Качество жизни представляет собой один из основных факторов, оказывающих влияние на благосостояние населения и устойчивость развития регионов. В условиях современных экономических и социальных изменений в России, где каждодневные реалии требуют от населения быстрой адаптации и изменения привычек, исследование факторов, влияющих на качество жизни, приобретает особую значимость. Актуальность данного исследования обусловлена необходимостью системного анализа взаимодействия социально-экономических факторов с качеством жизни на уровне регионов, в частности на уровне Южного федерального округа (ЮФО).

Качество жизни включает в себя материальные (доходы, уровень занятости) и нематериальные аспекты (доступ к образованию, здравоохранению, экологическая безопасность, социальные взаимодействия). В условиях значительных региональных различий в благосостоянии и инфраструктуре важно определить, какие именно факторы или их сочетание наиболее интенсивно влияют на общее восприятие качества жизни. Исследование приобретает особую актуальность в свете роста диспропорций в доступе к ресурсам, что приводит к снижению качества жизни в менее развитых регионах России.

Цель данной работы состоит в проведении комплексного исследования влияния социально-экономических факторов на качество жизни населения в ЮФО с помощью эконометрического анализа. В ходе исследования будет выявлено, какие ключевые показатели играют основную роль и какие механизмы существуют для взаимосвязей между ними.

При рассмотрении подходов к оценке качества жизни, данное исследование ориентировано на применение методов эконометрического анализа, такие как корреляционный, регрессионный анализ. Эти подходы предоставляют возможность выявлять корреляционные зависимости между факторами, составлять эконометрические модели, а также давать прогнозные выводы о возможных изменениях. Данные методы анализа помогут установить причинно-следственные связи и выявить ключевые показатели, которые имеют наибольшее влияние на качество жизни в ЮФО. Эконометрический анализ проводится с применением пакета прикладных программ Microsoft Excel «Анализ данных».

Основные аспекты регулирования качества жизни закреплены в статье 7 Конституции Российской Федерации. Этот нормативный акт определяет РФ как социальное государство, вектор политики которого ориентирован на формирование условий, способствующих достойному существованию и свободному развитию человека [1].

За выработку и реализацию государственной политики и нормативно-правового регулирования уровня жизни в стране отвечает Министерство труда и социальной защиты РФ, а Федеральная служба государственной статистики на основе данных о социальных, экономических, демографических и других общественно значимых процессах формирует свод статистики.

В показатель уровня жизни населения ведомство закладывает 11 показателей: доходы и их распределение среди населения, социальное обеспечение, прожиточный минимум и уровень бедности, уровень материальной обеспеченности малоимущих хозяйств, доступность жилья для семей с детьми и другие [2]. Однако эти показатели отражают уровень жизни населения лишь с точки зрения удовлетворения базовых материальных нужд. Более обширным понятием, чем уровень жизни, является качество жизни. Это понятие охватывает индикаторы, которые описывают не только объективные (количественные) условия существования, но и субъективные (качественные) аспекты жизни населения.

В настоящий момент в российской науке отсутствует единая концепция качества жизни, которая бы включала универсальное определение данного понятия и общепринятую методику его оценки. Качество жизни является многогранным понятием, охватывающим экономические, социальные и экологические аспекты, влияющие на благосостояние и удовлетворенность населения.

Наиболее обширный набор показателей для анализа качества жизни предлагает рейтинговое агентство РИА Рейтинг. В 2024 году для составления рейтинга применяется 66 параметров, распределенных по 11 категориям, которые отражают важнейшие аспекты условий жизни в регионе [3]: уровень доходов населения, занятость населения и рынок труда, жилищные условия населения, безопасность проживания, демографическая ситуация, экологические и климатические условия, здоровье населения и уровень образования, обеспеченность объектами социальной инфраструктуры, уровень экономического развития, уровень развитие малого бизнеса, освоенность территории и развитие транспортной инфраструктуры.

Для осуществления анализа влияния социально-экономических факторов на качество жизни населения в ЮФО были использованы рейтинго-бальные таблицы ООО «Рейтинговое агентство “РИА Рейтинг”», а также статистические данные Росстата и ежегодных сборников РФ по статистике (табл. 1).

Таблица 1

Свод данных для построения эконометрической модели, рейтинговый балл

В качестве эндогенной переменной y  выступает рейтинговый балл по качеству жизни населения. Экзогенные переменные:

• _{x 1} – рейтинговый балл по уровню доходов;
• _{x 2} – рейтинговый балл по занятости и рынку труда;
• _{x 3} – рейтинговый балл по уровню научно-технического развития;
• _{x 4} – рейтинговый балл по уровню экономического развития;
• _{x 5} – экологический рейтинг.

Результаты регрессионного анализа показали в этом случае, что коэффициент детерминации составляет: R2  = 0,7786. Это указывает на то, что вариация y  на 77,86% объясняется пятью переменными, используемыми в модели. Оставшиеся 22,14% приходятся на другие факторы, которые не были учтены в регрессии. Критерий Фишера оказался меньше табличного значения Fфакт = 1,41 (Fα=0,05 = 19,30), что говорит об отсутствии статистической значимости уравнения регрессии для данного объема наблюдений. При анализе зависимости y=fx1,x2,x3,x4,x5  была составлена матрица парных коэффициентов корреляции, представленная в табл. 2.

Таблица 2

Матрица парных коэффициентов корреляции

Наибольшее влияние на зависимую переменную y  оказывают уровень доходов населения (x1 ), уровень научно-технического развития (x3)  и экологическая обстановка в регионах (x5 ).

При коэффициенте корреляции rxixj  ≥ 0,8 наблюдается явная коллинеарность между двумя переменными, что свидетельствует об их линейной связи, при которой они оказываются в зависимости друг от друга [4]. Это приводит к ситуации, когда они повторяют (дублируют) друг друга. В табл. 2 видно, что более чем два фактора связаны между собой линейной зависимостью. Такое явление обусловлено мультиколлинеарностью факторов, что приводит к тому, что вариация исходных данных перестает быть полностью независимой, что, в свою очередь, затрудняет точную оценку влияния каждого фактора в отдельности. Значение определителя матрицы межфакторной корреляции находится близко к нулю (DetR = 0,00039), что указывает на ненадежность результатов множественной регрессии. Чтобы решить проблему высокой межфакторной корреляции, необходимо исключить из модели некоторые факторы.

Ясно видно, что факторы x2  и x5  дублируют друг друга (rx2x5 = 0,922). Несмотря на то, что корреляция между x2  и результативным признаком y  менее выражена, чем корреляция между x5  с y  (ryx2 = 0,647 ˂ ryx5 = 0,749), фактор x5  демонстрирует линейную связь с другими переменными. Именно поэтому имеет смысл включить в анализ фактор x2, исключая при этом x5 . Для дальнейшего исследования составим матрицу парных коэффициентов корреляции для следующей зависимости y=f(x1,x2,x3,x4)  (табл. 3).

Таблица 3

Матрица парных коэффициентов корреляции

Результаты регрессионного анализа показали, что коэффициент детерминации равен R2  = 0,7687. Значение критерия Фишера меньше табличного (порогового) значения Fфакт = 2,49 (Fα=0,05 = 9,12). В связи с чем нельзя утверждать о статистической значимости уравнения множественной регрессии. После исключения экзогенной переменной x5  увеличился определитель матрицы (DetR = 0,0045). Но мультиколлинеарность факторов имеет место. Фактор x3  – уровень научно-технического развития формируется на базе 33 показателей, таких как: затраты на исследования и разработки, удельный вес инновационных товаров и услуг в общем объеме отгруженных товаров, количество организаций, использующих отечественные технологии, региональная поддержка научно-технической деятельности и другие. Среди остальных факторов x3  демонстрирует наибольшую линейную зависимость с фактором  x1  и x2  (rx1x3 =0,903; rx2x3 =0,877). Однако корреляция x3  с y  слабее, чем x1 с y  (ryx1 = 0,827 > ryx3 = 0,778), поэтому фактор x3  следует исключить (табл. 4).

Таблица 4

Матрица парных коэффициентов корреляции

  Регрессионный анализ показал, что линейное уравнение регрессии по переменным x1 ,  x2 , x4  статистически не значимо. Из табл. 4 следует, что определитель матрицы (DetR = 0,016) приближается к нулю. Наибольшая линейная зависимость прослеживается между факторами x2  и x4  (rx2x4 =0,922). Фактор x2  или x4  теоретически можно исключить, но дальнейшие исследования показали, что применим другой подход.

В представленной выше модели регрессии объясняющиеся переменные представлены количественными переменными – баллами. Тем не менее, в реальных условиях часто возникает потребность в анализе влияния качественных характеристик, таких как степень удаленности региона от центра ЮФО, его специализация, туристическая направленность и другие факторы. Эти элементы могут оказать значительное влияние на структуру линейных связей, а также привести к скачкообразному изменению параметров модели регрессии [5]. Чтобы сохранить экономический смысл анализа и рассматривать действия факторов в «чистом» виде изучим зависимость y  от влияния каждого фактора: x1 , x2 , x4 . Этот подход связан с введением фиктивных переменных.

Рассмотрим подробно зависимость y  от влияния фактора x1 . Астраханская область отличается пониженным показателем качества жизни. В стандартной модели не учитываются проблемы предыдущих периодов, поэтому для фактора x1  введем фиктивную переменную Z=(0,0,0,0,1,0,0,0)  (табл. 5).

Таблица 5

Введение фиктивной переменной в модель (1)

С помощью настройки «Анализ данных» инструментов MS Excel функции «Регрессия», узнаем прогнозные значения (рис. 1).

Рис. 1. Результаты регрессионного анализа качества жизни в регионах ЮФО в зависимости от уровня доходов

Получаем уравнение регрессии: yx1=4,31+20,56x1-17,09Z .

Коэффициент детерминации составляет: R2  = 0,964, что говорит о том, что вариация y на 96,4% объясняется вариацией х₁. Критерий Фишера больше табличного значения Fфакт = 67,027 (Fα=0,05 = 5,99), и можно сделать вывод, что уравнение регрессии статистически значимо. Ошибка аппроксимации показывает хорошее соответствие расчетных yx1  и фактических у данных (средняя ошибка  аппроксимации составляет 3,8%).

Исходя из полученных данных можно построить следующий график фактических и прогнозных показателей (рис. 2).

Рис. 2. Графическое представление прогнозных и фактических значений Yx1

Далее рассмотрим зависимость y  от влияния фактора x2  (занятость и рынок труда),  Данные для построения эконометрической модели в виде полинома третьей степени представлены в табл. 6.

Таблица 6

Свод данных для построения эконометрической модели (2)

С помощью представленных данных (табл. 6) проведем регрессионный анализ, используя настройки «Анализ данных» инструментов MS Excel (рис. 3).

Рис. 3. Результаты регрессионной статистики для модели

Уравнение регрессии имеет вид: yx2=-933,77+57,06х2-1,06х22+0,006х23 . Коэффициент детерминации составляет: R2  = 0,782, критерий Фишера меньше табличного значения Fфакт = 4,79 (Fα=0,05 = 5,99), т.е. уравнение регрессии статистически не значимо.

Поэтому, введем фиктивные переменные в модель, для того, чтобы отобразить влияние статистически значимых отклонений на результативный признак (табл. 7). В столбце Z₁ значение 1 присвоим г.Севастополь и Астраханской области, т.к. при проведении анализа необходимо учитывать региональные особенности. г.Севастополь является ключевым стратегическим центром ЮФО и всей страны, где уровень жизни превышает уровень занятости. Несмотря на то, что он является городом федерального значения, показатель x2  в Республике Крым значительно выше. Астраханская область, напротив, демонстрирует самый низкий уровень занятости населения, что обосновывает необходимость введения данного значения фиктивной переменной именно для этих регионов.

В столбце Z₂ присвоим значение 1 фиктивной переменной для Республики Крым и Ростовской области, тогда как остальным регионам будет присвоено значение 0. Это обусловлено тем, что на территории Республики Крым расположен город федерального значения, а Ростовская область является центром ЮФО. Данные факторы влияют на централизацию финансовых, трудовых и других ресурсов, а также определяют размещение военно-стратегических объектов.

Таблица 7

Введение фиктивных переменных в модель (3)

После введения фиктивных переменных в модель, с помощью регрессионного анализа в MS Excel «Анализ данных» получаем прогнозные значения.

Рис. 4. Результаты регрессионной статистики для модели (3)

После проведения соответствующих замен переменных с применением программы «Регрессия» (MS Excel, Пакет анализа) с использованием фиктивных переменных Z1=(0,1,0,1,0,0,0,0)  и Z2=(0,0,0,0,1,1,0,0)  получаем улучшенную модель: yx2=-1401,99+84,35х2-1,56х22+0,009х23-6,95Z1+9,79Z2 . Коэффициент детерминации составляет: R2  = 0,984, что говорит о том, что вариация y на 98,4% объясняется вариацией х₂. На долю прочих факторов, не учитываемых в регрессии, приходится 1,6%. Критерий Фишера больше табличного значения Fфакт = 25,07 (Fα=0,05 = 5,99), и можно сделать вывод, что уравнение регрессии статистически значимо. Ошибка аппроксимации показывает хорошее соответствие расчетных yx2  и фактических у данных: среднее отклонение составляет 1,8%. Исходя из полученных данных можно построить следующий график фактических и прогнозных значений (рис. 5).

Рис. 5. Графическое представление прогнозных и фактических значений Yx2

Теперь основывая на данных табл. 1 рассмотрим зависимость y  от влияния фактора x4  (уровень экономического развития) и создадим по ним улучшенную модель регрессии для повышения ее значимости. Важно понимать влияние уровня экономического развития конкретного региона ЮФО на качество жизни в этом регионе.

Используя данные, представленные в табл. 1 построим график зависимости yx4 , который представлен на рис. 6.

Рис. 6. Зависимость уровня экономического развития в ЮФО за 2023 г.

Исходя из графика (рис. 6) можно сделать вывод, что уравнение тренда, представленное на графике, будет иметь вид полинома второй степени.

Чтобы учесть наибольшие колебания в данных, введем фиктивные переменные Z1=(0,1,1,0,0,0,0,0)  и Z2=(0,0,0,1,0,0,0,0) , отраженные в табл. 8. Для Республики Адыгея и г.Севастополь – значение 1, а для других регионов 0. Это объясняется тем, что показатель x4  (уровень научно-технического развития) в данных регионах достаточно низкий, при более высоком уровне жизни. Данная проблема может быть вызвана недостаточным уровнем финансирования проектов научно-технической направленности, образовательной деятельности и молодежной политики. Исключением являются Республика Калмыкия, для которой низкий показатель x4  соответствует показателю уровня жизни. Для x4  значение Z₂ будет такое же как для x1  значение Z. У Астраханской области наименьший балл уровня жизни, в то время как рассматриваемые факторы находятся в приемлемом значении для ЮФО.

Таблица 8

Введение фиктивных переменных в модель (4)