Везде
Impact of the COVID-19 pandemic on the socio-economic development of the region
Table of contents
Annotation Estimate Publication content
References Comments
Share
QR
Metrics
Impact of the COVID-19 pandemic on the socio-economic development of the region
Annotation
PII
S042473880022737-9-1
DOI
10.31857/S042473880022737-9
Publication type
Article
Status
Published
Authors
Oleg Golovanov 
ORCID: 0000-0002-9977-6954
Occupation: Junior Researcher of Center for Economic Security
Affiliation: Institute of Economics, The Ural Branch of Russian Academy of Sciences
Address: Ekaterinburg, Russia (620014, Ekaterinburg, Moskovskaya street, 29)
Alexander Tyrsin
ORCID: 0000-0002-2660-1221
Occupation: Professor, Leading Researcher of Center for Economic Security
Affiliation:
Institute of Economics, The Ural Branch of Russian Academy of Sciences
Ural Federal University Named After the First President of Russia B. N. Yeltsin,
Address: Ekaterinburg, Russia (620014, Ekaterinburg, Moskovskaya street, 29)
Elena Vasilyeva
ORCID: 0000-0002-0446-1555
Occupation: Head of the Center for Economic Security
Affiliation: Institute of Economics, The Ural Branch of Russian Academy of Sciences
Address: Russian Federation
Edition
Volume 59 No. 2
Pages
54-67
Abstract

The article presents an analysis of the consequences of economic instability caused by the COVID‑19 pandemic for the socio‑economic development of the region. The study was carried on the example of the Sverdlovsk region according to the Federal State Statistics Service. The article sets and solves three research problems. First, to assess how the overall socio‑economic condition of the region has changed because of the COVID‑19 pandemic. Second, to identify the impact of the COVID‑19 pandemic on the nature and structure of the relationship between the socio‑economic indicators of the region. Third, to analyze the impact of the COVID‑19 pandemic on the trends in the socio‑economic indicators of the region, considering their possible delay and seasonal fluctuations. The first task is solved using statistical methods of pattern recognition, the second task — by methods of multivariate correlation analysis, and for the third task stochastic time series models are used. The largest contribution to the division into clusters was made by the number of births, the turnover of public catering and the volume of goods, works and services performed on their own; their dynamics most clearly traces the impact of the COVID‑19 pandemic in the Sverdlovsk region. Multidimensional correlation analysis established that because of the introduction of restrictive and supportive measures, multidirectional trends in the socio‑economic indicators of the region were formed, which violated the previously established relationships between them. Based on the obtained coefficients of the autoregressive model, one can find a certain pattern consisting in the growth of the influence of short‑term (lag 1 and 3 months) and the decrease of the long‑term influence (lag 12 months) change in indicators. According to the calculations obtained, the economy of the Sverdlovsk region during the analyzed period failed to overcome the destabilizing effect of the consequences of the COVID‑19 pandemic.

Keywords
pandemic, COVID‑19, socioeconomic development, economic instability, region, discriminant analysis, multivariate correlation analysis, autoregression
Acknowledgment
The article has been prepared in accordance with the Research Plan of the Institute of Economics of the Ural Branch of RAS.
Received
03.06.2023
Date of publication
02.07.2023
Number of purchasers
12
Views
292
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
Services benefits
100 RUB / 1.0 SU
Additional services for the issue
Services benefits
960 RUB / 15.0 SU
Additional services for all issues for 2023
Services benefits
2730 RUB / 61.0 SU
1

Введение
2 Пандемия COVID-19 стала серьезным испытанием для экономики России, падение объема производства в 2020 г. достигло 3%. Однако в результате сложившейся специализации отечественной промышленности и введения относительно мягких ограничительных мер произошла адаптация к текущим экономическим условиям (Цухло, 2021), и уже к концу 2020 г. ряд макроэкономических показателей вернулся к докоронавирусным значениям, а в 2021 г. экономика продолжила постепенный выход из кризиса. Во втором квартале 2021 г. индекс физического объема ВВП составил 110,5% относительно второго квартала 2020 г. (рис. 1). Но положительная динамика основных макроэкономических показателей не дает полной картины последствий пандемии COVID-19, поскольку она привела к обострению экономической нестабильности, что отразилось на всех сторонах жизни общества. Пандемия оказывает дестабилизирующее влияние на экономику за счет факторов не только прямого воздействия, но и косвенного. В этой связи возвращение экономики к нормальному состоянию, как отмечают Цветков В.А. и Дудин М.Н. (2020), представляется возможным только спустя много месяцев или даже лет. К тому же в ходе естественной эволюции возбудителя COVID-19 возникают доминирующие варианты, обусловливающие новые волны случаев заражения (Онищенко и др., 2022).
3

Рис. 1. Индексы физического объема ВВП России, в процентах к соответствующему кварталу предыдущего года1[[[1. Источник: Росстат.]]]
4 В результате широкого спектра влияния пандемии COVID-19 на экономику и общество оценка характера и масштаба ее последствий требует учета взаимосвязи социально-экономических показателей территории. Такой подход отвечает современной парадигме роста, предполагающей гармоничное социально-экономическое развитие (Шмат, 2022), когда общество может устойчиво повышать свое благополучие, не ограничиваясь только ростом ВВП (Ward et al., 2016). Целью данного исследования является анализ последствий экономической нестабильности, вызванной пандемией COVID-19, для социально-экономического развития региона.
5

Обзор литературы
6 Утверждение о том, что экономический рост способствует улучшению здоровья населения, а более здоровое население, в свою очередь, способствует экономическому росту (Suhrcke et al., 2008), подтверждается многочисленными исследованиями. Поэтому неудивительно, что любое ухудшение эпидемиологической ситуации угрожает социально-экономическому развитию стран. Пандемия COVID-19 – это не первая вспышка вируса, которая нанесла серьезные последствия для социально-экономической системы, причем не только за счет роста заболеваемости и смертности населения, но и в результате ответных политических мер. К примеру, в исследовании экспертов Всемирного банка (Brahmbhatt, Dutta, 2008) доказано, что последствия вспышки эпидемии в Сурате в 1994 г. были вызваны главным образом не прямыми медицинскими расходами или относительно небольшим количество заболеваемости и смерти. Основные экономические последствия возникли в результате несогласованных усилий, чрезмерного профилактического поведения отдельных лиц и правительства, чтобы избежать заражения, (ошибочные стратегиями информирования общественности о рисках, ограничения на торговлю и передвижение и др.) и сокрытия информации о вспышках инфекционных заболеваний.
7 Подобные примеры хорошо показывают, что использование стандартного подхода анализа «стоимости болезни» к измерению социально-экономических последствий ограничено. Такой анализ предполагает расчет стоимости («экономического бремя») конкретной болезни с учетом прямых затрат на лечение заболевания, непрямых затрат, косвенно связанными с ведением пациентов, и неосязаемых затрат (потерь пациента) (Омельяновский и др., 2012), что значительно недооценивает последствия, вызванные эпидемиями и пандемиями. Поэтому в научных исследованиях предлагаются альтернативные подходы. Так, например, экономисты Европейской комиссии (Jonung, Roeger, 2006) предлагают рассчитывать затраты в виде потерь производства из-за болезней и смерти, измеряемые как сокращение темпов роста ВВП или снижение его уровня. Васиев М., Би К., Денисов А. и Бочарников В. (2020) оценили влияние COVID-19 на функционирование ключевых отраслей китайской промышленности и межрегиональных транспортных каналов поставок на основе данных региональных матриц «затраты–выпуск», показателей миграции и статистики распространения пандемии.
8 Однако в таких подходах сохраняется методологическая проблема формализации социально-экономических последствий влияния ухудшения эпидемиологической ситуации. Как справедливо отмечает Смирнов Е.Н. (2020), прогнозы относительно воздействия пандемий на экономику могут быть весьма противоречивыми, поскольку для них характерна высокая неопределенность, которая возрастает по мере роста их масштабности. В рамках данного исследования для решения этой проблемы рассматривается социально-экономическая система в целом.
9

Методология подхода
10 Анализ влияния пандемии COVID-19 на социально-экономическую систему требует рассмотрения множества показателей. Таким образом, имеем вектор показателей. Одномерные методы статистического анализа часто оказываются малоэффективными при изучении сложных явлений (Эсбенсен, 2005). Поэтому необходимо использовать методы многомерного статистического анализа, которые позволяют одновременно рассматривать несколько показателей. Учитывая ранее полученную оценку влияния пандемии COVID‑19 на тренды отдельных показателей региона (Голованов и др., 2022), в рамках данного исследования поставлены три задачи, рассматривающие социально-экономическую систему региона в целом:
  • во-первых, оценить, насколько в общем изменилось социально-экономическое состояние региона в результате пандемии COVID-19;
  • во-вторых, выявить влияние пандемии COVID-19 на характер и структуру взаимосвязей между социально-экономическими показателями региона;
  • в-третьих, проанализировать влияние пандемии COVID-19 на тенденции социально-экономических показателей региона с учетом возможного их запаздывания и сезонного колебания.
11 Первая задача решается с помощью статистических методов распознавания образов – кластерного и дискриминантного анализа (Айвазян и др., 1989; Hardle, Simar, 2019), вторая задача – методами многомерного корреляционного анализа (Вероятность и математическая статистика…, 1999; Айвазян и др., 1985), и для третьей задачи рассмотрены стохастические модели авторегрессии (Лукашин, 2003; Box et al., 2015).
12

Данные исследования
13 Информационной базой исследования являются ежемесячные данные, поддерживаемые Федеральной службы государственной статистики, за период с марта 2016 г. по июнь 2021 г. В качестве примера исследования рассмотрена Свердловская область. В табл. 1 представлена используемая система социально-экономических показателей, которая разбита на четыре подсистемы (группы): 1 – Демография ( X1,X2) ; 2 - Социальная сфера ( X3,…,X6) ; 3 - Производство товаров и услуг ( X7,…,X9) ; 4 - Рынки товаров и услуг ( X10,…, X12) .
14

Таблица 1. Система социально-экономических показателей для исследования

Обозначение Показатель, единица измерения
Показатели «Демография»
X1 Число зарегистрированных умерших, чел.
X2 Число зарегистрированных родившихся, чел.
Показатели «Социальная сфера»
X3 Уровень регистрируемой безработицы, %
X4 Среднемесячная номинальная начисленная заработная плата работников по полному кругу организаций в ценах декабря 2021 г., руб.
X5 Всего зарегистрировано преступлений, ед.
X6 Количество дорожно-транспортных происшествий с пострадавшими, ед.
Показатели «Производство товаров и услуг»
X7 Отгружено товаров собственного производства, выполнено работ и услуг собственными силами в ценах декабря 2021 г., тыс. руб.
X8 Объем работ, выполненных по виду деятельности «Строительство», млн. руб.
X9 Производство продуктов животноводства в сельскохозяйственных организациях – скот и птица на убой в живом весе, тыс. тонн
Показатели «Рынки товаров и услуг»
X10 Оборот розничной торговли в ценах декабря 2021 г., млн. руб.
X11 Оборот общественного питания в ценах декабря 2021 г., млн. руб.
X12 Объем платных услуг населению в ценах декабря 2021 г., млн. руб.
15 Для сопоставления стоимостные показатели пересчитаны в ценах декабря 2021 г. с учтем индекса потребительских цен.
16

Задача 1. Общая оценка изменения социально-экономического состояния региона в результате пандемии COVID-19
17 Система показателей, описывающая социально-экономическое состояние региона, представляет собой совокупность многомерных данных, которые можно разделить на два кластера. На рис. 2 представлена дендрограмма, полученная с помощью программы Statistica, где по горизонтали приводится расстояние между объединяемыми на данном этапе кластерами, по вертикали указаны наблюдения – ежемесячные данные по социально-экономическим показателям Свердловской области за период с марта 2016 г. по июнь 2021 г. Построенная дендрограмма показывает два четко выраженных кластера значений социально-экономических показателей Свердловской области:
  • кластер 1 (наблюдения 1-34) – данные за период с марта 2016 г. по декабрь 2018 г., IND = 0;
  • кластер 2 (наблюдения 35-64) – данные за период с января 2019 г. по июнь 2021 г., IND = 1.
18

Рис. 2. Древовидная диаграмма для исходных данных с евклидовым расстоянием между кластерами значений социально-экономических показателей Свердловской области за период март 2016 г. – июнь 2021 г. (C_1 ... С_64 – номера наблюдений)
19 Согласно полученным результатам кластерного анализа, период социально-экономической нестабильности в Свердловской области начался еще в начале 2019 г., что соответствует новому цикличному кризису. Ханин Г.И. (2019), анализируя данные за I квартал 2019 г., фиксирует факторы, которые предвещали глубокий экономический кризис: продолжающееся сокращение основных фондов, сокращение трудоспособного населения и занятости, экономические санкции. Мау В.А. (2020a; 2020b) среди факторов, которые могли стать спусковым крючком для начала кризиса, указывал активную политизацию экономических процессов, торговые войны, геополитические проблемы и коронавирус. Однако, по его мнению, именно пандемия COVID-19 затмила все возможные триггеры.
20 Результаты проведения дискриминантного анализа в программе Statistica для двух полученных кластеров значений показателей Свердловской области приведены в табл. 2 и 3. В табл. 2 были включены все статистически значимые ( p -уровень меньше 0,05) показатели. Уровень статистической значимости основывается на значении F-критерия, который связан с исключением соответствующего показателя из анализа. Таким образом, если исключение показателя из анализа приводит к значимому изменению соотношения дисперсий, то показатель вносит важный вклад в дискриминацию групп. Согласно полученным результатам, к таким информативными диагностическими показателям относятся число умерших (X1), число родившихся (X2), среднемесячная зарплата (X4), количество преступлений (X5), объем производства товаров и услуг (X7), оборот общественного питания (X11) и объем платных услуг населению (X12).
21 Таблица 2. Результаты дискриминантного анализа двух кластеров значений социально-экономических показателей Свердловской области IND = 0 и IND = 1.  = 0,24535. F(7,56) = 24,606 p < 0,0000
N = 64 Wilks' Lambda Partial Lambda F-remove (1, 56) p-level Toler.
X1 0,269116 0,911688 5,42453 0,023489 0,698024
X2 0,437279 0,561084 43,80678 0,000000 0,443149
X4 0,280977 0,873203 8,13173 0,006081 0,455135
X5 0,309273 0,793311 14,59019 0,000337 0,607205
X7 0,275324 0,891133 6,84138 0,011426 0,322419
X11 0,370784 0,661706 28,62975 0,000002 0,263329
X12 0,358366 0,684637 25,79520 0,000005 0,210053
22 Оценка возможности и целесообразности проведения дискриминации имеющихся социально-экономических показателей выполняется на основе подсчета параметра Wilks' lambda, (L, лямбда Уилкса, статистика Уилкса). Она принимает значения от 0 до 1. Чем меньше лямбда Уилкса, тем лучше разделяются данные на два кластера (Если L = 1, то полученная на основе дискриминантного анализа модель не может разделить массив значений социально-экономических показателей на соответствующие кластеры. Если же  = 0, то это говорит об абсолютном разделении данных на выделенные два кластера). В данном случае  = 0,245.
23 Во втором столбце табл. 2 (Wilks' Lambda) приведены значения статистика Уилкса с исключенной соответствующей переменной. Чем больше ее значение, тем более желательно присутствие этой переменной в процедуре дискриминации. Видим, что исключение переменных число родившихся (X2), оборот общественного питания (X11) и объем платных услуг (X12) в наибольшей степени ухудшает качество распознавания двух кластеров. Такой результат объясняется краткосрочным спадом значений этих показателей. Поскольку в долгосрочной перспективе уровень рождаемости зависит от репродуктивных установок населения, уже во второй половине 2021 г. общество адаптировалось, и общий тренд численности родившегося населения в Свердловской области восстановился. Аналогичная ситуация произошла в сфере общественного питания и услуг. С одной стороны, тенденции этих показателей чутко реагировали на введение локдаунов заметным спадом, с другой стороны, ограничительные меры распространили широкое использование новых моделей потребительского поведения (системы онлайн-заказов, доставки, дистанционных услуг и пр.), что способствовало определенному восстановлению и приспособлению к экономической нестабильности, сложившейся в Свердловской области.
24 В третьем столбце приведены значения статистики «Частная лямбда Уилкса». Эта статистика для одиночного вклада соответствующей переменной в дискриминацию между совокупностями. Чем она меньше, тем больше вклад в общую дискриминацию, видим, что ни одна из переменных отдельно не позволяет разделить совокупность многомерных данных на две группы, хотя здесь также наилучшие значения у переменных X2, X11, X12.
25 В следующих двух столбцах приведены F-статистики (F-remove) дисперсионного анализа и соответствующие p-уровни, характеризующие вклад каждой из переменных в различие двух групп. Здесь также выделяются переменные X2, X11, X12.
26 Значение толерантности (Toler.) социально-экономического показателя вычисляется как 1-R2 , где R2 – это коэффициент детерминации показателя со всеми другими социально-экономическими показателями системы. Значение толерантности показателя является мерой его избыточности и, чем оно меньше, тем избыточнее показатель для модели. Например, если значение будет равно нижней границе толерантности (0,05), то соответствующий ему показатель может рассматриваться как на 95% избыточный в модели, так как несет в себе малую дополнительную информацию. Показатели с толерантностью равной или меньшей нижней границе в модель включать не следует. Наименьшие, но допустимые значения толерантности среди информативных показателей оказались оборот общественного питания (X11) и объем платных услуг (X12), т.е. эти переменные в наибольшей степени коррелируют с остальными переменными. И наоборот, наибольшее значение толерантности у численности умерших (X1): этот показатель изменился наиболее сильно во время пандемии, но эти изменения произошли только во второй половине кластера IND = 1, поэтому данная переменная из всех остальных из табл. 2 оказала наименьшее влияние на разделение двух групп.
27 Исходя из всех полученных показателей можно сделать вывод, что такие показатели, как число родившихся (X2), оборот общественного питания (X11) и объем платных услуг (X12), оказали наибольшее влияние на статистически значимое различие ( Fфакт≫Fтабл, p≪0,05 ) общей социально-экономической ситуации в Свердловской области до и во время пандемии COVID-19.
28 Согласно табл. 3, средняя вероятность правильного распознавания составила 0,953, что превосходит требуемый уровень надежности – 0,95. Это означает, что между значениями социально-экономических показателей до (IND = 0) и во время (IND = 1) пандемии существует статистически значимое различие.
29 Таблица 3. Результаты классификации двух кластеров IND = 0 и IND = 1
Group Percent Correct G_1: IND = 0 p = 0,53125 G_2: IND = 1 p = 0,46875
G_1: IND = 0 97,05882 33 1
G_2: IND = 1 93,33334 2 28
Total 95,31250 35 29
30 Таким образом, можно утверждать, что пандемия COVID-19 в целом существенно повлияла на социально-экономическое развитие Свердловской области, а ее начало стало катализатором экономической нестабильности, определившим кардинальные изменения, и тем «водоразделом», разграничивающий рассматриваемый период на «до» и «после».
31

Задача 2. Исследование влияния пандемии COVID-19 на характер и структуру взаимосвязей между социально-экономическими показателями
32 Для исследования характера и структуры взаимосвязей между социально-экономическими показателями применяется скалярная мера взаимосвязи между несколькими случайными векторами, предложенная в (Тырсин, 2022). Пусть имеем n непрерывных случайных векторов произвольных размерностей, у которых нет совпадающих компонент. Они обозначены как Y(1)=(Y1(1), ... ,Ym1(1)) , … , Y(n)=(Y1(n), ... ,Ymn(n)) . Объединение этих векторов образует вектор Y, т.е. Y=⋃j=1nY(j) . Таким образом, имеем общую систему показателей Y, которая разбивается на несколько подсистем (векторов) Y(l). Поскольку для малых выборок анализ не позволяет выявить различие распределений показателей от нормального закона распределения, поэтому рассмотрен частный случай, когда векторы Y(l) имеют совместные нормальные распределения. В этом случае коэффициент тесноты взаимозависимости между случайными векторами Y(1), … , Y(n) определяется через определители корреляционных матриц по формуле (Тырсин, 2022)
33 De,n⋂j=1nY(j)=1-R⋃j=1nY(j)∏j=1nRY(j)n∑j=1nmj . (1)
34 Для оценки тесноты корреляционной связи между компонентами одного случайного вектора Y(l) применяется формула (Pena, Rodriguez, 2003)
35 De(Y(l))=1-RY(l)1ml . (2)
36 Воспользуемся формулами (1), (2). Согласно табл. 1 введем следующие множества показателей: X=(X1,...,X12) – система всех анализируемых показателей; X(1)=(X1,X2) – подсистема показателей «Демография»; X(2)=(X3,X4,X5,X6) – подсистема показателей «Социальная сфера»; X(3)=(X7,X8,X9) – подсистема показателей «Производство товаров и услуг»; X(4)=(X10,X11,X12) – подсистема показателей «Рынки товаров и услуг».
37 В табл. 4 и 5 представлены корреляционные матрицы для рассматриваемых показателей до и во время пандемии COVID-19 в Свердловской области, соответственно. Корреляционный анализ выявил логичные сильные взаимосвязи между отдельными социально-экономическими показателями региона, которые в период пандемии COVID-19 были нарушены. Так, сильная обратная взаимосвязь между уровнем регистрируемой безработицы (X3) и объемом производства товаров и услуг (X7) с ухудшением эпидемиологической ситуации стала статистически незначимой. В то время, как снижались темпы производства по Свердловской области, наблюдался всплеск регистрируемой безработицы в ответ на рост размера пособия и упрощение процедуры его назначения.
38 Таблица 4. Корреляционная матрица для рассматриваемых социально-экономических показателей Свердловской области до пандемии
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
X1 1,00 0,47 0,26 -0,18 0,07 -0,16 -0,40 -0,40 -0,17 -0,21 -0,27 -0,35
X2 0,47 1,00 0,55 -0,40 0,54 0,14 -0,64 -0,36 -0,28 -0,02 0,03 -0,04
X3 0,26 0,55 1,00 -0,37 0,43 -0,37 -0,83 -0,68 -0,07 -0,25 -0,09 -0,60
X4 -0,18 -0,40 -0,37 1,00 -0,16 0,37 0,68 0,63 0,71 0,72 0,38 0,40
X5 0,07 0,54 0,43 -0,16 1,00 -0,10 -0,38 -0,11 -0,24 0,03 0,38 -0,14
X6 -0,16 0,14 -0,37 0,37 -0,10 1,00 0,29 0,48 0,40 0,62 0,48 0,73
X7 -0,40 -0,64 -0,83 0,68 -0,38 0,29 1,00 0,80 0,37 0,53 0,19 0,62
X8 -0,40 -0,36 -0,68 0,63 -0,11 0,48 0,80 1,00 0,42 0,75 0,47 0,60
X9 -0,17 -0,28 -0,07 0,71 -0,24 0,40 0,37 0,42 1,00 0,68 0,35 0,26
X10 -0,21 -0,02 -0,25 0,72 0,03 0,62 0,53 0,75 0,68 1,00 0,63 0,63
X11 -0,27 0,03 -0,09 0,38 0,38 0,48 0,19 0,47 0,35 0,63 1,00 0,36
X12 -0,35 -0,04 -0,60 0,40 -0,14 0,73 0,62 0,60 0,26 0,63 0,36 1,00
39 Таблица 5. Корреляционная матрица для рассматриваемых социально-экономических показателей Свердловской области во время пандемии
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
X1 1,00 0,07 0,67 0,25 -0,35 -0,25 0,29 -0,34 0,14 -0,18 -0,32 -0,27
X2 0,07 1,00 -0,11 -0,10 0,26 0,31 0,01 0,28 0,00 0,25 0,18 0,32
X3 0,67 -0,11 1,00 0,14 0,00 -0,06 0,13 -0,04 0,03 -0,47 -0,61 -0,57
X4 0,25 -0,10 0,14 1,00 -0,13 -0,10 0,76 0,02 0,72 0,45 0,06 0,02
X5 -0,35 0,26 0,00 -0,13 1,00 0,32 -0,04 0,50 -0,34 0,03 0,01 -0,01
X6 -0,25 0,31 -0,06 -0,10 0,32 1,00 -0,01 0,73 -0,01 0,35 0,34 0,31
X7 0,29 0,01 0,13 0,76 -0,04 -0,01 1,00 0,11 0,52 0,47 0,29 0,28
X8 -0,34 0,28 -0,04 0,02 0,50 0,73 0,11 1,00 0,08 0,27 0,11 0,05
X9 0,14 0,00 0,03 0,72 -0,34 -0,01 0,52 0,08 1,00 0,51 0,19 0,18
X10 -0,18 0,25 -0,47 0,45 0,03 0,35 0,47 0,27 0,51 1,00 0,75 0,64
X11 -0,32 0,18 -0,61 0,06 0,01 0,34 0,29 0,11 0,19 0,75 1,00 0,90
X12 -0,27 0,32 -0,57 0,02 -0,01 0,31 0,28 0,05 0,18 0,64 0,90 1,00
40 Аналогичные изменения произошли с такими парами показателей:
  • «Отгружено товаров собственного производства, выполнено работ и услуг собственными силами» (X7) – «Объем работ, выполненных по виду деятельности «Строительство»» (X8). В промышленном производстве снизились только темпы роста, а в строительстве значительно сократились его объемы (за сентябрь-декабрь 2020 г. с 28,4 до 3,1 млрд руб.), что связано, в частности, с дефицитом рабочей силы из-за закрытия границ.
  • «Среднемесячная номинальная начисленная заработная плата работников по полному кругу организаций» (X4) – «Оборот розничной торговли» (X10). В Свердловской области сохранился планомерный рост оплаты труда с некоторым снижением его уровня в 2021 г., а сфере розничной торговли пришлось существенно адаптироваться к новым условиям, в т.ч. за счет потерь в обороте.
41 Нарушения этих связей являются реакцией на регулирующие меры по борьбе с распространением COVID-19, что сформировало такие разнонаправленные тенденции по этим показателям. В то же время в Свердловской области сохранилась значимая прямая взаимосвязь между заработной платой (X4) и производством продуктов животноводства (X9). Такая ситуация объясняется, с одной стороны, принятыми политическими мерами, направленные на поддержание доходов и занятости населения (списание кредитной задолженности, при поддержание списочной численности сотрудников, «нерабочие дни» с сохранением зарплаты и др.), и, с другой стороны, отсутствием ограничительных мер в отношении предприятий животноводства как предприятий непрерывного цикла.
42 Кроме того, введение ограничительных мер закономерно повлияло на усиление взаимосвязи между такими парами показателей:
  • «Среднемесячная номинальная начисленная заработная плата работников по полному кругу организаций» (X4) – «Отгружено товаров собственного производства, выполнено работ и услуг собственными силами» (X7);
  • «Количество дорожно-транспортных происшествий (ДТП) с пострадавшими» (X6) – «Объем работ, выполненных по виду деятельности «Строительство»» (X8);
  • «Оборот розничной торговли» (X10) – «Оборот общественного питания» (X11), что связано с введением локдаунов;
  • «Оборот общественного питания» (X11) – «Объем платных услуг населению» (X12), строгие санитарно-эпидемиологические ограничения по перемещению граждан.
43 Результаты расчета коэффициентов корреляционной связи между различными группами социально-экономических показателей Свердловской области до и во время пандемии COVID-19 по формулам (1), (2) приведены в табл. 6.
44 Таблица 6. Коэффициенты корреляционной связи между различными группами социально-экономических показателей Свердловской области до и во время пандемии COVID-19
Коэффициент Период до пандемии Период во время пандемии Изменение
De(X(1)) 0,117 0,002 -0,114
De(X(2)) 0,134 0,037 -0,097
De(X(3)) 0,336 0,104 -0,232
De(X(4)) 0,286 0,562 0,277
De(X) 0,644 0,548 -0,096
De,2(X(1)X(2)) 0,344 0,347 0,003
De,2(X(1)X(3)) 0,269 0,137 -0,132
De,2(X(1)X(4)) 0,086 0,129 0,044
De,2(X(2)X(3)) 0,617 0,511 -0,105
De,2(X(2)X(4)) 0,483 0,321 -0,163
De,2(X(3)X(4)) 0,457 0,185 -0,273
De,4(X(1)X(2)X3)X(4)) 0,955 0,888 -0,067
45 Как видно из табл. 6, во время пандемии снизилась взаимосвязь как между подсистемами, так и внутри подсистем и всей системы показателей. Это может свидетельствовать о снижении согласованности и некоторой хаотизации социально-экономической системы региона. Исключение наблюдается только в трех случаях:
  • в период пандемии значительно (с 0,286 до 0,562) вырос коэффициент корреляционной связи между показателями подсистемы «Рынки товаров и услуг»,
  • практически остались неизменными коэффициенты корреляционной связи между подсистемой «Демография» с подсистемами «Социальная сфера» и «Рынки товаров и услуг».
46

Задача 3. Анализ влияния пандемии COVID-19 на тенденции социально-экономических показателей
47 Имеем набор из 12 социально-экономических показателей Свердловской области X1,…,X12 за период с марта 2016 г. по июнь 2021 г. Для анализа влияния пандемии на тенденции показателей использована модель временных рядов в форме авторегрессии (AR), предполагающая линейную зависимость показателя в текущий момент времени от его предыдущих значений. Для учета сезонности показателей рассмотрен авторегрессионный процесс, определяющийся следующим образом
48 Xtk=∑i=13aikXt-pik+εt , (3)
49 где aik – коэффициенты авторегрессии, εt – случайная ошибка (белый шум), p={1, 3, 12} – временной лаг в 1 месяц, 1 квартал и 1 год, k – номер показателя.
50 Таким образом, рассмотрено влияние временного лага для 1, 3 и 12 месяцев. Выбор числа временных лагов и соответствующих им временных промежутков обусловлен характером сезонности исследуемых показателей и поставленной задачей в виде сравнения поведения показателей в периоды до и во время пандемии, в рамках которой отсутствует необходимость определения оптимального числа лагов на основе информационных критериев.
51 Стандартным методом оценивания коэффициентов является метод наименьших квадратов (МНК), который для получения состоятельных и несмещенных оценок требует выполнения ряда предпосылок, называемых условиями Гаусса-Маркова (Демиденко, 1981). Следует также отметить достаточно сильную чувствительность метода к выбросам в данных (Вучков и др., 1987), что в свою очередь может привести к значительным отклонениям от истинных значений искомых параметров. С целью достижения большей устойчивости в условиях стохастической неоднородности данных при проведении регрессионного анализа вместо МНК был использован метод наименьших модулей (МНМ). Нахождение параметров модели (3) выполнено с помощью алгоритма градиентного спуска по узловым прямым (Тырсин, Голованов, 2021).
52 Пусть Ω:{Ω1,   ...  ,  Ωn}  будет множеством всех гиперплоскостей вида
53 Ωi=Ωa,xi,yi=yi-a,xi=0, i=1, 2, …, n
54 Тогда, узловая точка будет представлять собой точку пересечения m независимых гиперплоскостей
55 u=∩s∈MΩs, M=k1, … , km, k1<k2< … <km, kl∈1, 2, …, n
56 Обозначим U – множество всех узловых точек.
57 Назовем узловой такую прямую, которая будет являться пересечением (m-1) независимых гиперплоскостей
58 l(k1, ... , km-1):  ⋂Ωi, i∈k1, …  , km-1, kl∈1, 2, …, n
59 Метод основывается на использовании геометрических особенностей целевой функции в МНМ и нахождении ее точного минимума в одной из узловых точек. Алгоритм градиентного спуска по узловым прямым позволяет найти этот минимум за конечное число шагов.
60 В табл. 7 приведены полученные коэффициенты авторегрессии для показателей X1,…,X12 до и во время пандемии COVID-19, где коэффициенты до и во время пандемии – верхняя и нижняя строка для каждого из показателей соответственно.
61

Таблица 7. Коэффициенты авторегрессионной модели для временных лагов в 1, 3 и 12 месяцев до и во время пандемии COVID-19

Показатель Коэффициенты Показатель Коэффициенты
t-1 t-3 t-12 t-1 t-3 t-12
X1 -0,016 0,11 0,901 X7 0,634 0,154 0,261
0,422 0,261 0,334 0,2 0,361 0,448
X2 0,092 0,117 0,718 X8 -0,042 0,222 1,029
0,003 0,385 0,566 0,308 -0,007 0,715
X3 0,444 -0,556 1 X9 0,006 0,035 0,973
1,31 -0,351 0,027 0,012 -0,029 1,008
X4 0,024 0 1,019 X10 0,009 -0,019 1,027
0,07 0,057 0,904 0,365 0,223 0,406
X5 0,361 0,092 0,501 X11 0,18 -0,09 0,895
0,403 -0,018 0,599 0,945 -0,051 0,111
X6 0,561 -0,107 0,532 X12 0,13 -0,029 0,92
0,204 0,065 0,738 0,772 0,034 0,198
62 Представленные в табл. 7 результаты дополняют выводы, сделанные ранее в работе (Голованов и др., 2022), согласно которым пандемия не оказала влияния на характер трендов следующих показателей: число зарегистрированных родившихся (X2); среднемесячная заработная плата работников (X4); число преступлений (X5); производство продуктов животноводства в сельскохозяйственных организациях (X9). Согласно полученным результатам, коэффициенты авторегрессии изменились незначительно, в пределах 0,2, что в свою очередь может свидетельствовать о сохранении формы их тренда. Разумеется, это не говорит об отсутствии различий средних значений этих показателей в рассматриваемых периодах.
63 Рассмотрим более подробно коэффициенты для каждого временного лага. Видно, что наблюдается увеличение их значений, и, соответственно, рост взаимосвязи для временных лагов в 1 месяц и 1 квартал, а также уменьшение значений – для временного лага в 1 год. Отклонениями в данном случае являются два показателя: количество ДТП (X6) и отгружено товаров собственного производства, выполнено работ и услуг собственными силами (X7), изменения которых связаны с ограничительными мерами против распространения пандемии. Пандемия на динамику ДТП с пострадавшими людьми оказало незначительное влияние: снижение трафика во время локдаунов способствовало снижению аварийности, но оно же провоцировало нарушение скоростного режима на дорогах. После снятия ограничений динамика быстро восстановила прежнюю тенденцию изменения временного ряда. Влияние на темпы объема промышленного производства наблюдалось минимальным.
64 Для всех случаев суммы коэффициентов авторегрессии оказались практически равными 1 (лежат в диапазоне от 0,9 до 1,2). Это свидетельствует о присутствии полиномиальных трендов всех рассматриваемых показателей, как до, так и во время пандемии. Равенство суммы коэффициентов авторегрессии единице соответствует наличию у временного ряда полиномиального тренда (линейного, параболического и т.д.), если эта сумма существенно больше 1, то это свидетельствует о наличии «взрывного» роста, например имеющего экспоненциальный вид (Тырсин, 2005). Большие значения коэффициентов авторегрессии для лагов в 3 и 12 месяцев говорят о наличии ежеквартальной или ежегодной сезонности. Значение коэффициентов авторегрессии близких к 1 для лага 1 у переменных X3, X11, X12 во время пандемии вызвано взрывным изменением этих показателей: уровень регистрируемой безработицы (X3) резко рос с марта по август 2020 г. и почти также резко стал уменьшаться и вернулся к исходному значению в сентябре 2021 г.; оборот общественного питания (X11) и объем платных услуг населению (X12) с марта до мая 2020 г. резко упал и затем столь же резко восстановился в сентябре 2020 г. Максимальная сумма коэффициентов авторегрессии, равная 1,2, была у показателя объема «Строительства» в периоде до пандемии. Это можно объяснить все более выраженным ростом показателя в течение каждого года, переходящим во взрывной рост в конце года, причем в декабре наблюдался еще и резкий рост относительно прошлогоднего значения (коэффициент авторегрессии для лага в 12 месяцев равен 1,03). Это можно трактовать как экспоненциальный рост показателя в период с января 2016 г. по декабрь 2018 г.
65 Исходя из полученных результатов видна некоторая закономерность, у показателей возросло влияние краткосрочных (лаг 1 и 3 месяца) и сократилось влияние долгосрочных (лаг 12 месяцев) изменений. Это говорит нам о резких изменениях во время пандемии и отхождении от уже устоявшегося общего тренда показателей, а также о их попытке подстроиться под текущую хаотичную ситуацию.
66

Заключение
67 Проведенное исследование представляет собой анализ последствий экономической нестабильности, вызванной пандемией COVID-19, на социально-экономическое развитие Свердловской области. В рамках данной статьи поставлены и решены три задачи, рассматривающие социально-экономическую систему региона целиком. Во-первых, проведена оценка общих изменений в социально-экономическом состоянии региона в результате пандемии COVID-19 и введения ограничительных мер. На основе результатов кластерного анализа удалось совокупность многомерных данных, описывающую социально-экономическое состояние Свердловской области, статистически достоверно разделить на два характерных кластера (подмножества) – до и во время пандемии. Так, период социально-экономической нестабильности в регионе начался еще в начале 2019 г., что соответствует новому цикличному кризису, определяющим фактором которого стала пандемия COVID-19.
68 В результате проведения дискриминантного анализа удалось статистически значимо разделить совокупность социально-экономических показателей до и во время пандемии на два кластера. Наибольший вклад в разделение на кластеры оказали число родившихся, оборот общественного питания и объем платных услуг, в их динамике наиболее явно прослеживается влияние пандемии COVID-19 в Свердловской области. Эти социально-экономические показатели в наибольшей степени отреагировали на изменения и в то же время быстро адаптировались к ним. Такую динамику можно объяснить тем, что первый показатель в долгосрочной перспективе все же определяется сложившимися репродуктивными установками в обществе, а два других показателя приспособились к новым условиям за счет быстрого изменения потребительского поведения населения, для которого сформировалась соответствующая инфраструктура (служба доставки, онлайн сервисы и пр.).
69 Во-вторых, выявлено влияние пандемии COVID-19 на характер и структуру взаимосвязей между социально-экономическими показателями региона. Многомерный корреляционный анализ установил, что в результате введения ограничительных и поддерживающих мер сформировались разнонаправленные тенденции по социально-экономическим показателям региона, которые нарушили ранее сложившиеся взаимосвязи между ними. Так, например, в Свердловской области, с одной стороны, сохранился планомерный рост оплаты труда, лишь замедлился рост промышленного производства, а, с другой стороны, произошел спад в строительстве и резкий рост регистрируемой безработицы. Разрыв этих взаимосвязей является реакцией на регулирующие меры по борьбе с распространением COVID-19, когда только отдельные сферы получили существенную поддержку со стороны государства, а другие без его внимания испытали значительный спад. Только при возобновлении этих взаимосвязей можно говорить о восстановлении социально-экономической ситуации в Свердловской области.
70 В-третьих, для того, чтобы учесть отложенный эффект влияния на текущие значения показателей, проведен анализ последствий пандемии COVID-19 на тенденции социально-экономических показателей региона с учетом возможного их запаздывания и сезонного колебания. Для этого для каждого показателя были получены авторегрессионные уравнения до и во время пандемии COVID-19, где каждый показатель зависит от собственных значений в предыдущий месяц, три месяца и год назад. Согласно полученным значениям коэффициентов авторегрессии, пандемия вызвала взрывные изменения в динамике уровня регистрируемой безработицы, оборота общественного питания и объема платных услуг населению. Результаты авторегрессионного анализа выявили определенную закономерность, на социально-экономические показатели Свердловской области возросло влияние краткосрочных изменений (лаг в 1 и 3 месяца), но сократилось условно долгосрочных изменений (лаг в 1 год). Выявленная закономерность говорит о резких и значительных изменениях во время пандемии и отклонении от уже устоявшихся трендов, а также о их попытке подстроиться под текущую хаотичную ситуацию.
71 Важно отметить, что представленное исследование проводилось не по отдельным социально-экономическим показателям Свердловской области, а по их совокупности, что позволило представить целостный анализ последствий экономической нестабильности, вызванной пандемией COVID-19.

References

1. Ayvazyan S.A., Bukhstaber V.M., Enyukov I.S., Meshalkin L.D. (1989). Applied statistics: Classification and dimension reduction. Moscow: Finance and Statistics. 607 p.

2. Ayvazyan S.A., Enyukov I.S., Meshalkin L.D. (1985). Applied statistics: Dependency Research. Moscow: Finance and Statistics. 487 p.

3. Vasiev M., Bi K., Denisov A., Bocharnikov V. (2020). The impact of the covid-19 pandemic on the sustainability of the Chinese economy // Foresight. Vol. 14. No. 2. P. 7-22.

4. Probability and mathematical statistics: Encyclopedia / Editor-in-chief Yu.V. Prokhorov. M.: The Great Russian Encyclopedia. 910 p.

5. Vuchkov I., Boyadzhieva L., Solakov E. (1987). Applied linear regression analysis / trans. from bolg. Moscow: Finance and Statistics. 239 p.

6. Golovanov O.A., Tyrsin A.N., Vasilyeva E.V. (2022). Assessing the impact of the COVID-19 pandemic on the trends in socio-economic development of an industrial region in Russia // Journal of Applied Economic Research. Vol. 21. No. 2. P. 257-281. DOI: 10.15826/vestnik.2022.21.2.010.

7. Demidenko E.Z. (1981). Linear and nonlinear regression. Moscow: Finance and Statistics. 302 p.

8. Lukashin Yu.P. (2003). Adaptive methods of short-term forecasting of time series. Moscow: Finance and Statistics. 416 p.

9. Mau V.A. (2020a). Economics and Politics 2019-2020: Global challenges and National responses // Questions of Economics. No. 3. P. 5-27. DOI: 10.32609/0042-8736-2020-3-5-27

10. Mau V.A. (2020b). The Economics of the Unpredictable: Towards a New Paradigm of Educational Policy. No. 1 (81). P. 8-12.

11. Omelyanovsky V.V., Avksentieva M.V., Derkach E.V., Sveshnikova N.D. (2011). Cost analysis of the disease problems and solutions // Pediatric Pharmacology. vol. 8, No. 3. P. 6-12.

12. Onishchenko G.G., Sizikova T.E., Lebedev V.N., Borisevich S.V. (2022). The "omicron" variant of the SARS-COV-2 virus as the dominant agent of a new rise in the disease in the COVID-19 pandemic // Bulletin of the Russian Academy of Sciences. Vol. 92. No. 7. P. 636-646. DOI: 10.31857/S0869587322070131.

13. Smirnov E.N. (2020). "The world economy of coronavirus": the search for optimal ways to overcome the consequences of the crisis // Bulletin of MGIMO University. No.13(3). P. 243-266 DOI: 10.24833/2071-8160-2020-3-72-243-266.

14. Tyrsin A.N. (2005). Method of detecting the polynomial trend of a time series // Review of applied and industrial Mathematics. Vol. 12. No. 2. P. 533-534.

15. Tyrsin A.N. (2022). Scalar measure of the relationship between several random vectors // Industrial Laboratory. Diagnostics of Materials. Vol. 88. No. 3. P. 73-80. DOI: 10.26896/1028-6861-2022-88-3-73-80.

16. Tyrsin A.N., Golovanov O.A. (2021). Dynamic regression modeling based on gradient descent along nodal straight lines // Modern high technologies. No. 10. P. 88-93. DOI 10.17513/snt.38859.

17. Khanin G.I. (2019). The results of the economic development of the Russian Federation in the 1st quarter of 2019: the economic crisis is intensifying // Issues of regulation of the economy. Vol. 10, No. 2. P. 64-71. DOI: 10.17835/2078-5429.2019.10.2.064-071.

18. Tsvetkov V.A., Dudin M.N. (2020). The COVID-19 pandemic as a threat to the country's food and economic security // Economics and Management. No.26(4). P. 334-344. DOI: 10.35854/1998-1627-2020-4-334-344.

19. Tsukhlo S.V. (2021). Adaptation of Russian industry to the crisis of 2020 // Economic development of Russia. Vol. 28, No. 10. P. 16-18.

20. Shmat V. (2022). Economic growth or harmonious socio-economic development? Part I. Theoretical and methodological view. // ECO. No.52(6). P. 89-110. DOI: 10.30680/ECO0131-7652-2022-6-89-110.

21. Esbensen K. (2005). Analysis of multidimensional data. Selected chapters / translated from English. Chernogolovka: Publishing House of the IPHF RAS. 160 p.

22. Yagudina R.I., Zinchuk I.Yu., Litvinenko M.M. (2012). Analysis of the "Cost of the disease": types, methodology, features of conducting in the Russian Federation // Pharmacoeconomics. Modern pharmacoeconomics and pharmacoepidemiology. Vol. 5, No. 1. P. 4-9.

23. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. (2015). Time Series Analysis: Forecasting and Control. 5th ed. Hoboken, NJ, US: Wiley. 712 p.

24. Brahmbhatt M., Dutta A. (2008). On SARS Type Economic Effects During Infectious Disease Outbreaks. World Bank Policy Research Working Paper. No. 4466. Режим доступа: https://ssrn.com/abstract=1081740.

25. Hardle W.K., Simar L. (2019). Applied Multivariate Statistical Analysis. 5th.ed. Springer. 558 p.

26. Jonung L., Roeger W. (2006). The Macroeconomic Effects of a Pandemic in Europe – a Model-Based Assessment. DOI: 10.2139/ssrn.920851.

27. Pena D., Rodriguez J. (2003). Descriptive Measures of Multivariate Scatter and Linear Dependence // Journal of Multivariate Analysis. Vol. 85. No 2. P. 361-374. DOI: 10.1016/S0047-259X(02)00061-1

28. Suhrcke M., Rocco L., McKee M., Mazzuco S., Urban D., Steinherr A. (2008). Экономические последствия неинфекционных заболеваний и травм в российской федерации. ВОЗ. 97 с.

29. Ward J.D., Sutton P.C., Werner A.D., Costanza R., Mohr S.H., Simmons C.T. (2016). Is Decoupling GDP Growth from Environmental Impact Possible? // PLoS ONE №11(10). e0164733. DOI: 10.1371/journal.pone.0164733.

Comments

No posts found

Write a review
Translate