Полный текст

Однородность потребительской корзины и динамики инфляции в разрезе регионов*

ВВЕДЕНИЕ

В настоящее время основным показателем инфляции для Банка России является индекс потребительских цен (далее – ИПЦ). Он отражает изменение во времени стоимости потребительской корзины – набора из более чем 500 продовольственных и непродовольственных товаров и услуг, потребляемых средним домохозяйством региона. Структура потребительской корзины (веса микрокомпонентов ИПЦ) определяется структурой оборота розничной торговли и платных услуг населению, т. е. отражает потребительские предпочтения и возможности жителей территории [1; 2]. Они, в свою очередь, обусловлены уровнем и спецификой социально-экономического развития региона.

Исследования региональной неоднородности инфляции неоднократно проводились в России [3–6] и за рубежом [2; 7–10]. Однако данные работы не освещали вопрос анализа структурных особенностей потребительской корзины в региональном разрезе. В зарубежных источниках также не удалось найти похожих исследований. Поэтому основной целью предлагаемого исследования стала оценка влияния структуры потребительской корзины различных регионов на специфику протекания в них инфляционных процессов.

В настоящей работе изучение неоднородности инфляции в разрезе регионов выполнено с помощью кластерного анализа. Для группировки регионов применен метод k-средних (k-means). В качестве исходных данных выступают уровень инфляции и структура потребительской корзины в региональном разрезе.

ИСХОДНЫЕ ДАННЫЕ И МЕТОДИКА ИССЛЕДОВАНИЯ

Предметом исследования выступают различия в инфляционных процессах в регионах России. Для их оценки использовались средний за год уровень инфляции в регионе и ее внутригодовая волатильность, выраженная стандартным отклонением. Эти показатели были рассчитаны на основе месячных данных Росстата по региональным ИПЦ в процентах к соответствующему периоду прошлого года.

Согласно методологии Росстата структура потребительской корзины отражена весами микрокомпонентов ИПЦ по конкретному региону. С учетом ограничения по ретроспективе временны́х рядов структуры потребительских расходов в разрезе регионов в исследовании были использованы данные с 2016 по 2023 г.

Для проведения исследования взяты данные по 85 регионам, которые входили в состав Российской Федерации в указанный временной промежуток и по которым Росстат предоставляет статистику по ИПЦ.

В целом перечисленные данные формируют куб, содержащий более 300 000 ячеек с числовыми данными.

Поскольку товары и услуги, входящие в расчет ИПЦ, имеют различные потребительские свойства [1], что может влиять на динамику цен на них, было произведено объединение микрокомпонентов ИПЦ в смысловые группы. Всего выделено две группировки:

1) по компонентам ИПЦ (продовольственные товары, непродовольственные товары, услуги);

2) классификатору индивидуального потребления по целям (продукты питания и безалкогольные напитки; алкогольные напитки, табачные изделия; одежда и обувь; жилищные услуги, вода, электроэнергия, газ и другие виды топлива; предметы домашнего обихода, бытовая техника и повседневный уход за домом; здравоохранение; транспорт; связь; организация отдыха и культурные мероприятия; образование; гостиницы, кафе и рестораны; другие товары и услуги).

Таким образом, анализ проводился по двум соответствующим кубам данных с уменьшенной размерностью. В целом такой подход позволил учесть и разнородность объекта исследования (показатели уровня и волатильности инфляции), и региональные различия в инфляции, и их устойчивость во времени. Описательные статистики за 2023 г. представлены в табл. 1, изменение структуры потребительской корзины – в табл. 2.

 

Табл. 1. Описательные статистики переменных в 2023 г.

Table 1. Variables’ descriptive statistics in 2023

Наименование показателя	Среднее значение	Минимальное значение	Максимальное значение	Медиана	Стандартное отклонение
Продовольственные товары	0,391	0,308	0,592	0,388	0,046
Непродовольственные товары	0,359	0,258	0,451	0,356	0,036
Услуги	0,250	0,150	0,337	0,254	0,036
Индекс потребительских цен	107,365	104,580	110,070	107,380	1,088

Источник: рассчитано авторами по данным Росстата.

Примечание: описательные статистики для услуг, продовольственных и непродовольственных товаров представлены как доли в структуре потребительской корзины.

 

Табл. 2. Средняя доля товаров в структуре потребительской корзины

Table 2. Average share of goods in the commodity bundle structure

Год	Товар		Услуга
	продовольственный	непродовольственный
2016	0,397	0,366	0,237
2017	0,398	0,357	0,245
2018	0,394	0,352	0,254
2019	0,395	0,347	0,258
2020	0,392	0,351	0,257
2021	0,397	0,356	0,248
2022	0,397	0,365	0,238
2023	0,391	0,359	0,250

Источник: рассчитано авторами на основе дан­ных Росстата.

 

В среднем по всем регионам страны доля товаров в структуре потребления остается постоянной на протяжении рассматриваемого периода (табл. 2).

Основная гипотеза исследования заключалась в том, что в регионах со схожей структурой потребительской корзины характер инфляционных процессов (уровень инфляции и ее волатильность) будет иметь схожую динамику. Это обусловило использование кластерного анализа в качестве метода исследования.

Кластеризация проводилась по каждой ячейке каждого куба данных, т. е., например, за 2016 г. по всем регионам в разрезе структуры классификатора индивидуального потребления по целям и т. д. (аналогично за прочие годы, аналогично по другой группировке).

Перед кластеризацией все данные приводились к одному масштабу (от 0 до 1 в зависимости от минимального и максимального значения соответствующего показателя в региональном разрезе), чтобы единица измерения (доля, процент) не оказывала влияния на результаты.

Учитывая сравнительно небольшое количество объектов (регионов России) для кластеризации, применялся метод кластеризации k-средних [11]. Вопрос с определением количества кластеров решался с помощью соответствующих математических методов, таких как метод локтя, метод силуэта (рис. 1).

 

Рис. 1. Графическая иллюстрация выбора оптимального количества кластеров при помощи метода силуэта

Fig. 1. The adequate number of clusters illustrated with silhouette method

Источник: составлено авторами.

 

Кластеризация выполнялась в программной среде вычисления R. Далее проводилось возвращение к первоначальным значениям показателей и анализировалась разница в центрах получившихся кластеров.

ОПИСАНИЕ ИСПОЛЬЗУЕМЫХ МЕТОДОВ

При проведении регионального экономического анализа не всегда схожая динамика определяется географической близостью регионов [12]. Поэтому возникает необходимость переходить от административного деления по федеральным округам к однотипным группам, объединенным по тем или иным показателям. Выполнить данную задачу позволяет кластерный анализ, представляющий собой объединение разнородных объектов в однородные группы (кластеры).

Проведение кластеризации предполагает несколько этапов:

– определение выборки объектов;

– определение множества показателей, по которым будут оцениваться объекты;

– применение математических методов кластеризации;

– интерпретация результатов.

Определение выборки объектов и признаков, по которым они будут оцениваться, приведено в предыдущем разделе.

Все множество методов анализа данных можно поделить на две группы: обучение с учителем и обучение без учителя¹.

В обучении с учителем каждый объект описывается парой x – данные (многомерный вектор); y – целевое значение, метка. Целью является нахождение связывающей их функции f (x) = y. К данной группе методов относится широко используемый регрессионный анализ, а также нейронные сети, деревья решений, случайный лес, наивный байесовский классификатор, машины опорных векторов и т. д.

Кластеризация относится к группе математических методов обучения без учителя. В задачах данного типа методов каждый объект представлен в виде многомерного вектора x (как в обучении с учителем), однако вектор у – учитель – отсутствует. Целью группы методов обучения без учителя является группировка объектов по «схожести» таким образом, чтобы объекты внутри одной группы были похожи друг на друга, а группы объектов были отличны друг от друга.

Представляется важным подчеркнуть отличие кластеризации от более распространенных методов: здесь отсутствует «правильный ответ» в виде близости к исходным данным. При этом необходимо отметить, что в российской практике кластеризация является многозначным термином. В широком смысле под ней понимается любое разделение объектов на однородные группы [13], например с использованием простейших арифметических операций и ранжирования. В указанном примере по многомерному вектору x считают среднее взвешенное, сворачивая многомерный вектор в одномерный; далее расставляют элементы по рангу и выбирают границы, отделяющие одну группу объектов от другой. Вместе с тем региональная статистика характеризуется значительной волатильностью, поэтому такие методы могут быть чувствительны к выбросам.

В узком смысле под кластеризацией понимается использование более сложных математических методов, которые как раз оказываются более робастными [14].

С учетом малого количества регионов среди методов кластеризации лучше всего будет работать разделительная группа методов [11], к которой относятся методы k-средних, иерархическая кластеризация и их вариации.

Суть метода k-средних сводится к заданию исследователем k – количества кластеров, после чего алгоритм стремится минимизировать отклонения точек кластеров от их центров [15]. Данный метод является наиболее распространенным и интуитивно понятным. К его недостаткам можно отнести необходимость указывать число кластеров, от которых будет зависеть результат, а оптимальный выбор является неизвестным [16].

Другим методом этой группы является иерархическая кластеризация, которая использует идею последовательного объединения наиболее похожих объектов [17]. Ее результатом является упорядочивание данных в виде вложенных кластеров. Графически результат представим в виде дендрограммы (рис. 2).

 

Рис. 2. Дендрограмма объектов

Fig. 2. Dendrogram of objects

Источник: составлено авторами.

 

Изучение дендрограммы позволяет исследователю выбрать необходимое количество кластеров, поэтому сначала нужно провести иерархическую кластеризацию и определить по дендрограмме желаемое число кластеров, а затем воспользоваться методом k-средних.

Рассмотренные методы являются наиболее подходящими для кластеризации регионов с учетом их количества.

Для большего количества объектов лучше может отработать плотностная группа методов (DBSCAN, OPTICS). Методы данной группы позволяют находить более сложные по форме кластеры [18–20]. Алгоритм в таком случае работает на нахождение групп наиболее плотно расположенных друг к другу объектов.

Исходя из проведенного обзора, следует сделать вывод о важности этапа интерпретации результатов кластеризации. Ввиду некоторой субъективности кластеризации (результат зависит от выбранных исследователем метода, числа кластеров в отсутствие однозначного критерия для определения наилучшего качества кластеризации) интерпретируемость результатов становится основным критерием истинности результатов [21].

Тем не менее, несмотря на особенности, кластерный анализ является одним из приоритетных способов получения новых знаний об исследуемой системе объектов [11].

В настоящем исследовании для проверки устойчивости результатов разбиения объектов на группы использовался статистический подход, в частности t-критерий Стьюдента. Суть метода состоит в том, чтобы проверить гипотезу о равенстве двух независимых выборок, предполагая их принадлежность к нормальному распределению:

$$\begin{gathered} H_0: {М}_1={М}_2, \\ {H}_1: {М}_1={М}_2, \end{gathered}$$ (1)

где M₁ – математическое ожидание в первой выборке; M₁ – математическое ожидание во второй выборке.

Проверка гипотезы осуществляется из расчета t-статистики, далее сравнивается с критическим значением из t-распределения Стьюдента при заданных уровне значимости и степени свободы:

$t_{ст}=\frac{{\overline{X}}_1-{\overline{X}}_2}{\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}}}$, (2)

где ${\overline{X}}_1$ – среднее арифметическое в первой выборке; ${\overline{X}}_2$ – среднее арифметическое во второй выборке; $S_1^2$ – дисперсия в первой выборке; $S_2^2$ – дисперсия во второй выборке; n₁ – количество наблюдений в первой выборке; n₂ – количество наблюдений во второй выборке.

Если значение t_ст < t_крит, то гипотеза Н₀ не отклоняется на заданном уровне значимости. В ином случае (t_ст > t_крит) гипотеза H₀ отклоняется, а H₁ – нет. Следовательно, две независимые выборки статистически значимо отличаются по определенному признаку.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Перейдем к рассмотрению результатов кластеризации по каждой использованной группировке товаров и услуг и к их интерпретации.

Кластеризация регионов по компонентам и уровню ИПЦ

При кластеризации регионов по компонентам и уровню ИПЦ (табл. 3, рис. 3) около 40 % регионов в каждом из рассматриваемых периодов сформировали кластер с преобладанием в структуре потребительской корзины продовольственных товаров, а оставшиеся 60 % регионов – непродовольственных товаров. При этом доля услуг в потребительской корзине оказалась больше во втором кластере.

 

Табл. 3. Центры кластеров при кластеризации по компонентам и уровню ИПЦ

Table 3. Cluster centers clustered by CPI components and level

Признак для кластеризации	Кластер	2016	2017	2018	2019	2020	2021	2022	2023
Продовольственные товары (вес в ИПЦ, доля)	1	0,450	0,447	0,402	0,450	0,440	0,366	0,426	0,355
	2	0,374	0,375	0,384	0,375	0,384	0,428	0,368	0,421
Непродовольственные товары (вес в ИПЦ, доля)	1	0,330	0,319	0,368	0,310	0,329	0,363	0,337	0,371
	2	0,382	0,375	0,329	0,360	0,362	0,348	0,393	0,348
Услуги (вес в ИПЦ, доля)	1	0,220	0,233	0,231	0,239	0,231	0,270	0,237	0,274
	2	0,245	0,250	0,287	0,265	0,271	0,225	0,239	0,231
Уровень ИПЦ (% к соответствующему периоду прошлого года, среднее за год)	1	107,100	103,651	102,550	104,507	103,504	106,572	113,574	106,138
	2	106,885	103,430	102,965	104,465	103,553	107,029	114,071	105,819

 

Данные табл. 3 позволяют говорить об отсутствии устойчивого эффекта агрегированных категорий потребления и уровня ИПЦ на разделение регионов по различиям в инфляционных процессах. Если за период с 2016 по 2020 г. регионы можно разделить на две устойчивые группы, в одной из которых доли непродовольственных товаров и услуг выше, а в другой – ниже, то в 2021 и 2023 гг. наблюдаются значительные изменения в центрах кластеров, произошедшие под влиянием пандемии и структурной перестройки экономики.

Подтверждением этому также служат рис. 3–6, на которых видно, что регионы редко находились в единственном кластере за весь рассматриваемый период. В основном регионы в шести из восьми случаев принадлежали одному кластеру, в двух других – другому. Более того, отмечается сравнительно высокая доля регионов, которые не показали явную принадлежность к определенному кластеру. На картограммах (рис. 3–6) отражено распределение регионов по кластерам за весь рассматриваемый период².

 

Рис. 3. Распределение регионов по кластерам при кластеризации по компонентам и уровню ИПЦ

Fig. 3. Distribution of regions clustered by CPI components and level

Источник: составлено авторами.

 

Рис. 4. Распределение регионов по кластерам при кластеризации по компонентам и волатильности ИПЦ

Fig. 4. Distribution of regions clustered by CPI components and volatility

Источник: составлено авторами.

 

Рис. 5. Распределение регионов по кластерам при кластеризации по классификатору индивидуального потребления по целям и уровню ИПЦ

Fig. 5. Distribution of regions clustered by the classifier of individual consumption by CPI purpose and level

Источник: составлено авторами.

 

Рис. 6. Распределение регионов по кластерам при кластеризации по классификатору индивидуального потребления по целям и волатильности ИПЦ

Fig. 6. Distribution of regions clustered by the classifier of individual consumption by CPI purpose and volatility

Источник: составлено авторами.

 

Кластеризация регионов по компонентам и волатильности ИПЦ

При кластеризации регионов по компонентам и волатильности ИПЦ (табл. 4, рис. 4) важным открытием стало то, что регионы кластера с преобладанием в структуре потребительской корзины продовольственных товаров часто объединяла сравнительно более высокая волатильность индекса потребительских цен [22; 23], что связано с большей изменчивостью в динамике инфляции продовольственных товаров внутри года [24]. Действительно, колебания цен на рынке продовольствия определяются изменениями в объемах предложения, в первую очередь урожая, причем как в нашей стране, так и в мире в целом [25]. В свою очередь, урожай сельскохозяйственных культур существенно зависит от изменчивых погодных условий. Логично, что в регионах с более высокой долей продовольственных товаров в потребительской корзине колебания цен на них могут оказывать значительное влияние в том числе на волатильность инфляции [22].

 

Табл. 4. Центры кластеров при кластеризации по компонентам и волатильности ИПЦ

Table 4. Cluster centers clustered by CPI components and volatility

Признак для кластеризации	Кластер	2016	2017	2018	2019	2020	2021	2022	2023
Продовольственные товары (вес в ИПЦ, доля)	1	0,452	0,447	0,402	0,446	0,442	0,369	0,425	0,356
	2	0,378	0,375	0,381	0,374	0,386	0,418	0,368	0,422
Непродовольственные товары (вес в ИПЦ, доля)	1	0,327	0,319	0,366	0,314	0,341	0,381	0,337	0,371
	2	0,380	0,375	0,326	0,360	0,358	0,336	0,394	0,348
Услуги (вес в ИПЦ, доля)	1 2	0,221	0,233	0,232	0,240	0,235	0,249	0,238	0,273
		0,243	0,250	0,294	0,266	0,274	0,246	0,238	0,230
Волатильность ИПЦ (внутригодовое стандартное отклонение)	1	1,447	0,960	0,907	1,090	1,154	1,309	2,942	3,056
	2	1,013	0,920	0,829	0,726	0,732	1,084	3,232	3,313

Источник: рассчитано авторами.

 

Заметного влияния географии на формирование кластеров выявить не удалось: в каждой группе есть как южные, так и северные регионы, как западные, так и восточные. Данная ситуация может указывать на то, что уровень экономического развития территорий и тесные межрегиональные экономические связи превалируют над климатическими факторами. В первом кластере преобладают сравнительно бедные регионы (например, отдаленные регионы Дальневосточного федерального округа), во втором – территории, в которых расположены крупные города, что может свидетельствовать о косвенном эмпирическом подтверждении закона Энгеля [26], согласно которому с увеличением дохода доля, расходуемая на товары первой необходимости, уменьшается, в то время как доля расходов на предметы роскоши увеличивается, и наоборот.

Вместе с тем наличие исключений не позволяет сделать вывод, что географические факторы и уровень благосостояния жителей территорий являются определяющими при формировании различий в инфляционных процессах в регионах для используемой группировки товаров и услуг [1]. Например, Кабардино-Балкарская Республика устойчиво попадала во второй кластер, а Омская область с административным центром, являющимся городом-миллионником, в большинстве рассматриваемых периодов присутствовала в первом кластере. Впрочем, это неудивительно: среди и продовольственных, и непродовольственных товаров и услуг есть как те, что являются предметом первой необходимости и повседневного потребления, так и те, что приобретаются сравнительно редко. Учесть эту особенность товаров и услуг, входящих в ИПЦ, призвана следующая группировка.

Кластеризация по классификатору индивидуального потребления по целям и уровню ИПЦ

Для анализа товары и услуги объединяются в 12 групп в зависимости от цели потребления (табл. 5, рис. 5). Например, категория «Транспорт» отражает все расходы потребителей на перемещение в пространстве и включает в себя как легковой автомобиль и топливо, так и услуги по обслуживанию транспортного средства, а также услуги по проезду в общественном транспорте.

Данная группировка товаров и услуг позволила подтвердить и уточнить результаты предыдущей кластеризации. Регионы также были разделены на два кластера. Для регионов первого кластера характерен бóльший вес групп «Продукты питания и безалкогольные напитки» и «Предметы домашнего обихода, бытовая техника и повседневный уход за домом», для регионов второго – вес групп «Транспорт», «Гостиницы, кафе и рестораны», «Организация отдыха и культурные мероприятия». Кроме того, отметим, что регионы первого кластера характеризуются более высоким уровнем инфляции, однако разница в средних в двух группах не является статистически значимой.

 

Табл. 5. Центры кластеров при кластеризации по классификатору индивидуального потребления по целям и уровню ИПЦ

Table 5. Cluster centers clustered by the classifier of individual consumption by CPI purpose and level

Признак для кластеризации	Кластер	2016	2017	2018	2019	2020	2021	2022	2023
Продукты питания и безалкогольные напитки (вес в ИПЦ, доля)	1	0,421	0,358	0,355	0,353	0,351	0,305	0,402	0,300
	2	0,308	0,299	0,297	0,293	0,292	0,349	0,319	0,360
Алкогольные напитки, табачные изделия (вес в ИПЦ, доля)	1	0,043	0,063	0,061	0,061	0,059	0,061	0,046	0,057
	2	0,066	0,062	0,060	0,062	0,065	0,062	0,062	0,057
Одежда и обувь (вес в ИПЦ, доля)	1	0,110	0,097	0,093	0,087	0,087	0,078	0,088	0,075
	2	0,091	0,092	0,088	0,083	0,078	0,078	0,070	0,076
Жилищные услуги, вода, электроэнергия, газ и другие виды топлива (вес в ИПЦ, доля)	1	0,102	0,118	0,122	0,123	0,124	0,115	0,109	0,119
	2	0,108	0,110	0,114	0,116	0,114	0,118	0,121	0,119
Предметы домашнего обихода, бытовая техника и повседневный уход за домом (вес в ИПЦ, доля)	1	0,064	0,057	0,055	0,055	0,057	0,056	0,062	0,057
	2	0,058	0,056	0,057	0,053	0,050	0,055	0,056	0,058
Здравоохранение (вес в ИПЦ, доля)	1	0,036	0,036	0,035	0,036	0,039	0,042	0,041	0,044
	2	0,039	0,038	0,039	0,039	0,039	0,040	0,042	0,042
Транспорт (вес в ИПЦ, доля)	1	0,080	0,110	0,115	0,121	0,116	0,134	0,102	0,142
	2	0,143	0,142	0,143	0,145	0,156	0,133	0,150	0,126
Связь (вес в ИПЦ, доля)	1	0,034	0,033	0,035	0,034	0,030	0,030	0,032	0,043
	2	0,031	0,030	0,032	0,031	0,028	0,033	0,034	0,042
Организация отдыха и культурные мероприятия (вес в ИПЦ, доля)	1	0,037	0,044	0,042	0,044	0,044	0,065	0,032	0,045
	2	0,059	0,059	0,062	0,066	0,067	0,045	0,050	0,031
Образование (вес в ИПЦ, доля)	1	0,008	0,009	0,010	0,009	0,010	0,011	0,008	0,014
	2	0,010	0,012	0,011	0,011	0,010	0,008	0,010	0,008
Гостиницы (вес в ИПЦ, доля)	1	0,011	0,016	0,015	0,015	0,018	0,030	0,014	0,025
	2	0,026	0,030	0,030	0,031	0,029	0,015	0,020	0,016
Другие товары и услуги (вес в ИПЦ, доля)	1	0,055	0,060	0,062	0,063	0,066	0,072	0,065	0,079
	2	0,061	0,068	0,068	0,071	0,072	0,064	0,066	0,066
Уровень ИПЦ (% к соответствующему периоду прошлого года, среднее за год)	1	107,427	103,539	102,722	104,503	103,642	106,833	113,403	105,836
	2	106,857	103,460	102,721	104,437	103,411	106,773	113,939	106,098

Источник: составлено авторами.

 

Кластеризация по классификатору индивидуального потребления по целям и волатильности ИПЦ

Более значимыми оказались различия между кластерами при кластеризации с волатильностью ИПЦ (табл. 6, рис. 6). Был получен тот же результат: волатильность индекса потребительских цен выше в регионах, где больше вес продуктов питания в потребительской корзине. Это подтверждает значимость колебаний предложения на продовольственном рынке в качестве фактора волатильности инфляции.

 

Табл. 6. Центры кластеров при кластеризации по классификатору индивидуального потребления по целям и волатильности ИПЦ

Table 6. Cluster centers clustered by the classifier of individual consumption by CPI purpose and volatility

Признак для кластеризации	Кластер	2016	2017	2018	2019	2020	2021	2022	2023
Продукты питания и безалкогольные напитки (вес в ИПЦ, доля)	1	0,426	0,361	0,355	0,356	0,363	0,306	0,373	0,301
	2	0,309	0,298	0,297	0,294	0,293	0,360	0,307	0,360
Алкогольные напитки, табачные изделия (вес в ИПЦ, доля)	1	0,042	0,063	0,060	0,059	0,055	0,064	0,055	0,058
	2	0,066	0,062	0,061	0,064	0,067	0,058	0,062	0,057
Одежда и обувь (вес в ИПЦ, доля)	1	0,111	0,096	0,093	0,087	0,087	0,075	0,079	0,074
	2	0,091	0,092	0,087	0,083	0,079	0,082	0,071	0,076
Жилищные услуги, вода, электроэнергия, газ	1	0,101	0,117	0,122	0,123	0,118	0,115	0,119	0,119
и другие виды топлива (вес в ИПЦ, доля)	2	0,108	0,111	0,114	0,115	0,121	0,118	0,118	0,119
Предметы домашнего обихода, бытовая техника и повседневный уход за домом (вес в ИПЦ, доля)	1	0,064	0,057	0,055	0,055	0,058	0,055	0,060	0,057
	2	0,058	0,056	0,057	0,053	0,050	0,056	0,054	0,058
Здравоохранение (вес в ИПЦ, доля)	1	0,035	0,036	0,035	0,036	0,040	0,040	0,042	0,044
	2	0,039	0,039	0,039	0,039	0,038	0,042	0,041	0,042
Транспорт (вес в ИПЦ, доля)	1	0,078	0,110	0,115	0,121	0,115	0,144	0,115	0,141
	2	0,142	0,140	0,143	0,144	0,150	0,122	0,160	0,126
Связь (вес в ИПЦ, доля)	1 2	0,034 0,031	0,032 0,031	0,035 0,032	0,034 0,031	0,028 0,029	0,030 0,033	0,034 0,033	0,043 0,042
Организация отдыха и культурные мероприятия (вес в ИПЦ, доля)	1	0,036	0,043	0,042	0,043	0,045	0,064	0,037	0,045
	2	0,059	0,059	0,061	0,064	0,063	0,042	0,054	0,031
Образование (вес в ИПЦ, доля)	1	0,008	0,010	0,010	0,009	0,009	0,010	0,008	0,014
	2	0,010	0,011	0,011	0,011	0,011	0,009	0,010	0,008
Гостиницы (вес в ИПЦ, доля)	1	0,011	0,015	0,015	0,015	0,018	0,027	0,015	0,025
	2	0,026	0,030	0,030	0,030	0,027	0,015	0,022	0,015
Другие товары и услуги (вес в ИПЦ, доля)	1	0,055	0,060	0,062	0,062	0,064	0,071	0,063	0,078
	2	0,061	0,068	0,068	0,071	0,072	0,062	0,068	0,066
Волатильность ИПЦ (внутригодовое стандартное отклонение)	1	1,584	0,983	0,937	0,923	1,108	1,128	3,037	3,083
	2	1,042	0,885	0,814	0,722	0,752	1,245	3,119	3,309

 

Из данных табл. 6 также видно, что по мере сокращения доли расходов населения региона на продовольствие и роста доли расходов на такие статьи, как автомобили, путешествия и отдых, уровень волатильности инфляции в регионе снижается.

Возвращаясь к тезису об изменении структуры потребления в регионах после 2020 г., обратим внимание на рис. 7–10, на которых видно, что зависимость волатильности инфляции от доли расходов определенных категорий потребления заметно изменилась. Так, до 2020 г. связь между волатильностью ИПЦ и долей расходов на транспорт была обратной (рис. 8), но с 2021 г. наблюдается почти полное отсутствие связи, поскольку угол наклона прокси-кривой близок к нулю.

 

Рис. 7. Волатильность ИПЦ и доля расходов на продовольствие

Fig. 7. CPI volatility and share of food expenditures

Источник: составлено авторами.

 

Рис. 8. Волатильность ИПЦ и доля расходов на транспорт

Fig. 8. CPI volatility and share of transportation costs

Источник: составлено авторами.

 

Рис. 9. Волатильность ИПЦ и доля расходов на отдых

Fig. 9. CPI volatility and share of vacation expenditures

Источник: составлено авторами.

 

Рис. 10. Волатильность ИПЦ и доля расходов на гостиницы, кафе и рестораны

Fig. 10. CPI volatility and share of expenditures on hotels, café and restaurants

Источник: составлено авторами.

 

Вместе с тем с 2021 г. связь между волатильностью ИПЦ и долей расходов на отдых стала более явной, чем ранее: подтверждением этому является изменение угла наклона кривой в период с 2021 по 2023 г. на рис. 9.

На рис. 11 представлена графически динамика корреляции волатильности ИПЦ с компонентами.

 

Рис. 11. Волатильность ИПЦ – динамика корреляции с компонентами

Fig. 11. CPI volatility – correlation dynamics with components

Источник: составлено авторами.

 

ЗАКЛЮЧЕНИЕ

В настоящем исследовании выявлена связь между структурой потребительской корзины и волатильностью инфляции в регионах. Основным признаком, служащим разделителем регионов на кластеры, является вес продовольственных товаров. По мере сокращения доли расходов населения региона на продовольствие и роста доли расходов на такие статьи, как путешествия и отдых, уровень волатильности инфляции в регионе снижается.

При этом в кластере с высокой долей продовольственных товаров преобладают сравнительно бедные регионы, а в другом – территории, в которых расположены крупные города, что также может говорить о косвенном эмпирическом подтверждении закона Энгеля, свидетельствующем об уменьшении доли расходов на товары первой необходимости в пользу предметов роскоши при увеличении дохода, и наоборот.

С учетом того, что значительная доля туристических программ может приобретаться за счет заемных средств, повышение ключевой ставки и стоимости кредитов, снижение доли расходов на товары длительного пользования и, как следствие, увеличение доли расходов на продовольственные товары могут формировать предпосылки для увеличения волатильности инфляции в регионах России.

С учетом подтвержденной значимости влияния продуктов питания и безалкогольных напитков на повышенную волатильность региональной инфляции практической рекомендацией может стать обращение особого внимания на данную категорию товаров с целью стабилизации инфляционных ожиданий населения.

 

СПРАВОЧНАЯ ИНФОРМАЦИЯ

REFERENCE DATA

 

P-value после проверки гипотезы о равенстве средних в двух группах при кластеризации по компонентам и уровню ИПЦ

P-value after the hypothesis about the equal means in two groups is checked when clustered by CPI components and level

Признак для кластеризации	2016	2017	2018	2019	2020	2021	2022	2023
Продовольственные товары (вес в ИПЦ, доля)	0,000	0,000	0,059	0,000	0,000	0,000	0,000	0,000
Непродовольственные товары (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,021	0,000	0,003
Услуги (вес в ИПЦ, доля)	0,011	0,098	0,000	0,015	0,000	0,000	0,786	0,000
Уровень ИПЦ (% к соответствующему периоду прошлого года, среднее за год)	0,491	0,209	0,000	0,800	0,716	0,036	0,199	0,160

Источник: рассчитано авторами по данным Росстата.

 

P-value после проверки гипотезы о равенстве средних в двух группах при кластеризации по компонентам и волатильности ИПЦ

P-value after the hypothesis about the equal means in two groups is checked when clustered by CPI components and volatility

Признак для кластеризации	2016	2017	2018	2019	2020	2021	2022	2023
Продовольственные товары (вес в ИПЦ, доля)	0,000	0,000	0,023	0,000	0,000	0,000	0,000	0,000
Непродовольственные товары (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,017	0,021	0,000	0,004
Услуги (вес в ИПЦ, доля)	0,043	0,098	0,000	0,009	0,000	0,698	0,934	0,000
Волатильность ИПЦ (внутригодовое стандартное отклонение)	0,003	0,551	0,049	0,000	0,000	0,000	0,007	0,018

Источник: рассчитано авторами по данным Росстата.

 

P-value после проверки гипотезы о равенстве средних в двух группах при кластеризации по классификатору индивидуального потребления по целям и уровню ИПЦ

P-value after the hypothesis about the equal means in two groups is checked when clustered by their classifier of individual consumption by CPI purposes and level

Признак для кластеризации	2016	2017	2018	2019	2020	2021	2022	2023
Продукты питания и безалкогольные напитки (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Алкогольные напитки, табачные изделия (вес в ИПЦ, доля)	0,003	0,700	0,829	0,797	0,116	0,767	0,007	0,988
Одежда и обувь (вес в ИПЦ, доля)	0,005	0,165	0,060	0,157	0,004	0,960	0,002	0,652
Жилищные услуги, вода, электроэнергия, газ и другие виды топлива (вес в ИПЦ, доля)	0,226	0,034	0,035	0,050	0,001	0,325	0,005	0,955
Предметы домашнего обихода, бытовая техника и повседневный уход за домом (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Здравоохранение (вес в ИПЦ, доля)	0,320	0,289	0,001	0,050	0,799	0,159	0,751	0,239
Транспорт (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,881	0,000	0,022
Связь (вес в ИПЦ, доля)	0,293	0,067	0,034	0,011	0,221	0,004	0,281	0,194
Организация отдыха и культурные мероприятия (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Образование (вес в ИПЦ, доля)	0,197	0,006	0,258	0,093	0,730	0,003	0,091	0,000
Гостиницы (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,009	0,000
Другие товары и услуги (вес в ИПЦ, доля)	0,275	0,004	0,466	0,002	0,017	0,000	0,864	0,000
Уровень ИПЦ (% к соответствующему периоду прошлого года, среднее за год)	0,281	0,608	0,997	0,651	0,065	0,788	0,374	0,248

Источник: рассчитано авторами по данным Росстата.

 

P-value после проверки гипотезы о равенстве средних в двух группах при кластеризации по классификатору индивидуального потребления по целям и волатильности ИПЦ

P-value after the hypothesis about the equal means in two groups is checked when clustered by their classifier of individual consumption by CPI purposes and volatility

Признак для кластеризации	2016	2017	2018	2019	2020	2021	2022	2023
Продукты питания и безалкогольные напитки (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Алкогольные напитки, табачные изделия (вес в ИПЦ, доля)	0,004	0,920	0,845	0,202	0,005	0,136	0,064	0,805
Одежда и обувь (вес в ИПЦ, доля)	0,006	0,253	0,055	0,192	0,019	0,031	0,021	0,579
Жилищные услуги, вода, электроэнергия, газ и другие виды топлива (вес в ИПЦ, доля)	0,126	0,123	0,021	0,027	0,339	0,041	0,879	0,957
Предметы домашнего обихода, бытовая техника и повседневный уход за домом (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Здравоохранение (вес в ИПЦ, доля)	0,381	0,155	0,018	0,070	0,419	0,024	0,539	0,229
Транспорт (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,005	0,000	0,035
Связь (вес в ИПЦ, доля)	0,346	0,264	0,038	0,063	0,363	0,009	0,463	0,174
Организация отдыха и культурные мероприятия (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Образование (вес в ИПЦ, доля)	0,105	0,373	0,495	0,154	0,128	0,189	0,110	0,000
Гостиницы (вес в ИПЦ, доля)	0,000	0,000	0,000	0,000	0,000	0,000	0,000	0,000
Другие товары и услуги (вес в ИПЦ, доля)	0,328	0,002	0,015	0,000	0,000	0,000	0,081	0,000
Волатильность ИПЦ (внутригодовое стандартное отклонение)	0,009	0,079	0,024	0,001	0,000	0,075	0,456	0,034

Источник: рассчитано авторами по данным Росстата.

 

* Настоящая статья отражает личную позицию авторов. Содержание и результаты данного исследования не следует рассматривать, в том числе цитировать в каких-либо изданиях, как официальную позицию Банка России или указание на официальную политику или решения регулятора. Любые ошибки в данном материале являются исключительно авторскими.

The views expressed herein are solely those of the authors. The content and results of this research should not be considered or referred to in any publications as the Bank of Russia’s official position, official policy, or decisions. Any errors in this document are the responsibility of the authors.

¹ Обучение с подкреплением будем считать частным случаем обучения с учителем, где в качестве учителя выступают вознаграждения со стороны внешней среды.

² На всех картограммах темно-зеленым цветом обозначены регионы, которые попадали во второй кластер в каждом из рассматриваемых периодов; красным – регионы, которые в каждом из рассматриваемых периодов присутствовали в первом кластере; светло-зеленым – регионы, которые как минимум в течение трех лет из пяти попадали во второй кластер; оранжевым – регионы, которые как минимум в течение трех лет из пяти находились в первом кластере.

Об авторах

Иван Алексеевич Ощепков

Отделение по Пермскому краю Уральского главного управления Банка России

Email: 57svc_seo@cbr.ru
ResearcherId: JWO-2500-2024

кандидат экономических наук, начальник экономического отдела

Россия, 614990, Пермь, ул. Ленина, д. 19

Вера Валерьевна Ишмурзина

Отделение по Пермскому краю Уральского главного управления Банка России

Автор, ответственный за переписку.
Email: 57svc_seo@cbr.ru
ResearcherId: JRW-7147-2023

ведущий экономист экономического отдела

Россия, 614990, Пермь, ул. Ленина, д. 19

Максим Андреевич Габов

Отделение по Пермскому краю Уральского главного управления Банка России

Email: 57svc_seo@cbr.ru

экономист 1 категории экономического отдела

Россия, 614990, Пермь, ул. Ленина, д. 19

Список литературы

Дополнительные файлы