Концепция взаимодействия банковского и реального секторов экономики в современных условиях (1142190), страница 35

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

Текст из файла (страница 35)

Страны были объединены в 3 группы: 1 группа – развитые страны (Великобритания, Дания, Германия, Нидерланды,Норвегия, Сингапур, США, Финляндия, Швейцария, Швеция). Выбор стран,156объединенных в первую группу был обусловлен высокой позицией каждой из них врейтинге Глобального индекса инноваций (The Global Innovation Index по итогам2014г.), ежегодно публикуемого по версии международной бизнес – школы INSEAD[313].

Эти страны входят в десятку лучших стран по данному показателю: Швейцария– 64,8, Великобритания – 62,4, Швеция – 62,3, Финляндия – 60,7, Нидерланды – 60,6,США – 60,1, Сингапур – 59,2, Дания – 57,5, Германия – 56, Норвегия – 55,6. Вбольшинстве из этих стран, важную роль в обеспечении экономического роста играетбанковский сектор. 2 группа – развивающиеся страны БРИКС.

Принимая во внимание, чтопозиции стран первой группы по ряду макроэкономических показателей достаточновысоки по сравнению с Россией и Казахстаном, в модель были введены данные поБразилии, Индии и Китаю за исключением Южно-Африканской Республики попричине отсутствия в базе Всемирного банка значений отдельных статистическихпоказателей. 3 группа – Россия и Казахстан. Российская Федерация отнесена в 3 группустран наряду с Республикой Казахстан в силу схожести тенденций.Работа с панельными данными проводилась в статистическом пакете Stata 12.На этапе предварительного анализа данных, проверка рядов на стационарность икоинтеграцию показала, что данные строго нестационарны и коинтегрированы, чтотребовало использования метода панельной коинтеграции. Но на макроданных этотметод часто выдавал ошибку, что обусловило выбор сразу двух классическихмоделейпанельныхданных,сцельюпроверкиустойчивостиполученныхрезультатов: объединенная модель регрессии или обобщенный метод наименьшихквадратов («Poоled OLS» model) – не учитывает панельную структуру данных иразличия между временными и индивидуальными эффектами рассматриваемыхобъектов.

При этом предполагается, что все ошибки  it некоррелированны междусобой и некоррелированны со всеми объясняющими переменными xit (6). Проверкарядов регрессоров на эндогенность показала, результаты которой приведены вприложении Г, что они экзогенны (факторы модели некоррелированы со случайнымиошибками). Обычные МНК – оценки  являются состоятельными и эффективными:yit  x 'it    it(6)157 модель с фиксированным эффектом (FE – fixed effect model) – позволяетучитывать неизмеримые индивидуальные различия объектов (эффекты) (7):yit  i  it    it ,(7)где  i выражает индивидуальный эффект объекта i (в данном случае – группстран), не зависящий от времени t (в данном случае с 1985г. по 2014г.), при этомрегрессоры xit не содержат константу.В нашем случае yit – это зависимые переменные gdpgrowthit, techexpit, invit,creditit.x 'it  – векторная запись –1 *x1   2 *x 2  ... n *x n ,искомые коэффициенты.Результаты оценки зависимости темпов роста ВВП и роста инноваций иинвестиций, представленных в приложении Д, показали, что в первой групперазвитых стран наиболее значимым положительным фактором экономического роста(на уровне значимости 99,9%) выступают инновации (0,105 по Pooled OLS и 0,131 поFE).

Результаты модели показали, что инвестиции, несмотря на довольно высокийуровень значимости полученного коэффициента (99%), в группе развитых странзанимают лишь второе место в структуре факторов обеспечения экономическогороста (0,135 по Pooled OLS).С целью учета такого качественного события, как кризис и его влияния нахарактер взаимодействия банковского и реального секторов экономики, в модельбыла введена фиктивная переменная dummy с условием, что если ее значение равно 1,то это значит, что в текущем году в стране наблюдался кризис (для Сингапура – этоазиатский кризис после 1997г., для России – после 1998г., а для всех остальных стран– после 2008г.). В обеих моделях (Pooled OLS и FE) в соответствии с формулами (8) и(9)), dummy указал на значимое резко отрицательное влияние кризиса наэкономический рост (-2,011 по Pooled OLS и FE), что в определенной мере объясняетнепродуктивностькаких-либомервобластиразвитияинвестиционнойиинновационной деятельности со стороны субъектов экономики по причинепоглощения практически всех ожидаемых эффектов сильным влиянием кризисныхявлений и их последствий:158Pooled OLS: gdp growthit = -0,044*gdpdeflatorit +0,135*invit + 0,105*techexpit(8)- 2,011*dummy(08)itFE: gdp growthit = -0,044*gdpdeflatorit + 0,131*techexpit - 2,011*dummy(08)it(9)Во второй группе развивающихся стран БРИКС наибольшее положительноевлияниенаэкономическийростсостепеньюдостоверностиполученныхкоэффициентов на уровне 99%, продемонстрировал показатель нормы накопленияили инвестиции (0,345 по Pooled OLS и 0,361 по FE) на фоне сравнительно меньшейзначимости (95%) инноваций в этом процессе (0,147 по FE).

При этом доляобъясненной моделью Pooled OLS дисперсии R – squared составила 63%. Как видноиз формул (10) и (11), так же, как и в первой группе развитых стран на снижениеэкономического роста в Бразилии, Индии и Китае оказал кризис 2008г. (-4,048 поPooled OLS и FE):Pooled OLS: gdp growthit = -3,015 + 0,345* invit -4,048*dummy(08)it(10)FE: gdp growthit = -4,091 + 0,018*gdpdeflatorit + 0,361*invit + 0,147*techexpit- 4,048*dummy (08)it(11)Результаты, полученные по России и Казахстану (смотри формулы (12) и (13)),напротив, свидетельствуют, что показатель инновационной деятельности (techexpit) неоказывает влияния на показатель экономического роста по сравнению с сильнымвлиянием показателя инвестиций (0,451 по Pooled OLS и 0,469 по FE) при уровнедостоверности полученных коэффициентов – 99% по Pooled OLS и 95% по FE:Pooled OLS: gdp growthit = 0,451*invit - 5,005*dummy(98)it – 7,017*dummy(08)itFE: gdp growthit = 0,469*invit - 5,005*dummy(98)it – 7,017*dummy(08)itСчитаем,экономическоечтополученныйразвитиеврезультатРоссиииподтверждаетКазахстанетезисобусловленоотом,(12)(13)чтоисторическисложившейся сырьевой структурой экономики, а экономический рост в современныхусловиях по – прежнему достигается за счет доходов от экспорта сырья и роста159инвестиций в традиционно развитые добывающие отрасли.

При этом доляобъясненной моделью FE дисперсии R – squared довольно высока и составляет 56%.Динамика зависимости темпов роста ВВП и экспорта высокотехнологичныхтоваров по группам стран представлена на рисунке 23.Второй уровень сформулированных в модели зависимостей ориентирован навыявление наиболее значимого фактора в обеспечении инновационного роста спозиции выбора источников финансирования инвестиций и оценки их влияния назависимую переменную – techexpit. При этом в обе модели (Pooled OLS и FE) быливведены и апробированы временные лаги от 1 до 10 лет для 1 группы развитых страни от 1 до 3 лет для 2 – ой и 3 – ей группы развивающихся стран, учитывая, чтопрактика разработки и внедрения инноваций, а также временной период, отводимыйдля этого по странам существенно различаются.Полученные результаты, согласно приложения Д, по обеим моделям (PooledOLS и FE) не противоречат друг другу и подтверждают, что для группы развитыхстран наиболее значимыми источниками финансирования инноваций являютсясобственные ресурсы предприятий по отраслям: ВДС в сельском хозяйстве (211,0по Pooled OLS и 104,9 по FE), ВДС в сфере производства (1,350; 1,528 (с лагом в 1год) и 2,585 (с лагом в 10 лет) по Pooled OLS и 1,152; 1,404 (с лагом в 1 год) и 0,651(с лагом в 10 лет) по FE), ВДС в промышленности (211,4 по Pooled OLS и 109,4; 93,7(с лагом в 1 год) по FE), ВДС в сфере услуг (212,8 по Pooled OLS и 109,4; 93,26(с лагом в 1 год) по FE).

При этом уровень значимости полученных коэффициентов всфере производства составил 99,9%, а во всех других – 95%.Одновременно, результаты Pooled OLS в группе развитых стран в соответствии сформулами (14) и (15), указывают на высокую значимость (99,9%) расходов наНИОКР (11,52 (с лагом в 10 лет) и 10,36 (с лагом в 10 лет):Pooled OLS: tech exp it = -0,81*gov exp + 0,879*gov lending + 211*agricult + 1,35*manufact +1,528*manufact (-1) + 2,585*manufact(-10) +211,4*industry + 212,8*serv – 8,788*randd+ 11,52*randd(-1) + 10,36*randd(-10)(14)FE: techexp it = - 9,335+104,9*agricult + 92,14* agricult(-1) + 1,152*manufact +1,404* manufact (1) +0,651* manufact(-10) + 109,4*industry + 93,7*industry(-1)+ 109,4*serv + 93,26*serv(-1)(15)160Источник: составлено автором.Рисунок 23 – Диаграмма рассеяния данных, показывающих зависимость темповроста ВВП и экспорта высокотехнологичных товаров161Полагаем, что в данном случае подтверждается тезис о том, что в этой группестран ответственность за рост инновационной активности и деятельности лежит насубъектах реального сектора, а значимость результатов с временным лагом от 1 годадо 10 лет свидетельствует о реализации в этих странах полного инновационногоцикла от идеи до серийного производства.

Доля объясненной моделями Pooled OLS иFE дисперсии R – squared составили 67% и 57% соответственно.Сочетание частных и государственных источников финансирования инвестицийв деле поддержания инновационного роста демонстрирует группа стран БРИКС. Впервом случае, высокую степень значимости полученных результатов (99,9%)показали собственные ресурсы предприятий сферы производства (2,033, 1,701 (слагом 2 года) и 1,434 (с лагом 3 года) по Pooled OLS и 2,433, 2,113 (с лагом 2 года) и1,576 (с лагом 3 года) по FE), во втором – не меньшую значимость (на уровне 90 –95%) показали государственные расходы (0,638 (с лагом 2 года), 0,805 (с лагом 3года) по Pooled OLS и 1,638 (с лагом 2 года) по FE) (формулы (16) и (17)):Pooled OLS: tech exp it = 0,638* gov exp (-2) +0,805* gov exp (-3)+2,033* manufact+1,701*manufact(-2)+1,434* manufact(-3)-0,899* industry – 0,698* industry(-2)+6,810* randd(16)FE: tech exp it = - 51,9+1,638*gov exp(-2)+2,433*manufact+2,113* manufact(-2)+1,576*(17)manufact(-3)-0,790* industry+0,644* serv+5,396* randdВотличиеотстранпервойгруппы,вБразилии,ИндиииКитаепреимущественно используются готовые технологии и отсутствует длительнаялаговая зависимость от расходов на НИОКР (6,810 по Pooled OLS и 5,396 по FE).Результаты по второй группе стран отличает высокая доля объясненной моделямиPooled OLS и FE дисперсии R – squared – 96% и 62% соответственно.В России и Казахстане c уровнем значимости оценок (95 – 99%) показали ВДС всельском хозяйстве (334,1 по Pooled OLS и FE соответственно), ВДС впромышленности (336,0; 3,360 (с лагом 2 года) и 4,751 (с лагом 3 года) по Pooled OLSи 336,0; 3,371 (с лагом 2 года) и 4,866 (с лагом 3 года) по FE) и ВДС в сфере услуг(336,0; 4,087 (с лагом 2 года) и 6,016 (с лагом 3 года) по Pooled OLS и 336,0; 4,136 (слагом 2 года) и 6,045 (с лагом 3 года) по FE) (формулы (18) и (19)):162Pooled OLS: tech exp it = -472,2+334,1* agricult+336,0* industry+3,360* industry(-2)+4,751* industry (-3)+336,0* serv+4,087* serv (-2)+6,016* serv (-3)+(18)1,056*credit+0,657*credit (-2)+0,949* credit (-3)FE: tech exp it = -475,3+334,1* agricult+336,0* industry+3,371* industry(-2)+4,866*industry(-3)+336,0* serv+ 4,136* serv(-2)+6,045* serv(-3)+1,056 *credit+0,660*(19)credit(2)+0,943* credit(-3)Вместе с тем, наряду с собственными источниками ресурсов, которыепредприятия и отрасли реального сектора готовы направить на реализациюинноваций, своей актуальности не теряют банковские кредиты, полученныекоэффициенты по которым для России и Казахстана, в отличие от первых двух группстран, показывают более высокую значимость на уровне 99% для роста инноваций(1,056; 0,657 (с лагом 2 года) и 0,949 (лагом 3 года) по Pooled OLS и 1,056; 0,660 (слагом 2 года) и 0,943 (с лагом 3 года) по FE), что подтверждает перспективностьрасширения банковского кредитования в контексте догоняющего развития.

Динамиказависимости высокотехнологичных товаров и внутреннего банковского кредита погруппам стран представлена на рисунке 24.Кроме того, отличительной особенностью России и Казахстана в оценке этойгруппы зависимостей, является то, что обе модели Pooled OLS и FE показалиотрицательное влияние расходов на НИОКР на рост инновации (-3,386; -2,191 (слагом 2 года) и -15,49 (с лагом 3 года) по Pooled OLS и -3,385; -1,332 (с лагом 2 года)и -19,28 (с лагом 3 года) по FE), при том, что для стран БРИКС с быстрорастущейэкономикой этот показатель показал положительную значимость (6,810 по PooledOLS и 5,396 по FE) с уровнем достоверности оценок 90–99%.Эти данные, на наш взгляд, подтверждают тезис о том, что сам по себе ростпоказателей инновационной активности и соответствующих расходов на НИОКР, всовременных условиях для России и Казахстана, практически не влияет нарезультатыинновационнойдеятельности(вслучаетольколишьростаколичественных показателей).

Характеристики

Список файлов диссертации