Art. ID: m06s01a40ВведениеВ современной экономике потребление давно перестало выполнять исключительно утилитарную функцию удовлетворения базовых потребностей. Одним из ключевых социально-экономических феноменов постиндустриального общества стало демонстративное потребление — приобретение товаров и услуг с целью подчеркнуть статус, престиж и социальную идентичность (Стрижак, Дмитриченко, Дадашова, 2023; Стрижак, Черногорский, Лобова, 2026). Особую роль в этом процессе играет сегмент товаров роскоши (люкс), который на протяжении последних десятилетий демонстрирует устойчивый рост, трансформируясь под влиянием глобализации, цифровизации и изменения потребительских паттернов. Традиционно исследования демонстративного потребления фокусируются на макроэкономических факторах (доходы населения, неравенство) или психологических детерминантах (ценности, мотивация). Однако пространственный аспект — то, как географические и инфраструктурные характеристики территории формируют возможности и ограничения для развития рынка роскоши, — остается наименее изученным. Россия, с ее высокой степенью региональной дифференциации по уровню доходов, плотности населения, развитию инфраструктуры и культурному капиталу, представляет собой уникальный полигон для анализа пространственных предикторов демонстративного потребления. В рамках настоящего исследования под социально-экономическим фактором понимается устойчивое явление, оказывающее влияние на потребительское поведение (например, доступность кредита, уровень доходов, ситуация на рынке труда). Предиктором является конкретная измеряемая характеристика, которая включается в регрессионную модель для прогнозирования зависимой переменной; в нашем исследовании предикторами выступают логарифмические трансформации численности населения, кредитной задолженности, средней заработной платы, численности безработных, а также доля жилищных кредитов. Переменная — эмпирический индикатор, соответствующий предиктору. Таким образом, один и тот же параметр в теоретическом обсуждении фигурирует как фактор, в методологии — как переменная, а в прогностической модели — как предиктор. Такое разграничение позволяет сохранить терминологическую строгость при переходе от качественного анализа к количественной оценке. Несмотря на устойчивый рост сегмента товаров роскоши на российском рынке, предикторы пространственной неоднородности размещения магазинов роскоши (ювелирных, меховых, антикварных) в регионах остаются концептуально и эмпирически недостаточно проработанными. Выявление драйверов спроса на предметы роскоши значимо для обоснования инвестиционных решений розничных сетей, скоринговых моделей банков и региональных стратегий социально-экономического развития. Теоретический обзорФеномен демонстративного потребления впервые получил систематическое теоретическое осмысление в работе Т. Веблена «Теория праздного класса» (Veblen, 1899). Введенное им понятие conspicuous consumption описывало практику приобретения дорогостоящих товаров как способ демонстрации социального статуса и материального превосходства. Веблен подчеркивал, что полезность таких благ не сводится к их функциональным свойствам: ключевое значение имеет «демонстративная праздность» и способность сигнализировать о принадлежности к элите (Волков, Печкуров, 2022; Шишкина, 2023). В XX в. концепция получила развитие в работах Дж. Дьюзенберри (теория относительного дохода), который показал, что потребление индивида определяется не абсолютным уровнем его дохода, а доходами референтной группы. Согласно концепции Дьюзенберри, для оценки и прогнозирования потребительских трат необходимо принимать во внимание несколько ключевых аспектов: связь объема расходов с социальным статусом и положением человека в обществе; разницу в уровнях доходов между различными слоями населения; разрыв между текущим достатком потребителя и пиковым уровнем его покупательной способности, которого он когда-либо достигал (Duesenberry, 1949; Верников, Курышева, 2021). П. Бурдьё связал демонстративное потребление с практиками классовой дифференциации: предметы роскоши выступают маркерами культурного и социального капитала, закрепляя иерархию в символическом пространстве (Бурдьё, 2005). Связь между потреблением и пространством традиционно исследуется в рамках экономической географии, урбанистики и социологии города. Ключевым теоретическим основанием служит концепция центральных мест В. Кристаллера (Christaller, 1966), адаптированная к сфере услуг: спрос на товары роскоши как услугу высшего порядка превалирует в крупнейших городах, где велика доля платежеспособного населения. Объяснительный потенциал теории демонстративного потребления может быть представлен через призму диффузионистской концепции Э. Роджерса (Rogers, 1976). В рамках этого подхода распространение стандартов демонстративного потребления трактуется как диффузионный поток, исходящий из «точек кристаллизации моды» (мегаполисы федерального значения) и транслируемый в провинциальные локации посредством имитационных стратегий, информационной трансмиссии и миграционных потоков имущих слоев населения. Параллельно с диффузионистской концепцией в науке фиксируется тренд на глобализацию потребительских паттернов (Напсо, 2020), при которой люксовые бренды, адаптируясь к локальным условиям, приобретают разную региональную специфику. Это ведет к тому, что функции знака престижа не универсальны, а ситуативны, зависимы от локального контекста. Фактором, усиливающим вариативность региональной специфики, выступает глубокая социально-экономическая дифференциация пространства России. По данным Росстата, разница в доходах между столицей и отстающими регионами достигает четырехкратного порога[1]. Это создает уникальные условия для люксового ретейла: значительная часть спроса на товары роскоши генерируется в столичных агломерациях, тогда как в большинстве регионов этот сегмент рынка практически отсутствует. Обобщая теоретические подходы, можно выделить пять групп факторов, потенциально определяющих пространственную дифференциацию спроса на товары роскоши:1) макроэкономические — уровень доходов, неравенство, инфляция;2) демографические — численность и плотность населения, возрастная структура;3) финансовые — доступность потребительского кредита, структура задолженности (соотношение жилищных и необеспеченных ссуд);4) пространственные — урбанизация, транспортная доступность, туристические потоки;5) социокультурные — статусные ориентации, распространенность цифровых каналов коммуникации. В эмпирической части данной работы мы сосредоточимся на первых трех группах факторов, поскольку они доступны через региональные статистические показатели. Исходя из теории демонстративного потребления и результатов предыдущих исследований, можно сформулировать четыре гипотезы.Высокая доля жилищных кредитов в общем портфеле социально-экономических показателей снижает расходы на товары роскоши, т. е. оказывает отрицательное влияние на рост числа магазинов роскоши.Рост доли кредитной задолженности населения в общем портфеле способствует росту числа магазинов роскоши.Повышение численности населения и уровня зарплаты положительно влияет на рост числа магазинов роскоши, но эффект может быть слабее, чем от увеличения кредитной задолженности.Влияние безработицы на рост числа магазинов роскоши неоднозначно, из-за возможности теневой занятости, но в официальной статистике рост безработицы может парадоксально сочетаться с высокой кредитной задолженностью.LASSO-регрессия. LASSO-регрессионная модель спроса на предметы роскошиВ связи с отсутствием официальных статистических данных за 2025 г. из 89 субъектов Российской Федерации исключены шесть регионов: Донецкая и Луганская Народные Республики, Запорожская и Херсонская области, Республика Крым и Севастополь. 83 региона подвергнуты проверке на наличие статистических выбросов с использованием правила межквартильного размаха Тьюки. Четыре региона — Москва, Санкт-Петербург, Московская область и Краснодарский край — идентифицированы как устойчивые выбросы (по числу магазинов роскоши), что при включении в модель привело бы к искажению предикторов и нарушению гомоскедастичности. Таким образом, финальная выборка (79 регионов) обеспечивает репрезентативность оценок для основного числа субъектов РФ и корректность применения LASSO-регрессии[1]. Эмпирический анализ выполнялся в четыре этапа. На первом этапе сформирована финальная выборка регионов и подготовлены данные: зависимая переменная — суммарное число магазинов роскоши; предикторы — население, кредитная задолженность, средняя зарплата, безработица и доля жилищных кредитов. Все непрерывные переменные, кроме доли жилищных кредитов, логарифмированы с целью нормализовать распределение и уменьшить гетероскедастичность. На втором этапе проведен предварительный анализ: рассчитаны описательные статистики предикторов и коэффициенты корреляции Пирсона. Высокая коллинеарность предикторов обусловила выбор LASSO-регрессии, устойчивой к мультиколлинеарности и позволяющей отбирать значимые переменные. На третьем этапе с помощью кросс-валидации оценены параметры модели при различных значениях штрафного параметра λ. Рассчитаны: коэффициент множественной детерминации R² и корень среднеквадратичной ошибки RMSE, — для оценки аппроксимации. На четвертом этапе выполнен анализ остатков с целью выявить регионы с систематическими отклонениями, что позволило интерпретировать влияние каждого предиктора и наметить возможные неучтенные факторы. Выявлены субъекты РФ с наибольшими систематическими отклонениями: как с устойчивой положительной величиной остатка (LASSO-регрессионная модель недооценивает фактическое число магазинов роскоши), так и с отрицательной (LASSO-регрессионная модель переоценивает фактическое число магазинов роскоши). Данный анализ не только верифицирует прогностическую способность LASSO-регрессионной модели, но и задает направления для ее дальнейшего улучшения. Все расчеты и визуализации выполнены с использованием пакетов glmnet, caret и ggplot2 в среде R. Табл. 1 показывает соответствие между теоретическими факторами, эмпирическими переменными и их обозначениями в уравнении регрессии. Таблица 1. Соответствие переменных, предикторов и факторовTable 1. Variables, predictors and factors correspondence Теоретический факторПеременнаяПредиктор в моделиДемографический масштаб (численность)Население, чел.ln (Население)Доступность потребительского кредитаЗадолженность по ссудам, руб.ln (Задолженность)Уровень текущих доходовСреднемесячная зарплата, руб.ln (Зарплата)Ситуация на рынке труда (включая теневую занятость)Число зарегистрированных безработных, чел.ln (Безработные)Структура задолженностиДоля жилищных кредитов в общем портфеле, %Доля жилищных кредитов В табл. 2 приведены предикторы в том виде, в каком они использовались в LASSO-регрессии. Для каждой переменной указаны среднее арифметическое значение, стандартное отклонение, минимальное и максимальное значения. Таблица 2. Описательная статистика предикторов, включенных в LASSO-регрессионную модель спроса на предметы роскошиTable 2. Descriptive statistic of predictors included in LASSO regression model of affluent demandПредикторЕдиница измеренияСреднее значениеСтандартное отклонениеМинимумМаксимумln (Население)логарифм13,520,8910,0315,07ln (Задолженность)логарифм12,351,029,6613,95ln (Зарплата)логарифм11,190,3510,6312,20ln (Безработные)логарифм2,680,850,415,06Доля жилищных кредитов%0,530,060,280,67 В корреляционной матрице предикторов представим результаты расчета коэффициентов корреляции Пирсона по всем используемым в модели предикторам. Обнаруженные высокие по абсолютной величине значения корреляции свидетельствуют о коллинеарности регрессоров, что указывает на необходимость применения регуляризационных техник (методология LASSO). В отличие от других предикторов, отражающих масштаб экономической активности, предиктор «Доля жилищных кредитов» характеризует структуру долговых обязательств домохозяйств, которые вытесняют дискреционные расходы, а не стимулируют их. Этим объясняется его отрицательный вклад в модель, что принципиально отличает данный предиктор от остальных, имеющих положительные коэффициенты. Корреляционная матрица предикторов (по Пирсону)Correlation matrix of predictors (according to Pearson)Предикторln (Население)ln (Задолженность)ln (Зарплата)ln (Безработные)Доля жилищных кредитовln (Население)1,000,920,680,74–0,15ln (Задолженность)0,921,000,710,79–0,18ln (Зарплата)0,680,711,000,330,21ln (Безработные)0,740,790,331,00–0,41Доля жилищных кредитов–0,15–0,180,21–0,411,00 Аппроксимирующие свойства построенной LASSO-регрессионной модели оцениваем следующими статистическими характеристиками: коэффициент множественной детерминации R² — составил 0,7651, что эквивалентно 76,5 % межрегиональной вариации магазинов роскоши;абсолютная точность прогнозных значений (измеряем через корень среднеквадратичной ошибки RMSE) — зафиксирована на отметке 56,33 магазина;оптимальное значение штрафного параметра (определяем в ходе процедуры регуляризации методом LASSO) — по критерию минимизации кроссвалидационной ошибки установлено равным λ = 2,59, тогда как более консервативная оценка λ1se = 24,16 соответствует правилу «одного стандартного отклонения». При оптимальном штрафном параметре λ = 2,59 все пять предикторов сохранили ненулевые коэффициенты в итоговой спецификации LASSO-модели, что подтверждает их совместный вклад в объяснение межрегиональной вариации числа магазинов роскоши.РезультатыАнализ значений предикторов демонстративного потребления по итоговой спецификации LASSO-регрессионной модели. В рамках регуляризационного подхода LASSO-регрессия модифицирует целевую функцию обычного метода наименьших квадратов путем ограничения на значение суммы модулей предикторов, что детерминирует сжатие оценок и, как следствие, элиминацию переменных с незначимым вкладом. Итоговая спецификация модели оценена на основе обучающей выборки и представлена уравнением в стандартизированном масштабе:Ŷ = 157,5 + 22,3746z1 + 80,2853z2 + 2,9968z3 + 7,4000z4 – 22,4969z5, где Ŷ  — зависимая переменная, количество магазинов роскоши; — центрированная и нормированная по выборочному среднему ̅Xj  и стандартному отклонению sj  форма j-го исходного регрессора Xj.Предикторы Xj представлены в табл. 3.Таблица 3. Предикторы развития демонстративного потребления XjTable 3. Conspicuous consumption Xj development predictors ОбозначениеИсходная переменнаяПредикторX1Населениеln (Население)X2Задолженность по кредитамln (Задолженность)X3Зарплатаln (Зарплата)X4Безработныеln (Безработные)X5Доля жилищных кредитовЖилищные кредиты/Общая задолженность Полученные стандартизованные предикторы LASSO-регрессии позволяют ранжировать предикторы по силе влияния на зависимую переменную. Наиболее сильным положительным предиктором является ln (Задолженность): увеличение его значения на одно стандартное отклонение коррелировано с ростом числа магазинов роскоши примерно на 80 единиц. Это отражает ключевую роль доступности кредита как драйвера спроса на товары роскоши. Второй по значимости положительный предиктор — ln (Население) — свидетельствует о положительном факторе, обусловленном эффектом масштаба: более населенные регионы имеют больше магазинов. Положительный предиктор ln (Безработные) противоречит экономической интуиции. Возможные объяснения этому: неформальная занятость, мультиколлинеарность, особенности регистрации безработных. В регионах с высокой официальной безработицей значительная часть населения может работать в теневом секторе, имея реальные доходы, которые не отражаются в официальной статистике, но тратятся на роскошь. Наличие магазинов роскоши может привлекать в регион трудовых мигрантов, в том числе безработных, ищущих работу в сфере обслуживания. Число безработных прямо пропорционально численности населения (r = 0,74), что после стандартизации может частично «снимать» масштабный эффект. Тем не менее этот результат требует осторожной интерпретации и дополнительной верификации. Статистически значимый, но очень слабый положительный предиктор — ln (Зарплата). Единственным отрицательным предиктором на диаграмме предикторов лассо (рис. 1) является предиктор «Доля жилищных кредитов». Жилищные кредиты снижают доход, отведенный для дискреционных покупок. Рис. 1. Столбчатая диаграмма стандартизованных предикторов LASSO-регрессииFig. 1. Bar chart of LASSO regression standardized predictors Рис. 2 демонстрирует высокую согласованность прогнозных и фактических значений показателя «число магазинов роскоши»: регионы плотно группируются по линии детерминации (R2 = 0,7651), что свидетельствует о значительной доле объясненной дисперсии. Наибольшие отклонения наблюдаются для регионов с очень малым (0—50) и очень большим (> 400) числом магазинов.Рис. 2. График LASSO-регрессии значений показателя «число магазинов роскоши»:точки — регионы, коэффициент множественной детерминации R² = 0,765Fig. 2. Graph of LASSO regression values of “luxury stores number”:dots are regions, index of multiple determination R2 = 0,765 Предсказательная способность регрессионной модели. Анализ остатков. В табл. 4 приведены пять регионов с наибольшими положительными остатками (модель недооценивает фактическое количество магазинов) и пять регионов с наибольшими отрицательными остатками (модель переоценивает фактическое количество). Остаток рассчитан как разность между фактическим и прогнозным значением. Анализ остатков по этим регионам позволяет выявить систематические ошибки прогнозирования в регрессионной модели и предложить дополнительные факторы, не учтенные в ее текущей спецификации. Положительный остаток означает, что модель предсказала меньшее число магазинов роскоши по сравнению с фактическим (недооценка), отрицательный остаток — большее (переоценка). Таблица 4. Сравнительный анализ фактического и прогнозного количества магазинов роскоши по регионам с наибольшими показателями отклонений (остатков)Table 4. Comparative analysis of real and predicted number of luxury stores by region with bigger deviation (residual) valuesРегионФактическое значениеПрогнозное значениеРазность между фактическим и прогнозным значением (остаток)Регионы с положительными остатками (недооценка моделью)Свердловская область523333,02+189,98Чукотский АО0–156,75+156,75Ростовская область463318,79+144,21Челябинская область430314,35+115,65Еврейская АО18–92,34+110,34Регионы с отрицательными остатками (переоценка моделью)Ленинградская область133248,04–115,04Ямало-Ненецкий АО25128,92–103,92Забайкальский край77149,70–72,70Мурманская область89158,14–69,14Белгородская область113178,70–65,70 Модель систематически занижает прогнозные значения для регионов с большим числом магазинов роскоши. Например, Свердловская область: факт 523, прогноз 333; недооценка +190. Наоборот, модель завышает прогнозные значения для регионов с низким уровнем роскоши. Например, Чукотский АО: факт 0, прогноз –157. (Значительная величина отрицательных остатков — от +110,34 до +189,98 (переоценка моделью) — указывает на непригодность LASSO-регрессионной модели для исследования регионов с малым числом магазинов роскоши.) Регионы с высокой недооценкой: Свердловская область (+190), Ростовская (+144), Челябинская (+116), Еврейский АО (+110). Возможно, в этих регионах действуют дополнительные неучтенные факторы: туризм, близость к границе, торговые традиции и др. (Скоробогатых, 2010). Регионы с высокой переоценкой: Чукотка (–157), Ямало-Ненецкий АО (–104), Ленинградская область (–115). Высокая зарплата и кредитная нагрузка в сырьевых регионах не пропорциональны количеству магазинов роскоши. Ограничения регрессионной модели. В четырех крупнейших регионах (Москва, Санкт-Петербург, Московская область, Краснодарский край), исключенных из выборки, высокий показатель задолженности населения может быть следствием, а не причиной большого числа магазинов роскоши. Логарифмирование переменных устраняет гетероскедастичность, но интерпретация предикторов становится менее наглядной. Рекомендации для дальнейших исследований. Для учета дискретного характера зависимой переменной можно использовать обобщенные линейные модели (GLM) с распределением Пуассона. Также можно включить дополнительные факторы: число туристов, наличие крупных торговых центров, индекс потребительской уверенности, и проверить робастность модели на полной выборке (включая исключенные регионы) с использованием устойчивых оценок (квантовая регрессия). ЗаключениеВ ходе использования LASSO-регрессионной модели нашли подтверждение все четыре представленных гипотезы. Выявлено доминирование предиктора ln (Задолженность). Влияние фактора «Доступность потребительского кредита» согласуется с теорией демонстративного потребления (Veblen, 1899; Бурдьё, 2005), по которой покупка статусных товаров часто финансируется за счет заемных средств, особенно в условиях ограниченной ликвидности домохозяйств. Однако в отличие от работ, акцентирующих роль доходов (Kaus, 2013), наша модель показывает, что доступ к потребительскому кредиту имеет более сильный эффект, чем высокий уровень зарплаты (Манчева, 2022а; 2022b). Это может отражать специфику российского демонстративного потребления: склонность к импульсным покупкам в кредит, распространенность кредитных карт и POS-кредитования. Предиктор «Доля жилищных кредитов» ранее не использовался, эффект воздействия «кредитного бремени» на дискреционные расходы изучался главным образом в контексте макроэкономического потребления[2]. Наше исследование подтверждает, что рост обязательных платежей по жилищным кредитам вытесняет траты населения на товары роскоши даже на региональном уровне. Систематическая недооценка моделью числа магазинов роскоши в Свердловской, Ростовской, Челябинской областях и Еврейской АО указывает на действие региональных факторов, не включенных в модель. Для Свердловской области это может быть исторически сложившийся крупный промышленно-торговый кластер с высокой концентрацией состоятельного населения; для Ростовской области — роль транспортного хаба юга России; для Еврейской АО — возможное влияние китайского трансграничного спроса. Напротив, переоценка моделью числа магазинов роскоши в северных сырьевых регионах (Ямало-Ненецкий АО, Чукотский АО) и Ленинградской области может объясняться выводом доходов в другие регионы (например, покупка недвижимости и товаров роскоши в Москве и Санкт-Петербурге), что создает разрыв между локальными доходами и локальными расходами на товары роскоши. Влияние факторов демографического масштаба (численность населения), уровня текущих доходов, ситуации на рынке труда (безработицы) статистически значимо, но описательная статистика соответствующих им предикторов в модели количественно более скромная. Модель объясняет более 3/4 межрегиональной вариации, однако систематические ошибки в прогнозируемых значениях для ряда регионов указывают на необходимость учета региональной специфики (например, инфраструктурной и экономической — для северных регионов). Для ретейлеров можно дать следующую рекомендацию: при открытии новых магазинов роскоши приоритетными следует считать регионы с высокой кредитной активностью населения и умеренной долей жилищных кредитов. Рост портфеля необеспеченных потребительских кредитов коррелирует с увеличением спроса на люксовые товары, что может учитываться банками в скоринговых моделях. Снижение закредитованности жильем потенциально стимулирует дискреционные расходы, этот фактор имеет весомое значение для региональной системы учета и государственного управления. [1] «Социально-экономическое положение России». Дек. 2025. Федеральная служба государственной статистики: официальный сайт. 12.05.2026. <https://rosstat.gov.ru/storage/mediabank/osn-12-2025.pdf>.[2] Mian A. R., Sufi A. “Finance and Business Cycles: The Credit-Driven Household Demand Channel: Working Paper 24322”. NBER. National Bureau of Economic Research. Feb. 2018. Web. 01.06.2026. <https://www.nber.org/system/files/working_papers/w24322/w24322.pdf>.