Разработка методики оценки уровня демографического развития регионов на основе методов многомерного статистического анализа

В настоящее время демографические процессы в нашей стране приобрели сильно выраженную негативную окраску. Этому способствовали множество различных факторов и, прежде всего, снижение рождаемости и увеличение смертности, в результате чего все более отчетливо проявляются процессы депопуляции. В свою очередь, уровень демографического развития региона служит индикатором уровня жизни и благосостояния населения региона.

Цель предлагаемого авторами исследования заключается в формировании методики оценки и в выявлении наиболее значимых факторов, оказывающих влияние на уровень демографического развития регионов Приволжского федерального округа (ПФО), с применением методов многомерного статистического и кластерного анализа.

Результатом исследования является количественная оценка уровня демографического развития регионов ПФО на основе полученной авторами функциональной зависимости главных компонент от исходных показателей. Проведенная кластеризация регионов ПФО, основанная на значениях главных компонент, дала возможность их классификации по уровню демографического развития. В результате сравнительного анализа средних значений главных компонент регионов каждого из выделенных авторами кластеров, выявлены факторы, на которые следует обратить особое внимание каждому региону ПФО. Предложенная авторами методика может быть использована для оценки уровня демографического развития регионов и других округов Российской федерации с учетом их особенностей.

1. Архипова В.А., Кулагина А.Г. Модельный анализ конкурентоспособности предприятия // Экономика и предпринимательство. 2019. № 2 (103). С. 1186–1189.

2. Беспалов М.В. Комплексный анализ финансовой устойчивости компании: коэффициентный, экспертный, факторный и индикативный // Финансовый вестник. 2011. № 5. С. 14.

3. Кайбичева Е.И. Демографическое развитие региона и его отражение в стратегии социально-экономического развития субъекта Российской Федерации // Международный демографический форум: материалы заседания (Воронеж, 22–24 октября 2020 г.). Воронеж: Цифровая полиграфия, 2020. С. 384–388.

4. Кузнецова Т.Ю. Тенденции и факторы демографического развития в балтийском регионе: региональный анализ // Региональные исследования. 2013. № 3 (41). С. 50-57.

5. Кулагина А.Г. Оценка и прогнозирование коэффициента финансовой устойчивости предприятия // Эффективность учетно-аналитических, налоговых и финансовых механизмов деятельности современной организации: сборник научных статей по итогам межвузовской конференции фестиваля «Человек. Гражданин. Ученый – 2016» / под общ. ред. Ф.Х. Цапулиной. М., 2017. С. 86–92.

6. Кулагина А.Г., Васильева Е.Н. Модельная оценка уровня социально-демографического развития регионов ПФО // Проблемы и перспективы развития социально-экономического потенциала российских регионов: материалы VI Всероссийской электронной научно-практической конференции. Чебоксары, 2017. С. 340–346.

7. Кулагина А.Г., Михайлова Т.А. Статистический анализ социально-демографического развития регионов // Актуальные проблемы экономической теории и региональной экономики. 2013. № 1 (9). С. 50–54.

8. Печеркина М.С. Формирование набора факторов демографического развития регионов // Фундаментальные исследования. 2018. № 12-1. С. 148–152.

9. Савицкая Г.В. Методика диагностики финансовой устойчивости субъектов хозяйствования: состояние и пути совершенствования // Бухгалтерский учет и анализ. 2014. Вып. 7. С. 34–46.

10. Синица А.Л. Развитие системы образования как фактор демографического развития регионов Крайнего Севера // Арктика и Север. 2019. № 37. С. 22–50.

11. Фаттахов Р.В., Низамутдинов М.М., Орешников В.В. Ранжирование регионов России по демографической ситуации с учетом уровня развития социальной инфраструктуры // Мир новой экономики. 2020. № 14 (4). С. 96–109. DOI: 10.26794/22206469-2020-14-4-96-109.

12. Taffler R.J., Tisshaw H. Going, going, gone – four factors which predict // Accountancy. 1977. No. 88 (1003). P. 50–54.

13. Chen H., Chen J., Kalbfleisch J.D. Testing for a finite mixture model with two components // Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2004. Vol. 66. No. 1. P. 95–115.

14. Danilova A., Monoyios M., Ng A. Optimal investment with inside information and parameter uncertainty // Mathematics and Financial Economics. 2009. No. 1. P. 1338.

15. Ganju J., Lucas J. Analysis of unbalanced data from an experiment with random block effects and unequally spaced factor levels // American Statistician. 2000. No. 1. P. 5–11.

16. Kim S., Sun D. Intrinsic priors for model selection using an encompassing model with applications to censored failure time data // Lifetime Data Analysis. 2000. No. 3. P. 251–269.

17. Taplin R. Teaching statistical consulting before statistical methodology // Australian & New Zealand Journal of Statistics. 2003. Vol. 45. No. 2. P. 141–152.