Осипова Юлия Александровна, научный сотрудник, магистр физико-математических наук,
ул. Славинского, 1/1, Минск, 200086.
Yuliya А. Osipova, Scientist, M. Sc. (Phys.-Math.),
1/1, Slavinskogo st., Minsk, 200086.
Цели. Целью исследования являются количественная оценка влияния скрытых переменных на экономическую активность регионов Беларуси и анализ взаимодействия между различными секторами экономики путем выявления латентных факторов социально-экономического развития регионов за 2016– 2024 гг. с использованием методов факторного анализа и моделирования структурными уравнениями (structural equation modeling, SEM).
Методы. Для сокращения размерности данных и выявления латентных факторов был применен метод объясняющего факторного анализа (EFA) с использованием процедуры извлечения факторов методом главных компонент (PCA). Для оценки связей между выявленными факторами была построена модель структурных уравнений с использованием библиотеки SEMOPY в Python. Для проверки качества модели использовались стандартные показатели соответствия: CFI – сравнительный индекс соответствия; TLI – индекс Такера-Льюиса; RMSEA – среднеквадратичная ошибка аппроксимации. Значения этих индексов позволяют оценить степень согласованности модели с эмпирическими данными. Модель основана на системе из 23 социально-экономических показателей по 128 административным районам и городам областного подчинения за девять лет.
Результаты. Построенная модель структурных уравнений демонстрирует высокую внутреннюю согласованность и статистическую надежность (CFI = 0,98; TLI = 0,97; RMSEA = 0,045) и выявляет значимые причинно-следственные связи между факторами. Финансовый сектор выступает ключевым драйвером инвестиционной активности, а рост жилищного фонда прямо усиливает потребительский спрос. Одновременно обнаружены отрицательные взаимосвязи между аграрным потенциалом и финансовой стабильностью, а также между промышленным развитием и финансовой устойчивостью.
Заключение. Представленная модель – это эффективный аналитический инструмент для разработки научно обоснованной региональной политики, оптимизации распределения ресурсов и стратегического планирования. Перспективные направления дальнейших исследований включают учет временных лагов, добавление показателей инновационного и человеческого потенциала, применение методов пространственной эконометрики.
Objectives. This study provides a quantitative assessment of the impact of latent variables on regional economic activity and examines the interactions among various economic sectors and their contributions to regional growth. The analysis focuses on identifying latent factors of socio-economic development across Belarusian regions during the period 2016-2024, using factor analysis techniques and structural equation modeling (SEM).
Methods. To reduce data dimensionality and identify latent factors, exploratory factor analysis (EFA) was applied using the Principal Component Analysis (PCA) extraction method. A structural equation model was constructed using the SEMOPY library in Python to estimate relationships among the identified factors. To assess the quality of the model, standard fit indices were used: CFI – comparative fit index; TLI – Tucker-Lewis index; RMSEA – root mean square error of approximation. The values of these indices allow evaluating the degree of consistency between the model and the empirical data. The model is based on a system of 23 socio-economic indicators across 128 administrative districts and cities of regional subordination.
Results. The resulting SEM demonstrates high internal consistency and statistical reliability (CFI = 0,98; TLI = 0,97; RMSEA = 0,04), revealing significant causal linkages between latent factors. It was established that the financial sector is a key driver of investment activity, while growth in the housing stock directly stimulates consumer demand. Negative relationships were identified between agricultural potential and financial stability, as well as between industrial development and financial sustainability.
Conclusion. The developed model is an effective analytical tool for formulating evidence-based regional policy, optimizing resource allocation, and strategic planning. Promising directions for future research include incorporating time lags, adding indicators of innovation and human potential, and applying spatial econometrics methods.
The authors declare that there are no conflicts of interest present.