Прогнозування основних параметрів відтворення продуктивних сил регіону в умовах розвитку регіонального соціуму

Прогнозування основних параметрів продуктивних сил у контексті розвитку регіонального соціуму є завершальним етапом діагностики, яке дає можливість науково обгрунтовано передбачити основні перспективи їх відтворення.

Якщо розглядати прогнозування з точки зор регіону в контексті розвитку регіонального соціуму, то во­но здійснюється на підставі послідовної процедури аналізу, синтезу та оцінки соціально-економічних явищ та процесів. Отже, прогнозування тенденцій розвитку життєдіяльності регіонального соціуму відбувається на підставі встановленого стану досліджуваних складових соціального життя населення

регіону та з урахуванням виявлених причин, сили дії та напряму впливу ризиків, що викликали відхилення від нормативних показників.

У сучасній науці погляди щодо прогнозування економічних та соціальних явищ являють собою перспективний розрахунок відповідних показників та отримання на основі їх змін прогнозу. Звичай такі розрахунки здійснюються в таких інтерпретаціях: оптимістичний, песимістичний та реалістичний сценарії розвитку. Точність цих прогнозів, у першу чергу, залежить від обґрунтованості, повноти та достовірності поставленого діагнозу. З погляду на термін прогнозу­вання виділяють короткострокові прогнози, які у сучасній демографії охоплю­ють період від 5 до 10 років.

Середньострокові прогнози створюються на період більше 10 років. Враховуючи те, що демографічні процеси відбуваються із більшим часовим лагом, прогнозування дозволяє простежити не лише чисельну зміну регіона­льного соціуму, а також і зміну поколінь в умовах існуючих соціально-еко­номічних явищ та процесів, закономірність яких формується під впливом взаємопов’язаних умов. Довгострокові прогнози здійснюються з метою нау­кових передбачень. Вони здійснюються на десятиріччя, однак, ступінь їх об­ґрунтованості нижчий ніж у прогнозів, які розглянуто вище. Але важливість цих прогнозів не підлягає сумніву.

Таким чином, важливим у діагностиці відтворення продуктивних сил у контексті розвитку регіонального соціуму є етап прогнозування, який здійс­нюється з метою передбачення перспектив відтворення соціуму та умов фор­мування соціального життя. Прогнозування основних параметрів продуктивних сил забезпечує процес прийняття оптимальних управлінських рішень за необхідною обґрунтованою інформацією.

У попередньому параграфі роботи доведено, що на відтворення продук­тивних сил в контексті розвитку регіонального соціуму найбільший вплив надають такі ризики: економічний, політичний, соціальний та техногенний. Встановлено, що особливостями визначення напряму та сили дії кожного з перелічених ризиків є суб’єктивний характер та багатогранність їх впливу. Існування прямої залежності між напрямом впливу ризиків та відтворенням основних складових соціального життя регіонального соціуму призводить до виникнення негативних тенденцій у протіканні цих процесів. Отже, необхід­ність врахування імовірності виникнення певних ризиків стає важливою умо­вою при прогнозуванні відтворення продуктивних сил в контексті розвитку регіонального соціуму.

Прогнозування основних параметрів продуктивних сил в контексті розви­тку регіонального соціуму здійснються у відповідності до основних складо­вих соціального життя.

• відтворення населення, де передбачається прогнозування таких показників як чисельність населення регіону у працездатному віці;

• відтворення трудових ресурсів, де здійснюється прогнозування чисельності зайнятих та безробітних;

• відтворення суспільного здоров’я — середня очікувана тривалість життя при народженні.

Прогнозування основних параметрів відтворення продуктивних сил регіону в контексті розвитку регіонального соціуму варто здійснювати на основі факто­рних регресійних моделей. Доцільність використання цього методу полягає в тому, що відтворення соціального життя регіонального соціуму є доволі інерцій­ним процесом. Особливість методу полягає у встановленні статистичної залеж­ності однієї змінної (залежної, ендогенної, результуючої тощо) від однієї або декількох незалежних (зумовлених, екзогенних тощо) змінних [357].

Процедура прогнозування на основі цього методу складається з трьох послідовних етапів. По-перше, здійснюється вибір найбільш вагомих факторів, який відбувається на засадах визначення сили та напряму зв’язку між резуль­тативною змінною й кожною факторною змінною. По-друге, здійснюється оцінка значущості множинного коефіцієнта кореляції. Визначається тіснота зв’язку між результативною ознакою й кожною з факторних ознак при виклю­ченні впливу інших ознак. Визначити, яка частина варіації результативної ознаки пояснюється впливом факторних ознак. По-третє, здійснюється про­гнозування основних складових соціального життя регіонального соціуму.

Вибір факторів відбувається на основі розрахунку коефіцієнта парної коре­ляції (k_r) між результативною ознакою й кожною з факторних ознак (чим більше коефіцієнт, тим істотніше фактор; якщо для якоїсь пари факторів він більше по­рівняно з іншими, то при виборі чинників перевага віддається з більшим значен­ням). Коефіцієнт k_r є відносною мірою зв’язку між двома ознаками, він може набувати значення від -1 до +1. Чим ближче значення k_r до ±1, тим щільніший зв’язок.

Розрахунок коефіцієнтів кореляції, який призначений для вимірювання щільності зв’язку між результативними і факторними ознаками поданий у таблиці 5.6. У межах такої складової соціального життя регіонального соціу­му як відтворення населення у якості результуючої ознаки варто визначити, по-перше, чисельність всього населення, по-друге, чисельність населення в працездатному віці, яке визначається як наявні трудові ресурси.

Таблиця 5.5. Перелік показників, які розраховуються при проведенні кореляційно-регресійного аналізу

Таблиця 5.6. Визначення впливу факторів на чисельність населення Донецької області

З метою визначення впливу ризиків на чисельність населення регіональ­ного соціуму запропоновано використання таких показників:

Yh — загальна чисельність населення, тис. осіб;

X₁ — чисельність населення молодше за працездатний вік, тис. осіб; X₂ — чисельність населення старше працездатного віку, тис. осіб;

X₃ — міграційні втрати населення, тис. осіб;

X₄ — чисельність померлих, тис. осіб;

X₅ — чисельність народжених, тис. осіб;

X₆ — захворюваність населення, випадків зареєстрованих уперше, тис. випадків; X₇ — середня очікувана тривалість життя при народженні, роки.

Таким чином, результати розрахунків дозволяють уважати, що найбільш впливовими за період 2004-2013 рр. на чисельність населення Донецької об­ласті виявилися такі факторі: X₁ — чисельність населення молодше за праце­здатний вік, X₄ — чисельність померлих, X₅ — чисельність народжених, X₆ — захворюваність населення, випадків зареєстрованих уперше, X₇ — середня очікувана тривалість життя при народженні. При цьому, порівняння коефіці­єнтів автокореляції між двома факторами показує, що в модель множинної регресії доцільно включити такі показники — X₁, X₄, X₅, X₆, X₇, як вибрані фактори, у якості результуючого показника (Yh) — чисельність населення. Надалі будуємо багатофакторну лінійну модель за обраними факторами.

Додаткова регресійна статистика надається у вигляді таблиці 5.7.

Для оцінки надійності кореляційних характеристик використовується критерій Фішера (F критерій). Перевірка істотності зв’язку дає змогу визначити те, що ви­явлене кореляційне відношення не є випадковим. Якщо Fj^ax > F_tqnm, то вважа­ється, що виявлену залежність не можна вважати випадковою, що стосується тве­рдження про існування кореляційного зв’язку. У нашому випадку отримана така нерівність 74,55 > 6,61, вона дає змогу визнати модель адекватною, тобто із зада­ним ступенем достовірності (надійності) вона вірно пророкує реальний результат.

Значення «/-статистика» демонструє ставлення коефіцієнта до його сере­дньої помилки, тобто розрахункове значення /-критерію Стьюдента. Якщо розраховане значення /-статистики більше, ніж табличне, то коефіцієнт ре­гресії визнається значущим і може бути використаний для включення в ре- гресійну модель. Але табличне значення /-критерію при заданих ступенях свободи df і рівню значущості в 5 % становить 0,680. Таким чином, визначе­ні параметри рівняння є значимими та надійними.

Таблиця 5.7. Додаткова регресійна статистика до визначення щільності зв'язку між чисельністю населення Донецької області та факторами впливу

P-значення, показує рівень значимості /-статистики, тобто оцінює ймовір­ність помилки параметрів моделі регресії. Якщо Pα) модель незначуща, як наслідок її не можна використовувати для прогнозування. За результатами дослідження отримані P-значення для параметра α становить 0,029, а для коефіцієнтів регресії: a₁ — 1,23, a₄ — (-7,24), a₅ — (-6,29), a₆ — 0,17, a₇ — (-63,87). Отже, параметри моделі визнаються статистично значу­щими і надійними.

Результати побудови довірчих інтервалів, в яких знаходяться змінні мо­делі, відповідно до якої можна зробити висновок, що з імовірністю р = 1-а = 0,95 (95 %) параметр а буде коливатися в межах від 1370,42 до 15578,08. Визна­чені параметри не братимуть нульових значень, тобто є статистично значу­щими й відрізняються від нуля. Після визначення параметрів рівняння регресії необхідно оцінити щільність зв’язку між ознаками, тобто здійснити кореля­ційний аналіз, за допомогою розрахунку індексу множинної кореляції.

Рівняння множинної регресії набуває вигляду:

Показники регресійної статистики та дисперсного аналізу наведені в таблиці 5.8.

Множинний Л-індекс (коефіцієнт) кореляції. Він показує ступінь щіль­ність зв’язку між результативними і факторними ознаками. У даній залежності коефіцієнт кореляції склав 0,995. Таким чином, зв’язок між результативним показником — загальною чисельністю населення та факторними показника­ми характеризується як високий (сильний).

Таблиця 5.8. Показники регресійної статистики та дисперсного аналізу моделі загальної чисельності населення Донецької області

Множинний Л²-коефіцієнт детермінації, який показує частку зміни результуючого показника під впливом зміни факторних ознак. Коефіцієнт детермінації R² дорівнює 0,99 (99,0 %), отже, останні 0,1 % можуть бути по­в’язані із впливом неврахованих факторів. Таким чином, можна вважати, що зміна загальної чисельності населення на 99 % залежить від зміни зазначе­них факторних ознак. Отже, саме ці чинники в даному конкретному випадку надають найбільш значний вплив на у.

Величина нормованого R² коригується залежно від числа ступенів свобо­ди. Число ступенів свободи розраховується залежно від числа факторів мо­делі регресії й різниці числа спостережень, числа факторів. Цей показник якісно характеризує коефіцієнт детермінації. Отримана величина даного показника становить 0,976, що свідчить про те, що коефіцієнт детермінації мав би значення 97,6 %, якби спостережень було більше, ніж обсягу дослі­джуваної сукупності.

Стандартна помилка коефіцієнта кореляції є мірою точності моделі. За результатами розрахунків встановлено, що стандартна помилка для функції Sy складає 16,86 %, що вказує на відхилення фактичних даних від прогнозо­ваних.

Метою дисперсійного аналізу є оцінка значущості моделі регресії. Показ­ник df відображає число ступенів свободи. У рядку «Регресія» відображається число ступенів, яке дорівнює 5, що залежить від числа факторних ознак у регресійній моделі. У рядку «Залишок» відображається різниця між загаль­ною кількістю спостережень, які використовуються для побудови моделі, і кількістю параметрів рівняння регресії (+1). У рядку «Разом» відображається сума рядків «регресія» і «залишок».

Значення стовпця SS дають уявлення про можливе включення в модель регресії додаткових змінних. У випадку, якщо частка дисперсії, яка поясню­ється факторною регресією більше, ніж частка дисперсії, що припадає на залишкову регресію, то варіація результативної ознаки пояснюється саме ва­ріацією обраних змінних отриманої моделі.

Стовпець MS покликаний відображати величину дисперсій -факторної (у рядку «Регресія») і залишкової (у рядку «Залишок»). Ці величини відо­бражають суми квадратів відхилень, зарахованих до числа ступенів сво­боди.

За результатами розрахунків отримано, що регресійна сума, яка відобра­жає квадрат значень результативної ознаки, отриманих за моделлю регресії, від середньої (5^,> 6,61 дозволяє стверджувати про існуван­ня кореляційного зв’язку, а модель вважати адекватною, тобто із заданим ступенем достовірності (надійності) вона вірно прогнозує реальний ре­зультат.

За результатами розрахунків таблиці 5.10 можна зробити висновок про те, що параметри рівняння є значимими та надійними, побудовану модель регресії можна використовувати в процесі прогнозування.

Таблиця 5.9. Визначення впливу факторів на чисельність населення Донецької області в працездатному віці

Таблиця 5.10. Додатковарегресійна статистика до визначення щільності зв’язку між чисельністю населення працездатного віку Донецької області та факторами впливу

Рівняння множинної регресії набуває вигляду:

Y_πh = 3479,05 + 0,01z₁ + 45,02z₄ + 0,13z₅ _ 26,66z₆

Показники регресійної статистики та дисперсного аналізу наведені в таблиці 5.11.

За результатами регресійної статистики та дисперсного аналізу моделі чисельності населення працездатного віку Донецької області можна зробити висновок про те, що зв’язок між результативним показником — чисельністю населення працездатного віку та факторними показниками характеризується як високий. Доведено, що саме обрані чинники в даному конкретному випа­дку мають значний вплив на у. Тому побудована модель регресії в достатній мірі відображає залежність між чисельністю населення працездатного віку Донецької області та показниками, що впливають на його величину.

Таблиця 5.11. Показникирегресійної статистики та дисперсного аналізу моделі чисельності населення працездатного віку Донецької області

Середня помилка апроксимації становить А = 0,16, що відповідає умовам визначення отриманої регресійної моделі як якісної (0,16 < 8 %).

Відносна похибка рівняння регресії становить:

де y_pcβp_aχ = 2763,91 тис. осіб

Таким чином, 2,31 % < 7 %, що дозволяє здійснити висновок про те, що вибір факторів здійснено вірно.

Прогнозування зміни чисельності зайнятого населення (Y_3h) в структурі економічно-активного населення Донецької області здійснюється на основі ви­значення найбільш вагомих факторів впливу, до яких доцільно віднести такі: T₁ — чисельність населення в працездатному віці, тис. осіб;

T₂ — середньооблікова чисельність штатних працівників, тис. осіб

T₃ — чисельність безробітного населення за методологією МОП, тис. осіб; T₄ — смертність населення в працездатному віці, тис. осіб.

T₅ — міграційні втрати населення, тис. осіб;

T₆ — середня очікувана тривалість життя при народженні, роки.

Розрахунок впливу визначених факторів на чисельність економічно акти­вного населення подано в таблиці 5.12.

Таблиця 5.12. Визначення впливу факторів на чисельність економічно активного населення Донецької області

Таким чином, визначення характеристики зв’язку між результативними і факторними ознаками дозволяє обрати найбільш впливові фактори, до яких слід віднести: чисельність населення в працездатному віці, середньооблікова чисельність штатних працівників, чисельність безробітного населення за ме­тодологією МОП, смертність населення в працездатному віці та середня очі­кувана тривалість життя при народженні. Порівняння коефіцієнтів автокоре- ляції між двома факторами показує, що в модель множинної регресії доціль­но включити такі показники — T₁, T₂, T₃, T₄, T₆.

Додаткова регресійна статистика до визначення щільності зв’язку між чи­сельністю економічно активного населення Донецької області та факторами впливу подана у таблицях 5.13.

Таблиця 5.13. Додаткова регресійна статистика до визначення щільності зв’язку між чисельністю зайнятого населення Донецької області та факторами впливу

На основі порівняння F_po3pax та F_κpum отримана нерівність: 375,84 > 6,61, яка доводить про існування кореляційного зв’язку, що, у свою чергу, дозво­ляє вважати отриману регресійну модель як адекватну, тобто із заданим сту­пенем достовірності (надійності) вона вірно пророкує реальний результат.

Результати розрахунків, що наведені у таблиці 5.13 дозволяють зробити висновок про те, що параметри рівняння є значимими та надійними, побудо­вану модель регресії можна використовувати в процесі прогнозування.

Рівняння множинної регресії набуває вигляду:

Показники регресійної статистики та дисперсного аналізу наведені в таб­лиці 5.14.

Таким чином, за результатами отриманої регресійної статистики та дис­персного аналізу моделі чисельності зайнятого населення Донецької області можна зробити висновок про те, що зв’язок між результативним показником — чисельністю зайнятого населення та факторними показниками характеризу­ється як високий. Встановлено, що саме обрані чинники в даному конкретно­му випадку найбільш впливають на у. Отже, побудована модель регресії в достатній мірі відображає залежність між чисельністю зайнятого населення Донецької області та показниками, що впливають на його величину.

Таблиця 5.14. Показникирегресійної статистики та дисперсного аналізу моделі чисельності зайнятого населення Донецької області

Середня помилка апроксимації становить А = 0,12, так як отриманий резуль­тат менш ніж 8 %, можна вважати, що отримана регресійна модель є якісною.

Відносна похибка рівняння регресії становить:

де y_poβpax = 1980,71 тис. осіб

Так як 0,64 % < 7 %, то можливо здійснити висновок про те, що вибір фа­кторів здійснено вірно.

Прогнозування обсягів безробіття Донецької області (Y_eh) здійснюється на основі визначення найбільш вагомих факторів впливу, таких як: M₁ — чисельність населення в працездатному віці, тис. осіб;

M₂ — середньооблікова чисельність штатних працівників, тис. осіб;

M₃ — валова додана вартість у основних цінах, млн. грн;

M₄ — випуск у основних цінах, млн. грн;

M₅ — фінансові результати підприємств до оподаткування, млн. грн;

M₆ — кількість суб’єктів ЄДРПОУ, од.

Розрахунок впливу визначених факторів на чисельність безробітних по­дано у таблицях 5.15.

Таким чином, на основі проведеного аналізу, можна стверджувати, що щільність зв’язку між результативним показником та факторами впливу ви­являється як: (Y_eh): (M₁) — суттєва; (Y_eh): (M₂) — сильна; (Y_eh): (M₃) — слаб­ка; (Yeh): (M₄) — слабка; (Yeh): (M₅) — практично відсутня; (Yeh): (M₆) — суттєва. При цьому порівняння коефіцієнтів автокореляції між двома факто­рами показує, що в модель множинної регресії доцільно включити такі пока­зники — M₁, M₂, M₆, як вибрані фактори, у якості результуючого показника Y_eh — чисельність безробітного населення Донецької області.

Результати аналізу дозволяють уважати, що найбільш впливовими за пе­ріод 2004-2013 рр. на чисельність безробітного населення Донецької області виявилися такі факторі: M₁ — чисельність населення в працездатному віці, тис. осіб; M₂ — середньооблікова чисельність штатних працівників; M₆ — кі­лькість суб’єктів ЄДРПОУ. Додаткова регресійна статистика до визначення щільності зв’язку між чисельністю безробітного населення Донецької облас­ті та факторами впливу подана у таблицях 5.16.

Таблиця 5.15. Визначення впливу факторів на чисельність безробітних Донецької області

Таблиця 5.16. Додаткова регресійна статистика до визначення щільності зв’язку між чисельністю безробітного населення Донецької області та факторами впливу

Результати розрахунків, що наведені у таблиці 5.16 дозволяють зробити висновок про те, що параметри рівняння є значимими та надійними, побудо­вану модель регресії можна використовувати в процесі прогнозування.

Рівняння множинної регресії набуває вигляду:

Показники регресійної статистики та дисперсного аналізу наведені в таблиці 5.17.

За результатами розрахунків можливо здійснити такі висновки: множинний R = 0,926, показує ступінь тісноти зв’язку між результативними і факторними озна­ками, характеризується як сильний; множинний R² дорівнює 0,86 (86,0 %), отже, можна вважати, що зміна чисельності безробітного населення на 86 % залежить від зміни зазначених факторних ознак; стандартна помилка для функції Sy складає 12,534 %, вона вказує на відхилення фактичних даних від прогнозованих.

Таблиця 5.17. Показникирегресійної статистики та дисперсного аналізу моделі чисельності безробітного населення Донецької області

Таким чином, побудована модель регресії в достатній мірі відображає залежність між чисельністю безробітного населення Донецької області та показниками, що впливають на її величину.

Середня помилка апроксимації становить А = 5,48, так як отриманий ре­зультат менш ніж 8 %, можна вважати, що отримана регресійна модель є якісною.

Відносна похибка рівняння регресії становить:

де y_pθ3pax = 173,969 тис. осіб

Так як 5,05 % < 7 %, то можна зробити висновок про те, що вибір факто­рів здійснено вірно.

Прогнозування стану суспільного здоров’я (Y_c3) доцільно здійснювати на основі динаміки змін такого показника як середня очікувана тривалість жит­тя при народженні. Визначення змін у стані суспільного здоров’я доречно здійснювати з урахуванням впливу окремо економічного (Y_c3e) та соціально- політичного ризиків (Y_c3c∏). Сила дії та напрям впливу економічного ризику виявляється в змінах показників, які створюють матеріальні умови для від­творення суспільного здоров’я регіонального соціуму. Соціально-політичні ризики, перш за все, впливають на соціальне благополуччя регіонального соціуму, під яким розуміється задоволеність індивіда своїм соціальним ста­тусом, системою соціальних зв’язків у соціумі тощо.

Варто зауважити, що прогнозування такого показника як середня очіку­вана тривалість життя при народженні та визначення факторів впливу на нього, доцільно здійснювати, по-перше, для економічного ризику, та, подру­ге, для соціально-політичного. Це пов’язано з тим, що кожний з цих ризиків охоплює значний масив показників, які можна умовно поділити на економіч­ні та демографічні.

До економічного масиву показників (факторів впливу) доцільно від­нести:

№ і — валовий регіональний продукт у розрахунку на одну особу, млн. грн; № ₂ — наявний дохід населення в розрахунку на одну особу, за рік, грн; № ₃ — витрати в розрахунку на одну особу, за рік, грн;

№ ₄ — сума заборгованості з виплати заробітної плати, млн. грн;

№ ₅ — чисельність безробітного населення за методологією МОП, тис. осіб.

Розрахунок впливу визначених економічних факторів на середню очіку­вану тривалість життя при народженні подано у таблиці 5.18.

За результатами здійсненого аналізу визначено, що з точки зору впли­ву економічних факторів на середню очікувану тривалість життя при на­родженні населення Донецької області, найбільш впливовими виявилися такі: наявний дохід (№ ₂) та витрати (№ ₃) населення з розрахунку на од­ну особу, ступінь зв’язку характеризується як дуже сильний; зв’язок між результативною ознакою та валовим регіональним продуктом з розрахун­ку на одну особу (№ ₁) характеризується як сильний, та чисельністю без­робітного населення за методологією МОП (№ ₅) як суттєвий. Отже, всі вище перелічені факторні ознаки є складовими рівняння множинної регресії.

Додаткова регресійна статистика до визначення щільності зв’язку між середньою очікуваною тривалістю життя при народженні населення Доне­цької області та визначеними економічними факторами впливу подана в таблицях 5.19.

Таблиця 5.18. Визначення впливу економічних факторів на середню очікувану тривалість життя при народженні населення Донецької області

Тому результати розрахунків дозволяють стверджувати, що наведені в таблиці 5.19 параметри рівняння є значимими та надійними. Отже, отриману модель регресії можна використовувати в процесі прогнозування.

Таблиця 5.19. Додаткова регресійна статистика до визначення щільності зв’язку між середньою очікуваною тривалістю життя при народженні населення Донецької області та економічними факторами впливу

Рівняння множинної регресії набуває вигляду:

Y_ce = 65,04 - 0,00011 n₁ + 0,00069n₂ - 0,00041n₃ + 0,0035n₅.

Показники регресійної статистики та дисперсного аналізу наведені в таблиці 5.20.

За результатами розрахунків можливо зробити такі висновки: множинний R = 0,962, показує ступінь щільності зв’язку між результативним й фактор­ними ознаками, характеризується як сильний; множинний R² дорівнює 0,93 (93,0 %), отже, можна вважати, що зміна середньої очікуваної тривалості життя при народженні населення на 93,0 % залежить від зміни зазначених факторних ознак; стандартна помилка для функції Sy складає 0,572 %, яка вказує на відхилення фактичних даних від прогнозованих. Таким чином, по­будована модель регресії в достатній мірі відображає залежність між серед­ньою очікуваною тривалістю життя при народженні населення та економіч­ними показниками, що впливають на її величину.

Таблиця 5.20. Показникирегресійної статистики та дисперсного аналізу моделі впливу економічних факторів на середню очікувану тривалість життя при народженні населення Донецької області

Середня помилка апроксимації становить А = 0,51, так як отриманий ре­зультат менший ніж 8 %, можна вважати, що отримана регресійна модель є якісною.

Відносна похибка рівняння регресії становить:

де y_pθ3pax = 69,27 років

Так як 1,41 % < 7 %, то можливо зробити висновок про те, що вибір фак­торів здійснено вірно.

Прогнозування стану суспільного здоров’я на основі визначення серед­ньої очікуваної тривалості життя при народженні з урахуванням впливу со­ціально-політичних ризиків, охоплює значний масив показників, які вплива­ють на стан здоров’я індивіда та його соціальне благополуччя. До масиву цих показників (факторів впливу) доречно віднести такі:

P₁ — смертність населення від деяких зовнішніх причин, тис. осіб;

P₂ — смертність населення в працездатному віці, тис. осіб;

P₃ — захворюваність населення, випадків зареєстрованих уперше, тис. випадків; P₄ — чисельність інвалідів за регіонами, тис. осіб;

P₅ — чисельність потерпілих від травматизму, пов’язаного з виробництвом, тис. осіб;

P₆ — викиди забруднюючих речовин в атмосферне повітря від стаціонарних та пересувних джерел забруднення, тис. т.

Розрахунок впливу визначених соціально-політичних факторів на серед­ню очікувану тривалість життя при народженні наведено у таблиці 5.21.

Таблиця 5.21. Визначення впливу соціально-політичних факторів на середню очікувану тривалість життя при народженні населення Донецької області

Отже, результати аналізу дозволяють стверджувати, що з точки зору впли­ву соціально-економічних факторів на середню очікувану тривалість життя при народженні населення Донецької області найбільш впливовими виявилися такі: смертність населення від деяких зовнішніх причин (P₁), смертність насе­лення в працездатному віці (P₂) та чисельність потерпілих від травматизму, пов’язаного з виробництвом (P₅), ступінь зв’язку яких характеризується як дуже сильний; зв’язок між результативною ознакою та захворюваністю насе­лення (P₃) характеризується як сильний; між результативною ознакою та забруднюючими речовинами в атмосферному повітрі від стаціонарних та пе­ресувних джерел забруднення (P₆) — як суттєвий. Отже, доведено, що перелі­чені факторні ознаки є складовими рівняння множинної регресії.

Додаткова регресійна статистика до визначення щільності зв’язку між серед­ньою очікуваною тривалістю життя при народженні населення Донецької області та визначеними соціально-політичними факторами впливу подана у таблицях 5.22.

Таблиця 5.22. Додатковарегресійна статистика до визначення щільності зв’язку між середньою очікуваною тривалістю життя при народженні населення Донецької області та соціально-політичними факторами впливу

Наведені у таблиці 5.22. розрахунки дозволяють стверджувати, що визна­чені параметри рівняння є значимими та надійними. Тому отриману модель регресії можна використовувати в процесі прогнозування.

Рівняння множинної регресії набуває вигляду:

Y_c3cn = 74,803 -1,407p₁ - 0,251p₂ - 0,00064p₃ + 0,387p₅ + 0,0037p₆.

Показники регресійної статистики та дисперсного аналізу наведені в таблиці 5.23.

Отримані результати регресійного аналізу дозволяють стверджувати: ве­личина множинного R = 0,988, який показує ступінь тісноти зв’язку між ре­зультативними й факторними ознаками характеризується як сильний; мно­жинний R² дорівнює 0,98 (98,0 %). Тому можна вважати, що зміна середньої очікуваної тривалості життя при народженні населення на 98,0 % залежить від зміни зазначених факторних ознак; стандартна помилка для функції Sy складає 0,366 %, яка вказує на відхилення фактичних даних від прогнозова­них. Тому побудована модель регресії в достатній мірі відображає залеж­ність між середньою очікуваною тривалістю життя при народженні населен­ня та соціально-політичними показниками, що впливають на її величину.

Таблиця 5.23. Показникирегресійної статистики та дисперсного аналізу моделі впливу соціально-політичних факторів на середню очікувану тривалість життя при народженні населення Донецької області

Середня помилка апроксимації становить А = 0,29, так як отриманий ре­зультат менший ніж 8 %, можна вважати, що отримана регресійна модель є якісною.

Відносна похибка рівняння регресії становить:

де Урозрах = 69,86 років.

Так як 0,57 % < 7 %, то можна зробити висновок про те, що вибір факто­рів здійснено вірно.

Подальшим етапом є прогнозування основних показників продуктивних сил з урахуванням можливої зміни сили дії та напряму впливу визначених ризиків на основні показників соціального життя регіонального соціуму. З цією метою доцільно використати інтегральний метод оцінки факторного впливу [358]. Метод, який засновується на підсумуванні приросту функції, визначе­ної як приватна похідна, помножена на приріст аргументу за безконечно малі проміжки. При цьому, відповідно до цього методу, повинні виконувати­ся такі умови:

• безперервна диференціація функцій;

• функція між початком та кінцем досліджуваного періоду змінюється по прямій;

• сталість співвідношення швидкості змін факторів:

У загальному вигляді формули для розрахунків кількісних величин факторів на зміну результативної ознаки (для функції виду z = f (x, y)) приведені у вигляді:

де, Г_е — інтервальний ряд динаміки.

Елемент матриці ∆y_ij характеризує внесок j-го показника факторної озна­ки на зміну результативного показника за період і. Значення будь-якого j-го елемента цього рядка характеризує внесок фактора у зміну результуючого показника ∆y.

Прогнозування відтворення продуктивних сил у контексті розвитку регіональ­ного соціуму здійснюється на основі отриманих регресійних моделей з ураху­ванням швидкості дії, сили впливу та напряму впливу політичного, соціального та економічного ризиків. Отримані варіанти прогнозів наведені у таблиці 5.24.

За результатами попередніх досліджень доведено, що відбувається поси­лення дії політичного, економічного та соціального ризиків від стану «низь­кого» до «високого» і навіть до «критичного» у відповідності зі шкалою інтегральної оцінки ризику. Отже, прогнозування доцільно здійснювати від­повідно до можливої величини сили дії та напрямів впливу ризиків.

Таблиця 5.24. Результати прогнозування основних показників продуктивних сил Донецької області в контексті розвитку регіонального соціуму з урахуванням дії ризиків

Таким чином, прогнозування основних показників продуктивних сил в контексті розвитку регіонального соціуму дозволяє стверджувати про те, що важливим у їх відтворенні є вплив політичного, економічного та соціального ризиків, наслідки яких виявляються в суттєвому скороченні чисельності та економічної активності населення, середньої очікуваної тривалості життя при народжені та збільшенні безробітних.