Диссертация (1138015), страница 7
Текст из файла (страница 7)
Для исследования региональнойбезработицыГерманиииспользуютсяданныеФедеральногостатистического бюро Германии (Statistisches Bundesamt), а также данныеФедеральной службы занятости (Bundesagentur fuer Arbeit). В данномразделе для обеих стран были использованы панельные данные с 2005 г. по2010 г. по 370 регионам Германии (региональное деление NUTS III) и по75 субъектам Российской Федерации.На уровень региональной безработицы влияет большое числоразнообразных региональных факторов.
Подробное описание факторов,влияющих на различия в уровнях безработицы, представлено в разделе2.2.1 Описание данных и переменных, объясняющих региональныеразличия в уровнях безработицы. В текущем разделе в качествеобъясняющихпеременныхиспользуютсяпоказателиотраслевойструктуры в регионе, показатели возрастного состава рабочей силы,характеристики образования, а также валовый региональный продукт.Список объясняющих переменных представлен в таблице 2.1.В данном разделе диагностируются два вида пространственныхматриц: граничная матрица и обратная матрица расстояний.
Диагональныеэлементы матриц весов равны нулю. Элемент wij граничной матрицыравен 1, если регионы с номерами i и j имеют общую границу и 0 впротивном случае. Элемент wij матрицы обратных расстояний равенобратному расстоянию напрямую между центроидами регионов сномерами i и j (для Германии) и по автодорогам между столицамирегионов с номерами i и j (для России). После этого матрицы нормируютсяпо строкам.!39Таблица 2.1.
Описание переменных.ГерманияДоля занятых всельскохозяйственнойотраслиДоля занятых вобрабатывающейпромышленностиДоля занятых вмануфактурнойпромышленностиДоля занятых встроительствеРоссияОтраслевая структураДоля отрасли «добыча полезных ископаемых» вваловой добавленной стоимостиДоля отрасли «обрабатывающие производства» вваловой добавленной стоимостиДоля государственных услуг, таких какобразование, здравоохранение, государственноеуправление в валовой добавленной стоимостиДоля негосударственных услуг (гостиницы +транспорт и связь + финансовая деятельность +операции с недвижимостью + прочиекоммунальные и социальные услуги) в валовойдобавленной стоимостиДоля занятых в розничнойторговлеДоля занятых вфинансовой сфереДоля занятых в сфереуслугВозрастная структура рабочей силыДоля молодых людей (отДоля населения моложе трудоспособного15 до 25) в населениивозраста, от общего количества населенияДоля людей в возрасте отДоля населения старше трудоспособного55 до 65 в населениивозраста, от общего кол-ва населенияОбразованиеДоля занятых, которыеимеют только школьнойобразованиеДоля занятых, которыеДоля занятых с высшим образованиемимеют университетскоеобразованиеВРПВРП на душу населения в ВРП на душу населения в ценах базового года сценах базового 2005 года учетом покупательской способности населенияИсточник: составлено автором2.1.3 Результаты предварительного оценивания по реальным даннымРезультаты оценки моделей для Германии и России представлены втаблицах А.1–А.2.
Можно заметить, что в таблице А.1 в рамках одной итой же спецификации модели в зависимости от вида взвешивающейматрицы различаются не только значения оценок коэффициентов, но изначимость коэффициентов. Исходя из этого можно сделать вывод, чтопри моделировании региональной безработицы в Германии имеют важноезначение как спецификация взвешивающей матрицы, так и фактвключения ее в оцениваемую модель. По результатам оценивания моделейдля России (таблица А.2) можно установить, что нет больших различий в!40оценках коэффициентов и их значимости между моделями однойспецификации с разными взвешивающими матрицами.Разница в выводах для России и Германии обусловлена тем, что 75субъектов Российской Федерации занимают гораздо большую площадь,чем 370 регионов Германии. При большом уровне агрегированияпространственноевзаимодействиерегиональныхрынковтруда,выраженное, например, в виде межрегиональной трудовой мобильности,играет меньшую роль, чем при более мелком региональном делении.Таким образом, вследствие более низкой степени пространственноговзаимодействия между регионами при моделировании уровня безработицыв России, конкретный вид взвешивающей матрицы может иметь не такоеважное значение, как в случае с регионами Германии.2.1.4 Выбор пространственной матрицы с помощью имитационногомоделированияВ целях получения более четкого представления о последствияхневерноговыборавзвешивающейматрицыилиневключенияпространственного лага в регрессию при анализе безработицы в регионахРоссии проводится анализ на основе симулированных данных.
Знаяистинные значения коэффициентов в модели, генерирующей данные,можно получить представление о направлении и величине смещений воценках и ответить на вопрос: Насколько чувствительны оценкипараметров к выбору взвешивающей матрицы и к ее включению в модель?В данном разделе анализируется смещение оценки пространственногокоэффициента ρ, а также оценок коэффициентов β в зависимости от силыпространственнойзависимости,тоестьотистинногозначениякоэффициента ρ. Для этого модели оцениваются для каждого ρ ∈[0.1;0.9] сшагом 0.1.Симулирование данных производится на основе реальных значенийтрех переменных, коэффициенты при которых значимы при оценивании пореальным данным (доля государственных услуг, доля негосударственных!41услуг, доля людей моложе трудоспособного возраста в общей численностинаселения), и оценок коэффициентов, получившихся при оценке модели спространственным лагом (SAR):yit = ρWyit + x1it β1 + x2it β 2 + x3it β 3 + ε it(2.7)Также в модели используются граничная взвешивающая матрица иматрицаобратныхрасстояний,характеризующиепространственноевзаимодействие региональных рынков труда.Для симуляции ошибок используется нормальное распределение снулевым математическим ожиданием и дисперсией, равной единице.Индивидуальныефиксированныеэффектыкоррелированысобъясняющими переменными в соответствии с работой [Mundlak, 1978].Временные эффекты генерируются в соответствии с нормальнымраспределением и имеют нулевое математическое ожидание и дисперсию,равную двум.В соответствии с пространственной эконометрической моделью спространственнымлагомиграничнойвзвешивающейматрицейгенерируются значения зависимой переменной.
Затем параметры моделиоцениваютсяметодоммаксимальногоправдоподобиятрижды:сиспользованием граничной матрицы, с использованием матрицы обратныхрасстояний, и без учета взвешивающей матрицы. Аналогичная процедурапроводится для матрицы обратных расстояний. В таблице 2.2 приведеноописание количества симуляций.Таблица 2.2. Дизайн исследования на симулированных данных.Значение коэффициентаρ ∈ [0.1;0.9] с шагом 0.19Матрица обратных расстояний,2пространственной корреляцииТипы взвешивающей матрицыграничная матрицаОбщее количество уникальных9*218симуляцийКоличество репликаций10000Общее число симуляций180 000Источник: описание автора!42В таблице 2.3 показано среднее относительное смещение оценоккоэффициентов β1, β2, β3 в зависимости от коэффициента ρ. Например, вслучае, если Y был сгенерирован с помощью модели, в которойучитываласьграничнаяпространственнойвзвешивающаякорреляцииравенматрица,0.8,акоэффициентоцениваниемоделипроводилось с учетом матрицы обратных расстояний, то коэффициент β1смещается в среднем на 30% вверх относительно значения коэффициента вмодели, генерирующей данные.
Смещение параметров β в среднемувеличивается по абсолютному значению при увеличении коэффициента ρ.Данный результат совпадает с предыдущим исследованием [Stakhovych,Bijmolt, 2009], а также служит подтверждением того, что важность выборавзвешивающейматрицыувеличиваетсяприувеличениисилыпространственного взаимодействия между регионами. Также следуетотметить, что коэффициенты β2, β3 смещены больше, чем коэффициент β1.Это связано с тем, что дисперсия переменных «доля государственныхуслуг» и «доля негосударственных услуг» больше дисперсии переменной«доля людей моложе трудоспособного возраста в общей численностинаселения».На рис. 2.1 представлены оценки коэффициента пространственнойкорреляции ρ и его среднее относительное смещение в зависимости отвеличины этого коэффициента в модели, генерирующей данные.
В обоихслучаях для каждого значения оценка ρ немного смещена внизотносительно «истинного» значения, что также соответствует результатупредшествующего исследования [Stakhovych, Bijmolt, 2009].!43Таблица 2.3. Среднее относительное отклонение оценок коэффициентов β1,β2, β3 от их истинных значений в зависимости от истинного значениякоэффициента ρ.Граничная матрица для генерирования данныхоценивание – с матрицейобратных расстоянийМатрица обратных расстояний длягенерирования данныхоценивание – соценивание – безграничной матрицейматрицыоценивание – безматрицыβ1β2β3Таблица 2.4. Средняя квадратичная ошибка для оценок коэффициентов.Средняя квадратичная ошибка для оценки коэффициента ρW для оцениванияW граничнаяW обратных расстоянийW для генерированияW граничная0,0080,025данныхW обратных расстояний0,0210,022Среднее0,0150,024Средняя квадратичная ошибка для оценки коэффициента β1W для оцениванияW граничнаяW обратных расстоянийW для генерированияW граничная0,0070,008данныхW обратных расстояний0,0080,0001Среднее0,0080,004Средняя квадратичная ошибка для оценки коэффициента β2W для оцениванияW граничнаяW обратных расстоянийW для генерированияW граничная0,2770,994данныхW обратных расстояний1,8620,030Среднее1,0690,512!44Средняя квадратичная ошибка для оценки коэффициента β3W для оцениванияW граничнаяW обратных расстоянийW для генерированияW граничная35,23028,991данныхW обратных расстояний151,22717,500Итого93,23223,245АБВГРис.
2.1. Оценки коэффициента пространственной корреляции ρ и его среднее относительноеотклонениеПримечание. А,Б: Оценка коэффициента ρ и его истинное значение. В,Г: среднее относительноеотклонение оценки от истинного значения. А,В: модель, генерирующая данные, содержит граничнуюматрицу, а оценивание проводилось с использованием матрицы обратных расстояний. Б,Г: модель,генерирующая данные, содержит матрицу обратных расстояний, а оценивание проводилось сиспользованием граничной матрицы.Как и в исследовании [Stakhovych, Bijmolt, 2009], проведенномполностью по симулированным данным, для четырех случаев (граничнаяматрица используется и для генерирования данных, и для оценивания;граничная матрица используется для генерирования данных, а матрица!45обратных расстояний — для оценивания; для генерирования данных иоценивания — матрица обратных расстояний; для генерирования данных— матрица обратных расстояний, для оценивания — граничная матрица)мы рассчитываем среднюю квадратичную ошибку оценки коэффициентов.Здесь не рассматривается случай, когда пространственная матрица неиспользуется совсем, так как в этом случае смещение будет заведомобольше.
Исходя из таблицы 2.4 видно, что для оценок коэффициентов β1,β2, β3 значения средних квадратичных ошибок в том случае, когда дляоценивания используется матрица обратных расстояний, ниже.Таким образом, проведенное исследование показало, что при анализерегиональнойбезработицыспомощьюпространственныхэконометрических моделей, выбор взвешивающей матрицы крайне важен,в особенности при использовании более детального региональногоделения.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
