КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер проекта 25-18-00319

НазваниеЭкономико-демографический анализ качества жизни населения России

Руководитель Курбацкий Алексей Николаевич, Кандидат физико-математических наук

Организация финансирования, регион Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет имени M.В.Ломоносова» , г Москва

Конкурс №104 - Конкурс 2025 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 08 - Гуманитарные и социальные науки; 08-155 - Прогнозирование социально-экономического развития, государственное регулирование экономики и управление социально-экономическими процессами

Ключевые слова экономический рост, интегральные индикаторы, демографическая динамика, социальная комфортность, большие данные, машинное обучение, искусственный интеллект, качество жизни, инновационные рейтинги, человеческий потенциал, синтетические латентные категории, контекстуальный подход, межрегиональные сравнения, социально-экономический генотип

Код ГРНТИ06.52.00

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Данный проект посвящен оценке сложных многоаспектных категорий, в первую очередь, качества жизни населения на основе гармонизации, интеграции информационных ресурсов различного типа (больших данных, официальной статистики, поисковых запросов) и моделирование их динамики в контексте сложившегося социально-экономического генотипа территорий. Указ Президента РФ о национальных целях развития Российской Федерации на период до 2030 года содержит несколько ключевых аспектов и показателей, влияющие на оценку качества жизни населения. Предполагается рассмотреть те из них, которые мы относим к экономико-демографическим, и исследовать их влияния на динамику качества жизни населения России при межрегиональном и межстрановом анализе. Актуальным остается вопрос о мерах достижимости целевых показателей национальных проектов, а также о степени их взаимовлияния друг на друга, как внутри одного национального проекта, так и между собой. Научная новизна заключается в разработке комплексного подхода к оценке и моделированию многоаспектных (латентных) категорий на основе анализа внутреннего и внешнего контекста, социально-экономического генотипа территорий, использования и интеграции информационных ресурсов различного типа. В рамках предлагаемого исследования планируется разработать методологию, позволяющую использовать комплементарные возможности официальной статистики и поисковых запросов для контекстуального анализа латентных категорий как факторов регионального развития. Контекстуальный подход в оценке и моделировании сложных латентных категорий подразумевает изучение внешних факторов с учетом их взаимосвязи и внутренней обусловленности. Оценка и моделирование социальной комфортности будет проводиться на основе анализа социально-экономического генотипа территорий и его влиянии на социальную комфортность, что позволит сформировать более адаптивные и устойчивые стратегии, ориентированные на повышение благосостояния населения. Также предполагается теоретически обосновать и эмпирически проверить связь динамики общей факторной производительности регионов с их экономическими и демографическими показателями. Имея демографический прогноз, можно будет использовать полученные зависимости для экономического прогноза развития регионов РФ. Параллельно с этим планируется использовать данные поисковых запросов в Интернете для прогнозирования уровня инфляции в регионах России с помощью многомерных моделей, способных работать с большими наборами данных. Для релевантных выводов о динамике развития региона необходимо также создать инновационный рейтинг. Развивая идеи Айвазяна С.А. об интегральных индикаторах, используя методы машинного обучения, планируется разработать методику улучшающую существующие рейтинговые оценки, которые станут инструментом принятия экономических решений, предоставляя конкретные критерии оценки эффективности разрабатываемых мер социально-экономической политики на региональном уровне с учетом социально-экономической, институциональной среды и сложившегося социально-экономического генотипа территорий. Результатом использования методологии и построения динамических моделей станет возможность в оперативном режиме (благодаря использованию больших данных, методов искусственного интеллекта) отслеживать динамику составных категорий качества и образа жизни населения в декомпозиции по основным направлениям социально-экономического развития, определять вектор развития страны/региона; выявлять, какие факторы приводят к росту или снижению ключевых составляющих качества и образа жизни населения. В качестве научного инструментария будет использована суперпозиция математических и эконометрических методов: метод стандартизации многомерного массива данных, эконометрические модели (пространственные модели, байесовская модель усреднения, векторная авторегрессия), контекстуальный подход (методы тематического моделирования и нейросетевые модели) и различные методы машинного обучения. 

Ожидаемые результаты
Ожидаемые результаты проекта можно разбить на 4 взаимосвязанных группы, которые затрагивают 4 национальные цели развития России: «Комфортная и безопасная среда для жизни», «Сохранение населения, укрепление здоровья и повышение благополучия людей, поддержка семьи», «Устойчивая и динамичная экономика», «Цифровая трансформация государственного и муниципального управления, экономики и социальной сферы». Решение вопросов о методах достижимости соответствующих показателей и степени их влияния на динамику оценки качества и образа жизни населения представляется не только научно, но и общественно значимой задачей. 1) Разработка методологии, позволяющей использовать комплементарные возможности официальной статистики и поисковых запросов для контекстуального анализа латентных категорий (в т.ч. социальной комфортности) как факторов регионального развития.   Анализ контекстуальных условий РФ и ее регионов в исследовании синтетических латентных категорий (к примеру, качество населения, качество социальной сферы, качество экологической ниши и многие другие) подразумевает изучение внешних факторов с учетом их взаимосвязи и внутренней обусловленности. В дискурсе зарубежных исследований постулируется, что поведение экономического агента может быть лучше проанализировано в контексте учета внешних факторов: социальных условий (Granovetter, 1985), территориальных взаимосвязей (Katz, Steyaert, 2004), уровня зрелости институтов (Polanyi, 1957). В этой связи целесообразным видится анализировать категорию «социальная комфортность» и степень её достижения в конкретном контексте социально- экономической, культурной и институциональной среды. Ранее проведенное исследование показало, что в разных контекстах факторы социальной комфортности могут действовать с различной интенсивностью и в разных направлениях (Shakleina, 2021). В качестве внешнего контекста анализировался  уровень социальной напряженности в регионах. В рамках исследования (Shakleina, 2021) рассчитан интегральный индикатор социальной напряженности по данным Комплексного исследования условий жизни населения  за 2018 г., проведено деление на группы согласно медианному значению индикатора и осуществлено моделирование факторов социальной комфортности внутри отдельно взятой группы. Показано, что в различном контексте социально-экономических условий сила и направление действие факторов социальной комфортности имеет отличительные черты. Для регионов первой группы с низкой социальной напряженностью факторами роста социальной комфортности являются «Финансовое положение» и «Трудовая деятельность», а для регионов второй группы с высокой социальной напряженностью - «Жилье, условия проживания», так как основным фактором выраженного недовольства населения в данных регионах является неудовлетворенность базовыми потребностями, потребностями в жилье. Развивая методологический подход к анализу контекстуальных условий социальной комфортности предлагается разработать методологию, позволяющую совмещать возможности статистики и поисковых запросов в контексте экономической, инновационной, институциональной среды и пр. Предложенный подход позволит расширить положения теории качества и образа жизни населения в части возможности разработки региональных стратегий. В настоящем проекте в качестве внешнего контекста будет использоваться понятие социально-экономического генотипа территорий. Впервые понятие социально- экономического генотипа было введено в докладе российского ученого Майминаса Е.З. в 1965 году. Позже К.Боулдинг использовал в ином контексте понятие генотипа (Майминас, 1989). В настоящее время вопросами изучения социально-экономического генотипа территорий занимаются Аузан А.А., Мыслякова Ю.Г., Захарова В.В. (Мыслякова, 2020, 2018; Аузан, 2013). Майминас определяет социально-экономический генотип как «информационный механизм, обеспечивающий воспроизведение структуры, принципов функционирования, процессов регламентации и обучения (отбора, запоминания и передачи позитивного опыта) в данной общественно-экономической системе». Вместе с тем, существует недостаточная изученность теоретической и методологической основы введенного понятия. Создание методики оценки социально-экономического генотипа региона обеспечит возможность применения новых аналитических инструментов в социально-экономических исследованиях. Существующие подходы к региональному развитию часто не учитывают уникальность культурного, социального, демографического, институционального кода территорий, что приводит к неэффективности реализуемых программ. Решение проблемы оценки социально-экономического генотипа поможет сформировать более адаптивные и устойчивые стратегии, ориентированные на повышение благосостояния населения. Результатом использования методологии, построения динамических моделей станет возможность в оперативном режиме (благодаря использованию больших данных, методов искусственного интеллекта) отслеживать динамику социальной комфортности в декомпозиции по основным направлениям социально-экономического развития, определять вектор развития страны/региона; выявлять, какие факторы приводят к росту или снижению социальной комфортности. Предложенный подход позволит расширить положения теории качества и образа жизни населения в части возможности разработки региональных стратегий, рассчитанные интегральные индикаторы социальной комфортности станут критерием оценки эффективности разрабатываемых мер социально-экономической политики на региональном уровне с учетом социально-экономической, культурной и институциональной среды (Acemoglu D., Robinson J., 2008) и сложившегося социально-экономического генотипа территорий. 1. Айвазян, С. А. (2012). Анализ качества и образа жизни населения (эконометрический подход). 2. Granovetter M. Economic action and social structure: The problem of embeddedness // American Journal of Sociology. 1985. 91: 481–510. 3. Katz J., Steyaert C. (eds) Entrepreneurship in society: Exploring and theorizing new forms and practices of entrepreneurship // Entrepreneurship and Regional Development [Special Issue]. 2004. 16(3): 179–250. 4. Shakleina M.V. Contextual approach in the study of social comfort // Economic and Social Development. 27th International Scientific Conference on Economic and Social Development. Book of Proceedings. — 2021. — P. 235–241.  5. Шаклеина М.В. Теория, методология и моделирование механизма комплексного мониторинга социальной комфортности: монография / М.В. Шаклеина; составитель, редактор К.И. Шаклеин; Московский государственный университет им. М.В. Ломоносова [и др.]. – Вологда: ВолНЦ РАН, 2021.–134 с.: ил., табл. 6. Аузан А.А. Социокультурные коды в экономическом анализе // Журнал НЭА. 2013. № 1 (17). С. 173–176. 7. Майминас Е.З. Социально-экономический генотип общества (1989).  Вестник Московского университета. Серия 6. Экономика. 2016;(4):186- 204.  https://doi.org/10.38050/013001052016415 8. Мыслякова Ю. Г. Социально-экономический генотип территорий опережающего развития (на примере Уральского региона) / Ю. Г. Мыслякова, Е. А. Шамова, Н. П. 37. Неклюдова // Journal of Applied Economic Research. — 2020. — Том 19. — № 3. — С. 310- 328. 9. Мыслякова Ю. Г., Захарова В. В. Теоретические аспекты применения индексов для оценки инновационного кода развития регионов России // Вестник Поволжского государственного технологического университета. Сер.: Экономика и управление. 2018. № 2 (38). С. 44-55. DOI: 10.15350/2306-2800.2018.2.44 10. Acemoglu D., Robinson J. (2008). Persistence of Power, Elites, and Institutions // American Economic Review. Vol. 98 (1). P. 267—293. 2) Анализ связи демографических показателей с экономической динамикой в регионах России. Существующие в литературе теоретические модели (Prettner, K. and Trimborn, T. (2017); Prettner, K. (2013); Gehringer, A. and Prettner, K. (2019)) рассматривают реакции экономических агентов на неожиданные изменения демографических параметров, таких как смертность и рождаемость, и либо только их влияние на долгосрочную траекторию сбалансированного роста, либо на сближение к новой траектории сбалансированного роста, следующей за шоком. Участники проекта первые исследовали эффекты ожидаемого старения населения (Беляков А.О., Курбацкий А.Н. Преттнер К. (2020)). Эффект ожидания особенно важен, потому что агенты во многих странах могут прогнозировать демографические изменения, наблюдая за ситуацией в странах-предшественниках старения населения, таких как Япония, и заранее менять своё поведение. Участники проекта также исследовали влияние возрастной структуры на экономический рост регионов РФ (Артамонов Н. В., Курбацкий А. Н., Халимов Т. М. (2021)) и получили сопоставимые результаты с аналогичными исследованиями для других стран (Bengtsson, M. (2018); Lindh, T. & Malmberg, B. (1999), Malmberg, B. (1994); Brunow, S. & Hirte, G. (2009)). В проекте предполагается развить модели, связывающие экономическую динамику регионов с демографическими показателями, и провести их эмпирическую проверку. В частности, будут определены параметры, определяющие вклад факторов производства в региональный выпуск, и влияние возрастной структуры регионов. Результаты исследования позволят улучшить качество долгосрочных экономических прогнозов за счёт детального учёта влияния демографической ситуации. Prettner, K. and Trimborn, T. (2017). Demographic change and R&D-based economic growth. Economica, Vol. 84(No. 336):667-681. Prettner, K. (2013). Population aging and endogenous economic growth. Journal of Population Economics, Vol. 26(No. 2):811-834 Gehringer, A. and Prettner, K. (2019). Longevity and technological change. Macroeconomic Dynamics, Vol. 23(No. 4):1471-1503. Brunow, S. & Hirte, G. (2009). Regional Age Structure and Economic Growth: An Econometric Study for German Region. Dresden Discussion Paper Series in Economics, 04/09, 1–32. DOI: https://dx.doi.org/10.2139/ssrn.1406925 Malmberg, B. (1994). Age structure effects on economic growth – Swedish evidence. Scandinavian Economic History Review, 42(3), 279–295. DOI: https://doi.org/10.1080/03585522.1994.10415889 Bengtsson, M. (2018). Age Structure and Economic Growth – The Case of Sri Lanka. http://lup.lub.lu.se/student-papers/record/8938670 Lindh, T. & Malmberg, B. (1999). Age structure Effects and Growth in OECD, 1950-1990. Journal of Population Economics, 12(3), 431–449. DOI: https://doi.org/10.1007/s001480050107 Беляков А.О., Курбацкий А.Н. Преттнер К. (2020) The growth effects of anticipated versus unanticipated population aging. Journal of Mathematical Economics, 94. Артамонов Н. В., Курбацкий А. Н., Халимов Т. М. (2021) Взаимосвязь экономического развития и возрастной структуры населения регионов Российской Федерации // Terra Economicus — Т. 19, № 2. — С. 77–90 3) Прогнозирование инфляции по регионам России с использованием данных о поисковых запросах. Прогнозирование инфляции с помощью поисковых запросов — одна из немногих тем, относительно неисследованных в этой сфере деятельности. Лишь в последнее время некоторые крупные международные финансовые организации начали публиковать подобные исследования см. Narita and Yin (2018, МВФ), Samanta (2021, RBI) и Woloszko (2021, OECD). Более того, в недавно опубликованных в российской литературе статьях использовались простые одномерные модели и данные Google для прогнозирования инфляции в России, см. Петрова, Д. А. (2019) и Юревич, М. А. (2021). Стоит отметить, что инфляционные ожидания представляют собой важный компонент при формулировании денежно-кредитной политики, особенно в рамках подхода таргетирования инфляции. Однако, получение оценок для прогнозирования инфляции была чрезвычайно сложной задачей. Запаздывание во времени с выпуском официальных статистических данных об инфляции часто еще больше усугубляет проблему. Для решения этой проблемы в традиционной литературе предлагаются два широко известных подхода: либо разработка моделей прогнозирования, либо проведение опросов для измерения инфляционных ожиданий. Однако проведение опросов может быть накладным с точки зрения человеческих ресурсов, денежных и временных затрат. Кроме того, из-за требований времени результаты опроса могут не отражать информацию в режиме реального времени. Чтобы решить эти проблемы, исследователи изучают обширные метаданные и документы, доступные в Интернете, чтобы отслеживать и прогнозировать экономические переменные, см. Jun et al. (2018) и ссылки в нем. Отечественная научная литература, до сих пор ограничиваются довольно простыми одномерными моделями, которые не в состоянии работать с большим набором информации, обычно используемым для прогнозирования уровня инфляции, особенно в среднесрочной и долгосрочной перспективе, как, например, в Faust and Wright (2013) и Öğünç et al. (2013). Наша идея состоит в том, чтобы рассмотреть современные многомерные модели, такие как VAR с LASSO (Nicholson et al. (2021), Wilms et al. (2021)), байесовские VAR (см. обзор Демешева и Малаховской (2016)), нестационарные модели VAR (Casas and Fernandez-Casal (2022)) и методы усадки для моделей VAR (Hoerl and Kennard (1970), Ni and Su (2005), Opgen-Rhein and Strimmer (2007), Lee, Choi, and Kim (2016)), чтобы прогнозировать уровень инфляции в России с помощью данных поисковых запросов и большого набора экономических и финансовых переменных. Дополнительно предполагается рассмотреть проблему краткосрочного прогнозирования инфляции в периоды социально-экономической турбулентности и попытаться подойти к её решению через включение новостных потоков, измеренных с помощью методов NLP (Латыпов и др.). Casas, I. and Fernandez-Casal, R. (2022). tvReg: Time-varying Coefficients in Multi-Equation Regression in R . The R Journal, 14, 79-100. Demeshev, B., Malakhovskaya, O. (2016). BVAR mapping. Applied Econometrics, 43, 118-141. Faust, J., Wright, J. H. (2013). Forecasting inflation. In Handbook of economic forecasting, Vol. 2, pp. 2-56. Jun, S.P., Yoo, H. S. and Choi, S. (2018). Ten years of research change using google trends: From the perspective of big data utilizations and applications, Technological Forecasting and Social Change , 130: 69-87. Hoerl, A. E., and R. W. Kennard. 1970. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12 (1): 55–67 Lee, N., H. Choi, and S.-H. Kim. (2016). Bayes Shrinkage Estimation for High-Dimensional Var Models with Scale Mixture of Normal Distributions for Noise. Computationl Statistics & Data Analysis 101: 250–76. Narita F. and Yin R., In Search of Information: Use of Google Trends Data to Narrow Information Gaps for Low-income Developing Countries. 2018, International Monetary Fund. Ni, S., and D. Sun. (2005). Bayesian Estimates for Vector Autoregressive Models. Journal of Business & Economic Statistics 23 (1): 105–17. Nicholson William B., Wilms Ines, Bien Jacob and Matteson David S. (2020), High-dimensional forecasting via interpretable vector autoregression, Journal of Machine Learning Research, 21(166), 1-52. Öğünç, F., Akdoğan, K., Başer, S., Chadwick, M. G., Ertuğ, D., Hülagü, T., Tekatlı, N. (2013). Short-term inflation forecasting models for Turkey and a forecast combination analysis. Economic Modelling, 33, 312-325. Opgen-Rhein, R., and K. Strimmer. (2007) Learning Causal Networks from Systems Biology Time Course Data: An Effective Model Selection Procedure for the Vector Autoregressive Process. BMC Bioinformatics 8 (2): S3. Samanta, G. (2019). Does google search index help track and predict inflation rate? An exploratory analysis for india. Reserve Bank of India. Wilms Ines, Basu Sumanta, Bien Jacob and Matteson David S. (2021), Sparse Identification and Estimation of Large-Scale Vector AutoRegressive Moving Averages, Journal of the American Statistical Association, 1-12 Woloszko, N. (2021) Tracking activity in real time with Google Trends”, OECD Economics Department Working Papers, No. 1634, OECD Publishing, Paris. Латыпов Р., Ахмедова Е., Постолит Е., Микитчук М. (2024). Прогнозирование компонент инфляции методами машинного обучения // Деньги и кредит. Т. 83. N 3. С. 22–44. Юревич, М. А. (2021). Инфляционные ожидания и инфляция: наукастинг и прогнозирование. Journal of Economic Regulation (Вопросы регулирования экономики), 12(2), 22-35. Петрова, Д. А. (2019). Прогнозирование инфляции на основе интернет-запросов. Экономическое развитие России, 26(11), 55-62. 4) Разработка инновационного рейтинга, который бы отражал экономический рост регионов. Предполагается построение интегрального индикатора для регионов, повышение которого должно свидетельствовать о том, что в данном регионе можно ожидать ускорения экономического роста. Такой подход к расчету инновационных рейтингов позволит эффективнее проводить экономическую политику в регионах. Данная задача должна быть связана с анализом качества жизни населения, а одним из основных методов, используемых для выделения и оценки латентных категорий согласно методологии С.А. Айвазяна (Айвазян, 2003), является выделение первой главной компоненты унифицированного набора переменных. Дальнейшим развитием методологии является использование обобщённой (Волкова М.И., 2019) или взвешенной (Курбацкий А.Н., Мироненков А.А., 2023; Мироненков и др., 2024) первой главной компоненты. При этом встаёт вопрос выбора весовых коэффициентов потерь по каждой переменной. Использование экспертных оценок демонстрирует существенную субъективность и разброс мнений, что даёт основания рассматривать их как случайные величины. Таким образом, предполагается возможным применение техники Multiple Imputation (Rubin, D. B. and Schenker, N, 1986), (Murray J.S., 2018) к получению интервальных оценок значений латентных категорий, используемых для пространственного анализа развития регионов, а также использовать итерационные приближения первой главной компоненты (power iterations), так как вычисление собственного вектора связано с существенными вычислительными сложностями и в случае большой размерности данных вызывает ряд проблем. Айвазян, С. А. "Эмпирический анализ синтетических категорий качества жизни населения." Экономика и математические методы 39.3 (2003): 19-53. Волкова, Мария Игоревна. "Анализ факторов качества жизни населения России и Европы в рамках метода обобщенных главных компонент." Экономика и математические методы 55.3 (2019): 34-46. Kurbatskii, A., Mironenkov, A. “Estimating the Quality of Life Using Weighted Principal Components Method”, Montenegrin Journal of Economics, Vol. 19, No. 1, (2023), pp. 7-17. Мироненков А. А., Курбацкий А. Н., Мироненкова М. В. Измерение качества жизни населения при стохастическом выборе весов взвешенной главной компоненты // Journal of Applied Economic Research. 2024. Т. 23, № 1. С. 82–109. (RSCI) RUBIN, D. B. and SCHENKER, N. (1986). Multiple imputation for interval estimation from simple random samples with ignorable nonresponse. J. Amer. Statist. Assoc. 81 366–374. MR0845877. Murray J.S. “Multiple Imputation: A Review of Practical and Theoretical Findings”, Statistical Science 2018, Vol. 33, No. 2, 142–159. Герелишина А. К. Методология формирования инновационного рейтинга регионов России // Вестник Российского экономического университета им. Г.В. Плеханова. — 2022. — № 1. — С. 62–71. Жихарева А. К. Инновационные рейтинги российских регионов: методологические особенности их формирования и практика применения // Вестник Института экономики Российской академии наук. — 2020. — № 2. — С. 121–136. Жихарева А. К. Возможные проблемы применения региональных рейтингов // Управленческое консультирование. — 2019. — № 10. — С. 49–60.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---