Реферат: Электоральные предпочтения и потенциал новых партий в субъектах РФ

где sij - доля этнической группы i (i = 1…N) в регионе j.

В то же время, в данной работе не рассматривается скорректированный индекс, учитывающий лингвистические и конфессиональные расколы, т.к. в предшествующих работах была выявлена связь между указанными признаками на региональном уровне в России, в силу чего полученный скорректированный индекс в значительной степени не отличается от первоначального. Кроме того, данный показатель (как и скорректированный) обладает рядом недостатков, указанных выше: во-первых, он не учитывает наличие конфликтов в обществе и, во-вторых, не рассматривает степень политизированности этих конфликтов. Несмотря на эти ограничения, данный предиктор все же будет использоваться в данной работе, так как позволит оценить, во-первых, насколько национальные республики рассматриваются новыми партиями, как потенциальная площадка для наращивания электорального потенциала и, во-вторых, насколько этнические расколы благоприятствуют увеличению электоральной поддержки новых партий.

Таблица 2. Ключевые независимые переменные

Выбор третьего ключевого предиктора - удельный вес городского населения в общей численности населения (переменная urb) обусловлен тем, что степень концентрации населения на ограниченной территории позволяет вести избирательные кампании с наименьшими издержками, если уровень урбанизации является высоким. Предполагается, что регионы с высокими значениями по данному показателю привлекают большее количество новых партий, а также способствуют более высокой электоральной поддержке последних.

Четвертая ключевая независимая переменная -  эффективное число партий (переменная HM) указывает на то, насколько в предшествующих электоральный цикл голоса избирателей были сконцентрированы вокруг одной или нескольких партий. Чем выше значение по данному показателю, тем больше эффективное число партий в предшествующий электоральный цикл. При этом, в данной работе используется скорректированный индекс, позволяющий учесть эффект доминирующей партии, разработанный Х. Молинаром и описанный в статье «Рассчитывая количество партий: альтернативный способ измерения»:

,

где N - индекс Лааксо и Таагепера, рассчитываемый, как ,

vi  - доля голосов партии i,

v1 - доля голосов полученная партией с наибольшей поддержкой на выборах.

Следующий ключевой предиктор - электоральная волатильность (переменные PI_LC_1207, PI_SD_1107, PI_SD_0703) отражает степень устойчивости электоральных предпочтений в предшествующие электоральные циклы. При этом, данный показатель рассчитывается следующим образом:

где n - количество партийit - доля голосов партии i в момент времени t,

pi(t+1) - доля голосов партии i в момент времени t+1.

В то же время, в данной работе индекс Педерсена рассчитывается для следующих периодов: 1) Последние выборы в региональные законодательные собрания 2012-2015 гг. (t+1) и выборы предшествующие последним выборам в региональные законодательные собрания (2007-2010 гг.) (t); 2) Выборы в Государственную Думу ФС РФ 2011 г. (t+1) и аналогичные выборы в 2007 г. (t); 3) Выборы в Государственную Думу ФС РФ 2007 г. (t+1) и аналогичные выборы в 2003 г. (t). Необходимость в использовании трех индексов вызвана отсутствием теоретических работ, обосновывающих временной лаг при использовании индекса Педерсена в изучении электорального поведения.

Шестой ключевой предиктор - степень демократичности регионов (переменная Regime) указывает на характерные особенности политического процесса в период проведения избирательных кампаний. Данный показатель основан на рейтинге, разработанном Московским центром Карнеги, который формируется на основании экспертных оценок. Несмотря на то, что оценивание происходит ежегодно, как отмечают сами авторы рейтинга, значительное ограничение полученных показателей - недостаток информации, вызванный закрытостью данных по некоторым субъектам. В то же время, для коррекции данного ограничения используется метод скользящего среднего (оценка дается за последние 5 лет), который позволяет сгладить экстремальные значения. Итоговый показатель демократичности включает в себя оценки по десяти критериям, каждый из которых оценивается экспертами по 5 балльной шкале, и рассчитывается, как сумма оценок, данных экспертом по каждому элементу. Среди элементов авторы рейтинга выделяют: региональное политическое устройство, открытость/закрытость политической жизни, демократичность выборов, политический плюрализм, независимость СМИ, коррупция, экономическая либерализация, гражданское общество, элиты, местное самоуправление.

И. наконец, последний ключевой предиктор, используемый в данной работе - явка избирателей на последних выборах в региональные законодательные собрания (переменная - Turnout) рассчитывается как отношение суммы числа недействительных избирательных бюллетеней и действительных избирательных бюллетеней к числу избирателей, внесенных в список избирателей на момент окончания голосования.     

После того, как мы рассмотрели основные предикторы, необходимо объяснить выбор контрольных переменных, включаемых впоследствии в модели (Таблица 3).

Таблица 3. Контрольные переменные

В соответствии с требованиями, предъявляемыми к контрольным переменным: используемые показатели должны быть так или иначе связаны как с зависимыми переменными, так и с независимыми, необходимо обосновать каким образом на теоретическом уровне осуществляется эта связь. Прежде всего, необходимо отметить, что представленные выше контрольные переменные отражают либо социальное, либо экономическое благополучие регионов. При этом, согласно модели «поддержки-наказания» М. Льюис-Бека и М. Стегмайера «граждане голосуют за текущее правительство, если дела в экономике идут хорошо, в противном случае они голосуют против». Протестное голосование в этом случае благоприятствует не только старым оппозиционным партиям, но и новым игрокам.

Связь между политическими факторами и социально-экономическими контрольными переменными была рассмотрена ранее многими зарубежными исследователями. Так, например, Б. Эпперли, также являющийся представителем теории рационального выбора, указывает на то, что социально-экономические факторы, с точки зрения своего содержательного смысла, крайне сильно разнятся и их влияние на электоральную волатильность необходимо рассматривать по-отдельности не только в рамках теоретического обоснования формулируемых гипотез, но и в рамках построения исследовательских моделей. Для этого он, в частности, выбирает три индикатора - рост ВВП, инфляцию и уровень безработицы. Для создания более качественной модели Б. Эпперли не ограничивается экономическими факторами и добавляет в свою модель также институциональные, к которым относятся эффективное число партий, форма правления, политический режим, и «исторические» предикторы - период существования политических партий и наличие советской традиции.

Автор приходит к выводу, что в большей степени устойчивость электоральных предпочтений определяется формой правления, политическим режим и постсоветским наследием, нежели социально-экономическими факторами. Тем не менее, в обеих моделях значимым оказывается, как минимум, один фактор: уровень безработицы или инфляция.

Как было отмечено в самом начале данной работы, для оценки функциональной связи между предикторами и зависимой переменной используются линейные множественные регрессии. При этом, для минимизации суммы квадратов отклонений от истинных значений используется метод наименьших квадратов (Ordinary Least Squares). Использование данного метода представляется релевантным, так как предикторы являются постоянными во временной перспективе и не зависят от года проведения выборов в региональные законодательные собрания. В то же время, в силу небольшого количества наблюдений, составляющих выборку в данном исследовании, необходимо использовать бутстрапированные стандартные ошибки.

Если специфицировать первую группу моделей, где в качестве зависимой переменной выступает количество партий, принявших участие на выборах в региональные законодательные собрания, то в общем виде ее можно представить следующим образом:

где Numberi - количество партий, принявших участие на выборах в региональные законодательные собрания в регионе i,

 - константа;

 - коэффициент при ключевом предикторе j,

 - ключевой предиктор j,

 - коэффициент при контрольной переменной l,

 - контрольная переменная l,

 - ошибки;- количество ключевых предикторов в модели;+1 - количество контрольных переменных, включенных в модель.

В втором наборе моделей рассматривается еще одна ключевая зависимая переменная - доля голосов, полученная новыми партиями на выборах в региональные собрания. В общем виде ее можно представить следующим образом:

где Votesi - доля голосов, полученная новыми политическими партиями в регионе i,

 - константа;

 - коэффициент при ключевом предикторе j,

 - предиктор j,

 - коэффициент при контрольной переменной l,

 - контрольная переменная l.

 -ошибки- количество ключевых предикторов в модели;+1 - количество контрольных переменных, включенных в модель.

В то же время, каждый из рассматриваемых наборов моделей строится исходя из рассмотренных в начале данной работы теоретических обоснований гипотез. Первый набор моделей будет включать переменные, относящиеся к социологическим факторам, второй набор будет основан на политических факторах, в то время, как последующие рассматриваемые в модели основаны на комбинировании переменных из обеих групп, что будет сделано для достижения наибольшей объяснительной способности, с одной стороны, и, с другой стороны, для выявления группы факторов, оказывающих наибольшее влияние, т.к. в комбинированных моделях эффект от одних переменных может снижать значимость других. Кроме того, каждая модель также тестируется на VIF (Variance Inflation Factor) - показатель, характеризующий степень изменения дисперсии оценок коэффициента в случае если существует довольно сильная связь между предикторами (пороговое значений равно 10, в случае его превышения переменная из модели удаляется). При этом, VIF рассчитывается следующим образом:

R2 - коэффициент детерминации вспомогательной модели регрессии, т.е. модели, в которой откликом является предиктор j из исходной модели, а независимыми переменными в являются все остальные предикторы из исходной модели. В случае, если VIF равен единице (иными словами коэффициент детерминации вспомогательной регрессии равен 0), то в таком случае связи между предиктором j и остальными предикторами нет. Проведение проверки моделей на VIF позволит избежать проблемы мультиколлинеарности, т.е. повысить значимость получаемых коэффициентов (уменьшив стандартные ошибки) и добиться большей устойчивости моделей к изменению выборки.

Мера Кука, при этом является показателем влияния каждого наблюдения на группу полученных регрессионных коэффициентов (т.е. на всю модель в целом). Значения данной меры указывают на сильное влияние наблюдений, если превышают 4/N, где N - количество наблюдений в выборке (в рамках данной работы это значение 0,0727). В то же время, мера DFBETA позволяет оценить в какой мере каждое наблюдение влияет на оценки регрессионных коэффициентов, при этом, данный параметр рассчитывается для каждого ключевого предиктора по-отдельности. Значения, превышающие 2/sqrt(N), где N - количество наблюдений в выборке (в данной работе пороговое значение равно 0,00066), обладают большим влиянием, оказывающим эффект на полученные коэффициенты.

Все влиятельные наблюдения исключаются из анализа, а сами модели тестируются повторно. Кроме того, в этой части также рассматривается еще один дополнительный набор моделей для зависимой переменной - количество партий, принявших участие в выборах в региональные законодательные собрания, где в качестве предикторов рассматриваются показатели, характеризующие степень социально-экономического благополучия региона.

где Numberm - количество партий, принявших участие на выборах в региональные законодательные собрания в регионе i,