Диссертация: Исследование влияния финансовой инфраструктуры регионов на показатели регионального инвестиционного климата

Мы предполагаем, что каждый из компонентов инвестиционного потенциала и риска может быть измерен посредством агрегирования соответствующего набора статистически наблюдаемых показателей. Основная проблема, связанная с этой задачей, заключается в определении системы весов. Нередко веса входящих в индекс показателей определяются исследователем произвольно: на основании общих рассуждений или каком-либо экспертном мнении. В некоторых случаях компонентам присваивается равный вес, в других при ранжировании определяется главный фактор, вес которого становится самым большим в системе.

На наш взгляд, подобные решения статистически не обоснованы и потому могут вызывать сомнения. В связи с этим для построения интегральных показателей в данной работе предлагается использовать метод главных компонент (МГК). К достоинствам этого подхода следует отнести возможность выявления скрытых взаимосвязей между переменными, входящими в индекс. Что еще более важно, система весов приобретает статистическое обоснование.

Тем не менее, у метода главных компонент применительно к панельным данным имеется существенный недостаток. Использование этого подхода возможно только при условии, что данные приведены к стандартизованному виду, и в таком случае нельзя учесть панельную структуру. В настоящей работе эта проблема была решена следующим образом: процедура стандартизации проводилась для каждого года отдельно (см. формулу (1)). Таким образом, данные были приведены к стандартизованному виду, но панельная структура не была утеряна.

Сущность метода главных компонент состоит в сокращении числа используемых переменных при максимально возможном сохранении информации. В данной работе исходные данные были преобразованы таким образом, что в каждом блоке сформировалась главная компонента - индекс, объясняющий больше 70% разброса входящих в него показателей. При этом рассчитываются и искомые веса для агрегирования.

На основе сформированного массива данных возможно построение интегральных показателей по пяти вышеуказанным группам в целях сокращения размерности задачи. Предполагаемая эконометрическая модель выглядит следующим образом:

Y = F (A1, A2, A3, A4, A5) = в1 + в2* A1+ в3* A2 +в4* A3 + в5* A4 + в6* A5,

где Y - инвестиции в основной капитал (доля в ВРП),

A1 = F(x1) - индекс производственного потенциала,

A2 = F(x2) - индекс финансовой инфраструктуры,

A3 = F(x3) - индекс инновационно-деловой активности,

A4 = F(x4) - индекс потребительского потенциала,

A5 = F(x5) - индекс инвестиционного риска,

x1, x2, x3, x4, x5 - соответствующие наборы статистически наблюдаемых показателей,

в1, в2, в3, в4, в5, в6 - коэффициенты регрессии.

Вышепредставленный набор показателей, безусловно, не является исчерпывающим, и в действительности инвестиционная привлекательность находится под влиянием и других факторов. Стоит отметить, что предварительный список включал большее количество переменных, объясняющих дополнительные стороны исследуемого явления (например, объем выбросов загрязняющих веществ как индикатор экологического риска, протяженность автомобильных дорог как показатель развития дорожной инфраструктуры и т.д.). Часть показателей была исключена из массива данных на этапе корреляционного анализа (см. Приложение 1) в силу отсутствия сильной взаимосвязи с зависимой переменной.

Перейдем к гипотезам, соответствующим цели данного исследования.

Гипотеза №1. Финансовая инфраструктура региона положительно влияет на его инвестиционную привлекательность.

Как показали результаты анализа научной литературы, характер исследуемой взаимосвязи не столь однозначен: встречаются выводы как о положительном, так и об отрицательном влиянии (хоть и примеров последнего существенно меньше). Учитывая высокую степень неоднородности российских регионов в социально-экономическом плане, необходимо использовать модели для исследования панельных данных, позволяющих учесть ненаблюдаемые индивидуальные эффекты.

В частности, с помощью моделей Fixed effect (FE) и Random effect (RE) можно оценить индивидуальные характеристики исследуемых объектов, включая ненаблюдаемые параметры. Такой подход более адекватно описывает данные по сравнению со «сквозной» регрессией Pool, предполагающей единые коэффициенты для всей выборки без учета панельной структуры.

В модели с детерминированными эффектами свободный член является специфичным для каждого объекта выборки. В таком случае константа отражает пропущенные или ненаблюдаемые индивидуальные эффекты регионов, не изменяющиеся во времени. Уравнение модели Fixed effect можно описать следующим образом:

yit = Xit?в + бi + еit, (2)

где yit - инвестиции в основной капитал (доля в ВРП),

Xit?в - линейная комбинация характеристик региона i, определяющих его инвестиционную привлекательность,

в - вектор коэффициентов регрессии,

бi - ненаблюдаемый постоянный во времени индивидуальный эффект,

еit - вектор случайных ошибок.

Модель со случайным индивидуальным эффектом (RE) также предполагает специфичность константы для каждого объекта. Однако в данном случае ненаблюдаемые эффекты объектов приобретают случайный характер. Уравнение модели принимает следующий вид:

yit = Xit?в + u, (3)

где u = еit + бi - составная ошибка регрессии, содержащая случайную ошибку и индивидуальный случайный эффект, инвариантный по времени для каждого объекта, соответственно.

Однако, проблема неоднородности объектов применительно к российским региональным данным стоит особенно остро. Хорошим инструментом для учета подобной дифференциации может служить иерархическая модель Mixed effect, с помощью которой можно оценить индивидуальные коэффициенты при интересующем факторе для каждого объекта в отдельности (Demidenko, 2004). Уравнение модели можно записать следующим образом:

Yj = Xj?в + Zj?uj+ еj, (4)

где j - количество групп (кластеров),

Xj - матрица регрессоров для детерминированных эффектов,

в - коэффициенты регрессии,

Zj - матрица регрессоров для случайных ненаблюдаемых эффектов uj,

еj - случайная ошибка.

В рамках иерархической модели RE-оценки нельзя получить прямым образом, но предполагается, что их можно охарактеризовать, используя элементы вариационно-ковариационной матрицы.

Мы предполагаем, что оценить влияние финансовой инфраструктуры на региональную инвестиционную привлекательность корректнее всего делать именно c помощью модели Mixed effect, ведь субъекты значительно отличаются друг от друга экономически.

Гипотеза №2. Влияние финансовой инфраструктуры может проявляться по-разному в зависимости от внутренних особенностей групп, в которые объединены регионы.

В условиях сильнейшей дифференциации субъектов в экономическом плане, имеет смысл реализовать идею кластеризации объектов.

Кластерный анализ основывается на выделении групп объектов, отличных друг от друга, но однородных внутри кластера. Это позволяет более точно описывать действующие механизмы, поскольку внутренние характеристики группы могут влиять (прямо или косвенно) на взаимосвязи между изучаемыми явлениями. Использование классификации регионов по некоторым показателям, на наш взгляд, необходимо для настоящего исследования в силу значительной социально-экономической дифференциации субъектов РФ. Благодаря такому подходу станут возможны более качественные рекомендации по проведению адресной экономической политики в отношении регионов разных групп.

В данной работе рассматриваются два вида кластеризации:

- по федеральным округам;

- по преобладающему типу производственной деятельности.

Первый вариант интересен по той причине, что регионы одного федерального округа имеют единую систему администрирования, однако, с экономической точки зрения такое деление не вполне обоснованно. В связи с этим, возникает вопрос о том, существуют ли различия во влиянии финансовой инфраструктуры в регионах, принадлежащим разным округам, или же объекты настолько разнородны, что учет индивидуальных эффектов стоит проводить в региональном разрезе.

Второй тип кластеризации позволит учесть региональные особенности, обусловленные основным видом производственной деятельности. С помощью анализа по подобным группам можно определить, является ли развитие инфраструктуры в финансовой сфере эффективным инструментом для повышения инвестиционной привлекательности регионов разной специализации.

Основой для классификации регионов по преобладающему типу производственной деятельности стала работа Ш.Г. Хуршудян (2016), которая предлагает типологию по структуре ВРП. Автором сформировано пять укрупненных групп из существующих разделов ВРП (Таблица 4).

Таблица 4. Укрупненные разделы структуры ВРП

Помимо пяти вышеуказанных секторов, выделяют диверсифицированный тип. Стоит также отметить, что некоторые регионы были определены в два кластера одновременно, поскольку они имеют высокие доли нескольких секторов в ВРП.

На основе предложенной типологии регионы были распределены по группам однозначно (каждая область попадает только в один сектор). В таком модифицированном виде данная классификация будет использована в дальнейшей работе.

С учетом выбранных подходов к типологии российских регионов, можно сформулировать следующие уточняющие предположения:

2а. Влияние финансовой инфраструктуры в разрезе федеральных округов не проявляется, поскольку такое административное деление создает группы регионов, разнородных в экономическом смысле.

2b. В регионах торгово-финансового, промышленного и диверсифицированного типа финансовая инфраструктура положительно влияет на инвестиционную привлекательность.

2c. В регионах, где преобладает сырьевой, аграрно-ресурсный, бюджето-зависимый тип производственной деятельности, можно ожидать отрицательного влияния финансовой инфраструктуры на инвестиционную привлекательность.

Для проверки выдвинутых гипотез можно применять методологию моделей с фиксированными и случайными эффектами в разрезе выделенных кластеров. Следует отметить, что подобные инструменты эффективны, если группы имеют достаточную наполненность, что в случае деления на федеральные округа достигается не всегда. Кроме того, как мы предполагаем, регионы в рамках одного ФО могут быть достаточно неоднородны, что не позволит построить модели FE и RE, если данные не сливаются в панель.

В случае с делением по виду производственной деятельности группы должны обладать большей внутренней однородностью. Однако, проблема малочисленности некоторых кластеров остается нерешенной. В связи с этим, наиболее предпочтительным вариантом для проверки выдвинутых гипотез является методология иерархической модели (Mixed effect), позволяющей проводить оценку по всей выборке с наложением индивидуальных коэффициентов группы на интересующий фактор.

Гипотеза №3. Величина инвестиций в основной капитал положительно зависит от своего предыдущего значения в силу инерционности инвестиционного процесса.

В данной работе инвестиции в основной капитал принимаются в качестве показателя регионального инвестиционного климата. Естественно предположить, что величина инвестиций в предыдущем периоде будет оказывать влияние на текущий уровень инвестиционной привлекательности. Это можно объяснить тем, что эффект от вложений проявляется с некоторым временным лагом.

Для проверки выдвинутого предположения необходимо оценивать динамические модели анализа панельных данных. Использование методологии Fixed effect и Random effect в данном случае некорректно в силу возникающей эндогенности при добавлении лага зависимой переменной. Наиболее подходящим инструментом для анализа являются модели Ареллано-Бонда и Бланделла-Бонда, основанные на обобщенном методе моментов.

Переходя к непосредственно практической части работы, следует начать с формирования интегральных показателей и весов входящих в них компонентов.

4.3 Построение композитных факторов

Интегральные показатели, характеризующие ключевые компоненты инвестиционного потенциала и риска, построены с помощью метода главных компонент. Применение данного метода целесообразно для настоящего исследования, поскольку он позволяет снизить количество используемых факторов в модели. Помимо этого, согласно одному из предположений факторного анализа, при однонаправленном изменении показателей можно выявить скрытые взаимосвязи между ними.