Независимые переменные
Учитывая, обозначенную выше, тесную связь судов и электоральных циклов, для оценки зависимой переменной (количества новых председателей), в модель было принято решение включить две переменные и предположить две гипотезы относительно переменных.
Первая переменная - бинарная. В случае если в конкретный год в регионе проходили выборы губернатора, президента республики, в региональные органы законодательной власти, он помечался единицей. В некоторые модели был также включен лаг для этой переменной - смещение значений на год или несколько лет, чтобы понимать повлияли ли как-то прошедшие выборы на динамику назначений или нет.
В качестве попытки померить политический фактор в назначении и пометить потенциальные регионы - которые могли бы вызвать интерес у инкумбента была введена переменная доли голосов за инкумбента в прошедший электоральный цикл. Так как временная рамка работы включает 14 лет с 1997 по 2010, в России сменилось 3 президента. Так для годов 1997 - 1999 были взяты данные по доли голосов, отданных за Бориса Ельцина по итогам второго тура выборов 1996 года. Для годов 2000-2003 и 2004-2007 были взяты данные о доли голосов, отданных за Владимира Путина по результатам выборов 2000 и 2004 соответственно. Наконец для 2008-2010 - это данные по выборам и голосам, отданным за Дмитрия Медведева на выборах 2008 года.
Еще одной переменной, включенной для того чтобы «померить» режимные особенности каждого региона стал индекс демократичности Алексея Петрова и Николая Титкова Петров Н.В., Титков А.С., "Рейтинг демократичности регионов Московского Центра Карнеги: 10 лет в строю." (2013).. Данные здесь имеются с 90-х годов до 2010 - как раз тот временной промежуток, который нас интересует.
Для выявления региональных особенностей были также добавлены экономические показатели региона. По данным экспертного рейтингового агентства РА-Эксперт Рейтинговое агентство «Эксперт» https://raexpert.ru/, была добавлена переменная инвестиционного потенциала региона. Был выбран именно этот рейтинг, по причине того, что имеются данные с 1997 года. Плюс в качестве составляющих рейтинга, эксперты оценивают потенциал региона по таким параметрам как «потребительский потенциал, институциональный, инфраструктурный потенциал региона и т.д.
Другим экономическим индикатором региона был выбран внутренний региональный продукт на душу населения по данным предоставленным федеральной службой статистики. Федеральная служба государственной статистики http://www.gks.ru/
В качестве контрольной переменной в каждую модель выли включены данные по количеству судов в регионе. Количество районных судов в регионе определяется через количество муниципальных районов и городских округов в регионе. Такой вид контроля необходим, потому что количество судов в регионе варьируется от минимального значения в один суд (в Ненецком автономном округе) до 73 (для Алтайского края).
В некоторых моделях контролем выступает общее количество назначений в этот год. Такая мера, объясняется тем что некоторые модели анализа панельных данных не могут оценивать переменные, которые не варьируются за рассматриваемый период.
3.2 Результаты
При работе с панельными данными у нас есть 3 пути по которым мы можем пойти: Либо оценивать модель простым методом наименьших квадратов, оценивать данные через модель с фиксированными эффектами или обратиться к модели со случайными эффектами.
Обычная МНК регрессия (OLS regression) смотрит на данные отбрасывая любые предположения о том, что у данных есть какие-то индивидуальные эффекты. Интуитивно, когда мы работаем с российскими регионами, у нас есть предположение о том, что каждый конкретный регион серьезно отличается чем-то от своих соседей. Поэтому, мы предполагаем, что вот эти индивидуальные эффекты каждого региона так или иначе отражаются на нашей зависимой переменной. Такие индивидуальные эффекты не всегда можно выразить в регрессорах, но сама предпосылка о том, что они есть в наших российских регионах говорит нам о том, что следует обратиться к моделям с фиксированными или случайными эффектами (fixed effects and random effects) (которая либо учитывает, либо намеренно отбрасывает), чем к МНК. Эта ключевая разница между двумя способами оценки модели.
Две модели: со случайными эффектами и фиксированными различаются между собой в том что модель с фиксированными эффектами смотрит на то как временное изменение X связанно с временным изменением Y. Что же до модели со случайными эффектами, то здесь помимо внутригруппового изменения переменных нас также интересует изменения между группами.
Объяснённый выше «физический» смысл разных моделей, не строится на интуитивных догадках и предпосылках, но вполне может быть оценен серией тестов (тест на наличие индивидуальных эффектов, тест Хаусмана для выбора между моделями со случайными и с фиксированными эффектами). Традиционным, считается, что тест Хаусмана анализирует модель на наличие корреляции между индивидуальными эффектами и регрессорами в модели. Если корреляции нет - модель со случайными эффектами нам подходит. Однако если индивидуальные эффекты все-таки коррелированы - то лучше модель с фиксированными эффектами. Проведенный тест Хаусмана подтвердил, что модель с фиксированными эффектами лучше описывает наши данные, однако к обсуждению этого вопроса мы еще вернёмся позже.
Во всех четырех моделях доля голосов, отданных за инкумбента является значимой переменной с отрицательным коэффициентом. Это означает, что в рассматриваемый период времени, в регионах где за прошедшие выборы было отдано меньше голосов за нынешнего президента - новых людей назначалось больше. Если мы берем модель с фиксированными эффектами, где голоса, отданные за инкумбента значимы, то мы видим, как внутри одного региона, в зависимости от того сколько в этом регионе получал инкумбент - менялось количество новых председателей.
В некоторых моделях значимым становится инвестиционный потенциал региона. С одной стороны, мы можем проинтерпретировать такой результат через обратно пропорциональную связь между новыми председателями и инвестиционному потенциалу в регионе. Но, так как тесты показали, что самой приемлемой для нас моделью является модель с фиксированными эффектами, мы не можем считать опираться на эти результаты. Внутренний региональный продукт на душу населения становится значимым, однако в обратным знаком при коэффициенте. Такой результат противоречит высказанным ранее предположениям о связи дохода региона и стремлением центра его контролировать. Вероятно, такой исход можно объяснить тем, что наиболее крупные регионы по ВРП - это малонаселенные регионы вроде Ненецкого автономного округа или Республики Саха - где количество и судей меньше - а, следовательно, меньше назначают там.
Так как модель с фиксированными эффектами не учитывает данные которые не меняются во времени, выходит, что наша контрольная переменная судов внутри регионов - пропадает из модели. Поэтому для того чтобы контролировать размер региона, в модель было добавлено общее количество всех назначенных председателей в регионе за соответствующий год.
Мы видим, что переменная верховного суда, а именно в год, когда был назначен председатель в верховном суде (областном, краевом) был назначен председатель верховного суда было меньше назначений. В других моделях коэффициент при лагированной переменной верховного суда становится значимым. Что в целом не противоречит данным описанным выше, но кажется больше соответствует выведенным гипотезам.
Наконец модель between - демонстрирует нам изменение параметров модели в рамках одного года (не в рамках единицы анализа как при фиксированных эффектах, или межгруппового сравнивания как в случайных эффектах). Здесь основную силу забирает на себя контрольная перемена судов в регионе, но голоса за инкумбента остаются значимыми
Тесты показали, что наилучшим для наших данных является модель с фиксированными эффектами. По умолчанию, статистические тесты, проделываемые с данными в среде R, и в среде Gretl -является внутригрупповое преобразование. Однако при работе с фиксированными эффектами модель можно оценивать с помощью Метода Наименьших квадратов с фиктивными переменными (Least square dummy variable). В качестве фиктивных переменных у нас выступает год. В такой модели мы не можем использовать данные которые не меняются из года в год, поэтому в качестве контрольной переменной можно взять общее количество назначаемых в этот год председателей (и новых и прежних).
На самом деле, модель ниже статистически иллюстрирует те «пики» назначений которые мы можем наблюдать на графике. В этой модели мы сразу видим, что с 1999 по 2001 это для нас значимые годы. Действительно, если посмотреть на график назначений (см. приложение) именно в эти годы начинается усиленное назначение председателей, около 300 человек в 1999 и сразу 1200 человек назначено в 2000-м году, что составляет половину от общего количества районных председателей. Что именно спровоцировало такое массовое назначение людей в 2000-м году - все еще вопрос до сих пор открытый. Нам не удалось найти каких-либо указов или объяснений привходившему тогда процессу масштабного назначения 1200 председателей. Выборочный анализ имен из указов, показывает, что часть людей - были судьями в этом суде и до 2000-го, по некоторым же людям, информации совсем нет.
Этот большой поток председателей, согласно уточнению в законе, находится на своем месте 8 лет и затем, начинают переназначаться в 2008 году что отражено и в модели.
2004 год - значитмый в нашей модели, но с обратным коэффициентом. Согласно данным - в этот год наблюдается относительное затишье в назначениях.
Интересно, что коэффициент при переменной демократии - значимый, но с отрицательным знаком. Это можно проинтерпретировать как то, что в регионах с высоким уровнем демократии, в рассматриваемый период склонны меньше назначать новых председателей. То же касается и инвестиционного потенциала региона. Однако чтобы убедиться, что две переменные (демократия и инвестиционный потенциал) не коррелируют между собой, модель ниже была проверена на мультиколлинеарность, которую не выявила.
Много моделей - много разных результатов
Чтобы оценить региональные особенности в назначении председателей - в этой работе мы использовали разные модели. Исход у многих моделей - получается разный. Сказать, что одна модель правильная, а другая нет, будет неверно. Надо понимать, что статистические модели оценивают разные интересующие стороны наших данных.
Так как, идея этой работы отсылает нас именно к региональным особенностям, влияющим на характер назначений, то и в моделях нам следует уделять внимание тем, что эти особенности учитывают: это модели с фиксированными и случайными эффектами. Интересует ли нас внутрирегиональная динамика или межрегиональная? Скорее межрегиональная, которую хорошо будет описывать модель со случайными эффектами. Однако можем ли мы пойти против теста Хаусмана? Эндрю Белл и Келвин Джонс, утверждают, что можем. Bell, Andrew, and Kelvyn Jones. "Explaining fixed effects: Random effects modeling of time-series cross-sectional and panel data." Political Science Research and Methods 3.1 (2015): 133-153. Авторы утверждают что результаты теста Хаусмана не должны менять исследовательскую методологию, только на основе его выдачи. Ibid. p.139
Именно потому что нас интересует именно то, что происходит между регионами мы выбираем модель со случайными эффектами. А она нам говорит, что в регионах где голоса, отданные за инкумбента были низкими, новых людей назначалось больше.
Так же, в регионах где год назад был назначен председатель Верховного Суда, краевого суда, суда автономного округа, назначений в этот год больше.
Демократия и инвестиционный потенциал региона, хоть и менее, но все равно значимы, хотя и работают с обратным знаком, давая нам понять в регионах инвестиционное непривлекательных и недемократичных назначений было больше. Это противоречит нашим двум гипотезам. Значит нам стоит задуматься, почему власти заинтересованы назначать в те регионы больше людей. Ответ довольно прост - это разумное желание государства «навести порядок» в недемократичных и закрытых регионах, а также создать там подходящие институциональные условия для развития бизнеса. Ведь назначая человека нового, не обросшего связями, государство тем самым посылает своих «агентов» для наведения порядка. На самом деле, это довольно интересно, ведь мы ожидаем от власти в рассматриваемый нами период какого-то подвоха со стороны назначений (что и отражено в гипотезах по отношению к данным переменным), что они будут политическими (как в случае с голосами за инкумбента), а получается в это же самое время видим, как государство все же хочет восстановить порядок (пусть на свой лад и со своими людьми). Назначения в регионы с низким инвестиционной привлекательность, приобретают особый смысл, если мы вспомним из обзора реформы в первой главе, что именно экономически реформы, были драйвером для судебной реформы.
Заключение
Данная работа была посвящена тому как централизаторские настроения Российской власти начала 2000-х отражались на судебной системе. Помимо множества институциональных изменений, отраженных в законах и указах, эти централизацторские стремления отразились на конкретных людях - в нашем случае на председателей судов. Массовое назначение людей в 2000-х годах, и дальнейшее их переназначение привлеки наше внимание. Задумавшись о том, есть ли особенности в этих назначениях, привязаны ли они как-то к регионам и если да то как, мы решили провести это исследование.