Анализ панельных данных как инструмент сравнения региональных экономических систем (на примере регионов ДВФО)
Автор: Бушин П.Я.
Журнал: Вестник Хабаровской государственной академии экономики и права @vestnik-ael
Рубрика: Математические методы в экономике
Статья в выпуске: 2, 2016 года.
Бесплатный доступ
В статье показана возможность определения индивидуальных различий регионов на основе анализа панельных данных с помощью модели с фиксированными эффектами. Проиллюстрирована возможность обоснования индивидуальных различий, выявленных с помощью модели панельных данных, дополнительным анализом экономик регионов.
Регионы двфо, панельные данные, индивидуальные эффекты, темпы роста
Короткий адрес: https://sciup.org/14319429
IDR: 14319429
Текст научной статьи Анализ панельных данных как инструмент сравнения региональных экономических систем (на примере регионов ДВФО)
Цель исследования состояла в том, чтобы проиллюстрировать возможность проведения сравнительного анализа региональных экономических систем Дальневосточного федерального округа (ДВФО) с использованием анализа панельных данных. Для анализа были использованы статистические данные по 9 регионам ДВФО в течение семи лет [2].
В данном случае не принципиально, за какой период времени бралась информация, так как цель статьи – показать, что панельные денные в принципе могут быть использованы для реализации поставленной задачи.
Перечень и нумерация регионов: 1 – Республика Саха (Якутия), 2 – Камчатский край, 3 – Приморский край, 4 – Хабаровский край, 5 – Амурская обл., 6 – Магаданская обл., 7 – Сахалинская обл., 8 – Еврейская автономная обл., 9 – Чукотский автономный округ.
Анализируемая информация изначально включала пять показателей, характеризующих экономику регионов: инвестиции в основной капитал, стоимость основных фондов, валовое накопление основного капитала, фактическое конечное потребление домашних хозяйств и валовой региональный продукт.

Рисунок 1 – Динамика анализируемых показателей (регионы – время)
Как видно из рисунка 1, динамика изменения этих показателей по годам и регионам совпадает, а матрица парных коэффициентов корреляции (рисунок 2) показывает, что показатели тесно связаны друг с другом. Если моделировать зависимость конечного потребления от остальных признаков, получим, что регрессоры являются мультикол-линеарными, то есть с информационной точки зрения дублируют друг друга, и часть из них при моделировании без потери точности модели можно будет исключить.
Covariance Analysis: Ordinary Date: 01/30/16 Time: 13:56 Sample: 1 7
Included observations: 63
Correlation Probability |
KONPOTR |
INVEST |
OSNFOND |
VALNAKO... |
VRP |
KONPOTR |
1.000000 |
||||
INVEST |
0.713199 |
1.000000 |
|||
0.0000 |
— |
||||
OSNFOND |
0.823653 |
0.734171 |
1.000000 |
||
0.0000 |
0.0000 |
— |
|||
VALNAKOPL |
0.721652 |
0.9 9 9445 |
0.740259 |
1.000000 |
|
0.0000 |
0.0000 |
0.0000 |
— |
||
VRP |
0.874997 |
0.821592 |
0.9279 6 5 |
0.828468 |
1.000000 |
0.0000 |
0.0000 |
0.0000 |
0.0000 |
— |
Рисунок 2 – Матрица парных коэффициентов корреляции
Различные варианты сочетания признаков в регрессионном анализе показали, что более эффективно для решения поставленной задачи использовать анализ зависимости фактического конечного потребления домохозяйств от инвестиций в основной капитал и валового регионального продукта.
Как известно, модели панельных данных со случайными эффектами в большей мере подходят для анализа больших совокупностей на микроуровне, у нас же анализируются все регионы ДВФО (вся генеральная совокупность), а потому для дальнейшего анализа была выбрана модель с фиксированными эффектами с указанными выше регрессорами (рисунок 3).
Как видим, эта модель вполне подходит для дальнейшего анализа (довольно точная (R2=0,896), все оценки значимо отличны от нуля (prob для всех t-статистик < 0,05), и коэффициенты при переменных по знаку соответствуют их экономическому смыслу).
Тест Вальда (рисунок 4) показал, что модель с фиксированными эффектами более предпочтительна, чем обобщённая, (она указана в нижней части этого рисунка) так как вероятность для Chi-square, равная нулю, отклоняет гипотезу о том, что фиксированные эффекты отсутствуют.
Dependent Variable: KONPOTR
Method: Panel Least Squares
Sample: 1 7
Periods included: 7
Cross-sections included: 9
Total panel (balanced) observations: 63
Variable |
Coeffici ent |
Std. Error |
t-Statistic |
Prob. |
INVEST |
348.2501 |
88.60335 |
3.930440 |
0.0003 |
VRP |
0.248 383 |
0.026 334 |
9.4321 1 9 |
0.0000 |
c |
5537 0.94 |
8101.130 |
6.834965 |
0.0000 |
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.896152 Mean dependent var 1 69374.7
Рисунок 3 – Модель с фиксированными эффектами
Redundant Fixed Effects Tests Equation: Untitled
Test cross-section fixed effects
Effects Test Statistic d.f. Prob
Cross-section F 8.163923 (8,52) 0.0000
Cross-section Chi-square 51.256049 8 0.0000
Cross-section fixed effects test equation Dependent Variable: KONPOTR Method: Panel Least Squares
Date: 01/30/16 Time: 16:23
Sample: 1 7
Periods included: 7
Cross-sections included: 9
Total panel (balanced) observations: 63
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
INVEST |
-14.941 54 |
93.52017 |
-0.1 59768 |
0.8736 |
VRP |
0.256685 |
0.031 635 |
8.1 1 3907 |
0.0000 |
О |
91 956.95 |
7290.651 |
12.61300 |
0.0000 |
R-squared |
0.76571 9 |
Mean dependent var |
1 69374.7 |
|
Adjusted R-squared |
0.757910 |
S.D. dependentvar |
68462.1 4 |
Рисунок 4 – Тест Вальда для модели с фиксированными эффектами
Таблица 1 – Фиксированные индивидуальные эффекты по регионам
Номер региона |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Величина эффекта |
4 554 |
4 583 |
6 885 |
3 5607 |
-7 252 |
28 813 |
-87 719 |
3 505 |
-22 679 |
В таблице 1 показаны оценённые индивидуальные эффекты для каждого региона. Как известно, в этих эффектах отражена информация, не зависящая от времени и не учтённая в модели, то есть эффекты отражают индивидуальные особенности каждого региона.
По этим показателям видно, что регионы 1, 2, 3 и 8, а также регионы 7, 9 и 4, 6 могут иметь схожую структуру экономики, поскольку соответствующие фиксированные эффекты близки по величине и знаку. Отличается спецификой 5-й регион – Амурская область. Но это и понятно: специфика структуры экономики этого региона обусловлена высоким удельным весом сельского хозяйства, по сути, сельскохозяйственной специализацией.
Как известно, модели панельных данных не объясняют причину различия в индивидуальных эффектах, они лишь фиксируют наличие различий, и если эти различия присутствуют, то только потому, что это разные регионы. Тест Вальда «зафиксировал» такие различия, и мы можем считать, что экономики регионов различаются. Другой информации такие модели не дают.
Попробуем показать, что сведения о существовании различий можно подтвердить дополнительным анализом экономик этих регионов.
С этой целью для каждого региона за анализируемый период были рассчитаны темпы роста показателей зависимой и независимых переменных (по линейному тренду). Затем их сравнили, а именно то, во сколько раз темп роста регрессоров отличается от темпов роста зависимых переменных (таблица 2).
Таблица 2 – Сравнение темпов роста регрессоров с темпами роста зависимой переменной
Регион |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
vrp/konpotr |
2,14 |
1,33 |
1,80 |
1,17 |
1,52 |
1,74 |
4,05 |
1,20 |
3,57 |
invest/konpotr |
1,03 |
0,55 |
1,35 |
0,75 |
0,96 |
0,53 |
0,40 |
1.05 |
0,35 |
Как видим, валовой региональный продукт в этих регионах рос быстрее, чем инвестиции по сравнению с конечным потреблением, а инвестиции в основной капитал – значимо меньше. В этих показателях различия в структуре экономик не просматриваются. Рассчитаем отношения темпов роста регрессоров (vrp/konpotr) (таблица 3).
Таблица 3 – Сравнение темпов роста регрессоров
регион |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Отношение темпов роста |
2,08 |
2,42 |
1,33 |
1,62 |
1,53 |
3,28 |
10,15 |
1,14 |
10,2 |
В этой информации уже прослеживаются различия в структуре экономик регионов, и эти различия соответствуют различиям в индивидуальных эффектах. Так, величины эффектов первых четырёх регионов различаются незначимо, аналогично мы видим и в таблице 3. Аналогично в 7-м и 9-м регионах: у них индивидуальные эффекты значимо отличаются от таковых в других регионах (темпы роста валового регионального продукта в них существенно больше темпов роста конечного потребления, чем в других регионах).
Отдельная ситуация в 5-м регионе: отношение темпов близко к аналогичному отношению в 3-м регионе, но величины эффектов существенно различаются. Объяснить это можно тем, что экономики этих регионов существенно различаются по основной спецификации – Приморский край (прибрежный регион) и Амурская область (в основном сельскохозяйственное направление). Понятно, что точного соответствия в этих закономерностях искать не приходится, так как эти результаты получены на основе обработки выборочных данных статистическими методами, и различия могут быть уже в пределах статистических ошибок.
Подчеркнём ещё раз, что не следует искать в величинах индивидуальных эффектов причину различий в структурах экономик того или иного региона. Индивидуальные эффекты лишь фиксируют, есть ли различия в регионах и являются ли они значимыми. И если с их помощью зафиксировали, что один регион отличается от другого, то это лишь потому, что это другой регион. Какого-либо смысла в индивидуальных эффектах искать не сле- дует. Они лишь могут указать наличие или отсутствие индивидуальных различий. Выяснение причин таких различий следует искать в подробном анализе экономик этих регионов.
Список литературы Анализ панельных данных как инструмент сравнения региональных экономических систем (на примере регионов ДВФО)
- Вербик М. Путеводитель по современной эконометрике/М. Вербик; научн. ред. и предисл. С. А. Айвазян; пер. с англ. В. А. Банникова. М.: Научная книга, 2008. 616 с.
- Регионы России//www.gks.ru/bgd/reg1 (дата обращения 10.12.2015).