Эконометрическое моделирование в оценке инвестиционногопотенциала алтайского края

Глобенко Денис, Самсонова Ольга (0710), статья.

Научный руководитель:

ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ В ОЦЕНКЕ ИНВЕСТИЦИОННОГОПОТЕНЦИАЛА АЛТАЙСКОГО КРАЯ

В статье на примере Алтайского края исследуется вопрос выявления факторов, влияющих на инновационную составляющую инвестиционного потенциала. Эконометрическим инструментарием выступают линейные регрессионные модели на панельных данных.

       

Последние десять лет понятие «инвестиционной привлекательности» и непосредственно связанное с ним понятие «инвестиционного потенциала» постоянно находятся в фокусе внимания исследователей. Для целей настоящей работы в достаточной степени адекватным и целесообразным представляется понимание инвестиционной привлекательности как «способности субъекта создавать условия для привлечения инвестиций и их эффективной трансформации в проекты, производство, продукцию и услуги» [1].

Всеми исследователями в качестве одной из составляющих инвестиционного потенциала обязательно рассматривается потенциал инновационный (или так называемый инновационный фактор инвестиционной привлекательности), посредством которого учитывается развитие в регионе научно-технической деятельности.

Для характеристики инновационной деятельности региона с учетом периодичности предоставления соответствующей информации органами государственной статистики нами предлагается использовать следующие показатели: число организаций, выполнявших научные исследования и разработки (х1); численность персонала, занятого научными исследованиями и разработками (х2, чел.), внутренние затраты на научные исследования и разработки (х3, млн. руб.), затраты на технологические инновации (х4, млн. руб), число созданных (y1) и число используемых передовых производственных технологий (y2), инновационная активность организаций(y3, %).При этом первые четыре показателя (х1-х4) характеризуют инновационный потенциал с точки зрения условий и возможностей, имеющихся у региона для осуществления научно-исследовательской деятельности, а оставшиеся три показателя (y1-y3) характеризуют инновационный потенциал с точки зрения результативности научно-исследовательской деятельности.

На рисунках 1-3 и в таблице 1 представлены данные о динамике  показателей инновационного потенциала Алтайского края за период с 2000 по 2010 гг.

Таблица 1 – Динамика числа научно-исследовательских организаций и численности научно-исследовательского персонала

Показатель	Год
2000	2001	2002	2003	2004	2005	2006	2007	2008	2009	2010
число организаций*	31	28	27	30	32	35	40	48	40	40	38
численность персонала**	3427	2941	2919	2980	2870	2732	2775	2731	2267	2054	1955

*число организаций, выполнявших научные исследования и разработки;

**численность персонала, занятого научными исследованиями и разработками

За исследуемый период произошло заметное разукрупнение научно-исследовательских организаций: начиная с 2005 года их количество ежегодно увеличивалось, и составляло в 2010 году 38 организаций (по сравнению с 31 организацией в 2000 году) (таблица 1). При этом численность персонала, непосредственно занятого научными исследованиями и разработками, неуклонно сокращалась (в среднем на 5,3% ежегодно): в 2010 численностьнаучно-исследовательского персонала по всем ведущим разработки организациям составляла всего 57%от численности 2000 года, а в каждой из организаций трудился в среднем 51 человек вместо 111 человек в 2000 году. Описанные тенденции привели к резкому снижению количества создаваемых передовых производственных технологий, которое до 2005 держалось на уровне двенадцати создаваемых технологий ежегодно, а затем резко упало до трех технологий в год (рисунок 1). Сокращалась и инновационная активность организаций (рисунок 3).

Вместе с тем к положительным тенденциям анализируемого периода можно отнести увеличение финансирования научных исследований, рост затрат на технологические инновации и увеличение количества используемых передовых производственных технологий (рисунки 1 и2).

Рисунок 1 – Динамика числа созданных и используемых передовых производственных технологий (Алтайский край, 2000-2010 гг)

Рисунок 2 – Динамика внутренних затрат на научные исследования и разработки и затрат на технологические инновации  (Алтайский край, 2000-2010 гг)

Рисунок 3 – Динамика инновационной активности организаций

(Алтайский край, 2000-2010 гг)

Выясним, насколько тесно связаны друг с другом показатели, характеризующие инновационный потенциал, и насколько сильны их взаимосвязи с другими составляющими инвестиционного потенциала. Существование таких связей при оказании воздействия на одну из составляющих инвестиционного потенциала позволит ожидать мультипликативного эффекта для потенциала в целом. Так, управленческие решения, направленные на увеличение трудового потенциала, при существовании упомянутых взаимосвязей, приведут к росту, например, также и инновационного потенциала. В качестве потребителей такой информации в первую очередь следует указать органы управления, заинтересованные в повышении инвестиционной привлекательности региона.

       В рамках данной работы предлагается проанализировать взаимосвязь инновационного потенциала со следующими показателями: уровень экономически активного населения (с1), среднедушевые доходы населения (с2), доля населения с доходами выше прожиточного минимума (с3), численность студентов в учреждениях высшего профессионального образования на 10 000 человек населения (с4), среднедушевой ВРП (с5), стоимость ОПФ (с6) и степень их износа (с7), число малых предприятий (с8) и доля предприятий с иностранным капиталом (с9). Перечисленные показатели отражают трудовой, потребительский, производственный, институциональный и др. факторы инвестиционного потенциала.

В силу малого количества наблюдений при использовании данных только по Алтайскому краю (всего 11 наблюдений), нами предлагается для ответа на поставленный вопрос обратиться к инструментарию регрессионных моделей на панельных данных [2,3]. Рассматривая данные за интересующий нас период с 2000 по 2010 годпо всем субъектам РФ, входящим в Сибирский Федеральный округ (в том числе и по Алтайскому краю), мы, помимо значительного увеличения объема выборки (132 наблюдения), получим и такие преимущества, какодновременный учет временногои пространственного характера данных и учет ненаблюдаемых индивидуальных особенностей, присущих каждому субъекту СФО.

Поскольку образующие СФО субъектыРФ представляют собой уникальные объекты, оцениваться будут только модели с фиксированными эффектами, общая запись которых имеет вид:

,

где        –  значение результативного показателя для i-го объекта в год t;

–  значение j-го фактора для i-го объекта в год t;

  –  индивидуальные эффекты, постоянные во времени;

– неизвестные коэффициенты, подлежащие оцениванию;

–ошибка;; ;, если или ;;;  ;  .

В результате для числа созданных передовых производственных технологий получена зависимость следующего вида:

Для числа используемых передовых производственных технологий получена зависимость вида:

       

Переменные t6-t10 представляют собой бинарные фиктивные переменные, принимающие значение 1, если наблюдение относится к 2006, 2007, 2008, 2009 или 2010 году соответственно, и 0 в противном случае (отражают ростчисла используемых технологий в указанные годы).

Для инновационной активности организаций получена зависимость вида:

Все построенные модели адекватны выборочным данным,  коэффициенты моделей значимы, во всех случаях гипотеза о равенстве индивидуальных эффектов отвергается. Оценки индивидуальных эффектовпредставлены в таблице 2.

Таблица 2 – Оценки индивидуальных эффектов для регрессионных моделей показателей инновационного потенциала

Субъект РФ	Индивидуальный эффект	Ранг
y1	y2	y3	y1	y2	y3
Республика Алтай	-3.8	-1806.5	8.8	10	12	1
Республика Бурятия	-2.7	-1039.3	4.1	8	8	6
Республика Тыва	-3.5	-1781.9	3.0	9	11	7
Республика Хакасия	-3.8	-1697.3	5.0	11	10	4
Алтайский край	1.6	480.0	5.3	4	5	3
Забайкальский край	-0.1	-1242.9	5.5	6	9	2
Красноярский край	4.5	686.7	-4.3	2	4	10
Иркутская область	-2.1	226.6	0.1	7	6	9
Кемеровская область	3.5	-169.6	4.5	3	7	5
Новосибирская область	9.9	3329.0	-28.5	1	1	12
Омская область	0.8	1934.7	-6.3	5	2	11
Томская область	-4.3	1080.4	2.5	12	3	8

Анализ построенных моделей позволяет сделать ряд выводов.

Во-первых, увеличение внутренних затрат на научные разработки ведет к росту количества создаваемыхпередовых производственных технологий и увеличению инновационной активности организаций. Во-вторых, увеличение количества организаций, выполняющих научные исследования, отрицательно влияет на число используемых передовых технологий. Это позволяет трактовать происходившее в исследуемый период дробление научно-исследовательских организаций как явлениенегативное. В-третьих, увеличение численности персонала научно-исследовательских организаций ведет к росту инновационной активности. В-четвертых, увеличение затрат на технологические инновации положительно влияет на число используемых передовых производственных технологий и на инновационную активность. В-пятых, выявлена взаимосвязь инновационного потенциала с институциональным потенциалом (значимый коэффициент при факторе c9 в модели для y1) и потребительским потенциалом (значимый коэффициент при факторе c3 в модели для y3). В частности, рост институционального потенциала края будет способствовать и росту его инновационного потенциала. В-шестых, рассматривая индивидуальные эффекты как характеристику потенциала Алтайского края относительно остальных регионов СФО с точки зрения числа создаваемых и используемых передовых производственных технологий, а также  инновационной активности организаций, можно оценить потенциал края как выше среднего.

Таким образом, по результатам проведенного исследования выявлены факторы, воздействие на которые увеличит инвестиционный потенциал Алтайского края:  это затраты на внутренние исследования и разработки, затраты на технологические инновации, оптимизация количества научно-исследовательских организаций и численности их персонала, а также развитие институциональной среды.

Литература

1. Как составляется рейтинг инвестиционной привлекательности регионов России [Электронный ресурс]. – Электрон. Текстовые, граф., зв. дан. (11918bytes). – М.: рейтинговое агентство «ЭКСПЕРТ РА», 2012.

2. Hsiao C. Analysisof Panel Data. – Cambridge: Cambridge University Press, 2004. - 366 с.

3.Носко . Кн. 2. Ч. 3, 4: учебник.  – М.: Издательский дом «Дело» РАНХиГС, 2011. – 576 с.