CC BY
15
Т. К. Платонова, Т. В. Алексейчик
МЕТОДЫ ФОРМИРОВАНИЯ ИНВЕСТИЦИОННОЙ ПРОМЫШЛЕННОЙ
ПОЛИТИКИ РЕГИОНА
Аннотация
В статье проведен анализ инвестиционных процессов в промышленности Ростовской области. Используются методы статистического анализа и эконометрические методы. Научная новизна заключается в рассмотрении риск-ориентированного подхода к определению стратегий деятельности региона по повышению его инвестиционного потенциала. Полученные рекомендации по проведению анализа экономических показателей могут применяться как в макро-, так и в микроэкономике.
Ключевые слова
Инвестиции, промышленность, эконометрическая модель, корреляционно-регрессионный анализ, метод уравнений статистических зависимостей.
T. K. Platonova, T. V. Alekseychik METHODS OF REGIONAL INVESTMENT INDUSTRIAL POLICY'S FORMATION
Annotation
In article analyse the investment processes in industry of Rostov region. The methods of the statistical analysis and econometric methods are used is given. The scientific novelty of the study is to consider the risk-based approach of identifying strategies to enhance the region's investment potential. The resulting recommendations for the economic factors' analysis can be used both in the macroeconomics and in the microeconomics.
Keywords
Investment, industry, econometric model, correlation and regression analyses, statistical dependence equations' method.
Инвестиции являются важным фактором, определяющим уровень экономического роста и развития предприятий региона и страны в целом. Изучение инвестиционных процессов в экономике вообще и промышленности в частности приобретает особую актуальность в настоящих условиях, когда Российская Федерация нуждается в притоке капитала в экономику. Инвестиционный потенциал региона складывается из производственного, ресурсно-сырьевого, трудового, финансового, инновационного, институционального, инфраструктурного, потребительского потенциала и является количественной характеристикой [1].
Региональный инвестиционный риск также является комплексным показателем, на который оказывают влияние
экономические, финансовые, экологические, социальные, политические, правовые, криминальные и другие риски [2].
Уровни инвестиционного потенциала и риска формируют уровень инвестиционной привлекательности региона.
Исследование инвестиционной привлекательности региона начинается с отбора факторов формирования его инвестиционного потенциала и рисков. Первичных экономических показателей, влияющих на искомый, может быть выделено около сотни. Однако изучение различных экономических, природно-ресурсных, политических, социальных характеристик региона позволяет провести качественный анализ и осуществить отбор наиболее важных факторов для построения эконо-
мико-математических моделей. Временные ряды отобранных показателей должны быть подвергнуты корреляционному анализу для определения их структуры, степени взаимозависимости и возможности построения регрессионных моделей.
В проведенном исследовании в качестве результирующего показателя рассматривается величина инвестиций в основной капитал (INV). Факторные признаки разбиты на 3 группы:
1) показатели инвестиционного потенциала региона:
- валовый региональный продукт (ВРП), млн руб. — VRP;
- объем промышленного производства, млн руб. — PROM;
- сальдированный финансовый результат деятельности предприятий, млн руб. — FIN_REZ;
- торговый оборот, млн руб. — TORG;
2) показатели инвестиционного риска региона:
- кредиторская задолженность на конец периода крупных и средних организаций, млн руб. — KRED_ZADOLG;
- дебиторская задолженность на конец периода крупных и средних организаций, млн руб. — DEBIT_ZADOLG;
1. по ежегодным данным: INVt =
3) показатели инновационного развития региона: KOL_ORG; внутренние затраты на научные исследования и разработки, млн руб. — ZATR_ISSL.
Информационно-эмпирической базой исследования являются ежегодные указанные выше показатели за период 2001-2014 гг. и квартальные за период 2003-2014 гг. по Ростовской области, взятые из периодических сборников Росстата.
Корреляционный анализ этих показателей выявил тенденцию во всех временных рядах, однако наличие коин-теграции между ними, подтвержденное критерием Дарбина-Уотсона, позволяет строить регрессионные модели по исходным данным.
Эконометрическое моделирование является важнейшим инструментом исследования взаимосвязей между показателями. В ходе данного исследования использовались метод наименьших квадратов и метод статистических уравнений зависимостей. В результате исследования инвестиционных процессов были построены следующие группы моделей, описывающих влияние различных факторов инвестиционного риска и потенциала региона на величину инвестиций в основной капитал:
1 19 79,9 1 + 0,3 16 * VRPt_ ! + Et, R2=0,99;
16794,43 + 2 7,2 7 * ZATRJSSLt + Et, R2=0,93;
2
INVt =
I NVt = - 129870, 73 + 1, 3 * P RO Mt + Et, R2=0,88;
= 2 8876 ■ ( 1 + 1, 2 6 ■ draP), К=0,93; /VVIW /55L = 2 62492 .4 ■ ( 1 + 1, 1 ■ dZ4TR JSSi), К=0,88; /VKPR 0M = 2 2 3 61 ■ ( 1 + 5, 7 5 ■ dPR 0M) , К=0,78; INV = 22361 ■ (1 + 0,85 ■ (dvrp + ¿zatrjssl + ^prom) 2. по ежеквартальным данным:
/Wt = 69 79,72 + 0, 147 * D/ T_Z4D ОLGt + et, R2=0,8;
INVt = 2216,7 + 0,152 * KRED
ZAD ОLG ,
+ £,, R2=0,81;
/Wt = 2092,3 + 0, 1 3 3 * TО RG t + et, R=0,79;
/VKF/W ߣz = 7 59 7,9 ■ ( 1 - 4, 5 3 ■ dF/w R£z) , К=0,72;
/VVßЯ5/г Z4D о lg = 7597,9 ■ ( 1 + 283 3 36,08 ■ dD Я5/г z^D olg) , К=0,73;
/^Ш Z4D о LG = 7597,9 ■ ( 1 + 52 7 196,2 7 ■ d^ z^D olg) , К=0,75;
/MW = 7 59 7,9 ■ ( 1 + 1,44 ■ d T0R G) , К=0,74;
/VVFIN rez.to rg = 7 59 7,89 ■ ( 1 + 1,094 ■ ( d FI N REZ + dT0 RG);
INVKREDITZAD0LCIDEBITZAD0LC = 7597,89 ■ (1 + 184290,88 ■
(dKREDIT_ZADOLG + ^-DEBIT _ZADOLG)
(1) (2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10) (11) (12)
(13)
(14)
(15)
(16)
Модели (1), (2), (3), (8), (9), (10) построены методом наименьших квадратов с использованием пакета прикладных программ Econometric Views. Статистический анализ регрессионных моделей проводится при помощи ряда критериев и тестов, в том числе критерия Стьюдента (оценка значимости коэффициентов регрессии), F-критерия (оценка значимости уравнения в целом), коэффициента детерминации (оценка степени соответствия построенной регрессии исходным данным), теста Бреуша-Годфри (проверка на наличие автокорреляции в остатках) и теста Уайта (проверка на гетеро-скедастичность) [3]. Статистический анализ построенных моделей показал, что они адекватно отображают исследуемый экономический процесс: коэффициенты регрессии и уравнения в целом статистически значимы на 5 %-ном уровне значимости, знаки соответствуют экономическому смыслу, автокорреляция и гетеро-скедастичность отсутствуют, коэффициенты детерминации достаточно высоки.
Модели (4), (5), (6), (7), (11), (12), (13), (14), (15), (16) построены в пакете прикладных программ Microsoft Excel методом статистических уравнений зависимостей, который основывается на определении коэффициентов сравнения факторных и результативных признаков путем отношения отдельных значений одноименного признака к его минимальному или максимальному уровню. Он имеет ряд преимуществ по сравнению с традиционными методами регрессионного анализа [4], и качество построенных моделей оценивается с использованием ряда специальных параметров и критериев, наиболее важным из которых является коэффициент устойчивости связи К. Все построенные в рамках данного исследования статистические уравнения зависимостей являются адекватными и имеют высокие коэффициенты устойчивости связей.
Регрессионные модели (1), (2), (3), (8), (9), (10) позволили ранжировать
факторы в зависимости от эластичности инвестиций по этим показателям (в скобках приведено соответствующее значение эластичности):
• для ежегодных данных:
1) объем промышленного производства (2,05);
2) валовый региональный продукт (1,26);
3) затраты на научные исследования и разработки (1,13);
• для ежеквартальных данных;
1) кредиторская задолженность на конец периода крупных и средних организаций (0,94);
2) торговый оборот (0,93);
3) дебиторская задолженность на конец периода крупных и средних организаций (0,8).
Как видно из приведенного ранжирования, воздействие промышленного оборота на величину инвестиций достаточно ощутимо. Также следует отметить, что при увеличении затрат на научные исследования и разработки на 1 % инвестиции в основной капитал растут на 1,13 %, что говорит о важности проведения и научных исследований и их внедрения в промышленное производство области.
Построение многофакторных моделей методом наименьших квадратов невозможно, поскольку для включения в модель требуется более одного фактора. Регрессионный анализ не позволил построить многофакторные модели по ежегодным данным из-за недостаточного количества наблюдений, по ежеквартальным данным — из-за наличия муль-тиколлинеарности. Однако метод статистических уравнений зависимостей позволил построить многофакторные уравнения (7), (15) и (16) и рассчитать доли влияния каждого фактора на результативный признак:
- ВРП за предыдущий период — 67,4 %, затраты на научные исследования и разработки — 12,3 %, объем промышленного производства — 20,3 %;
- сальдированный финансовый результат деятельности предприятий — 24,2 %, торговый оборот — 75,8 %;
- дебиторская задолженность предприятий — 65,1 %, кредиторская — 34,9 %.
Полученные после применения методов экономико-математического моделирования результаты, а именно — значения эластичностей и долей влияния, могут быть применены при построении агрегированного показателя инвестиционной деятельности региона. Предлагается использовать риск-ориентированный подход к определению стратегий деятельности региона по повышению его инвестиционного потенциала:
1. Из форм государственной статистической отчетности формируются временные ряды ежеквартальных (ежегодных) значений основных показателей величины инвестиций и факторов, влияющих на них. Факторы разделяются на три кластера: инвестиционного потенциала, инвестиционного риска и инновационной активности.
2. По каждому ряду данных рассчитывается скользящее среднее значение х (например, за последние 8 кварталов для квартальной отчетности или 4 года для ежегодной) и стандартное отклонение 5.
3. Для текущих значений рассматриваемых показателей определяется уровень потенциального риска. Устанавливаются границы интервалов изменения рассматриваемых показателей, которые служат мерой потенциального риска: чем больше отклонение текущего значения показателя от величины х + 5, тем вьше уровень риска по рассматриваемым показателям. Приняты следующие интервальные зоны, позволяющие определить уровень риска для текущих значений показателей:
а) попадание текущего значения показателя в интервал (0; х + 0,55) отражает минимальный уровень риска, количественная оценка — 0 баллов;
б) попадание текущего значения показателя в интервал (х + 0,55; х + 5) соответствует низкому уровню риска — 1 балл;
в) попадание текущего значения показателя в интервал (х + 5; х + 25) отражает умеренный уровень риска — 3 балла;
г) для текущих значений показателя не меньше величины х + 25 уровень риска рассматривается как высокий с максимальной оценкой в баллах — 5.
На данном этапе для текущего значения каждого результативного показателя рассчитывается уровень потенциального риска, обозначаемый 7;, / — номер результирующего показателя, для текущего значения каждого фактора — уровни риска, обозначаемые 7/т, ] — номер кластера, к которому относится фактор, т — номер фактора.
4. Для рассматриваемого момента времени осуществляется оценка эффективности инвестиционной деятельности по каждому фактору по 10-балльной шкале. Основой оценки конкретного показателя является доля его влияния, полученная методом статистических уравнений зависимостей, и величина эластичности, рассчитанная по параметрам регрессионной модели. Полученные оценки усредняются, и определяются веса А/, у = 1,3 — номер кластера, = 1.
5. Определяются обобщающие уровни риска для каждого из показателей инвестиционной деятельности по формуле Д = ЕДА/ Ет7)™).
6. Определяется оценка интегрального уровня риска по региону по формуле Д = ^^ + £¿7.
Если составить шкалу идентификации уровней риска, то можно идентифицировать уровень риска исследуемого региона.
Предложенная методика позволяют определить уровень каждого вида риска исследуемого региона и выявить направление развития инвестиционной политики как региона, так и отдельного
предприятия. Рассмотренные в работе методы являются универсальными и могут применяться как на макроэкономическом уровне при разработке инвестиционной политики региона или страны, так и на микроуровне при формировании стратегии инвестиционного развития конкретного предприятия.
Библиографический список
1. Калинникова, И. О. Управление социально-экономическим потенциалом региона : учеб. пособие. — СПб. : Питер, 2012.
2. Раевский, С. В., Третьяков, А. Г. Инвестиционная активность в регионе. — М. : Экономика, 2006.
3. Платонова, Т. К. Моделирование и прогнозирование инвестиционных процессов региона (на примере Ростовской области) // Сборник трудов I Всероссийского конгресса молодых ученых. — СПб. : НИУ ИТМО, 2012. — С. 45-51.
4. Платонова, Т. К., Алексейчик, Т. В. Методика исследования инвестиционных процессов региона с применением математических методов на примере Ростовской области // Новые зада-
чи экономики и пути их решения : сб. статей междунар. науч.-практ. конф. (г.Уфа, 20 ноября 2014 г.). — Уфа: Аэтерна, 2014.
Bibliographie list
1. Kalinnikova, I. О. Management of social and economic capacity of region : textbook. — SPb. : Piter, 2012.
2. Rajevskiy, S. V., Tretyakov, A. G. Investment activity in the region. — M. : Economics, 2006.
3. Platonova, T. K. Modeling and forecasting of regional investment processes (by way of the example of Rostov region) // Collection of works of I All-Russian congress of young scientists. — SPb. : ITMO University, 2012.
4. Platonova, T. K., Alekseychik, T. V. Research methodology of local investment processes through application of mathematical methods by way of example of Rostov region // New problems of economy and way of their decision: collection of articles of International scientific and practical conference (Ufa, November of 20, 2014). — Ufa : Aeterna, 2014.
