🗺 Карты в разрешении 32К — в комментариях.
📥 Ссылка на данные.
GitHub проекта.В 2025 году вышла статья исследователей из Финляндии:
Kummu, M., Kosonen, M. & Masoumzadeh Sayyar, S. Downscaled gridded global dataset for gross domestic product (GDP) per capita PPP over 1990–2022. *Sci Data* 12, 178 (2025). https://doi.org/10.1038/s41597-025-04487-x
Авторы с помощью ML-модели (градиентный бустинг из 152 деревьев решений) создали датасет с данными по всем АТЕ мира за 33 года (1990-2024 гг.) на уровнях АТЕ‑0 (страны), а при наличии — и на уровнях АТЕ‑1 и АТЕ‑2 (в России это, соответственно, субъекты и муниципалитеты верхнего уровня).
◾️О показателе:
ВВП/душу (ППС) — стоимость всех произведённых товаров и услуг, делённая на население и скорректированная по стоимости жизни. Хотя он и считается самым универсальным для оценки уровня экономического развития, он имеет недостатки и искажения.
Из-за эффекта Гершенкрона ВВП/душу (ППС) бедных стран систематически завышается относительно богатых.
Могут быть неточности и смещения — например, пересмотр цен с 2005 по 2011 г. изменил оценки для Азии и Африки на 18–26%, а для Китая расхождения достигали 30%.
Показатель также игнорирует неравенство распределения доходов внутри региона, качество общественных благ (здравоохранение, образование, безопасность), теневую экономику и не учитывает цены на импортные товары, не пересчитываемые по ППС.
При небольших межрегиональных различиях для выводов о развитии желателен дополнительный контекст, а при больших различиях реальный разрыв может быть как больше, так и меньше цифр из-за описанных искажений.
◾️Как считали?
Провели пространственную дезагрегацию — метод детализации данных с крупного региона на мелкие участки.
Взяли данные:
💵 ВВП на душу населения (ППС) на уровне АТЕ‑0 (все страны) и АТЕ‑1 (по 89 странам) из Всемирного банка, МВФ, ОЭСР, ЦРУ, DOSE v2, Евростата и национальных служб статистики;
👥 Численность населения — глобальная сетка GHS‑POP (1 км²);
🚌 Транспортная доступность до города с населением > 50 тыс. чел. как прокси экономической активности;
🏙 Уровень урбанизации по данным ООН на уровне стран, которые затем калибровали по сетке населения в 1 км²;
📉 Уровень неравенства (коэффициент Джини) по странам для оценки пространственного неравенства.
⚠️ Были корректировки и экстраполяции в некоторых случаях (см. статью).
На этих данных обучили модель, которая предсказала значения ВВП для всех АТЕ (все АТЕ‑2 и пробелы в данных по АТЕ‑1), границы которых взяли из GADM (их качество, конечно, не очень, да и не везде страны делились на более мелкие АТЕ).
◾️Ограничения и искажения:
Качество модели глобально хорошее — R² = 0,80 (где 1 = идеально), но качество зависит от региона.
Ошибка RMSE предсказания отношения ВВП/душу АТЕ-1 к АТЕ-0 (не имеет здесь абсолютного смысла, она для относительной оценки, см. статью) — <0,15 для Австралии, Океании, Северной Америки и Западной Европы и 0,25-0,3 для Восточной Европы, Центральной Азии и Юго-Восточной Азии.
В целом, чем хуже статистика в регионе (в т.ч. недоучёт/завышение населения и/или теневой экономики), тем выше искажения.
Особенно низкая точность ожидаема в зонах военных действий и у районов, не контролирующихся де-факто той страной, по которой авторами взяты данные — по сути, там нерелевантные данные.
◾️Что мы видим?
Пространственное неравенство на уровне АТЕ-2 раскрывается намного лучше, чем на уровне АТЕ-1.
📈 Самые богатые АТЕ — ресурсодобывающие районы России, Казахстана, Канады, США, Австралии, Бразилии, Чили, Аргентины и стран Персидского залива, а также самые развитые районы (крупные города, промышленные и технологические центры) Северной Америки, Европы (особенно «голубой банан») и Восточной Азии.
📉 Самые бедные — большая часть Африки, значительная часть Латинской Америки и Азии, особенно сельская местность.
У офшорной Ирландии цифры явно завышены.
