диссертация (1169405), страница 16
Текст из файла (страница 16)
Голосование за провластногокандидата Д.А. Медведева не образует ни одной позитивной статистическизначимой корреляции. Обратные корреляционные зависимости наблюдаютсямежду поддержкой Д.А. Медведева и Г.А. Зюганова: R=-0,9, p=0,00 или А.В.Богданова: R=-0,9, p=0,00. Соответственно между голосованием за Г.А.Зюганова и А.В.
Богданова наблюдается положительная взаимосвязь: R=0,9,p=0,00.Выборы Президента, 2012 год.кампаниинаиболеесильнаяиВ рамках этой избирательнойстатистическизначимаякорреляциянаблюдается между поддержкой В.В. Путина и М.Д. Прохорова: R=-0,95,p=0,00. Отметим также весьма интересную позитивную корреляцию междуголосованием за В.В. Путина и В.В. Жириновского: R=0,9, p=0,00, иобратную корреляцию между голосованием за М.Д.
Прохорова и В.В.Жириновского: R=-0,9, p=0,00.Выборы мэра Москвы, 1999 год. В данном случае можно выделитьтолько одну сильную отрицательную взаимосвязь: между поддержкой Ю.М.Лужкова и С.В. Кириенко: R= -0,8, p=0,00.Выборы мэра Москвы, 2013 год. В рамках данной избирательнойкампании при проведении корреляционного анализа наблюдаются сильныеотрицательные корреляции между голосованием за провластного кандидата(С.С.
Собянин) и оппозиционных (А.А. Навальный, И.И. Мельников, С.С.Митрохин): R=-0,9, p=0,00; R=-0,7, p=0,00; R=-0,7, p=0,00 соответственно.Также интересно отметить, что поддержка кандидата от ЛДПР М.В.Дегтярева снова положительно коррелирует с поддержкой кандидата «партиивласти» С.С. Собянина: R= 0,6, p=0,000.82На основании приведенного выше корреляционного анализа нами быливыделены несколько обобщенных собирательных «кандидатов», обладающихдостаточно выраженной устойчивой электоральной поддержкой:«провластный» (В.В. Путин, Д.А. Медведев, партия «ЕдинаяРоссия», С.С. Собянин, Ю.М.
Лужков);ЛДПР (непосредственно партия, В.В. Жириновский, О.А.Малышкин, М.В. Дегтярев);«либеральный» (С.В. Кириенко, И.М. Хакамада, А.В. Богданов,М.Д. Прохоров, А.А. Навальный, партии «Яблоко», СПС и «Гражданскаясила»);КПРФ (непосредственно партия, Г.А. Зюганов, Н.М. Харитонов,И.И.
Мельников);СР (непосредственно партия, Н.В. Левичев, С.М. Миронов).Отметим, что голосование за трех последних кандидатов, по-видимому,можетрассматриватьсякакоппозиционное,посколькуформируетотрицательные взаимосвязи с голосованием за провластных кандидатов, в товремя как поддержка кандидата-ЛДПР таковой считаться не может.Для проверки гипотезы об устойчивости электоральной поддержкивыявленныхнамиобобщенныхкандидатов,сравнимнетолькокоэффициенты корреляции между голосованием за участников в рамкаходних выборов, но и проанализируем взаимосвязи поддержки кандидатовсхожей направленности в различных кампаниях.
Так, «либеральный»кандидатпредставленпартиями«Яблоко»,«Союзправыхсил»,«Гражданская сила» и политиками С.В. Кириенко, М.Д. Прохоровым, А.А.Навальным,И.М.Хакамадой,А.В.Богдановым.Врезультатекорреляционного анализа все выявленные связи между голосованием вподдержку «либералов» оказались статистически значимыми (ПриложениеБ). Особого внимания заслуживает корреляция между голосованием за М.Д.Прохорова и А.А. Навального: R=0,96, p=0,00. Также сильные взаимосвязи83наблюдаются между голосованием за А.А. Навального и СПС: R=0,9, p=0,00;А.А. Навального и И.М. Хакамаду: R= 0,9, p=0,00; М.Д.
Прохорова и И.М.Хакамаду: R=0,9, p=0,000; М.Д. Прохорова и СПС: R=0,9, p=0,00; а такжемежду поддержкой И.М. Хакамады и СПС: R=0,9, p= 0,00; С.В. Кириенко иИ.М. Хакамады: R=0,8, p=0,00.Корреляциимеждуголосованиемзаразличныхпровластныхкандидатов выражены слабее (Приложение В). Несмотря на то, что почти всетакие взаимосвязи являются положительными и статистически значимыми,сильными можно назвать только некоторые из них: между голосованием заВ.В. Путина в 2004 и 2012 годах и за С.С.
Собянина в 2013 году: R=0,8, p=0,00 и R=0,9, p=0,00 соответственно.На наш взгляд, приведенные выше результаты корреляционногоанализаподтверждаюткорректностьвыделенияпятиобобщенныхкандидатов. Для более глубокого изучения вопроса нами были определенысредние показатели поддержки каждого из них во всех районах Москвы врамках перечисленных выше избирательных кампаний, соответствующиеданные приведены в Приложении Г.Помимо результатов голосования, целесообразно также обратитьвнимание на средние значения явки избирателей для каждого районаМосквы, включенного в исследование (см. Приложение Г).
Проведениекорреляционногоанализапозволяетконстатировать,чтоколичествоизбирателей, пришедших на участки, в незначительной степени влияет навыбор того или иного кандидата (Приложение Д). Так, например,взаимосвязь между поддержкой условного «провластного» кандидата иявкой, хотя и является статистически значимой, довольно слаба: R=0,3,p=0,00; при этом между голосованием в пользу «либерального» кандидата иявкой корреляция отсутствует вовсе. Рассмотрение результатов выборов вотдельных районах позволяет также выявить отсутствие зависимости междупосещением избирательных участков и характером голосования: к примеру,районы Южное Бутово и Внуково, имеющие сравнительно высокие средние84показатели голосования за «провластного» кандидата, демонстрируют однииз самых низких усредненных показателей явки по Москве, и напротив,такие районы, как Хамовники и Сокол, оказывая достаточно значительнуюподдержку «либеральному» кандидату, КПРФ и СР, вместе с тем, имеютвысокую усредненную явку.В связи с тем, что, как отмечено выше, показатели явки не оказываютсущественного влияния на результаты голосования, нами было приняторешение при проведении анализа электоральной культуры населения городаМосквы учитывать в первую очередь распределение голосов жителей завыявленных «условных» кандидатов как наиболее существенный фактор сточки зрения решаемых в работе задач.
Явка же будет рассматриваться некак основной, но как иллюстративный показатель.Средние значения поддержки каждого из пяти обобщенных кандидатовво всех районах Москвы составили базу для последующей математикостатистической обработки данных с целью изучения электоральной культурыжителей столицы. В качестве основного метода был выбран кластерныйанализ.Кластерныйанализ–многомернаястатистическаяпроцедура,позволяющая упорядочить объекты выборки в достаточно однородныегруппы. Этот метод – один из наиболее популярных в контексте решениязадачи разработки типологии или классификации.
Кластерный анализ удобентем, что не требует выдвижения априорных гипотез о выборке данных и даетвозможность анализа различных типов данных. Можно выделить двабазовых,фундаментальныхтребования,предъявляемыекданным,предназначенным для кластерного анализа: однородность и полнота.Выборка по распределению голосов за определенных кандидатов или партии,подготовленная нами для математико-статистической обработки, отвечаетобоим требованиям: в ней представлены данные одинаковой природы повсем единицам исследования, которые могут быть описаны сходным наборомхарактеристик.85Существуют разнообразные подходы к классификации алгоритмовкластеризацииданных.Врамкахнашейработымыиспользовалииерархический и вероятностный подходы. Первый подход представляетсобой математико-статистическую процедуру, в рамках которой программаавтоматически определяет оптимальное число кластеров.
Результатомиерархического кластерного анализа, как правило, бывает дендрограмма –схема, наглядно описывающая близость отдельных объектов и кластеровдруг к другу, а также представляющая последовательность объединения(разделения)кластеров.Такимобразом,процедураиерархическогокластерного анализа стремится рассмотреть все возможные вариантывыделения кластеров.Один из наиболее популярных алгоритмов, используемых в рамкахвероятностного подхода – кластерный анализ методом k-средних. Данныйалгоритм основан на заданном фиксированном числе кластеров k, которые наоснове расчетов соотносятся с данными таким образом, чтобы средниезначения кластеров максимально отличались друг от друга. Разделениекластеров происходит в соответствии с отношением дисперсии междукластерами к дисперсии внутри кластеров.
Исходное число кластеров kможет быть основано на итогах предшествующих исследований схожейтематики, теоретических предпосылках, а также на основе результатовкластерного анализа, проведенного при помощи различных алгоритмов.Врамкахдиссертационногоисследованиядляопределенияоптимального числа кластеров был использован иерархический алгоритмкластерного анализа. Напомним, что исходные данные представляли собойтаблицу, в которой приведены средние значения распределения голосов,подсчитанные на основе семи избирательных кампаний, за пять обобщенныхкандидатов (Приложение Г). При проведении кластерного анализа впрограмме Statistica 10 был использован метод Уорда, позволяющийоптимизировать минимальную внутрикластерную дисперсию и выделить86кластеры примерно одинакового размера Именно этот метод зачастуюиспользуется для обработки социологических данных.Визуальный анализ дендрограммы, полученной по итогам кластерногоанализа (Приложение Е), свидетельствует о том, что целесообразно выделитьтри достаточно крупных кластера, чтобы избежать последующего мелкогодробления объектов кластеризации.
Для проверки этого предположения былиспользованклассическийспособопределенияоптимальногочислакластеров разбиения: исследователь находит тот шаг, на котором происходитскачкообразное увеличение значений – это именно тот момент, начиная скоторого объединяются сильно отдаленные друг от друга кластеры. В нашемслучае, построив соответствующий график, мы видим, что скачок значенийпроисходит на 118 шаге (Приложение Ж). Оптимальное в такой ситуациичисло кластеров – три (разность между общим числом шагов ивышеуказанным шагом: 121-118=3), что подтверждает высказанное ранеепредположение.После определения целесообразного числа кластеров воспользуемсяалгоритмом k-средних для того, чтобы за счет достоинств этого алгоритмаоптимизировать содержание кластеров, отобрав максимально схожиеобъекты внутри каждого кластера и одновременно с этим максимальноразличающиеся между собой кластеры.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
