CC BY
53
Псковский регионологический журнал №2 (42)/2020 Том - 2020
Псковский регионологический журнал 2013-2020
ISSN 2079-8784 URL - http://ras.jes.su Все права защищены
Псковский регионологический журнал №2 (42)/2020 Том . 2020
Построение индекса инклюзивного развития регионов
Заводских А. А.
НИУ «Высшая школа экономики» Российская Федерация, Москва
Аннотация
В настоящее время существует множество различных рейтингов регионов, однако многие из них строятся на отдельных показателях, что не позволяет говорить об анализе устойчивости развития. Цель работы — анализ моделей экономического развития регионов и их качества, последующая модификация и составление авторской модели. В ходе исследования использовались следующие методы: анализ и синтез при рассмотрении вопросов, связанных с теоретическими основами определения региона; математико-статистическое моделирование для расчётов региональной освоенности; кластерный и факторный анализ при модификации моделей экономического развития регионов; группировка, метод экспертных оценок и моделирование экономических явлений в процессе разработки авторского индекса инклюзивного развития; а также обобщение — при формулировании выводов и результатов исследования. Рассмотрены модели региональной освоенности Б. И. Смагина и В. И. Тихого. Показано, что данные модели не приложимы к исходным данным или же не имеют внутренней логики. Тем не менее, рассмотренные модели могут быть улучшены. С целью усовершенствования полученных оценок регионального развития были использованы разработки Всемирного экономического форума в Давосе. На их концептуальной базе был разработан авторский индекс инклюзивного развития регионов. Помимо индикаторов сугубо экономической природы, индекс содержит также информацию о демографическом, экологическом развитии и другие переменные.
Ключевые слова: индекс инклюзивного развития, экономическое положение региона, региональная дифференциация, региональное развитие
Ссылка для цитирования:
Заводских А. А. Построение индекса инклюзивного развития регионов // Псковский регионологический журнал 2020. Псковский регионологический журнал №2 (42)/2020 C. 19-41 [Электронный ресурс]. Доступ для зарегистрированных пользователей. URL: http://ras.jes.su/region/s221979310008578-8-1 (дата обращения: 15.06.2020).
1 Введение. В настоящее время в условиях экономических реформ происходит непрерывная трансформация экономических цепочек. Одним из ключевых вопросов, стоящих перед экономическим анализом, является выявление качества хозяйственной деятельности самого хозяйствующего субъекта, наиболее комплексная его оценка. Особенно это важно для регионального анализа. Различные авторы разрабатывают те или иные методики оценки экономической ситуации в регионе. Однако часто в моделях показатели дублируются, а сами модели не проверяются по статистическим критериям качества. Неадекватно составленная модель будет не только давать систематически смещённые оценки, но и, что куда более тяжело для устойчивого развития, будет посылать неверные сигналы для региональной политики. Необходимость проверки моделей и, в случае необходимости, построения собственной модели формирует актуальность темы в связи с непосредственной связью правильно подобранной модели и обеспечением устойчивого развития в регионах.
2 Целью исследования является анализ моделей экономического развития регионов и их качества, последующая модификация и составление авторской модели. В настоящее время существует достаточно большое множество рейтингов, рэнкингов и скорингов, по которым предполагается выстраивание того или иного распределения регионов. Достаточно часто методы являются не совсем понятными или же тривиальными, особенно при углублённом анализе, а в наиболее крайних случаях — ещё и статистически неприложимыми.
3 Научная новизна методики исследования предопределяется использованием не только математико-статистическое моделирования для расчётов региональной освоенности, но и кластерного и факторного анализа при модификации моделей экономического развития регионов; метода экспертных оценок и моделирования экономических явлений в процессе разработки авторского индекса инклюзивного развития.
4 Степень изученности проблемы и методы исследования. Существует достаточно большое множество различных моделей регионального развития. В качестве основы исследования были взяты понятийные разработки Э. Б. Алаева [1; 11]. Далее были рассмотрены современные подходы к анализу экономического положения и развития [2; 4; 79; 13], проведена комплексная оценка моделей регионального анализа — модель региональной освоенности Б. И. Смагина [5] и модель социоэкономического положения регионов В. И. Тихого [12], а также была апробирована авторская версия индекса инклюзивного развития регионов.
5 Цикл стратегического планирования экономического развития региона можно представить в следующем виде: определение целей развития; анализ внешней среды развития региона; определение сильных и слабых сторон региона; использование имеющихся и создание новых местных преимуществ; разработка концепции развития; разработка плана конкретных действий и осуществление стратегии; анализ эффективности и результативности, корректировка целей и методов их достижения [6, с. 131].
6 Географический подход делает акцент на разные сферы и занимает одно из ведущих мест при изучении асимметрии в региональной науке [17, с. 351]. Термин «межрегиональная асимметрия» (или «асимметрия межрегионального развития») складывается из двух слов-компонентов, которые раскрывают характер одного из важнейших явлений, характерных для экономики региона. Под асимметрией понимается неравномерное развитие, приводящее к
тому, что значения по тому или иному индикатору теряют нормальное (гауссовское) распределение и должны быть описываемы другими законами распределения, что в значительной мере ухудшает анализ показателей освоенности региона и требует проведения более сложного анализа признаков с включением ряда дополнительных статистических инструментов [3, с. 46].
7 Аспект межрегиональности в данном случае подразумевает то, что при изучении индикаторов асимметрии показатели учитывают дифференциацию регионов внутри определённого экономического пространства [5] (к примеру, внутри одной страны), при этом каждый отдельный регион рассматривается как единое целое и сопоставляется по значениям индикаторов асимметрии с другими регионами. Существует также и внутрирегиональная асимметрия, в которой изучаются процессы неравномерности распределения уже внутри того или иного региона. Объективно явление асимметрии может рассматриваться и на более крупном, макроэкономическом уровне, когда анализируется асимметрия развития ряда стран в надгосударственном объединении (например, асимметрия стран внутри ЕС) или в пределах материка (асимметрия стран Африки). В самом крупном случае (мегаэкономика) идёт рассмотрение мира как единого целого, а аспект асимметрии изучается в разных аспектах (экономическом, институциональном, социальном и т. д.) [10, с. 182].
8 Статистический анализ базируется на исследованиях процессов межрегиональных диспропорций с помощью инструментария математики и прикладной статистики [16, с. 259]. Объективно являясь единственным методом, который может анализировать процессы не качественно, а количественно, он использует строгость математического аппарата для изучения особенностей асимметрии. С другой стороны, статистический метод при своей наглядности и универсальности требует наличия у исследователя определённых знаний из других областей, поскольку одним из важнейших критериев принятия той или иной статистической модели является не только её статистические критерии качества, но и здравый смысл. По этой причине необходимо как тщательно выбирать показатели, индикаторы и переменные для самой статистической модели, так и обрабатывать эти данные валидными и надёжными инструментами и процедурами, которые позволят выявить особенности развития регионов [18, с. 875]. Оперируя математическими правилами как теоремами, экономика разработала свои собственные математические приложения, которые позволили от качественного анализа показателей асимметрии перейти к количественному, измеримому анализу [14].
9 Не менее значительным в настоящее время является институциональный подход, получивший значительное развитие в своих прикладных аспектах с конца XX в. К аналитикам институциональных процессов можно отнести Дарона Аджемоглу и Джеймса Робинсона. Их книга «Why nations fail» объясняет процесс установления диспропорций в экономике причинами, связанными с преобладанием институтов того или иного типа (инклюзивного или экстрактивного) в экономике [15, с. 631].
10 Информационная база исследования. В работе рассмотрены простейшие статистические индикаторы и некоторые авторские модели. С целью обновления источниковой базы рассчитаны описанные авторами показатели на более свежих данных, взятых из статистических ежегодников. В качестве построения собственного индикатора инклюзивного развития регионов была взята концептуальная база, разработанная экспертами Всемирного экономического форума в Давосе.
11 Результаты исследования. 1. Секторальное изучение экономики регионов: модель региональной освоенности Б. И. Смагина. Поскольку говорится о регионе как о сложной комплексной системе, то нужно подобрать такой набор индикаторов, чтобы, с одной
стороны, максимально полно отобразить имеющиеся региональные подсистемы (элементы хозяйствования региона), а с другой — подобрать такой набор переменных, чтобы он отвечал как логическим закономерностям регионального развития, так и статистическим критериям качества.
12 В связи с этим при анализе региона как многокомпонентной единицы важно, чтобы имеющиеся модели имели относительно небольшое число переменных (оптимальным будет число от 3 до 15), достаточно просто интерпретируемых, сопоставимых и характеризующих различные элементы региональной системы, в частности, такие важнейшие сектора, как промышленность, строительство, торговля, оказание услуг и т. д.
13 В связи с этим нами для анализа была выбрана модель региональной освоенности Б. И. Смагина. Она охватывает семь интегральных показателей, каждый из которых базируется на определённом наборе переменных. Эти объединённые показатели характеризуют социально-экономическую, производственную, непроизводственную, промышленную, сельскохозяйственную и коммуникационную освоенность, а также социально-экономический (опорный) каркас региона. Модель и выполненный нами её краткий обзор описаны в статье [5].
14 Каждый из показателей включает в себя от двух до шести переменных. Первые шесть показателей достаточно просты в интерпретировании и построении. Седьмой же показатель представляет собой совокупность неоправданно усложнённых переменных (в частности, рассчитывается плотность только городского населения в регионе). Мы модифицировали этот показатель, взяв другую переменную: плотность расселения урбанизированных жителей по региону. Конечно, такая переменная содержит неявную предпосылку о равномерном распределении всех урбанизированных жителей по региону (что, безусловно, не соответствует истине), однако и изначальный признак не учитывал неоднородность распределения населения по территории.
15 В рамках данной модели берётся выборка по 83 регионам Российской Федерации. Значения признаков берутся по официальным данным Росстата, опубликованным в статистических сборниках «Регионы России»1. Представим состав интегральных оценок [5]:
1) социально-экономическая освоенность (индикатор W1): плотность населения, территориальная фондооснащённость, плотность железных дорог, плотность автомобильных дорог в регионе;
2) производственная освоенность (индикатор W2): плотность занятых в производственной сфере на единицу территории, фондооснащённость производственной сферы, а также плотность железных и транспортных дорог региона;
3) непроизводственная освоенность (индикатор W3): плотность занятых в непроизводственной сфере на единицу территории, фондооснащённость непроизводственной сферы, плотность железных и транспортных дорог в регионе;
4) промышленная освоенность (индикатор W4): плотность занятых в промышленности, фондооснащённость, плотность дорог в регионе;
5) сельскохозяйственная освоенность (индикатор W5): плотность занятых в аграрной сфере на единицу территории, а также фондооснащённость сельского хозяйства;
6) коммуникационная освоенность (индикатор W6): плотность занятых на единицу территории, фондооснащённость транспорта и связи, а также плотность дорог;
7) опорный (социально-экономический) каркас (индикатор W7): плотность городского населения, а также дорог в регионе.
16 Поскольку опорный каркас построить достаточно сложно, то мы заменим его урбанизационной освоенностью региона. Таким образом, речь идёт о модифицированной модели Б. И. Смагина.
17 Даже при беглом обзоре можно заметить, что показатели в ряде случаев пересекаются друг с другом и перекрываются. Так, промышленная и производственная освоенность с достаточно большой долей вероятности будут в очень тесной связи. А показатель плотности дорог в данной модели повторяется целых шесть (!) раз.
18 Поскольку имеющиеся переменные неоднородны, имеют различные единицы и порядки измерения, то необходимо провести процедуру стандартизации (г-преобразование переменных). Эта процедура приводит к таким значениям признаков, что их математическое ожидание равно нулю, а дисперсия — единице.
19 Для определения региона-эталона проводится векторное моделирование. Все показатели разбиваются на стимуляторы (чем выше значение признака, тем качественно более освоен регион) и дестимуляторы (чем выше значение признака, тем качество освоения региона ниже). В зависимости от порядка индикатора берутся максимальные или минимальные значения, по которым определяются два полярных региона: эталонный и антиэталонный. Семь показателей будут координатами семимерного вектора, представляющего отдельный регион.
20 Таким образом, любой из полученных векторов, представляющих регионы, будет лежать между антиэталонным и эталонным значением. Отдельно отметим, что чисто эталонного и/или антиэталонного региона может и не быть — он образуется только в том случае, если регион является лидером (аутсайдером) по абсолютно всем семи показателям.
21 Вычисляется расстояние между регионом-эталоном и регионом-антиэталоном. Аналогично для каждого региона находим расстояние его вектора региональной освоенности до региона-антиэталона. Чем оно больше, тем регион от него дальше и, соответственно, ближе к эталону. В качестве интегрального показателя можно брать значение величины, равной отношению расстояния вектора региона от антиэталона к расстоянию между экстремальными регионами. Таким образом, полученный показатель будет представлять собой долю освоенности данного региона от максимально освоенного.
22 Авторы модели провели её оценку на 2002 г. Обратимся ещё раз к этой модели, но уже по данным 2016 г. Представим корреляционную матрицу по индикаторам W1...W7 в форме таблицы.
23 Таблица Корреляционная матрица признаков региональной освоенности
W1 W2 W3 W4 W5 W6 W7
W1 1,00000 0,99115 0,99998 0,98516 0,85196 0,99953 0,99475
W2 0,99115 1,00000 0,99034 0,99918 0,86730 0,99476 0,99740
W3 0,99998 0,99034 1,00000 0,98412 0,85077 0,99933 0,99420
W4 0,98516 0,99918 0,98412 1,00000 0,86837 0,98995 0,99471
W5 0,85196 0,86730 0,85077 0,86837 1,00000 0,85652 0,88073
W6 0,99953 0,99476 0,99933 0,98995 0,85652 1,00000 0,99688
W7 0,99475 0,99740 0,99420 0,99471 0,88073 0,99688 1,00000
Источник: авторская разработка
24 По сравнению с ситуацией в 2014 г., интегральные показатели находились в ещё большей созависимости. Коэффициент корреляции не опускался ниже 0,85, а в отдельных случаях достигал и величины, очень близкой к 1. Этот факт означает, что модель необходимо модифицировать, поскольку крайне сильно коррелирующие показатели являются малоинформативными. В связи с этим поставим вопрос сокращения размерности модели. Для этого применим процедуру факторного анализа.
25 Факторный анализ является одним из наиболее значимых инструментов обработки
многомерных статистических данных. Он позволяет сгруппировать коррелированные переменные в меньшее число некореллированных переменных — факторов, что позволяет выявить скрытые закономерности и объективно упростить как построение модели, так и её интерпретацию.
26 Исходные данные отвечают необходимым критериям качества. Так, мера Кайзера-Майера-Олкина равна 0,686, что свидетельствует об удовлетворительной адекватности исходных данных и о том, что факторный анализ к ним можно применить.
27 Второй упомянутый критерий — тест сферичности Бартлетта. Он проверяет многомерную нормальность имеющегося распределения и отличие множественного коэффициента корреляции от нуля. Поскольку значение теста меньше 0,05, то мы можем признать имеющиеся данные годными к факторному анализу. Соответственно, в дальнейшем применяем к имеющимся данным саму процедуру факторного анализа. Факторы будем выделять методом главных компонент.
28 Проведённый тест показал, что из имеющихся переменных можно извлечь одну главную компоненту, которая объясняет 96,4 % общей дисперсии совокупности. Таким образом, можно сделать вывод о том, что многомерность имеющейся модели является излишней. Наименьшую степень корреляции главный компонент имеет с сельскохозяйственной освоенностью регионов (Л=0,896), наибольшую (Л=0,999) — с уровнем урбанизациионной освоенности регионов (или же модифицированным показателем регионального социально-экономического каркаса).
29 Отсюда же можно сделать вывод, что использование относительных величин интенсивности в значительной степени изменяет окончательный формат интегральных показателей. Относительные величины интенсивности показывают степень распространённости первого признака (стоящего в числителе) в среде второго (стоящего в знаменателе). Одним из признаков сельскохозяйственной освоенности региона является число занятых в сельском хозяйстве на единицу территории. Так, в Москве количество занятых людей в сельском хозяйстве невелико, но небольшая территория (по отношению к другим субъектам) выводит Москву в лидеры по даже не типичному для неё сельскому хозяйству.
30 Ещё один вывод, который можно сделать по данной модели — несмотря на разнонаправленный характер регионального развития, плотность распространения признаков в регионах изменяется сонаправленно — так, регионы занимают практически одни и те же места в рейтингах разной освоенности. Это говорит об относительно общих тенденциях развития и определённом уровне устойчивости региональной структуры Российской Федерации. Проведение анализа имеющейся модели на нескольких временных периодах (2002 г. — авторами модели, 2014 и 2016 гг. — нами) свидетельствует также и о временной устойчивости тенденций региональной освоенности. Из них особенно выделяются усиление поляризации регионов при рассмотрении их региональной освоенности. Так, в 2016 г. по ряду показателей, особенно по автомобильным и железным дорогам, расстояние между эталонным и антиэталонным региоиами увеличилось, что напрямую свидетельствует об усилении асимметрии регионального развития.
31 Обобщим рассмотренную информацию, представив плюсы и минусы изучаемой модели.
32 С одной стороны, данная модель позволяет рассмотреть многообразие проистекающих в регионе процессов, вычленить особенности развития, характерные для той или иной отрасли (сельского хозяйства, промышленности, непроизводственного сектора) и плотность их распространения. Модель имеет адекватный математический аппарат для
сведения разнородных значений в единый интегрированный показатель, а также позволяет увидеть, в каких видах освоенности регион наиболее успешен.
33 С другой стороны, многомерность данной модели искусственна и неоправданна. Использование коррелирующих показателей ухудшает критерии качества моделей и не позволяет проводить адекватный регрессионный анализ переменных. Проведение оценки на усечённом ряде данных (без Москвы) дало аналогичную картину, что свидетельствует о том, что модель не удовлетворяет критериям качества не в силу наличия сильной поляризации, а по причине некачественного подбора переменных. Проведённая процедура факторного анализа показала, что все имеющиеся семь переменных адекватно группируются в один общий фактор региональной освоенности, который имеет достаточно высокую корреляцию со всеми первоначальными семью показателями. Поскольку наибольшую корреляцию главный фактор показал с показателем урбанизационной освоенности региона, то именно он может быть выбран для дальнейшего анализа при построении оригинальных моделей региональной освоенности.
34 2. Социальные аспекты регионального экономического развития: модель В. И. Тихого. При информативности моделей однозначной проблемой стало их статистическое качество — в каждой из них предложенная авторами многомерность была явно излишней, показатели между собой сильно коррелировали, а процедура факторного анализа свела трёх- и даже семимерную модель к одномерной без значительной потери дисперсии. Это свидетельствует как о низкой информативной силе моделей, так и о проблемах с дальнейшим анализом, проводимым на них, и построенных рейтингах. Так, результаты, показанные моделью компании «ФБК», по своей сути мало чем отличались от ранжирования регионов по зарплате, а для получения результатов, данных моделью Б. И. Смагина, можно обратиться к такому показателю, как уровень урбанизации.
35 Существует ещё один важный нюанс: эти модели не показывают уровень социального развития региона. Без этого аспекта анализ и рейтинги будут явно неполными. Поэтому необходимо провести дальнейшее расширение системы изучаемых показателей и ввести переменные с дополнительными характеристиками в рассматриваемые модели. В то же время модель должна включать в себя информацию, которую мы рассмотрели ранее, а именно — освоенность регионов и финансовые результаты деятельности.
36 Разносторонний и комплексный подход к оценке региона является важным при поиске возможностей устойчивого развития. Достижение устойчивого развития означает стабильное социальное, экономическое и экологическое развитие территории.
37 Одними из важнейших аспектов устойчивого развития территории являются уровень жизни населения и региональной освоенности. Как показала рассмотренная выше модель Б. И. Смагина, они могут быть измерены одним фактором — уровнем урбанизации. Поэтому в качестве первого критерия будет взято число городского населения в регионе. В динамике этот показатель отвечает за демографический и структурно-хозяйственный компонент в рамках рассматриваемой модели.
38 Для изучения социальной сферы выбран такой показатель, как численность больничных коек на 10000 чел. Он является в значительной степени репрезентативным и служит в модели одним из показателей статистики здравоохранения. Также этот признак важен для статистики труда. С помощью этого относительного показателя также можно сделать выводы о необходимости перспективного расширения больниц. Особенно интересно то, что по всем федеральным округам динамика показателя была отрицательна. Это мало связано с процессом расширения населения, поскольку процесс касается даже столичных городов.
39 Преодоление проблем социального характера зависит от качества жизни населения. Его можно определить результативным финансовым показателем — например, валовым региональным продуктом на душу населения, средней заработной платой или среднедушевыми доходами домохозяйств. Именно показатель среднедушевого дохода мы отберём для дальнейшего рассмотрения. Помимо зарплатных доходов (показателя, к расчёту которого у статистиков имеются вопросы), этот индикатор также учитывает предпринимательскую деятельность или частную практику, являясь более полным.
40 От состояния социальной сферы в весомой степени зависимы демографические процессы. Поэтому выделим ещё один индикатор, связанный с уровнем воспроизводства рабочей силы, — численность детей в дошкольных организациях. Он не только служит базой для прогноза будущей рабочей силы, но и отображает особенности нынешней рабочей силы: так, родители отправляют детей в дошкольные учреждения преимущественно если работают сами; в случае если их доход позволяет этого не делать, то детей воспитывает либо один из родителей, либо дополнительный персонал, что создаёт рабочие места. В отличие от этого, школу обязаны посещать все дети. Так что можно утверждать, что выбранный показатель более информативен. Следуя логике исследования, возьмём относительный показатель — обеспеченность детей местами в дошкольных учреждениях (количество мест на 1000 детей).
41 Продолжая анализ, необходимо отметить значимость такого показателя, как численность предприятий и организаций в регионе. Различные фирмы, во-первых, выполняют свою основную цель, удовлетворяя общественные потребности в том или ином виде услуг, во-вторых, они формируют большинство доходов населения региона (как показано выше, в регионах России доходы формируются преимущественно из зарплат). Отдельно следует упомянуть роль малого бизнеса и необходимость его стимулирования. Таким образом, рассматриваемый индикатор характеризует аспект производственных отношений, складывающихся в регионах.
42 Завершая выбор признаков для модели, вернёмся к производственной сфере. Характеризовать степень региональной хозяйственной деятельности может показатель объёма продукции. Поскольку регионы имеют разные отрасли специализации, то объём продукции взят в денежном выражении. Этот показатель характеризует уровень развития сельского хозяйства, промышленности и третичного сектора региона. Для избежания проблемы двойного счёта в качестве основного выбран показатель валового регионального продукта.
43 Мы описали рассуждения, которые провели В. И. Тихий и И. Н. Сидорова при построении модели территориального социально-экономического развития. Изначально модель строилась авторами для оценки сельских территорий, поэтому в данной работе мы её несколько модифицировали с учётом данных, полученных при анализе моделей Б. И. Смагина и компании «ФБК». Обобщая вышесказанное, представим шесть переменных, которые являются исходными для многомерной региональной классификации:
1) Х1 — численность городского населения;
2) Х2 — численность коек в медицинских организациях на 10000 чел.;
3) Х3 — обеспеченность детей местами в дошкольных образовательных организациях на 1000 детей;
4) Х4 — среднедушевые денежные доходы домохозяйств;
5) Х5 — валовой региональный продукт;
6) Х6 — численность предприятий и организаций в регионе.
44 Статистические данные по данным показателям взяты из сборника «Регионы России»; в процессе анализа данные были унифицированы. Важнейшим критерием выбора индикатора являлось отношение к обеспечению наилучших условий жизнедеятельности общества и создания базы для устойчивого развития региона.
Рис. 1. Диаграмма переменных в координатах главных компонентов (составлено автором)
46 Из графика видно, что метки переменных X! X5 и X6 располагаются в положительной плоскости первого главного компонента, а метки переменных Х2, Х3 и Х4 — в положительной плоскости второго главного компонента. Это означает, что первый главный компонент на своём положительном полюсе нагружен такими переменными, как число городского населения, валовой региональный продукт и число организаций. Второй главный компонент, в свою очередь, нагружен на положительном полюсе переменными, характеризующими число коек, обеспеченность детей дошкольного возраста образовательными учреждениями и среднедушевые доходы домохозяйств.
47 Можно сказать, что первый компонент оценивает преимущественно хозяйственный потенциал региональной освоенности (городское население как центр системы региональных трудовых отношений, валовой региональный продукт и число организаций), а второй — социальный аспект (обеспеченность населения медицинскими и образовательными услугами). Отдельно хочется отметить роль индикатора среднедушевых доходов — в определённой мере он является переходным, так как вносит вклад в оба компонента, однако он коррелирует в большей степени с «социальным» фактором (Л=0,689), чем с «экономическим» (Л=0,433). Соответственно, по оси второго главного компонента он будет лежать близко к окружности радиусом 0,707 (0,7072=0,5; критерий сильной корреляции), по оси первого главного компонента он будет находиться внутри круга, что демонстрирует значительно более слабую корреляцию. Любопытно, что показатель среднедушевых доходов оказался несколько ближе к «социальному» компоненту, чем к «экономическому». Интересно также, что «экономические» и «социальные» факторы не имеют значимой корреляции, даже имеется определённая отрицательная тенденция. Так, например, Чукотский автономный округ, занимавший последние места в экономических моделях региональной освоенности, показал крайне высокие значения по социальным критериям в рамках избранной модели. Так, это
единственный регион в стране, для которого наблюдалось превышение мест в детских садах над числом детей. Отдельно отметим, что вращение матрицы главных компонентов по методу «варимакс», призванное увеличить контрастность, значительного влияния на конечное распределение факторных нагрузок не оказало. Поэтому принимаем исходную матрицу без вращения.
48 На основании полученных данных попробуем провести типологизацию регионов. Для этого применим процедуру кластерного анализа. Он позволяет выделить группы регионов по объективным критериям, действующим вне зависимости от субъективного мнения исследователя. В рамках осуществления процедуры кластерного анализа сначала мы выполним иерархический кластерный анализ, с помощью которого выделим оптимальное число кластеров. В дальнейшем, для подтверждения гипотезы иерархического кластерного анализа выполним типологизацию регионов итерационным кластерным анализом по методу ^ средних по схеме Уорда на квадратах евклидовых расстояний, что призвано повысить контрастность выделения кластеров. Отношение совпадений и несовпадений позволит изучить устойчивость решения для многомерной типологизации регионов.
49 В качестве подготовительного этапа построим диаграмму рассеяния регионов в координатах главных компонентов. Представим её на рис. 2.
50
й.ООООО-
+ .□0000-
N
и 2,00000' Г
о
с 5 а
,00000"
.2,00000"
-+.0ОМО-
-
о
о с о о О % % о * о
сР о о гъ о
о 1 1 1 Г 1
о.аоооо
,00000
2,00000 4,00000
компонент 1
е.аоооо
8 00000
Рис. 2. Диаграмма рассеяния регионов в координатах главных компонентов (составлено автором)
51 Мы видим, что основное большинство региональных меток концентрируется чуть
левее начала координат, при этом метки распределены по второму («социальному») компоненту несколько более равномерно, чем по первому («экономическому») компоненту. Интересно, что регион с максимальным «экономическим» компонентом (Москва), являющийся статистическим выбросом, по «социальной» компоненте не показал выдающихся
результатов. Более сильная вариация признаков по социальному фактору подтверждается и математически. По социальному аспекту регионами-лидерами являются такие субъекты федерации, как Чукотский автономный округ и Магаданская область, а регионами-аутсайдерами — республики Северного Кавказа (Ингушетия, Чеченская республика, Дагестан).
52 Для осуществления типологизации регионов проведём процедуру кластерного анализа иерархическим методом на главных факторах F1, F2. В качестве метода выберем схему Уорда на квадратах евклидовых расстояний между кластерами, что повышает контрастность кластерной структуры.
53 Трёхкластерное решение выделяет первым кластером Москву. Во втором кластере содержатся следующие субъекты федерации: Камчатский край, Сахалинская область, Ненецкий АО, Магаданская область, республика Коми, Мурманская область, Еврейская АО, Ямало-Ненецкий АО, Чукотский АО (9 субъектов). Третий кластер содержит все остальные субъекты федерации. Второй кластер может быть адекватно интерпретирован как совокупность регионов с наибольшим значением второго главного компонента («социального»).
54 При переходе к четырёхкластерному решению из самого крупного кластера выделяются всего три региона — республики Дагестан, Ингушетия и Чеченская. Выделение также прошло по второму компоненту (социальному), но уже выделены регионы, формирующие его отрицательный полюс. Однако выделение всего трёх регионов (из 83) при дальнейшей кластеризации свидетельствует о неустойчивости четырёхкластерного решения и адекватности трёхкластерного.
55 С целью контроля рассмотрим также пятикластерное решение. Первые три кластера остаются неизменными, а из самого большого кластера выделяется группа из двенадцати субъектов: Московская область, С.-Петербург, Свердловская область, Ханты-Мансийский АО, Краснодарский край, Татарстан, Ростовская область, Башкортостан, Самарская область, Челябинская область, Красноярский край, Новосибирская область. Этот кластер тоже достаточно ясно интерпретируем, поскольку включает в себя регионы с наибольшим значением «экономического» компонента с определёнными исключениями. Так, ЯНАО не входит в этот кластер в силу своего высокого значения «социальной» компоненты; также в этот кластер не попала Нижегородская область, имеющая большее значение «экономического» фактора, чем Новосибирская область и Красноярский край, попавший в этот кластер.
56 При переходе к шестикластерному решению самый крупный кластер (кластер центральной тенденции) разделяется примерно поровну по достаточно разнородным регионам. В связи с этим дальнейшее дробление кластерной структуры проводить не будем.
57 Обобщая вышесказанное, отметим, что у нас получились два потенциально адекватных решения: трёхкластерное и пятикластерное (четырёхкластерное далее не рассматриваем в силу его неустойчивости, вызванной случайной помехой). Проверим их устойчивость с помощью итерационного кластерного анализа методом ^-средних (рассмотрим два случая для k=3 и k=5).
58 Для случая k=3 первый кластер включает в себя только Москву. Второй кластер включает следующие субъекты федерации: республика Коми, Архангельская область, Ненецкий АО, Мурманская область, Ямало-Ненецкий АО, Камчатский край, Магаданская область, Сахалинская область, Еврейская АО, Чукотский АО. К третьему кластеру относятся все остальные регионы. Таким образом, несовпадение наблюдалось только для одного случая
(из 83 субъектов), что ещё раз свидетельствует о высокой устойчивости трёхкластерного решения.
59 Рассмотрим случай k=5. Москва формирует отдельный кластер. Второй кластер формируют девять субъектов: республика Коми, Ненецкий АО, Мурманская область, Ямало-Ненецкий АО, Камчатский край, Магаданская, Сахалинская области, Еврейская АО, Чукотский АО. Этот кластер полностью соответствует кластеру положительного полюса второго («социального») главного компонента, выявленного при иерархическом кластерном анализе. Третий кластер включает в себя семь субъектов федерации: Московскую область, С.Петербург, Краснодарский край, Татарстан, Нижегородскую и Свердловскую области, Ханты-Мансийский АО. Этот кластер в определённой мере повторяет кластер иерархического анализа, соответствующий группе регионов с высоким значением первого («экономического») компонента. Интересно, что итерационный кластерный анализ, в отличие от иерархического, выделил в этот кластер Нижегородскую область, но не включил Самарскую, Челябинскую, Ростовскую области и Башкортостан, значение первого компонента в которых выше. Четвёртый кластер итерационного анализа включает четыре региона: Дагестан, Ингушетию, Чеченскую и Карачаевско-Черкесскую республику. Этот кластер (за исключением Карачаево-Черкессии) повторяет кластер иерархического анализа, соответствующий регионам, находящимся на отрицательном полюсе второго («социального») главного компонента. Пятый кластер итерационного кластерного анализа включает в себя оставшиеся 62 субъекта федерации и является кластером общей тенденции.
60 Таким образом, пятикластерное решение показало меньшую устойчивость (несовпадения выявлены уже для восьми регионов из 83, т. е. для почти 10 % совокупности). Если в трёхкластерном решении мы выделяли кластеры на уровне 99 % сходства решений, то в пятикластерном решении уровень сходства составил 90 %. Безусловно, выбор того или иного решения зависит от целей и задач исследования. Принимая во внимание неустойчивость четырёхкластерного решения, протокол объединения кластеров, а также результаты итерационного кластерного анализа, мы принимаем в качестве основных результаты трёхкластерного решения иерархического кластерного анализа по методу Уорда на квадратах евклидовых расстояний. Эти особенности позволяют даже при достаточно грубом выделении кластеров дать определённые рекомендации по трём имеющимся кластерам.
61 Так, Москве, формирующей отдельный кластер и являющейся безусловным лидером по экономическим показателям модели, необходимо обратить большее внимание на социальные вопросы, в частности, обеспеченности больничными местами и образовательными учреждениями. Регионы второго кластера имеют лидирующие показатели по социальной обеспеченности, поэтому наиболее важной для них будет экономическая политика (например, поощрение форм малого бизнеса и частнопредпринимательской деятельности). Регионам центральной тенденции необходимо в равной мере развивать как социальную, так и экономическую политику, при этом Северному Кавказу необходимо уделить особое внимание социальной освоенности регионов и доступа населения к медицинским и образовательным услугам.
62 После изучения региональных классификаций по трём изученным моделям мы можем сделать ряд выводов.
63 Во-первых, достаточно часто оказывается, что предложенная авторами модель подхода к многомерной классификации содержит избыточное число переменных, которые при методах сокращения размерности (факторном анализе) дают один фактор. В силу этого построенные на данных моделях классификации и рейтинги регионов будут иметь не большую значимость, чем ранжирование регионов по этому одному показателю. Так, например, модель Б. И. Смагина при более глубоком анализе позволиляет перейти от семи переменных к одному
фактору, то есть работа по обработке остальных шести переменных оказывается явно излишней и не дающей значительного улучшения модели. Второй проблемой таких моделей является невозможность дальнейшей с ней работы и осуществления типологизации регионов, поскольку модель по своей сути является одномерной. Существует ряд опубликованных работ, в которых авторы пытаются строить на данных моделях регрессии, не оптимизировав изначально саму модель.
64 Во-вторых, в то время как экономические показатели коррелируют между собой в очень сильной степени (вплоть до почти единичного коэффициента Пирсона), показатели социального развития менее взаимосвязаны и, что ещё более важно, в куда меньшей степени связаны с показателями экономическими. Мы видели, как безусловные лидеры экономического развития показывали весьма скромные характеристики по социальным показателям модели, а аутсайдеры в экономической региональной освоенности оказывались на лидирующих местах по социальным критериям модели. Это явно свидетельствует о несбалансированном развитии регионов и о проблеме трансформации экономического благосостояния в доступ к социальным благам. Как следствие, высокий уровень экономического развития региона, вопреки обычной логике, не является сигналом его высокого социального развития (здравоохранения и образования, в рамках выбранных индикаторов). Причём тенденция как для здравоохранения, так и для образования была общей.
65 В-третьих, несмотря на крайне разнородные и полярные характеристики регионов России, их совокупность обладает весьма устойчивыми характеристиками. Мы это обнаружили как во временном аспекте, когда тестировали модели на разных временных промежутках, так и в пространственном, когда выделяли в рамках моделей кластеры регионов. Заслуживает внимания, что при росте зарплат и ВРП показатели социального развития имели в ряде случаев противоположную (отрицательную) динамику, при этом расслоение по социальным критериям было более значимым, чем по экономическим. При типологизации регионов методами кластерного анализа были получены достаточно устойчивые решения, которые выделяли в отдельные кластеры некоторое количество регионов с экстремальными значениями при одном большом кластере центральной тенденции. Поэтому также можно сделать вывод, что улучшение положения большего числа регионов может быть осуществлено по схожему сценарию проведения региональной политики, основные векторы которой могут быть определены с помощью предложенных моделей.
66 В дальнейшем мы проанализируем модель инклюзивного развития, предложенную экспертами экономического форума в Давосе, и рассмотрим вопрос её применения в рамках региональной экономики.
67 3. Современные тенденции при подходе к построению моделей территориальной освоенности. Построение индекса инклюзивного развития регионов.
В настоящее время всё больше крупных международных экспертов по экономическим наукам утверждают, что при оценке экономического развития уже недостаточно ориентироваться только на показатель валового продукта. Отметим, что сам показатель валового продукта был разработан в 1930-е гг. Саймоном Кузнецом для оценки уровня национального развития. В дальнейшем были составлены аналогичные по методологии агрегаты для национального дохода, которые легли в основу первой и второй редакции Системы национальных счетов (1945 и 1968 гг.). Третья и ныне действующая четвёртая редакция СНС (1993 и 2008 гг.) оперируют понятием валового внутреннего продукта. Четвёртая редакция СНС раскрывает ВВП через концепцию добавленной стоимости всех резидентов-производителей в основных ценах плюс часть налогов на продукты и за вычетом субсидий на продукты, которая не включена в оценку выпуска. Примечательно, что валовой национальный доход в данной
системе имеет концептуально иной подход — он является концептом дохода, а не добавленной стоимости.
68 Отдельно СНС упоминает, что, несмотря на частую интерпретацию ВВП как уровня национального благосостояния, сама СНС такую интерпретацию не делает — и, более того, отдельные аспекты производства (особенно услуг) в этот агрегат включить нельзя, что вызывает систематические искажения.
69 Наиболее важный вопрос, стоящий перед нами в данном исследовании, — насколько возможно сохранение методологической целостности при переходе от макроэкономического анализа к анализу региональному? В пользу такого перехода говорит наличие индикатора валового регионального продукта, рассчитывающегося преимущественно производственным методом. Однако сумма валовых региональных продуктов не равна валовому внутреннему продукту. Это связано с наличием добавленной стоимости, производимой государством для всего общества в целом (оборона, госаппарат). Тем не менее, сам переход оказался не только концептуально выполнимым, но и достаточно успешно реализуемым на практике. Ещё необходимо упомянуть, что, в силу комплексности понятия региона, анализ может быть не только внутригосударственным (например, регионы России), но и надгосударственным (Европейский регион). Признавая неустранимые и объективные систематические искажения, мы допускаем переход к качественно иной единице анализа и попытаемся осуществить перевод методики макроэкономического анализа в максимально адекватную и соответствующую исходной модель для анализа регионов внутри страны.
70 В январе 2018 г. на Международном экономическом форуме в Давосе было сделано важное заявление. Суть его сводилась к тому, что фокусирование на показателе валового продукта приводит к росту неравенства и краткосрочным решениям (short-termism). В связи с десятилетиями приоритета экономического роста над социальной справедливостью были вызваны усиление неравенства по богатству и доходам и потеря благотворного круга (virtuous circle). Предложенный учёными Форума новый показатель называется Индекс инклюзивного развития (Inclusive development index). Проблема валового продукта заключается в том, что он измеряет текущее количество произведённых благ и услуг, а не степень, в которой это способствует расширению социально-экономического прогресса и улучшению качества жизни.
71 Индекс инклюзивного развития — это агрегат, в который входят одиннадцать признаков помимо валового продукта (всего 12). Он включает в себя три группы показателей (рост и развитие, инклюзивность, преемственность поколений и устойчивость развития). В оригинальном виде показатель представлен следующими переменными.
72 1. Рост и развитие.
1.1. ВВП на душу населения в постоянных ценах (денежные единицы).
1.2. Производительность труда — ВВП на одного работника (денежные единицы);
1.3. Ожидаемая продолжительность здоровой жизни (лет).
1.4. Занятость населения (проценты).
2. Инклюзивность.
2.1. Коэффициент расслоения общества по чистому доходу (Джини).
2.2. Уровень бедности (проценты).
2.3. Коэффициент расслоения общества по богатству (Джини).
2.4. Медианный доход (денежные единицы).
3. Преемственность поколений и устойчивость развития.
3.1. Скорректированные чистые сбережения (сбережения с учётом вложений в человеческий капитал и истощения ресурсов, в процентах от ВНД).
3.2. Парниковая интенсивность ВВП (килотонны выбросов углекислого газа на денежные единицы).
3.3. Государственный долг (проценты от ВВП).
3.4. Коэффициент демографической нагрузки (проценты), т. е. соотношение иждивенцев (людей моложе 15 и старше 64 лет) к трудоспособному населению.
73 Каждый показатель переводится в шкалу от 1 до 7, из них складываются групповые индексы, из которых итоговый получается как среднее арифметическое.
74 Необходимо отметить, что идея перехода от валового продукта к многомерному композитному агрегату не нова, её реализовал один из авторов Индекса человеческого развития Амартия Сен. Однако они не ставили актуальность этого вопроса для регионального анализа. Разработка подобного индекса для изучения регионов является в определённой мере новой задачей. Важно отметить, что сложный индекс (типа индекса инклюзивного развития) и валовой продукт имеют разные задачи. Так, важно понимать необходимость смены курса, т. к. растущее неравенство и отсутствие заботы о будущих поколениях не сулят ничего хорошего в долгосрочной перспективе. Новый индекс нужен для того, чтобы показать обманчивость успеха, измеряемого только по экономической и производственной мощи территории.
75 В известной мере этот тезис получил своё подтверждение в практическом смысле на модели, рассматривающей экономическое и социальное положение регионов.
76 Обратимся к набору исходных переменных и посмотрим, как мы сможем интерпретировать их в региональном анализе.
77 ВВП на душу населения, безусловно, заменяется валовым региональным продуктом на душу населения. ВВП на одного работника — соотношение валового регионального продукта к числу занятых. Ожидаемая продолжительность жизни в регионах и занятость населения также представлены в статистических сборниках по регионам. При расчёте уровня занятости мы возьмём показатель, который в отечественной статистической науке называется уровнем участия в рабочей силе (отношение рабочей силы к лицам трудоспособного возраста). Таким образом, показатели роста и развития практически полностью нашли своё отображение в данных по региональному анализу.
78 Обратимся к показателям инклюзивности. Коэффициент расслоения общества по доходам (по методологии Джини), медианный доход и численность населения с доходами ниже прожиточного минимума публикуются в статистических сборниках «Неравенство и бедность». Отдельно отметим методологическое разночтение: если по расчётам авторов индекса иклюзивного развития (ИИР) бедными считаются люди, получающие доход после налогообложения ниже медианного (в развитых странах) или менее чем $3,20 в день (в ценах
2011 г.) для развивающихся стран. В России же подсчёт уровня бедности исходит из прожиточного минимума, который разнится от региона к региону. Отдельно отметим показатель неравенства распределения богатства. Этот показатель рассчитывается и публикуется только для макроуровня организацией Credit Suisse. Он представляет собой сумму финансового и нефинансового богатства населения за вычетом долгов. По данному показателю рассчитывается распределение и коэффициент концентрации. В России рассчитываются показатели распределения ресурсов, но они составляются единым массивом для территории России. Также отметим, что в России стоит острая проблема теневых доходов. По этой причине мы предлагаем заменить показатель неравенства в распределении богатства процентом легальных (учтённых) доходов (доходы в регионе за вычетом серых зарплат), которые можно рассчитать по представленным Росстатом статистическим данным. Дополнительно ещё скажем, что отчёт Credit Suisse был подвергнут критике отечественными экономистами по причине некорректных и ошибочных данных (недостаточной и заниженной оценке имущества жителей России). Авторы Credit Suisse разрабатывают свой показатель с
2012 г., при этом они не публикуют методологию исследования, а их данные расходятся с
официальной российской статистикой, причём иногда в достаточно значительной степени. В силу упомянутых факторов отказ от вышепредставленного показателя обосновывается ещё более убедительно.
79 Изучим показатели третьей группы. Расчёты по коэффициентам демографической нагрузки представлены в российских статистических сборниках. Вместо отношения государственного долга к ВВП мы можем взять соотношение кредитной задолженности (суммарно по валютным и рублёвым кредитам физическим и юридическим лицам) к валовому региональному продукту. Выбросы парниковых газов (углекислого газа) по регионам России отдельно не рассчитываются, однако можно сделать их оценку на основании данных по выбросу оксида углерода по стационарным источникам и удельному весу, который занимают выбросы газов от стационарных источников в субъектах федерации. Скорректированные чистые сбережения будем рассчитывать на основе сбережений населения за прибавлением расходов на образование (рассчитанных в соответствии с Классификатором индивидуального потребления домашних хозяйств по целям) и за вычетом совокупных затрат на мероприятия по охране окружающей среды.
80 Обобщая вышесказанное, предложим следующие переменные для индекса инклюзивного развития регионов.
1. Рост и развитие.
1.1. ВРП на душу населения (руб.).
1.2. Производительность труда — ВРП на одного работника (руб.).
1.3. Ожидаемая продолжительность жизни (лет).
1.4. Уровень участия в рабочей силе (%).
2. Инклюзивность.
2.1. Коэффициент расслоения общества по доходам (Джини).
2.2. Уровень бедности (%).
2.3. Уровень учтённых доходов (%).
2.4. Медианный среднемесячный доход (руб.).
3. Преемственность поколений и устойчивость развития.
3.1. Скорректированные сбережения (% от ВРП).
3.2. Парниковая интенсивность ВРП (килотонны углекислого газа на млрд руб.).
3.3. Отношение кредитной задолженности к ВРП (%).
3.4. Коэффициент демографической нагрузки.
81 Каждый показатель переводится в балльную оценку по семибалльной шкале. Однако мы несколько модифицируем модель, представив уравнения для перевода значений индикаторов в более привычную пятибалльную шкалу. В случае индикатора, имеющего сонаправленный характер изменения с уровнем благосостояния, формула примет вид (5):
R=4xX-minmax-min+1 , (5)
где R — оценка региона по индикатору, X — значение признака для отдельного региона (варианта), max — максимальное значение индикатора в совокупности, min — минимальное значение индикатора в совокупности. В случае противоположно направленного изменения (чем выше значение индикатора, тем ниже общественное благосостояние в регионе) формула изменяется так (6):
R=4xmax-Xmax-min+1 , (6)
где R — оценка региона по индикатору, X — значение признака для отдельного региона (варианта), max — максимальное значение индикатора в совокупности, min — минимальное значение индикатора в совокупности. В рамках этой методики регион с минимальным значением индикатора получает 1 балл, с максимальным — 5 баллов. Это позволяет избежать ситуации, когда ни у одного региона нет максимального значения.
82 По каждой переменной из набора рассчитывается оценка. По каждому из трёх разделов рассчитывается среднее арифметическое значение. Итоговым значением индекса является оценка, равная среднему арифметическому каждого из трёх индексов (роста и развития, инклюзивности и преемственности поколений и устойчивости развития).
83 Далее мы проведём анализ этой модели, построенному по ней рейтингу регионов и сравним его с предыдущими моделями.
84 Первый кластер включает в себя следующие регионы: Ненецкий АО, Ямало-Ненецкий АО, Магаданская и Мурманская области, Камчатский край, Чукотский АО, Москва, Ханты-Мансийский АО, С.-Петербург, Сахалинская область. Безусловно, это — регионы-лидеры, в которых наблюдалось среднее значение общего индекса больше трёх или очень близкое к нему (для С.-Петербурга). По ряду показателей большинство этих регионов имеет ведущие места.
85 Второй кластер включает следующие регионы: республики Алтай, Коми, Карелия, Мордовия, Чувашия, Якутия, Удмуртия, Хакасия; Калужская, Архангельская, Ленинградская, Калининградская, Владимирская, Волгоградская, Костромская, Рязанская, Томская, Амурская, Ульяновская, Орловская, Курганская, Кировская, Челябинская, Курская, Новгородская, Тюменская, Оренбургская, Иркутская, Псковская, Тверская, Вологодская, Тульская, Кемеровская, Липецкая области; Хабаровский край; Еврейская АО; Забайкальский и Алтайский края. В этом кластере практически у всех субъектов высокие (после максимального первого) значения по второй группе переменных (Инклюзивность). По остальным признакам выделить в данном кластере какие-то особенности достаточно сложно.
86 Третий кластер включает все остальные субъекты федерации. Если мы следуем той же логике, что и для выделения второго кластера, то в него вошли регионы с наименьшим значением индекса инклюзивности.
87 Четырёхкластерная структура однозначно неустойчива — из первого кластера отдельно выделяются два региона (Ненецкий и Ямало-Ненецкий АО), которые имеют самые высокие общие значения индекса.
88 Какая из рассмотренного набора моделей позволяет построить наиболее адекватный рейтинг регионов? Какую методику можно признать наиболее качественной?
89 Для ответа на эти вопросы необходимо понимать задачи изначального исследования: так, у валового регионального продукта и у интерпретируемого нами индекса инклюзивного развития абсолютно разные целевые назначения. Однако всё же хотелось бы отметить, что, какой бы ни была построенная модель, она должна соответствовать статистическим критериям качества, чтобы анализ по ней был осмысленным.
90 Выводы. В рамках первой и второй модели (Б. И. Смагина и компании «ФБК») показано, что отобранный авторами набор переменных обладает мультиколлинеарностью, в связи с чем модели не имеют комплексного характера оценки. В первой модели мы практически полностью воспроизводим распределение регионов по уровню урбанизации, во втором — по уровню финансовых показателей (среднедушевого дохода). Этот подход для построения оценки представляется нам явно недостаточным. При изучении распределения финансовых показателей значительную роль будут играть выбросы (столичные города и территории с развитой добывающей индустрией), к тому же акцент на валовом продукте будет, следуя закону Гудхарта, нарушать эмпирические закономерности, которые привели к такому распределению. Уровень урбанизации региона заведомо исключает из анализа аграриев; концентрация на изучении городской активности также не соответствует идее, высказанной В. В. Путиным в мае 2018 г. о том, что необходимо развивать не города, а
инфраструктуру и пространство между ними.
91 Об определённом уровне комплексности мы можем говорить в третьей из рассмотренных моделей (В. И. Тихого). В ней исходные показатели были сгруппированы в два достаточно адекватно интерпретируемых фактора (экономической и социальной освоенности), что позволило построить такой рейтинг регионов, который в большей степени соответствует реальной ситуации. Построенная модель оказалась достаточно устойчивой, но, тем не менее, достаточно сильно реагирующая на отдельные выбросы (так, Москва однозначно стала высшим кластером, даже несмотря на весьма скромные значения социального компонента).
92 Последняя модель, во-первых, оценивает регионы с разных аспектов освоенности (экономической, социальной, экологической), во-вторых, при апробации дала такие наборы переменных, по которым проведение факторного анализа не имеет смысла. Это свидетельствует о качестве отобранных переменных: некоррелирующие признаки характеризуют регионы с разных сторон, что понижает систематическую смещённость оценки, улучшая её качество. При кластерном анализе самым весомым фактором, по которому в большей степени и происходило выделение кластеров, стала инклюзивность.
93 Рассмотрим отдельно оценки, полученные в рамках данной модели. В рамках первого фактора (рост и развитие) переменные характеризуют преимущественно экономическую активность региона, поэтому распределение по этому фактору схоже с распределением во ВРП (особенно удельному). Безусловный лидер — Ненецкий АО, далее идут АО Тюменской области и Москва. Неожиданно высокий результат (5 место) показала Ингушетия. Эта республика, являясь аутсайдером по ВРП, занимает лидирующую позицию по продолжительности жизни, что значительно повышает её рейтинг. Максимальное полученное значение по первой группе (Ненецкий округ) равно 3,99; значение Ингушетии — 2,5; остальные регионы получили более низкие оценки. Это свидетельствует о крайне низком использовании потенциала в регионах — основное большинство регионов не использует даже половины имеющегося потенциала для обеспечения экономического роста и развития.
94 Второй показатель — инклюзивность — показал более оптимистичные результаты. В подавляющем большинстве регионов (за исключением восьми субъектов — преимущественно субъектов федерации Северного Кавказа) значение индикатора превысило 2,5, достигнув максимума в Чукотском АО (4,12). У этого субъекта федерации самое высокое значение по уровню легальных доходов и одно из лидирующих по медианному доходу.
95 Ситуация по третьему показателю несколько более тяжёлая, чем по второму, но лучше, чем по первому. Десять регионов имеют значение индикатора ниже 2,5 (Оренбургская, Тульская, Челябинская области, Удмуртия, Алтайский край, республика Тыва, Вологодская, Липецкая, Кемеровская области и республика Алтай). Максимальное значение в 3,6 получено для Дагестана. Оно получилось в силу низкой парниковой интенсивности ВРП и низкой кредитной задолженностью. Однако в регионе крайне низкое число сбережений — 10 % от ВРП (аутсайдер — Ненецкий АО с 4 %). Это свидетельствует как о нежелании граждан и юридических лиц вкладывать деньги в банки, тем самым стимулируя инвестиционный процесс, так и о возможном бегстве капиталов с этих территорий. Оба процесса негативно влияют на преемственность поколений, что для Северного Кавказа является очень актуальной темой.
96 Отдельно хотелось бы отметить наибольшие различия между оценками одного и того же региона по разным показателям. В среднем различия региона по трём оценкам составило 0,8. Наибольшие расхождения наблюдались для показателей экономической освоенности. Так, наибольшее расхождение по индексам показал Камчатский край — при низком показателе роста и развития (2,0) этот регион характеризовался весьма высоким (4,0) значением
инклюзивности. Схожий процесс наблюдался в Дагестане: имея уже упомянутый выше высокий результат по преемственности поколений (3,6), регион получил низкую оценку по экономическому росту и развитию. Более детально с выпиской из рейтингов моделей можно ознакомиться в приложении.
97 В целом заметим, что получившаяся модель сумела в определённой степени снизить степень выбросов, которые приводят к систематическим искажениям в других моделях. Так, в конечном индексе Москва получила пятое место с достаточно скромным значением 3,3, что вызвано весьма низкими удельными значениями ВРП. Получается, что высокая экономическая активность и миграционная привлекательность столицы не трансформируются в рост её социального благополучия. С другой стороны, традиционные регионы-аутсайдеры (как, например, республика Тыва, систематически занимающая одно из последних мест по уровню жизни) могут показывать по отдельным индикаторам приемлемые значения (так, у Тывы адекватный уровень инклюзивности).
98 Ещё одной заслугой данной модели является её возможность для построения дальнейших классификаций, проведения более точного и детального уровня кластеризации и анализа отдельных переменных. Все эти особенности необходимо учитывать при комплексном подходе к оценке региона. Модель позволяет провести анализ как на достаточно общем уровне, так и на более детальном, более чётко идентифицируя отдельные группы регионов и показателей. Это может служить базой для определения целевых показателей региона, выстраивания объектов для таргетирования, а также формировать методологические и концептуальные подходы региональной политики как в самих субъектах, так и в федеральных органах, ответственных за региональное развитие.
99 Таким образом, выявлено, что, несмотря на крайне полярную структуру регионов (особенно по экономическому развитию), сама региональная совокупность в значительной степени устойчива. При наличии определённых регионов с экстремальными значениями основное большинство показателей находится в рамках общей тенденции. Также отметим, что экономические и социальные индикаторы регионального развития коррелируют между собой достаточно слабо. Это позволяет сделать нам два вывода. Во-первых, структура регионов России, несмотря на высокую степень асимметричности её положения (преимущественно экономического), является достаточно устойчивой. Эта особенность была выявлена при кластерном анализе, показавшем, что при переходе к большему числу кластеров сама их структура в иной раз изменяется в очень незначительной степени. Во-вторых, регионы России имеют значительные проблемы по трансформации экономического благосостояния в социальное. Факторный анализ показал слабую взаимосвязь переменных, отображающих социальное и экономическое развитие регионов.
Примечания:
1. Регионы России. Социально-экономические показатели. 2015. Стат. сб. / Росстат. М.: Росстат, 2015. 1266 с.; Россия в цифрах. 2015. Крат. стат. сб. / Росстат. М.: Росстат, 2015. 543 с.
Библиография:
1. Алаев Э. Б. Социально-экономическая география. Понятийно-терминологический словарь. М.: Мысль, 1983. 350 с.
2. Баранов С. В., Скуфьина Т. П. О методах исследования межрегиональной дифференциации // Фундаментальные исследования. 2013. № 10-7. С. 1495-1499.
3. Валентей С. Д. Симметрия и асимметрия в Российской модели федеративных отношений: монография. М.: Институт экономики РАН, 2012. 57 с.
4. Губанова Е. С., Клещ В. С. Методологические аспекты анализа уровня неравномерности социально-экономического развития регионов // Экономические и социальные перемены: факты, тенденции, прогноз. 2017. № 1. C. 58-75.
5. Заводских А. А. К оценке модели региональной освоенности Б. И. Смагина // Прикладные статистические исследования и бизнес-аналитика: Сборник материалов Межд. науч. конференции, 12-14 декабря 2016 г. М.: РЭУ им. Г. В. Плеханова, 2016. С. 225-227.
6. Кузнецова О. В. Проблемы оценки федеральной инвестиционной политики как фактора регионального развития // Региональные исследования. 2014. № 4. С. 125-133.
7. Минакир П. А. Экономический анализ и измерения в пространстве // Пространственная экономика. 2014. № 1. С. 12-39.
8. Морошкина М. В. Межрегиональная дифференциация субъектов Российской Федерации // Экономический анализ: теория и практика. 2014. № 45. С. 20-28.
9. Розанова Л. И. Методологические основы анализа регионального развития // Теоретическая и прикладная экономика. 2014. № 4. С. 1-38.
10. Склянова И. П., Черкашин А. К. Количественная оценка демографической реакции на изменения условий жизнедеятельности в моногородах // Регион: экономика и социология.
2015. № 4. С. 179-197.
11. Социально-экономическая география: понятия и термины. Словарь-справочник / отв. ред. А. П. Горкин. МГУ. Смоленск: Ойкумена, 2013. 328 с.
12. Тихий В. И. Межрегиональная социальная поляризация: сопоставительный анализ регионов-лидеров и регионов-аутсайдеров // Социально-экономическая география: теория, методология и практика преподавания: Материалы Межд. науч.-практ. конф. М.: МПГУ,
2016. С. 49-53.
13. Шулаева О. В., Есенин М. А., Агекян Э. А. Российский и зарубежный опыт формирования системы показателей для оценки экономического потенциала регионов // Статистика и экономика. 2015. № 3. С. 225-232.
14. Fujita M., Krugman P., Venables F. J. The Spatial Economy: Cities, Regions and International Trade. Cambrige: The MIT Press, 2013. 367 p.
15. Mashegov P. N., Zaitsev A. G., Lebedev M. A., Zavodskikh A. A. Engineer Supply of University Research Infrastructure and Ecosystem of Small Innovative Enterprises // The European Proceedings of Social & Behavioural Sciences EpSBS. 2017. Vol. XXVI. P. 626-632.
16. McCann P. Modern urban and regional economics (2nd edition). New York: Oxford University Press, 2013. 432 p.
17. Reshaping Economic Geography. World Development Report 2013. The World Bank, 2014. 410 p.
18. Rothenbacher F. The Central and East European Population since 1850. Basingstoke: Palgrave Macmillan UK, 2013. 1511 p.
The calculation of the regional inclusive development index
A. Zavodskikh
Higher School of Economics Russian Federation, Moscow
Abstract
Nowadays there are lots of various regional ratings; however, some of them are based on particular indicators, thus they do not allow us to assess the sustainability of regional development. The purpose of this article is to analyze the models of regional economic development and their quality, subsequently modify them and create an author's model. Throughout the study, we have used the following methods: analysis and synthesis whilst scrutinizing the questions of theoretic definitions of a region; statistical
and mathematical modelling for analyzing regional development; grouping, expert judgment and modelling of economic phenomena over the process of creating an author's model of Index of inclusive development. A selection of models of regional development (by Smagin and Tikhy) has been studied and evaluated. These models do not apply to the original data or don't have an internal logic. The models, however, can be improved. To perfect our estimates of regional development, we have used the studies of the World Economic Forum in Davos and within their framework, we have elaborated our model of Regional inclusive development index. In addition to purely economic indicators, it also includes information on demographic and ecologic development, as well as other variables.
Keywords: index of inclusive development, the economic situation of the region, regional differentiation, regional development
Publication date: 15.06.2020
Citation link:
Zavodskikh A. The calculation of the regional inclusive development index // Pskov regional studies journal 2020. No2 (41)/2020 C. 19-41 [Electronic resource]. Access for registered users. URL: http://ras.jes.su/region/s221979310008578-8-1 (circulation date: 15.06.2020).
Код пользователя: 24128; Дата выгрузки: 15.06.2020; URL - http://ras.jes.su/region/s221979310008578-8-1 Все права защищены.
