Эффективность государственных расходов на социальное обеспечение: кросс-страновое исследование с использованием факторного анализа и продвинутого машинного обучения

Цели исследования. Современные глобальные вызовы, такие как демографические сдвиги, климатический кризис и быстрые технологические трансформации, требуют инновационных подходов к управлению системами социального обеспечения. Настоящее исследование отвечает на острую необходимость в инструментах для повышения эффективности финансово-инвестиционных моделей социального обеспечения (ФИМСО), особенно в условиях ограниченных фискальных ресурсов и повышенной неопределенности. Цель состоит в разработке и валидации комплексного подхода к оценке эффективности ФИМСО, учитывающего современные вызовы и специфику управления общественными финансами. Методы. Комбинация коэффициентного, факторного анализа и методов машинного обучения создает комплексный и многоуровневый методический подход к оценке эффективности ФИМСО. Набор данных охватывает 38 стран Организации экономического сотрудничества и развития (ОЭСР), Россию и Китай за период 2005–2022 гг., что позволяет проводить межстрановые сравнения, при этом регрессионный анализ ограничен подвыборкой из 26 стран из-за доступности данных. Научная новизна заключается во введении показателя эффективного покрытия населения программами социальной защиты (EffCoverSP) и использовании графиков частичной зависимости (PDP) для выявления нелинейных связей между социально-экономическими факторами, расширяя макроэкономические теории устойчивости социальных систем и рамки социальной справедливости систем социального обеспечения. Результаты показывают, что эффективность ФИМСО определяется умеренными бюджетными расходами, государственным долгом ниже 50% ВВП, индексом Джини 0,37–0,43, урбанизацией 63–74% и уровнем рождаемости 1,55–1,7. Практическая значимость заключается в потенциальном применении этого подхода для реформирования ФИМСО, повышая их устойчивость и адаптивность к глобальным вызовам, тем самым способствуя принятию обоснованных политических решений на основе доказательств.

1. Cattaneo U., Schwarzer H., Razavi S., Visentin A. Financing gap for universal social protection: global, regional and national estimates and strategies for creating fiscal space. ILO Working Paper. 2024;(113). URL: https://www.ilo.org/publications/financing-gap-universal-social-protection-global-regional-and-nationalestimates (accessed on 24.07.2025). URL: https://doi.org/10.54394/FGPM3913

2. Afonso A., Kazemi M. Assessing Public Spending Efficiency in 20 OECD Countries. In Inequality and Finance in Macrodynamics. Boekemeier B., Greiner A., eds. Basel: Springer International Publishing. 2017;Apr 28:7–42. URL: https://doi.org/10.1007/978–3–319–54690–2_2

3. Timofeev Yu.V., Tumanyants K. A. Analysis of the effectiveness of government social spending in Russian regions. Finansy i kredit = Finance and Credit. 2012;37(517):9–18. (In Russ.).

4. Ovcharova L. N., Sinyavskaya O. V., Biryukova S. S., et al. Social protection in Russia: crossroads of the future. Voprosy ekonomiki = Voprosy Ekonomiki. 2022;(8):5–31. (In Russ.). DOI: 10.32609/0042–8736–2022–8–5–31

5. Zabolotskii E. D. Experience in reforming pension systems in the European Union and opportunities for its application in Russia. Vestnik Sankt-Peterburgskogo universiteta. Ekonomika = Vestnik of Saint Petersburg University. Economics . 2017;(3):472–497. URL: https://doi.org/10.21638/11701/spbu05.2017.307 (In Russ.).

6. Roman M. D., Toma G. C., Tuchiluş G. An analysis of the pension systems performance and efficiency using radar chart and DEA Malmquist method. Romanian Statistical Review. 2019;(2):37–58. URL: https://www.revistadestatistica.ro/wp-content/uploads/2019/06/RRS-2_2019_A3.pdf (accessed on 24.07.2025).

7. Antonelli M. A., De Bonis V. Clustering European welfare systems through a performance index. Public Finance Research Papers. Istituto di Economia e Finanza, DIGEF, Sapienza University of Rome. 2015. URL: http://www.digef.uniroma1.it/ricerca (accessed on 24.07.2025).

8. Antonelli M. A., De Bonis V. Social spending, welfare and redistribution: a comparative analysis of 22 European countries. Modern Economy. 2017;8:1291–1313. DOI: 10.4236/me.2017.811087

9. Antonelli M. A., De Bonis V. The efficiency of social public expenditure in European countries: a two-stage analysis. Applied Economics. 2018;50(1):1–14. DOI: 10.1080/00036846.2018.1489522

10. Grigoli F. A hybrid approach to estimating the efficiency of public spending on education in emerging and developing economies. IMF Working Paper. 2014;(14/19). URL: https://www.imf.org/externalpubs/ft/wp/2014/wp1419.pdf (accessed on 24.07.2025). DOI: 10.5089/9781484398241.001

11. Brini R., Jemmeli H. Public spending efficiency, governance, political and economic policies: is there a substantial causal relation? Evidence from selected MENA countries. International Journal of Economics and Financial Management. 2016;1(1):24–34.

12. Halkos G. E., Tzeremes N. G. A conditional nonparametric analysis for measuring the efficiency of regional public healthcare delivery: an application to Greek prefectures. Health Policy. 2011;103:73–82. DOI: 10.1016/j.healthpol.2011.05.011

13. Gupta S., Verhoeven M. The efficiency of government expenditure: experiences from Africa. Journal of Policy Modeling. 2001;23(4):433–467. DOI: 10.1016/S0161–8938(00)00036–3

14. Coelli T. J., Rao D. S.P., O’Donnell C.J., Battese G. E. An introduction to efficiency and productivity analysis. New York: Springer Science & Business Media; 2005. 350 p. DOI: 10.1007/978–1–4615–5493–6

15. Caiani A., Russo A., Gallegati M. Does inequality hamper innovation and growth? An AB-SFC analysis. Journal of Evolutionary Economics. 2019;29:177–228. DOI: 10.1007/s00191–018–0554–8

16. Dorofeev M. L. Analysis of the effectiveness of regional financial models of social security in Russia based on the DEA method. Voprosy ekonomiki = Voprosy Ekonomiki. 2023;(6):117–137. (In Russ.). DOI: https://doi. org/10.32609/0042–8736–2023–6–117–137

17. Dorofeev M., Lean H. H. Challenges and solutions of AB-SFC methodology for ESG sustainable social security systems. In: Dinçer H, Yüksel S, Deveci M, editors. Decision making in interdisciplinary renewable energy projects. Cham: Springer; 2024. p. 305–320. DOI: 10.1007/978–3–031–51532–3_20

18. Pradhan N., Agrawal A. Mapping fine-scale socioeconomic inequality using machine learning and remotely sensed data. PNAS Nexus. 2025;4: pgaf040. DOI: 10.1093/pnasnexus/pgaf040

19. Méndez-Astudillo J. The impact of comorbidities and economic inequality on COVID-19 mortality in Mexico: a machine learning approach. Frontiers in Big Data. 2024;7:1298029. DOI: 10.3389/fdata.2024.1298029

20. Yang Y., et al. Machine learning for economic forecasting: an application to China’s GDP growth. arXiv preprint arXiv:2407.03595. 2024$(Jul 4). DOI: 10.48550/arXiv.2407.03595

21. Zhang J., et al. A data-driven framework for conceptual cost estimation of infrastructure projects using XGBoost and Bayesian optimization. Journal of Asian Architecture and Building Engineering. 2023;22(1):1–24. DOI: 10.1080/10422889.2023.2283708

22. Capone C., Talgat S., Hazir O., Abdrasheva K., Kozhakhmetova A. Artificial intelligence models for predicting budget expenditures. Eurasian Journal of Economic and Business Studies. 2024;68:32–43. DOI: 10.47703/ejebs.v68i1.331

23. Ria N., et al. Evaluating economic policies: anticipating GDP trends and government spending. In: 2024 4th International Conference on Technological Advancements in Computational Sciences (ICTACS); 2024 Oct 8–10; Tashkent, Uzbekistan. IEEE; 2024. p. 1071–1076. DOI: 10.1109/ICTACS62736.2024.10729887

24. Dorofeev M. L. Development of a methodology for comprehensive analysis of the effectiveness of the state financial-investment model of social security using regional finance in Russia as an example. Finansy: teoriya i praktika = Finance: Theory and Practice. 2023;27(4):54–65. (In Russ.). DOI: 10.26794/2587–5671–2023–27–4–54–65

25. Frumina S. V., Yakushova E. S., Azimzadeh A. Impact of COVID-19 pandemic on insurance demand in Russia: a comparative analysis with global markets. International Journal of Sustainable Development and Planning. 2024;19(9):3289–3298. DOI: 10.18280/ijsdp.190901

26. Dorofeev M. L. Socio-economic inequality and economic growth: Assessing the Kuznets hypothesis using gradient boosting. Voprosy Ekonomiki. 2025;(8):121–146. (In Russ.) URL: https://doi.org/10.32609/0042–8736–2025–8–121–146

27. Gür Y. E., Yıldız A., Ünal E. Advanced AI Models for Future Forecasting of Budget Expenditures via Machine Learning and Deep Learning. Panoeconomicus. 2025;(00):25. DOI: 10.2298/PAN240929025G

28. Astapov K. L., Musaev R. A., Malakhov A. A. Evaluation of budget expenditure policy efficiency. Finansovyi zhurnal = Financial Journal. 2020;12(6):9–24. (In Russ.). DOI: 10.31107/2075–1990–2020–6–9–24

29. Smykova M., Dorofeev M., Yousif N. B.A., et al. Level of social security expenditures and economic growth rate based on econometric regression modelling: new evidence from OECD countries. Journal of Infrastructure, Policy and Development. 2024;8(11):6431. DOI: 10.24294/jipd.v8i11.6431

30. Arzhenovskii S. V. Military expenditures and economic growth: econometric estimates of dependence. Ekonomicheskii analiz: teoriya i praktika = Economic Analysis: Theory and Practice. 2016;(9):153–164. (In Russ.).

31. Kudrin A. L., Knobel A. Yu. Budget policy as a source of economic growth. Voprosy ekonomiki = Voprosy Ekonomiki. 2017;(10):5–26. (In Russ.). DOI: 10.32609/0042–8736–2017–10–5–26

32. Connolly M., Li C. Government spending and economic growth in the OECD countries. Journal of Economic Policy Reform. 2016;19(4):1–10. DOI: 10.1080/17487870.2016.1213168