Оценка межрегионального неравенства в Российской Федерации по индексу социального благополучия населения
Автор: Бобков В.Н., Губарев Р.В., Дзюба Е.И., Файзуллин Ф.С.
Журнал: Экономические и социальные перемены: факты, тенденции, прогноз @volnc-esc
Рубрика: Региональная экономика
Статья в выпуске: 5 т.17, 2024 года.
Бесплатный доступ
В рамках исследования была поставлена цель разработки адекватного (высокоточного) инструментария, позволяющего проводить не только ретроспективную, но и перспективную оценку межрегионального неравенства по уровню жизни в Российской Федерации, исходя из индекса социального благополучия населения, являющегося результатом свертки частных индексов. Сначала выдвигается гипотеза о возможности построения адекватной прогностической (традиционной эконометрической) модели зависимости среднедушевых денежных доходов населения от группы факторов. Информационной базой исследования послужили официальные данные региональной статистики за 2015-2022 годы. В ходе эмпирического исследования (корреляционно-регрессионного анализа) были разработаны три эконометрические модели, различающиеся количеством факторов (от 2 до 4). Они позволяют (согласно средней ошибке аппроксимации, принимающей значения из интервала от 8,8 до 9,6% для разных эконометрических моделей) лишь с приемлемой степенью точности аппроксимировать данные региональной статистики. Далее проверялась аналогичная гипотеза, но предполагающая применение другого инструментария (индексный метод в сочетании с искусственным интеллектом), позволяющего измерять зависимость уровня жизни населения от группы факторов. В ходе нейромоделирования было установлено, что любая из пяти искусственных нейронных сетей, включенных в байесовский ансамбль, позволяла аппроксимировать данные региональной статистики с высокой степенью точности (со средней ошибкой от 2,8 до 3,9%). Таким образом, вторую гипотезу можно считать подтвержденной. В рамках исследования прогностическая функция была реализована путем формирования байесовского ансамбля искусственных нейронных сетей. Полученные результаты эмпирического исследования могут выступить в качестве научной базы при корректировке (актуализации) социально-экономической политики регулирования уровня жизни населения и его межрегионального неравенства среди субъектов РФ.
Регионы России, межрегиональное неравенство, уровень жизни, денежные доходы, индексный метод, корреляционно-регрессионный анализ, искусственный интеллект, прогнозирование
Короткий адрес: https://sciup.org/147245928
IDR: 147245928 | DOI: 10.15838/esc.2024.5.95.3
Список литературы Оценка межрегионального неравенства в Российской Федерации по индексу социального благополучия населения
- Бобков В.Н., Гулюгина А.А. (2023). Мониторинг доходов и уровня жизни населения России – 2022 год. Выпуск 1 (202). М.: ИЭ РАН.
- Бобков В.Н., Одинцова Е.В. (2020). Социальное неравенство в России // Журнал Новой экономической ассоциации. № 3. С. 179–184. DOI: 10.31737/2221-2264-2020-47-3-8
- Дорофеев М.Л. (2021). Современная долговая проблема США в контексте регулирования социально-экономического неравенства // Вестник Томского государственного университета. Экономика. № 54. С. 273–286. DOI: 10.17223/19988648/54/16
- Житин Д.В., Прокофьев А.Д. (2022). Этнотерриториальные особенности социального неравенства в США // Вестник Санкт-Петербургского университета. Науки о земле. № 2. С. 333–359. DOI: 10.21638/spbu07.2022.207
- Зарова Е.В., Дубравская Э.И. (2020). Метод «случайный лес» в исследовании влияния макроэкономических показателей регионального развития на уровень неформальной занятости // Вопросы статистики. № 6. С. 37–55. DOI: 10.34023/2313-6383-2020-27-6-37-55
- Ибрагимова З.Ф., Франц М.В. (2020). Неравенство возможностей: теория и практика измерения на микроданных RLMS-HSE // Экономическая политика. № 1. С. 64–89. DOI: 10.18288/1994-5124-2020-1-64-89
- Лапин Н.И., Ильин В.А., Морев М.В. (2020). Экстремальные неравенства и социальное государство (часть 1) // Социологические исследования. № 1. С. 4–17. DOI:10.31857/S013216250008378-8
- Леонидова Г.В., Басова Е.А., Рассадина М.Н. (2022). Кластерный анализ доходного неравенства населения российских регионов // Проблемы развития территории. № 6. С. 94–114. DOI: 10.15838/ptd.2022.6.122.6
- Мерзляков А.А., Богданов В.С. (2022). Об исследовании социолого-управленческих аспектов регулирования социальных неравенств в регионах России // Вестник Института социологии. № 4. С. 130–143. DOI: 10.19181/vis.2022.13.4.853
- Пугачев А.А. (2023). Экономическое неравенство граждан за гранью средних показателей: проблемы диагностики в условиях его трансформации // Экономические и социальные перемены: факты, тенденции, прогноз. № 3. С. 141–158. DOI: 10.15838/esc.2023.3.87.7
- Симионеску М., Кривокора Е., Фурсов В., Астахова Е. (2020). Проблемы развития трудового потенциала регионов Российской Федерации с учетом их дифференциации // Terra Economicus. № 2. С. 117–138. DOI: 10.18522/2073-6606- 2020-18-2-117-138
- Спиридонов А.Ю., Найденова А.А. (2024). Качество жизни населения: подходы к определению понятия, формирование системы сбора данных и методики оценки // Экономика труда. № 8. С. 1159–1180. DOI: 10.18334/et.11.8.121438
- Суринов А.Е., Луппов А.Б. (2022). Дифференциация доходов населения и стоимость жизни на субрегиональном уровне. Оценки для России // Экономический журнал ВШЭ. № 4. С. 552–578. DOI: 10.17323/1813-8691-2022-26-4-552-578
- Черныш М.Ф. (2021). Институциональные основы неравенства в современном обществе // Мир России. № 3. С. 6–28. DOI: 10.17323/1811-038X-2021-30-3-6-28
- Шаталова О.М., Касаткина Е.В. (2022). Социально-экономическое неравенство регионов РФ: вопросы измерения и долгосрочная ретроспективная оценка // Экономические и социальные перемены: факты, тенденции, прогноз. № 4. С. 74–87. DOI: 10.15838/esc.2022.4.82.5
- Breiman L. (2001). Random Forests. Machine Learning, 45(1), 5–32. DOI: 10.1023/ A:1010933404324
- Fleming M. (1952). A cardinal Concept of Welfare. The American Economic Review, XLI, 287.
- Jin N., Yang F., Mo Yu. et al. (2022). Highly accurate energy consumption forecasting model based on parallel LSTM neural networks. Advanced Engineering Informatics, 51, 101442. DOI: 10.1016/j.aei.2021.101442
- Qiu J., Wang B., Zhou C. (2019). Forecasting stock prices with long-short term memory neural network based on attention mechanism. PLoS ONE, 2.15(1): e0227222. DOI: https://doi.org/10.1371/journal.pone.0227222
- Shetty P., Singh S. (2021). Hierarchical clustering: A survey. International Journal of Applied Research, 7(40), 178–181. DOI: 10.22271/allresearch.2021.v7.i4c.8484
- Zhang Q., Abdullah A.R., Chong C.W., Ali M.H.A. (2022). Study on regional GDP forecasting analysis based on Radial Basis Function Neural Network with Genetic Algorithm (RBFNN-GA) for Shandong economy. Computational Intelligence and Neuroscience, 12. DOI: 10.1155/2022/823530
