Научная статья на тему 'Исследование детерминант распределения прямых иностранных инвестиций в предприятия Российской пищевой промышленности'

Исследование детерминант распределения прямых иностранных инвестиций в предприятия Российской пищевой промышленности Текст научной статьи по специальности «Экономика и бизнес»

CC BY
385
84
i Надоели баннеры? Вы всегда можете отключить рекламу.
Журнал
Прикладная эконометрика
Scopus
ВАК
Область наук
Ключевые слова
ПРЯМЫЕ ИНОСТРАННЫЕ ИНВЕСТИЦИИ / ПРЕДПРИЯТИЯ ПИЩЕВОЙ ПРОМЫШЛЕННОСТИ РФ / РЕГИОНЫ РОССИИ / МОДЕЛЬ БИНАРНОГО ВЫБОРА / МНОГОУРОВНЕВАЯ МОДЕЛЬ БИНАРНОГО ВЫБОРА С РЕГИОНАЛЬНЫМИ ЭФФЕКТАМИ / МАТРИЦА ПРОСТРАНСТВЕННЫХ ВЕСОВ / ЭФФЕКТ АГЛОМЕРАЦИИ / РЫНОЧНЫЙ ПОТЕНЦИАЛ РЕГИОНОВ / FOREIGN DIRECT INVESTMENT / FOOD INDUSTRY ENTERPRISES IN RUSSIA / RUSSIAN REGIONS / BINARY MODEL / MULTILEVEL BINARY MODEL WITH REGIONAL EFFECTS / SPATIAL WEIGHTS MATRIX / AGGLOMERATION EFFECT / MARKET POTENTIAL

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Гладышева А. А., Ратникова Т. А.

Чем руководствуются иностранные инвесторы, когда вкладывают свои средства в те или иные предприятия пищевой промышленности России? Для ответа на этот вопрос в данной работе анализируется выборка из примерно 5000 российских предприятий разных подотраслей пищевой промышленности, размещенных по всей территории страны. Цель исследования сконцентрирована на проверке двух основных гипотез о факторах, влияющих на решения иностранных инвесторов. Первая связана с уровнем развития региона размещения предприятия, а вторая с активностью иностранных инвесторов в предыдущие периоды в этом регионе и его окружении. Для проверки гипотез конструируются специальные переменные, основанные на идее пространственных лагов влияния упомянутых факторов. Оценивание многоуровневых моделей бинарного выбора дает возможность предложить корректный ответ на поставленный вопрос.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Гладышева А. А., Ратникова Т. А.

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

The determinants of the distribution of foreign direct investment in Russian food industry companies

What do foreign companies take into account when they invest in Russian food industry enterprises? The sample of about 5000 enterprises of the food industry from different Russian regions is analyzed to give the answer to this question. The most interesting points for the investigation are formulated as two hypotheses. The irst one is connected with the level of economic development of a region where the particular company is situated, the other one is about the foreign direct investment during previous periods in this region and the neighboring ones. To test the hypotheses on the base of the idea of spatial effects of analyzed factors several special variables are constructed. The estimation of a multilevel binary model gives the idea for the possible explanation of the problem discovered above.

Текст научной работы на тему «Исследование детерминант распределения прямых иностранных инвестиций в предприятия Российской пищевой промышленности»

А. А. Гладышева, Т. А. Ратникова

Исследование детерминант распределения прямых иностранных инвестиций в предприятия российской пищевой промышленности1

Чем руководствуются иностранные инвесторы, когда вкладывают свои средства в те или иные предприятия пищевой промышленности России? Для ответа на этот вопрос в данной работе анализируется выборка из примерно 5000 российских предприятий разных подотраслей пищевой промышленности, размещенных по всей территории страны. Цель исследования сконцентрирована на проверке двух основных гипотез о факторах, влияющих на решения иностранных инвесторов. Первая связана с уровнем развития региона размещения предприятия, а вторая — с активностью иностранных инвесторов в предыдущие периоды в этом регионе и его окружении. Для проверки гипотез конструируются специальные переменные, основанные на идее пространственных лагов влияния упомянутых факторов. Оценивание многоуровневых моделей бинарного выбора дает возможность предложить корректный ответ на поставленный вопрос.

ключевые слова: прямые иностранные инвестиции; предприятия пищевой промышленности РФ; регионы России; модель бинарного выбора; многоуровневая модель бинарного выбора с региональными эффектами; матрица пространственных весов; эффект агломерации; рыночный потенциал регионов.

JEL classification: C21; C25; D92; L66; O18; R15.

1. Введение

Вопрос о значении инвестиций и их роли в экономическом развитии является предметом обсуждений не один десяток лет. Он породил множество теорий и эмпирических исследований в этой области. Однако бесспорным остается то, что роль инвестиций значительна. Это дает повод продолжать исследование их влияния на существование и развитие разнообразных экономических агентов, а также изучать стратегии их привлечения и распределения.

Тенденции, которые наблюдаются в сфере привлечения иностранного капитала в Россию, позволяют говорить о благоприятной ситуации на этом рынке до кризиса, однако в период с 2008 по 2010 год наблюдается спад (рис. 1). Предполагается, что это связано, скорее, с состоянием иностранных инвесторов, чем с привлекательностью российских компаний, поэтому есть основания ожидать развития сотрудничества в будущем.

1 Работа выполнена в рамках программы Центра фундаментальных исследований НИУ ВШЭ 2012 года, проект «Эмпирическая оценка эффектов и факторов глобализации».

Рис. 1. Поступление прямых иностранных инвестиций в пищевую промышленность

России, тыс. долл. США2

2. Теоретический обзор

2.1. Прямые иностранные инвестиции в пищевую отрасль

Прямые иностранные инвестиции (ПИИ). В данной работе под прямыми иностранными инвестициями, согласно терминологии Федеральной службы государственной статистики (ФСГС), будет пониматься «приобретение иностранным инвестором не менее 10 процентов доли, долей (вклада) в уставном (складочном) капитале коммерческой организации, созданной или вновь создаваемой на территории Российской Федерации в форме хозяйственного товарищества или общества в соответствии с гражданским законодательством Российской Федерации; вложение капитала в основные фонды филиала иностранного юридического лица, создаваемого на территории Российской Федерации; осуществление на территории Российской Федерации иностранным инвестором как арендодателем финансовой аренды (лизинга) оборудования ... таможенной стоимостью не менее 1 млн рублей»3.

Иностранные инвестиции в целом являются одним из мощнейших стимуляторов развития экономики страны. Они рассматриваются как источник внешних сил, средств, технологий, квалифицированных работников и менеджеров, обеспечивающих обновление экономики, внедрение в процесс производства новых технологий, оборудования, новых практик корпоративного управления. На их базе можно успешно проводить модернизацию, внедрять разного рода инновации, эффективно воздействовать на развитие. Прямые иностранные инвестиции в наибольшей степени рассчитаны на долгосрочное сотрудничество, приводящее к росту компании, отрасли и развитию экономики в целом.

Как правило, при осуществлении прямых вложений для получения максимальных выгод иностранный инвестор преследует разного рода промежуточные цели. Во-первых, это

2 Данные Федеральной службы государственной статистики. http://www.gks.ru/.

3 Федеральный закон от 09.07.1999 г. № 160-ФЗ «Об иностранных инвестициях в Российской Федерации».

выход на новый рынок или его завоевание путем образования совместного предприятия | (где доля иностранного капитала не менее 10%). В данном случае это можно рассматривать § как альтернативу импорту или далекой транспортировке из другой части страны (как спо- ^ соб сокращения транспортных, таможенных и других транзакционных издержек). Во-вторых, это уменьшение производственных издержек и (или) улучшение качества продукции за счет использования более доступного, дешевого и (или) качественного труда и других § ресурсов. В-третьих, это производство в стране с менее жесткими ограничениями (в первую | очередь — это стандарты качества пищевой продукции и налоговые ставки). Таким образом, <s прямые инвестиции, которые дают толчок благоприятным изменениям в компаниях, выгодны для иностранцев из-за возможности снижения издержек и увеличения продаж. ч

Интерес компаний не будет обсуждаться в этой работе. Предполагается, что любая компания может предъявить спрос на прямые иностранные вложения. А вот интерес иностранных инвесторов — значительно менее тривиальная тема для дискуссий и анализа, она и является основной для данного исследования.

Пищевая отрасль как объект для инвестирования. Цели инвесторов существенно различаются, когда они вкладывают средства в предприятия разных отраслей. Это порождает разные механизмы принятия решений, которые трудно адекватно описать единой моделью. Ограничив анализ рамками одной отрасли, исследователь получает возможность избежать смещения неоднородности.

Чем порожден интерес к исследованию пищевой промышленности? Какими специфическими чертами характеризуется эта отрасль?

Она, в отличие от многих других отраслей, в большинстве случаев не привязана к источникам природных ресурсов. Можно возразить, что к садам, полям и фермам это не относится. Но, во-первых, эти ресурсы не столь редки, чтобы привязываться к определенному месту, а во-вторых, транспортировка сырья или полуфабрикатов, необходимых для производства пищевых продуктов, часто значительно легче, чем транспортировка нефти, угля или руды, особенно если речь идет о небольших расстояниях и долго хранящихся продуктах. Можно спорить о том, что скоропортящиеся продукты требуют высоких затрат на обеспечение особых условий хранения и перевозки. Но в этом случае предприятия первичной обработки часто располагаются непосредственно около места вылова, сбора и прочего — тогда дальнейшие стадии уже становятся более свободными в своем расположении. В какой-то мере роль природного ресурса здесь мог бы играть климатический фактор, но его влияние, как правило, не слишком существенно.

Следующей особенностью отрасли можно назвать однородность в контексте целей инвестирования, ожиданий и вообще функционирования предприятий. В пищевой отрасли чрезвычайно редко случаются технологические бумы или изобретения, которые влекут за собой шоки на рынке. Поэтому нет такого стремления к инновациям, как во многих других отраслях, не тратятся такие средства на R&D, не создаются крупные исследовательские проекты. Ключевым является наличие платежеспособного спроса, трудовых ресурсов и благоприятной ситуации на рынке. При этом инвесторы нацелены на методичное развитие технологического процесса и системы организации компании, а не на быстрое получение больших прибылей. Это гарантирует стабильность развития отрасли. Неоднородность целей инвесторов проявляется здесь относительно слабо (тем самым эта проблема решается почти полностью).

Можно упомянуть также такую особенность отрасли, как большое количество компаний. Более того, доля компаний, обладающих иностранным капиталом в размере не мень-

шем чем 10%, ощутима, а значит, позволяет проводить исследования. Одним из больших преимуществ является также доступность информации о деятельности этих компаний (база данных по российским предприятиям RUSLANA4 содержит сведения о десятке тысяч компаний, занятых производством продуктов питания).

2.2. Обзор литературы

Статей и книг, посвященных проблеме иностранных инвестиций, их роли, последствий, а также выявлению причин, объясняющих их распределение, множество. В предлагаемом ниже обзоре будет уделено внимание тем работам, идеи которых легли в основу модели.

Один из вариантов классификации направлений существующих исследований может быть таким:

• выявление факторов, влияющих на объем иностранных инвестиций (на глобальном уровне, на уровне одной страны или группы стран, нескольких отраслей или одной отрасли);

• исследование привлекательности России в целом или ее регионов для иностранных инвесторов;

• изучение специфики пищевой отрасли в России, особенностей ее развития и организации, возможных тенденций (на уровне всей страны, регионов или отдельных предприятий);

• анализ специфики иностранных инвестиций в пищевую отрасль (на глобальном уровне, по группам стран или на примере одной страны).

Обзор публикаций позволил выделить круг переменных, которые должны быть включены в модель.

Наиболее близкой к настоящему исследованию можно назвать работу (Buccellato, Santan-gelo, 2009). Основная идея статьи — анализ характеристик регионов России, которые влияют на распределение прямых иностранных инвестиций. Статья примечательна содержательным обзором публикаций в отношении анализа факторов, определяющих объемы иностранных инвестиций в регионы России. Она дает возможность сориентироваться в том, какие подходы уже были использованы, и к каким выводам это привело. Так, Ahrend (2000), анализируя данные по 50 европейским странам, рассматривал вопрос об иностранных инвестициях с точки зрения самих инвесторов; Bradshaw (2002) выделил пять групп регионов по их особенностям и привлекательности для инвесторов; Brock (1998) пытался эконометриче-ски выявить факторы, определяющие выбор иностранных инвесторов; также действовали Broadman, Recanatini (2001), анализируя модели, где ПИИ выступали как запас и как поток; Ledyaeva, Linden (2006) тестировали гравитационную модель, предполагая, что чем крупнее (по разным параметрам) регион, тем б0льшие объемы инвестиций он притянет.

Среди прочих факторов, оказавшихся значимыми в этих исследованиях, особый интерес представляют характеристики соседних регионов5. Они оказались значимыми в работе (Buccellato, Santangelo, 2009), которые позаимствовали идею построения этих показателей из (Ledyaeva, 2007) со ссылкой на (Blonigen et al., 2007). Такие основные показатели — это рыночный потенциал (развитость соседних рынков, платежеспособный спрос в соседних

4 http://www.bvdinfo.com/.

5 Здесь и далее под соседними регионами подразумеваются все субъекты Российской Федерации, не включая рассматриваемый регион размещения предприятия.

регионах) и агломерационный эффект (активность иностранных инвесторов в соседних ре- | гионах или, иными словами, доверие к соседям). Формируются эти показатели путем пере- § множения матрицы валового регионального продукта (в первом случае) или прямых ино- ^ странных инвестиций (во втором случае) на матрицу обратных расстояний до данного региона. Тем самым учитывается убывание влияния фактора с увеличением расстояния между регионами (центрами регионов). Отметим, что идея использования пространственных лагов § и специальных матриц, отражающих характер убывания влияния факторов в зависимости 1 от расстояния (линейным или иным образом), не нова и широко применяется в простран- <s ственной экономике и экономической географии (Blonigen et al., 2007).

Еще одна работа, о которой стоит упомянуть — (Манаенков, 2000). Автор тестирует ч различные теоретические гипотезы, связанные с мотивами иностранных инвесторов при осуществлении прямых вложений. Эта работа примечательна двумя обстоятельствами. Во-первых, изучением поведения инвестора не на уровне регионов, а на уровне фирм, что позволяет принимать во внимание неоднородность предприятий. Во-вторых, в качестве показателя ПИИ рассматривается не объем вложений или доля иностранного капитала в компании, а факт присутствия иностранного капитала — является ли компания совместным предприятием или нет (превышает ли доля иностранного капитала 10%).

Поскольку в настоящем исследовании анализ проводится на уровне отдельных фирм, то интересно выяснить, какими показателями принято описывать в литературе инвестиционную привлекательность предприятий. Эта тема не менее обсуждаема, чем инвестиционная привлекательность стран или регионов. Разрабатываются многочисленные теории и методики подсчета показателей привлекательности, но единого мнения по этому вопросу не удается достичь даже в рамках российских исследований. Сравнительные исследования выявляют как достоинства, так и недостатки любого из методов, поэтому брать за основу какой-то один не представляется возможным. Однако они позволяют создать некий набор основных показателей, которые характеризуют предприятие и имеют значимый вклад в принятие решения об инвестировании. В этой связи отметим статью (Иванов, Авакян, 2010), в которой предлагается классифицировать работы, согласно характеру показателей, задающих инвестиционную привлекательность предприятий, на две группы. В первой группе исследователи анализируют только финансовые показатели. Во второй группе предлагается обращать внимание как на внутренние характеристики (которые не ограничены финансовыми показателями), так и на внешние. В настоящей работе будем придерживаться второго подхода.

Отметим, что изучение особенностей использованных в данном исследовании классов моделей базировалось главным образом на материалах курса Центра многоуровневого моделирования Бристольского Университета (LEMMA), а также курса анализа панельных данных (Ратникова, 2006).

2.3. Модель принятия решения иностранным инвестором

Идея модели. Анализируемая в работе проблема — влияние различных факторов на привлечение иностранных инвестиций в предприятия пищевой промышленности России. Поэтому модель строится по следующему принципу: в качестве зависимой переменной берется показатель, описывающий привлеченные средства, в качестве независимых — набор некоторых характеристик (факторов).

При описании иностранных инвестиций, как правило, используется объем привлеченных средств (в страну, регион, отрасль, предприятие), либо доля инвестиций в регион в объеме общих ПИИ страны и доля иностранного капитала в компании. Реже рассматривается не размер инвестиций, а сам факт их наличия или получения (Манаенков, 2000). А именно, если у предприятия доля иностранного капитала превышает 10%, то оно считается получившим прямые иностранные инвестиции, и переменная fdi (foreign direct investment) равна единице. Если же компания не является совместным предприятием, иными словами, доля иностранного капитала не достигает 10%, то fdi полагается равным 0.

Такой выбор зависимой переменной дает возможность говорить о модели принятия решения инвестором, как о модели вероятности получения фирмой с определенными характеристиками иностранных инвестиций. Это расширяет потенциальные возможности использования модели, поскольку позволяет строить на ее основе прогнозы.

Выбор независимых переменных основывался на следующем предположении: в силу значительной неоднородности регионов России для иностранных инвесторов важными являются не только внутренние показатели фирмы, но и условия ее существования. Таким образом, факторы, которые предполагаются значимыми при принятии решения о вложении средств, разбиваются на две большие группы: индивидуальные характеристики компании и характеристики региона, в котором она располагается.

Общий вид модели можно записать следующим образом:

fdi у = f (Firmt], Region}),

где i — компания, j — регион, в котором зарегистрирована компания;

fdiy = 1, если доля иностранного капитала (в компании) не менее 10%, 0 — иначе;

Firmj — внутренние показатели работы компании;

Regionj — характеристики региона, в котором зарегистрирована компания;

— некоторая функция от набора характеристик, принадлежащих описанным выше группам.

Тестируемые гипотезы. Одна из идей исследования — выделение отдельной группы факторов, характеризующих регион, в котором располагается предприятие. Однако регионы нельзя рассматривать независимо друг от друга, поскольку, несмотря на неоднородность и относительно автономное существование, они являются частями одного экономического пространства, и пренебрегать их взаимным влиянием некорректно. Таким образом, не только характеристики самого региона, к которому относится компания, оказывают влияние на поведение иностранного инвестора, но и некоторые характеристики соседних регионов. В первую очередь к таким факторам следует отнести характеристики соседних рынков сбыта и степень развитости экономики соседей, т. к. для пищевой промышленности (и не только для нее) наличие потребителя, готового платить за продукцию предприятия — получателя инвестиций, играет важную роль.

Еще одна идея исследования связана непосредственно с самими инвесторами, точнее, с предшественниками тех, поведение которых анализируется. Предположение заключается в наличии некой преемственности: если при оценке привлекательности региона иностранные инвесторы видят, что в регион уже вкладывались средства предшественников, то это вызывает доверие и дает основание полагать, что регион перспективен, а вложения в него

выгодны, что положительно влияет на вероятность получения ПИИ предприятиями данного | региона. Более того, такая информация о соседних регионах свидетельствует также о благо- § приятном бизнес-климате окружения, дает некоторую гарантию развитости инфраструктуры ^ и возможности наладить взаимоотношения с другими регионами. В этом состоит эффект агломерации — инвестиции способствуют развитию регионов, вселяют уверенность в бу- ^ дущих инвесторов и влекут за собой новые вложения (как в сам регион, так и в соседние), ™ тем самым улучшая и развивая отрасль и экономику регионов в целом. 1

Суммируя вышесказанное, сформулируем основные гипотезы исследования. <5

Гипотеза 1. Характеристики платежеспособного спроса в соседних регионах наряду с такими же показателями региона расположения предприятия значимо влияют на полу- ч чение предприятием иностранных инвестиций. Чем сильнее развит сам регион, в котором располагается предприятие пищевой промышленности, и соседние регионы, тем охотнее инвесторы вкладывают деньги.

Гипотеза 2. Увеличение объемов иностранных инвестиций, полученных в прошлом как регионом размещения предприятия, так и соседними регионами, значимо способствуют росту доверия и улучшению бизнес-климата и, как следствие, большей вероятности получить предприятием ПИИ.

Используемые переменные. В таблице П1, приведенной в Приложении, указан список анализируемых показателей, единицы измерений, источник, а также смысл каждого показателя в контексте исследования привлекательности предприятия для иностранного инвестора.

Основные переменные — тестируемые, они отражают заявленные в гипотезах региональные факторы, влияющие на принятие решения инвестором.

Контрольные переменные включены в модель, чтобы описать вариацию зависимой переменной, которую не описывают тестируемые, и предотвратить тем самым смещение оценок влияния тестируемых переменных.

Ряд перечисленных переменных используются в модели в логарифмическом виде. В этом случае коэффициент при переменной будет отражать вклад ее прироста в значение вероятности. Это решает еще и проблему приведения денежных показателей к сопоставимым ценам, что необходимо, когда анализируются показатели за несколько лет. Однако использование логарифма превращает деление на индекс цен в разность, и в этом случае изменения как уровня цен, так и курса доллара автоматически попадают в константу.

3. Эмпирический анализ

3.1. Данные

Анализ проводится по годовым данным на 2009 год (это относится ко всем перечисленным в табл. П1 показателям). Отметим следующую особенность: база данных RUSLANA предоставляет информацию о структуре собственников компании (а значит, и о доле иностранцев) лишь на момент последнего обновления базы — для одних предприятий это 2009 год, для других — 2010 или 2011 год. Поэтому корректен лишь анализ cross-section данных, т. к. отсутствует информация о том, как показатель изменяется по годам. Тогда интерпретация зависимой переменной такова — факт наличия доли иностранного капита-

ла не менее 10% на момент 2009/2010 года (как результат того, что в 2009-2010 гг., исходя из набора характеристик за 2008-2009 гг., иностранный инвестор принял решение либо вкладывать/не вкладывать, либо изымать/не изымать средства). Поскольку неизвестна дата вложений, такой подход, возможно, не является вполне корректным, но он наиболее адекватен доступным данным.

Так как исследование проводится на уровне предприятий, то, соответственно, единицей наблюдения будет являться российское предприятие пищевой промышленности. В выборку вошли 5510 предприятий из 82 регионов России, для которых оказалась доступна информация по интересующим показателям за период с 2008 по 2009 год.

Таблица 1 позволяет проанализировать различия описательных статистик двух подвы-борок предприятий: с иностранным собственником и без него. Для всех интересующих переменных средние выборочные значения значимо различаются (на 1%-ном уровне) для предприятий с участием иностранных инвесторов и для предприятий, где это участие отсутствует или представлено слабо.

Таблица 1. Средние значения тестируемых зависимых переменных по подвыборкам

Тестируемая переменная Иностранный капитал Иностранный капитал Вся выборка

не менее 10% менее 10%

ПИИ в регион в прошлом периоде 1571.00 749.00 793.01

(2008), тыс. долл. США (161.16) (25.42) (25.67)

ПИИ в регион в текущем периоде 1112.0 508.12 540.47

(2009), тыс. долл. США (108.2) (17.21) (17.38)

Фактор агломерации (линейный), 99.71 56.69 59.00

тыс. долл. США (8.68) (1.55) (1.54)

Фактор агломерации (квадратичный), 4.14 1.92 2.04

тыс. долл. США (0.47) (0.08) (0.08)

Фактор агломерации (квадратный 993.31 811.28 821.03

корень), тыс. долл. США (33.63) (6.41) (6.35)

Фактор агломерации (экспонента), 7671.00 6411.37 6478.85

тыс. долл. США (190.09) (50.93) (49.41)

Валовой региональный продукт, 1433.00 802.34 836.1

млн руб. (129.43) (20.29) (20.5)

Рыночный потенциал 90.49 55.37 57.25

(линейный), млн руб. (7.21) (1.29) (1.28)

Рыночный потенциал (квадратичный), 3.36 1.57 1.67

млн руб. (0.39) (0.07) (0.07)

Рыночный потенциал (квадратный 1136.44 979.22 987.64

корень), млн руб. (29.08) (5.7) (5.63)

Рыночный потенциал (экспонента), 9009.21 7834.69 7897.58

млн руб. (183.87) (51.49) (49.84)

Число наблюдений 295 5215 5510

На рисунке 2 отражено распределение компаний, которые получили прямые иностранные инвестиции (доля иностранного капитала не менее 10%). Явными лидерами здесь являются Москва, в которой 37 предприятий, попавших в выборку, получили ПИИ, Московская

область (37), Белгородская область (20) и Краснодарский край (18). Чуть меньше в Санкт- |

Петербурге (16), Ставропольском крае (12), Ленинградской (11) и Калининградской (10) об- |

ластях. При визуальном сопоставлении этого распределения с распределением показателей ^ по регионам, однозначных выводов о наличии связи между тестируемыми показателями и

зависимой переменной сделать нельзя. Необходимо более тщательное количественное ис- ^

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

следование, которое может быть осуществлено в рамках регрессионного оценивании моде- ™

ли бинарного выбора с учетом иерархической структуры данных. 1

Рис. 2. Число компаний пищевой промышленности с долей иностранного капитала

не менее 10%6

3.2. Эконометрическая модель вероятности получения предприятием

иностранных инвестиций

Поскольку зависимая переменная — бинарная, то эконометрическая модель принимает следующую форму:

P( fdiy. = 1) = f (Firmp, Region j),

где i — компания, j — регион, в котором зарегистрирована компания; P( fdij = 1) — вероятность получения компанией иностранных инвестиций; fdij = 1, если доля иностранного капитала не менее 10%, 0 — иначе; Fi rmj — внутренние показатели работы компании;

Region: — характеристики региона, в котором зарегистрирована компания.

6 По данным базы данных RUSLANA.

Предполагается, что функция f (Firm^, Region j) зависит только от линейной комбинации характеристик компании и региона, т. е.

f (Firmj, Regionj) = F (Zj),

где zj=a+2 bkFirmkj+2 giRegionij.

k i

Поскольку анализировать предполагается логит-модель, в качестве F(•) возьмем логи-

exp (z )

стическую функцию F (z) =-j-^r. После простых преобразований получается следую-

1 + exp (z )

щее соотношение:

\

'j

j = exp («Ь*Р(2 Г-Re*«,

В этом случае левая часть интерпретируется как отношение шансов (odds ratio). В правой части значения экспонент — это чувствительности отношения шансов к изменению характеристик регионов и фирм, т. е. во сколько раз изменится отношение вероятностей получить и не получить иностранные инвестиции при изменении соответствующей независимой переменной на единицу.

Будут рассмотрены следующие модификации базовой модели, учитывающие иерархическую структуру данных — вложенность предприятий в регионы:

• модель со случайным региональным эффектом aj на константу

P (fdij = l) = P (z*j > О), где z*. = a + aj +2 PkFirmkj + 2 giRegionv + ej ,

kk

aj ~ N (О, о a), aj — независимые, некоррелированные с еу и регрессорами величины;

• модели со случайным региональным эффектом aj на константу и со случайным коэффициентом наклона m перед тестируемыми региональными переменными Xj (фактором агломерации, рыночным потенциалом, ВРП7, ПИИ в регион текущего периода, ПИИ в регион прошлого периода)

■£Р'

Р =1) = Р > 0), где = а + а +2Рк^т + 2 УгКе81опУ + (т + т. )ХР + <

к 1

а. ~ N (0,&а), т. ~ N (о, ст^), а. и т. — взаимно независимы, не коррелированны с е. и с регрессорами.

Специфика количественного анализа данных иерархической структуры заключается в том, что наш объект исследования — предприятие — «вложен» в более крупное образование внешней среды — регион, и свойства среды неизбежно накладывают отпечаток на характер функционирования предприятия, а следовательно, на проявление эффектов, определяющих в числе прочих и привлекательность предприятия для иностранного инвестора. С конца 1980-х годов вопрос о том, как лучше моделировать данные вложенной структуры,

Валовой региональный продукт.

7

обрел ответ, популярность которого неуклонно возрастает. Этот ответ — многоуровневое | моделирование. Первоначально разработанная для эмпирических исследований в геогра- | фии и образовании, эта техника теперь применяется везде, где исследователь имеет дело ^ с данными разных уровней. Простейшая структура данных такого рода включает в себя два уровня: нижний (1-й) уровень — это в нашем случае предприятия, и высший (2-й) уровень, здесь этот уровень представлен регионами размещения предприятий. 3

Основным преимуществом многоуровневого моделирования принято считать то, что оно | решает проблему «автокоррелированности» наблюдений, которая может встретиться в дан- <5 ных иерархической структуры. Эта «автокоррелированность» возникает вследствие схожести объектов, относящихся к одной и той же группе (например, могут оказаться похожи ч фирмы, расположенные в одном регионе). Такое явление характерно также для стратифицированных или кластеризованных выборок, когда объекты, принадлежащие одной страте или кластеру, подвергаются похожему воздействию.

Автокорреляция означает, что ошибки для объектов из одной и той же группы коррели-рованы. Это необходимо принимать во внимание при моделировании, иначе стандартные ошибки коэффициентов будут оцениваться со смещением, и стандартные тесты на статистическую значимость оценок коэффициентов могут давать неверные результаты.

Важное преимущество многоуровневого моделирования заключается также в том, что оно позволяет получать эффективные оценки и в случае сильно несбалансированных данных, когда группы значительно различаются по числу входящих в них единиц 1-го уровня. В нашем случае это существенно, поскольку число предприятий сильно варьируется по регионам.

Все описанные выше модели оцениваются методом максимального правдоподобия. Это позволяет получить состоятельные, асимптотически эффективные и асимптотически нормальные оценки. В статистическом пакете STATA для оценивания иерархических логит-моделей используется специальная процедура, вызываемая командой xtmelogit.

Исследование влияния тестируемых переменных будет осуществляться с помощью невложенных регрессий, поскольку объединение всех интересующих показателей в рамках единой спецификации невозможно в силу их мультиколлинеарности.

3.3. Результаты

В таблице 2 приведены результаты оценивания логит-модели для ПИИ в зависимости от контрольных переменных (представляющих собой внутренние показатели функционирования предприятия Firm.j и некоторые характеристики региона его размещения Regionj, в табл. П1 даны пояснения относительно переменных) и ряда тестируемых показателей:

P (fdij = l) = P ( > О), где z*. = a' + /3'Firm j + g 'Region; + m'X + е..

Из таблицы следует, что вероятность участия иностранных инвесторов в предприятии значимо возрастает, если иностранные инвестиции поступали в регион размещения предприятия в прошлом периоде и продолжают поступать в текущий период. Это подтверждает гипотезу 2 (см. раздел 2.3). Однако уровень экономического развития региона, измеряемый валовым региональным продуктом, не оказывает влияния на выбор иностранного инвестора, что частично противоречит гипотезе l. В регрессионных моделях с этими показателями

Таблица 2. Оценки коэффициентов наклонат' при тестируемых переменных в логит-моделях для ПИИ без учета региональной неоднородности

(число наблюдений — 4805)

_^_

— Логарифм региональных Логарифм региональных Логарифм ВРП ПИИ прошлого периода ПИИ текущего периода

m

m ' m'

017***

(0.05)

0 14***

(0.05)

0.2 (0.12)

Log-likelihood

-829.50

-824.5

-825.58

-828.25

Примечание. *** — значимость на 1%-ном уровне. Во все варианты модели включены соответствующие контрольные переменные.

Таблица 3. Оценки коэффициента наклона п' при логарифме показателя рыночного потенциала для многоуровневых логит-моделей ПИИ с учетом региональной неоднородности (число наблюдений — 4805).

MarketPolj

^ ^ )-1 GRP] ^ Г GRP] ^ Г2 GRP] ^ ^

0.56*** (0.17)

0.24*** (0.07)

1 37***

(0.44)

0.46*** (0.17)

Log-likelihood

-823.33 0.71***

-822.62 0.69***

-824.35 0.73***

-824.66

0 74***

Примечание. *** — значимость на 1%-ном уровне. Во все варианты модели включены соответствующие контрольные переменные.

не удается провести более тонкого анализа, при котором бы учитывалась неоднородность их влияния по регионам.

В таблице 3 показаны оценки регрессионных моделей

P (fdi. = l) = P (z* > о), где z*. = a' + a. + b 'Firm. + g 'Regionj + v' lnMarketPot. +e..,

различающихся функциональной формой показателя рыночного потенциала MarketPot. Приведены результаты для четырех разновидностей функциональных спецификаций этого

показателя. Региональный случайный эффект вводится для константы: и/ = а^. Назначение всех этих моделей, во-первых, в выявлении стабильности влияния тестируемого показателя, независимо от вариаций его функциональной формы. Во-вторых, в уравнениях со случайным региональным эффектом на константу возникает возможность отразить в ковариационной матрице ошибок влияние всех неучтенных в модели характеристик регионов (климат, плотность населения, доступность рынков сбыта продукции, особенности функционирования транспортной сети). Этим удается в некоторой степени очистить оценку коэффициента при рыночном потенциале от смещения, неизбежного при пропуске существенных переменных. Оценки во всех случаях оказались статистически значимы и положительны. Таким образом, полностью подтверждается гипотеза 1.

В таблице 4 показаны оценки регрессионных моделей

Р{yfdiij =1) = Р(( > о), где г*. = а' + а; +Ь^¡гт/ +y'Regionj + (( + ,"/)Agglomj + £/.,

различающихся функциональной формой фактора агломерации Agglomj. Региональный случайный эффект (ЯЕ) и/ = а / + т / 1п Agglom/■ вводится для константы и для коэффициента наклона при факторе агломерации. Это дает возможность учитывать в ковариационной матрице ошибки эффектов взаимодействия пропущенных региональных переменных и фактора агломерации. В таблице 4 приведены результаты для четырех разновидностей функциональных спецификаций фактора агломерации и двух разновидностей спецификации случайного регионального эффекта. Оценки во всех случаях оказались статистически значимы и положительны. Таким образом, полностью подтверждается гипотеза 2.

о

t S «i

£

Таблица 4. Оценки коэффициента наклона т ' при логарифме фактора агломерации для многоуровневых логит-моделей ПИИ с учетом региональной неоднородности (число наблюдений — 4805).

Agglom,

DistJ1 FDIj J J )-2 FDIj 2 FDIj J Е exp(-Dist,) FDI, J

Вид RE a, * 0 a, * 0 a, * 0 a * 0 a * 0

m , = 0 m = 0 m , * 0 m = 0 m = 0

m ' 0 51*** — — — —

(0.15)

m ' — 0.22*** 0 27*** — —

(0.06) (0.06)

m ' — — — 1.17*** —

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

(0.36)

m — — — — 0 59***

(0.19)

Log-likelihood -822.59 -822.09 -817.72 -823.47 -821.82

sa 014*** 0.14*** 0.30*** 0.14*** 0.14***

sm — — 0.06*** — —

Примечание. *** — значимость на 1%-ном уровне. Во все варианты модели включены соответствующие контрольные переменные.

В Приложении приведена табл. П2, в которой представлен отсортированный по возрастанию эффект влияния фактора агломерации на вероятность ПИИ с учетом региональной неоднородности и сам случайный региональный эффект, отражающий отличие эффекта агломерации для отдельного региона от среднего значения этого эффекта по всем регионам. Отмечено отличие эффекта агломерации от нуля и от среднего значения на уровне значимости 10%. Из таблицы следует, что для предприятий почти 2/3 регионов этот эффект не отличается (статистически значимо) от нуля. Однако удалось обнаружить ряд регионов, для предприятий которых этот эффект существует и положителен (т. е. ноль меньше нижней границы доверительного интервала). Таких регионов оказалось 30. Для них подтверждается гипотеза о положительном влиянии активности иностранных инвесторов в соседних регионах на вероятность поступлении ПИИ в предприятия пищевой промышленности данного региона. Также имеется несколько регионов, для которых значение фактора агломерации значительно ниже, чем для других. Среди них выделяется Калининградская область, для которой анализируемый показатель имеет значимое отрицательное влияние на вероятность вложений в предприятия пищевой промышленности этого региона. Обосновать это можно следующим образом. Особое географическое положение Калининградской области имеет отрицательное влияние на вероятность ПИИ, с одной стороны, из-за высокой конкуренции с другими регионами со схожими преимуществами (например пограничными с Еврозоной) за иностранных инвесторов, а с другой стороны, из-за ориентированности на внутренний спрос и экспорт, а не на торговлю с другими регионами России. При этом в самой Калининградской области имеется большое количество предприятий с иностранной собственностью, таким образом, отрицательный эффект агломерации компенсируется положительным эффектом других факторов.

Примером региона, в котором эффект агломерации оказался статистическим нулем с 90%-ной доверительной вероятностью, может служить Краснодарский край, окруженный регионами с принципиально различающимся инвестиционным климатом. С юга и востока он граничит с республиками Северного Кавказа и Ставропольским краем, иностранные инвестиции в которые невелики, инвестиционные риски довольно значительны, и нет оснований рассматривать эти регионы как широкие рынки сбыта пищевой продукции (там хватает собственной продукции, не имеет смысла тратить деньги на транспортировку, либо издержки слишком велики). На севере Краснодарского края находится Ростовская область, которая, напротив, является привлекательной для иностранных инвесторов и активно развивается. Таким образом, соседство с одними регионами имеет отрицательное влияние на вероятность вложений из-за повышенного риска и бесперспективности, а с другими — двойственный эффект: положительный, поскольку соседство с привлекательным для иностранного инвестора регионом свидетельствует о благоприятном бизнес-климате окружения и дает некоторую гарантию развитости инфраструктуры, и отрицательный по причинам конкуренции с соседями за инвестиции. Сложение этих противоречивых сил сводит к статистическому нулю влияние фактора агломерации. При этом, так же как и в Калининградской области, в самом Краснодарском крае имеется большое количество предприятий с иностранной собственностью, таким образом, благоприятный инвестиционный климат здесь создается иными механизмами, не связанными прямо с эффектом агломерации.

Аналогичное объяснение может быть предложено и для остальных регионов, в которых эффект агломерации оказался статистическим нулем (с 90%-ной доверительной вероятностью).

4. Заключение 8

I

В работе показано, что в среднем по регионам России влияние прямых иностранных ин- ^ вестиций и валового регионального продукта соседних регионов (фактора агломерации и рыночного потенциала) на принятие решений о вложениях средств иностранных инвесторов в предприятия пищевой промышленности в данном регионе положительно. Однако приме- ™ нение более сложных моделей позволило обнаружить ряд регионов (в частности Краснодар- | ский край), в которых эффект агломерации отсутствует или отрицателен. Тем самым эффект <5 от агломерации и рыночного потенциала может быть двойственным. С одной стороны, он является положительным, поскольку степень развитости соседних регионов и их привлекатель- ч ность для иностранных инвесторов в прошлом способствуют росту доверия и улучшению бизнес-климата в кластере соседствующих регионов, что притягивает инвесторов и в предприятия данного региона. Однако этот эффект становится противоположным, если соседи начинают составлять конкуренцию рассматриваемому региону в борьбе за ПИИ. Если эти два эффекта компенсируют друг друга, влияние тестируемых показателей не обнаруживается.

Список литературы

Абрамов А., Глущенко К. (2000). Матрица кратчайших расстояний между административными центрами российских регионов. Новосибирск: НГУ http://econom.nsu.ru/staff/chair_et/gluschenko/ Research/Data/Distances.xls.

Иванов В. А., Авакян К. Г. (2010). Сравнительный анализ методик оценки инвестиционной привлекательности предприятия. Вестник Удмуртского университета, 3, 22-28.

Манаенков Д. А. (2000). Выбор иностранным инвестором региона вложения прямых инвестиций. Эмпирическое исследование. Препринт РЭШBSP/00/036 R.

Ратникова Т. А. (2006). Введение в эконометрический анализ панельных данных. Лекционные и методические материалы. Экономический журнал ВШЭ, 10 (4), 638-669.

LEMMA (Learning environment for multilevel methodology and applications) multilevel modeling online course. The Centre for Multilevel Modeling. University of Bristol. http://www.bris.ac.uk/cmm/learn-ing/course.html.

Ahrend R. (2000). Foreign direct investment into Russia: Pain without gain? A survey of foreign direct investors. Russian Economic Trends, 9, 26-33.

Blonigen B. A., Davies R. B., Waddell G. R., Naughton H. T. (2007). FDI in space: Spatial autoregressive relationships in foreign direct investment. European Economic Review, 51, 1303-1325.

Bradshaw M. (2002). The changing geography of foreign investment in the Russian Federation. Russian Economic Trends, 11, 33-41.

Broadman H. G., Recanatini F. (2001). Where does all the foreign direct investment go in Russia? World Bank Policy Research Working Paper No. 2640. World Bank, Washington.

Brock G. (1998). Foreign direct investment in Russia's regions 1993-95. Why so little and where has it gone? Economics of Transition, 4, 349-360.

Buccellato T., Santangelo F. (2009). Foreign direct investments distribution in the Russian Federation: Do spatial effects matter? Economics Working Papers 99, Centre for the Study of Economic and Social Change in Europe, SSEES, UCL. London.

Ledyaeva S. (2007). Spatial econometric analysis of determinants and strategies of FDI in Russian regions in pre and post-1998 financial crisis periods. BOFITDiscussion Papers, 15.

Ledyaeva S., Linden M. (2006). Testing for foreign direct investment gravity model for Russian regions. Working paper No. 32, Department of Business and Economics. University of Joensuu.

Приложение

Таблица П1. Используемые переменные

Показатель

Описываемый фактор, смысл показателя

Источник данных

Зависимая переменная

fdi — прямые иностранные инвестиции, бинарная переменная (1 — доля иностранного капитала в компании не менее 10%, 0 — доля менее 10%)

Наличие иностранного капитала в компании, индикатор того, является ли оно совместным предприятием

RUSLANA

Независимые переменные

Тестируемые переменные

Прямые иностранные инвестиции в регион в прошлом периоде (логарифм), тыс. долл. США

Прямые иностранные инвестиции в регион в текущем периоде (логарифм), тыс. долл. США

Фактор агломерации (логарифм), тыс. долл. США8

Активность иностранных инвесторов ФСГС

(в общем, не только в отношении пищевой отрасли) в прошлом периоде, уровень доверия к региону

Активность иностранных инвесторов (в общем, не только в отношении пищевой отрасли) в текущем периоде, уровень доверия к региону. Рассматривается, т. к. неизвестно, когда принималось решение, и на какой год ориентировался инвестор

Произведение матрицы ПИИ за прошлый период Данные по ПИИ -(год) в регионы и матрицы обратных расстояний ФСГС. Данные между регионами. Показывает, насколько по расстояниям -

активно иностранные инвесторы вкладываются (Абрамов, в соседние регионы, при этом, чем дальше Глущенко, 2000)

регион, тем с меньшим весом учитывается его влияние.

Agglom = ^ (Distj ) FDI/, где г,/ — регионы

/

(г * /), FDIj — ПИИ в регион/, Dist¡j — расстояние между административными центрами регионов г и /

8 При формировании показателей фактора агломерации и рыночного потенциала функция от расстояния (линейная, квадратичная, квадратный корень или экспонента) играет роль веса, с которым убывает вклад соответствующих характеристик других регионов. Поэтому не важно, в каких единицах измеряется расстояние, т. к. оно фактически участвует в формуле лишь как безразмерная константа. Тогда фактор агломерации и рыночный потенциал допустимо измерять в соответствующих денежных единицах.

Продолжение табл. П1

а

Показатель

Описываемый фактор, смысл показателя

Источник данных

Фактор агломерации с квадратичным весом расстояний (логарифм), тыс. долл. США

Фактор агломерации с весом — квадратный корень из расстояний (логарифм), тыс. долл. США

Фактор агломерации с экспоненциально убывающим весом расстояний (логарифм), тыс. долл. США

Валовой региональный продукт (валовая добавленная стоимость в основных ценах, ВРП) (логарифм), млн руб.

Рыночный потенциал (логарифм), млн руб.

Аналогично фактору агломерации, но вклад ПИИ в соседние регионы убывает быстрее, чем растет расстояние (пропорционально квадрату расстояния).

Aggloml FDIl

Аналогично фактору агломерации, но вклад ПИИ в соседние регионы убывает медленнее, чем растет расстояние (пропорционально квадратному корню из расстояния).

Agglom¡ = )-1/2 FDI¡

Аналогично фактору агломерации, но вклад ПИИ в соседние регионы убывает значительно быстрее, чем растет расстояние (экспоненциально).

Agglom¡ = ^ ехр(--Dist .

Характеризует платежеспособный спрос региона ФСГС

Рыночный потенциал с квадратичным весом расстояний (логарифм), млн руб.

Рыночный потенциал с весом — квадратный корень из расстояний (логарифм), млн руб.

Рыночный потенциал с экспоненциально убывающим весом расстояний (логарифм), млн руб.

Произведение матрицы ВРП и матрицы обратных расстояний между регионами. Характеризует платежеспособный спрос соседних регионов.

MarketPot = ^ (Dist . ) 'GRP., где i, j —

j

регионы (i ^ j), GRP. — ВРП региона j, Distij — расстояние между административными центрами регионов i и j

Аналогично рыночному потенциалу, но вклад ВРП в соседние регионы убывает быстрее, чем растет расстояние (пропорционально квадрату расстояния).

MarketPot =2(D'stj)-2GRP

j

Аналогично рыночному потенциалу, но вклад ВРП в соседние регионы убывает медленнее, чем растет расстояние (пропорционально квадратному корню из расстояния).

MarketPot , 2 Grp.

J

Аналогично рыночному потенциалу, но вклад ПИИ в соседние регионы убывает значительно быстрее, чем растет расстояние (экспоненциально).

MarketPot = ^ exp(--Dist .) GRP.

Данные по ПИИ -ФСГС. Данные по расстояниям — (Абрамов, Глущенко, 2000)

Продолжение табл. П1

Показатель Описываемый фактор, смысл показателя Источник данных

Контрольные переменные (Firm)

Коэффициент покрытия (логарифм) (Текущие активы)/(текущие обязательства). RUSLANA

Способность покрыть краткосрочные

обязательства с помощью оборотных средств

Доля государства в капитале Доля акционерного капитала, принадлежащая

компании (логарифм), % государству, органам власти

Число работающих (логарифм), Общее число сотрудников компании,

человек работающих полный рабочий день

Рентабельность акционерного (Чистая прибыль)/(акционерный капитал).

капитала, % Эффективность использования вложенных

средств

Коэффициент (Акционерный капитал)/(общие активы).

платежеспособности, % Способность предприятия выполнять денежные

обязательства

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

Коэффициент структуры капитала (Долгосрочные обязательства + займы)/

(логарифм), % (акционерный капитал). Характеристика

устойчивости предприятия

Рентабельность продаж, % (Чистая прибыль)/(выручка). Доля прибыли

в заработанном рубле

Коэффициент оборачиваемости (Выручка)/(общие активы). Эффективность

активов (логарифм), % использования всех ресурсов компании

Выручка (оборот) на работника (Выручка)/(количество работающих). Выработка

(логарифм), тыс. долл. США работников

Коэффициент ликвидности Характеристика платежеспособности компании

(логарифм)

Количество лет на рынке (логарифм) Возраст компании

Контрольные переменные (Region)

Численность постоянного населения Характеристика потенциальной рабочей силы и ФСГС

в среднем за год (логарифм), чел. количества потребителей

Доля имеющих полное/неполное Характеризует рынок квалифицированного труда

высшее профессиональное в регионе

образование (логарифм)

Плотность (густота — Росстат) Традиционное прокси для развитости

автомобильных дорог общего инфраструктуры региона

пользования с твердым покрытием,

на конец года, км дорог на 1000 км2

территории

Средняя температура января, °С Характеризует суровость климата региона

Ранг инвестиционного потенциала Привлекательность региона для инвестиций Рейтинговое

(чем больше, тем меньше потенциал) агентство

«Эксперт»9

9 http://raexpert.ru/.

Окончание табл. П1

Показатель

Описываемый фактор, смысл показателя

Источник данных

Ранг инвестиционного риска

Рискованность вложений в регион (чем больше, тем меньше риск)

Внешнеторговый оборот (в фактически действующих ценах) (логарифм), млн долл. США

Наличие портов, бинарная

Число зарегистрированных преступлений, общественно опасных деяний, предусмотренных уголовным законодательством

Количество зарегистрированных экономических преступлений, общественно опасных деяний, предусмотренных уголовным законодательством, совершенные в сфере экономики

Среднемесячная номинальная начисленная заработная плата работников организаций (логарифм), тыс. руб.

Сумма экспорта и импорта региона, характеристика открытости региона, активности взаимодействия с другими государствами

Возможность транспортировки по воде, что часто дешевле и удобнее

Уровень преступности, характеристика социальной напряженности и безопасности ведения бизнеса

Уровень преступности в сфере экономики, характеристика социальной напряженности и безопасности ведения бизнеса

Прокси для цены услуг труда в регионе

ФСГС

£

«i «i

Таблица П2. Упорядоченный по возрастанию эффект влияния фактора агломерации на вероятность ПИИ с учетом региональной неоднородности

№ Регион РФ m' + mj mj № Регион РФ m' + mj mj

1 Калининградская область - 0.200* - 0.467* 42 Магаданская область 0.278 0.011

2 Белгородская область - 0.133 - 0.399* 43 Еврейская автономная область 0.281 0.014

3 Пензенская область - 0.035 - 0.301* 44 Тульская область 0.287 0.021

4 Республика Алтай - 0.019 - 0.286 45 Ростовская область 0.290 0.023

5 Приморский край 0.013 - 0.254* 46 Республика Мордовия 0.299 0.032

6 Московская область 0.031 - 0.235* 47 г. Санкт-Петербург 0.299 0.033

7 Новосибирская область 0.043 - 0.223* 48 Кемеровская область 0.306* 0.039

8 Ставропольский край 0.044 - 0.222* 49 Республика Хакасия 0.310 0.044

9 Краснодарский край 0.050 - 0.217* 50 Ямало-Ненецкий автономный округ 0.310 0.044

10 Самарская область 0.111 -0.155 51 Ульяновская область 0.311* 0.045

11 Липецкая область 0.114 -0.153 52 Забайкальский край 0.313 0.047

12 г. Москва 0.114 -0.152 53 Челябинская область 0.316* 0.050

13 Республика Татарстан 0.115 -0.151 54 Республика Карелия 0.317 0.050

14 Саратовская область 0.134 -0.132 55 Калужская область 0.320 0.054

Окончание табл. П2

№ Регион РФ m' + m mj № Регион РФ m' + mj mj

15 Курская область 0.149 -0.118 56 Мурманская область 0.322 0.055

16 Смоленская область 0.160 -0.107 57 Республика Бурятия 0.330* 0.063

17 Республика Башкортостан 0.163 -0.104 58 Амурская область 0.332* 0.066

18 Свердловская область 0.169 -0.098 59 Ленинградская область 0.337* 0.071

19 Новгородская область 0.174 -0.092 60 Камчатский край 0.338* 0.071

20 Республика Коми 0.176 -0.090 61 Ханты-Мансийский автономный округ 0.340* 0.074

21 Удмуртская Республика 0.182 -0.084 62 Сахалинская область 0.344* 0.078

22 Псковская область 0.183 -0.084 63 Архангельская область 0.348* 0.082

23 Пермский край 0.188 -0.079 64 Республика Саха (Якутия) 0.353* 0.087

24 Астраханская область 0.191 -0.076 65 Тамбовская область 0.354* 0.087

25 Республика Адыгея 0.192 -0.074 66 Тюменская область 0.357* 0.091

26 Хабаровский край 0.195 -0.071 67 Волгоградская область 0.360* 0.094

27 Нижегородская область 0.224 -0.042 68 Курганская область 0.367* 0.100

28 Тверская область 0.228 -0.038 69 Карачаево-Черкесская Республика 0.369* 0.103

29 Рязанская область 0.246 -0.020 70 Иркутская область 0.375* 0.109

30 Брянская область 0.250 -0.017 71 Республика Марий Эл 0.376* 0.110

31 Владимирская область 0.257 -0.009 72 Республика Дагестан 0.387* 0.120

32 Воронежская область 0.258* -0.008 73 Республика Северная Осетия - Алания 0.393* 0.127

33 Орловская область 0.262 -0.005 74 Томская область 0.393* 0.127

34 Костромская область 0.267 0.001 75 Алтайский край 0.393* 0.127

35 Республика Тыва 0.268 0.002 76 Ярославская область 0.399* 0.133

36 Оренбургская область 0.270 0.003 77 Красноярский край 0.406* 0.140

37 Чеченская Республика 0.270 0.004 78 Чувашская Республика 0.414* 0.148

38 Ивановская область 0.273 0.006 79 Омская область 0.423* 0.157

39 Республика Калмыкия 0.273 0.007 80 Вологодская область 0.434* 0.167

40 Ненецкий автономный округ 0.274 0.007 81 Кировская область 0.444* 0.178

41 Чукотский автономный округ 0.276 0.009 82 Кабардино-Балкарская Республика 0.448* 0.181

Примечание. Символом * отмечены отличающиеся от 0 оценки факторат' +т-и отличающиеся от среднего значения (0.266) оценки регионального фактора и - (все отличия — на уровне значимости 10%).

i Надоели баннеры? Вы всегда можете отключить рекламу.