Статистическая связь между уровнем легализации криминальных доходов, инвестиционным климатом и инновационным потенциалом регионов Российской Федерации

Введение. Декларация инновационного развития, увеличения доли высокотехнологичной продукции в ВВП страны одновременно с обеспечением роста благосостояния населения неизбежно выводит на проблему оптимального соотношения между распределением на потребление и накопление национального дохода. В настоящее время наблюдается отрицательный прирост инвестиций в основные средства, база для улучшения благосостояния зависит от конъюнктуры мирового рынка углеводородов. Скрытым резервом решения поставленных задач стратегии долгосрочного развития являются ресурсы теневой экономики, объем которой оценивается от 15 до 40 % ВВП Российской Федерации [1]. Выявить угрозы и уязвимости в легализации криминальных доходов после их делегализации из программ, финансируемых из бюджета, позволяют предложенные подходы к формированию решений по направлению финансирования в предприятия ракетно-космической отрасли в разрезе федеральных округов. В статье описаны факторы и приведен расчет регрессии уровня инвестиционного климата, а также уровня инновационного потенциала на уровень легализации криминальных доходов в целях повышения эффективности принимаемых инвестиционных решений, финансируемых из бюджета.

Инвестиционный климат как фактор вывода средств за границу Российской Федерации. России необходим переход на инновационный путь развития, выведение страны в число ведущих мировых экономик с высоким уровнем благосостояния, развитой инфраструктурой, существенной долей высокотехнологичного сектора в ВВП страны. Особенно актуальны эти задачи для регионов с высокой долей предприятий военно-промышленного комплекса, включая ракетно-космическую отрасль [2].

Необходимым условием реализации данных задач являются масштабные инвестиции в производства, новые технологии, обучение. Однако на сегодняшний день доля инвестиций в основной капитал в ВВП составляет 20,6 %, а для реализации задач по модернизации экономики ее необходимо увеличить до 25 %, а в дальнейшем – до 30 %.

Десятого октября 2012 г. Федеральной службой государственной статистики Российской Федерации в 80 субъектах Российской Федерации проведено выборочное обследование инвестиционной активности организаций, осуществляющих деятельность по добыче полезных ископаемых, в обрабатывающих производствах, производстве и распределении электроэнергии, газа и воды. В нем приняли участие 10,3 тыс. организаций.

Обследование осуществлялось на основе формы федерального статистического наблюдения № ИАП «Обследование инвестиционной активности организаций», утвержденной приказом Росстата от 14.08. 2008 г. № 189 [3].

Основной целью обследования являлось получение информации об инвестиционной активности организаций в 2012 г. и инвестиционных намерениях предпринимателей на 2013 г. Результаты обследования были распространены на всю совокупность единиц статистического наблюдения.

По результатам проведенного обследования в 2012 г. инвестиции в основной капитал осуществляли 94 % организаций, не относящихся к субъектам малого предпринимательства, и 48 % малых предприятий (без микропредприятий).

Высокая инвестиционная активность наблюдалась в республиках Саха (Якутия), Хакасия, Башкортостан, Чукотском автономном округе, Оренбургской и Псковской областях, где инвестиции в основной капитал осуществляли свыше 94 % организаций.

Среди субъектов с низкой инвестиционной активностью числятся: Амурская область, где инвестиционная деятельность зафиксирована у 57 % организаций, Ивановская область (70 %), Республика Алтай (78 %), Приморский край (88 %).

Российский рынок капитала носит спекулятивный характер. Российские банки, как правило, в 2013 г. реализовывали крупные проекты с помощью схем государственно-частного партнерства с использованием средств госкомпаний и бюджета [4].

В силу того, что многие банки отошли от кредитования инвестиционных проектов в пользу вложений в корпоративные облигации, более уязвимые для отмывания криминальных доходов, то навыки проектного финансирования реальной экономики нарабатываются на основе «круговорота капитала» [5], экспорта капитала в офшоры и реэкспорта в российские инвестиционные проекты (рис. 1, 2).

Рис. 1 .Структура прямых иностранных инвестиций в 2013 г. в Российскую Федерацию

Рис. 2. Структура прямых инвестиций из Российской Федерации в 2013 г. за границу

По объемам вывода средств за границу единоличным лидером является ЦФО. По статистике Банка России [6] вывод средств за границу образуется на 87 % резидентами г. Москвы, на 10 % – резидентами Тюменской области и на 4 % – резидентами г. Санкт-Петербурга (рис. 3), что больше 100 % сальдо, так как есть единственный Сибирский федеральный округ, в котором в 2013 г. наблюдался ввоз капитала, удельный вес в этом показателе Красноярского края – 95 % (табл. 1).

Ключевыми проблемами экономического развития в России представители бизнеса называют коррупцию, неэффективность государственного аппарата, высокие налоговые ставки. Все эти факторы способствуют неэффективному распределению ресурсов страны и препятствуют росту конкурентоспособности.

Негативным моментом для инвестиционного климата является снижение количества трудоспособного населения.

Стоит отметить, что политическая и криминальная нестабильность в ряде регионов перевешивает все возможные выгоды от инвестиций. В некоторые регионы РФ инвесторы не инвестируют по причине криминализации и коррумпированности местной власти.

В России многие официальные процедуры забюрократизированы и отнимают время, в связи с этим для быстрого выполнения или решения каких бы то ни было проблем нередко, по гипотезе исследования, для ускорения процесса приходится использовать связи и взятки, теневой наличный оборот в сфере легализации криминальных доходов.

Институциональные проблемы судебной системы в виде нехватки кадров и независимости не позволяют эффективно урегулировать корпоративные споры, инвесторы жалуются на недостаточную либерализацию рынков.

Перечисленные факторы являются основными. Они оказывают решающее воздействие на принятие решений об инвестировании капитала российскими и зарубежными инвесторами. Указанные факторы формируют инвестиционный климат страны и отдельных регионов.

В мае 2014 г. были опубликованы результаты рейтинга инвестиционного климата в Субъектах Российской Федерации, составленного по инициативе общественных организаций «Деловая Россия», «Опора России», «Российский союз промышленников и предпринимателей», ННО «Торгово-промышленная палата Российской Федерации», АНО «Агентство стратегических инициатив на основе опросов и статистической информации ФОИВ» [7] (табл. 2, 3).

По данным Росстата, методика расчетов которого существенно отличается от методики расчетов Банка России, в 2013 г. в Россию поступило 20,1 млрд долл ПИИ (119,6 % относительно уровня 2012 г.), при этом 8,9 млрд долл (или 44 % от общего объема) имели офшорное происхождение [8].

Инновационный потенциал как фактор развития криминальных технологий анонимности платежей и отмывания доходов в виде виртуальных валют. На сегодняшний день для России характерно заметное расслоение регионов по уровню их инновационного развития. В качестве подтверждения приведены результаты исследования инновационной активности в российских регионах, проведенного экспертами Ассоциации инновационных регионов России (АИРР).

По итогам исследования АИРР был сформирован рейтинг инновационного развития регионов России [9].

Рейтинг формировался по публикуемым данным Росстата, Роспатента, с учетом валового регионального продукта, использованы данные фонда «Общественное мнение». Структура и система показателей рейтинга: показатели организованы в двухуровневую иерархию, они агрегируются в общий показатель – индекс инновационного развития регионов России (ИИРР).

Таблица 1

Вертикальный анализ вывода средств из Российской Федерации в 2013 г.

Субъекты Российской Федерации	2013 г.
	Сальдо		Платежи из РФ		Платежи в РФ
Всего по Российской Федерации в том числе:	86712		162530		75818
Центральный федеральный округ	75840	87,46 %	126881	78,07 %	51041	67,32 %
Московская область	–1542	–1,78 %	4694	2,89 %	6236	8,23 %
г. Москва	75836	87,46 %	117154	72,08 %	41318	54,50 %
Северо-Западный федеральный округ	3220	3,71 %	9091	5,59 %	5872	7,74 %
г. Санкт-Петербург	3511	4,05 %	6693	4,12 %	3183	4,20 %
Южный федеральный округ	504	0,58 %	636	0,39 %	132	0,17 %
Северо-Кавказский федеральный округ	175	0,20 %	225	0,14 %	49	0,07 %
Приволжский федеральный округ	2425	2,80 %	4644	2,86 %	2219	2,93 %
Уральский федеральный округ	9281	10,70 %	10689	6,58 %	1407	1,86 %
Тюменская область	8390	9,68 %	8418	5,18 %	28	0,04 %
Сибирский федеральный округ	–7109	–8,20 %	5858	3,60 %	12966	17,10 %
Красноярский край	–6799	–7,84 %	4871	3,00 %	11670	15,39 %
Дальневосточный федеральный округ	506	0,58 %	886	0,54 %	380	0,50 %

Таблица 2

РЕЗУЛЬТАТЫ РЕЙТИНГА – ИНТЕГРАЛЬНЫЙ ИНДЕКС
Регион	Рейтинг
Калужская область, Ульяновская область, Красноярский край, Республика Татарстан, Костромская область	I
Тульская область, Краснодарский край, Томская область, Алтайский край	II
Владимирская область, Ростовская область, Челябинская область, Ленинградская область	III
Самарская область, Хабаровский край, г. Москва, Республика Саха (Якутия)	IV
Свердловская область, Ставропольский край, г. Санкт-Петербург, Приморский край	V

Рис. 3. Сальдо платежей из/в Российскую Федерацию по субъектам РФ, в которых зарегистрированы резиденты, в 2013 г. (участие в капитале, реинвестирование доходов, долговые инструменты)

Результаты национального рейтинга состояния инвестиционного климата в субъектах РФ (сводная таблица)

Таблица 3

Состояние инвестиционного климата в федеральных округах РФ

Округ	Средний рейтинг	Ранг
ЦФО	2,50	3,5
СЗФО	3,00	5
ПФО	2,00	2
ЮФО	2,50	3,5
СКФО	5,00	8
УФО	4,00	6
СФО	1,67	1
ДФО	4,33	7

Каждый показатель относится к одному из трех типов:

– потенциал в создании инноваций (вес 20 %);

– потенциал коммерциализации инноваций (вес 30 %);

– результативность инновационной политики (вес 50 %).

Агрегированный индекс рассчитывается как I = = 0,2K1 + 0,3K2 + 0,5K3.

Эксперты Ассоциации разделили все субъекты РФ на пять групп: «сильные инноваторы» (до 11 места включительно), «среднесильные» (до 34 места включительно), «средние» (до 57 места включительно) и «среднеслабые» (до 83 места). Позиции, занимаемые регионами в каждой выделенной группе, определялись значениями базовых показателей, наиболее емко характеризующих состояние инновационной сферы различных территорий.

В табл. 4 представлены рейтинги федеральных округов как суммарные рейтинги входящих в них субъектов Федерации.

Анализ рейтинга инновационного развития регионов России, а также результатов распределения регионов в соответствии с достигнутыми ими значениями основных показателей, характеризующих результаты инновационной активности, позволил сделать следующие выводы:

• 1.    Регионы России по уровню развития инновационной деятельности и обеспеченности инновационного процесса необходимыми ресурсами развиты крайне неоднородно [10].

• 2.    Наибольшая часть инновационно активных регионов сосредоточена в Центральном федеральном округе (г. Москва и Московская, Калужская и Ярославская области), Приволжском федеральном округе (Нижегородская, Самарская, Саратовская области, Пермский край, Чувашская Республика и Республика Татарстан), а также – в Сибирском федеральном округе (Томская, Новосибирская, Омская области). В СевероЗападном федеральном округе выделяются г. Санкт-

• Петербург и Ленинградская область. Гипотеза исследования предполагает, что эти регионы являются кластерами киберпреступлений.

• 3.    К числу основных факторов, стимулирующих киберпреступления в регионах, следует отнести:

Среди регионов выделяется ТОП-15 территорий, аккумулирующих большую часть финансовых, кадровых и т. д. ресурсов. Они характеризуются высокими показателями инновационного развития. Гипотеза исследования предполагает позитивную связь регионов с киберпреступлениями в легализации криминальных доходов и негативную связь с преступлениями по незаконной банковской деятельности в форме обналичивания на основе фиктивной деятельности.

• -    наличие крупных НИИ и университетов, формирование инновационно-промышленных кластеров;

• -    кадровая обеспеченность и возможность выбора квалифицированных специалистов на рынке;

• -    лучшая (по сравнению с другими регионами) обеспеченность финансовыми ресурсами, более широкая доступность альтернативных форм финансирования высокорисковых инновационных проектов (венчурные фонды и другие подобные институты);

• -    уровень инфраструктурной и социальнобытовой обеспеченности выше, чем в большинстве других регионов.

• 4.    Преимущественная часть субъектов РФ относится к группе регионов с относительно невысокими показателями инновационного роста. Около трети регионов демонстрируют крайне низкие результаты развития сферы исследований и разработок и по гипотезе исследований являются базой для традиционных способов легализации криминальных доходов: фирмы однодневки, массовые адреса, массовые директора и др. (к таким регионам в первую очередь относятся субъекты Южного федерального округа и СевероКавказского федерального округа).

• 5.    Невысокие показатели развития киберпреступлений в большей части данных территорий обусловлены следующими факторами:

• -    слаборазвитая промышленная база регионов либо превалирование отраслей, относящихся, как правило, к невысокому технологическому уровню производства;

• -    как правило, данные регионы являются регионами-донорами, т. е. применяется дотационный принцип финансирования местных бюджетов, которые, соответственно, создают уязвимость с точки зрения хищений с последующей легализацией доходов, полученных преступным путем;

• -    отсутствие стимулов и мотивации для инновационного развития;

• -    низкий уровень развития социально-бытовых условий инновационной сферы;

• -    нехватка профильных специалистов.

Таблица 4

Рейтинг инновационного развития федеральных округов Российской Федерации

Наименование федерального округа	Совокупный рейтинг	Ранг
ЦФО	8,39	1
СЗФО	4,29	3
ПФО	6,95	2
ЮФО	2,18	7
СКФО	1,81	8
УФО	2,34	6
СФО	4,28	4
ДФО	2,77	5

Для статистического анализа был взят рейтинг инновационного развития Ассоциации инновационных регионов России с данными за 2010–2011 гг. С учетом длительности жизненного цикла информационных технологий эти данные были использованы для статистического исследования влияния на уровень легализации криминальных доходов в 2013 г.

На основе рейтинга инновационного развития регионов России (обзор АИРР «Показатели и рейтинги инновационного развития регионов в Европейском Союзе и России» [11]) построен сводный рейтинг для федеральных округов суммированием рейтингов субъектов Федерации, входящих в округ (табл. 4).

Инновационный потенциал региона согласно гипотезе исследования косвенно создает базу для криминальных инноваций. Криминальные инновации в сфере финансов – это передовые технологии (цифровые), внедрение которых обеспечивает качественное развитие криминального бизнеса. Они являются связующим звеном между научно-техническим прогрессом и жизнью преступного сообщества. Криминальные инновации служат залогом интенсивного развития технологий преступлений, в частности технологий легализации преступных доходов, и непосредственно качества криминальной деятельности.

К информационным технологиям, определяющим инновационное развитие финансовой сферы, относятся:

• 1.    Мобильные технологии, беспроводные сети – предоставление банковских услуг в любое время и из любого места, удаленный доступ к серверу, повышение доступности банковских услуг. В 2015 г. 1,3 млрд человек будут работать дистанционно, в 2016 г. будут созданы мобильные корпорации. Мобильные технологии позволяют анонимно с помощью разового кода обращаться к электронному кошельку, обналичивать или переводить денежные средства [12].

• 2.    Технологии больших данных – потребительское кредитование, ведение кредитных историй, скоринговые системы определения уровня кредитоспособности. Технологии позволяют управлять большим числом номерных счетов, открытых анонимно.

• 3.    Робототехнологии – компьютерные программы для управления инвестиционными решениями на глобальных рынках ценных бумаг и рынке Форекс, искусственный интеллект, осуществляющий осознанный выбор. Технологии позволяют совершать анонимные сделки или управление денежными средствами, в том числе в криминальных целях.

• 4.    Облачные технологии, размещение баз знаний в Интернете с возможностью обмена, планирования, учета, избирательного поиска, обновления. Внешняя память, позволяющая избежать изъятие информации с физических носителей.

• 5.    Платежные системы на основе виртуальных валют, фиатные валюты, цифровые валюты. Средство ухода из реальной валюты в виртуальную с последующей обратной конвертацией с высоким уровнем анонимности [13].

Мобильные и облачные технологии – самые перспективные в настоящее время для развития финансового сектора.

К 2020 г. 60 % технической базы устройств составят беспроводные модемы. Технологии становятся не только средством, но также и услугой, предлагаемой провайдерами.

Легализация криминальных доходов. Новые цифровые финансовые продукты предоставляют возможности для развития киберпреступлений.

Основная цель высокотехнологичных преступлений состоит в нарушении тайны персональной или частной информации, воровство секретов и денег, блокирование работы технических систем.

Финансовый доход – основной движущий стимул киберкриминала и инновационного капитала.

В 2013 г. меры надзорного реагирования были применены к 115 банкам в виде ограничений или запретов на осуществление отдельных операций, которые, по мнению регулятора, считаются сомнительными, связаны с обналичиванием денежных средств и выводом средств за границу [14].

Вопрос соблюдения кредитными организациями требований законодательства в области ПОД/ФТ рассматривался в ходе 419 проверок Банка России.

Вскрыты нарушения законодательства и обстоятельства, свидетельствующие о ненадлежащем управлении кредитными организациями риском легализации (отмывания) доходов, полученных преступным путем, в том числе отмечены многочисленные факты несоответствия правил внутреннего контроля банков по ПОД/ФТ требованиям законодательства, установлена вовлеченность ряда кредитных организаций в проведение сомнительных операций различного характера [15].

В 2013 г. в отношении 415 кредитных организаций было возбуждено 1233 дела об административных правонарушениях по статье 15.27 КоАП, в том числе 457 дел – в отношении должностных лиц. Если учесть что на 01.01.2013 г. количество действующих кредитных организаций составляло 956 [14], то 43 % кредитных организаций допускали правонарушения в сфере ПОД/ФТ (рис. 4).

Анализ показывает снижение во втором полугодии 2013 г. по сравнению со вторым полугодием 2012 г. объема сомнительных операций. Объем, который фиксирует Банк России, связанный с выводом денежных средств за рубеж, снизился более чем в два раза, а объем операций с наличными денежными средствами, соответственно, более чем на треть [15].

Накопленная статистика отзыва банковских лицензий [16] с учетом общего количества банков, имеющих регистрацию в субъектах федерального округа, позволяет определить рейтинг уязвимости региона в сфере легализации криминальных доходов (табл. 5).

Таким образом, нами определены функция и факторы для статистического исследования. Показателем функции легализации криминальных доходов является отзыв банковских лицензий за нарушения в сфере ПОД/ФТ. Фактор вывода денежных средств за границу – инвестиционный климат, фактор незаконного проведения сомнительных операций в сфере наличного обращения – инновационный потенциал. Оба фактора по гипотезе имеют обратную связь с функцией.

Проверка гипотезы состоит из двух частей. Первое предположение – чем хуже инвестиционный климат, тем выше уровень легализации криминальных доходов, выражаемый уровнем транзитных операций, связанных с выводом денежных средств за границу, второе предположение – чем ниже уровень инновационного потенциала, тем выше уровень легализации криминальных доходов, выражаемый уровнем незаконного обналичивания денежных средств.

Проведем проверку гипотезы о статистической связи между уровнем легализации криминальных доходов и уровнем инвестиционного климата, в качестве измерителей уровней используется рейтинговая оценка (табл. 6).

Рассмотрим показатели регрессионной статистики, характеризующие точность модели для имеющихся исходных данных (рис. 5). Коэффициент парной корреляции R показывает умеренную надежность формулы, близкую к сильной. Данными модели можно пользоваться для прогнозирования и подготовки решений по финансированию ракетно-космической отрасли в разрезе федеральных округов. Коэффициент R2 показывает качество уравнения регрессии, модель на 42 % объясняет изменения уровня легализации криминальных доходов уровнем инвестиционного климата (связь обратная). Для проверки значимости модели регрессии использована F-статистика для зависимой переменной. Показатель значимости модели F равный 0,08 > 0,05, превышение минимума погрешности не позволяет утверждать, что уравнение в целом значимо для уровня надежности 95 %. Используя функцию Excel «FРАСПОБР», найдено табличное значение критерия Фишера – 5,99, которое больше фактического – 4,42. Проверка значимости коэффициента при независимой переменной уравнения регрессии по P-значению дает результат 0,08, что также превышает минимум погрешности – 0,05. Это означает, что нельзя утверждать с надежностью 95 %, что улучшение рейтинга инвестиционного климата в федеральном округе на 1 снижает на 2,38 % уровень легализации доходов, полученных преступным путем, по показателю отношения отзыва лицензий на банковскую деятельность за нарушение Закона № 115-ФЗ к количеству действующих банков в федеральном округе, но параметры довольно близки к значимым, требуется проведение дальнейших исследований. Вероятность надежности модели 92 %, что не достигает норматива 95 %. Проведем проверку по критерию Стьюдента. Используя функцию Excel «СТЬЮД-РАСПОБР», найдено табличное значение критерия Стьюдента – 2,44 (p = 95 %), 1,94 (p = 90 %), таким образом, только для вероятности 90 % уравнение в целом значимо и значимы его коэффициенты, для вероятности 95 % табличное значение критерия Стьюдента больше фактической t-статистики (2,44 > 2,10), следовательно, нормативное требование значимости для уровня 95 % не выполняется.

Проведем проверку гипотезы о статистической связи между уровнем легализации криминальных доходов и уровнем инновационного потенциала, в качестве измерителей уровней используется рейтинговая оценка (табл. 7).

Уровень легализации криминальных доходов

Таблица 5

Федеральный округ	Количество отозванных банковских лицензий за нарушение Закона РФ № 115-ФЗ в федеральном округе с 02.02.2013 г. по 01.05.2014 г.	Количество банков в федеральном округе на 01.01.2013 г.	Рейтинг уязвимости (2/3)	Ранг
1	2	3	4	5
ЦФО	19	564	0,033688	3
СКФО	7	50	0,14	8
ПФО	4	106	0,037736	4,5
СФО	2	53	0,037736	4,5
УФО	2	44	0,045455	7
ДФО	1	23	0,043478	6
СЗФО	0	70	0	1,5
ЮФО	0	46	0	1,5

Таблица 6

Наименование федерального округа	Средний рейтинг инвестиционного климата ( Х )	Рейтинг уязвимости ( У )
ЦФО	2,50	0,033688
СЗФО	3,00	0
ПФО	2,00	0,037736
ЮФО	2,50	0
СКФО	5,00	0,14
УФО	4,00	0,045455
СФО	1,67	0,037736
ДФО	4,33	0,043478

ВЫВОД ИТОГОВ

Уровень легализации криминальных доходов и уровень инвестиционного климата по федеральным округам за 2013 г. (база парной регрессии)

Регрессионная статистика

Множественный R         0,651322

R‐квадрат                  0,424221

Нормированный R‐квадрат 0,328257

Стандартная ошибка Наблюдения	0,03566 8					FРАСПОБР(0,05;1;6) 5,987378
Дисперсионный анализ
	df	SS	MS	F	Значимо сть F
Регрессия Остаток Итого	1 6 7	0,005621 0,00763 0,013251	0,005621 0,001272	4,420658	0,080196
	Коэффи циенты	Стандар тная ошибка	t‐ статис тика	P‐ Значени е	Нижние 95%	Верхние 95%	Нижние 95,0%	Верхние 95,0%
Y‐пересечение	‐0,03209	0,037543	‐0,85473	0,425506	‐0,12395	0,059774	‐0,12395	0,059774
Переменная X 1	0,023792	0,011316	2,102536	0,080196	‐0,0039	0,051481	‐0,0039	0,051481

Рис. 5. Результаты регрессионного анализа по независимой переменной – уровень инвестиционного климата

Уровень легализации криминальных доходов и уровень инновационного потенциала по федеральным округам за 2013 г. и 2011 г. (база парной регрессии)

Таблица 7

Наименование федерального округа	Совокупный рейтинг инновационного потенциала	Средний рейтинг инновационного потенциала по субъектам	Реверсивный рейтинг, обратный графе 3 ( Х )	Рейтинг уязвимости ( У )
1	2	3	4	5
ЦФО	8,39	0,47	2,15	0,033688
СЗФО	4,29	0,39	2,56	0
ПФО	6,95	0,50	2,01	0,037736
ЮФО	2,18	0,36	2,75	0
СКФО	1,81	0,26	3,87	0,14
УФО	2,34	0,39	2,56	0,045455
СФО	4,28	0,36	2,80	0,037736
ДФО	2,77	0,31	3,25	0,043478

ВЫВОД ИТОГОВ
Регрессионная статистика

Множественный R         0,691485

R‐квадрат Нормированный R‐квадрат Стандартная ошибка Наблюдения

0,478152 0,391177 0,033949 8

Дисперсионный анализ

	df	SS	MS	F	Значимо сть F
Регрессия	1	0,006336	0,006336	5,497602	0,057474
Остаток	6	0,006915	0,001153
Итого	7	0,013251

Коэффи циенты	Стандар    t‐        P‐ тная   статис Значени Нижние  Верхние  Нижние  Верхние ошибка   тика      е      95%     95%    95,0%   95,0%
Y‐пересечение               ‐0,0966 Переменная X 1            0,050585	0,060426  ‐1,59859 0,161028  ‐0,24445 0,051261  ‐0,24445 0,051261 0,021574 2,344696 0,057474  ‐0,00221 0,103375  ‐0,00221 0,103375

Рис. 6. Результаты регрессионного анализа по независимой переменной – уровень инновационного потенциала

Рис. 4. Региональная структура легализации криминальных доходов в 2013 г.

Рассмотрим показатели регрессионной статистики, характеризующие точность модели для имеющихся исходных данных (рис. 6). Коэффициент парной корреляции R = 0,69 показывает умеренную надежность формулы, близкую к сильной. Данными модели можно пользоваться для прогнозирования и подготовки решений по финансированию ракетно-космической отрасли в разрезе федеральных округов. Коэффициент R2 показывает качество уравнения регрессии, модель на 48 % объясняет изменения уровня легализации криминальных доходов уровнем инновационного потенциала (связь обратная). Для проверки значимости модели регрессии использована F-статистика для зависимой переменной. Показатель значимости F равный 0,057 > 0,05 не позволяет утверждать, что уравнение в целом значимо. Используя функцию Excel «FРАСПОБР», найдено табличное значение критерия Фишера – 5,99, которое больше фактического – 5,50. Проверка значимости коэффициента при независимой переменной уравнения регрессии по P-значению дает результат 0,057, что также превышает минимум погрешности 0,05. Это означает, что нельзя утверждать с надежностью 95 %, что улучшение рейтинга инновационного потенциала федерального округа на 1 снижает на 5,06 % отношение количества отозванных лицензий на банковскую деятельность за нарушение Закона № 115-ФЗ к количеству действующих банков в федеральном округе, но параметры довольно близки к значимым, требуется проведение дальнейших исследований. Вероятность надежности модели 94,2 %, что не достигает норматива 95 %. Проведем проверку по критерию Стьюдента. Используя функцию Excel «СТЬЮДРАСПОБР», найдено табличное значение критерия Стьюдента – 2,44 (p = 95 %), 1,94 (p = 90 %), таким образом, только для вероятности 90 % уравнение в целом значимо и значимы его коэффициенты, для вероятности 95 % табличное значение критерия Стьюдента больше фактической t-статистики (2,44 > > 2,34), следовательно, нормативное требование значимости 95 % не выполняется

Заключение. Статистическая проверка гипотезы выявила тенденцию влияния улучшения инвестиционного климата на снижение уровня легализации доходов, полученных преступным путем, коэффициент корреляции для гипотезы 0,65. С вероятностью 90 % улучшение инвестиционного климата на 1 процентный пункт снижает уровень легализации на 0,02 процентных пункта.

Связь между повышением инновационного потенциала региона и снижением уровня легализации криминальных доходов более существенная и значимая, положительный коэффициент корреляции 0,69, регрессия – повышение инновационного потенциала региона на 1 процентный пункт способствует снижению легализации криминальных доходов на 0,05 процентных пункта.

Расчеты по двухфакторной линейной регрессионной модели позволили повысить надежность формулы, коэффициент множественной корреляции достиг значения 0,72. Таким образом, можно констатировать подтверждение гипотезы на уровне выявленной тенденции с вероятностью 90 %.

Acknowledgments. This work was supported by the Plekhanov Russian University of Economics.