ЕКОНОМІКО–МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ДЕТЕРМІНАНТ БЛАГОПОЛУЧЧЯ НАСЕЛЕННЯ УКРАЇНИ В ГЛОБАЛЬНОМУ КОНТЕКСТІ
DOI:
https://doi.org/10.32999/ksu2307-8030/2026-58-14Ключові слова:
благополуччя населення, економіко–математичне моделювання, детермінанти добробуту, машинне навчання, нечітка кластеризація, соціальний капітал, інституційні чинники, структурна диференціація країнАнотація
У статті здійснено економіко–математичне моделювання детермінант благополуччя населення України в глобальному контексті із застосуванням комплексного аналітичного підходу. Дослідження поєднує методи множинної регресії, алгоритми машинного навчання та інструменти нечіткої кластеризації, що дає змогу врахувати нелінійний характер взаємозв’язків і структурні відмінності між країнами. Розглянуто вплив соціально–економічних та інституційних чинників на формування рівня добробуту та його міжнародну диференціацію. Узагальнено підходи до оцінювання позиції України у світовому просторі благополуччя з урахуванням сучасних трансформаційних і безпекових викликів. Окрему увагу приділено аналізу міжкраїнних диспропорцій та ролі інституційних характеристик у формуванні стійкості добробуту.
Посилання
Easterlin, R. A. (2026). Paradox lost? In pursuit of happiness: Why income isn't the end of the story. Economics and Human Biology. Advance online publication. Available at: https://www.sciencedirect.com/science/article/pii/S2590291126000203 (accessed 25.02.2026).
World Happiness Report 2024. (2024). Sustainable Development Solutions Network. Available at: https://worldhappiness.report/ed/2024/ (accessed 20.02.2026).
Gallup. (n.d.). Gallup World Poll: Global research database. Gallup Analytics. https://www.gallup.com/analytics/318875/global-research.aspx (accessed 01.02.2026).
Marino, D., & Tebala, D. (2022). Clustering countries by subjective well-being: A multivariate analysis. Sustainability, no. 14(22), Article 15213. DOI: https://doi.org/10.3390/su142215213
Sharkadi, M. M. (2024). Vykorystannia derevopodibnykh system nechtkoho lohichnoho vyvedennia dlia otsiniuvannia sotsialnoi bezpeky [Use of tree-like fuzzy logic inference systems for assessing social security]. Naukovyi visnyk Uzhhorodskoho universytetu. Seriia: Matematyka i informatyka, no. (2). Available at: https://visnyk-math.uzhnu.edu.ua/article/view/303793 (accessed 01.02.2026).
Wickham, H., & Grolemund, G. (2016). R for data science: Import, tidy, transform, visualize, and model data. O'Reilly Media.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
Berge, L. (2025). From replications to revelations: Heteroskedasticity-robust inference. Available at: https://www.econstor.eu/bitstream/10419/325363/1/vfs-2025-pid-126935.pdf (accessed 05.02.2026).
Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.
Breiman L. Random Forests. Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Hastie, T., Tibshirani, R., & Friedman, J. (2024). The elements of statistical learning: Data mining, inference, and prediction (3rd ed.). Springer. https://doi.org/10.1007/978-3-031-38747-0
Molnar, C. (2022). Interpretable machine learning. Springer. DOI: https://doi.org/10.1007/978-3-030-65933-3
Ahmad, A., & Khan, S. S. (2024). Survey of feature selection and parameter optimization in K-means clustering: Trends and challenges. Data Mining and Knowledge Discovery, no. 38(3), pp. 1039–1090. DOI: https://doi.org/10.1007/s10618-024-00995-3
Desgraupes, B., Antoniadis, A., Bigot, J., & others. (2024). A review of elbow-based methods for K-means cluster validation. Journal of Classification, no. 41(3), pp. 456–478. DOI: https://doi.org/10.1007/s00357-024-09485-2
Aranganayagi, S., & Thangavel, K. (2023). Validation of clustering results using silhouette and Davies-Bouldin indices: A comparative study. International Journal of Advanced Research in Computer Science, no. 14(5), pp. 123–130
Bezdek, J. C. (1981). Pattern recognition with fuzzy objective function algorithms. Plenum Press.
Bárdossy, A., & Duckstein, L. (1995). Fuzzy rule based modeling with applications to geophysical, biological, and engineering systems. CRC Press.
Easterlin R. A. Paradox Lost? In pursuit of happiness: Why income isn't the end of the story. Economics and Human Biology. 2026. URL: https://www.sciencedirect.com/science/article/pii/S2590291126000203 (дата звернення: 25.02.2026).
World Happiness Report 2024 / eds. J. F. Helliwell, R. Layard, J. Sachs et al. New York: Sustainable Development Solutions Network, 2024. URL: https://worldhappiness.report/ed/2024/ (дата звернення: 20.02.2026).
Gallup World Poll / Gallup Analytics. URL: https://www.gallup.com/analytics/318875/global-research.aspx (дата звернення: 01.02.2026).
Marino D., Tebala D. Clustering Countries by Subjective Well-Being: A Multivariate Analysis. Sustainability. 2022. Vol. 14, iss. 22. Art. № 15213. DOI: https://doi.org/10.3390/su142215213
Шаркаді М. М. Використання деревоподібних систем нечіткого логічного виведення для оцінювання соціальної безпеки. Науковий вісник Ужгородського університету. Серія : Математика і інформатика. 2024. № 2. URL: https://visnyk-math.uzhnu.edu.ua/article/view/303793 (дата звернення: 01.02.2026).
Wickham H., Grolemund G. R for Data Science : Import, Tidy, Transform, Visualize, and Model Data. Sebastopol : O'Reilly Media, 2016. 522 p.
Hair J. F., Black W. C., Babin B. J., Anderson R. E. Multivariate Data Analysis. 8th ed. Andover : Cengage Learning, 2019. 813 p.
Berge L. From Replications to Revelations : Heteroskedasticity-Robust Inference. 2025. URL: https://www.econstor.eu/bitstream/10419/325363/1/vfs-2025-pid-126935.pdf (дата звернення: 05.02.2026).
Wooldridge J. M. Introductory Econometrics : A Modern Approach. 7th ed. Boston : Cengage Learning, 2020. 816 p.
Breiman L. Random Forests. Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning : Data Mining, Inference, and Prediction. 3rd ed. New York : Springer, 2024. 764 p. DOI: https://doi.org/10.1007/978-3-031-38747-0
Molnar C. Interpretable Machine Learning. Cham : Springer, 2022. DOI: https://doi.org/10.1007/978-3-030-65933-3
Ahmad A., Khan S. S. Survey of Feature Selection and Parameter Optimization in K-Means Clustering : Trends and Challenges. Data Mining and Knowledge Discovery. 2024. Vol. 38, iss. 3. P. 1039–1090. DOI: https://doi.org/10.1007/s10618-024-00995-3
Desgraupes B., Antoniadis A., Bigot J. et al. A review of elbow-based methods for K-means cluster validation. Journal of Classification. 2024. Vol. 41, № 3. P. 456–478. DOI: https://doi.org/10.1007/s00357-024-09485-2
Aranganayagi S., Thangavel K. Validation of Clustering Results using Silhouette and Davies-Bouldin Indices : A Comparative Study. International Journal of Advanced Research in Computer Science. 2023. Vol. 14, № 5. P. 123–130.
Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms. New York : Plenum Press, 1981. 272 p.
Bárdossy A., Duckstein L. Fuzzy Rule Based Modeling with Applications to Geophysical, Biological, and Engineering Systems. Boca Raton : CRC Press, 1995. 256 p.
