Научная статья на тему 'Детерминанты уровня развития венчурной отрасли на примере России и сша'

Детерминанты уровня развития венчурной отрасли на примере России и сша Текст научной статьи по специальности «Экономика и бизнес»

CC BY
525
122
i Надоели баннеры? Вы всегда можете отключить рекламу.
Журнал
Cloud of science
ВАК
Область наук
Ключевые слова
ВЕНЧУРНЫЙ КАПИТАЛ / ВЕНЧУРНАЯ ОТРАСЛЬ / ДЕТЕРМИНАНТЫ / АВТОРЕГРЕССИОННАЯ МОДЕЛЬ / МОДЕЛЬ КОРРЕКЦИИ ОШИБКИ

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Семенов А.С., Еремеева Е.А.

В настоящее время российской экономической политикой избрана инновационная модель развития национальной экономики, в связи с чем требуется использование новых, более эффективных инструментов финансирования инновационных проектов. Одним из таких инструментов является привлечение венчурного капитала. В России, несмотря на неуклонное развитие инфраструктуры венчурного бизнеса, механизма государственно-частного партнерства, на сегодняшний день существует ряд факторов, тормозящих развитие российского рынка венчурного капитала. Для выявления характера влияния различных факторов на активность венчурного капитала в данной работе проводится анализ результатов исследований, посвященных изучению детерминант уровня развития венчурного капитала. Для проведения анализа были сформированы две выборки, представляющие собой годовые данные по России и США за период с 1994 по 2012 гг. Моделирование позволило выявить статистически значимые долгосрочные связи показателей объема венчурных инвестиций с затратами компаний на НИОКР в России и численностью занятых в малом бизнесе в США.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Study the Stage Venture Capital Industry in Russia and USA

Now in Russia the innovative model of development is implemented, so new instruments of innovative project financing are required. One of them is venture capital attracting. In spite of the rapid venture infrastructure development the factors which diminish the speed of venture capital development still exist. To study the influence of different factors on venture capital activity, the work considers the analysis of the different research papers, which study the determinants of the venture capital development. According to the results of testing, the possible hypotheses are outlined and verified. The analysis was performed on two datasets which represent the annual data for Russia and USA from 1994 to 2012. As the influence factors on the VC industry the model uses determniants both used in previous works and completely new. The latter are the level of small business development, the inventors' activity coefficient, and the level of information and communications industry development in a country. As a dependent variable, the total volume of venture investments, transformated into logarithmic scale is used. The modelling allows to show the statistically significant long-term connections of the VC volume with the R&D spending in Russia and the number of employed in small business in the USA.

Текст научной работы на тему «Детерминанты уровня развития венчурной отрасли на примере России и сша»

Cloud of Science. 2016. T. 3. № 1 http:/ / cloudofscience.ru ISSN 2409-031X

Детерминанты уровня развития венчурной отрасли на примере России и США

А. С. Семенов*,**, Е. А. Еремеева*

*Национальный исследовательский университет «Высшая школа экономики» 101000, Москва, ул. Мясницкая, 20

**Московский технологический институт 119334, Москва, Ленинский проспект, 38A

e-mail: semenov.venture@mail.ru

Аннотация. В настоящее время российской экономической политикой избрана инновационная модель развития национальной экономики, в связи с чем требуется использование новых, более эффективных инструментов финансирования инновационных проектов. Одним из таких инструментов является привлечение венчурного капитала. В России, несмотря на неуклонное развитие инфраструктуры венчурного бизнеса, механизма государственно-частного партнерства, на сегодняшний день существует ряд факторов, тормозящих развитие российского рынка венчурного капитала. Для выявления характера влияния различных факторов на активность венчурного капитала в данной работе проводится анализ результатов исследований, посвященных изучению детерминант уровня развития венчурного капитала. Для проведения анализа были сформированы две выборки, представляющие собой годовые данные по России и США за период с 1994 по 2012 гг. Моделирование позволило выявить статистически значимые долгосрочные связи показателей объема венчурных инвестиций с затратами компаний на НИОКР в России и численностью занятых в малом бизнесе в США.

Ключевые слова: венчурный капитал, венчурная отрасль, детерминанты, авторегрессионная модель, модель коррекции ошибки.

1. Введение

Актуальность темы исследования обусловлена «Стратегией инновационного развития Российской Федерации на период до 2020 года», согласно которой одной из задач, стоящих перед страной, является «переход российской экономики от экспортно-сырьевого к инновационному социально ориентированному типу развития» [5, с. 11]. Для этого необходим поиск новых эффективных источников и инструментов финансирования инновационных компаний. Одним из таких инструментов поддержки высокотехнологичных секторов экономики является венчурный капитал. Привлечение венчурного капитала с целью увеличения доли негосударственных источников финансирования инновационных проектов является необходимым

условием повышения конкурентоспособности отечественной экономики и становится одной из приоритетных государственных задач. Однако механизм венчурного предпринимательства у нас в стране еще недостаточно отлажен, отсутствует четкая методология построения национальной венчурной модели и стратегия государственного участия в ее развитии.

Таким образом, необходимо дальнейшее совершенствование методологических подходов к созданию эффективной модели развития венчурного предпринимательства, в связи с чем ключевое значение приобретает выявление макроэкономических факторов и факторов инновационного развития национальной экономики, оказывающих значимое влияние на развитие российского рынка венчурного капитала [1-2, 6, 8]. Актуальность работы обусловлена также отсутствием практического инструментария определения детерминант активности рынка венчурных инвестиций в России, позволяющего осуществлять прогнозирование наиболее эффективных путей развития венчурной отрасли.

Хотя в зарубежной литературе достаточно подробно изучены различные факторы, влияющие на повышение эффективности венчурных инвестиций, непосредственный перенос опыта развитых стран на российский рынок некорректен в связи с имеющимися значительными институциональными и инфраструктурными отличиями. Таким образом, несмотря на многочисленность теоретических работ, раскрывающих проблематику оценки эффективности венчурного бизнеса, ощущается недостаток практических исследований, способных предложить комплексный подход к поиску путей повышения активности рынка венчурного капитала в России.

Научная новизна данного исследования заключается в использовании в эконо-метрическом анализе новых детерминант, влияние которых на объем венчурных инвестиций не изучалось другими авторами, а именно: уровень развития малого предпринимательства, коэффициент изобретательской активности населения и уровень развития отрасли ИКТ в стране.

2. Обзор исследований, посвященных изучению детерминант уровня развития венчурного капитала

Существует целый ряд работ зарубежных исследователей, посвященных анализу детерминант активности венчурного капитала. Все детерминанты активности венчурного капитала, встречающиеся в различных исследованиях, могут быть условно разбиты на макроэкономические факторы; факторы, характеризующие технологический потенциал и предпринимательскую среду страны, и факторы, отражающие влияние государства на инвестиционную деятельность.

2.1. Макроэкономические факторы

Для роста инвестиционной активности необходимы определенные макроэкономические предпосылки. Базовым условием наращивания объема венчурных инвестиций является стабильная макроэкономическая ситуация в стране, основным показателем которой является ВВП.

С помощью линейной прогнозной модели, описанной в работах Йорда (Jordà [19, 20]), Штимель (Stimel [42]) на квартальных данных по США за 1995-2011 гг. оценивает динамический эффект темпа роста ВВП на уровень развития венчурного капитала. Тестирование модели приводит к результатам, согласующимся с теоретическими предположениями — рост экономики в целом оказывает положительное влияние на объем венчурных инвестиций. Аналогичный результат достигается и в других исследованиях как на выборках по США, так и для стран OECD (Gom-pers and Lerner [26]; Romain, Pottelsberghe [38]). Однако Дженг и Уэльс (Jeng, Wells [32]) получили статистическую незначимость данной детерминанты, что объясняется авторами сильной корреляцией данного фактора с долей рыночной стоимости IPO в ВВП.

Наличие развитого сегмента IPO фондового рынка дает равную возможность как инновационным предпринимателям, так и венчурным капиталистам реализовать свои цели. Успешный выход на IPO позволяет венчурному инвестору осуществить со значительной выгодой выход из инвестиционного проекта, а инновационной компании — привлечь значительные средства дешевле, чем из других источников. Дженг и Уэльс (Jeng, Wells [32]) в качестве прокси IPO рассматривали долю рыночной стоимости IPO в ВВП на выборке из 21 развитой страны за период с 1985 по 1994 гг. и пришли к выводу, что данный показатель оказывает сильное положительное влияние как на совокупный объем венчурных инвестиций, так и на объем поздних раундов инвестиций. Однако значимость воздействия данной прок-си-переменной на объем ранних раундов инвестиций авторами не была выявлена. Бонини и Элькан (Bonini, Alkan [25]), исследуя данные 16 стран OECD за период с 1995 по 2002 гг., в качестве прокси IPO используют количество новых залистинго-ванных компаний за год. В отличие от результатов Дженга и Уэльса, влияние данного показателя на совокупный объем венчурного капитала выявлено не было.

В качестве фактора, оказывающего негативное воздействие на активность венчурных инвестиций, исследователи рассматривают темпы инфляции, поскольку инвестиционные процессы чувствительны к их изменениям. Рост данного показателя сокращает стимулы инвесторов к долгосрочному инвестированию в результате обесценивания их потенциальной прибыли (Mankiw [35]). Подтверждение этого было получено в работах Бонини и Элькана, Штимеля (Bonini, Alkan [25]; Stimel [42]). Штимель в ходе эмпирического исследования выявил проявление значитель-

ного негативного воздействия темпа инфляции на объем венчурных инвестиций в компании посевных стадий и стартапы. Однако тестирование инвестиций поздних стадий развития компаний показало положительное влияние инфляции на объем венчурных инвестиций, что автор связывает с желанием инвесторов ускорить процесс выхода компании на IPO с целью сокращения потенциальных потерь вследствие нарастающей инфляции.

Влияние финансового кризиса на активность рынка венчурного капитала изучали Блок и другие (Block at al. [24]). Авторы исследовали ежемесячные значения количества и объема сделок венчурного финансирования в инновационные отрасли экономики США, разделив данные на два периода — до кризиса (январь 2007-июнь 2008) и во время кризиса (июль 2008-сентябрь 2009). С помощью теста Wil-coxon было выявлено значительное негативное воздействие кризиса на активность финансирования инноваций, причем на начальных раундах инвестирования в большей степени сокращается количество венчурных сделок, в то время как на поздних раундах — объемы сделок.

Согласно экономической теории, процентные ставки оказывают отрицательное влияние на объем инвестиций (Хаберлер [21]; Samuelson, Nordhaus [39]). Данное предположение нашло подтверждение в работе Бонини и Элькана (Bonini, Alkan [25]), исследующих влияние реальных процентных ставок на объем венчурных инвестиций. Однако обратный результат был получен в работах Ромейна и Поттельс-берге (Romain, Pottelsberghe [38]) и Гомперса и Лернера (Gompers, Lerner [29]), использующих в исследовании краткосрочные процентные ставки. По мнению авторов, рост краткосрочных процентных ставок приводит к повышению привлекательности венчурного капитала для руководства инновационных компаний по сравнению с банковским кредитованием.

Роль финансового рынка в развитии рынка венчурного капитала определяется на основе индикатора финансовой глубины. Данный показатель представляет собой отношение общей стоимости акций, торгуемых на фондовой бирже страны, к среднему объему ВВП данной страны (Yafengyun [44]). Результаты эмпирических исследований, включающих данную детерминанту, свидетельствуют в пользу положительного значимого влияния глубины фонового рынка на венчурные инвестиции (Bonini, Alkan [25]; Yafengyun [44]).

2.2. Факторы, характеризующие технологический потенциал и предпринимательскую среду страны

Существует взаимосвязь между уровнями развития научно-технологического потенциала и венчурного бизнеса. Результаты научно-технологических разработок составляют основу деятельности инновационных компаний, нуждающихся в при-

влечении венчурного капитала. В свою очередь, венчурный бизнес оказывает поддержку инновационной деятельности.

Гомперс и Лернер (Gompers, Lerner [29]), исследуя совокупные расходы на НИОКР, обнаружили их положительное влияние на активность венчурного капитала. По мнению авторов, высокие затраты на НИОКР свидетельствуют о большом количестве перспективных инновационных проектов. Яфенджин (Yafengyun [44]) в эмпирическом исследовании 15 стран Европы с 2002 по 2008 гг., изучая влияние объема государственных расходов на НИОКР на объем венчурного капитала, также выявил положительную взаимосвязь между данными показателями и предложил рассматривать данный фактор как государственный инструмент стимулирования активности рынка венчурного капитала.

Для анализа характера влияния предпринимательской среды на активность венчурного рынка многие исследователи рассматривают такую прокси-переменную как индекс жесткости рынка труда, разработанный OECD (Romain, Pottelsberghe [38]; Bonini, Alkan [25]; Yafengyun [44]). Изначально данный индекс был применен для отражения жесткости трудового законодательства в разных странах [36]. Индекс жесткости рынка труда может принимать значения от 0 (минимальные ограничения) до 6 (максимальные ограничения). Высокий уровень жесткости рынка труда негативно сказывается на состоянии предпринимательской среды, что, в свою очередь, отрицательно влияет на активность венчурных инвесторов. На практике данное предположение подтвердилось для венчурных инвестиций ранних стадий (Jeng, Wells [32]; Bonini, Alkan [25]). При этом было выявлено, что на совокупный объем венчурных инвестиций данный фактор влияния не оказывает [32].

Изучению влияния роста ставки налога на доход от прироста капитала на объем венчурных инвестиций посвятил исследование Дж. Потерба (Poterba [37]). В США в 1980-е гг. часть структур, осуществлявших венчурные инвестиции, была освобождена от налогов, и предполагалось, что это приведет к росту инвестиций. Однако на практике этого не произошло. На основании тестирования данных по компаниям США за период с 1969 по 1987 гг. Потерба пришел к выводу об отсутствии прямой зависимости между исследуемыми показателями.

Однако последующие исследования (Gompers, Lerner [29]; Ture [43]; Jagwani [31]) опровергли данный вывод. Гомперс и Лернер, следуя модели Потерба, проводят эмпирическое исследование на выборке по США с 1969 по 1994 гг. и приходят к выводу, что более низкие налоговые ставки на прирост капитала оказывают сильное воздействие на объем предложения венчурных инвестиций. Джагвани строит эмпирическую модель временных рядов для периода с 1978 по 1995 гг. по американским данным. В результате тестирования автор получает значимый отрицательный коэффициент при переменной ставки налога на доход от прироста капитала.

Затем была построена лог-линейная модель для двух подгрупп инвесторов — облагаемых и не облагаемых налогом. Результаты тестирования данной модели выявили относительно схожие результаты — коэффициенты при переменной ставке налога на прирост капитала оказались значимы и отрицательны.

2.3. Факторы, отражающие влияние государства на инвестиционную деятельность

Для стран с развитой венчурной индустрией характерно наличие государственной поддержки как на правовом уровне, так и при формировании различных инструментов стимулирования венчурного финансирования. Изменение налогового режима инвестиционной деятельности является одним из определяющих условий процесса инвестирования. С помощью инструментов налоговой политики государство может оказывать воздействие на объемы финансирования. Бойрер и Вюстен-хаген (Buerer, Wustenhagen [26]), используя метод кейсов, выявили наличие двухсторонней взаимосвязи между государственным регулированием инновационных отраслей и предложением венчурного капитала в этих отраслях.

Для стимулирования предложения венчурного капитала правительства часто используют такой вид налоговой льготы, как инвестиционная налоговая скидка, представляющая собой освобождение от налогов инвестиций в научно-исследовательские и опытно-конструкторские работы (Baygan, Freudenberg [23]; Dubocage, Rivaud-Danset [27]). Сокращая стоимость инвестиций после выплаты налогов, правительство принимает на себя часть инвестиционного риска. Данные налоговые скидки оказывают стимулирующее воздействие на венчурных инвесторов, в первую очередь, на бизнес-ангелов (Sandler [40]).

Несмотря на выделение различных налоговых льгот в качестве перспективного инструмента стимулирования инновационной активности, в России только 3% опрошенных руководителей организаций, осуществляющих НИОКР, подтвердили, что определенные налоговые преференции инновационно-ориентированным компаниям способны стимулировать дополнительные исследования и разработки и, как следствие, быть стимулом для инноваций и инвестиций в данную отрасль. Различные пробелы в законодательном регулировании и использование налоговых льгот для целей ухода от налогов могут снижать результативность льготы как инструмента экономической политики (Марков [19]).

Правовое обеспечение инвестиционной деятельности также является важным фактором государственной поддержки. Для количественной оценки влияния данного фактора на активность инвесторов был разработан индекс правовой среды, включающий в себя показатели деятельности органов власти, уровень бюрократии и коррупции [28]. На основании данного индекса страны ранжируются в зависимо-

сти от степени рисков для ведения бизнеса. Совокупный индекс правовой среды для стран Европы принимает значения от 0 до 3, где 3 характеризует наихудшее состояние правовой среды для активности венчурного капитала. Следовательно, предполагаемый знак влияния этой детерминанты на венчурные инвестиции отрицательный.

Яфенджин [44] провел исследование активности рынка венчурных инвестиций и пришел к выводу, что чем выше значение индекса правовой среды в стране, тем меньше степень положительного влияния государственных расходов на НИОКР на объем венчурных инвестиций, уменьшающая эффективность данных затрат как инструмента государственной политики. Таким образом, было выявлено косвенное влияние состояния правовой среды на объем венчурного капитала. Помимо этого, Яфенджин ввел в исследование дамми переменную, отвечающую за наличие прецедентного права в стране (1 — решение судей базируется на прецедентном праве, 0 — иначе). Данный показатель оказывает положительное влияние на активность рынка венчурного капитала, поскольку страны с прецедентным правом имеют более высокий уровень финансового развития благодаря возможности структурирования сделок с учетом требований всех сторон.

Необходимо отметить, что в настоящее время в России практически отсутствуют опубликованные результаты фундаментальных исследований динамики венчурного инвестирования в инновационные проекты российских компаний с применением современных методов эмпирического анализа. Подавляющая часть существующих публикаций по проблематике венчурного инвестирования имеет преимущественно описательный, а не исследовательский характер, и построена на комментировании данных агрегированной статистической отчетности.

3. Эмпирический анализ детерминант уровня развития венчурной индустрии

3.1 Методология эмпирического исследования

В качестве исходной модели в данном исследовании использовалась авторегрессионная модель с распределенными лагами (Autoregressive Distributed Lags Model, ADL) [17] с механизмом коррекции ошибки (error correction model, ECM). Общий вид ADL-модели можно обозначить как ADL(p, q, n), где p — количество лагов Yt; q — количество лагов Xt; n — количество экзогенных переменных, и записать общее уравнение

Y = а0 +Z +Z L + v,,

1=1 j=1 1=0

где у — зависимая переменная; Х1 — независимые переменные; V — белый шум.

Применив лаговый оператор Ь\ ЬУ{ = У{_г, ЬХ{ = Хг_х, к общему уравнению

ЛБЬ-модели, можно получить следующее уравнение:

л

Y = «0 + [ £«L k + £I £VjpIJ IXjt + vt,

V >=i J M V >=0 У Коэффициенты p^ являются импульсными мультипликаторами, сумма которых

представляет собой показатель влияния факторов на зависимую переменную в долгосрочной перспективе — долгосрочный мультипликатор. В моделях, содержащих логарифмированные величины, импульсы называются эластичностями, показывающими процентный прирост значения функции при 1%-ном приросте значения фактора.

В ходе объединения в рамках одной модели краткосрочной и долгосрочной динамик ADL-модель может быть представлена в виде модели коррекции ошибок (error correction model, ECM):

AYt = £«Д^ + AXyt-i "У Y,

1=1 j=1 1=0

+ vt •

V }=0

Выражение в скобках в правой части уравнения характеризует отклонение зависимой переменной от долгосрочного равновесия в предыдущий момент времени при предположении о стационарности первых разностей всех переменных. Таким образом, краткосрочные изменения зависимой переменной определяются суммой двух слагаемых — мгновенного отклика на краткосрочное изменение независимых переменных (аЬ) и корректировки отклонения от долгосрочного равновесия в предыдущий момент времени (Р£). Отрицательный знак при втором слагаемом свидетельствует о возвращении У к долгосрочному равновесию. Оставшаяся часть уравнения отражает краткосрочные взаимосвязи между зависимой переменной и регрессорами.

3.2. Описание данных и переменных, построение гипотез

Для проведения данного анализа были сформированы две выборки, представляющие собой годовые данные по России и США за период с 1994 по 2012 гг. Начало выборки обусловлено первым появлением статистической информации относительно объемов венчурных сделок в России, опубликованной в Аналитических обзорах Российской Ассоциации Прямого и Венчурного Инвестирования (РАВИ). Все данные были номинированы в миллионах долларов США в постоянных ценах 2005 г. При формировании временных рядов в качестве источников отчетной ин-

формации использовались аналитические обзоры РАВИ, базы данных Федеральной службы государственной статистики РФ, Управления экономического анализа США (BEA), Организации экономического сотрудничества и развития (OECD), Всемирного банка (WB), Всемирной торговой организации (WTO), Администрации по развитию малого бизнеса США (SBA), Всемирной организации интеллектуальной собственности (WIPO), Национальной ассоциации венчурного капитала США (NVCA).

В качестве зависимой переменной используется показатель общего объема венчурных инвестиций, трансформированный в логарифмический (ln VC). Для изучения влияния на текущий показатель объема венчурных инвестиций его значений в предшествующие периоды в модель также включено лагированное значение данного показателя (ln VC(t - к), к = 1, n). Это обусловлено тем, что инвестиции чаще всего осуществляются в несколько этапов, следовательно, финансовые средства, вложенные в (t —1) периоде могут оказывать влияние на инвестиционную активность в периоде t.

Гипотеза 1. Объемы венчурных инвестиций прошлых периодов оказывают значимое влияние на объем венчурного капитала текущего периода.

Гипотеза 2. Темп роста ВВП оказывает положительное воздействие на объем рынка венчурного капитала в стране.

Гипотеза 3. Уровень инфляции негативно влияет на объем венчурных инвестиций.

Гипотеза 4. Рыночно-ориентированный тип финансового рынка стимулирует приток венчурных инвестиций.

Гипотеза 5. Лаговая структура показателя внутренних затрат коммерческих предприятий на научные исследования и разработки оказывает значимое положительное влияние на объем венчурных инвестиций.

Гипотеза 6. Повышение изобретательской активности населения способствует росту объема венчурных инвестиций.

Гипотеза 7. Рост экспорта продукции сектора ИКТ стимулирует активность венчурных инвестиций.

Гипотеза 8. Показатели уровня развития малого предпринимательства оказывают положительное влияние на объем венчурного капитала.

Гипотеза 9. Существует долгосрочная взаимосвязь между уровнем развития малого предпринимательства и объемом венчурных инвестиций.

Условные обозначения переменных модели, а также характер их влияния на зависимую переменную представлены в табл. 1.

Таблица 1. Условные обозначения переменных модели

Условное Показатель Формула расчета Источ- Предполагаемый

обозначе- ник дан- характер влияния

ние ных на зависимую переменную

ln VC Объем венчурных инвестиций РАВИ, NVCA -

GDPgr Темп роста ВВП (У, -Т^уу^ Росстат, BEA +

Inflat Уровень инфляции WB -

Capcr Структура финансового рынка Капитализация рынка акций / Кредиты коммерческих банков WB +

ln Niokr Расходы на НИОКР Логарифм объема расходов на НИОКР OECD +

Invent Коэффициент изобретательской активности Количество патентных заявок ' 10 000 / население страны WIPO +

IKT Уровень развития ИКТ Экспорт товаров и услуг сектора ИКТ / Экспорт страны WTO +

ln MP Количество малых Логарифм числа малых Росстат, +

предприятий предприятий SBA

ln Labour Количество работаю- Логарифм количества Росстат, +

щих на малых пред- работающих на малых SBA

приятиях предприятиях

Таким образом, зависимость объема венчурного капитала от перечисленных выше детерминант можно представить в следующем виде:

ln VC = f (in VCt - к, GDPgr, Inflat, Caper, ln Niokr, Invent, IKT, ln MP, ln Labour).

3.3 Эмпирическое тестирование детерминант уровня развития венчурного капитала

Регрессионный анализ в данном исследовании осуществлен с применением эконометрического пакета E-views.

Результаты тестов Дики-Фуллера и Филлипса-Перрона на наличие единичного корня свидетельствуют о нестационарности исходных временных рядов России и США. Для их преобразования в стационарные был применен метод взятия первых разностей значений рядов. Таким образом, исходные ряды являются интегрированными первого порядка и между ними возможна коинтеграционная связь, позволяющая строить краткосрочные и долгосрочные прогнозы динамики переменных и взаимосвязей между ними.

Дальнейший анализ данных по России выявил наличие значимой (на 5%-ом уровне значимости) корреляции между переменными D(ln Labour) и D(ln MP), D(ln Labour) и D(IKT), а также D(ln Labour) и D(Inflat), в связи с чем переменная

D(ln Labour) будет исключена из дальнейшего регрессионного анализа по России. В результате аналогичного анализа из дальнейшей спецификации модели по США была исключена переменная D(ln MP).

Построенная методом МНК модель для России имеет следующий вид:

Dln VC = -0.074 + 0.205 • Dln VC(-2) + 4.130 • DlnMP(-2) + 0.925 • DlnNiokr (-3) +

+ 0.379 • DInvent + 0,241-DIKT + 0,318 • DIKT (-1) + (1)

+ 0.119 • DCapcr (-1) - 0.463 • DInflat (-1) + 0.811 • DGDPgr.

Для США:

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Dln VC = -0.246 + 0.821 • Dln VC (-1) +11.318 • Dln Niokr + 3.152 • Dln Niokr (-2) +

+ 0.215 • DInvent (-2) - 0.202 • DInflat (-2) +1.857 • DGDPgr + (2)

+ 5.915 • DGDPgr (-2) + 0.279 • DIKT+0.117 • DIKT (-1) + 6.063 • D ln Labour (-2).

Данные модели являются стабильными и правильно специфицированными, что демонстрируют графики, представленные на рис. 1, 2, характеризующие степень соответствия фактических и расчетных значений объемов венчурного капитала.

-Residual -Actual -Fitted |

Рисунок 1. Соответствие фактических и расчетных значений модели для России

Полученные результаты свидетельствуют о том, что наибольший вклад в увеличение объема рынка венчурного капитала в России оказывает число малых предприятий в стране. Причем действие данного показателя осуществляется с запаздыванием — увеличение числа малых предприятий на 1% через два года приводит к росту венчурных инвестиций на 4.1%. Данный факт вполне согласуется с ролью малого предпринимательства в инновационном развитии экономики, поскольку внедрение новых технологий большей частью происходит именно при участии малого бизнеса, а, как было сказано ранее, основным инструментом финансирования

инновационных проектов как раз и является венчурный капитал. Следовательно, Гипотеза 8 не отвергается.

| Residual -Actual -Fitted |

Рисунок 2. Соответствие фактических и расчетных значений модели для США

Схожая ситуация наблюдается и с внутренними затратами компаний на НИОКР — при повышении их объема на 1% объем венчурных инвестиций через три года увеличивается на 0.9%. Наличие лага у данных показателей может определяться временным периодом, который необходим инновационным компаниям для получения первых результатов разработки нового продукта и демонстрации их инвесторам, что согласуется с выдвинутой Гипотезой 5.

Темп прироста ВВП также оказывает существенное влияние на зависимую переменную, при этом положительный эффект от влияния данного фактора наступает уже в течение рассматриваемого периода, что можно объяснить тесной зависимостью между уровнем экономического роста и активностью инвесторов. При увеличении темпа прироста ВВП на 1% объем венчурных инвестиций увеличивается на 0.8%. Данный результат согласуется с Гипотезой 2.

Менее существенное влияние на динамику российского рынка венчурного капитала в краткосрочном периоде оказывают изобретательская активность, уровень развития сектора ИКТ, а также лаговая структура объема венчурных инвестиций. 1%-ое увеличение показателя изобретательской активности текущего года приводит к росту рынка венчурного капитала на 0.4%. Чуть меньшее влияние оказывает показатель развития сектора ИКТ, однако его действие сказывается на протяжении двух лет — в текущем году несколько меньше, чем в предыдущем (0.2% и 0.3% соответственно). Данную ситуацию можно объяснить с той точки зрения, что рост конкурентоспособности национальной экономики (одним из индикаторов которого является сектор ИКТ), создает благоприятные условия для привлечения инвесто-

ров, в том числе и иностранных. Полученные результаты согласуются с Гипотезами 1, 6 и 7.

Наименьшее положительное влияние на объем венчурных инвестиций в России в краткосрочном периоде из рассматриваемых переменных оказывает показатель структуры финансового рынка. Гипотеза 4 о значимом влиянии данного показателя не отвергается на 5%-ом уровне значимости, однако его воздействие на зависимую переменную крайне незначительно — при увеличении данного показателя на 1% прирост венчурных инвестиций составляет всего 0.1%. Этот факт также укладывается в реальную картину, поскольку до сих пор на отечественном фондовом рынке отсутствовали условия, привлекательные для венчурных инвесторов. Однако появление в России такого нового института развития, как Рынок инноваций и инвестиций (сектор РИИ ОАО ММВБ-РТС), возможно, сможет улучшить данную ситуацию.

И, наконец, отрицательное значимое воздействие инфляции на объем венчурного капитала согласуется с выдвинутой ранее Гипотезой 3.

В США динамика рынка венчурного капитала в наибольшей степени обусловлена расходами организаций на НИОКР, причем в текущем периоде это влияние почти в четыре раза больше, чем двумя годами ранее. Увеличение на 1% расходов на НИОКР американскими компаниями приводит к увеличению объема венчурных инвестиций на 11.3% и 3.2%, соответственно. Так же, как и в России, значительный вклад в показатель объема рынка венчурного капитала в краткосрочном периоде вносит малое предпринимательство. Увеличение численности занятых в малом бизнесе на 1% приводит через два года к увеличению венчурных инвестиций на 6%.

Так же, как и в России, третьим по уровню положительного влияния на венчурный рынок среди рассматриваемых показателей являются показатель прироста ВВП и его лаговая структура (1.9% и 5.9% соответственно).

Менее существенное, но, тем не менее, значимое влияние на объем венчурного рынка США оказывают показатели изобретательской активности и уровень развития отрасли ИКТ (0.2% и 0.3%, соответственно). При этом прирост текущего значения уровня ИКТ приносит в два раза больший вклад по сравнению со значениями прошлого года. Влияние лаговой структуры объема венчурных инвестиций и уровня инфляции на текущее значение зависимой переменной аналогично полученным данным по России. В отличие от России, в модели для США показатель структуры финансового рынка оказался незначимым, что по всей вероятности связано с недостаточной длительностью исходных временных рядов.

Полученные результаты согласуются с выдвинутыми в исследовании Гипотезами 1-8 как для России, так и для США. Исключение составляет Гипотеза 4, кото-

рая не нашла подтверждения по выборке США на 5%-ом уровне значимости, что, однако, согласуется с результатами предыдущих исследований (Jeng, Wells [32]).

Таким образом, можно сделать вывод, что как в России, так и в США основными драйверами роста венчурных инвестиций в краткосрочном периоде являются развитие малого предпринимательства и расходы организаций на НИОКР. В то же время изобретательская активность населения и уровень развития сектора ИКТ хотя и являются значимыми факторами, оказывают значительно меньшее влияние на развитие венчурного рынка.

3.4. Коинтеграционный анализ

Для корректировки краткосрочной динамики временных рядов использована модель коррекции ошибок (Error correction model, ECM), позволяющая совместить краткосрочную и долгосрочную динамику переменных с помощью корректирующего механизма (Sargan [41]; Granger [30]). Для этого проведен коинтеграционный анализ, основой которого служит выявление долгосрочных взаимосвязей между нестационарными переменными, имеющими одинаковый порядок интегрированно-сти.

Итоговые коинтеграционные соотношения для России и США представлены в таб. 2.

Таблица 2. Коинтеграционные соотношения для России и США

Переменные и направление связи Коинтеграционный вектор a

Россия

ln MP ^ ln VC ECMlnMP = ln VC -3.436lnMP -1.434

ln Niokr ^ ln VC ECMlnMoh, = ln VC - 5.257ln Niokr -0.272

США

ln MP ^ ln VC ECMlnMP = ln VC - 4.207ln Labou -1.035

Capital/Credit ^ ln VC ECMCapU/Credt, = ln VC - 0.146 Capit¡Credit -1.409

Согласно полученным коинтеграционным соотношениям, увеличение числа малых предприятий в России на 1% приводит к росту объема венчурного капитала на 3.4% за весь анализируемый период. Однопроцентный рост затрат на НИОКР способствует росту объема венчурных инвестиций на 5.3%.

В США выявлены коинтеграционные связи между объемом венчурного капитала и такими показателями, как количество занятых в малом бизнесе и структура финансового рынка. При этом наибольшим долгосрочным влиянием обладает число занятых в малом бизнесе — его 1%-ое увеличение приводит к росту американского венчурного рынка на 4.2%. Увеличение показателя структуры финансового

рынка оказывает менее существенное влияние — его 1%-ое увеличение приводит к росту венчурных инвестиций на 0.2%.

Также следует отметить отрицательный знак коэффициентов обратной связи, который свидетельствует о корректировке объема венчурного рынка при его отклонении от долгосрочной траектории.

Включение в конечные спецификации моделей для России и США найденных коинтегрирующих соотношений в предыдущий момент времени позволяет получить модели коррекции ошибок, которые учитывают долгосрочные аспекты взаимодействия детерминант венчурного рынка с объемом венчурного капитала.

Модель для России с учетом механизма корректировки ошибки выглядит следующим образом:

Dln VC = C (1) + C ( 2) • Dln VC (-2) + C (3) • DGDPgr + C (4) • DInflat (-1) + + C (5) • DCapcr (-1) + C (6) • Dln Niokr (-3) + C (7) • DInvent + C (8) • DIKT + (3) +C (9) • DIKT (-1) + C (10) • D ln MP (-2) + C (11) • ECM _ln Niokr (-1). Модель для США:

D ln VC = C (1) + C (2) • D ln VC (-1) + C (3) • DGDPgr + C (4) • DGDPgr (-2) + + C (5) • DInflat (-2) + C (6) • D ln Niokr + C (7) • D ln Niokr (-2) + + C (8) • DInvent (-2) + C (9) • DIKT + C (10) • D ln Labour (-2) + (4)

+ C (11) • ECM _ ln Labour (-1).

Результаты МНК-оценивания моделей (3) и (4), представленные в Приложениях 11 и 12, свидетельствуют об улучшении характеристик обеих моделей в результате введения механизма корректировки ошибок — критерии Акаике и Шварца значительно уменьшились при существенном увеличении скорректированного R-квадрата. Все коэффициенты при переменных статистически значимы. Статистические характеристики моделей для России и США представлены в табл. 3.

Таким образом, на всех рассматриваемых уровнях значимости модели не имеют проблем со спецификацией, что говорит об их адекватности.

Итоговая модель с МНК-оценками для России имеет следующий вид:

D ln VC = 0.127 + 0.186 • D ln VC (-2) + 0.409 • DGDPgr - 0.417 • DInflat (-1) + +0.127 • DCapcr (-1) +1.041-D ln Niokr (-3) + 0.365 • DInvent + 0,899 • DIKT + (5) +0,552 • DIKT (-1) + 3.281 • D ln MP (-2) - 0.111 • ECM^Niokr (-1).

Для США:

Б 1п УС = 3.877 + 0.747 • Б 1п УС (-1) +1.790 • БGDPgr + 4.931- БGDPgr (-2) -

- 0.170 • Б1п/1М (-2) +10.745 • Б 1п Мокг + 2.827 • Б 1п Мокг (-2) + + 0.186 • Б1пувМ (-2) + 0.294 • Б1КТ + 8.305 • Б 1п ЬаЪоиг (-2) -

- 0.139 • ЕСМь 1аъоиг (-1).

Таблица 3. Статистические характеристики моделей (5) и (6) для России и США

Тесты Нулевая гипотеза Россия США

Статистика Вероятность Статистика Вероятность

Тест на нормальность ошибок

Тест Жака-Бера Ошибки распределены по нормальному закону 0.354 0.838 0.315 0.854

Тесты на автокорреляцию остатков

Тест Дарбина-Уотсона Отсутствие автокорреляции 2.47 2.71

Тест Бройша-Годфри Отсутствие автокорреляции 2.394 0.294 4.178 0.199

Тест на гетероскедастичность остатков

Тест Уайта Отсутствие гетероскедастичности 1.158 0.482 1.264 0.421

Тест на правильность линейной спецификации модели

КБ8БТ-тест Рамсея Модель правильно специфицирована 5.506 0.301 0.606 0.479

Интерпретация МНК-оценивания моделей коррекции ошибок во многом схожа с интерпретацией моделей авторегрессии с распределенными лагами. Изменения, произошедшие в модели по России, заключаются в четырехкратном увеличении влияния на объем венчурного капитала уровня развития ИКТ текущего года и в двухкратном — прошлого года. В то же время степень положительного влияния текущего прироста ВВП сократилась в два раза. Статистическая значимость коэффициента при регрессоре ЕСМ1п №окг (-1) свидетельствует о наличии долгосрочной взаимосвязи объема венчурного капитала с детерминантой затрат на научные исследования и разработки. В то же время долгосрочной связи между переменными 1п VC и 1пMP не выявлено, что не подтверждает Гипотезу 9 на 5%-ом уровне значимости.

Существенных изменений большинства коэффициентов при переменных по США не произошло, за исключением роста на 40% степени влияния на венчурный рынок численности работников малого бизнеса и появления статистической незначимости коэффициента при БЖД-1). Статистическая значимость коэффициента

при регрессоре ЕСМЫЬаЬоиг(-1) свидетельствует о наличии долгосрочной взаимосвязи объема венчурного капитала с детерминантой количества занятых в малом бизнесе, что согласуется с Гипотезой 9.

Таким образом, данные результаты согласуются с выводами, полученными в ходе предыдущих этапов эмпирического тестирования и свидетельствуют о выявлении логически правильных статистически значимых закономерностей динамики рынка венчурного капитала.

3.5. Прогнозирование

Далее будет осуществлено исследование перспектив развития российской венчурной отрасли в силу их практической значимости. Для осуществления прогнозирования динамики объема венчурных инвестиций в последующие годы применена авторегрессионная модель со скользящим средним (АЯМА-модель). В соответствии с методологией Бокса-Дженкинса прогнозирование осуществлялось в четыре этапа. Интегрированность первого порядка логарифма объема венчурных инвестиций была выявлена в самом начале эмпирического тестирования.

Для определения параметров АКМА(р, q) модели построена коррелограмма, на которой представлены автокорреляционная и частная автокорреляционная функции исследуемого стационарного временного ряда. Коррелограмма для зависимой переменной ЬпУС представлена на рис. 3 (данны получены с ипользованием пакета 81а!а).

АШосоггеМюп РаШа1 СоггеМюп АС РАС О^аг РгоЪ

| ***| | 1 -0.337 -0.337 2.1862 0.139

. 1 . 1 . *| . | 2 0.021 -0.105 2.1949 0.334

. *| . 1 . *| . | 3 -0.112 -0.160 2.4750 0.480

|** | | 4 0.279 0.217 4.3497 0.361

. | . | |** | 5 0.018 0.218 4.3583 0.499

. *| . | . | . | 6 -0.058 0.056 4.4543 0.615

. *| . | . | . | 7 -0.072 -0.044 4.6223 0.706

. *| . | **| | 8 -0.079 -0.243 4.8443 0.774

. | . | . *| . | 9 0.057 -0.181 4.9775 0.836

. | . | . *| . | 10 -0.030 -0.100 5.0215 0.890

. *| . | . *| . | 11 -0.137 -0.165 6.0973 0.867

. | . | . | . | 12 -0.005 -0.004 6.0989 0.911

Рисунок 3. Коррелограма для Б(1п VC)

На основании представленной коррелограммы можно предположить, что рассматриваемые данные представляют собой авторегрессионный процесс первого порядка или смешанный процесс авторегрессии и скользящего среднего первого порядка.

Далее необходимо проверить предполагаемые модели на соответствие исходным данным и выбрать модель с наименьшим количеством параметров (рис. 4). Данные, представленные на рис. 4 и в табл. 4, говорят в пользу отвержения гипотезы о наличии автокорреляции в остатках модели, а также в пользу нормального распределения ошибок модели. Следовательно, модель АКМА(1, 1) является адекватной исходным данным, а также правильно специфицированной и пригодной для дальнейшего прогнозирования.

АиосоггеЫюп РаП1а1 СоггеМюп АС РАС О^аг РгоЬ

**| | | 1 -0.231 -0.231 1.0263

. 1 . 1 . *| . | 2 -0.040 -0.099 1.0596

. *| . 1 | 3 -0.151 -0.197 1.5679 0.211

|** | . |* . | 4 0.225 0.147 2.7878 0.248

. | . | . | . | 5 -0.031 0.037 2.8131 0.421

. *| . | . *| . | 6 -0.135 -0.141 3.3393 0.503

. *| . | . *| . | 7 -0.148 -0.181 4.0361 0.544

. *| . | | 8 -0.100 -0.280 4.3926 0.624

. |* . | . *| . | 9 0.107 -0.075 4.8646 0.676

. | . | . | . | 10 -0.003 -0.015 4.8651 0.772

. *| . | . *| . | 11 -0.118 -0.136 5.6703 0.772

. | . | . *| . | 12 -0.027 -0.083 5.7239 0.838

Рисунок 4. Модель ARMA(1, 1)

Таблица 4. Результаты тестов на наличие автокорреляции остатков

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Статистика Вероятность

Тест на автокорреляцию остатков

Тест Бройша-Годфри 1.401 0.287

Тест на нормальность ошибок

Тест Жака-Бера 1.076 0.584

Для проверки применимости данной модели для прогнозирования искусственным путем были сформированы значения 1п VC для России за период 1994-2012 гг. (рис. 5).

3.63.43.23.02.82.62.42.294 96 98 00 02 04 06 08 10 12

I СМУОГ -ГМУО!

Рисунок 5. Спрогнозированные значения логарифма объема венчурных инвестиций в России за период 1994-2012 гг.

Рисунок показывает, что спрогнозированные значения максимально приближены к исходным на 5%-ом уровне значимости. С применением модели АИМА(1,1) был построен прогноз объема российского венчурного рынка на 10 лет вперед. На рис. 6 представлен график прогнозных значений объемов венчурного капитала в России с 2013 по 2020 гг.

5.55.04.54.03.53.02.52013 2014 2015 2016 2017 2018 2019 2020

I-1_ЫУСР -----± 2 БЕ.!

Рисунок 6. Прогноз логарифма объема российского рынка венчурного капитала на 2013-2020 гг.

Результатами прогноза явились ежегодные значения логарифмических темпов прироста объемов венчурных инвестиций в России. Для получения абсолютных значений была произведена трансформация полученных результатов. Необходимо отметить, что данный прогноз представляет собой гипотетическое предположение

о возможной динамике рынка венчурного капитала при условии сохранении всех существующих в настоящий момент предпосылок.

Таким образом, если в последующие годы российская венчурная отрасль будет развиваться по сценарию последних лет, то к 2020 году объем рынка венчурного капитала у нас в стране может достичь 11.5 млрд долл. США.

4. Заключение

С целью поиска путей преодоления имеющегося отставания российской венчурной отрасли от венчурных отраслей развитых стран, в частности США, в работе было проведено исследование детерминант уровня развития венчурной отрасли на примере России и США.

Научная новизна данного исследования заключается в использовании в эконо-метрическом анализе детерминант, влияние которых на объем венчурных инвестиций ранее не изучалось другими авторами. Этими детерминантами являются уровень развития малого предпринимательства, коэффициент изобретательской активности населения и уровень развития отрасли ИКТ в стране.

В рамках проведенного эконометрического анализа были получены следующие результаты. Регрессионный анализ краткосрочных взаимосвязей между исследуемыми переменными выявил преобладающее влияние на объем венчурных инвестиций и в России, и в США уровня развития малого предпринимательства и расходов организаций на НИОКР.

Увеличение на 1% числа малых предприятий в России и числа занятых в малом бизнесе в США через два года приводит к росту объемов венчурных рынков на 4.1% и на 6%, соответственно. Данный факт вполне согласуется с ролью малого предпринимательства в инновационном развитии экономики, поскольку внедрение новых технологий большей частью происходит именно при участии малого бизнеса, а основным инструментом финансирования инновационных проектов является венчурный капитал.

Внутренние затраты компаний на НИОКР также способствуют привлечению венчурных инвестиций. Их 1%-ое увеличение способствует росту объема венчурных инвестиций в России на 0.9%, а в США — на 11.3%. Таким образом, подтвержден факт, что расходы бизнеса на НИОКР являются отражением условий, созданных государством для привлечения частного капитала в высокотехнологичные отрасли экономики. Увеличение этих расходов повышает спрос на венчурные инвестиции инновационных компаний.

Такие детерминанты, как прирост ВВП, уровень развития сектора ИКТ, индекс изобретательской активности, также оказывают значимое положительное влияние

на показатель объема венчурных инвестиций, однако их вклад в увеличение объема венчурного рынка значительно меньше указанных выше детерминант.

Поведение детерминанты структуры финансового рынка оказалось неоднозначным. Для России данный показатель значим, но его воздействие на зависимую переменную крайне незначительно — при увеличении данного показателя на 1% прирост венчурных инвестиций в России составляет всего 0.1%. А для США получен статистически незначимый коэффициент при данной переменной, что может являться следствием недостаточной длительности временных рядов.

Проведенный каузальный анализ позволил выявить направления причинно-следственных связей между рассматриваемыми переменными. Анализ статистики Грейнджера показал, что прогнозировать объем венчурных инвестиций в долгосрочной перспективе в России позволяют такие показатели, как число малых предприятий, структура финансового рынка, ИКТ и расходы на НИОКР. В США определяющими являются расходы на НИОКР, численность работников малых предприятий, структура финансового рынка, инфляция и показатель ИКТ.

Для анализа долгосрочного влияния исследуемых детерминант на объем венчурных инвестиций был проведен коинтеграционный анализ. МНК-оценивание моделей с коррекцией ошибок позволило выявить статистически значимые долгосрочные связи показателей объема венчурных инвестиций с затратами компаний на НИОКР в России и численностью занятых в малом бизнесе в США.

Таким образом, полученные результаты согласуются с выдвинутыми гипотезами о значимом влиянии на объем венчурных инвестиций таких детерминант, как прирост ВВП, уровень инфляции, расходы коммерческих организаций на НИОКР, изобретательская активность населения, уровень развития сектора ИКТ и для России, и для США. В то же время не нашли подтверждения на 5%-ом уровне значимости гипотеза о стимулирующем воздействии рыночно-ориентированного финансового рынка для США и гипотеза о существовании долгосрочной связи объема венчурного рынка с уровнем развития малого предпринимательства для России.

Учитывая практическую значимость исследования перспектив развития российской венчурной отрасли, в данной работе было проведено прогнозирование динамики объема венчурных инвестиций в России на период 2012-2022 гг. с применением АКМА-модели. В ходе данного этапа исследования было выявлено, что если в последующие годы российская венчурная отрасль будет развиваться по сценарию последних лет, то к 2020 году объем рынка венчурного капитала в России может достичь 11.5 млрд. долл. США.

Таким образом, построенные модели позволяют определить оптимальный курс развития национальной венчурной отрасли. В дальнейшем их можно усовершенствовать, дополнив набор объясняющих переменных показателями, учитывающими

особенности национальных экономик: соотношение риска и доходности инвестиций, участие государства в развитии венчурной отрасли, общая эффективность финансовых рынков, инвестиционная привлекательность экономики.

Исходя из результатов проведенного исследования, можно предложить следующие возможные пути совершенствования национальной венчурной отрасли.

1. Государственная поддержка региональных программ, направленных на развитие инновационно-ориентированного малого предпринимательства.

2. Осуществление грантовой поддержки научно-исследовательской деятельности организаций.

3. Финансовая поддержка программ развития образования и исследовательской работы в вузах.

4. Разработка эффективной государственной системы по защите прав на интеллектуальную собственность.

5. Государственное стимулирование развития технологической инфраструктуры сектора ИКТ.

Литература

[15] Аркадьев А. В. Предпринимательские решения в сфере венчурного бизнеса и инновационного инвестирования // Проблемы современной экономики. 2010. № 4(36). С. 167-170.

[16] Горская Е. В. Формирование неформального рынка венчурного капитала в России: ав-тореф. дисс. ... канд. экон. наук, 08.00.05. — М., 2008.

[17] Канторович Г. Г. Лекции: Анализ временных рядов // Экономический журнал ВШЭ. 2002. Т. 6, № 4. С. 498-523. (Шр://ес80стап.Ь8е.ги/^а1а/2010/12/31/1208182146/ 06_04_06.pdf).

[18] Концепция долгосрочного социально-экономического развития Российской Федерации на период до 2020 года. Распоряжение Правительства РФ от 17 ноября 2008 г. N. 1662-р (ред. от 08.08.2009 № 1121-р)

[19] Марков В. В. Налоговые льготы как способ стимулирования инновационной деятельности: оценка целесообразности и бюджетной результативности их применения: автореф. дисс. ... канд. экон. наук, 08.00.05, 08.00.10. — СПб., 2010.

[20] Семенов А. С., Каширин А. И. Венчурное финансирование инновационной деятельности // Инновации. 2006. № 1(88). С. 31.

[21] Хаберлер Г. Процветание и депрессия. Теоретический анализ циклических колебаний. — Челябинск : Социум. 2008.

[22] Яфасов Р. Р. Экономическая сущность венчурного капитала // Экономические науки. 2011. № 1(74). С. 27-31.

[23] Baygan G. Freudenberg M. The internationalization of venture capital activity in OECD countries: implications for measurement and policy // OECD Science, Technology and Industry. Working Papers. 2000. Vol. 7.

[24] Block J., Sandner P., De Vries G. Venture capital and the financial crisis: an empirical study across industries and countries. Handbook of venture capital. — Oxford University Press, 2010. (http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1541602).

[25] Bonini S., Alkan S. The Macro and Political Determinants of Venture Capital Investments around the World [Электронный ресурс] 2006. URL: http://www.efmaefm.org/ 0EFMAMEETINGS/EFMA%20ANNUAL%20MEETINGS/2007-Vienna/Papers/0576.pdf.

[26] Bürer M. J., Wüstenhagen R. Cleantech venture investors and energy policy risk an exploratory analysis of regulatory risk management strategies // In book: Sustainable Innovation and Entrepreneurship. — Edward Elgar Publishing, 2008. P. 290-309.

[27] Dubocage E,. Rivaud-Danset D. The development of venture capital in Europe: the role of public policy // Capital Market Development and the Economy. Tokyo Club Papers. 2004. Vol. 16. P.76-117.

[28] EVCA Governing Principles [Электронный ресурс] European Private Equity & Venture Capital Association. 2005. URL: http://www.rvca.ru/upload/files/lib/ EVCA_Governing_Principles_2005.pdf

[29] Gompers P. A., Lerner J. What drives Venture Capital Fundraising? // In book: Brookings Papers on Economic Activity. Microeconomics. 1998. P. 149-192.

[30] Granger C. W. J. Some Properties of Time Series Data and Their Use in Econometric Model Specification // Journal of Econometrics. 1981. Vol. 16. P. 121-130.

[31] Jagwani S. Supply and Demand of Venture Capital in the U. S. // The Park Place Economist. 2000. Vol. 8 (http://digitalcommons.iwu.edu/parkplace/vol8/iss1/18).

[32] Jeng L. A., Wells Ph. C. The determinants of venture capital funding: evidence across countries // Journal of Corporate Finance. 2000. Vol. 6(3). P. 241-289.

[33] Jorda O. Estimation and Inference of Impulse Responses by Local Projections // The American Economic Review. 2005. Vol. 95(1). P. 161-182.

[34] Jorda O. Simultaneous confidence regions for impulse responses // The Review of Economics and Statistics. 2009. Vol. 91(3). P. 629-647.

[35] Mankiw N. G. Principles of Economics. — 3rd edition. — South-Western College Pub., 2003.

[36] OECD, 2000: Summary Indicators of Product Market Regulation with an Extension to Employment Protection Legislation, Economics Department Working Papers. N. 226. Organisation for Economic Co-operation and De velopment. Paris. France. 2000.

[37] Poterba J. How Burdensome Are Capital Gain Tax? Evidence From United States // Journal of Public Economic. 1987. Vol. 33. P. 157-172.

[38] Romain A., Pottelsberghe B. The Determinants of Venture Capital: A Panel Data Analysis of 16 OECD Countries // IIR Working Paper WP. 2003. No. 3-2

[39] Samuelson P. A., Nordhaus W. D. Economics. — 19 ed. — Mcgraw-Hill Higher Education, 2009.

[40] Sandler D. Venture Capital and Tax Incentives: A Comparative Study of Canada and the United States. — Toronto: Canadian Tax Foundation. 2004.

[41] Sargan J. D. Wages and Prices in the United Kingdom: A Study in Econometric Methodology // Econometrics and Quantitative Economics / Ed. by Hendry D. F. Wallis K. F. — Oxford, 1984.

[42] Stimel D. The Short-Run Effects of the Macro-economy on Venture Capital: US Evidence //

Economics and Finance Review. 2012. Vol. 2(3). P. 38-45.

[43] Ture N. Wall Street Journal. 1998. Vol. 8. P. 30.

[44] Yafengyun Q. A Survey of Venture Capital in Europe. Implications for the Chinese Venture Capital Market. — Juridiske fakultet. Universitetet i Oslo, 2010.

Авторы:

Александр Сергеевич Семенов — кандидат физико-математических наук, преподаватель МБШ, Московский технологический институт; доцент департамента финансов, Национальный исследовательский университет Высшая школа экономики

Екатерина Андреевна Еремеева — студентка департамента финансов, Национальный исследовательский университет Высшая школа экономики

Приложения

Приложение 1. Результаты расширенного теста Дики-Фуллера и Филлипса-Перрона для России и США

Россия США

перемен- стати- критиче- стати- критиче- стати- критиче- стати- критиче-

ная стика ские стика ские зна- стика ские зна- стика ские зна-

ADF- значения PP-теста чения ADF- чения PP-теста чения

теста (5%) (10%) теста (10%) (10%)

lnVC -1.996 -3.287 -1.865 -3.287 0.383 -1.606 0.699 -1.607

DlnVC -3.952 -3.325 -14.748 -3.298 -3.415 -1.606 -2.548 -1.606

InLabour -3.198 -3.287 0.866 -1.607 -0.967 -1.607 -1.496 -1.607

DlnLabour -2.728 -1.606 -2.604 -1.606 -1.981 -1.606 -1.891 -1.606

InMP -0.996 -3.287 -1.016 -3.287 -1.748 -3.287 -2.058 -3.287

DlnMP -3.298 -3.012 -1.606 -1.446681 -3.886 -3.298 -4.003 -3.298

IKT -1.099 -1.606 -1.118 -1.607 -0.236 -1.607 -0.236 -1.607

DIKT -3.573 -1.604 -3.912 -1.606 -3.434 -1.606 -3.414 -1.606

Invent 1.0332 -1.607 1.077 -1.607 -2.613 -3.325 -2.483 -3.287

DInvent -3.831 -1.606 -3.831 -1.606 -5.409 -3.342 -4.388 -3.298

lnNiokr -2.107 -3.287 -2.107 -3.287 -2.300 -3.287 -2.307 -3.287

DlnNiokr -4.263 -3.298 -4.444 -3.298 -3.771 -3.298 -3.771 -3.298

Capcr -1.149 -1.606 -1.107 -1.607 -0.171 -1.607 -0.171 -1.607

DCapcr -4.690 -1.606 -4.809 -1.606 -3.927 -1.606 -3.926 -1.606

GDPgr -3.183 -3.287 -3.180 -3.287 -1.178 -1.607 -1.384 -1.607

DGDPgr -4.275 -3.325 -13.069 -3.298 -5.316 -1.606 -6.962 -1.606

Inflat -3.297 -3.759 -1.572 -2.699 -1.186 -1.607 -1.083 -1.607

DInflat -13.424 -3.342 -4.165 -1.606 -5.295 -1.606 -12.763 -1.606

Приложение 2. МНК-оценки авторегрессионной модели с распределенными лагами по России

Переменная Коэффициент Ст. ошибка t-статистика Вероятность

C -0.074 0.028 -2.633 0.0464

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

D(lnVC(-2)) 0.205 0.038 5.415 0.0029

D(GDPgr) 0.811 0.307 2.640 0.046

D(INF(-1)) -0.005 0.001 -9.120 0.000

D(Capcr(-1)) 0.118 0.013 9.409 0.000

D(lnNiokr(-3)) 0.924 0.470 1.966 0.101

D (Invent) 0.379 0.063 6.015 0.002

D(IKT) 0.241 0.139 1.729 0.100

D(IKT(-1)) 0.318 0.128 2.478 0.056

D(lnMP(-2)) 4.129 0.627 6.589 0.001

R-squared 0.994004 Mean dependent var 0.077687

Adjusted R-squared 0.983212 S.D. dependent var 0.250821

S.E. of regression 0.032498 Akaike info criterion -3.780552

Sum squared resid 0.005281 Schwarz criterion -3.308519

Log likelihood 38.35414 Hannan-Quinn criter. -3.785581

F-statistic 92.10555 Durbin-Watson stat 2.890052

Prob(F-statistic) 0.000051

Приложение 3. МНК-оценки авторегрессионной модели с распределенными лагами по США

Переменная Коэффициент Ст. ошибка t-статистика Вероятность

C -0.246246 0.024486 -10.05646 0.0002

D(lnVC(-1)) 0.820928 0.119071 6.894413 0.0010

D(GDPGR) 1.856512 0.755011 2.458921 0.0573

D(GDPGR(-2)) 5.914530 0.495766 11.93009 0.0001

D(INFLAT(-2)) -0.201597 0.013931 -14.47080 0.0000

D(lnNIOKR) 11.31843 1.251240 9.045769 0.0003

D(lnNIOKR(-2)) 3.152438 0.871422 3.617579 0.0153

D(INVENT(-2)) 0.214789 0.022574 9.515103 0.0002

D(IKT) 0.278897 0.055006 5.070260 0.0039

D(IKT(-1)) 0.117334 0.065860 1.781567 0.1009

D(lnLA5OFR(-2)) 6.062749 0.896718 6.761041 0.0011

R-squared 0.994478 Mean dependent var 0.023045

Adjusted R-squared 0.983433 S.D. dependent var 0.196010

S.E. of regression 0.025229 Akaike info criterion -4.309773

Sum squared resid 0.003183 Schwarz criterion -3.778618

Log likelihood 45.47818 Hannan-Quinn criter. -4.282573

F-statistic 90.03982 Durbin-Watson stat 2.881267

Prob(F-statistic) 0.000052

Приложение 4. Рекурсивные оценки коэффициентов регресс ии и остатков модели для России

СИ

2Z

Recursive C(2) E

О

=0]

nfRnE

I R2CslVe C'3' ES'imate2|

I-RCecursive 6(4) EEstimatesI

I R 2 EE "_I

r~FR2ESI

-0.6-0.8----

- Recursive C(9) Estimates

| ± 2 S.E.

- Recursive C(10) Estimates

| ± 2 S.E.

2012 -15

2011

2011

Приложение 5. Рекурсивные оценки коэффициентов регрессии и остатков модели для США

Приложение 6. Результаты теста Грейнджера на причинно-следственные связи для России

Нулевая гипотеза M = 1 M = 2 M = 3 M = 4

F-стат. P-значе-ние F-стат. P-значе-ние F-стат. P-значе-ние F-стат. P-значе-ние

InNiokr не влияет на InVC 4.232 0.058 1.319 0.303 1.767 0.223 2.109 0.198

InVC не влияет на InNiokr 0.117 0.737 0.356 0.707 0.272 0.844 0.159 0.952

Invent не влияет на InVC 1.446 0.248 0.527 0.603 0.323 0.809 0.661 0.641

InVC не влияет на Invent 0.420 0.527 0.412 0.671 0.205 0.890 0.232 0.911

IKT не влияет на InVC 0.016 0.899 0.201 0.821 0.484 0.702 0.711 0.613

InVC не влияет на IKT 0.029 0.868 0.037 0.964 0.178 0.909 10.544 0.007

InMP не влияет на InVC 10.511 0.006 3.734 0.055 4.235 0.040 1.889 0.232

InVC не влияет на InMP 10.146 0.006 7.349 0.008 9.784 0.003 5.736 0.030

Capital/Credit не влияет на InVC 4.839 0.044 15.989 0.0004 19.217 0.0003 15.399 0.003

InVC не влияет на Capital/Credit 0.986 0.337 0.716 0.508 0.815 0.518 0.926 0.507

Inflat не влияет на InVC 0.448 0.514 0.321 0.732 0.481 0.703 0.457 0.766

InVC не влияет на Inflat 0.019 0.892 0.509 0.613 0.226 0.876 0.078 0.986

GDPgr не влияет на InVC 0.299 0.592 0.138 0.873 0.162 0.919 0.494 0.742

InVC не влияет на GDPgr 0.815 0.381 0.397 0.681 0.431 0.736 2.956 0.114

Приложение 7. Тест Грейнджера на причинно-следственную зависимость для США

Нулевая гипотеза M = 1 M = 2 M = 3 M = 4

F-стат. P-значе-ние F-стат. P-значе-ние F-стат. P-значе-ние F-стат. P-значе-ние

InNiokr не влияет на InVC 0.238 0.633 0.066 0.936 0.145 0.930 0.064 0.991

InVC не влияет на InNiokr 0.773 0.393 4.461 0.036 2.780 0.102 5.903 0.028

Invent не влияет на InVC 0.168 0.688 0.515 0.610 0.496 0.694 0.163 0.949

InVC не влияет на Invent 0.023 0.879 0.223 0.804 0.536 0.669 0.657 0.643

IKT не влияет на InVC 0.229 0.639 0.221 0.805 1.222 0.357 0.615 0.668

InVC не влияет на IKT 0.559 0.466 6.685 0.011 8.418 0.006 2.842 0.122

InLabour не влияет на InVC 0.719 0.409 2.694 0.108 2.966 0.089 0.677 0.632

InVC не влияет на InLabour 5.443 0.034 0.325 0.728 1.404 0.304 2.212 0.184

Capital/Credit не влияет на InVC 13.595 0.002 4.055 0.045 2.689 0.109 1.554 0.299

InVC не влияет на Capital/Credit 4.905 0.043 3.186 0.078 2.408 0.134 1.185 0.405

Inflat не влияет на InVC 2.155 0.163 2.786 0.101 1.139 0.385 0.414 0.794

InVC не влияет на Inflat 0.003 0.958 0.659 0.535 0.585 0.639 2.819 0.124

GDPgr не влияет на InVC 2.493 0.135 0.230 0.798 0.259 0.853 0.253 0.898

InVC не влияет на GDPgr 2.405 0.142 2.108 0.164 0.994 0.439 0.413 0.794

Приложение 8. Результаты теста Иохансена для России

А) переменные ln VC и InNiokr

Нулевая гипотеза ^trace Критическое значение ^max Критическое значение

r = 0 42.25747 18.39771 37.98926 17.14769

r < 1 4.268208 3.841466 4.268208 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

Р а

InVC 1.000 8.439010 0.360312

\nNiokr 0.118497 1.000 -2.208717

Б) переменные ln VC и IKT

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 23.83398 18.39771 22.00610 17.14769

r < 1 1.827879 3.841466 1.827879 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

Р а

InVC 1.000 -175.8056 -0.586542

IKT -0.005688 1.000 -1.402149

В) переменные ln VC и InMP

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 26.88855 18.39771 22.19547 17.14769

r < 1 4.693085 3.841466 4.693085 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

Р а

InVC 1.000 -3.314879 -1.769534

InMP -0.301670 1.000 -0.745296

Г) переменные ln VC и Capital/Credit

Нулевая гипотеза ^trace Критическое значение ^max Критическое значение

r = 0 17.10805 12.32090 15.75947 11.22480

r < 1 1.348573 4.129906 1.348573 4.129906

Стандартизированные коэффициенты коинтеграционного уравнения

Р а

InVC 1.000 -3.692211 -0.049650

Capital/Credit -0.270840 1.000 0.779317

Д) переменные ln VC и Inflat

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 26.68009 15.49471 25.67780 14.26460

r < 1 1.002293 3.841466 1.002293 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

Р а

InVC 1.000 2.826888 -0.464681

Inflat 0.353746 1.000 -0.534270

Приложение 9. Результаты теста Иохансена для США

А) переменные ln VC и InNiokr

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 22.86631 18.39771 18.39989 17.14769

r < 1 4.466413 3.841466 4.466413 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

Р а

InVC 1.000 -1268.157 0.009163

\nNiokr -0.000789 1.000 -0.895195

Б) переменные In VC и Invent

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 40.11398 18.39771 30.92501 17.14769

r < 1 9.188976 3.841466 9.188976 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

ß а

InVC 1.000 1.343439 -0.180437

Invent 0.744358 1.000 -2.437141

В) переменные InVC и IKT

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 35.65228 15.49471 31.45784 14.26460

r < 1 4.194443 3.841466 4.194443 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

ß а

lnVC 1.000 -15.12043 -1.481597

IKT -0.066136 1.000 0.123144

Г) переменные InVC и InLabour

Нулевая гипотеза ^trace Критическое значение ^max Критическое значение

r = 0 19.59070 15.49471 16.13217 14.26460

r < 1 3.458533 3.841466 3.458533 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

ß а

lnVC 1.000 -4.206978 -1.035141

lnLabour -0.237700 1.000 -0.075866

Д) переменные InVC и Capital/Credit

Нулевая гипотеза ^trace Критическое значение ^max Критическое значение

r = 0 46.65312 15.49471 44.18660 14.26460

r < 1 2.466513 3.841466 2.466513 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

ß а

InVC 1.000 -0.146067 -1.408588

Capital/Credit -6.846176 1.000 0.489400

Е) переменные In VC и Inflat

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 37.90090 18.39771 23.14341 17.14769

r < 1 14.75748 3.841466 14.75748 3.841466

Стандартизированные коэффициенты коинтеграционного уравнения

ß а

lnVC 1.000 20.96051 -1.162996

Inflat 0.047709 1.000 -0.580615

Ж) переменные InVC и GDPgr

Нулевая гипотеза ^trace Критическое значение Л. ^max Критическое значение

r = 0 27.00661 12.32090 24.71331 11.22480

r < 1 2.293300 4.129906 2.293300 4.129906

Стандартизированные коэффициенты коинтеграционного уравнения

ß а

lnVC 1.000 -143.9916 0.204478

GDPgr -0.006945 1.000 -2.235150

Приложение 10. МНК-оценки модели коррекции ошибки по России

Переменная Коэффициент Ст. ошибка t-статистика Вероятность

C 0.127068 0.032148 3.952555 0.0168

D(lnVC(-2)) 0.185976 0.012739 14.59923 0.0001

D(GDPgr) 0.409258 0.118136 3.464307 0.0257

D(INFLAT(-1)) -0.417054 0.000181 -23.01439 0.0000

D(CAPCR(-1)) 0.126740 0.004318 29.35323 0.0000

D(lnNIOKR(-3)) 1.041040 0.155261 6.705106 0.0026

D(INVENT) 0.365180 0.020796 17.55975 0.0001

D(IKT) 0.898826 0.110751 8.115762 0.0013

D(IKT(-1)) 0.551883 0.055293 9.981014 0.0006

D(lnMP(-2)) 3.280894 0.243267 13.48679 0.0002

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

ECMin nokr (-1) -0.111259 0.017066 -6.519476 0.0029

R-squared 0.999484 Mean dependent var 0.077687

Adjusted R-squared 0.998195 S.D. dependent var 0.250821

S.E. of regression 0.010656 Akaike info criterion -6.100454

Sum squared resid 0.000454 Schwarz criterion -5.581217

Log likelihood 56.75340 Hannan-Quinn criter. -6.105985

F-statistic 775.2329 Durbin-Watson stat 2.474260

Prob(F-statistic) 0.000004

Приложение 11. МНК-оценки модели коррекции ошибки по США

Переменная Коэффициент Ст. ошибка t-статистика Вероятность

C 3.877233 1.303752 2.973903 0.0310

D(lnVC(-1)) 0.746899 0.074592 10.01311 0.0002

D(GDPgr) 1.789670 0.557599 3.209599 0.0237

D(GDPgr(-2)) 4.930881 0.435181 11.33066 0.0001

D(INFLAT(-2)) -0.169595 0.010913 -15.54060 0.0000

D(lnNIOKR) 10.74455 0.953953 11.26319 0.0001

D(lnNIOKR(-2)) 2.826905 0.661637 4.272594 0.0079

D(INVENT(-2)) 0.185599 0.014160 13.10707 0.0000

D(IKT) 0.294112 0.041195 7.139554 0.0008

D(lnLABOUR(-2)) 8.305451 0.928064 8.949224 0.0003

ЕСМЫ labour (-1) -0.139384 0.044007 -3.167311 0.0249

R-squared 0.996997 Mean dependent var 0.023045

Adjusted R-squared 0.990991 S.D. dependent var 0.196010

S.E. of regression 0.018604 Akaike info criterion -4.918989

Sum squared resid 0.001731 Schwarz criterion -4.387834

Log likelihood 50.35191 Hannan-Quinn criter. -4.891789

F-statistic 166.0017 Durbin-Watson stat 2.716713

Prob(F-statistic) 0.000011

Study the Stage Venture Capital Industry in Russia and USA

Alexander Semenov***, Ekaterina Eremeeva

National Research University - Higher School of Economics, Department of Finances 20, Myasnitskaya str., Moscow, Russia, 101000

"Moscow Technological Institute 38A, Leninskiy pr., Moscow, Russia, 119334

e-mail: semenov.venture@mail.ru

Abstract. Now in Russia the innovative model of development is implemented, so new instruments of innovative project financing are required. One of them is venture capital attracting. In spite of the rapid venture infrastructure development the factors which diminish the speed of venture capital development still exist. To study the influence of different factors on venture capital activity, the work considers the analysis of the different research papers, which study the determinants of the venture capital development. According to the results of testing, the possible hypotheses are outlined and verified. The analysis was performed on two datasets which represent the annual data for Russia and USA from 1994 to 2012. As the influence factors on the VC industry the model uses determniants both used in previous works and completely new. The latter are the level of small business development, the inventors' activity coefficient, and the level of information and communications industry development in a country. As a dependent variable, the total volume of venture investments, transformated into logarithmic scale is used. The modelling allows to show the statistically significant long-term connections of the VC volume with the R&D spending in Russia and the number of employed in small business in the USA.

Key words: venture capital, venture capital industry, determinants autoregression model, error correction.

References

[1] Arkadev A. V. (2010) Problemy sovremennoj jekonomiki, 36:167-170. [In Rus]

[2] Gorskaya E. V. (2008) Formirovanie neformal'nogo rynka venchurnogo kapitala v Rossii. The-sis.Moscow. [In Rus]

[3] Kantorovich G. G. (2002) Jekonomicheskij zhurnal VShJe, 6(4):498-523. [In Rus]

[4] Koncepcija dolgosrochnogo social'no-jekonomicheskogo razvitija Rossijskoj Federacii na period do 2020. Rasporjazhenie Pravitel'stva RF ot 17 nojabrja 2008 g. N. 1662-r (08.08.2009 № 1121-r) [In Rus]

[5] Markov V. V. (2010) Nalogovye l'goty kak sposob stimulirovanija innovacionnoj dejatel'nosti: ocenka celesoobraznosti i bjudzhetnoj rezul'tativnosti ih primenenijaro. Thesis. Saint-Petesburg. [In Rus]

[6] SemenovA. S., Kashirin A. I. (2006) Innovacii, 88):31. [In Rus]

[7] Haberler G. (2008) Procvetanie i depressija. Teoreticheskij analiz ciklicheskih kolebanij. Socium.

[8] Yafasov R. R. (2011) Jekonomicheskie nauki, 74:27-31. [In Rus]

[9] Baygan G. Freudenberg M. (2000) The internationalization of venture capital activity in OECD countries: implications for measurement and policy, OECD Science, Technology and Industry. Working Papers, 7.

[10] Block J., Sandner P., De Vries G. (2010) Venture capital and the financial crisis: an empirical study across industries and countries. Handbook of venture capital. Oxford University Press.

[11] Bonini S., Alkan S. (2006) The Macro and Political Determinants of Venture Capital Investments around the World (http://www.efmaefm.org/0EFMAMEETINGS/EFMA%20ANNUAL%20MEETINGS/2007-Vienna/Papers/0576. pdf).

[12] Bürer M. J., Wüstenhagen R. (2008) Cleantech venture investors and energy policy risk an exploratory analysis of regulatory risk management strategies, In book: Sustainable Innovation and Entrepreneur-ship. Edward Elgar Publishing, pp. 290-309.

[13] Dubocage E,. Rivaud-Danset D. (2004) Capital Market Development and the Economy. Tokyo Club Papers, 16:76-117.

[14] EVCA Governing Principles (2005) European Private Equity & Venture Capital Association. (http://www.rvca.ru/upload/files/lib/EVCA_Governing_Principles_2005.pdf).

[15] Gompers P. A., Lerner J. (1998) What drives Venture Capital Fundraising? In book: Brookings Papers on Economic Activity. Microeconomics, pp. 149-192.

[16] Granger C. W. J. (1981) Journal of Econometrics, 16:121-130.

[17] Jagwani S. (2000) The Park Place Economist, 8 (http://digitalcommons.iwu.edu/parkplace/vol8/iss1/18).

[18] Jeng L. A., Wells Ph. C. (2000) Journal of Corporate Finance, 6(3):241-289.

[19] Jordä O. (2005) The American Economic Review, 95(1): 161-182.

[20] Jordä O. (2009) The Review of Economics and Statistics, 91(3):629-647.

[21] Mankiw N. G. (2003) Principles of Economics; 3rd edition. South-Western College Pub.

[22] OECD (2000) Summary Indicators of Product Market Regulation with an Extension to Employment Protection Legislation, Economics Department Working Papers. N. 226. Organisation for Economic Cooperation and De velopment. Paris. France.

[23] Poterba J. (1987) Journal of Public Economic, 33:157-172.

[24] Romain A., Pottelsberghe B. (2003) IIR Working Paper WP, 3-2

[25] Samuelson P. A., Nordhaus W. D. (2009) Economics; 19 ed. Mcgraw-Hill Higher Education.

[26] Sandler D. (2004) Venture Capital and Tax Incentives: A Comparative Study of Canada and the United States. Toronto: Canadian Tax Foundation.

[27] Sargan J. D. (1984) Wages and Prices in the United Kingdom: A Study in Econometric Methodology. Econometrics and Quantitative Economics. Ed. by Hendry D. F. Wallis K. F.; Oxford.

[28] Stimel D. (2012) Economics and Finance Review, 2(3):38-45.

[29] Ture N. (1998) Wall Street Journal, 8:30.

[30] Yafengyun Q. (2010) A Survey of Venture Capital in Europe. Implications for the Chinese Venture Capital Market. Juridiske fakultet. Universitetet i Oslo.

i Надоели баннеры? Вы всегда можете отключить рекламу.