Changing the Influence of Economic Factors on Education in the Russian Federation for 2000-2022
DOI:
https://doi.org/10.22394/1726-1139-2024-6-203-218Keywords:
education, principal component analysis regression analysis, principal component method, correlation matrix, regional economy, federal district, human capitalAbstract
The article examines the analysis of the relationship between the economic condition and the level of education of the regions of the Russian Federation over the past 20 years. The gross regional product, the share of pensioners, total expenses and the share of utility costs, the share of the population with incomes below the subsistence level, etc. were selected as economic indicators of the regions. As indicators characterizing the level of education in the regions, the number of teachers, students, teachers, graduate students, the share of costs for basic and applied research, etc. were taken. The main research methods are factor, correlation and cluster analysis, as well as the principal component method. Using cluster analysis, 4 groups of regions were obtained, differing in economic indicators. All indicators were standardized and for each year the method of main components between two groups of indicators was carried out both for all regions of the Russian Federation and for each cluster separately. After selecting the first main components, a linear relationship is constructed between the two groups of indicators under consideration for different federal districts of the Russian Federation. It is concluded that for the first two clusters, from 2000 to 2003, there was no connection between the two groups of indicators. However, since 2004, a linear relationship between the two groups of indicators has been revealed, which tends to increase. For the third and fourth clusters, the absence of this dependence has been noted over the past 20 years. Based on the constructed linear regression model, a forecast is made for the next 3 years on the strengthening of the influence of the economy on the field of education for the regions included in the first and second clusters. The analysis confirms the assumption that for industrial regions there is a significant relationship between economic indicators and the level of education, whereas for raw material regions there is no such relationship. The proposed method can be used both to analyze the impact of economic factors on the education of regions and to analyze the reverse effect, which is especially important for making strategic decisions in the field of education.Downloads
References
Батракова Л. Г. Инновационное развитие регионов России по модели «тройной спирали» // Социально-политические исследования. 2020. № 3 (8). С. 67–80. DOI: 10.20323/2658-428X-2020-3-8-67–80
Болдырева К. С., Полехина В. Д. Влияние цифровой экономики на образование // Ratio et Natura. 2020. № 1 (1).
Василенко Н. В. Экономика знаний и сфера образования: взаимообусловленность развития // Научно-методический электронный журнал «Концепт». 2016. Т. 15. С. 1869–1900.
Горяинов В. Б., Горяинова Е. Р. Исследование устойчивости к аномальным наблюдениям модификаций метода главных компонент // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия: Естественные науки. 2023. № 2 (107). С. 17–34.
Горяинов В. Б., Горяинова Е. Р. Сравнительный анализ качества робастных модификаций метода главных компонент при сжатии коррелированных данных // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия: Естественные науки. 2021. № 3 (96). С. 23–45.
Джой Е. С. Влияние системы образования на функционирование рынка труда // Экономика и предпринимательство. 2018. № 6. С. 275–279.
Дорофеева Т. П. Взаимосвязь экономико-демографических факторов и спроса на услуги высшего образования // Вестник Кемеровского государственного университета. Серия: Политические, социологические и экономические науки. 2020. Т. 5. № 4 (18). С. 534–542.
Егиазарян О. Э. Анализ результатов оценки качества общего образования в регионах со сложной социально-экономической ситуацией // Человеческий капитал. 2022. № 11 (167). С. 104–109.
Кондратенко Н. А., Шашкова С. Н. Влияние социально-экономических процессов на развитие системы образования // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2019. № 2 (28). С. 108–115.
Котомина О. В., Третьякова Е. А. Взаимосвязь развития региона и функционирования вузов (на примере Северо-Западного федерального округа) // Балтийский регион. 2024. Т. 16. № 1. С. 117–140.
Купревич Т. С., Турбан Г. В. Цифровая трансформация международного бизнеса: пособие для студентов. Минск : Гос. учреждение образования «Республиканский институт высшей школы», 2022. 100 с.
Свиридова Е. В. Учет влияния факторов рынка образовательных услуг при прогнозировании набора в вуз // Научный альманах. 2015. № 12–1. С. 330–335.
Схаплок Р. Б. Формализация факторов, влияющих на сбалансированное развитие экономики региона // Стратегия соц.-эк. развития общества: управленческие, правовые, хо зяйственные аспекты : сборник научных статей 10-й Международной научно-практической конференции. В 2 т. Курск, 26–27 ноября 2020 года. Т. 2. Курск : Юго-Западный гос. ун-т, 2020. С. 193–196.
Федорова Е. А., Мусиенко С. О., Федоров Ф. Ю., Рогов О. Ю. Оценка качества образования в регионах // Региональная экономика: теория и практика. 2018. Т. 16. № 2 (449). С. 249– 262.
Федотов А. А., Сергеев С. М., Борисоглебская Л. Н., Лебедева Я. О. Прогнозирование рынка образовательных услуг на базе цифровых технологий // Инновации. 2020. № 3. С. 66–70.
Чебыкина М. В., Миронова Е. А., Шаталова Т. Н. Человеческий капитал как основополагающий фактор инновационных преобразований и управления на региональном уровне // Вестник Самарского университета. Экономика и управление. 2023. Т. 14. № 2. С. 180–186.
Bro R., Smilde A. K. Principal component analysis // Anal. Methods. 2014. Vol. 6. N 9. P. 2812– 2831.
Gao Yu, Yao K., Xiao L., Gao Sh. Equipment consumption prediction based on improved HOLT exponential smoothing method // Journal of Physics: Conference Series. 2023. Vol. 2670. N 1. P. 012015.
Golichenko O. The Basic Factors of National Innovation System Development in Russia // Delhi, India : Narosa Publishing House, 2014. P. 38–52.
Kobayashi Ya. New precise model of studentized principal components // Communications in Statistics — Theory and Methods. 2024. Vol. 53. N 2. P. 487–504.
Liu W., Liu Zh., Wang L. Regional Social Development Gap and Regional Coordinated Development Based on Mixed-Methods Research: Evidence from China // Frontiers in Psychology. 2022. Vol. 13.
Lutsenko V. V., Kucherov N. N., Gladkov A. V. Predicting traffi congestion based on time series analysis // Modern Science and Innovations. 2023. N 2 (42). P. 50–58. DOI: 10.37493/2307910X.2023.2.5. EDN JASHWV
Maronna R. A., Martin R. D., Yohai V. J., Salibián-Barrera M. Robust Statistics: theory and Methods (with R). Chichester : Wiley. 2019. 453 p.
Zhang Chunlei. Analysis of the substitution eff on employment and educational needs in digital economy // Естественно-гуманитарные исследования. 2021. N 37 (5). P. 336–341. DOI: 10.24412/2309-4788-2021-537-336-341. EDN RGDEUU
Zheng Y., Cheng Y., Li L. Factors Aff Regional Economic Synergy in China — Based on Research on High-Tech Industry // IEEE Access. 2020. Vol. 8. P. 14123–14133.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Kotov A.I., Polyanskaya S.V., Ulzetueva D.D.
This work is licensed under a Creative Commons Attribution 4.0 International License.
How to Cite
Коды статьи
- EDN WFUTXH
- Тип статьи (РИНЦ) Научная статья (Научная статья)
