Прогнозирование социального развития регионов России // Social Development Forecast for Russian Regions

L. Cherednichenko G., R. Gubarev V., E. Dzyuba I., F. Fayzullin S., Л. Чередниченко Г., Р. Губарев В., Е. Дзюба И. and Ф. Файзуллин С.
Additional contact information
L. Cherednichenko G.: Plekhanov Russian University of Economics.
R. Gubarev V.: Plekhanov Russian University of Economics.
E. Dzyuba I.: All-Russia People’s Front in the Republic of Bashkortostan.
F. Fayzullin S.: Ufa State Aviation Technical University.
Л. Чередниченко Г.: Российский экономический университет им. Г. В. Плеханова.
Р. Губарев В.: Российский экономический университет им. Г. В. Плеханова.
Е. Дзюба И.: Отделение общероссийского народного фронта в Республике Башкортостан.
Ф. Файзуллин С.: Уфимский государственный авиационный технический университет.

Финансы: теория и практика/Finance: Theory and Practice // Finance: Theory and Practice, 2018, vol. 22, issue 6, 132-152

Abstract:

The objective of the article is to offer a proprietary technology for assessment and forecasting of social development of Russian regions. The methodological basis of the study is neural network technology (a Bayesian ensemble of dynamic neural networks of different configurations is formed) that ensure high accuracy of the forecast. The authors developed a methodology for assessing the social potential of the Russian regions. They have also designed a system of private indicators characterising the level of social development of Russian regions. The indicators have been divided into five groups: 1) population (life expectancy); 2) standard of living of the population; 3) education; 4) health care (morbidity); 5) research and innovation. The private indicators have been made comparable by normalizing their values by means of “Pattern” method. This method allows the objective assessment of the interregional “gaps” in the country across the entire system of social indicators. The social development index of the subjects of the Russian Federation has been calculated. Based on neural network technologies (Kohonen self-organizing maps) clustering of regions of Russia regarding social development has been conducted. The forecast of the social development of the Russian regions has been made. Due to the forecast, it has been established that in the leading region of the Russian Federation (Moscow) in 2017-2019 the decrease is expected in the index of social development in comparison with 2014-2016. In another leading region of the Russian Federation (St. Petersburg) the decline in comparison with 2016 is expected in the medium term. At the same time, for the Republic of Bashkortostan in 2017-2019, just a slight decrease in the level of social development is forecasted. However, it is expected that the Republic will still lag significantly behind the leading regions of Russia by social development. The example of the Republic of Bashkortostan helped to discover that the lag in social development can be explained by the “gap” in research and innovations. The authors have concluded that it is necessary to improve the effectiveness of social policy at the regional level. Thus, it is necessary not only to increase financing of the social sphere of the subjects of the Russian Federation, but also to ensure proper control of budget spending. The developed methodology can be an effective tool for forecasting and managing social development of the Russian regions by the relevant ministries and departments.

Цель статьи — предложить авторскую методику оценки и прогнозирования социального развития регионов России. Методологической основой исследования являются нейросетевые технологии (формируется байесовский ансамбль динамических нейросетей различной конфигурации), обеспечивающие высокую точность прогноза. Авторами разработана методика оценки социального потенциала регионов России. Сформирована система частных показателей, характеризующих уровень социального развития регионов страны. Они объединены в пять групп: 1) население (ожидаемая продолжительность жизни); 2) уровень жизни населения; 3) образование; 4) здравоохранение (заболеваемость); 5) научные исследования и инновации. С помощью метода «Паттерн» частные показатели приведены в сопоставимый вид путем нормализации их значений. Данный метод позволяет объективно оценивать «глубину» межрегиональных «разрывов» в стране по всей системе социальных индикаторов. Проведен расчет индекса социального развития субъектов РФ. На основе нейросетевых технологий (самоорганизующихся карт Кохонена) проведена кластеризация регионов России по уровню социального развития. Осуществлено прогнозирование социального развития российских регионов. В результате прогнозирования установлено, что у региона — лидера РФ (г. Москва) в 2017–2019 гг. ожидается снижение индекса социального развития по сравнению с 2014–2016 гг. У другого региона — лидера РФ (г. Санкт-Петербург) в среднесрочной перспективе также ожидается снижение показателя, но только по сравнению с 2016 г. При этом по Республике Башкортостан в 2017–2019 гг. прогнозируется лишь незначительное снижение уровня социального развития. Однако ожидается, что республика по-прежнему будет существенно отставать от регионов — лидеров России по уровню социального развития. На примере Республики Башкортостан выявлено, что отставание в сфере социального развития объясняется «разрывом» в области научных исследований и инноваций. Авторы делают вывод о необходимости повышения эффективности социальной политики на региональном уровне. Для этого необходимо не только увеличить финансирование социальной сферы субъектов РФ, но и обеспечить надлежащий контроль расходования бюджетных средств. Разработанная методика может являться эффективным инструментом прогнозирования и управления социальным развитием регионов РФ соответствующими министерствами и ведомствами.

Keywords: forecasting social development of the region; assessment methodology; clustering of regions; share of budget expenditures; social financing; Kohonen self-organizing maps; a Bayesian ensemble of dynamic neural networks; multilayer perceptron; прогнозирование социального развития региона; методика оценки; кластеризация регионов; доля бюджетных расходов; финансирование социальной сферы; самоорганизующиеся карты Кохонена; байесовский ансамбль динамических нейросетей; многослойный персептрон (search for similar items in EconPapers)
Date: 2018-12-26
References: View complete reference list from CitEc
Citations:

Downloads: (external link)
https://financetp.fa.ru/jour/article/viewFile/785/531.pdf (application/pdf)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:scn:financ:y:2018:i:6:p:132-152

Access Statistics for this article

More articles in Финансы: теория и практика/Finance: Theory and Practice // Finance: Theory and Practice from ФГОБУВО Финансовый университет при Правительстве Российской Федерации // Financial University under The Government of Russian Federation
Bibliographic data for series maintained by Алексей Скалабан ().