Однородность потребительской корзины и динамики инфляции в разрезе регионов

Аннотация

Введение. Одним из факторов, который может влиять на эффективность денежно-кредитной политики центральных банков, направленной на таргетирование инфляции, является региональная разнородность.

Цель. Оценка влияния структуры потребительской корзины субъектов Российской Федерации на региональные инфляционные процессы методом кластеризации на основе региональных индексов потребительских цен и весов товаров и услуг потребительской корзины.

Материалы и методы. Кластеризация методом k-средних.

Результаты. В ходе исследования выявлено, что структура потребительской корзины оказывает влияние на уровень и волатильность инфляции. Основным разделяющим признаком является вес продуктов питания в потребительской корзине. В регионах с более высокой долей продовольственных товаров наблюдалась более высокая волатильность индекса потребительских цен, в то время как регионы с более высокой долей услуг и непродовольственных товаров обладают более низкой волатильностью инфляции. В кластере с высокой долей продовольственных товаров преобладают сравнительно бедные регионы, в другом – территории, в которых расположены крупные города, что может говорить о косвенном эмпирическом подтверждении закона Энгеля. Однако если в период 2016–2020 гг. и в 2022 г. регионы можно разделить на две устойчивые группы, то в 2021 и 2023 гг. наблюдаются значительные изменения в центрах кластеров, обусловленные изменением модели потребления регионов. 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.

Выводы. Для перехода из одного кластера в другой у населения региона должна снижаться доля расходов на продукты питания и расти доля расходов на потребление товаров и услуг, направленных на удовлетворение более высокоуровневых потребностей. Это позволит снизить волатильность инфляции по России в целом.

Ключевые слова: волатильность инфляции, закон Энгеля, инфляция, кластерный анализ, ключевая ставка, метод k-средних, неоднородность, потребительская корзина, продовольственные товары, расходы домохозяйств, региональный экономический анализ

СПИСОК ИСТОЧНИКОВ

1. Станишевская С. П., Губанов Д. А. К вопросу о российской потребительской корзине // Вестник Пермского университета. Серия: Экономика. 2012. № 2 (13). С. 91–98. EDN OYZMGX
2. Shin J., Choi J. Y., Lee D. Model for studying commodity bundling with a focus on consumer preference: Evidence from the Korean telecommunications market // Simulation. 2016. Vol. 92, iss. 44. P. 311–321. DOI 10.1177/0037549716638838
3. Дерюгина Е. Б., Карлова Н. А., Пономаренко А. А., Цветкова А. Н. Отраслевые и региональные факторы инфляции в России // Серия докладов об экономических исследованиях (Банк России). 2018. № 36. С. 1–33. URL: https://www.cbr.ru/content/document/file/47509/wppdf (дата обращения: 12.02.2024).
4. Жемков М. И. Региональные эффекты таргетирования инфляции в России: факторы неоднородности и структурные уровни инфляции // Вопросы экономики. 2019. № 9. С. 70–89. DOI 10.32609/0042-8736-2019-9-70-89. EDN XEVUKC
5. Жураковский В. П., Новопашина А. Н., Тарантаев А. Д. Региональная разнородность эффекта переноса валютного курса на инфляцию // Серия докладов об экономических исследованиях (Банк России). Январь 2021. С. 1–78. URL: https://cbr.ru/content/document/file/118010/wp_dgu_jan.pdf (дата обращения: 12.02.2024).
6. Семитуркин О. Н., Шевелев А. А., Квактун М. И. Анализ факторов гетерогенности и оценка структурных уровней инфляции в регионах России // Вопросы экономики. 2021. № 9. С. 51–68. DOI 10.32609/0042-8736-2021-9-51-68. EDN JDRYXO
7. Beck G. W., Hubrich K., Marcellino M. Regional inflation dynamics within and across euro area countries and a comparison with the United States // Economic Policy. 2009. Vol. 24, iss. 57. P. 142–184. DOI 10.1111/j.1468-0327.2009.00214.x
8. Dawber J., Smith P., Tzavidis N., Wurz N., Flower T., Heledd T., Schmid T. Experimental UK Regional Consumer Price Inflation with Model-Based Expenditures Weights // Journal of Official Statistics. 2022. Vol. 38, iss. 1. P. 213–237. DOI 10.2478/jos-2022-0010
9. Kaplan G., Schulhofer-Wohl S. Inflation at the household level // Journal of Monetary Economics. 2017. Vol. 91. P. 19–38. DOI 10.1016/j.jmoneco.2017.08.002
10. Nagayasu J. Heterogeneity and Convergence of Regional Inflation (prices) // Journal of Macro-economics. 2011. Vol. 33, iss. 4. P. 711–723. DOI 10.1016/j.jmacro.2011.07.002
11. Shikhman V., Muller D. Clustering // Mathematical Foundations of Big Data Analytics. Gabler; Berlin; Heidelberg: Springer, 2021. P. 87–105. DOI 10.1007/978-3-662-62521-7_5
12. Attfield C., Cannon E., Demery R., Duck N. W. Economic Growth and Geography Proximity // Economic Letters. 2000. Vol. 68, iss. 1. P. 109–112. DOI 10.1016/S0165-1765(00)00222-6
13. Hair J. F., Black B., Babin B., Anderson R. E., Tatham R. L. Multivariate data analysis. 6th edition. Pearson, 2010. 761 p.
14. García-Escudero L. A., Gordaliza A., Matrán C., Mayo-Iscar A. A review of robust clustering methods // Advanced in Data Analysis and Classification. 2010. Vol. 4. P. 89–109. DOI 10.1007/s11634-010-0064-5
15. Litvinenko N., Marymbayev O., Shayakhmetova A., Turdalyuly M. Clusterization by the K-means method when K is unknown // ITM Web of Conferences. 2019. Vol. 24. Article 01013. DOI 10.1051/itmconf/20192401013
16. Ray S., Turi R. H. Determination of number of clusters in k-means clustering and application in colour image segmentation // 4th International Conference on Advances in Pattern Recognition and Digital Techniques (ICAPRDT’99). New Delhi: Narosa Publishing House, 2000. P. 137–143.
17. Nielsen F. Hierarchical Clustering // Introduction to HPC with MPI for Data Science. Undergraduate Topics in Computer Science. Springer, Cham, 2016. P. 195–211. DOI 10.1007/978-3-319-21903-5_8
18. Махрусе Н. Современные тенденции методов интеллектуального анализа данных: метод кластеризации // Московский экономический журнал. 2019. № 6. Ст. 35. DOI 10.24411/2413-046X-2019-16034. EDN ZPTNRR
19. Sharma D., Sachin D. Hybrid clustering algorithm using Ad-density-based spatial clustering of applications with noise // International Journal of Advance Research, Ideas and Innovations in Technology. Vol. 4, iss. 5. P. 300–306. URL: https://www.ijariit.com/manuscripts/v4i5/V4I5-1263.pdf (дата обращения: 12.02.2024).
20. Ankerst M., Breunig M., Kriegel H., Sander J. OPTICS: Ordering points to identify the clustering structure // Proceedings of the 1999 ACM SIGMOD International Conference on Management of Data (SIGMOD’99). New York, 1999. P. 49–60. DOI 10.1145/304181.304187
21. Миркин Б. Методы кластер-анализа для поддержки принятия решений: обзор: препринт WP7/2011/03. М.: Изд. дом НИУ ВШЭ, 2011. 88 с. URL: https://www.hse.ru/data/2011/05/19/1213868030/WP7_2011_03f.pdf (дата обращения: 12.02.2024).
22. Шагайда Н. С., Терновский Д. С. Волатильность цен на продовольственные товары в 2021–2022 гг. в контексте продовольственной безопасности // Вопросы экономики. 2023. № 9. С. 29–46. DOI 10.32609/0042-8736-2023-9-29-46. EDN DEEIRS
23. Roache S. K. What Explains the Rise in Food Price Volatility? // IMF Working Papers. Working Paper No. 2010/129. 29 p. URL: https://www.imf.org/en/Publications/WP/Issues/2016/12/31/What-Explains-the-Rise-in-Food-Price-Volatility-23879 (дата обращения: 12.02.2024).
24. Wang L., Duan W., Qu D., Wang S. What matters for global food price volatility? // Empirical Economics. 2018. Vol. 54. P. 1549–1572. DOI 10.1007/s00181-017-1311-9
25. Chavas J.-P., Hummels D., Wright B. D. (Eds) The Economics of Food Price Volatility // NBER Conference Report. Chicago: The University of Chicago Press, 2014. 440 p.
26. Лаврова А. П. Исследование уровня жизни населения // Известия Международной академии аграрного образования. 2020. № 51. С. 69–73. EDN FKUFHO