Содержание

Кировское РО Фонда социального страхования

  • Срок подачи заявления о финансовом обеспечении предупредительных мер продлен до 1 октября 2021 года

    Министерством труда и социальной защиты РФ принят приказ от 14.07.2021 № 467н.  Согласно приказу, срок подачи заявления в региональные отделения ФСС о финансовом обеспечении предупредительных мер, перечень которых утверждён приказом №467н, продлен до 1 октября 2021 года.

  • 05.08.2021

    О заполнении электронных родовых сертификатов

    Государственное учреждение – Кировское региональное отделение Фонда социального страхования Российской Федерации обращает Ваше внимание, что обязательными для заполнения в электронных родовых сертификатах являются следующие графы:

  • 21.07.2021

    2021.04.21 о сроках уплаты СВ

    Срок уплаты страховых взносов на обязательное социальное страхование от несчастных случаев на производстве и профзаболеваний за июль 2021 года – 15 августа 2021 года.

  • 15.07.2021

    Важная информация для страхователей !!!

    Важная информация для страхователей !!!

    До окончания приема документов на финансовое обеспечение предупредительных мер в 2021году осталось 2 недели.

  • 13.05.2021

    ВНИМАНИЮ СТРАХОВАТЕЛЕЙ!

    ВНИМАНИЮ СТРАХОВАТЕЛЕЙ!

     

    На официальном сайте ГУ – Кировского РО Фонда социального страхования Российской Федерации Выложена «Инструкция по подаче заявления на получение субсидии при найме безработных»

  • 31.03.2021

    ИНФОРМАЦИЯ СТРАХОВАТЕЛЯМ О ПОВЭД-21

    Важная информация

     

    ГУ-Кировское РО Фонда социального напоминает страхователям-юридическим лицам, зарегистрированным в качестве страхователей до 01.01.2021г. о необходимости подтверждения основного вида экономической деятельности за 2020год не позднее 15.

    04.2021г. для установления страхового тарифа на обязательное социальное страхование от несчастных случаев на производстве и профзаболеваний на 2021год!

  • 23.03.2021

    Господдержка работодателей в 2021 году

    Постановление правительства РФ № 362 от 13.03.2021г. наглядно.

  • 18.03.2021

    Сдача отчетности Ф4 за 1 квартал 2021года

     

    В связи с предстоящим приемом отчетности страхователей сообщаем:

  • 24.02.2021

    Информация по справкам 2-НДФЛ

    Отделением Фонда в Федеральную налоговую службу направлены данные о доходах и суммах налога физического лица.

    Сведения по начисленным пособиям отражены в Личных кабинетах налогоплательщиков https://www.nalog.ru.

    Необходимость в запросе справки формы 2-НДФЛ отсутствует.

  • 09.02.2021

    О производственном травматизме

    В данном ролике вам расскажут о производственном травматизме, мерах по его снижению и о реабилитации пострадавших на производстве.

  • 01.10.2020

    Извещения от ФСС можно получить в электронном виде в Контур Экстерн

    Другие спецоператоры также в ближайшее время реализуют эту возможность

  • 28.07.2020

    Работодатели смогут возместить расходы на маски, перчатки и другие средства индивидуальной защиты за счет сумм страховых взносов

    Министерство труда расширило перечень предупредительных мер, расходы на которые работодатель может возместить за счет сумм страховых взносов*

  • 21.07.2020

    Информация для лиц, применяющих специальный налоговый режим «Налог на профессиональный доход» (самозанятые)

    Информация для лиц, применяющих специальный налоговый режим «Налог на профессиональный доход» (самозанятые).

    В соответствии со статьей 4 Федерального закона от 27.11.2018 № 422-ФЗ «О проведении эксперимента по установлению специального налогового режима «Налог на профессиональный доход», налогоплательщиками налога на профессиональный доход признаются физические лица, в том числе индивидуальные предприниматели, перешедшие на специальный налоговый режим в порядке, установленном указанным Федеральным законом.

  • 06.07.2020

    Вниманию заявителей

    Для снижения рисков распространения коронавирусной инфекции просим получать следующие государственные услуги Фонда дистанционно, не выходя из дома или офиса

     Инструкция по получению гос.услуг дистанционно

  • 30.06.2020

    Легализация трудовых отношений

    О результатах деятельности в части легализации трудовых отношений

          Государственным учреждением – Кировским региональным отделением Фонда социального страхования Российской Федерации на постоянной основе принимаются предусмотренные законодательством Российской Федерации меры по недопущению выплаты работодателями неучтенной заработной платы и заработной платы без оформления трудовых отношений, а также обеспечивается своевременное перечисление предусмотренных действующим законодательством страховых взносов на обязательное социальное страхование от несчастных случаев на производстве и профзаболеваний.

  • 10.06.2020

    О предоставлении страхователям отсрочек ( рассрочек) в связи с карантином

  • 01.06.2020

    Об уплате страховых взносов

    Информация для СТРАХОВАТЕЛЕЙ!

    НОВОЕ В ЗАКОНОДАТЕЛЬСТВЕ О СТРАХОВЫХ ВЗНОСАХ!

  • 19.05.2020

    Горячая линия по выплатам мед.работникам – (8332) 518-186 Горячая линия по техническим средствам реабилитации – (8332) 518-171

  • 08.05.2020

    НОВОЕ В ЗАКОНОДАТЕЛЬСТВЕ ДЛЯ ГРАЖДАН, ПОСТРАДАВШИХ НА ПРОИЗВОДСТВЕ

    С апреля 2020года вступил в силу Приказ Министерства труда и социальной защиты Российской Федерации от 12 февраля 2020 г. № 62н «Об утверждении порядка подачи и рассмотрения жалоб о несогласии с вынесенным территориальным органом Фонда социального страхования Российской Федерации решением о назначении обеспечения по страхованию или об отказе в назначении обеспечения по страхованию»

  • 29.

    04.2020

    Не стойте в очередях! Пользуйтесь личным кабинетом ФСС!

    Уважаемые страхователи!

    Личный кабинет ФСС является удобным сервисом, который полностью заменяет посещение Фонда социального страхования.

     

  • 18.04.2020

    Работодателю (страхователю), с которым в трудовых отношениях состоят лица возраста 65 лет и старше. Постановление Правительства №517

    В целях минимизации риска заражения новой коронавирусной инфекцией и недопущения распространения указанной вирусной инфекции на территории Российской Федерации, в связи с принятием постановлений Правительства Российской Федерации от 16.04.2020 № 517 «О внесении изменений во Временные правила оформления листков нетрудоспособности, назначения и выплаты пособий по временной нетрудоспособности в случае карантина застрахованным лицам в возрасте 65 лет и старше» и от 1 апреля 2020 г. № 402 «Об утверждении Временных правил оформления листков нетрудоспособности, назначения и выплаты пособий по временной нетрудоспособности в случае карантина застрахованным лицам в возрасте 65 лет и старше»

    работодателю (страхователю) необходимо:

  • 17. 04.2020

    Сроки представления расчетов

    по начисленным и уплаченным страховым взносам (форма 4-ФСС) за 1 квартал 2020г. продлены до 15 мая 2020 года.

  • 17.04.2020

    Вниманию работающих (застрахованных) лиц возраста 65 лет и старше (дата рождения 20 апреля 1955 года и ранее)

    В соответствии с постановлениями Правительства Российской Федерации от 16.04.2020 № 517 «О внесении изменений во Временные правила оформления листков нетрудоспособности, назначения и выплаты пособий по временной нетрудоспособности в случае карантина застрахованным лицам в возрасте 65 лет и старше» и от 1 апреля 2020 г. № 402 «Об утверждении Временных правил оформления листков нетрудоспособности, назначения и выплаты пособий по временной нетрудоспособности в случае карантина застрахованным лицам в возрасте 65 лет и старше» Вам следует сообщить работодателю способом, исключающим личное присутствие (по телефону, СМС, электронной почте и т.

    д.), о Вашем намерении получить электронный больничный лист на период нахождения на карантине с 20 апреля по 30 апреля 2020 года.

  • 10.04.2020

    Объявление страхователям

    Фонд социального страхования Российской Федерации сообщает, что статьей 3 Федерального закона от 01.04.2020 № 102-ФЗ «О внесении изменений в части первую и вторую Налогового кодекса Российской Федерации и отдельные законодательные акты Российской Федерации» (далее – Федеральный закон № 102-ФЗ) внесены изменения в Федеральный закон от 24.07.1998 № 125-ФЗ «Об обязательном социальном страховании от несчастных случаев на производстве и профессиональных заболеваний» (далее – Федеральный закон № 125-ФЗ).

  • 03.04.2020

    Работодателю (страхователю), с которым в трудовых отношениях состоят лица возраста 65 лет и старше

    В целях минимизации риска заражения новым коронавирусом и недопущения распространения указанного вируса на территории Российской Федерации, в связи с принятием постановления Правительства Российской Федерации от 1 апреля 2020 г. № 402 «Об утверждении Временных правил оформления листков нетрудоспособности, назначения и выплаты пособий по временной нетрудоспособности в случае карантина застрахованным лицам в возрасте 65 лет и старше» работодателю (страхователю) необходимо

  • 02.04.2020

    Вниманию работающих (застрахованных) лиц возраста 65 лет и старше

    В соответствии с постановлением Правительства Российской Федерации от 1 апреля 2020 г. № 402 «Об утверждении Временных правил оформления листков нетрудоспособности, назначения и выплаты пособий по временной нетрудоспособности в случае карантина застрахованным лицам в возрасте 65 лет и старше» Вам следует сообщить работодателю способом, исключающим личное присутствие (по телефону, СМС, электронной почте и т.д.), о Вашем намерении получить электронный больничный лист на период нахождения на карантине с 6 апреля по 19 апреля 2020 года.

  • 04.03.2020

    УВАЖАЕМЫЕ СТРАХОВАТЕЛИ !

    Фонд социального страхования РФ обращается к руководителям предприятий и организаций с просьбой не нарушать установленных законом сроки и не позднее 15 апреля уплатить страховые взносы за март. Это обеспечит своевременную оплату больничных и пособий по материнству вашим работникам.

  • 03.02.2020

    Уважаемые граждане!

    Уважаемые граждане!

    Обращаем Ваше внимание на то, что приём документов по назначению и выплате пособий на бумажном носителе, а также выдача справок производится в кабинете №104 (вход с ул. Маклина).

  • 23.01.2020

    О ПОДТВЕРЖДЕНИИ ОСНОВНОГО ВИДА ДЕЯТЕЛЬНОСТИ

    Внимание!

    С января 2020года с целью сокращения времени для подачи документов на оказание услуги по подтверждению основного вида экономической деятельности, упрощения процесса взаимодействия с территориальными органами Фонда, а также снижения трудозатрат страхователей, Фондом социального страхования РФ предоставляется возможность направления документов страхователями-юридическими лицами в электронной форме:

  • 02. 12.2019

    ОБЩЕРОССИЙСКИЙ ДЕНЬ ПРИЕМА ГРАЖДАН

    12 ДЕКАБРЯ 2019 ГОДА

    ОБЩЕРОССИЙСКИЙ ДЕНЬ ПРИЕМА ГРАЖДАН

  • 09.07.2019

    С 1 мая 2019 года все пособия по материнству и выплаты гражданам, подвергшимся воздействию радиации зачисляются только на карты «Мир»

  • 15.03.2019

    Подтвердить основной вид экономической деятельности

    можно в Личном кабинете Страхователя по адресу http://cabinets.fss.ru

  • 01.03.2019

    Уважаемые страхователи!

    Кировское региональное отделение проводит информирование в электронном виде на адреса электронной почты обо всех изменениях в законодательстве Российской Федерации по вопросам обязательного социального страхования.

    Если Вы хотите присоединиться к получателям информации по электронной почте, нужно лишь:

    1. Заполнить ЭЛЕКТРОННУЮ АНКЕТУ и нажав “Отправить анкету” выразить согласие на получение бесплатного информирования на ваш E-mail.

    2. Или скачать форму заявления и заполнить ее, выразить письменное согласие.

        Далее предоставить подписанное согласие в ГУ – Кировское РО ФСС РФ удобным для вас способом: 

  • 28.01.2019

    Смена банковского счета

    с 04.02.2019г. изменения в реквизитах для перечисления денежных средств

    Расчетный счет    40101810222020011001

  • 25.01.2019

    Уважаемые страхователи!

     1 января 2020 года Кировская область войдет в состав участников пилотного проекта «Прямые выплаты».  Это означает введение на территории данного субъекта Российской Федерации нового порядка назначения и выплаты пособий по обязательному социальному страхованию застрахованным гражданам.

  • 15.01.2019

    Установление страховых тарифов на 2019 год

    ВНИМАНИЕ! РЕГИОНАЛЬНОЕ ОТДЕЛЕНИЕ С 09 ЯНВАРЯ 2019 ГОДА ОСУЩЕСТВЛЯЕТ ПРИЕМ ДОКУМЕНТОВ ОТ СТРАХОВАТЕЛЕЙ-ЮРИДИЧЕСКИХ ЛИЦ НА ПОДТВЕРЖДЕНИЕ ОСНОВНОГО ВИДА ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ЧЕРЕЗ ЕДИНЫЙ ПОРТАЛ ГОСУДАРСТВЕННЫХ И МУНИЦИПАЛЬНЫХ УСЛУГ

    В целях установления страховых тарифов на текущий год документы страхователями представляются в форме электронного документа, подписанного усиленной квалифицированной электронной подписью, с использованием единого Портала государственных и муниципальных услуг http://www. gosuslugi.ru/. Регистрация юридических лиц на Портале государственных и муниципальных услуг осуществляется бесплатно.

  • 10.10.2018

    Консультант Плюс провел вебинар по электронным листкам нетрудоспособности.

    На семинаре были освещены вопросы законодательства, структуры и порядка взаимодействия, используемого программного обеспечения.

    <ссылка на запись вебинара>

  • 18.07.2018

    Внимание получателей ЭЛН

    Если Вам в лечебном учреждении отказали в выдаче электронного листка нетрудоспособности, звоните на телефон 518-142

  • 24.04.2018

    Уважаемые получатели подгузников и абсорбирующего белья!

    Контракт на обеспечение вас средствами гигиены заключен и в первой декаде мая поставщики начнут выдачу изделий  в Кирове и  в районах области.

    Напоминаем о возможности получения подгузников через компенсацию приобретенных изделий в случае экстренной необходимости.

  • 12.04.2018

    Расчет формы 4-ФСС можно сдать в МФЦ

    Уважаемые страхователи!

    Расчет формы 4-ФСС можно сдать в Многофункциональном центре предоставления государственных и муниципальных услуг Кировской области “Мои документы”

  • 20.03.2018

    МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ. ПОДТВЕРЖДЕНИЕ ОСНОВНОГО ВИДА ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ В ЭЛЕКТРОННОМ ВИДЕ ПОСРЕДСТВОМ ПОРТАЛА ГОСУДАРСТВЕННЫХ УСЛУГ

       Уважаемые страхователи, получение электронной услуги на портале Государственных услуг (www.gosuslugi.ru) предусматривает работу в «ЛИЧНОМ КАБИНЕТЕ» (Рис. 1). Для этого необходимо САМОСТОЯТЕЛЬНО пройти процесс регистрации…

     

     

  • 21.06.2017

    УВАЖАЕМЫЕ СТРАХОВАТЕЛИ !

    Сообщаем, что в расчетах по страховым взносам, представленных плательщиками страховых взносов в налоговые органы по форме, утвержденной приказом ФНС от 10. 10.2016 № ММВ-7-11/515, содержится значительное количество ошибок в части расходов на обязательное социальное страхование на случай временной нетрудоспособности и в связи с материнством.

  • 06.03.2017

    Внимание страхователей,

    обращающихся в региональное отделение Фонда за возмещением произведенных расходов по обязательному социальному  страхованию  на случай временной нетрудоспособности и в связи с материнством, в части применения пункта 9 статьи 431 Налогового кодекса Российской Федерации.

  • 01.03.2017

    Уважаемые страхователи!

    С 1 января 2017 года вводятся новые КБК налоговой службы по обязательному социальному страхованию на случай временной нетрудоспособности и в связи с материнством.

    Обратите особое внимание на заполнение следующих реквизитов в платежных поручениях в налоговую инспекцию с 01. 01.2017 по обязательному социальному страхованию на случай временной нетрудоспособности и в связи с материнством

  • 09.01.2017

    ВНИМАНИЮ СТРАХОВАТЕЛЕЙ!

    ФСС утвердил новые формы документов для зачета и возврата переплаты по взносам на травматизм

    Страхователи будут применять новые формы с 1 января 2017 года. Они будут использоваться и для возврата и зачета пеней, штрафов по взносам на травматизм, а также для возврата излишне взысканных сумм.

  • 27.12.2016

    ВНИМАНИЮ СТРАХОВАТЕЛЕЙ!

            С 2017 года для  возмещения расходов по выплате пособий в ФСС необходимо представлять СПРАВКУ-РАСЧЕТ.

           Для возмещения затрат по выплате страхового обеспечения (пособий) по обязательному социальному страхованию на случай временной нетрудоспособности и в связи с материнством работодатель обращается в региональное отделение Фонда.

          

       Справка-расчет представляется при обращении за выделением средств за периоды начиная с 1 января 2017 года.

  • 22.08.2016

    ВНИМАНИЕ СТРАХОВАТЕЛЯМ!

    Уважаемые страхователи!

    В целях реализации Указа Президента Российской Федерации от 15.01.2016 г.  с 1 января 2017 года полномочия по администрированию страховых взносов по обязательному социальному страхованию на случай временной нетрудоспособности и в связи с материнством передаются  налоговым органам.

              Контролировать  уплату взносов на страхование от несчастных случаев на производстве и профессиональных заболеваний по-прежнему будут территориальные органы Фонда социального страхования Российской Федерации.

  • 04.08.2016

    Изменения по расчетной ведомости форма 4-ФСС

    Обращаем ваше внимание, что 1 августа 2016 года вступил в силу приказ Фонда социального страхования Российской Федерации от 04. 07.2016 года № 260, по которым внесены изменения :

    1. Приложение № 1 (Форма расчета по начисленным и уплаченным страховым взносам на обязательное социальное страхование на случай временной нетрудоспособности и в связи с материнством и по обязательному социальному страхованию от несчастных случаев на производстве и профессиональных заболеваний, а также по расходам на выплату страхового обеспечения (форма 4-ФСС)).

    2. Приложение № 2  (Порядок заполнения формы расчета по начисленным и уплаченным взносам (форма 4-ФСС)) к приказу Фонда социального страхования Российской Федерации от 26.02.2015 №59.

    Изменения в Разделе 2, появилась новая таблица 6.1. “Сведения, необходимые для исчисления страховых взносов страхователями, указанными в пункте 2.1 статьи 22 Федерального закона от 24 июля 1998 г. № 125-ФЗ”

    Указанный приказ применяется при представлении расчета по начисленным и уплаченным страховым взносам (форма 4-ФСС), начиная с 1 августа 2016 года.

  • 01.08.2016

    Установлен порядок регистрации и снятия с регистрационного учета в территориальных органах ФСС России страхователей

    Приказ Минтруда России от 29.04.2016 №202н “О порядке регистрации и снятия с регистрационного учета в территориальных органах Фонда социального страхования Российской Федерации страхователей и лиц, приравненных к страхователям”

    Зарегистрировано в Минюсте России 27.05.2016 № 42316.

    Установлен порядок регистрации и снятия с регистрационного учета в территориальных органах ФСС России страхователей

    Указывается, что регистрация страхователей – юридических лиц по месту нахождения обособленных подразделений и физических лиц осуществляется в территориальных органах (региональных отделениях и филиалах) ФСС России.

    Заявления подаются в письменной форме или в форме электронного документа с использованием федеральной государственной информационной системы «Единый портал государственных и муниципальных услуг (функций)».

    В приложениях к порядкам приведены формы использующихся в них документов.

    Приказ Минтруда России от 29.04.2016 № 202н социального страхования Российской Федерации “О порядке регистрации и снятия с регистрационного учета в территориальных органах Фонда страхователей и лиц, приравненных к страхователям” вступает в силу 11 июня 2016 года.

  • 01.08.2016

    НА ЕДИНОМ ПОРТАЛЕ ГОСУСЛУГ ПОЯВИЛИСЬ НОВЫE ЭЛЕКТРОННЫЕ УСЛУГИ

    На Едином портале государственных услуг (ЕПГУ) www.gosuslugi.ru стали доступны для получения в электронном виде услуги, которые предоставляют Фонд социального страхования РФ. С помощью портала госуслуг появилась возможность подать заявление в Фонд о регистрации или снятии с учета.

  • 30.06.2016

    ВНИМАНИЕ СТРАХОВАТЕЛЕЙ! Внесены изменения по установлению страховых взносов на страхование от несчастных случаев на производстве и проф. заболеваний

    Постановлением Правительства РФ от 17.06.2016г. № 551  приняты поправки в «Правила отнесения видов экономической деятельности к классу профессионального риска», утвержденные постановлением Правительства РФ от 01.12.2005г. № 713,которые вступят в силу с 01.01.2017г.   Данные поправки изменяют порядок установления страхового тарифа на обязательное социальное страхование от несчастных случаев на производстве и профессиональных заболеваний  тем страхователям-юридическим лицам, которые в срок не подтвердили свой основной вид деятельности.

    Таким работодателям будет установлен вышеуказанный тариф, исходя из вида деятельности, имеющего наиболее высокий класс профессионального риска из тех видов деятельности, которые отражены в отношении этого юридического лица в ЕГРЮЛ. То есть не будет иметь значения, ведет ли юридическое лицо фактически эту деятельность или нет. Главное, что код ОКВЭД значится в ЕГРЮЛ.

  • 25.05.2016

    ВНИМАНИЕ СТРАХОВАТЕЛЕЙ! С 2016 ГОДА ИЗМЕНЯЮТСЯ КБК!

    ГУ- Кировское региональное отделение Фонда социального страхования РФ уведомляет, что с 1 января 2016 г. изменяются следующие коды бюджетной классификации (КБК):

     

     

     

  • 27.01.2016

    ИЗМЕНЕНИЯ В ЗАКОНОДАТЕЛЬСТВЕ С 1 ЯНВАРЯ 2016 ГОДА

    1. Федеральный закон от 14.12.2015 N 362-ФЗ “О страховых тарифах на обязательное социальное страхование от несчастных случаев на производстве и профессиональных заболеваний на 2016 год”

    2. Федеральный закон от 29.12.2015 N 394-ФЗ “О внесении изменений в отдельные законодательные акты Российской Федерации”

  • 25.01.2016

    ВНИМАНИЕ! НОВЫЕ НОМЕРА ТЕЛЕФОНОВ

    ГУ-Кировское региональное отделение Фонда обращает Ваше внимание, что с октября произошла смена номеров телефонов

     

    По всем вопросам, телефон для справок  – 518-000

    Сдача отчетности формы 4-ФСС :

    – на бумажном носителе – 518-020

    – в электронной форме – 518-131

    Прием страхователей для сдачи расчета (Формы 4-ФСС):

    каб. 203 – 518-028, 518-022

    каб. 204 – 518-026, 518-027

    каб. 205 – 518-032, 518-033, 518-074

    Планово-экономический отдел – 518-100

    Правовой отдел – 518-110, 518-109, 518-108

    Отдел администрирования страховых взносов – 518-081, 518-006

    Регистрация страхователей – 518-018, 518-035

    Отдел проверок – 518-050

    Группа камеральных проверок – 518-118

    Отдел страхования профессиональных рисков – 518-181, 518-197

    Обеспечение льготных категорий граждан:

    – путевками на сан.-кур. лечение – 518-173, 518-176

    – техническими средствами реабилитации – 518-166, 518-163, 518-172

    Отдел страхования на случай временной нетрудоспособности и в связи с материнством – 518-141, 518-140

    Отдел организации размещения заказов для государственных нужд – 518-120, 518-121

    Отдел информатизации – 518-130, 518-131

    Отдел организационно-кадровой работы – 518-005

    Группа по делопроизводству и организации работы с обращениями граждан – 518-200 (факс)

  • 11. 01.2016

    НОВЫЙ СРОК УПЛАТЫ СТРАХОВЫХ ВЗНОСОВ НА ТРАВМАТИЗМ

    Федеральный закон от 29 декабря 2015 года № 394-ФЗ  «О внесении изменений в отдельные законодательные акты Российской Федерации» установил единый срок для уплаты страховых взносов в Фонд социального страхования Российской Федерации, в том числе для уплаты страховых взносов на обязательное социальное страхование от несчастных случаев на производстве и профессиональных заболеваний.

    С 1 января 2016 года взносы нужно перечислять  в соответствии со статьей 22 Федерального закона от 24 июля 1998 г. № 125-ФЗ «Об обязательном социальном страховании от несчастных случаев на производстве и профессиональных заболеваний»: ежемесячно в срок не позднее 15-го числа календарного месяца, следующего за календарным месяцем, за который начисляются взносы. Если срок уплаты выпадает на выходной или нерабочий праздничный день, то последним днем для уплаты считается следующий за ним рабочий день.

    Также эта статья  уточнена указанием на то, что страхователь перечисляет страховщику страховые взносы поручением о перечислении денежных средств на соответствующий счет Федерального казначейства.

  • 02.10.2015

    РАЗМЕЩЕНЫ ОБНОВЛЕННЫЕ РЕКОМЕНДАЦИИ ПО СДАЧЕ РАСЧЕТНЫХ ВЕДОМОСТЕЙ ПО ФОРМЕ 4-ФСС

    Уважаемые страхователи!

    В разделе “Удостоверяющий центр” размещены обновленные рекомендации по сдаче расчетных ведомостей по “Форме-4 ФСС” в электронном виде с использованием электронной подписи (http://fss.ru/uc/). Также для удобства страхователей в рекомендациях  имеются образцы доверенностей для сдачи расчетных ведомостей по Форме-4 ФСС через уполномоченных представителей.

  • 30.09.2015

    УВАЖАЕМЫЕ СТРАХОВАТЕЛИ !

    Обращаем ваше внимание, что в соответствии с Федеральным законом от 01.12.2014 г. № 406-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам обязательного социального страхования»

    с 01 января 2015 года  расчет по начисленным и уплаченным страховым взносам (Форма-4 ФСС) на бумажном носителе представляется не позднее 20-го числа календарного месяца, следующего за отчетным периодом,

    а в форме электронного документа не позднее 25-го числа календарного месяца, следующего за отчетным периодом.

    Для удобства заполенения формы 4-ФСС в электронном виде:

    Фильм-инструкция по заполнению формы 4-ФСС

  • 10.09.2015

    ВНИМАНИЕ СТРАХОВАТЕЛИ!

    В ряде регионов  страхователи стали получать от имени Фонда социального страхования мошеннические электронные письма, зараженные вредоносным программным обеспечением. В письмах, которые рассылают мошенники, содержится информация об якобы имеющейся  задолженности страхователя перед ФСС. К письму прикреплён архивный файл, заражённый  вирусом. Рекомендуем не открывать такие сообщения, так как Фонд социального страхования и его региональные отделения не имеют отношения к рассылке писем о наличии задолженности по уплате страховых взносов.

  • 21.01.2015

    ВНИМАНИЮ УПОЛНОМОЧЕННЫХ ПРЕДСТАВИТЕЛЕЙ по сдаче отчетности 4 ФСС !

    Здесь вы найдете:

    – памятку для уполномоченного представителя;

    – образец доверенности для юридических лиц;

    – образец доверенности для физических лиц;

    – инструкции по сдаче расчетных ведомостей по Форме 4 ФСС.

  • 01.11.2014

    ИНФОРМАЦИЯ ДЛЯ СТРАХОВАТЕЛЕЙ

    ОБ ИЗМЕНЕНИИ РЕКВИЗИТОВ! 

    В связи с ликвидацией Головного расчетно-кассового центра Главного управления Центрального банка Российской Федерации по Кировской области с 01.10.2014 расчетное и кассовое обслуживание будет осуществляться Отделением по Кировской области Волго-Вятского главного управления Центрального банка Российской Федерации (сокращенное наименование – Отделение Киров).
    В соответствии с этим с 01.10.2014 в реквизитах распоряжений о переводе денежных средств в уплату платежей в бюджетную систему Российской Федерации необходимо указывать:

    Наименование банка получателя: Отделение Киров.

  • Территориальный коэффициент ОСАГО 2019 по регионам в РСА

    Территория преимущественного использования транспортного средства:

    Коэффициент для транспортных средств, за исключением тракторов, самоходных дорожно-строительных и иных машин и прицепов к ним

    Территориальный коэффициент для тракторов, самоходных дорожно-строительных и иных машин и прицепов к ним

    для юридических лиц – место регистрации транспортного средства;

    для физических лиц – место жительства собственника транспортного средства

    Алтайский край

    Барнаул

    1,63

    1

    Бийск

    1,18

    0,82

    Заринск, Новоалтайск, Рубцовск

    1,09

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Амурская область

    Благовещенск

    1,54

    0,91

    Белогорск, Свободный

    1,09

    0,91

    Прочие города и населенные пункты

    1

    0,64

    Архангельская область

    Архангельск

    1,72

    1

    Северодвинск

    1,63

    1

    Котлас

    1,54

    1

    Прочие города и населенные пункты

    0,865

    0,55

    Астраханская область

    Астрахань

    1,36

    1

    Прочие города и населенные пункты

    0,82

    0,55

    Белгородская область

    Белгород

    1,27

    0,82

    Губкин, Старый Оскол

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Брянская область

    Брянск

    1,45

    1

    Клинцы

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Владимирская область

    Владимир

    1,54

    1

    Муром

    1,18

    0,82

    Гусь-Хрустальный

    1,09

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Волгоградская область

    Волгоград

    1,27

    0,82

    Волжский

    1,09

    0,82

    Камышин, Михайловка

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Вологодская область

    Череповец

    1,72

    1

    Вологда

    1,63

    1

    Прочие города и населенные пункты

    0,91

    0,55

    Воронежская область

    Воронеж

    1,45

    1,09

    Борисоглебск, Лиски, Россошь

    1,09

    0,91

    Прочие города и населенные пункты

    0,82

    0,64

    Еврейская автономная область

    Биробиджан

    0,64

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Забайкальский край

    Чита

    0,73

    0,55

    Краснокаменск

    0,64

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Ивановская область

    Иваново

    1,72

    1

    Кинешма

    1,09

    0,82

    Шуя

    1

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Иркутская область

    Иркутск

    1,63

    1

    Шелехов

    1,27

    0,82

    Ангарск

    1,18

    0,82

    Усолье-Сибирское

    1,09

    0,82

    Братск, Тулун, Усть-Илимск, Усть-Кут, Черемхово

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Кабардино-Балкарская Республика

    Нальчик, Прохладный

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Калининградская область

    Калининград

    1,09

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Калужская область

    Обнинск

    1,27

    0,82

    Калуга

    1,18

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Камчатский край

    Петропавловск-Камчатский

    1,27

    1

    Прочие города и населенные пункты

    1

    0,64

    Карачаево-Черкесская Республика

    1

    0,82

    Кемеровская область

    Кемерово

    1,81

    1

    Новокузнецк

    1,72

    1

    Белово, Березовский, Осинники, Прокопьевск, Междуреченск

    1,27

    0,82

    Анжеро-Судженск, Киселевск, Юрга

    1,18

    0,82

    Прочие города и населенные пункты

    1,09

    0,82

    Кировская область

    Киров

    1,36

    1

    Кирово-Чепецк

    1,18

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Костромская область

    Кострома

    1,27

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Краснодарский край

    Краснодар, Новороссийск

    1,72

    1

    Анапа, Геленджик

    1,27

    0,82

    Армавир, Сочи, Туапсе

    1,18

    0,82

    Белореченск, Ейск, Кропоткин, Крымск, Курганинск, Лабинск, Славянск-на-Кубани, Тимашевск, Тихорецк

    1,09

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Красноярский край

    Красноярск

    1,72

    1

    Железногорск, Норильск

    1,27

    0,82

    Ачинск, Зеленогорск

    1,09

    0,82

    Канск, Лесосибирск, Минусинск, Назарово

    1

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Курганская область

    Курган

    1,36

    0,82

    Шадринск

    1,09

    0,82

    Прочие города и населенные пункты

    0,64

    0,55

    Курская область

    Курск

    1,18

    0,82

    Железногорск

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Ленинградская область

    1,27

    0,82

    Липецкая область

    Липецк

    1,45

    1

    Елец

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Магаданская область

    Магадан

    0,73

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Московская область

    1,63

    1

    Москва

    1,9

    1,18

    Мурманская область

    Мурманск

    1,99

    1,18

    Североморск

    1,54

    1

    Апатиты, Мончегорск

    1,27

    1

    Прочие города и населенные пункты

    1,18

    1

    Ненецкий автономный округ

    0,82

    0,55

    Нижегородская область

    Нижний Новгород

    1,72

    1

    Балахна, Бор, Дзержинск

    1,27

    0,82

    Кстово

    1,18

    0,82

    Арзамас, Выкса, Саров

    1,09

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Новгородская область

    Великий Новгород

    1,27

    0,82

    Боровичи

    1

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Новосибирская область

    Новосибирск

    1,63

    1

    Бердск

    1,27

    0,82

    Искитим

    1,18

    0,82

    Куйбышев

    1

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Омская область

    Омск

    1,54

    1

    Прочие города и населенные пункты

    0,91

    0,55

    Оренбургская область

    Оренбург

    1,63

    1

    Орск

    1,09

    0,82

    Бугуруслан, Бузулук, Новотроицк

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Орловская область

    Орел

    1,18

    0,82

    Ливны, Мценск

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Пензенская область

    Пенза

    1,36

    1

    Заречный

    1,18

    0,82

    Кузнецк

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Пермский край

    Пермь

    1,9

    1,18

    Березники, Краснокамск

    1,27

    0,82

    Соликамск

    1,18

    0,82

    Лысьва, Чайковский

    1

    0,82

    Прочие города и населенные пункты

    1,09

    0,82

    Приморский край

    Владивосток

    1,36

    1

    Арсеньев, Артем, Находка, Спасск-Дальний, Уссурийск

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Псковская область

    Псков

    1,18

    0,82

    Великие Луки

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Республика Адыгея

    1,27

    1

    Республика Алтай

    Горно-Алтайск

    1,27

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Республика Башкортостан

    Уфа

    1,72

    1

    Стерлитамак, Туймазы

    1,27

    0,82

    Благовещенск, Октябрьский

    1,18

    0,82

    Ишимбай, Кумертау, Салават

    1,09

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Республика Бурятия

    Улан-Удэ

    1,27

    0,82

    Прочие города и населенные пункты

    0,64

    0,55

    Республика Дагестан

    Буйнакск, Дербент, Каспийск, Махачкала, Хасавюрт

    0,73

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Республика Ингушетия

    Малгобек

    0,82

    0,55

    Назрань

    0,64

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Республика Калмыкия

    Элиста

    1,27

    0,82

    Прочие города и населенные пункты

    0,64

    0,55

    Республика Карелия

    Петрозаводск

    1,27

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Республика Коми

    Сыктывкар

    1,54

    1

    Ухта

    1,27

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Республика Марий Эл

    Йошкар-Ола

    1,36

    0,82

    Волжск

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Республика Мордовия

    Саранск

    1,45

    1

    Рузаевка

    1,18

    1

    Прочие города и населенные пункты

    0,82

    0,64

    Республика Саха (Якутия)

    Якутск

    1,18

    0,73

    Нерюнгри

    0,82

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Республика Северная Осетия — Алания

    Владикавказ

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Республика Татарстан

    Казань

    1,9

    1,18

    Набережные Челны

    1,63

    1

    Альметьевск, Зеленодольск, Нижнекамск

    1,27

    0,82

    Елабуга

    1,18

    0,82

    Бугульма, Лениногорск, Чистополь

    1

    0,82

    Прочие города и населенные пункты

    1,09

    0,82

    Республика Тыва

    Кызыл

    0,64

    0,55

    Прочие города и населенные пункты

    0,64

    0,55

    Республика Хакасия

    Абакан, Саяногорск, Черногорск

    1

    0,82

    Прочие города и населенные пункты

    0,64

    0,55

    Ростовская область

    Ростов-на-Дону

    1,72

    1

    Батайск

    1,27

    0,82

    Азов

    1,18

    0,82

    Шахты

    1,09

    0,82

    Волгодонск, Гуково, Каменск-Шахтинский, Новочеркасск, Новошахтинск, Сальск, Таганрог

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Рязанская область

    Рязань

    1,36

    1

    Прочие города и населенные пункты

    0,91

    0,55

    Самарская область

    Самара

    1,54

    1

    Тольятти

    1,45

    1

    Чапаевск

    1,18

    0,82

    Новокуйбышевск, Сызрань

    1,09

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Санкт-Петербург

    1,72

    1

    Саратовская область

    Саратов

    1,54

    1

    Энгельс

    1,18

    0,82

    Балаково, Балашов, Вольск

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Сахалинская область

    Южно-Сахалинск

    1,45

    1

    Прочие города и населенные пункты

    0,91

    0,55

    Свердловская область

    Екатеринбург

    1,72

    1

    Березовский, Верхняя Пышма, Новоуральск, Первоуральск

    1,27

    0,82

    Верхняя Салда, Полевской

    1,18

    0,82

    Асбест, Ревда

    1,09

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Смоленская область

    Смоленск

    1,18

    0,82

    Вязьма, Рославль, Сафоново, Ярцево

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Ставропольский край

    Кисловодск, Михайловск, Ставрополь

    1,18

    0,82

    Буденновск, Георгиевск, Ессентуки, Минеральные воды, Невинномысск, Пятигорск

    1

    0,82

    Прочие города и населенные пункты

    0,73

    0,55

    Тамбовская область

    Тамбов

    1,18

    0,82

    Мичуринск

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Тверская область

    Тверь

    1,45

    0,82

    Вышний Волочек, Кимры, Ржев

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Томская область

    Томск

    1,54

    1

    Северск

    1,18

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Тульская область

    Тула

    1,45

    1

    Узловая, Щекино

    1,18

    0,82

    Алексин, Ефремов, Новомосковск

    1

    0,82

    Прочие города и населенные пункты

    0,91

    0,55

    Тюменская область

    Тюмень

    1,9

    1,18

    Тобольск

    1,27

    0,82

    Прочие города и населенные пункты

    1,09

    0,82

    Удмуртская Республика

    Ижевск

    1,54

    1

    Воткинск

    1,09

    0,82

    Глазов, Сарапул

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Ульяновская область

    Ульяновск

    1,45

    1,09

    Димитровград

    1,18

    0,91

    Прочие города и населенные пункты

    0,91

    0,64

    Хабаровский край

    Хабаровск

    1,63

    1

    Комсомольск-на-Амуре

    1,27

    0,82

    Амурск

    1

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Ханты-Мансийский автономный округ

    Сургут

    1,9

    1,18

    Нижневартовск

    1,72

    1

    Ханты-Мансийск

    1,45

    1

    Нефтеюганск, Нягань

    1,27

    0,82

    Когалым

    1

    0,82

    Прочие города и населенные пункты

    1,09

    0,82

    Челябинская область

    Челябинск

    1,99

    1,27

    Магнитогорск

    1,72

    1

    Копейск

    1,54

    1

    Златоуст, Миасс

    1,36

    0,82

    Сатка, Чебаркуль

    1,18

    0,82

    Прочие города и населенные пункты

    1

    0,82

    Чеченская Республика

    0,64

    0,55

    Чувашская Республика

    Чебоксары

    1,63

    1

    Новочебоксарск

    1,18

    0,82

    Канаш

    1,09

    0,82

    Прочие города и населенные пункты

    0,82

    0,55

    Чукотский автономный округ

    0,64

    0,55

    Ямало-Ненецкий автономный округ

    Ноябрьск

    1,63

    1

    Новый Уренгой

    1

    0,82

    Прочие города и населенные пункты

    1,09

    0,82

    Ярославская область

    Ярославль

    1,45

    1

    Прочие города и населенные пункты

    0,91

    0,55

    Байконур

    Байконур

    0,64

    0,55

    Совкомбанк проанализировал ситуацию на ипотечном рынке и пришёл к выводу о снижении доступности кредитов на новостройки

    За прошедший год уровень доступности приобретения первичной жилой недвижимости в ипотеку заметно уменьшился почти во всех субъектах РФ. Особенно явно данная тенденция проявляется в Краснодарском и Пермском краях, а также в Подмосковье. А вот вторичное жилье, напротив, стало более доступным. На это обратил внимание Совкомбанк, который изучил ипотечный рынок и проанализировал текущую ситуацию.

    Аналитики Совкомбанка изучили динамику колебания цен на рынке недвижимости и оценили уровень спроса на ипотечное кредитования, а также подсчитали, насколько доступна покупка как первичного, так и вторичного жилья в разных регионах РФ.

    В прошлом году спрос на ипотечные кредиты резко возрос на фоне запуска программы льготной ипотеки под 6,5% на покупку квартир в новостройках и снижения ставок до исторических минимумов. Он держался до второго квартала 2021 года – с января по март за счет госпрограммы, а с апреля по июнь на ожидании повышения ставок. Вслед за «первичкой» вырос спрос и на вторичную недвижимость, подогретый лояльной кредитно-денежной политикой финансовых организаций. Многие граждане, которые оформили ипотеку до введения льгот, поэтому поспешили рефинансировать имеющиеся кредиты – на рефинансирование пришлось порядка 15% от общего объема выданных банками кредитов. В первом полугодии текущего года, по данным экспертов, было выдано в 1,7 раза больше кредитов на покупку жилья, чем за аналогичный период 2020 года, и в 2,1 раза больше, чем за первые шесть месяцев 2019. Более того, количество выданных ипотечных кредитов за одно только первое полугодие 2021 года примерно сопоставимо с цифрами за весь 2019 год.

    Дороже и дольше

    Эксперты Совкомбанка в своем исследовании опирались на данные Росстата, в соответствии с которыми в 2021 году цены на жилье продолжали расти практически во всех субъектах РФ, причем это касается как квартир в новостройках, так и вторичного жилья. Для «первички» рост с начала года составил 13%, для вторичной недвижимости – 8%. Вполне логично, что со столь ощутимым ростом цен увеличилась и средняя сумма ипотечного кредита – россияне не перестали покупать квартиры, но жилье подорожало, следовательно, приобретение стало требовать большего размера займа. Но вырос и еще один показатель – срок кредитования. Если прежние цены позволяли россиянам справиться с выплатой кредита за менее продолжительное время, то увеличение срока выплаты кредита лишило их этой возможности. «Размазанный» на дополнительные несколько лет кредит позволяет выйти на меньшую сумму ежемесячного платежа, комфортную для заемщика, и многие этим пользуются. В условиях роста цен это более чем актуально, особенно если принять во внимание, что доходы населения не растут.

    Доступность в цифрах

    В исследовании Совкомбанка отмечается, что на доступность покупки квартиры с использованием ипотеки влияют следующие критерии: цена недвижимости (сколько в среднем стоит 1 квадратный метр на первичном и вторичном рынке), средняя зарплата по региону и средняя процентная ставка по ипотеке в выбранном сегменте. Расчетная площадь, которую может купить семья из двух работающих человек со средней по региону зарплатой, считается коэффициентом доступности. При расчетах предусматривается, что 50% общего дохода уходит на платеж по ипотеке, размер первоначального взноса составляет 20%, а заем выдан на 20 лет.

    Как показало исследование, большинство крупных регионов РФ столкнулись со снижением доступности покупки первичной недвижимости в ипотеку. Антилидером по этому показателю стал Краснодарский край, где падение доступности составило 20%, а также Пермский край (18%) и Подмосковье (15%).

    Расчет коэффициента доступности покупки жилья на первичном рынке в регионах РФ (топ-20 по численности населения)

    На вторичном рынке ситуация обстоит несколько иначе: во многих крупных субъектах федерации доступность жилья выросла, пусть и несущественно. Однако в некоторых регионах она снизилась – например, в Краснодарском крае (на 11%) и в Нижегородской области (10%).

    Расчет коэффициента доступности покупки жилья на вторичном рынке в регионах РФ (топ-20 по численности населения)

    Экспертный прогноз

    Специалисты Совкомбанка ссылаются на данные Росстата и Центробанка РФ и отмечают, что доступность приобретения жилья с привлечением ипотечного кредита находилась на максимальном уровне во втором квартале 2020 года – в этот период резко упали ставки по ипотеке, а цены на жилье еще не успели взлететь, как это произошло позднее. Во втором квартале 2021 года доступность жилья в ипотеку упала по сравнению с показателями 2021 года, но по-прежнему держалась на уровне, превышающем цифры за 2018-2019 годы за счет низких процентных ставок и роста зарплат.

    В ближайшей перспективе ставки поднимутся, и доступность покупки жилья станет еще ниже. Но квартиры, представленные на вторичном рынке, купить будет все равно проще, чем до 2020 года. Не исключено, что эти предложения заинтересуют часть покупателей, изначально нацеленных на жилье в новостройках. Снижения цен на вторичку, по мнению экспертов, не предполагается, на новостройки – тоже. Максимум на что можно рассчитывать – рассрочка от застройщиков и ипотека по сниженным ставкам.

    Аналитики прогнозируют для второго полугодия 2021 года следующие тенденции, которые будут превалировать на рынке ипотечного кредитования:

    увеличение процентных ставок по ипотечным кредитам и на первичном, и на вторичном рынке до 9-9,5% к декабрю;

    • падение спроса на ипотеку и покупку недвижимости по сравнению с январем-июнем 2021 года;
    • замедление роста цен на объекты недвижимости;
    • рост интереса покупателей к вторичному рынку.

    Эксперты также не исключают, что сдерживанию цен на недвижимость могло бы способствовать увеличение предложения на рынке новостроек.

    Коэффициент Джини: Индекс концентрации доходов: VR: Кировская область | Экономические показатели

    Коэффициент Джини: Индекс концентрации доходов: VR: Кировская область (NA) 0,329 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: NC: Ставропольский край (NA) 0.348 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ЮФ: Ростовская область (NA) 0,390 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Самарская область (NA) 0.366 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: UF: Тюменская область: Ямало-Ненецкий … (NA) 0,436 2020 г. ежегодно 2000-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: SB: Республика Тыва (NA) 0.352 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Забайкальский край (NA) 0,345 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ИП: Камчатский край (NA) 0.370 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: FE: Еврейская автономная область (NA) 0,326 2020 г. ежегодно 2000-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: CF: Рязанская область (NA) 0.357 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Западный федеральный округ (NW … (NA) 0,340 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Кавказский федеральный округ (… (нет данных) 0,383 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SF: город Севастополь (NA) 0,343 2020 г. ежегодно 2015 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ЮФ: Республика Крым (NA) 0.330 2020 г. ежегодно 2015 – 2020
    Коэффициент Джини: Индекс концентрации доходов: UF: Тюменская область: Тюменская область, исключ … (NA) 0,373 2020 г. ежегодно 2012-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: NC: Чеченская Республика (NA) 0.365 2020 г. ежегодно 2012-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Архангельская область: Архангелы … (НД) 0,352 2020 г. ежегодно 2012-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: ЮФ: Краснодарский край (NA) 0. 395 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северная Каролина: Республика Северная Осетия Ал … (NA) 0,348 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: NC: Республика Карачаево Черкес… (нет данных) 0,324 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SF: Республика Калмыкия (NA) 0,336 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северная Каролина: Республика Кабардино-Балкария (NA) 0.335 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северная Каролина: Республика Ингушетия (NA) 0,328 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Южный федеральный округ (СФ): Re… (нет данных) 0,400 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-запад: город Санкт-Петербург (NA) 0,398 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Псковская область (NA) 0.349 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: СЗ: Новгородская область (NA) 0,330 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-запад: Мурманская область (NA) 0.334 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Ленинградская область (NA) 0,354 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Калининградская область (NA) 0. 347 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Вологодская область (NA) 0,355 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: СЗ: Архангельская область: Ненецкий А… (нет данных) 0,423 2020 г. ежегодно 2000-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Архангельская область (NA) 0,364 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Северо-Запад: Республика Коми (NA) 0.373 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: город Москва (NA) 0,410 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Ярославская область (NA) 0.350 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Тульская область (NA) 0,340 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Тверская область (NA) 0.333 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Тамбовская область (NA) 0,354 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Смоленская область (NA) 0.381 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Орловская область (NA) 0,354 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Московская область (NA) 0.375 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Липецкая область (NA) 0,378 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Курская область (NA) 0.361 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Костромская область (NA) 0,325 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Калужская область (NA) 0.356 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Ивановская область (NA) 0,351 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Воронежская область (NA) 0.392 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Владимирская область (NA) 0,330 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: CF: Брянская область (NA) 0.363 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Центральный федеральный округ (ЦФО): Бел … (NA) 0,377 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ИП: Чукотский край (NA) 0.406 2020 г. ежегодно 2000-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: ИП: Сахалинская область (NA) 0,401 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ИП: Магаданская область (NA) 0.381 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ИП: Амурская область (NA) 0,387 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ИП: Хабаровский край (NA) 0.364 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ИП: Приморский край (NA) 0,369 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Дальневосточный федеральный округ (ДФ): Re… (нет данных) 0,393 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Томская область (NA) 0,349 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Омская область (NA) 0.369 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Новосибирская область (NA) 0,369 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Кемеровская область (NA) 0.338 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Иркутская область (NA) 0,352 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Красноярский край (NA) 0.380 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Алтайский край (NA) 0,363 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Республика Хакасия (NA) 0.327 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: SB: Республика Бурятия (NA) 0,351 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Сибирский федеральный округ (СФ): Re… (нет данных) 0,362 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: UF: Челябинская область (NA) 0,330 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: UF: Тюменская область: Ханты-Мансийский район… (нет данных) 0,383 2020 г. ежегодно 2000-2020 гг.
    Коэффициент Джини: Индекс концентрации доходов: UF: Тюменская область (NA) 0,422 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: UF: Свердловская область (NA) 0.393 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Уральский федеральный округ (UF): Курган … (NA) 0,344 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Ульяновская область (NA) 0.348 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Саратовская область (NA) 0,363 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Пензенская область (NA) 0.350 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Оренбургская область (NA) 0,359 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Нижегородская область (NA) 0.382 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Пермский край (NA) 0,381 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Республика Чувашия (NA) 0.338 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Удмуртская Республика (NA) 0,337 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Республика Татарстан (NA) 0.384 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Республика Мордовия (NA) 0,348 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: VR: Республика Марий Эл (NA) 0.354 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: Приволжский федеральный округ (ВР) … (НД) 0,393 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ЮФ: Волгоградская область (NA) 0.347 2020 г. ежегодно 1995 – 2020
    Коэффициент Джини: Индекс концентрации доходов: ЮФ: Астраханская область (NA) 0,352 2020 г. ежегодно 1995 – 2020

    Оценка влияния экономических колебаний на безработицу в регионах России на основе модели Окуня

    Реферат –

    На основе модифицированной модели Окуня в статье оценивается влияние изменений объемов производства на динамику безработицы в России и России. три региональных кластера, различающиеся уровнем безработицы и поведенческими реакциями на экономические потрясения.Оценка спецификаций базовой модели Окуня на данных за 2010–2020 гг. Позволила выявить циклическую реакцию уровня безработицы в гетерогенных региональных кластерах на изменение объемов выпуска.

    Ключевые слова: модель Окуня, эконометрическая оценка, уровень безработицы, экономические колебания, региональные кластеры

    Базовый сценарий с прогнозом мирового экономического развития, представленный в июньском отчете Всемирного банка [1], предполагает сокращение глобального ВВП на 5.2% в 2020 году, что является худшим показателем за последние восемь десятилетий. Прогнозируемый спад в экономически развитых странах может составить 7,7%, в государствах еврозоны – 9,1%, в США и Японии – 6,1%, в России – 6,0%. Объемы производства и доходы на душу населения в подавляющем большинстве стран снижаются, что приводит к росту безработицы и бедности населения, провоцируя снижение внутреннего спроса на товары и услуги. Темпы восстановления мировой экономики, по прогнозам Всемирного банка, будут умеренными – 4.2% в 2021 году, в то время как восстановительный рост в еврозоне достигнет 4,5%, в США – 4,0%, в Японии – 2,5%, а в России – 2,7% [1]. По мнению экспертов, российская экономика в 2020–2021 годах испытает три шока, которые негативно отразятся на динамике ключевых показателей социально-экономического развития [2]. Это подразумевает, во-первых, экономические последствия пандемии коронавируса, охватившей большинство стран мира, в том числе Россию, во-вторых, падение цен на углеводороды на мировых рынках, в-третьих, изменение структуры и сокращение спроса на товары и услуги. из-за глобального экономического спада и сбоев в цепочке поставок.Экономический кризис и рецессия мировой экономики актуализируют исследования влияния динамики объемов производства на ключевые индикаторы национального рынка труда.

    Связь между показателями экономического спада и рынка труда изучается как зарубежными, так и российскими авторами (см., Например, [3–6]). Применение эконометрических моделей позволяет оценить степень чувствительности показателей рынка труда к циклическим колебаниям макропараметров.Инструментальной основой большинства исследований является одна из основных модификаций модели Окуня; кроме того, есть несколько спецификаций взаимозависимости безработицы и объемов производства, подробно описанных в литературе [7]. Окунь обнаружил устойчивую отрицательную связь между циклической безработицей (разницей между фактической и естественной безработицей) и изменениями величины разрыва между реальным и потенциальным ВВП [8]. Снижение спроса на товары и услуги во время экономического спада снижает спрос на рабочую силу, что является производным фактором, подрывающим занятость и формирующим предпосылки для роста безработицы.Рост циклической безработицы, в свою очередь, увеличивает разрыв между реальным и потенциальным ВВП, поскольку увеличивается «недопроизводство» товаров и услуг. Циклическая безработица влечет за собой не только экономические, но и социальные издержки: расслоение населения по доходам, рост социальной напряженности, рост заболеваемости, преступности и т. Д.

    Циклические колебания объема производства в процентном отношении превышают колебания уровня безработицы и объема производства на одного рабочего во время спада падает вместе со спадом производства.В России падение производства по особым причинам несравнимо больше, чем масштабы сокращения занятости и роста безработицы. Анализ российского рынка труда, проведенный разными авторами, показывает, что с падением спроса на рабочую силу сокращается не только количество занятых, но и продолжительность рабочего времени, и реальные доходы населения, в первую очередь заработная плата. Исследователи подчеркивают, что российский рынок труда, адаптируясь к негативным экономическим потрясениям, реагирует «не столько ростом безработицы, сколько сокращением продолжительности рабочего дня и снижением реальной заработной платы» [9, с.251].

    Несмотря на многочисленные научные публикации, посвященные различным аспектам взаимосвязи «выпуск – безработица», поведенческие реакции гетерогенных региональных рынков труда на экономические колебания изучены недостаточно. Данное исследование расширяет подходы, представленные в литературе, с учетом уникального разнообразия регионов России и высокой неоднородности российского рынка труда.

    Цель исследования – оценить влияние изменения объемов выпуска на динамику уровня безработицы в трех группах регионов России, различающихся как уровнем безработицы, так и поведенческой реакцией на шоки.

    В исследовании использованы официальные данные Федеральной службы государственной статистики [10] и данные Министерства экономического развития Российской Федерации [11]. В выборку вошли 79 субъектов РФ 1 . Период исследования – с 2010 по первый квартал 2020 года, используются квартальные данные 2 . Мы рассматриваем изменение национального рынка труда после экономического шока мировой рецессии (2008–2009 гг.) И до начала нового кризиса, вызванного последствиями эпидемии COVID-19.Скорость изменения валового внутреннего продукта и валового регионального продукта определяется на основе годовых и квартальных показателей физического объема производства. Оценка региональных уровней безработицы основана на методологии Международной организации труда (МОТ), а стоимость валового регионального продукта основана на системе национальных счетов (СНС). Доля регионов, включенных в выборку, составляет 99% ВВП России, а по численности безработных по методике МОТ превышает 96% 3 .Для группировки регионов предлагается специально составленный алгоритм кластерного анализа, позволяющий учитывать межрегиональные различия, неоднородную структуру и неоднородность поведенческих реакций региональных рынков труда.

    Модификации модели Окуня. Известно, что Окунь предложил несколько вариантов изучения взаимосвязи между выпуском продукции и безработицей, рассматривая как прямые, так и обратные зависимости. В современной научной литературе обсуждаются и используются различные модификации модели Окуня, одна из которых называется «версией разрыва», другая – «разницей», отражая взаимосвязь между «первыми отличиями».Рассмотрены динамические модели, а также модификации с запаздывающими переменными или взятые в логарифмической форме. В «прерывистой» модификации модели реальный ВВП сравнивается с потенциальным (разрывом выпуска), а фактическая безработица – с ее естественным или целевым уровнем. «Разрыв выпуска» для российской экономики неоднократно оценивался с помощью фильтров Калмана, Ходрика – Прескотта и других [12, 13]. Измерение естественного уровня безработицы, которое важно для оценки модели Окуня в версии с разрывами, представляет определенную трудность.Существующие в литературе подходы к анализу и оценке естественного уровня безработицы рассматриваются в отечественной и зарубежной литературе [14–16]. Наиболее часто используемые авторами инструменты для измерения естественного уровня безработицы включают кривую Филлипса, кривую Бевериджа и различные фильтры. Сразу отметим, что взаимосвязь между ростом (падением) производства и отклонением фактической безработицы от естественного уровня опосредована влиянием многих других факторов, отражающих специфику развития страны и ее регионов.

    Другая модификация модели Окуня, отражающая взаимосвязь первых различий, включает оценку регрессии между увеличением уровня безработицы и темпами роста производства. В модификации, которую мы будем использовать для решения поставленных задач, переменные взяты в логарифмической форме, что дает определенные преимущества, поскольку позволяет избежать искажений, вызванных отклонениями региональных значений уровня безработицы и темпов роста производства. из нормального закона распределения для набора регионов [17].На основе модифицированной модели Окуня [Okun, 1962] оценивается наличие и степень чувствительности рынка труда к деловому циклу [18, 19]. Модель имеет вид

    1

    , где dU it – абсолютное изменение уровня безработицы в регионе i за период t ; β i обозначает коэффициент Окуня, который в модели имеет отрицательное значение, отражая рост безработицы при сокращении производства и замедлении экономического роста; dG it обозначает темпы роста производства в регионе i за период t в процентах; α i – параметр, отражающий специфику области i , подлежит оценке; е обозначает случайную величину.

    Модифицированная модель Окуня была оценена для выборки из 79 регионов Российской Федерации с использованием квартальных и годовых данных. Панельная регрессия уточняет параметры силы воздействия экономических потрясений на безработицу в региональном разрезе:

    2

    , где dU it – изменение уровня безработицы в регионе i выше период т ; β i – коэффициент Окуня для и -й территории; R i обозначает фиктивную переменную, отражающую региональные различия в уровне безработицы; и dG it – темп роста производства в процентах [19].В панельной выборке единицами наблюдения являются регионы. Панельные регрессии основаны на переменных логарифмического роста выпуска и уровня безработицы. Модификации с использованием логарифмов уровня безработицы и темпа роста выпуска широко используются в научных исследованиях [3, 17].

    3

    где U it – уровень безработицы в регионе i в году t ; G it обозначает темп роста (индекс производства) в регионе i в году t .Параметры модели (3) оценивались с помощью метода наименьших квадратов OLS .

    Кластеризация регионов. Уровень безработицы на российском рынке труда характеризуется высокой межрегиональной дифференциацией, которая снижается в период рецессии и увеличивается с началом экономического роста [20–22]. Для формирования относительно однородных групп был проведен кластерный анализ регионов России, входящих в выборку, по уровню безработицы 4 .

    Иерархическая кластеризация пошагово объединила регионы, близкие по квартальной динамике уровня безработицы в 2010–2019 гг. Отметим, что квартальные данные позволяют получить кластеры (клубы) регионов Российской Федерации, близкие по циклическим параметрам уровня безработицы. Используемый метод K-средних, широко используемый в методологии кластерного анализа, позволил минимизировать различия внутри кластеров и максимизировать вариативность между кластерами; Евклидовы расстояния, характеризующие качество кластеризации, представлены в Приложении (Таблица).В результате иерархической кластеризации регионов РФ по уровню и динамике квартальной безработицы за 2010–2019 гг. Сформировались три группы регионов или три клуба ().

    Таблица 1

    . Состав региональных кластеров (клубов) РФ, 2010–2019 гг.

    Клуб Количество регионов Состав регионов
    1 9 Республики: -Балкар, Карачаево-Черкесия, Алтай, Дагестан, Ингушетия, Калмыкия, Тыва, Северная Осетия-Алания, Забайкалье.
    2 33

    Республики: Адыгея, Башкортостан, Бурятия, Карелия, Коми, Марий Эл, Саха (Якутия), Хакасия, Чувашия.

    Области: Архангельская, Астраханская, Волгоградская, Вологда, Иркутская, Калининградская, Омская, Кемеровская, Кировская, Курганская, Мурманская, Новосибирская, Орловская, Псковская, Ростовская, Сахалинская, Свердловская, Смоленская, Челябинская, Томская. Край: Алтай, Пермь, Приморский край. Еврейская автономная область

    3 37 Москва, ул.Петербург. Республики: Татарстан, Мордовия, Удмуртия. Области: Амурская, Белгородская, Брянская, Владимирская, Воронежская, Ивановская, Калужская, Костромская, Курская, Ленинградская, Липецкая, Магаданская, Московская, Нижегородская, Новгородская, Оренбургская, Пензенская, Рязанская, Самарская, Саратовская, Тамбовская, Тверская, Тула. , Тюмень. Ярославль. Краев: Камчатка, Краснодар, Красноярск, Ставрополь, Хабаровск. Чукотский автономный округ.

    Выявленные кластеры (клубы) различаются не только уровнем безработицы, но и мерой неоднородности состава, связанной с отклонениями региональных значений уровня безработицы от среднего по кластеру ().

    Таблица 2.

    Коэффициент вариации региональных значений уровня безработицы внутри клубов, 2011–2019 гг.,%

    28
    Год 1 клуб 2 клуба 3 клуба
    2011 30 10 19
    2012 32 9 21
    2013 32 4 27 1
    2015 30 5 30
    2016 30 5 25
    2017 31 01 31 5 26
    2019 31 5 26

    Как можно b Как видно из данных, вторая клюшка относительно однородна.Здесь отмечаются самые низкие значения коэффициента вариации: 4–10%, и этот показатель не изменился за последние пять лет (5%). Наиболее разнородным по составу является первый клуб, где значения коэффициента вариации достигают 30–32%. Среди регионов третьего клуба коэффициент вариации также высок, но диапазон его изменения по годам шире, чем в других клубах (19–30%).

    Поквартальная динамика среднего для каждого кластера уровня безработицы за 2010–2020 годы, представленная на рисунке, существенно различается.

    Данные на рисунке показывают разную глубину реакции среднего кластерного уровня безработицы на экономические потрясения. Для первого клуба характерны самые высокие значения и амплитуда колебаний уровня безработицы, включая первый квартал 2020 года. В третьем клубе они самые низкие. Промежуточное положение занимают регионы второго клуба, где амплитуда колебаний и уровень безработицы выше, чем в третьем клубе, но ниже, чем в первом.

    Технические характеристики модели. В нашем исследовании коэффициенты Окуня были дифференцированы на общие, когда оценка проводится для национальной экономики в целом, и специальные, рассчитанные для отдельных кластеров или регионов. В статье оцениваются как общие, так и специальные коэффициенты Окуня. Для этого для каждого кластера (клуба) регионов была построена панельная регрессия с фиксированными эффектами. В результате оценки, выполненной методом наименьших квадратов (МНК) с использованием квартальных данных за период 2010–2020 гг., Получены следующие модели:

    Клуб 1: ln U = –0.068 * ln G + 2,874

    Club 2: ln U = –0,043 * ln G + 2,113

    Club 3: ln U = –0,062 * ln G + 1,195

    Анализ Клубных спецификаций модели показывает, что среднесрочный коэффициент Окуня значим в соответствии с критерием Стьюдента, модели согласованы, а фиксированные эффекты регионов влияют на взаимосвязь между безработицей и экономическими колебаниями. В регионах кластера с наибольшим уровнем безработицы (клуб 1) самый высокий коэффициент Окуня (–0.068). Модель объясняет около 80% колебаний уровня безработицы ( R 2 = 0,791). В третьем кластере (клуб 3), характеризующемся низким уровнем безработицы, коэффициент регрессии между экономической динамикой и колебаниями уровня безработицы ниже, чем в первом клубе (–0,062), а также коэффициент детерминации ( R ). 2 = 0,611). Наименьшие значения коэффициента Окуня (–0,043) получены для второй булавы с низким коэффициентом детерминации ( R 2 = 0.481).

    Расчеты показали, что значения коэффициента Окуня, который измеряет циклический отклик, для всех трех кластеров и для России в целом имеют отрицательные знаки, что согласуется с теоретическими предположениями модели и рабочими гипотезами настоящего исследования. Из данных видно, что для 2010–2020 гг. В среднем по выборке из 79 регионов, с уровнем безработицы 6,74% и среднегодовым ростом производства 1,07%, коэффициент Окуня равен –0.050. Каждый кластер (клуб) отличается как уровнем безработицы, так и темпами роста (спада) производства. Разные значения специальных коэффициентов Окуня во многом объясняются существенными различиями в структуре экономик и рынков труда регионов, входящих в клубы. Также необходимо учитывать неравномерность и условия социально-экономического и демографического развития регионов России. Важную роль играет характер экономических шоков, влияющих на взаимосвязь выпуска и безработицы в разные периоды.

    Таблица 3.

    Коэффициент Окуня: сравнение параметров клубов, 2010–2020 гг.

    66
    Кластер (клуб) Средний уровень безработицы U ,% Средний темп роста производства G ,% Коэффициент регрессии β *
    1 14,52 102,10 –0,068
    2 6,96 100,92 –0,043

    0

    –0,043

    0

    –0,043

    0

    –0,043

    0

    100,99 –0,062
    РФ 6,74 101,07 –0,050

    Межрегиональные различия влияют не только на уровень безработицы, но и на поведенческие реакции индикаторов рынка труда на экономические шоки. Регионы первого кластера с относительно высоким уровнем безработицы показали более сильную реакцию на рецессию и отставание от восстановительного роста, что объясняется структурой региональной экономики с низкой долей локомотивных производств, обеспечивающих растущий спрос на рабочую силу.Большинство регионов первого кластера отличаются высокой долей молодежи в структуре населения, а молодые люди без опыта работы чувствительны к циклическому спаду и подвержены риску на рынке труда, поскольку в кризисе их увольняют первыми. и нанял последним. Фактором риска для регионов первого кластера также является доля сельского населения, превышающая среднероссийские значения, среди которых безработица выше, чем в городах. Скорее всего, реальный масштаб безработицы в регионах этой группы выше статистически измеряемых, если учесть скрытую безработицу.С другой стороны, здесь высока доля неформального сектора, что сдерживает рост реальной безработицы. Важно понимать, что «наличие скрытой безработицы, производства и занятости населения в теневом секторе приводит к искажениям исследуемой зависимости динамики ВВП и уровня безработицы» [7, ​​с. 484]. Высокие квартальные колебания уровня безработицы в течение года характерны для регионов первого кластера как наиболее неоднородного.

    Регионы третьего кластера с относительно низким уровнем безработицы быстрее адаптировались как к кризисной ситуации, так и к восстановительному росту. Безработица увеличивалась в период спада, снижалась на этапе экономического роста, оставаясь на относительно низком уровне. Самый низкий уровень безработицы за периоды кризисов сохранился в Москве и Санкт-Петербурге, что объясняется более высокой диверсификацией экономики, структурой занятости и источников доходов населения, а также наличием отраслей, формирующих растущий спрос. для труда.

    Второй кластер является наиболее однородным, и его реакция на циклические экономические шоки, а также значение коэффициента Окуня близки к среднему по стране.

    Для преодоления высоких межрегиональных контрастов на российском рынке труда при выборе приоритетов развития и инвестирования следует исходить из задач, во-первых, обеспечения экономического роста в краткосрочной и среднесрочной перспективе, а во-вторых, установления «полюсов роста». »Усиление межрегионального обмена за счет создания современных производств, в-третьих, с учетом особенностей развития конкретных территорий [23, с.7]. Результаты исследования показывают, что на уровне региональных кластеров (клубов) проявляются разные реакции циклической безработицы на экономические потрясения в стране. Помимо макроэкономических шоков необходимо учитывать влияние отраслевых шоков.

    Исследование показало отрицательную связь между изменением валового регионального продукта и динамикой уровня безработицы, что подтверждает заявления Окуня. Спад или рост производства объясняют лишь небольшую часть, а именно циклическую составляющую изменения уровня безработицы.Модельные расчеты позволили выявить разную степень чувствительности уровня безработицы к циклическим шокам, что объясняется институциональными, социальными, экономическими и демографическими характеристиками развития регионов России. Значения коэффициентов Окуня для трех разнородных кластеров (клубов), рассчитанные с использованием данных квартальных временных рядов в 2010–2020 гг., Отражают особенности поведения местных рынков труда, на которых предприятия в период кризиса минимизируют затраты, как уже отмечалось, за счет сокращения реальная заработная плата и продолжительность рабочего дня, а не массовые увольнения персонала.Наши результаты согласуются с выводами других авторов, которые подтверждают, что «адаптация к спаду производства лишь в небольшой степени происходит за счет роста безработицы» [24, с. 205].

    Оценка взаимосвязи «выпуск-безработица», отражающая зависимость рынка труда от экономических колебаний, особенно актуальна в контексте современного «коронакризиса». Нисходящая экономическая динамика в январе – мае 2020 года показывает, что пандемия COVID-19 в разной степени повлияла на разные сегменты экономики, затронув одни виды экономической деятельности больше, чем другие.На тех региональных рынках труда, где сконцентрированы наиболее «уязвимые» виды экономической деятельности, безработица увеличилась в большей степени. Сокращение персонала произошло в сфере обслуживания, на транспорте, в строительстве, торговле, учреждениях культуры и т. Д. Гостиницы и рестораны пострадали из-за краха индустрии туризма. В результате резкого падения спроса на авиаперевозки и железнодорожные перевозки спрос на топливо пропорционально упал. При этом, судя по котировкам акций, как отмечают эксперты, химическая и нефтехимическая отрасли пострадали в меньшей степени.Известно, что после введения ряда социальных ограничений и перехода многих предприятий на удаленный режим работы резко вырос спрос на услуги доставки еды, выросли продажи дезинфицирующих средств и средств индивидуальной защиты, лекарств и продуктов питания. Спад занятости и сокращение штата в значительной степени затронули малый и средний бизнес.

    Анализ динамики физического объема производства по основным видам экономической деятельности показывает, что в апреле 2020 года он достиг 88.8% к марту, в мае к апрелю 97,4% [11] Рост числа безработных, по предварительным данным Росстата, в апреле составил 123% к марту 2020 г., в мае 105% к апрелю 2020 г. По сравнению с соответствующим периодом 2019 года рост безработицы составил 120,6% в апреле и 132,7% в мае ().

    Таблица 4.

    Количество безработных в возрасте 15 лет и старше, январь – май 2020 г.

    45 000
    Месяц Общее количество безработных Количество зарегистрированных безработных
    тыс. Человек по отношению к за аналогичный период 2019 года,% по отношению к предыдущему периоду,% тыс. человек по отношению к аналогичному периоду 2019 года,% по отношению к предыдущему,%
    январь 3482 95.0 100,3 700 95,4 101,2
    Февраль 3425 93,7 98,4 730 91,4 104,39135
    104,3000345 727 88,8 99,6
    Апрель 4286 120,6 123,0 1311 160,5 180.4
    Май 4513 * 132,7 105,3 2143 280 163,5

    Зарегистрированная безработица в мае 2020 года по сравнению с 2019 годом увеличилась в 2,8 раза.

    Национальные рынки труда в большинстве стран, в том числе и в России, отреагировали на замедление роста, а затем и спад производства, не только падением занятости и ростом безработицы, но и сокращением рабочего времени, снижением заработной платы , а также отмена премирования.Так, по данным Минэкономразвития, за период пандемии COVID-19 и спада производства реальная заработная плата в марте – апреле 2020 года снизилась на 6,3%, уровень занятости упал с 59,4% (март 2020 года) до 58,4%. в апреле и 58,3% в мае 2020 года. Уровень безработицы увеличился с 4,7% (март) до 5,8% (апрель) и 6,1% (май), а количество безработных выросло с 3,5 миллиона в марте до 4,5 миллиона в мае 2020 года [ 11]. Следует учитывать, что многие предприятия собираются поддерживать режим удаленной работы даже после того, как пандемия закончится.В настоящее время нарастает цифровизация экономики, расширяются объемы электронной коммерции, онлайн-продаж и других операций, увеличиваются инвестиции компаний в искусственный интеллект, внедрение которого становится одним из приоритетных направлений инвестирования. .

    Рынок труда и структура занятости в ближайшее время ждут кардинальные изменения. Важно понимать, что выход из пандемии означает не возврат к предыдущей экономической модели, а переход к концептуально иной, где рынок труда будет основан на гибких формах занятости и инструментах для адаптации к циклическим экономическим колебаниям. а также о новой структуре спроса на рабочую силу.Для оценки региональных значений коэффициента Окуня в период экономического спада и восстановительного роста необходимы статистические данные за 2020–2021 годы и проведение исследования с учетом социально-экономических последствий «пандемического кризиса» и изменения модели экономического развития. В период циклического экономического спада следует ожидать значительного увеличения безработицы, поскольку модель Окуня предполагает более сильную реакцию уровня безработицы на спад, чем на восстановительный рост.

    * * *

    Пандемия коронавируса оказала значительное влияние на экономику России; эксперты прогнозируют глубокий спад производства, рост безработицы в 2020 году и медленный восстановительный рост в 2021 году. Политика поддержки занятости в период экономического спада должна учитывать высокие межрегиональные различия на российском рынке труда. В статье раскрываются особенности поведенческих реакций на экономические колебания региональных рынков труда с разным уровнем безработицы.Исследование позволяет сделать следующие выводы.

    Во-первых, значения коэффициента Окуня, рассчитанные для трех региональных кластеров, имеют отрицательный знак, что подтверждает теоретические предпосылки и рабочие гипотезы исследования. В то же время взаимодействие спада (роста) производства с изменением уровня безработицы в инструменте адаптации к экономическим шокам опосредовано специфическими институциональными, социальными, экономическими и демографическими особенностями развития локальных рынков труда в России. регионы, влияющие на степень их восприимчивости к изменению объемов производства.

    Во-вторых, была получена статистически значимая оценка влияния темпов роста и спада производства на изменение уровня безработицы. Оценки коэффициентов Окуня для России в целом и для трех кластеров (клубов) по отдельности показывают, что региональные рынки труда имеют разную степень чувствительности к спаду и росту производства, а также стабильно высокую (первый клуб) и низкую (третий клуб). ) уровень безработицы в 2010–2020 гг.

    В-третьих, выявлены различия в поведенческих реакциях параметров рынка труда на экономические шоки в регионах России.Регионы первого кластера с высоким уровнем безработицы отличаются более глубокой реакцией на рецессию и отставанием от восстановительного роста. Регионы третьего кластера с низким уровнем безработицы быстрее адаптировались как к ситуации кризиса, так и к восстановительному росту. Второй кластер наиболее однороден, и реакция на циклические экономические шоки аналогична среднероссийской.

    В-четвертых, расчеты показали, что значения коэффициентов Окуня в разрезе кластеров (клубов), как и для России в целом, оказались относительно низкими.Это означает, что российский рынок труда имеет сложный механизм адаптации к циклическим колебаниям экономики. Увеличение или уменьшение безработицы – лишь один, но не единственный канал адаптации к потрясениям. В свою очередь, изменение уровня безработицы является результатом не только спада или роста производства, но также вызвано другими факторами, влияние которых, хотя и косвенно, учитывается моделью Окуня.

    Результаты могут быть использованы при разработке антициклических мер экономической политики, учитывающих текущие вызовы на рынке труда.Дальнейшие исследования будут направлены на изучение нелинейной асимметричной зависимости «объем производства – безработица» в контексте рецессии и восстановления экономического роста в России.

    Субъекты Российской Федерации | Совет Федерации Федерального Собрания Российской Федерации

    Флаги и эмблемы регионов

    ПРОФИЛЬ

    Дата основания 1934

    Капитал Киров

    Кировская область входит в состав Приволжского федерального округа

    Площадь 49000 кв км

    Население 1272,100 (2019)

    Этнические группы

    (Всероссийская перепись 2010 г.,%)

    Русские – 67.57

    Казахский – 16,33

    Татарский – 6,62

    Прочий – 9,48

    Административное деление (2019)

    Муниципальные районы – 39

    Муниципальные образования – 6

    Сельские поселения 9087 – 52 9087 сельских населенных пунктов – 8 267 9087

    География и климат

    Кировская область расположена на востоке Восточно-Европейской равнины с возвышением Вятский Увал в центральной части – Верхнекамская возвышенность. на северо-востоке (до 357 м) и Северные Увалы на севере.Верхневятская и Чепецкая низменности расположены вдоль реки Вятка. Есть карстовые пещеры, воронки и озера.

    Область граничит с республиками Татарстан, г. Марий Эл, г. Коми и Удмуртия, а также Пермский край и Вологда, Кострома, Нижний Новгород и Архангельск регионы.

    В Кировской области 768 прудов и более 1000 озер, из них небольшая часть – карстовые озера: Чваниха, Черное и Шайтан. Болота покрывают 152 400 га и в основном расположены на севере. региона.Вятка – главная река, с ее притоки Белая Холуница, Просница, Хлыновка и Кильмез.

    Климат умеренно-континентальный. Январь Средняя температура составляет –13,2 ° C, июля – 16,2 ° C. Осадки в среднем 45 мм в январе и 34 мм в июле.

    Есть сосновые и смешанные леса (пихта, пихта, осина, сосна, береза, дуб, вяз, клен и липа), а также подзолистые, дерново-подзолистые и серая лесная почва.

    Здесь находится Нургушский государственный природный заповедник. и три региональных государственных заказника природы.

    Правительство

    Законодательная власть представлена ​​Законодательным собранием Кировской области, которая является постоянно действующей высшей и единственный орган законодательной власти в регионе.

    В Законодательном Собрании Кировской области 54 депутатов, из них 27 по одномандатным округам а остальные 27 – в едином избирательном округе, где победители определяются пропорционально количеству голосов составлен по спискам кандидатов, выдвинутых избирательными ассоциации.

    Действующее Законодательное собрание Кировской области было Избран в сентябре 2016 года. Срок полномочий истекает в сентябре 2021 года.

    Исполнительная власть – Правительство Кировской области во главе с. Губернатором и другими органами исполнительной власти.

    Губернатор Кировской области является высшим должностным лицом региона избранных в течении пяти лет. Срок полномочий действующего губернатора истекает в сентябре 2022г.

    Правительство Кирова Регион – высший постоянно действующий орган исполнительной власти и коллективный Орган, возглавляющий систему органов государственной власти в регионе.

    Экономика и природные ресурсы

    Промышленная продукция составляет более 30% регионального ВВП.

    Область может похвастаться высокой производственной, научной и кадровой потенциал в дополнение к хорошо развитой сети связи и достаточно сырьевых ресурсов для ускорения экономического развития.

    В этом регионе находятся крупнейшие в Европе месторождения фосфоритов. (почти 45% всего добываемого фосфата в России), большой газон месторождения (около 50% всей территории России приходится на Кировскую область) а также множество сырьевых ресурсов для строительства, таких как как известь, стеклянный песок и сырье для глиняного заполнителя и керамики кирпичи.

    Стратегия социально-экономического развития Кировской области до 2020 года очерчивает приоритеты развития, в том числе лесную промышленность и сельское хозяйство, производство строительных материалов и химия промышленность, основанная на добыче фосфатов и комплексном газоне обработка.

    Биотехнология – одно из приоритетных направлений развития региона. экономика, которая послужит основой для нового экономическая модель – биоэкономика.

    Кировская область предлагает благоприятную экологию для создания биотехнологических и биофармацевтических кластеров.Уникальность региона в этом плане объясняется тем, что это единственный регион, где все необходимые компоненты созданы и сохранены до сегодняшнего дня для развития биотехнологии, например, исследований и организаций развития, учебных заведений и компаний производят необходимое биотехнологическое оборудование. Область также имеет большие запасы возобновляемого биологического сырья.

    Сельское хозяйство играет важную роль в экономике региона; на его долю приходится около 9% регионального ВВП.Сельскохозяйственная предприятия производят органическую продукцию в соответствии с международными стандартами. Злаки (зерно, рожь, ячмень, бобовые, гречиха, льняное волокно и рапс) а также кормовые семена и семена многолетних трав являются основными посевы. Мясное и молочное животноводство, а также производство свинины доминируют в животноводстве.

    Продукция региона известна более чем в 40 странах мира.

    Основой являются лес, животные, земли, воды и сырье. природного потенциала региона. Более 60% региона покрыт лесами, богатыми флорой и фауной.Леса преимущественно хвойные.

    Культура и туризм

    Вятская земля – ​​старинный торговый регион, где находится крупнейший ярмарки – Алексеевская, Великорецкая, Семеновская, Белорецкая. и другие – имели место и где было более 200 магазинов только в столице.

    В Кировской области регулярно проводятся межрегиональные туристические мероприятия, такие как как фестиваль бардовской песни Гринландии, Романтические дни на Вятке, межрегиональный фестиваль «Вятская лапоть». кустарного промысла, Истобенский Огуречный межрегиональный фестиваль народного творчества и юмора, а также Колесо Фэнтези и фестивали Орловской гребной лодки.Запоминающиеся сказочные игры на Вятском международном детском фестивале тоже должен быть упоминается, так как объединяет молодых участников из России и других стран. страны.

    В Кировской области много минеральных вод с различным содержанием солей. а также большие отложения лечебных грязей, используемых в здравоохранении туризм. Имеется сеть популярных здравниц. в районе, где предлагают бальнеологические процедуры, минеральные воды (18 видов всего) и игло-пиявочная и солевая терапия.

    В области более 3 500 объектов культурного назначения.Любителям кустарного промысла поделки заинтересуются традиционными и известными вятскими промыслами. такие как дымковские игрушки, кировское кружево, вятские матрешки, кусочки капа, замысловатая резьба и роспись по дереву.

    Озеро Шайтан – уникальная природная достопримечательность с дрейфующими островами, некоторые из которых может выдерживать человеческий вес, и периодические водяные струи. Другой природной достопримечательностью является Лежнинское озеро глубиной 36,6 м. прозрачная вода до самого дна. Это место пользуется популярностью у дайверы: местная легенда гласит, что есть две затонувшие деревни с домами и часовни внизу.Охотничий туризм и активный отдых развиваются на основе богатых природных ресурсов.

    Abstract

    biorxivBIORXIVbioRxivbioRxivCold Spring Harbor Laboratory 10.1101 / 857797biorxiv; 857797v1biorxiv; 8577978577978577978577971.1 Обычная статьяНовые результаты +44 29 20688465BaroneJacopoSmithMathewhttp: //orcid.org/0000-0002-6755-6121KendallKimberleyhttp: //orcid.org/0000-0003-4798-0862OwenMichael JO’DonovanMichael Chttp: // orcid.org / 0000-0002-3427-3950KirovGeorge * MRC Центр нейропсихиатрической генетики и геномики, Институт психологической медицины и клинических нейронаук, Кардиффский университет, Медицинский факультет, Hadyn Ellis Building, Maindy Road, Cardiff, CF24 4HQ, United Kingdom1919219220129, Великобритания Автор: Cold Spring Harbor Laboratory2019

    Этот предварительный отпечаток доступен по лицензии Creative Commons (Attribution 4.0 International), CC BY 4.0, как описано по адресу http: // creativecommons.org / licenses / by / 4.0 /

    AbstractBackground

    Вариация числа копий (CNV) является важной причиной болезней человека. Из-за относительно высокого давления отбора, действующего против патогенных CNV, их количество в популяции поддерживается за счет образования de novo. Частота de novo CNV увеличивается при нарушениях развития нервной системы. Однако было проведено лишь несколько исследований на относительно здоровых людях, что затрудняет расчет величины этого повышенного уровня.

    Методы

    Британский Биобанк нанял около полумиллиона случайно выбранных членов среднего возраста из общего населения Великобритании.Мы воссоздали семейные отношения на основе генотипических данных и идентифицировали 923 трио родителей и потомков, которые прошли фильтры контроля качества. Были идентифицированы потенциальные CNV de novo размером> 100 т.п.н., и для этих областей визуально исследовались логарифмические отношения R (LRR) и частота аллелей B (BAF) членов трио. У нас не было возможности проверить CNV лабораторным методом, но результаты оказались убедительными.

    Результаты и обсуждение

    Мы определили 10 CNV размером> 100 КБ, скорость 1.1%. Эти показатели очень похожи на те, которые использовались в предыдущих крупных исследованиях. Используя предыдущие крупные исследования, мы предоставляем общие показатели среди 4844 трио для различных диапазонов размеров, которые ожидаются в относительно здоровых группах населения. Эти показатели можно использовать для сравнения в исследованиях популяций с заболеваниями.

    special-propertycontains-inline-additional-materialIntroduction

    Варианты числа копий (CNV) – это делеции и дупликации хромосом, размер которых варьируется от килобаз до мегабаз последовательности ДНК (Киров, 2015).Исследования выявили роль крупных и редких CNV как факторов риска шизофрении, аутизма, аутизма, задержки развития и других нарушений нервного развития (Rees et al, 2014).

    Мутации de novo, обнаруженные у пробандов с определенным заболеванием, могут напрямую указывать на них, если частота таких мутаций de novo у пробандов выше, чем в общей популяции. Обычно исследователи не могут найти достаточное количество контрольных (незатронутых) троек, чтобы сравнить их с интересующим их расстройством.Вместо этого в большинстве проектов для того, чтобы делать выводы, приходится полагаться на установленную частоту мутаций. Количество незатронутых трио, о которых сообщается в литературе для анализа de novo CNV, относительно невелико (Xu et al, 2008; Malhotra et al, 2011; Kirov et al, 2012; Georgieva et al, 2014), и поэтому необходимо установить более надежные оценки. Британский Биобанк предоставляет такую ​​возможность. Он набрал полмиллиона людей среднего возраста из общего населения Великобритании и генотипировал их с помощью массивов Affymetrix, которые позволяют анализировать CNV (Owen et al, 2018).Вербовка семей не была целью этой инициативы, но с учетом того, что набиралась большая часть людей из определенных областей, было неизбежно, что в нее были включены полные трио.

    МетодыУчастники и генотипирование

    Биобанк Великобритании набирал людей из общей популяции Великобритании, используя регистры пациентов Национальной службы здравоохранения, без каких-либо критериев исключения (Allen et al, 2012). Участники согласились предоставить личную информацию и информацию о здоровье, образцы мочи, слюны и крови, а также пройти тестирование ДНК.Образцы были генотипированы в лаборатории Affymetrix Research Services, Санта-Клара, Калифорния. Приблизительно 50 000 образцов были генотипированы на британском BiLEVE Array (807 411 зондов), а остальные – на UK Biobank Axiom Array (820 967 зондов). Между двумя массивами имеется 95% общего содержимого. Вызов CNV нашей группой был описан в предыдущей работе (Kendall et al, 2017, Crawford et al, 2019). Одобрение на наше исследование CNV было получено от Биобанка Великобритании в рамках проекта 14421: «Определение спектра биомедицинских признаков у взрослых с патогенными вариантами числа копий (CNV)».

    Идентификация троек

    Мы использовали опубликованные данные о коэффициентах родства и идентичности по происхождению (IBS0) из Биобанка Великобритании, следуя этим правилам: трио должно состоять из одного человека (пробанда), который связан отношениями первой степени (родство коэффициент ∼0,25) двум другим людям разного пола, которые старше пробанда> 15 лет. У пробанда должен быть уровень IBS0 близкий к нулю с этими двумя людьми (т.е. у родителя не может быть аллелей AA, а у ребенка аллели BB в локусе).Два потенциальных родителя не должны были быть родственниками. Все три члена трио должны были пройти наши стандартные критерии контроля качества CNV (частота вызовов при генотипировании> 0,96, количество вызовов CNV на человека <31, фактор волнистости> -0,03 и <0,03 и LRR-SD <0,35. Мы исключили пробандов с диагностика задержки развития, аутизма, шизофрении или психоза, поскольку мы хотели установить частоту de novo среди лиц, не страдающих ранними нарушениями психического развития. Мы выявили 923 трио, которые удовлетворяли всем критериям.

    CNV вызывает

    Наши методы были подробно описаны ранее (Kendall et al, 2017; Crawford et al, 2018). Отдельные CNV были исключены, если они были покрыты <15 зондами, имели длину <100 КБ, имели показатель достоверности <10, плотность покрытия <1 зонда на 20 т.п. частота> 1% по выборке в целом. Все потенциальные de novo CNV оценивались посредством визуального осмотра графиков BAF и LRR трех членов трио. Мы не смогли подтвердить результаты с помощью другого лабораторного метода, но графики BAF и LRR кажутся окончательными, чтобы дать нам разумную уверенность в их реальности (дополнительный материал).

    Результаты

    Мы подтвердили 10 de novo CNV размером> 100 КБ: семь делеций и три дупликации (таблица 1). Из них три находятся в известных патогенных локусах.

    biorxiv; 857797v1 / TBL1T1tbl1 Таблица 1. Список 10 de novo CNV, упорядоченных по размеру.

    Показатели de novo CNV в Биобанке Великобритании были аналогичны показателям предыдущих исследований (Таблица 2). Мы включили только самые крупные доступные исследования, чтобы избежать возможной предвзятости публикации и упростить презентацию.

    biorxiv; 857797v1 / TBL2T2tbl2 Таблица 2.

    Сравнение показателей CNV с предыдущими исследованиями de novo CNV. Результаты текущего исследования выделены жирным шрифтом.

    Обсуждение

    Целью настоящего проекта было получить информацию об образовании de novo CNV в новой большой контрольной выборке, чтобы установить более надежную общую скорость. Хотя в предыдущих крупных исследованиях использовались контрольные группы из разных условий и разные наборы (Malhotra et al, 2011; Sanders et al, 2011; Kirov et al, 2012), данные британского биобанка дали одинаковые общие показатели для пороговых значений разного размера.Хотя ограничение в размере> 200 КБ, вероятно, даст более надежные результаты, данные показывают, что для размера> 100 КБ скорости также очень похожи, что указывает на то, что вызовы> 100 КБ также являются надежными.

    Ставки 1,4% для CNV> 100 КБ, 1% для CNV> 200 КБ и 0,4% для тех,> 1 МБ применяются только к относительно здоровым взрослым и молодым людям. Этот показатель обязательно будет выше среди детей и новорожденных, поскольку у части из них разовьются РАС, ИН, шизофрения и другие расстройства, которые вряд ли будут задействованы в качестве контроля в генетических исследованиях.Мы показали, что это влияние на общие показатели невелико для большинства CNV с неполной пенетрантностью, что приводит к аналогичным показателям у здоровых людей из контрольной группы и новорожденных (Kirov et al, 2014). Эффект различается для отдельных локусов в зависимости от их пенетрантности. Почти полностью пенетрантный CNV, такой как делеция 22q11.2, будет очень редко наблюдаться среди контрольной группы из общей популяции (например, только 10 носителей в Биобанке Великобритании, вместо ожидаемого> 100 среди популяций новорожденных). Тем не менее, большинство de novo CNV в общей популяции имеют неполную пенетрантность, поэтому как группа, показатели, указанные в этом исследовании (1.4% для CNV> 100 КБ) должны быть близки к ожидаемым показателям для новорожденных. Следовательно, даже для исследований, изучающих уровень de novo CNV среди взрослых или молодых людей с конкретным заболеванием, контрольные показатели, найденные в текущем исследовании, должны обеспечивать тщательное сравнение.

    Вспомогательная информацияDC1 Дополнительный материал Благодарности

    Это исследование было проведено с использованием Ресурса биобанка Великобритании под номером заявки 14421.

    Заявление о конфликте интересов

    Работа в Кардиффском университете финансировалась грантом Центра Совета медицинских исследований (MRC) (MR / L010305 / 1) и грант на программу (G0800509).

    Ссылки: AllenN, SudlowC, DowneyP, PeakmanT, DaneshJ, ElliottP, GallacherJ, GreenJ, MatthewsP, PellJ, SprosenT и CollinsR (2012). Биобанк Великобритании: Текущее состояние и его значение для эпидемиологии, политики и технологий здравоохранения, 1, 123–126.CrawfordK, Bracher-SmithM, OwenD, KendallKM, ReesE, PardiñasAF, EinonM, Escott-PriceV, WaltersJTR, O’DonovanMC, OwenMJ , КировГ (2019). Медицинские последствия патогенных CNVs у взрослых: анализ британского биобанка. J Med Genet 56, 131–138, Георгиева, Л., Рис, Э., Моран, Дж. Л., Чембер, К. Д., Миланова, В., Крэддок, Н., Перселл, С., Склар, П., МакКэрролл, С., Холманс, П., О’Донован, М. К., (2014) De novo CNVs при биполярном аффективном расстройстве и шизофрении. Хум Мол Генет 23, 6677–6683. КендаллК, РисЕ, Эскотт-ПрайсВ, Эйнон М., Томас Р., Хьюит Дж., ОК’ДонованМК, Оуэн М.Дж., УолтерсДж, КировГ (2017). Когнитивные способности среди носителей патогенных вариантов числа копий: анализ 152 000 субъектов британского биобанка. Biol Psychiatry82, 103–110.KirovG, PocklingtonAJ, HolmansP, IvanovD, IkedaM, RuderferD, MoranJ, ChambertK, TonchevaD, GeorgievaLet al.(2012). Анализ de novo CNV указывает на специфические нарушения постсинаптических сигнальных комплексов в патогенезе шизофрении. Mol Psychiatry 17, 142–153.KirovG, ReesE, WaltersJT, Escott-PriceV, GeorgievaL, RichardsAL, ChambertKD, DaviesG, LeggeSE, MoranJL, McCarrollSA, O’DonovanMC, OwenMJ (2014). Проникновение вариаций числа копий при шизофрении и задержке развития. Биол Психиатрия 75, 378–85. КировГ (2015). CNVs при нервно-психических расстройствах. Hum Mol Genet24 (R1), R45 – R49. MalhotraD, McCarthyS, MichaelsonJJ, VacicV, BurdickKE, YoonS, CichonS, CorvinA, GaryS, GershonES и др. (2011).Высокие частоты de novo CNV при биполярном расстройстве и шизофрении. Neuron72, 951–963.OwenD, Bracher-SmithM, KendallKM, ReesE, EinonM, Escott-PriceV, OwenMJ, O’DonovanMC, KirovG (2018). Влияние патогенных CNV на физические характеристики участников Биобанка Великобритании. BMC Genomics19, 867.ReesE, WaltersJT, GeorgievaL, IslesAR, ChambertKD, RichardsAL, Mahoney-DaviesG, LeggeSE, MoranJL, McCarrollSA и O’donovanMC (2014). Анализ вариаций числа копий в 15 локусах, ассоциированных с шизофренией. Брит. Ж. Психиатрия, 204, 108–114.SandersSJ, Ercan-SencicekAG, HusV, LuoR, Murtha MichaelT, Moreno-De-LucaDet al (2011). Множественные рецидивирующие de novo CNV, включая дупликации области синдрома Вильямса 7q11.23, тесно связаны с аутизмом. Neuron70, 863–885.XuB, Roos, JL, LevyS, van RensburgEJ, GogosJA и KarayiorgouM (2008). Сильная связь мутаций числа копий de novo со спорадической шизофренией. Нат Генет40, 8xs80–885.

    Преодоление ложноположительного обогащения категорий генов при анализе пространственно разрешенных данных транскриптомного атласа головного мозга

  • 1.

    Buzsáki, G. & Draguhn, A. Нейронные колебания в корковых сетях. Наука 304 , 1926 (2004).

    ADS PubMed Статья CAS Google ученый

  • 2.

    Lichtman, J. W. & Denk, W. Большое и маленькое: проблемы визуализации мозговых цепей. Наука 334 , 618 (2011).

    ADS CAS PubMed Статья Google ученый

  • 3.

    Lein, E. et al. Полногеномный атлас экспрессии генов в мозге взрослой мыши. Природа 445 , 168 (2007).

    ADS CAS PubMed Статья Google ученый

  • 4.

    Hawrylycz, M. J. et al. Анатомически исчерпывающий атлас транскриптома мозга взрослого человека. Природа 489 , 391 (2012).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 5.

    Arnatkevičiūtė, A., Fulcher, B. D. и Fornito, A. Практическое руководство по объединению данных по экспрессии генов в мозге и данным нейровизуализации. NeuroImage 189 , 353 (2019).

    PubMed Статья Google ученый

  • 6.

    Форнито А., Арнаткявичюте А. и Фулчер Б. Д. Преодоление разрыва между коннектомом и транскриптомом. Trends Cogn. Sci. 23 , 34 (2019).

    PubMed Статья Google ученый

  • 7.

    Kaufman, A., Dror, G., Meilijson, I. & Ruppin, E. Экспрессия генов нейронов Caenorhabditis elegans несет информацию об их синаптических связях. PLoS Comp. Биол. 2 , e167 (2006).

    ADS Статья CAS Google ученый

  • 8.

    Varadan, V., Miller III, D. M. & Anastassiou, D. Вычислительный вывод молекулярной логики синаптической связности в C.elegans . Биоинформатика 22 , e497 (2006).

    CAS PubMed Статья Google ученый

  • 9.

    Baruch, L., Itzkovitz, S., Golan-Mashiach, M., Shapiro, E. & Segal, E. Использование профилей экспрессии нейронов Caenorhabditis elegans для идентификации генов, которые обеспечивают синаптическую связность. PLoS Comp. Биол. 4 , e1000120 (2008).

    ADS MathSciNet Статья CAS Google ученый

  • 10.

    Arnatkevičiūtė, A., Fulcher, B.D., Pocock, R. & Fornito, A. Связность узлов, разнообразие нейронов и экспрессия генов в коннектоме Caenorhabditis elegans . PLoS Comp. Биол. 14 , e1005989 (2018).

    ADS Статья CAS Google ученый

  • 11.

    Wolf, L., Goldberg, C., Manor, N., Sharan, R. & Ruppin, E. Экспрессия гена в мозге грызунов связана с его региональной связностью. PLoS Comp. Биол. 7 , e1002040 (2011).

    ADS CAS Статья Google ученый

  • 12.

    Френч, Л. и Павлидис, П. Взаимосвязь между экспрессией генов и мозговыми связями в мозге взрослых грызунов. PLoS Comp. Биол. 7 , e1001049 (2011).

    ADS CAS Статья Google ученый

  • 13.

    Френч, Л., Тан, П. С. и Павлидис, П. Крупномасштабный анализ экспрессии генов и связи в мозге грызунов: понимание через интеграцию данных. Фронт. Neuroinf. 5 , 12 (2011).

    Артикул Google ученый

  • 14.

    Ji, S., Fakhry, A. & Deng, H. Интегративный анализ атласов связности и экспрессии генов в мозге мыши. NeuroImage 84 , 245 (2014).

    PubMed Статья Google ученый

  • 15.

    Рубинов, М., Ипма, Р. Дж. Ф., Уотсон, К. и Баллмор, Э. Т. Стоимость разводки и топологическое участие коннектома мозга мыши. Proc. Natl. Акад. Sci. США 112 , 10032 (2015).

    ADS CAS PubMed Статья Google ученый

  • 16.

    Фахри, А. и Джи, С. Прогнозирование с высоким разрешением связности мозга мыши с использованием паттернов экспрессии генов. Методы 73 , 71 (2015).

    CAS PubMed Статья Google ученый

  • 17.

    Fakhry, A., Zeng, T., Peng, H. & Ji, S. Глобальный анализ корреляций экспрессии генов и проекционных целей в мозге мышей. Brain Inform. 2 , 107 (2015).

    PubMed PubMed Central Статья Google ученый

  • 18.

    Fulcher, B. D. и Fornito, A. Транскрипционная подпись связности концентратора в коннектоме мыши. Proc. Natl. Акад. Sci. США 113 , 1435 (2016).

    ADS CAS PubMed Статья Google ученый

  • 19.

    Parkes, L., Fulcher, B. D., Yücel, M. & Fornito, A. Транскрипционные сигнатуры коннектомных субрегионов полосатого тела человека. Genes Brain Behav. 25 , 1176 (2017).

    Google ученый

  • 20.

    Гоэль П., Kuceyeski, A., LoCastro, E. & Raj, A. Пространственные паттерны полногеномных профилей экспрессии отражают анатомическую архитектуру и архитектуру связности волокон здорового человеческого мозга. Гум. Карта мозга. 35 , 4204 (2014).

    Артикул Google ученый

  • 21.

    Richiardi, J. et al. Коррелированная экспрессия генов поддерживает синхронную активность в мозговых сетях. Наука 348 , 1241 (2015).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 22.

    Diez, I. & Sepulcre, J. Нейрогенетические профили очерчивают крупномасштабную динамику связности человеческого мозга. Нат. Commun. 9 , 1 (2018).

    CAS Статья Google ученый

  • 23.

    Vértes, P.E. et al. Профили транскрипции генов, связанные с межмодульными узлами и расстоянием между соединениями в сетях функциональной магнитно-резонансной томографии человека. Фил. Пер. Рой. Soc. В 371 , 20150362 (2016).

    Артикул CAS Google ученый

  • 24.

    Betzel, R.F. et al. Структурные, геометрические и генетические факторы позволяют прогнозировать паттерны межрегиональных связей мозга, исследованные с помощью электрокортикографии. Нат. Биомед. Англ. 106 , 1 (2019).

    Google ученый

  • 25.

    Ричи, Дж., Пантазатос, С. П. и Френч, Л. Транскриптомная характеристика контраста МРТ сосредоточена на соотношении Т1-w / T2-w в коре головного мозга. NeuroImage 174 , 504 (2018).

    PubMed PubMed Central Статья Google ученый

  • 26.

    Whitaker, K. J. et al. Подростковый возраст связан с объединением узлов коннектома человеческого мозга по геномному паттерну. Proc. Natl. Акад. Sci. США 113 , 201601745 (2016).

    Артикул CAS Google ученый

  • 27.

    Seidlitz, J. et al. Сети морфометрического сходства обнаруживают микромасштабную организацию коры и предсказывают когнитивные вариации между индивидуумами. Нейрон 97 , 231 (2018).

    CAS PubMed Статья PubMed Central Google ученый

  • 28.

    Romero-Garcia, R. et al. Сети структурной ковариации связаны с экспрессией генов, обогащенных супрагранулярными слоями коры головного мозга человека. NeuroImage 171 , 256 (2018).

    PubMed PubMed Central Статья Google ученый

  • 29.

    Рирдон, П. К. и др. Нормативные вариации размера мозга и разнообразие форм мозга у людей. Наука 360 , eaar2578 (2018).

    Артикул CAS Google ученый

  • 30.

    Burt, J. B. et al. Иерархия транскриптомной специализации коры головного мозга человека, зафиксированная топографией структурной нейровизуализации. Нат. Neurosci. 27 , 889 (2018).

    Google ученый

  • 31.

    Preller, K.H. et al. Изменения в глобальных и таламических связях мозга при индуцированных ЛСД измененных состояниях сознания можно отнести к рецептору 5-ht2a. eLife 7 , e35082 (2018).

    PubMed PubMed Central Статья Google ученый

  • 32.

    Romme, I. A. C., de Reus, M. A., Ophoff, R. A., Kahn, R. S. & van den Heuvel, M. P. Несвязность коннектомов и экспрессия корковых генов у пациентов с шизофренией. Biol. Психиатрия 81 , 495 (2016).

    PubMed Статья CAS Google ученый

  • 33.

    Rittman, T. et al. Региональная экспрессия гена MAPT связана с потерей узлов в сетях мозга и когнитивными нарушениями при болезни Паркинсона и прогрессирующем надъядерном параличе. Neurobiol. Старение 48 , 153 (2016).

    CAS PubMed PubMed Central Статья Google ученый

  • 34.

    Romero-Garcia, R., Warrier, V., Bullmore, E. T., Baron-Cohen, S. & Bethlehem, R.A. I. Синаптические и транскрипционно подавляемые гены связаны с различиями в толщине коры при аутизме. Мол. Психиатрия 24 , 1053 (2019).

    CAS PubMed Статья Google ученый

  • 35.

    Morgan, S.E. et al. Кортикальный паттерн аномального морфометрического сходства при психозе связан с экспрессией в мозге генов, связанных с шизофренией. Proc. Natl. Акад. Sci. США 97 , 201820754 (2019).

    Google ученый

  • 36.

    Ashburner, M. et al. Генная онтология: инструмент для объединения биологии. Нат. Genet. 25 , 25 (2000).

    CAS PubMed PubMed Central Статья Google ученый

  • 37.

    Канехиса, М. и Гото, С. KEGG: Киотская энциклопедия генов и геномов. Nucl. Кислота. Res. 28 , 27 (2000).

    CAS Статья Google ученый

  • 38.

    Гиллис, Дж., Мистри, М. и Павлидис, П. Анализ функции генов в сложных наборах данных с использованием ErmineJ. Нат. Protoc. 5 , 1148 (2010).

    CAS PubMed Статья Google ученый

  • 39.

    Eden, E., Navon, R., Steinfeld, I., Lipson, D. & Yakhini, Z. GOrilla: инструмент для открытия и визуализации обогащенных терминов GO в ранжированных списках генов. BMC Bioinformatics 10 , 48 (2009).

    PubMed PubMed Central Статья Google ученый

  • 40.

    Dennis, G. et al. DAVID: база данных для аннотаций, визуализации и интегрированного обнаружения. Биология генома . 4 , R60 (2003).

  • 41.

    Shannon, P. et al. Cytoscape: программная среда для интегрированных моделей сетей биомолекулярного взаимодействия. Genome Res. 13 , 2498 (2003).

    CAS PubMed PubMed Central Статья Google ученый

  • 42.

    Ми, Х., Муругануджан, А. и Томас, П. Д. ПАНТЕРА в 2013 году: моделирование эволюции функции генов и других атрибутов генов в контексте филогенетических деревьев. Nucl. Кислота. Res. 41 , Д377 (2013).

    CAS Статья Google ученый

  • 43.

    Кулешов М.В. и др. Enrichr: обновление веб-сервера для комплексного анализа обогащения набора генов 2016 г. Nucleic Acids Res. 44 , W90 (2016).

    CAS PubMed PubMed Central Статья Google ученый

  • 44.

    Клопфенштейн, Д.и другие. GOATOOLS: библиотека Python для анализа генных онтологий. Sci. Реп. 8 , 10872 (2018).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 45.

    Чжан, Б., Киров, С. и Снодди, Дж. Webgestalt: интегрированная система для изучения наборов генов в различных биологических контекстах. Nucleic Acids Res. 33 , W741 (2005).

    CAS PubMed PubMed Central Статья Google ученый

  • 46.

    Carbon, S. et al. Amigo: онлайн-доступ к онтологическим и аннотационным данным. Биоинформатика 25 , 288 (2008).

    PubMed PubMed Central Статья CAS Google ученый

  • 47.

    Chen, J., Bardes, E.E., Aronow, B.J., Jegga, A.G. Пакет Toppgene для анализа обогащения списка генов и определения приоритетов генов-кандидатов. Nucleic Acids Res. 37 , W305 (2009).

    CAS PubMed PubMed Central Статья Google ученый

  • 48.

    Ри, С. Ю., Вуд, В., Долински, К. и Драгичи, С. Использование и неправильное использование аннотаций онтологии генов. Нат. Преподобный Genet . 9 , 509–515 (2008).

  • 49.

    Tomczak, A. et al. Интерпретация биологических экспериментов меняется с эволюцией генной онтологии и ее аннотаций. Sci. Отчет 8 , 1 (2018).

    CAS Статья Google ученый

  • 50.

    Ballouz, S., Павлидис, П. и Гиллис, Дж. Использование прогнозирующей специфичности для определения того, является ли анализ набора генов биологически значимым. Nucl. Кислота. Res. 45 , e20 (2017).

    Google ученый

  • 51.

    Dong, X., Hao, Y., Wang, X. & Tian, ​​W. LEGO: новый метод анализа избыточной репрезентативности набора генов путем включения сетевых весов генов. Sci. Реп. 6 , 18871 (2016).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 52.

    Hukku, A., Quick, C., Luca, F., Pique-Regi, R. & Wen, X. Bagse: байесовский иерархический модельный подход для анализа обогащения набора генов. Биоинформатика 36 , 1689 (2020).

    CAS PubMed Статья Google ученый

  • 53.

    Ван, Л., Цзя, П., Вольфингер, Р. Д., Чен, X. и Чжао, З. Анализ геномного набора исследований ассоциаций по всему геному: методологические вопросы и перспективы. Genomics 98 , 1–8 (2011).

    CAS PubMed Статья Google ученый

  • 54.

    Edsgärd, D., Johnsson, P. & Sandberg, R. Идентификация тенденций пространственной экспрессии в данных экспрессии генов одной клетки. Нат. Методы 15 , 339 (2018).

    PubMed PubMed Central Статья CAS Google ученый

  • 55.

    Sun, S., Zhu, J. & Zhou, X. Статистический анализ пространственных паттернов экспрессии для пространственно разрешенных транскриптомных исследований. Нат. Методы 17 , 193 (2020).

    CAS PubMed PubMed Central Статья Google ученый

  • 56.

    Hawrylycz, M. J. et al. Ареальная и ламинарная дифференцировка в неокортексе мышей с использованием крупномасштабных данных по экспрессии генов. Методы 50 , 113 (2010).

    CAS PubMed Статья Google ученый

  • 57.

    Hawrylycz, M. J. et al. Канонические генетические признаки мозга взрослого человека. Нат. Neurosci. 18 , 1832 (2015).

    CAS PubMed PubMed Central Статья Google ученый

  • 58.

    Krienen, F. M., Yeo, B. T. T., Ge, T., Buckner, R. L. & Sherwood, C. C. Транскрипционные профили супрагранулярных генов связаны с архитектурой кортикокортикальной сети в мозге человека. Proc. Natl. Акад. Sci. США 113 , E469 (2016).

    ADS CAS PubMed Статья Google ученый

  • 59.

    Пантазатос, С. П. и Ли, X. Комментарий: МОЗГОВЫЕ СЕТИ. Коррелированная экспрессия генов поддерживает синхронную активность в мозговых сетях. Science 348, 1241-4. Фронт. Neurosci. 11 , 412 (2017).

    PubMed PubMed Central Статья Google ученый

  • 60.

    Richiardi, J., Altmann, A. & Greicius, M. Расстояние – это еще не все в визуализации геномики функциональных сетей: ответ на комментарий о коррелированной экспрессии генов поддерживает синхронную активность в сетях мозга. Препринт на bioRxiv https://doi.org/10.1101/132746 (2017).

  • 61.

    Хендерсон, Дж. А. и Робинсон, П. А. Геометрические эффекты на сложной сетевой структуре в коре головного мозга. Phys. Rev. Lett. 107 , 018102 (2011).

    ADS CAS PubMed Статья Google ученый

  • 62.

    Хендерсон, Дж. А. и Робинсон, П. А. Отношения между геометрией корковой гирификации и сетевой архитектурой белого вещества. Brain Conn. 4 , 112 (2014).

    Артикул Google ученый

  • 63.

    Roberts, J. A. et al. Вклад геометрии в коннектом человека. NeuroImage 124 , 379 (2016).

    PubMed Статья Google ученый

  • 64.

    Дж. Стисо и Д. С. Бассетт. Пространственное встраивание накладывает ограничения на архитектуру нейронных сетей. Trends Cogn. Sci. 22 , 1127–1142 (2018).

  • 65.

    Робинсон П. А. Физическая коннектомика мозга. Phys. Ред. E 99 , 012421 (2019).

    ADS CAS PubMed Статья Google ученый

  • 66.

    Берт, Дж. Б., Хелмер, М., Шинн, М., Античевич, А.И Мюррей, Дж. Д. Генеративное моделирование карт мозга с пространственной автокорреляцией. NeuroImage 220 , 117038 (2020).

    PubMed Статья Google ученый

  • 67.

    Alexander-Bloch, A. F. et al. О тестировании пространственного соответствия между картами структуры и функций человеческого мозга. NeuroImage 178 , 540 (2018).

    PubMed PubMed Central Статья Google ученый

  • 68.

    Reddy, P. G. et al. Генетическая и нейроанатомическая поддержка функциональной динамики сети мозга при эпилепсии. Препринт на https://arxiv.org/abs/1809.03934 (2018).

  • 69.

    Фулчер, Б. «Анализ обогащения генной категории, включая пользовательские нулевые ансамбли». вер. 0.1.1 https://github.com/benfulcher/GeneCategoryEnrichmentAnalysis (2021 г.).

  • 70.

    Subramanian, A. et al. Анализ обогащения набора генов: основанный на знаниях подход к интерпретации профилей экспрессии в масштабе всего генома. Proc. Natl. Акад. Sci. США 102 , 15545 (2005).

    ADS CAS PubMed Статья Google ученый

  • 71.

    Барри, В. Т., Нобель, А. Б. и Райт, Ф. А. Анализ значимости функциональных категорий в исследованиях экспрессии генов: подход структурированной перестановки. Биоинформатика 21 , 1943 (2005).

    CAS PubMed Статья Google ученый

  • 72.

    Anderson, K. M. et al. Экспрессия генов связывает функциональные сети через кору и полосатое тело. Нат. Commun. 9 , 1428 (2018).

    ADS PubMed PubMed Central Статья CAS Google ученый

  • 73.

    Кунчева, З., Кришнан, М. Л. и Монтана, Г. Изучение транскриптомических паттернов мозга: топологический анализ с использованием пространственных сетей экспрессии. Pac. Symp. Биокомпьютер . 22 , 70–81 (2017).

  • 74.

    Лю В., Петерс Н., Фернандес Г. и Кон Н. Общие нейронные и транскрипционные корреляты тормозящего контроля лежат в основе регуляции эмоций и контроля памяти. Soc. Cogn. Оказывать воздействие. Neurosci. 15 , 523 (2020).

    PubMed PubMed Central Статья Google ученый

  • 75.

    Vidal-Pineiro, D. et al. Клеточные корреляты истончения коры на протяжении всей жизни. Sci. Отчетность 10 , 21803 (2019).

  • 76.

    Tan, P. P. C., French, L. & Pavlidis, P. Обогащенные нейронами паттерны экспрессии генов регионально антикоррелированы с паттернами, обогащенными олигодендроцитами, в мозге взрослых мышей и человека. Фронт. Neurosci . 7 , 5 (2013).

  • 77.

    French, L. & Paus Взгляд FreeSurfer на кортикальный транскриптом, полученный из Атласа человеческого мозга Аллена. Фронт. Психиатр. 9 , 25 (2015).

    Google ученый

  • 78.

    Meijer, M. et al. Молекулярная характеристика сети стресса в человеческом мозге. bioRxiv 526 , 661587 (2019).

    Google ученый

  • 79.

    Mills, B.D. et al. Коррелированная экспрессия генов и анатомическая коммуникация поддерживают синхронизированную активность мозга в функциональном коннектоме мыши. J. Neurosci. 38 , 2910 (2018).

    Google ученый

  • 80.

    Anderson, K. M. et al. Транскрипционная и визуально-генетическая ассоциация корковых интернейронов, функции мозга и риска шизофрении. Нат. Commun. 11 , 2889 (2020).

  • 81.

    Лю, Дж., Ся, М., Ван, X., Ляо, X. & He, Y. Транскрипционные сигнатуры иерархической организации хроннэктома в человеческом мозге. bioRxiv 39 , 637942 (2019).

    Google ученый

  • 82.

    Liu, Z. et al. Набор инструментов для аннотации мозга: изучение функциональных и генетических ассоциаций результатов нейровизуализации. Биоинформатика 35 , 3771–3778 (2019).

  • 83.

    Yao, X. et al. Двумерный анализ обогащения для выявления генетических ассоциаций с визуализацией высокого уровня. Brain Inform. 4 , 27 (2017).

    PubMed Статья Google ученый

  • 84.

    Анселин Л. Пространственная эконометрика: методы и модели , Vol. 4 (Springer Science, Business Media, 2013).

  • 85.

    Markello, R. & Misic, B. Сравнение пространственно-ограниченных нулевых моделей для парцеллированных карт мозга. Препринт на bioRxiv https://doi.org/10.1101/2020.08.13.249797(2020).

  • 86.

    Kim, Y. et al. Карты всего мозга выявляют стереотипную корковую архитектуру на основе клеточного типа и подкорковый половой диморфизм. Ячейка 171 , 456 (2017).

    CAS PubMed PubMed Central Статья Google ученый

  • 87.

    Erö, C., Gewaltig, M.-O., Keller, D. & H.Markram Атлас клеток для мозга мыши. Фронт. Neuroinf. 12 , e17727 (2018).

    Артикул Google ученый

  • 88.

    Fulcher, B. «Файлы данных для поддержки анализа воспроизведения в« Преодолении ложноположительного обогащения категорий генов при анализе данных транскриптомного атласа мозга с пространственным разрешением »[набор данных]».вер. 2 https://zenodo.org/record/3777553 (2021 г.).

  • 89.

    Fulcher, B. D., Murray, J. D., Zerbi, V. & Wang, X.-J. Мультимодальные градиенты в коре головного мозга мыши. Proc. Natl. Акад. Sci. США 116 , 4689 (2019).

    CAS PubMed Статья Google ученый

  • 90.

    Ng, L. et al. Нейроинформатика для трехмерного картирования экспрессии генов в мозге мышей. IEEE / ACM Trans.Comput. Биол. Bioinf. 4 , 382 (2007).

    CAS Статья Google ученый

  • 91.

    Буллмор, Э. Т. и Спорнс, О. Экономика организации сети мозга. Нат. Rev. Neurosci. 13 , 337 (2012).

    Артикул CAS Google ученый

  • 92.

    Коллин, Г., Спорнс, О., Мандл, Р. К. У. и ван ден Хеувел, М.P. Структурные и функциональные аспекты, связанные с затратами и преимуществами богатой клубной организации в коре головного мозга человека. Cereb. Cortex 24 , 2258 (2014).

    PubMed Статья PubMed Central Google ученый

  • 93.

    Tomasi, D., Wang, G. J. & Volkow, N. D. Энергетическая стоимость функциональной связи мозга. Proc. Natl. Акад. Sci. США 110 , 13642 (2013).

    ADS CAS PubMed Статья PubMed Central Google ученый

  • 94.

    Брейкспир, М., Браммер, М. Дж., Буллмор, Э. Т., Дас, П. и Уильямс, Л. М. Передискретизация пространственно-временного вейвлета для данных функциональной нейровизуализации. Гум. Карта мозга. 23 , 1 (2004).

    Артикул Google ученый

  • 95.

    Cardillo, M., Bromham, L. & Greenhill, S.J. Связи между языковым разнообразием и видовым богатством могут быть искажены пространственной автокорреляцией. Proc. R. Soc. B Biol. Sci. 282 , 20142986 (2015).

    Артикул Google ученый

  • 96.

    Афьюни С., Смит С. М. и Николс Т. Е. Эффективные степени свободы коэффициента корреляции Пирсона при автокорреляции. NeuroImage 199 , 609–625 (2019).

  • 97.

    Джеймс О., Парк Х. и Ким С.-Г. Влияние частоты дискретизации на статистическую значимость для анализа подключения фМРТ к одному субъекту. Гум. Карта мозга. 40 , 3321–3337 (2019).

  • 98.

    Клифф, О. М., Новелли, Л., Фулчер, Б. Д., Шайн, Дж. М. и Лизье, Дж. Т. Оценка значимости направленных и многомерных мер линейной зависимости между временными рядами. Phys. Rev. Res. 3 , 013145 (2021).

    CAS Статья Google ученый

  • 99.

    Mancarci, B.O. et al. Межлабораторный анализ транскриптомов клеток головного мозга с приложениями к интерпретации данных об объемных тканях. eNeuro 4 , e0212-17.2017 (2017).

  • 100.

    Авила Кобос, Ф., Алькисира-Эрнандес, Дж., Пауэлл, Дж. Э., Местдаг, П. и Де Претер, К. Сравнительный анализ конвейеров деконволюции клеточного типа для данных транскриптомики. Нат. Commun. 11 , 5650 (2020).

    ADS CAS Статья Google ученый

  • 101.

    Seidlitz, J. et al. Транскриптомная и клеточная расшифровка уязвимости регионального мозга к нейрогенетическим расстройствам. Нат. Commun. 11 , 3358 (2020).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 102.

    Fulcher, B. D. Обнаружение консервативных свойств организации мозга посредством мультимодальной интеграции и межвидового сравнения. J. Exp. Neurosci. 13 , 1171986204 (2019).

    Артикул Google ученый

  • 103.

    Oh, S. W. et al. Мезомасштабный коннектом мозга мыши. Природа 508 , 207 (2014).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 104.

    Ng, L. et al. Атлас экспрессии анатомических генов мозга взрослой мыши. Нат. Neurosci. 12 , 356 (2009).

    CAS PubMed Статья PubMed Central Google ученый

  • 105.

    Arloth, J., Bader, D. M., Röh, S. & Altmann, A. Re-Annotator: конвейер аннотаций для последовательностей микроматриц. PLOS ONE 10 , e0139516 (2015).

    PubMed PubMed Central Статья CAS Google ученый

  • 106.

    Glasser, M. F. et al. Мультимодальный фрагмент коры головного мозга человека. Природа 536 , 171 (2016).

    ADS CAS PubMed PubMed Central Статья Google ученый

  • 107.

    Фулчер Б. Д., Литтл М. А. и Джонс Н. С. Сравнительный анализ временных рядов: эмпирическая структура временных рядов и их методы. Дж. Рой. Soc. Интерфейс 10 , 20130048 (2013).

    Артикул Google ученый

  • 108.

    Van Essen, D. C. et al. Проект WU-Minn Human Connectome: обзор. NeuroImage 80 , 62 (2013).

    PubMed PubMed Central Статья Google ученый

  • 109.

    Glasser, M. F. et al. Минимальные конвейеры предварительной обработки для Human Connectome Project. NeuroImage 80 , 105 (2013).

    PubMed PubMed Central Статья Google ученый

  • 110.

    Sotiropoulos, S. N. et al. Достижения в области получения и обработки диффузионной МРТ в проекте Human Connectome. NeuroImage 80 , 125 (2013).

    PubMed PubMed Central Статья Google ученый

  • 111.

    Tournier, J.-D., Calamante, F. & Connelly, A. MRtrix: диффузионная трактография в пересекающихся областях волокон. Внутр. J. Imaging Syst. Technol. 22 , 53 (2012).

    Артикул Google ученый

  • 112.

    Дженкинсон, М., Бекманн, К. Ф., Беренс, Т. Э., Вулрич, М. В. и С. М. Смит ФСЛ. NeuroImage 62 , 782 (2012).

    PubMed Статья Google ученый

  • 113.

    Tournier, J.-D., Calamante, F. & Connelly, A. Улучшенная трактография вероятностных линий тока за счет интеграции 2-го порядка по распределению ориентации волокон. ISMRM 88 , 2010 (2010).

    Google ученый

  • 114.

    Smith, R. E., Tournier, J.-D., Calamante, F. и Connelly, A. Анатомически ограниченная трактография: улучшенная диффузионная МРТ упрощает трактографию за счет эффективного использования анатомической информации. NeuroImage 62 , 1924 (2012).

    PubMed Статья Google ученый

  • 115.

    Смит, Р. Э., Турнье, Ж.-Д., Каламанте, Ф. и Коннелли, А. SIFT2: обеспечение плотной количественной оценки связности белого вещества мозга с использованием оптимизированной трактографии. NeuroImage 119 , 338 (2015).

    PubMed Статья Google ученый

  • 116.

    Сарвар Т., Рамамоханарао К. и Залески А. Картирование коннектомов с помощью диффузионной МРТ: детерминированная или вероятностная трактография? Magn. Резон. Med. 81 , 1368 (2019).

    PubMed Статья Google ученый

  • 117.

    Сотиропулос, С. Н. и Залески, А. Создание коннектомов с помощью диффузионной МРТ: почему, как и но. ЯМР Биомед . 32 , e3752 (2017).

  • 118.

    Рубинов, М. & Спорнс, О. Комплексные сетевые меры связности мозга: использование и интерпретация. NeuroImage 52 , 1059 (2010).

    Артикул Google ученый

  • 119.

    Motenko, H., Neuhauser, S. B., M.O’keefe & Richardson, J. E. Mousemine: новое хранилище данных для MGI. Мамм. Геном 26 , 325 (2015).

    CAS PubMed PubMed Central Статья Google ученый

  • 120.

    Бенджамини Ю. и Хохберг Ю. Контроль уровня ложных открытий: практичный и эффективный подход к множественному тестированию. Дж. Рой. Стат. Soc. В 57 , 289 (1995).

    MathSciNet МАТЕМАТИКА Google ученый

  • 121.

    Fulcher, B. «Необработанные и обработанные текущие данные для поддержки выполнения анализов GCEA с использованием ансамблевых нулевых значений, как описано в рукописи« Преодоление ложноположительного обогащения категорий генов при анализе пространственно разрешенных транскриптомных данных ». данные атласа мозга »[набор данных]».вер. 1 https://zenodo.org/record/4460714 (2021 г.).

  • 122.

    Fulcher, B. «Преодоление ложноположительного обогащения категорий генов при анализе пространственно разрешенных данных транскриптомного атласа мозга». вер. 1.0 https://doi.org/10.5281/zenodo.4470239 (2021 г.).

  • 123.

    Gramazio, C. C., Laidlaw, D. H., & Schloss, K. B. Colorgorical: создание различимых и предпочтительных цветовых палитр для визуализации информации. Транзакции IEEE по визуализации и компьютерной графике 23 , 521–530 (2017).

  • % PDF-1.5 % 1 0 объект > эндобдж 5 0 obj > эндобдж 2 0 obj > эндобдж 3 0 obj > эндобдж 4 0 obj > эндобдж 6 0 obj > эндобдж 7 0 объект > эндобдж 8 0 объект > эндобдж 9 0 объект > эндобдж 10 0 obj > эндобдж 11 0 объект > эндобдж 12 0 объект > эндобдж 13 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [231,834 582,595 274,256 593,539] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 14 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [88,012 570,819 124,873 581.763] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 15 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [129,66 570,819 151,578 581,763] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 16 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [101.909 500.164 158.525 511.108] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 17 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [163.784 500.164 185.702 511.108] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 18 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [257.701 209.026 291,264 220,82] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 19 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [71,004 197,889 165,871 207,474] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 20 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [198,394 75,566 222,641 87,36] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 21 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [495.789 623.032 526.54 634.827] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 22 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [306.279 609,686 353,387 621,481] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 23 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [357,318 609,686 380,692 621,481] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 24 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [374,423 596,34 495,181 608,135] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 25 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [406.019 529.517 495.715 541.311] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 26 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [500.874 529,517 525,121 541,311] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 27 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [421,185 369,365 526,54 381,159] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 28 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [306,279 358,228 327,433 367,813] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 29 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [469,27 249,158 528,449 260,952] / Подтип / Ссылка / Тип / Аннотация >> эндобдж 30 0 объект > / Граница [0 0 0] / C [0 1 0] /ПРИВЕТ / Rect [309.