Многофакторная модель эмпирического анализа экономического развития макрорегионов с учетом потенциала модернизации

Автор: Бараков В.С.

Журнал: Вестник Волгоградского государственного университета. Экономика @ges-jvolsu

Статья в выпуске: 1 (22), 2013 года.

Бесплатный доступ

В статье раскрываются прикладные аспекты проведения многофакторного анализа, позволяющего выявить закономерности экономического развития макрорегионов РФ во взаимосвязи с модернизационными преобразованиями. Проводится факторный анализ исходных признаков показателей по 168 наблюдениям за период с 2000 по 2011 год. В результате проведенного анализа выявлены факторы, обусловливающие реализацию модернизационных преобразований и влияющие на экономическое развитие макрорегионов РФ.

Факторный анализ, многофакторная модель, экономическое развитие, макрорегион, потенциал модернизации региона, корреляционный анализ, анализ главных компонент

Короткий адрес: https://sciup.org/14970930

IDR: 14970930

Текст научной статьи Многофакторная модель эмпирического анализа экономического развития макрорегионов с учетом потенциала модернизации

Развитие экономического пространства России предопределено закономерностями, которые формируются под воздействием большого многообразия факторов. В этой связи целесообразно продолжить формирование соответствующей методической базы, основанной на применении методологии многомерного статистического анализа. Наиболее эффективным и подходящим методом для решения подобных задач является метод главных компонент [7]. Данный подход широко применяется при исследовании влияния институциональных факторов на экономический рост в российских регионах [2, c. 67], выявлении скрытых и обосновании явных закономерностей макроэкономического развития хозяйственных систем [8], установлении зависимостей экономических показателей региона [1] и др.

Разрабатываемая методическая база эмпирического анализа экономического развития макрорегионов с учетом потенциала модернизации преследует цель:

1) выявить закономерности экономического развития в зависимости от модернизаци-
онных преобразований макрорегионов РФ на основе показателей-факторов, характеризующих пространственный и временной аспекты;

2) определить количественное влияние выявленных закономерностей на показатель валового регионального продукта на душу населения.

Отбор показателей-признаков был произведен по макрорегионам на основе учета основных факторов экономического развития. База данных сформирована в соответствии с пространственно-временной выборкой. А именно значения показателей рассчитывались по каждому макрорегиону (МР) за 12 лет наблюдений (2000–2011 гг.). Значения признаков-показателей отобраны на основе статистических сборников «Регионы России» и данных единой межведомственной информационно-статистической системы – indicators/ (см.: [3–6]). Отобранные для анализа показатели-признаки, влияющие на экономическое развитие МР России, и их обозначения следующие: валовой региональный продукт на душу населения (Y, руб./чел.); доля технологических затрат на 1 руб. инновационной продукции (x1, %); уровень экономической активности населения (x2, %); степень износа основных фондов (x3, %); доля персонала, занятого исследованиями и разработками, в общей численности занятого в экономике МР населе- ния (x4, %); удельный вес инвестиций в основной капитал в валовом региональном продукте (x5, %); темп (индекс) роста промышленного производства (x6, %); инвестиции в основной капитал на душу населения (x7, руб./чел.); численность населения с денежными доходами ниже величины прожиточного минимума (в % от общей численности) (x8, %); индекс физического объема инвестиций в основной капитал (x9, %); доля организаций, выполнявших ис- следования и разработки, в общей численности организаций и предприятий (x10, %); доля убыточных организаций в общей их численности (x11, %); доля городского населения в общей численности (x12, %); объем инновационной продукции на одного занятого в экономике МР (x13, руб./чел.).

По исходным 14 показателям и 168 наблюдениям на первом этапе рассчитывается корреляционная матрица (см. табл. 1).

Таблица 1

	Y	x 1	x 2	x 3	x 4	x 5	x 6	x 7	x 8	x 9	x 10	x 11	x 12	х 13
Y	1
x 1	-0,08	1
x 2	0,74	-0,09	1
x 3	-0,07	-0,23	-0,16	1
x 4	0,17	-0,25	0,43	-0,06	1
x 5	0,13	0,17	-0,08	-0,16	-0,64	1
x 6	-0,21	-0,01	-0,13	-0,14	0,06	-0,02	1
x 7	0,91	-0,01	0,67	-0,11	-0,06	0,42	-0,18	1
x ₈	-0,74	0,26	-0,69	0,08	-0,17	-0,21	0,14	-0,68	1
x 9	-0,17	0,07	-0,06	-0,11	-0,07	0,02	0,31	-0,11	0,22	1
x 10	-0,34	-0,07	0,16	-0,17	0,41	-0,41	0,21	-0,30	0,26	0,21	1
x 11	-0,53	0,31	-0,34	0,05	-0,06	-0,31	0,08	-0,51	0,61	-0,03	0,29	1
x 12	0,48	-0,06	0,79	-0,10	0,68	-0,47	-0,03	0,34	-0,37	0,01	0,41	-0,01	1
х 13	0,58	-0,29	0,46	0,18	0,04	0,12	-0,08	0,60	-0,48	-0,08	-0,18	-0,40	0,20	1

Корреляционная матрица

Проведенный анализ коэффициентов корреляции показывает, что выбранные показатели достаточно тесно взаимосвязаны между собой. Некоторые показатели связаны относительно слабо, однако для повышения результативности факторного анализа в проводимом исследовании они учтены. Процедура выделения главных факторов подобна враще- нию, максимизирующему дисперсию (вари-макс) исходного пространства переменных.

В результате компьютерной обработки исходных данных методом главных компонент осуществлен переход от 14 исходных показателей к 4 обобщающим характеристикам (главным компонентам), которые позволяют объяснить более 72 % вариации исходной информации (см. рисунок).

Extraction: Principal components

Value	Eigenvalue	% Total variance	Cumulative Eigenvalue	Cumulative %
1	4,525040	32,32171	4,52504	32,32171
2	2,801706	20,01218	7,32675	52,33390
3	1,569987	11,21420	8,89673	63,54809
4	1,300358	9,28827	10,19709	72,83636!

Рисунок. Результаты факторного анализа:

Total variance – % общей дисперсии; Eigenvalue – собственное значение;

Cumulative – накопительная сумма

Действительная ориентация факторов в факторном пространстве произвольна, поэтому первоначально полученная факторная матрица не позволяет провести содержательной интерпретации выделенных компонент (см. табл. 2).

В связи с этим целесообразно произвести вращение факторной матрицы таким образом, чтобы выбрать простейшую для интерпретации фактурную структуру. Наиболее стандартным методом вращения является метод «варимакс», предложенный Кайзером в 1958 году [9].

Факторные матрицы со значениями вкладов главных компонент в общую дисперсию после вращения приведены в таблице 3.

В результате вращения получены наиболее четко выделенные факторы ввиду перераспределения вклада главных компонент (так как произошло снижение величины вклада первой главной компоненты, то вклад оставшихся трех компонент в отдельности распределился более равномерно).

Таблица 2

Матрица факторных нагрузок до вращения

Variable	Factor 1	Factor 2	Factor 3	Factor 4
¥	-0,932672	-0,079590	0,054090	-0,116404
Х1	0,234671	-0,161332"	0,556923	-0,588834
X2	-0,841529	0,367303	0,189473	-0,111230
хз	0,062720	-0,083850	-0,743447	0,107749
X4	-0,263488	0,823860	-0,129696	0,027011
X5	-0,145321	-0,606154	0,336202	0,069111
XE	0,220464	0,164727	0,392341	0,587648
X7	-0,876042	-0,267617"	0,200054	-0,083068
Ж	0,861810	0,090396	0,010113	-0,060088
Ж	0,186584	0,093862	0,485794	0,531388
ХЮ	0,212430	0,729208	0,213825	0,126188
Х11	0,635480	0,286868	0,016535	-0,403979
Х12	-0,546646	0,744590	0,128933	-0,174988
Х1Э	-0,675335	-0,120764	-0,213919	0,250272
Expl.Var *	4,525040	2,801706	1,569987	1,300358
Prp.Totl	0,323217	0,200122	0,112142	0,092883

* Здесь и в таблице 3 использованы следующие обозначения: Expl. Var. – общая дисперсия; Prp. Totl. – доля общей дисперсии.

Таблица 3

Матрица факторных нагрузок после вращения

Variable	Factor 1	Factor 2	Factor 3	Factor 4
Y	0,927479.	-0,081457	-0,006302	0,160605
X1	-0,111920"	0,160102	0,831521	0,091663
X2	0,797136	-0,495935	0,099869	-0,001637
X3	-0,179736	0,061727	-0,619754	0,393798
X4	0,112261	-0,852894	-0,157737	-0,028460
X5	0,320647	0,793035	0,197005	-0,135208
ХБ	-0,162551	-0,036259	-0,056692	-0,737597
X7	0,926396	0,123835	0,091279	0,064117
XB	-0,850633	0,043055	0,159076	-0,062166
>3	-0,103145	0,026621	0,046150	-0,740619
X10	-0,274643	-0,653070	0,100312	-0,355701
X11	-0,661975	-0,224396	0,354135	0,188747
X12	0,443221	-0,828831	0,130667	0,000957
X13	0,639504	0,026530	-0,410282	0,032515
Expl.Var	4,393794	2,822094	1,509088	1,472115
Prp.Totl	0,313842	0,201578	0,107792	0,105151

Наиболее важное значение представляет собой оценка взаимосвязей исходных показателей с полученными факторами. Проведенная оценка позволяет дать экономическое обоснование выделенным в результате анализа факторам.

Так, такие показатели, как валовой региональный продукт на душу населения; уровень экономической активности населения; инвестиции в основной капитал на душу населения; численность населения с денежными доходами ниже величины прожиточного минимума, на основе которых сформирована компонента F ₁, целесообразно трактовать как человеческий фактор.

Показатели, сформировавшие вторую главную компоненту F ₂, в основном представлены в виде структуры и долей, включают такие показатели, как доля персонала, занятого исследованиями и разработками, в общей численности занятого в экономике МР населения; удельный вес инвестиций в основной капитал в валовом региональном продукте; доля организаций, выполнявших исследования и разработки, в общей численности организаций и предприятий; доля городского населения в общей численности. Исходя из содержания данных показателей определим ее структурный фактор экономического развития.

Совокупность показателей, определивших экономическое содержание третьей глав- IT e ёТ i IT i a ou ( F 3 ), образует фактор, характеризующий инновационную составляющую экономического развития. Такие показатели, как доля технологических затрат на 1 руб. инновационной продукции, объем инновационной продукции на одного занятого в экономике МР, степень износа основных фондов, характеризуют инновационную деятельность в МР. Поэтому данная группа интерпретируется как инновационный фактор экономического развития.

Показатели, формирующие четвертую главную компоненту (F4), отражают их обусловленность инвестиционными источниками финансирования. В частности, степень износа основных фондов, темп роста промышленного производства, индекс физического объема инвестиций в основной капитал, доля орга- низаций, выполнявших исследования и разработки, в общей численности организаций и предприятий в существенной мере зависят от масштабной инвестиционной поддержки. Исходя из этого получает объяснение инвестиционного фактора экономического развития.

Таким образом, в результате экономическое обоснование получила каждая из выделенных четырех главных компонент. Более того, установленные скрытые закономерности служат эмпирическим подтверждением выдвинутой концепции детерминантов-факторов экономического развития модернизационных преобразований макрорегионов РФ.

Список литературы Многофакторная модель эмпирического анализа экономического развития макрорегионов с учетом потенциала модернизации

Зарова, Е. В. Качество экономического роста региона: методологические аспекты статистического исследования/Е. В. Зарова, М. А. Котякова//Вопросы статистики. -2006. -№ 5. -С. 51-61.
Пилясов, А. Политические и экономические факторы развития российских регионов/А. Пилясов//Вопросы экономики. -2003. -№ 5. -С. 67-82.
Регионы России. Социально-экономические показатели-2005: стат. сб./Росстат. -Электрон. текстовые дан. -Режим доступа: http://www.gks.ru/bgd/regl/B05_14p/Main.htm (дата обращения: 28.03.2013). -Загл. с экрана.
Регионы России. Социально-экономические показатели-2007: стат. сб./Росстат. -Электрон. текстовые дан. -Режим доступа: http://www.gks.ru/bgd/regl/B05_14p/Main.htm (дата обращения: 28.03.2013). -Загл. с экрана.
Регионы России. Социально-экономические показатели-2010: стат. сб./Росстат. -Электрон. текстовые дан. -Режим доступа: http://www.gks.ru/bgd/regl/B05_14p/Main.htm (дата обращения: 28.03.2013). -Загл. с экрана.
Регионы России. Социально-экономические показатели-2012: стат. сб./Росстат. -М., 2012. -990 с.
Симчера, В. М. Методы многомерного анализа статистических данных/В. М. Симчера. -М.: Финансы и статистика, 2008. -400 с.
Факторы экономического роста в регионах РФ/С. Дробышевский [и др.]. -М.: ИЭПП, 2005. -277 с.
Kaiser, H. F. The varimax criterion for analytic rotation in factor analysis/H. F. Kaiser//Psychometrika. -1958. -№ 23. -P. 187-200.

Еще

Статья научная