Архив

Journal of Applied Economic Research. 2026. Т. 25. №1. С. 135-162

УДК 332.1

Выявление закономерностей региональной поляризации в России: подход машинного обучения

Д.М. Балунгу, А.В. Розанова, К.А. Андреева, А.В. Солод, Ю. Чэнь

Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, г. Екатеринбург, Россия

Аннотация

Исследование региональной поляризации критически актуально для России, так как ярко выраженные социально-экономические диспропорции угрожают национальной экономической стабильности, социальной сплоченности и стратегической цели технологического суверенитета. Эти дисбалансы препятствуют эффективному распределению ресурсов и создают уязвимости в условиях глобальной перестройки. В данном исследовании анализируются закономерности и движущие силы региональной поляризации в России с использованием машинного обучения для моделирования сложного взаимодействия экономических и неэкономических факторов. В основе исследования лежат три гипотезы: поляризация обусловлена многомерными диспропорциями (H1); процессы сходимости и дивергенции сосуществуют (H2); а машинное обучение может эффективно выявлять скрытые поляризационные структуры, упускаемые из виду традиционными методами (H3). Кластеризация K-средних определила региональные типологии, при этом оптимальное количество кластеров было подтверждено методами «локтя» и «оценка силуэта». Прогностическая мощность и ключевые факторы были проанализированы с использованием ансамблевых методов, Random Forest и XGBoost, а производительность оценивалась по среднеквадратичной ошибке (MSE). Результаты подтверждают глубоко поляризованный ландшафт с четырьмя различными социально-экономическими кластерами: богатые ресурсами регионы, страдающие от неравенства и оттока; ведущие хабы, сталкивающиеся с рисками чрезмерной централизации; индустриально-аграрные регионы с устойчивой бедностью; и отстающие республики, попавшие в ловушку зависимости от субсидий. Анализ подтвердил H2, показав одновременный догоняющий рост в одних областях и укоренившуюся дивергенцию в других. Random Forest продемонстрировал превосходную точность прогнозирования (MSE = 0,132), подтвердив H3 и определив ключевые драйверы (H1), выходящие за рамки экономических показателей. Теоретическая значимость заключается в его новой, основанной на данных типологии регионов России, что подчеркивает превосходство методов ML-ансамбля для моделирования сложных пространственных неравенств. На практике полученные результаты предоставляют директивным органам основанную на фактических данных дорожную карту для дифференцированных региональных стратегий и прогностический инструмент для упреждающего вмешательства, имеющего жизненно важное значение для сбалансированного национального развития.

Ключевые слова

региональная поляризация; межрегиональная дифференциация; машинное обучение; кластерный анализ; прогнозирование временных рядов.

JEL classification

R12, C61

Список использованной литературы

1. Кузин В.Ю. Оценка пространственной поляризации Дальнего Востока России в постсоветский период // Вестник Северо-Восточного федерального университета им. М.К. Аммосова. Серия «Науки о Земле». 2023. № 2. С. 102–113. https://doi.org/10.25587/svfu.2023.30.2.009

2. Conover M., Ratkiewicz J., Francisco M., Goncalves B., Menczer F., Flammini A. Political polarization on Twitter // Proceedings of the International AAAI Conference on Web and Social Media. 2021. Vol. 5, No. 1. Pp. 89–96. https://doi.org/10.1609/icwsm.v5i1.14126

3. Da Silva T.P. Learning beyond the spatial autocorrelation structure: A machine learning-based approach to discovering new patterns and relationships in the context of spatially contextualized modeling of voting behavior. Doctoral Thesis. Sao Carlos, 2023. https://doi.org/10.11606/t.55.2023.tde-15012024-174102

4. Levy R. Social Media, News Consumption, and Polarization: Evidence from a Field Experiment // American Economic Review. 2021. Vol. 111, No. 3. Pp. 831–870. https://doi.org/10.1257/aer.20191777

5. Aharon-Gutman M., Schaap M., Lederman I. Social topography: Studying spatial inequality using a 3D regional model // Journal of Rural Studies. 2018. Vol. 62. Pp. 40–52. https://doi.org/10.1016/j.jrurstud.2018.06.010

6. Martin R., Sunley P. Regional economic resilience: evolution and evaluation // Handbook on Regional Economic Resilience. Edited by G. Bristow, A. Healy. Edward Elgar Publishing, 2020. Pp. 10–35. https://doi.org/10.4337/9781785360862.00007

7. Aharon-Gutman M., Burg D. How 3D visualization can help us understand spatial inequality: On social distance and crime // Environment and Planning B: Urban Analytics and City Science. 2019. Vol. 48, Issue 4. Pp. 793–809. https://doi.org/10.1177/2399808319896524

8. Stephens J.D. Thomas Piketty (2014), Capital in the Twenty-First Century. Translated by Arthur Goldhammer. Cambridge, Massachusetts: Belknap Press of Harvard University Press, 685 pp. // Journal of Social Policy. 2015. Vol. 45, Issue 1. Pp. 172–173. https://doi.org/10.1017/s0047279415000616

9. Marco C., Lenka J., Christa K.S. The Future of EU Cohesion: Scenarios and Their Impacts on Regional Inequalities. Belgium: European Parliamentary Research Service (EPRS), 2024. 61 p. URL: https://www.europarl.europa.eu/RegData/etudes/STUD/2024/762854/EPRS_STU(2024)762854_EN.pdf

10. Glaeser E.L. Urban resilience // Urban Studies. 2021. Vol. 59, Issue 1. Pp. 3–35. https://doi.org/10.1177/00420980211052230

11. Тебекин М.В. Методический подход к оценке пространственной поляризации регионов // Прикладные экономические исследования. 2023. № 4. С. 86–94. https://doi.org/10.47576/2949-1908_2023_4_86

12. Алтунина В.В., Анучина Д.А. Оценка уровня пространственной поляризации российских регионов // Экономика, предпринимательство и право. 2023. Т. 13, № 5. С. 1319–1340. https://doi.org/10.18334/epp.13.5.117516

13. Taymaz E. Regional convergence or polarization: the case of the Russian Federation // Regional Research of Russia. 2022. Vol. 12. Pp. 469–482. https://doi.org/10.1134/s2079970522700198

14. Gluschenko K.P. Regional inequality in Russia: Anatomy of convergence // Regional Research of Russia. 2023. Vol. 13, Suppl. 1. Pp. S1–S12. https://doi.org/10.1134/s207997052360004x

15. Atkinson A.B. On the measurement of inequality // Journal of Economic Theory. 1970. Vol. 2, Issue 3. Pp. 244–263. https://doi.org/10.1016/0022-0531(70)90039-6

16. Chi S., Grigsby-Toussaint D.S., Bradford N., Choi J. Can Geographically Weighted Regression improve our contextual understanding of obesity in the US? Findings from the USDA Food Atlas // Applied Geography. 2013. Vol. 44. Pp. 134–142. https://doi.org/10.1016/j.apgeog.2013.07.017

17. Amiri M., Pourghasemi H.R., Ghanbarian G.A., Afzali S.F. Assessment of the importance of gully erosion effective factors using Boruta algorithm and its spatial modeling and mapping using three machine learning algorithms // Geoderma. 2019. Vol. 340. Pp. 55–69. https://doi.org/10.1016/j.geoderma.2018.12.042

18. Bergal B. Audit of the effectiveness of cluster policy implementation in the region // Pskov Region-logical Journal. 2022. Vol. 18, No. 2. Pp. 154–167. https://doi.org/10.37490/S221979310019289-0

19. Rogot A. Dimensionality reduction techniques in Macroeconomic Analysis // CUNY Academic Works. 2023. URL: https://academicworks.cuny.edu/bb_etds/166

20. Chagovets L., Chahovets V., Chernova N. Machine Learning Methods Applications for Estimating Unevenness Level of Regional Development // Data-Centric Business and Applications. Evolvements in Business Information Processing and Management. Vol. 3 / еdited by D. Ageyev, T. Radivilova, N. Kryvinska. Springer Cham, 2020. Pp. 115–139. https://doi.org/10.1007/978-3-030-35649-1_6

21. Veale M., Binns R. Fairer machine learning in the real world: Mitigating discrimination without collecting sensitive data // Big Data & Society. 2017. Vol. 4, Issue 2. 205395171774353. https://doi.org/10.1177/2053951717743530

22. Terlizzi E.P., Cohen R.A. Geographic Variation in Health Insurance Coverage: United States, 2022. National Health Statistics Reports. 2023. https://doi.org/10.15620/cdc:133320

23. Oberlander J. Polarization, partisanship, and health in the United States // Journal of Health Politics Policy and Law. 2024. Vol. 49, Issue 3. Pp. 329–350. https://doi.org/10.1215/03616878-11075609

24. Giannini M., Martini B. Regional disparities in the European Union. A machine learning approach // Papers of the Regional Science Association. 2024. Vol. 103, Issue 4. 100033. https://doi.org/10.1016/j.pirs.2024.100033

25. Lange T. Socio-economic and political responses to regional polarisation and socio-spatial peripheralisation in Central and Eastern Europe: a research agenda // Hungarian Geographical Bulletin. 2015. Vol. 64, No. 3. Pp. 171–185. https://doi.org/10.15201/hungeobull.64.3.2

26. Druckman J.N., Levendusky M.S. Correction to: What Do We Measure When We Measure Affective Polarization? // Public Opinion Quarterly. 2024. Vol. 88, Issue 3. Pp. 1095–1096. https://doi.org/10.1093/poq/nfae051

27. Jo J. Effectiveness of normalization Pre-Processing of big data to the machine learning performance // The Journal of the Korea Institute of Electronic Communication Sciences. 2019. Vol. 14, Issue 3. Pp. 547–552. https://doi.org/10.13067/jkiecs.2019.14.3.547

28. Thorndike R.L. Who belongs in the family? // Psychometrika. 1953. Vol. 18, Issue 4. Pp. 267–276. https://doi.org/10.1007/bf02289263

29. Eltibi M.F., Ashour W.M. Initializing KMeans Clustering Algorithm using Statistical Information // International Journal of Computer Applications. 2011. Vol. 29, No. 7. Pp. 51–55. https://doi.org/10.5120/3573-4930

30. Currin C.B., Vera S.V., Khaledi-Nasab A. Depolarization of echo chambers by random dynamical nudge // Scientific Reports. 2022. Vol. 12. 9234. https://doi.org/10.1038/s41598-022-12494-w

31. Behrens T., Schmidt K., Rossel R.V., Gries P., Scholten T., MacMillan R.A. Spatial modelling with Euclidean distance fields and machine learning // European Journal of Soil Science. 2018. Vol. 69, Issue 5. Pp. 757–770. https://doi.org/10.1111/ejss.12687

32. Likas A., Vlassis N., Verbeek J.J. The global k-means clustering algorithm // Pattern Recognition. 2002. Vol. 36, Issue 2. Pp. 451–461. https://doi.org/10.1016/s0031-3203(02)00060-2

33. Breiman L. Random forests // Machine Learning. 2001. Vol. 45. Pp. 5–32. https://doi.org/10.1023/A:1010933404324

34. Friedman J.H. Greedy function approximation: A gradient boosting machine // The Annals of Statistics. 2001. Vol. 29, No. 5. Pp. 1189–1232. https://doi.org/10.1214/aos/1013203451

35. Friedman J., Hastie T., Tibshirani R. Additive logistic regression: a statistical view of boosting // The Annals of Statistics. 2000. Vol. 28, No. 2. Pp. 337–407. https://doi.org/10.1214/aos/1016218223

36. Biau G., Scornet E. A random forest guided tour // Test. 2016. Vol. 25. Pp. 197–227. https://doi.org/10.1007/s11749-016-0481-7

37. Wright M.N., Ziegler A. ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R // Journal of Statistical Software. 2017. Vol. 77, Issue 1. Pp. 1–17. https://doi.org/10.18637/jss.v077.i01

38. Maksubova D.M., Umargadzhieva N.M., Aripova P.G. Methodological approaches to assessing regional development // Computational and Strategic Business Modelling. Edited by D.P. Sakas, D.K. Nasiopoulos, Yu. Taratuhina. Springer Cham, 2024. Pp. 543–555. https://doi.org/10.1007/978-3-031-41371-1_45

39. Amarasinghe K., Rodolfa K., Lamba H., Ghani R. Explainable Machine learning for public Policy: use cases, gaps, and research directions. Data & Policy 2023. Vol. 5. e5. https://doi.org/10.1017/dap.2023.2

40. Kamal S., Gullic J., Bagavathi A. Modeling Polarization on Social Media posts: A Heuristic approach using media Bias // Foundations of Intelligent Systems. Proceedings of 26th International Symposium, ISMIS 2022. Edited by M. Ceci, S. Flesca, E. Masciari, G. Manco, Z.W. Raś. Springer Cham, 2022. Pp. 35–43. https://doi.org/10.1007/978-3-031-16564-1_4

41. Ahrend R. Can Russia Break the “Resource Curse”? // Eurasian Geography and Economics. 2005. Vol. 46, Issue 8. Pp. 584–609. https://doi.org/10.2747/1538-7216.46.8.584

42. Maximova S.G., Omelchenko D.A., Noyanzina O.E. Human development, satisfaction with human capital and security in the Siberian and Far Eastern border regions // RUDN Journal of Sociology. 2022. Vol. 22, No. 3. Pp. 646–660. https://doi.org/10.22363/2313-2272-2022-22-3-646-660

43. Sitkevich D.A. Economic and sociocultural factors of migration attitudes of residents of the North Caucasus // Regional Research of Russia. 2023. Vol. 13, Suppl 1. Pp. S78–S88. https://doi.org/10.1134/s2079970523600166

44. Берг Д.Б., Балунгу Д.М., Шеломенцев А.Г., Гончарова К.С. Экспериментальные траектории процессов конвергенции и дивергенции неравномерности доходов населения регионов России // Journal of Applied Economic Research. 2024. Т. 23, № 2. С. 364–393. https://doi.org/10.15826/vestnik.2024.23.2.015

45. Balungu D.M., Kumar A. Forecasting the economic growth of Sverdlovsk Region: A comparative analysis of machine learning, linear regression and autoregressive models // Journal of Applied Economic Research. 2024. Vol. 23, No. 3. Pp. 674–695. https://doi.org/10.15826/vestnik.2024.23.3.027

46. Ketova K., Kasatkina E., Vavilova D. Clustering Russian Federation Regions According to the Level of Socio-Economic Development with the Use of Machine Learning Methods // Economic and Social Changes: Facts, Trends, Forecast. Vol. 14, No. 6. Pp. 70–85. https://doi.org/10.15838/esc.2021.6.78.4

Информация об авторах

Балунгу Даниель Мусафири

Аспирант, ассистент базовой кафедры аналитики больших данных и методов видеоанализа Института радиоэлектроники и информационных технологий Уральского федерального университета имени первого Президента России Б.Н. Ельцина, г. Екатеринбург, Россия (620002, г. Екатеринбург, ул. Мира, 19); ORCID https://orcid.org/0009-0001-5098-7603 e-mail: danielbal03.db@gmail.com

Розанова Анна Вячеславовна

Магистрант базовой кафедры аналитики больших данных и методов видеоанализа Института радиоэлектроники и информационных технологий Уральского федерального университета имени первого Президента России Б. Н. Ельцина г. Екатеринбург, Россия (620002, г. Екатеринбург, ул. Мира, 19); ORCID https://orcid.org/0009-0003-9803-0848 e-mail: rozanna221132@icloud.com

Андреева Кристина Александровна

Солод Анастасия Васильевна

Чэнь Юйтун

Для цитирования

Балунгу Д.М., Розанова А.В., Андреева К.А., Солод А.В., Чэнь Ю. Выявление закономерностей региональной поляризации в России: подход машинного обучения // Journal of Applied Economic Research. 2026. Т. 25, № 1. С. 135-162. https://doi.org/10.15826/vestnik.2026.25.1.005

Информация о статье

Дата поступления 9 мая 2025 г.; дата поступления после рецензирования 6 октября 2025 г.; дата принятия к печати 5 ноября 2025 г.

DOI: http://dx.doi.org/10.15826/vestnik.2026.25.1.005

Создано / Изменено: 18 августа 2015 / 14 ноября 2024

Journal of Applied Economic Research

ISSN 2712-7435

Journal of Applied Economic Research. 2026. Т. 25. №1. С. 135-162