Группировка предприятий методами кластерного анализа SPSS.
Кластерный анализ – совокупность многомерных статистических методов классификации объектов, основанных на представлении результатов отдельных наблюдений точками соответствующего геометрического пространства с последующим выделением групп как «сгустков» этих точек (кластеров, таксонов).
К кластерному анализу относят методы автоматической классификации без обучения, основанные на определении понятия расстояния между объектами и не требующие априорной информации о распределении генеральной совокупности.
Кластерный анализ предполагает выделение компактных, удаленных друг от друга групп объектов, отыскивает «естественное» разбиение совокупности на области скопления объектов. Он используется в том случае, когда исходные данные представлены в виде матриц близости или расстояний между объектами либо в виде точек в многомерном пространстве. Наиболее распространены данные второго вида, для которых
кластерный анализ ориентирован на выделение некоторых геометрически удаленных групп, внутри которые объектами является узловым моментом исследования. От него во многом зависит окончательный вариант разбиения объектов на классы при данном алгоритме разбиения.
В задачах кластерного анализа широко используется расстояние Махаланобиса, «обычное» и «взвешенное» евклидово расстояние, хеммингово расстояние и расстояния, измеряемые по принципу «ближайшего соседа» и «дальнего соседа», по «центрам тяжести» групп. Выбор расстояния определяется в первую очередь структурой пространства и целью классификации.
В базовом модуле SPSS реализовано несколько видов иерархических процедур и одна неиерархическая процедура кластерного анализа типа К- средних.
При использовании иерархического метода кластеризация начинается с выделения пары ближайших объектов и объединения их в кластер. На каждом шаге объединяется либо пара объектов, либо пара кластеров, либо объект и кластер. Процесс продолжается до тех пор, пока все данные не попадут в один кластер. Шаги кластеризации иллюстрируются древовидным графиком (дендограммой). После объединения двух объектов или кластеров они остаются вместе до последнего шага. Таким образом, кластер, сформированный на последнем шаге, содержит кластеры из ранних шагов. Отсюда и название метода - иерархический кластерный анализ.
Кластеризация методом К-средних начинается с использования значения первых К наблюдений файла данных в качестве предварительных оценок К кластерных средних, где К – число кластеров, задаваемых пользователем. Начальные кластеры формируются следующим образом: каждое наблюдение назначается в кластер с ближайшим центром, а затем значение центра пересчитывается. Далее начинается итеративный процесс, в ходе которого наблюдения группируются в кластер с ближайшим центром, затем кластерные центры вычисляются заново. Этот процесс продолжается до тех пор, пока центры кластеров не перестают изменятся или пока количество итераций не достигнет заданного максимума.
Разобьем совокупность анализируемых предприятий по уровню производительности труда на две группы: лучшие и худшие.
Шаг 1. Запустим диалоговое окно Hierarchical Cluster Analysis, которое вызывается с помощью основного меню следующим образом: Анализ – Классификация – Иерархическая группа (Hierarchical Cluster Analysis) и заполним как это показано на рисунке 11 (x1, x6, x8, x9, x11, x21)
Рисунок 11. Диалоговое окно «Hierarchical Cluster Analysis»
Шаг 2. Нажмем по кнопке «Статистика» (Statistics) и в появившемся диалоговом окне (см. рис. 12) установим переключатель области «Участники кластера» в «Один совет» (Single solution) и впишем цифру 2 в текстовое поле, как показано на рисунке 12. Это означает, что предприятия группируются в два класса. Нажимаем кнопку «Продолжение» (Continue) для возврата в основное диалоговое окно (см. рис. 11).
Рисунок 12. Диалоговое окно «Hierarchical Cluster Analysis: Statistics»
Шаг 3. При нажатии кнопки «Метод» (Method) в главном диалоговом окне на экране появляется одноименное вспомогательное диалоговое окно «Hierarchical Cluster Analysis: Method» (см. рис. 13).
Шаг 4. В поле Кластерный (Cluster Method) из выпадающего списка следует выбрать метод формирования кластеров, предлагаемых SPSS. В рассматриваемой задаче был выбран метод «Furthest Neighbor», т.е. кластеризация будет проводится методом дальнего соседа.
Шаг 5. В области Такт (Measure) выбираем показатель, который будет использоваться в целях определения степени схожести (различия) объектов исследования. Выбор этого показателя зависит от типа переменных, участвующих в кластерном анализе в качестве критериев сегментации. В данной задаче рассматриваемые переменные являются интервальными, поэтому отмечается переключатель «Интервал», а в качестве показателя, характеризующего степень схожести (различия) объектов исследования из выпадающего списка выбирается «Евклидово расстояние» (Euclidean). Нажатием на кнопку «Продолжение» (Continue) осуществляется возврат в главное диалоговое окно.
Рисунок 13. Диалоговое окно «Hierarchical Cluster Analysis: Method» (Кластерный анализ: методы).
Шаг 6. В главном диалоговом окне (см. рис. 11) имеется кнопка «Сохранение…» (Save) при нажатии которой открывается новое (см. рис 14). Команды, представленные в данном окне, позволяют сохранить результаты кластерного анализа как новые переменные в исходных данных. В появившемся окне «Hierarchical Cluster Analysis: Save New Value» выбирается переключатель «Один совет» (Single solution) и в текстовом поле устанавливается цифра 2 как показано на рисунке 14. При нажатии кнопки Продолжение (Continue) данное диалоговое окно закрывается и происходит возврат в основное диалоговое окно.
Рисунок 14. Диалоговое окно «Hierarchical Cluster Analysis: Save New Value»
Шаг 7. В последнем вызванном диалоговом окне «Hierarchical Cluster Analysis: Plots» (Графики) (см. рис. 15), при нажатии кнопки «Графики…» в основном окне (см. рис. 11), отмечается команда «Dendogram». После запуска процедуры выполнения кластерного анализа данная команда выводит на экран дендограмму, которая является графическим отображением выполнения алгоритма формирования кластеров. Отменим вывод сосульчатой диаграммы, щелкнув на кнопку Нет (None), как показано на рисунке 1. Путем нажатия на кнопке «Продолжение» (Continue) осуществляется возврат в главное диалоговое окно. (см. рис. 11).
Рисунок 15 Диалоговое окно «Hierarchical Cluster Analysis: Plots» (Диаграммы)
Шаг 8. Запуск процедуры выполнения иерархического кластерного анализа осуществляется путем нажатия кнопки «ОК» в главном диалоговом окне (см. рис. 11) и система выведет требуемые данные в окне вывода данных.
Наиболее важной для классификации предприятий из выходных данных является таблица принадлежности наблюдений (см. табл. 9).
Таблица 9
Группировка предприятий на кластеры (Cluster Membership)
| Case | 2 Clusters |
На основании таблицы 9 можно сделать вывод о том, что, используя метод «Дальнего соседа» (Furthest neighbor), было образовано два кластера. В первый кластер входит 9 наблюдений, или 53% всех анализируемых предприятий. Второй кластер включает 8 предприятий, или 47% наблюдаемых предприятий.
Анализ таблицы принадлежности предприятий можно дополнить изучением древовидного графика (дендограммы).
Рисунок 16. Дендограмма иерархического кластерного анализа.
На дендограмме по горизонтальной оси отложено расстояние для каждого шага выполнения агломеративного иерархического алгоритма классификации. По вертикальной оси показаны номера предприятий, сгруппированные в соответствии с проведенным кластерным анализом.
Дендограмма показывает, что наиболее близки предприятия №8 и 11, поэтому они объединяются первыми. За ними следуют предприятия №9 и 14, №7 и 10 и т.д. Древовидный график наглядно представляет, что в анализируемой совокупности наибольшее различие имеют предприятия №8 и 16.
С помощью таблицы принадлежности и дендограммы можно сгруппировать предприятия в таблицу 10, позволяющую рассчитать среднюю модельную выработку в кластере и установить различие в уровнях производительности труда худших и лучших предприятий.
Таблица 10
Средние значения переменных в группах лучших и худших предприятий
| Факторы | ||||||
| Предприятие | X6 | X8 | X9 | X11 | X21 | Модельное значение выработки |
| Группа I – лучшие предприятия | ||||||
| 34,1 | 1,47 | 93,4 | 21,3 | 69,55 | ||
| 33,7 | 1,29 | 91,7 | 32,2 | 63,7 | ||
| 23,6 | 1,17 | 95,3 | 27,8 | 60,47 | ||
| 29,6 | 1,47 | 95,5 | 22,6 | 81,43 | ||
| 25,3 | 1,44 | 96,3 | 21,9 | 80,84 | ||
| 17,9 | 1,52 | 91,1 | 27,8 | 62,38 | ||
| 29,3 | 1,62 | 94,5 | 23,5 | 83,36 | ||
| 31,5 | 1,76 | 92,7 | 18,4 | 64,98 | ||
| 19,7 | 1,52 | 96,2 | 27,1 | 87,78 | ||
| Среднее значение по группе | 27,19 | 17,0 | 1,47 | 94,1 | 24,73 | 72,64 |
| Группа II – худшие предприятия | ||||||
| 38,4 | 1,36 | 96,3 | 15,5 | 61,47 | ||
| 37,5 | 1,44 | 95,2 | 12,3 | 54,66 | ||
| 32,2 | 1,29 | 96,1 | 16,4 | 54,52 | ||
| 28,7 | 1,56 | 92,2 | 27,8 | 56,69 | ||
| 26,1 | 1,46 | 92,3 | 11,4 | 55,73 | ||
| 30,7 | 1,57 | 92,9 | 23,4 | 51,18 | ||
| 28,7 | 1,47 | 85,2 | 22,7 | |||
| 31,2 | 1,37 | 94,6 | 17,9 | 47,9 | ||
| Среднее значение по группе | 31,69 | 19,37 | 1,44 | 93,1 | 18,43 | 52,88 |
Модельное значение выработки рассчитывается с помощью уравнения регрессии:
(15)
Из таблицы 10 видно, что лучшая группа включает 9 предприятий (1,2,7,8,9,10,11,13,14), и средняя модельная выработка в ней достигла 72,64 тыс.руб. В группе худших предприятий этот показатель равен 52,88 тыс.руб., т.е составляет 72,79% от уровня передовых предприятий.
Опираясь на табличные и графические результаты, можно проанализировать резервы роста производительности труда в группе худших предприятий по сравнению с лучшими. Этот анализ проводится при помощи таблицы 11.
Таблица 11
Межзаводской анализ резервов и факторов роста производительности труда в группах лучших и худших предприятий
| Показатели регрессионной модели | Средние значения показателей | Разность между средними значениями показателей (гр.2 – гр.3) | Коэффициент регрессии | Эффект влияния на выработку разницы в уровнях факторов (гр.5 х гр.4) | |
| I группа, лучшая | II группа, худшая | ||||
| x6 | 27,19 | 31,69 | -4,5 | -1,51 | 6,8 |
| x21 | 24,73 | 18,43 | 6,3 | 0,676 | 4,26 |
| Всего по нерегулируемым факторам | – | – | – | – | 11,06 |
| x8 | 17,0 | 19,38 | -2,38 | -1,95 | 4,641 |
| x9 | 1,47 | 1,44 | 0,03 | 38,31 | 1,149 |
| x11 | 94,1 | 93,1 | 1,0 | 2,93 | 2,93 |
| Всего по регулируемым факторам | – | – | – | – | 8,72 |
| Итого Ŷ | 72,64 | 52,88 | ис | – | 19,78 |
Ее итоги свидетельствуют, что в среднем отстающие предприятия могут повысить выработку на 19,76 тыс. руб. По формуле 11 этот прирост составит примерно 37,4% ( 
). Из общей суммы вскрытых резервов 44% ( 
) приходится на регулируемые факторы: текучесть кадров, коэффициент сменности и долю профильной продукции в общем объеме производства.
Из перечисленных факторов наибольшее влияние на выработку оказывает излишний оборот персонала, а затем уже увеличение удельного веса профильной продукции. Из нерегулируемых факторов следует отметить воздействие потенциальной электровооруженности труда. Возможное увеличение выработки за счет этого фактора составляет 2,4 тыс. руб.
Наряду с анализом резервов роста выработки по группам предприятий определенный интерес представляет изучение самых лучших и худших предприятий. Опираясь на модель 2, введем следующие обозначения для такого анализа:
Yi – фактический уровень производительности труда на i-м предприятии, соответствующий имеющимся уровням всех факторов, как рассмотренных в модели (регулируемых и нерегулируемых), так и неучтенных в модели (случайных);
Ŷi – расчетный уровень, полученный по модели (1) при имеющихся значениях учтенных в модели факторов и среднем значении неучтенных факторов;
– расчетный уровень, полученный по модели (2) при имеющихся значениях нерегулируемых факторов, среднем значении регулируемых факторов и среднем значении неучтенных факторов (нормативный уровень);
– средний уровень производительности труда по анализируемой совокупности предприятий.
Тогда величина 
будет свидетельствовать о наличном уровне рассмотренных в модели нерегулируемых факторов.
Если 
, то это означает, что i-е предприятие находится в лучших объективных условиях, характеризуемых нерегулируемыми факторами, по сравнению с их средним по анализируемой совокупности уровнем.
Если 
, то это значит, что i-е предприятие находится в худших по сравнению со средним уровнем условиях.
Разность 
показывает, насколько эффективно работает i-е предприятие по сравнению с нормативным уровнем. Если 
, то i-е предприятие лучше использует производственные ресурсы, чем в среднем по анализируемой совокупности наблюдений. Если 
, то качество работы коллектива i-го предприятия ниже среднего уровня.
характеризует эффективность работы i-го предприятия за счет изученных регулируемых факторов.
Величина 
отражает степень влияния неучтенных в модели факторов, т. е. случайную компоненту. Если эта разность велика по абсолютной величине при условии, что модель 1 адекватна, то, значит, анализируемое предприятие находится в специфических, отличных от средних по совокупности производственных условиях, характеризуемых как регулируемыми, так и нерегулируемыми факторами.
Создайте новый документ SPSS и на основе полученных ранее данных заполните таблицу 12 по вышеприведенным формулам. Их анализ позволяет заключить, что лучше всех из обследованных предприятий работают предприятия № 8 и 11. Имея объективные условия на среднем уровне, они наиболее эффективно используют изученные регулируемые факторы производительности труда. Из графы 7 видно, что сверхнормативный прирост выработки составляет у них 17,918 и 18,784 тыс. руб. соответственно. Следует также обратить внимание на значительную величину увеличения выработки на предприятии №11 за счет неизученных факторов. Она составляет 6,310 тыс. руб. Поэтому в качестве наиболее эффективно работающего предприятия выступает завод №8. Опыт его деятельности может стать примером, на который следует равняться другим предприятиям.
Таблица 12
Сравнительный анализ резервов роста производительности труда по предприятиям
| № п/п* | Yi | Ŷi |  |  |  |  |  |
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 71,05 | 69,556 | 55,841 | -7,731 | 15,209 | 13,715 | 1,494 | |
| 62,68 | 63,701 | 63,813 | 0,242 | -1,133 | -0,112 | -1,021 | |
| 61,51 | 61,475 | 45,427 | -18,144 | 16,083 | 16,048 | 0,035 | |
| 52,75 | 54,662 | 44,623 | -18,949 | 8,127 | 10,040 | -1,912 | |
| 54,96 | 54,527 | 55,397 | -8,174 | -0,437 | -0,870 | 0,433 | |
| 50,22 | 56,685 | 68,389 | 4,817 | -18,169 | -11,703 | -6,465 | |
| 61,49 | 60,479 | 76,090 | 12,518 | -14,600 | -15,611 | 1,012 | |
| 84,74 | 81,432 | 63,514 | -0,057 | 21,226 | 17,918 | 3,308 | |
| 78,23 | 80,847 | 69,534 | 5,963 | 8,696 | 11,313 | -2,617 | |
| 67,92 | 62,388 | 84,697 | 21,125 | -16,777 | -22,309 | 5,532 | |
| 89,67 | 83,360 | 64,576 | 1,005 | 25,094 | 18,784 | 6,310 | |
| 54,69 | 55,737 | 61,228 | -2,343 | -6,538 | -5,491 | -1,047 | |
| 63,27 | 64,980 | 57,806 | -5,765 | 5,464 | 7,174 | -1,710 | |
| 82,05 | 87,790 | 81,505 | 17,934 | 0,545 | 6,284 | -5,740 | |
| 55,30 | 51,175 | 62,394 | -1,177 | -7,094 | -11,219 | 4,125 | |
| 39,66 | 40,980 | 64,941 | 1,370 | -25,281 | -23,961 | -1,320 | |
| 50,52 | 47,921 | 57,921 | -5,650 | -7,401 | -10,000 | 2,599 |
Данные таблицы 12 дают возможность установить предприятия, хуже всех использующие резервы роста производительности труда. Предприятие № 16, имея нормативный уровень выработки 64,941 тыс. руб., достигло только 39,66 тыс. руб. При этом оно находится в средних объективных условиях. Нормативное значение выработки превышает средний уровень производительности труда по анализируемой совокупности предприятий на 1,37 тыс. руб. (графа 5). Следует также отметить низкую эффективность работы этого предприятия за счет изученных регулируемых факторов. Уменьшение выработки составило 23,961 тыс. руб.
Таким образом, применение пакета SPSS позволяет весьма существенно облегчить корреляционно-регрессионный анализ факторов и резервов роста производительности труда.
Практическое задание
Пользуясь методическим рекомендациями, описанными в данном пособии, таблицей, представленной в приложении выполнить следующие задания:
1. Провести анализ переменных и выбрать зависимую и независимые переменные.
2. Построить регрессионную модель на основе выбранных данных.
3. Провести анализ полученных с помощью корреляционно-регрессионного анализа результатов
4. Провести кластерный анализ имеющихся данных.
5. Сделать вывод на основе полученных результатов.
6. Дать экономическое обоснование результатов проведенных исследований.
| Вариант | Описание |
| Центральный федеральный округ | |
| Северо-западный федеральный округ | |
| Южный федеральный округ | |
| Северо-Кавказский федеральный округ + Уральский федеральный округ | |
| Приволжский федеральный округ | |
| Сибирский федеральный округ | |
| Дальневосточный федеральный округ | |
| По округам Российской Федерации | |
| Первые 7 регионов Центрального федерального округа + 7 первых округов Приволжского федерального округа | |
| Последние 7 регионов Центрального федерального округа + 7 первых округов Приволжского федерального округа | |
| Первые 5 регионов Сибирского федерального округа + Уральский федеральный округ. |
ОСНОВНЫЕ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИЕ ПОКАЗАТЕЛИ в 2014 г.
| Площадь территории1), тыс. км2 | Численность населения на 1 января 2015 г., тыс. человек | Средне- годовая численность занятых в экономике, тыс. человек | Средне- душевые денежные доходы (в месяц), руб. | Потреби- тельские расходы в среднем на душу населения (в месяц), руб. | Средне- месячная номинальная начисленная заработная плата работников организаций, руб. | Валовой региональный продукт в 2013 г. , млн. руб. | Основные фонды в экономике (по полной учетной стоимости; на конец года)2), млн. руб. | ||
| Российская Федерация | 17125,2 | 146267,3 | 67813,3 | 27765,7 | 20920,2 | 54013599,2 | |||
| Центральный федеральный округ | 650,2 | 38951,5 | 19008,3 | 34970,2 | 26937,4 | 18975900,1 | |||
| Белгородская область | 27,1 | 1547,9 | 699,1 | 25371,6 | 18034,8 | 569414,1 | |||
| Брянская область | 34,9 | 1233,0 | 533,6 | 22038,7 | 16980,4 | 223324,3 | |||
| Владимирская область | 29,1 | 1405,6 | 695,7 | 20569,3 | 15229,6 | 307486,0 | |||
| Воронежская область | 52,2 | 2331,1 | 1055,3 | 25505,3 | 19327,9 | 606667,7 | |||
| Ивановская область | 21,4 | 1036,9 | 487,5 | 20409,3 | 15099,3 | 157735,1 | |||
| Калужская область | 29,8 | 1010,5 | 490,8 | 24984,0 | 17725,8 | 293433,8 | |||
| Костромская область | 60,2 | 654,4 | 299,8 | 19320,1 | 13026,6 | 143108,2 | |||
| Курская область | 30,0 | 1117,4 | 567,1 | 23188,1 | 16132,1 | 272238,0 | |||
| Липецкая область | 24,0 | 1157,9 | 542,3 | 25262,8 | 18616,7 | 314790,4 | |||
| Московская область | 44,3 | 7231,1 | 3040,5 | 34947,7 | 24751,2 | 38598 | 2551284,2 | ||
| Орловская область | 24,7 | 765,2 | 386,8 | 19981,4 | 14579,9 | 164525,8 | |||
| Рязанская область | 39,6 | 1135,4 | 494,1 | 21987,9 | 15096,4 | 278731,8 | |||
| Смоленская область | 49,8 | 964,8 | 482,4 | 21788,0 | 16021,7 | 225594,8 | |||
| Тамбовская область | 34,5 | 1062,4 | 502,2 | 22376,5 | 16868,0 | 235859,7 | |||
| Тверская область | 84,2 | 1315,1 | 575,5 | 20602,2 | 16137,1 | 291408,1 | |||
| Тульская область | 25,7 | 1513,6 | 749,9 | 23040,3 | 16604,7 | 347060,2 | |||
| Ярославская область | 36,2 | 1271,6 | 627,4 | 23875,7 | 16455,6 | 360731,5 | |||
| г. Москва | 2,6 | 12197,6 | 6778,4 | 54504,3 | 44708,0 | 11632506,4 | |||
| Северо-Западный федеральный округ | 1687,0 | 13843,6 | 6750,2 | 28571,7 | 20723,0 | 5586593,5 | |||
| Республика Карелия | 180,5 | 632,5 | 296,8 | 22938,7 | 17316,4 | 175975,0 | |||
| Республика Коми | 416,8 | 864,5 | 433,7 | 30844,4 | 20708,3 | 490741,1 | |||
| Архангельская область | 589,9 | 1183,3 | 594,3 | 29431,9 | 19949,3 | 512393,6 | |||
| в том числе: | |||||||||
| Ненецкий автономный округ | 176,8 | 43,4 | 33,3 | 66490,7 | 22640,2 | 171771,9 | |||
| Архангельская область без автономного округа | 413,1 | 1139,9 | 561,0 | 28032,9 | 19847,7 | 340621,7 | |||
| Вологодская область | 144,5 | 1191,0 | 571,8 | 22801,0 | 14555,1 | 341137,6 | |||
| Калининградская область | 15,1 | 969,0 | 477,8 | 22994,2 | 16647,2 | 277362,6 | |||
| Ленинградская область | 83,9 | 1775,5 | 747,0 | 20932,3 | 16548,9 | 692798,6 | |||
| Мурманская область | 144,9 | 766,3 | 408,6 | 34148,8 | 24244,0 | 307459,3 | |||
| Новгородская область | 54,5 | 618,7 | 306,4 | 23702,6 | 17998,3 | 177930,1 | |||
| Псковская область | 55,4 | 651,1 | 320,9 | 19500,0 | 15503,0 | 114246,5 | |||
| г. Санкт-Петербург | 1,4 | 5191,7 | 2593,1 | 34724,4 | 25404,3 | 2496549,1 | |||
| Южный федеральный округ | 420,9 | 14003,8 | 6161,2 | 24327,5 | 19568,7 | 3528190,1 | |||
| Республика Адыгея | 7,8 | 449,2 | 150,6 | 22054,2 | 16443,8 | 72011,6 | |||
| Республика Калмыкия | 74,7 | 280,5 | 111,9 | 12398,4 | 6857,7 | 41136,8 | |||
| Краснодарский край | 75,5 | 5453,3 | 2322,4 | 28787,8 | 23333,7 | 1617875,9 | |||
| Астраханская область | 49,0 | 1021,3 | 436,4 | 22168,8 | 17287,6 | 267511,5 | |||
| Волгоградская область | 112,9 | 2557,4 | 1230,3 | 19055,7 | 15062,6 | 606122,6 | |||
| Ростовская область | 101,0 | 4242,1 | 1909,6 | 23354,7 | 19194,0 | 923531,7 | |||
| Северо-Кавказский федеральный округ | 170,4 | 9659,0 | 3464,1 | 20691,6 | 15645,2 | 1359273,0 | |||
| Республика Дагестан | 50,3 | 2990,4 | 1011,7 | 23422,7 | 18957,5 | 429510,6 | |||
| Республика Ингушетия | 3,6 | 463,9 | 77,4 | 14345,7 | 5338,1 | 45171,0 | |||
| Кабардино-Балкарская Республика | 12,5 | 860,7 | 305,8 | 16618,5 | 12472,8 | 113229,8 | |||
| Карачаево-Черкесская Республика | 14,3 | 469,0 | 169,1 | 16080,7 | 8856,4 | 62704,4 | |||
| Республика Северная Осетия - Алания | 8,0 | 705,2 | 296,8 | 19819,6 | 14278,2 | 112138,5 | |||
| Чеченская Республика | 15,6 | 1370,3 | 365,8 | 19788,0 | 10425,7 | 118150,7 | |||
| Ставропольский край | 66,2 | 2799,5 | 1237,5 | 21590,3 | 18802,5 | 478368,0 |
| Площадь территории1), тыс. км2 | Численность населения на 1 января 2015 г., тыс. человек | Средне- годовая численность занятых в экономике, тыс. человек | Средне- душевые денежные доходы (в месяц), руб. | Потреби- тельские расходы в среднем на душу населения (в месяц), руб. | Средне- месячная номиналь- ная начис- ленная заработная плата работников организаций, руб. | Валовой региональ- ный продукт в 2013 г. , млн. руб. | Основные фонды в экономике (по полной учетной стоимости; на конец года)2), млн. руб. | ||
| Приволжский федеральный округ | 1037,0 | 29715,5 | 14114,8 | 24019,7 | 18158,6 | 8571225,4 | |||
| Республика Башкортостан | 142,9 | 4072,0 | 1761,9 | 25970,6 | 21355,9 | 1266983,0 | |||
| Республика Марий Эл | 23,4 | 687,4 | 306,2 | 16374,5 | 11851,6 | 124400,2 | |||
| Республика Мордовия | 26,1 | 808,9 | 369,5 | 16133,6 | 10139,6 | 149331,7 | |||
| Республика Татарстан | 67,8 | 3855,0 | 1812,2 | 29829,7 | 23010,9 | 1547151,7 | |||
| Удмуртская Республика | 42,1 | 1517,5 | 742,2 | 21197,5 | 14697,0 | 404833,7 | |||
| Чувашская Республика | 18,3 | 1238,1 | 560,7 | 16680,7 | 12319,4 | 224447,6 | |||
| Пермский край | 160,2 | 2637,0 | 1262,0 | 28315,5 | 20707,1 | 893409,8 | |||
| Кировская область | 120,4 | 1304,4 | 632,1 | 20329,4 | 14476,6 | 224726,5 | |||
| Нижегородская область | 76,6 | 3270,2 | 1677,7 | 27929,8 | 20540,2 | 925832,9 | |||
| Оренбургская область | 123,7 | 2001,1 | 1047,5 | 20723,7 | 15428,6 | 709523,7 | |||
| Пензенская область | 43,4 | 1355,6 | 660,6 | 19601,2 | 14447,1 | 270854,1 | |||
| Самарская область | 53,6 | 3212,7 | 1506,7 | 26062,5 | 21093,5 | 1040713,5 | |||
| Саратовская область | 101,2 | 2493,0 | 1183,6 | 17941,1 | 13307,5 | 528676,4 | |||
| Ульяновская область | 37,2 | 1262,6 | 591,8 | 21540,9 | 14308,2 | 260340,6 | |||
| Уральский федеральный округ | 1818,5 | 12275,8 | 6037,1 | 30493,9 | 22416,8 | 7648599,8 | |||
| Курганская область | 71,5 | 869,8 | 372,1 | 18849,8 | 12823,3 | 165150,3 | |||
| Свердловская область | 194,3 | 4327,4 | 2024,5 | 32157,3 | 26250,5 | 1586228,7 | |||
| Тюменская область | 1464,2 | 3581,3 | 1979,5 | 38522,7 | 25507,3 | 5017946,8 | |||
| в том числе: | |||||||||
| Ханты-Мансийский автономный округ – Югра | 534,8 | 1612,1 | 917,2 | 41502,8 | 25947,6 | 2789654,0 | |||
| Ямало-Ненецкий автономный округ | 769,3 | 540,0 | 377,2 | 61251,9 | 28925,4 | 1373494,9 | |||
| Тюменская область без автономных округов | 160,1 | 1429,2 | 685,1 | 26508,7 | 23709,6 | 854797,9 | |||
| Челябинская область | 88,5 | 3497,3 | 1661,0 | 23156,5 | 16917,7 | 879274,0 | |||
| Сибирский федеральный округ | 5145,0 | 19312,2 | 9010,1 | 21490,4 | 15644,7 | 5535449,5 | |||
| Республика Алтай | 92,9 | 213,7 | 89,2 | 17133,6 | 10034,4 | 33089,9 | |||
| Республика Бурятия | 351,3 | 978,5 | 414,4 | 22325,8 | 15940,4 | 177692,0 | |||
| Республика Тыва | 168,6 | 313,8 | 101,0 | 14082,9 | 6648,9 | 41749,2 | |||
| Республика Хакасия | 61,6 | 535,8 | 226,6 | 18384,7 | 13397,6 | 143534,2 | |||
| Алтайский край | 168,0 | 2384,8 | 1063,8 | 18433,5 | 13687,2 | 410824,6 | |||
| Забайкальский край | 431,9 | 1087,5 | 482,0 | 20520,0 | 14095,2 | 229782,0 | |||
| Красноярский край | 2366,8 | 2858,8 | 1422,7 | 24806,2 | 19133,9 | 1256674,5 | |||
| Иркутская область | 774,8 | 2414,9 | 1130,7 | 20223,9 | 13535,1 | 796587,0 | |||
| Кемеровская область | 95,7 | 2725,0 | 1278,2 | 20193,2 | 13837,5 | 668311,9 | |||
| Новосибирская область | 177,8 | 2746,8 | 1365,6 | 23110,2 | 19187,3 | 821415,4 | |||
| Омская область | 141,1 | 1978,2 | 944,5 | 24060,2 | 17408,6 | 553242,7 | |||
| Томская область | 314,4 | 1074,4 | 491,6 | 21548,7 | 13928,6 | 402546,1 | |||
| Дальневосточный федеральный округ | 6169,3 | 6211,0 | 3267,5 | 31974,1 | 21563,4 | 2808367,8 | |||
| Республика Саха (Якутия) | 3083,5 | 956,9 | 482,1 | 34205,3 | 21877,6 | 569131,6 | |||
| Камчатский край | 464,3 | 317,2 | 181,9 | 37029,8 | 20835,8 | 131560,6 | |||
| Приморский край | 164,7 | 1933,3 | 973,9 | 28339,6 | 19676,6 | 575615,4 | |||
| Хабаровский край | 787,6 | 1338,3 | 724,3 | 31703,4 | 23792,8 | 473695,2 | |||
| Амурская область | 361,9 | 809,9 | 424,9 | 26765,3 | 18480,9 | 211224,4 | |||
| Магаданская область | 462,5 | 148,1 | 86,8 | 45846,3 | 24178,9 | 88490,1 | |||
| Сахалинская область | 87,1 | 488,4 | 287,0 | 44690,2 | 30241,6 | 673775,4 | |||
| Еврейская автономная область | 36,3 | 168,4 | 75,4 | 21935,3 | 13999,4 | 37885,4 | |||
| Чукотский автономный округ | 721,5 | 50,5 | 31,1 | 57309,8 | 16392,0 | 46989,7 | |||
| Крымский федеральный округ | 26,9 | 2294,9 | … | … | … | … | - | ||
| Республика Крым | 26,1 | 1895,9 | … | … | … | … | - | ||
| г. Севастополь | 0,9 | 399,0 | … | … | … | … | - | ||
| ¾¾¾¾¾ 1) По данным Федеральной службы государственной регистрации, кадастра и картографии на 1 января 2015 г. (включая сведения по г. Севастополю); с учетом данных Министерства имущественных и земельных отношений Республики Крым о площади территории Республики Крым. 2) С учетом переоценки, проведенной коммерческими организациями на конец отчетного года. 3) По данным бухгалтерской отчетности. Знак (-) означает убыток. 4) По данным текущей отчетности. 5) Млрд. руб. |
СПИСОК ЛИТЕРАТУРЫ
1. Бююль, А, Цефель, П. SPSS: искусство обработки информации. Анализ статистических данных и востановление скрытых закономерностей: Пер. с нем. / Ахим Бююль, Петер Цёфель – СПб.: ООО «ДиаСофтЮП», 2005 – 608 с.
2. Крыштановский, А.О. Анализ социологических данных с помощью пакета SPSS: учеб. пособие для вузов / А.О. Крыштановский; Гос. ун-т – Высшая школа экономики. – М.: Изд. дом ГУ ВШЭ, 2006. – 281, [3].
3. Моосмюллер, Г., Ребик, Н.Н. маркетинговые исследования с SPSS: Учеб. пособие / Г. Моосмюллер, Н.Н. Ребик – М.: ИНФРА-М, 2009. – 160 с. – (Высшее обрзование).