| Раздел | Статьи |
| Заглавие | Пространственное моделирование электоральных предпочтений в Российской Федерации |
| Страницы | 70-100 |
| Автор 1 | Подколзина Елена Анатольевна кандидат экономических наук, доцент факультета экономических наук, заместитель директора Института институциональных исследований Национальный исследовательский университет «Высшая школа экономики» ул. Мясницкая, 20, Москва, 101000, Российская Федерация This email address is being protected from spambots. You need JavaScript enabled to view it. ORCID: 0000-0002-8363-6711 |
| Автор 2 | Демидова Ольга Анатольевна кандидат физико-математических наук, доцент факультета экономических наук Национальный исследовательский университет «Высшая школа экономики» ул. Мясницкая, 20, Москва, 101000, Российская Федерация This email address is being protected from spambots. You need JavaScript enabled to view it. ORCID: 0000-0001-5201-3207 |
| Автор 3 | Кулецкая Лада Евгеньевна аспирантка Аспирантская школа по экономике (департамент прикладной экономики), Национальный исследовательский университет «Высшая школа экономики» ул. Мясницкая, 20, Москва, 101000, Российская Федерация This email address is being protected from spambots. You need JavaScript enabled to view it. ORCID: 0000-0003-2069-9800 |
| Аннотация | Основной задачей данной работы является оценка влияния индивидов, проживающих в соседних территориальных областях, друг на друга в принятии решений на примере выборов Президента России в 2018 г. c использованием данных по 2718 территориальным избирательным комиссиям (ТИКам). Рассчитанные авторами локальные и глобальные показатели пространственной автокорреляции (индексы Морана, Гири, Гетиса – Орда) дают эмпирическое подтверждение глобальной положительной автокорреляции (т. е. в целом по стране избиратели в каждом ТИКе голосуют сходным образом с соседями). Были выявлены ТИКи, входящие в локальные кластеры (где избиратели голосуют аналогично), и ТИКи – выбросы (outlier), т. е. окруженные ТИКами, где голосуют противоположным образом. На примере Татарстана, региона, где встречалось больше всего и ТИКов, образующих локальный кластер, и ТИКов-выбросов, мы проанализировали, какие экономические показатели вкупе с пространственными оказывают влияние на поддержку основного и оппозиционного кандидатов. Было показано, что готовность голосовать за основного кандидата объясняется ростом заработной платы в районе, но в то же время показатели экономической активности в районе и потенциальной мобильности граждан отрицательно влияют на поддержку основного кандидата. На голоса в пользу оппозиционных кандидатов изменение заработной платы не оказывает влияние, а остальные показатели демонстрируют обратную зависимость. Также мы показали, что модели с учетом пространственных эффектов предпочтительнее МНК моделей для анализа итогов голосований |
| УДК | 332 |
| JEL | C21, C31, R5 |
| DOI | |
| Ключевые слова | пространственная автокорреляция ♦ электоральные предпочтения ♦ глобальные и локальные индексы пространственной автокорреляции |
| Скачать | SE.2020.2.070-100.Podkolzina.pdf |
| Для цитирования | Подколзина Е.А., Демидова О.А., Кулецкая Л.Е. Пространственное моделирование электоральных предпочтений в Российской Федерации // Пространственная экономика. 2020. Т. 16. № 2. С. 70–100. |
| Ссылки | 1. Исследователь из Стэнфорда считает, что фальсификации? на выборах президента России было очень мало. Как он это вычислил? // Meduza. 2018. 7 мая. URL: (дата обращения: апрель 2020). 2. Статистика показывает: за Путина вброшено 10 миллионов бюллетеней // Радио «Свобода». 2018. 20 марта URL: (дата обращения: апрель 2020). 3. Шень A. Выборы и статистика: казус Единой России (2009–2018). 2018. Июль. URL: arXiv preprint arXiv:1204.0307 (дата обращения: апрель 2020). 4. Anselin L. Local Indicators of Spatial Association-LISA // Geographical Analysis. 1995. Vol. 27. No. 2. Pp. 93–115. 5. Burnett W., Lacombe D.J. Accounting for Spatial Autocorrelation in the 2004 Presidential Popular Vote: A Reassessment of the Evidence // The Review of Regional Studies. 2012. Vol. 42. Issue 1. Pp. 75–89. 6. Clem R.S., Craumer P.R. Spatial Patterns of Political Choice in the Post-Yel’tsin Era: The Electoral Geography of Russia’s 2000 Presidential Election // Post-Soviet Geography and Economics. 2000. Vol. 41. Issue 7. Pp. 465–482. 7. Clem R.S., Craumer P.R. The Geography of the Russian 1995 Parliamentary Election: Continuity, Change, and Correlates // Post-Soviet Geography. 1995a. Vol. 36. Issue 10. Pp. 587–616. 8. Clem R.S., Craumer P.R. The Politics of Russia’s Regions: A Geographical Analysis of the Russian Election and Constitutional Plebiscite of December 1993 // Post-Soviet Geography. 1995b. Vol. 36. Issue 2. Pp. 67–86. 9. Coleman S. Voting and Conformity: Russia, 1993–2016 // Mathematical Social Sciences. 2018. Vol. 94. Pp. 87–95. 10. Cutts D., Webber D., Widdop P., Johnston R., Pattie C. With a Little Help from my Neighbours: A Spatial Analysis of the Impact of Local Campaigns at the 2010 British General Election // Electoral Studies. 2014. Vol. 34. Pp. 216–231. 11. Dow J.K. A Comparative Spatial Analysis of Majoritarian and Proportional Elections // Electoral Studies. 2001. Vol. 20. Issue 1. Pp. 109–125. 12. Elhorst J.P. Spatial Panel Data Models // Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications. Springer-Verlag Berlin Heidelberg, 2010. Pp. 377–407. 13. Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications / Edited by M.M. Fischer, A. Getis. Springer-Verlag Berlin Heidelberg, 2010. 812 p. 14. Jensen C.D., Lacombe D.J., McIntyre S.G. A Bayesian Spatial Econometric Analysis of the 2010 UK General Election // Papers in Regional Science. 2013. Vol. 92. Issue 3. Pp. 651–666. 15. Kim J., Elliott E., Wang D. A Spatial Analysis of County-Level Outcomes in US Presidential Elections: 1988–2000 // Electoral Studies. 2003. Vol. 22. Issue 4. Pp. 741–761. 16. Kobak D., Shpilkin S., Pshenichnikov M. Statistical Fingerprints of Electoral Fraud? // Significance. 2016. Vol. 13. Issue 4. Pp. 20–23. 17. Moraski B., Reisinger W.M. Spatial Contagion in Regional Machine Strength: Evidence from Voting in Russia’s Federal Elections / APSA. Annual Meeting Paper. 2010. 48 p. 18. Moraski B.J., Reisinger W.M. The Diffusion of Deference: Regional Machine Strength and Federal Election Results in Russia. 2014. 50 р. URL: (дата обращения: апрель 2020). 19. Mur J., Angulo A., Lopez F. Looking for the Causes of Instability in Spatial Econometric Models: An Application to 2008 Spanish General Elections / International Regional Science Review. 2012. Vol. 35. Issue 3. Pp. 303–228. 20. O’Loughlin J., Shin M., Talbot P. Political Geographies and Cleavages in the Russian Parliamentary Elections // Post-Soviet Geography and Economics. 1996. Vol. 37. Issue 6. Pp. 355–385. 21. Poole K.T., Rosenthal H. US Presidential Elections 1968–80: A Spatial Analysis // American Journal of Political Science. 1984. Vol. 28. No. 2. Pp. 282–312. 22. Sutter R.C. Spatial Econometric Modeling of Presidential Voting Outcomes. Doctoral Dissertation / University of Toledo. 2005. URL: (дата обращения: апрель 2020). |
| Финансирование | Исследование проведено при поддержке Программы фундаментальных исследований Национального исследовательского университета «Высшая школа экономики» (НИУ ВШЭ) в 2020 г., а также факультета экономических наук НИУ ВШЭ |
| Поступила в редакцию | 15.04.2020 |
| Принята к публикации | 22.05.2020 |
| Опубликована online | 30.06.2020 |