CC BY
3
Вестник Челябинского государственного университета. 2022. № 6 (464). С. 74-85. ISSN 1994-2796 (print). ISSN 2782-4829 (online)
Bulletin of Chelyabinsk State University. 2022;(6(464):74-85. ISSN 1994-2796 (print). ISSN 2782-4829 (online) Аналитическая статья УДК 332.1
doi: 10.47475/1994-2796-2022-10608
О ВНУТРИРЕГИОНАЛЬНОЙ ДИФФЕРЕНЦИАЦИИ ЧЕЛЯБИНСКОЙ ОБЛАСТИ ПО УРОВНЮ ЗАРАБОТНОЙ ПЛАТЫ
Дарья Сергеевна Бенц
Челябинский государственный университет, Челябинск, Россия, benz@csu.ru, ORCID 0000-0003-1257-248X
Аннотация. В статье автор ставит цель определить, усиливается или ослабевает внутрирегиональная дифференциация муниципальных образований Челябинской области по уровню заработной платы. Оценка глубины дифференциации проведена по 39 муниципалитетам Челябинской области. Тренды построены за период 2008-2020 гг. Автором предложена методика, позволяющая как оценить уровень внутрирегиональной дифференциации по показателю «номинальная начисленная заработная плата» в статике, так и провести анализ глубины дифференциации в динамике. Предложены две модификации в отношении размаха вариации, коэффициентов дифференциации и коэффициентов осциляции. Найдены муниципалитеты, демонстрирующие статистические «выбросы» выборки. Показан тренд нисходящей дифференциации. Об этом свидетельствуют все относительные коэффициенты предлагаемой методики: коэффициенты дифференциации, осциляции и вариации. Автором также определены некоторые особенности дифференциации. Дифференциация муниципальных образований — лидеров, входящих в первую децильную группу, выше дифференциации муниципальных образований-аутсайдеров, входящих в последнюю децильную группу.
Ключевые слова: внутрирегиональная дифференциация, оценка уровня внутрирегиональной дифференциации, долгосрочные тренды, номинальная начисленная заработная плата, муниципальные образования.
Для цитирования: Бенц Д. С. О внутрирегиональной дифференциации Челябинской области по уровню заработной платы // Вестник Челябинского государственного университета. 2022. № 6 (464). С. 74-85. doi: 10.47475/1994-2796-2022-10608
Analytical article
ON THE INTRA-REGIONAL DIFFERENTIATION OF THE CHELYABINSK REGION IN TERMS OF WAGES
Daria S. Benz
Chelyabinsk State University, Chelyabinsk, Russia, benz@csu.ru, ORCID 0000-0003-1257-248X
Abstract. The author sets a goal to determine whether the intra-regional differentiation of municipalities of the Chelyabinsk region in terms of wages has been strengthening or weakening over the past 14 years. The depth of differentiation was assessed in 39 municipalities of the Chelyabinsk region. Trends were built for the period 2008-2020. The author proposed the methodology that allows assessing the level of intra-regional differentiation by the "nominal accrued salary" indicator in static, as well as analyzing the depth of differentiation in dynamics. The method includes indicators: variation range, differentiation coefficient, oscillation coefficient, coefficient of variation. Two modifications are proposed with respect to variation range, differentiation coefficients and oscillation coefficients. The author identified municipalities demonstrating the statistical "outliers" of the sample. The author showed downward differentiation trend. This is evidenced by all the relative coefficients of the proposed method. The author also identified some features of differentiation. The differentiation of leading municipalities is higher than the differentiation of outsider municipalities.
Keywords: intra-regional differentiation, assessment of the intra-regional differentiation level, long-term trends, nominal accrued wages, municipalities.
© Бенц Д. С., 2022
For citation: Benz D. On the intra-regional differentiation of the Chelyabinsk region in terms of wages. Bulletin of Chelyabinsk State University. 2022;(6(464):74-85. (In Russ.). doi: 10.47475/1994-2796-2022-10608
Постановка проблемы
Высокий уровень бедности, глубокая дифференциация как по секторам экономики, так и по территориям — это все те факторы, которые, имея отношение к социальной сфере, тормозят не только социальное развитие, но и экономический рост.
О необходимости повышения доходов, снижения бедности и неравенства говорят В. Н. Бобков, Е. В. Одинцова, Н. В. Бобков [1]. Авторы заявляют о высоком уровне неравенства (оцененного по индексу Джини), характерном для российской экономики, в сравнении с такими странами, как: США, Бразилия, Индия, Германия, Чили, Сингапур, Великобритания, Швейцария, Канада, Китай, Австралия, Япония. Авторы отмечают высокую дифференциацию и по секторам экономики, указывая на разрыв в уровне заработных плат в 3,5 раза (по состоянию на 2018 год). Если же говорить о разрыве в потребительских расходах, то соотношение первой и десятой децильных групп составило и вовсе 9,8 раза.
Стадийность субурбанизационных процессов в России и за рубежом различна. Россия находится на стадии активного вовлечения в процессы субурбанизации. Для нашей страны характерно недостаточное количество муниципальных образований сверхагломерационного типа — конурбаций. Процессы пространственного развития не ограничиваются межрегиональным развитием. Необходимо изучать процессы пространственного развития, протекающие и на территории муниципальных образований [2].
Важно понимать, что пространственное развитие сельских территорий может иметь свои закономерности развития. Сельская периферия должна рассматриваться как сложная территориальная подсистема [3; 4].
Не ставя знака равенства между понятиями «неравномерность» и «дифференциация», Е. С. Губанова и В. С. Клещ выделили стадии неравномерности, отнесли к таковым дифференциацию, асимметрию, поляризацию. С точки зрения оценки глубины неравномерности дифференциацию отнесли к «первоначальным диспропорциям», асимметрию — к «нарастающим», поляризацию — к «итоговым» [5].
Многие авторы исследуют различия в уровне заработных плат в различных срезах: межстра-новом, межрегиональном, внутрирегиональном.
Так, Л. А. Мигранова, говоря о несколькократных различиях как минимальной, так и средней заработной платы в России и странах Европы, указывает на опережение темпов роста реальной заработной платы в России в сравнении с темпами экономического роста и роста производительности труда [6].
Уровень заработной платы сельских поселений составляет порядка 70 % от городского уровня [7]. Учитывая факт занятости большого удельного веса населения муниципальных образований в сфере сельского хозяйства, важно понимать, что уровень заработной платы в сельском хозяйстве вовсе составляет порядка 50 % от среднероссийского значения [8].
Р. И. Капелюшников заявляет об объективных сложностях измерений возможных неравенств, ввиду чего из публикации в публикацию переходят материалы с неоправданными преувеличениями относительно существующих неравенств. Потому нужно быть крайне аккуратными при оценке сложившихся различий [9]. Показатели, при помощи которых часто оценивают глубину неравенства (рыночные доходы, располагаемые доходы, расходы, накопления и т. д.), крайне неоднородны. И более того, текущее неравенство не означает неравенства в долгосрочной перспективе, или же в простой динамике.
Автор продолжает серию исследований, посвященных проблемам дифференциации территорий [10]. Вопросы внутрирегиональной дифференциации являются не менее актуальными, нежели вопросы межрегиональных различий. Однако автор данной рукописи не претендует на оценку внутрирегионального неравенства Челябинской области. Исследование носит лишь обзорный характер. Задача исследования вполне проста — показать читателю, как в статике, так и в динамике, различия в уровне заработных плат муниципальных образований Челябинской области.
Р. И. Капелюшников заявляет о том, что одним из самых объективных и теоретически обоснованных показателей является различие в потреблении. Если же отталкиваться от поступае-мых доходов, то таковой показатель не является объективным ввиду существования различной склонности к сбережению — это раз, и два — ввиду различной склонности к кредитованию [9]. Для дальнейшего более глубокого анализа
внутрирегионального неравенства необходимо учесть два этих фактора. Но на данном этапе будем придерживаться гипотезы о небольших различиях как в отношении склонности к накоплению, так и к заимствованию среди населения различных муниципальных образований исследуемой области. И есть определенная вероятность, что данная предпосылка вполне имеет право на существование — так как различия в Челябинской области в отношении двух указанных величин, вероятнее всего, имеют не локационный характер, а сегментированы по уровню доходов. Но, безусловно, гипотеза требует отдельного подтверждения.
Н. И. Климова изучает вопросы различий сбережений населения, причем именно во внутрирегиональном аспекте. Исследуя процессы сбережения населения Республики Башкортостан, автор увязывает таковые с принадлежностью муниципального образования к определенной стадии жизненного цикла [11]. Однако ввиду дотацион-ности многих муниципальных образований действуют выравнивающие процессы, которые нивелируют различия.
Балльную оценку экономико-пространственного развития муниципальных районов Челябинской области провели Е. Б. Дворядкина, Е. А. Бе-лоусова [12]. Авторы заключили, что экономико-пространственное развитие Челябинской области является менее эффективным в сравнении с аналогичным развитием Свердловской области.
Степень фрагментации и поляризации социально-экономического пространства Челябинской и Свердловской областей попала в поле зрения и других авторов. Т. Г. Нефёдова и А. И. Трей-виш [13]. Говоря о роли промышленной специализации многих муниципальных образований исследуемых регионов, авторы пришли к выводу о важности крупных сырьевых предприятий, ставших «локомотивом» экономик соседних территорий. В случае их отсутствия деградация сельских поселений была бы значительно выше.
Исследуя поляризацию пространственной структуры региона, Е. Н. Кадышев, И. В. Петрова, Н. А. Ращепкина, Д. С. Федяева определили два типа зонирования и формирования микроагломераций: «взаимодополнение» и «союз равных» [14]. Одновременно с этим заявили о том, что моногорода могут сосредотачивать потенциал экономического развития. Челябинская область является одним из лидеров по количеству моногородов среди всех российских регионов. Однако вопрос о моногородах как точках роста в этом регионе является спорным.
Методы и материалы
Автор продолжает придерживаться модели оценки, предложенной ранее [10], согласно которой термином «индикаторы» называем показатели, оценивающие уровень территориальных различий (в контексте данного исследования это внутрирегиональные различия), а термином «показатели» называем те величины, которые участвуют в расчетах этих индикаторов. В текущем исследовании ограничимся единственным показателем — «среднемесячная номинальная начисленная заработная плата работников крупных, средних предприятий и некоммерческих организаций городского округа / муниципального района». Единицы измерения — рубли. Источником статистических данных выступает Первое независимое рейтинговое агентство — Информационно-аналитической системы FIRA PRO1.
Методика оценки уровня внутрирегиональной дифференциации приведена на рисунке 1.
Каждый индикатор, приведенный на рисунке 1, оценен по выборке за период с 2008 по 2020 гг. Выбор временного периода обусловлен доступностью данных, приведенных на платформе Информационно-аналитической системы FIRA PRO.
В левой части рисунка 1 приведены относительные индикаторы. В правой части рисунка — абсолютные. Пять коэффициентов, приведенных в левой части рисунка 1, а также размах вариации характеризуют глубину дифференциации. Пять абсолютных индикаторов, приведенных в правой нижней части рисунка, позволяют провести сравнительный анализ тенденций.
В Челябинскую область входит 16 городских округов и 27 муниципальных районов. К крупным городам относятся г. Челябинск и г. Магнитогорск. К городам с низкой численностью населения — г. Карабаш и пос. Локомотивный. На территории области находятся три закрытых автономных территориальных образования (ЗАТО) — Озёрский, Снежинский, Трёхгорный. Из 43 муниципальных образований статистические данные доступны по 39. Поэтому автором из выборки исключены три ЗАТО и пос. Локомотивный. Если говорить о разбиении выборки на децильные группы, то на каждую группу приходится примерно по четыре муниципальных образования. Поэтому в группу лидеров и в группу аутсайдеров будем определять по четыре наблюдения. В 80 % срединной выборки автор включает муниципальные образования с номерами 4-36, включая 4-е и 36-е значения.
1 URL: https://pra.fira.ra/search/mdex.html#region
о
а
а' §
с
О О
а
а
eg S' а
£
аГНйИГТМЬКЙГО Hfci>j<MiH]]"ei[[fcj 1
I [ВДОП lOiMJ С Itlffl AC CJiIINIIUVIi тм^ч-нил. чго i[ niumtib
Индикаторы оценка ypo&iia внутрирегиональной дифференциации
КопффШнс !ггы ле гермшгащш
1, Коэффициент диффгренцилщис (версия 3) - -f5^
Хт1Л фвдн 10% МО - д]|дероя
2-К<»фф111Л^КТ Дн4Ф*Р*ВД№К1Ч ((ijifnH Z) -
КОэффнniieinu 0СЦ11. 1ЯЦШ1
3. КмффнЦненГ счцнля цин (вергкч 1) = 'Уг'""1 Хг~'"' = ^г1—
_
среди 10% МО - артнДдцро* Х)ь
4. №^КШ№осцнля|11Л|(Н|Ш I) 1 Д^щ МЙИРтму* .....-, LC .. ,<Э 'гг.л.л^^
тт ' ffftirptjiHHa&tutapaji _" _
ередннной выборки
Ко^ффишсет варнэшш
S. Коэффициент в-арнлшн -
СТАНДЛрГН» ОТКЛОНЁН!»
Размах инцилнин
1. Рлэм-as щрШцНН (в^|К1[я I) • JTimj - Jfm[11 -
1- PJ pjpiiAitiiii (Bijitiis 2) - ■ .in,vpeB
- ■Уяоi гр^Д" 10% МО- - Xt - A'it
Индикаторы анализа теклетшй внутрирегиональной д1|ффсрени>1!Щ^й(
К-г,-
1, СТЛНЛрТНО? «хмнпин* =■ J5".1* *tj..
3, ХЛ|Р| срадн ¡0% МО - лкд«роя(Х<) 4_ i^tlKitH 10% МО - ayrrjfl д* роя ) 5, /-р eOfetri.liiMKOftiHftiiiKHicXj Пе Хи >
гдцХ, лм.гп'ннт с^р^мгккятной кОМШДЛЫЮЙ шчнсмснкой ,i;MkK)tisoN m.iTbj работников крупнык.средшгя предпрнктнй и кеконнгрчмгкнх орглннзлциП fOpMrtiOtt oxpyta } нутгЦНпллЬкого руй.;
A'(fl * ¿pfjw« шячтннг npuoiitu вквсркн:
- MakiHmHH« UHtHK ЮКЧК» ви^орыс
О
05
•3
к 'S-
к -к к а -к к к
So g1
К
С!
§
»
о g'
а
к а
о ^
о
а
S1
■чптилнт ¡нлчсннс менцлк iu№fmi: МО - чутшшштис oCjvwmhik.
Рис. 1. Методика оценки уровня внутрирегиональной дифференциации (разработано автором) Fig. 1. Methodology for assessing the level of intra-regional differentiation (developed by the author)
Результаты исследования
За исследуемый период группа лидеров практически не меняется. Сюда вошли Пластовский муниципальный район, г. Магнитогорск, г. Челябинск, Сосновский муниципальный район. В последний дециль, в группу аутсайдеров, попали Кусинский, Троицкий, Уйский районы.
Магнитогорск и Челябинск являются крупнейшими индустриальными центрами области, а потому влияние крупных предприятий нового демидовского тренда этих городов на уровень заработных плат нельзя не учитывать [15].
Дифференциация внутри лидеров за весь рассматриваемый период несколько выше, чем внутри аутсайдеров. В 2019 и 2020 гг. средняя заработная плата в Пластовском муниципальном районе составила 122,27 тыс. руб. и 113,62 тыс.руб. соответственно, что резко увеличило разрыв внутри МО-лидеров.
С одной стороны, перечень МО-лидеров, как и перечень МО-аутсайдеров почти статичен. С другой стороны, если говорить о динамике заработных плат, то МО-аутсайдеры демонстрируют более высокий долгосрочный рост (рис. 2).
Рис. 2. Соотношение значений заработной платы 2020 г. к 2008 г. Источник: рассчитано автором по данным FIRA PRO
Fig. 2. The ratio of wages in 2020 to 2008 Source: Calculated by the author using FIRA PRO data
На рисунке 3 приведена динамика средних значений заработной платы по всей выборке и по срединной выборке. Совпадение линий вплоть до 2018 г. означает, что выборка по всей генеральной совокупности и выборка, исключающая крайние децильные группы, одинаково однородны. В 2019 и 2020 гг. статистическим «вы-
бросом» становятся значения заработных плат Пластовского района, которые в эти годы существенно выше не то, что среднего значения по всей генеральной совокупности, но даже среднего значения группы-лидеров.
Для понимания размаха крайних децильных групп обратимся к рисункам 4 и 5.
9 ООО -----------—---,-------,-,
200S 2009 2010 2011 2012 2013 2014 2015 2016 2017 201S 2019 2020
Годы
-•-Хер —■—Хер №'*
Рис. 3. Динамика средних значений заработной платы муниципалитетов Челябинской области по всей выборке и по срединной выборке
Источник: рассчитано автором по данным FIRA PRO Fig. 3. Dynamics of the average salaries of the municipalities of the Chelyabinsk region for the entire sample and for the median sample
Source: Calculated by the author using FIRA PRO data
50 000
I I I I I I I I I I I I
200S 2009 2010 2011 2012 2013 2014 2015 201(5 2017 20IS 2019 2020
Годы
—•—4м н«п> в рейтинге * 36м место в рейтинге
Рис.4. Динамика минимального значения среди 10 % МО-лидеров (4-е место в рейтинге) и максимального значения среди 10 % МО-аутсайдеров (36-е место в рейтинге) заработного платы Источник: рассчитано автором по данным FIRA PRO Fig.4. Dynamics of the minimum value among 10% ofMO-leaders (4th place in the ranking) and the maximum value a
mong 10% of MO-outsiders (36th place in the ranking) of wages Source: Calculated by the author using FIRA PRO data
00 о
1^0 ООО
1WOOD
SO ООО
£ 60 000 Psi
S7 399
14 252
2003
2009 2010
2011
2012 20В
20П Годы
2015
2016
2017 201S
2019
2020
-РВ1
-РВ2
Стаддартяое aïKiOMiune
Рис. 5. Динамика размаха вариации и стандартного отклонения заработной платы муниципалитетов Челябинской области
Источник: рассчитано автором по данным FIRA PRO Fig. 5. Dynamics of the range of variation and standard deviation of wages of the municipalities of the Chelyabinsk region
Source: Calculated by the author using FIRA PRO data
6,00 5.00 4.00 3,00 :,oo 1.00
tys---------
HrW-
-wa-
-« 1.99 » -îfib-
■ 1,53
-hi
■КД1 -КД2
to
3.
cs рз Ьэ
0.00
200S
2009
2010
2011
2012
2013
3014 Годы
2015
2016
2017
201S
2019
2020
Рис. 6. Динамика коэффициентов дифференциации заработной платы муниципалитетов Челябинской области
Источник: рассчитано автором по данным FIRA PRO Fig. 6. Dynamics of wage differentiation coefficients of the municipalities of the Chelyabinsk region Source: Calculated by the author using FIRA PRO data
П
На рисунке 4 видно, что расстояние между двумя графиками постепенно возрастает, что говорит о росте размаха вариации (РВ2). Динамика РВ2 показана на рисунке 5. Иными словами, дифференциация заработных плат с учетом дециль-ного подхода (исключения лидеров и аутсайдеров из анализа) в абсолютном выражении возрастает. Но если бы темпы роста заработных плат МО-лидеров и МО-аутсайдеров за рассматриваемые 13 лет были бы одинаковыми, то значение размаха вариации РВ2 росло бы куда более существенно. По факту значение Х36 возросло за период 2008-2020 гг. в 3,59 раза, в то время как значение Х4 возросло лишь в 2,85 раза. Об этом и свидетельствует рисунок 2. Фактически такие тенденции свидетельствуют об относительном ослаблении дифференциации, несмотря на ее рост в абсолютном выражении.
Учитывая, что стандартное отклонение в определенном смысле нивелирует статистические «выбросы», его динамика не имеет явных всплесков (рис. 5).
Если обратиться к коэффициентам дифференциации, то до 2018 г. тренды как КД^ так и КД2 имеют нисходящий характер. Этим и можно доказать фактическое ослабление дифференциации. В долгосрочной перспективе глубина дифференциации сокращается на 20 % (значение КД2 в 2020 г. составило 1,5 раза против 1,89 раза в 2008 году). КД1, напротив, возрос — причем на солидную величину — почти на 69 %. Однако такой рост опять же объясняется большими значениями заработных плат Пластовского района в 2019 и 2020 гг. Если сопоставлять 2018 и 2008 гг. по значению КД1, то и здесь налицо сокращение глубины дифференциации (значение КД1 в 2018 г. составило 1,9 раза против 2,57 раза в 2008 г.).
Коэффициент осциляции представляет собой отношение размаха вариации к среднему значению по выборке. Коэффициент осциляции КО1 рассчитан автором как отношение размаха вариации по всей генеральной совокупности к среднему арифметическому всей выборки. Коэффициент осциляции КО2 рассчитан в соответствии с децильным подходом, это соотношение размаха вариации между «худшим» лидером (Х4) и «лучшим» аутсайдером (Х36) к среднему значению этой же выборки — выборки, не учитывающей по три крайних значения генеральной совокупности.
Из рисунка 7 мы видим нисходящий тренд за период с 2010 по 2018 гг. — как для КО1, так и для КО2. Это говорит о том, что дифференциация, оцененная в абсолютном выражении (числи-
тель: размах вариации), нарастает меньшим темпом, нежели растет средняя величина заработных плат (знаменатель). За рассматриваемый период (2008-2020 гг.) среднее значение заработной платы по всей выборке выросло в 3,3 раза, по выборке за вычетом крайних децильных групп (80 % срединной выборки) — в 3,17 раза. При этом размах вариации по генеральной совокупности вырос в 7,47 раза, по срединной выборке — в 2,03 раза. Если опять же исключить из генеральной выборки влияние значений Пластовского муниципального района, то налицо стабильно нисходящий тренд коэффициентов осциляции — как КО1, так и КО2.
Динамика значений коэффициента вариации приведено на рисунке 8. Коэффициент вариации представляет собой отношение стандартного отклонения к среднему значению выборки. Стандартное отклонение, в свою очередь, равно сумме отклонений в абсолютном выражении значений выборки от среднего значения. С 2010 по 2018 гг. тренд является опять же нисходящим. На рисунке 7 приведена динамика коэффициента вариации, рассчитанного по всей выборке — без учета децильного подхода. Поэтому в 2019 и 2020 гг. мы наблюдаем существенный рост коэффициента (из-за статистических «выбросов» МО-лидера). Если же показать динамику КВ, рассчитанного по версии децильного подхода, то тренд, начиная с 2010 г. станет стабильно снижающимся. Коэффициент вариации (назовем его КВ2) в этом случае будет падать с 0,17 в 2010 г. до 0,11 в 2020 г. Это говорит о том, что сумма отклонений значений заработной платы каждого муниципального образования от среднего значения растет медленнее, нежели растет среднее значение заработной платы. В этом смысле коэффициент вариации, пожалуй, один из самых объективных.
Заключение
Проведя оценку внутрирегиональной дифференциации Челябинской области по показателю «среднемесячная номинальная начисленная заработная плата работников крупных, средних предприятий и некоммерческих организаций городского округа / муниципального района», можно сделать следующие выводы. Во-первых, в целом за последние 14 лет сформировался однозначный тренд — нисходящий. Все рассчитанные коэффициенты — относительные индикаторы: коэффициенты дифференциации, осциляции и вариации — свидетельствуют об ослаблении дифференциации. Если оценивать глубину дифференциации согласно децильному подходу, то здесь
ГЛДЬ!
Рис. 7. Динамика коэффициентов осциляции заработной платы муниципалитетов Челябинской области
Источник: рассчитано автором по данным FIRA PRO Fig. 7. Dynamics of wage oscillation coefficients of the municipalities of the Chelyabinsk region Source: Calculated by the author using FIRA PRO data
-1-E-1-1-1-1-1-1-1-1-1-1-
200Ê 2009 2010 2011 2012 20П 2014 2015 2016 2017 201S 2019 2020
Годы
Рис. 8. Динамика коэффициента вариации заработной платы муниципалитетов Челябинской области
Источник: рассчитано автором по данным FIRA PRO & Fig. 8. Dynamics of the wage variation coefficient of the municipalities of the Chelyabinsk region
^ Source: Calculated by the author using FIRA PRO data
все три коэффициента (КД2, КО2, КВ2) имеют однозначно снижающиеся значения. В течение периода 2008-2020 гг. нет даже циклов. Если же придерживаться полной выборки, то до 2010 г. дифференциация нарастает, а далее до 2018 г. падает.
Во-вторых, дифференциация муниципальных образований — лидеров выше дифференциации муниципальных образований-аутсайдеров. Соотношение заработной платы «лучшего» аутсайдера к аналогичному значению «худшего» аутсайдера за весь исследуемый период в среднем составляет 1,087. Иными словами, заработная плата в муниципальном образовании — «лучшем» аутсайдере (четвертое место с конца рейтинга) на 8,7 % выше заработной платы, характерной для муниципалитета-аутсайдера (последнее место в рейтинге). Но уровень дифференциации среди аутсайдеров не стабилен и не имеет ярко выраженного тренда. Минимальное соотношение наблюдалось в 2011 году и составило 4,25 %, максимальное — в 2019 году (12,82 %).
Среднее же значение аналогичных соотношений среди муниципалитетов-лидеров за тот же период составило 1,5 раза. Это значение обусловлено большой дифференциацией в 2019 г.
(3,09 раза) и 2020 г. (2,66 раза). Если же исключить эти два года из выборки, среднее значение соотношений заработной платы МО-«лучшего» лидера (первое место в рейтинге) и МО-«худшего» лидера (четвертое место в рейтинге) составит 1,26 раза, что тем не менее, выше сложившихся различий между аутсайдерами. Если в отношении дифференциации среди аутсайдеров явных циклов нет — то в отношении лидеров можно проследить некую цикличность: до 2010 г. соотношение нарастает, далее до 2018 г. стабильно снижается.
В статье автор провел исследование, посвященное оценке дифференциации муниципальных образований по уровню заработной платы. Важно понимать, что автор не ставит знака равенства между дифференциацией территорий в широком смысле и дифференциацией территорий по уровню заработной платы. Заработная плата, являясь отражением оценки труда, выступает лишь одним из показателей получаемых доходов. А посему, чтобы заявлять о сокращающихся различиях между территориями Челябинской области, безусловно, следует оценить различия и по иным показателям (располагаемых доходов, объемов потребления, возможностями сбережений и заимствований).
Список источников
1. Бобков В. Н., Одинцова Е. В., Бобков Н. В. Актуальность разработки национальной программы повышения доходов, снижения бедности и неравенства // Уровень жизни населения регионов России. 2020. Т. 16, № 2. С. 9-24.
2. Окрепилов В. В., Кузнецов С. В., Межевич Н. М., Свириденко М. В. Процессы урбанизации в контексте закономерностей пространственного развития муниципальных образований, находящихся в зоне влияния крупных мегаполисов // Экономические и социальные перемены: факты, тенденции, прогноз. 2019. Т. 12, № 4. С. 42-52. DOI: 10.15838Л^с.2019.4.64.3.
3. Троцковский А. Я., Мищенко И. В., Мищенко О. А. Пространственное развитие сельской периферии: методология и основные результаты исследования // Региональная экономика: теория и практика. 2014. № 45 (372). С. 2-16.
4. Троцковский А. Я. Пространственные исследования в работах российских регионалистов: нарративный обзор // Экономика. Профессия. Бизнес. 2021. № 3. С. 125-132.
5. Губанова Е. С., Клещ В. С. Методологические аспекты анализа уровня неравномерности социально-экономического развития регионов // Экономические и социальные перемены: факты, тенденции, прогноз. 2017. Т. 10, № 1. С. 58-75.
6. Мигранова Л. А. Заработная плата в России и в мире: сравнительный анализ // Народонаселение. 2018. Т. 21, № 3. С. 52-67.
7. Петрина О. А., Стадолин М. Е. К вопросу об устойчивом развитии сельских территорий // Муниципальная академия. 2021. № 3. С. 164-172.
8. Бондаренко Л. В. Развитие сельских территорий России: оценки, мнения, ожидания // Социологические исследования. 2016. № 3 (383). С. 76-82.
9. Капелюшников Р. И. Неравенство: как не примитивизировать проблему // Вопросы экономики. 2017. № 4. С. 117-139.
10. Бенц Д. С. Долгосрочные тренды межрегиональной дифференциации // Вестник ЧелГУ. 2022. № 4 (462). С. 56-72.
11. Климова Н. И. Оценка процессов сбережения населения в контексте стадиальной идентификации муниципальных образований // Азимут научных исследований: экономика и управление. 2017. Т. 6, № 3 (20). С. 173-177.
12. Дворядкина Е. Б., Белоусова Е. А. Тенденции развития муниципальных районов в национальном экономическом пространстве // Экономические и социальные перемены: факты, тенденции, прогноз. 2020. Т. 13, № 1. С. 87-105. DOI: 10.15838/esc.2020.1.67.5.
13. Нефедова Т. Г., Трейвиш А. И. Среднеуральский меридиан: поляризация пространства старопромышленных регионов // Известия Русского географического общества. 2020. Т. 152, № 5. С. 3-25. DOI: 10.31857/S0869607120050055
14. Кадышев Е. Н., Петрова И. В., Ращепкина Н. А., Федяева Д. С. О полицентричности пространственной и территориальной структуры региона // Региональная экономика: теория и практика. 2015. № 8 (383). С. 15-26.
15. Гордеев С. С. Точки роста и новый тренд индустриального развития Урала // Социум и власть. 2017. № 5 (67). C. 74-82.
References
1. Bobkov VN, Odintsova EV, Bobkov NV. The relevance of developing a national program to increase incomes, reduce poverty and inequality. Uroven' zhizni naseleniya regionov Rossii = Living standards of the population of regions of Russia. 2020;16(2):9-24. (In Russ).
2. Okrepilov VV, Kuznetsov SV, Mezhevich NM, Sviridenko MV. Urbanization processes in the context of spatial development patterns of municipalities in the zone of influence of megacities. Ekonomicheskiye i sotsial'nyye peremeny: fakty, tendentsii, prognoz = Economic and Social Changes: Facts, Trends, Forecast. 2019;12(4):42-52. DOI: 10.15838/esc.2019.4.64.3. (In Russ).
3. Trotskovskii AY, Mishchenko IV, Mishchenko OA. Spatial development of rural periphery: methodology and main research results. Regional'naya ekonomika: teoriya i praktika = Regional Economics: theory and practice. 2014;(45(372):2-16. (In Russ).
4. Trotskovsky AY. Spatial research in the works of Russian regionalists: a narrative review. Ekonomika. Professiya. Biznes = Economics. Profession. Business. 2021;(3):125-132. (In Russ).
5. Gubanova ES, Kleshch VS. Methodological aspects of the analysis of the level of uneven socio-economic development of regions. Ekonomicheskiye i sotsial'nyye peremeny: fakty, tendentsii, prognoz = Economic and social changes: facts, trends, forecast. 2017;10(1):58-75. (In Russ).
6. Migranova LA. Wages in Russia and in the world: a comparative analysis. Narodonaseleniye = Population. 2018;21(3):52-67. (In Russ).
7. Petrina OA, Stadolin ME. On the issue of sustainable development of rural areas. Munitsipal 'naya aka-demiya = Municipal Academy. 2021;(3):164-172. (In Russ).
8. Bondarenko LV. Development of rural areas in Russia: assessments, opinions, expectations. Sotsio-logicheskiye issledovaniya = Sociological research. 2016;(3(383):76-82. (In Russ.).
9. Kapelyushnikov RI. Inequality: how not to primitivize the problem. Voprosy ekonomiki = Questions of Economics. 2017;(4): 117-139. (In Russ.).
10. Benz DS. Long-Term Trends of Interregional Differentiation. Vestnik Chelyabinskogo gosudarstven-nogo universiteta. Ekonomicheskiye nauki = Bulletin of Chelyabinsk State University. 2022;(4(462):56-71. (In Russ.).
11. Klimova NI. Estimation of processes of saving population in the context of stadial identification of municipalities. Azimut nauchnykh issledovaniy: ekonomika i upravleniye = Azimuth of Scientific Research: Economics and Administration. 2017;6(3(20):173-177. (In Russ).
12. Dvoryadkina EB, Belousova EA. Trends of the Development of Municipal Regions in the National Economic Space. Ekonomicheskiye i sotsial'nyye peremeny: fakty, tendentsii, prognoz = Economic and Social Changes: Facts, Trends, Forecast. 2020;13(1):87-105. DOI: 10.15838/esc.2020.1.67.5. (In Russ).
13. Nefedova TG, Treivish AI. Middle Urals Meridian: Space Polarization in the Old Industrial Region. Iz-vestiya Russkogo geograficheskogo obshchestva = News of the Russian Geographical Society. 2020;152(5):3-25. DOI: 10.31857/S0869607120050055. (In Russ).
14. Kadyshev EN, Petrova IV, Rashchepkina NA, Fedyaeva DS. On the polycentricity of the spatial and territorial structure of the region. Regional 'naya ekonomika: teoriya i praktika = Regional Economics: theory and Practice. 2015;(8(383):15-26. (In Russ.).
15. Gordeev SS. Growth points and new trend of industrial development of Ural. Socium i vlast = Society and Power. 2017;(5(67):74-82. (In Russ.).
Информация об авторе
Д. С. Бенц — кандидат экономических наук, доцент, профессор кафедры экономики отраслей и рынков.
Information about the author
D. S. Benz — Candidate of Economic Sciences, Associate Professor, Professor of the Department of Industry and Market Economics.
Статья поступила в редакцию 15.04.2022; одобрена после рецензирования 15.06.2022; принята к публикации 15.06.2022.
Автор заявляет об отсутствии конфликта интересов.
The article was submitted 15.04.2022; approved after reviewing 15.06.2022; accepted for publication 15.06.2022.
The author declares no conflicts of interests.
