Содержание к диссертации
Введение
Глава I. Теоретические и методологические вопросы исследования и прогнозирования миграции .9
1.1 Теоретические аспекты исследования миграции .9
1.1.1 Подходы к определению сущности понятия «миграция» 9
1.1.2 Теории миграции и их роль в статистическом исследовании механического движения населения 11
1.2 Статистический учет миграции в России 21
1.3 Методы прогнозирования миграции .29
1.4 Прогнозирование миграционной ситуации России статистическими организациями .41
Глава II. Прогнозирование внешней миграции .48
2.1 Использование адаптивных гибридных моделей в прогнозировании внешней миграции России .48
2.1.1. Методология и информационная база исследования 48
2.1.2 Характеристика подобранных гибридных моделей и результаты прогнозирования международной миграции 51
2.2. Прогнозирование объемов внешней миграции на уровне федеральных округов и субъектов Федерации 64
2.3. Оценка уровня устойчивости и близости миграционных структур внешней миграции федеральных округов России .82
Глава III. Прогнозирование внутренней миграции 111
3.1. Прогнозирование внутренней миграции на уровне федеральных округов и страны .111
3.2. Прогнозирование объемов внутренней миграции на уровне субъектов Федерации 126
3.3. Оценка уровня устойчивости и близости миграционных структур внутренней миграции федеральных округов России .145
Заключение .170
Список использованных источников 172
Приложения .182
- Теории миграции и их роль в статистическом исследовании механического движения населения
- Характеристика подобранных гибридных моделей и результаты прогнозирования международной миграции
- Оценка уровня устойчивости и близости миграционных структур внешней миграции федеральных округов России
- Оценка уровня устойчивости и близости миграционных структур внутренней миграции федеральных округов России
Теории миграции и их роль в статистическом исследовании механического движения населения
Важными с точки зрения прогнозирования и динамического анализа теоретическими разработками в области миграции являются работы, основной целью которых стали не только определение понятия, но и выявление причин механического движения населения и его последствий. В таких подходах авторы исследуют миграцию сущностно, выявляя закономерности, которые могут быть использованы в качестве гипотез при построении предиктивых моделей. Основные законы миграции были опубликованы Э. Равенштейном. Свое исследование он проводил на основе данных о внутренней миграции в Великобритании и сделал следующие выводы: на интенсивность перемещений влияет несколько факторов: расстояние, численность населения региона выбытия и прибытия, пол мигрантов и т. д. [53]. Несмотря на некоторую систематизацию, ученому не удалось оформить свои выводы в виде теории. Результаты его работы стали, тем не менее, фундаментом для исследователей, продолживших изучать феномен миграции. Уже к середине XX века успешные попытки обеспечить теоретическую основу миграционным процессам были сделаны представителями многих наук, в том числе, социологии, экономики, географии. Схематично существующие теории миграции можно представить следующим образом (рисунок 1):
Дадим краткую характеристику каждой группе теорий, отображенных на схеме:
1. Социологические теории.
Первая теория, которая легла в основу изучения миграции как социологического феномена, была разработана С. Штофером еще в 1940 г. Он разработал концепцию под названием «Промежуточные возможности», сущность которой заключается в следующем: количество миграций, как говорит ученый, прямо пропорционально числу привлекающих возможностей (например, рабочих мест) в месте прибытия мигранта и обратно пропорционально числу таких возможностей в регионе или стране-исхода. Отметим, что данная теория уже не объясняет миграцию как чисто географический феномен, а является попыткой объединения пространственных и социологических (в виде возможностей) аспектов этого сложного явления [61, p. 845-846].
Понятие «промежуточные возможности», введенное С. Штофером, легло в основу работ известного социолога миграции Э. Ли, который смог систематизировать наработки своего коллеги, дополнив их своими результатами и в 1966 году предложить теорию «push-and-pull factors». Его подход весьма схож с точкой зрения С. Штофера и говорит, что миграция определяется наличием притягивающих в пункт назначения факторов и выталкивающих факторов в регионе происхождения мигранта [39, p. 49-50]. В 1996 году подход Э. Ли был доработан С. Обергом, который разделил для международной миграции эти факторы на жесткие и мягкие. Первая группа, согласно С. Обергу, включает в себя наиболее драматические обстоятельства, например, гуманитарные кризисы, вооруженные конфликты, экологические катастрофы и т. д., а вторая – менее сложные проблемы, такие как бедность, социальное неравенство или безработица [46, p. 339-340].
В 1986 году Дж. Тейлор опубликовал, вероятно, самую известную среди социологических теорий, концепцию мигрантских сетей. Он отмечает, что очень важным фактором, влияющим на объемы миграции, является наличие межличностных мигрантских сетей в принимающей стране, включающих людей, состоящих в родстве или дружбе, а также сограждан [62]. Такие сообщества людей помогают мигрантам во всех аспектах повседневной жизни. Главная роль сетей, по мнению Д. Мэсси, состоит в сокращении различного рода затрат (не только материальных, но и психологических) и рисков, связанных с опасениями мигрантов не суметь успешно социализироваться в новом месте проживания [43, p. 442-443].
Таким образом, можно сделать вывод о том, что миграции характерна высокая степень инерционности и, как говорят исследователи, начавшись, с каждым периодом времени ее будет все сложнее контролировать, так как она становится все более независима от факторов, ее обусловивших впервые, а определяется уже межличностными связями потенциальных мигрантов с успешно социализировавшимися родственниками, друзьями или согражданами. Статистическая проверка сетевой гипотезы Дж. Тейлора впервые была произведена Т. Хаттоном и Дж. Уильямсоном в 1998 г., для своего анализа использовавшими данные о миграционных потоках из Европы за 1850-1914 гг. [25]
Сравнительно недавно идея Дж. Тейлора была доработана известными социологами Л. Прайсом и Т. Фэйстом в рамках разработки теории транснациональных социальных пространств. Помимо сетей их концепция основывается на изучении социального капитала, который рассматривается как ресурс, который помогает людям или группе индивидов в достижении их целей [16,51]. Социальный капитал в виде солидарности, взаимоуважения и т.д., по мнению авторов, представляет собой совокупность активов, которая не может преодолеть границы и приводит к относительной неподвижности некоторые социальные группы. Но, по мнению Т. Фэйста и Л. Прайса, когда миграция началась, то именно социальный капитал облегчает как адаптацию в новом обществе, так и поддержание связи со страной исхода. Т. Фэйст говорит: «транснациональные социальные пространства могут рассматриваться в качестве мостов между странами исхода и странами прибытия мигрантов [16].
Важная роль в разработке социологического подхода к изучению миграции принадлежит Д. Мэсси. Он исследует роль институтов в содействии процессу миграции, в т.ч. регулярных (например, профессиональное консультирование по вопросам миграции или компании, занимающиеся организацией трудовой деятельности за рубежом), а также нерегулярных (например, контрабанда или торговля людьми). Его концепция является дополнением теории мигрантских сетей Дж. Тейлора, несколько расширяя набор инструментов, облегчающих миграцию конкретного лица [41, p. 8].
Еще одним известным социологическим подходом к исследованию миграции является понятие «кумулятивной причинности», введенной Д. Мэсси в 1990 г. [41, p. 17], основанной на экономической теории Т. Веблена [65] и Г. Мюрдаля. Его концепция основана на предположении, что миграция представляет собой эволюционный процесс, способствующий институциональным и социально-экономическим изменениям, как в стране исхода, так и в стране прибытия, через различные механизмы обратной связи. Примерами таких механизмов Д. Мэсси называет перераспределение доходов домашних хозяйств, участвующих в миграции, как в абсолютном, так и относительном выражении, а также перераспределение земли и капитала. Он утверждает, что в случае возвращения мигранта, обладающего, как правило, более высоким уровнем капитала, нежели его сограждане, в страну исхода, он начинает претендовать на более привилегированное положение в обществе, чем ранее. Эти процессы в итоге приводят к изменениям в социальной иерархии.
2. Экономические теории. Экономические теории трудовой миграции, как и все экономические теории в целом, исследуют ее либо на макро-, либо на микроуровне, и отражают разнообразие парадигм теоретической экономики, которые доминировали или сосуществовали в разные периоды развития научной мысли.
2.1. Макроэкономические теории
Первой известной макроэкономической теорией, характеризующей миграционные процессы, стала классическая теория А. Льюиса, опубликованная им в 1954 году. Ученый утверждает: миграция и движение капитала между двумя капиталистическими экономиками, где одна характеризуется избытком рабочей силы (безработица), а другая - избытком капитала, всегда происходят с учетом различий в заработной плате. Движение обоих факторов производства, о которых говорит А. Льюис, в противоположных направлениях и связанная с ними конвергенция уровней заработной платы, являются способом обеспечения экономического равновесия, где разница в заработной плате отражает только затраты на миграцию [40]. Однако, как отмечают критики концепции Льюиса, она является весьма ограниченной и, например, не объясняет феномен возвратной миграции, а также механическое движение населения при отсутствии различий в заработной плате [59].
Дж. Харрис и М. Тодаро, опираясь на труды Льюиса, разработали неоклассическую теорию миграции. В работе, опубликованной в 1970 г. [24] они сформулировали свою концептуальную модель с точки зрения ожидаемого дохода (заработной платы) с учетом вероятности того, что трудовые мигранты, занятые в сельскохозяйственном секторе из сельской местности найдут работу в производственном секторе в городе. Естественный уровень вероятности в их модели определяется на основе уровня безработицы в городской местности. А размер выигрыша от переезда мигрант определяет как сопоставление заработных плат в сельской и городской местности, корректируя его на уровень безработицы [24].
Харрис и Тодаро проверили также влияние некоторых политических факторов (в частности, минимальной заработной платы и миграционных ограничений) на экономическое равновесие. Они обнаружили, что наличие ограничений или минимальной заработной платы приводят к повышению благосостояния в стране въезда. Следует подчеркнуть, что в классическом и неоклассическом подходах миграция всегда является неравновесным явлением, которое прекращается, как только достигается равновесие [24].
Характеристика подобранных гибридных моделей и результаты прогнозирования международной миграции
Осуществим подбор гибридных моделей для временных рядов международных выбытий из России.
Проверка на стационарность 54 временных рядов (по числу стран-выбытия) показала, что на уровне 0,05 ни один ряд не является стационарным и требует преобразований для использования моделей типа ARIMA при прогнозировании. Преобразование рядов осуществлялось путем взятия первой разности в случае линейного тренда (d=l) или второй разности в случае нелинейного тренда (d=2), что отражено в значениях параметра d каждой модели. Параметры р (порядок авторегрессии) и q (порядок скользящей средней) определялись на основе анализа графиков автокорреляций и частных автокорреляций и сопоставления их с теоретическими разработками авторов подхода Дж. Бокса и Г. Дженкинса [77]. Были получены следующие результаты (таблица 8):
Анализ ошибок показал, что точность моделей низкая, а это объясняется высокой степенью вариации временных рядов, так, например, коэффициент вариации для выбытий во Вьетнам составил 170,2 %. Средние ошибки прогнозирования по моделям ARIMA в 2015 году варьируются от 1,1 % для выбытий в Киргизию до почти 47 % в Израиль. Как говорилось выше, для рядов с незначимыми моделями ARIMA в качестве альтернативного метода были рассчитаны скользящие средние, на основе которых происходил прогноз. Анализ ошибок прогноза на модельном периоде показал, что наибольшие ошибки отмечались в случаях расчета скользящей средней четвертого порядка, наименьшие - второго порядка. Во всех 13 случаях наиболее точным был прогноз, осуществляемый на основе учета значений лишь последних двух периодов.
Затем были построены модели экспоненциального сглаживания. Выбор типа модели экспоненциального сглаживания (Хольта, Брауна, с нелинейным трендом, с затухающим трендом) предварительно производился на основе анализа графиков динамики выбытий. В случае неопределенности для временного ряда строилось несколько моделей, и выбор наилучшей производился на основе значимости модели, а также анализа свойств остатков. Таким образом, было определено, что для всех 54 рядов модели данного типа оказались значимы на уровне 0,05 при условии отсутствия автокорреляции в остатках. В 29 случаях (53,7 %) из 54 была выбрана модель с нелинейным трендом, в остальных случаях (25 или 46,3 %) -модель с затухающим трендом. Модели экспоненциального сглаживания так же, как и модели семейства ARIMA, несмотря на статистическую значимость, не всегда обеспечивают высокую точность прогнозирования. Средние относительные ошибки модельного периода в некоторых случаях превышают 50 %. Так, например, в 2015 году ошибка прогнозирования выбытий в Индию составила 0,55 %, тогда как для Пакистана 59,5 %.
Для каждой страны был также произведен прогноз «наивным» методом, суть которого заключается в использовании последнего значения во временном ряду, как ожидаемого в следующем. По формуле 1 были найдены веса для всех частных прогнозов по всем 54 временным рядам выездов из России (n = 10,j = 3,s = 54). Сгруппируем 54 прогнозные модели, исходя из наибольшего веса частного прогноза (по методам) в гибридном (таблица 9):
Представленные в таблице 9 данные свидетельствуют о том, что включение каждого из трех методов в гибридные модели целесообразно, так как частости, с которыми они оказываются наиболее точными, близки между собой.
Сравним ошибки прогноза каждого метода по рядам выезда в страны СНГ, удельный вес в общем объеме выездной миграции которых в 2016 году составил 81,9 % (таблица 10).
Как видно из таблицы 10, в 6 из 10 случаев наименьшая средняя относительная ошибка была отмечена при прогнозировании временного ряда с помощью гибридной модели. В целом же по совокупности в 31 случае из 54 данный метод был наиболее точным. Самыми высокими (более 20 %) оказались ошибки по следующим странам: Таджикистан, Узбекистан, Белиз, Дания, Ливан, Новая Зеландия, Пакистан и Сирия, что вызвано высоким уровнем вариации рядов (Таджикистан, Узбекистан, Сирия) и низкими абсолютными величинами (количество выехавших в Данию в 2016 году составило 36 человек). Для остальных временных рядов ошибки по гибридным моделям варьируются в пределах от 3,4 % до 17,9 %. В таблице 11 отображены медианы средних относительных ошибок прогноза для каждого метода, рассчитанные по всем 54 рядам
Данные таблицы 12 свидетельствуют о том, что качество прогнозирования по гибридным моделям статистически значимо отличается от остальных методов.
Рассмотрим далее результаты подбора гибридных адаптивных моделей для временных рядов международных прибытий в Россию.
Анализ стационарности рядов прибытий в страну показал, что на уровне статистической значимости 0,05 также, как и в случае изучения выбытий, ни один из 55 временных рядов не является стационарным в широком смысле по причине наличия различного типа трендов. При этом с большей частотой встречается квадратичный тренд (31 случай), в остальных – линейный (24 случая). Таким образом, параметры d моделей типа ARIMA составили 2 и 1 соответственно. Анализ автокорреляционных зависимостей (определяет значение параметра p) показал, что в 43 из 55 рядов автокорреляции значимы на уровне 0,05, при этом в 37 случаях (86 %) – первого порядка, в 6 (14 %) – второго порядка. Подбор индикатора скользящей средней (q) позволяет сделать вывод о целесообразности включения в будущие модели в 34 временных рядах значение q=1, в 5 – q=2, в остальных случаях – q=0.
После подбора всех параметров были осуществлены прогнозы и оценена статистическая значимость всех подобранных моделей. Полученные результаты приведены в таблице 13
Данные таблицы 13 свидетельствуют о том, что для 40 из 55 временных рядов (72,7 %) модели типа ARIMA статистически значимы. Для четырех рядов, где были выявлены автокорреляционные зависимости, модели данного типа незначимы (Дания, Бельгия, Йемен и КНДР). Величины средних относительных ошибок прогнозирования (MAPE, %) говорят о достаточно низкой точности прогнозирования подобранных моделей, что, как и в случае анализа выбытий, объясняется высокой степенью вариации каждого ряда. Так, например, для Израиля (коэффициент вариации равен 23,4 %) ошибка прогноза составила 1,8 %, для Германии (коэффициент вариации равен 29,6 %) – 2,9 %, а для Афганистана (коэффициент вариации равен 82,5 %) и Греции (коэффициент вариации равен 70,8 %) ошибки соответственно составили 52,2 % и 49,8 %.
Для стран, модели ARIMA для которых статистически незначимы, прогноз был осуществлен на основе скользящей средней. Во всех 15 случаях порядок средней составил 2.
В случае подбора моделей экспоненциального сглаживания, также, как и при анализе выбытий, все модели оказались значимы на уровне 0,05. Для 32 временных рядов (58,2 % их общего числа) была выбрана модель с нелинейным трендом, для остальных 23 (41,8 %) – с демпфированным (затухающим). Анализ средних относительных ошибок показал, что точность прогнозирования не всегда удовлетворительна. Так, например, для прибытий из Канады MAPE составила 3,1 %, а для въездов из Таджикистана - 26,8 %.
«Наивное» прогнозирование в случае прибытий было осуществлено таким же образом, как и в случае анализа прибытий: число прибытий в будущем периоде равно количеству прибытий в настоящем.
После определения всех необходимых прогнозных значений и ошибок модельного периода были найдены веса каждого частного прогноза для 55 направлений прибытий в Россию.
Группировка временных рядов по признаку «наибольший вес частного прогноза в гибридном» показала следующее (таблица 14)
Данные таблицы 14 свидетельствуют о том, что в большинстве случаев наиболее точным является прогнозирование с помощью «наивной» экстраполяции и экспоненциального сглаживания. Однако стоит отметить, что прогнозы, основанные на принципе «будущее равно настоящему» в случае прогнозирования на несколько лет вперед могут приводить к большим ошибкам, так как одно и то же значение (последнее фактическое) будет использовано в качестве прогнозного на весь прогнозный период. Таким образом, исключать из рассмотрения модели типа ARIMA нельзя, так как их использование в гибридных моделях может привести к сглаживанию прогнозных значений и в конечном счете обеспечить меньшие величины средних относительных ошибок (MAPE, %).
Проведем анализ величины средних относительных ошибок гибридной модели, а также каждого используемого в построении гибридной модели метода для временных рядов стран СНГ, доля прибытий из которых в их общем числе в 2016 году составила 89,0 % (таблица 15).
Оценка уровня устойчивости и близости миграционных структур внешней миграции федеральных округов России
Cовременные прогнозы механического движения населения базируются, главным образом, на валовых показателях миграции и пренебрегают качественным составом въезжающих и приезжающих. Между тем, именно структура миграционных процессов во многом определяет миграционную политику и подходы к социализации прибывших. Изучение качественного состава мигрантов позволяет принимать эффективные меры в области развития рынка труда, образования и недвижимости. Именно поэтому динамический анализ структуры миграционной ситуации и оценка ее прогнозируемости, а также характеристика качественного состава мигрантов на различном территориальном уровне весьма актуальна.
В данном параграфе предлагается методический подход, позволяющий оценить прогнозируемость структур внешней миграции на основе индексов Рябцева с постоянной и переменной базой сравнения, а также оценить близость структур миграции на уровне федеральных округов путем добавления двух дополнительных индикаторов,
В основу группировки федеральных округов России по структуре внешней миграции были положены следующие критерии и показатели:
1. Близость структур, определяемая с помощью парных индексов Рябцева [113] на основе попарных сравнений структур.
2. Динамичность структур, определяемая на основе базисных и цепных индексов Рябцева с базисной и переменной базой сравнения по каждому региону. На основании данных индикаторов будет сделан вывод об уровне устойчивости структур каждого федерального округа, что в свою очередь является индикатором прогнозируемости и возможных изменений в будущем.
3. Уровни концентрации, рассчитанные по формуле коэффициента концентрации Герфинделя.
Группировки и оценка устойчивости были осуществлены по четырем характеристикам миграционной ситуации:
1. Структура прибывших по территории исхода (данные за 2011-2016 гг.);
2. Структура выбывших по территории въезда (данные за 2011-2016 гг.);
3. Структура прибывших по возрасту (данные за 2009-2016 гг.);
4. Структура выбывших по возрасту (данные за 2009-2016 гг.).
Согласно имеющейся статистике по территории прибытия и выбытия выделяют две группы мигрантов: «в/из стран СНГ» и «в/из других стран»
По возрасту мигранты делятся на три группы: «младше трудоспособного возраста», «трудоспособные», «старше трудоспособного возраста».
Для анализа были использованы данные о структуре международных прибытий и выбытий в разрезе каждого федерального округа России. Для обеспечения сопоставимости из анализа были исключены данные по Республике Крым и Севастополю, вошедшим в состав Российской Федерации в 2014 г. В качестве обобщающих значений, необходимых для оценки прогнозируемости и сегментации (на основе иерархического кластерного анализа), использованы медианные значения по каждому из индексов. Выбор медианы в качестве показателя центра распределения обусловлен простотой интерпретации индикатора и небольшим размером выборки.
По причине малого количества объектов группировки (8 единиц) анализ структуры и последующая кластеризация будет проводиться по каждой из четырех характеристик отдельно.
Порядок расчета показателей выглядел следующим образом:
1. Производился расчет попарных индексов Рябцева по формуле индексов Рябцева во времени [113], но в качестве сравнения использовались доли федерального округа, с которым производилось сопоставление (формула 4).
Таким образом, в каждой паре формировался ряд значений индексов Рябцева, состоящий из некоторого числа значений (соответствует количеству лет для сравнений (у)), и в качестве обобщающего показателя определялась медиана по каждой паре.
2. Оценивалась изменчивость (устойчивость) структур каждого региона на основе индексов Рябцева с постоянной и переменной базой сравнения.
Для оценки качественных изменений в структуре изучаемого явления во времени необходимо уделять внимание структурным сдвигам, поскольку они являются индикатором устойчивости и, в свою очередь, прогнозируемости. Если ряд имеет низкий уровень колеблемости, то потенциальная точность прогнозирования высока, в противном случае, прогнозирование временного ряда осложняется. Под устойчивостью временного ряда понималось следующее: устойчивость временного ряда - это развитие статистического показателя во времени с минимальной вариацией. Общепризнанным и наиболее репрезентативным индикатором, позволяющим оценить устойчивость, является индекс Рябцева. Его достоинствами являются возможность расчета в условиях равенства долей и малая чувствительность к выбросам. Преимуществом индекса Рябцева является также возможность качественной оценки изменчивости структуры на основе предложенной ученым шкалы (таблица 26):
Индекс Рябцева с переменной базой [113] характеризует общую вариабельность изменчивости структуры, а с постоянной базой - общее изменение структуры мигрантов региона за исследуемый период. Рассчитав значения индексов Рябцева для каждого региона, определялась медиана по данным со второго (у2) по последний год (уп) с переменной базой сравнения, иллюстрирующая среднюю величину. В качестве индикатора общего изменения использовались значения индексов Рябцева с постоянной базой за последний год (уп) с базисным первым годом (у±). Базисным был признан первый год по причине необходимости апробации методики на максимально длинных рядах, что сделает результаты более точными.
При оценке устойчивости и прогнозируемости осуществлялся детальный анализ двух данных индикаторов и, на основе сопоставления полученных значений по каждому федеральному округу с данными таблицы 26 сделан вывод об изменчивости структуры и ее прогнозируемости. Каждому уровню степени структурных различий из таблицы соответствует качественная характеристика уровня устойчивости, представленная в таблице 27:
Оценка уровня устойчивости и близости миграционных структур внутренней миграции федеральных округов России
Для оценки устойчивости и прогнозируемости, а также группировки федеральных округов по структуре внутренней миграции используем методический подход, изложенный в параграфе 3 главы 2 данного исследования.
В основу подхода внесем схожие по содержанию индикаторы, но с некоторыми особенностями, свойственными учету и сущности внутренней миграции:
1. Структура прибывших по территории исхода (данные за 2000-2015 гг.);
2. Структура выбывших по территории выбытия (данные за 2000-2015 гг.);
3. Структура прибывших по возрасту (данные за 2009-2016 гг.);
4. Структура выбывших по возрасту (данные за 2009-2016 гг.).
Имеющиеся данные по территориальной принадлежности мигрантов не позволяют использовать для анализа статистику за 2016 г. Это объясняется добавлением двух субъектов федерации в Южный федеральный округ, что меняет структуру и приводит к структурным сдвигам, не связанным с реальным изменением миграционных ситуаций. Данные по внутренней перекрестной миграции субъектов Федерации отсутствуют, и влияние такого фактора невозможно оценить. Таким образом, контрольным периодом был выбран 2015 г. Изменения длины временных рядов по возрастной структуре внутренних мигрантов в сравнении с данными о международной миграции не произошли.
Особенность использования методического подхода при оценке близости территориальных структур внутренних перемещений состоит в следующем:
1. Расчет доли каждого региона (федерального округа) во въездной или выездной миграции производится без учета внутрирегиональной миграции;
2. При расчете индексов Рябцева для попарных сравнений используются данные и о перекрестной миграции. Например, при сравнении близости структур выездной миграции Центрального и Северо-Западного федеральных округов по территории въезда, помимо сравнений долей выбытий в остальные шесть регионов, используются данные о разности удельных весов выездов из Центрального в Северо-Западный и из Северо-Западного в Центральный регионы.
Подход к оценке прогнозируемости изменен не был. Изменений по расчету индикаторов возрастной структуры прибывших и выбывших по сравнению с международной миграцией не происходит.
1. Структура прибывших по территории исхода.
После определения структуры приехавших в каждый федеральный округ по региону исхода (приложение 8) были рассчитаны попарные индексы Рябцева за весь исследуемый период (приложение 9). Расчет индикаторов устойчивости и концентрации (однородности) за период с 2000 по 2015 гг. представлен в приложении 10.
Результаты расчетов медиан попарных индексов сравнения структур Рябцева по прибытиям представим в таблице 74.
Вышеприведенные расчеты показывают, что наиболее близкими по составу регионов исхода мигрантов являются Центральный федеральный округ и Северо-Западный федеральный округ (индекс Рябцева равен 0,167), Южный федеральный округ и Северо-Кавказский федеральный округ (значение индекса составило 0,202). Наименее схожи структуры мигрантов Северо-Кавказского федерального округа и Уральского федерального округа, в случае сравнения которых индекс Рябцева составил 0,498, что согласно шкале оценки степени различий, говорит о значительной степени различий.
Представим в таблице 75 значения медиан индексов Рябцева с переменной базой сравнения и индексов концентрации Герфинделя, а также величины индексов Рябцева за 2015 г. с базисным 2000 г.:
Из данных расчетов медианных значений индексов Рябцева с переменной базой сравнения следует, что структуры въездной миграции всех федеральных округов Российской Федерации в рассмотренном периоде не претерпевали существенных изменений от года к году. Индексы Рябцева с постоянной базой сравнения показывают, что наиболее серьезные изменения в структуре въезжающих по сравнению с 2000 годом произошли в СевероКавказском и Приволжском федеральных округах. Структура прибывающих мигрантов в Северо-Западном федеральном округе за 16 исследуемых лет осталась практически неизменной, что подтверждается значением индекса Рябцева, незначительно отличающегося от нуля. Такую же ситуацию можно отметить и в Уральском федеральном округе, где индекс Рябцева составил 0,054, что говорит о низкой степени различий структур и низкой степени изменчивости структуры въезжающих в регион.
Результаты оценки уровня устойчивости структур внутренней миграции федеральных округов России по территории исхода прибывших, согласно подходу, представленному в таблице 27, отображены в таблице 76:
Высокий уровень устойчивости структур прибывших по территории исхода характерен для четырех регионов страны: Северо-Западного, Южного, Уральского и Дальневосточного федеральных округов. Средний уровень, объясняемый высокими фактическими значениями индексов Рябцева с постоянной базой сравнения, отмечается у остальных четырех регионов. Стоит подчеркнуть, что данные результаты могут быть объяснены измененной методикой учета миграции в стране, однако, как видно из параграфа 3 главы 2, на прибытия внешних мигрантов она не оказала значимого влияния. Таким образом, можно предположить, что в четырех федеральных округах России структура прибытий характеризуется средним уровнем устойчивости и прогнозируемости.
Полученные значения уровней концентрации (таблица 75) говорят о том, что структуры мигрантов по региону исхода достаточно однородны. Наибольшее значение коэффициента отмечается в Уральском федеральном округе, что объясняется преобладанием мигрантов из Приволжского федерального округа, удельный вес которого варьируется от 39,7 % до 43,8 % за исследуемые 16 лет (приложение 10). Во всех остальных регионах структуры менее разнородны и доли различаются незначительно.
После определения всех необходимых индикаторов для группировки был произведен кластерный анализ, который, согласно оценке его устойчивости, может быть признан как качественный - сочетание различных мер расстояний и методов измерения расстояний не приводит к изменению порядка группировок.
На рисунке 35 отобразим карту кластеризации федеральных округов России по территориальной структуре внутренних прибытий
Из данных рисунка следует, что кластерный анализ допускает три варианта кластеризации (таблица 77). Отметим, что вариант I, по нашему мнению, нецелесообразен по причине разбиения регионов на один крупный и один малый кластер, что может привести к отрицанию наличия свойственных федеральным округам различий внутри группы из шести регионов. Вариант III по причине излишней детализации, приводит к незначимым различиям средних по каждому группировочному признаку. Оптимальным, в силу сказанного, представляется вариант II, объединяющий федеральные округа в три группы.
Сравнения доверительных интервалов показали, что по первому признаку (индекс Рябцева с переменной базой сравнения) значительно различаются средние у первого и третьего кластеров. Средние значения индексов Рябцева с постоянной базой сравнения значительно различаются у первого и третьего кластеров, а средние значения по третьему признаку (коэффициент концентрации) у первого и третьего кластеров различаются с 95-ой вероятностью со вторым кластером.
Таким образом, в первый кластер входят федеральные округа, структура въездной миграции которых характеризуется наименьшей изменчивостью и динамичностью структурных сдвигов, и средним уровнем концентрации (таблица 79). Во второй кластер входят регионы, структура мигрантов по региону исхода которых обладает средней степенью изменчивости и высокой степенью неоднородности. Миграционные структуры федеральных округов, вошедших в третий кластер, можно характеризовать как наиболее изменчивые и наиболее однородные.