2024 State of Marketing Report – by HubspotMarius Sescu
https://www.hubspot.com/state-of-marketing
· Scaling relationships and proving ROI
· Social media is the place for search, sales, and service
· Authentic influencer partnerships fuel brand growth
· The strongest connections happen via call, click, chat, and camera.
· Time saved with AI leads to more creative work
· Seeking: A single source of truth
· TLDR; Get on social, try AI, and align your systems.
· More human marketing, powered by robots
ChatGPT is a revolutionary addition to the world since its introduction in 2022. A big shift in the sector of information gathering and processing happened because of this chatbot. What is the story of ChatGPT? How is the bot responding to prompts and generating contents? Swipe through these slides prepared by Expeed Software, a web development company regarding the development and technical intricacies of ChatGPT!
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
The realm of product design is a constantly changing environment where technology and style intersect. Every year introduces fresh challenges and exciting trends that mold the future of this captivating art form. In this piece, we delve into the significant trends set to influence the look and functionality of product design in the year 2024.
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
Mental health has been in the news quite a bit lately. Dozens of U.S. states are currently suing Meta for contributing to the youth mental health crisis by inserting addictive features into their products, while the U.S. Surgeon General is touring the nation to bring awareness to the growing epidemic of loneliness and isolation. The country has endured periods of low national morale, such as in the 1970s when high inflation and the energy crisis worsened public sentiment following the Vietnam War. The current mood, however, feels different. Gallup recently reported that national mental health is at an all-time low, with few bright spots to lift spirits.
To better understand how Americans are feeling and their attitudes towards mental health in general, ThinkNow conducted a nationally representative quantitative survey of 1,500 respondents and found some interesting differences among ethnic, age and gender groups.
Technology
For example, 52% agree that technology and social media have a negative impact on mental health, but when broken out by race, 61% of Whites felt technology had a negative effect, and only 48% of Hispanics thought it did.
While technology has helped us keep in touch with friends and family in faraway places, it appears to have degraded our ability to connect in person. Staying connected online is a double-edged sword since the same news feed that brings us pictures of the grandkids and fluffy kittens also feeds us news about the wars in Israel and Ukraine, the dysfunction in Washington, the latest mass shooting and the climate crisis.
Hispanics may have a built-in defense against the isolation technology breeds, owing to their large, multigenerational households, strong social support systems, and tendency to use social media to stay connected with relatives abroad.
Age and Gender
When asked how individuals rate their mental health, men rate it higher than women by 11 percentage points, and Baby Boomers rank it highest at 83%, saying it’s good or excellent vs. 57% of Gen Z saying the same.
Gen Z spends the most amount of time on social media, so the notion that social media negatively affects mental health appears to be correlated. Unfortunately, Gen Z is also the generation that’s least comfortable discussing mental health concerns with healthcare professionals. Only 40% of them state they’re comfortable discussing their issues with a professional compared to 60% of Millennials and 65% of Boomers.
Race Affects Attitudes
As seen in previous research conducted by ThinkNow, Asian Americans lag other groups when it comes to awareness of mental health issues. Twenty-four percent of Asian Americans believe that having a mental health issue is a sign of weakness compared to the 16% average for all groups. Asians are also considerably less likely to be aware of mental health services in their communities (42% vs. 55%) and most likely to seek out information on social media (51% vs. 35%).
2024 State of Marketing Report – by HubspotMarius Sescu
https://www.hubspot.com/state-of-marketing
· Scaling relationships and proving ROI
· Social media is the place for search, sales, and service
· Authentic influencer partnerships fuel brand growth
· The strongest connections happen via call, click, chat, and camera.
· Time saved with AI leads to more creative work
· Seeking: A single source of truth
· TLDR; Get on social, try AI, and align your systems.
· More human marketing, powered by robots
ChatGPT is a revolutionary addition to the world since its introduction in 2022. A big shift in the sector of information gathering and processing happened because of this chatbot. What is the story of ChatGPT? How is the bot responding to prompts and generating contents? Swipe through these slides prepared by Expeed Software, a web development company regarding the development and technical intricacies of ChatGPT!
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
The realm of product design is a constantly changing environment where technology and style intersect. Every year introduces fresh challenges and exciting trends that mold the future of this captivating art form. In this piece, we delve into the significant trends set to influence the look and functionality of product design in the year 2024.
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
Mental health has been in the news quite a bit lately. Dozens of U.S. states are currently suing Meta for contributing to the youth mental health crisis by inserting addictive features into their products, while the U.S. Surgeon General is touring the nation to bring awareness to the growing epidemic of loneliness and isolation. The country has endured periods of low national morale, such as in the 1970s when high inflation and the energy crisis worsened public sentiment following the Vietnam War. The current mood, however, feels different. Gallup recently reported that national mental health is at an all-time low, with few bright spots to lift spirits.
To better understand how Americans are feeling and their attitudes towards mental health in general, ThinkNow conducted a nationally representative quantitative survey of 1,500 respondents and found some interesting differences among ethnic, age and gender groups.
Technology
For example, 52% agree that technology and social media have a negative impact on mental health, but when broken out by race, 61% of Whites felt technology had a negative effect, and only 48% of Hispanics thought it did.
While technology has helped us keep in touch with friends and family in faraway places, it appears to have degraded our ability to connect in person. Staying connected online is a double-edged sword since the same news feed that brings us pictures of the grandkids and fluffy kittens also feeds us news about the wars in Israel and Ukraine, the dysfunction in Washington, the latest mass shooting and the climate crisis.
Hispanics may have a built-in defense against the isolation technology breeds, owing to their large, multigenerational households, strong social support systems, and tendency to use social media to stay connected with relatives abroad.
Age and Gender
When asked how individuals rate their mental health, men rate it higher than women by 11 percentage points, and Baby Boomers rank it highest at 83%, saying it’s good or excellent vs. 57% of Gen Z saying the same.
Gen Z spends the most amount of time on social media, so the notion that social media negatively affects mental health appears to be correlated. Unfortunately, Gen Z is also the generation that’s least comfortable discussing mental health concerns with healthcare professionals. Only 40% of them state they’re comfortable discussing their issues with a professional compared to 60% of Millennials and 65% of Boomers.
Race Affects Attitudes
As seen in previous research conducted by ThinkNow, Asian Americans lag other groups when it comes to awareness of mental health issues. Twenty-four percent of Asian Americans believe that having a mental health issue is a sign of weakness compared to the 16% average for all groups. Asians are also considerably less likely to be aware of mental health services in their communities (42% vs. 55%) and most likely to seek out information on social media (51% vs. 35%).
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
This article is all about what AI trends will emerge in the field of creative operations in 2024. All the marketers and brand builders should be aware of these trends for their further use and save themselves some time!
A report by thenetworkone and Kurio.
The contributing experts and agencies are (in an alphabetical order): Sylwia Rytel, Social Media Supervisor, 180heartbeats + JUNG v MATT (PL), Sharlene Jenner, Vice President - Director of Engagement Strategy, Abelson Taylor (USA), Alex Casanovas, Digital Director, Atrevia (ES), Dora Beilin, Senior Social Strategist, Barrett Hoffher (USA), Min Seo, Campaign Director, Brand New Agency (KR), Deshé M. Gully, Associate Strategist, Day One Agency (USA), Francesca Trevisan, Strategist, Different (IT), Trevor Crossman, CX and Digital Transformation Director; Olivia Hussey, Strategic Planner; Simi Srinarula, Social Media Manager, The Hallway (AUS), James Hebbert, Managing Director, Hylink (CN / UK), Mundy Álvarez, Planning Director; Pedro Rojas, Social Media Manager; Pancho González, CCO, Inbrax (CH), Oana Oprea, Head of Digital Planning, Jam Session Agency (RO), Amy Bottrill, Social Account Director, Launch (UK), Gaby Arriaga, Founder, Leonardo1452 (MX), Shantesh S Row, Creative Director, Liwa (UAE), Rajesh Mehta, Chief Strategy Officer; Dhruv Gaur, Digital Planning Lead; Leonie Mergulhao, Account Supervisor - Social Media & PR, Medulla (IN), Aurelija Plioplytė, Head of Digital & Social, Not Perfect (LI), Daiana Khaidargaliyeva, Account Manager, Osaka Labs (UK / USA), Stefanie Söhnchen, Vice President Digital, PIABO Communications (DE), Elisabeth Winiartati, Managing Consultant, Head of Global Integrated Communications; Lydia Aprina, Account Manager, Integrated Marketing and Communications; Nita Prabowo, Account Manager, Integrated Marketing and Communications; Okhi, Web Developer, PNTR Group (ID), Kei Obusan, Insights Director; Daffi Ranandi, Insights Manager, Radarr (SG), Gautam Reghunath, Co-founder & CEO, Talented (IN), Donagh Humphreys, Head of Social and Digital Innovation, THINKHOUSE (IRE), Sarah Yim, Strategy Director, Zulu Alpha Kilo (CA).
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
The search marketing landscape is evolving rapidly with new technologies, and professionals, like you, rely on innovative paid search strategies to meet changing demands.
It’s important that you’re ready to implement new strategies in 2024.
Check this out and learn the top trends in paid search advertising that are expected to gain traction, so you can drive higher ROI more efficiently in 2024.
You’ll learn:
- The latest trends in AI and automation, and what this means for an evolving paid search ecosystem.
- New developments in privacy and data regulation.
- Emerging ad formats that are expected to make an impact next year.
Watch Sreekant Lanka from iQuanti and Irina Klein from OneMain Financial as they dive into the future of paid search and explore the trends, strategies, and technologies that will shape the search marketing landscape.
If you’re looking to assess your paid search strategy and design an industry-aligned plan for 2024, then this webinar is for you.
5 Public speaking tips from TED - Visualized summarySpeakerHub
From their humble beginnings in 1984, TED has grown into the world’s most powerful amplifier for speakers and thought-leaders to share their ideas. They have over 2,400 filmed talks (not including the 30,000+ TEDx videos) freely available online, and have hosted over 17,500 events around the world.
With over one billion views in a year, it’s no wonder that so many speakers are looking to TED for ideas on how to share their message more effectively.
The article “5 Public-Speaking Tips TED Gives Its Speakers”, by Carmine Gallo for Forbes, gives speakers five practical ways to connect with their audience, and effectively share their ideas on stage.
Whether you are gearing up to get on a TED stage yourself, or just want to master the skills that so many of their speakers possess, these tips and quotes from Chris Anderson, the TED Talks Curator, will encourage you to make the most impactful impression on your audience.
See the full article and more summaries like this on SpeakerHub here: https://speakerhub.com/blog/5-presentation-tips-ted-gives-its-speakers
See the original article on Forbes here:
http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/carminegallo/2016/05/06/5-public-speaking-tips-ted-gives-its-speakers/&refURL=&referrer=#5c07a8221d9b
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
Everyone is in agreement that ChatGPT (and other generative AI tools) will shape the future of work. Yet there is little consensus on exactly how, when, and to what extent this technology will change our world.
Businesses that extract maximum value from ChatGPT will use it as a collaborative tool for everything from brainstorming to technical maintenance.
For individuals, now is the time to pinpoint the skills the future professional will need to thrive in the AI age.
Check out this presentation to understand what ChatGPT is, how it will shape the future of work, and how you can prepare to take advantage.
A brief introduction to DataScience with explaining of the concepts, algorithms, machine learning, supervised and unsupervised learning, clustering, statistics, data preprocessing, real-world applications etc.
It's part of a Data Science Corner Campaign where I will be discussing the fundamentals of DataScience, AIML, Statistics etc.
Time Management & Productivity - Best PracticesVit Horky
Here's my presentation on by proven best practices how to manage your work time effectively and how to improve your productivity. It includes practical tips and how to use tools such as Slack, Google Apps, Hubspot, Google Calendar, Gmail and others.
The six step guide to practical project managementMindGenius
The six step guide to practical project management
If you think managing projects is too difficult, think again.
We’ve stripped back project management processes to the
basics – to make it quicker and easier, without sacrificing
the vital ingredients for success.
“If you’re looking for some real-world guidance, then The Six Step Guide to Practical Project Management will help.”
Dr Andrew Makar, Tactical Project Management
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Applitools
During this webinar, Anand Bagmar demonstrates how AI tools such as ChatGPT can be applied to various stages of the software development life cycle (SDLC) using an eCommerce application case study. Find the on-demand recording and more info at https://applitools.info/b59
Key takeaways:
• Learn how to use ChatGPT to add AI power to your testing and test automation
• Understand the limitations of the technology and where human expertise is crucial
• Gain insight into different AI-based tools
• Adopt AI-based tools to stay relevant and optimize work for developers and testers
* ChatGPT and OpenAI belong to OpenAI, L.L.C.
More than Just Lines on a Map: Best Practices for U.S Bike Routes
This session highlights best practices and lessons learned for U.S. Bike Route System designation, as well as how and why these routes should be integrated into bicycle planning at the local and regional level.
Presenters:
Presenter: Kevin Luecke Toole Design Group
Co-Presenter: Virginia Sullivan Adventure Cycling Association
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
This article is all about what AI trends will emerge in the field of creative operations in 2024. All the marketers and brand builders should be aware of these trends for their further use and save themselves some time!
A report by thenetworkone and Kurio.
The contributing experts and agencies are (in an alphabetical order): Sylwia Rytel, Social Media Supervisor, 180heartbeats + JUNG v MATT (PL), Sharlene Jenner, Vice President - Director of Engagement Strategy, Abelson Taylor (USA), Alex Casanovas, Digital Director, Atrevia (ES), Dora Beilin, Senior Social Strategist, Barrett Hoffher (USA), Min Seo, Campaign Director, Brand New Agency (KR), Deshé M. Gully, Associate Strategist, Day One Agency (USA), Francesca Trevisan, Strategist, Different (IT), Trevor Crossman, CX and Digital Transformation Director; Olivia Hussey, Strategic Planner; Simi Srinarula, Social Media Manager, The Hallway (AUS), James Hebbert, Managing Director, Hylink (CN / UK), Mundy Álvarez, Planning Director; Pedro Rojas, Social Media Manager; Pancho González, CCO, Inbrax (CH), Oana Oprea, Head of Digital Planning, Jam Session Agency (RO), Amy Bottrill, Social Account Director, Launch (UK), Gaby Arriaga, Founder, Leonardo1452 (MX), Shantesh S Row, Creative Director, Liwa (UAE), Rajesh Mehta, Chief Strategy Officer; Dhruv Gaur, Digital Planning Lead; Leonie Mergulhao, Account Supervisor - Social Media & PR, Medulla (IN), Aurelija Plioplytė, Head of Digital & Social, Not Perfect (LI), Daiana Khaidargaliyeva, Account Manager, Osaka Labs (UK / USA), Stefanie Söhnchen, Vice President Digital, PIABO Communications (DE), Elisabeth Winiartati, Managing Consultant, Head of Global Integrated Communications; Lydia Aprina, Account Manager, Integrated Marketing and Communications; Nita Prabowo, Account Manager, Integrated Marketing and Communications; Okhi, Web Developer, PNTR Group (ID), Kei Obusan, Insights Director; Daffi Ranandi, Insights Manager, Radarr (SG), Gautam Reghunath, Co-founder & CEO, Talented (IN), Donagh Humphreys, Head of Social and Digital Innovation, THINKHOUSE (IRE), Sarah Yim, Strategy Director, Zulu Alpha Kilo (CA).
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
The search marketing landscape is evolving rapidly with new technologies, and professionals, like you, rely on innovative paid search strategies to meet changing demands.
It’s important that you’re ready to implement new strategies in 2024.
Check this out and learn the top trends in paid search advertising that are expected to gain traction, so you can drive higher ROI more efficiently in 2024.
You’ll learn:
- The latest trends in AI and automation, and what this means for an evolving paid search ecosystem.
- New developments in privacy and data regulation.
- Emerging ad formats that are expected to make an impact next year.
Watch Sreekant Lanka from iQuanti and Irina Klein from OneMain Financial as they dive into the future of paid search and explore the trends, strategies, and technologies that will shape the search marketing landscape.
If you’re looking to assess your paid search strategy and design an industry-aligned plan for 2024, then this webinar is for you.
5 Public speaking tips from TED - Visualized summarySpeakerHub
From their humble beginnings in 1984, TED has grown into the world’s most powerful amplifier for speakers and thought-leaders to share their ideas. They have over 2,400 filmed talks (not including the 30,000+ TEDx videos) freely available online, and have hosted over 17,500 events around the world.
With over one billion views in a year, it’s no wonder that so many speakers are looking to TED for ideas on how to share their message more effectively.
The article “5 Public-Speaking Tips TED Gives Its Speakers”, by Carmine Gallo for Forbes, gives speakers five practical ways to connect with their audience, and effectively share their ideas on stage.
Whether you are gearing up to get on a TED stage yourself, or just want to master the skills that so many of their speakers possess, these tips and quotes from Chris Anderson, the TED Talks Curator, will encourage you to make the most impactful impression on your audience.
See the full article and more summaries like this on SpeakerHub here: https://speakerhub.com/blog/5-presentation-tips-ted-gives-its-speakers
See the original article on Forbes here:
http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/carminegallo/2016/05/06/5-public-speaking-tips-ted-gives-its-speakers/&refURL=&referrer=#5c07a8221d9b
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
Everyone is in agreement that ChatGPT (and other generative AI tools) will shape the future of work. Yet there is little consensus on exactly how, when, and to what extent this technology will change our world.
Businesses that extract maximum value from ChatGPT will use it as a collaborative tool for everything from brainstorming to technical maintenance.
For individuals, now is the time to pinpoint the skills the future professional will need to thrive in the AI age.
Check out this presentation to understand what ChatGPT is, how it will shape the future of work, and how you can prepare to take advantage.
A brief introduction to DataScience with explaining of the concepts, algorithms, machine learning, supervised and unsupervised learning, clustering, statistics, data preprocessing, real-world applications etc.
It's part of a Data Science Corner Campaign where I will be discussing the fundamentals of DataScience, AIML, Statistics etc.
Time Management & Productivity - Best PracticesVit Horky
Here's my presentation on by proven best practices how to manage your work time effectively and how to improve your productivity. It includes practical tips and how to use tools such as Slack, Google Apps, Hubspot, Google Calendar, Gmail and others.
The six step guide to practical project managementMindGenius
The six step guide to practical project management
If you think managing projects is too difficult, think again.
We’ve stripped back project management processes to the
basics – to make it quicker and easier, without sacrificing
the vital ingredients for success.
“If you’re looking for some real-world guidance, then The Six Step Guide to Practical Project Management will help.”
Dr Andrew Makar, Tactical Project Management
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Applitools
During this webinar, Anand Bagmar demonstrates how AI tools such as ChatGPT can be applied to various stages of the software development life cycle (SDLC) using an eCommerce application case study. Find the on-demand recording and more info at https://applitools.info/b59
Key takeaways:
• Learn how to use ChatGPT to add AI power to your testing and test automation
• Understand the limitations of the technology and where human expertise is crucial
• Gain insight into different AI-based tools
• Adopt AI-based tools to stay relevant and optimize work for developers and testers
* ChatGPT and OpenAI belong to OpenAI, L.L.C.
More than Just Lines on a Map: Best Practices for U.S Bike Routes
This session highlights best practices and lessons learned for U.S. Bike Route System designation, as well as how and why these routes should be integrated into bicycle planning at the local and regional level.
Presenters:
Presenter: Kevin Luecke Toole Design Group
Co-Presenter: Virginia Sullivan Adventure Cycling Association
2. Направления использования методов
пространственного моделирования:
1. Детальное исследование особенностей и закономерностей
пространственного развития территориальных систем глобального,
национального, регионального и муниципального уровня.
2. Выявление взаимосвязей территориальных систем в различных сферах
социально-экономической деятельности
3. Автоматизация процесса выработки управленческих решений в сфере
пространственного развития территориальных систем, направленных на:
• повышение их связанности,
• поиск оптимальных вариантов размещения социальных,
промышленных, инфраструктурных и других объектов,
• противодействие техногенным, биогенным, социокультурным угрозам,
терроризму и иным источникам опасности для общества, экономики и
государства.
4. Пространственное моделирование: этапы становления и развития
до
40-х
гг.
XX
в.
Первые работы по пространственной статистике
Орри Херфиндаль,
Альберт Хиршман
• Исследование концентрации пространственной локализации
• Исследование неоднородности пространственного развития
Отто Лоренц,
Коррадо Джини,
Едгар Гувер
• Анализ концентрации торговых площадей (кривая Лоренца)
• Исследование расслоения населения по уровню доходов
(Индекс Джини)
• Исследование оптимального распределения ресурсов для
снижения неравномерности и достижения равновесия
пространственного развития (Индекс Гувера)
Генри Тейл • Кластеризация пространства по социальному неравенству
• Исследование неравномерности распределения ВРП по
численности населения
50-е
гг.
XX
в.
Первые работы по пространственному автокорреляционному анализу
Патрик Моран
• Интерпретация статистических карт (1948 г.)
• Показатель общей пространственной автокорреляции (Индекс
Морана I)
• Пространственная диаграмма рассеяния Морана
Роберт Гири
• Коэффициент непрерывности в пространственной статистике
(1954 г.)
• Мера пространственной автокорреляции (статистика Джири C)
5. 80-е
гг.
XX
в
Работы по пространственной автокорреляции (пространственная эконометрика)
А. Клифф,
Дж. Орд,
А. Гетис
• Пространственная автокорреляция (1973 г.)
• Глобальный и локальный индексы Getis-Ord
Ж. Палинк,
Л. Классен
• Был введен термин «пространственная эконометрика», 1979г. (наука о
пространственной автокорреляции и асимметрии в пространственных связях).
• Разрабатывались статистические тесты для оценки достоверности
пространственных регрессионных моделей
Люк
Анселин
• В 1980 г. вводит понятие «пространственных эффектов»
• Пространственная зависимость и гетерогенность (неоднородность) данных
• Развивает методы и модели в пространственной эконометрике
90-е
гг.
XX
в
Становление ГИС, бурное развитие методов пространственного моделирования
К. Кларк Исследование плотности развития процессов на территории с учетом фактора
расстояния до локальных центров
Р. Мут,
Е. Миллз,
Р. Бюссьер,
П. Дерик
• Исследование плотности пространственного размещения городского
населения (обосновали теорию К. Кларка)
• Преобразование данных в нелинейный вид (логарифмирование) для
исследования плотности пространственного размещения городского
населения (Дерик П.)
• Концепция индивидуальной полезности семьи – оптимизации
местоположения с учетом плотности торговых площадей (Р. Мут, Е., Миллз)
Д. Сибли Закон снижения плотности пространственного размещения городского
населения по мере удаления от центра города и снижения цен на земельные
участки
6. Современные направления пространственного моделирования:
1. Кластеризации территорий методами пространственной корреляции (поиск
центров локализации ресурсов, «полюсов роста» и зон их влияния).
2. Исследование и моделирование межтерриториальных (межрегиональных,
межмуниципальных) взаимосвязей методами пространственной
автокорреляции и авторегрессии.
3. Моделирование пространственного развития территорий с учетом влияния
факторов (факторные пространственные авторегрессионные модели) –
модели зависимости развития социально-экономических процессов,
инфраструктуры территории от:
• влияния факторов внутренней и внешней среды (данные модели можно
использовать для прогнозирования социально-экономических процессов
и поиска оптимальных управленческих решений)
• расстояния до центра города, автомагистралей, локальных центров
• плотности населения, пропускной способности территории, плотности
дорог, инженерных сетей и т.д.
4. ГИС-моделирование (исследование обеспеченности территории ресурсами,
инфраструктурой для поиска оптимальных вариантов размещения
социальных, промышленных и других объектов
5. Пространственное агент-ориентированное моделирование
9. • Методы пространственной эконометрики предполагают
исследование зависимостей одной территориальной системы от всех
остальных.
• при этом, ближайшие территориальные системы больше связаны
друг с другом, чем расположенные на значительном расстоянии
Для исследования взаимосвязей между территориальными системами
и используются матрицы пространственных весов.
• Данные матрицы в табличной форме отражают расстояния между
различными объектами в пространстве
• Строки матрицы содержат веса для объекта в пространстве, на который
оказывают влияние соседние объекты
• Главная диагональ матрицы состоит из нулей, и таким образом
исключается влияние объекта самого на себя
• Зачастую, весовая матрица нормализуется по строкам (сумма весов по
каждой строчке матрицы равняется единице). Такая нормализация
позволяет учитывать относительные, а не абсолютные расстояния между
объектами.
10. Бинарная матрица граничных соседей
• это наиболее простой способ учета пространственных
взаимосвязей
• согласно данной матрице на исследуемые объекты оказывают
влияние только те соседи, которые граничат с ними
• из-за бинарности матрицы при нормализации ее значений
получается, что на территорию оказывается влияние соседних
территорий с одними и теми же пространственными весами.
Данную матрицу можно использовать когда исследуемые
территориальные системы достаточно однородны по площади
12. Бинарная матрица ближайших соседей
di (k) – минимальное расстояние k-го порядка между объектами i и j
• В этом случае число соседей для каждого объекта будет равно k.
• Рассчитываются расстояния от данного объекта до всех
имеющихся объектов.
• Затем берется k минимальных расстояний
• И k-е расстояние для данного объекта является той границей, за
которой взаимодействия не учитываются.
• при использовании данной матрицы, для получения устойчивых
результатов учитываются 10-25 ближайших соседей
13. Матрица расстояний
где dij - расстояния между объектами
(центрами территориальных систем),
D(q)- квартили расстояний, q=1..4.
В большинстве случаев, показатель
степени γ берется равным двум.
• Матрица расстояний является аналогом гравитационной модели
– притяжение объектов обратно пропорционально квадрату
расстояния между ними.
• поэтому, чем дальше располагаются объекты друг от друга, тем
меньше они взаимодействуют.
• Если q<4, то соответствующий квартиль расстояния D(q)
является максимальным расстоянием, дальше которого
взаимодействие между объектами является несущественным.
• Если q=4, то происходит учет всех расстояний (в весовой
матрице нулевыми будут только элементы главной диагонали).
15. Матрица расстояний с учетом размера объекта
где Aj - показатель, отражающий весомость соседнего объекта j.
Данный подход позволяет учесть дополнительный параметр,
характеризующий каждый из объектов:
• его размер, площадь
• важность (весомость) в исследуемых процессах
• Его уровень социально-экономического развития
16. Типы используемых матриц расстояния
• линейных расстояний;
• расстояний по автомобильным дорогам;
• расстояний по железнодорожным магистралям,
• расстояний по авиационным, речным сообщениям,
• расстояний между центрами территориальных систем
или до их границ
• матрица торговых потоков (Beck, 2006),
• времени на поездку в магазин или торговый центр
(Д.Хафф, 1964),
• разницы в культурных ценностях (Di Guardo, 2013),
• минимального времени в пути между столицами
регионов,
• рыночного потенциала регионов (Луговая, 2007)
17. Алгоритм построения матрицы пространственных весов
1. Формирование матрицы расстояний между
административными центрами субъектов РФ ( )
• по линейным расстояниям;
• по автомобильным дорогам, железнодорожным
магистралям, авиационным, речным сообщениям
• по смежным границам (с использованием бинарных
переменных 1 и 0).
2. Стандартизация расстояний в матрице по строкам
3. Преобразование матрицы расстояний в относительную
4. Формирование матрицы стандартизированных дистанций
между территориями
19. Пространственная автокорреляция
• Используется когда необходимо учесть влияние факторов развития не
только исследуемой территории, но других территориальных систем
• Позволяет оценить случайность или упорядоченность распределения
хозяйствующих субъектов в пространстве;
• Осуществить их пространственную кластеризацию;
• Оценить концентрацию ресурсов в пространстве;
• Выявить тесноту пространственной взаимосвязи между территориями
Положительная
автокорреляция
Объединение в кластер
объектов с близкими показателями
Отрицательная
автокорреляция
Объединение в кластер объектов с
непохожими характеристиками
20. z-оценка p-значения Доверительный уровень
< -1,65 или > +1,65 < 0,10 90%
< -1,96 или > +1,96 < 0,05 95%
< -2,58 или > +2,58 < 0,01 99%
p-значение
(вероятность, что
наблюдаемые
пространственные
закономерности
созданы случайным
процессом)
z-оценка -
стандартные
отклонения
показателя в
пространстве
(оценка
случайности
распределения)
=1-НОРМ.СТ.РАСП(Z-оценка; ИСТИНА)
22. где
Xi, Xj – атрибутивные признаки для объектов i и j
Wij – Пространственный вес для пары объектов i и j
N – общее число объектов
E(G) – Ожидаемое среднее значение индекса автокорреляции
Границы значений Индекса 0 ≤ G ≤ 1
Показатель Getis-Ord (G) используется когда:
• данные распределены достаточно равномерно,
• необходимо найти неожиданные всплески высоких значений в
пространстве
G > E(G)
Наблюдается пространственная кластеризация
объектов с высокими значениями
G < E(G)
Наблюдается пространственная кластеризация
объектов с низкими значениями
Рост Z
Повышение интенсивности пространственной
кластеризации
23. Локальный индекс Гетиса и Орда
«Мера локальной кластеризации основана на концентрации
значений в окрестности исследуемых объектов».
Гетис и Орд получили ожидаемое значение и дисперсию
индекса автокорреляции Gi, используя бинарную матрицу
пространственных весов (W).
24. Однородность распределения показателей социально-
экономического развития по территориальным системам
встречается крайне редко
В условиях высокой поляризованности социально-
экономического развития данный метод дает ложные
результаты
В случае сложной структуры (когда отношения между
соседними объектами имеют «нелинейный» характер),
более точную картину пространственных взаимосвязей
можно получить, используя показатели пространственной
автокорреляции П. Морана или C Джири.
Недостатки методики Гетиса-Орда
25. ВРП на душу населения по
линейным расстояниям
ArGIS or Dektop 10.7.1
26. Кластер средних значений Z Р-знач. Кластер высоких значений Z Р-знач.
Саратовская область -3,11726 0% Ямало-Ненецкий автономный округ 3,101106 0%
Республика Мордовия -3,11726 0% Мурманская область 2,654055 1%
Пензенская область -3,11726 0%
Рязанская область -3,07029 0%
Тамбовская область -3,07029 0%
Липецкая область -3,07029 0%
Московская область -3,07029 0%
Тульская область -2,99675 0%
Воронежская область -2,95652 0%
Курская область -2,95652 0%
Орловская область -2,95652 0%
Волгоградская область -2,90614 0%
Белгородская область -2,87032 0%
Калужская область -2,83983 0%
Брянская область -2,83983 0%
Ростовская область -2,78598 1%
Астраханская область -2,728 1%
Самарская область -2,7052 1%
Ульяновская область -2,7052 1%
Республика Калмыкия -2,66144 1%
г. Москва -2,62848 1%
Кластер низких значений Z Р-знач. Кластер значений выше среднего Z Р-знач.
Ставропольский край -2,49175 1% Ненецкий автономный округ 2,277596 2%
Республика Адыгея -2,43759 1% Ханты-Мансийский автономный округ 2,254841 2%
Краснодарский край -2,43759 1% Тюменская область 1,674338 5%
Чеченская республика -2,35216 2%
Карачаево-Черкесская республика -2,32656 2%
Оренбургская область -2,29837 2%
Республика Крым -2,2821 2%
Республика Северная Осетия-Алания -2,23506 3%
Смоленская область -2,2043 3%
Кабардино-Балкарская республика -2,11307 3%
Республика Дагестан -2,09931 4%
Республика Ингушетия -2,04079 4%
Псковская область -1,70837 5%
28. Мера пространственной автокорреляции
(статистика Джири C)
Мера Джири C является более чувствительной к локальной
пространственной автокорреляции, чем Индекс П. Морана.
где Y – исследуемый признак
So – сумма весов пространственной матрицы W
Границы значений Индекса 0 ≤ C ≤ 2
Если С=1 Пространственная корреляция отсутствует
Если 0 ≤ C ≤ 1 Положительная пространственная корреляция
Если 1 ≤ C ≤ 2 Отрицательная пространственная корреляция
29. Оценка статистической значимости статистики Джири
E (С) = −1 / (n−1) Ожидаемое среднее значение Статиcтики Джири
Величина Z определяет :
• на какое количество стандартных отклонений фактическое значение
статистики Р. Джири удалено от ожидаемого среднего значения (E)
• чем сильнее оно удалено — тем менее вероятно, что фактическое
распределение случайно
• при Z = E (C) – значения наблюдений в соседних территориях
расположены случайным образом
Z < 0 положительная пространственная автокорреляция
Z > 0 отрицательная пространственная автокорреляция
30. 𝐿𝐺𝑖 =
𝑗
𝑊𝑖𝑗(𝑋𝑖 − 𝑋𝑗)2
где
– анализируемый показатель одного региона
– анализируемый показатель другого региона
– элемент матрицы пространственных весов для регионов i и j;
Положительная пространственная автокорреляция наблюдается у тех
объектов:
у которых локальная статистика Джири (С) является
существенной (выше среднего значения)
и менее существенной (ниже среднего значения)
Локальный индекс Джири Р.
31. ВРП по
смежным
границам
ВРП по
линейным
расстояниям
(стандартиз.
расстояния)
ВРП по
линейным
расстояниям
ВРП по
дорогам
(стандартиз.
расстояния)
ВРП по
дорогам
Статистика Р.
Джири
0,554 0,606 0,581 0,559 0,493
Z-оценка 24,1 30,8 30,5 28,8 31,7
P-значение 0,000 0,000 0,000 0,000 0,000
Пространственный кластер
Ненецкий АО Ненецкий АО Ненецкий АО Ненецкий АО Ненецкий АО
ЯНАО ЯНАО ЯНАО ЯНАО ЯНАО
Архангельская
область
ХМАО ХМАО ХМАО ХМАО
Респ. Коми г. Москва г. Москва г. Москва г. Москва
ХМАО
Архангельская
область
Архангельская
область
Сахалинская
область
Архангельская
область
Красноярский
край
Сахалинская
область
Республика
Коми
Архангельская
область
Республика
Коми
Мурманская
область
32. ВРП по
смежным
границам
ВРП по
линейным
стандартиз.
расстояниям
ВРП по
линейным
расстояниям
ВРП по дорогам
(стандартиз.
расстояния)
ВРП по
дорогам
Интегральный
показатель
Ненецкий АО 0,1325 0,1717 0,1667 0,1682 0,1359 0,1550
ЯНАО 0,1087 0,0821 0,0779 0,0827 0,0656 0,0834
Архангельская обл. 0,0953 0,0111 0,0116 0,0082 0,0077 0,0268
ХМАО 0,0453 0,0193 0,0196 0,0191 0,0172 0,0241
Респ. Коми 0,0903 0,0068 0,0077 0,0060 0,0063 0,0234
г. Москва 0,0010 0,0112 0,0131 0,0118 0,0140 0,0103
Красноярский кр. 0,0333 0,0040 0,0029 0,0031 0,0023 0,0091
Сахалинская обл. 0,0000 0,0098 0,0037 0,0088 0,0031 0,0051
Тюменская обл. 0,0046 0,0052 0,0056 0,0048 0,0052 0,0051
Пермский кр. 0,0053 0,0048 0,0058 0,0038 0,0044 0,0048
Свердловская обл. 0,0051 0,0045 0,0052 0,0037 0,0042 0,0045
Омская обл. 0,0062 0,0044 0,0042 0,0038 0,0036 0,0044
Кировская обл. 0,0005 0,0050 0,0062 0,0043 0,0053 0,0043
Чукотский О 0,0015 0,0068 0,0025 0,0063 0,0030 0,0040
Курганская обл. 0,0005 0,0048 0,0052 0,0040 0,0044 0,0038
Томская обл. 0,0052 0,0042 0,0035 0,0033 0,0027 0,0038
Ивановская обл. 0,0002 0,0046 0,0054 0,0038 0,0046 0,0037
Мурманская обл. 0,0001 0,0068 0,0058 0,0033 0,0024 0,0037
Респ. Марий Эл 0,0002 0,0042 0,0052 0,0038 0,0047 0,0036
Вологодская обл. 0,0002 0,0044 0,0050 0,0037 0,0042 0,0035
Чувашская респ. 0,0003 0,0041 0,0051 0,0037 0,0047 0,0036
Удмуртская респ. 0,0001 0,0042 0,0051 0,0037 0,0044 0,0035
Костромская обл. 0,0001 0,0043 0,0052 0,0036 0,0043 0,0035
Респ. Татарстан 0,0008 0,0038 0,0047 0,0034 0,0043 0,0034
Московская обл. 0,0014 0,0037 0,0044 0,0034 0,0040 0,0034
г. Санкт-Петербург 0,0001 0,0045 0,0045 0,0038 0,0038 0,0033
Респ. Карелия 0,0001 0,0048 0,0050 0,0034 0,0033 0,0033
Локальные индексы автокорреляции Р. Джири
35. Глобальный индекс пространственной автокорреляции П. Морана
где,
N – число регионов;
– элемент матрицы пространственных весов для регионов i и j;
µ – среднее значение показателя;
– анализируемый показатель одного региона;
– анализируемый показатель другого региона.
Ожидаемое среднее значение Индекса
При IG > E (I) наблюдается положительная пространственная автокорреляция
(значения наблюдений в соседних территориях являются подобными)
При IG < E (I) – наблюдается отрицательная автокорреляция (значения
наблюдений в соседних территориях отличаются).
При IG = E (I) – значения наблюдений в соседних территориях расположены
случайным образом
36. Величина Z определяет :
• на какое количество стандартных отклонений фактическое значение индекса
Морана удалено от ожидаемого среднего значения (E).
• чем сильнее оно удалено — тем менее вероятно, что фактическое
распределение случайно.
Пространственная кластеризация с помощью диаграммы рассеивания Морана
-0.00600
-0.00400
-0.00200
0.00000
0.00200
0.00400
0.00600
0.00800
0.01000
-1.00000 0.00000 1.00000 2.00000 3.00000 4.00000 5.00000 6.00000 7.00000 8.00000 9.00000
WZ
37. Категория территорий LL:
территории с положительной
автокорреляцией, имеют
относительно низкие собственные
значения анализируемого показателя,
окружены территориями также с
относительно низкими значениями
анализируемого показателя.
Территории, не связанные с другими,
не испытывающие влияния ни ядер,
ни спутников-противовесов
Категория территорий HH:
территории с положительной
автокорреляцией, имеют относительно
высокие значения анализируемого
показателя и окружены территориями
также с относительно высокими
значениями данного показателя. Данные
территории не являются полюсами
роста, так как обладают высокими
значениями показателя. Это территории
– спутники, (противовесы ядра)
Категория территорий HL:
территории с отрицательной
автокорреляцией, имеют относительно
высокие собственные значения
анализируемого показателя, окружены
территориями с относительно низкими
значениями анализируемого показателя.
Полюса роста (ядра), зоны высокой
концентрации ресурсов
Категория территорий LH:
территории с отрицательной
автокорреляцией, имеют относительно
низкие собственные значения
анализируемого показателя, окружены
территориями с относительно
высокими значениями анализируемого
показателя. Являются зоной влияния
территорий, располагающихся в
категориях HL и HH (периферией) Z
W
Пространственная кластеризация территорий
38. Локальный индекс автокорреляции П. Морана (Ili)
Локальные индексы автокорреляции П. Морана позволяют:
1.Установить полюса роста пространственных кластеров
2.Оценить силу взаимовлияния полюсов роста на другие территории
3.Оценить направление пространственной корреляции (прямая / обратная)
При ILi < 0 наблюдается отрицательная автокорреляция для территории i,
данная территория существенно отличается по исследуемому показателю от
соседних территорий (outlier)
При ILi > 0 – автокорреляция положительная, данная территория по
исследуемому показателю подобна соседним территориям (cluster)
При | ILi | > | ILj | – подобие/различие территории i с окружающими ее
соседними территориями является большим, чем в случае территории j и ее
соседей.
39. 1.
2.
Развитие методики пространственной кластеризации Морана П.
Согласно диаграмме рассеивания Морана
полюса роста (HL) – территории с
относительно высокой концентрацией
ресурсов по сравнению с окружающими
территориями
Но на практике в эту
категорию попадают и
территории с низкими
значениями анализируемого
показателя (Экстремумы)
К полюсам роста мы предлагаем относить
не все территории
• Значение локального индекса автокорреляции
П. Морана должно быть выше верхней границы
разброса отклонения его значений
• Полюса роста должны отличаться
высокими значениями исследуемых показателей
В каждом квадранте (HH, LH) диаграммы рассеивания
Морана П. предлагается выделять территории с высоким
(выше среднего) и низким уровнем пространственного
взаимовлияния
40. LH
HH
Пространственные кластеры с высокими
значениями анализируемого показателя
Высокий уровень
пространственного
взаимовлияния
Низкий уровень
пространственного
взаимовлияния
Высокий уровень
пространственного
взаимовлияния
Низкий уровень
пространственного
взаимовлияния
Являются зоной
влияния
пространственных
кластеров (HH) и
полюсов роста (HL)
Испытывают слабое
влияние
пространственных
кластеров (HH) и
полюсов роста (HL)
• Данные территории
не являются
полюсами роста
• Испытывают
влияние полюсов
роста (HL) и
располагаются
вокруг них
• Территории
испытывают слабое
влияние полюсов
роста (HL)
• Являются
периферией
пространственного
кластера
LL
Кластеризация территорий
с низкими значениями показателя
HL
Высокий уровень
пространственного
взаимовлияния
Низкий уровень
пространственного
взаимовлияния
• Территории, не связанные с другими
территориальными системами
• Не испытывают влияние пространственных
кластеров (HH) и полюсов роста (HL)
• Полюса роста (ядра
пространственного
кластера)
• зоны с высокой
концентрацией
ресурсов
• Выбросы
(экстремумы)
• Не являются
полюсами роста
42. Матрица взаимовлияния позволяет:
• оценить тесноту взаимосвязи между исследуемыми объектами в
пространстве
• выявить направление данных взаимосвязей (прямые и обратные)
– индекс локальной автокорреляции между двумя регионами;
– элемент матрицы пространственных весов для регионов i и j;
– стандартизированные значения показателя одного региона;
– стандартизированные значения показателя одного региона:
Выделение в матрице значений, превышающих среднее значение
локального индекса автокорреляции, позволит:
• выявить зоны взаимовлияния полюсов роста,
• установить территории, получающие импульс от их развития или
способствующие их развитию
44. Недостатки метода пространственной автокорреляции:
1. Высокая зависимость результатов от типа используемых в расчетах
систем измерения расстояний между исследуемыми объектами.
• линейные расстояния;
• расстояния по автомобильным дорогам;
• расстояния по железнодорожным магистралям,
• расстояния по авиационным, речным сообщениям,
• расстояния между центрами территориальных систем или до их границ
• матрица торговых потоков (Beck, 2006),
• матрица, отражающая разницу в культурных ценностях (Di Guardo, 2013),
• матрица минимального времени в пути между столицами регионов,
• матрица рыночного потенциала регионов (Луговая, 2007)
Пространственная автокорреляция может корректно описываться только
одним набором пространственных весов W, использование других приведет
к ложным результатам.
Необходим расчет интегрального значения глобального индекса
пространственной автокорреляции по различным матрицам расстояний
45. 2. Распределение пространственных данных должно быть
нормальным, методика Морана П. допускает погрешности при
малом количестве регионов. Однако Anselin и Florax (1995)
доказали обратное.
3. Результаты зависят и от используемой методики расчета
пространственной автокорреляции:
Моран П., Гири Р., Гетис А. и Орд Дж., Анселин Л.
Необходим расчет индексов
пространственной
автокорреляции по различным
методикам и отбор наиболее
точных по Р-значению
Необходим расчет интегрального
показателя автокорреляции, который
бы учитывал:
• результаты расчетов по различным
методикам
• результаты расчетов по различным
системам измерения расстояний
46. 4. Выявленные взаимосвязи между территориями не всегда
подтверждаются качественным анализом реальных коопераций
территорий в рассматриваемых процессах
Необходимо подтверждение
выявленных взаимосвязей с
помощью корреляционного
анализа с использованием
временных рядов
Необходимо подтверждение
выявленных взаимосвязей между
территориями с помощью
качественного анализа:
• анализ реализуемых совместных
проектов развития транспортной,
инженерной, производственной,
научной инфраструктур;
• поиск совместно образованных
кластерных структур;
• поиск созданных или создаваемых
совместных предприятий в
различных сферах деятельности
48. ВРП по смежным границам
LH HH
Архангельская область -0,00431 Ямало-Ненецкий автономный округ 0,11053
Омская область -0,00118 Ненецкий автономный округ 0,08556
Томская область -0,00035 Ханты-Мансийский автономный округ 0,02315
Пермский край -0,00033 Республика Коми 0,0055
Свердловская область -0,00020 Чукотский автономный округ 0,0032
Хабаровский край -0,00006 Магаданская область 0,0026
Красноярский край 0,0021
Республика Саха (Якутия) 0,0014
Камчатский край 0,0005
Тюменская область 0,0004
Сахалинская область 0,0000
LL HL
Московская область (Коломна) 0,0001 г. Москва -0,000101
Ставропольский край 0,0034 Мурманская область -0,000024
Республика Ингушетия 0,0017 г. Санкт-Петербург -0,000008
Чеченская Республика 0,0017
Республика Северная Осетия-Алания 0,0015
Кабардино-Балкарская Республика 0,0015
Саратовская область 0,0015
Республика Калмыкия 0,0014
Нижегородская область 0,0013
Все остальные регионы
ЯНАО – ХМАО;
ЯНАО – Ненецкий АО
Межрегиональные взаимовлияния по матрице Л. Анселина
49. ВРП по линейным расстояниям (стандартизированные расстояния)
LH HH
Архангельская область -0,00013 Ямало-Ненецкий автономный округ 0,00538
Еврейская автономная область -0,00012 Ненецкий автономный округ 0,00213
Курганская область -0,00007 Ханты-Мансийский автономный округ 0,00151
Приморский край -0,00007 Чукотский автономный округ 0,00063
Омская область -0,00006 Магаданская область 0,00043
Амурская область -0,00004 Республика Саха (Якутия) 0,00022
Хабаровский край -0,00001 Камчатский край 0,00011
Пермский край -0,00001 Республика Коми 0,00010
Мурманская область 0,00005
Тюменская область 0,00003
Сахалинская область 0,00002
LL HL
Республика Ингушетия 0,0037 г. Москва -0,00209
Республика Северная Осетия-Алания 0,0033 г. Санкт-Петербург -0,00018
Карачаево-Черкесская Республика 0,0024 Красноярский край -0,00002
Чеченская Республика 0,0020
Кабардино-Балкарская Республика 0,0018
Республика Тыва 0,0013
Ставропольский край 0,0013
Республика Адыгея 0,0012
г. Севастополь 0,0012
Все остальные регионы
ЯНАО – ХМАО;
Ненецкий АО – ЯНАО;
Ненецкий АО – ХМАО
Межрегиональные взаимовлияния по матрице Л. Анселина:
Респ. Тыва - Карачаево-Черкесская респ.;
Респ. Ингушетия - респ. Сев. Осетия-Алания
50. ВРП по линейным расстояниям
LH HH
Архангельская область -0,00013 Ямало-Ненецкий автономный округ 0,00510
Курганская область -0,00008 Ненецкий автономный округ 0,00207
Омская область -0,00006 Ханты-Мансийский автономный округ 0,00153
Еврейская автономная область -0,00005 Чукотский автономный округ 0,00023
Приморский край -0,00003 Магаданская область 0,00018
Амурская область -0,00002 Республика Коми 0,00011
Пермский край -0,00001 Республика Саха (Якутия) 0,00011
Хабаровский край 0,00000 Мурманская область 0,00004
Камчатский край 0,00004
Тюменская область 0,00004
Сахалинская область 0,00001
LL HL
Республика Ингушетия 0,0034 г. Москва -0,00244
Республика Северная Осетия-Алания 0,0031 г. Санкт-Петербург -0,00018
Карачаево-Черкесская Республика 0,0023 Красноярский край -0,00002
Чеченская Республика 0,0019
Кабардино-Балкарская Республика 0,0017
Ставропольский край 0,0012
Республика Адыгея 0,0011
Все остальные регионы
Межрегиональные взаимовлияния по матрице Л. Анселина:
Респ. Тыва - Карачаево-Черкесская респ.;
Респ. Ингушетия - респ. Сев. Осетия-Алания
ЯНАО – ХМАО;
Ненецкий АО – ЯНАО;
Ненецкий АО – ХМАО
51. ВРП по дорогам (стандартизированные расстояния)
LH HH
Еврейская автономная область -0,00005 Ямало-Ненецкий автономный округ 0,00188
Приморский край -0,00003 Ханты-Мансийский автономный округ 0,00132
Амурская область -0,000001 Чукотский автономный округ 0,00047
Магаданская область 0,00024
Камчатский край 0,00009
Республика Саха (Якутия) 0,00007
LL HL
Республика Ингушетия 0,0036 г. Москва -0,002546
Республика Северная Осетия-Алания 0,0032 Ненецкий автономный округ -0,001504
Чеченская Республика 0,0021 Сахалинская область -0,000295
Кабардино-Балкарская Республика 0,0020 г. Санкт-Петербург -0,000289
Карачаево-Черкесская Республика 0,0016 Красноярский край -0,000072
Ставропольский край 0,0013 Мурманская область -0,000020
г. Севастополь 0,0012 Тюменская область -0,000011
Республика Крым 0,0012
Все остальные регионы
Межрегиональные взаимовлияния по матрице Л. Анселина:
Респ. Ингушетия – респ. Сев. Осетия-Алания;
Респ. Ингушетия – Чеченская респ.;
Респ. Крым – г. Севастополь
ЯНАО – ХМАО;
Ненецкий АО – ЯНАО;
Ненецкий АО – ХМАО;
Ненецкий АО – г. Москва;
Ненецкий АО – Чукотский АО
52. ВРП по дорогам
LH HH
Приморский край -0,00001 Ямало-Ненецкий автономный округ 0,0015
Еврейская автономная область -0,00002 Ханты-Мансийский автономный округ 0,0012
Амурская область -0,0000003 Чукотский автономный округ 0,0002
Магаданская область 0,0001
Камчатский край 0,00004
Республика Коми 0,00003
Республика Саха (Якутия) 0,00003
LL HL
Республика Ингушетия 0,0032 г. Москва -0,003022
Республика Северная Осетия-Алания 0,0029 Ненецкий автономный округ -0,001215
Чеченская Республика 0,0019 г. Санкт-Петербург -0,000289
Кабардино-Балкарская Республика 0,0018 Сахалинская область -0,000102
Карачаево-Черкесская Республика 0,0015 Красноярский край -0,000054
Ставропольский край 0,0013 Мурманская область -0,000015
Ивановская область 0,0011 Тюменская область -0,000012
Все остальные регионы
Межрегиональные взаимовлияния по матрице Л. Анселина:
Респ. Ингушетия – Кабардино-Балкарская респ.;
Респ. Ингушетия – Чеченская респ.;
Респ. Ингушетия – респ. Северная Осетия-Алания;
Респ. Северная Осетия-Алания – Кабардино-Балкарская респ.;
Респ. Северная Осетия-Алания – Чеченская респ.
ЯНАО – ХМАО;
Ненецкий АО – ХМАО;
Ненецкий АО – ЯНАО;
Ненецкий АО – г. Москва
53. Итоговые результаты
ВРП по
смежным
границам
ВРП по
линейным
расстояниям
(стандартиз.
расстояния)
ВРП по
линейным
расстояниям
ВРП по дорогам
(стандартиз.
расстояния)
ВРП по дорогам
Глобальный
индекс
Морана П.
0,279 0,0446 0,0436 0,0362 0,0361
Z-оценка 19,2 60,8 62,2 62,5 64,8
P-значение 0,000 0,000 0,000 0,000 0,000
ЯНАО – ХМАО;
Ненецкий АО
ЯНАО – ХМАО;
Ненецкий АО
ЯНАО – ХМАО ЯНАО – ХМАО ЯНАО – ХМАО
Ненецкий ОА – ХМАО; Ненецкий ОА –
ЯНАО; ХМАО
Ненецкий ОА – ЯНАО;
ХМАО; г. Москва;
Чукотский автономный
округ
Ненецкий ОА – ЯНАО; ХМАО;
г.Москва
Респ. Тыва – Карачаево-
Черкесская респ.
Респ. Тыва –
Карачаево-
Черкесская респ.
Респ. Ингушетия – респ.
Северная Осетия-
Алания; Чеченская респ.
Сахалинская обл. - Еврейская АО
г. Москва – Ивановская обл.
Респ. Ингушетия –
респ. Северная Осетия-
Алания
Респ. Ингушетия –
респ. Северная
Осетия-Алания
Респ. Крым –
г.Севастополь
Респ. Ингушетия – Кабардино-
Балкарская респ.; Чеченская респ.;
респ. Северная Осетия-Алания
Респ. Северная Осетия-Алания -
Кабардино-Балкарская респ.;
Чеченская респ.
Респ. Крым – г. Севастополь
54. Межрегиональные взаимовлияния по матрице Л. Анселина:
ЯНАО – ХМАО;
Ненецкий АО – ЯНАО;
Ненецкий АО – ХМАО
Респ. Ингушетия –
респ. Сев. Осетия-Алания
55. ФГБУН Институт экономики
Уральского отделения РАН
Лаборатория моделирования
пространственного развития
территорий
г. Екатеринбург
ул. Московская, 29, каб. 311.
Наумов Илья Викторович
naumov.iv@uiec.ru
ilia_naumov@list.ru
+7(908) 901-55-98
57. Модель пространственного лага (SAR – spatial autoregression)
Где,
Y – значения эндогенной (объясняемой) переменной,
X – экзогенные (объясняющие) переменные,
β – коэффициенты регрессии,
WY – пространственный лаг на эндогенную переменную,
ρ – коэффициент пространственной авторегрессии.
• В модели проверяется гипотеза, о том, что регионы, находящиеся
в окружении быстрорастущих регионов, будут также расти более
высокими темпами.
• Модель представляет собой минимальную модель условной
конвергенции.
Модель лага только на эндогенную переменную
58. • Правая часть уравнения содержит пространственный лаг
зависимой переменной.
• Поэтому, коэффициенты регрессии не могут быть
интерпретированы напрямую, т.к. не являются предельными
эффектами, означающими, на какую величину изменится
зависимая переменная в результате изменения объясняющей
переменной на 1 единицу (при неизменности остальных
переменных).
Пространственный эффект зависимой переменной
может быть описан следующим образом:
Изменение объясняющих переменных в регионе 𝑖 приведет к:
• прямому воздействию на зависимую переменную в регионе 𝑖
• и косвенному воздействию на зависимую переменную в регионе
𝑗 ̸= 𝑖.
59. Модель пространственного лага
на экзогенные переменные
где γ – пространственные коэффициенты.
Экономическая интерпретация модели заключается в том, что:
• темпы роста показателя зависят, как от его значения в самом
регионе,
• так и значений показателя в соседних регионах.
60. Модель пространственной ошибки (SEM – spatial error model)
где λ - коэффициент пространственной корреляции остатков
• Модель предполагает, что случайная компонента следует
пространственному авторегрессионному процессу первого порядка
• В такой модели подразумевается существование пространственной
зависимости в остатках регрессии.
Модель применяется в случаях, когда:
• подобные пространственные взаимодействия между значениями
зависимой переменной в соседних регионах маловероятны или
несущественны,
• предполагается, что соседние регионы все же влияют друг на друга,
однако это влияние не отражается во включенных в модель
регрессорах.
61. Модель пространственной ошибки (Дарбина)
Где, λ+ λβ =0 – ограничение пространственной модели
Модель Дарбина включает пространственный лаг:
• на эндогенную переменную,
• и на все экзогенные переменные.
Согласно модели: темпы роста показателя в регионе связаны:
• с темпами роста данного показателя в соседних регионах
посредством эндогенного пространственного лага
• и через экзогенный пространственный лаг с начальными
значениями исследуемого признака в соседних регионах.
62. Оценка достоверности моделей
1. Достоверность и точность пространственной авторегрессионной
модели можно определить с помощью пространственного теста
множителей Лагранжа (Anselin, Bera, Florax & Yoon 1996).
• рассчитываются тестовые статистики 𝐿𝑀 для различных матриц
пространственных весов (𝑊)
• а также соответствующие 𝑝-значения для пространственного лага и
ошибки
2. Традиционным инструментом оценки модели пространственных лагов
является метод максимального правдоподобия Anselin (1988).
• Данный подход реализован в основных программных пакетах для
анализа пространственных регрессий.
• Метод основан на допущении нормальности ошибок и подразумевает
многократный расчет логарифма детерминанта матрицы 𝐼 − 𝜌𝑊 в
процессе нахождения оптимального значения пространственного
параметра 𝜌.
• многократный расчет логарифма детерминанта требует значительных
затрат времени при больших размерах выборки.