Диссертация (1137932), страница 15
Текст из файла (страница 15)
Но в случаесравнения оценок из сквозной и панельной регрессий она приобретаетнелинейную форму. Поэтому агрегирование для целей исследованиянеобходимо проводить с осторожностью и учитывать существующуюнеравноценность оценок между собой. В настоящей работе данный пунктанализа описывает возможные альтернативы агрегирования на примереполученных оценок и является иллюстративным.Чаще всего агрегирование рядов, или уменьшение размерностипространства переменных, подразумевает их линейную свертку снекоторыми весами. В данном разделе предлагается три способа заданиявесов.Первым из рассматриваемых способов является взятие среднегоарифметического оценок показателя для фирмы в определенный моментвремени, полученных по разным моделям. В данном случае веса для рядоводинаковые и равны обратному числу количества рядов.В настоящей работе агрегировались оценки из шести моделей сфункцией Кобба-Дугласа, для которой имелись оценки СФП: Модели 5 и 6(сквозные регрессии), RE и FE (с полунормальным и экспоненциальнымраспределениемошибкинеэффективности).14Посколькумеждунекоторыми парами из этих рядов отсутствует линейная связь, а оценок изпанельных регрессий в два раза больше, то итоговое ранжированиепредприятий по значению оценок технической эффективности, СФП иэффективности от масштаба более близко к тому, что было получено попанельным регрессиям.Вторымпредлагаемымспособомагрегированияпоказателейэффективности является средневзвешенная сумма оценок с весами,обратно пропорциональными квадрату случайной ошибки в модели.Наличие случайной ошибки подразумевает отклонение фирмы от общейпроизводственной границы, относительно которой высчитываются оценкиСФП и ее компонент.
Поэтому чем больше случайная ошибка, тем менеекорректно посчитаны показатели.Несмотря на то, что для каждой фирмы в данном способе былипосчитаны свои веса агрегирования для рядов оценок из шести моделей, наоснове средних по выборке весов можно сделать вывод, что вкладсквозных регрессий чуть больше половины — 0,54.14Оценки из моделей TI и TVD не использовались из-за сильных различий в ядерныхоценках плотности распределения.97Третьим завершающим способом агрегирования оценок являетсяметод главных компонент (МГК).
Это широко известный методуменьшения размерности пространства переменных при сохранениинаибольшей части информации. В данном методе последовательно находятглавные компоненты, равные линейным комбинациям исходных рядов.Они упорядочены по вкладу в общую дисперсию: первая главнаякомпонента объясняет наибольшую долю дисперсии данных.Весами для линейных комбинаций служат координаты собственныхвекторов ковариационной или корреляционной матрицы переменных.Собственные векторы этой матрицы являются ортогональными векторами,задающими систему координат оптимальной гиперплоскости, в которойлежат данные. Собственные числа ковариационной или корреляционнойматрицы равны вкладам главных компонент в общую дисперсию. Методреализуется в статпакете Stata.По каждому из трех показателей эффективности — техническойэффективности, СФП и эффективности от масштаба — был примененМГК.
Для целей агрегирования берутся веса из линейной комбинациипервой главной компоненты — координаты первого собственного вектора.Полученныевесабылинормированы.Дляоценоктехническойэффективности первая ГК объясняет 81,7% дисперсии признака, оценокСФП — 91,8%, оценок эффективности от масштаба — 67,4%. Наибольшийвклад в формирование итоговых рядов вносят панельные модели.Обобщенные результаты по трем способам агрегирования приведены втабл. 24.98Таблица 24 — Веса для агрегирования рядов показателей эффективностипо шести моделям с функцией Кобба-Дугласа для трех способовСпособ заданияМ5весовРавные0,17Обратнопропорциональные0,19квадратуслучайной ошибкиМетод главных компоненттехническая0,14эффективностьСФП0,16эффективность от0,07масштаба0,17REполунорм.0,17REэксп.0,17FEполунорм.0,17FEэксп.0,170,350,090,120,110,140,150,180,180,180,180,160,170,170,170,170,070,220,220,210,21М6На основе полученных результатов можно заключить, что в случаеоценок технической эффективности и СФП способы линейной свертки сравными весами и весами из МГК почти идентичны для рассмотренныхшести моделей метода SFA.
Если учесть, что для агрегированияиспользуются ряды оценок из четырех панельных регрессий и только двухсквозных регрессий, то очевидно, что итоговые ряды оценок техническойэффективности и СФП будут ближе к рядам из панельных регрессий.Подобная близость полученных двумя способами весов, скореевсего, является случайной и даже для тех же шести моделей нуждается вдальнейшей проверке на других данных. Однако в нашем случае выводзаключается в том, что не было необходимости применять МГК, заисключением агрегирования оценок эффективности от масштаба.При этом второй способ дал отличные от двух других результаты:вклад двух рядов оценок из сквозных регрессий сравнялся с вкладомчетырех рядов из панельных регрессий. По всей видимости, применениедвухшаговой процедуры оценивания панельных регрессий увеличиваетслучайную ошибку, или отклонения фирм от общей производственнойграницы.99Проведенный анализ робастности оценок СФП и ее компонентпоказал высокую степень устойчивости ранжирования предприятий позначению показателей эффективности к выбору моделей и методаоценивания.
Консервативность оценок во времени также велика. Приагрегированииоценокнужноруководствоватьсяпредпочтениямиотносительно моделей и методов, чьи оценки будут включены в расчетитоговых рядов показателей, а также степенью линейности связи междуразличными рядами.100ЗаключениеВ ходе проведения диссертационного исследования были полученыследующие результаты:1. Используемую выборку по 9 355 российским предприятиямобрабатывающей промышленности за 2006–2014 гг. можно считатьрепрезентативной и по суммарным объемам рассмотренных показателей, ипо отраслевой структуре. Итоговая выборка, за исключением несколькихотраслей, составляет не менее 30% от предприятий, действующих вобрабатывающей промышленности на территории Российской Федерации.2. Было выявлено существование значительной неэффективности впроизводстве российских предприятий обрабатывающей промышленностиза 2006–2014 гг.
при оценивании детерминированной и стохастическойпроизводственнойграницыспомощьюметодовDEAиSFA,соответственно. В качестве переменной выпуска использовался логарифмвыручки от реализации, переменных затрат факторов — логарифмычисленности работников, основных средств и оборотных средств.Последний показатель был учтен в силу некачественной статистики поосновным средствам.
Факторы года и отрасли также оказались значимы вмоделях метода SFA, которые различались (1) структурой данных(сквозные или панельные), (2) производственной функцией (КоббаДугласа или транслог) и (3) распределением ошибки неэффективности.3. Динамика СФП и ее компонент может отличаться по методам,моделям и отраслям. В целом, полученные результаты свидетельствуют обухудшении ситуации с эффективностью в российской обрабатывающейпромышленности в годы мирового финансового кризиса и в последниегоды рассмотренного периода из-за появления новых кризисных явлений вэкономике.
Между этими двумя отрезками времени произошло небольшоеулучшениепоказателейэффективностиэкономики страны.101нафоневосстановления4. Предложенный трехшаговый анализ отдачи от масштаба показал,что (1) в российской обрабатывающей промышленности в 2006–2014 гг.действовала постоянная отдача от масштаба; (2) у части предприятийнаблюдалась положительная связь между размером фирмы и еетехнической эффективностью, однако при достижении определенногоуровня эффективности связь меняется на противоположную; (3) динамикаоценок эффективности от масштаба в общих чертах подтверждает выводыанализа от масштаба на основе суммы предельных эффектов.5.
Ранжирование предприятий по значению полученных оценокСФП и ее компонент обладает высокой степенью устойчивости к выборуразных моделей и методов. Оценки также демонстрируют высокуюконсервативностьвовремени,очемсвидетельствуютоценкикоэффициентов из авторегрессионных моделей первого порядка.6. Были предложены три способа агрегирования полученныхоценок показателей эффективности: (1) с помощью равных весов; (2) спомощью весов, обратно пропорциональных квадрату случайно ошибки вмоделях; (3) с помощью весов, полученных из метода главных компонент,как нормированные веса из линейной комбинации первой главнойкомпоненты. Первый и третий способы дали похожие веса для оценокСФП и технической эффективности.
Второй способ завысил веса для рядовоценок, полученных из сквозных регрессий из-за меньших случайныхошибок по сравнению с панельными регрессиями.102Список литературы1.Абанкина И.В., Алескеров Ф.Т., Белоусова В.Ю., ЗиньковскийК.В., Петрущенко В.В. Оценка результативности университетов спомощью оболочечного анализа данных // Вопросы образования. 2013. №2.С.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
