|
Оглавление3. Анализ зарубежного опыта в области развития массового спорта 4. Совокупность принципов развития массового спорта 5. Факторы, влияющие на развитие массового спорта 7. Концепция развития массового спорта 8. Система выявления талантов на местном и региональном уровне 9. Предложения по развитию массового спорта на примере футбола Для бесплатного чтения доступна только часть главы! Для чтения полной версии необходимо приобрести книгу6. Количественная модель оценки уровня влияния социально-экономических показателей региона на развитие массового спорта и система мониторинга эффективности развития массового спорта на региональном уровнеВ данном разделе решаются следующие задачи: • группировка и ранжирование факторов, влияющих на развитие массового спорта и спорта высших достижений, определение вектора их влияния и разработка методологии выявления их приоритетности; • выявление критериев эффективности системы развития массового спорта и спорта высших достижений на региональном уровне; • разработка количественной модели оценки уровня влияния социально-экономических показателей региона на развитие массового спорта и спорта высших достижений; • разработка предложений по созданию системы мониторинга эффективности развития массового спорта и спорта высших достижений на региональном уровне. Для решения перечисленных задач используется методология, включающая два этапа: На первом этапе на основании статистических данных о социально-экономическом развитии регионов РФ и результатов развития массового спорта и спорта высших достижений: • предлагается структурная модель; • выявляются измеряемые факторы, позволяющие провести количественную оценку параметров этой модели; • проверяется качество построенной модели. В рамках данного направления работы используется метод структурного моделирования на основе частных наименьших квадратов PLS – SEM (Partial Least Square – Structural Equation Modelling). На втором этапе для оценки эффективности преобразования различными регионами выделенных факторов (социально-экономические показатели) в результаты (показатели развития массового спорта и спорта больших достижений) используется метод DEA (Data Envelopment Analysis). На основе этого метода предлагается модель системы мониторинга эффективности развития массового спорта и спорта высших достижений на региональном уровне. Дальнейшее изложение построено следующим образом. Каждый этап используемой методологии описан в отдельном разделе, в начале каждого раздела приводится краткое описание используемых методов, а затем – описание полученных результатов. 6.1. Структурная модель развития массового спорта и спорта высших достижений в регионе6.1.1. Метод структурного моделирования PLS-SEMРассматриваемая система (экономика региона – инвестиции в развитие спорта – спортивные результаты) относится к классу так называемых «мягких» (soft) систем, которые в отличие от «жестких» (hard) систем, не имеют полностью определенной структуры, фиксированного состава элементов и заданных законов поведения. Возможно существование нескольких одновременных и неполных представлений о характеристиках мягких систем, что часто является следствием наличия в них социального компонента (Chekland, 2001). Очень часто при исследовании мягких систем невозможно измерить напрямую их ключевые параметры, их оценка возможна лишь через использование наблюдаемых переменных – индикаторов. Одним из наиболее широко применяющихся сегодня методов исследования таких систем является моделирование на основе структурных уравнений (Structural Equation Modeling – SEM). При этом предполагается, что матрицу наблюдаемых значений Х размерностью n × p (n – число наблюдений, p – число параметров) можно разбить на J независимых блоков Xj, с каждым из которых ассоциируется неявная переменная LVj, j = 1, ..., J, каждый блок Xj содержит K переменных Xj1, ..., XjK. Неявные переменные также часто называют латентными переменными, факторами или конструктами. Основная идея заключается в том, что наблюдаемые переменные являются индикаторами латентных переменных, т.е. они связаны уравнением Xjk = λ0jk + λjkLVj + ɛjk, k = 1, ..., K. (9) Коэффициенты λjk называют нагрузками факторов (factor loadings), ɛjk – ошибка. Существует несколько видов задач, решаемых в рамках методологии SEM (Raykov & Marcoulides, 2006). Наиболее актуальной в свете рассматриваемой проблемы является построение модели структурной регрессии, которая позволяет проверить гипотезы о существовании зависимостей между латентными переменными. Эти зависимости чаще всего представляются в виде: LVj = β0 + βjiLVi + V + ɛj, (10) где ɛj – ошибка, βji – коэффициент пути (path coefficient). Запись i → j здесь означает, что суммирование производится по всем значениям i за исключением i → j. Очевидно, что о направлении связи между латентными переменными и ее силе можно судить по величине коэффициента βji. Последовательность действий при этом следующая: 1. Выдвижение гипотез о существовании латентных переменных и видах связи между ними. 2. Определение индикаторов латентных переменных, сбор данных. 3. Численное моделирование, оценка качества модели. 4. Если необходимо – модификация модели и возврат на шаг 3. 5. Интерпретация полученных результатов. В общем виде модель структурной регрессии представлена на рисунке 9, при этом использована нотация RAM (Reticular Action Model), предложенная McArdle & McDonald (1984). Согласно этой нотации латентные переменные изображаются окружностями, их индикаторы – прямоугольниками. Стрелки между латентными переменными отображают связи между ними (с ненулевыми коэффициентами βji, уравнение (10), стрелки между латентной переменной и индикаторами соответствуют уравнениям (9). Рисунок 9. Модель структурной регрессии Система уравнений (9), (10) в рамках SEM обычно решается при помощи одной из модификаций метода наименьших квадратов. Отметим, что это накладывает ограничения на минимальный размер матрицы наблюдений, наличие коллинеарности между индикаторами и т.д. Поэтому в последнее время для построения структурной регрессии все чаще используется метод частных наименьших квадратов (PLS – Partial Least Squares), который позволяет смягчить эти ограничения. При использовании PLS количество индикаторов может быть больше числа наблюдений, т.е. p > n. Минимальное количество наблюдений в этом случае имеет лишь два ограничения (Hensler, Hubova & Ash Ray, 2016). Первое – техническое – связано со сходимостью выбранной модификации метода (например, слишком малая выборка может привести к появлению сингулярной матрицы при вычислениях). Второе ограничение продиктовано статистической интерпретацией полученных результатов – как правило, чем больше выборка, тем уже доверительные интервалы значений параметров модели. Поэтому известное эвристической правило, гласящее, что при построении регрессии размер выборки должен быть в 10 раз больше числа независимых переменных, при использовании PLS следует применять к структурному блоку (т.е. латентной переменной, см. уравнение (10)) с наибольшим числом входящих связей (Chin, 1998). Более детальное обсуждение этого вопроса см. в Marcoulides & Chin (2013). Что касается мультиколлинеарности, т. е. наличия линейной зависимости между индикаторами то, как следует из уравнения (9), корреляция индикаторов является залогом построения эффективной модели. Метод решения задачи построения структурной регрессии при помощи частных наименьших квадратов получил название PLS-SEM (Partial Least Squares – Structural Equation Modelling) и в последнее время широко используется для эмпирической проверки теорий в экономике, менеджменте, социологии, психологии и других науках, предметом которых являются мягкие системы. Отметим также, что PLS-SEM допускает не только рефлективный способ измерения латентных переменных, который соответствует уравнению (9), но и формативный способ. В этом случае полагается, что индикаторы формируют рассматриваемый фактор, и соответствующее уравнение должно быть записано как: LVj = λ0j + λjkXjk + ɛj (11) Уравнения (9)–(11) формируют полную модель структурной регрессии. 6.1.2. Структурная модель развития спортаСогласно описанной выше последовательности, построение структурной регрессии начинается с выдвижения гипотез о структурных связях в исследуемой системе. Часто первоначальная модель не полностью подтверждается эмпирическими данными, поэтому в процессе дальнейшего анализа она уточняется и реформируется таким образом, чтобы параметры модели соответствовали требованиям качества. Первоначальная структурная модель, основанная на логических предположениях о потенциальных связях в системе, показана на рисунке 10. Знак (+) означает, что предполагается положительное влияние одной переменной на другую (с увеличением независимой переменной значение зависимой также возрастает), (–) – отрицательное (с увеличением независимой переменной значение зависимой уменьшается). Описание выдвинутых гипотез приведено в таблице 4. Рисунок 10. Гипотетическая структурная модель развития спорта в регионе Таблица 4 Гипотезы относительно структурных связей в системе развития спорта на региональном уровне.
6.1.3. Эмпирический набор данныхВыдвинутые гипотезы проверены на наборе данных, представленном в официальных статистических формах Росстата Министерства спорта РФ (1-ФК, 3-ФК, 5-ФК) и включающем набор социально-экономических индикаторов развития регионов (всего 28 переменных) и показателей развития спорта в регионе (39 переменных) по 82 регионам РФ за 2012–2015 годы. Таким образом, общая выборка включала 328 наблюдений 67 переменных. Список индикаторов представлен в таблице 5. Таблица 5 Переменные эмпирического набора данных.
Внимание! Авторские права на книгу "Развитие массового спорта в современной России. Монография" ( Власов А.Е., Зеленков Ю.А., Солнцев И.В. ) охраняются законодательством! |