CC BY
28
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
Список использованной литературы:
1. Федеральный закон от 24.07.2007 № 209-ФЗ ст.4 «О развитии малого и среднего предпринимательства в Российской Федерации».
2. Закон РФ от 22 июля 2008 г. N 556 «О предельных значениях выручки от реализации товаров (работ, услуг) для каждой категории субъектов малого и среднего предпринимательства».
3. «Банки и небанковские кредитные организации и их операции» [Текст]: учебное пособие //под редакцией Е.Ф.Жукова, Н.Д.Эриашвили, четвертое издание, переработанное и дополненное, Москва 2012
4. Романов А.Н., Голдырева С.Н. Экономико-правовые механизмы финансирования образования // Народное образование. 2008. N 10. С. 24-31.
5. Романов А.Н. Проблема бюджетной обеспеченности конституционного права граждан РФ на образование // Право и образование. 2007. N 1. C. 15-19.
©Ромашов Н А., 2017
УДК 332.1
И.Р. Руйга
к.э.н., доцент
Институт управления бизнес-процессами и экономики ФГАОУ ВО «Сибирский федеральный университет» г. Красноярск, Российская Федерация
А.А. Ступина к.т.н., профессор
Институт управления бизнес-процессами и экономики ФГАОУ ВО «Сибирский федеральный университет» г. Красноярск, Российская Федерация
ОЦЕНКА ВЛИЯНИЯ ИННОВАЦИОННО-ИНВЕСТИЦИОННОЙ АКТИВНОСТИ МЕТАЛЛУРГИЧЕСКИХ ПРЕДПРИЯТИЙ НА ЭКОНОМИЧЕСКОЕ РАЗВИТИЕ РЕГИОНА
Аннотация
В статье определена роль металлургического комплекса в экономическом развитии Российской Федерации. Выявлены основные проблемы горно-металлургических предприятий на современном этапе. На основе методов корреляционно-регрессионного анализа предложена методика оценки влияния инновационной и инвестиционной активности металлургических предприятий на региональное экономическое развитие. Результаты оценки могут быть использованы региональными органами исполнительной власти для мониторинга инвестиционного и инновационного развития региона в целях совершенствования инструментов и методов реализуемой инвестиционной и инновационной политики.
Ключевые слова
Горно-металлургический комплекс, инновационное и инвестиционное развитие отраслей,
корреляционно-регрессионные модели
Металлургия, традиционно являясь базовой отраслью промышленности, играет ключевую роль в экономике России как поставщик основных конструкционных материалов и индикатор социально-экономического развития. На долю металлургического комплекса приходится 17% общего объема отгруженной продукции собственного производства, 13 % общероссийской выручки от экспорта, в сальдированном финансовом результате доля металлургии составляет около 10%.
Отечественный металлургический комплекс является одним из самых мощных в мире, от результатов его функционирования зависит экономическое положение страны. При этом современный период развития
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
металлургии характеризуется, с одной стороны, спадом производства основных видов продукции, снижением качественных характеристик развития, в том числе моральным и физическим износом основных фондов, низким уровнем инновационной активности. С другой стороны, металлургический комплекс стал одним из самых экспортоориентированных в стране. Происходящие процессы приватизации, реструктуризации привели к значительным организационным изменениям, как в самом комплексе, так и на отдельных предприятиях. В условиях нестабильной экономической и политической ситуации повышается роль региональных органов власти в разработке новых подходов к управлению инвестиционным и инновационным развитием доминирующих отраслей в рамках субъекта Федерации.
Красноярский край является одним из крупнейших в стране промышленных регионов-лидеров по объемам валового регионального продукта (ВРП) и экспорта. Такие результаты достигнуты, прежде всего, за счет сформированного в период реформ экспортоориентированного металлургического комплекса, а также за счет активной реализации в середине двухтысячных годов инвестиционного проекта по освоению Ванкорского нефтегазового месторождения.
По данным [1] за последние несколько лет в структуре промышленного производства Красноярского края почти 30% составляла добыча полезных ископаемых (в них более 90% - добыча топливно-энергетических полезных ископаемых), более 60% приходится на обрабатывающие производства (в них 70% - продукция металлургического комплекса), около 10% - производство и распределение энергии, газа и воды.
В целом инновационное развитие Красноярского края находится на среднем для России уровне, который, однако, достаточно низок по сравнению с уровнем развитых стран. Величина достигнутых показателей и их динамика не соответствуют целям инновационного развития края.
Стоит отметить, что среди 10 самых крупных компаний только одна относится к высокотехнологичному сектору - «Информационные спутниковые системы» имени академика М.Ф. Решетнева», все остальные представляют цветную металлургию, энергетику и нефтяную промышленность, то есть традиционные отрасли. Для таких компаний основным источником инноваций служат готовые технологические решения, воплощенные в машинах и оборудовании, которые приобретаются за рубежом. Таким образом, экономическое и, как следствие, инновационное развитие региона напрямую зависит от деятельности металлургических и добывающих предприятий.
На современном этапе в отечественной металлургической и добывающей промышленности (в том числе на предприятиях горно-рудного передела) имеется ряд проблем и факторов, затрудняющих их развитие. По данным [2,3] в рамках внутриотраслевых факторов проявляются следующие негативные тенденции:
1. Высокий уровень износа основных промышленно-производственных фондов на ряде предприятий. На данный момент можно констатировать значительное технологическое отставание, препятствующее развитию всей отрасли.
2. Неконкурентность многих видов используемого рудного сырья и ограниченность ряда видов сырьевых ресурсов.
3. Неразвитость сети малых и средних предприятий, производящих широкую номенклатуру металлоизделий в соответствии с требованиями рынка металлопродукции, особенно при реализации инновационных проектов в машиностроении.
4. В виду отсутствия инновационных технологий повышенные, по сравнению с зарубежными предприятиями-аналогами, удельные расходы сырья, материальных и энергоресурсов в натуральном выражении на производство однотипных видов металлопродукции.
5. Низкий уровень производительности труда. Так, например, в 2013 году производительность труда увеличилась всего на 20% против уровня 2007 года. В то же время рост средней заработной платы в 2013 г. увеличился почти в 2 раза.
6. Недостаточное внимание к проблемам охраны окружающей среды на ряде производств, что обуславливает сверхнормативные выбросы вредных веществ в атмосферу и водные бассейны.
7. Низкая восприимчивость предприятий к внедрению инноваций - прежде всего, отечественных.
8. Низкий уровень производства высокотехнологичной продукции, в том числе из редких и
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
редкоземельных металлов.
По мнению авторов, для оценки инвестиционного обеспечения горно-металлургического комплекса необходимо использовать показатели, отражающие активизацию инновационных процессов. При этом система таких показателей должна позволять оценить активизации инновационной деятельности на трех уровнях: 1) предприятия; 2) инновационной и инвестиционной сферы региона; 3) экономического развития региона.
Авторы считают, что система показателей на уровне металлургического предприятия должна соответствовать решению приоритетных задач, заявленных в Стратегии развития черной и цветной металлургии на период до 2030 г., а также может быть скорректирована руководством отдельно взятого предприятия с учетом специфики своей деятельности (например, золотодобыча). Кроме этого, важно при оценке приоритетных инновационно-инвестиционных проектов использовать количественные показатели, позволяющие оценить не только коммерческий эффект для самого предприятия (с точки зрения высокотехнологического производства - подробнее в [4]), но и совокупный эффект для экономики региона.
В определении уровня развития экономики региона особое значение имеют стандартные показатели, оценивающие уровень производства и потребления товаров и рост этого значения в расчете на душу населения (валовой национальный продукт ВНП, валовой внутренний продукт ВВП, реальный ВНП на душу населения, темпы роста этих показателей).
Валовой региональный продукт занимает центральное место среди показателей экономического развития субъектов федерации. Динамика данного показателя находится под существенным влиянием инвестиционного и инновационного процессов.
В системе национальных счетов валовой региональный продукт, характеризующий уровень экономического развития региона, является одним из наиболее важных базовых показателей. Валовой региональный продукт показывает общую величину дохода, полученного экономикой региона в процессе производства, и характеризует стоимость произведенных во всех отраслях экономики товаров и услуг, предназначенных для конечного потребления, накопления и чистого экспорта.
Расчет ВРП производится с некоторыми условными допущениями, так как часть показателей невозможно отнести к какому-то конкретному региону. Технически невозможно и методологически неоправданно распределять между отдельными регионами нерыночные коллективные услуги, оказываемые государственными учреждениями обществу в целом (национальная оборона, государственное управление, проведение общероссийских выборов и референдумов и т.п.). Также в настоящее время не существует методики для адекватного распределения по регионам добавленной стоимости, создаваемой финансовыми и внешнеторговыми посредниками. Поэтому она также включается в валовой внутренний продукт только на федеральном (государственном) уровне. По этой причине валовой внутренний продукт региона на стадии производства рассчитывается как сумма валовой добавленной стоимости всех предприятий региона с поправкой на чистые налоги [5].
В связи с невозможностью распределения ряда показателей между регионами суммарный ВРП регионов меньше валового внутреннего продукта России. Рост валового регионального продукта свидетельствует об экономическом росте в регионе. Для достижения экономического роста необходима активизация в первую очередь инвестиционной и инновационной деятельности, мобилизация инвестиций в инновационное развитие реального сектора экономики и их эффективное использование.
Для поиска и оценки взаимосвязей указанных социально-экономических показателей целесообразно использовать статистические методы на основе рядов динамики за анализируемый период. Из всех существующих методов анализа самым объективным инструментом установления связи является корреляционно-регрессионный анализ, который позволяет количественно выразить взаимосвязь между показателями. В корреляционных связях между изменением факторного и результативного признаков нет полного соответствия, воздействие проявляется лишь в среднем при массовом наблюдении данных.
Одной из основных задач корреляционного анализа является определение влияния факторов на величину результативного признака (в абсолютном измерении). Для решения этой задачи подбирается соответствующий тип математического уравнения, которое наилучшим образом отражает характер изучаемой связи.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
В рамках выполнения данного научного исследования показатель валового регионального продукта является зависимой переменной (результативным признаком - Y). Факторными признаками для ВРП были выбраны следующие:
1) число организаций, выполняющих научные исследования и разработки в данном регионе Xi;
2) внутренние затраты на научные исследования и разработки в регионе X2;
3) объем инновационных товаров, работ, услуг в регионе Хз;
4) объем инвестиций в основной капитал в регионе Х4.
На первом этапе необходимо определить парные коэффициенты корреляции между переменными с помощью функции КОРРЕЛ() Microsoft Excel. Расчет произведен по 82 регионам Российской Федерации, исключение составили Республика Крым и город федерального значения Севастополь. Анализируемый период был ограничен 2002 и 2013 годами, следовательно, количество переменных n = 12. Полученные результаты расчетов были использованы для последующего их анализа.
Для оценки силы связи парных коэффициентов корреляции использовалась шкала Чеддока [6]. Распределение полученных результатов (таблица 1) в соответствии с данной шкалой позволяет сформулировать следующие выводы.
Таблица 1
Распределение регионов в зависимости от величины коэффициента корреляции
Значение коэффициента корреляции Интерпретация Количество регионов
Зависимость XiY Зависимость X2Y Зависимость X3Y Зависимость X4Y
от 0 до 0,3 очень слабая 17 6 25 1
от 0,3 до 0,5 слабая 8 8 10 2
от 0,5 до 0,7 средняя 14 10 18 3
от 0,7 до 0,9 высокая 30 16 16 7
от 0,9 до 1 очень высокая 13 42 5 69
Итого 82 82 74* 82
* у восьми регионов отсутствуют данные для расчетов (примечание автора)
Во-первых, распределение регионов в зависимости от величины коэффициента корреляции показал достаточно большой разброс результатов.
Во-вторых, зависимость валового регионального продукта от числа организаций, выполняющих научные исследования и разработки в данном регионе, характеризуется разнонаправленной зависимостью. В 30 субъектах значение показателя является отрицательной величиной, что позволяет сделать вывод об обратной зависимости. В 25 субъектах РФ взаимосвязь между показателями характеризуется как слабая и очень слабая. Количество регионов с высоким и очень высоким уровнем связи составляет более 50% всего количества субъектов.
В-третьих, зависимость валового регионального продукта от внутренних затрат на научные исследования и разработки в регионе, также характеризуется разнонаправленной зависимостью. В 15 субъектах значение показателя является отрицательным, что позволяет сделать вывод об обратной зависимости. В 14 субъектах России взаимосвязь между показателями характеризуется как слабая и очень слабая. Количество регионов с высоким и очень высоким уровнем связи составляет более 70% всего количества субъектов.
В-четвертых, зависимость валового регионального продукта от объема произведенных инновационных товаров, работ, услуг в регионе, также характеризуется разнонаправленной зависимостью. В 28 субъектах значение показателя является отрицательным, что позволяет сделать вывод об обратной зависимости. В 35 субъектах России взаимосвязь между показателями характеризуется как слабая и очень слабая, это составляет 47% от общего объема анализируемых регионов. Количество регионов с высоким и очень высоким уровнем связи - 21, это составляет более 25% всего количества субъектов.
В-пятых, наиболее стабильные результаты показала зависимость валового регионального продукта от объема инвестиций в основной капитал в регионе, все регионы имеют положительное значение
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
коэффициента корреляции, что указывает на прямую зависимость. При этом количество регионов с высоким и очень высоким уровнем связи составляет 84% всего количества субъектов.
Полученные результаты позволяют судить об адекватности модели зависимости показателей инвестиций в основной капитал и валового регионального продукта. В связи с этим для обоснования эффективности реализуемых в регионе инвестиционных и инновационных проектов с позиции их влияния на экономику региона считаем целесообразным использование коэффициента мультипликации инвестиций, направленных на реализацию региональных инвестиционных и инновационных проектов. Расчет данного показателя проводится поэтапно, исходя из объема аккумулированных инвестиционных ресурсов и взаимосвязи показателей инвестиций в основной капитал и ВРП.
Первый этап. На основе корреляционно-регрессионного анализа определяется зависимость между двумя показателями ВРП и инвестиций в основной капитал, при этом показатель ВРП - зависимая переменная (результативный признак - Y), а инвестиции в основной капитал - независимая, объясняющая переменная (признак фактор - X). Затем было построено несколько моделей.
Первая модель направлена на определение взаимосвязи двух показателей по 82-м субъектам Российской Федерации за период 2002-2013 гг. При этом использовались показатели в сопоставимых ценах для исключения влияния ценового фактора. Преимуществом данной модели является то, что учитываются особенности именно исследуемого региона. Недостаток модели состоит в том, что при прогнозе объемов ВРП будут учтены тенденции предыдущего периода, то есть мультипликация от предлагаемого механизма рассчитывается исходя из сложившихся условий функционирования экономики. Полученные результаты коэффициента мультипликации указывают на то, какой прирост ВРП будет возможен на рубль привлеченных инвестиций в основной капитал данного региона. Рассчитанное уравнение регрессии позволяет определить размер валового регионального продукта за счет вложенных инвестиций в основной капитал.
Вторая модель направлена на определение взаимосвязи показателя инвестиций в основной капитал предприятиями металлургической промышленности и показателя ВРП Российской Федерации за период 2002-2013 гг. Показатель инвестиций в основной капитал по отрасли «Металлургия» был рассмотрен в целом по стране, это обусловлено отсутствием данных в региональном разрезе.
(Примечание авторов: первая и вторая модели являются временными.).
Третья модель построена на взаимосвязи показателей в регионах России (субъектах РФ), как однородных объектов. Критерием однородности в данном случае выступает доля металлургии в структуре валового регионального продукта. За основу для расчетов были взяты данные Государственной службы федеральной статистики [7] по показателю валового регионального продукта, доли обрабатывающей промышленности в структуре ВРП и доли металлургии в структуре обрабатывающей промышленности. Указанные показатели позволили рассчитать долю металлургического производства в структуре ВРП. В соответствии с полученными результатами было проведено ранжирование регионов Российской Федерации по показателю доли металлургии в структуре ВРП (таблица 2).
Таблица 2
Регионы-лидеры по доле металлургии в структуре валового регионального продукта (фрагмент)*
Субъект Российской Федерации Доля металлургии в структуре ВРП, в % Ранг Субъект Российской Федерации Доля металлургии в структуре ВРП, в % Ранг
Липецкая область 20,38 1 Кемеровская область 7,26 7
Вологодская область 19,20 2 Тульская область 5,91 8
Красноярский край 17,93 3 Волгоградская область 5,33 9
Челябинская область 17,53 4 Мурманская область 4,56 10
Свердловская область 14,23 5 Нижегородская область 4,54 11
Республика Хакасия 8,63 6 Белгородская область 4,32 12
*Рассчитано по данным [7]
В отличие от первой и второй модели, которые являются временными, третья модель является пространственной. Для расчетов использовались данные за 2013 г. Из всей совокупности субъектов РФ были отобраны 12 регионов-лидеров (количество переменных соответствует количеству переменных в первой и
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
второй моделях). Такой отбор был необходим в силу высокой дифференциации регионов, что снижает достоверность моделей регрессии.
Четвертая модель. Так как показатели, представленные в официальных данных Государственной службы федеральной статистики, не учитывают горнорудный передел в составе металлургической промышленности, в работе было сделано предположение о необходимости формирования пространственной модели, построенной на взаимосвязи показателей в регионах России (субъектах РФ), как однородных объектов, где критерием однородности выступил объем золотодобычи. За основу для расчетов были взяты данные союза золотопромышленников по объемам добычи золота в регионах в 2013-14 годах, на основании которых было проведено ранжирование регионов. В результате было отобрано 12 регионов-лидеров по объему золотодобычи (таблица 3).
Таблица 3
Добыча золота ведущими российскими регионами в 2013-2014гг. (фрагмент) [8]
Субъекты РФ Значение показателей по годам, кг
2013 2014 Изменение 2014г. к 2013г., %
1. Красноярский край 47326 47188 - 0,3
1. Амурская обл. 30664 31356 + 2,2
2. Чукотский АО* 21361 30377 +42
3. Магаданская обл. 21092 24137 +14
4. Республика Саха (Якутия) 21951 23139 +5,4
5. Хабаровский край* 20416 21282 +4,2
6. Иркутская обл. 20595 20558 -0,2
7. Забайкальский край* 9452 9816 +3,8
8. Свердловская обл. 7604 7863 +3,4
9. Республика Бурятия 5944 6857 +15
10. Челябинская обл. 5300 5573 +5,2
11. Камчатский край 2214 2984 +35
12. Республика Хакасия 2199 2036 -7,4
* с учетом производства золотосодержащих концентратов, реализованных на внешнем рынке
На основе параметров каждой из полученных корреляционно-регрессионных моделей (при этом в рамках первой модели были взяты расчетные параметры Красноярского края), представленных в таблице 4,
были сформулированы следующие выводы.
Таблица 4
Параметры полученных корреляционно-регрессионных моделей
Модель Уравнение регрессии Коэффициент корреляции Коэффициент детерминации Средняя ошибка аппроксимации F-критерий Фишера
Модель 1 Y=240209,4+2,70X 0,964 0,929 13,63 131,24
Модель 2 Y= -1681,6+203,81X 0,871 0,759 20,66 31,49
Модель 3 Y=29477+3,70X 0,932 0,869 20,4 66,43
Модель 4 Y= -21697,61+3,86X 0,945 0,893 25,75 83,43
Согласно первой модели увеличение инвестиций в основной капитал на 1 рубль приводит к увеличению ВРП на 2,7 рубля. Взаимосвязь между показателями очень высокая - значение коэффициента корреляции приближается к 1. Вариация ВРП на 92,9% объясняется вариацией фактора «инвестиции в основной капитал», т.е. наблюдается достаточно высокая зависимость между двумя исследуемыми показателями. Табличное значение критерия со степенями свободы к1=1 и к2=10, Fkp=4,96. Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна). Средняя ошибка аппроксимации имеет показатель 13,63 при допустимом пределе не более 8-10% (ряд источников указывает на уровень допустимого значения в пределах 15%).
Согласно второй модели увеличение инвестиций в основной капитал на 1 рубль приводит к увеличению ВРП на 203,81 рубля. Взаимосвязь между показателями высокая - значение коэффициента корреляции приближается к 0,9. Вариация ВРП на 75,9% объясняется вариацией фактора «инвестиции в основной капитал», т.е. наблюдается высокая зависимость между двумя исследуемыми показателями.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
Табличное значение критерия со степенями свободы k1=1 и k2=10, Fkp=4,96. Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна). Средняя ошибка аппроксимации имеет показатель 20,66 при допустимом пределе не более 8-10%.
Согласно третьей модели увеличение инвестиций в основной капитал на 1 рубль приводит к увеличению ВРП на 3,7 рубля. Взаимосвязь между показателями очень высокая - значение коэффициента корреляции приближается к 1. Вариация ВРП на 86,9% объясняется вариацией фактора «инвестиции в основной капитал», т.е. наблюдается достаточно высокая зависимость между двумя исследуемыми показателями. Табличное значение критерия со степенями свободы k1=1 и k2=10, Fkp = 4,96. Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна). Однако, средняя ошибка аппроксимации имеет показатель на уровне 20,4% при допустимом пределе не более 8-10%.
Согласно четвертой модели увеличение инвестиций в основной капитал на 1 рубль приводит к увеличению ВРП на 3,86 рубля. Взаимосвязь между показателями очень высокая - значение коэффициента корреляции приближается к 1. Вариация ВРП на 89,3% объясняется вариацией фактора «инвестиции в основной капитал», т.е. наблюдается достаточно высокая зависимость между двумя исследуемыми показателями. Табличное значение критерия со степенями свободы k1=1 и k2=10, Fkp = 4,96. Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна). В рамках этой модели средняя ошибка аппроксимации имеет высокой показатель - 25,75% при допустимом пределе не более 8-10%.
На основе параметров каждой из полученных корреляционно-регрессионных моделей, представленных в таблице 4, был сделан выбор в пользу первой модели, так как средняя ошибка аппроксимации находится в пределах допустимых норм.
Для подтверждения обоснованности выбора в пользу первой модели был проведен расчет показателей с количеством переменных n=6, что обусловлено наличием больших расхождений в показателях инвестиций в основной капитал и показателях ВРП в 2002 г. и 2013 г. (в расчет принимались временные модели). Кроме этого, в рамках первой модели был проведен расчет не только по Красноярскому краю, но и по Свердловской и Челябинской областям. Данный выбор обоснован высокими позициями в рейтинге субъектов по долее металлургии в структуре ВРП и по объемам золотодобычи. Полученные результаты сведены в таблицу 5 для дальнейшего анализа.
Таблица 5
Параметры полученных корреляционно-регрессионных моделей с разным значением переменных
Модель 1 n Уравнение регрессии Коэффициент корреляции Коэффициент детерминации Средняя ошибка аппроксимации F-критерий Фишера
Красноярский край 12 Y=240209,4+2,70 X 0,964 0,929 13,63 131,24
6 Y=164765,7+2,91 X 0,895 0,801 8,28 16,16
Свердловская область 12 Y=77500,8+3,93 X 0,987 0,974 5,70 380,29
6 Y= -214363,7+4,89 X 0,962 0,926 3,24 49,795
Челябинская область 12 Y=66308,2+3,94 X 0,971 0,943 7,56 165,89
6 Y=- 286709,2+5,99 X 0,799 0,639 7,52 7,07
Модель 2 12 Y= -1681,6+203,81X 0,871 0,759 20,66 31,49
6 Y= 45800 + 23,98X 0,055 0,003 19,49 0,01
Модель 3 12 Y=29477+3,7X 0,932 0,869 20,4 66,43
6 Y= -52406,4+4,08X 0,942 0,888 31,2 31,62
Модель 4 12 Y= -21697,61+3,86X 0,945 0,893 25,75 83,43
6 Y= -57589,3+3,30X 0,983 0,966 37,99 114,90
По результатам проведенных расчетов можно сделать вывод о целесообразности использования первой модели.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070_
Второй этап. Рассчитанные в рамках первого этапа уравнения парной регрессии могут быть использованы для определения уровня валового регионального продукта при вложении заданного объема инвестиций в основной капитал металлургических компаний. При этом значение ВРП будет получено в ценах 2013 года.
С другой стороны, данные модели могут быть использованы в региональном разрезе для определения необходимого объема инвестиций в основной капитал в целях получения запланированного объема регионального валового продукта.
Применение обоснованной модели подкрепляется наличием объективных преимуществ: во-первых, объективность - оценка осуществляется на базе официальной статистической информации; во-вторых, возможность использования полученных результатов региональными органами государственной власти для мониторинга инновационно-инвестиционного развития региона, а также с целью корректировки инструментов и методов реализуемой инновационной и инвестиций политики.
По мнению авторов, в целях дальнейшего инвестиционного и инновационного развития предприятий горно-металлургического комплекса необходимо совершенствовать систему финансовых инструментов, которые, в свою очередь, необходимо направлять на внедрение современных технологий добычи и обогащения сырья (в т.ч. комплексных руд), развитие высокотехнологичных производств на основе существующих и новых сырьевых переделов.
Отчасти, задача повышения технико-экономических показателей и современной культуры производства в металлургической отрасли в технологии производства металлов может быть успешно решена изменением качества управления за счет применения высокоорганизованных информационных технологий, значительно повышающих квалификацию персонала металлургических цехов. Для достижения этой цели необходимо реализовать управление технологическим процессом, таким образом, когда критерий, по которому производится управление, - количество и качество полученного конечного продукта [9].
Таким образом, сложившиеся условия предъявляют новые требования со стороны государства, а также самих предприятий горно-металлургического комплекса к разработке и реализации механизмов активизации инвестиционной и инновационной деятельности, способных обеспечить повышение эффективности принимаемых инвестиционных решений и, как следствие, обеспечить постоянное инновационное развитие горно-металлургических предприятий и региона в целом. Список использованной литературы:
1. Руйга, И.Р. Мониторинг состояния инвестиционной сферы и реализуемой инвестиционной политики Красноярского края // European Social Science Journal (Европейский журнал социальных наук). - 2015. - № 12. - С. 145-159.
2. Руйга, И.Р. Ключевые факторы и проблемы, сдерживающие развитие отечественной металлургической промышленности // Современные проблемы науки и образования. 2014. № 5. [Электронный ресурс]. - Режим доступа: www .science -education.ru/119-14819
3. Стратегия развития металлургической промышленности России на период до 2020 года [Электронный ресурс]. - Режим доступа: http://www.minpromtorg.gov.ru/ministry/strategic/sectoral/2
4. Белякова Г.Я., Руйга И.Р., Шишкина Н.А. Концептуальные подходы к принятию управленческих решений по оценке инвестиционных проектов создания высокотехнологичных производств // Вестник алтайской науки. - 2015. - № 2 (24). - 229-235.
5. Гришина, И.В. Комплексная оценка инвестиционной привлекательности и инвестиционной активности российских регионов: методика определения и анализ взаимосвязей / И.В. Гришина, А.Г. Шахназаров, И.И. Ройзман // Инвестиции в России. - 2001. - № 4. - С. 5-16.
6. Chaddock R E. Principles and Methods of Statistics (1st Edition). Cambridge: Houghton Miffin Company, The Riverside Press, 1952.
7. Официальный портал Федеральной службы государственной статистики. [Электронный ресурс]. Режим доступа: www.gks.ru
8. Официальный портал Союза золотопромышленников России. [Электронный ресурс]. Режим доступа: http://xn—dtbigbhofajnaedbaahkul3a7lzc2c.xn--p1ai/
9. Кирякова О.В., Ступина А.А., Лапина Л.А., Капустина С.В., Корпачева Л.Н., Гронь Д.Н. Информационная
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №04-1/2017 ISSN 2410-6070
система управления технологическими циклами металлургического производства // Современные проблемы науки и образования. - 2015. - № 2-2. - С. 76.
© Руйга И.Р., Ступина А.А., 2017
УДК 336
К.В. Рябченко
аспирант
Финансовый университет при Правительстве РФ г. Москва, Российская Федерация
ХАРАКТЕРИСТИКА ЛОКАЛЬНОГО РЫНКА НЕДВИЖИМОСТИ. ВЛИЯНИЕ КРИЗИСА НА
ЛОКАЛЬНЫЙ РЫНОК НЕДВИЖИМОСТИ
Аннотация
В статье были определены основные типы недвижимости по назначению. Была дана характеристика локального рынка недвижимости и сформулировано понятие кризисного локального рынка недвижимости
Ключевые слова
Недвижимость, стоимость, муниципальное образование, земля, кризис.
Недвижимое имущество или недвижимость — это материальное благо, которое является основой благосостояния граждан, общества в целом, имеет вещный характер и служит объектом имущественных прав, экономических отношений, поэтому может рассматриваться в разных плоскостях в экономической и юридической науке. Как экономическая категория недвижимость представляет собой физический объект или совокупность объектов, которые зафиксированы в пространстве и осознаются обществом как материальное благо. Такая недвижимость удовлетворяет текущие потребности граждан, корпоративные потребности и приносит общественную пользу.
К недвижимости можно добавить такой самостоятельный объект как имущественный комплекс, который является сложным объектом недвижимости, состоящим из различного имущества, выполняющего конкретные функции. Имущественный комплекс как совокупность объектов имеет рыночную стоимость и является товаром. Имущественный комплекс как сложный объект может быть разделен на составляющие, например, здание (сооружение), землю, при этом он может быть признан делимым, если сохраняется рыночная стоимость каждого входящего в единый комплекс объекта, и каждый из них может рассматриваться как самостоятельный объект инвестирования.
Недвижимость может быть классифицирована на социальную, коммерческую и потребительскую. Социальная недвижимость служит для обеспечения жизнедеятельности территориальных и локальных общественных благ. Коммерческая недвижимость используется для обслуживания объектов предпринимательской деятельности, т.е. при эксплуатации объектов недвижимости данного типа можно осуществлять предпринимательскую деятельность, целью которой является получение прибыли. Потребительская недвижимость независимо от категории собственника служит для удовлетворения потребностей граждан: проживания, отдыха и т.д. Перечисленные классификационные признаки объектов недвижимости важны для анализа рынка недвижимости.
Рынки недвижимости по территориальному фактору подразделяются на локальный рынок, рынок города или района (муниципальный рынок), рынок страны, континентальный рынок и глобальный рынок [2, с. 22].
Одно из ключевых направлений развития экономики регионов — формирование локальных рынков, в том числе локальных рынков недвижимости. Изучение рынка недвижимости на местном уровне способствует пониманию проблемных моментов в его развитии и вариантов регулирования имущественных
