Показатели благосостояния населения и продолжительности жизни для Архангельской области и ряда регионов: анализ, моделирование
Журнал: Арктика и Север @arcticandnorth
Рубрика: Северные и арктические социумы
Статья в выпуске: 64, 2026 года.
Бесплатный доступ
В работе применяются две модели регрессии, построенные по панельным данным из регионов ЦФО, ПФО. Основной фокус внимания в их приложении направлен на Архангельскую область. На предварительном этапе методом главных компонент с анализом корреляции переменных строились два сводных индикатора: уровня благосостояния и развития транспортной инфраструктуры. Они рассчитывались для каждого региона по статистике из ЦФО за ряд лет, взятых до пандемии. На следующем этапе строились две модели регрессии с переменной структурой. Роль зависимой переменной в модели 1 играет индикатор уровня благосостояния населения, а в модели 2 — ожидаемая продолжительность жизни при рождении (ОПЖ). Обе эти модели являются новыми; для Поморья приводится спецификация модели 1. Новизной является и то, что формализована связь агрегата по благосостоянию с показателями инфраструктуры, оцифровки экономики и ОПЖ. Модели позволили найти информативные факторные переменные, которые исследовались подробнее. Наконец, они применялись к двум регионам Арктической зоны РФ (АЗРФ) и ряду прочих. Подробнее исследованы факторы модели 1, значимо влияющие на уровень благосостояния: инфраструктурная переменная, показатели цифровой экономики, ОПЖ и др. Кратко описывается модель 2, хорошо работающая для многих регионов РФ. После сопоставления показателей Архангельской области и других регионов предлагается иллюстративный пример прогнозирования в 2019, 2020 гг. В обсуждении выявляются проблемные места региона и сделан краткий обзор работ по вопросам инфраструктуры, информатизации, инноваций и ОПЖ. Вероятно, может быть интересным и ряд параллелей, выявленных в развитии регионов. Аналогичным образом методологию исследования можно применить к другим территориям АЗРФ и лежащим вблизи них, а также к прочим. Итоги исследования могут быть полезны для органов власти, управляющих региональным развитием территорий АЗРФ или ряда других регионов.
Короткий адрес: https://sciup.org/148334175
IDS: 148334175 | УДК: [330.42+330.356+332](470.11)(045) | DOI: 10.37482/issn2221-2698.2026.64.332
Indicators of Population Welfare and Life Expectancy for the Arkhangelsk Oblast and Several Other Regions: Analysis and Modelling
The article uses two regression models, previously constructed using panel data from the Central Federal District (CFD) and the Volga Federal District (VFD). The main focus of their application is on the Arkhangelsk Oblast. At the preliminary stage, two composite indicators were developed using principal component analysis combined with correlation analysis of the variables: the level of welfare and the development of transport infrastructure. They were calculated for each region using statistics from the CFD covering a number of years prior to the COVID-19 pandemic. In the next stage, two regression models with variable structures were constructed. The dependent variable in Model 1 is the indicator of the population’s welfare, in Model 2 —the life expectancy at birth (LEB). Both of these models are new; the specification of Model 1 is provided for the Pomorye region. Another novel aspect is the formalization of the relationship between the aggregate welfare measure and indicators of infrastructure, the digitalization of the economy and life expectancy at birth. The models enabled the identification of informative factor variables, which were then examined in detail. Finally, they were applied to two regions of the Arctic Zone of the Russian Federation (AZRF) and a number of others. The factors in Model 1 that significantly influence the level of welfare were examined more closely: the infrastructure variable, digital economy indicators, life expectancy at birth, and others. Model 2, which functions well for many regions of the Russian Federation, is briefly described. Following a comparison of indicators for the Arkhangelsk Oblast and other regions, an illustrative example of forecasting for 2019 and 2020 is presented. The discussion identifies the region’s problem areas and provides a brief overview of work on infrastructure, digitalization, innovations, and LEB. A number of parallels identified in regional development may also be of interest. Similarly, the research methodology can be applied to other territories of the AZRF and neighboring areas, as well as to other regions. The findings of the study may be useful to the authorities responsible for managing the regional development of territories within the AZRF or a number of other regions.
