Моделирование региональной отраслевой специализации промышленности тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Схведиани Анги Ерастиевич

• Схведиани Анги Ерастиевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Схведиани Анги Ерастиевич

ВВЕДЕНИЕ

1. ТЕОРЕТИЧЕСКИЕ И МЕТОДИЧЕСКИЕ ПОЛОЖЕНИЯ РЕГИОНАЛЬНОЙ ОТРАСЛЕВОЙ СПЕЦИАЛИЗАЦИИ

1.1.Анализ теоретических положений региональной отраслевой специализации

1.2.Теория и практика использования коэффициента локализации как индикатора специализации

1.3.Система показателей для анализа региональной отраслевой специализации

1.4. Анализ инструментов мониторинга и моделирования региональных систем

ВЫВОДЫ ПО ГЛАВЕ

2. ЭКОНОМЕТРИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ АНАЛИЗА РЕГИОНАЛЬНОЙ ОТРАСЛЕВОЙ СПЕЦИАЛИЗАЦИИ

2.1.Методика эконометрического моделирования и анализа пространственных панельных данных

2.2.Методика и инструмент эконометрического анализа региональной отраслевой специализации

ВЫВОДЫ ПО ГЛАВЕ

3. ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ РЕГИОНАЛЬНОЙ ОТРАСЛЕВОЙ СПЕЦИАЛИЗАЦИИ ОБРАБАТЫВАЮЩЕЙ ПРОМЫШЛЕННОСТИ

3.1. Анализ состояния и динамики обрабатывающей промышленности регионов РФ

3.2.Анализ взаимосвязи локализации обрабатывающей промышленности и производительности труда с применением моделей сквозной регрессии

3.3. Анализ взаимосвязи локализации обрабатывающей промышленности и производительности труда с применением регрессионных моделей панельных данных с фиксированными и случайными эффектами

3.4.Анализ взаимосвязи локализации обрабатывающей промышленности и производительности труда с применением регрессионных моделей пространственных панельных данных Дарбина с фиксированными и случайными эффектами

3.5. Анализ результатов эконометрического моделирования взаимосвязи локализации обрабатывающей промышленности и производительности труда в регионах РФ

ВЫВОДЫ ПО ГЛАВЕ

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1 - ПРЕДПОСЫЛКИ КЛАССИЧЕСКОЙ ЛИНЕЙНОЙ МОДЕЛИ РЕГРЕССИИ

ПРИЛОЖЕНИЕ 2 - СРАВНИТЕЛЬНАЯ ХАРАКТЕРИСТИКА РЕГРЕССИОННЫХ МОДЕЛЕЙ

ПРИЛОЖЕНИЕ 3 - РЕЗУЛЬТАТЫ РАСЧЁТА ПОКАЗАТЕЛЕЙ ЛОКАЛИЗАЦИИ ОБРАБАТЫВАЮЩЕЙ ПРОМЫШЛЕННОСТИ

Введение диссертации (часть автореферата) на тему «Моделирование региональной отраслевой специализации промышленности»

ВВЕДЕНИЕ

Актуальность темы диссертационного исследования.

В настоящее время вопросы эконометрического анализа пространственного расположения отраслей и предприятий являются одними из наиболее перспективных направлений исследований. Так, результаты оценки влияния региональной отраслевой специализации на региональные показатели для разных отраслей и социально - экономических систем не совпадают ввиду наличия высокой гетерогенности исследуемых объектов. В частности, в научной литературе продолжаются споры о том, что лучше: диверсификация экономической деятельности или её локализация. В первом случае предполагается наличие положительных экстерналий Джейкобс или Портера, а во втором -Маршалла - Эрроу - Ромера (МЭР). То есть либо предприятия получают положительные экстерналии в результате обмена идеями и конкуренции, либо в результате усиления локализации.

В отечественной и иностранной научной литературе можно найти мнения как о положительных эффектах региональной отраслевой специализации, так и об отрицательных эффектах. При этом, мнения исследователей не всегда подкрепляются эмпирическими результатами или сильно варьируются в зависимости от исследуемой отрасли и региона.

С другой стороны, в рамках государственных и региональных программ развития особое внимание уделяется развитию обрабатывающей отрасли (обрабатывающей промышленности) в целом, и её отдельных элементов в частности. Развитие обрабатывающих отраслей должно стимулировать развитие региональных экономик и повышать их конкурентоспособность и производительность.

Таким образом, с точки зрения инструментария исследования, становится актуальным разработка методики и инструмента эконометрического анализа пространственных панельных данных, её уточнение для случая анализа региональной отраслевой специализации.

Степень разработанности проблемы.

Теоретические основы эконометрического и статистического анализа проанализированы и отражены в таких трудах отечественных и зарубежных ученых, как: Айвазян С., Арженовский С., Акаике Х., Балестра П., Балтаги Б., Баум К., Бовен Н., Бреуш Т., Бриатте Ф., Брукс К., Вега С., Вулдридж Д., Гафарова Е.А., Грин В., Грин У., Джеанту П., Друккер Д., Дэвидсон Р., Елисеева И., Ильин И., Картаев Ф. , Кеннеди П., Кук Р., Кэмерон К., Ли Л., Мундлак Э., О'Коннор С., Писати М., Рамсей Ф., Фабоцци Ф., Фуллер В., Хайяши Ф., Хассан А., Хисао С., Хойос Р., Шарма А., Шах А., Шварц Г., Элхрост Д., Ю Д., Янн Б.

Исследованию вопросов развития региональной отраслевой специализации и её отдельных аспектов посвящены работы следующих авторов: Агафонов Е., Бабкин А., Бавина К., Баласса Б., Беадрё С., Беллавитис С., Бенедиктис Л., Богданова Е., Борисов К., Божук С., Браунхельм П., Будрин А., Будрина В., Василенок В., Васильев А., Вертакова Ю., Вилькен В., Воронцовский А., Глухов В., Горовой А., Дельгадо М., Демиденко Д., Джейкобс Д., Земцов С., Исаксен А., Исард В., Исланкина Е., Калинина О., Капелло Р., Кетелс К., Кобзев В.В., Кожевина О., Козлов А.В., Колосовский Н.Н., Крист Д., Кругман П., Кудрявцева Т., Кумрал Н., Линдквист Г., Манукян М., Маршалл А., Моинеддин Р., Морозова М., Муллиган Г., О'Доногхью Д., Окрепилов В., Олин Б., Петрова Е., Поросенков Ю., Портер М., Протсив С., Пушкаренко А., Рикардо Д., Родионов Д., Ромер Р., Смит А., Солвел О., Трейвиш А., Фагерберг, Фесер Э., Фракассо А., Харламова Т., Хувер Е., Хэиг Р., Цивирко Е., Эрроу К.

В то же время нуждаются в разработке актуальные методические положения эконометрического анализа пространственных панельных данных региональной отраслевой специализации на примере обрабатывающей промышленности в контексте реализации долгосрочных программ развития экономики Российской Федерации в целом и её регионов в частности, в том числе в отраслевом разрезе.

Цели и задачи исследования. Целью исследования является разработка методики эконометрического моделирования и оценки сопутствующих эффектов региональной отраслевой специализации и её апробация на примере обрабатывающей промышленности Российской Федерации.. Для достижения поставленной цели были решены следующие задачи:

• Систематизировать и проанализировать теоретические основы оценки региональной отраслевой специализации, уточнить соответствующий понятийный аппарат, классификацию сопутствующих эффектов (экстерналий) локализации отраслей и источников их возникновения, разработать систему показателей для анализа региональной отраслевой специализации.

• Уточнить методику эконометрического анализа пространственных панельных данных для случая анализа региональной отраслевой специализации в части алгоритма её применения.

• Построить модели региональной отраслевой специализации, идентифицировать и оценить экстерналии локализации на примере обрабатывающей отрасли 83 субъектов Российской Федерации в период с 2009 по 2018 г.

• Обосновать пограничные значения показателей локализации обрабатывающей промышленности для генерации положительных экстерналий в экономике региона.

• Разработать программное средство, которое может быть использовано для мониторинга пространственного расположения отраслей и оценки взаимосвязей показателей региональной отраслевой специализации и производительности труда.

Объектом исследования является региональная отраслевая специализация обрабатывающей промышленности (ОКВЭД 2: Раздел С) Российской Федерации.

Предметом исследования являются процессы формирования сопутствующих эффектов локализации в результате пространственного расположения отраслей в регионах.

Теоретическая основа исследования составляют труды отечественных и зарубежных исследователей в сфере эконометрического моделирования, анализа региональной отраслевой специализации, оценки экстерналий локализации отраслей.

Методологическая основа исследования состоит в применении количественных методов, метода научного синтеза, а также статистического, эконометрического и сравнительного анализа.

Информационная база исследования: В качестве статистической базы использовались данные, приведенные в периодической печати и интернет, статистические сборники Федеральной службы государственной статистики, данные Единой межведомственной информационно - статистической системы.

Научная новизна состоит в определении экстерналий и пограничных значений локализации обрабатывающей промышленности по параметрам региональной отраслевой специализации на основе разработанного методического инструментария эконометрического моделирования пространственных панельных данных.

Наиболее существенные результаты исследования, обладающие научной новизной и полученные лично соискателем:

1. Уточнено понятие региональная отраслевая специализация на основе систематизации положений теорий пространственной экономики и международной торговли, в том числе описаны и классифицированы типы сопутствующих эффектов (экстерналий) локализации отраслей и источники их возникновения. Разработана система показателей региональной отраслевой специализации, включающая динамические и статические показатели, характеризующие объём и производительность отрасли региона.

2. Разработана методика эконометрического моделирования пространственных панельных данных для случая анализа региональной отраслевой специализации. Методика уточнена в части определения этапов эконометрического моделирования пространственных панельных данных, гипотез и спецификации эконометрических моделей, предварительного анализа и обработки данных, алгоритма построения эконометрических моделей с учётом наличия мультиколлинеарности между показателями, методов определения пороговых значений коэффициента локализации.

3. Апробирована методика оценки региональной отраслевой специализации на примере обрабатывающей отрасли 83 субъектов РФ в период с 2009 по 2018 г. Построены модели оценки взаимосвязи между показателями региональной отраслевой специализации обрабатывающей промышленности и производительности труда региона. На основании анализа межрегиональных моделей выявлено наличие отрицательных МЭР экстерналий, генерируемых обрабатывающей отраслью в регионах РФ.

4. Обоснованы пороговые значения коэффициентов локализации занятости и производительности труда обрабатывающей отрасли для генерации положительных экстерналий в экономике региона. Так, локализация занятых в обрабатывающей промышленности должна быть не ниже 1.5, а локализация производительности труда в обрабатывающей отрасли не менее 3.3 для генерации положительных эффектов - МЭР экстерналий.

5. Разработано программное средство оценки взаимосвязей показателей региональной отраслевой специализации и производительности труда. Разработанная программа позволяет проводить мониторинг, моделирование и анализ пространственного расположения отраслей, экспортировать результаты в формате таблиц в файлы MS Excel, строить карты и сохранять их в виде графических изображений.

Теоретическая значимость состоит в разработке системы показателей

для анализа региональной отраслевой специализации, в развитии

методических положений эконометрического анализа пространственных

8

панельных данных, отражающих региональную отраслевую специализацию и позволяющих на их основе проводить идентификацию и оценку экстерналий локализации отраслей.

Практическая значимость диссертационного исследования состоит в определении отраслевой специализации и пороговых значений локализации обрабатывающей промышленности регионов России для генерации положительных экстерналий, что может быть использовано для обоснования направлений региональной отраслевой промышленной политики. Разработанные методические рекомендации и инструментарий может быть использован для исследования специализации территорий в различных видах деятельности. Получено Свидетельство о государственной регистрации программы для ЭВМ №2019665637 «Программа для эконометрического анализа и моделирования региональной отраслевой специализации».

Обоснованность и достоверность результатов исследования

обеспечивается последовательной и логичной теоретической и методологической базой исследования, анализом работ по исследуемой тематике, изучением официальных материалов государственной статистики, верификацией выводов практическими расчетами, публикацией основных положений диссертации в рецензируемых научных изданиях, их апробацией на научно-практических конференциях и в рамках грантов.

Соответствие диссертации Паспорту специальностей ВАК.

Диссертационное исследование соответствует специальности 08.00.13 -

Математические и инструментальные методы экономик: 1.7. Построение и

прикладной экономический анализ экономических и компьютерных моделей

национальной экономики и ее секторов; 1.5. Разработка и развитие

математических методов и моделей глобальной экономики, межотраслевого,

межрегионального и межстранового социально-экономического анализа,

построение интегральных социально-экономических индикаторов; 2.6.

Развитие теоретических основ методологии и инструментария

проектирования, разработки и сопровождения информационных систем

9

субъектов экономической деятельности: методы формализованного представления предметной области, программные средства, базы данных, корпоративные хранилища данных, базы знаний, коммуникационные технологии.

Апробация результатов исследования. Основные положения и результаты диссертационного исследования прошли апробацию и докладывались автором на следующих научных и учебно-практических и международных конференциях: Кластеризация цифровой экономики: глобальные вызовы (2020 г.), Инновации в цифровой экономике (2019 г.), Инновационные кластеры цифровой экономики: драйверы развития (2018 г.), Европейская конференция по инновациям и предпринимательству (2018 г.), Конвергенция цифровых и физических миров: технологические, экономические и социальные вызовы (2018 г.), Наука и инновации в технических университетах. материалы Одиннадцатого Всероссийского форума студентов, аспирантов и молодых ученых (2017 г.). Полученные положения, также, были апробированы в рамках следующих грантов и проектов: Грант РНФ «Разработка цифровой модели региональной инновационной системы РФ как драйвера устойчивого развития» № 20-7810123 (2020 - 2023), «Конкурса грантов для студентов вузов, расположенных на территории Санкт-Петербурга, аспирантов вузов, отраслевых и академических институтов, расположенных на территории Санкт-Петербурга» в 2019 году, грант РФФИ «Инструментальные методы исследования региональной отраслевой специализации» № 19-310-90069 (2019-2021), грант РФФИ «Методология оценки уровня развития цифровой среды и ключевых институтов РИС» № 18-310-20012 (2019 - 2020), гранта Президента Российской Федерации НШ - 3792.2018.6 (2018 - 2019), государственного задания Министерства науки и высшего образования Российской Федерации «Формирование и развитие региональных инновационных систем в российской экономике» №26.6446.2017/БЧ (2017 -

2019), «Конкурса грантов для студентов вузов, расположенных на территории

10

Санкт-Петербурга, аспирантов вузов, отраслевых и академических институтов, расположенных на территории Санкт-Петербурга» в 2018 году.

Структура диссертации включает введение, три главы и заключение. Во введении дана общая характеристика исследования. В первой главе исследованы теоретические и методические положения эконометрического анализа пространственных панельных данных. Во второй главе исследованы теоретические и методические положения анализа региональной отраслевой специализации. В третьей главе проводится апробация методики эконометрического анализа пространственных панельных данных, отражающих региональную отраслевую специализацию, на примере обрабатывающей отрасли регионов Российской Федерации. В заключении приведены основные выводы.

1. ТЕОРЕТИЧЕСКИЕ И МЕТОДИЧЕСКИЕ ПОЛОЖЕНИЯ РЕГИОНАЛЬНОЙ ОТРАСЛЕВОЙ СПЕЦИАЛИЗАЦИИ 1.1. Анализ теоретических положений региональной отраслевой

специализации

Теория региональной отраслевой специализации базируется на двух взаимосвязанных блоках теорий: теории пространственного размещения деятельности и теории межрегиональной торговли. Теории пространственного размещения пытаются объяснить и формализовать взаимосвязи между пространственным размещением производительных сил и развитием производительных сил. Теории межрегиональной торговли пытаются объяснить, как устроена торговля между регионами, исходя из спроса на товары, объём издержек производства, разницу в уровнях развития технологий. Таким образом, на базе этих теорий строится теория региональной отраслевой специализации, которая в своей основе пытается объяснить и влияние локализации и диверсификации на состояние отраслей и регионов, причины экономического роста регионов за счёт пространственной аллокации производственных сил, конкурентоспособность регионов, исходя из структуры экпортно-импортных операций. Рассмотрим кратко основные теории, лежащие в основе региональной отраслевой специализации, и определим понятие региональной отраслевой специализации.

Теории международной торговли внесли в основу теории региональной отраслевой объяснение механизмов формирования экспортно - импортных отношений и конкретно асимметрии, возникающей в результате специализации одних регионов на экспорте высокотехнологичной продукции, а других - низко технологичной или сырьевой. Основа объяснения данных механизмов была заложена ещё в эпоху раннего меркантилизма, когда доминировала теория необходимости поддержания «денежного баланса» (Гаспар Скаруффи [129], Антонио Серра [231], Уильям Стаффорд [140], Бернардо Даванцати [37]), и была дополнена в эпоху позднего меркантилизма,

когда ведущие страны переключились с поддержания «денежного баланса» на поддержание «торгового баланса» (Томас Ман [109, 110], Антуан Монкретьен де Ваттевиль [107], Жан-Батист Кольбер [31]). В дальнейшем появился фундаментальный труд Адама Смита «Исследование о природе и причинах богатства народов» [136], посвященный теории производства и распределения труда, и развитию классических моделей международной торговли. Теория Адама Смита была дополнена и развита Давидом Рикардо (1772 - 1823) [128], который отметил, что реализация концепции международной торговли Адама Смита будет выгодна только в случае, если регионы находятся на примерно одном уровне экономического развития или если речь идёт о торговле или обмене товарами, на производство которых регионы обладают монопольными правами. Вклад в развитие моделей международной торговли, также, внесли шведские экономисты Эли Филип Хекшер (1879 —1952) [251] и Бертиль Готтхард Олин (1899 — 1979) [223], предложившие основы модели Хекшера — Олина и теории Хекшера — Олина в частности. Модель Хекшера — Олина легла в основу неоклассической модели международной торговли Хекшера — Олина — Самуэльсона, которая сменила классическую теорию международной торговли Давида Рикардо.

Классические модели международной торговли подвергались критике за не реалистичность ряда допущений и нормативных компонентов. В частности, эти модели не учитывали развитие внутриотраслевой торговли между регионами, а также не могли объяснить рост торговли, происходивший в результате интеграции схожих стран, находящихся примерно на одном уровне технологического развития и обеспеченные схожими факторами производства. Также, в основе этих теорий лежали следующие допущения: свободная конкуренция на международном рынке, постоянная отдача от масштаба, производимые в рамках одной отрасли продукты были гомогенными. Как следствие, в дальнейшем начали формироваться неотехнологические теории международной торговли.

Неотехнологические теории торговли в большей степени

сконцентрировались на объяснении получения экономическими агентами

сравнительных преимуществ за счёт их способности поглощать и

использовать технологии и, как следствие, доминировать в

высокотехнологическом секторе межрегиональных рынков. В рамках теории

технологического разрыва (1961 г.) М. Познера предполагается, что в

результате появления у какой-либо страны принципиально новой технологии

эта страна получает временное преимущество в борьбе за экспортные рынки,

а фирма обладатель этой технологии становится квазимонополией и может

извлекать технологическую ренту [46, 141]. Теория пересекающегося спроса

(1961 г.) Э. Линдела предполагает, что каждой стране легче экспортировать те

товары, на производстве которых она специализируется для удовлетворения

потребностей внутреннего рынка [93]. Теория внутриотраслевой торговли

(1967 г.) Б. Баласса объясняла закономерности импорта и экспорта товаров,

принадлежащих к одной товарной группе. Так, предполагается, что в условиях

одинаковой обеспеченности факторами производства внутриотраслевой

обмен стимулируется благодаря экономии от масштаба и производству

дифференцированной продукции [6-8]. Теория международной торговли на

основе монополистической конкуренции (1979 г.) П. Кругмана предполагала,

что на внешнеторговый рынок выходят на страны, а фирмы, которые

используют эффект внутреннего масштаба и формируют монополистический

рынок [87, 202]. Теория конкурентного преимущества нации (1990 г.) М.

Портера также предполагает, что конкурируют не страны, а отдельные фирмы.

Таким образом, общий успех страны и её конкурентоспособность

определяется комплексом фирм, которые имеют ряд конкурентных

преимуществ. Согласно данной теории конкурентоспособность страны

обусловлена спросом, факторах производства, состояния родственных

отраслей и связанных отраслей, стратегия фирм и структура рынка [121].

Таким образом, в рамках неотехнологических теорий международной

торговли больше внимания уделяется конкурентоспособности фирм, которые

14

определяют конкурентоспособность регионов, в которых они находятся, в зависимости от уровня развития технологий, паттернов спроса, внутренней и внешней экономиях от масштаба.

В дальнейшем, в рамках исследований, посвященных анализу международной торговли, неоднократно исследовались различные аспекты региональной отраслевой специализации как зарубежными [5, 16, 34, 47, 98], так и отечественными ученными [157, 159, 163, 177, 178, 181, 255].

Суммируя основные положения теорий международной торговли, выделим основной аспект, который важен для теории региональной отраслевой специализации, а именно: наращивание концентрации предприятий экспорт ориентированных высокотехнологичных отраслей в регионе.

Теория пространственной экономики вносит в теорию региональной

отраслевой специализации объяснение причин и закономерностей

пространственного расположения отраслей экономики. В качестве

предпосылок для развития теории пространственного развития, можно

выделить работы А. Смита [136] и Д. Рикардо [128], так как они первые начали

объяснять закономерности расположения производств в разных регионах в

зависимости от наличия абсолютных или сравнительных преимуществ

соответственно при производстве конечного продукта [221]. В дальнейшем,

основу пространственной экономики составили работы И. Тюнена (теория

сельскохозяйственного штандорта, обосновывающая выбор сельхозкультур и

интенсивность обработки земли в изолированном государстве, 1826 г.) и В.

Лаунхардта (региональный штандорт промышленного предприятия, 1882 г.).

Суть обеих работ заключалась в оптимизации расположения производств с

целью минимизации транспортных издержек, которые они считали

решающими для эффективной деятельности производств [186, 217]. В

дальнейшем А. Вебер разработал теорию промышленного штандорта (1909 г.),

обобщив работы И. Тюнена и В. Лаунхартда. А. Вебер ввёл в теорию не только

транспортные, но и общие производственные издержки. Именно благодаря

15

работе А. Вебера «.. .появляется развернутая система факторов размещения, под которыми понимается экономическая выгода от сокращения издержек по производству и сбыту продукции в результате оптимального размещения производства соответствующего продукта в конкретной точке экономического пространства» [217, p. 4].

А. Маршалл в своей работе 1890 г. [101] также рассматривает пространственные аспекты экономических отношений. В частности, А. Маршалл выделяет следующие выгоды от географической концентрации однородных производств: благоприятная среда для технологического развития за счёт внедрения новых технологий, дробление технологических цепочек и возникновение вспомогательных производств, локализация рынка труда, перетоки неформальных знаний [220]. В дальнейшем, идеи А. Маршалла были дополнены в работах К. Эрроу и П. Ромера [4, 101, 127] и формализованы Э. Глейзером [134] в виде знаниевых сопутствующих эффектов Маршалла - Эрроу - Ромера (Marshall-Arrow-Romer knowledge spillowers, МЭР экстерналии). В рамках концепции МЭР предполагается, что высокая концентрация отрасли в регионе приводит к интенсификации передачи знаний (knowledge spillovers) между фирмами и стимулированию развития инноваций в нём. То есть специализация региона в определённом виде деятельности порождает развитие внутриотраслевых или внутри кластерных экстерналий в зависимости от уровня агрегирования и способа организации информации.

В 1925 году В. Леонтьев подготовил отзыв на прогнозный баланс

Центрального Статистического Управления СССР, где показал, что

коэффициенты, выражающие связи между отраслями экономики, достаточно

стабильны и их можно прогнозировать. В 1930-е годы Леонтьев использовал

метод анализа межотраслевых связей для исследования экономики США.

Данный метод стал известен под названием «затраты - выпуск». Несмотря на

то, что В. Леонтьев не занимался напрямую вопросами пространственного

развития, таблица затраты - выпуск легла в дальнейшем в основу

16

формирования территориально - производственных комплексов Н. Колосовского, полюсов роста Ф. Перру, кластеров М. Портера.

Теория центральных мест (1933 г.) В. Кристаллера предполагала, что города формируют сеть «центральных мест» в виде шестиугольников. При этом, основные товары должны производиться самим городом, дополнительные товары в средних агломерациях, а предметы роскоши - в крупных городах [220]. В 1941 году А. Кристаллер предлагает карту центральных мест в качестве плана переустройства части территории Полыни.

Теорема Хекшера — Олина (1933 г.), применяемая в теории международной торговли, дополняет теорию пространственной экономики, объясняя почему есть различия в эффективности производства одного и того же товара.

В 1928 году начинает формироваться научная школа «отечественная районная школа экономической географии», когда Н.Н. Баранский публикует учебник по экономической географии. В 1929 году Н.Н. Баранский организует кафедру экономической географии СССР на физико-математическом факультете Московского государственного университета. Основной вклад в науку заключается в разработке теории территориально - производственных комплексов (ТПК) Н. Колосовским и её последующее развитие учениками школы. «Производственным комплексом называется такое экономическое (взаимообусловленное) сочетание предприятий в одной промышленной точке или в целом районе, при котором достигается определенный экономический эффект за счет удачного (планового) подбора предприятий в соответствии с природными и экономическими условиями района, с его транспортным и экономико-географическим положением» [200, 227]. Таким образом, ТПК являются технологически смежными производствами. С использованием этой теории В СССР был создан ряд крупных ТПК: Тимано-Печорский, Братско-Усть-Илимский, Саянский, Западно-Сибирский, Мангышлакский, Павлодаро-Экибастузский, Каратау-Джамбулский и др. [155, 221].

Список литературы диссертационного исследования кандидат наук Схведиани Анги Ерастиевич, 2020 год

Источник

1

[18, 60, 64, 143]

1.05

[103, 148]

1.2

[113]

ьо

(Абсолютные значения)

1.25

[35, 50, 105]

1.3

[22, 45, 130, 207]

1.35

[148]

2

[81, 94, 137]

3

[71, 99]

[1.25; 5) [5; +ю)

[89]

Standardized LQ, SLQ (стандартизированные значения)

1.96 (двухсторонний) 1.65 (односторонний)

[115]

[1.25; 1.98) [1.98; 3) [3; +ш)

[117]

LQ

(перцентиль)

90

,th

80

ith

[94]

[82]

75

th

[40]

Составлено автором С другой стороны, можно отсортировать значения ЬО по конкретному

кластеру и разбить совокупность наблюдений на перцентили. Таким образом,

кластер будет считаться локализованным, если значение ЬО будет находиться

выше определённого перцентиля. Наиболее жесткое ограничение предлагает

накладывать Линдквист (Lindquist), считая, что значения LQ должны быть выше двух, что, грубо говоря, представляет верхние 10% всех кластеров во всех регионах [95]. Наиболее слабое ограничение предлагают накладывать Дельгадо (Delgado), Портер (Porter) и Штерн (Stern), считая, что кластер локализован, если значения LQ находятся выше 75th процентиля [40]. Европейская кластерная обсерватория с 2014 использует методику, по которой LQ должен быть выше 80ого перцентиля [S2]. Такой подход позволяет более гибко подходить к вопросу определения пограничного значения, потому что в каждом случае значение абсолютной величины LQ будет индивидуально и зависит от кластерной/отраслевой структуры объекта исследования [203].

Также, Моинеддин (Moineddin), Бейне (Beyene) и Бойл (Boyle) предлагают тестировать LQ на предмет наличия статистически значимых отличий от 1. Так, по их мнению, LQ статистически больше или меньше единицы, если доверительный интервал больше или меньше единицы соответственно. Таким образом, LQ статистически не отличим от единицы, если доверительный интервал включает её [10б].

Ещё одним альтернативным подходом является индекс, предложенный Дурантоном (Duranton) и Пугой (Puga) [43]. Так, они предлагают Индекс относительной специализации (Relative specialization index, RSIj), который отражает максимальное значение LQij для региона j в секторе i. Таким образом, чем выше представленность сектора в регионе, то выше региональный RSI.

Таким образом, несмотря на то, что многие исследователи используют в качестве меры специализации и/или концентрации LQ, до сих пор нет единого мнения касательно того, какое пограничное значение должно быть, чтобы критическая масса вида деятельности являлась достаточной для генерации положительных экстерналий и отношения исследуемого вида деятельности в данном регионе к наиболее успешным.

Большинство работ рассчитывают LQ на основании статистики занятости и/или количества фирм, тогда как специализация региона может включать в себя больше показателей.

К примеру, Цанфеи (Canfei) и Фенгхуа (Fenghua) [26] используют показатель отраслевой специализации (industrial specialization), рассчитываемой как коэффициент локализации выпуска отрасли s в городе с, в качестве индикатора, отражающего МЭР экстерналии.

Земцов и соавторы [150] для оценки экстерналий Портера используют индексы кластеризации (clusterization indexes), рассчитываемые как LQ для количества фирм, занятых и объёмов выручки в регионе по виду деятельности.

Васильев рассчитывал коэффициент локализации производства, используя данные по объёмам производства отрасли на отдельных территориях. При этом, он также отмечал, что коэффициента локализации могут рассчитываться и по основным фондам, и по количеству занятых [170].

Таким образом, можно говорить о возможности расширения области применения коэффициента LQ для целей анализа региональной отраслевой специализации. В этом отношении автор согласен с Казаковым, который ставит вопрос о необходимости разработки методического аппарата для анализа трансформации отраслевой специализации региона с целью идентификации структурных сдвигов в отраслевой специализации региона и разработки соответствующих мер стимулирования и поддержки ключевых отраслей региона [192].

С использованием LQ также был составлен ряд методик, с помощью которых можно проводить детальный анализ кластерной структуры региона [203]. Их разработка была обусловлена необходимостью измерять не только уровень кластерной специализации региона [94], но и кластерную силу регионов [82, 135]. Одной из наиболее интересных адаптаций LQ для цели анализа и идентификации кластеров, по-нашему мнению, является методология, разработанная [94] и использовавшаяся Европейской кластерной обсерваторией до 2014 года [203].

В рамках данной методологии наличие и развитие положительных

экономических экстерналий, влияющих на деятельность предприятий,

входящих в кластер, определяется наличием определенной «критической

35

массы» ядра кластерной группы. Вследствие этого сформированные «эталонные» ядра кластерных групп должны быть исследованы на предмет наличия заданной «критической массы», определяющей относительную силу и конкурентоспособность местного кластера. Таким образом, в рамках подхода «сверху» наполнение кластерных групп на территории регионов в соответствии с выявленными «эталонами» позволяет оценить уровень региональной специализации (см. Таблица 1.9) [203, 204].

Таблица 1.9 - Методология Европейской кластерной обсерватории для

целей анализа и идентификации региональной специализации

Индикатор Пояснение Значения и их интерпретация

Размер (Size) Доля занятости населения региона в общей занятости населения страны в исследуемой кластерной группе Если значение входит в топ 10% значений всех кластеров одной группы, то регион получает звезду

Фокус (Focus) Доля занятости населения региона в кластере этого региона Если значение входит в топ 10% значений всех кластеров всех групп и регионов, то регион получает звезду

Специализация (Specialization) Идентична коэффициенту локализации Если значение специализации (Ьр) выше двух, то регион получает звезду. Это примерно соответствует верхним 10% всех кластерных категорий во всех регионах.

Региональная специализация (Regional specialization) Рассчитывается как сумма звезд, которую получил регион по всем кластерам, которые в нём находятся Чем выше региональная специализация, тем выше экономическое благосостояние региона

Составлено по: [82, 95] В дальнейшем, методология Европейской кластерной обсерватории была

дополнена и переработана с целью устранения недостатков и получения более объективной оценки состояния региональной кластерной специализации [82]. В частности, были добавлены такие показатели как: прирост занятости и производительности. Показатель прирост занятости используется для оценки динамики изменений в региональной специализации, а производительность для оценки статической результативности кластера. Включение показателя, отображающего изменение занятости по исследуемым видам деятельности связано, прежде всего, с тем, что Ьр в исследованиях часто используется в

качестве меры для анализа как динамических, так и статических источников экстерналий, что не вполне корректно, так как данный показатель не отображает изменение структуры в занятости по времени. Так, в работе Кетелса (Ketels) и Протсива (Protsiv) напрямую указывается, что коэффициент локализации - мера специализации, которая отражает фокус, тогда как прирост занятости - мера, отражающая динамику развития кластера [82]. Таким образом, оценка региональной отраслевой специализации была дополнена и переросла в оценку силы кластерного портфолио региона, что, в сущности, является одним и тем же (см. Таблица 1.10).

Таблица 1.10 - Методология Европейской кластерной обсерватории для идентификации кластеров и анализа оценки силы кластерного портфолио

региона

Индикатор Пояснение Значения и их интерпретация

Абсолютный размер (Absolute size) Рассчитывается как количество занятых или количество предприятий. Чем выше этот показатель, тем выше количество и интенсивность значимых связей. Звезда присуждается региону, если по исследуемому виду деятельности он входит в топ 20% по значению этого индикатора.

Коэффициент локализации (LQ, Location quotient) Рассчитывается как ьо. Данный индикатор отражает вариации в размере регионов и кластеров. Звезда присуждается региону, если по исследуемому виду деятельности он входит в топ 20% по значению этого индикатора.

Производительность (Productivity) Рассчитывается как средняя заработная плата работника Данный индикатор отражает статическую производительность кластера и кумулятивный уровень конкурентоспособности. Звезда присуждается региону, если по исследуемому виду деятельности он входит в топ 20% по значению этого индикатора.

Прирост занятости (Employment growth) Рассчитывается как прирост занятости Индикатор отражает динамическую производительность исследуемого вида деятельности. Звезда присуждается региону, если по исследуемому виду деятельности он входит в топ 20% по значению этого индикатора.

Сила кластерного портфолио региона Рассчитывается как сумма звезд, полученных регионом Если сила кластерного портфолио региона >= 15, то регион является сильным

Индикатор Пояснение Значения и их интерпретация

(Regional cluster portfolio strength) по всех кластерным группам. Если сила кластерного портфолио региона <= 15, то регион является слабым

Составлено по: [82]

Таким образом, на основании анализа представленных вариаций

использования Ьр, как одного из показателей, являющихся основой для расчёта региональной отраслевой специализации, можно сделать вывод о том, что имеется три основные тенденции по совершенствованию методик анализа региональной отраслевой специализации. Первая заключается в том, чтобы использовать для расчёта Ьр иные, отличные от занятости, параметры. Данные параметры могут характеризовать объём исследуемого вида деятельности в регионе в более широком смысле (объём инвестиций, объём продаж, производительность труда и т.п.). Вторым направлением является дополнение показателя Ьр динамическими показателями, показывающими изменение в объёме исследуемого вида деятельности и его эффективности. Данный подход, также, позволит разделить динамические источники возникновения положительных экстерналий от статических. Третьим направлением является определение пороговых значений коэффициентов локализации для различных видов деятельности и экономических систем.

1.3. Система показателей для анализа региональной отраслевой

специализации

Таким образом, для анализа региональной отраслевой специализации необходимо разработать систему показателей, которая учитывала бы:

• разграничение на динамические и статические показатели деятельности отрасли в регионе;

• разграничение на показатели, отражающие объём отрасли в регионе, и показатели, отражающие производительность отрасли в регионе;

• необходимость выделения краткосрочных и долгосрочных показателей изменения региональной отраслевой специализации;

• не только данные по занятости, но и по выручке и инвестициям.

Данные аспекты и существующие методологические противоречия в их учёте подробно рассмотрены в п. 1.1 и 1.2 настоящей диссертации. Таким образом, перейдём к описанию разработанной системы показателей и покажем, как предлагаемая система учитывает все вышеперечисленные аспекты.

Разработанные показатели можно разделить на две укрупненные сферы (см. Таблица 1.11).

Первая сфера включает показатели, которые характеризуют объём отрасли в регионе. Под объёмом отрасли понимается степень физического присутствия отрасли в регионе. Для показателей относительной концентрации отрасли в регионе можно выделить пограничные значения, достижение которых может приводить к возникновению положительных эффектов для регионов. Вопрос идентификации порогового значения относительной концентрации ЬО, при достижении которого отрасль будет генерировать положительные эффекты для региона, является актуальным. Так, в параграфе 1.2 было обосновано, что на данный момент ученные придерживаются попыток выделения унифицированных пороговых значений, верных для любых отраслей любых регионов (см. Таблица 1.8). По - мнению автора, данный подход не корректен и требуется математическое обоснование порогового значения относительной концентрации различных объектов исследования. Вопрос математического выявления пороговых значений для различных отраслей подробно рассмотрен в рамках п. 2.2. настоящей диссертации, где представлена методика эконометрического моделирования пространственных панельных данных для случая региональной отраслевой специализации.

Характеристики объёма отрасли в регионе могут измеряться с помощью показателей, отражающих статическое состояние отрасли, и с помощью показателей, отражающих динамические изменения состояния отрасли.

Разделение показателей, характеризующих объём, на абсолютные и относительные необходимо для того, чтобы понять объём концентрируемых ресурсов и производства на территории в абсолютных единицах и сравнить этот объём с относительных концентраций отрасли в регионе, то есть степени выраженности специализации региона в конкретной отрасли по сравнению с занятостью в регионе, в отрасли и в стране. Таким образом, можно определить насколько исследуемая отрасль важна для региона в части её физической концентрации в нём.

Таблица 1.11 - Группы показателей для анализа региональной отраслевой специализации

^^Характеристика ^---.показателя Показатели ^^ Статические показатели Динамические показатели

Абсолютный объём отрасли Относительный объём отрасли Абсолютный прирост объёма отрасли Темп роста объёма отрасли

Показатели, характеризующие объём отрасли в регионе Представленность отрасли в регионе в абсолютных единицах Представленность отрасли в регионе по сравнению с другими регионами Прирост представленности отрасли в регионе в абсолютных единицах Темпы роста объёма отрасли

Показатели, характеризующие производительнос ть отрасли в регионе Величина производительнос ти отрасли в регионе в абсолютных единицах Величина производительнос ти отрасли в регионе по -сравнению с другими регионами Прирост производительнос ти отрасли в абсолютных единицах Темпы роста производительнос ти отрасли

Составлено автором

Разделение показателей на абсолютный рост и темп роста позволяет оценить изменение объёма отрасли не только в абсолютном, но и в относительном измерении.

Уровень производительности также может измеряться с помощью показателей, отражающих статическое состояние отрасли, и с помощью показателей, отражающих динамические изменения состояния отрасли.

Разделение показателей производительности на абсолютные и относительные также необходимо для того, чтобы была возможность сравнивать уровень производительности различных отраслей между собой, руководствуясь в том числе и степенью выраженности уровня

производительности отрасли в регионе по сравнению с обще региональным уровнем производительности, общенациональным и среднеотраслевом.

Разделение показателей производительности на абсолютный прирост и темп роста позволяет оценить изменение производительности отрасли не только в абсолютном, но и в относительном измерении. Это позволит сделать более полный вывод о тенденциях изменения производительности отрасли в регионе.

Таким образом, представленные группы показателей позволяют более полно описать различные аспекты специализации региона.

Рассмотрим более подробно систему показателей анализа региональной отраслевой специализации. Рассмотрим показатели, характеризующие объём отрасли в регионе (см. Таблица 1.12).

Таблица 1.12 - Показатели характеризующие объём отрасли в регионе

^Характеристика ^ч показателя Показатели Показатели, характеризующие объём отрасли в регионе

Статические показатели Динамические показатели

Количество Относительная концентрация Цепной абсолютный прирост Базисный абсолютный прирост Цепной темп роста Базисный темп роста

Количество занятых в отрасли FLQ Figt F? Figt F? Figto Figt F? Figto

Объём инвестиций в отрасль ЬдЬ ,LQ 1 igt 1 igt I? 1igto 1 igt I? igto

Объём выручки отрасли cLQ sigt sigt sigto sigt sigto

Составлено автором

Количество занятых является одним из самых распространенных показателей, используемых для анализа объёма отрасли в регионе. Так, Е^,

Е1дг, используются как Европейской кластерной обсерваторией, так и

рядом других ученных. Однако, цепные и базисные индексы практически не используются. Их включение позволит более полно оценивать динамику изменения региональной отраслевой специализации.

Ещ£ - количество занятых в отрасли I региона g в год I, чел.; Еи - количество занятых в отрасли I во всех регионах в год I, чел.; Ед1 - количество занятых в регионе g по всем отраслям в год чел.;

41

Ег - количество занятых в год t по всем отраслям всех регионов, чел.;

Е^дг - цепной абсолютный прирост количества занятых в отрасли г региона g в год t по отношению к году и1, чел.

Е?дг = ЕЬдг — ЕЬдг-1 1.2

Е^дг„- базисный абсолютный прирост количества занятых в отрасль г региона g в год t по отношению к году to, чел.

Еьдг = ЕЬдг — Е1дго 13

Ед - цепной темп роста количества занятых в отрасль г региона g в год t по отношению к году и1, раз

Ед = Е 14

Е*д<о - базисный темп роста количества занятых в отрасль г региона g в год t по отношению к году t0, раз

Едо = р 10

Е1дго

Е{дг - коэффициент локализации (относительной концентрации) количества занятых в отрасли г региона g в год t по отношению к году t0, раз

= Ы 16

Объем выручки, также, довольно редко используется для анализа региональной отраслевой специализации, хотя позволяет определить регионы, в которых в денежном выражении сконцентрировано производство готовой продукции по исследуемому виду деятельности.

- объём выручки отрасли г региона g в год t, млн. руб.;

- объём выручки отрасли г во всех регионах в год t, млн. руб.;

Бдг - объём выручки региона g по всем отраслям в год t, млн. руб.;

- объём выручки в год t по всем отраслям всех регионов, млн. руб.;

Б^дг - цепной абсолютный прирост объёма выручки отрасли г региона g в год t по отношению к году М, млн. руб.

51дг = Б1дг — 51дг-1 1.7

Б^дг0- базисный абсолютный прирост объёма выручки отрасли г региона g в год t по отношению к году t0, млн. руб.

51дг= 51дг- 51дЬо 1.8

- цепной темп роста объёма выручки отрасли г региона g в год t по отношению к году и1, раз

с.

51дг п 19

51дг-1

51£го - базисный темп роста объёма выручки отрасли г региона g в год t по отношению к году t0, раз

с.

1.10

- коэффициент локализации (относительной концентрации) объёма выручки отрасли г региона g в год t по отношению к году t0, раз

_ 51дг ,5и

5д~5дг/!!1 111

Объем инвестиций, также, довольно редко используется для анализа региональной отраслевой специализации, хотя позволяет определить регионы, которые желают усилить региональную отраслевую специализацию.

Ьдг - объём инвестиций в отрасль г региона g в год t, млн. руб.;

11г - объём инвестиций в отрасль г во всех регионах в год t, млн. руб.;

1дг - объём инвестиций в регионе g по всем отраслям в год t, млн. руб.;

I г - объём инвестиций в год t по всем отраслям всех регионов, млн. руб.;

11д г - цепной абсолютный прирост объёма инвестиций в отрасль г региона g в год t по отношению к году и1, чел.

I Ьд г = Ьдг Ьд1-1 1.12

базисный абсолютный прирост объёма инвестиций в отрасль / региона g в год t по отношению к году чел.

^д г = Ьдг — Ьдго 113

1Тдг - цепной темп роста объёма инвестиций в отрасль I региона g в год t по отношению к году и1, раз

Ч 114

11дЬ-1

1Тдг0 - базисный темп роста объёма инвестиций в отрасль I региона g в год t по отношению к году 1о, раз

Ч 1.15

11д ^о

^дг - коэффициент локализации (относительной концентрации) объёма инвестиций в отрасль I региона g в год t по отношению к году о раз

1^=!ш1/!и 116

V 116

Рассмотрим показатели, отображающие производительность отрасли в регионе (см. Таблица 1.13).

Средняя заработная плата используется в качестве индикатора производительности, так как предполагается, что заработная плата, являясь основной формой компенсации труда работника, стимулирует его к повышению его выработки и является отражением его уровня производительности [82].

- средняя заработная плата в отрасли I региона g в год t, руб.; - средняя заработная плата в отрасли I во всех регионах в год t, млн.

руб.;

Шдг - средняя заработная плата в регионе g по всем отраслям в год t, млн.

руб.;

Щг - средняя заработная плата в год t по всем отраслям всех регионов, млн. руб.;

Щд® - коэффициент локализации (относительной концентрации) средней заработной платы в отрасли I региона g в год t по отношению к году to, раз.

1.17

Таблица 1.13 - Показатели для анализа производительности отрасли в регионе

^Характеристика Показатели, характеризующие производительность отрасли в регионе

N. показателя Статические показатели Динамические показатели

Показатели Количество Относительная концентрация Цепной абсолютный прирост Базисный абсолютный прирост Цепной темп роста Базисный темп роста

Размер средней заработной платы в отрасли W „ vvigt wLQ igt vvigt ''За "з

Объём

инвестиций на одного занятого в IEigt 1elq 1 Elgt IEЛ 1 Eigt IР^ 1 РЗа I р? I р? 1 р191а

отрасли

Объём выручки на одного занятого в SEigt cVLQ igt SEigt 5ЕЗа ЪР? ОРз

отрасли

Составлено автором

- цепной абсолютный прирост средней заработной платы в отрасли I региона g в год t по отношению к году руб.

Щ^ = Щ1дг-Щ19г-1 1.18

Щ^зг„- базисный абсолютный прирост средней заработной платы в отрасли I региона g в год t по отношению к году и, руб.

Щ9г = Щ9г-Щ19г0 1.19

Щ1дг- цепной темп роста средней заработной платы в отрасли I региона g в год t по отношению к году и1, раз

1.20

9 Щ^зг-х

Щ^о- базисный темп роста средней заработной платы в отрасли / региона g в год t по отношению к году tо, раз

ЩТ = 1 21

^ 1.21

Средний объем инвестиций на одного занятого в отрасли, также, является мерой производительности в том смысле, что регион, желающий повысить уровень специализации на конкретном виде деятельности, будет стимулировать увеличение средних инвестиций.

IЕщ г- объём инвестиций на одного занятого в отрасли I региона g в год ^ млн. руб.;

I Е^г - объём инвестиций на одного занятого в отрасли I во всех регионах в год t, млн. руб.;

IЕд г - объём инвестиций на одного занятого в регионе g по всем отраслям в год t, млн. руб.;

I Е{ - объём инвестиций на одного занятого в год t по всем отраслям всех регионов, млн. руб.;

1 1ЕдЬ/ 1Ег 122

IЕ4д ъ - цепной абсолютный прирост объёма инвестиций на одного занятого в отрасль I региона g в год t по отношению к году и1, млн. руб.

I Е^д г = I Е{д1 — I Е1д{-1 1.23

I Е-^^- базисный абсолютный прирост объёма инвестиций на одного занятого в отрасль I региона g в год t по отношению к году t0, млн. руб.

I Е4д г = I Е^ — I Ещ ¿о 1.24

IЕТд г- цепной темп роста объёма инвестиций на одного занятого в отрасль I региона g в год t по отношению к году и1, раз

три _ 1 * Ь1д --125

IЕТд ъо- базисный темп роста объёма инвестиций на одного занятого в отрасль I региона g в год t по отношению к году tо, раз

^0=^ 1.26

- коэффициент локализации (относительной концентрации) объёма инвестиций на одного занятого в отрасль I региона g в год t по отношению к году t0, раз.

1.27

Средняя производительность труда в отрасли является мерой производительности, так как показывает уровень выработки одного работника в денежном эквиваленте.

БЕ^д г- средняя производительность труда в отрасли I региона g в год t, млн. руб.;

- средняя производительность труда в отрасли I во всех регионах в год t, млн. руб.;

БЕд1 - средняя производительность труда в регионе g по всем отраслям в год ^ млн. руб.;

БЕ( - средняя производительность труда в год t по всем отраслям всех регионов, млн. руб.;

сгмг _ БЕ1д1 ;5Еи

ЬЬы = БЕд,' БЕг 128

- цепной абсолютный прирост средней производительности труда в отрасли I региона g в год t по отношению к году М, млн. руб.

ЗЕ^дЬ = — 5Е1д£-1 1.29

о- базисный абсолютный прирост средней производительности труда в отрасли I региона g в год t по отношению к году t0, млн. руб.

= — БЕ1д1о ОО

БР« цепной темп роста средней производительности труда в отрасли

I региона g в год t по отношению к году и1, раз

ЧР-

ср« _ ^ 1 п-,

0- базисный темп роста средней производительности труда в отрасли I региона g в год t по отношению к году t0, раз

« _ Бр191

ЬР9а-Т^~ 132

- коэффициент локализации (относительной концентрации) средней производительности труда в отрасли I региона g в год t по отношению к году t0, раз.

сс-д? _ БРд /Бра 1 оо

БРдг* БР, 133

Таким образом, разработанная система показателей учитывает

недостатки предыдущих методик и систем и компенсирует их за счёт

расширения числа используемых показателей и их разграничения на

различные группы: динамические и статические, показатели

характеризующие объём и производительность отрасли в регионе. Данная

система показателей может в дальнейшем лечь в основу системы мониторинга

региональной отраслевой специализации, а результаты эконометрического

моделирования взаимосвязей могут стать основой для компьютерного

моделирования региональных систем.

1.4. Анализ инструментов мониторинга и моделирования

региональных систем

Развитие, распространение и прикладное использование цифровых

технологий для обеспечения поддержки процессов принятия решений

является одним из направлений, развивающихся в контексте перехода к

цифровой экономике [174, 201, 204, 222]. Технические решения в рамках

данного направления направлены на реализацию информационно -

аналитических систем поддержки управленческих решений на всех уровнях

48

социально - экономической системы: отдельных индивидов [214], предприятий [166], кластеров [254] или отраслей [153], регионов [216], стран [154]. Таким образом, становится необходимым как разработка специализированных систем поддержки принятия решений и управления для каждого уровня социально - экономической системы, так и проведения исследований с целью оценки параметров влияния экзогенных и эндогенных факторов на моделируемые показатели [204].

На международном уровне существует несколько проектов, которые осуществляют мониторинг развития ключевых отраслей и кластеров.

Актуальность разработки системы обусловлена необходимостью осуществления мониторинга и анализа развития региональных кластеров с целью оценки влияния отдельных отраслевых и национальных программ на их развитие [204]. При этом, данная система должна позволять в автоматическом режиме проводить идентификацию латентных кластеров, расположенных на территории региона, поддержка которых должна осуществляться наряду с поддержкой кластеров, созданных государством [204]. На сегодняшний день подобная система существует в США [61] и ЕС [126], однако в России она не реализована [204]. Кроме того, большинство исследований, сфокусировано на рассмотрении отдельных кластеров в отдельных регионах (см., к примеру, работы следующих авторов: Манукян М.М. [100], Немченко Г.И. и Лузина Т.В. [112], Морозова М.А. [219], Ларичкин Ф.Д. и др. [91], Горовой А.А. [215] и др.) и отдельных отраслей в регионах (Будрина Е.В. [168], Кобзев В.В. [196], а не на комплексном анализе состояния региональной кластерной структуры в России как, например, в работах Кудрявцевой Т.Ю. [203, 207], Исланкиной Е.А. [74], Земцова С.П. [189].

Исследование региональных кластеров является популярным

направлением исследований в региональной экономике [14, 160, 164]. В

основе данных исследований лежит три взаимосвязанные идеи. Первая идея

была заложена в работе Хейга [60], анализировавшего структуру городской

экономики и выделявшего на основании анализа значений «коэффициента

49

локализации» (относительной концентрации) отдельных видов деятельности базовую часть экономики, осуществляющую вклад в экономику региона за счёт экспорта, и не базовой части экономики региона, поддерживающей базовую. В дальнейшем, данная идея была развита в работах М.Портера [124], который использовал таблицы затрат - выпуск для определения связанных между собой видов деятельности, идентификации экономических кластеров [40, 125] а также картографирования данных кластеров [61]. Таким образом, сочетание трёх идей, а именно: определение статистических параметров, отражающих концентрации видов деятельности на заданной территории, определение связей между видами деятельности и их объединение в кластеры, а также автоматизация их расчётов и картографирование их на региональном уровне - определило современное положение кластерной теории.

|_осайоп СЗиойепЫп ВюрИагтасеи^са^СШЛег ^^^^^^^^^^^

ЬуЯгИ,201« тей=0.64 4.40

Рисунок 1.2 - Локализация биофармацевтического кластера в штатах США в период в 2016 гг. [62]

Рисунок 1.3 - Специализация регионов ЕС: биофармацевтические кластеры в 2016 г. [126, р. 33]

СПЕЦИАЛИЗАЦИЯ КЛАСТЕРОВ ▼ | | УРОВЕНЬ ОРГАНИЗАЦИОННОГО РАЗВИТИЯ ▼ | | ЧИСЛО УЧАСТНИКОВ ▼ | | СТАТУС КЛАСТЕРА ▼ |

море Лаптевых

ВосточноСибирское море

Уровень организационного развития

^^ Начальный ^^ Средний } Высокий

Статус кластера

П Пилотные инновационные территориальные кластеры

П Промышленные кластеры

171 Кластеры, поддерживаемые ЦКР

Рисунок 1.4 - Специализация регионов России: биофармацевтические

кластеры в 2020 г. [68] При этом, если первым двум идеям уделяется высокое внимание в научной литературе (см., к примеру, работы: [72, 83, 117, 142]), то вопросам автоматизированного расчёта и последующего картографирования результатов анализа динамики развития кластеров для целей мониторинга и

разработки кластерной политики посвящено только два крупных проекта: US Cluster mapping (см. Рисунок 1.2) [61] и European cluster initiative (см. Рисунок 1.3) [82]. В России также есть проект «Российская кластерная обсерватория» [68], однако, в отличии от аналогичных проектов в США и ЕС, он предоставляет информацию только о расположении и основных результатах деятельности кластеров, признанных государством. Таким образом, в отечественном проекте не уделяется внимание анализу и идентификации неявных кластеров, т.е. общей структуры экономики регионов

Национальные цели и стратегические задачи развития Российской Федерации на период до 2024 года, установленные в Указе Президента от 07.05.2018 г., определяют необходимость активизации инновационной деятельности в реальном секторе экономики как основы разрешения социально-экономических проблем за счет прорывного научно-технологического развития и развития цифровых технологий. Потребность в развитии цифровых технологий и внедрения их в реальные секторы экономики региона влечет развитие инновационной экосистемы региона, а, следовательно, и всей страны в целом. Также это важно для определения наиболее эффективного плана мероприятий в регионах во исполнение СНТР, программы Цифровая экономика, НТИ, майских указов Президента РФ и других стратегических документов. Вхождение Российской Федерации в число пяти крупнейших экономик мира требует эффективного и устойчивого развития регионов РФ. Для развития региональной инновационной системы важна возможность оценки последствий от принимаемых решений в части влияния тех или иных запланированных мероприятий на состояния субъектов системы в будущем. В этой связи построение цифровой модели региональных систем, которая как минимум должна отражать экономические, а как максимум социальные, инновационные, экологические и др. аспекты развития экономики региона, является актуальным. Несмотря на то, что данное направление исследования является довольно перспективным, последние

разработки в этой сфере датируются 2011 годом и старше и состоят из следующих патентных разработок:

• RU 118 777 и1 «Информационная система мониторинга информационного развития региона» (2011) основной концепцией которого является разработка модели обработки данных в части представления информации в виде автоматизированной системы управления, т.е. система состоит из взаимосвязанных подсистем, выполняющих специальные функции [226];

• RU 49 295 и1 «Интегрированная система управления региональной структурой» (2005) - ключевой идеей данной разработки является построение интегрированной системы управления региональными структурами, основывающаяся на различных базах данных, охватывающих все сферы экономики региональной структуры [210];

• RU 91 452 и1 «Прогнозно-аналитическое устройство для кратко- и среднесрочного прогнозирования социально-экономического развития региона» (2009) данное изобретение решает вопрос исследования социально-экономического развития региона за счет сбора, обработки и своевременной актуализации данных о состоянии элементов системы для среднесрочного прогнозирования состояния региональной структуры, а источником наполнения системы анализа в данном случае являются официальные статистические источники [252];

• RU 2 439 684 С «Интегрированная система информационно -аналитического обеспечения, способ мониторинга, анализа и прогнозирования сфер жизнедеятельности региона РФ с использованием интегрированной системы информационно-аналитического обеспечения, машиночитаемый носитель» (2009) в рамках этой патентной разработки предполагается выстраивание информационно-аналитической системы позволяющей получить

мгновенный доступ к интересующей информации для извлечения, обработки и сохранения данных в виде индивидуальных баз данных [253];

• RU 88 464 и1 «Аппаратно-программный комплекс территориальной информационной системы» (2009) - в рамках этого подхода предполагается, что муниципальный уровень состоит из двух ядер -нормирующего и интегрального уровня - которые в свою очередь объединены в систему принятия решений, а также надсистемы, которые оборудованы автоматизированными средствами сбора и анализа входящей информации, что дает возможность автоматизировать процесс принятия решений на уровне муниципального образования [156].

Таким образом, новых разработок в данном направлении зарегистрировано в последние 8 лет на территории России не было, несмотря на развитие потенциала компьютерных систем. Большинство из вышеперечисленных патентных разработок основаны на формировании информационных баз данных и позиционируют себя как системы, позволяющие прогнозировать уровень дальнейшего развития муниципальных и региональных структур, а часть из них - управлять развитием региона, однако не реализована необходимая инфраструктура для оценки принятия решений на региональном уровне в качестве инструментария, позволяющего смоделировать дальнейшее развитие социально-экономической системы относительно изменения параметров одного из субъектов системы. Кроме того, существенным недостатком всех представленных систем является то, что они выстроены на основании заранее определенных моделей и весов, которые, в большинстве случаев, были выбраны экспертным образом, а не эмпирическим.

Как следствие, актуальным является разработка программных средств,

которые позволят заполнить пробел в части разработки аналитических и

прогностических информационных систем региональной экономики и

54

позволит осуществлять моделирование с учетом выявленные в рамках исследования взаимосвязей между показателями развития региональных инновационных систем, отраслевой структуры экономики и параметрами развития региона.

ВЫВОДЫ ПО ГЛАВЕ 1

Таким образом, в главе 1 автор систематизировал теоретические и методические положения региональной отраслевой специализации, разработал систему показателей, с помощью которой можно провести анализ региональной отраслевой специализации.

Вначале, автор провел анализ литературных источников с целью определения теоретической базы региональной отраслевой специализации и уточнения этого понятия. Было выявлено, что истоки региональной отраслевой специализации лежат в двух основных блоках теорий: международной торговли и пространственного размещения. Региональная отраслевая специализация взяла из теории международной торговли идею необходимости наращивания концентрации предприятий экспорт ориентированных высокотехнологичных отраслей в регионе, а из теории пространственного размещения идею о получении регионом сопутствующих эффектов концентрации отраслей и/или диверсификации экономической структуры регионов. Таким образом, автор уточнил понятие региональной отраслевой специализации и определил её как степень концентрации (локализации) отраслей в регионе.

Также автор проанализировал теорию, касающуюся анализа и идентификации сопутствующих эффектов расположения отраслей, а именно: МЭР эффектов, Эффектов Джейкобс и Эффектов Портера. Автор определил показатели, которые используются в различных исследованиях для оценки влияния отраслей на показатели регионального развития. Также, было выявлено, что в зависимости от выборки (устройства экономических систем анализируемых объектов), конкретных индикаторов, выбранных в качестве

зависимых и независимых переменных, и конкретных отраслей, и кластеров, по которым проводится анализ, результаты идентификации и оценки влияния сопутствующих эффектов отраслей могут варьироваться. Таким образом, обосновывается необходимость для проведения отдельных исследований, направленных на оценку сопутствующих эффектов региональной отраслевой специализации.

Отдельное внимание автор уделил теории и практике использования коэффициента локализации в исследованиях, посвященных региональной отраслевой специализации. В частности, был выделен двухмерный подход к совместной интерпретации показателей LQ и прироста занятости. Также, было показано, что различные исследователи выделяют разные пограничные значения коэффициента локализации, по преодолению которых отрасль достигает достаточной критической массы для генерации положительных эффектов. Показано, что в большинстве случае пограничное значение устанавливается экспертным образом и претендует на то, чтобы быть унифицированным для всех отраслей и регионов. Однако, автор отмечает, что необходима как разработка математического метода для его определения, так и его оценка для каждого конкретного случая, так как разные отрасли в разных социально экономических системах могут достигать критической массы при различных пограничных значениях коэффициента локализации.

Далее автор предлагает систему показателей для анализа региональной отраслевой специализации. Данная система характеризует региональную отраслевую специализацию отрасли с помощью показателей, характеризующих объём и производительность отрасли в регионе. С помощью системы показателей может проводиться анализ занятости, объёмов инвестиций, выручки, средней заработной платы, инвестиций на одного занятого и производительности труда в отрасли. Система включает динамические и статические показатели.

В конце проводится анализ инструментов мониторинга и моделирования

региональных систем. Обосновывается необходимость разработки

56

инструментария, который позволил бы в автоматическом режиме проводить моделирование и анализ региональной отраслевой специализации.

2. ЭКОНОМЕТРИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ АНАЛИЗА РЕГИОНАЛЬНОЙ ОТРАСЛЕВОЙ СПЕЦИАЛИЗАЦИИ 2.1. Методика эконометрического моделирования и анализа пространственных панельных данных

Регрессионный анализ предназначен для исследования зависимости исследуемой переменной от различных факторов и отображения их взаимосвязи в форме регрессионной модели [158, 180, 194, 233]. В параграфе кратко изложены основные предпосылки эконометрического моделирования, представлены методы оценки параметров сквозной регрессионной модели, регрессионной модели панельных данных с фиксированными и случайными эффектами, регрессионной модели пространственных панельных данных с фиксированными и случайными эффектами. Далее автор предлагает методику эконометрического моделирования и анализа пространственных панельных данных.

Цель эконометрического исследования состоит в оценке неизвестных параметров модели и интерпретации полученных взаимосвязей с учетом результатов проверок выполняемости предположений классической регрессии и имеющейся в распоряжении исследователя теории [44, 162, 180].

Таким образом, «получаемые оценки параметров регрессионной модели должны быть наилучшими линейными несмещенными оценками. Под наилучшей оценкой подразумевается наиболее эффективная, то есть та, у которой дисперсия ошибок минимальна. Под несмещенными оценками понимаются оценки, которые остаются неизменными при осуществлении повторной выборки. Под линейными подразумевается оценки, которые отражают постоянный вклад независимой переменной в зависимую. Также, существует условие состоятельности оценок регрессионного уравнения, которое заключается в том, что при увеличении объёма выборки значение оценок параметров регрессии будет приближаться к истинному значению параметров регрессии» [194, 208, 233].

Для получения этих оценок необходимо соблюдать основные предпосылки линейной классической модели регрессии (см. Приложение 1). Если возможно, то необходимо провести корректирующие действия. Если корректировка невозможна, то необходимо оценить, как невыполнение условий влияет на результат моделирования [233].

Первое предположение (А1) классической линейной регрессии заключается в том, что модель должна быть корректно специфицирована. Корректная спецификация означает, что выбрана правильная функциональная форма модели и что в неё включены те факторы, которые необходимы и не включаются избыточные или нерелевантные факторы.

Второе предположение (А2) классической линейной регрессии состоит в том, что у модели должен быть полный ранг. То есть столбцы X должны быть линейно независимы друг от друга.

Третье предположение (А3) классической линейной регрессии -экзогенность независимых переменных. Предполагается, что математическое ожидание случайных шоков равно нулю.

Четвертое предположение классической линейной регрессии (А4) касается дисперсий и ковариаций случайных шоков. Гомоскедастичность случайных ошибок предполагает, что дисперсия случайных шоков будет постоянна. А условие некоррелированности ошибок состоит в том, что предполагается отсутствие систематической связи между значениями случайной ошибки в любых двух наблюдениях.

Предположение о нормальности распределения ошибок (А5) часто используется одновременно с условиями Гаусса-Маркова. Ошибки имеют совместное нормальное распределение с параметрами: математическое ожидание - 0, дисперсия - о2 .В терминах зависимой переменной условие нормальности распределения ошибок означает, что значения у также распределены по нормальному закону с параметрами: математическое ожидание - 0, дисперсия - а2.

Перейдём к описанию методики эконометрического моделирования пространственных панельных данных. Данная методика формализует этапы проведения эконометрического анализа в части формализации гипотез исследования, проверок основных предпосылок эконометрического моделирования, построения эконометрических моделей в определенной последовательности: от моделей сквозных регрессий, на которые накладывается наибольшее количество ограничений, до моделей пространственных панельных данных, которые учитывают пространственных и панельных эффектов. Также, методика включает последовательность выполнения различных тестов, необходимых для проверки предпосылок эконометрического моделирования, и перечень статистик, которые позволяют сравнивать модели между собой. Рассмотрим подробнее представленную методику (см. Рисунок 2.1) [234].

На первом этапе проведения необходимо проанализировать и систематизировать теорию, выявить гипотезы, определить зависимые и независимые переменные модели. Далее необходимо формализовать гипотезы и на основании этого определить спецификацию эконометрических моделей. Основная методическая проблема, возникающая на этом этапе, состоит в определении прокси переменных, которые отражают проверяемые теоретические положения. Данные переменные должны исходить из теории, а экзогенные переменные на должны являться линейной комбинацией друг друга (предпосылка А2 (строгая мультиколлинеарность)) [234].

1.1. Проведение анализа литературы 1.2. Формализация гипотез 1.3. Определение спецификации модели

О

2. Сбор данных и их подготовка к анализу

2.1. Сбор данных 2.2. Объединение данных 2.3. Проверка данных на ошибки и пропуски

3. Предварительный анализ данных

3.1. Анализ описательной статистики 3.2. Проверка предпосылки А1 (линейность) 3.3. Проверка на выполнение предпосылки А2

4. Построение и анализ моделей сквозной регрессии

4.1. Моделирование 4.2. Проверка предпосылок А1 (спецификация), А3-А5 4.3. Сравнение моделей между собой

5. Построение и анализ моделей панельных данных со случайными и фиксированными эффектами

5.1. Моделирование 5.2. Проверка предпосылок А1 (спецификация), А3-А5 5.3. Сравнение моделей между собой

6. Построение и анализ моделей панельных пространственных данных со случайными и фиксированными эффектами

6.1. Моделирование 6.2. Проверка предпосылок А1 (спецификация), А3-А5 6.3. Сравнение моделей между собой

7. Сравнение моделей и интерпретация результатов моделирования

Составлено автором Рисунок 2.1 - Общая методика проведения эконометрического анализа

пространственных панельных данных

На втором этапе необходимо провести сбор данных, их подготовку и объединение. Основной проблемой на данном этапе является сопоставление и объединение данных из разных ресурсов и за разные временные промежутки. Это связано с тем, что, во - первых, когда анализируются пространственные панельные данные, необходимо, чтобы не было пропущенных значений переменных в наборе данных. То есть панели должны быть сбалансированными. В противном случае оценить параметры моделей, включающих пространственные эффекты, будет невозможно. Также, в случае сопоставления данных из разных источников вручную, необходимо потратить много времени на объединение данных, что, также, может привести к возникновению ошибок. Проверка на ошибки является неотъемлемой частью подготовки данных к анализу, так как, если эти ошибки не будут выявлены на первоначальном этапе, то это может привести в дальнейшем к смещению оценок параметров регрессии [234].

Этап предварительного анализа данных начинается с анализа описательной статистики с целью определения основных характеристик распределения интересуемых нас переменных. Как правило, на данном этапе проводится анализ средних значений переменных, минимальных и максимальных значений, медианы, дисперсии и стандартного отклонения, распределения анализируемых переменных, эксцесса и асимметрии. Оценка основных характеристик распределения анализируемых переменных позволяет получить предварительные результаты, описывающие основные закономерности переменных. Часто проводится сравнение на предмет соответствия распределения исследуемых показателей нормальному [234].

В случае с анализом пространственных данных, также, проводится анализ пространственной автокорреляции с помощью глобального и локального индексов Морана.

Рассмотрим каждый из этих инструментов подробнее.

Математическое ожидание (начальный момент случайной величины) -

среднее значение случайной величины (распределение вероятностей

62

стационарной случайной величины) при стремлении количества выборок или количества измерений (иногда говорят - количества испытаний) её к бесконечности. Оценку среднего значения случайной величины можно провести с помощью следующей формулы 2.1:

N

? = i& 21

¿=1

Среднее значение чувствительно к выбросам и асимметрии распределения. Таким образом, если выборка не нормально распределена, то среднее значение, мода и медиана не будут равны между собой.

Медиана - число, которое по своему значению больше одной половины выборки и меньше другой половины выборки, то есть это значение переменной, которое находится ровно посередине, если значение переменной отсортировать либо по возрастанию, либо по убыванию. Медиана является более информативной величиной, чем среднее в случае, если распределение является асимметричным, то есть ненормальным.

Дисперсия (центральный момент случайной величины) (variation) -характеристика случайной величины, определяемая как математическое ожидание квадрата отклонения случайной величины от ее математического ожидания; мера разброса значений случайной величины относительно её математического ожидания. Несмещенная оценка дисперсии случайной величины может быть вычислена с помощью следующей формулы 2.2:

^N „-Л 2

g=i(y;-y)2 22

о}, =

N - 1

Среднеквадратическое отклонение (standart deviation) — в теории вероятностей и статистике наиболее распространённый показатель рассеивания значений случайной величины относительно её математического ожидания.

Среднеквадратическое отклонение измеряется в единицах измерения

самой случайной величины и используется при расчёте стандартной ошибки

63

среднего арифметического, при построении доверительных интервалов, при статистической проверке гипотез, при измерении линейной взаимосвязи между случайными величинами. Несмещенная оценка среднеквадратического отклонения можно получить с использованием следующей формулы 2.3:

ау =

\

ъыуг-у)2 2.3

N-1

Среднеквадратичное отклонение полезно, если распределение переменной соответствует нормальному или близко к нему.

Асимметрия - характеризует степень несимметричности (скоса) распределения относительно его среднего. Несмещенная (выборочная) оценка коэффициента асимметрии случайной величины записывается с помощью формулы 2.4:

М Л, _ -тЛЗ

_/ N - У)3

71 [^-1)^-2)) а3 2

ау

Коэффициент эксцесса (коэффициент островершинности) в теории вероятностей — мера остроты пика распределения случайной величины. Несмещенная (выборочная) оценка коэффициента эксцесса случайной записывается с помощью формулы 2.5:

/ N(N + 1) \Щ==1(У1>- У)4 3^-1)2 ^

72 -1)^-2)^-3)) а4 (N-2)^-3) .

Гистограмма используется для графического представления распределения вероятностей значений случайной величины. По горизонтальной оси откладывают интервалы значений случайной величины, а по вертикальной - вероятность или частоту попадания случайной величины в заданные интервалы. Функция плотности нормального распределения используется для того, чтобы определить форму распределения случайной величины. Функция плотности строится по следующей формуле 2.6:

п п

1 ^ 1 ^ X — X;

2.6

1=1 1=1 В основе оценивания параметров пространственной регрессии лежит пространственная автокорреляция [224]. Рисунок 2.2 демонстрирует три различных паттерна пространственной корреляции: наличие сильной положительной автокорреляции, сильной отрицательной автокорреляции и её отсутствие, то есть случайное расположение объектов друг относительно друга [234].

Составлено автором

Рисунок 2.2 - Иллюстрация автокорреляционных паттернов

С помощью глобального Индекса Морана можно оценить наличие или

отсутствие пространственной корреляции по всей выборке в целом [90, 224,

228]. Глобальный индекс Морана рассчитывается по формуле 2.7:

¡г. =

N

X

^¿Еу^у (х^ х) (Ху х)

— Х)2

2.7

Также, можно вычислить локальный индекс Морана (LISA - Local Index Spatial Autocorrelation) для каждого наблюдения в выборке [2, 86]. Локальный индекс Морана рассчитывается по формуле 2.8:

(Xi — х) wu (х,- — х)

kisa = N х lJ}J-- 2.8

h(xi — х)2

В формулах 2.7 и 2.8 и используются следующие обозначения: N - число регионов; wl j - элемент матрицы пространственных весов для регионов i и j; X - среднее значение показателя; х - анализируемый показатель. Гипотеза о равенстве пространственной автокорреляции нулю проверяется с помощью z - статистики.

Матрица пространственных весов количественно характеризует пространственные отношения, существующие между объектами в наборе данных. Есть множество различных вариантов составления матрицы пространственных весов, однако, в рамках этой работы будут рассматриваться два основных варианта: матрица обратных географических расстояний, где

wij = 1 для регионов i и j, i ^ j, где d - географическое расстояние между центроидами регионов, и матрица смежных регионов, где w^ = 1 для регионов i и j, j, имеющих общую сухопутную границу, для остальных регионов - 0.

Для визуализации пространственной автокорреляции используется диаграмма Морана. По оси ординат откладываются значения пространственного фактора Wz, а по оси абсцисс z-оценки исследуемого показателя. На диаграмме отображается линия регрессии Wz на z, наклон который равен коэффициенту общей пространственной автокорреляции I при стандартизированной матрице весов [224].

Сочетая анализ результатов оценки локального индекса Морана и диаграммы Морана, можно разделить регионы на 4 группы. Внутри каждой группы можно определить регионы, со статистически значимыми оценками

локального индекса Морана. Группы регионов определяются на основании значений величин Wz и z.

Так, если Wz >0 и z > 0, то регион относится к категории HH (HighHigh), то есть и значения показателя в исследуемом регионе, и в окружающих его регионах высокие. Противоположная ситуация возникает, когда Wz <0 и z < 0, то есть значения показателя в исследуемом регионе, и в окружающих его регионах низкие. В этом случае регион относится к категории LL (Low-Low). В обоих этих случаях автокорреляция положительная и наблюдается кластеризация регионов по исследуемому показателю (более сильные регионы локализируются с более сильными, а более слабые со слабыми) .

Противоположная ситуация возникает, когда Wz <0 и z > 0. В этом случае регион относится к категории HL (High-Low), то есть в исследуемом регионе наблюдаются высокие значения показателя, а в соседних регионах относительно низкие значения показателя. В случае, когда Wz >0 и z < 0, регион относится к категории LH (Low-High), то есть в исследуемом регионе значение показателя низкое, а в окружающих его регионах - высокое. Таким образом, в обоих случаях автокорреляция отрицательна.

Таким образом, на этапе 3.1. проводится детальный анализ статистических параметров распределения исследуемых величин и оценивается пространственная автокорреляция. Эта информация позволяет сделать предварительные выводы об исследуемых показателях и их зависимости друг с другом.

На этапе 3.2. проверка на выполнение предпосылки А1 (линейность). Данный этап проводится в рамках предварительного анализа данных с целью определения функциональной формы, при которой уравнение будет линейным по параметрам, а параметры отражать предельные эффекты изменения зависимых переменных. Для этого необходимо, вначале, построить полное уравнение сквозной регрессии, а потом построить частичные остаточные графики (component plus residual plots) формируются следующим образом: по

Y откладывается сумма остатков полной модели (residuals) и оценки коэффициента регрессии, полученного по модели, умноженного на xt. На диаграмме рассеивания откладываются линия регрессии, полученная в результате оценки модели сквозной регрессии, и линия ядерной регрессии. Если эти две линии совпадают, то считается, что модель линейна по параметрам, а если линия ядерной регрессии значительно расходится с линией сквозной регрессии, то необходимо провести преобразование переменных, чтобы прийти к уравнению линейному по параметрам. Использование частичных остаточных графиков имеет большое преимущество перед обычными диаграммами рассеивания, так как они позволяют посмотреть форму зависимости именно между объясняемой частью зависимой переменной и соответствующей ей переменной.

Потенциально, функциональная форма зависимой переменной может быть любой. Однако, если необходима проверка гипотез и интерпретация полученных результатов, то наиболее популярной трансформацией является трансформация с помощью натурального логарифма (см. Таблица 2.1). Взятие натурального логарифма от зависимой или независимой переменных позволяет оценивать прирост исходного показателя в процентах. При оценке предельных эффектов, обычно, оценивают величину прироста зависимой переменной при увеличении независимой переменной на 1 единицу или 1%. К примеру, если функция логарифмическая, то есть и зависимая, и независимые переменные взяты под знак натурального логарифма, то коэффициент будет показывать эластичность, то есть насколько процентов изменится зависимая переменная, если объясняющая переменная увеличится на 1 процент.

Изменение функциональной формы переменной, также, влияет на

изменение формы распределения и графика рассеивания исследуемой