Влияние государственной поддержки на инвестиционную активность в регионах Российской Федерации

Современная динамика российской экономики формирует условия, при которых значительная часть инвестиционной активности зависит от качества государственных механизмов стимулирования. Госу-

ГРНТИ 06.81.25

EDN OEFFAP

Мария Евгеньевна Глухова – менеджмент проектов ООО «Брайт Кейс» (г. Москва). ORCID 0009-0009-1380-2356

Варвара Вадимовна Ластун – ведущий специалист ООО «Газпром переработка». ORCID 0009-0009-0303-4648

Батырова Дарья Кирилловна – кандидат экономических наук, доцент кафедры статистики и эконометрики Санкт-

Петербургского государственного экономического университета. ORCID 0000-0002-3079-5751

дарство создаёт систему финансовых и институциональных инструментов, которые направлены на повышение устойчивости инвесторов к внешним ограничениям и внутренним структурным издержкам. В эту систему входят программы грантов, субсидии, налоговые послабления и другие инструменты, создающие для предприятий возможность расширять инвестиционные проекты при снижении уровня неопределённости. Инвестиционный процесс в регионах развивается неодинаково, что объясняется особенностями их социально-экономической структуры и разным уровнем восприятия стимулов, формируемых государственными мерами. Разрыв между регионами усиливается под воздействием различий в качестве инфраструктурной базы, уровне человеческого капитала и инвестиционного потенциала, поэтому государственные программы стимулирования по своему эффекту оказываются неоднородными.

В целом можно предположить, что масштаб государственной поддержки определяет интенсивность инвестиционного процесса, поскольку увеличивает возможности предприятий к реализации проектов, требующих длительного периода окупаемости. Однако, существует вероятность того, что объём инвестиций зависит не от величины полученных мер поддержки, а от характеристик региональной экономики, которые привлекают дополнительное финансирование. В таком случае наблюдаемая зависимость может отражать действие встречных процессов. Эти предпосылки создают необходимость проведения эмпирического анализа, позволяющего выявить статистически подтверждённую зависимость между государственной поддержкой и динамикой инвестиций. Цель исследования заключается в формировании количественной оценки характера связи между данными показателями и определении условий, при которых государственные инструменты демонстрируют наиболее выраженный эффект.

Материалы и методы

Современные исследования подчеркивают, что государственная поддержка выступает инструментом формирования устойчивых правил функционирования экономических субъектов и трансформации инвестиционной среды. Согласно М.В. Петрову [6], государственные меры, включая субсидии и гранты, оказывают влияние на распределение финансовых потоков, снижая неопределённость и риски при реализации долгосрочных инвестиционных проектов. В условиях высокой волатильности экономики подобные механизмы способствуют стабилизации капитальных вложений и повышают эффективность принимаемых решений.

Анализ инновационной активности малого бизнеса демонстрирует, что институциональная поддержка через бюджетные и внебюджетные инструменты изменяет структуру инвестиционных потоков и обеспечивает дополнительную устойчивость экономической среды [4]. Исследования региональных различий показывают, что специфика территорий существенно влияет на результативность государственных мер, поскольку эффективность программ варьируется в зависимости от уровня инфраструктурного развития, качества регулирования и доступности капитала [1; 7].

Системный подход трактует инвестиционный процесс как результат взаимодействия экономической, финансовой и инфраструктурной подсистем. В частности, государственные меры способны изменять доступность ресурсов, стимулировать инновационные проекты и корректировать структурные диспропорции, что формирует комплексный эффект для экономики регионов. Одновременно исследования указывают на ограничивающие факторы, такие как высокая стоимость заёмного капитала, институциональные барьеры и неопределённость финансовой среды, которые создают дополнительные риски для инвесторов [4]. Учет этих факторов позволяет выявить различия в результативности государственных программ и определить условия максимизации их эффекта.

Методологическая основа исследования строится на количественных подходах, обеспечивающих проверку гипотезы о наличии статистически значимой зависимости между государственной поддержкой и инвестиционной активностью. На первом этапе был применен корреляционный анализ, позволяющий определить направление и силу связи между объёмом бюджетной поддержки и инвестиционными потоками. Для уточнения результатов использована панельная регрессия с фиксированными эффектами, что обеспечивает контроль устойчивых региональных характеристик, формирующихся исторически и оказывающих влияние на инвестиционную среду [3].

Проведённая проверка спецификации подтвердила корректность использования модели с фиксированными эффектами, поскольку региональные особенности коррелируют с ключевыми переменными.

Данная модель позволяет отделить эффект государственной поддержки от стабильных факторов, влияющих на региональную экономику. Сочетание корреляционного анализа и панельной регрессии создаёт комплексную методологическую конструкцию, позволяющую оценить воздействие государственных инструментов на инвестиционную активность с учётом институциональных различий территорий, инфраструктурных особенностей и динамики капитальных вложений. Такой подход обеспечивает аналитическую завершённость исследования и позволяет формировать обоснованные выводы для практических рекомендаций по совершенствованию мер поддержки.

Эмпирическая база исследования сформирована на материалах, охватывающих восемьдесят субъектов Российской Федерации за период с 2019 по 2023 гг. Использование данных пятилетнего интервала позволяет проследить динамику ключевых инвестиционных характеристик регионов и выявить закономерности, возникающие при реализации государственных мер поддержки. Основными источниками информации выступают официальные статистические материалы Федеральной службы государственной статистики, опубликованные в ежегодных сборниках и электронных базах Росстата, сведения Министерства экономического развития Российской Федерации о мерах бюджетной поддержки и мониторинге региональной экономической политики, а также аналитические публикации, посвящённые инвестиционной и инновационной активности субъектов Российской Федерации [1; 4; 7].

Все показатели сгруппированы в соответствии с исследовательской задачей, что обеспечивает сопоставимость данных. В таблице 1 представлены основные переменные, используемые для анализа.

Таблица 1

Перечень показателей для дальнейшего моделирования

Показатель	Обозначение	Единица измерения
Инвестиции в основной капитал	Invest	млрд руб.
Объём государственной поддержки	GovSupport	млрд руб.
ВРП на душу населения	GDPpc	тыс. руб.
Уровень безработицы	Unemp	процент
Доля промышленности в структуре ВРП	IndShare	процент

Предварительная обработка данных включала проверку статистических свойств распределения показателей. Для оценки нормальности применялся критерий Шапиро-Уилка, что соответствует современным эмпирическим методологиям. Результаты проверки показали отсутствие статистически значимых отклонений при уровне значимости выше 0,05, что позволяет использовать коэффициент корреляции Пирсона для количественной оценки силы взаимосвязей между переменными.

Для подтверждения корректности выбранных методов анализа был проведён комплекс статистических проверок. В их число вошёл критерий Шапиро-Уилка, подтвердивший отсутствие существенных отклонений распределений, оценка корреляций между показателями, а также проверка мультиколлинеарности на основе индексов VIF . Сопоставление спецификаций панельных моделей выявило преимущество модели с фиксированными эффектами, что связано с устойчивостью региональных характеристик. Дополнительное включение временных фиктивных переменных подтвердило стабильность значений коэффициентов.

Первоначальный этап исследования включает анализ распределения ключевых показателей, отражающих состояние инвестиционной активности регионов. Рассмотрение описательных характеристик позволяет установить ориентиры выборки и выявить степень вариативности показателей. В таблице 2 представлены значения среднего уровня, минимальных и максимальных значений, а также коэффициентов вариации. Данные рассчитаны на основе массива наблюдений, сформированного по восьмидесяти субъектам Российской Федерации за период с 2019 по 2023 гг. Показатели вариации, представленные в таблице 2, демонстрирует существенные различия между регионами, что подтверждает неоднородность экономических условий и различия в масштабах государственных программ поддержки, отражённых в официальных материалах Росстата и Минэкономразвития России.

Таблица 2

Описательные характеристики выборки (2019-2023 гг.)

Показатель	Среднее	Мин.	Макс.	V , процент
Inves t, млрд руб.	287,4	43,1	982,6	75,1
GovSupport , млрд руб.	38,7	3,4	115,2	69,5
GDPpc , тыс. руб.	622,1	287,5	1180,4	35,4
Unemp , процент	5,4	2,2	10,3	35,2

Источник: расчеты авторов по данным Росстата и Минэкономразвития России.

На следующем этапе было проведено исследование взаимосвязей между ключевыми индикаторами (таблица 3). Корреляционная матрица отражает концентрацию статистически значимых зависимостей, что позволяет сформировать предпосылки для последующего регрессионного анализа. Значения рассчитаны с использованием коэффициента Пирсона, что является общепринятым подходом в исследовательской практике, ориентированной на анализ линейных связей между экономическими переменными.

Таблица 3

Матрица парных коэффициентов корреляции между ключевыми переменными

Показатели	Invest	GovSupport	GDPpc	Unemp	IndShare
Invest	1	0,46	0,39	-0,25	0,28
GovSuppor t	0,46	1	0,41	-0,12	0,19
GDPpc	0,39	0,41	1	-0,33	0,22
Unemp	-0,25	-0,12	-0,33	1	-0,09
IndShare	0,28	0,19	0,22	-0,09	1

Источник: расчеты авторов по данным Росстата и Минэкономразвития России.

Основные результаты и их обсуждение

Результаты показали наличие устойчивой положительной зависимости между объёмом господдержки и инвестиционной активностью регионов ( r = 0,46; p < 0,01). Это означает, что увеличение совокупного объёма государственных ассигнований сопровождается ростом инвестиций в основной капитал. Дополнительно проведён анализ по видам поддержки, позволивший установить более сильную корреляцию между инвестициями и грантовыми формами ( r = 0,53), тогда как субсидии и налоговые льготы демонстрировали умеренные значения коэффициента ( r = 0,41 и r = 0,38 соответственно).

В рамках исследования была построена модель панельных данных с двойными фиксированными эффектами ( Two-Way Fixed Effects model ). Это эконометрический инструмент, который позволяет контролировать как индивидуальную специфику объектов (регионов), так и общие изменения во времени:

Invest_it = a + f>₁GovSupport_it + /S₂GDPpc_it + /S₃Unemp_it + p t + t_t + z_it, где Invest_it - инвестиции в основной капитал в регионе i в год t ; GovSupp^rt_it - объём государственной поддержки; GDPpc i _t - валовой региональный продукт на душу населения; Unemp i _t - уровень безработицы; p i - индивидуальные фиксированные эффекты регионов; i_L - временные эффекты, отражающие макроэкономическую динамику периода; г_и - белый шум.

Коэффициент при переменной GovSuppor t составил 0,21 ( p < 0,01), что свидетельствует о приросте инвестиций на 0,21 млрд руб. при увеличении государственной поддержки на один млрд руб. при прочих равных условиях для конкретного региона в течение пятилетнего периода наблюдений. Проверка на мультиколлинеарность показала удовлетворительные значения: VIF < 3. Таким образом, полученные результаты свидетельствуют о значимости инструментов государственной поддержки для стимулирования инвестиционной активности.

Для уточнения характера влияния государственной поддержки на инвестиционную активность авторами была использована модель панельной регрессии с фиксированными региональными эффектами. Применение такого инструмента позволяет учесть постоянные во времени характеристики регионов, которые не поддаются непосредственному наблюдению, но оказывают влияние на результаты анализа, представленные в таблице 4. Такой методологический подход широко применяется в современной экономической эмпирике и рассматривается как средство повышения корректности оценки параметров моделей.

Коэффициент детерминации показывает, что модель объясняет 47,0% вариации инвестиций в основной капитал в регионе. Коэффициенты при параметрах статистически значимы на уровне α = 0,01 и 0,05 (для безработицы). Полученные результаты подтверждают значимость влияния государственной поддержки: модель демонстрирует устойчивые статистические связи, где экономический рост и господдержка выступают драйверами, а безработица – сдерживающим фактором.

Высокая безработица обычно сигнализирует о снижении спроса и стагнации, что дестимулирует инвесторов. Коэффициент при переменной GovSupport показывает, что увеличение объёма финансовой помощи на один млрд руб. сопровождается ростом инвестиций в основной капитал на 0,21 млрд руб. при прочих равных условиях для конкретного региона. Для полной проверки адекватности модели панельных данных с фиксированными эффектами был проведен дополнительный тест Хаусмана, результаты которого подтвердили, что построенная FE -модель является оптимальной по сравнению с моделью со случайными эффектами ( RE ). Подобная зависимость согласуется с выводами современных работ, анализирующих влияние государственных программ и специализированных субсидий на инвестиционную динамику регионов [1].

Таблица 4

Результаты регрессии (FE-модель)

Переменная	Коэффициент	Ст. ошибка	t -статистика	p -значение
GovSupport	0,21	0,05	4,13	0
GDPpc	0,37	0,11	3,42	0,001
Unemp	-0,19	0,08	-2,31	0,022
Константа	38,5	11,4	3,38	0,001
R ² = 0,47, количество наблюдений = 400

Источник: расчеты авторов по данным Росстата и Минэкономразвития России\

Полученные результаты указывают на наличие устойчивой положительной зависимости между объёмом государственной поддержки и инвестиционной активностью регионов, что согласуется с выводами М.В. Петрова [6] и Наминовой K. и др. [7], отражающих роль бюджетных субсидий и грантов в стимулировании капитальных вложений и инновационной активности. Наиболее выраженный эффект наблюдается в регионах с развитой инфраструктурой и высоким уровнем институциональной зрелости, что подтверждается результатами исследования Ю.В. Симачева и др. [8], где отмечено, что интеграция регионов в глобальные производственные цепочки повышает эффективность распределения субсидий среди промышленных предприятий.

Отрицательная корреляция между инвестициями и уровнем безработицы указывает на то, что активная инвестиционная политика способствует снижению безработицы, что подтверждается данными НИУ ВШЭ о влиянии государственных программ поддержки на инновационные и капитальные расходы бизнеса (cм.: .

Проведенный анализ показал целесообразность использования панельных моделей с фиксированными эффектами для уточнения причинно-следственных связей, учитывая структурные различия регионов и институциональные ограничения, отмеченные в обзоре В.А. Красавиной и Б.Л. Скрынченко [5]. Применение таких подходов позволит выявить закономерности влияния государственной поддержки на инвестиционную активность в условиях геополитических и экономических вызовов [2; 3]. Подтверждено наличие устойчивой положительной связи между объёмом государственной поддержки и инвестиционной активностью субъектов Российской Федерации за период 2019–2023 гг.

Анализ показал, что увеличение бюджетных субсидий и грантов способствует росту инвестиций в основной капитал, а также стимулирует инновационные затраты бизнеса, что подтверждается данными М.В. Петрова [6], Наминовой K., а также информацией НИУ ВШЭ о распределении субсидий и бюд- жетных средств в 2023 г. (cм.: . Эффект государственной поддержки проявляется особенно ярко в регионах с высокой инфраструктурной и институциональной развитостью. Интеграция регионов в глобальные производственные цепочки способствует более эффективному распределению субсидий среди промышленных предприятий, что усиливает результативность государственных мер [6].

Заключение

Анализ подтвердил, что для верификации инвестиционных трендов необходим комплексный метод. Модели с фиксированными эффектами в связке с корреляционным анализом успешно нивелируют смещения, вызванные уникальными особенностями регионов, обеспечивая высокую точность оценки факторов инвестиционного роста. FE -модель автоматически контролирует все ненаблюдаемые характеристики, которые специфичны для региона и не меняются во времени. Государственная поддержка выступает ключевым инструментом формирования стабильной и прогнозируемой инвестиционной политики в современных экономических условиях Российской Федерации. Включение временных фиксированных эффектов в модель панельной регрессии позволяет изолировать влияние макроэкономических шоков 2026 года, таких как рост ставки НДС до 22% и колебания инфляции. Это обеспечивает универсальность модели при оценке инвестиций в основной капитал, позволяя отделить региональную специфику от общефедеральных трендов.