Impact of the COVID-19 pandemic on the socio-economic development of the region

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article presents an analysis of the consequences of economic instability caused by the COVID‑19 pandemic for the socio‑economic development of the region. The study was carried on the example of the Sverdlovsk region according to the Federal State Statistics Service. The article sets and solves three research problems. First, to assess how the overall socio‑economic condition of the region has changed because of the COVID‑19 pandemic. Second, to identify the impact of the COVID‑19 pandemic on the nature and structure of the relationship between the socio‑economic indicators of the region. Third, to analyze the impact of the COVID‑19 pandemic on the trends in the socio‑economic indicators of the region, considering their possible delay and seasonal fluctuations. The first task is solved using statistical methods of pattern recognition, the second task — by methods of multivariate correlation analysis, and for the third task stochastic time series models are used. The largest contribution to the division into clusters was made by the number of births, the turnover of public catering and the volume of goods, works and services performed on their own; their dynamics most clearly traces the impact of the COVID‑19 pandemic in the Sverdlovsk region. Multidimensional correlation analysis established that because of the introduction of restrictive and supportive measures, multidirectional trends in the socio‑economic indicators of the region were formed, which violated the previously established relationships between them. Based on the obtained coefficients of the autoregressive model, one can find a certain pattern consisting in the growth of the influence of short‑term (lag 1 and 3 months) and the decrease of the long‑term influence (lag 12 months) change in indicators. According to the calculations obtained, the economy of the Sverdlovsk region during the analyzed period failed to overcome the destabilizing effect of the consequences of the COVID‑19 pandemic.

About the authors

Oleg Aleksandrovich Golovanov

Institute of Economics, The Ural Branch of Russian Academy of Sciences

Ekaterinburg, Russia (620014, Ekaterinburg, Moskovskaya street, 29)

Alexander Nikolaevich Tyrsin

Institute of Economics, The Ural Branch of Russian Academy of Sciences; Ural Federal University Named After the First President of Russia B. N. Yeltsin,

Ekaterinburg, Russia (620014, Ekaterinburg, Moskovskaya street, 29)

Elena Vital'evna Vasilyeva

Institute of Economics, The Ural Branch of Russian Academy of Sciences

Russian Federation

References

  1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. (1989). Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика. 607 с.
  2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. (1985). Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика. 487 с.
  3. Васиев М., Би К., Денисов А., Бочарников В. (2020). Влияние пандемии covid-19 на устойчивость экономики Китая // Форсайт. Т. 14. № 2. С. 7-22.
  4. Вероятность и математическая статистика: Энциклопедия / Гл. ред. Ю.В. Прохоров. М.: Большая Российская энциклопедия. 910 с.
  5. Вучков И., Бояджиева Л., Солаков Е. (1987). Прикладной линейный регрессионный анализ / пер. с болг. М.: Финансы и статистика. 239 с.
  6. Голованов О.А., Тырсин А.Н., Васильева Е.В. (2022). Оценка влияния пандемии COVID‑19 на тренды социально-экономического развития региона России: кейс Свердловской области // Journal of Applied Economic Research. Т. 21. № 2. С. 257-281. doi: 10.15826/vestnik.2022.21.2.010.
  7. Демиденко Е.З. (1981). Линейная и нелинейная регрессия. М.: Финансы и статистика. 302 с.
  8. Лукашин Ю.П. (2003). Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. 416 с.
  9. Мау В.А. (2020a). Экономика и политика 2019-2020 гг.: глобальные вызовы и национальные ответы // Вопросы экономики. № 3. С. 5-27. doi: 10.32609/0042-8736-2020-3-5-27
  10. Мау В.А. (2020b). Экономика непредсказуемого: на пути к новой парадигме Образовательная политика. № 1 (81). С. 8-12.
  11. Омельяновский В.В., Авксентьева М.В., Деркач Е.В., Свешникова Н.Д. (2011). Анализ стоимости болезни проблемы и пути решения // Педиатрическая фармакология. Т. 8, №3. С. 6-12.
  12. Онищенко Г.Г., Сизикова Т.Е., Лебедев В.Н., Борисевич С.В. (2022). Вариант “омикронˮ вируса SARS-COV-2 как доминантный агент нового подъёма заболевания в условиях пандемии COVID-19 // Вестник Российской академии наук. Т. 92. № 7. С. 636-646. doi: 10.31857/S0869587322070131.
  13. Смирнов Е.Н. (2020). «Мировая экономика коронавируса»: поиск оптимальных путей преодоления последствий кризиса // Вестник МГИМО-Университета. №13(3). С. 243-266 doi: 10.24833/2071-8160-2020-3-72-243-266.
  14. Тырсин А.Н. (2005). Метод обнаружения полиномиального тренда временного ряда // Обозрение прикладной и промышленной математики. Т. 12. № 2. С. 533-534.
  15. Тырсин А.Н. (2022). Скалярная мера взаимосвязи между несколькими случайными векторами // Заводская лаборатория. Диагностика материалов. Т. 88. № 3. С. 73–80. doi: 10.26896/1028-6861-2022-88-3-73-80.
  16. Тырсин А.Н., Голованов О.А. (2021). Динамическое регрессионное моделирование на основе градиентного спуска по узловым прямым // Современные наукоемкие технологии. № 10. С. 88-93. doi: 10.17513/snt.38859.
  17. Ханин Г.И. (2019). Итоги экономического развития РФ в 1 квартале 2019 года: экономический кризис усиливается // Вопросы регулирования экономики. Т. 10, №2. С. 64-71. doi: 10.17835/2078-5429.2019.10.2.064-071.
  18. Цветков В.А., Дудин М.Н. (2020). Пандемия COVID-19 как угроза продовольственной и экономической безопасности страны // Экономика и управление. №26(4). С. 334-344. doi: 10.35854/1998-1627-2020-4-334-344.
  19. Цухло С.В. (2021). Адаптация российской промышленности к кризису 2020 г. // Экономическое развитие России. Т. 28, №10. С. 16-18.
  20. Шмат В. (2022). Экономический рост или гармоничное социально-экономическое развитие? Часть I. Теоретико-методический взгляд. // ECO. №52(6). С. 89-110. doi: 10.30680/ECO0131-7652-2022-6-89-110.
  21. Эсбенсен К. (2005). Анализ многомерных данных. Избранные главы: пер. с англ. Черноголовка: Изд-во ИПХФ РАН. 160 с.
  22. Ягудина Р.И., Зинчук И.Ю., Литвиненко М.М. (2012). Анализ «Стоимости болезни»: виды, методология, особенности проведения в Российской Федерации // Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. Т. 5, №1. С. 4-9.
  23. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. (2015). Time Series Analysis: Forecasting and Control. 5th ed. Hoboken, NJ, US: Wiley. 712 p.
  24. Brahmbhatt M., Dutta A. (2008). On SARS Type Economic Effects During Infectious Disease Outbreaks. World Bank Policy Research Working Paper. No. 4466. Режим доступа: https://ssrn.com/abstract=1081740.
  25. Hardle W.K., Simar L. (2019). Applied Multivariate Statistical Analysis. 5th.ed. Springer. 558 p.
  26. Jonung L., Roeger W. (2006). The Macroeconomic Effects of a Pandemic in Europe – a Model-Based Assessment. doi: 10.2139/ssrn.920851.
  27. Pena D., Rodriguez J. (2003). Descriptive Measures of Multivariate Scatter and Linear Dependence // Journal of Multivariate Analysis. Vol. 85. No 2. P. 361-374. doi: 10.1016/S0047-259X(02)00061-1
  28. Suhrcke M., Rocco L., McKee M., Mazzuco S., Urban D., Steinherr A. (2008). Экономические последствия неинфекционных заболеваний и травм в российской федерации. ВОЗ. 97 с.
  29. Ward J.D., Sutton P.C., Werner A.D., Costanza R., Mohr S.H., Simmons C.T. (2016). Is Decoupling GDP Growth from Environmental Impact Possible? // PLoS ONE №11(10). e0164733. doi: 10.1371/journal.pone.0164733.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 Russian Academy of Sciences