CC BY
145
www.hjournal.ru
Journal of Institutional Studies, 2019, 11(2), 146-170 DOI: 10.17835/2076-6297.2019.11.2.146-170
УПРАВЛЕНИЕ КАЧЕСТВОМ ЖИЗНИ НАСЕЛЕНИЯ В РЕГИОНАХ РОССИИ
ГУБАРЕВ РОМАН ВЛАДИМИРОВИЧ,
кандидат экономических наук, доцент, Российский экономический университет им. Г.В. Плеханова,
г. Москва, Россия, e-mail: [email protected];
ДЗЮБА ЕВГЕНИЙ ИВАНОВИЧ,
эксперт,
Общероссийский народный фронт, г. Уфа, Россия, e-mail: [email protected];
КУЛИКОВА ОКСАНА МИХАЙЛОВНА,
кандидат технических наук, доцент, Сибирский государственный автомобильно-дорожный университет,
г. Омск, Россия, e-mail: [email protected];
ФАЙЗУЛЛИН ФАНИЛЬ САИТОВИЧ,
доктор философских наук, профессор, главный научный сотрудник, Институт социально-экономических исследований УФИЦ РАН,
г. Уфа, Россия, e-mail: [email protected]
Цитирование: Губарев, Р. В., Дзюба, Е. И., Куликова, О. М., Файзуллин, Ф. С. (2019). Управление качеством жизни населения в регионах России // Journal of Institutional Studies, 11(2), 146-170. DOI: 10.17835/2076-6297.2019.11.2.146-170
На повестке дня современной России стоит вопрос социокультурной модернизации регионов, который должен обеспечить высокое качество жизни населения во всех субъектах РФ. Для объективной оценки достигнутых результатов необходима адекватная методика. За рубежом и в России накоплен достаточно большой опыт проведения ретроспективной оценки качества жизни населения индексным методом. Однако до сих пор редким явлением для социально-экономических исследований остается применение высокоточных нейросетевых технологий. В рамках научной статьи поставлена цель: попытаться восполнить такой пробел путем разработки и апробации авторской методики, предназначенной не только для ретроспективной оценки, но и кластеризации, а также прогнозирования качества жизни населения российских регионов. Адекватность результатов кластеризации и прогнозирования
© Губарев Р. В., Дзюба Е. И., Куликова О. М., Файзуллин Ф. С., 2019
проводимого исследования достигается за счет решения соответствующих задач на основе нейросетевых технологий в программном продукте NeuroSolutions 6. Интерпретация результатов ретроспективной оценки указывает на расслоение субъектов РФ по качеству жизни населения преимущественно из-за существенных различий в сфере науки, образования, здравоохранения и инновационного развития региональных экономик. Проведенная кластеризация указывает на низкое качество структурыроссийскихрегионов по изучаемому явлению. В настоящее время в кластерной структуре отсутствуют регионы, характеризующиеся очень высоким или высоким качеством жизни населения. У большинства субъектов РФ имеются существенные резервы повышения качества жизни населения, не исключением являются и регионы-лидеры. Результаты среднесрочного прогнозирования свидетельствуют о сохранении значительных межрегиональных «разрывов» по качеству жизни населения между российскими регионами из разных групп. Полученные результаты эмпирического исследования могут стать научной основой для актуализации положений социально-экономической политики любого российского региона. Универсальность предложенной методики позволяет (в случае изменения базы сравнения для всей системы индикаторов) проводить не только межрегиональные, но и межстрановые сравнения на мезоуровне.
Ключевые слова: качество жизни населения; наука и инновации; регионы России; ретроспективная оценка; индексные методы; кластеризация; прогнозирование; искусственные нейронные сети; самоорганизующиеся карты Кохонена; байесовский ансамбль нейромоделей.
QUALITY MANAGEMENT OF THE POPULATION IN THE REGIONS OF RUSSIA
ROMAN V. GUBAREV,
PhD in Economics, Associate Professor, Plekhanov Russian University of Economics,
Moscow, Russia, e-mail: [email protected];
EVGENIY I. DZYUBA,
Expert, All-Russia People's Front, Ufa, Russia, e-mail: [email protected];
OKSANA M. KULIKOVA,
PhD in Engineering, Associate Professor, Siberian Automobile and Highway University,
Omsk, Russia, e-mail: [email protected];
FANIL' S. FAYZULLIN,
Doctor of Philosophy, Professor, Chief researcher, Institute of social and Economic Research of the UFRC of the RAS,
Ufa, Russia, e-mail: [email protected]
Citation: Gubarev, R. V., Dzyuba, E. I., Kulikova, O. M., Fayzullin, F. S. (2019). Quality management of the population in the regions of Russia. Journal of Institutional Studies, 11(2), 146-170. DOI: 10.17835/2076-6297.2019.11.2.146-170
The issue of sociocultural modernization of the regions, which should ensure the high quality of life of the population in all regions of the Russian Federation, is on the agenda of modern Russia. An adequate method is required for an objective assessment of the results achieved. Abroad and in Russia, a sufficiently large experience has been gained in conducting a retrospective assessment of the quality of life of the population by the index method. However, the use of high-precision neural network technologies is still rare for socio-economic research. As part of the scientific article, the goal has been set, to try to fill this gap by developing and testing the author's methodology intended not only for retrospective assessment, but also clustering, as well as predicting the quality of life of the population in Russian regions. The adequacy of the results of clustering and forecasting of the conducted research is achieved by solving relevant problems based on neural network technologies in the NeuroSolutions 6 software product. Innovative development of regional economies. The conducted clustering indicates a low quality of the structure of the Russian regions for the studied phenomenon. Currently, in the cluster structure there are no regions characterized by a very high or high quality of life of the population. Most of the subjects of the Russian Federation have substantial reserves for improving the quality of life of the population, and the leading regions are no exception. The results of the medium-term forecasting indicate that significant interregional «gaps» in the quality of life of the population between Russian regions from different groups persist. The results of the empirical research can be a scientific basis for updating the provisions of the socioeconomic policy of any Russian region. The universality of the proposed method allows (in the case of a change in the base of comparison for the entire system of indicators) to carry out not only inter-regional, but also cross-country comparisons at the meso-level.
Keywords: quality of life of the population; science and innovation; regions of Russia; retrospective evaluation; index methods; clustering; forecasting; artificial neural networks; Kohonen self-organizing maps; Bayesian Neyromodel Ensemble.
JEL: O15, R58, C33, C38, C45
Введение
В настоящее время одним из наиболее известных индексов, характеризующих качество жизни населения в различных странах мира, является Индекс человеческого развития (Нуреев, 2012, с. 4), рассчитываемый в рамках Программы развития ООН. Опираясь на него, попытаемся ответить на вопрос не только о текущем состоянии качества жизни населения в нашей стране, но и тенденции изменения показателя за последние несколько лет (см. рис. 1).
В динамике за последние три года прослеживалась устойчивая позитивная тенденция увеличения индекса человеческого развития России, причем более высокими темпами роста, чем у страны-лидера (Норвегии), соответственно, на 2,6/0; 0,8/0,5 и 1,5/0,4%. Следствием чего стало поступательное движение нашей страны вверх в соответствующем рейтинге: с 57-го места в 2014 г. до 50-го места в 2015 г. и фиксация на 49-й позиции в 2016, 2017 г. Однако и в настоящее время Россия по-прежнему существенно отстает от страны-лидера по качеству жизни населения.
Справедливости ради необходимо отметить, что высшим руководством страны повышение качества жизни населения не только декларируется в качестве приоритетного направления внутренней политики, но и активно предпринимаются практические шаги для решения данной проблемы за счет как запланированного экономического роста, так и реформирования действующей системы госуправления. Так, Президентом
страны В.В. Путиным в рамках Послания Федеральному собранию РФ на 2018 г. был отмечен тот факт, что «сегодня накапливается громадный технологический потенциал, который позволяет совершить настоящий рывок в повышении качества жизни людей, в модернизации экономики, инфраструктуры и государственного управления» (Послание Президента Федеральному собранию, 2018). «Ответом» высшего руководства России на современные «вызовы» в сфере качества жизни населения стала разработка и начало реализации национальных проектов. Об этом прямо говорится Президентом страны В.В. Путиным В.В. в рамках Послания Федеральному собранию РФ на 2019 г.: «Национальные проекты построены вокруг человека, ради достижения нового качества жизни для всех поколений, которое может быть обеспечено только при динамичном развитии России» (Послание Президента Федеральному собранию, 2019).
Рис. 1. Индекс человеческого развития страны-лидера и России Источник: составлено авторами по данным (https://nonews.co/dLrectory/lists/countries/index-human).
Необходимо отметить, что важная роль при решении поставленных высшим руководством России задач отводится институциональным изменениям (Вольчик, 2014). Авторский коллектив также придерживается традиционного подхода в институционализме, при котором именно институты играют главную роль в повышении качества жизни населения страны (Устюжанина, 2015). В современной России проведение социально-экономической политики невозможно без «трансплантации» эффективно функционирующих за рубежом институтов, но с учетом особенностей сформировавшейся национальной системы госуправления (Полтерович, 2001).
Современной консолидированной позицией руководства страны и научно-экспертного сообщества является необходимость повышения качества жизни населения во всех без исключения субъектах РФ в результате проведения социокультурной модернизации регионов при условии активного участия всего населения. Причем проведение такой модернизации, на наш взгляд, является затруднительным без осознания важности этических факторов (честность, доверие и справедливость) повышения социального капитала (Нуреев, 2016, с. 20) страны. Учитывая вышесказанное, в контексте
исследования под социокультурной модернизацией региона понимается «комплексный, цивилизационный процесс, который осуществляют широкие массы населения ради удовлетворения своих потребностей в улучшении условий труда и повышении качества жизни» (Леньков, 2018, с. 203-204).
Оценка успешности реализации национальных проектов в рамках проводимой социокультурной модернизации регионов, на наш взгляд, невозможна без соответствующей методики. Поэтому основной целью научной статьи является разработка авторской методики, предназначенной для оценки качества жизни населения в российских регионах. Поставленная цель предопределила структуру и логику проводимого исследования. Сначала приводится российско-зарубежный опыт оценки качества жизни населения, а затем раскрываются теоретические положения авторской методики, и осуществляется ее апробация на данных региональной статистики. Такая методика позволяет не только проводить ретроспективную оценку и кластеризацию, но и прогнозировать качество жизни населения в регионах России.
Научной новизной статьи является универсальная авторская методика для оценки, кластеризации и прогнозирования качества жизни населения страны на мезоуровне, основанная на применении двух известных методов экономического анализа: построении индекса и искусственных нейронных сетей. Высокоточные нейросетевые технологии позволяют успешно решать две прикладные экономические задачи (кластеризации и прогнозирования) изучаемого явления. Помимо этого, способность искусственных нейронных сетей к переобучению в зависимости от воздействия «новых» внешних факторов в современной России также позволяет проводить оценку эффективности реализации национальных проектов.
1. Российско-зарубежный опыт оценки качества жизни населения
В настоящее время различают три основные теоретические концепции качества жизни населения: 1) экономического благосостояния (А. Смит, Р. Истерлин); 2) утилитаристская (А. Пигу, Э. Динер) и 3) расширения человеческих возможностей (А. Льюис, Т. Шульц, Г. Беккер, А. Сен, Р. Лейн). В монографии С.А. Айвазяном проведен критический анализ таких концепций, на основе которого был сделан ряд научно обоснованных выводов: «сторонники первой из них (сегодня признаваемой слишком узкой и ограниченной) отождествляют теорию качества жизни с теорией экономического благосостояния. Во второй концепции («утилитаристской») качество жизни определяется через понятие полезности, получаемой человеком в течение жизни. Наконец, третья концепция (на сегодняшний день наиболее признанная и востребованная) рассматривает процесс человеческого развития и повышения качества жизни как процесс расширения возможностей людей в выборе сфер деятельности, способов самореализации, в доступе к накопленным человеческим знаниям и т.п.» (Айвазян, 2012, с. 20). При этом необходимо отметить, что перечень известных теоретических концепций качества жизни не ограничивается только тремя основными вышерассмотренными концепциями.
Так, в частности, в 50-70-е гг. XX в. начали активно зарождаться различные концепции (теория полюсов роста Ф. Перру (1950 г.), ограниченной рациональности Г. Саймона (1957 г.), полюсов развития Ж. Будвиля (1961 г.) и районов-очагов Ж. Перрина (1970 г.)), в которых предпринимались попытки обосновать параметры социальной политики на региональном уровне. Относительно «новой» (современной) концепцией стала теория управляемого выбора (подталкивания) Р. Талера (Thaler, 2008), где утверждается, что существующие межрегиональные «разрывы» выступают драйверами ускоренного социального развития всех регионов страны. Такая концепция, на наш взгляд, может служить научной базой для актуализации положений социальной политики страны на мезоуровне.
Другой не менее «интересной» для РФ концепцией является теория Path Dependence предложенная П. Дэвидом (David, 1985), которая в российской литературе известна
под названием «зависимость от предшествующего развития» или «эффект колеи». Достаточно точное современное понимание такой теории представлено в научной статье Р.М. Нуреева, в которой утверждается следующее: «строго говоря, все в мире зависит от прошлого в том смысле, что ничто ни возникает из ничего. Смысл теории Path Dependence в другом, а именно в том, что возможности развития жестко детерминированы выбором, сделанным значительно раньше. И особенность этого выбора заключается в том, что на предыдущем этапе он мог быть сделан далеко не оптимальным образом. Однако этот неэффективный выбор может предопределить дальнейшее развитие» (Нуреев, 2010, с. 7). В свою очередь, такая статья логически связана с работой (Нуреев, Латов, 2010), являющейся первой российской монографией, характеризующей развитие России и Европы с использованием концепции «зависимости от предшествующего развития». В монографии рассматривается, как разошлись пути России и Европы, анализируется европейский путь развития через капитализм в постиндустриальное общество и особенности российского пути развития.
Не менее важной, чем вопрос пространственного социального развития, для любой страны является проблема количественного измерения качества жизни населения.
Несмотря на важность такой проблемы, до сих пор в научном мире дискуссионным остается вопрос о взаимосвязи между материальным благополучием (как правило, выражающемся в денежных доходах) и качеством жизни (зачастую употребляют для этого, на наш взгляд, близкие, но не тождественные по смыслу дефиниции «уровень жизни» и «счастье») населения страны и ее регионов. Попытаемся кратко аргументировать подобное высказывание.
В «старом» эмпирическом исследовании Р. Истерлина (результаты известны как парадокс Истерлина) утверждается, что прямая зависимость между доходами и счастьем прослеживается лишь до определенного уровня доходов населения (Easterlin, 1974). Совместное исследование, проведенное М. Хэджерти и Р. Винховеном (Hagerty, 2003), опровергало парадокс Истерлина. Однако «новое» исследование Р. Истерлина (Easterlin, 2010), опирающееся на статистические данные 37 стран мира, подтвердило ранее полученные результаты. Другое эмпирическое исследование - Э. Динера (Diener, 2013), установило прямую связь между доходами и счастьем, но при условии опережающего роста доходов населения над их потребностями.
Далее несколько подробнее рассмотрим методическую сторону вопроса в части оценки качества жизни населения страны и ее регионов.
Среди многообразия различных методов оценки качества жизни населения на макро-, мезо- и муниципальном уровне, на наш взгляд, по причине доминирования (частого применения на практике) можно выделить две их основные группы: 1) индексные и 2) опросные методы.
Достаточно подробный обзор научной литературы, посвященной вопросам оценки качества жизни населения с раскрытием основных методологических особенностей различных методов из вышеуказанных групп, представлен в работе (Шматов, 2015, с. 148-157). В контексте исследования с учетом авторской позиции о целесообразности применения индексных методов для оценки качества жизни населения ограничимся рассмотрением первой группы методов.
В докладе нобелевских лауреатов А. Сена и Дж. Стиглица «Отчет Комиссии по основным показателям экономической деятельности и социального прогресса» (Sen, 2010) центральное место занимали вопросы развития методологии индексного метода (уделялось повышенное внимание формированию системы «новых» показателей качества жизни населения, таких как устойчивость развития, политические права, личная безопасность, экологический фон и др.). На наш взгляд, именно этот доклад привел к росту популярности межстрановых сравнений по качеству жизни населения.
Помимо ранее отмеченного Индекса человеческого развития (на наш взгляд, наиболее известного из всех индексных методов), достаточно популярными индексными методами, применяемыми на практике за рубежом и в России, являются преимущественно иностранные индексы, а именно Всемирный индекс счастья, построенный Британским исследовательским центром New Economic Foundation; Индекс лучшей жизни (ОЭСР); Индекс качества жизни, или Индекс удовлетворенности жизнью (методология предложена нобелевским лауреатом Д. Канеманом); Рейтинг счастья; Глобальный барометр надежды и отчаяния (оба индексных метода разработаны исследовательским центром Гэллапа); Индекс счастья российских городов (проведенное совместное исследование мониторингового агентства «News Effector» и Фонда региональных исследований «Регионы России»).
Зачастую такие индексы базируются не только на данных официальной страновой, региональной или муниципальной статистики, но и включают экспертные оценки и результаты опросов населения. На наш взгляд, последние два источника данных носят ярко выраженный субъективный характер, что может привести к искажению итоговых результатов оценки качества жизни населения. Поэтому целесообразнее применение индексных методов, основывающихся исключительно на данных официальной статистики соответствующего уровня.
Раскроем основные методологические особенности расчета индекса (агрегированного показателя) в рамках проводимой ретроспективной оценки изучаемого явления при условии применения только статистических данных. Такой расчет проводится, как правило, в три последовательных этапа:
1) формируется система показателей;
2) производится нормировка значений всех показателей;
3) определяется значение индекса и при необходимости субиндексов.
Кратко охарактеризуем возможные варианты построения индекса в разрезе этапов.
Типичной ситуацией является формирование авторской системы показателей (с варьируемым их количеством), которые исследователи объединяют в несколько групп (Чередниченко, 2018, с. 136-137; Найден, 2018, с. 56; Ладыкова, 2018, с. 385-391). Нормированное значение любого показателя, входящего в систему, исчисляется, как правило, одним из трех ниже приведенных способов (методов):
• как разница фактического и наименьшего значения показателя, соотнесенная с размахом вариации (Абдрахманова, 2017, с. 53);
• отношением фактического значения показателя к наибольшему (метод «Паттерн») (Гагарина, 2017, с. 1083);
• как разница фактического и среднего значения показателя, соотнесенная со среднеквадратическим отклонением (Литвинцева, 2017, с. 89).
Расчет агрегированных показателей (индекса и субиндексов) осуществляется, как правило, по формуле средней арифметической (Гринберг, 2018, с. 172) или геометрической (Третьякова, 2018, с. 25). При этом дискуссионным в научном мире остается вопрос о необходимости применения дифференцированных весовых коэффициентов для расчета индекса и субиндексов. Одна группа исследователей (Игнатьева, 2013, с. 229; Овчинников, 2016, с. 539) считает целесообразным определение агрегированных показателей в условиях равнозначности индикаторов, другие ученые (Земцов, 2017, с. 63; Рюкер-Шефер, 2018, с. 53), наоборот, предлагают рассчитывать (или экспертно назначать) «веса» (весовые коэффициенты) для каждого показателя, входящего в систему.
Результаты ретроспективной оценки качества жизни населения, полученные с помощью индексного метода, на наш взгляд, создают научную основу для актуализации внутренней политики (и производной от нее социально-экономической политики) страны в целом, ее регионов и муниципальных образований. Это связано с тем, что именно благополучие населения, как показывают эмпирические исследования (Нуреев, 2013, с. 84), является залогом политической стабильности в стране.
2. Ретроспективная оценка качества жизни населения в российских регионах
Сначала охарактеризуем применяемые в рамках исследования методологические аспекты оценки качества жизни населения на мезоуровне.
Система показателей, характеризующих качество жизни населения в регионах страны, представлена в табл. 1. Она сформирована с учетом применяемой Росстатом группировки социально-экономических индикаторов.
Таблица 1
Система показателей, характеризующих качество жизни населения в регионах страны
Тенденция
Наименование показателя Единица измерения роста показателя в динамике
I. Население и труд
1. Население
1. Коэффициенты младенческой смертности (число детей, на 1000 негативная
умерших в возрасте до 1 года) родившихся живыми
2. Ожидаемая продолжительность жизни при рождении лет позитивная
2. Труд
3. Уровень участия в рабочей силе населения (в возрасте % позитивная
15-72 года)
4. Удельный вес занятого населения (в возрасте 15-72 % позитивная
года), имеющего высшее образование в общей численности
занятого населения
5. Уровень занятости населения (в возрасте 15-72 года) % позитивная
6. Уровень безработицы % негативная
7. Коэффициент бюрократизации человек на 10 000 населения негативная
II. Денежные доходы и жилищные условия населения
3. Денежные доходы населения
8. Коэффициент фондов раз негативная
9. Коэффициент Джини в долях негативная
10. Соотношение среднемесячной начисленной заработной % позитивная
платы работников организаций с величиной прожиточного
минимума
11. Соотношение среднего размера назначенных пенсий с % позитивная
величиной прожиточного минимума
12. Отношение среднедушевого денежного дохода к % позитивная
стоимости фиксированного набора потребительских
товаров и услуг
13. Удельный вес населения с денежными доходами ниже % негативная
величины прожиточного минимума в общей численности
населения
14. Число собственных легковых автомобилей (на конец штук на позитивная
года) 1000 человек населения
4. Жилищные условия населения
15. Общая площадь жилых помещений, приходящаяся в квадратных позитивная
среднем на одного жителя (на конец года) метров
16. Удельный вес аварийного жилищного фонда в общей % негативная
площади всего жилищного фонда
Продолжение табл. 1
Тенденция
Наименование показателя Единица измерения роста показателя в динамике
III. Образование и здравоохранение
5. Образование
17. Охват детей дошкольным образованием (на конец года) в % от численности детей соответствующего возраста позитивная
18. Выпуск специалистов среднего звена человек на 10 000 населения позитивная
19. Выпуск бакалавров, специалистов и магистров человек на 10 000 населения позитивная
20. Число персональных компьютеров, используемых в на 1000 позитивная
учебных целях, в государственных и муниципальных обучающихся
организациях, осуществляющих образовательную
деятельность по программам высшего образования
6. Здравоохранение
21. Число больничных коек (на конец года) на 10 000 человек населения позитивная
22. Мощность амбулаторно-поликлинических организаций посещений в смену позитивная
(на конец года) на 10 000 человек населения
23. Численность врачей всех специальностей (на конец человек на 10 000 позитивная
года) населения
24. Заболеваемость (зарегистрировано заболеваний у на 1000 человек негативная
пациентов с диагнозом, установленным впервые в жизни) населения
IV. Наука и инновации
7. Наука
25. Удельный вес персонала, занятого научными % позитивная
исследованиями и разработками, в численности занятых
(в возрасте 15-72 года)
26. Удельный вес исследователей, имеющих ученую % позитивная
степень в общей численности исследователей
27. Отношение внутренних затрат на научные % позитивная
исследования и разработки к валовому региональному
продукту
8. Инновации
28. Соотношение количества поданных патентных заявок единиц на позитивная
на изобретения с численностью рабочей силы (в возрасте 1000000 человек
15-72 года)
29. Соотношение количества разработанных передовых единиц на позитивная
производственных технологий с численностью рабочей 1000000 человек
силы (в возрасте 15-72 года)
30. Инновационная активность организаций (удельный % позитивная
вес организаций, осуществлявших технологические,
организационные и маркетинговые инновации в общем
числе организаций)
31. Удельный вес затрат на технологические инновации в % позитивная
общем объеме отгруженных товаров, выполненных работ и
оказанных услуг
32. Удельный вес инновационных товаров, работ и услуг в % позитивная
общем объеме отгруженных товаров, выполненных работ и
оказанных услуг
Окончание табл. 1
Наименование показателя Единица измерения Тенденция роста показателя в динамике
V. Прочие показатели
9. Преступность
33. Число зарегистрированных преступлений на 100 000 человек населения негативная
Источник: составлено авторами.
Показатели, характеризующие качество жизни населения в регионах страны, как правило, выражены в разных единицах измерения. Обеспечение сопоставимости данных осуществляется в результате нормирования значений показателей, которое в нашем случае производится в регионально-временном разрезе по ниже приведенной формуле:
X =
X - X
X. - X.
г max г ш]
X- — X,
X,_ — X,.,
-, при позитивной тенденции роста показателя; -, в обратной ситуации.
(1)
где X. — фактическое значение i-го показателя для любого региона страны в определенный год;
X .. X — соответственно, наименьшее и наибольшее значение i-го показателя
min max '
среди всех регионов страны за исследуемый период времени.
Расчет индекса, отражающего качество жизни населения регионов страны, в нашем случае производится также в регионально-временном разрезе по формуле простой средней арифметической:
I *
У = , (2)
п
где п — количество показателей.
Аналогичным образом определяются значения и четырех субиндексов.
Далее по данным региональной статистики (Регионы России. Социально-экономические показатели, 2018) производится оценка качества жизни населения всех субъектов РФ за 2010-2017 гг. Результаты такой оценки в рамках исследования представляются в форме соответствующего рейтинга российских регионов (см. табл. 2).
Лидерами среди российских регионов по качеству жизни населения в исследуемом периоде являлись столичные города (Санкт-Петербург и Москва). Причем северная столица уверенно занимала первое место, за исключением только 2015 г. (вторая позиция в рейтинге, уступая лишь официальной столице страны).
Таблица 2
Рейтинг регионов России по качеству жизни населения
Субъект РФ Место региона в рейтинге «Качество жизни населения»
2010 2011 2012 2013 2014 2015 2016 2017
1. Белгородская область 19 20 19 18 16 11 7 7
2. Брянская область 68 68 66 68 70 60 56 65
3. Владимирская область 49 39 36 35 31 30 42 36
4. Воронежская область 24 15 14 14 15 10 14 11
5. Ивановская область 21 26 16 34 40 38 41 33
6. Калужская область 9 9 7 8 13 13 16 12
7. Костромская область 54 60 61 62 65 51 51 59
8. Курская область 22 19 18 15 14 16 12 16
9. Липецкая область 13 12 11 10 11 8 8 8
10. Московская область 5 5 4 5 4 3 3 3
11. Орловская область 30 31 51 44 43 43 40 46
12. Рязанская область 34 32 27 28 24 25 18 23
13. Смоленская область 29 40 50 48 52 52 60 50
14. Тамбовская область 39 50 39 36 36 29 23 24
15. Тверская область 37 35 32 33 37 45 37 25
16. Тульская область 35 36 26 39 32 24 19 35
17. Ярославская область 7 8 9 11 7 15 13 17
18. г. Москва 2 2 2 2 2 1 2 2
19. Республика Карелия 23 34 30 37 44 54 54 60
20. Республика Коми 44 38 43 41 48 49 55 51
21. Архангельская область 41 51 37 49 59 62 58 56
22. Вологодская область 64 62 64 65 56 57 67 67
23. Калининградская область 58 52 48 40 51 34 39 54
24. Ленинградская область 32 37 35 16 41 44 38 38
25. Мурманская область 10 14 10 9 18 19 25 21
26. Новгородская область 47 56 46 51 55 41 35 40
27. Псковская область 65 67 60 57 53 64 66 70
28. г. Санкт-Петербург 1 1 1 1 1 2 1 1
29. Республика Адыгея 59 54 53 55 61 58 47 55
30. Республика Калмыкия 74 73 73 71 71 66 34 26
31. Краснодарский край 56 59 47 54 60 53 44 31
32. Астраханская область 42 49 55 50 38 27 29 28
33. Волгоградская область 33 42 52 45 35 33 32 39
34. Ростовская область 55 58 49 56 46 40 46 53
35. Республика Дагестан 78 78 77 76 76 77 75 76
36. Республика Ингушетия 80 80 80 80 80 80 80 79
37. Кабардино-Балкарская Республика 66 61 59 61 58 71 69 68
38. Карачаево-Черкесская Республика 53 46 63 73 72 73 72 72
39. Республика Северная Осетия - Алания 12 21 20 23 33 36 31 27
40. Чеченская Республика 79 79 79 78 78 78 76 75
41. Ставропольский край 51 43 40 38 25 22 27 29
42. Республика Башкортостан 46 47 44 53 42 47 45 45
43. Республика Марий Эл 67 66 65 60 63 63 62 58
44. Республика Мордовия 18 10 24 17 9 9 10 14
45. Республика Татарстан 8 6 6 7 6 6 6 6
Окончание табл. 2
Субъект РФ Место региона в рейтинге «Качество жизни населения»
2010 2011 2012 2013 2014 2015 2016 2017
46. Удмуртская Республика 15 18 22 30 28 35 33 42
47. Чувашская Республика 27 30 21 25 19 17 20 18
48. Пермский край 52 64 67 59 62 65 64 62
49. Кировская область 38 45 42 52 39 46 48 43
50. Нижегородская область 6 7 5 3 3 4 4 4
51. Оренбургская область 28 29 38 31 27 37 43 44
52. Пензенская область 48 33 25 19 20 20 24 19
53. Самарская область 43 41 31 32 30 31 30 34
54. Саратовская область 20 22 23 27 29 21 26 32
55. Ульяновская область 26 27 28 29 34 39 36 30
56. Курганская область 73 74 71 72 75 72 74 73
57. Свердловская область 14 13 13 13 17 14 15 15
58. Тюменская область 50 55 58 58 47 50 50 47
59. Челябинская область 16 16 17 20 23 28 21 20
60. Республика Алтай 77 76 75 75 74 74 77 78
61. Республика Бурятия 71 71 72 69 68 70 65 69
62. Республика Тыва 75 77 78 79 79 79 79 80
63. Республика Хакасия 57 63 68 66 67 69 68 63
64. Алтайский край 69 69 70 67 66 67 70 66
65. Забайкальский край 72 72 74 74 73 75 73 74
66. Красноярский край 61 53 56 42 49 55 57 61
67. Иркутская область 63 65 57 63 57 48 59 52
68. Кемеровская область 60 57 54 64 64 61 61 57
69. Новосибирская область 11 11 12 12 10 12 11 10
70. Омская область 17 28 45 43 54 56 52 49
71. Томская область 4 4 8 6 5 5 5 5
72. Республика Саха (Якутия) 70 70 69 70 69 68 71 71
73. Камчатский край 25 17 15 21 22 23 22 22
74. Приморский край 45 44 34 46 45 42 49 41
75. Хабаровский край 31 24 33 24 26 26 17 13
76. Амурская область 62 48 62 47 50 59 63 64
77. Магаданская область 3 3 3 4 8 7 9 9
78. Сахалинская область 40 25 29 22 21 32 53 48
79. Еврейская автономная область 76 75 76 77 77 76 78 77
80. Чукотский автономный округ 36 23 41 26 12 18 28 37
Источник: расчеты авторов по данным (Регионы России. Социально-экономические показатели, 2018).
В исследуемом периоде произошло укрепление конкурентных позиций Московской области по качеству жизни населения. Так, если в 2010-2014 гг. указанный регион страны попеременно занимал четвертые-пятые места в соответствующем рейтинге, то на протяжении последних трех лет находился на третьей позиции. В группу регионов-лидеров России по качеству жизни населения в исследуемом периоде также входили Нижегородская и Томская области, Республика Татарстан. На другом полюсе рейтинга в 2010-2017 гг. оказались Республики Тыва, Ингушетия, Алтай и Дагестан, а также Чеченская Республика, т.е. ряд регионов Сибири и Северного Кавказа.
Исходя из вышесказанного, можно сделать предварительный вывод о «центр-периферийном» распределении по качеству жизни населения российских регионов. При этом ярко выраженной является прямая связь между качеством жизни населения и близостью субъекта РФ к «центрам» страны, т.е. регионам со столицами федеральных округов.
Оценим степень расслоения российских регионов по качеству жизни населения исходя из расчета и анализа ряда показателей вариации (см. табл. 3).
Таблица 3
Оценка степени расслоения регионов России по качеству жизни населения
Показатель 2010 2011 2012 2013 2014 2015 2016 2017
Индекс «Качество жизни населения»
Наибольшее значение индекса 0,575 0,595 0,600 0,600 0,585 0,581 0,590 0,582
Наименьшее значение индекса 0,265 0,279 0,287 0,279 0,319 0,340 0,363 0,364
Отношение наибольшего значения индекса к наименьшему 2,2 2,1 2,1 2,2 1,8 1,7 1,6 1,6
Коэффициент вариации индекса 0,097 0,098 0,095 0,096 0,092 0,091 0,085 0,083
Субиндекс «Население и труд»
Наибольшее значение субиндекса 0,813 0,835 0,835 0,848 0,859 0,854 0,875 0,875
Наименьшее значение субиндекса 0,395 0,434 0,451 0,454 0,450 0,483 0,477 0,529
Отношение наибольшего значения субиндекса к наименьшему 2,1 1,9 1,9 1,9 1,9 1,8 1,8 1,7
Коэффициент вариации субиндекса 0,109 0,099 0,105 0,098 0,097 0,090 0,088 0,083
Субиндекс «Денежные доходы и жилищные условия населения»
Наибольшее значение субиндекса 0,639 0,667 0,688 0,677 0,688 0,703 0,745 0,705
Наименьшее значение субиндекса 0,341 0,368 0,401 0,369 0,363 0,374 0,428 0,401
Отношение наибольшего значения субиндекса к наименьшему 1,9 1,8 1,7 1,8 1,9 1,9 1,7 1,8
Коэффициент вариации субиндекса 0,104 0,104 0,096 0,100 0,100 0,102 0,094 0,103
Субиндекс «Образование и здравоохранение»
Наибольшее значение субиндекса 0,622 0,588 0,574 0,585 0,590 0,560 0,583 0,536
Наименьшее значение субиндекса 0,146 0,127 0,123 0,123 0,167 0,207 0,228 0,247
Отношение наибольшего значения субиндекса к наименьшему 4,3 4,6 4,6 4,7 3,5 2,7 2,6 2,2
Коэффициент вариации субиндекса 0,163 0,166 0,157 0,161 0,146 0,134 0,123 0,116
Субиндекс «Наука и инновации»
Наибольшее значение субиндекса 0,376 0,388 0,414 0,414 0,384 0,460 0,392 0,332
Наименьшее значение субиндекса 0,067 0,069 0,067 0,073 0,067 0,077 0,069 0,071
Отношение наибольшего значения субиндекса к наименьшему 5,6 5,6 6,2 5,7 5,7 5,9 5,7 4,7
Коэффициент вариации субиндекса 0,409 0,405 0,403 0,393 0,381 0,388 0,397 0,381
Источник: расчеты авторов.
В 2010-2013 гг. степень расслоения российских регионов по качеству жизни населения практически не варьировалась. Начиная с 2014 г. ситуация кардинально изменилась: прослеживалась устойчивая тенденция конвергенции (сближения) субъектов РФ. На это указывает снижение в динамике как отношения наибольшего значения индекса к наименьшему, так и соответствующего коэффициента вариации. При этом необходимо отметить, что если, исходя из значений индекса и первых двух субиндексов, межрегиональные разрывы в исследуемом периоде составляли порядка двух раз, то по двум другим субиндексам наблюдалась более высокая степень расслоения. Так, в частности, «разрыв» между регионом-лидером и регионом-аутсайдером согласно субиндексу «Наука
и инновации» достигал 5,6 в 2010 и 2011 г., 5,7 в 2013, 2014 и 2016 г., 6,2 в 2012 г., 5,9 в 2015 г. и 4,7 в 2017 г. Отсюда можно сделать вывод, что сближение регионов России по качеству жизни населения возможно, прежде всего, за счет ускоренного выхода экономики регионов-аутсайдеров на инновационную траекторию развития, что, в свою очередь, невозможно без интенсификации процесса внедрения результатов фундаментальных и прикладных научных исследований. Углубим результаты ретроспективной оценки путем кластеризации регионов России по качеству жизни населения.
3. Кластеризация регионов России по качеству жизни населения
Решение задачи кластеризации осуществляется с помощью нейросетевых технологий методом самоорганизующихся карт Кохонена автоматизированных способом — в специальном программном продукте NeuroSolutions for Excel 6. Исходные данные для кластеризации - массив из усредненных (по формуле простой средней арифметической) статистических данных, а именно значений индекса и четырех субиндексов по всем субъектам РФ. Необходимость применения усредненных данных объясняется высокой вариацией индекса и субиндексов во временном разрезе (субъекты РФ значимо различаются по годам по тесту Фридмана (p < 0,05)).
На основе анализа наибольшего и наименьшего значений индекса (и субиндексов) было принято решение о необходимости объединения всех российских регионов по качеству жизни населения в пять кластеров. Правильность такого экспертного решения подтверждается результатами эмпирического исследования — искусственная нейронная сеть позволила корректно (с определенной ошибкой) распознать все точки (наблюдения).
Результаты кластеризации российских регионов по качеству жизни населения представлены в табл. 4.
Таблица 4
Кластеризация регионов России по качеству жизни населения
Кластер Субъект РФ Число регионов в кластере Качество жизни населения
ед. в % к итогу
Первый Калужская область, Липецкая область, Московская область, Ярославская область, г. Москва, г. Санкт-Петербург, Республика Татарстан, Нижегородская область, Новосибирская область, Томская область, Магаданская область 11 13,8 выше среднего
Второй Белгородская область, Воронежская область, Ивановская область, Курская область, Ленинградская область, Мурманская область, Ставропольский край, Республика Мордовия, Чувашская Республика, Пензенская область, Самарская область, Ульяновская область, Свердловская область, Челябинская область, Камчатский край, Хабаровский край, Сахалинская область 17 21,3 среднее
Третий Владимирская область, Орловская область, Рязанская область, Смоленская область, Тамбовская область, Тверская область, Тульская область, Республика Карелия, Республика Коми, Архангельская область, Калининградская область, Новгородская область, Астраханская область, Волгоградская область, Республика Северная Осетия - Алания, Республика Башкортостан, Удмуртская Республика, Кировская область, Оренбургская область, Саратовская область, Тюменская область, Кемеровская область, Омская область, Приморский край, Чукотский автономный округ 25 31,3 ниже среднего
Окончание табл. 4
Кластер Субъект РФ Число регионов в кластере Качество жизни населения
ед. в % к итогу
Четвертый Брянская область, Костромская область, Вологодская область, Псковская область, Республика Адыгея, Краснодарский край, Ростовская область, Республика Марий Эл, Пермский край, Республика Хакасия, Алтайский край, Красноярский край, Иркутская область, Амурская область 14 17,5 низкое
Пятый Республика Калмыкия, Республика Дагестан, Республика Ингушетия, Кабардино-Балкарская Республика, Карачаево-Черкесская Республика, Чеченская Республика, Курганская область, Республика Алтай, Республика Бурятия, Республика Тыва, Забайкальский край, Республика Саха (Якутия), Еврейская автономная область 13 16,3 очень низкое
Итого - 80 100 -
Источник: расчеты авторов.
Наиболее населенным оказался третий кластер (в его состав входило 25 регионов страны или практически одна треть от всех субъектов РФ), который характеризуется качеством жизни населения ниже среднего. Свыше одной трети субъектов РФ имело либо низкое, либо очень низкое качество жизни населения. Порядка 13,8 и 21,3% от общего количества российских регионов относились, соответственно, к первому и второму кластеру, т.е. характеризовались выше среднего и средним качеством жизни населения. При этом в кластерной структуре отсутствовали регионы страны с высоким или очень высоким качеством жизни населения.
Учитывая вышесказанное, можно сделать вывод о существенных резервах повышения качества жизни населения в большинстве российских регионов. Не исключением являются и регионы-лидеры.
4. Прогнозирование качества жизни населения в российских регионах
Результаты ретроспективной оценки, как и кластеризации регионов России по качеству жизни, не позволяют ответить на вопрос об ожидаемых изменениях изучаемого явления в будущем. Корректно ответить на этот вопрос позволяет прогнозирование. Поскольку гипотеза о зашумленности данных региональной статистики по ряду объективно-субъективных причин априори не отвергается, то прогнозирование изучаемого явления осуществляется с помощью нейросетевых технологий. При этом задача прогнозирования, так же как и кластеризации, решается автоматизированным способом в специальном программном продукте (NeuroSolutions for Excel 6) за несколько последовательных шагов. Кратко охарактеризуем условия нейромоделирования.
Шаг 1. Решение задачи прогнозирования на основе нейросетевых технологий предполагает разбиение исходной информации на обучающую и тестирующую выборки. В нашем случае это массив данных региональной статистики, соответственно, за 2010-2016 гг. и отчетный период (2017 г.).
Шаг 2. Выбирается топология искусственной нейронной сети. Наиболее распространенными на практике нейросетевыми решениями являются многослойные персептроны (MLP) — универсальные аппроксиматоры. Так, в соответствии с теоремой Мюллера-Рейнхарта (частный случай теоремы Колмогорова - Арнольда) двуслойный персептрон с конечным числом нейронов способен сколь угодно точно аппроксимировать
любую функцию многих переменных (Аюев, 2015, с. 43). Важным замечанием к теореме является тот факт, что оценка ансамбля всегда лучше оценки самой лучшей сети, входящей в ансамбль (Rissanen, 1978, p. 462-470). Учитывая вышесказанное, можно уточнить задачу следующим образом: необходимо осуществить прогнозирование качества жизни населения в российских регионах путем формирования адекватного байесовского ансамбля динамических нейросетей MLP-типа. Для оценки адекватности (интерпретации результатов тестирования) нейросетевой модели (НСМ) в программном продукте автоматически рассчитываются шесть статистических показателей: ненормализованная среднеквадратическая ошибка (MSE); нормированная среднеквадратическая ошибка (NMSE); средняя абсолютная ошибка (MAE); минимальная абсолютная ошибка (Min Abs Error); максимальная абсолютная ошибка (Max Abs Error); коэффициент корреляции расчетных и измеренных значений моделируемого показателя (r). Помимо указанных показателей исследователем самостоятельно определяется частотный критерий качества (простой и в то же время информативный показатель) нейросетевой модели по нижеприведенной формуле (Белолипцев, 2015, с. 120):
n* N
P =-, (3)
N
1 v test
где N * — количество «хороших» (распознанных с допустимой относительной погрешностью (£), задаваемой экспертно) точек;
Ntest — количество точек в тестовом множестве.
Шаг 3. Для предотвращения машинного переобучения сети (эффекта «бабушкиного обучения») (Букаев, 2001, с. 246) количество эпох (итераций) по модификации синаптических весов ограничивается 1000.
Шаг 4. Уточняется спецификация нейросетевых моделей. В ходе ряда вычислительных экспериментов было установлено, что адекватность байесовского ансамбля динамических нейросетей обеспечивается нелинейной зависимостью (между «выходным» показателем и «входными» переменными) следующего вида:
Л
y = f (x i,x Ii, xiv , xt ), (4)
где X, xip XIV — субиндекс, соответственно, население и труд, денежные доходы и жилищные условия населения, наука и инновации;
Xt — дополнительный фактор время (Букаев, 2001, с. 248).
Шаг 5. Определяется конфигурация (количество скрытых слоев и число нейронов в них) нейросетевых моделей, входящих в байесовский ансамбль. В программном продукте предусмотрена возможность поиска оптимального числа нейронов в одном из скрытых слоев нейросетевой модели при условии фиксированного их числа в остальных скрытых слоях. При этом как интервал значений числа нейронов в одном скрытом слое, так и шаг варьирования числа нейронов задается исследователем самостоятельно. Конфигурация байесовского ансамбля динамических нейросетей представлена в табл. 5.
В ходе проведения вычислительных экспериментов был сформирован байесовский ансамбль из пяти динамических нейросетевых моделей различной конфигурации. Поиск оптимального числа нейронов в одном из скрытых слоев осуществлялся при условии неизменности вида активационной функции как в выходном слое (линейная), так и скрытых слоях (гиперболический тангенс).
Таблица 5
Конфигурация байесовского ансамбля динамических нейросетей
Нейросетевая модель Варьируемое число нейронов (с единичным шагом) Оптимальное число нейронов
первый скрытый слой второй скрытый слой первый скрытый слой второй скрытый слой
НМС, 12...19 - 19 -
НСМ2 1...11 - 9 -
НМС3 20.29 - 23 -
НСМ4 9 1.11 - 11
НМС 1.11 9 8 -
Источник: расчеты авторов.
Результаты оценки байесовского ансамбля динамических нейросетей представлены в табл. 6.
Таблица 6
Оценка адекватности байесовского ансамбля динамических нейросетей
Показатель НСМ, НСМ2 НСМ3 НСМ, 4 НСМ„ 5 Байесовский ансамбль НСМ
MSE 0,00012 0,00012 0,00013 0,00011 0,00011 0,00012
NMSE 0,082 0,078 0,085 0,072 0,076 0,079
MAE 0,0083 0,0085 0,0085 0,0079 0,0082 0,0083
Min Abs Error 0,00008 0,00007 0,00016 0,00007 0,00035 0,00015
Max Abs Error 0,032 0,032 0,033 0,032 0,036 0,033
r 0,961 0,963 0,963 0,964 0,963 0,963
N* e = 5% 76 77 74 76 76 75,8
e = 8% 80 80 79 80 80 79,8
P* e = 5% 95 96,3 92,5 95 95 94,8
e = 8% 100 100 98,8 100 100 99,8
Источник: расчеты авторов.
Расчет и анализ показателей указывает на адекватность сформированного байесовского ансамбля из пяти динамических нейросетей.
Близкие значения основных показателей адекватности у всех нейромоделей свидетельствуют об устойчивости результатов аппроксимации данных региональной статистики изучаемого явления. А это, в свою очередь, позволяет сделать вывод о возможности прогнозирования качества жизни населения российских регионов с высокой степенью точности.
Учитывая тот факт, что наиболее достоверны результаты прогнозирования при соотношении продолжительности предшествующего периода (ретроспекции) и периода упреждения (проспекции) 2:1, сформируем среднесрочный прогноз значения индекса («выходного» показателя) для регионов-лидеров (первые шесть мест в рейтинге) России и Республики Башкортостан (занимает практически медианное положение) на 2018-2021 гг.
Ожидаемые значения «входных» переменных (за исключением последнего показателя в НСМ) определяются с помощью метода экстраполяции тренда. Решение об адекватности временной модели принимается на основе анализа значений коэффициента детерминации (К2) и средней ошибки аппроксимации (Е). Результаты построения временных моделей представлены в табл. 7.
Таблица 7
Тренды «входных» переменных нейросетевых моделей
Субъект РФ Субиндекс Вид уравнения тренда Показатели адекватности тренда
R2 E, %
10. Московская область «Население и труд» х1 = 0,000712+0,00461+0,7241 0,915 0,8
«Денежные доходы и жилищные условия населения» х п = 0,639210'0558 0,776 1,5
«Наука и инновации» х№ = -0,001712+0,02491+0,2091 0,925 2
18. Москва «Население и труд» х1= -0,000412+0,01231+0,805 0,935 0,5
«Денежные доходы и жилищные условия населения» хп = 0,000112+0,01591+0,4867 0,935 1,2
42. Республика Башкортостан «Население и труд» х1= 0,000812+0,00041+0,5999 0,851 1,1
«Денежные доходы и жилищные условия населения» хп = 0,53081°-06П 0,74 1,8
45. Республика Татарстан «Население и труд» х1= 0,66651°-0516 0,936 0,8
50. Нижегородская область «Население и труд» х1= -0,000212+0,01461+0,6056 0,974 0,7
«Денежные доходы и жилищные условия населения» хп= 0,5541°-0733 0,848 1,6
71. Томская область «Население и труд» х1 = -0,001712+0,02571+0,602 0,876 1,3
«Денежные доходы и жилищные условия населения» хп = 0,00000312+0,01151+0,5326 0,825 1,5
Источник: расчеты авторов.
Необходимо отметить, что не для всех российских регионов имеется возможность построения адекватного тренда, описывающего изменение определенного субиндекса качества жизни населения во времени. В этом случае прогнозирование «входных» переменных осуществляется на основе средних темпов роста по данным ретроспективного периода и условии их неизменности в будущем.
Результаты среднесрочного прогнозирования для регионов-лидеров России по качеству жизни населения и Республики Башкортостан представлены в табл. 8.
При условии сохранения тенденции изменения «входных» переменных в среднесрочной перспективе (по сравнению с отчетным годом) ожидаются изменения в тройке регионов-лидеров России по качеству жизни населения.
Так, первые-вторые места в 2018-2021 гг. должны разделить два субъекта РФ: г. Санкт-Петербург и Московская область. Это должно произойти в результате как прогнозируемого увеличения индекса качества жизни населения у Московской области, так и сокращения аналогичного показателя для северной столицы страны. При этом в результате ожидаемого ослабления конкурентных позиций г. Москва должен опуститься на одну строчку в соответствующем рейтинге, т.е. со второго на третье место.
Несмотря на прогнозируемый рост «выходного» показателя у Республики Башкортостан в среднесрочном периоде ожидается сохранение существенного разрыва по качеству жизни населения между субъектами-лидерами РФ и указанным регионом.
Таблица 8
Прогнозирование «выходного» показателя и «входных» переменных нейросетевых моделей
Субъект РФ Горизонт прогнозирования Прогнозное значение:
субиндекса «Население и труд» субиндекса «Денежные доходы и жилищные условия населения» субиндекса «Наука и инновации» индекса «Качество жизни населения»
10. Московская область 2018 г. 0,822 0,723 0,296 0,563
18. Москва 0,883 0,638 0,306 0,554
28. Санкт-Петербург 0,846 0,690 0,312 0,563
42. Республика Башкортостан 0,668 0,615 0,140 0,463
45. Республика Татарстан 0,747 0,679 0,257 0,528
50. Нижегородская область 0,721 0,651 0,338 0,533
71. Томская область 0,696 0,636 0,305 0,516
10. Московская область 2019 г. 0,840 0,727 0,288 0,562
18. Москва 0,888 0,656 0,298 0,555
28. Санкт-Петербург 0,852 0,699 0,312 0,562
42. Республика Башкортостан 0,684 0,619 0,140 0,469
45. Республика Татарстан 0,751 0,687 0,268 0,531
50. Нижегородская область 0,732 0,656 0,344 0,535
71. Томская область 0,689 0,648 0,310 0,517
10. Московская область 2020 г. 0,859 0,731 0,277 0,561
18. Москва 0,892 0,674 0,290 0,555
28. Санкт-Петербург 0,858 0,708 0,312 0,561
42. Республика Башкортостан 0,701 0,623 0,140 0,474
45. Республика Татарстан 0,754 0,695 0,279 0,534
50. Нижегородская область 0,742 0,660 0,350 0,537
71. Томская область 0,679 0,659 0,314 0,517
Окончание табл. 8
Субъект РФ Горизонт прогнозирования Прогнозное значение:
субиндекса «Население и труд» субиндекса «Денежные доходы и жилищные условия населения» субиндекса «Наука и инновации» индекса «Качество жизни населения»
10. Московская область 2021 г. 0,880 0,734 0,263 0,559
18. Москва 0,895 0,692 0,283 0,555
28. Санкт-Петербург 0,865 0,716 0,311 0,560
42. Республика Башкортостан 0,720 0,627 0,140 0,480
45. Республика Татарстан 0,758 0,703 0,291 0,536
50. Нижегородская область 0,752 0,665 0,356 0,538
71. Томская область 0,666 0,671 0,319 0,517
Источник: расчеты авторов.
В 2018-2021 гг. прогнозируются определенные изменения и во второй тройке регионов-лидеров России. Так, если по-прежнему на четвертом месте рейтинга «Качество жизни населения» должна остаться Нижегородская область, то в результате ожидаемых разнонаправленных тенденций изменения индекса в среднесрочной перспективе прогнозируется перемещение на одну строчку вверх/вниз такого рейтинга, соответственно, Республики Татарстан и Томской области.
Заключение
Важность и актуальность для современной России решения проблемы повышения качества жизни населения практически во всех регионах не вызывает сомнений. На это указывает постоянное включение Президентом РФ В.В. Путиным в ежегодное послание Федеральному собранию ряда вопросов, направленных на необходимость обеспечения благополучия населения страны за счет не только экономического роста традиционными способами, но и технологического «прорыва», происходящего на фоне реформирования системы государственного управления. Научное сообщество активно поддерживает такие инициативы высшего руководства страны, при этом отмечая важность повышения роли всего населения в проводимой социокультурной модернизации регионов.
На основе проведенного обзора научной литературы можно сделать вывод о том, что в настоящее время накоплен большой опыт (преимущественно зарубежный) проведения ретроспективной оценки качества жизни населения страны и ее регионов индексными методами. Индексы, построенные на базе статистических данных, позволяют комплексно и одновременно объективно охарактеризовать изучаемое явление. При этом различным индексам, как правило, присущи методологические особенности расчета агрегированных показателей, заключающиеся в количестве и группировке индикаторов, способе нормировки значений показателей, необходимости учета важности (через дифференцированные весовые коэффициенты) индикаторов в результатах общей оценки и, наконец, применяемой формулы определения итоговых показателей.
Несколько иная ситуация сложилась в части кластеризации и тем более прогнозирования качества жизни в российских регионах. Так, необходимо отметить, что в настоящее время для решения прикладных социально-экономических задач (кластеризации и прогнозирования) редко применяются высокоточные нейросетевые технологии, которые широко распространены в ряде других наук и областей научных исследований (математика, физика, химия, биология, медицина и т.д.).
Проведенная ретроспективная оценка по авторской методике свидетельствует о том, что более высокое качество жизни населения обеспечивается в «центральных» регионах России (столицы страны, как правило, и субъекты со столицами федеральных округов). В таких субъектах страны относительное (по сравнению с другими регионами России) экономическое благополучие позволяет решать ряд социальных проблем.
Анализ степени расслоения позволяет сделать вывод об устойчивой тенденции конвергенции (сближения) регионов-лидеров и регионов-аутсайдеров по качеству жизни населения, наблюдаемой начиная с 2013 г., за счет как укрепления конкурентных позиций регионов-аутсайдеров, так и некоторого ослабления конкурентных позиций регионов-лидеров. Однако и в настоящее время существуют значительные межрегиональные «разрывы» в сфере науки, образования и здравоохранения, а также инновационного развития региональных экономик.
Результаты кластеризации позволяют сделать вывод о низком качестве структуры субъектов РФ по изучаемому явлению. Так, в настоящее время в составе российских регионов отсутствуют субъекты РФ, характеризующиеся очень высоким или высоким уровнем качества жизни населения. При этом большая часть населения имеет качество жизни ниже среднего. Значительные резервы социального развития наблюдаются и у регионов-лидеров (на это указывает расчет, и анализ изменения в динамике индекса, который не превышает 0,6).
В ходе нейромоделирования подтвердилась гипотеза о возможности с высокой степенью точности среднесрочного прогнозирования качества жизни населения в российских регионах на основе формирования адекватного байесовского ансамбля из пяти динамических нейросетей различной конфигурации.
Экономическая интерпретация результатов среднесрочного прогнозирования позволяет сделать вывод о некоторых ожидаемых изменениях в группе регионов-лидеров России по качеству жизни населения. Так, в частности, должно произойти некоторое ослабление конкурентных позиций столицы страны и, наоборот, укрепление конкурентных позиций другого региона-лидера России — Республики Татарстан. Также ожидается и повышение качества жизни населения в Республике Башкортостан. Однако по-прежнему между Республикой Башкортостан и регионами-лидерами прогнозируется сохранение достаточно большого межрегионального «разрыва» по качеству жизни населения. Учитывая результаты ретроспективной оценки, сокращение такого «разрыва» возможно в результате ускоренного перехода экономики республики на инновационную траекторию развития.
На наш взгляд, предложенная методика может выступить научной основной актуализации положений социально-экономической политики российских регионов. Универсальность подхода (в случае замены базы сравнения для всей системы показателей) позволит проводить корректную оценку международной позиции субъектов РФ по качеству жизни населения.
Благодарность
Научный коллектив выражает благодарность Р.М. Нурееву за ценные замечания, направленные на повышение качества подготовленного исследования.
СПИСОК ЛИТЕРАТУРЫ
Абдрахманова Г. И., Бахтин П. Д., Гохберг Л. М. (2017). Рейтинг инновационного развития субъектов Российской Федерации. Выпуск 5. М.: НИУ ВШЭ, 260 с.
Айвазян С. А. (2012). Анализ качества и образа жизни населения (эконометрический подход). М.: Наука, 432 с.
Аюев В. В., Белов Ю. С., Логинов Б. М., Логинова М. Б. (2015). Нейросетевое моделирование в NeuroSolutions. Калуга: Издательство МГТУ им. Н.Э. Баумана, 324 с.
БелолипцевИ.И.,ГорбатковС. А.,РомановА.Н., ФархиеваС.А. (2015).Моделирование управленческих решений в сфере экономики в условиях неопределенности: Монография. М.: ИНФРА-М, 299 с.
Букаев Г. И., Бублик Н. Д., Горбатков С. А., Сатаров Р. Ф. (2001). Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 344 с.
Вольчик В. В. (2014). Институциональные изменения, коллективные действия и социальные ценности // Научные труды Донецкого национального технического университета. Серия: экономическая, № 1, с. 80-89.
Гагарина Г. Ю., Губарев Р. В., Дзюба Е. И., Файзуллин Ф. С. (2017). Прогнозирование социально-экономического развития российских регионов // Экономика региона, № 4, с. 1080-1094.
Гринберг Р. С., Ахунов Р. Р., Володин А. И., Губарев Р. В., Дзюба Е. И. (2018). Новая (смешанная) система оплаты труда российских госслужащих «по результатам» // Экономические и социальные перемены: факты, тенденции, прогноз, № 6, с. 163-183.
Земцов С. П., Бабурин В. Л. (2017). Как оценить эффективность региональных инновационных систем в России // Инновации, № 2, с. 60-66.
Игнатьева Е. Д., Мориев О. С. (2013). Методология и инструментарий структурно-функционального анализа регионального развития // Экономика региона, № 1, с. 226237.
Ладыкова Т. И., Берсенев В. Л. (2018). Типология макроэкономических параметров доходов населения // Экономика региона, № 2, с. 380-394.
Леньков Р. В. (2018). Социально-ресурсная поддержка населением с высшим образованием политики социокультурной модернизации регионов // Экономические и социальные перемены: факты, тенденции, прогноз, № 6, с. 202-211.
Литвинцева Г. П., ЩеколдинВ. Ю., ШицЕ. А. (2017). Прогнозирование результатов инновационной деятельности с учетом значимых факторов в российских регионах // Проблемы прогнозирования, № 5, с. 88-98.
Найден С. Н., Белоусова А. В. (2018). Методический инструментарий оценки благосостояния населения: межрегиональное сопоставление // Экономика региона, № 1, с. 53-68.
Нуреев Р. М. (2012). Проблемы развития человеческого капитала // Журнал институциональных исследований, № 1, с. 4-8.
Нуреев Р. М. (2010). Россия после кризиса - эффект колеи // Журнал институциональных исследований, № 2, с. 7-26.
Нуреев Р. М., Латов Ю. В. (2010). Россия и Европа: эффект колеи (опыт институционального анализа истории экономического развития). Калининград: Изд-во РГУ им. И. Канта, 529 с.
Нуреев Р. М., Нифаева О. В. (2016). Этические факторы повышения социального капитала в России // Вопросы регулирования экономики, № 2, с. 20-37.
Нуреев Р. М., Шульгин С. Г. (2013). Распределение доходов населения и электоральное поведение в регионах России (по итогам президентских выборов 2012 г.) // Журнал новой экономической ассоциации, № 4, с. 84-108.
Овчинников В. Н., Кетова Н. П. (2016). Системодополняющий эффект взаимодействия инновационного потенциала и институциональной среды региона // Экономика региона, № 2, с. 537-546.
Полтерович В. М. (2001). Трансплантация экономических институтов // Экономическая наука современной России, № 3, с. 24-50.
Послание Президента Федеральному собранию (2018). (http://www.kremlin.ru/events/ president/news/56957).
Послание Президента Федеральному собранию (2019). (http://www.kremlin.ru/events/ president/news/59863).
Регионы России. Социально-экономические показатели (2018). Статистический сборник / С.Н. Егоренко, Н.С. Бугакова, Л.М. Гохберг и др. М.: Росстат, 1162 с.
Рюкер-Шефер П., Фишер Б., Кьероз С. (2018). Не только образование: роль исследовательских университетов в инновационных экосистемах // Форсайт, № 2, с. 50-61.
Третьякова Е. А., Осипова М. Ю. (2018). Оценка показателей устойчивого развития регионов России // Проблемы прогнозирования, № 2, с. 24-35.
Устюжанина Е. В., Дементьев В. Е., Евсюков С. Г., Сухинин И. В. (2015). Институциональная экономика. М.: Российский экономический университет им. Г.В. Плеханова, 288 с.
Чередниченко Л. Г., Губарев Р. В., Дзюба Е. И., Файзуллин Ф. С. (2018). Прогнозирование социального развития регионов России // Финансы: теория и практика, № 6, с. 132-152.
Шматова Ю. Е., Морев М. В. (2015). Измерение уровня счастья: литературный обзор российских и зарубежных исследований // Экономические и социальные перемены: факты, тенденции, прогноз, № 3, с. 141-162.
David, Paul A. (1985). Clio and the Economics of QWERTY // American Economic Review, 2, 332-337.
Diener, Ed. (2013). Rising income and the subjective well-being of nations // Journal of Personality and Social Psychology, 2, 267-276.
Easterlin, R. (1974). Does Economic Growth Improve the Human Lot? Some Empirical Evidence. In P. David, M. Reder (Eds.) Nations Are Households in Economic Growth. New York: Academic Press, 89-125. (http://dx.doi.org/10.1016/b978-0-12-205050-3.50008-7).
Easterlin, R. (2010). The Happiness-Income Paradox Revisited. Proceedings of the National Academy of Sciences the United States of America. (http://www.pnas.org/ content/107/52/22463).
Hagerty, M., Veenhoven, R. (2003). Wealth and Happiness Revisited Growing wealth of nations does go with greater happiness // Social Indicators Research, 64, 1-27.
Rissanen, J. (1978). Modeling by shortest data description // Automatica, 14, 465-471.
Sen, A., Stiglitz, J., Fitoussy, J. (2010). Mis-measuring our Lives: why GDP does not add up: The Report by the Commission on the Measurement of Economic Performance and Social Progress. New York: New Press Distributed by Perseus Distribution.
Thaler, R., Sunstein, С. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. New York: Yale University Press.
REFERENCES
Abdrakhmanova, G., Bakhtin, P., Gokhberg, L. (2017). Russian Regional Innovation Scoreboard. Issue 5. Moscow: HSE, 260 p. (In Russian).
Aivazian, S. (2012). Quality of life and living standarts analysis (econometric approach). M: Nauka, 432 p. (In Russian).
Ayuev, V., Belov, Yu., Loginov, B., Loginova, M. (2015). Neural network modeling in NeuroSolutions. Kaluga: MSTU Publishing House. N.E. Bauman, 324 p. (In Russian).
Beloliptsev, I., Gorbatkov, S., Romanov, A., Farkhieva, S. (2015). Modeling of management decisions in the economy in conditions of uncertainty. Moscow: Infra-M Publishing, 299 p. (In Russian).
Bukaev, G., Bublik, N., Gorbatkov, S., Sattarov, R. (2001). Modernization of the tax control system based on neural network information technologies. Moscow: Publishing Science, 344 p. (In Russian).
Cherednichenko, L., Gubarev, R., Dzyuba, E., Fayzullin, F. (2018). Social Development Forecast for Russian Regions. Finance: theory and practice, 6, 132-152. (In Russian).
David, Paul A. (1985). Clio and the Economics of QWERTY. American Economic Review, 2, 332-337.
Diener, Ed. (2013). Rising income and the subjective well-being of nations. Journal of Personality and Social Psychology, 2, 267-276.
Easterlin, R. (1974). Does Economic Growth Improve the Human Lot? Some Empirical Evidence. In P. David, M. Reder (Eds.) Nations Are Households in Economic Growth. New York: Academic Press, 89-125. (http://dx.doi.org/10.1016/b978-0-12-205050-3.50008-7).
Easterlin, R. (2010). The Happiness-Income Paradox Revisited. Proceedings of the National Academy of Sciences the United States of America. (http://www.pnas.org/ content/107/52/22463).
Gagarina, G., Dzyuba, E., Gubarev, R., Fayzullin, F. (2017). Forecasting of Socio-Economic Development of the Russian Regions. Economy of Region, 4, 1080-1094. (In Russian).
Grinberg, R., Akhunov, R., Volodin, A., Gubarev, R., Dzyuba, E. (2018). Performance-based pay - a new (mixed) payment scheme for Russian civil servants. Economic and Social Changes: Facts, Trends, Forecast, 6, 163-183. (In Russian).
Hagerty, M., Veenhoven, R. (2003). Wealth and Happiness Revisited Growing wealth of nations does go with greater happiness. Social Indicators Research, 64, 1-27.
Ignatyeva, Ye., Mariev, O. (2013). Methodology attitude and instruments for structural and functional analysis of the regional development. Economy of Region, 1, 226-237. (In Russian).
Ladykova, T., Bersenyov, V. (2018). Typology of Macroeconomic Parameters of Population Income. Economy of Region, 2, 380-394. (In Russian).
Len'kov, R. (2018). Provision of social and resource support to the policy of socio-cultural modernization of regions by the population with higher education. Economic and Social Changes: Facts, Trends, Forecast, 6, 202-211. (In Russian).
Litvintseva, G., Shchekoldin, V., Schits, E. (2017). Forecasting the results of innovative activity taking into account significant factors in the regions of Russia. Studies on Russian Economic Development, 5, 88-98. (In Russian).
Message from the President to the Federal Assembly (2018). (http://www.kremlin.ru/ events/president/news/56957). (In Russian).
Message from the President to the Federal Assembly (2019). (http://www.kremlin.ru/ events/president/news/59863). (In Russian).
Naiden, S., Belousova, A. (2018). Methodological Tools to Assess of the Population Welfare: Interregional Comparison. Economy of Region, 1, 53-68. (In Russian).
Nureev, R. (2010). Russia after crisis - gauge effect. Journal of Institutional Studies, 2, 7-26. (In Russian).
Nureev, R. (2012). Problems of human capital development. Journal of institutional studies, 1, 4-8. (In Russian).
Nureev, R., Latov, Yu. (2010). Russia and Europe: the gauge effect (the experience of institutional analysis of the history of economic development). Kaliningrad: Publishing House of RSU. I. Kant, 529 p. (In Russian).
Nureev, R., Nifaeva, O. (2016). Ethical factors of social capital increasing in Russia. Journal of economic regulation, 2, 20-37. (In Russian).
Nureev, R., Shulgin, S. (2013). Income Distribution and Voting Behavior in the Russian Regions (on the Presidential Election in 2012). Journal of the New Economic Associations, 4, 84-108. (In Russian).
Ovchinnikov, V., Ketova, N. (2016). The System-Supplementing Effect of the Interaction between Innovative Capacity and Institutional Environment Factors of a Region. Economy of Region, 2, 537-546. (In Russian).
Polterovich, V.(2001). Transplantation of Economic Institutions. Economics of Contemporary Russia, 1, 24-50. (In Russian).
Regions of Russia. Socio-economic indicators (2018). Statistical collection / S. Egorenko, N. Bugakova, L. Gokhberg. Moscow: Rosstat, 1162 p. (In Russian).
Rissanen, J. (1978). Modeling by shortest data description. Automatica, 5, 465-471.
Rücker-Schaeffer, P., Fischer, B., Queiroz, S. (2018). Beyond Education: The Role of Research Universities in Innovation Ecosystems. Foresight and STI Governance, 2, 50-61. (In Russian).
Sen, A., Stiglitz, J., Fitoussy, J. (2010). Mis-measuring our Lives: why GDP does not add up: The Report by the Commission on the Measurement of Economic Performance and Social Progress. New York: New Press Distributed by Perseus Distribution.
Shmatova, Yu., Morev, M. (2015). Assessing the Level of Happiness: a Review of Russian and Foreign Research. Economic and Social Changes: Facts, Trends, Forecast, 3, 141-162. (In Russian).
Thaler, R., Sunstein, C. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. New York: Yale University Press.
Tret'yakova, E., Osipova, M. (2018). Evaluation of Sustainable Development Indicators for Regions of Russia. Studies on Russian Economic Development, 2, 24-35. (In Russian).
Ustyuzhanina, E., Dementiev, V., Evsyukov, S., Sukhinin, I. (2015). Institutional economy. Moscow: Plekhanov Russian University of Economics, 288 p. (In Russian).
Volchik, V. (2014). Institutional Changes, Collective Actions and Social Values. Scientific works of the Donetsk National Technical University. Series: Economic, 1, 80-89. (In Russian).
Zemtsov, S., Baburin, V. (2017). How to assess an efficiency of regional innovation systems in Russia? Innovations, 2, 60-66. (In Russian).
