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

В результате применения метода для каждой группы факторов были сформированы латентные переменные, представляющие собой линейную комбинацию исходных показателей с некоторыми весами, обусловленными статистически. Полученные аналитическим способом веса затем были нормированы. Данная процедура проводилась отдельно для каждого интегрального показателя.

Построенные методом главных компонент индексы объясняют свыше 70% разброса (в ряде случаев выше 80%), что позволяет нам использовать их в качестве композитных факторов для дальнейшего анализа зависимости. Результаты расчетов для индекса финансовой инфраструктуры представлены в Таблице 5.

Таблица 5

Индекс финансовой инфраструктуры

Наибольшее значение в оценке индекса финансовой инфраструктуры имеют величина активов и прибыли кредитных организаций, наименьший вес - у показателя объема выданных кредитов (17,35%).

Как можно увидеть, в оценке индекса производственного потенциала (Таблица 6) влияние выбранных показателей достаточно равномерно. Результаты показывают, что наибольшее влияние оказывает оборот розничной торговли (37,35%). Два других показателя имеют чуть меньший вес: объем продукции обрабатывающего производства - 29,7%, стоимость основных фондов - 32,95%.

Таблица 6

Индекс производственного потенциала

В Таблице 7 приведены расчетные результаты для индекса инновационно-деловой активности.

Таблица 7

Индекс инновационно-деловой активности

В совокупности влияние факторов также можно назвать равномерным. Два параметра из трех имеют близкие по своему значению веса: число малых предприятий и число организаций, проводивших исследования и разработки. Наименьшее значение в оценке индекса имеет показатель объема инновационных товаров и услуг (30,9%).

В оценке индекса потребительского потенциала (Таблица 8) наибольшее влияние оказывает величина денежных доходов (36,85%). Также немаловажное значение имеет размер потребительских расходов. Уровень участия в рабочей силе оказывает меньшее, но все же значительное влияние (27,15%).

Таблица 8

Индекс потребительского потенциала

Оценка индекса инвестиционного риска потребовала дополнительных соображений, поскольку применение метода главных компонент не позволило найти одну латентную переменную, объясняющую больше 70% разброса. Вероятнее всего, это обусловлено сильной разнородностью факторов, включенных в индекс: часть показателей характеризует экономический риск, часть - социальный и т.д. В таком случае сформировать одну переменную без потери основной информации практически невозможно.

В качестве решения было предложено сформировать индекс из двух главных компонент, в совокупности объясняющих 74,77%. Далее вновь возникла проблема определения весов эти двух переменных, составляющих интегральный показатель инвестиционного риска. Веса были определены опытным путем: первой компоненте был присвоен вес б, второй (1-б), после чего было построено 9 регрессий. В первой модели первый показатель имел наибольший вес (0,9), дальнейшие были построены с шагом в 0,1. По результатам оценки регрессий было выбрано то соотношение весов, при котором интегральный показатель риска имел наибольшую значимость. Экспериментальным путем было установлено, что первой компоненте стоит присвоить 0,1, а второй - 0,9. Расчетные значения после нормировки весов приведены в Таблице 9.

Таблица 9

Индекс инвестиционного риска

Согласно результатам, в оценке индекса инвестиционного риска наибольшее значение имеет задолженность по налогам и сборам в консолидированный бюджет (33,12%), наименьшее - степень износа основных фондов (10,46%).

Напомним, что построение композитных факторов на основе метода главных компонент имело своей главной целью снижение размерности для построения более адекватных моделей. В связи с этим ранжирование регионов РФ по сформированным индексам не предусмотрено.

4.4 Иерархическая модель влияния финансовой инфраструктуры на инвестиционную привлекательность региона

Изучение взаимосвязи региональной финансовой инфраструктуры и инвестиционной привлекательности региона следует начать с анализа полной выборки. Введем дополнительные обозначения для построенных композитных факторов (Таблица 10).

Таблица 10

Описание переменных

Посмотрим на диаграммы рассеивания, чтобы сделать вывод о характере зависимости инвестиций в основной капитал от выделенных интегральных показателей. На рисунке 6 изображена зависимость от индекса потребительского потенциала.

Следует отметить, что облако рассеивания выглядит таким образом, что с трудом можно сделать вывод о существовании единой зависимости. Вероятнее всего, влияние потребительского потенциала положительно, однако визуальный анализ свидетельствует о высокой неоднородности данных. Подобные выводы можно сделать и из анализа диаграмм рассеивания по другим факторам (см. Приложение 2).

Данные демонстрируют и довольно значительную неоднородность по периодам. Посмотрим на график изменения инвестиций в основной капитал по всей выборке (Рис. 7). Можно увидеть, что после кризисного 2014 года достигается низшая точка, а в 2016 показатель растет до величины, превышающей докризисные значения.

Рис. 6. Диаграмма рассеивания: зависимость инвестиций в основной капитал от индекса потребительского потенциала

Рис.7. Изменение инвестиций в основной капитал, 2010-2017гг.

Однако, такая тенденция не является общей в разрезе отдельных регионов. На рисунке 8 представлено изменение зависимой переменной во времени для субъектов Центрального федерального округа. Сценарий развития, похожий на картину по общей выборке, наблюдается только для Москвы, Московской и Воронежской областей. В отдельных случаях можно заметить не такое масштабное падение инвестиций после кризиса и не столь значительный рост (например, в Белгородской области). Для некоторых субъектов отмечается нисходящий тренд (Липецкая, Калужская области) или отсутствие заметных колебаний в рамках рассматриваемого временного интервала. Остальные графики по регионам представлены в Приложении 3.

Рис. 8. Графики изменения инвестиций в основной капитал по регионам, 2010-2017гг.

Итак, региональные данные по зависимой переменной неоднородны и по периодам. Заметим, что мы рассматривали изменение ивестиций в основной капитал по субъектам внутри одного федерального округа, что уже на начальном этапе исследования свидетельствует в пользу гипотезы №2а. В связи с этим затрудняется построение моделей с детерминированными эффектами, поскольку весьма вероятно, что данные по кластерам не сливаются в панель.

Что касается различий данных по объектам, можно ожидать, что различия будут еще больше. Это подтверждают результаты визуального анализа по всей выборке (Рис. 9). Как можно увидеть, в среднем по регионам доля инвестиций в основной капитал в ВРП изменялась во времени не столь масштабно. Напротив, различия по объектам весьма существенны, причем неоднородность стала значительно выше в 2016-2017гг.

Рис. 9. Распределение значений зависимой переменной по периодам.

Аналогичные выводы можно сделать по соответствующим графикам изменения интегральных показателей (см. Приложение 4).

Наконец, посмотрим на описательные статистики (Рис. 10). Важно отметить, что разброс between больше, чем разброс регрессии within для всех регрессоров. Это говорит о том, что неоднородность в данных в большей степени обусловлена различием между регионами, о чем уже говорилось выше. Для зависимой переменной, напротив, больше разброс регрессии within, что свидетельствует о сильных различиях в данных по периодам.

Рис. 10. Описательные статистики по переменным.

Перейдем к тестированию данных на сливаемость. В первую очередь проверим, сливаются ли данные в панель по регионам, оценив индивидуальные регрессии, модель с фиксированными эффектами (FE) и модель сквозной регрессии Pool. Результаты серии F-тестов представлены в Таблице 11.

Таблица 11

Результаты F-тестов на сливаемость данных по регионам

Расчетные результаты первого F-теста показывают, что гипотеза о равенстве коэффициентов в отвергается на уровне значимости в 1%. Это говорит о том, что нельзя полагать коэффициенты в одинаковыми для всех регионов, нужно строить индивидуальные регрессии. Во втором тесте нулевая гипотеза также отвергается на уровне значимости в 1%, то есть, сквозная регрессия не позволяет описывать данные, коэффициенты б и в должны быть разными для каждого объекта. Наконец, третий тест показывает, что при выборе между моделью с фиксированными эффектами и Pool предпочтение следует отдать первой. Таким образом, данные не сливаются в панель по объектам, что обусловлено сильной разнородностью регионов.

Результаты тестирования сливаемости по периодам представлены в Таблице 12.

Таблица 12

Результаты F-тестов на сливаемость данных по периодам