Эконометрические методы изучения макроэкономических моделей

Валова Мария Игоревна

Эконометрические методы изучения макроэкономических моделей

Объектом исследования являются федеральные округа Российской Федерации, а предметом – социально-экономическое неравенство федеральных округов РФ. Целью выпускной работы является попытка выявления возможного влияния географического положения на развитие регионов Российской Федерации, выявление факторов, влияющих на неоднородное развитие округов РФ с помощью эконометрических инструментов. Теоретическое изучение выбранной проблематики проводилось методом анализа соответствующей литературы. Прикладное исследование было произведено с помощью эконометрического анализа, а именно, построения системы одновременных уравнений для федеральных округов России, и анализа панельных данных по основным макроэкономическим показателям. ВКР состоит из введения, двух глав и заключения. В I главе рассматривается проблема регионального неравенства: причины и возможные последствия. Во II главе приведено теоретическое описание систем одновременных уравнений и моделей панельных данных, также в данной главе построена система одновременных уравнений и модель панельных данных для федеральных округов, а также представлен анализ федеральных округов с точки зрения их привлекательности. В заключении сформулированы основные выводы, полученные при анализе неравенства федеральных округов.

Экономика и экономические науки

Дипломы

Вуз: Санкт-Петербургский государственный университет (СПбГУ)

ID: 587d36315f1be77c40d58909

UUID: 1214e236-bbb7-455b-a9f2-42bd54bfdb60

Язык: Русский

Опубликовано: больше 7 лет назад

Просмотры: 167

Валова Мария Игоревна

Источник: Санкт-Петербургский государственный университет

Комментировать 0

Рецензировать 0

Скачать - 2618751 bytes

Поделиться работой

Санкт-Петербургский государственный университет 1 ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА по направлению «Экономика» ЭКОНОМЕТРИЧЕСКИЕ МЕТОДЫ ИЗУЧЕНИЯ МАКРОЭКОНОМИЧЕСКИХ МОДЕЛЕЙ Выполнил: Обучающийся 4 курса, группы МиСМЭ-4, Валова Мария Игоревна ____________/Подпись/ Научный руководитель: Кандидат экономических наук, доцент Евстратчик Светлана Васильевна ___________/Подпись/ Санкт-Петербург 2016

2 Содержание Введение ........................................................................................................................................ 3 Глава I Экономика России ....................................................................................................... 5 1.1 Региональное неравенство округов РФ ................................................................................. 5 1.2 Причины и возможные последствия регионального неравенства .................................... 10 Выводы по главе I........................................................................................................................ 12 Глава II Регрессионный и панельный анализ ..................................................................... 13 2.1 Системы одновременных уравнений ................................................................................... 13 2.1.1 Методы оценивания ........................................................................................................ 16 2.1.2 Инструментальные переменные. Тест Хаусмана .......................................................... 22 2.2 Построение и оценивание СОУ ........................................................................................... 24 2.3 Модели панельных данных .................................................................................................. 29 2.3.1 Базовая модель панельных данных ................................................................................ 29 2.3.2 Модели с фиксированными и случайными эффектами ............................................... 31 2.3.3 Выбор наилучшей модели ............................................................................................... 36 2.4 Построение и анализ моделей панельных данных ............................................................. 38 2.5 Выбор наиболее предпочтительного округа ....................................................................... 41 Выводы по главе II ...................................................................................................................... 49 Заключение ................................................................................................................................. 50 Список использованной литературы .................................................................................... 52 Приложение 1 Система уравнений 2 ........................................................................................ 53 Приложение 2 Система уравнений 3 ........................................................................................ 54 Приложение 3 Система уравнений 4 ........................................................................................ 55 Приложение 4 Система уравнений 5 ........................................................................................ 56 Приложение 5 Система уравнений 6 ........................................................................................ 57 Приложение 6 Система уравнений 7 ........................................................................................ 58 Приложение 7 Система уравнений 8 ........................................................................................ 59 Приложение 8 Модель с фиксированными эффектами .......................................................... 60 Приложение 9 Модель со случайными эффектами................................................................. 61 Приложение 10 Данные .............................................................................................................. 62 Приложение 11 Данные .............................................................................................................. 65

3 Введение Российская Федерация является крупнейшим по площади мировым государством, соответственно, не может не быть различий в уровне развития отдельных регионов. Данная особенность присуща большинству стран, имеющих крупные географические территории. По данным исследователей из Кембриджа1, В 2013 году Россия занимала третье место в мировом рейтинге по неравенству регионов. Целью выпускной работы является попытка выявления возможного влияния географического положения на развитие регионов Российской Федерации, выявление факторов, влияющих на неоднородное развитие округов РФ с помощью эконометрических инструментов. В соответствии с поставленной целью требуется выполнить ряд задач: 1. Изучить вопрос неравномерности развития регионов РФ; 2. Анализировать литературу в области систем одновременных уравнений и панельных данных; 3. Собрать и систематизировать статистические данные; 4. Построить модели и провести анализ. Объектом исследования являются федеральные округа Российской Федерации, а предметом – социально-экономическое неравенство федеральных округов РФ. Вначале будут рассмотрены экономические аспекты выбранной темы: экономика России в 2000-2014 годах, анализ регионов, причины и возможные последствия неравенства регионов. Затем будут рассмотрены способы и методы возможного выявления закономерностей. Описание сложных экономических явлений и процессов невозможно выполнить с помощью только одного эконометрического уравнения, зачастую бывает не достаточно построить даже множественную модель регрессии, ввиду того, что она не даёт значимых результатов, или же эти результаты абсурдны. К примеру, такие модели, как макроэкономическая модель Кейнса, Вальраса, Леонтьева описываются с помощью нескольких уравнений, т.е. систем. Следовательно, чтобы изучать и оценивать такие сложные модели, требуется владеть эконометрическим анализом систем одновременных уравнений. Таким образом, в работе будут рассмотрены такие инструменты анализа экономической ситуации в России, как основы регрессионного анализа, в частности, 1 http://www.finmarket.ru/main/article/3303366

4 систем одновременных уравнений и основы панельных данных, т.к. зачастую, для более полного анализа необходимо оценивать данные по множеству объектов за некоторый период времени. В качестве практической реализации, будет построена и проанализирована система одновременных уравнений, а также будут изучены модели анализа панельных данных для Федеральных округов России. На основе построенных моделей будут сформулированы основные выводы и заключения. Данные по федеральным округам, которые использовались для анализа, были получены с помощью Федеральной службы государственной статистики. В работе были использованы средства Excel, а также прикладной программный пакет Gretl, в котором производились основные расчёты и построение моделей.

5 Глава I Экономика России 1.1 Региональное неравенство округов РФ Наша страна является крупнейшим по площади мировым государством, соответственно, необходимы административно-территориальные образования, которые разделяют территорию всего государства на ряд зон. Данное разделение необходимо для проведения успешной внутренней политики государства, проведения контроля, безопасности, а также для улучшения экономического, социального и политического положения каждого субъекта. Федеральные округа РФ были организованы по Указу президента Российской Федерации В. В. Путина 13 мая 2000 года. Ф.О. были созданы по аналогии с экономическими районами и военными округами. На данный момент в РФ существует девять Федеральных Округов (в т ч Крымский). В работе не будет рассмотрен Крымский ФО, ввиду того, что данный округ не входил в состав Российской Федерации до 2014 года. Рисунок 1.1 Федеральные округа Российской Федерации2 В таблице 1.1 представлены основные характеристики рассматриваемых Федеральных округов – суммарная площадь, количество входящих субъектов РФ, а также – административный центр. 2 Федеральные округа РФ: http://see2me.ru/karta-federalnyh-okrugov-rossii-s-krymom.html

6 Таблица 1.1. Федеральные округа России3 Площадь (км2) № Название Ф.О. 1 2 3 4 5 6 7 8 Центральный Южный Северо-Западный Дальневосточный Сибирский Уральский Приволжский Северо-Кавказский Субъектов РФ 652 800 416 840 1 677 900 6 215 900 5 114 800 1 788 900 1 038 000 172 360 18 6 11 9 12 6 14 7 Административный центр Москва Ростов-на-Дону Санкт-Петербург Хабаровск Новосибирск Екатеринбург Нижний Новгород Пятигорск Одной из значимых характеристик Федеральных округов является показатель Валового Регионального Продукта. Валовой Региональный Продукт [млн.руб] – это стоимость произведенных услуг и товаров резидентами данного региона для конечного пользования. Расчёт производится как в основных, так и в постоянных ценах. Данный показатель считается важным не только с точки зрения сравнения потребления и производства ВРП, но и со стороны рассмотрения уровня благосостояния жителей данного субъекта. Анализируя показатели ВРП за период для различных округов, представленные на рисунке 1.2 можно заметить существенную разницу в абсолютных значениях. Такое различие в уровнях ВРП в разных регионах доходит до 19 триллионов рублей. 25000000 Центральный Ф.О Северо-Западный Ф.О. Южный Ф.О. Северо-Кавказский Ф.О. Приволжский Ф.О. Уральский Ф.О. Сибирский Ф.О. Дальневосточный Ф.О. 20000000 15000000 10000000 20 820 579 5000000 1 587 148 0 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Рисунок 1.2 ВРП в Федеральных округах Можно заметить, что тенденции развития – общие, т.е. в целом, тренды развития одинаковы. 3 Виртуальная Россия: http://virru.ru/federalnye-okruga-rossii

7 На рисунке 1.3 представлен суммарный ВРП по всем регионам. Видно, что лишь в 2008-2009 году отмечается снижение ВНП, что можно объяснить Мировым Финансовым Кризисом тех лет. 60000000,00 50000000,00 58 745 033 млн. руб. 40000000,00 30000000,00 20000000,00 10000000,00 0,00 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Рисунок 1.3 ВВП в России (млн руб) Ещё одним индикатором развития регионов является уровень прямых инвестиций. С помощью данного показателя можно оценить, однородны ли суммы средств, которые направляются на развитие основных фондов регионов. Инвестиции в экономики регионов России [млн.руб] – сумма затрат, которые были направлены на строительство, реконструкцию, модернизацию основных фондов. Данные затраты должны повышать начальную стоимость объекта, либо быть направлены на покупку транспортных средств, оборудования и т.п. 16000000 13 557 515 млн.руб 14000000 12000000 10000000 8000000 6000000 4000000 2000000 0 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Рисунок 1.4 Российская Федерация. Инвестиции (млн.руб) На рисунке 1.4 представлен график суммарных прямых инвестиций во все регионы России. В целом, тенденции развития уровня ВВП и уровня прямых инвестиций совпадают.

8 Инвестиции являются достаточно важным показателем, ввиду того, что благодаря инвестированию регионы Российской экономики имеют возможность для развития своих предприятий, увеличения объёмов производства. Благодаря инвестициям возможно совершенствование производственных и технологических процессов отечественных предприятий. Соответственно, при высоком уровне инвестиций в регионе можно сделать предположение о том, что производство совершенствуется в данном регионе. 4000000 Центральный Ф.О Северо-Западный Ф.О. Южный Ф.О. Северо-Кавказский Ф.О. Приволжский Ф.О. Уральский Ф.О. Сибирский Ф.О. Дальневосточный Ф.О. 3500000 3000000 2500000 2000000 3 435 974 1500000 1000000 500000 516 921 0 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Рисунок 1.5 Инвестиции в Федеральные округа (млн.руб) На рисунке 1.5 видно, что уровень поступающих инвестиций в регионы различен. В 2014 году разница между инвестициями в Центральный ФО и Северо-Кавказский ФО составляет чуть меньше чем 3 000 000 млн. руб. Не представляется возможным рассматривать Федеральные округа не уделяя должного внимания на показатель занятости населения. Занятость является достаточно важной характеристикой экономики региона и страны в целом. Также занятость характеризует рынок труда региона. Уровень занятости является важной характеристикой экономического роста, т.к. при высоком уровне безработицы не возможен ни экономический рост страны, ни развитие отдельного региона. Среднегодовая занятость в экономике регионов России [тыс.чел] – это показатель, который формируется исходя из расчета баланса трудовых ресурсов по месту работы. К занятым относят тех лиц, которые за интересуемый период:  оплачиваемую работу (по найму);  работу не по найму, но приносящую доход с привлечением или без наёмных рабочих;

9  работу на семейном предприятии;  отсутствовали на рабочем месте;  были заняты в домашнем хозяйстве и производили товары и услуги для реализации. Также, в данный показатель включают работающих иностранных граждан, которые временно или постоянно проживают на территории РФ. 69000 68500 68000 67500 67000 66500 66000 65500 65000 64500 64000 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Рисунок 1.6 Россия. Среднегодовая занятость в экономике (тыс. чел) В 2014 году уровень безработицы в Центральном ФО составил 0,7 %, а в СевероКавказском, в свою очередь, данный показатель был зарегистрирован на уровне 4,3%. Соответственно, уровень безработицы в Северо-Кавказским ФО более чем в 6 раз выше, чем в Центральном ФО. Среднедушевые денежные доходы населения регионов России [руб] – сумма денежных средств, которую заработал усредненный работник за месяц. Данный показатель рассчитывается с помощью деления годовой суммы доходов на количество месяцев (12) и на среднегодовую численность населения. Существует разница не только между количеством занятых и безработных, но и уровень оплаты труда различен. К примеру, в 2014 году разница между Центральным и Северо-Кавказским ФО составила порядка 14 тысяч рублей. В Центральном ФО средняя заработная плата составила 34 970 рублей, а в Северо-Кавказском ФО в среднем работающие получают 20 692 рублей.

10 40000 35000 30000 25000 20000 15000 Центральный Ф.О Северо-Западный Ф.О. Южный Ф.О. Северо-Кавказский Ф.О. Приволжский Ф.О. Уральский Ф.О. Сибирский Ф.О. Дальневосточный Ф.О. 34970 20692 10000 5000 0 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Рисунок 1.7 Различия средней заработной платы в РФ Рассмотрев показатели ВРП, уровня инвестирования в регионы, среднюю заработную плату и уровень безработицы каждого региона, можно сделать вывод о том, что регионы развиваются не равномерно и отмечается существенная разница, к примеру, между Центральным ФО и Северо-Кавказским ФО. 1.2 Причины и возможные последствия регионального неравенства Существуют так называемые объективные причины неравенства регионов. Эти причины были рассмотрены в 2010 году работе Н.В. Зубаревич4. Одной из естественных причин является тот факт, что некоторые регионы обладают конкурентными преимуществами сразу по нескольким показателям. К примеру, Центральный ФО обладает наибольшим уровнем оплаты труда, самым высоким уровнем инвестирования и другие показатели являются более привлекательными по сравнению с остальными регионами. Как следствие, в ЦФО наблюдается высокий уровень ВРП и низкий уровень безработицы. П. Кругманом5 рассматривается систематизация таких конкурентных преимуществ отдельных территорий. Выделяются факторы «первой природы» - т.е. обеспеченность природными ресурсами, которые необходимы рынку и производству. Здесь же рассматривается положение региона с точки зрения географии, транспортной доступности и т.п. К факторам «второй природы» относятся такие преимущества, которые созданы с 4 http://ecsocman.hse.ru/data/2015/05/25/1251201390/15-26_Zubarevich.pdf Fujita M., Krugman P. The New Economic Geography: Past, Present and the Future // Papers in Regional Science. — Wiley-Blackwell, 2004. — Vol. 83. — P. 139—164. 5

11 помощью деятельности человека. Таковыми являются: эффект агломерации, человеческий капитал, образование, условия для развития бизнеса, инноваций. При развитии общества и экономики преимущества первой группы факторов снижается, важнейшими и определяющими становятся факторы второй группы. Экономические различия регионов, которые измеряются Валовым Региональным Продуктом, не так существенны для населения. Общество волнует больше социальное неравенство – различные уровни доходов населения, занятости и безработицы, образования и т.д. Социальное неравенство затормаживает рост всего государства, имеет негативное влияние на развитие, как человеческого капитала, так и различных институтов. Одним из способов борьбы с социальным неравенством в регионах рассматривается миграция населения в наиболее благоприятные регионы. Существование данного метода находит своё подтверждение в достаточно высоком уровне миграции населения в Центральный ФО. Однако, миграция является неоднозначным процессом, с одной стороны – миграция трудовых ресурсов помогает ликвидировать дефицит рабочей силы, с помощью конкуренции работников увеличивается качество труда местного населения, увеличивается спрос на товары, которые реализуются в данном регионе. Но в то же время, отрицательное влияние миграции является достаточно важным. Ситуация на рынке рабочей силы, как правило, ухудшается и осложняется, т.к. местные жители бывают вытеснены с этого рынка ввиду миграции, которая выступает в роли дешевой рабочей силы. Мигранты оказывают существенную нагрузку на социальную инфраструктуру (сады, школы, мед. учреждения). Немаловажным является негативное отношение коренных жителей к приезжающим мигрантам. А также, большие скопления приезжих пытаются навязать культуру и традиции тому месту, в которое они приехали. Происходит коинтеграция культур, а чаще всего – приезжие не принимают местные традиции и устои и, соответственно, могут возникать межэтнические конфликты. Соответственно, пытаясь решить проблему социального неравенства регионов с помощью миграционных процессов, возникают новые вопросы и трудности. Ещё одним фактором межрегионального неравенства внутри одной страны являются государства-соседи конкретных округов. К примеру, Соседство Дальневосточного и Сибирского ФО с Китаем не может избежать непосредственного влияния на округа данной страны с точки зрения экономики и миграции населения. Близость Скандинавских стран с Северо-Западным ФО также накладывает свой отпечаток на развитие округа.

12 Деятельность государства, как важнейшего политического института, должна быть направлена на уменьшение социального неравенства между субъектами одной страны. Считается, что следует вводить перераспределение финансовых ресурсов с помощью различных инструментов. Требуется помогать как населению и бизнесу отсталых регионов с помощью льгот и субсидий, так и уделять особое внимание развитым территориям для того, чтобы развивать их потенциал. Выводы по главе I 1. Регионы России развиваются неравномерно ввиду большой территории страны и различных условий для проживания и развития бизнеса. 2. Существуют различия не только экономические, но и социальные, которые заключаются в дифференциации уровня оплаты труда, занятости и безработицы. 3. Рассматривая показатели ВРП, уровня инвестиций, уровня безработицы и среднего уровня оплаты труда, можно заметить, что Центральный ФО отличается наилучшими значениями этих показателей, а наименее - Северо-Кавказский ФО. 4. Необходима финансовая помощь регионам для обеспечения достойных уровней оплаты труда некоторым категориям граждан. 5. Требуется «выращивание» преимуществ отсталых регионов для их развития и привлечения инвестиций и капитала. 6. Неоспоримо, человеческого образованию. важным капитала, фактором развития следовательно, регионов требуется является уделять формирования особое внимание

13 Глава II Регрессионный и панельный анализ 2.1 Системы одновременных уравнений Системы одновременных уравнений – это такое множество эконометрических уравнений, которое определяет взаимозависимости между экономическими переменными, при которой одни и то же переменные могут быть как справа, так и слева в разных уравнениях имеющейся системы. Y1  b12 * Y2  b13 * Y3  ...  b1m * Ym  a11 * X 1  a12 * X 2  ...  A1n * X n   1  Y2  b21 * Y1  b23 * Y3  ...  b2m * Ym  a21 * X 1  a22 * X 2  ...  A2n * X n   2  .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... . Y  b * Y  b * Y  ...  b * Ym1  am1 * X 1  am 2 * X 2  ...  Amn * X n   m m ( m 1)  m m1 1 m 2 2 (2.1) Сами уравнения, виды связей между переменными определяются с помощью законов экономики и экономической теории. Зависимыми переменными могут быть не только экзогенные переменные, но и значения эндогенных переменных с лагом. Такие переменные, как климатические условия, социального положения, пола, возраста, так называемые, неэкономические, могут входить в уравнения только в качестве экзогенных переменных. Также экзогенными могут быть эндогенные переменные за предшествующие временные периоды. Структурная форма модели, записанная в формуле (2.1), справа содержит при внутренних переменных коэффициент bij, а при экзогенных - aij. Последние же называют структурными коэффициентами модели. Приведенная форма модели – это такая система, в которой все внутренние переменные выражаются через экзогенные: Y1   11 * X 1   12 * X 2  ...   1n * X n  u1  Y2   21 * X 1   22 * X 2  ...   2 n * X n  u 2  .......... .......... .......... .......... .......... ......... Y   * X   * X  ...   * X  u m1 1 m2 2 mn n m  m (2.2) В данной формуле δij – являются коэффициентами приведенной форму модели, а ui – это остатки для этой приведенной формы модели.

14 Приведенная форма выражается в виде системы независимых уравнений. Следовательно, её параметры можно оценивать с помощью обыкновенного Метода Наименьших Квадратов. Несомненным плюсом приведенной формы модели является то, что можно получить значения внутренних переменных через значения внешних, но отрицательным является тот факт, что в приведенной форме отсутствуют оценки взаимосвязи между внутренними переменными, а так же сами коэффициенты трудно интерпретировать с экономической точки зрения. Введём следующие обозначения:          y1t   x1t   1t  11 1 m 1k    11        yt   , xt   ,  t   , B      , Г            y  x       m1   mk  mm   mt   kt   mt   m1 Мы можем записать систему одновременных уравнений с помощью данных обозначений в векторно-матричной форме. B  yt  Г  xt   t (2.3) Помимо регрессионных (поведенческих) уравнений в модели могут содержаться тождества, в виде алгебраических соотношений эндогенных переменных. Важнейшее требование к экзогенным переменным – вектора 𝑥𝑡 и 𝜀𝑡 должны быть некоррелированными в каждом t. Перечислим основные предположения6: 1. Математическое ожидание ошибок равно нулю, т.е. E ( t )  0 ; 2. E (  ' )   причем матрица  не зависит от t и положительно определена; t t 3. При t  s векторы  t и  некоррелированы; s 4. Матрица В является невырожденной. Ввиду того, что матрица В невырождена, помножим обе части уравнения на В-1: yt   B 1  Г  xt  B 1 *  t  П  xt  vt (2.4) В данном уравнении: 6 Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс: Учебник – 6-е изд., перераб. и доп. – М.:Дело, 2004. – 233

15 П   B 1  Г (2.5) vt  B 1   t Выражения, записанные в соотношении (2.5), называют приведенной формой модели. Видно, что эндогенные (внутренние) переменные и ошибки в структурной форме коррелированы, следовательно, применять для оценки метод МНК нельзя, т.к. он даёт несостоятельные и смещённые оценки для структурных коэффициентов. Идентификация – это возможность единственным образом выразить структурные коэффициенты через приведенные коэффициенты модели.7 Уравнение в структурной форме идентифицируемо, если идентифицируемы все его коэффициенты. По выполнению свойства идентифицируемости структурные модели подразделяются на три следующих вида: идентифицируемые, неидентифицируемые, сверхидентифицируемые. Модель является идентифицируемой в том случае, если все её структурные коэффициенты можно единственным образом выразить через коэффициенты приведенной формы. В таком случае возможно однозначно получить оценки структурных коэффициентов. Модель является неидентифицируемой, если количество приведенных коэффициентов строго меньше числа структурных коэффициентов, соответственно, структурные коэффициенты невозможно оценить через коэффициенты приведенной формы. Данная модель является нерешаемой. Модель является сверхидентифицируемой в том случае, если число приведенных коэффициентов строго больше количества структурных коэффициентов. Данную модель можно решить с Сверхидентифицируемая помощью модель специальных включает методов в себя оценки как параметров. минимум одно сверхидентифицируемое уравнение. Обозначим: o число эндогенных факторов в i-м структурном уравнении = H, o число экзогенных факторов, не входящих в данное уравнение = D Запишем необходимое условие идентифицируемости модели: 7 Белько И. В. Эконометрика. Практикум: Учебное пособие / И. В. Белько, Е. А. Криштапович. – Минск: Изд-во Гревцова, 2011. – С. 203

16 Счётное правило (условие порядка): D 1  H , т.е. число эндогенных факторов в данном структурном уравнении должно быть на единицу меньше, чем число экзогенных факторов, которые не входят в это уравнение. Если это условие выполняется, следовательно, уравнение идентифицируемо; D 1  H , следовательно, уравнение неидентифицируемо; D 1  H , следовательно, уравнение сверхидентифицируемо; Запишем достаточное условие идентифицируемости (условие ранга). Для того чтобы уравнение, которое входит в систему, было идентифицируемо, необходимо и достаточно, чтобы ранг матрицы коэффициентов данной системы по отсутствующим переменным (и эндогенным, и экзогенным) был на единицу меньше, чем число внутренних переменных в системе, а также определитель данной матрицы должен быть не равен нулю. В зависимости от того, какого вида СОУ, а также от того, какой вид связей установлен между её переменными, требуются различные способы формирования оценок структурных коэффициентов. Существуют различные методы оценивания коэффициентов структурной модели:  Косвенный метод наименьших квадратов (КМНК);  Двухшаговый метод наименьших квадратов (ДМНК);  Трехшаговый метод наименьших квадратов (ТМНК);  Метод максимального правдоподобия;  Метод инструментальных переменных. 2.1.1 Методы оценивания Косвенный МНК Данный метод целесообразно применять, когда структурная модель точно идентифицируема. Рассмотрим процедуру применения КМНК: 1. Приведение структурной модели в приведенную форму; 2. Оценка приведенных коэффициентов для всех приведенных уравнений данной системы с помощью традиционного МНК;

17 3. Преобразование приведенных коэффициентов в параметры структурной модели. Таким образом, оценивается приведенная форма модели, далее следует решить систему, в которой вместо элементов матрицы П записываются её оценки. Рассмотрим более подробно процедуру оценки с практической точки зрения. Запишем исходные уравнения. Для простоты будем использовать два уравнения с двумя эндогенными переменными. Данное упрощение не влияет на качество полученных результатов и возможность их применения для систем другой размерности. Y1  a1  1  X 1   1  Y2   1 (2.6) Y2  a2   2  X 2   2  Y2   2 Далее, решим уравнения (2.6) относительно 𝑌1 и 𝑌2 . Y1  a1   1 * a2 1         X 1  1 2  Y2  1 2 1 1 1  2 1 1  2 1 1  2 1 1  2 (2.7) a   2 * a1  * 2     Y2  2  2 1  X2   Y1  2 1 2 1 1  2 1 1  2 1 1  2 1 1  2 Введём обозначения для упрощения: 1   1   2    2  1 1   , a2  2 , b1  , b2  2 1 , 1 1  2 1 1  2 1 1  2 1 1  2  * 2 2  *   c1  1 2 , c2  , v1  , v2  2 1 2 . 1 1  2 1 1  2 1 1  2 1 1  2 a1  (2.8) Запишем модель (2.7) в более краткой форме с учетом введенных обозначений в формулах (2.8). Y1  a1  b1  X 1  c1  Y2  v1 (2.9) Y2  a2  b2  X 2  c2  Y1  v2 Введём следующее упрощение: Пусть все Y имеют математическое ожидание = 0, т.е. переменные отцентрированы. Данное упрощение является несущественным для практических выводов. Теперь, применив к (2.9) традиционный МНК, можно получить оценки для параметров b и c.

18 X 2 X 2 X 1 Y1  X 1 X 2 X 2 Y1 X 1 X 1 X 2 Y1  X 1 X 2 X 1 Y1 bˆ1  , cˆ1  2 2 X1 X1 X 2 X 2  X1 X 2 X1 X1 X 2 X 2  X1 X 2 bˆ2  X 2 X 2 X 1 Y2  X 1 X 2 X 1 Y2 X1 X1 X 2 X 2  X1 X 2 Где: X i X j  n x x , i 1 i j 2 , cˆ2  (2.10) X 1 X 1 X 2 Y2  X 1 X 2 X 1 Y2 X1 X1 X 2 X 2  X1 X 2 n n i 1 i 1 2 YiY j   yi y j , X iY j   xi y j , Далее возможно выразить через оценки, полученные в (2.10), оценки исходных параметров. X 1Y2 X 2 Y2  X 2 Y1 X 1Y2 ˆ X 1Y1 X 2 Y2  X 2 Y1 X 1Y2 bˆ1  , b2  X 1 X 1 X 2 Y2  X 1 X 1 X 2 Y2 X 2 X 2 X 1Y1  X 1 X 2 X 2 Y1 (2.11) X X X Y  X 1 X 2 X 1Y1 X X X Y  X 1 X 2 X 1Y2 ˆ1  1 1 2 1 , ˆ2  2 2 1 2 X 2 X 2 X 2 Y1  X 1 X 2 X 2 Y1 X 2 X 2 X 2 Y1  X 1 X 2 X 2 Y1 Оценки (2.11), которые были получены с помощью косвенного метода наименьших квадратов, являются состоятельными, в отличие от оценок, полученных при применении традиционного МНК. Двухшаговый МНК Данный метод может применяться, если модель сверхидентифицируема. В данном случае не корректно применять косвенный МНК, ввиду того что он не может дать однозначно определенных оценок параметров структурной модели. Основной идеей ДМНК является получение для сверхидентифицируемого уравнения теоретических значений внутренних переменных из правой части уравнения на основе приведенной формы модели. Затем их подставляют вместо фактических значений, применяется традиционный МНК к структурной форме сверхидентифицируемого уравнения. Данный метод двухшаговый, т.к. мы используем два раза МНК, первый раз – когда определяется приведенная форма модели и происходит поиск оценок теоретических значений внутренней переменной. Второй раз МНК применяется, когда оценивается структурное сверхидентифицируемое уравнение, чтобы определить структурные коэффициенты модели по имеющимся теоретическим значениям внутренних переменных. На практике может быть два типа сверхидентифицируемой структурной модели: 1. Все уравнения системы сверхидентифицируемы; 2. Система содержит и точно идентифицируемые уравнения.

19 Рассмотрим применение процедуры двухшагового МНК более подробно. Запишем систему уравнений в векторно-матричном виде: y1  Y1  1  X 1   1  1  11   11   y11   y11 yq1   x11 x p1  11      y  y y  x x    q2  p2  12  12  12  12 12      ,Y   X   ,  ,  ,    12  . Где: y1    1    1    1   1   1                 y y y   1q   1 p   1n   1n  x1n x pn  1n  qn  (2.12) Если к такой модели, в которой элементы 𝑌1 коррелируют с остатками 𝜀1 применить традиционный метод наименьших квадратов, то будут получены смещенные и несостоятельные оценки. Проведём регрессию каждого столбца матрицы 𝑌1 на все внешние переменные. Таким образом, рассмотрим регрессию: (2.13) Y1  X  П1  V1 Матрица П1 — это k˟(q-1) матрица, содержащая коэффициенты приведенной формы. Далее, требуется построить прогнозное значение Yˆ1  X  Пˆ 1 , где Пˆ 1  ( X ' X ) 1  X 'Y1 . Затем, осуществим регрессию каждого столбца матрицы Y1 (Y1  X  П1  V1 ) , заменив Y1 на Yˆ1 . Таким образом, мы построили МНК-оценки структурных параметров 𝛽1 и 𝛾1. y1  Yˆ1  1  X1   1  1 Перечислим основные выводы, связанные с применением Двухшагового МНК8: (2.14) 1. Если выполняются необходимое и достаточное условия идентификации, и уравнения являются точно идентифицируемыми, то оценка, полученная при применении ДМНК. совпадает с оценкой, полученной при оценивании КМНК. 2. Полученная оценка при применении ДМНК совпадает с оценкой метода инструментальных переменных, если в качестве инструментов используются Yˆ1 и X 1 3. Если инструментальными переменными для 𝑌1 взяты любые линейные комбинации столбцов матрицы X, то матрица ковариаций полученной оценки больше или равна, чем матрица ковариаций, полученной при применении ДМНК. 8 Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс: Учебник – 6-е изд., перераб. и доп. – М.:Дело, 2004. – С. 239

20 Метод максимального правдоподобия Данный метод позволяет получить асимптотически несмещенные и эффективные оценки параметров распределения, имеющие нормальный закон распределения. Рассматривается вектор X  ( X 1 , X 2 ,, X n ) , с плотностью распределения ( x; ) , где θ – неизвестный параметр. Функция правдоподобия – это случайная величина L, где L  L( x; )  p( x; ). Оценкой максимального правдоподобия является следующая величина θ̂ = θ̂𝑀𝐿 , которая максимизирует функцию L. Таким образом, оценка максимального правдоподобия, это такая функция ˆ  ˆ( x) , которая выполняет условие: L( x;ˆ( x))  max  L( x, ). Необходимым условием является равенство нулю частной производной функции L( x, ) по переменной θ, т.е. dL( x; )  0. d Оценки максимального правдоподобия состоятельны, а также асимптотически эффективны. Но они могут быть смещенными. Метод инструментальных переменных Данный метод применяется для точно идентифицируемых COУ. Предопределенные факторы структурных уравнений коррелируют со случайными остатками, следовательно, традиционный (обычный) МНК неприменим, т.к. МНК-оценки не являются состоятельными. Требуется введение новых переменных для улучшения данных оценок. Для структурного уравнения рассматривается вектор наблюдений той же самой эндогенной переменной и вектор значений соответствующей компоненты случайных остатков. Вектор инструментальных переменных – случайный вектор, имеющий невырожденную ковариационную матрицу, не коррелированный с вектором случайных остатков и имеет невырожденную ковариационную матрицу с внутренними и предопределенными переменными, входящими в j-е структурное уравнение. Далее, на основе такого вектора строят состоятельную МИП-оценку вектора параметров j-го структурного уравнения. Точность этой оценки зависит от корреляции с эндогенными (внутренними) и предопределенными переменными, которые входят в j-е структурное уравнение. Точность тем выше, чем больше значение корреляции. Рассмотрим в отдельности два случая, когда система идентифицируема и когда она не идентифицируема.

21 1 случай. Система идентифицируема. Применяя экзогенные переменные в качестве инструментальных переменных, получатся оценки, которые совпадают с оценками, полученными при применении процедуры КМНК.9 Следовательно, делается вывод о том, что косвенный МНК – это частный случай метода инструментальных переменных. Достаточно часто в практических исследованиях метод инструментальных переменных (МИП) применяется в виде Двухшагового МНК. Таким образом, в качестве инструментальных переменных используют объясненные значения этих переменных, которые получаются в результате оценки приведенной формы. Далее, эти значения подставляют в правую часть структурной формы уравнения, которая была рассмотрена (2.9). Следовательно, возможно сформулировать ещё один вывод. Если система идентифицируема, и количество внешних (экзогенных) переменных X равняется количеству внутренних (эндогенных) переменных Y, то оценки Двухшагового МНК совпадают с оценками косвенного МНК. 2 случай. Система неидентифицируема. В таком случае МИП используют, так называемые, «внешние» переменные. Если у нас имеется число инструментальных переменных l, и оно избыточно, а также мы можем использовать любые наборы данных инструментальных переменных. Таким образом, двухшаговый МНК – это наилучший возможный выбор. ̂𝑖 – Это Пусть {𝑍} – набор инструментальных переменных (экзогенных и внешних). 𝑌 проекции эндогенных факторов на пространство Z. Запишем соответствующие регрессии, полученные с помощью традиционного МНК. l Yˆl  ai   bij  Z j (2.15) j 1 Следовательно, переменные ̂𝑖 𝑌 являются линейными комбинациями инструментальных переменных, которые достаточно сильно коррелируют с 𝑌𝑖 . Такую ̂𝑖 на 𝑌𝑖 называют «очищением» внутренней переменной. замену 𝑌 9 Кремер Н. Ш., Путко Б. А. Эконометрика: Учебник для вузов / Под ред. проф. Н. Ш. Кремера. – М.: ЮНИТИ-ДАНА, 2002. – С. 233

22 2.1.2 Инструментальные переменные. Тест Хаусмана Инструментальные переменные: При существовании корреляции между ошибками модели, а также независимыми переменными, МНК - оценки бывают несостоятельные и смещенные. В качестве решения данной проблемы можно использовать другие независимые переменные. Переменные такого рода называются инструментальными. Важно, чтобы данные переменные обладали следующими свойствами10: Такие новые независимые переменные должны «хорошо коррелировать» с 1. начальными независимыми; Новые переменные не должны коррелировать с ошибками. 2. Опишем исходную модель с помощью следующего равенства: y  X   Где: y – вектор-столбец зависимых переменных, размерности n˟1; 𝞮 – вектор-столбец ошибок, размерности n˟1; β - k˟1 вектор-столбец параметров модели. Пусть матрица Z, с размерностью n˟k – матрица инструментальных переменных. Запишем оценку параметров β через инструментальные переменные: ˆ IV  ( Z ' X ) 1  Z ' y (2.16) Подставим первоначальное выражение для y в формулу (2.16): 1 1 ˆ IV  ( Z ' X ) 1  Z '( X     )    ( Z ' X ) 1 * Z '    (  Z ' X ) 1 *  Z ' (2.17) n n Полученная формула (2.17) выражает требование «хорошей корреляции» между элементами матрицы X и Z: последовательность матриц 1 𝑛 ∗ 𝑍 ′ ∗ 𝑋 сходится по вероятности при n→∞ к некоторой невырожденной матрице. Ввиду того, что отсутствует корреляция между элементами матрицы Z и ошибками, 10 1 𝑛 ∗ 𝑍 ′ ∗ 𝜀 →0 по вероятности. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс: Учебник – 6-е изд., перераб. и доп. – М.:Дело, 2004. – С. 212

23 Аналогично, условие того, что матрица Z и ошибки не коррелированы, можно записать в 1 виде такого условия: p  lim * Z '    0 n  n Теперь можно сделать выводы о том, что оценка 𝛽̂𝐼𝑉 – состоятельна. Т.к. оценка 𝛽̂𝐼𝑉 зависит от Z, следовательно, не является эффективной. Самым важным вопросом является то, как именно находить требующиеся инструментальные переменные. Явного решения этого вопроса для всех случаев нет. Может быть ситуация, когда существует несколько инструментальных переменных, а может их не быть вовсе. Чаще всего необходимо пользоваться инструментальными переменными в том случае, если есть ошибки в измерениях. Ошибки в измерениях зависимой переменной Пусть у нас есть модель 𝑦 = 𝑋 ∗ 𝛽 + 𝜀, а вектор y оценивается с ошибкой (u, математическое ожидание равно 0), т.е. мы можем наблюдать вектор 𝑦 ∗ = 𝑦 + 𝑢, u – не зависят от X и 𝝴. Следовательно, построение МНК-оценок аналогично регрессии: (2.18) y *  X    (  u) Отсюда видно, что 𝛽̂ – несмещенная и состоятельная, ввиду того, что математическое ожидание величины (𝜀 + 𝑢) равно нулю. Также ковариация между X и (𝜀 + 𝑢) отсутствует. Наличие ошибки u приводит к тому, что дисперсия регрессии увеличивается: V (  u )   2   u2 (2.19) Ошибки в измерениях независимой переменной Пусть есть также исходная модель, 𝑦 = 𝑋 ∗ 𝛽 + 𝜀. Также наблюдается матрица 𝑋 ∗ = 𝑋 + 𝑉, матрица V – с математическим ожидаем = 0, и также не зависит от ошибок 𝝴. Следовательно, существует регрессия: (2.20) y  X *    (  V   )  X *     * В данном случае заметна сильная корреляция между регрессорами и ошибками. Рассмотрим математическое ожидание следующих величин: E( X * ' * )  E[( X * 'V ' )(  V   )]  E(V 'V )   (2.21) Таким образом, МНК-оценки являются смещенными и несостоятельными. Не обязательно количество исходных регрессоров должно быть равно количеству инструментальных переменных. Достаточным является условие, чтобы число

24 инструментальных переменных было не меньше, чем количество независимых переменных. Тест Хаусмана Для определения, требуется ли внедрение инструментальных переменных для того, чтобы оценить модель достаточно протестировать гипотезу: H 0 : p  lim n  1  X '  0 n гипотеза H1 выглядит следующим образом: 1 H1 : p  lim  X '  0 n  n Требуется считать, что имеется МНК-оценка 𝛽̂1 = 𝛽̂𝑂𝐿𝑆 , а также 𝛽̂2 = 𝛽̂𝐼𝑉 , полученная при использовании инструментальных переменных. Если гипотеза H0 верна, то оценка 𝛽̂1 – состоятельна и эффективна. Если верна H1, то данная оценка несостоятельна. 𝛽̂2 состоятельна при обеих гипотезах. Следовательно, разность (𝛽̂2 − 𝛽̂1) стремится к нулю. Следует пронормировать эту разность и она будет совпадать асимптотически с известным распределением. В 1978 году Джерри Хаусман (Jerry Hausman) доказал, что данная разность с нормировкой V, асимптотически имеют распределение  2 (хи-квадрат) с k-степенями свободы, следовательно: V ( ˆ2  ˆ1 )  V ( ˆ2 )  V ( ˆ1 ) и ( ˆ2  ˆ1 )' (V ( ˆ2 )  V ( ˆ1 ))1  ( ˆ2  ˆ1 ) имеет хи-квадрат распределение с k-степенями свободы. 2.2. Построение и оценивание СОУ Рассмотрим следующую систему уравнений: U  a  b  P   t 1 11 t 1   Yt  a2  b21  N t  c31  U t   2  I  a3  b31  Yt  b32  Pt   3   t Где: U t  a1  b11  Pt  1 – кривая Филлипса Yt  a2  b21  Nt  c31 U t   2 – производственная функция  асимптотически

25 I t  a3  b31  Yt  b32  Pt   3 – функция инвестиций. Кривая Филлипса – кривая, отражающая обратную зависимость между темпом инфляции и безработицы. Важным является тот факт, что одновременно не может быть высоким показатель инфляции и безработицы. Таким образом, при увеличении уровня инфляции снижается уровень безработицы, а также при снижении уровня инфляции, увеличивается уровень безработицы. Производственная функция – функция, выражающая зависимость между величиной выпуска и факторами производства. Функция инвестиций – отражает валовые инвестиционные расходы всех субъектов экономики. Построим систему на основе представленных в предыдущем параграфе данных, с помощью программного продукта Gretl для Центрального федерального округа. Система уравнений, Система 1 (Центральный ФО) Уравнение 1: Метод оценивания: Двухшаговый МНК, использованы наблюдения 2000-2013 (T = 14) Зависимая переменная: unempl_1 Инструменты: const, CPI_1, EAP_1. const Коэффициент −15,6140 Ст. ошибка 6,48170 z −2,409 P-значение 0,0160 ** CPI_1 0,181851 0,0582198 3,124 0,0018 *** Среднее зависимой переменной = 4,614286 Стандартное отклонение зависимой переменной = 1,301985 Сумма квадратов остатков = 12,15485 Стандартная ошибка модели = 1,006431 R-квадрат = 0,448438 Исправленный R-квадрат = 0,402474 Уравнение 2: Метод оценивания: Двухшаговый МНК, использованы наблюдения 2000-2013 (T = 14) Зависимая переменная: GRP_1 Инструменты: const, CPI_1, EAP_1. const EAP_1 unempl_1 Коэффициент −2,10541e+08 3,30064e+06 −567222 Ст. ошибка 3,07512e+07 412364 705341 z −6,847 8,004 −0,8042 P-значение 7,56e-012 *** 1,20e-015 *** 0,4213

26 Среднее зависимой переменной = 9257479 Стандартное отклонение зависимой переменной = 5893468 Сумма квадратов остатков = 1,20e+13 Стандартная ошибка модели = 1044341 R-квадрат = 0,973439 Исправленный R-квадрат = 0,968609 Уравнение 3: Метод оценивания: Двухшаговый МНК, использованы наблюдения 2000-2013 (T = 14) Зависимая переменная: inv_1 Инструменты: const, CPI_1, EAP_1. Коэффициент Ст. ошибка z P-значение const −1,36196e+06 963379 −1,414 0,1574 GRP_1 0,176085 0,00681107 25,85 2,26e-147 *** CPI_1 11334,7 8253,17 1,373 0,1696 Среднее зависимой переменной = 1 528 961 Стандартное отклонение зависимой переменной = 1 004 768 Сумма квадратов остатков = 1,15e+11 Стандартная ошибка модели = 102 461,3 R-квадрат = 0,991202 Исправленный R-квадрат = 0,989602 Общая матрица ковариации (cross-equation VCV) (корреляции выше главной диагонали): 0,86820 1,6439e+005 -24854 Логарифм определителя = 50,0083 (0,191) 8,5694e+011 -1,8937e+010 (-0,294) (-0,225) 8,2487e+009 Тест Бриша-Пэгана (Breusch-Pagan) для диагональной ковариационной матрицы: Хи-квадрат(3) = 2,42635 [0,4887] Рассмотрим полученные результаты. Можно построить следующую систему: U  15.61  0.18  P   t t 1   Yt  0.000000021 0.0000033 Nt  567222 U t   2  I  0.000001362 0.17  Yt  1133417 Pt   3   t В первом уравнении и константа, и переменная Pt являются значимыми. R2 = 44.8%. Во втором уравнении значимая константа и переменная N являются значимыми, а переменная Ut не значима. R2 = 97,3%. В последнем уравнении константа и Pt являются незначимыми, а Yt значима. R2 = 99,12%. Проведённый тест Бриша-Пэгана показывает, что с вероятностью 48.87% отвергается

27 нулевая гипотеза. Нулевой гипотезой в данном тесте является наличие гетероскедастичности, т.е. что все коэффициенты при переменных равны нулю. Далее, рассмотрим полученные системы для остальных семи федеральных округов. Расчёты для этих систем представлены в приложениях 1-7. 1. Северо-Западный ФО U  17.1715  0.206047 P   t 1  t Yt  0.00000013 296533 N t  827708 U t   2   I t  0.00000164 0.3194  Yt  113460.1  Pt   3 2. Южный ФО U  33.3585  0.380486 P   t 1  t Yt  80355.2  80355.2  N t  501218 U t   2   I t  0.000002096 0.451111 Yt  18106.7  Pt   3 3. Северо-Кавказский ФО U  26.9429  0.399043 P   t 1  t Yt  625023 58508.3  N t  141367 U t   2  I t  397690  0.359302 Yt  3389.36  Pt   3 4. Приволжский ФО U  16.1413  0.210655 P   t 1  t Yt  0.0000000675 0.00000118 N t  949138 U t   2  I t  0.00000149 0.284225 Yt  12052 Pt   3 5. Уральский ФО U  16.8621 0.215216 P   t t 1   Yt  0.00000004753  839614 N t  777384 U t   2  I  0.0000031240 0.341534 Yt  25662.7  Pt   3   t 6. Сибирский ФО U  23.5457  0.294602 P   t t 1   Yt  0.0000098049 308062 N t  812110 U t   2  I  0.00000255 0.340392 Yt  20176.1  Pt   3   t 7. Дальневосточный ФО U  24.2643  0.292187 P   t t 1   Y   0 . 0000002816  473823  N  320581 U t   2  t t  I  226135 0.390255 Yt  1491.99  Pt   3   t

28 Ниже представлена сводная таблица, в которой можно увидеть, какие переменные, в каких уравнениях и в каких системах значимы. Можно заметить, что только в Приволжском ФО абсолютно все переменные значимы на 1% и 5% уровнях значимости. Таблица 2.1. Значимость переменных в уравнениях систем № 1 2 3 4 5 6 7 8 1 уравнение const CPI Наименование ФО Центральный Северо-Западный Южный Северо-Кавказский Приволжский Уральский Сибирский Дальневосточный 2 уравнение const EAP unempl 3 уравнение const GRP CPI ** ** ** *** *** *** *** *** *** *** *** *** ** *** ** ** *** *** *** ** *** *** *** *** ** *** ** ** *** ** *** * *** *** *** ** *** *** *** *** *** *** *** Несмотря на то, что все федеральные округа по своей сути однородны, но даже исходя из построенных уравнений и коэффициентов становится видно, что развиваются федеральные округа по-разному. Можно заметить, что Центральный федеральный округ и Северо-Западный не возможно сопоставлять и сравнивать с такими федеральными округами как Южный и Уральский, т.к. разница в коэффициентах при переменных, а также при константе различаются в десятки раз. Полученные результаты свидетельствуют о существенных различиях в процессе развития и существования округов. Аналогично, для наглядности можно представить показатели на следующем графике (рисунок 2.1). Объём шаров характеризует объём ВРП в 2013 году. По оси «Х» расположен уровень безработицы, по оси «У» - уровень экономической активности населения. Можно заметить, что от общей группы регионов находятся в отдалении Южный и Северо-Кавказский округа. 100 Южный 90 80 Центральный Приволжск. Дальневост. 70 Сев.-Зап. 60 Уральский Сибирский Северо-Кавказский 50 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5 10 10,5 11 11,5 12 12,5 13 13,5 Рисунок 2.1 Диаграмма федеральных округов по уровню ВРП, безработицы и экономической активности

29 2.3 Модели панельных данных 2.3.1 Базовая модель панельных данных Панельные данные представляют собой двумерный массив данных, в котором одно измерение является «пространственным» (по показателям), а другое является «временным» (по моментам времени). Следовательно, панельные данные обозначены двумя индексами. Такие массивы формируются в процессе изучения большого числа объектов за определенный период времени. Если сравнивать панельные данные с пространственными или временными рядами данных, то можно выделить важное преимущество, которое присуще панельным данным. Панельные данные позволяют анализировать и вычленять изменения на индивидуальном уровне каждого объекта. Неоспоримым плюсом также является то, что в панельных данных используется большое количество статистических наблюдений, что позволяет увеличить число степеней свободы и уменьшить зависимость факторов за счёт того, что учитываются индивидуальные особенности зависимых переменных. Следовательно, получаются оценки, являющиеся более эффективными. Также, панельные данные позволяют учитывать влияния факторов при наличии лагов. Существуют различные виды структур панельных данных. Рассмотрим основные: 1. Сбалансированные – если на протяжении всего периода экономические показатели не меняются (со временем не появляются новые и не исчезают имеющиеся). 2. Несбалансированные – такие структуры, в которых отсутствуют некоторые экономические показатели в определенные периоды. 3. Псевдопанельные данные – возникают в том случае, если в разные моменты времени наблюдаются разные экономические показатели. Ввиду того, что такой вид данных содержит статистику по одним единицам за различные периоды времени, то может возникнуть проблема автокорреляции, соответственно, требуются особенные методы оценивания, подходящие именно под такой тип данных. Регрессионная модель панельных данных в общем виде записывается следующим образом: xit  Zit  ait   it i  1 N , t  1T (2.22)

30 Где: i – это индекс экономического объекта (фирмы, округа, страны и т.п.), t – это момент времени, 𝑎𝑖𝑡 – это коэффициенты вектора зависимых переменных 𝑍𝑖𝑡 в момент времени t для объекта i. Недостатком данной модели является то, что она слишком общая и не подходит для сложных, специфических моделей, которые бы описывали реальные экономические процессы. Данную модель невозможно оценить, но можно вычленить специфические факторы, относящиеся экономическому в объекту, определенный момент соответственно, времени можно оценить к определенному индивидуальные (специфические) особенности. xit  Zit * a   t  fi   it (2.23) Где: Z it – это n-мерный вектор зависимых переменных без константы. Следовательно, влияние от его изменения на x постоянно во всех периодах и у всех экономических объектов, отличаться может лишь среднее значение. f i – индивидуальные особенности, которые не зависят от времени.  t – специфические особенности, которые наблюдаются не во всех периодах, но у всех объектов. Последние две величины являются ненаблюдаемыми. Ошибки – это случайные величины, которые независимы и одинаково распределены (математическое ожидание =0, а дисперсия =  2 . Временные эффекты учитываются с помощью фиктивных переменных в коротких панельных данных (с небольшим количеством периодов). Пусть имеется рассматриваются два периода 11 (T=2). Фиктивная переменная 1, k  t . 0, k  t d Z d  (Z1d Z 2d ) , где ( Z k )it   Следовательно, модель можно записать в таком виде: 11 Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - С 164.

31 xit  Z it * a  Z d   t  fi   it (2.24) Существуют такие факторы, которые не изменяются по периодам. В таком случае, можно рассмотреть два типа моделей, в зависимости от сделанных предположений о коэффициенте f : i  Модели с фиксированными эффектами ( f - N-постоянных неизвестных i параметров),  Модели со случайными эффектами. ( f - случайны, не коррелированы с ошибками). i 2.3.2 Модели с фиксированными и случайными эффектами Модель с фиксированными эффектами Данная модель является моделью линейной регрессии, её свободные переменные меняются по индивидуальным объектам i. xit  Zit  a  fi   it (2.25) Где выполняются предположения: Z it – не зависимы от ошибок (𝜀𝑖𝑡 ). Ошибки – случайные величины, которые являются независимыми и одинаково распределенными, где математическое ожидание равно нулю, а дисперсия равна 𝛿𝜀2 . Далее, модель можно записать с помощью фиктивных переменных для каждого экономического объекта. N xit  Zit  a   zijd * fi  it (2.26) j 1 1, i  j 0, i  j Где: Z ij   d Можно заметить, что в модели имеется N – штук фиктивных переменных. Объединив все фиктивные переменные, можно построить матрицу - 𝑍 𝑑 , размерность (NT˟N). Z d  I N 1T  , Где:

32 1T – этот вектор-столбец, который состоит из единиц. 1N – это единичная матрица (N) - произведение Кронекера. Уравнение, записанное в матричной форме, имеет следующий вид: x  Z a  Zd  f  (2.27) Где: x  ( x1 , x2 ,, xN )' - зависимая переменная (вектор-столбец размерности NT) Z  (Z1 ' , Z 2 ' ,, Z N ' )' - наблюдения за зависимой переменной (матрица размерности NT˟n)   (1 ' ,  2 ' ,,  N ' )' - ошибки (вектор-столбец размерности NT) f  ( f1 ' , f 2 ' , f N ' )' - параметры регрессии (вектор-столбец размерности N). Оценки, полученные в результате применения МНК, называются МНК-оценки с фиктивными переменными. Если выполнялись предположения, записанные ранее, то такие оценки – несмещенные и эффективные. Оценивать с помощью МНК достаточно сложно с точки зрения вычислений, существуют более простые методы. При помощи центрированных переменных возможно не использовать константу и, соответственно, значительно уменьшить число неизвестных параметров. Значит, оценка МНК для вектора a получится, при условии построения регрессии в отклонениях от индивидуальных средних значений. По факту – происходят преобразования, в следствие которых исключаются специфические эффекты 𝑓𝑖 . Далее, рассчитываются средние величины: xi  Z i  a  f i   i (2.28) Где: xi  T T T 1 1 1   xi , Z i    Z i ,  i     i T i 1 T i 1 T i 1 Если поэлементно вычесть данное выражение x  Z i  a  f   i из xit  Z it  a  f i   it , i i то можно получить уравнение регрессии, в отклонениях от индивидуальных средних значений.

33 xit  xi  (Z it  Z i )  a  ( it   i ) Последнее уравнение было получено после преобразований в наблюдениях из уравнения регрессии в матричной форме с помощью матрицы W, которая имеет размерность (NT˟NT). Wx  W  Z a  W  Z d  f  W Нетрудно показать, что данное соотношение можно записать в виде: Wx  W  Z a  W (2.29) МНК-оценка вектора параметров a имеет вид: a  ((WZ )'WZ ) 1 (WZ ) 1 Z 'Wx  ( Z 'WZ ) 1 Z 'Wx Такая оценка в точности совпадает с МНК-оценкой модели с фиктивными переменными. Для оценок индивидуальных особенностей часто используется: f i  x i  Z i  aEF , i  1,, N . Если T стремится к бесконечности, то данные оценки состоятельные и несмещенные, а если T постоянно, то 𝑥̅𝑖 и 𝑍𝑖̅ при (N → ∞) не сходятся, следовательно, оценка 𝑓𝑖 является не состоятельной. Можно проверить и доказать, что12 если ошибки 𝜀 имеют многомерное нормальное распределение, то оценки с фиксированными эффектами являются асимптотически нормальными, следовательно, можно пользоваться стандартными процедурами для проверки гипотез относительно параметров регрессионной модели с фиксированными эффектами (t-тесты, F-тесты, тест Вальда). Проведём тест на наличие специфических (индивидуальных) эффектов с помощью наложения ограничений на коэффициенты модели: H 0 : f1  f 2    f N  0 13. Если ошибки независимые случайные величины, распределенные по нормальному закону с нулевым средним и дисперсией = 𝜎𝜀2 , если нулевая гипотеза верна, то 12 Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - С 170. 13 Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - С 173.

34 F (e1 'e1  e'e) /( N  1) e'e /( N  T  N  k ) ~ FN 1, NT  N k Где: e – это вектор остатков модели с фиксированными эффектами. e1 – это вектор остатков модели с ограничением: x  Z  a   it it it Если верна нулевая гипотеза, то нужно оценивать объединенную модель: xit  Z it  a   it (2.30) Модель со случайными эффектами В моделях такого вида делается предположение, что индивидуальные различия – случайны, таким образом, регрессионное уравнение имеет следующий вид: xit  Z it  a  uit u it - это сумма (2.31)  it и f it . Делаются предположения14 о том, что: – не зависят от  при всех i, j, s, t,  Z  ошибки — случайные величины, независимы и одинаково распределенные с нулевым js it математическим ожиданием и дисперсией =  2 ,  Z  – не зависят от f при всех i, j, s, i js ошибки 𝜀𝑖𝑡 и f не зависят друг от друга при всех i, j, s, t. i При сделанных предположениях оценки традиционного МНК являются несмещенными и состоятельными, но неэффективными. Ввиду того, что дисперсия 𝑢𝑖𝑡 равна дисперсии суммы 𝑓𝑖 и 𝜀𝑖𝑡 , D( f i   it )   2f   2 Использование для оценки традиционный МНК не позволяет получить наилучшие линейные несмещённые оценки параметров регрессионного уравнения. Следовательно, 14 Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - С 174.

35 для того, чтобы получить эффективные оценки, нужно использовать обобщённый метод наименьших квадратов. Рассмотрим применение данного метода. В матричном и скалярном виде преобразования можно выразить следующим образом: В матричном виде: Dx  DZa  Du (2.32) xit    xi  ( Z it    Z i )a  uit    ui (2.33) В скалярном виде: Где   [0,1] Таким образом, оценка, полученная с помощью обобщенного МНК для вектора α выглядит следующим образом: 1 aGLS N T  N T    (Z it    Z i )' (Z it    Z i )  (Z it    Z i )' ( xit    xi   i1 t 1   i1 t 1  Оценка такого вида называется оценкой со случайными эффектами. Если ∆= 0, то оценки Обобщенного МНК и Традиционного совпадают. Если ∆= 1, то оценка модели со случайным эффектом совпадает с оценкой модели с фиксированными эффектами. На практике, для того, чтобы применить Обобщенный МНК для модели, которая содержит случайные эффекты, требуется знать величину ᴧ. Часто, эта величина не известна. Для того, чтобы получить оценку параметров модели, нужно оценивать дисперсии ошибок 𝜎𝑓2 и 𝜎𝜀2 . Требуется оценить внутригрупповую регрессию, вычислив для неё остатки, далее – оценить дисперсию 𝛿𝜀2 . 1 RSS w N T  N  n sˆ2 RSS B 2 sˆ f   T N n sˆ2  Далее, для дисперсии 𝜎𝑓2 можно выразить оценку: sˆ f  2 RSS B N n  sˆ2 (2.34) T С помощью последнего выражения можно вычислить величину ∆ и применить Обобщенный МНК.

36 2.3.3 Выбор наилучшей модели Как известно, для обыкновенных моделей одним из показателей качества является коэффициент детерминации (обычный или исправленный), который трактуется как отношение объясненной дисперсии в общей. Но в моделях, которые содержат панельные данные, вариация во внутригрупповых и межгрупповых моделях оценивается по-разному. Сумма внутригрупповой и межгрупповой дисперсии даёт полную дисперсию. 1 N T 1 N T 1 N 2 2 ( xit  x)  ( xit  x)   ( xit  x) 2   N  T i1 t 1 N  T i1 t 1 N i1 Для оценки качества модели с фиксированными эффектами 𝑅 2 нужно выбрать таким образом, чтобы внутригрупповая дисперсия объяснялась наиболее полно. RW2  r 2 ( xit  x, xite  xie ), Где: 𝑟 2 – это квадрат парной корреляции. xite  xie  (Zit  Zi ) a FE . Коэффициент аппроксимации данных для межгрупповой регрессии рассчитывается следующим образом: RB2  r 2 ( xit , xite ) (2.35) Где: xit  Z it  aB e Для того чтобы оценить точность обычной модели, R2 вычисляется следующим образом: 2 Roverall  r 2 ( xit , xite ) Где: xit  Z it  aOLS . e Все три варианта коэффициента детерминации можно рассчитать для любой регрессионной модели, оцененной с помощью любого метода. 𝑅 2 , оценённый для модели со случайными эффектами, всегда строго меньше, чем 𝑅 2 , оцененный для модели с фиксированными эффектами. Соответственно, не следует использовать 𝑅 2 , выбирая между способами оценивания модели. Но, 𝑅 2 целесообразно использовать для сравнения нескольких моделей, которые отличаются набором регрессоров, но оцененные одинаковыми методами.

37 Выбирая способ оценивания между общей моделью, моделью с фиксированными или случайными эффектами, возникает вопрос, какую же модель выбрать. Содержательно, разница между моделями заключается в том, что обычная регрессия – у экономических объектов нет индивидуальных (специфических) различий. Модель с фиксированными эффектами предполагает, что каждый экономический объект – особый и не рассматривается как случайная выборка. Но если экономические единицы попали в выборку случайно, выбирая из большой совокупности, то следует использовать модель со случайными эффектами. Кроме общих представлений о модели, нередко используются статистические тесты, которые позволяют ответить на вопрос о выборе модели. Нулевой гипотезой является более частная модель, а альтернативной – более общая15. 1. Общая регрессия это частный случай модели с фиксированными эффектами, если в модели с фиксированными эффектами 𝑓1 = 𝑓2 = ⋯ = 𝑓𝑁 = 0. 2. Обычная регрессия – частный случай модели со случайными эффектами, когда в модели со случайными эффектами 𝜎𝑓 2 = 0. 3. Модель со случайными эффектами – частный случай модели с фиксированными эффектами, если в модели с фиксированными эффектами 𝑓𝑖 не коррелирует с регрессорами 𝑍𝑖𝑡 . Выбирая между моделью с фиксированными эффектами и обычной, используется Fтест, в котором накладывается условие фиктивными переменными: xit  Z it a  f1  f 2    f N  0 . N z j 1 d it Используется для модели с  f i   it . Выбирая между обычной моделью и моделью со случайными эффектами, следует проводить тест Брюшта-Пагана16 для  2  0 . f LM  N  T e'Z d  Z d 'e (  1) 2 ~  2 2  (T  1) e'e При  2  0 , где 𝑒 – это остатки обычной регрессии, а 𝑍 𝑑 – матрица фиктивных f переменных. 15 Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - С 185. 16 Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - С 186.

38 Если стоит выбор между моделью со случайными и фиксированными эффектами, следует провести тест Хаусмана, сравнив оценки регрессий внутригрупповой и со случайными эффектами. Если данные оценки схожи, то нужно выбирать модель со случайными эффектами, потому что она содержит меньшее число параметров регрессии, следовательно, она проще. Нулевой гипотезой является модель со случайными эффектами. H  (aGLS  aw )'  var (aGLS  aw )1 (aGLS  aw ) ~  n2 H0 2.4 Построение и анализ моделей панельных данных В качестве примера будет рассмотрена модель зависимости логарифма валового регионального продукта (grp) от логарифма прямых инвестиций (Invest), среднего уровня заработной платы (income) и среднего уровня занятости (employed). Рассматриваются восемь федеральных округов Российской Федерации, за период с 2000 по 2014 год. lGRP  const  a1  lInvest  a2  income  a3  employed   Оценив данную модель с помощью обычного МНК, получаются следующие коэффициенты, тестовые статистики и уровни значимости. const employed income l_Invest Коэффициент 3,6058 5,45359e-05 1,14543e-05 0,785479 Ст.ошибка t-статистика P-значение 0,350477 10,2883 <0,00001 *** 3,64051e-06 14,9803 <0,00001 *** 3,4013e-06 3,3676 0,00103 *** 0,0308711 25,4438 <0,00001 *** Проведём тест Уайта на наличие гетероскедастичности. Нулевая гипотеза: гетероскедастичность отсутствует Тестовая статистика: LM = 16,9277 р-значение = P(Хи-квадрат(9) > 16,9277) = 0,0498606 Соответственно, нулевая гипотеза отвергается и в модели присутствует гетероскедастичность. Проведём тест на избыточные переменные. Нулевая гипотеза: параметры регрессии нулевые для следующих переменных: employed, income

39 Тестовая статистика: F(2, 116) = 124,333 р-значение = P(F(2, 116) > 124,333) = 1,40813e-029 Т.к. p-значение равно нулю, то нулевую гипотезу можно отвергнуть. Соответственно, параметры регрессии employed и income – ненулевые. Далее, проведём оценку данной модели с точки зрения фиксированных эффектов. Такой способ оценивания предполагает наличие у федеральных округов индивидуальных характеристик, которые не меняются во времени. Такие характеристики бывает невозможно измерить или даже наблюдать. Если такие характеристики являются ненаблюдаемыми, то их можно включить в уравнение в виде объясняющих переменных. Для оценивания добавим переменные dummy (фиктивные). d  1, при i  j   ij  d  0, при i  j   ij Оцениваемая модель принимает вид: N lGRP  const   ai  duij  a1  lInvest  a2  income  a3  employed   j 1 Коэффициент Ст. ошибка t-статистика P-значение const 4,7262 0,287517 16,4380 <0,00001 *** du_1 -1,76786 0,82035 -2,1550 0,03336 ** du_2 -0,279629 0,187739 -1,4895 0,13926 du_3 -0,417826 0,154616 -2,7024 0,00799 *** du_4 -0,119814 0,0353245 -3,3918 0,00097 *** du_5 -1,39033 0,601634 -2,3109 0,02272 ** du_6 -0,0728025 0,145463 -0,5005 0,61774 du_7 -0,437354 0,307515 -1,4222 0,15782 l_Invest 0,652606 0,0274004 23,8174 <0,00001 *** employed 0,000182936 5,48347e-05 3,3361 0,00116 *** income 2,05368e-05 2,64505e-06 7,7642 <0,00001 *** В результате оценивания из-за совершенной коллинеарности была пропущена переменная du_8. Аналогично можно оценить модель с фиксированными эффектами, встроенную в Gretl.(приложение 8) Нулевая гипотеза теста на различие констант в группах отвергается, соответственно, группы не имеют общие константы. Проведя тест на нормальность остатков, можно сделать вывод, что остатки не имеют нормального распределения. Вероятность ошибиться, отвергая нулевую гипотезу (нулевая гипотеза – распределение является нормальным), составляет 0,0397, это меньше пяти

40 процентного уровня значимости, следовательно, нулевая гипотеза отвергается. На рисунке 2.2 представлен график распределения остатков модели. Далее будет оценена та же зависимость, но только с помощью модели со случайными эффектами. Результаты расчетов представлены в приложении 9. Все переменные являются значимыми на пяти процентном уровне значимости. Рисунок 2.2 Тест на нормальное распределение В модели рассчитываются внутригрупповые и межгрупповые дисперсии. Обобщенная оценка наименьших квадратов в такой модели учитывает и изменчивость межгрупповую, и внутригрупповую. Данная оценка – это средневзвешенная оценка межгрупповой и внутригрупповой оценок. Обе оценки являются состоятельными, соответственно, обобщенная оценка – также состоятельна. Далее будет проведено сравнение трёх полученных моделей и выбор наиболее адекватной из них. 1. Проводится тест Вальда (в модели с фиксированными эффектами) на равенство нулю всех индивидуальных эффектов. Нулевая гипотеза: параметры регрессии нулевые du_1, du_2, du_3, du_4, du_5, du_6, du_7 Тестовая статистика: F(7,109) = 30.553, P-значение = 5.177e-0.23 Полученная статистика отвергает нулевую гипотезу по тесту Вальда. Соответственно, для описания имеющихся данных обычная регрессионная модель хуже, чем модель с фиксированными эффектами. 2. Проводится тест Бриша-Пэгана на наличие случайного индивидуального эффекта.

41 Нулевая гипотеза: Дисперсия специфических для наблюдений ошибок равна нулю Асимптотическая тестовая статистика Хи-квадрат(1) = 252.601, Р-значение =7.035e-0.57 Р-значение примерно равно нулю, соответственно, нулевая гипотеза отвергается. Модель со случайными эффектами лучше описывает данные, чем обычная регрессионная модель. 3. Проведение теста Хаусмана для сравнения моделей со случайным и фиксированным эффектами. Значение тестовой статистики равно 8.53 (P-значение равно 0.04). Соответственно, отвергается нулевая гипотеза о том, что корреляция между ошибками и регрессорами отсутствует (равна нулю). Следовательно, выбирая между моделями со случайными и фиксированными эффектами, выбирается модель с фиксированными эффектами. Проведя сопоставление моделей можно сделать вывод, что в рассмотренном случае наилучшим образом подходит модель с фиксированными эффектами. Этот вывод ожидаемый, т.к. для изучения выбирались федеральные округа, состав которых не изменялся в течение рассматриваемых лет. 2.5 Выбор наиболее предпочтительного округа Большая часть жителей небольших городов (особенно молодёжь) стоят перед выбором – сменить или нет своё постоянное место жительства, уехать «на заработки» в другие регионы. Соответственно, перед ними встаёт вопрос о выборе наиболее привлекательного региона для жизни, работы и создания семьи. По каждому федеральному округу рассматривается шесть характеристик: инвестиции в основной капитал, количество зарегистрированных больных на 1 000 человек населения, уровень зарегистрированных преступлений на 100 000 человек населения, уровень миграции, среднедушевые денежные доходы населения, уровень занятости. Предположим, что человек стоит пред выбором наиболее привлекательного региона (Федерального Округа). Для него важными характеристиками являются – здоровье – как часто болеет население в данном регионе, инвестиции – на сколько регион поддерживается, и финансируются ли предприятия данного региона, уровень занятости – сможет ли данный человек устроиться на работу, доходы – на какую в среднем заработную плату он сможет рассчитывать, преступность – безопасно ли в данном

42 регионе, какой в ней уровень преступности и уровень миграции – больше въезжают в данный регион или выезжают. Целью данного изучения является выбор наиболее привлекательного региона с помощью анализа характеристик Федеральных Округов, а также анализа по методологии АСПИД (АСПИД – «Анализ и Синтез Показателей при Информационном Дефиците»), изложенной в работе Н.В.Хованова17. Преимущества данного метода заключаются в том, что возможно учитывать всю нечисловую, неточную и неполную информацию, которой располагает исследователь, а также результаты, полученные в процессе обработки имеющейся информации, наглядны. В ходе исследования будет проанализировано четыре модели. Первая модель – без интервальных и порядковых предположений о весовых коэффициентах и сводных показателях предпочтительности. Вторая модель (Синтез) – с учётом экспертных оценок о весовых коэффициентах. Третья модель (Анализ) – с учётом порядковой информации об агрегированных показателях предпочтительности. Четвертая модель - Анализ и Синтез, включает в себя порядковую информацию о весовых коэффициентах и об агрегированных показателях предпочтительности. Рассмотрим показатели, на основе которых проводилось исследование. 1. Инвестиции ( объём прямого инвестирования в регион млн.руб). 2. Уровень преступности численность (Рассматривается официально зарегистрированных преступлений на 100 000 человек населения). 3. Среднедушевой доход (тыс.руб). 4. Уровень здравоохранения (Рассматривается количество зарегистрированных заболеваний у пациентов с диагнозом, который установлен впервые в их жизни. Рассчитывается на 1000 человек населения). 5. Уровень миграции ( чем ниже показатель, тем лучше). 6. Уровень занятости (чем выше, тем лучше). В следующей таблице 2.2 представлены данные по всем переменным (признакам) и Федеральным округам (альтернативам) на основе Региональной статистики РФ. Использовались данные за 2014 год. 17 Хованов Н.В, Анализ и синтез показателей при информационном дефиците/ Н.В. Хованов, СПБГУ, 1996г – 196 с.

43 Таблица 2.2 Оценка признаков объектов Признак Альтернатива Центральный Северо-Западный Южный Северо-Кавказский Приволжский Уральский Сибирский Дальневосточный Инвестиции Занятость Доход Здоровье Ур. миграции Преступность 3435974 1357860 1277238 516921 2355973 2322596 1440980 820142 19008,3 6750,2 6161,2 3464,1 14114,8 6037,1 9010,1 3267,5 34970 28572 24328 20692 24020 30494 21490 31974 715 854 712 670 872 817 861 805 56 41 34 -21 -2 7 -4 -40 1499 1474 1303 724 1352 1764 2038 2092 В таблице 2.3 рассматриваются граничные значения каждого признака (их Min и Max значения), рассчитаны средние значения и стандартные отклонения. Таблица 2.3 Статистические значения признаков и нормировка N 1 2 3 4 5 6 Название признака Инвестиции Занятость Доход Здоровье Уровень миграции Преступность Min Max Среднее Ст.отклон. Inc / Dec 516921 3267,5 20692 670 -40 724 3435974 19008,3 34970 872 56 2092 1690960,5 8476,6625 27067,5 788,25 8,875 1530,75 892159,1263 5117,9 4861,5236 73,2287 30,5223 413,1594 Inc Inc Inc Dec Dec Dec «Inc» и «Dec» определяют то, каким образом оценивается наш признак. «Inc» означает, что чем больше значение признака, тем оно более привлекательно. «Dec» – наоборот – чем ниже значение признака – тем лучше. Соответственно, чем выше уровень инвестирования, занятости и среднего уровня заработка в Федеральном округе, тем данный округ более привлекателен. И чем ниже уровень заболеваемости, миграции и преступности, тем лучше данный округ. Рассмотрим таблицу 2.4. Единица означает, что данный признак имеет наилучшее значение в данном округе, а ноль – наихудшее. Таким образом, можно сделать вывод о том, что Центральный ФО является наиболее привлекательным по показателям – инвестиции, занятость и доход. Но по уровню миграции данный регион является наихудшим (уровень миграции в ЦФО является максимальным). Северо-Кавказский ФО по уровню инвестиций и доходу является наименее привлекательным, но по уровню здравоохранения и уровню преступности округ является благоприятным (т.к. наименьшее число заболевших и уровень преступности меньше остальных регионов).

44 Таблица 2.4 Нормированные показатели и их описательная статистика Альтернатива Инвестиции Занятость Доход Здоровье Ур. миграции Преступность Центральный Северо-Западный Южный Северо-Кавказский Приволжский Уральский Сибирский Дальневосточный 1,0000 0,2881 0,2605 0,0000 0,6300 0,6186 0,3166 0,1039 1,0000 0,2213 0,1838 0,0125 0,6891 0,1760 0,3648 0,0000 1,0000 0,5519 0,2547 0,0000 0,2331 0,6865 0,0559 0,7902 0,7772 0,0891 0,7921 1,0000 0,0000 0,2723 0,0545 0,3317 0,0000 0,1563 0,2292 0,8021 0,6042 0,5104 0,6250 1,0000 0,4335 0,4518 0,5768 1,0000 0,5409 0,2398 0,0395 0,0000 Модель 1. Для исходной модели, которая будет построена изначально – начальные интервалы весовых коэффициентов – заданы автоматически, т.е. вес каждого признака между 0 и 1. Также не будут заданы предпочтительные регионы или признаки. Соответственно, исходя из сделанных предположений можно сформулировать следующие результаты. В таблице 2.5 представлены расчётные данные по весам. Среднее значение каждого веса равно 0,1667 возможные отклонения от расчётного значения задаются с помощью стандартного отклонения (±0,1450). Таблица 2.5 Весовые коэффициенты оценок Вес признака w (Инвестиции) w (Занятость) w (Доход) w (Уровень урбанизации) w (Уровень миграции) w (Образование) Min Max Среднее Станд. отклон. 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,1667 0,1667 0,1667 0,1667 0,1667 0,1667 0,1450 0,1450 0,1450 0,1450 0,1450 0,1450 В таблице 2.6 представлены результаты расчётов при заданных начальных условиях. Среднее значение, рассчитанное в таблице 2.6, и есть искомый агрегированный показатель предпочтительности. Стандартное отклонение показывает возможный разброс данного показателя влево и вправо. Таблица 2.6 Статистика агрегированного показателя предпочтительности Альтернатива Q (Центральный Ф.О.) Q (Северо-Западный Ф.О.) Q (Южный Ф.О.) Q (Северо-Кавказский Ф.О.) Q (Приволжский Ф.О.) Q (Уральский Ф.О.) Q (Сибирский Ф.О.) Q (Дальневосточный Ф.О.) Min Max 0,0000 0,0891 0,1838 0,0000 0,0000 0,1760 0,0395 0,0000 1,0000 0,5519 0,7921 1,0000 0,6891 0,6865 0,6250 1,0000 Среднее Ст.отклон. 0,7018 0,2931 0,3828 0,4691 0,4496 0,4173 0,2427 0,3710 0,1453 0,0631 0,0870 0,1827 0,0968 0,0766 0,0838 0,1523 Место 1 7 5 2 3 4 8 6

45 В таблице 2.7 рассчитаны корреляции сводного показателя предпочтения. Можно заметить, что при увеличении предпочтительности Центрального Ф.О. также увеличивается предпочтительность Северо-Западного Ф.О, Южного Ф.О и Уральского Ф.О, но предпочтительность снижается в Северо-Кавказским Ф.О, Приволжском, Сибирском и Дальневосточном Ф.О. Таблица 2.7 является симметричной. наиболее сильная зависимость наблюдается между Центральным и Северо-Кавказским Ф.О (≈ -1), также между Сибирским и Приволжским (≈ +0,9). Практически не коррелируют СевероЗападный и Дальневосточный федеральные округа (коэффициент корреляции равен минус 0,05). Q (Южный) Q (СевероКавказский) Q (Приволжский) Q (Уральский) Q (Сибирский) Q (Дальневосточн.) Q (Центральный) Q (Северо-Западный) Q (Южный) Q (Сев.-Кавказский.) Q (Приволжский) Q (Уральский) Q (Сибирский) Q (Дальневосточный) Q (СевероЗападный) QCORR(i,j) Q (Центральный) Таблица 2.7 Корреляция сводного показателя предпочтительности 1,00 0,58 0,26 -0,99 -0,36 0,02 -0,56 -0,80 0,58 1,00 0,87 -0,62 0,15 0,55 0,21 -0,05 0,26 0,87 1,00 -0,32 0,63 0,88 0,62 0,26 -0,99 -0,62 -0,32 1,00 0,32 -0,07 0,50 0,77 -0,36 0,15 0,63 0,32 1,00 0,88 0,90 0,58 0,02 0,55 0,88 -0,07 0,88 1,00 0,81 0,44 -0,56 0,21 0,62 0,51 0,90 0,81 1,00 0,86 -0,80 -0,05 0,26 0,77 0,58 0,44 0,86 1,00 Модель 2. (Синтез) Далее, введем наши предположения о весовых коэффициентах. Пусть для нас важнее здоровье, чем миграция. w( Здоровье ) > w( Миграция ). Соответственно, произойдут следующие изменения. На рисунке 2.3 отражены введенные соотношения: вес здоровья выше веса миграции. Рисунок 2.3 Весовые коэффициенты оценок

46 Исходя из данных изменений, формируется искомый показатель предпочтительности. Модель 3 (Анализ) Далее, добавим к исходной модели новые предположения: Первое предположение о том, что Дальневосточный Федеральный Округ предпочтительнее, чем Сибирский ввиду его выгодного приморского положения, а также близости к странам Азиатско-Тихоокеанского региона, которые отличаются интенсивным экономическим ростом. Важным преимуществом Дальневосточного федерального округа является наличие крупных городов и портов, транспортных путей в южной части округа. Q( Дальневосточный Ф.О. ) > Q( Сибирский Ф.О. ) Второе предположение – Южный Федеральный Округ предпочтительнее СевероКавказского, ввиду близости к Черному морю и большого количества рекреационных зон, высокой социально-экономической привлекательности, сформированной спортивной и транспортной инфраструктуры (Сочинский олимпийский комплекс), и т.д. Q( Южный Ф.О. ) > Q( Северо-Кавказский Ф.О. ) Таким образом, распределение весовых коэффициентов представлены на следующем рисунке 2.4, получаем, что вес дохода с вероятностью 0,68 превосходит все остальные веса. Рисунок 2.4 Весовые коэффициенты оценок Модель 4 (Анализ и Синтез) Изменим исходную модель 1, дополнив её уже известными предположениями: 1) w( Здоровье ) > w( Миграция ) 2) Q( Дальневосточный Ф.О. ) > Q( Сибирский Ф.О. ) 3) Q( Южный Ф.О. ) > Q( Северо-Кавказский Ф.О. ).

47 Таким образом, будет проводиться процедура Анализа и Синтеза. Получим следующие распределения весовых коэффициентов. При всех введенных новых условиях получаются следующие результаты и распределения весовых коэффициентов. Рисунок 2.5 Весовые коэффициенты оценок Соответственно, построив четыре модели, можно сформулировать выводы по каждой из моделей, становится возможным провести их сравнение, выделение общих закономерностей. Выводы по четырём моделям В модели 1 наиболее благоприятным является Центральный Федеральный округ. С вероятностью 0,76 он доминирует над всеми остальными округами. Далее, с вероятностью 0,52 Северо-Кавказский ФО лучше, чем остальные (за исключением ЦФО). Приволжский ФО с вероятностью 0,6 превосходит оставшиеся округа. Северо-Западный ФО с вероятностью 0,66 предпочтительнее наименее привлекательного – Сибирского Ф.О. Данный рисунок можно рассматривать также как сортировку, в который сверху вниз представлены Федеральные округа по степени предпочтительности (чем ниже, тем менее привлекателен). В модели 2 при сопоставлении полученных результатов в первом и втором случае, наиболее и наименее предпочтительные регионы не изменились. Поменялись лишь 3,4,5 места. Приволжский Ф.О опустился на одно место, заняв 3 место, Южный Ф.О поднялся на две строчки, заняв 4 место, а Уральский Ф.О опустился на одну строку. В модели 3 полученные результаты свидетельствуют о том, что Центральный Ф.О. с вероятностью 100% предпочтительнее всех остальных Округов. Северо-Кавказский Ф.О. опустился со второго места на 7, Северо-Западный Ф.О. поднялся с 7 места на 5, Уральский Ф.О. занял второе место.

48 В модели 4 Центральный Федеральный Округ является лидером. Со 100% вероятностью можно утверждать, что при имеющихся предположениях и прочих равных условиях Центральный Ф.О. предпочтительнее всех остальных округов. Второе место занимает Уральский Федеральный Округ. Если сравнивать исходную модель и последнюю, можно отметить, что Уральский Ф.О. поднялся с 4 места на 2. А СевероКавказский опустился со второго места, на предпоследнее. Северо-Западный Ф.О. поднялся на одну позицию и занял 6 место. Во всех четырёх моделях наиболее предпочтительным округом является Центральный Ф.О., а наименее привлекательным – Сибирский Ф.О. Все остальные округа меняют свои позиции в процессе добавления условий о весовых коэффициентах и порядковых условиях о доминировании отдельных округов над другими. Можно заметить, что двигаясь от первой к последней модели, значительно уменьшается разброс (стандартное отклонение), наши полученные результаты становятся более точными. Модель 1. Без предположений Модель 2. Предположения о w Модель 3. Предположения о Q Модель 4. Предположения о w и Q Рисунок 2.6 Показатель предпочтительности

49 Выводы по главе II В данной главе рассматриваются системы одновременных уравнений и анализ панельных данных. Несмотря на то, что все федеральные округа по своей сути однородны, но даже исходя из построенных уравнений, при оценивании систем одновременных уравнений, становится видно, что развиваются федеральные округа по-разному. Можно заметить, что Центральный федеральный округ и Северо-Западный не возможно сопоставлять и сравнивать с такими федеральными округами как Южный и Уральский, т.к. разница в коэффициентах при переменных, а также при константе различаются в десятки раз. При анализе панельных данных было построено уравнение зависимости уровня валового регионального продукта от инвестиций, среднего уровня занятости и среднедушевых денежных доходов населения. Были рассмотрены три модели – обычная регрессия, модель с фиксированными эффектами и модель со случайными эффектами. Проведя сравнение полученных моделей, был сформулирован вывод о том, что модель с фиксированными эффектами является наиболее точной. При анализе статистических данных, полученные результаты свидетельствуют о том, что наша страна действительно имеет существенное территориальное различие по регионам в уровнях инвестирования, среднем уровне заработной платы и уровне занятости. Также был проведён анализ Федеральных округов с точки зрения их привлекательности. В результате используемых предположений и проведенного анализа можно сформировать рейтинг привлекательности регионов. Лидером данного рейтинга является Центральный ФО, который выступает в роли наиболее привлекательного округа, за ним следуют Уральский, Приволжский, Дальневосточный, Южный, Северо-Западный и Северо-Кавказский округа, и замыкает рейтинг – Сибирский ФО.

50 Заключение В работе было проанализировано социально-экономическое положение федеральных округов России, рассмотрены основные показатели, характеризующие экономическое развитие отдельных регионов. Анализируя ряд показателей, с одной стороны, можно выделить общие тенденции развития, но с другой стороны – существуют весомые различия в абсолютных значениях показателей для различных регионов. Анализ экономических показателей федеральных округов был проведён с помощью эконометрического инструментария, а именно, систем одновременных уравнений и моделей, основанных на панельных данных, и математических методов анализа и синтеза показателей при информационном дефиците. Используемые методы позволяют оценивать достаточно сложные экономические модели, направлены на выявление взаимосвязей между отдельным явлениям и способны помочь в формировании выводов по таким экономическим процессам. Анализ систем одновременных уравнений позволил сформулировать следующий вывод. Построенные уравнения свидетельствуют о том, что развиваются федеральные округа по-разному, несмотря на то, что все регионы однородны. Можно заметить, что Центральный федеральный округ и Северо-Западный не представляется возможным сопоставлять и сравнивать с такими округами как Южный и Уральский, т.к. разница в коэффициентах при переменных, а также константы различаются в десятки раз. При анализе панельных данных было построено уравнение зависимости уровня валового регионального продукта от инвестиций, среднего уровня занятости и среднедушевых денежных доходов населения. Рассматривались три модели – обычная регрессия, модель с фиксированными эффектами и модель со случайными эффектами. Проведя сравнение полученных моделей, был сформулирован вывод о том, что модель с фиксированными эффектами является наиболее точной и отражает индивидуальные эффекты, которые присущи округам. Анализируя статистические данные, результаты свидетельствуют о том, что наша страна действительно имеет существенное различие по регионам в уровнях инвестирования, среднем уровне заработной платы и уровне занятости. Анализируя данную модель, была выявлена зависимость между логарифмом ВРП и логарифмом прямых инвестиций (при увеличении прямых инвестиций на один процент, уровень валового регионального продукта увеличивается на 0,65%).

51 На основе данных по Федеральным округам за 2014 год, полученных с помощью сайта Государственной Статистики, был построен агрегированный показатель предпочтительности округа по отдельным характеристикам, таким образом, был проведён анализ регионов с точки зрения их привлекательности. В результате используемых предположений и проведенного анализа можно сформировать рейтинг привлекательности округов. Лидером данного рейтинга является Центральный ФО, который выступает в роли наиболее привлекательного, за ним следуют Уральский, Приволжский, Дальневосточный, Южный, Северо-Западный и Северо-Кавказский округа, и замыкает рейтинг – Сибирский ФО. Таблица корреляции сводных показателей предпочтительности, построенная в процессе анализа, отражает зависимости данного показателя между округами. К примеру, корреляция сводного показателя предпочтительности между Центральным и Северо-Кавказским Ф.О. примерно равна единице, соответственно, при увеличении привлекательности Северо-Кавказского округа, снижается привлекательность Центрального, и наоборот. Таким образом, на основе рассмотренных данных можно сделать выводы, что регионы России имеют индивидуальные особенности, развиваются неравномерно, отмечаются существенные различия между округами, ввиду большой территории страны и различных условий для проживания и развития бизнеса. Отмечаются как экономические различия – в уровне ВРП и инвестирования, так и социальные различия – дифференциация в уровне оплаты труда, численности занятых и уровне безработицы.

52 Список литературы 1. Анатольев С. Эконометрика для подготовленных: Курс лекций – Москва, РЭШ – 65 с. 2. Белько И. В. Эконометрика. Практикум: Учебное пособие / И. В. Белько, Е. А. Криштапович. – Минск: Изд-во Гревцова, 2011. – 224 с., ил. 3. Вербик Марно. Путеводитель по современной эконометрике. Пер. с англ. В.А.Банникова. – М: «Библиотека Солев». Научная книга, 2008. – 616с. 4. Доугерти К. Введение в эконометрику: Пер. с англ. – М.: ИНФРА-М, 1999. – XIV, 402 с. 5. Коломак Е.А. Эконометрический анализ панельных данных. — Новосибирск: НГУ, 2007 6. Кремер Н. Ш., Путко Б. А. Эконометрика: Учебник для вузов / Под ред. проф. Н. Ш. Кремера. – М.: ЮНИТИ-ДАНА, 2002. – 311 с. 7. Лапо В.Ф. Экономика России в многополярном мире // Прикладная эконометрика. – 2013. - №30(2) – С. 26-48. 8. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс: Учебник – 6-е изд., перераб. и доп. – М.:Дело, 2004. – 576 с. 9. Носко В. П. Эконометрика. Кн. 1. Ч. 1, 2: учебник / В. П. Носко. — М.: Дело РАНХиГС, 2011. — 672 с. 10. Ратникова Т.А. Введение в анализ панельных данных, ГУ- ВШЭ, 2004 11. Ратникова Т.А. Анализ панельных данных в пакете «STATA». Государственный университет Высшая школа экономики. М. 2004 – 40 с. 12. Суслов В.И., Лапо В.Ф., Талышева Л.П., Ибрагимов Н.М. Эконометрия-3: Курс лекций - Красноярск: СФУ. - 194 с 13. Хованов Н.В, Анализ и синтез показателей при информационном дефиците/ Н.В. Хованов, СПБГУ, 1996г – 196 с. 14. Виртуальная Россия: http://virru.ru/federalnye-okruga-rossii 15. «Группа восьми» в цифрах: Статистический сборник. (2009). M.: Росстат. 16. Регионы России. (2000–2014). Статистический сборник. М.: Росстат. 17. Российский статистический ежегодник. (2000–2014). Статистический сборник. М.: Росстат. 18. Россия и страны мира. (2014). Статистический сборник. М.: Росстат. 19. Россия и страны — члены Европейского союза. (2009). Статистический сборник. М.: Росстат. 20. The World Bank: World Development Indicators. (2015). http://data.worldbank.org/datacatalog/worlddevelopment 21. Wooldridge J. M. Econometric Analysis of Cross Section and Panel Data, MIT Press, 2002. 22. http://www.finmarket.ru/main/article/3303366. 12.04.2013 23. http://www.iep.ru/files/persona/nosko/Book.pdf 24. Fujita M., Krugman P. The New Economic Geography: Past, Present and the Future // Papers in Regional Science. — Wiley-Blackwell, 2004.

53 Приложение 1. Система уравнений 2 Северо-Западный ФО

54 Приложение 2. Система уравнений 3 Южный ФО

55 Приложение 3. Система уравнений 4 Северо-Кавказский ФО

56 Приложение 4. Система уравнений 5 Приволжский ФО

57 Приложение 5. Система уравнений 6 Уральский ФО

58 Приложение 6. Система уравнений 7 Сибирский ФО

59 Приложение 7. Система уравнений 8 Дальневосточный ФО

60 Приложение 8. Модель с фиксированными эффектами

61 Приложение 9. Модель со случайными эффектами

62 Приложение 10. Данные Region Year GRP Invest employed income Центральный 2000 1841499 303920 17721,30 3231 Центральный 2001 2243525 349312 17747,00 4300 Центральный 2002 2878665 435812 17927,80 5436 Центральный 2003 3577143 563111 18056,80 7211 Центральный 2004 4617086 770408 18220,40 8991 Центральный 2005 6278359 964156 18357,40 11084 Центральный 2006 7965170 1225593 18464,90 13883 Центральный 2007 10208918 1779599 18732,10 17084 Центральный 2008 12674395 2278329 19016,90 19141 Центральный 2009 11405184 1928138 18601,40 22628 Центральный 2010 13444440 2099825 18619,20 24525 Центральный 2011 16062124 2458313 18710,30 27089 Центральный 2012 17432295 2961586 18814,10 30006 Центральный 2013 18975900 3287365 18894,70 33467 Центральный 2014 20820579 3435974 19008,30 34970 Северо-Западный 2000 578505 116663 6609,60 2269 Северо-Западный 2001 709025 168114 6628,60 3084 Северо-Западный 2002 886843 199102 6659,50 4010 Северо-Западный 2003 1091027 285159 6689,90 5403 Северо-Западный 2004 1474882 359562 6713,80 6938 Северо-Западный 2005 1799780 483266 6737,90 9045 Северо-Западный 2006 2198608 651271 6801,10 10971 Северо-Западный 2007 2770190 832478 6854,20 13282 Северо-Западный 2008 3388222 1040669 6835,50 15070 Северо-Западный 2009 3415871 933693 6764,90 17662 Северо-Западный 2010 3943054 1176969 6764,50 19741 Северо-Западный 2011 4785459 1374216 6760,20 21184 Северо-Западный 2012 5247509 1544437 6774,20 23422 Северо-Западный 2013 5586594 1258559 6768,00 26167 Северо-Западный 2014 5914797 1357860 6750,20 28572 Южный 2000 329695 108941 5764,70 1592 Южный 2001 426508 130499 5883,20 2165 Южный 2002 519019 142905 5966,30 2898 Южный 2003 616085 162522 5987,10 3747 Южный 2004 766851 202691 6031,40 4565 Южный 2005 936056 245104 6056,80 5783 Южный 2006 1195195 324543 6076,60 7292 Южный 2007 1577083 496911 6137,70 9350 Южный 2008 2001112 704183 6200,70 11525 Южный 2009 1994913 709382 6139,20 13056 Южный 2010 2337937 907961 6113,60 15031 Южный 2011 2777792 1079284 6130,90 16584 Южный 2012 3185420 1254959 6201,10 18864

63 Продолжение таблицы Region Year GRP Invest employed income Южный 2013 3528190 1428562 6197,80 21842 Южный 2014 3920265 1277238 6161,20 24328 Северо-Кавказский 2000 105178 25964 2646,10 1130 Северо-Кавказский 2001 142442 37102 2688,50 1441 Северо-Кавказский 2002 174564 42817 2719,90 1922 Северо-Кавказский 2003 220170 49663 2750,40 2532 Северо-Кавказский 2004 275606 61647 2766,30 3466 Северо-Кавказский 2005 352070 93318 2865,60 4544 Северо-Кавказский 2006 457118 128950 2899,80 5972 Северо-Кавказский 2007 573220 199888 3180,00 7606 Северо-Кавказский 2008 728231 260241 3238,10 9780 Северо-Кавказский 2009 786671 267085 3251,90 11553 Северо-Кавказский 2010 891834 313412 3314,60 13249 Северо-Кавказский 2011 1066320 347504 3374,30 15050 Северо-Кавказский 2012 1209039 402809 3397,20 17167 Северо-Кавказский 2013 1359273 426575 3423,30 18900 Северо-Кавказский 2014 1587148 516921 3464,10 20692 Приволжский 2000 1036789 206781 14209,90 1726 Приволжский 2001 1292757 267845 14293,40 2319 Приволжский 2002 1483310 294507 14481,00 3035 Приволжский 2003 1807987 350622 14460,00 3917 Приволжский 2004 2284896 464094 14486,50 4787 Приволжский 2005 2799036 609499 14503,80 6220 Приволжский 2006 3513342 783640 14614,80 7996 Приволжский 2007 4330428 1148397 14687,90 9930 Приволжский 2008 5324051 1485341 14665,30 12351 Приволжский 2009 4922532 1279154 14402,50 13911 Приволжский 2010 5709470 1437472 14357,20 15697 Приволжский 2011 7050736 1702521 14295,00 17282 Приволжский 2012 7864342 2012877 14336,40 19663 Приволжский 2013 8571225 2228110 14217,00 21864 Приволжский 2014 9171075 2355973 14114,80 24020 Уральский 2000 866133 250731 5711,90 2744 Уральский 2001 1120820 330984 5836,40 3820 Уральский 2002 1335976 383378 5879,00 4791 Уральский 2003 1659322 445954 5993,30 6110 Уральский 2004 2234753 534467 6056,80 7413 Уральский 2005 3091363 593370 6093,10 9507 Уральский 2006 3720616 801479 6078,30 12038 Уральский 2007 4236325 1113151 6082,20 15025 Уральский 2008 4815668 1482552 6104,50 18685 Уральский 2009 4360451 1337857 6043,90 19769 Уральский 2010 5118918 1490849 6067,20 21586 Уральский 2011 6314341 1838272 6056,70 23908

64 Продолжение таблицы Region Year GRP Invest employed income Уральский 2012 7098364 2037624 6062,30 26304 Уральский 2013 7648600 2094007 6053,40 28994 Уральский 2014 8001749 2322596 6037,10 30494 Сибирский 2000 687071 98647 8690,90 1933 Сибирский 2001 844142 135116 8702,80 2576 Сибирский 2002 991737 150109 8727,10 3373 Сибирский 2003 1209597 193614 8798,30 4351 Сибирский 2004 1631783 255399 8865,30 5267 Сибирский 2005 1951299 346106 8911,50 6680 Сибирский 2006 2442999 483721 8947,90 8346 Сибирский 2007 2990665 708951 9029,80 10286 Сибирский 2008 3442210 945556 9097,20 12873 Сибирский 2009 3391088 834593 8954,80 13525 Сибирский 2010 4131394 980474 9027,00 14892 Сибирский 2011 4802934 1219287 9009,70 16568 Сибирский 2012 5186809 1459474 9085,60 18474 Сибирский 2013 5535450 1377697 9061,00 20454 Сибирский 2014 6106913 1440980 9010,10 21490 Дальневосточный 2000 308802 53589 3162,20 2498 Дальневосточный 2001 391750 85743 3200,20 3304 Дальневосточный 2002 471106 113779 3212,90 4391 Дальневосточный 2003 561094 135723 3243,40 5788 Дальневосточный 2004 678448 216743 3266,50 7047 Дальневосточный 2005 826422 276291 3265,60 8892 Дальневосточный 2006 999073 330825 3290,70 11097 Дальневосточный 2007 1277127 436849 3315,30 13358 Дальневосточный 2008 1534868 584745 3315,40 15622 Дальневосточный 2009 1730519 686111 3304,40 18410 Дальневосточный 2010 2110721 787699 3313,30 20809 Дальневосточный 2011 2532572 1060505 3306,50 22870 Дальневосточный 2012 2702292 971353 3297,30 25504 Дальневосточный 2013 2808368 814456 3285,80 28929 Дальневосточный 2014 3222508 820142 3267,50 31974

65 Приложение 11. Данные Центральный 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. 1 841 498 2 243 525 2 878 664 3 577 142 4 617 086 6 278359 7 965169 10 208 917 12 674 395 11 405 184 13 444 440 16 062 123 17 432 294 18975900 Ур. ЭАН 65,9 65,1 65,7 65,6 66,3 66,6 66,9 67,9 67,9 68,1 68,3 69,2 70,0 69,9 Ур безработицы 7,8 6,0 5,1 5,1 4,7 4,3 3,1 3,6 5,8 4,6 4,1 3,1 3,3 435 810 563 111 770 409 964 158 4,0 1 225 593 1 779 599 2 278 329 1 928 138 2 099 824 2 458 312 2 961 584 ВРП Инвестиции в ОК 303 918 349 312 3 287 363 ИПЦ 120,7 120,7 115,3 107,2 110,5 110,5 109 112,2 113,3 109,4 108,9 106 106,9 106,7 Северо-Западный 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. ВРП 578 504 709 025 886 843 1 091 027 1 474 882 1 799780 2 198608 2 770 190 3 388 222 3 415 871 3 943 053,7 4 785 458,7 5 247 509 5 586 593 Ур. ЭАН 66,4 66,2 66,6 67,0 67,4 68,8 70,0 70,7 71,1 71,2 70,8 71,4 71,5 70,9 Ур безработицы 9,6 7,6 6,2 7,0 6,0 5,4 4,9 4,1 5,0 6,9 5,9 5,1 4,0 4,3 116 663 168 113 199 102 285 158 359 562 483 265 651 271 832 478 1 040 669 933 693 1 134 405 1 329 968 1 485 413 1 198 415 121 121 118 110 112 111,2 108,6 112,6 114,1 108,5 109,2 105,8 106,1 106,6 2005г. 936 055,9 2006г. 1 195 195 Инвестиции в ОК ИПЦ Южный 2000г. 2001г. 2002г. 2003г. 2004г. 329 695 426 508 519 019 616 085,3 766 851,3 Ур. ЭАН 62,8 61,6 62,5 61,0 63,3 62,5 Ур безработицы 12,9 11,5 9,6 11,4 9,6 8,4 134 904 167 599 185 722 212 183 264 339 117,7 112,1 111,3 112 112 ВРП Инвестиции в ОК ИПЦ 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. 1 577 083 2 001 112 1 994 913 2 337 937 2 777 792 3 185 419 3 528 190 63,7 64,8 65,1 65,1 64,5 65,1 65,6 86,8 8,2 7,0 6,4 8,6 7,6 7,0 6,2 8,6 338 421 453 493 696 798 905 814 709 382 907 962 1 079 284 1 254 958 1 428 561 113 109,5 112 113,6 109,2 109 106,1 106,6 106,6 СевероКавказский 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. ВРП 105 178 142 442 174 564 220 170 275 606 352 070 457 118 573 220 728 231 786 670,9 891 834,3 1 066 319,6 1 209 039 1 359 273 Ур. ЭАН 61,2 59,1 59,6 58,6 59,5 62,2 61,6 63,1 63,5 64,5 63,9 64,6 65,3 65,8 Ур безработицы 20,4 18,7 17,4 17,2 18,8 17,1 22,6 19,2 15,7 16,0 16,5 14,5 13,1 13 Инвестиции в ОК 25 964 31 125 40 214 54 231 82 241 93 317 128 950 199 888 260 241,47 267 085,42 313 412,30 347 503,60 402 808,80 426575 ИПЦ 116,1 114,2 110,1 108,3 110,5 111,2 109 113,3 116,1 109,9 110,6 105,2 106,6 106,1

66 Продолжение таблицы Приволжский 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. 1 036 789 1 292 757 1 483 310 1 807 987 2 284 896 2 799 036 3 513 342 4 330 428 5 324 051 4 922 532 5 709 470 7 050 735 7 864 342 8571225 Ур. ЭАН 65,9 64,8 65,4 64,5 65,2 65,8 66,2 66,8 66,9 67,6 67,8 68,4 68,6 68,1 Ур безработицы 9,8 8,4 7,7 7,7 7,9 7,4 6,5 6,1 6,2 8,6 7,6 6,5 5,3 4,9 ВРП Инвестиции в ОК ИПЦ Уральский 206 781 267 845 294 507 350 622 464 095 609 499 783 640 1 148 391 1 485 341 1 279 154 1 437 472 1 702 521 2 012 877 2 228 110 121,2 115,3 109,6 110,5 112,3 110,2 108,7 113,1 113,3 107,9 109,3 106,2 106,4 106,3 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. 866 133 1 120 820 1 335 976 1 659 322 2 234 753 3 091 363 3 720 616 4 236 325 4 815 668 4 360 451,2 5 118 918,4 6 314 341,2 7 098 364,3 7648600 Ур. ЭАН 66,6 64,9 65,0 67,0 66,7 67,3 67,9 67,5 69,1 68,7 69,1 69,8 70,1 70 Ур безработицы 10,1 9,2 8,1 7,4 7,4 6,7 6,8 4,9 5,5 8,1 8,0 6,8 6,0 5,7 250 731 330 984 383 378 445 954 534 467 593 370 801 479 1 113 151 1 482 552 1 337 857 1 490 849 1 838 272 2 037 624 2 094007 122,2 118,5 116,4 114,2 110,5 111,7 110,2 110,9 112,6 108,8 109,8 106,4 106,4 106,2 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. 687 071 844 142,2 991 737 12 095967 1 631 782 1 951 299 2 442 999 2 990 665,1 3 442 209,8 3 391 088,1 4 131 394,4 4 802 933,8 5 186 808,5 5535450 Ур. ЭАН 65,0 62,5 64,2 64,0 64,9 65,9 65,5 66,2 66,5 66,4 66,9 66,9 66,6 66,8 Ур безработицы 12,8 11,3 10,1 11,4 9,9 9,3 8,7 7,6 8,3 10,5 8,7 8,1 7,1 7,2 Инвестиции в ОК 98 647 135 116 150 109 193 614 255 399 346 105 483 721 708 950,60 945 556,16 834 593,33 980 472,00 1 219 287 1 459 474 1377696 ИПЦ 120,5 118, 117,5 116,3 112,8 110,5 108,6 110,8 112,9 108,4 107,9 106,3 106,7 106,1 ВРП Инвестиции в ОК ИПЦ Сибирский ВРП Дальневосточный 2000г. 2001г. 2002г. 2003г. 2004г. 2005г. 2006г. 2007г. 2008г. 2009г. 2010г. 2011г. 2012г. 2013г. ВРП 308 802 391 750 471 106 561 094 678 448 826 428 999 073 1 277 127 1 534 868 1 730 519 2 110 721 2 532 572 2 702 292 2808368 Ур. ЭАН 68,2 66,3 66,2 67,2 66,8 66,5 67,0 67,7 69,0 68,9 68,4 69,6 69,6 69,7 Ур безработицы 12,6 10,2 8,7 8,5 8,9 7,9 7,4 6,6 7,7 9,2 8,6 7,4 6,7 6,5 Инвестиции в ОК 53 589 85 743,40 113 779 135 7223 216 744 276 291 330 825 436 849 584 745 686 111 787 699 1 060 505 971 353 814 456 ИПЦ 118,4 117,2 115,6 114,3 115,2 113,3 108,8 109,6 113,6 109,7 107,7 106,8 105,9 106,6

Рецензии:

Авторизуйтесь, чтобы добавить рецензию

- у работы пока нет рецензий -

Отзывы:

Авторизуйтесь, чтобы оставить отзыв