Содержание к диссертации
Введение
ГЛАВА 1 Теоретические основы статистического исследования инвестиционной привлекательности 9
1.1 Активность, потенциал и риск, как составляющие инвестиционной привлекательности 9
1.2 Система статистических показателей, характеризующих инвестиционную привлекательность 21
1.3 Анализ основных методик сравнительной оценки инвестиционной привлекательности 33
ГЛАВА 2 Статистический анализ инвестиций в Оренбургской области 49
2.1 Анализ особенностей экономического развития региона с точки зрения инвестиционной привлекательности 49
2.2 Статистический анализ структуры и динамики инвестиций в регионе 61
2.3 Статистический анализ неоднородности инвестиционного пространства 82
ГЛАВА 3 Совершенствование методики статистиче ского анализа инвестиционной привлекательности 91
3.1 Моделирование зависимостей между показателями, характеризующими инвестиционный потенциал, инвестиционную активность и инвестиционный риск 91
3.2 Ранжирование административно-территориальных образований по уровню инвестиционного потенциала, активности ириска 106
3.3 Построение сводного интегрального показателя, характеризующего уровень инвестиционной привлекательности 119
Выводы и предложения 133
Список использованной литературы
- Система статистических показателей, характеризующих инвестиционную привлекательность
- Анализ основных методик сравнительной оценки инвестиционной привлекательности
- Статистический анализ структуры и динамики инвестиций в регионе
- Ранжирование административно-территориальных образований по уровню инвестиционного потенциала, активности ириска
Введение к работе
Актуальность исследования. Экономический спад, связанный с переходом России к рыночной системе экономических отношений, до сих пор не прёодолён. Наметившийся экономический подъем, как результат оживления инвестиционной деятельности, в большей мере связан с развитием топливно-сырьевого сектора экономики РФ. В то же время в целом нерешенными остаются вопросы развития производства, как в промышленности, так и в сельском хозяйстве: основные фонды большинства российских предприятий изношены, требует обновления структура производства, необходимы изменения как в номенклатуре, так и в качестве товаров ввиду неконкурентоспособности выпускаемой продукции. Решение задачи подъёма реального сектора экономики предполагает проведение активной инвестиционной политики, а это требует анализа такой сложной латентной категории, как инвестиционная привлекательность, которая, в свою очередь, характеризуется также латентными категориями: инвестиционной активностью, инвестиционным потенциалом и инве- '' стиционным риском. Сравнительный анализ инвестиционной привлекательности территорий, необходимый для принятия обоснованных решений по привлечению инвестиций в реальный сектор экономики, требует «измерения» и выявления взаимосвязей указанных латентных категорий, что, в свою очередь, предполагает проведение статистического анализа.
Существенный вклад в развитие методов статистического исследования инвестиционной привлекательности внесли В. Беренс, Г. Бирман, Дж. Бэйли, М.Д. Джонк, А.И. Кривцов, A.M. Могзоев, В С. Мхитарян, Н.Н. Райская, И. Ройзман, В.М. Рябцев, В.А. Толмачев, Г.И. Чудилин, Н.О Чухаджян, У. Шарп, СЕ. Эберле и др. Внимание учёных к различным аспектам инвестиционной привлекательности распределено неравномерно. Подавляющее большинство работ сфокусировано на изучении потенциала и риска, при этом не уделяется внимание изучению инвестиционной активности, как важной составляющей инвестиционной привлекательности. В тех же работах (СЕ. Эберле, А.И. Кривцов), где исследования проводятся в рамках трёх составляющих, инвестиционная привлекательность измеряется недостаточно обоснованно - механическим суммированием оценок активности, потенциала и риска или методом свода мест.
Теоретической и методологической основой исследования послужили труды российских ученых: С.А. Айвазяна, В.А. Балаша, И.И. Елисеевой, Е.В. Заровой, Ю.П. Лукашина, B.C. Мхитаряна, В.А. Сивелькина и др., а также зарубежных ученых: В. Грина, Л. Метьюса, М. Джефри, М. Нерлава.
Изучением инвестиционной привлекательности в регионах занимались Т.А. Косицына, А.И. Кривцов, И.Л. Шашлова. В своих работах авторы отдавали предпочтение анализу состава статистических показателей, динамики инвестиций в регионе, построению интегрального показателя, характеризующего уровень инвестиционной привлекательности. При этом не уделяли должного внимания региональным особенностям: ведь отдельные регионы России сугдест-
венно различаются по уровню социально-экономического развития, природно-климатическим условиям, наличию природных ресурсов, уровню развития производства, а приграничный характер некоторых регионов способствует привлечению мигрантов, влияние которых на экономику региона неоднозначно.
Таким образом, исследование инвестиционной привлекательности и отдельных её составляющих на региональном уровне представляется актуальным.
Цель и задачи исследования. Целью работы является совершенствование методики комплексного статистического анализа инвестиционной привлекательности региона.
В соответствии с указанной целью в работе поставлены и решены следующие задачи:
изучить теоретические аспекты статистического исследования инвестиционной привлекательности;
предложить систему показателей, характеризующих инвестиционную привлекательность;
провести статистический анализ структуры и динамики инвестиций в регионе;
осуществить моделирование зависимостей между показателями, характеризующими инвестиционный потенциал, инвестиционную активность и инвестиционный риск;
-- построить сводный интегральный показатель для проведения сравнительного анализа административно-территориальных образований региона по уровню инвестиционной привлекательности.
Объект и предмет исследования. Объектом исследования являются инвестиционные процессы в регионе. Предметом исследования выступают показатели и статистические модели инвестиционной привлекательности.
Область исследования. Исследование проведено в рамках специальности 08.00.12 «Бухгалтерский учет, статистика». Паспорт специальности ВАК (экономические науки) п.3.1 «Методы статистического измерения и наблюдения социально-экономических явлений, обработки статистической информации, оценка качества данных наблюдений; организация статистических работ». 3.3 «Методы обработки статистической информации: классификация и группировки, методы анализа социально-экономических явлений и процессов, статистического моделирования, исследования экономической конъюнктуры, деловой активности, выявления трендов и циклов, прогнозирования развития социально-экономических явлений и процессов».
Теоретической и методологической базой исследования послужили труды отечественных и зарубежных ученых по анализу инвестиций, вопросам статистики, эконометрики и прогнозирования. В качестве инструментария в диссертации использовались следующие методы: табличный и графический, методы анализа структурных сдвигов, методы анализа панельных данных, факторного анализа, многомерной классификации, методы анализа временных рядов. Обработка данных проводилась с использованием табличного редактора Microsoft Excel ХР, статистических пакетов прикладных программ Statistica 6.0, Stata 6.0.
Информационное обеспечение работы составили официально опубликованные данные Территориального органа Федеральной службы государственной статистики по Оренбургской области, информационные ресурсы Internet.
Научная новизна диссертационного исследования состоит в совершенствовании методики комплексного статистического исследования инвестиционной привлекательности. Наиболее существенные научные результаты:
сформирована система статистических показателей, характеризующих инвестиционную привлекательность, предназначенная для комплексного исследования данной категории;
предложено использовать модели регрессии, оцененные рекуррентным методом наименьших квадратов по стандартизованным переменным, для анализа и прогнозирования динамики отраслевой структуры инвестиций;
проведено моделирование зависимостей между показателями инвестиционной привлекательности в виде рекурсивной системы одновременных уравнений на основе панельных данных, позволяющей выявить факторы, оказывающие существенное влияние на инвестиционную активность и инвестиционный риск;
предложена и реализована процедура построения сводного интеї-раль-ного показателя инвестиционной привлекательности административно-территориальных образований, предусматривающая предварительную оценку инвестиционного потенциала, активности, риска и моделирование латентного интегрального показателя в виде линейной функции от трех указанных выше показателей с весовыми коэффициентами, учитывающими различия между объектом и эталоном.
Практическая значимость работы. Разработанная в диссертации методика и результаты статистического анализа инвестиционной привлекательности могут быть использованы органами государственного управления для выработки мероприятий по привлечению инвестиций в Оренбургскую область.
Положения диссертации внедрены в Территориальном органе Федеральной службы государственной статистики по Оренбургской области, в Министерстве промышленной политики и инноваций правительства Оренбургской области. Теоретические и практические выводы, полученные в ходе исследования, используются в ГОУ «Оренбургский государственный университет» в курсах учебных дисциплин «Эконометрическое моделирование», «Моделирование социальных процессов».
Указанные направления практического использования результатов диссертационного исследования подтверждены справками о внедрении.
Апробация результатов работы. Основные положения диссертационной работы докладывались автором на Всероссийской научно-практической конференции «Особенности роста и развития региональных социально-экономических систем» (г. Пенза, 2006), Всероссийской научно-практической конференции «Взаимодействие реального и финансового сектора в трансформационной экономике» (г. Оренбург, ГОУ ОГУ, 2006), Всероссийской научно-практической конференции «Развитие университетского комплекса как фактор
повышения инновационного и образовательного потенциала региона» (г. Оренбург, ГОУ ОГУ, 2007).
Публикации. Основные положения диссертационной работы нашли отражение в 8 научных публикациях общим объемом 2,27 п.л., в том числе 2,08 п.л. автора.
Система статистических показателей, характеризующих инвестиционную привлекательность
Статистический анализ инвестиционной привлекательности должен строиться не произвольно, а на основе строго установленного перечня последовательных задач, решение которых должно получить полное и всестороннее представление о фактическом состоянии и перспективах развития объекта исследования.
Теоретический анализ инвестиционной привлекательности создает предпосылки для перехода к измерительному аспекту, реализуемому посредством разработки и последующего оперирования соответствующей системой показателей. В научной литературе проблемам разработки системы показателей инвестиционной привлекательности уделяется достаточное внимание, но в большинстве случаев исследователи рассматривают систему показателей, характеризующих инвестиционный потенциал и инвестиционный риск. Система показателей, характеризующих инвестиционную активность, встречается достаточно редко.
При формировании исходного набора показателей, характеризующих инвестиционную привлекательность, необходимо соблюдать следующие требования: — представительности, в соответствии с которым в данном перечне должны быть представлены все основные показатели рассматриваемой категории; - информационной доступности, в соответствии с которым привлекаемые к дальнейшему анализу показатели и частные критерии должны быть, по меньшей мере, доступны для их статистической регистрации и, более того, они должны входить в номенклатуру официальных статистических показателей (или могут быть вычислены по значениям последних); - информационной достоверности, в соответствии с которым используемые статистические данные и частные критерии должны адекватно отражать состояние анализируемого аспекта; - соразмерности- показатели должны быть приведены к единой базе [5,7].
Необходимым условием развития экономики любого государства является высокая инвестиционная активность. В работе [109] автор предлагает для характеристики инвестиционной активности рассмотреть такие статистические показателей, как инвестиции в основной капитал, объем иностранных инвестиций, объем подрядных работ, ввод в действие жилых домов, валовой региональный продукт, объем промышленной продукции, объем сельскохозяйственной продукции. Считаем необходимым в состав статистических показателей, характеризующих инвестиционную активность включить средневзвешенную процентную ставку. Для стимулирования инвестиционных расходов, совокупного спроса и занятости, Центральный Банк проводит экспансионистскую кредитно-денежную политику (расширение денежного предложения). Если спрос на деньги считать постоянным, то при увеличении денежного предложения рыночные ставки на денежном рынке снижаются, при уменьшении — растут. Инвестиционные расходы изменяются в зависимости от реальной процентной ставки. Чем ниже рыночные процентные ставки (стоимость долгосрочного кредита), тем больший объем инвестиций в основной капитал могут осуществить предприятия. Таким образом, важнейшим индикатором, характеризующим спрос на инвестиции (инвестиционную активность), является величина реальной средневзвешенной процентной ставки [134].
Сформированный перечень статистических показателей, характеризующих инвестиционную активность, представлен в таблице 1.2.1. Таблица 1.2.1 - Показатели, характеризующие инвестиционную активность Код показателя Наименование показателя 1 объем инвестиций в основной капитал на душу населения, рублей 2 объем иностранных инвестиции на душу населения, рублей (долларах США) 3 объем работ, выполненных по договорам строительного подряда на душу населения, рублей 4 величина реальной средневзвешенной процентной ставки, в процентах 5 ввод в действие жилых домов на 1000 человек населения, (кв. метров общей площади) 6 валовой региональный продукт (ВРП) на душу населения, рублей 7 объем промышленного производства на душу населения, рублей 8 объем сельскохозяйственной продукции на душу населения, рублей Показатели, характеризующие инвестиционный потенциал представлены в работах [137, 92, 109]. В работе [109] автором были выделены трудовой, природно-ресурсный, инновационный, финансовый потенциал и инфраструктура рынка. К недостаткам предложенной системы можно отнести то, что автор выделяет в качестве составляющей инвестиционного потенциала инфляционный потенциал, который характеризуется такими показателями, как индекс потребительских цен, индекс цен производителей промышленной продукции, индекс цен на строительно-монтажные работы. Данные показатели следует отнести к показателям, характеризующим инвестиционный риск. В работе [92] автор не проводит разбиение показателей, характеризующих инвестиционного потенциала на составляющие. В связи с этим данную систему показателей необходимо структурировать.
В работе [137] в состав показателей рыночного потенциала автор включил такие, как численность студентов высших учебных заведений на 10000 человек населения; внутренние затраты на исследования и разработки на одно предприятие, которые в большей степени характеризуют интеллектуальный или инновационный потенциал.
Анализ основных методик сравнительной оценки инвестиционной привлекательности
Оренбургская область является зоной рискованного земледелия. Основной приоритет отдается выращиванию зерновых культур, в первую очередь, пшеницы твердых и сильных сортов. Засушливый климат, немногочисленность осадков, суховеи, эрозия почвы создают серьёзные препятствия для получения устойчивых урожаев. Молочное и мясное животноводство при уровне имеющихся технологий малопродуктивно и низкорентабельно. В этих условиях государственная поддержка целинных аграрных хозяйств должна во многом отличаться от механизмов государственной помощи аграрному сектору Центральной России. Необходимо выделение больших инвестиционных ресурсов для освоения своевременных технологий земледелия в условиях засухи.
Областные власти озаботились снижением урожайности зерновых в нашем регионе. В связи с этим подписано постановление «О мерах по увеличению производства зерна озимых зерновых культур»: Министерству сельского хозяйства области с учетом рекомендаций ученых поручено обеспечить расширение площадей озимых зерновых культур. Площади озимых должны увеличиться в 2006 году до 800 тысяч гектаров, а к 2009 году — до 1,1 миллиона гектаров. Постановление также включает комплекс мер, направленных на увеличение площади черных паров, научно обоснованное применение минеральных удобрений и средств защиты растений, заготовку качественного семенного материала.
Основная проблема медной промышленности области заключается в сокращении запасов медно-колчеданных руд. Перед предприятиями металлургического комплекса стоят следующие задачи: - вовлечение в переработку руд с повышенным содержанием никеля; - уменьшение выбросов диоксида серы и увеличение производства меди; - рост объемов производства меди в концентрате; -увеличение производительности электропечей в ОАО «НОСТА» и обеспечение роста объемов производства. До 2010 г. в металлургическом комплексе Оренбургской области намечено реализовать инвестиционные проекты, которые приведут к росту объемов производства: -в ОАО «Южуральникель» - замена шахтных печей; - строительство нового и реконструкция действующего кислотного цеха в ООО «Медногорский медно-серный комбинат»; - реконструкция и техническое перевооружение существующего производства и освоение новых медно—колчеданных и золоторудных месторождений в ОАО «Гайский горно-обогатительный комбинат»; - создание нового производства и модернизация существующего в ОАО «НОСТА»; - реконструкция производства плоского медного проката в ОАО «Гайский завод по обработке цветных металлов «Сплав» [72].
Оренбургская область отличается богатством природно-климатических зон и ресурсов. Оренбуржье обладает достаточными ресурсами для обеспечения рекреационных потребностей населения. Например, значительным рекреационным потенциалом и известностью обладают Соль-Илецкие озера, для лечебных целей давно используются иловые грязи озер Тузлучного и Дунина, соленые ванны в озере Развал. Подобными ресурсами располагает урочище Соленое в Беляевском районе, оз. Купоросное в Гайском районе. В районе Оренбурга, Саракташа, Бугуруслана, Орска выявлены месторождения минеральных вод, различных по своему составу и лечебным свойствам. На базе- открытых месторождений минеральных вод ведется промышленный розлив питьевых лечебно-столовых минеральных вод Меновой Двор, Живая вода № 4, Оренбургская, Яик, Сулак, Бугурусланская, Орская и др. [30]
В целом, ландшафты Оренбуржья представляют большой интерес для развития познавательного и научного туризма. В сочетании с разнообразными археологическими и историческими объектами и памятниками культуры они образуют немалый потенциал для развития индустрии отдыха. К сожалению, на сегодняшний день материально-техническая база гостиниц, домов отдыха, пансионатов, баз отдыха, санаторно-курортных учреждений характеризуются высокой степенью морального и физического износа.
Повышение уровня и качества жизни жителей нашего региона, в том числе посредством отдыха, туризма, образования, культурного развития, оздоровления и рекреации — это на сегодняшний день основная задача правительства Оренбургской области.
В августе 2006г. Законодательным собранием Оренбургской области принята областная целевая «Программа развития туризма в Оренбургской области на 2007-2010 годы». Реализация программы позволит создать конкурентоспособную материальную базу туристско-рекреационной отрасли, увеличить долю индустрии туризма в ВРП до 9%, долю занятых в туризме и сопряженных отраслях до 7%.
При условии создания туристического кластера (ориентированной политики развития туристического бизнеса), у Оренбургской области появится дополнительное финансирование из федерального бюджета, а также перспективы для развития международного туризма, что сделает наш регион более привлекательным для российских и зарубежных инвесторов, повысит его конкурентоспособность на мировом рынке услуг в сфере туризма.
Многие регионы области располагают значительными запасами нефти и газа. Область по объему разведанных запасов и добыче полезных ископаемых входит в ведущую группу регионов Российской Федерации. Величина ценности по монографии-справочнику «Геологическая служба России» до 500 млрд. долларов США говорит об огромных потенциальных возможностях Оренбургской области по развитию промышленного производства (Рисунок 2.1.1) [117].
Статистический анализ структуры и динамики инвестиций в регионе
В первый класс вошли все города Оренбургской области и Оренбургский район. Образования, вошедшие в первый класс, характеризуются более высокими, по сравнению с остальными классами, средними значениями показателей, характеризующих инвестиционную активность, исключение составил показатель — объем сельскохозяйственной продукции на душу населения, более высокими значениями показателей финансового и потребительского потенциала и наименьшими значениями показателей, характеризующих инвестиционный риск.
Во второй класс вошли районы, отраслевой специализацией которых является сельское хозяйство. Они характеризуются сравнительно высокими средними значениями таких показателей, как производства птицы на душу населения, среднегодовая численность работников, занятых в сельскохозяйственном производстве; уровень рентабельности реализованной продукции сельского хозяйства.
В третьем классе, по сравнению с остальными, более высокие средние значения показателей, характеризующих инвестиционный риск и уровень зарегистрированной безработицы.
Однако классификация успешно осуществляется на основе традиционных методов математической статистики и многомерных статистических методов при относительно равномерном распределении экспериментальных данных в пространстве параметров. При высокой зашумленности экспериментальных данных и их противоречивости, а также когда исходные совокупности не имеют форму нормального распределения и характеризуются ассиметричностью данных, такие модели являются неработоспособными. В этом случае наилучшими оказываются модели, построенные на базе нейронных сетей [89].
В нейронных сетях существуют инструменты, аналогов которых в статистике нет, поэтому имеют ряд преимуществ: 1) нейронные сети справляются с решением таких задач, когда исходные совокупности не имеют форму нормального распределения и характеризуются ассиметричностью данных; 2) нейронные сети нечувствительны к корреляции значений признаков, в то время как методы оценки параметров регрессионной модели в этом случае часто дают неточные значения; 3) нейросетевые классификаторы оценивают апостериорную Байесовскую вероятность и поэтому аппроксимируют оптимальный статистический классификатор с минимальной ошибкой. Подобная статистическая интерпретация значений выходов нейронной сети позволяет, в частности, компенсировать обычно существующие диспропорции в объемах классов.
Основой классификации служит вектор параметров объекта. Компоненты этого вектора представляют собой различные характеристики объекта, которые влияют на принятие решения о том, к какому классу можно отнести данный образец. Объекты в пределах одного класса считаются эквивалентными с точки зрения критерия разбиения. Сами классы часто бывают неизвестны заранее, а формируются динамически (как, например, в сетях Кохонена). Классы зависят от предъявляемых объектов, и поэтому добавление нового объекта требует корректирования системы классов.
Сети Кохонена рассчитаны на неуправляемое обучение. При управляемом обучении наблюдения, составляющие обучающиеся данные, вместе с входными переменными содержат также и соответствующие им выходные значения, переводящие первые во вторые. В случае неуправляемого обучения обучающие данные содержат только значения входных переменных. Сеть Кохонена учится понимать саму структуру данных.
Сеть Кохонена может распознавать кластеры в данных, а также устанавливать близость классов. Таким образом, пользователь может улучшить свое понимание структуры данных, чтобы затем уточнить нейросетевую модель. Сеть Кохонена можно использовать и в тех случаях, когда классы уже заданы - тогда преимущество будет в том, что сеть сможет выявить сходство между различными классами. Другая возможная область применения -обнаружение новых явлений. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Проведем разбиение объектов на однородные группы методами нейросетевой классификации. Чтобы правильно распределить плотность ядер классов (векторов весов) в соответствии с плотностью входных векторов в пространстве X для обучения сети будем применять метод выпуклой комбинации. Чтобы определить класс, к которому относится объект, нужно выбрать среди всех нейронов данного слоя один с максимальным выходом. Рассмотренная сеть нейронов, использующая евклидову меру близости для классификации объектов, называется сетью Кохонена. Результаты классификации методом нейросетевой классификации для 2006 года представлены в таблице 2.3.3.
Ранжирование административно-территориальных образований по уровню инвестиционного потенциала, активности ириска
Модель (3.3.3) интерпретируется как регрессионная модель / на X с той спецификой, что вместо наблюденных значений /, необходимых для оценки f(X), используются экспертные оценки. Поэтому вместо обычной задачи регрессионного анализа - восстановление функции, ставится задача оценки f(X) с точностью до произвольного монотонного преобразования. Для удобства рассматривается параметрическая модель:
В результате задача сводится к оценке 0. Такая задача известна в литературе и решается с помощью экспертно-статистического метода. Статистическая часть исходных данных о показателях X представляется в виде матрицы X типа «объект-свойство». «Экспертная часть» исходных данных относится к сведениям о выходном качестве / и получается с помощью специально организованного опроса экспертов. Результаты опроса могут быть представлены в форме булевой матрицы парных сравнений объектов Of и Oj: Гт={4т)}, (3-3.5) где/ = 1,л;у = 1,л; Ґ1, если О, и Oj принадлежат одной группе объектов; 4 [О, в противном случае; п — число объектов; т — показывает, каким экспертом предложена матрица ут, т = 1,1. На практике нередки ситуации, когда оперативно получить матрицы ут невозможно. В связи с этим матрицы парных сравнений предлагается получать на основании предварительного разбиения объектов исследования на классы с использованием кластерного анализа и классификации методами нейронных сетей [93]. Изменяя пороговое значение расстояния можно получить «/» разбиений эквивалентных оценкам «/» экспертов. Таким образом, задача оценки 0 становится эквивалентной задаче оценки интегрального показателя экспертно-статистическим методом.
Для каждой пары разбиений объектов на однородные классы можно определить меру близости этих разбиений: d(rs,rr) = \i\r!;)-rlr)\- (3.3.6) - (,J=1 Пусть /(Х,0) некоторая оценка для f(X,&). Задавшись некоторым Л_ є 0, можно разбить с помощью f(X,) «N » объектов на классы. В один класс при этом попадут те объекты, у которых 0 f(X,&) є,в другой - те, у Л_ л которых є f{X, ) 2є и т.д. Для «полученного» разбиения Т(є, 0) строим А А матрицу парных сравнений у {є, 0), зависящую от значений є и 0. Л / Л Подбираются такие значения є и 0, чтобы величина ]Й?( /,Г( ,0)) была /=1 минимальна. Для построения интегрального латентного показателя экспертно-статистическим методом было разработано программное обеспечение.
Для получения матрицы парных сравнений ут воспользуемся результатами разбиения объектов на классы с использованием методов кластерного анализа и нейросетевой классификации, полученных нами ранее. Таким образом, три вида разбиений (метод Уорда, k-средних, нейросетевая классификация) позволили получить матрицы парных сравнений, эквивалентные оценкам экспертов (приложение К). Располагая «экспертной» и статистической информацией, были оценены коэффициенты целевой функции.
Оценка влияния факторов на уровень инвестиционной привлекательности для 2006 года: /2OO6(X,0) = 2O,lj, +30;8j 2 + 35,0y3 + 26,8.y4 + 27,5л:,, + 25,9л, 2 + 29,6л, 4 + 21,8л, 5 + + 19,1л,6 +34,6д:2Л + 35,1л22 +25,0л-23 + 38,5л3, -23,6у5 -29,8у6 -22,\уп Оценка влияния факторов на уровень инвестиционной привлекательности и значения интегрального показателя для 2002 - 2005гг. представлены в приложении Л.
По значениям интегрального показателя произведено ранжирование административно-территориальных единиц Оренбургской области по заданному интегральному свойству (таблица 3.3.4).
Ранжирование административно-территориальных образований Оренбургской области по уровню инвестиционной привлекательности за период с 2002 по 2006 гг.
По результатам рейтинговой оценки городов и районов Оренбургской области можно сделать следующие выводы. Лидерами по уровню инвестиционной привлекательности являются такие города, как Оренбург, Бузулук и Оренбургский район. Восток области в целом отстает от центральной и западной частей: три города на востоке отстают по уровню инвестиционной привлекательности от других городов области: г. Медногорск (16 место в 2006 г.), г.Кувандык (18 место в 2006 г.), г.Ясный (21место 2006 г.) Промышленность, развитая в этих городах, в настоящее время уже не опирается, как раньше, на богатую сырьевую базу. Медногорский медно— серный комбинат в настоящее время не работает на полную мощность из-за нехватки сырья. Местная сырьевая база предприятия в значительной степени исчерпана и имеет .сложные горно-геологические условия добычи. Технологические трудности переработки медных концентратов с высоким содержанием серы сдерживают поставки сырья с Гайского горнообогатительного комбината.
Ряд сельских районов, (Адамовский, Александровский, Акбулакский, Октябрьский, Первомайский, Сакмарский, Ташлинский) характеризуются показателями, обеспечивающими средний уровень инвестиционной привлекательности. Такие районы, как Абдулинский, Илекский, Курманаевский, Тюльганский, Северный, Пономаревский являются непривлекательными для инвестирования.
В целом, ранжирование административно-территориальных образований по потенциалу, активности и риску, а также по сводной латентной категории -инвестиционной привлекательности, позволило провести сравнительный анализ муниципальных образований и выделить группы районов, менее привлекательные, которые нуждаются в поддержке администрации, а также районы, с более высоким уровнем инвестиционной привлекательности.
