Автокорреляционная модель высокотехнологичного экспорта регионов Российской Федерации
Автор: Красных Сергей Сергеевич
Рубрика: Региональная экономика
Статья в выпуске: 4 т.14, 2020 года.
Бесплатный доступ
В статье на базе данных Федеральной таможенной службы и Российского экспортного центра анализируется экспорт высокотехнологической продукции регионов Российской Федерации. С помощью методов пространственной эконометрики - глобального и локального индекса Морана - выделены территориальные кластеры концентрации высоких и низких значений высокотехнологичного экспорта, обнаружены полюса роста, которые могут выступать катализатором роста для соседних регионов.
Высокотехнологичный экспорт, регионы России, локальный индекс морана, глобальный индекс морана, пространственная автокорреляция
Короткий адрес: https://sciup.org/147232476
IDR: 147232476 | DOI: 10.14529/em200405
Текст научной статьи Автокорреляционная модель высокотехнологичного экспорта регионов Российской Федерации
Развитие высокотехнологического производства является одной из ключевых задач, стоящей на как на национальном, так и региональном уровне, поскольку экспорт высокотехнологичной продукции способен оказывать существенное положительное влияние на уровень и рост ВВП на душу населения [1]. В частности, развитие высокотехнологического экспорта закреплено в «майских» указах президента РФ и обозначено в национальном проекте «Международная кооперация и экспорт». В связи с чем целью данной работы является построение автокорреляционной модели высокотехнологического экспорта регионов России с помощью локального и глобального индекса Морана. Использование данного метода позволит выявить регионы с высокими значениями исследуемого показателя, а также обнаружить регионы, которые потенциально могут стать полюсами роста высокотехнологического производства.
Теория
В исследовании использован глобальный и локальный индексы Морана которые измеряет пространственную автокорреляцию, основанную одновременно на расположении объектов и их значениях. Согласно предложенному набору объектов и связанных с ними атрибутов, метод пространственной автокорреляции оценивает тип пространственных отношений между территориями -кластеризация, дисперсия или они расположены случайно. Этот метод рассчитывает глобальный индекс Морана, а также z-оценку и p-значение, чтобы оценить значимость индекса.
Индекс Морана является одним из самых старых инструментов пространственной автокорреляции. И рассчитывается как [2]:
ПН и
-
1 = rS S wtjZi Zj / S z^ #(i)
° 1 = 1 7 = 1 i = l где zi - отклонение атрибута для i-го объекта от его среднего значения (xi — X); wt - - пространственный вес между объектами i, j, n, - общее количество объектов, - совокупность всех простран- ственных весов:
So =ZLW ij#(2) 1 = 1 7=1
Локальный индекс Морана рассчитывается как:
Xi — X V^n
It = У wij (Xj_X)# (3)
^(X j — X)2 n — 1
X2# (4)
Значения этого индекса обычно находятся в диапазоне от –1,0 до +1,0, где отрицательное зна- чение индекса указывает на отрицательную пространственную автокорреляцию, а положительное значение, соответственно, на положительную пространственную автокорреляцию [3].
Z -оценка индекса Морана рассчитывается как: 7 J — Е ( ) i I (W)
где E ( I) - ожидаемое значение I , а V (I) - дисперсия I , как показано в уравнении:
V (!) = Е(12 ) — Е 2(/)#(6)
Посредством создания весов создаются пространственные смежности. При этом определение соседства основывается на наличии общей границы [4]. Весы между пространственными объектами формируют матрицу пространственных весов, которая отражает интенсивность географических отношений между соседними объектами, то есть расстояние между соседями, протяженность общей границы [5]. На основе чего можно построить пространственную диаграмму рассеивания Морана [6]. Диаграмма рассеивания Морана представлена на рис. 1.
w
Квадрант LH: Автокорреляция данных территорий отрицательная, они имеют низкое значение анализируемого атрибута, окружены территориями с высокими значениями. Данные территории является зоной влияния территорий, входящих в квадрант НН и HL. |
Квадрант НН: Автокорреляция данных территорий положительная, они имеют высокое значение анализируемого атрибута, окружены территориями с высокими значениями. Данные территории не могут стать полюсами роста, т.к. обладают высокими значениями исследуемого показателя. Образуют кластер высоких значений. |
Квадрант LL: Автокорреляция данных территорий положительная, они имеют низкое значение анализируемого атрибута, окружены территориями с такими же низкими значениями. Данные территории не испытывают влияния других территорий. Образуют кластер низких значений. |
Квадрант HL: Автокорреляция данных территорий отрицательная, они имеют высокое значение анализируемого атрибута, окружены территориями с низкими значениями. Данные территории не испытывают влияния других территорий. Данные территории являются полюсами ростами. |
Рис. 1. Диаграмма рассеивания Морана
Результаты
В качестве исходных данных для построения модели брались объемы экспорта верхнего предела несырьевого неэнергетического экспорта, что по общей классификации характеризует данную категорию как экспорт высокотехнологической продукции (табл. 1).
В ходе построения модели, используя гло- бальный индекс Морана, можно заключить следующее: полученная z-оценка говорит о том, что существует тесная взаимосвязь между регионами, и показывает, что распределение между регионами является кластеризированным, а p-значение подтверждает статистическую значимость модели. Результаты пространственной автокорреляции представлены в табл. 2.
Таблица 1
Объем экспорта высокотехнологичной продукции регионов России за 2019 год
№ |
Регион |
Объем экспорта (млн $) |
№ |
Регион |
Объем экспорта (млн $) |
1 |
Москва |
15 049,74 |
43 |
Республика Бурятия |
143,13 |
2 |
Московская область |
6 009,77 |
44 |
Архангельская область |
137,42 |
3 |
Санкт-Петербург |
3 467,70 |
45 |
Ставропольский край |
137,37 |
4 |
Свердловская область |
3 103,18 |
46 |
Кировская область |
127,47 |
5 |
Нижегородская область |
2 047,33 |
47 |
Курская область |
126,46 |
6 |
Новосибирская область |
1 314,85 |
48 |
Новгородская область |
121,32 |
7 |
Ростовская область |
1 115,50 |
49 |
Вологодская область |
119,65 |
8 |
Тульская область |
1 106,83 |
50 |
Орловская область |
117,93 |
9 |
Ульяновская область |
1 085,09 |
51 |
Тюменская область |
89,86 |
10 |
Республика Татарстан |
1 033,57 |
52 |
Ивановская область |
86,86 |
11 |
Приморский край |
1 012,68 |
53 |
Оренбургская область |
74,73 |
12 |
Ленинградская область |
996,19 |
54 |
Костромская область |
73,83 |
13 |
Республика Башкортостан |
984,04 |
55 |
Республика Марий Эл |
73,49 |
14 |
Рязанская область |
973,79 |
56 |
Псковская область |
58,18 |
15 |
Самарская область |
948,43 |
57 |
Томская область |
52,93 |
16 |
Челябинская область |
693,43 |
58 |
Тамбовская область |
47,53 |
17 |
Красноярский край |
607,89 |
59 |
Республика Карелия |
45,5 |
Окончание табл. 1
№ |
Регион |
Объем экспорта (млн $) |
№ |
Регион |
Объем экспорта (млн $) |
18 |
Ярославская область |
557,77 |
60 |
Ханты-Мансийский автономный округ – Югра |
37,63 |
19 |
Удмуртская Республика |
539,92 |
61 |
Хабаровский край |
34,34 |
20 |
Краснодарский край |
479,48 |
62 |
Мурманская область |
33,04 |
21 |
Омская область |
478,28 |
63 |
Республика Коми |
22,21 |
22 |
Калужская область |
476,43 |
64 |
Республика Крым |
17,17 |
23 |
Пермский край |
456,39 |
65 |
Республика Северная Осетия – Алания |
15,19 |
24 |
Владимирская область |
428,9 |
66 |
Республика Дагестан |
15,18 |
25 |
Белгородская область |
428,46 |
67 |
Республика Алтай |
15,04 |
26 |
Алтайский край |
366,39 |
68 |
Кабардино-Балкарская Республика |
11,89 |
27 |
Кемеровская область |
361,21 |
69 |
Ямало-Ненецкий автономный округ |
9,65 |
28 |
Смоленская область |
339,16 |
70 |
Республика Адыгея |
9,51 |
29 |
Иркутская область |
301,82 |
71 |
Забайкальский край |
6,65 |
30 |
Саратовская область |
288,65 |
72 |
Севастополь |
5,51 |
31 |
Липецкая область |
218,3 |
73 |
Амурская область |
4,91 |
32 |
Курганская область |
211,52 |
74 |
Камчатский край |
4,19 |
33 |
Пензенская область |
210,08 |
75 |
Карачаево-Черкесская Республика |
2,79 |
34 |
Волгоградская область |
190,32 |
76 |
Республика Калмыкия |
2,57 |
35 |
Тверская область |
187,05 |
77 |
Республика Хакасия |
2,42 |
36 |
Астраханская область |
181,44 |
78 |
Республика Саха (Якутия) |
2,26 |
37 |
Воронежская область |
179,16 |
79 |
Магаданская область |
1,01 |
38 |
Сахалинская область |
176,76 |
80 |
Республика Ингушетия |
0,68 |
39 |
Брянская область |
168,5 |
81 |
Еврейская автономная область |
0,41 |
40 |
Калининградская область |
167,59 |
82 |
Чеченская Республика |
0,36 |
41 |
Чувашская Республика |
154,46 |
83 |
Чукотский автономный округ |
0,25 |
42 |
Республика Мордовия |
152,12 |
Примечания: Рассчитано автором по официальным данным Федеральной службы государственной статистики:
Таблица 2
Отчет о пространственной автокорреляции субъектов РФ по показателю объема экспорта высокотехнологической продукции
Показатель |
Значение |
Индекс Морана |
0,242673 |
z-оценка |
4,605074 |
p-значение |
0,000004 |
Дисперсия |
0,003060 |
Далее в ходе исследования был проведен анализ кластеров и выбросов на основе локального индекса Морана. Данный метод позволяет определить кластеры высоких значений, кластеры низких значений, и на основе этого определить тип взаи- моотношений между территориями. Графическое отображение результатов данного анализа представлено на рис. 2.
На основе данного анализа можно заключить, что г. Москва, г. Санкт-Петербург, Калужская, Ленинградская, Московская, Нижегородская, Самарская, Тульская, Челябинская области, Республика Татарстан образуют кластер высоких значений (территории HH), данные территории имеют высокое значение исследуемого показателя и могут оказывать положительное влияние на территории LH, находящиеся по соседству.
Архангельская, Белгородская, Брянская, Владимирская, Волгоградская, Вологодская, Воронежская, Ивановская, Калининградская и другие

полюса роста
□ Кластер низких значений, переферия
Рис. 2. Графическое отображение результатов анализа методом локального индекса Морана
регионы, выделенные серым цветом, относятся к территориям LH, они имеют низкое значение исследуемого показателя, но находятся по соседству с регионами, имеющими высокий уровень объема экспорта технологической продукции, их можно охарактеризовать как территории периферии, которые испытывают на себе влияние кластера высоких значений.
Новосибирская, Ростовская и Свердловская области относятся к территориям HL, они имеют высокое значение уровня объема экспорта высокотехнологической продукции, окружены территориями с низким уровнем исследуемого показателя, данные территории являются полюсами роста.
Республика Дагестан, Карачаево-Черкесская Республика, Ставропольский край, Чеченская Республика, Республика Ингушетия, Республика Северная Осетия-Алания, Кабардино-Балкарская Республика, Краснодарский край, Республика Саха (Якутия), Красноярский край и другие регионы, выделенные белым цветом, образуют кластер низких значений (территории LL), что характеризует их как территории, не испытывающие на себе влияния других регионов.
Обсуждение и выводы
Таким образом, можно заключить, что Новосибирская, Ростовская и Свердловская области могут стать полюсами роста экспорта высокотехнологической продукции, а за счет территориального соседства с территориями LH (темный цвет), могут выступать катализатором роста для соседних регионов, но для этого необходимы инвести- ции для создания условий и построения необходимой производственной инфраструктуры.
Статья подготовлена в соответствии с Планом НИР для лаборатории моделирования пространственного развития территорий ФГБУН Института экономики УрО РАН на 2021 год.
Список литературы Автокорреляционная модель высокотехнологичного экспорта регионов Российской Федерации
- Peneder, M. Industrial structure and aggregate growth, Structural Change and Economic Dynamics. 2002. V. 14. P. 427-48.
- Anselin, L. Local Indicators of Spatial Association - LISA. Geographic Analysis. 1995. V. 27. P. 93-115. DOI: 10.1111/j.1538-4632.1995.tb00338.x
- Songchitruksa P., Zeng X. Getis-Ord Spatial Statistics to Identify Hot Spots by Using Incident Management Data. Transportation Research Record: Journal of the Transportation Research Board. 2010. Vol. 2165. P. 42-51. DOI: 10.3141/2165-05
- Красных С.С. Автокорреляционный анализ межрегиональных взаимосвязей в процессах добычи полезных ископаемых в Уральском федеральном округе // Материалы VII Информационной школы молодого ученого. 2019. С. 285-291.
- Павлов Ю.В., Королева Е.Н. Пространственные взаимодействия: оценка на основе глобального и локального индексов Морана // Пространственная экономика. 2014. № 3. С. 95-110.
- Anselin L. The Moran Scatterplot as an ESDA Tool to Assess Local Instability in Spatial Association // In Spatial Analytical Perspectives on Gis in Environmental and Socio-Economic Sciences. 1996. P. 111-125.