Диссертация (1137932), страница 6

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

Самой распространенной формулой дляоценки технической эффективности является формула, предложенная в[Battese, Coelli, 1988]:TEit  E euit |  it it ˆit31(13)Учитывая неотрицательность ошибки uit , можно проверить, чтотехническая эффективность меняется от нуля до единицы.Самой простой моделью для данных с панельной структуройявляется модель, в которой ошибка неэффективности меняется только пофирмам и не меняется во времени (Time-Invariant Model, TI):ln qit  (ln xit )  vit  ui(14)В [Battese, Coelli, 1992] была предложена более сложная модель, вкоторой также предполагается, что нет гетерогенности среди фирм, нотехническая эффективность может изменяться во времени, например,согласно экспоненциальному закону (Time-Varying Decay Model, TVD).ln qit  (ln xit )  vit  uit(15)uit   (t )  ui (t )  exp   T  t  где T — количество временных периодов в выборке.Впервыемодель,отделяющаянеэффективности, была предложена вгетерогенностьотошибки[Heshmati et al., 1995] иподразумевала двухшаговую процедуру оценивания.

На первом шагеоценивается модель либо со случайными, либо с фиксированнымииндивидуальными эффектами. На втором шаге полученные ошибки  itмоделируются с помощью модели SFA для пространственных данных.Модель для случая с фиксированными индивидуальными эффектамивыглядит следующим образом:ln qit  i  (ln xit )   it(16) it    vit  uitОдношаговаяпроцедураоцениваниятакихмоделейбылапредложена в [Greene, 2005], а сами модели получили название «True»Random Effect Model (TRE) и «True» Fixed Effect Model (TFE).

Модель TFEзаписывается следующим образом:32ln qit  i  (ln xit )  vit  uit(17)В качестве формулы для оценки СФП на основе моделей метода SFAв данной работе использовалась формула, предложенная в [O’Donnell,2014b] и удовлетворяющая всем аксиомам:TFPit Qit qitX it x1ˆkk ,itk(18),    ˆkkгде Qit и X it — агрегированные выпуск и затраты факторов фирмы i вмомент времени t , qit — выпуск фирмы i в момент времени t , xk ,it —k -ый фактор производства фирмы i в момент времени t , ˆk — оценка k ого параметра.При этом данный показатель в своем разложении не содержиткомпоненту эффективности от перераспределения выпусков и факторов,таккак пропорциимежду выпуском ифакторамипроизводстваосновныетеоретическиефиксированы.Такимобразом,былирассмотреныпредпосылки, на которых строится методика комплексного анализаэффективности предприятий, предложенная в данном исследовании.

Вработе используются понятия из общей теории индексов и современныеметоды анализа для оценивания СФП и ее компонент. В следующих двухразделах раскрываются конкретные этапы комплексной методики, а такжеприводятся результаты ее апробации на российских предприятияхобрабатывающей промышленности за 2006–2014 гг.33Глава 2. Оценивание детерминированной и стохастическойпроизводственной границыВданномисследованиипредлагаетсяавторскаяметодикакомплексного анализа эффективности предприятий на основе оцениваниядетерминированной и стохастической производственной границы.

Вработах по оценке эффективности объектов с помощью схожих методовреализуются лишь отдельные этапы комплексной методики. Настоящееисследование опирается на накопленный мировой опыт по изучениюэффективности для охвата различных аспектов данного вопроса.Предлагаемая методика комплексного анализа состоит из несколькихпоследовательно выполняемых этапов:1) сбориобработкаданных,определениестепенирепрезентативности выборки;2) предварительныйанализ данныхнаоснове описательнойстатистики и корреляционных матриц;3) оценивание производственной границы с помощью методов DEAи SFA, получение оценок СФП и ее компонент, анализ ихдинамики;4) трехшаговый анализ отдачи от масштаба;5) анализ устойчивости ранжирования предприятий по оценкамСФП и ее компонент и анализ консервативности оценок вовремени;6) агрегирование оценок СФП и ее компонент из разных моделей спомощью линейной свертки.Входеисследованияиапробациикомплекснойметодикипроверялись следующие выдвинутые гипотезы:1) впроизводствероссийскихпредприятийобрабатывающейпромышленности существует значительная неэффективность;342) факторыгодаиотраслизначимыпримоделированиипроизводственной функции российских предприятий обрабатывающейпромышленности;3) вроссийскойобрабатывающейпромышленностидлябольшинства предприятий действует возрастающая отдача от масштаба;4) размер фирмы положительно связан с оценками техническойэффективности;5) ранжирование предприятий по значению оценок СФП и еекомпонент устойчиво к выбору метода и модели;6) оценки СФП и ее компонент консервативны во времени.Раздел 2.1 Сбор и обработка данных.

Репрезентативность выборки2.1.1 Сбор и обработка данныхОсновным источником данных, использованном в настоящемисследовании, является информационная база данных RUSLANA5, котораясодержит информацию, в том числе, по российским предприятиямобрабатывающей промышленности. Стратегия поиска задавалась, исходяиз следующих критериев:1) страновая принадлежность — Российская Федерация;2) статус — действующие;3) основныекодыпоОКВЭД—15–37(обрабатывающиепроизводства);4) годы — 2006–2014;5) минимальное значение показателей выручки от реализации(оборота), общих активов, основных средств, оборотных средств— 1 тыс. руб.; численности работников — 1 чел.По результатам поиска была получена выборка, состоящая из 12 958предприятий.5Электронный доступ: http://www.library.fa.ru/res_bureauRuslana.asp35Исходные данные далее были подвергнуты процедуре очистки отвозможных ошибок и выбросов. Во-первых, были исключены микропредприятия — фирмы, у которых хотя бы за один из рассматриваемых летчисленность работников была не выше 15 человек.

Микро-предприятияобладают меньшими возможностями заключения среднесрочных идолгосрочных договоров с поставщиками, посредниками и конечнымипотребителями, возможностями инвестирования в машины и оборудованияи т.д., поэтому очень часто производственный процесс на таких фирмахсильно отличается от других в отрасли, что может привести к искажениюоценок коэффициентов производственной функции и производственнойграницы в целом. К микро-предприятиям в выборке были отнесены 2 607компаний.Во-вторых,численностидляконтроляработниковнизкого(даннаякачестваинформациястатистикипопредставленаснедостатками во всех подобных базах) из выборки были удалены фирмы, укоторых средняя по годам производительность труда была ниже еестандартного отклонения более чем в два раза.

К сожалению, даннаяоперация не позволила выявить значительную часть выбросов: позаданному критерию были отсеяны всего 6 компаний.В-третьих, после визуального анализа гистограмм используемыхпоказателей было принято решение по каждому из них в каждый израссматриваемых лет одновременно исключить по 0,5% наблюдений отобщего их числа с каждого конца выборки. Всего для получениясбалансированной выборки было удалено 990 предприятий.Итоговая выборка содержит информацию по9 355 фирмамроссийской обрабатывающей промышленности (72,2% от первоначальнойвыборки) за 2006–2014 гг.362.1.2 Репрезентативность выборкиДля определения степени репрезентативности полученной выборкиее отраслевые суммарные показатели, такие как число предприятий,выручкаот реализации, численностьработников,сравнивалисьсагрегированными показателями по отраслям из официальной статистики.6Сравнениедляпримерапроводилосьдляпоследнегогодаизрассматриваемого периода — 2014 г.

Обобщенные результаты по отраслями в целом по обрабатывающей промышленности представлены в табл. 1.Общее число предприятий в выборке составляет всего 2,3% отаналогичного показателя по данным официальной статистики. Однакоследует учитывать несколько факторов. Во-первых, часть фирм неподпадала под критерий поиска «действующие», так как, к примеру, могланаходиться на стадии процедуры банкротства. Во-вторых, в выборку непопали компании, созданные позже 2006 г. В-третьих, по значительномучислу предприятий имеются пропуски в данных по необходимымпоказателям за один или несколько рассматриваемых лет, что не позволиловключить их в анализ. Фирмы с нулевыми значениями показателей такжене присутствуют в выборке.

Поэтому, на первый взгляд очень низкое,число предприятий в выборке не может в полной мере отразить истиннуюстепень ее репрезентативности.По показателю выручки от реализации наша выборка составляет21,5%отзначенияагрегированногопоказателяроссийскойобрабатывающей промышленности в 2014 г. (первоначальная выборка из12 958 предприятий составляла 42,1%).

При этом высока вариация этойдоли по отдельным отраслям. К примеру, в отрасли производства одежды;выделки и крашения меха она равна 63,3%; производства кожи, изделий изкожиипроизводстваобуви—57,2%;производствапрочихнеметаллических минеральных продуктов — 49,7%. А по некоторым6По показателям основных и оборотных средств сравнение не проводилось в силусуществующих недостатков их измерения.37отраслям доля слишком низкая: производство кокса и нефтепродуктов —1,1%; прочие виды обрабатывающих производств — 13,3%; производствотранспортных средств и оборудования — 13,7%; металлургическоепроизводство — 14,7%. Это стратегически важные отрасли, данные покоторым могут иметь пропуски или были удалены на этапе очисткивыборки от выбросов.

По остальным отраслям доля выборки составляетвыше 30%. Соответственно, структура выборки по отраслям сильносмещена в сторону занижения доли четырех перечисленных отраслей.Смещение в сторону завышения доли отрасли в выборке существенно дляпредприятий производства пищевых продуктов, включая напитки, итабака, производства прочих неметаллических минеральных продуктов ипроизводства машин и оборудования.По общей численности работников на российских предприятияхобрабатывающих производств в 2014 г. полученная выборка составляет36% от цифры, посчитанной на основе официальной статистики(первоначальная выборка составляла 48,9%).

Характеристики

Список файлов диссертации