций, использовавших персональные компьютеры. Успешная реализация Государственной программы «Информационное общество» (2011-2020 годы) должна проявиться в том, чтобы остальные регионы стремились к показателям г. Москвы и г. Санкт-Петербурга.

Различные методы кластеризации дают основания к тому, чтобы отнести Республику Дагестан, Республику Ингушетию, Республику Саха (Якутия) и Чеченскую Республику к отстающему кластеру. В данных субъектах РФ зафиксированы минимальные значения числа доменных имён .RU на 1000 человек населения, инновационной активности организаций, доли домашних хозяйств, имевших персональный компьютер с доступом к сети Интернет, доли организаций, использовавших системы электронного документооборота.

3.3 Анализ и прогнозирование числа доменных имён .RU

Для анализа и прогнозирования временного ряда числа доменных имён .RU по РФ необходимо описать исходные данные и построить графики. Данные по доменам взяты за период ноября 2010 по февраль 2016 года включительно. В данном случае показатели количественные и не зависят ни от инфляции, ни от сезонности, поэтому в дополнительном предварительном анализе не нуждаются.

Нестационарные процессы, которые путем взятия последовательных разностей приводятся к классу ARMA, называют процессами авторегрессии интегрированного скользящего среднего ARIMA (p,d,q), где p-порядок авторегрессии, d-порядок разностей (интеграции), q-порядок скользящего среднего. Данная модель позволяет строить весьма точные прогнозы с небольшой дальностью прогнозирования. Она также достаточно гибкая и может подойти для описания различных временных рядов. К тому же модели ARIMA просто проверяются на их адекватность. В модели не используются независимые переменные, охватывается широкий спектр временных рядов. Однако к минусам этого метода можно отнести потребность в большом количестве исходных данных и отсутствие простого способа корректировки параметров модели, а при включении новых данных требуется перестроение всей модели. Модель ARIMA учитывает стационарность временных рядов при использовании оператора последовательной разности. Так как количество показателей равно 64, следовательно, модель ARIMA должна получиться.

Для анализа используется программа Gretl. Для начала построим график исходных данных.



Рис. 22. График исходных значений

Можно предположить, что временной ряд имеет возрастающий тренд, и отсутствует сезонная компонента. Данное предположение не противоречит экономическому смыслу: с развитием страны, доменов становится все больше.

Посмотрим на коррелограмму исходных значений для того, чтобы понять, сколько необходимо включить лагов (описание данного метода будет приведено ниже), чтобы значения АКФ и ЧАКФ не выходили за границы доверительного интервала.

Таблица 21

Результаты построение ACF и PACF

	LAG	ACF	PACF	Q-stat.	[p-value]
1	0.9587	***	0.9587***	61.6268	[0.000]
2	0.9173	***	-0.0223	118.9594	[0.000]
3	0.8747	***	-0.0377	171.9364	[0.000]
4	0.8315	***	-0.0286	220.6140	[0.000]
5	0.7880	***	-0.0284	265.0671	[0.000]
6	0.7438	***	-0.0325	305.3534	[0.000]
7	0.6980	***	-0.0446	341.4545	[0.000]
8	0.6513	***	-0.0371	373.4553	[0.000]
9	0.6039	***	-0.0382	401.4618	[0.000]
10	0.5561	***	-0.0335	425.6486	[0.000]

Для лучшего понимания посмотрим на визуальное представление автокорреляционной функции и частной автокорреляционной функции.

Рис. 23. График ACF и PACF по исходным данным

Исходя из графика выше, можно заключить, что наше предположение об отсутствии сезонности подтверждается. Верхушки столбиков - значения автокорреляционной функции. Если они выходят за границу доверительного интервала (серую область в Stata и голубые границы в Gretl), то это значит, что временный ряд не обладает свойствами белого шума, а автокорреляция значима. По графику видно, что на всех лагах, вплоть до 12 лага, для выбранной переменной значения выходят за границу, что свидетельствует о наличии трендовой составляющей. К тому же функция является практически монотонно убывающей. Делаем предположение об отсутствии стационарности у настоящего временного ряда. Если стационарность присутствует, то порядок интеграции у модели ARIMA будет «0», так как нет необходимости в первой или второй разности. Но данное предположение необходимо проверить чуть позже.

Проверим ряды на стационарность с помощью теста Дики-Фуллера.

Тест Дики - Фуллера -- это методика, которая используется в прикладной статистике и эконометрике для анализа временных рядов для проверки на стационарность. Она является одним из тестов на единичные корни. Тест был предложен в 1979 году Дэвидом Дики и Уэйном Фуллером.

Рис. 24. Результаты проверки теста Дики-Фуллера

Исходный временной ряд получился не стационарным, так как асимптотическое значение в обоих случаях (с константой и с константой и трендом) больше 0,05 и равно значениям 0,568 и 0,413 соответственно. Значит, необходимо в дальнейшем добавить первую или вторую разность для переменных.

Разность - изменение значения какой-либо переменной между фиксированными моментами времени. Если xt - значение переменной х во время t, то первая разность определяется как Дxt=xt-xt-1. Вторая разность равна первой разнице Дxt минус первая разность предыдущего периода Дxt-1; таким образом, Д2xt=Дxt-Дxt-1=xt-2xt-1+xt-2. Аналогичным способом рассчитываются разности будущих периодов. Если требуется измерить разности, начиная со времени t, формула записывается как xt=xt+1-xt.

Возьмем первую разность каждой переменной и проверим ее на стационарность. Результаты показали, что одна из переменных все еще не стационарна, поэтому для обеих возьмем вторую разность (Приложение, Таблица 7, 8).

Исходный временной ряд получился стационарным, так как асимптотическое значение в обоих случаях (с константой и с константой и трендом) меньше 0,05. Таким образом, делаем заключение, что порядок интеграции будет равен «2», так как для приведения ВР нам понадобилось два последовательных включения разностей.

Далее перейдем к выбору наиболее оптимальной модели ARIMA для объяснения динамики доменов. Для этого необходимо анализировать графики ACF и PACF, проверить остатки на нормальность и автокорреляцию, также использовать в качестве сравнения информационные критерии и ошибку модели.

Мы сталкиваемся с информационными критериями, с помощью которых можно сравнивать разные модели: Акаике, Шварца и Ханнана-Куинна. Чем меньше значение данных критериев, тем модели более предпочтительны.

Информационный критерий Акаике рассчитывается по формуле:

,

где k -- число параметров в статистической модели, и L -- максимизированное значение функции правдоподобия модели.

Байесовский информационный критерий (Bayesian information criterion, BIC, иногда - Schwarz Criterion) - критерий выбора модели из класса параметризованных моделей, зависящих от разного числа параметров. Он определяется по формуле:

Критерий Ханнана-Куинна (Hannan-Quinn, HQ) используется для сравнения моделей по соотношению между качеством подбора и количеством оцениваемых параметров. Он вычисляется только для моделей бинарного, множественного выбора и моделей с урезанными данными по формуле:

Построим таблицу моделей ARIMA.

Таблица 22

Модель ARIMA, качественные характеристики

Модель ARIMA	Ошибка модели	Информацион-ные критерии	Анализ остатков (автокорреляция, нормальность)	Значимость коэффициентов
ARIMA (0,2,1)	1795037	AIC=1396,838 HQ=1399,343 BIC=1403,219	AC и PAC: на 12 лаге выходят за границу Нормальность: да Тест Льюинга-Бокса: остатки обладают свойствами БШ (p-value 0,3034)	Все коэффициенты значимы на уровне 0,001

Самой адекватной и значимой моделью оказалась ARIMA (0,2,1) на уровне 0,001. У данной модели наблюдаются наименьшие информационные критерии и сигма. Порядок интеграции данной модели равен 2, так как использовалась вторая разность переменной y2.

Далее подробно представим результаты наиболее оптимальной модели. Уравнение оптимальной модели выглядит следующим образом:

(4)

(1214,49) (0,1109)

Стандартное отклонение модели = 17950,37.

Построим график исходных и предсказанных моделью значений.

Рис. 25. График исходных и предсказанных моделью ARIMA (0,2,1) значений

По графику видно, что модель отлично подходит для описания исходных данных. на также отлично отражает возрастающий тренд исходных данных.

Проанализируем остатки, так как это важный аспект проверки адекватности модели.

Рис. 26. График ACF и PACF остатков модели ARIMA (0,2,1)

Судя по графику выше, практически все значения автокорреляционной и частной автокорреляционной функций входят в область доверительного интервала, что означает, что остатки обладают свойствами белого шума. Выход на 12 лаге значений некритичен.

Чтобы точно знать, что остатки обладают свойствами белого шума необходимо провести тест Льюинга-Бокса. Этот тест - статистический критерий, который используется для нахождения автокорреляции временных рядов. Он проверяет на отличие от нуля сразу несколько коэффициентов автокорреляции.

Кроме того, существует тест Бокса-Пирса - статистический критерий, предназначенный для нахождения автокорреляции временных рядов. Вместо тестирования на случайность каждого отдельного коэффициента, он проверяет на отличие от нуля сразу несколько коэффициентов автокорреляции. Однако, на практике данный критерий не рекомендуется применять, так как его выборочные значения могут сильно отклоняться от распределения . Вместо него применяется Q-тест Льюнга -- Бокса, который даёт более качественные результаты.

Таблица 23

Результаты теста Льюинга-Бокса

Q статистика	12,8476
Prob>chi2(9)	0,3034

Таким образом, значение больше 0,05, значит, что гипотеза Н0 о том, что все автоковариации равны 0 (то есть наличие свойства белого шума), не отвергается, поэтому остатки обладают свойствами белого шума.

Далее проверим ряд на принадлежность к нормальному закону распределения. Для проверки на НЗР существуют критерий Пирсона, непараметрический критерий Колмогорова-Смирнова и тест Жарке-Бера.

Процедура одновыборочного критерия Колмогорова-Смирнова сравнивает эмпирическую функцию распределения переменной с заданным теоретическим распределением, которое может быть нормальным, равномерным, пуассоновским или экспоненциальным. Статистика Z Колмогорова-Смирнова вычисляется как максимум модуля разности между эмпирической и теоретической функциями распределения. Для начала вводится гипотеза Н0, что выборка подчиняется нормальному закону распределения при конкурирующей гипотезе Н1 о ненормальности. Достоинства критерия: возможность применения при очень маленьких объемах выборки (n < 20), более высокая "чувствительность", а следовательно, меньшая трудоемкость вычислений. Недостаток: критерий можно использовать в том случае, если параметры Q1, ..., Qk распределения заранее известны, а эмпирическая функция распреде­ления F*(x) должна быть построена по несгруппированным выборочным данным.



Рис. 27. Результат теста Колмогорова-Смирнова

Рис. 28. Гистограмма остатков

Результаты показали, что нулевая гипотеза не отклоняется, остатки подчиняются нормальному закону распределения на уровне значимости 0,05.

Построим прогноз доменов до декабря 2017 года.



Рис. 29. Прогнозные значения доменов до декабря 2017 года

Таким образом, можно сделать следующие выводы. Устоявшийся тренд будет продолжаться и на следующие прогнозные 22 месяца - до декабря 2017 гг. Согласно прогнозу, количество доменов .RU преодолеет отметку в 6 миллионов в августе 2017 года. Данные выводы не противоречат экономическому смыслу.



Заключение

Использование информационно-коммуникационных технологий в России приобретает все большие масштабы. С 2003 по 2015 гг. доля организаций, использующих Интернет, увеличилась более чем в два раза. Отметим, что рост был стабильным, и даже кризис 2008 года не оказал серьезного влияния его на динамику. В 2014 году удельный вес организаций, использовавших Интернет, составил 89%. На протяжении всего периода рост был постоянен, на данный момент удельный вес организаций, использующих Интернет, неумолимо стремится к 100%.

Каждый год число персональных компьютеров растет стремительными темпами. За последние 11 лет число ПК в организациях возросло почти в 3 раза, и кризис 2008 года не оказал существенного влияния на рост.

Домен России - .ru входит в число крупнейших национальных доменов верхнего уровня. В конце 2015 года в .RU насчитывалось 5 041 685 доменных имен. За год их число в .RU возросло на 180 000 (4%). Россия продемонстрировала хороший результат по количеству регистраций домена .ru, занимая шестую позицию в рейтинге, опережая Бразилию, Австралию, Францию, Италию. Однако, по плотности доменных имён Россия показала значения ниже среднего, на 10 тыс. человек населения приходится лишь 400 доменных имён. Заметим, что данные о регистрации доменов .рф и .su не были учтены.

По возрастному показателю ежегодно наиболее активным потребителем контента Интернета является молодёжь. Среди 18-24-летних Интернетом пользуются практически все (96,21%). С учетом регионов и городов наиболее активно выходят в Сеть жители Москвы и Санкт-Петербурга (87,56%). Анализ других параметров показал, что активно пользуются Интернетом лица с высоким достатком (85,23%), имеющие неоконченное и законченное высшее образование (80,97%).

В России 84 миллиона человек в возрасте от 16 лет и старше являются пользователями Интернета. Если в 2014 году пользовались услугами Интернета две трети взрослого населения страны старше 16 лет (67,5%), то в 2015 году-почти три четверти (70,4%).

Активное использование россиянами мобильными устройств и развитие мобильного интернета стали фактором впечатляющего прироста Интернет-аудитории в нашей стране. С 2014 по 2015 гг. пользование Интернетом со смартфонов выросло более чем в два раза.

По результатам регрессионного анализа было выяснено, что уровень экономической активности населения положительно влияет на число доменных имён .RU на 1000 жителей. Регрессионный анализ показал, что прирост числа доменов .RU на 1000 жителей составит в среднем 0,51 домена при уменьшении уровня безработицы на 1%. Действительно, чем ниже уровень безработицы, тем более развита экономика субъекта РФ, больше компаний регистрируют доменные имена. При изменении числа персональных компьютеров на 100 работников на 1 штуку прирост числа доменов . RU на 1000 жителей составит 0,36 доменов. Оснащённость фирм компьютерами показывает, что предприятие идёт в ногу со временем, активно использует все достижения технического прогресса. Организация без сайта имеет меньший вес в глазах клиента, поскольку клиентам будет сложно узнать информацию о ней без сайта. При увеличении на 1 числа малых предприятий на 10 тыс. человек населения, количество доменов .RU на 1000 жителей возрастёт на 0,07 доменов. Прирост небольшой, но отражает факт, что развитие малого бизнеса стимулирует рост рынка доменных имён. Сайт рассказывает потенциальному покупателю о компании, её услугах, преимуществах. Более того, сайт является современным и относительно недорогим рекламным носителем. Увеличение на 1 логарифма оборота розничной торговли приведёт к появлению 4,69 доменов .RU на 1000 жителей. Чем выше оборот розничной торговли, тем выше потребительская способность жителей субъекта РФ. Сайт выполняет большое число функций: поддерживает имидж компании, является постоянной рекламой компанией, даёт возможность обратной связи с пользователем.

Кластерный анализ показал, что уровень развития ИКТ в разных регионах имеет существенные различия. Все три способа кластеризации выделили кластер-лидер, в который входят г. Москва и г. Санкт-Петербург. Кластер-лидер характеризуется колоссальным отрывом от остальных кластеров по числу доменных имён .RU на 1000 человек населения. Кластер-лидер показал наивысшие результаты инновационной активности предприятий, доли домохозяйств, имевших ПК с доступом к сети Интернет и долю организаций, использовавших персональные компьютеры. Успешная реализация Государственной программы «Информационное общество» (2011-2020 годы) должна проявляться в том, чтобы остальные регионы стремились к показателям г. Москвы и г. Санкт-Петербурга.

В кластеры отстающих вошли Республика Дагестан, Республика Ингушетия, Республика Саха (Якутия), Чеченская Республика. В данных субъектах РФ зафиксированы минимальные значения числа доменных имён .RU на 1000 человек населения, инновационной активности организаций, доли домашних хозяйств, имевших персональный компьютер с доступом к сети Интернет, доли организаций, использовавших системы электронного документооборота.

Высокую плотность домена .RU имеют организации и домохозяйства, проживающие в благоприятных регионах Сибирского, Центрального, Уральского и Приволжского федеральных округов. В этих регионах наибольшая доля организаций и домохозяйств, пользующихся информационными технологиями. Жители Дальневосточного и Южного округов имеют менее развитую сферу ИКТ.

Результаты использования модели ARIMA показали на переменной «число доменных имён .RU», что модель ARIMA (0,2,1) оказалась наилучшей, так как информационные критерии наименьшие по сравнению с остальными моделями и модель отлично описывает характер исходных данных. Все коэффициенты модели значимы. Ошибка модели также достаточно низкая по сравнению с другими. Значения АКФ и ЧАКФ не выходят за границу доверительного интервала и обладают свойствами белого шума. Согласно прогнозу, количество доменов .RU преодолеет отметку в 6 миллионов в августе 2017 года. Прогноз показал, что в следующие 22 месяца будет наблюдаться стабильный рост, возрастающий рынок доменов создаёт все условия для этого.

Таким образом, очередным шагом на пути к информационному обществу должно стать внедрение новых информационных технологий, что позволит улучшить качество жизни населения, усовершенствовать условия развития бизнеса, повысить эффективность государственного управления.



Список использованной литературы

1. Венедюхин, А. А.. «Домены: Все, что нужно знать о ключевом элементе Интернета», Эксмо, 2014, 224 с.

2. Вершинская О.Н.. «Информационно-коммуникационные технологии и общество». М., Наука, 2007, с. 9.

3. ВЦИОМ, Пресс-выпуск №2836 [http://wciom.ru/index.php?id=236&uid=115255]

4. Глобальный индекс инноваций (The Global Innovation Index) [http://www.globalinnovationindex.org]

5. Государственная программа Российской Федерации «Информационное общество (2011-2020 годы) [http://www.zakonprost.ru/content/base/part/734787]

6. Домены России [http://statdom.ru/]

7. Евростат [ec.europa.eu/eurostat]

8. Единая межведомственная информационно-статистическая система [http://www.fedstat.ru/indicators/start.do]

9. Ершова Т.В, Хохлов Ю.Е, Шапошник С.Б. Информационное общество для всех сегодня и завтра: совместные действия заинтересованных сторон по реализации стратегии развития информационного общества // Информационное общество, 2008, вып. 5-6, с. 18-25.

10. Индекс глобальной конкурентоспособности (The Global Competitiveness Index) [http://www.weforum.org/reports/global-competitiveness-report-2014-2015]

11. Индекс развитости информационно-коммуникационных технологий (The Networked Readiness Index - NRI) [http://www.weforum.org/]

12. Иноземцев В.Л.. Новая постиндустриальная волна на Западе. Антология./ Под ред. В.Л.Иноземцева. М.:Academia, 1999. с. 39

13. Концепция движения Москвы к информационному обществу [http://emag.iis.ru/arc/infosoc/emag.nsf/BPA/d06f60d790a21cc2c32569ab004a970c]

14. Минкомсвязи России [www.minsvyaz.ru/]

15. Организация экономического сотрудничества и развития (ОЭСР) [www.oecd.org/]

16. Попов А.О. Электронная Россия - рецепты эффективного государства// Материалы Вестника Государственного университета управления серия «Развитие отраслевого и регионального управления №11/11», Москва, 2008 г., ВАК. (0,3 п.л.)

17. Проект «Твой курс: повышение компьютерной грамотности». -- http://ycdl.ph-int.org /

18. Рачинский А.А. Распространение мобильной связи в России // Прикладная эконометрика. 2010. № 2. С. 111-122.

19. Регионы России. Социально-экономические показатели [http://www.gks.ru/bgd/regl/b14_14p/Main.htm]

20. Российский статистический ежегодник [http://www.gks.ru/bgd/regl/b14_13/Main.htm]

21. Симакина, М.А. Трансформация качества жизни в информационном обществе [Электронный ресурс]//Современные исследования социальных проблем (электронный научный журнал).-2012.-№3(11).

22. Статистические сборники Высшей школы экономики (ВШЭ) [http://www.hse.ru/primarydata/]

23. Статистический сборник «Россия в цифрах» [http://www.gks.ru/bgd/regl/b14_11/Main.htm ]

24. Стратегия развития информационного общества в России [http://www.rg.ru/2008/02/16/informacia-strategia-dok.html]

25. Тоффлер Э. Третья волна. - М.: ЭКОС, 2001. - С. 265

26. Указ «Об основных направлениях совершенствования системы государственного управления» [http://kremlin.ru/events/president/news/15239]

27. Уэбстер Ф. Теории информационного общества. М., Аспект-Пресс, 2004. 400 с

28. Федеральная служба государственной статистики [ http://www.gks.ru/]

29. J'son & Partners Consultng «Прогноз развития телекоммуникационной и ИТ-отраслей в 2015 году» [http://json.tv/ict_telecom_analytics_view/prognoz-razvitiya-telekommunikatsionnoy-i-it-otrasli-v-2015-godu-20150330062642]

30. CompTIA. The Critical Role of the Software Industry in Latin America: A Summary of Studies Conducted in Eight Latin American Markets. 2005.

31. Jorgenson D., Ho M., Stiroh K. Lessons from the U.S. Growth Resurgence. Federal Reserve Bank of New York, 2003.

32. Jorgenson D., Stiroh K. Raising the Speed Limit: U.S. Economic Growth in the Information Age // Brookings Papers on Economic Activity. 2000. Vol. 1.

33. Kraemer K.L., Dedrick J. Payoffs From Investment In Information Technology: Lessons From The Asia Pacific Region / Center for Research on Information Technology and Organizations University of California. Irvine, 1993.

34. Perminov S., Egorova E. ICT Impact on Labor Productivity and Employment in Russia. TIGER, 2005.

35. Piatkowski M.. Does ICT Investment Matter for Growth and Labor Productivity in Transition Economies? TIGER, 2003.

36. Solow R. Technical Change and the Aggregate Production Function // Review of Economics and Statistics. 1957. Vol. 39. № 3.

37. Solow R. We'd better watch out. Book Review // New York Times. 1987. 12 July.



Приложение

Рис. 1. Дендрограмма. Квадрат расстояния Евклида, метод Уорда

Таблица 1.

Распределение регионов по кластерам с помощью метода иерархической кластеризации

	Первый кластер	Второй кластер	Третий кластер	Четвёртый кластер	Пятый кластер
Количество регионов в кластере	35	16	25	2	4
Названия регионов	Алтайский край	Амурская область	Белгородская область	г. Москва	Республика Дагестан
	Астраханская область	Архангельская область	Владимирская область	г. Санкт-Петербург	Республика Ингушетия
	Брянская область	Вологодская область	Камчатский край		Республика Саха (Якутия)
	Волгоградская область	Забайкальский край	Липецкая область		Чеченская Республика
	Воронежская область	Ивановская область	Магаданская область
	Еврейская автономная область	Иркутская область	Нижегородская область
	Кабардино-Балкарская Республика	Калининградская область	Оренбургская область
	Карачаево-Черкесская Республика	Калужская область	Пензенская область
	Кемеровская область	Красноярский край	Пермский край
	Кировская область	Ленинградская область	Республика Адыгея
	Костромская область	Московская область	Республика Алтай
	Краснодарский край	Мурманская область	Республика Башкортостан
	Курганская область	Республика Коми	Республика Карелия
	Курская область	Смоленская область	Республика Мордовия
	Новгородская область	Ханты-Мансийский автономный округ - Югра	Республика Татарстан
	Новосибирская область	Ярославская область	Республика Хакасия
	Омская область		Рязанская область
	Орловская область		Свердловская область
	Приморский край		Ставропольский край
	Псковская область		Удмуртская Республика
	Республика Бурятия		Хабаровский край
	Республика Калмыкия		Челябинская область
	Республика Марий Эл		Чувашская Республика
	Республика Северная Осетия - Алания		Чукотский автономный округ
	Республика Тыва		Ямало-Ненецкий автономный округ
	Ростовская область
	Самарская область
	Саратовская область
	Сахалинская область
	Тамбовская область
	Тверская область
	Томская область
	Тульская область
	Тюменская область без автономных округов
	Ульяновская область

Таблица 2.

Распределение регионов по кластерам с помощью метода k-средних

	Первый кластер	Второй кластер	Третий кластер	Четвёртый кластер	Пятый кластер
Количество регионов в кластере	25	32	21	2	2
Названия регионов	Алтайский край	Амурская область	Белгородская область	г. Москва	Республика Дагестан
	Брянская область	Архангельская область	Владимирская область	г. Санкт-Петербург	Чеченская Республика
	Еврейская автономная область	Астраханская область	Липецкая область
	Забайкальский край	Волгоградская область	Нижегородская область
	Иркутская область	Вологодская область	Оренбургская область
	Кабардино-Балкарская Республика	Воронежская область	Пермский край
	Камчатский край	Ивановская область	Республика Адыгея
	Карачаево-Черкесская Республика	Калининградская область	Республика Алтай
	Кемеровская область	Калужская область	Республика Башкортостан
	Костромская область	Кировская область	Республика Карелия
	Пензенская область	Краснодарский край	Республика Мордовия
	Республика Бурятия	Красноярский край	Республика Татарстан
	Республика Ингушетия	Курганская область	Республика Хакасия
	Республика Калмыкия	Курская область	Свердловская область
	Республика Марий Эл	Ленинградская область	Ставропольский край
	Республика Саха (Якутия)	Магаданская область	Удмуртская Республика
	Республика Северная Осетия - Алания	Московская область	Хабаровский край
	Республика Тыва	Мурманская область	Ханты-Мансийский автономный округ - Югра
	Ростовская область	Новгородская область	Челябинская область
	Рязанская область	Новосибирская область	Чукотский автономный округ
	Саратовская область	Омская область	Ямало-Ненецкий автономный округ
	Сахалинская область	Орловская область
	Тамбовская область	Приморский край
	Тюменская область без автономных округов	Псковская область
	Чувашская Республика	Республика Коми
		Самарская область
		Смоленская область
		Тверская область
		Томская область
		Тульская область
		Ульяновская область
		Ярославская область

Таблица 3

Переменная принадлежности к кластерам

	Метод Варда	Метод k-средних QCL_1
Область	Кластер	Кластер
Алтайский край	1	1
Амурская область	2	2
Архангельская область	2	2
Астраханская область	1	2
Белгородская область	3	3
Брянская область	1	1
Владимирская область	3	3
Волгоградская область	1	2
Вологодская область	2	2
Воронежская область	1	2
г. Москва	4	4
г. Санкт-Петербург	4	4
Еврейская автономная область	1	1
Забайкальский край	2	1
Ивановская область	2	2
Иркутская область	2	1
Кабардино-Балкарская Республика	1	1
Калининградская область	2	2
Калужская область	2	2
Камчатский край	3	1
Карачаево-Черкесская Республика	1	1
Кемеровская область	1	1
Кировская область	1	2
Костромская область	1	1
Краснодарский край	1	2
Красноярский край	2	2
Курганская область	1	2
Курская область	1	2
Ленинградская область	2	2
Липецкая область	3	3
Магаданская область	3	2
Московская область	2	2
Мурманская область	2	2
Нижегородская область	3	3
Новгородская область	1	2
Новосибирская область	1	2
Омская область	1	2
Оренбургская область	3	3
Орловская область	1	2
Пензенская область	3	1
Пермский край	3	3
Приморский край	1	2
Псковская область	1	2
Республика Адыгея	3	3
Республика Алтай	3	3
Республика Башкортостан	3	3
Республика Бурятия	1	1
Республика Дагестан	5	5
Республика Ингушетия	5	1
Республика Калмыкия	1	1
Республика Карелия	3	3
Республика Коми	2	2
Республика Марий Эл	1	1
Республика Мордовия	3	3
Республика Саха (Якутия)	5	1
Республика Северная Осетия - Алания	1	1
Республика Татарстан	3	3
Республика Тыва	1	1
Республика Хакасия	3	3
Ростовская область	1	1
Рязанская область	3	1
Самарская область	1	2
Саратовская область	1	1
Сахалинская область	1	1
Свердловская область	3	3
Смоленская область	2	2
Ставропольский край	3	3
Тамбовская область	1	1
Тверская область	1	2
Томская область	1	2
Тульская область	1	2
Тюменская область без автономных округов	1	1
Удмуртская Республика	3	3
Ульяновская область	1	2
Хабаровский край	3	3
Ханты-Мансийский автономный округ - Югра	2	3
Челябинская область	3	3
Чеченская Республика	5	5
Чувашская Республика	3	1
Чукотский автономный округ	3	3
Ямало-Ненецкий автономный округ	3	3
Ярославская область	2	2

Таблица 4

Переменные не для анализа

Шаг	Допуск	Мин. Допуск	F для ввода	Мин. D в квадрате	Между группами
0	domen	1,000	1,000	39,306	,159	1 и 5
	innovation	1,000	1,000	4,676	,011	1 и 2
	housePC	1,000	1,000	11,390	,010	2 и 5
	eldoc	1,000	1,000	44,966	,043	1 и 2
	orgPC	1,000	1,000	8,366	,046	3 и 4
1	innovation	1,000	1,000	4,110	,679	1 и 5
	housePC	,995	,995	6,806	1,633	1 и 3
	eldoc	,967	,967	45,312	2,820	1 и 2
	orgPC	,947	,947	9,648	,966	1 и 5
2	innovation	,974	,942	3,957	2,830	1 и 2
	housePC	,995	,962	4,397	4,218	1 и 2
	orgPC	,946	,918	8,627	3,540	1 и 2
3	innovation	,949	,941	4,371	4,226	1 и 2
	orgPC	,945	,913	8,426	4,855	1 и 2
4	innovation	,936	,913	3,467	4,890	1 и 2



Таблица 5

Лямбда Уилкса

...

Шаг	Число переменных	Лямбда	ст.св.1	ст.св.2	ст.св.3	Точное F
						Статистика	ст.св.1	ст.св.2	Знач.
1	1	,329	1	4	77	39,306	4	77,000	,000
2	2	,097	2	4

Подобные документы

• Экономическое значение информационно-коммуникационных технологий

  Изучение сущности, классификации и экономического значения информационно-коммуникационных технологий. Анализ проблемы использования информационно-коммуникационных технологий в России. Приоритетные направления развития технологий в Республике Татарстан.
  
  курсовая работа [967,3 K], добавлен 04.09.2014
  

• Региональный рынок информационных технологий

  Современные информационные технологии на региональном уровне. Становление рынка информационных технологий в России, основные проблемы его развития и поиск путей их решения. Информационные технологии как инструмент эффективного регионального развития.
  
  реферат [66,0 K], добавлен 10.04.2012
  

• Проблемы использования закономерностей влияния информационно-коммуникационных технологий на экономическое развитие страны

  Сущность информационно-коммуникационных технологий, их роль в построении информационного общества. Условия повышения эффективности их использования. Анализ мер на отраслевом и государственном уровнях. Состояние развития телекоммуникационной сферы.
  
  контрольная работа [30,8 K], добавлен 27.09.2011
  

• Перспективы использования ИКТ для развития бизнес-процессов

  Развитие сектора информационно-коммуникационных технологий в экономике. Причины информационного неравенства, его особенности в российском обществе. Сектор информационно-коммуникационных технологий в экономике России. Развитие ИКТ в Краснодарском крае.
  
  дипломная работа [77,9 K], добавлен 13.05.2015
  

• ИКТ как фактор развития российской экономики

  Современные тенденции развития информационно-коммуникационных технологий. Анализ структуры и динамики отрасли. Использование ИКТ в работе ЗАО "Тандер". Анализ состояния сектора ИКТ в Российской Федерации и его вклада в экономическое развитие страны.
  
  дипломная работа [1,6 M], добавлен 13.11.2015
  

• Рынок информационных услуг в России: проблемы формирования и развития

  Рынок информационных технологий в России. Интернет (Рунет). Великая "черная дыра" российской экономики. Проекты ИТ в сельскохозяйственном комплексе России. Национальный проект "Образование" в сельской местности. ИТ в торговле и общественном питании.
  
  курсовая работа [1,3 M], добавлен 30.01.2008
  

• Современные экономические теории

  Основные направления развития экономической теории. Методические вопросы современных экономических теорий. Анализ распространения и направления использования информационных и коммуникационных технологий в Российской Федерации статистическими методами.
  
  курсовая работа [56,3 K], добавлен 03.06.2010
  

• Статистическое исследование использования информационных и коммуникационных технологий организациями в РФ

  Проблемы внедрения ИКТ. Сводка и группировка данных. Расчет относительных величин. Анализ динамики изменения уровня использования информационных и коммуникационных технологий организациями. Применение выборочного метода. Расчет специфических показателей.
  
  курсовая работа [1,4 M], добавлен 23.05.2015
  

• Развитие информационно-коммуникативных технологий: новые возможности и новое социальное неравенство

  Развитие сектора информационно-коммуникационных технологий (ИКТ) в экономике. Применение новых возможностей ИКТ. Причины и понятие информационного неравенства. Современное состояние сектора ИКТ в мире и России. Развитие ИКТ в Краснодарском крае.
  
  дипломная работа [115,8 K], добавлен 25.05.2015
  

• Конъюнктурный обзор мирового рынка информационно-коммуникационных технологий

  Общая характеристика технологических трендов в сфере информационно-коммуникационных технологий. Прогноз конъюнктуры рынка программного обеспечения, оборудования, телекоммуникаций. Влияние ИКТ на экономический рост страны. Спрос и потребление товара.
  
  курсовая работа [582,5 K], добавлен 19.12.2015
  

• Экономика информационных технологий

  Характеристика факторов, влияющих на уровень цен на информационные продукты. Взаимосвязь динамики спроса и предложения. Оценка экономической эффективности использования информационных технологий. Классификация продукции и услуг в сетевой экономике.
  
  контрольная работа [431,4 K], добавлен 23.01.2012
  

• Рынок информационных услуг

  Аспекты развития рынка информационных услуг, его современное состояние на примере России. Становление и развитие информационных технологий экономики. Анализ основных факторов воздействия на рынок информационных услуг. Расчет многофакторной модели.
  
  дипломная работа [484,5 K], добавлен 22.12.2010
  

• Информационно-коммуникативные технологии и глобализация мирового пространства

  Развитие информационно-коммуникативных технологий (ИКТ) и их влияние на экономику. Применение и функции информационных систем в условиях глобализации мирового хозяйства. Приоритетные направления развития ИКТ в России в современной рыночной экономике.
  
  курсовая работа [346,6 K], добавлен 05.09.2011
  

• Статистический анализ дифференциации уровня жизни в регионах Российской Федерации

  Организация сбора информации для статистического изучения уровня жизни населения. Анализ динамики уровней гарантированных социальных выплат. Сравнительный анализ различий в уровне жизни населения Ростовской области и регионов Южного федерального округа.
  
  дипломная работа [1,5 M], добавлен 05.06.2014
  

• Применение информационных технологий в экономических кластерах

  Понятия и характерные черты экономических кластеров. Информационные технологии управления взаимодействием предприятий в рамках экономического кластера. Проблемы эффективности использования автоматизированных систем управления экономическими процессами.
  
  курсовая работа [31,4 K], добавлен 19.11.2011
  

• Статистика уровня жизни населения

  Понятие статистики уровня жизни населения, ее классификация. Методики определения основных показателей, характеризующих благосостояние и социально-экономическую дифференциацию населения. Статистический анализ уровня жизни населения в Российской Федерации.
  
  курсовая работа [175,9 K], добавлен 06.12.2010
  

• Направления динамики развития информационной экономики в России

  Роль информации в развитии современного общества. Особенности функционирования рынка информационных услуг, его состояние и развитие в России. Ограничения и барьеры на рынке информации. Экономическая эффективность использования информационных технологий.
  
  диссертация [1,2 M], добавлен 14.06.2014
  

• Статистическое изучение взаимосвязи инноваций и уровня жизни населения

  Понятия инноваций и уровня жизни населения. Система показателей, характеризующая связь инноваций с уровнем жизни. Анализ уровня жизни населения в Российской Федерации и в ее регионах. Моделирование влияния инноваций на уровень жизни населения в России.
  
  дипломная работа [2,1 M], добавлен 13.10.2016
  

• Статистический анализ уровня и качества жизни населения Российской Федерации

  Показатели уровня и качества жизни населения в современных условиях. Статистический анализ уровня и качества жизни населения Российской Федерации за период 2000-2013 гг. Анализ динамики и структуры доходов и расходов населения, оценка качества его жизни.
  
  курсовая работа [248,3 K], добавлен 11.02.2015
  

• Основные концепции стратегического развития рыночной экономики Российской Федерации. Перспективы развития экономики страны и субъектов федерации

  Стратегические альтернативы российской экономики. Концепция социально-экономического развития России. Сущность и роль регионального стратегического планирования, его основные этапы. Характеристика и перспективы развития субъектов Российской Федерации.
  
  курсовая работа [66,1 K], добавлен 06.03.2014
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам