Содержание к диссертации
Введение
Глава 1. Обзор моделей и методов оценивания зависимости экономического роста от инвестиций на современном этапе 10
1.1. Обзор исследований экономического роста в России на современном этапе 10
1.1.1. Факторы экономического роста в России 10
1.1.2. Инвестиции и экономический рост 17
1.2. Обзор моделей экономического роста, учитывающих влияние инвестиций 24
1.3. Динамические модели экономического роста 35
1.4. Специфика оценивания авторегрессионных моделей с распределенными лагами 38
1.5. Выводы 46
Глава 2. Эконометрическое моделирование динамики индекса промышленного производства в зависимости от инвестиций в основной капитал 48
2.1. Анализ динамики индекса промышленного производства и инвестиций в основной капитал 48
2.2. Моделирование динамики индекса промышленного производства в зависимости от инвестиций в основной капитал 59
2.3. Тестирование адекватности модели коррекции ошибками 66
2.4. Экономическая интерпретация коэффициентов модели 71
2.5. Выводы 72
Глава 3. Эконометрическое моделирование зависимости валового регионального продукта от инвестиций в основной капитал по регионам РФ 74
3.1. Анализ динамики ВРП и инвестиций в основной капитал надушу населения в 1995-2004 г.г. по регионам РФ 74
3.2. Группирование субъектов РФ по величине ВРП надушу населения 78
3.3. Модели зависимости ВРП надушу населения от инвестиций в основной капитал на душу населения 82
3.4. Экономическая интерпретация коэффициентов динамических моделей88
3.5. Выводы 93
Глава 4. Эконометрическое моделирование экономического роста в зависимости от инвестиций на примере Республики Башкортостан 95
4.1. Анализ динамики и структуры валового выпуска и инвестиций по отраслям экономики РБ 95
4.2. Моделирование зависимости объемов валового выпуска от инвестиций по отраслям экономики РБ 102
4.3. Моделирование динамики ввода в действие жилых домов в зависимости от инвестиций в жилищное строительство в РБ 107
4.4. Выводы 114
Заключение 117
Литература 121
Приложение А 136
Приложение Б 147
Приложение В
- Обзор моделей экономического роста, учитывающих влияние инвестиций
- Моделирование динамики индекса промышленного производства в зависимости от инвестиций в основной капитал
- Группирование субъектов РФ по величине ВРП надушу населения
- Моделирование зависимости объемов валового выпуска от инвестиций по отраслям экономики РБ
Введение к работе
Диссертационная работа посвящена разработке эконометрических моделей для оценки вклада инвестиций на экономический рост, наблюдаемый на современном этапе в России и Республике Башкортостан.
Актуальность темы исследования. На протяжении кризисного и посткризисного периодов проблема экономического роста занимает центральное место в экономических дискуссиях и публикациях. При этом большой интерес вызывает вопрос об основных факторах, способствующих экономическому росту. Большинство аналитиков считают, что наблюдаемый в России рост является малоинвестиционным или неинвестиционным и вызван, прежде всего, увеличением экспорта, ростом мировых цен на нефть, а также полной загрузкой действующих производственных мощностей. Только анализ результатов 2006 года позволил некоторым исследователям назвать рост инвестиционным.
Вместе с тем, все экономисты и политики сходятся во мнении о необходимости крупных инвестиций в экономику России, без которых невозможен качественный рост. Не оценив роль инвестиционного ресурса, невозможно определить стратегии социально-экономического развития страны, разработать и реализовать общегосударственные, отраслевые и региональные программы.
Один из подходов, позволяющих получить количественные оценки степени влияния инвестиций на экономический рост, заключается в построении эконометрических моделей. Для этого необходимо, во-первых, определить уравнения, которые однозначно бы определяли краткосрочную и долгосрочную динамику; во-вторых, выбрать метод оценивания, который позволял бы получить несмещенные, эффективные и состоятельные оценки неизвестных параметров. Проблема оценивания осложняется еще и тем, что в распоряжении
5 аналитика имеется недостаточная длина временных рядов, характеризующих динамику российского экономического развития.
Проведенный предварительный анализ показал, что существующие эконометрические спецификации зависимости показателей экономического роста от инвестиций имеют следующие недостатки: 1) не учитывают инвестиционные запаздывания (лаги); 2) не учитывают лаги зависимой переменной. Кроме того, оценивание уравнений зачастую производится методом наименьших квадратов (МНК). Включение же в уравнение лаговых переменных требует усложнения методов оценивания вследствие появления мультиколлинеарности.
Таким образом, все вышесказанное предопределяет актуальность научного исследования и его практическую значимость.
Степень научной разработанности проблемы
При работе над диссертацией автор опирался на работы известных российских ученых как, Абалкин Л.И., Граиберг А.Г., Зайцева Ю.С, Егорова Н.Е., Ивантер В.В., Клоцвог Ф.Н., Котляр Э.А., Пчелинцев О.С., Узяков М.Н., Хачатрян СР., Френкель А.А., Яременко Ю.А. и др. Основу теоретических предпосылок динамических моделей экономического роста в зависимости от инвестиций составляют модель акселератора Дж. Б. Кларка и модель мультипликатора Дж. М. Кейнса.
Новые методы и модели в области эконометрики нашли свое отражение в работах зарубежных ученых, в том числе R. Engle, С. Granger, D. Dickey, W. Fuller, С. Hsiao, M. Arellano, S. Bond, J. Sargan и др. В русскоязычной литературе систематическое изложение основ методов и моделей временных моделей содержится в работах Канторовича Г.Г., Катышева П.К., Магнуса Я.Р., Пересецкого А.А. и др. Методы оценивания моделей панельных данных описаны в работах Носко В.П., Ратниковой Т.А. и др.
6 Цель диссертационного исследования состоит в разработке эконометрических моделей, предназначенных для оценки долгосрочного и краткосрочного откликов показателей экономического роста на изменение инвестиций.
Для достижения этой цели ставятся следующие задачи исследования:
Модифицировать существующую эконометрическую спецификацию зависимости показателей экономического роста от инвестиций за счет включения в качестве регрессоров лагов как зависимой, так и независимой переменных.
Верифицировать выбранную спецификацию на фактических статистических данных типа временных рядов, характеризующих динамику промышленного производства и инвестиций в основной капитал экономики России, и использовать ее для получения оценки эластичности экономической динамики относительно инвестиций.
Оценить применимость предложенной спецификации на статистических данных, представленных в виде сбалансированных панелей о среднедушевых показателях ВРП и инвестициях в основной капитал экономики субъектов РФ.
Разработать адекватные модели, базирующиеся на предложенной спецификации, на основе панельных данных, характеризующих динамику валового выпуска отраслей экономики и инвестиций в основной капитал отраслей экономики Республики Башкортостан.
Объект исследования: многоуровневая экономическая система, включающая экономику РФ, субъектов федерации, в том числе Республики Башкортостан, и отдельных отраслей экономики РБ.
Предмет исследования: эконометрические модели зависимости показателей экономического роста от инвестиций.
7 Методы исследования: методы математической статистики, эконометрические методы анализа временных рядов, эконометрические методы анализа панельных данных.
Информационную базу исследования составили следующие официальные статистические данные:
индекс промышленного производства, инвестиции в основной капитал в РФ за период с января 1999 г. по январь 2007 г, публикуемые Росстатом;
среднедушевые показатели ВРП и инвестиции в основной капитал за период 1995-2004 г.г. по 79 субъектам Российской Федерации, публикуемые Росстатом;
валовой выпуск и инвестиции в основной капитал по 11 отраслям экономики РБ за период 1999-2006 г.г.; ввод в действие жилых домов, инвестиции в жилищное строительство, публикуемые в изданиях Башкортостанстата.
Обработка статистической информации и оценивание моделей производились с использованием пакета эконометрического анализа Eviews.
Работа соответствует следующим направлениям исследования паспорта специальности 08.00.13 - Математические и инструментальные методы экономики:
1.3. Разработка и исследование макромоделей экономической динамики в
условиях равновесия и неравновесия, конкурентной экономики, монополии,
олигополии, сочетания различных форм собственности.
1.4. Разработка и исследование моделей и математических методов
анализа микроэкономических процессов и систем: отраслей народного
хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов
формирования спроса и потребления, способов количественной оценки
предпринимательских рисков и обоснования инвестиционных решений.
8 Научная новизна результатов исследования, их отличие от результатов, полученных другими авторами:
Предложена эконометрическая спецификация зависимости показателей экономического роста от инвестиций, базирующаяся на авторегрессионной модели с распределенными лагами и отличающаяся от существующих моделей включением в качестве объясняющих факторов лаговых значений как зависимой, так и независимой переменных.
Разработана адекватная модель зависимости индекса промышленного производства от инвестиций в основной капитал, основанная на предложенной спецификации. Модель, оцененная в виде модели коррекции ошибками, позволяет определить краткосрочную и долгосрочную эластичность индекса промышленного производства относительно инвестиций в основной капитал.
Разработаны новые адекватные авторегрессионные модели с распределенными лагами на основе сбалансированных панелей о среднедушевых показателях ВРП и инвестициях в основной капитал для децильных групп субъектов РФ за 1995-2004 г.г. Для каждой децильной группы на основе полученных моделей рассчитаны краткосрочные и долгосрочные отклики ВРП на изменение инвестиций в основной капитал.
Разработаны и проанализированы новые модели на основе панельных данных о валовом выпуске и инвестициях в основной капитал по отраслям экономики РБ. Полученные модели подтверждают спецификацию на основе авторегрессионной модели с распределенными лагами.
Практическая значимость результатов работы. Разработанные модели позволяют количественно оценить степень влияния инвестиций на базовые макро- и микроэкономические показатели как в краткосрочном, так и долгосрочных планах, и, следовательно, более обоснованно принимать управленческие решения по стимулированию и поддержке развития отдельных регионов, городов, отраслей экономики.
9 Полученные в ходе диссертационного исследования результаты внедрены в учебный процесс специальности 061800 «Математические методы в экономике» в виде раздела курса «Математические методы прогнозирования экономических показателей».
Апробация результатов работы. Результаты работы и отдельные ее разделы докладывались и обсуждались на 12 конференциях, в том числе международного и всероссийского статуса: седьмой всероссийский симпозиум по прикладной и промышленной математике (Кисловодск, 2006); международная уфимская зимняя школа-конференция по математике (Уфа, Башкирский государственный университет, 2005); международная научно-практическая конференция «Воспроизводственный потенциал региона» (Уфа, БашГУ, 2007); международная научно-практическая конференция «Проблемы современной экономической теории» (Уфа, БашГУ, 2007).
Публикации по теме диссертации. Основные результаты исследований опубликованы в 15 работах общим объемом 11 п.л., в том числе в журнале «Обозрение прикладной и промышленной математики», входящем в перечень изданий ВАК Министерства образования и науки РФ.
Обзор моделей экономического роста, учитывающих влияние инвестиций
Анализ методов и подходов к моделированию зависимости экономического роста от инвестиций выявил многообразие направлений. Один из подходов основывается на построении производственных функций, отражающих зависимость результатов деятельности предприятия, отрасли, региона или национальной экономики в целом от различных факторов (см., например, [48], [94, с. 105]). Оценивание параметров модели в этом случае производится методами статистики и эконометрики. В работе [132] установлены причины методологического и информационного характера, ограничивающих использование производственных функций. В частности, автор указывает следующие причины: 1. Отсутствие баланса спроса и предложения. 2. Предположение большинства моделей о 100% загрузке мощностей не выполняется при моделировании «восстановительного» роста. 3. В кейнсианских и неоклассических моделях предполагается, что выбытие капитала зависит только от стоимости капитала и не зависит от выпуска. «При моделировании реальной экономики это допущение неизбежно приведет к завышенным затратам капитала на единицу продукции». 4. Равновесие в неоклассических моделях, представленное системой одновременных уравнений, лишено причинности. 5. Предположение о том, что численность трудовых ресурсов изменяется экспоненциально, для российских регионов неприемлемо.
Второй подход к моделированию экономического роста состоит в использовании межсекторных моделей и межотраслевого баланса. В этом случае экономический рост моделируется на основе баланса спроса и предложения факторов производства в секторах и отраслях экономики (см., например, [67], [68], [82], [132], [136]). По мнению автора [132] использование межотраслевого баланса и межсекторных моделей ограничивается по следующим причинам: 1. Имеются методологические ограничения, связанные с тем, что «межотраслевой баланс не описывает в достаточной мере воспроизводственный аспект хозяйственного развития». Так, в межотраслевом балансе не рассматриваются модели экономического роста для таких факторов, как трудовые ресурсы и технический прогресс. 2. В условиях рыночной экономики отсутствует надежная информация о межотраслевых процессах. Информационное обеспечение метода межотраслевого баланса ухудшается также в связи с переходом государственной статистики от ОКОНХ к ОКВЭД. 3. Предположение о жестких технологических связях между отраслями экономики пригодно только для отраслей реального сектора экономики и не годится для сферы услуг. Следующий подход моделирования экономического роста основан на нейронных сетях. Нейронные сети применяются для решения задач, где неизвестна связь данных с заданной целевой функцией. Качество решения задач нейросетыо зависит от настройки параметров сети, размера, объективности и информативности обучающей выборки. В качестве примера использования нейронных сетей применительно к данной проблеме можно указать работу [52]. В ней приводятся результаты моделирования объемов ВРП от следующих факторов и их первых разностей: объем инвестиционных ресурсов региона, мощность промышленности строительных материалов, средний размер предприятия промышленности строительных материалов, среднемесячная заработная плата работающих в региональном строительном комплексе, объемов промышленности строительных материалов. Однако следует констатировать, нейросетевые технологии не позволяют оценить и обосновать статистически достоверность полученного прогноза.
Следует отметить также подход к описанию зависимости между показателями экономического роста и инвестициями на основе решения обыкновенных дифференциальных уравнений (см., например, [8], [22], [43], [88]). В работе [43] получены экономико-математические модели, которые позволяют исследовать динамику развития малых предприятий в зависимости от различных способов инвестирования. Однако такой подход не предполагает количественных оценок откликов микро- и макроэкономических показателей на изменение инвестиций. Для проверки теоретических моделей на фактических статистических данных, а также для оценки коэффициентов предложенных зависимостей при таком подходе потребуется применение методов эконометрики.
Перейдем к рассмотрению эконометрических моделей экономического роста. Институтом экономики переходного периода с определенной периодичностью публикуются краткосрочные прогнозы основных социально-экономических показателей РФ (см., например, [120], [121]). В том числе прогнозные значения приводятся для таких рядов, как индекс промышленного производства Центра экономической конъюнктуры (ЦЭК) при Правительстве РФ, индекс промышленного производства Федеральной службы государственной статистики, объем розничного товарооборота, инвестиции в основной капитал. Моделирование и прогнозирование этих показателей осуществляется на основе авторегрессионной модели проинтегрированного скользящего среднего (Integrated AutoRegression and Moving Average - ARIMA), которая в общем виде записывается (см., например, [76]): А" у, =ай+а, -AdytA +а2 -Ady,_2 +... + ар -Ldy,_p + где/? - порядок авторегрессии; q - порядок скользящего среднего; d- порядок разности для получения стационарного процесса; є, - белый шум.
Данная модель учитывает только прошлые значения исходной переменной. Следует отметить, что такие модели дают достаточно высокую точность прогноза. Однако получить количественные оценки степени влияния различных факторов на основе моделей ARIMA невозможно. Модели ARIMA являются частным случаем авторегрессионных моделей с распределенными лагами (ADL), которые позволяют учитывать влияние текущих и прошлых значений множества факторов. Поэтому, ADL-модели могут оказаться лучшим инструментом для эконометрического моделирования экономического роста. В последующих главах будут приведены результаты построения этих уравнений на различных типах данных.
Моделирование динамики индекса промышленного производства в зависимости от инвестиций в основной капитал
Как отмечалось в первой главе, авторегрессионные модели с распределенными лагами (ADL) оцениваются методом наименьших квадратов только для стационарных рядов. Поэтому на первом шаге необходимо выяснить, являются анализируемые ряды стационарными или нестационарными, а также определить порядок интеграции . Кроме того, модели ADL, записанные в виде модели коррекции ошибками (ЕСМ), имеют экономическую интерпретацию. Построение же ЕСМ-модели требует оценивание коинтеграционного соотношения, которое показывает долгосрочное равновесие. Для построения модели коррекции ошибками необходимо определить запаздывающие значения обоих переменных. Для этого проведем тест Грэнджера на причинность и исследуем коррелограммы. И 60 только после этого перейдем к построению соотношений, отражающих долгосрочное и краткосрочное соотношение. Тестирование стационарности Проверка на стационарность производится при помощи тестов на единичный корень (unit root)19. Среди множества тестов на единичный корень (критерий Дики-Фуллера, критерий Филлипса-Перрона, критерий Лейбурна, критерий Шмидта-Филлипса, критерий Квятковского-Филлипса-Шмидта-Шина, критерий Перрона и др.) [40] наибольшую популярность получил расширенный тест Дикки-Фуллера (ADF - Augmented Dickey-Fuller test), в основе которого лежит регрессия (см., например, [40, с. 113], [56, с. 385], [145], [146]): На основе ADF тестируется нулевая гипотеза Я0: / = 0 против альтернативной гипотезы Я,: у 0. Нулевая гипотеза соответствует процессу со стохастическим трендом (типа DSP), а альтернативная - процессу с детерминированным трендом (типа TSP). Подобные гипотезы о равенстве нулю коэффициентов регрессии тестируются на основе /-статистики. Однако, если у = 0, то рассчитанная t-статистика не будет подчиняться распределению Стьюдента, а подчиняется распределению Дикки-Фуллера.
Важным моментом расширенного теста Дики-Фуллера является включение константы и (или) тренда, от которых зависят табличные значения теста. Кроме того, необходимо правильно выбрать порядки р и q. Так, например, Канторович Г. Г. советует включать для российских макроэкономических рядов три лага [56, с. 386]. Другими авторами [76, с. 245]
" В тестах на единичный корень производится анализ корня а уравнения х, =« ,_] +є,. Значения а соответствуют стационарному процессу, а значение а =1 соответствует границе области стационарности, В случае единичного корня тестируемый ряд является процессом типа DSP, а степень интегрирования его равна единице, т.е. 1(1) (см., например, [56, с. 270], [76, с. 243], [126, с. 332]). рекомендуется включать возможно большее количество лагов, чтобы устранить автокорреляцию остатков, при этом оговаривается, что включение чрезмерного количества лагов снижает мощность теста. Таким образом, для получения достоверных результатов на основе ADF-теста требуется многократное его построение.
Результаты применения расширенного теста Дикки-Фуллера к логарифмам рядов ИПП20 и инвестиций (Lindrs и Linv), а также к сезонно скорректированным рядам логарифмов ИПП и инвестиций (Lindrs_tc и Linv_tc) приводятся в приложении А (таблицы 2.7-2.10 соответственно). Тестовые статистики для удобства сведены в таблицу 2.3. Поскольку все полученные t-статистики лежат левее критического значения Дикки-Фуллера для уровня значимости р=0,01, то можно судить о том, что ряды являются процессами типа TS. При этом во всех временных рядах тренд оказался незначим, а для логарифмов исходных рядов оказались значимыми значения разностей с лагом 11 и 12 (что еще раз подтверждает наличие сезонности). Следовательно, можно сделать вывод о том, что Lindrs и Linv являются стационарными рядами с сезонной компонентой, а временные ряды Lindrs_tc и Linvtc - стационарные процессы (т.е. 1(0)).
Построение долгосрочного и краткосрочного соотношений Долгосрочное соотношение представляет в данном случае однофакторное регрессионное уравнение сезонно скорректированного логарифма ИПП на сезонно скорректированный ряд логарифма инвестиций в основной капитал. Уравнение, оцененное в программе EViews, имеет следующий вид: tindrsjc, = 3,076+ 0,332 linvjc,+ut. (2.1) (7,799) (3,887)
В скобках здесь и далее указаны значения /-статистики о проверке значимости соответствующих коэффициентов. Высокие значения /-статистики позволяют признать все коэффициенты значимыми на 5%-ном уровне. Результаты оценивания уравнения (2.1) приводятся в приложении А (таблица 2.13). Стандартная таблица результатов оценивания моделей временных рядов методом наименьших квадратов в программе Eviews содержит следующие величины: - значения коэффициентов модели и их стандартные ошибки; - значения /-статистик о проверке значимости каждого коэффициента модели (при этом в качестве нулевой гипотезы всегда выдвигается условие равенства нулю соответствующего коэффициента) и соответствующий уровень значимости/»22; - коэффициент детерминации Л2, характеризующий качество подгонки; - F-статистику для проверки значимости линейного регрессионного уравнения в целом и соответствующий уровень значимости; - значение статистики Дарбина-Уотсона для проверки наличия автокорреляции первого порядка в остатках; - логарифм функции правдоподобия, а также значения критериев Акаике и Шварца23 для выбора лучшей модели из нескольких альтернативных и др.
Группирование субъектов РФ по величине ВРП надушу населения
Для получения моделей, обладающих хорошими статистическими показателями, необходимо выделить однородные группы. Можно построить модели для каждого федерального округа (ФО). Однако в разрезе федеральных округов также наблюдаются значительные различия по величине ВРП на душу населения. Так, например, внутри Центрального ФО в 2004 г. среднедушевые показатели ВРП Ивановской области и г. Москвы различаются в 6,88 раз. Для Уральского ФО валовой региональный продукт на душу населения Тюменской области превышает аналогичный показатель Курганской области более чем в 38 раз.
Группировка по отношению к среднероссийской величине (таблица 3.1) также не принесла хороших результатов. В этом случае имеются существенные различия между субъектами внутри первой (больше 150% от среднероссийского уровня ВРП) и предпоследней (25-50%) групп. Кроме того,
Точечное инвестирование обусловливается тем, что в региональном аспекте инвестиции сосредоточены в г. Москве, г. Санкт-Петербурге, а также в регионах, добывающих экспортируемое сырье. группы содержат разное количество субъектов. Для малочисленных групп невозможно построение динамических моделей панельных данных, поскольку при оценивании число получающихся ограничений для параметров превышает количество наблюдений.
Поэтому была предпринята попытка выделения однородных групп по величине валового регионального продукта на душу населения в 2004 г. На первом этапе ранжировали все субъекты РФ по величине среднедушевого ВРП. Как видно из рисунка 3.2, изменение анализируемого показателя происходит неравномерно. Резко выделяются крайние субъекты: Тюменская область и Республика Ингушетия.
На следующем этапе анализа были выделены децилыше группы и по каждой группе в отдельности строились модели, отражающие зависимость между ВРП и инвестициями. Однако при этом столкнулись со следующей проблемой: включение двух субъектов с минимальными значениями ВРП (Республика Ингушетия, Республика Дагестан) не позволяет получить однородную выборку. Как уже отмечалось, ВРП на душу населения Республики Ингушетия не превышает уровня 25% от среднероссийской величины на всем рассматриваемом периоде. При этом объемы инвестиций в основной капитал на душу населения составили в 2004 г. 9% от среднероссийской величины. В динамике показателей ВРП и инвестиций на душу населения Республики Дагестан наметилась положительная тенденция только с 2002 года (рис. 3.3). Однако на предшествующем временном интервале объемы ВРП и инвестиций также не превышали 25%-ного среднероссийского уровня.
Как уже отмечалось выше, возможности методов панельных данных ограничены числом наблюдений и количеством субъектов. Поэтому построение моделей панельных данных на рассматриваемом временном интервале для двух субъектов не представляется возможным.
Динамика среднедушевых показателей ВРП и инвестиций в основной капитал в Республике Ингушетия и Республике Дагестан Таким образом, исключив из рассмотрения два субъекта, выделили для оставшихся 77 субъектов децильные группы. Приведем результаты полученной группировки в обратном (возрастающем) порядке.
В состав первой группы вошли: Республика Адыгея, Республика Тыва, Карачаево-Черкесская Республика, Кабардино-Балкарская Республика, Республика Северная Осетия-Алания, Ивановская область, Республика Калмыкия, Брянская область.
Вторая группа содержит субъекты: Республика Марий Эл, Алтайский край, Пензенская область, Республика Алтай, Курганская область, Чувашская Республика, Ставропольский край, Псковская область.
Третья группа: Воронежская область, Владимирская область, Кировская область, Ульяновская область, Ростовская область, Тамбовская область, Костромская область, Тульская область.
В составе четвертой группы: Читинская область, Смоленская область, Саратовская область, Республика Мордовия, Еврейская автономная область, Волгоградская область, Орловская область, Тверская область.
Пятая группа содержит субъекты: Астраханская область, Республика Хакасия, Калужская область, Краснодарский край, Рязанская область, Республика Бурятия, Курская область, Удмуртская Республика.
Шестая группа содержит следующие субъекты: Калининградская область, Новгородская область, Приморский край, Амурская область, Белгородская область, Новосибирская область, Нижегородская область, Республика Карелия.
В составе седьмой группы: Оренбургская область, Иркутская область, Республика Башкортостан, Свердловская область, Московская область, Челябинская область, Кемеровская область, Ярославская область. Восьмая группа: Камчатская область, Хабаровский край, Пермская область, Омская область, Ленинградская область, Самарская область, Республика Татарстан.
В девятую группу были включены следующие субъекты: г. Санкт-Петербург, Архангельская область, Липецкая область, Красноярский край, Вологодская область, Магаданская область, Мурманская область.
И последняя, десятая, группа содержит субъекты: Республика Коми, Томская область, Сахалинская область, Республика Саха (Якутия), г. Москва, Чукотский автономный округ, Тюменская область.
Моделирование зависимости объемов валового выпуска от инвестиций по отраслям экономики РБ
За основу анализа были взяты официальные данные по РБ о динамике валового выпуска (млн. руб.) и инвестиций в основной капитал (млн. руб.) за период 1999-2006 г.г. по следующим отраслям экономики [116]: промышленность (рис. 4.4, а); сельское хозяйство (рис. 4.4, б); строительство (рис. 4.4, в); транспорт (рис. 4.4, г) и связь (рис. 4.4, д)\ торговля и общественное питание (рис. 4.4, е); жилищно-коммунальное хозяйство (рис. 4.5, а); наука и научное обслуживание (рис. 4.5, б); образование (рис. 4.5, в); здравоохранение, физическая культура и соцобеспечепие (рис. 4.5, д); культура и искусство (рис. 4.5, г).
Моделирование ежемесячной или ежеквартальной динамики было бы наиболее интересным, однако такие данные Башкортостанстатом не публикуются. Вследствие малости временного диапазона затруднительно рассматривать указанные показатели как отдельные временные ряды. Однако их можно рассматривать как панельные данные о 10 субъектах за 8 лет (80 наблюдений) и попытаться описать зависимость между валовым выпуском и инвестициями одним уравнением.
Для получения адекватной модели исходная выборка, которая не является однородной, была разделена на две группы. В первую группу вошли такие отрасли экономики, как промышленность, сельское хозяйство, транспорт и связь, торговля и общественное питание. Этими отраслями в 2006 г. произведено более 89% от общего объема валового выпуска по всем отраслям экономики РБ.
Таким образом, уравнения (4.2) и (4.4) обладают хорошими статистическими характеристиками, имеют правильные с точки зрения теории знаки. Полученные модели показывают, что для каждой отрасли экономики РБ инвестиции оказывают влияние на валовой выпуск как в краткосрочном, так и долгосрочном периодах.
Поскольку полученные уравнения являются адекватными, то можно интерпретировать коэффициенты моделей (4.2) и (4.4). Аналогично расчетам краткосрочного и долгосрочного откликов ВРП на изменение инвестиций, произведем оценку откликов валового выпуска на изменение инвестиций по отраслям экономики РБ. На основе формулы (3.13) получены следующие результаты (таблица 4.3).
Таким образом, в нерыночном секторе экономики, который является недоинвестированным, процентный прирост валового выпуска в долгосрочном периоде больше, чем в рыночном секторе. В этой ситуации крайне необходимы хорошо продуманные структурные реформы, в результате которых больше внимания следует уделить отечественным производителям, а также нерыночному сектору экономики, и в первую очередь - науке.
Рассмотрим динамику ввода в действие жилых домов за счет всех источников финансирования (в квадратных метрах общей площади) и инвестиций в жилищное строительство (в фактически действовавших ценах; тысячах рублей) за период 2000-2004 г.г. по 20 городам и 54 районам Республики Башкортостан [51].
Динамика жилищного строительства в целом по республике на интервале 1999-2006 г.г. показана на рис.4.15 и выглядит очень благополучно. Объемы строительства увеличились с 2000 г. на 36%. По объему вводимого жилья РБ занимает шестое место в Российской Федерации, уступая при этом г. Москве, Московской области, г. Санкт-Петербургу, Краснодарскому краю и Республике Татарстан [114]. По результатам ежегодного обследования деловой активности строительных организаций большинство руководителей (95% в 2006 г., 91% в 2005 г.) оценивали экономическую ситуацию в строительстве как «благоприятную» или «удовлетворительную» [Там же].
