§2.1. Кластеризация административно-территориальных единиц города Москвы в контексте задачи изучения особенностей электоральной культуры населения

Электоральная культура населения города Москвы, как было показано выше, достаточно эклектична и внутренне неоднородна. Это, вкупе со сложностью объекта изучения, предопределило необходимость обращения на начальном этапе исследования к конкретным и измеримым проявлениям электоральной культуры - электоральным предпочтениям населения.

Анализ было решено производить на уровне районов административно­территориального деления по нескольким причинам. Так, границы участковых, территориальных и окружных избирательных комиссий, устанавливаемые в различные годы, отличаются и позволяют получить сравнимые данные в рамках ретроспективного анализа только с опорой на районный уровень. Кроме того, подобный масштаб рассмотрения, на наш взгляд, представляет собой оптимальное соотношение обобщения результатов и значимости электоральных позиций территориальных сообществ.

Для проведения математико-статистической обработки информации нами была составлена база данных результатов проведенных на территории города Москвы выборов различного уровня, в которую вошли значения

распределения голосов за всех кандидатов, включенных в бюллетени, а также показатели явки избирателей для каждого района. При этом Троицкий и Новомосковский административные округа были исключены нами из рассмотрения ввиду того, что вошли в состав города Москвы лишь в 2012 году, а показатели голосования жителей пяти районов Зеленоградского административного округа (Матушкино, Савёлки, Старое Крюково, Силино, Крюково) представлены в обобщенном виде.

В базу данных вошли сведения о результатах выборов Президента РФ в 2004, 2008, 2012 годах, депутатов Государственной Думы Федерального Собрания РФ в 2007 и 2011 годах и мэра Москвы в 1999 и 2013 годах - всего 7 избирательных кампаний в 121 районе города Москвы. При этом показатели явки рассчитывались автором самостоятельно на основании сведений о количестве избирателей, внесенных в списки на день голосования, и количестве бюллетеней, выданных в помещениях для голосования и вне таковых.

Обработка базы данных производилась с использованием программного комплекса Statistica 10. Для выявления наличия зависимостей между переменными и оценки их силы был проведен корреляционный анализ (Приложение А). Отметим, что обнаружение тех или иных статистически значимых корреляций было вполне ожидаемо, так как за одну или несколько партий избиратели всегда отдают больше голосов, чем за другие, и для углубленной интерпретации результатов анализа нас в первую очередь интересовали показатели силы таких взаимосвязей, а не сам факт их наличия.

Выборы депутатов Государственной думы, 2007 год. Между голосованием за партии «Гражданская Сила» (ГС), «Яблоко» и «Союз правых сил» (СПС) наблюдаются сильные положительные корреляции:

- ГС-«Яблоко»: R (здесь и далее - коэффициент корреляции Пирсона) = 0,8, p (здесь и далее - уровень значимости) = 0,00;

- ГС-СПС: R=0,8, p=0,00;

- «Яблоко»-СПС: R=0,9, p=0,00.

Г олосование за партию «Единая Россия» (ЕР) не имеет положительных статистически значимых корреляций с голосованием ни за одну из партий, принимавших участие в выборах за весь рассматриваемый период. Наиболее сильные отрицательные корреляции:

- ЕР-ГС: R=-0,9, p=0,00;

- ЕР-КПРФ: R=-0,8,p=0,00;

- ЕР-СПС: R=-0,7, p=0,00;

- ЕР-«Яблоко»: R=-0,9, p=0,00.

Голосование за КПРФ демонстрирует достаточно выраженные корреляции с голосованием за оппозиционные либеральные партии (ГС, «Яблоко», СПС), наиболее сильная из них:

- КПРФ-«Яблоко»: R=0,8, p=0,00.

Показатели электоральной поддержки ЛДПР формируют наименьшее количество значимых взаимосвязей и не позволяют выявить ни одной сильной корреляции.

Выборы депутатов Государственной думы, 2011 год. Снижение количества политических партий, принимающих участие в выборах, приводит к тому, что все выявленные корреляции являются статистически значимыми. При этом основные тенденции остаются неизменными: так, голосование за «Единую Россию» по-прежнему не образует положительных взаимосвязей, а отрицательные являются наиболее сильными:

- ЕР-СР: R=-0,9, p=0,00;

- ЕР-КПРФ: R=-0,9, p=0,00;

- ЕР-«Яблоко»: R=-0,8,p=0,00.

Достаточно сильны положительные корреляции между поддержкой КПРФ и «Яблока»: R=0,7, p=0,00, а также КПРФ и СР: R=0,7, p=0,00.

Выборы Президента, 2004 год. В рамках данной избирательной кампании самая сильная и статистически значимая отрицательная

корреляция наблюдается между голосованием за В.В. Путина и И.М. Хакамаду: R=-0,9, p=0,00. Также интересны взаимосвязи между

голосованием против всех кандидатов и за И.М. Хакамаду, а также В.В. Путина: в первом случае корреляция положительная: R=0,6, p=0,000, во втором - отрицательная: R=-0,7, p=0,000.

Выборы Президента, 2008 год. Голосование за провластного кандидата Д.А. Медведева не образует ни одной позитивной статистически значимой корреляции. Обратные корреляционные зависимости наблюдаются между поддержкой Д.А. Медведева и Г.А. Зюганова: R=-0,9, p=0,00 или А.В. Богданова: R=-0,9, p=0,00. Соответственно между голосованием за Г.А. Зюганова и А.В. Богданова наблюдается положительная взаимосвязь: R=0,9,

p=0,00.

Выборы Президента, 2012 год. В рамках этой избирательной кампании наиболее сильная и статистически значимая корреляция наблюдается между поддержкой В.В. Путина и М.Д. Прохорова: R=-0,95, p=0,00. Отметим также весьма интересную позитивную корреляцию между голосованием за В.В. Путина и В.В. Жириновского: R=0,9, p=0,00, и обратную корреляцию между голосованием за М.Д. Прохорова и В.В. Жириновского: R=-0,9, p=0,00.

Выборы мэра Москвы, 1999 год. В данном случае можно выделить только одну сильную отрицательную взаимосвязь: между поддержкой Ю.М.

Выборы мэра Москвы, 2013 год. В рамках данной избирательной кампании при проведении корреляционного анализа наблюдаются сильные отрицательные корреляции между голосованием за провластного кандидата (С.С. Собянин) и оппозиционных (А.А. Навальный, И.И. Мельников, С.С. Митрохин): R=-0,9, p=0,00; R=-0,7, p=0,00; R=-0,7, p=0,00 соответственно. Также интересно отметить, что поддержка кандидата от ЛДПР М.В. Дегтярева снова положительно коррелирует с поддержкой кандидата «партии власти» С.С. Собянина: R= 0,6, p=0,000.

На основании приведенного выше корреляционного анализа нами были выделены несколько обобщенных собирательных «кандидатов», обладающих достаточно выраженной устойчивой электоральной поддержкой:

- «провластный» (В.В. Путин, Д.А. Медведев, партия «Единая Россия», С.С. Собянин, Ю.М. Лужков);

- ЛДПР (непосредственно партия, В.В. Жириновский, О.А. Малышкин, М.В. Дегтярев);

- «либеральный» (С.В. Кириенко, И.М. Хакамада, А.В. Богданов, М.Д. Прохоров, А.А. Навальный, партии «Яблоко», СПС и «Гражданская сила»);

- КПРФ (непосредственно партия, Г.А. Зюганов, Н.М. Харитонов, И.И. Мельников);

- СР (непосредственно партия, Н.В. Левичев, С.М. Миронов).

Отметим, что голосование за трех последних кандидатов, по-видимому,

может рассматриваться как оппозиционное, поскольку формирует отрицательные взаимосвязи с голосованием за провластных кандидатов, в то время как поддержка кандидата-ЛДПР таковой считаться не может.

Для проверки гипотезы об устойчивости электоральной поддержки выявленных нами обобщенных кандидатов, сравним не только коэффициенты корреляции между голосованием за участников в рамках одних выборов, но и проанализируем взаимосвязи поддержки кандидатов схожей направленности в различных кампаниях. Так, «либеральный» кандидат представлен партиями «Яблоко», «Союз правых сил», «Гражданская сила» и политиками С.В. Кириенко, М.Д. Прохоровым, А.А. Навальным, И.М. Хакамадой, А.В. Богдановым. В результате корреляционного анализа все выявленные связи между голосованием в поддержку «либералов» оказались статистически значимыми (Приложение Б).

наблюдаются между голосованием за А.А. Навального и СПС: R=0,9, p=0,00;

A. А. Навального и И.М. Хакамаду: R= 0,9, p=0,00; М.Д. Прохорова и И.М. Хакамаду: R=0,9, p=0,000; М.Д. Прохорова и СПС: R=0,9, p=0,00; а также между поддержкой И.М. Хакамады и СПС: R=0,9, p= 0,00; С.В. Кириенко и И.М. Хакамады: R=0,8, p=0,00.

Корреляции между голосованием за различных провластных кандидатов выражены слабее (Приложение В). Несмотря на то, что почти все такие взаимосвязи являются положительными и статистически значимыми, сильными можно назвать только некоторые из них: между голосованием за

B. В. Путина в 2004 и 2012 годах и за С.С. Собянина в 2013 году: R=0,8, p= 0,00 и R=0,9, p=0,00 соответственно.

На наш взгляд, приведенные выше результаты корреляционного анализа подтверждают корректность выделения пяти обобщенных кандидатов. Для более глубокого изучения вопроса нами были определены средние показатели поддержки каждого из них во всех районах Москвы в рамках перечисленных выше избирательных кампаний, соответствующие данные приведены в Приложении Г.

Помимо результатов голосования, целесообразно также обратить внимание на средние значения явки избирателей для каждого района Москвы, включенного в исследование (см. Приложение Г). Проведение корреляционного анализа позволяет констатировать, что количество избирателей, пришедших на участки, в незначительной степени влияет на выбор того или иного кандидата (Приложение Д). Так, например, взаимосвязь между поддержкой условного «провластного» кандидата и явкой, хотя и является статистически значимой, довольно слаба: R=0,3, p=0,00; при этом между голосованием в пользу «либерального» кандидата и явкой корреляция отсутствует вовсе. Рассмотрение результатов выборов в отдельных районах позволяет также выявить отсутствие зависимости между посещением избирательных участков и характером голосования: к примеру, районы Южное Бутово и Внуково, имеющие сравнительно высокие средние показатели голосования за «провластного» кандидата, демонстрируют одни из самых низких усредненных показателей явки по Москве, и напротив, такие районы, как Хамовники и Сокол, оказывая достаточно значительную поддержку «либеральному» кандидату, КПРФ и СР, вместе с тем, имеют высокую усредненную явку.

В связи с тем, что, как отмечено выше, показатели явки не оказывают существенного влияния на результаты голосования, нами было принято решение при проведении анализа электоральной культуры населения города Москвы учитывать в первую очередь распределение голосов жителей за выявленных «условных» кандидатов как наиболее существенный фактор с точки зрения решаемых в работе задач. Явка же будет рассматриваться не как основной, но как иллюстративный показатель.

Средние значения поддержки каждого из пяти обобщенных кандидатов во всех районах Москвы составили базу для последующей математико­статистической обработки данных с целью изучения электоральной культуры жителей столицы. В качестве основного метода был выбран кластерный анализ.

Кластерный анализ - многомерная статистическая процедура, позволяющая упорядочить объекты выборки в достаточно однородные группы. Этот метод - один из наиболее популярных в контексте решения задачи разработки типологии или классификации. Кластерный анализ удобен тем, что не требует выдвижения априорных гипотез о выборке данных и дает возможность анализа различных типов данных. Можно выделить два базовых, фундаментальных требования, предъявляемые к данным, предназначенным для кластерного анализа: однородность и полнота. Выборка по распределению голосов за определенных кандидатов или партии, подготовленная нами для математико-статистической обработки, отвечает обоим требованиям: в ней представлены данные одинаковой природы по всем единицам исследования, которые могут быть описаны сходным набором характеристик.

Существуют разнообразные подходы к классификации алгоритмов кластеризации данных. В рамках нашей работы мы использовали иерархический и вероятностный подходы. Первый подход представляет собой математико-статистическую процедуру, в рамках которой программа автоматически определяет оптимальное число кластеров. Результатом иерархического кластерного анализа, как правило, бывает дендрограмма - схема, наглядно описывающая близость отдельных объектов и кластеров друг к другу, а также представляющая последовательность объединения (разделения) кластеров. Таким образом, процедура иерархического кластерного анализа стремится рассмотреть все возможные варианты выделения кластеров.

Один из наиболее популярных алгоритмов, используемых в рамках вероятностного подхода - кластерный анализ методом k-средних. Данный алгоритм основан на заданном фиксированном числе кластеров k, которые на основе расчетов соотносятся с данными таким образом, чтобы средние значения кластеров максимально отличались друг от друга. Разделение кластеров происходит в соответствии с отношением дисперсии между кластерами к дисперсии внутри кластеров. Исходное число кластеров k может быть основано на итогах предшествующих исследований схожей тематики, теоретических предпосылках, а также на основе результатов кластерного анализа, проведенного при помощи различных алгоритмов.

В рамках диссертационного исследования для определения оптимального числа кластеров был использован иерархический алгоритм кластерного анализа. Напомним, что исходные данные представляли собой таблицу, в которой приведены средние значения распределения голосов, подсчитанные на основе семи избирательных кампаний, за пять обобщенных кандидатов (Приложение Г). При проведении кластерного анализа в программе Statistica 10 был использован метод Уорда, позволяющий оптимизировать минимальную внутрикластерную дисперсию и выделить

кластеры примерно одинакового размера Именно этот метод зачастую используется для обработки социологических данных.

Визуальный анализ дендрограммы, полученной по итогам кластерного анализа (Приложение Е), свидетельствует о том, что целесообразно выделить три достаточно крупных кластера, чтобы избежать последующего мелкого дробления объектов кластеризации. Для проверки этого предположения был использован классический способ определения оптимального числа кластеров разбиения: исследователь находит тот шаг, на котором происходит скачкообразное увеличение значений - это именно тот момент, начиная с которого объединяются сильно отдаленные друг от друга кластеры. В нашем случае, построив соответствующий график, мы видим, что скачок значений происходит на 118 шаге (Приложение Ж). Оптимальное в такой ситуации число кластеров - три (разность между общим числом шагов и вышеуказанным шагом: 121-118=3), что подтверждает высказанное ранее предположение.

После определения целесообразного числа кластеров воспользуемся алгоритмом k-средних для того, чтобы за счет достоинств этого алгоритма оптимизировать содержание кластеров, отобрав максимально схожие объекты внутри каждого кластера и одновременно с этим максимально различающиеся между собой кластеры. По итогам проведения кластерного анализа методом k-средних, задав количество кластеров - 3, мы получили следующие результаты. В кластер №1 вошло 54 района, в кластер №2 - 28 районов, а в кластер № 3 - 39 районов. На рисунке 2 показаны средние значения голосования за того или иного обобщенного кандидата для каждого

кластера.

Рисунок 2 - Средние значения голосования за обобщенных кандидатов по каждому кластеру

Из рисунка 2 видно, что наибольшие межкластерные различия наблюдаются по признакам голосования за «провластного» и «либерального» кандидатов. В случае голосования за СР - эти различия минимальны, а по признаку голосования за ЛДПР они практически отсутствуют.

Это подтверждается и данными дисперсионного анализа, используемого для определения значимости различий между полученными кластерами, приведенного в таблице 2.

Как видим, уровень значимости p в признаке голосования за ЛДПР больше, чем 0,05, а, следовательно, данный признак не оказал воздействия на итоги кластеризации. Как показывают значения статистики Фишера, вклад различных переменных в формирование кластеров неравномерен: кластерообразующими являются переменные, отражающие голосование за «провластного» и «либерального» кандидатов, затем достаточно весомым является также вклад переменной «голосование за КПРФ». Признак, связанный с голосованием за «Справедливую Россию», замыкает рейтинг значений статистически значимых вкладов в итоги кластеризации.

Очевидно, что полученные в результате процедуры кластеризации три группы районов нуждаются в интерпретации и поиске интегрального критерия выделения именно таких кластеров.

Данные, приведенные в этом параграфе, позволяют нам выдвинуть предположение о том, что можно выделить два крупных кластера, основанных на степени поддержки провластных или оппозиционных кандидатов (к которым можно отнести обобщенного «либерального» кандидата, КПРФ и, в меньшей степени, СР).

При подробном рассмотрении результатов корреляционного анализа средних значений голосов, отданных за пять обобщенных кандидатов (см. таблицу 3), можно также найти косвенное подтверждение правомерности такого предположения.

Г олосование за КПРФ, как и голосование за «либерального» кандидата, имеет сильную, статистически значимую обратную корреляцию с голосованием за провластных кандидатов: R=-0,9, p=0,00. Голосование за СР также имеет статистически значимую, однако, всего лишь умеренную, отрицательную корреляцию с голосованием за «провластного» кандидата: R= -0,6, p=0,000, а также положительную корреляцию с голосованием за КПРФ: R=0,6, p=0,000. По всей видимости, это свидетельствует о близости в сознании избирателей идеологических позиций представителей власти и Либерально-Демократической партии России (или соответствующей схожести лояльного им электората). В свою очередь, представители

Коммунистической партии, «Справедливой России» и либеральной оппозиции воспринимаются избирателями в качестве объектов протестного голосования, даже несмотря на объективные различия в их позиционировании.

Для того чтобы провести более глубокий анализ того, на основании какого критерия были определены итоги кластеризации, проанализируем также специфику конкретных районов, вошедших в тот или иной кластер. С этой целью посчитаем отклонения результатов голосования во всех районах города Москвы за каждого обобщенного кандидата, принявшего участие в выборах, от средних значений итогов выборов для этих кандидатов по городу в целом, базируясь на данных семи избирательных кампаний. Для получения отклонений в процентах используем следующую формулу:

(1)

где G - отклонение в процентах, x - количество голосов, отданное кандидату в конкретном районе, z - количество голосов, отданное кандидату в среднем по Москве.

Далее, чтобы получить итоговую таблицу отклонений, подсчитаем средние значения отклонений по каждой группе кандидатов для каждого района на основе данных семи избирательных кампаний. Итоговые значения отклонений приведены в Приложении И.

При соотнесении данных таблицы отклонений и результатов кластеризации, можно сделать вывод, что в первый кластер вошли районы, имеющие в целом сравнительно невысокие показатели отклонений от средних значений голосов, отданных за того или иного кандидата по Москве в целом. Представителями данного кластера, наилучшим образом отражающими его характеристики, являются районы Соколиная гора, Гольяново, Ясенево, Северное Измайлово, Восточное Измайлово. Ко второму кластеру были отнесены районы, которые демонстрируют высокие отклонения от средних значений по Москве результатов голосования в

первую очередь за «либерального» кандидата и КПРФ, а также слабо - опять же по сравнению со всей Москвой - поддерживают «провластного» кандидата. К ярким представителям данного кластера относятся районы Гагаринский, Ломоносовский, Дорогомилово, Южное Тушино, Сокол. В третий кластер вошли районы, имеющие достаточно высокие, по сравнению с другими, отклонения в положительную сторону по голосованию за «провластного» кандидата и активное отрицание «либерального» кандидата, КПРФ, в меньшей степени - СР. Первую пятерку характерных представителей этого кластера составляют районы Зябликово, Братеево, Внуково, Некрасовка, Чертаново Южное. При этом отметим, что в случае второго и третьего кластеров мы выделяли наиболее ярких представителей на основании наибольшего расстояния от центра кластеров, демонстрирующих выраженную поддержку тех или иных кандидатов. В первом же кластере яркие представители тождественны наиболее его типичным представителям, поэтому за основу ранжирования районов было взято наименьшее расстояние от центра кластера.

Таким образом, по итогам вышеприведенного анализа мы можем констатировать, что результаты кластеризации способствовали определению трех групп районов, которые условно можно обозначить как «провластные» (предпочитающие провластных кандидатов и отвергающие оппозиционных), «оппозиционные» (в них наблюдается противоположная тенденция) и «среднестатистические» (районы, в которых наблюдаются наименьшие отклонения от средних показателей голосования по Москве, административно-территориальные единицы, являющиеся в большей или меньшей степени типичными для города) (Приложение К). Интересно, что такое разделение районов на группы при помощи математико­статистических процедур также коррелирует и с мнением экспертов- социологов. Так, например, представитель исследовательской компании «Аналитический Центр Юрия Левады» Д. Волков в своем интервью, посвященном выборам мэра Москвы, отметил: «Есть кандидат от власти и оппозиционеры... Идет не соревнование кандидатов и программ, не оценки деятельности, а в большей степени выбор: власть либо не власть»^[57].

С учетом используемого нами определения электоральной культуры, отметим, что выделенные кластеры районов в рамках задач, поставленных в данной работе, не могут быть соотнесены с конкретными типами электоральной культуры населения города Москвы, поскольку, учитывая только один фактор - итоги голосования, отражающие электоральные предпочтения населения, не описывают в полной мере специфику всех внутренних структурных элементов электоральной культуры: электоральной компетентности, электоральной диспозиции и электоральной активности. Тем не менее, результаты проведенной работы позволяют нам констатировать возможность выделения новой характеристики

электоральной культуры - модальности. Модальность электоральной культуры описывает её общую направленность на поддержку кандидатов определенной политической ориентации - в отечественных реалиях спектр данных ориентаций может быть редуцирован до «провластных» или «оппозиционных». С точки зрения научного анализа данная характеристика может быть полезна, в первую очередь, за счет того, что она позволяет снизить влияние на результаты проводимых исследований ситуативных изменений перечня субъектов политического пространства - регистрации и исчезновения конкретных партий, их участия или неучастия в отдельных избирательных кампаниях - и, опираясь на объективные данные, предоставляет информацию о том, каковы общие политические

предпочтения населения.

На основании результатов математической обработки статистической информации, возможно выделение на территории города Москвы элементов административно-территориального деления, обладающих «провластной» или «оппозиционной» модальностями электоральной культуры - то есть в большей степени, чем в среднем по городу, поддерживающих кандидатов, ассоциируемых с властью или, напротив, оппозиционными силами. Кроме того, население достаточно крупной части районов столицы голосует примерно так же, как и город в целом - то есть обладает «смешанной» модальностью электоральной культуры. При этом необходимо иметь в виду, что «провластная» или «оппозиционная» модальность электоральной культуры не гарантирует соответствующему кандидату победы в голосовании, проводимом на территории района - она лишь позволяет предположить, что он получит большую долю голосов, чем получают кандидаты сравнимой направленности в среднем по всем районам города.

В силу того, что модальность электоральной культуры населения проявляется в рамках административно-территориального деления города Москвы, целесообразным видится изучение того, каким именно образом влияют на неё социально-демографические и социально-экономические факторы.