Эффект Флинна в России: влияние людности населенного пункта

Введение

Рост благосостояния населения, улучшение его здоровья, проявляющееся, в частности, в увеличении продолжительности жизни, другие положительные сдвиги, наблюдающиеся уже в течение довольно продолжительного времени во многих странах — результат аккумуляции в них человеческого капитала. Своего рода ядро человеческого капитала — интеллект населения, являющийся фактором эффективности образования (в свою очередь воздействующего на него), уровня квалификации и компетенций [17; 18]. Неудивительно поэтому, что улучшение социально-экономической ситуации и рост интеллекта населения в том или ином регионе представляют собой тесно связанные друг с другом процессы.

Рост оценок по интеллектуальным тестам из поколения в поколение получил название «эффект Флинна» (ЭФ) по фамилии психолога Джеймса Флинна, систематически его описавшего и оценившего его величину в три балла по шкале IQ за десятилетие [9; 10]. По мере проведения дальнейших исследований данного феномена и включения в анализ все новых данных первоначальная оценка Флинном скорости повышения общего (full-scale) интеллекта подверглась некоторому уточнению и оценивается величиной 2,8 IQ-балла за декаду [20, с. 285]. Вместе с тем, опубликованные к настоящему времени данные свидетельствуют, что ЭФ — явление неоднородное. Получены убедительные свидетельства того, что его скорость зависит от измеряемой способности, страны и промежутка времени измерения, но данные о влиянии других переменных (например, возраста, размера семьи, нагру- женности теста фактором g и др.) заметно более противоречивы (см., например, противоположные выводы о роли возраста, к которым пришли Trahan et al. [30] и Platt et al. [21]).

Причины ЭФ продолжают оставаться предметом дискуссий. Многие исследователи сходятся в том, что наблюдаемая скорость изменения оценок интеллектуальных тестов слишком велика, чтобы иметь генетическое объяснение[1] [6; 23]. Абсолютное большинство экспертов объясняют феномен ЭФ средовыми влияниями; среди наиболее вероятных причин называется прогресс здравоохранения, улучшение питания, повышение доступности и качества образования, улучшение качества жизни и др. [23; 33]; однако едва ли можно исключать обратное стимулирующее влияние растущего среднего IQ на благосостояние нации [24]. Уточнению причин ЭФ могло бы способствовать систематическое исследование влияния различных модераторов на скорость и траекторию изменения оценок IQ, однако этому препятствует тот факт, что большинство выборок, на которых оценивался ЭФ, сочетает высокую гетерогенность с немногочисленностью [21; 30]. Исследования скандинавских ученых, отличавшиеся масштабностью и высокой гомогенностью выборочной совокупности (когорты призывников), позволили связать проявление ЭФ с размером семьи [28; 29], однако сходство географических условий, высокая степень национальной и социально-экономической однородности населения этих стран ограничивают возможность оценки влияния других переменных.

Целью настоящего исследования является оценка влияния на проявления ЭФ во взрослой популяции фактора, ранее не попадавшего в поле внимания исследователей — категории населенного пункта, определяемой численностью его населения. Факт аккумуляции в крупных городах человеческого капитала, включая более высокий агрегированный уровень интеллекта, хорошо известен, по крайней мере с 30-х годов прошлого века [15]. Единственное известное нам исследование, в котором рассматривалось влияние урбанизации на ЭФ, было выполнено в США на относительно небольшой выборке детей 5—13 лет, результаты которого различий не выявили [5, с. 375]. Поскольку многие из потенциальных средовых факторов ЭФ в современной России распределены достаточно неравномерно и, в том числе, связаны с величиной и статусом населенного пункта, имеются основания предполагать существование различий в динамике эффекта Флинна в мелких и крупных населенных пунктах России.

Метод

Для изучения динамики оценок уровня IQ у граждан России, проживающих в населенных пунктах с разной численностью населения, в данной статье были использованы результаты добровольного анонимного выполнения теста КОТ-30 на сайте www.mil.ru в период с сентября 2012 по октябрь 2019 гг. В соответствии с заданными ограничениями к тестированию допускались мужчины в возрасте 18—40 лет с уровнем образования не ниже среднего общего.

Методика КОТ-30 является сокращенной версией методики КОТ («Краткий ориентировочный тест» [3, с. 247—255]), которая состоит из 50 пунктов и представляет собой русскоязычный аналог теста Вандерлика (Wonderlic Personnel Test). По сравнению с оригинальным вариантом КОТ-30 обладает улучшенными психометрическими характеристиками благодаря исключению недостаточно дискриминативных пунктов и частичному редактированию оставшихся. В интегральной выборке интернет-респондентов (N = 267116) тест продемонстрировал следующие психометрические характеристики: среднее количество правильных ответов — 19,996 ± 6,001, одномоментная надежность KR-20 = 0,863.

Тест состоит из 30 заданий, на выполнение которых отводится 15 минут. Задания адресованы вербальному, счетному, пространственному и перцептивному факторам интеллекта (с преобладанием первых двух) и имеют от трех до пяти вариантов ответа, лишь один из которых является правильным. Классификация заданий теста в терминах флюидного — кристаллизованного интеллекта указывает на преобладание (около 80%) заданий последнего типа.

За рубежом тест Вандерлика считается достаточно эффективным методом экспресс-оценки общей когнитивной способности [12; 27]. Пригодность для этой цели КОТ-30 подтверждается его корреляцией, равной 0,598 (0,675 на конструктном уровне), со Стандартными прогрессивными матрицами Равена на выборке из 654 респондентов. Это позволяет рассматривать динамику показателей выполнения КОТ-30, связанных с годами рождения респондентов, в качестве возможного индикатора ЭФ. В ранее опубликованных нами общероссийских данных также имеются подтверждения валидности динамики оценок КОТ-30 как индикатора ЭФ [4].

Подготовка данных.

Из исходного массива данных, составившего более 320 тыс. протоколов, были исключены результаты тестирования респондентов, не являющихся резидентами Российской Федерации (свыше 1,5 тыс.); протоколы повторных обследований (около 42 тыс.); протоколы, в которых отсутствовали данные о месте жительства либо эти данные вызывали сомнения (например, с шуточными записями вместо указания населенного пункта). Были устранены все замеченные ошибки, касающиеся региональной принадлежности и наименований населенных пунктов. В результате в дальнейший анализ, на основании которого определялись общие тенденции в динамике оценок уровня IQ, были включены 267116 протоколов.

Далее этот массив был поэтапно разделен на несколько частей:

1)    были выделены данные субъектов Российской Федерации, представленных преимущественно жителями одного города, а именно — Москвы, Санкт-Петербурга и Севастополя. Выбор (из списка) субъекта РФ делал излишним указание населенного пункта[2], что не влияло на точность классификации респондентов по категориям населенных пунктов;

2)    среди оставшихся протоколов была выделена меньшая часть (N = 40188; около 15%), в которых был указан субъект РФ, но отсутствовала информация о населенном пункте. Хотя эта часть выборки не могла быть использована в контексте цели настоящего исследования, она была подвергнута тем же видам анализа, что и отмаркированная часть, для обеспечения возможности сравнения;

3)    из оставшихся протоколов были исключены те, у которых в графе «населенный пункт» было указано «город», но отсутствовало его наименование (0,35%);

4)    и, наконец, на завершающем этапе все протоколы (кроме упомянутых в п. 2 и 3) были распределены по семи категориям населенных пунктов (далее — КНП), определяемым численностью их населения на конец 2019 г., по данным Росстата. Были выделены следующие КНП: 1 — мегаполисы (Москва, Санкт-Петербург); 2 — города-миллионеры (n = 13); 3 — крупные города с населением от 500 до 999 тыс. человек (n = 22); 4 — крупные города с населением от 250 до 499 тыс. человек (n = 41); 5 — большие города с населением от 100 до 249,9 тыс. человек (n = 93); 6 — средние города с населением от 50 до 99,9 тыс. человек (n = 152); 7 — малые населенные пункты (города и сельские поселения) с населением менее 50 тыс. человек.

Выделение мегаполисов из категории городов-миллионеров было осуществлено в соответствии с рекомендацией Р. Линна о предоставлении исследователями, изучающими различия в уровне интеллекта в зависимости от региона проживания, эмпирических данных, позволяющих обосновать включение или исключение столичных городов из сравнительных исследований [15, с. 34]. Дифференциация малых населенных пунктов на городские и сельские поселения не проводилась в связи с их многочисленностью, ошибками в написании, затрудняющими точную идентификацию, и известной условностью в определении их статуса.

С учетом предписанных возрастных ограничений в составе выборки были представлены респонденты 1973—2001 годов рождения, однако в связи с малочисленностью крайних когорт они включались в состав смежной возрастной когорты. Соответственно, связь между годом рождения и средним уровнем оценок IQ, которая могла интерпретироваться в контексте эффекта Флинна, оценивалась по 26 интервалам (1975—2000 гг.).

Для обеспечения сопоставимости данных с результатами других исследований ЭФ сырые баллы выполнения КОТ-30 преобразовывались в оценки IQ по формуле:

IQi = (15*(Xi — Xo)/So) + 100,

где Xi — балл испытуемого на исходной шкале со средним Xo и стандартным отклонением So, рассчитанными на основе индивидуальных оценок интегральной выборки интернет-респондентов (N = 267116).

Связь оценок IQ с образовательным уровнем хорошо документирована [7; 13]. В классифицированной по КНП части выборки (n = 226144) средний уровень IQ лиц со средним профессиональным, средним общим и высшим образованием составил соответственно 94,58 ± 14,69; 99,17 ± 15,26 и 102,74 ± 14,19 баллов шкалы IQ. Такое соотношение позволило пометить соответствующие протоколы числами 1, 2 и 3 и с относительно небольшой погрешностью рассчитать средний образовательный уровень (ОУ) каждой КНП в интересах контроля возможного влияния этого фактора на ЭФ.

Для оценки географической репрезентативности данных общее число протоколов каждого региона соотносилось с усредненной численностью его населения в период 2013— 2019 гг. Удельная посещаемость определялась как число протоколов в расчете на 1 тыс. жителей.

Данные обрабатывались методами корреляционного, регрессионного и дисперсионного анализа с применением статистических программ Statistica и Real Statistics.

Результаты

Основные количественные параметры, обобщенно характеризующие выделенные категории населенных пунктов, а также общероссийскую выборку, представлены в табл. 1.

Таблица 1

Общая характеристика категорий данных, выделенных для анализа

Примечание: «*» — на индивидуальном уровне; Н/кл. — не классифицированные по КНП.

Как и можно было ожидать на основании данных других исследований, имеются существенные различия в средних показателях уровня интеллекта жителей мелких и крупных населенных пунктов. На рис. 1 представлена кривая зависимости IQ от КНП; обнаруживается тенденция монотонного снижения IQ населения с уменьшением числа жителей в населенном пункте. Хотя влияние этого фактора на вариативность индивидуальных оценок относительно невелико (п2 = 0,021), эффект характеризуется высокой статистической значимостью (F(6, 226137)=790,29; p < 0,000001), а его социальная значимость определяется тем, что он распространяется на миллионы жителей, проживающих в соответствующих КНП. Все оценки IQ значимо различаются между собой по апостериорному критерию Тьюки за исключением смежной пары третьей и четвертой КНП.

Поскольку с уменьшением людности населенного пункта наблюдается тенденция к снижению образовательного уровня его жителей, с целью уточнения силы влияния этих двух факторов на уровень интеллекта населения был проведен двухфакторный дисперсионный анализ. Его результаты свидетельствуют о том, что ОУ оказывает более сильное влияние на уровень интеллекта (п2 = 0,045), при этом влияние КНП на IQ сохраняется, но становится менее выраженным (п2 = 0,012). Выявляется также слабое, но значимое взаимодействие этих двух факторов (п2 = 0,0006; F(12, 226123)=12,13; p < 0,00001), проявляющееся в более крутом спаде оценок IQ среди жителей разных КНП со средним общим образованием (рис. 2). В данном случае среди 190 парных сравнений лишь в 10% не выявлено значимых различий по критерию Тьюки; при этом наибольшее сходство демонстрируют оценки IQ в КНП-5 и КНП-6, а также в КНП-3 и КНП -4 (в пределах аналогичных образовательных категорий).

Средние IQ респондентов из населенных пунктов семи категорий в зависимости от года рождения представлены в табл. 2, графическое представление динамики оценок — на рис. 3.

Таблица 2

Динамика показателей IQ в зависимости от года рождения в семи категориях населенных пунктов, в России в целом и в неклассифицированной части выборки

Примечание: расшифровка категорий населенных пунктов дана в тексте статьи.

Визуальный анализ графиков свидетельствует о том, что, во-первых, большие или меньшие различия уровней IQ между разными КНП наблюдаются на всем протяжении периода анализа, достигая в некоторых случаях весьма значительных величин (например, между жителями мегаполисов и малых населенных пунктов они составляют около половины стандартного отклонения); во-вторых, можно заметить признаки как сходства, так и своеобразия траекторий изменения оценок IQ. В шести из семи КНП наблюдаются сходные тенденции: слабое снижение IQ к середине 80-х годов, сменяющееся последующим ростом. Вместе с тем, в КНП-6 динамика оценок IQ оказалась положительной на протяжении всего периода наблюдения; отмечается лишь некоторое замедление скорости роста оценок уровня интеллекта среди лиц, родившихся в 80-е годы.

С целью количественной оценки степени сходства и различия проявлений ЭФ в различных КНП были рассчитаны следующие параметры: 1) индексы сходства кривых; 2) величина эффекта года рождения на IQ; 3) величина прироста IQ на линейном участке траектории 1983—2000 годов рождения.

1.   В качестве индексов сходства кривых были использованы коэффициент корреляции Пирсона (r) и коэффициент внутриклассовой корреляции с двойным вводом (double­entry intraclass correlation; ICCde), часто применяемые для сравнения профилей [11; 16]. Первый индекс чувствителен только к сходству форм кривых (т. е. совпадению подъемов и спадов), но нечувствителен к уровневым различиям. Второй индекс чувствителен к расхождениям по всем характеристикам профилей (уровень, форма, разброс): при высокой степени совпадения всех этих параметров значения ICCde. приближаются к 1,0, а с ростом различий стремятся к 1,0. Результаты расчетов представлены в табл. 3 с расположением коэффициентов парной корреляции Пирсона над главной диагональю матрицы, а внутри­классовой — под диагональю. В таблицу включены также данные неклассифицированной части выборки и — в качестве основы для сравнения — данные общероссийской выборки.

Из представленных в табл. 3 данных следует, что наибольшим сходством с общероссийской динамикой характеризуются данные респондентов из КНП-4 и КНП -7, в то время как наименьшее сходство (как с российской динамикой, так и с другими КНП) обнаруживают данные жителей КНП-5. По совокупности признаков (уровень, форма, разброс) наибольшие отклонения от общероссийской динамики, как и ожидалось, обнаружили мегаполисы (1) и малые населенные пункты (7), тогда как динамика жителей КНП-4 оказалась наиболее типичной.

Таблица 3

Индексы сходства траекторий динамики оценок IQ в разных КНП

2.   Характеристики влияния года рождения на агрегированные оценки IQ рассчитывались с применением однофакторного дисперсионного анализа. Показатели величины эффекта (п2) и достоверности влияния (F-критерий) для каждой категории данных представлены в табл. 4.

Таблица 4

Характеристики эффекта года рождения на динамику оценок IQ в разных КНП

Представленные в табл. 4 данные свидетельствуют о том, что год рождения оказывает наиболее выраженный эффект на оценки IQ жителей мегаполисов и респондентов из немар­кированной по населенным пунктам части выборки. По мере уменьшения численности населения этот эффект ослабевает, и в КНП-7 оказывается более чем вдвое ниже, чем в крупнейших городах России. Однако у этого правила оказалось неожиданное исключение: в средних по численности населения городах (50—100 тыс.) год рождения оказывает на IQ практически такое же сильное влияние, как и в городах с населением 500—1600 тыс. человек.

3.   Поскольку все траектории характеризовались линейным ростом оценок IQ среди лиц 1983—2000 годов рождения, данный эффект был оценен для каждой из рассматриваемых категорий путем расчета основных параметров уравнений линейной регрессии IQ на год рождения. Результаты расчетов представлены в табл. 5.

Как видно из представленных в табл. 5 данных, скорость прироста оценок интеллекта в общероссийской выборке за рассматриваемый период составила 0,19 баллов шкалы IQ в год, что совпадает с оценкой, полученной нами ранее на меньшем объеме данных [4].

Таблица 5

Характеристики линейного роста оценок интеллекта в баллах шкалы IQ среди лиц 1983—2000 годов рождения в разных КНП

Примечание: SEe — стандартная ошибка бета-коэффициента.

Однако в настоящем исследовании дополнительно показано, что наиболее заметный и уверенный рост IQ (0,24 балла в год) в этот период наблюдался в мегаполисах; в городах меньшей численности обнаружился менее выраженный прирост оценок интеллекта, в особенности в городах, относящихся к категории «больших» (100—249,9 тыс. человек, КНП-5).

Обсуждение результатов

Как показывают результаты нашего исследования, наиболее заметными, хотя и ожидаемыми, различиями между КНП оказались различия в средних оценках интеллекта (монотонный спад по мере снижения численности населения) и уровне образования (в последнем случае семь КНП распределились примерно по четырем уровням). Помимо этих различий, выявились расхождения в динамике IQ с годом рождения в разных категориях населенных пунктов.

Увеличение (по сравнению с публикацией 2019 г.) периода накопления данных на 14 месяцев не повлияло существенно на полученные ранее оценки траектории ЭФ в общероссийском масштабе: медленное снижение оценок интеллекта, сменяющееся их ростом со средней скоростью 0,19 баллов шкалы IQ в год среди лиц, родившихся после 1983 года. Однако более дифференцированный анализ, выполненный с учетом людности населенного пункта, показал, что скорость роста IQ в населенных пунктах различной численности неодинакова: наиболее выраженный ЭФ обнаруживается в крупнейших городах России (прежде всего в мегаполисах), тогда как в населенных пунктах меньшей численности прирост показателей уровня интеллекта происходит в целом с меньшей скоростью.

Учитывая, что средний показатель уровня интеллекта жителей мегаполисов в среднем на несколько (2—7) баллов IQ превышает показатель любых других КНП, можно сделать прогноз, что при сохранении условий, существовавших последние 15—20 лет, разрыв между малыми городами России и столицами не уменьшится. Напротив, отставание имеет тенденцию к увеличению — это представляется вероятным даже с учетом роста IQ, демонстрируемого респондентами двух последних годов рождения в КНП-2, КНП-4, КНП-6 и КНП-7. Это находится в противоречии с мировой тенденцией к сближению уровней IQ постиндустриальных и развивающихся стран [1; 19] и высвечивает возможные издержки нынешней модели управления, основанной на гиперцентрализации ресурсов в немногих административных центрах.