Эконометрический анализ уровня дифференциации регионов России по показателям бедности населения

Бедность населения и проблемы, связанные с ней, в современной экономической ситуации, являются одной из лидирующих по популярности тем, исследуемых учеными-обществоведами, экономистами, специалистами в области обеспечения экономической безопасности. Главная цель любого государства – обеспечение достойного уровня и качества жизни своим гражданам, что, в свою очередь, возможно только при условии решения указанной социально-экономической проблемы.

К сожалению, с переходом к рыночной экономике особенностью Российской Федерации в сравнении с большинством развитых стран стала высокая степень неравномерности регионального развития по широкому кругу показателей, прежде всего, показателям уровня и динамики бедности и малообеспеченности. Данный факт можно прямо трактовать как угрозу экономической и национальной безопасности России, борьба с которой является одной из первоочередных задач, стоящих перед государством. Межрегиональная дифференциация прослеживается сегодня во всех сферах региональной экономики, начиная с уровня научно-технического развития и заканчивая исследуемой в данной работе проблемы бедности населения [2, с. 112]. Этим и обуславливается актуальность исследуемой темы.

В экономической теории под бедностью понимается ситуация, когда население страны или региона имеет доходы ниже величины официально установленного прожиточного минимума. За два десятилетия, прошедшие с начала рыночных преобразований в России, численность такого населения в стране значительно снизилась, но все еще продолжает оставаться довольно высоким, особенно по меркам развитых стран: в 2019 году численность населения с доходами ниже прожиточного минимума составила 12,3% от общей численности населения. [3] Эконометрический анализ поможет выявить влияющие на данную проблему факторы, которые стоит учесть при разработке мероприятий социальной политики, направленной на снижение уровня бедности и малообеспеченности населения России.

В качестве индикатора, характеризующего уровень бедности населения, как правило, используется доля населения с доходами ниже величины прожиточного минимума (в % от общей численности населения). Именно этот показатель будет рассматриваться в данной работе. Также названный показатель входит в список утвержденных индикаторов оценки состояния экономической безопасности, что позволяет с его использованием осуществлять выявление и анализ угроз в региональной экономике [7, с. 200].

Дифференциация регионов по уровню бедности в России настолько велика, что целесообразно объединить их в несколько типов (классов). Границами перехода от одного типа к другому могут быть установлены соответствующие пороговые значения. Чтобы в первой степени приближения оценить «разброс» в значениях показателей бедности, можно рассчитать показатель «размах вариации», представляющий собой разность между наибольшим и наименьшим значением показателя. В 2019 году максимальный уровень бедности был отмечен в Республике Тыва (34,7%), а минимальный в Ямало-Ненецком автономном округе (5,6%), таким образом, размах вариации показателя равен 29,1%, что подтверждает ранее высказанную мысль о высоком уровне межрегиональной дифференциации по показателям бедности населения, а также идею о целесообразности распределения регионов на классы. [5]

Всего установим шесть пороговых значений (границ перехода от одного типа состояния субъекта к другому), что позволит объединить регионы в семь классов состояния (таблица 1): [7, с. 177]

Таблица 1.

Распределение типов состояния регионов по уровню бедности с позиции развития угроз экономической безопасности

Такой подход к классификации территорий был предложен коллективом ученых Института экономики УрО РАН и Уральского государственного технического университета – УПИ под руководством академика РАН А.И. Татаркина и доктора экономических наук, профессора А.А. Куклина. В его основе лежит метод индикативного анализа, который может быть использован для исследования проблем экономической безопасности не только государства, но и регионов и территорий более низкого иерархического уровня (например, муниципальных образований). В качестве разделяющих границ могут быть использованы следующие значения (таблица 2): [7, с. 202]

Таблица 2.

Пороговые значения для показателя доли населения с доходами ниже величины прожиточного минимума, %

Важно уточнить, что, безусловно, пороговое целевое значение для данного показателя в идеале должно равняться нулю, так как наличие хоть одного процента бедности уже само по себе является негативным явлением, однако очевидно, что удержание состояния этого индикатора на нулевом уровне в современных условиях практически не представляется возможным.

После подсчета по данным на 2019 год были получены следующие результаты (таблица 3):

Таблица 3.

Распределение количества субъектов по типам, характеризующим их состояние на 2019 г.

Самая опасная стадия – кризисное состояние третьей степени имеется у двух субъектов РФ – Республика Ингушетия (32%) и Республика Тыва (40,5%). Общая обстановка в регионах России по показателю исследуемому показателю продемонстрирована на рисунке 1.

Рисунок 1. Состояние регионов РФ по показателю доли населения с доходами ниже величины прожиточного минимума, на 2019 г., в %

Разобравшись с типологией стало очевидно, что в большинстве регионов проявляются угрозы экономической безопасности в сфере уровня жизни населения, чтобы исправить ситуацию необходима разработка специальных мер региональной социально-экономической политики. Перед их подготовкой необходимо определить, какие именно факторы и с какой силой влияют на уровень бедности населения в российских регионах. Для этого необходимо провести факторный анализ и разработать качественную регрессионную модель, которая поможет обосновать факторы и индикаторы, в той или иной степени влияющие на показатель доли населения с доходами ниже величины прожиточного минимума от общей численности населения.

Для построения регрессионной модели методом контент-анализа был отобран ряд показателей, которые по мнению исследователей оказывают влияние на уровень бедности в стране. Перечислим их:

Таблица 4.

Показатели для построения первоначальной (тестовой) регрессионной модели

Построим корреляционную матрицу, которая позволит выявить показатели, слабо влияющие на зависимую переменную Y (таблица 5) и исключить их из модели. [6, с. 111]

Таблица 5.

Корреляционная матрица по данным отобранных показателей

Так как переменные X3, X4, X5, X7 показали низкую корреляцию с исследуемым Y, то из дальнейшего анализа их можно исключить. Помимо этого, наблюдается сильная взаимосвязь между отдельными объясняющими факторами, из чего можно сделать вывод о наличии мультиколлинеарности, что подтверждает определитель данной матрицы, который практически сравнялся с нулем (≈0,007). При этом определитель новой матрицы так же составил всего ≈0,113. Для демонстрации указанной взаимосвязи, визуализируем ее на рисунке 2.

Рисунок 2. Корреляционное рассеяние и распределение переменных (по диагонали)

Построим первую тестовую множественную регрессию и проверим ее на статистическую значимость с помощью F-теста Фишера, а полученные коэффициенты регрессии с помощью t-теста Стьюдента (таблица 6). Заранее уточним, что все тесты в ходе данной работы будут проводиться при уровне значимости α = 0,05 [1, с. 59]

Таблица 6.

Сводная характеристика первой (тестовой) модели

Наблюдаемое значение F-теста оказалось намного больше критического, что говорит о статистической значимости модели в целом, однако коэффициенты  и  не прошли t-тест Стьюдента и поэтому в дальнейшем при построении модели мы исключим соответствующие объясняющие переменные. Заметим, что коэффициент детерминации ≈0,6467, характеризующий долю дисперсии Y, объясняемую регрессионной моделью – так же оказался высоким.

Продолжим проведение разведочного анализа и проверим совокупность наблюдений на наличие «аномальных выбросов». Для этого построим «боксплоты» по трем оставшимся переменным, что позволит визуально оценить количество субъектов, значения которых имеют существенное отклонение (рисунок 3). По графику видно, что имеются как минимум два аномальных результата по показателю доли населения с доходами ниже прожиточного минимума. Очевидно, что этими субъектами являются Республика Ингушетия и Республика Тыва, состояние которых мы смогли оценить, как критическое третьей степени.

Рисунок 3. Боксплоты для оценки исследуемых регионов на наличие аномальных выбросов

Сведем регионы, имеющие аномальные значения по каждому показателю, в отдельную таблицу 7:

Таблица 7.

Аномальные регионы по уровню бедности, безработицы и среднедушевым доходам на 2019 г. (по убыванию значений)

Таким образом, в процессе исследования выборки на однородность были выявлены наблюдения (регионы) с аномальными значениями. Это позволяет вести речь о том, что помимо исследуемого существуют ещё факторы, оказывающие влияние на исследуемый показатель. Например, логично предположить, что в столице, Санкт-Петербурге и других регионах - объектах трудовой миграции населения, среднедушевые доходы будут превосходить аналогичный показатель других субъектов Российской Федерации. Построим новую корреляционную матрицу (таблица 8).

Таблица 8.

Обновленная корреляционная матрица

После исключения факторов, не прошедших тест Стьюдента, и неоднородных по выборке наблюдений новый определитель приблизился к единице (≈0,945), что свидетельствует об отсутствии мультиколлинеарности и пригодности модели для практического использования.

Построим множественную регрессию с двумя объясняющими переменными по новым данным (таблица 9):

Таблица 9.

Сводная характеристика обновленной регрессионной модели

Таким образом, коэффициент детерминации практически не уменьшился, а вот наблюдаемые значения t-теста и F-теста заметно увеличились и это говорит о том, что сформирована более адекватная модель, лучше аппроксимирующая исследуемый показатель. Чтобы подтвердить это, рассчитаем среднюю ошибку аппроксимации уравнения, которая равна :  ≈12,6938 %.  Оптимальное значение данного коэффициента не должно превышать 7-15%, в этом случае считается, что модель подобрана качественно. Для тестовой модели данный коэффициент был равен ≈17,3189%.

Содержательный смысл уравнения заключается в том, что при увеличении уровня безработицы в регионе на 1% – доля населения с денежными доходами ниже величины прожиточного минимума в среднем увеличится на  = 1,3165%, а при увеличении на единицу среднедушевых доходов населения – уровень бедности сократится на  = 0,0003%. Так как при построении регрессии показатель X2 измерялся в рублях, то это означает, что при увеличении средней заработной платы на 1 тыс. руб. – зависимая переменная Y в среднем сократится на 0,3%. Стоит также отметить, что данная модель не подходит для тех «аномальных» регионов, которые были исключены из анализа.

В результате проделанной работы регионы были распределены на разные классы состояния, а также сделан вывод, что в настоящее время в стране имеется всего шесть субъектов с допустимым уровнем показателя «доля населения с денежными доходами ниже величины прожиточного минимума». В остальных субъектах прослеживаются угрозы экономической безопасности (в сфере уровня жизни населения), при этом в 2019 г. два региона были отнесены к кризисному состоянию третьей степени, что говорит о необходимости проведения неотложных мер для стабилизации ситуации.

Благодаря полученным регрессионным моделям можно сделать вывод, что при разработке мер государственной региональной политики необходимо сконцентрировать внимание, в первую очередь, именно на тех инструментах, которые смогут уменьшить безработицу и увеличить среднемесячные доходы населения, поскольку именно эти факторы оказывают наиболее существенное влияние на уровень бедности в регионах.