Scientific journal
Fundamental research
ISSN 1812-7339
"Перечень" ВАК
ИФ РИНЦ = 1,087

THE DECOMPOSITION ANALYSIS OF THE DEPENDENCE OF THE VOLUME OF THE GROSS REGIONAL PRODUCT OF HIGH-TECH BRANCHES FROM FINANCIAL FACTORS IN THE CONDITIONS OF KNOWLEDGE ECONOMY

Anikin A.V. 1 Yashina N.I. 1 Kashina O.I. 1 Pronchatova-Rubtsova N.N. 1 Dmitrieva N.Yu. 1
1 Federal State Autonomous Educational Institution of Higher Education «National Research Lobachevsky State University of Nizhny Novgorod»
В статье проведен декомпозиционный анализ объема валового регионального продукта (ВРП) высокотехнологичных отраслей экономики субъектов РФ от финансовых факторов. Авторы предлагают факторную систему, описывающую процесс трансформации финансового капитала в высокотехнологичный общественный продукт, и на ее основе раскрывают теоретические аспекты факторной декомпозиции. Благодаря проведенному корреляционному и регрессионному анализу была подтверждена гипотеза о влиянии на объем валового регионального продукта (ВРП) высокотехнологичных отраслей экономики субъектов РФ ряда промежуточных факторов, объединенных в факторные пары. Были идентифицированы и вычислены параметры моделей парной регрессии, описывающие промежуточные факторные пары. Через механизм сопоставления уравнения регрессии ключевой факторной пары и уравнений регрессии промежуточных факторных пар авторами формулируется модель, именуемая «модель FINE». Данная модель описывает воздействие финансовых факторов на интенсивность процесса трансформации финансового капитала в высокотехнологичный сегмент ВРП. Предложенная модель представляет собой дополнительный методологический инструмент декомпозиционного анализа. Практическая значимость разработанной модели заключается в возможности ее использования в аналитической работе при планировании сценариев инновационного и финансового развития регионов в рамках интенсивного пути развития.
In article a decomposition analysis of the gross regional product (GRP) of high-tech industries of the constituent entities of the Russian Federation from financial factors is carried out. The authors propose a factor system describing the process of transforming financial capital into a high-tech social product, and on its basis they reveal the theoretical aspects of factorial decomposition. Due to the conducted correlation and regression analysis, the hypothesis was confirmed on the effect on the gross regional product (GRP) of high-tech industries of the constituent entities of the Russian Federation of a number of intermediate factors combined into factor pairs. Parameters of pair regression models that describe intermediate factor pairs were identified and calculated. Through the mechanism of comparing the regression equation of the key factor pair and the regression equations of intermediate factor pairs, the authors formulate a model called the «FINE model». This model describes the impact of financial factors on the intensity of the process of transforming financial capital into a high-tech segment of GRP. The proposed model is an additional methodological tool for decomposition analysis. The practical significance of the developed model lies in the possibility of its use in analytical work when planning scenarios for innovative and financial development of regions within the framework of an intensive development path.
gross regional product
high-tech branches
intensive factors
commercial banks
correlation
regional financial capital
regression model
factor pair

Исследование факторов экстенсивного и интенсивного роста инновационной компоненты региональной экономической системы в условиях экономики знаний является важной научной задачей. Проблемам социально-экономического развития субъектов РФ, обусловленного влиянием инновационных и экономических процессов под воздействием интенсивных факторов, посвящены работы С.В. Арженовского и Р.В. Шеховцова, Т.А. Балиной и З.В. Пономаревой, М.Ю. Мишиной [1–3]. Ряд исследователей в качестве факторов интенсивного развития регионов выделяет факторы, обеспечивающие реализацию процесса перераспределения финансовых ресурсов в рамках территориального кредитного механизма [4–6].

Тем не менее отмеченные научные работы не дают полного ответа на то, каким образом те или иные финансовые факторы влияют на процесс формирования высокотехнологичного сегмента валового регионального продукта. Учитывая слабую разработанность данной темы, развитие методических аспектов детального анализа факторной связи, характеризующей процесс трансформации финансового капитала в высокотехнологичный сегмент ВРП, следует считать его актуальным и перспективным направлением научных исследований.

Цель исследования: разложение факторной композиции (декомпозиционный анализ), описывающей процесс трансформации финансового капитала в высокотехнологичный сегмент ВРП, на характеризующие промежуточные подпроцессы факторные пары (зависимые и независимые переменные), и проверка гипотезы о наличии взаимосвязей между выявленными факторными парами. В случае подтверждения гипотезы планируется формализовать полученные результаты в виде модели, описывающей влияние финансовых факторов на интенсивность процесса трансформации капитала в высокотехнологичный сегмент ВРП.

Теоретические аспекты и методы исследования

Ранее в работе «Методические аспекты анализа зависимости валового регионального продукта высокотехнологичных отраслей от финансовых факторов в условиях экономики знаний» [7] была подтверждена гипотеза о наличии непосредственной факторной связи между объемом высокотехнологичного валового регионального продукта (GRPhitech) и величиной регионального финансового капитала (CD), привлекаемого и перераспределяемого с помощью системы коммерческих банков. Проведенные в той работе расчеты позволили определить тип уравнения парной регрессии:

GRPhitech = MGRP hitech•CD + cGRP hitech.

В результате проверки гипотезы были сформированы модельные уравнения для каждого года, описывающие факторную взаимосвязь между переменными:

GRPhitech 2011 = 0,668•CD2011,

GRPhitech 2012 = 0,586•CD2012 + 6994,525,

GRPhitech 2013 = 0,549•CD2013 + 7178,07,

GRPhitech 2014 = 0,524•CD2014 + 8349,307,

GRPhitech 2015 = 0,505•CD2015 + 8145,254,

GRPhitech 2016 = 0,471•CD2016,

GRPhitech 2017 = 0,468•CD2017.

Полученные в работе [7] модельные уравнения показали, что экстенсивный рост высокотехнологичного валового регионального продукта может быть достигнут за счет увеличения капитала, привлеченного системой коммерческих банков. Что касается факторов интенсивного роста, то они обобщенно представлены в виде мультипликатора трансформации регионального финансового капитала в высокотехнологичный общественный продукт (MGRP hitech) [7]. В связи с этим закономерен вопрос о детализации факторов, влияющих на изменение мультипликатора и тем самым определяющих интенсивность процесса трансформации. Чтобы понять, какие управленческие мероприятия могут поспособствовать росту интенсивности процесса трансформации финансового капитала в высокотехнологичный ВРП, необходимо, прежде всего, идентифицировать формирующие его промежуточные финансово-экономические процессы (подпроцессы) и выявить их взаимообусловленность. Чем точнее будет исследована факторная композиция (система) процесса трансформации по подпроцессам, тем более полными будут знания о мультипликаторе трансформации и более эффективным будет управление данным процессом.

Сформулируем предположение о том, что интенсивность процесса трансформации финансового капитала в высокотехнологичный ВРП зависит от характера реализации цепи следующих подпроцессов:

а) трансформации финансовых ресурсов, которые привлечены кредитными организациями, в новые кредиты, выдаваемые хозяйствующим субъектам;

б) процесса оборачиваемости годового объема выданных кредитов в базовом активе банковской системы – ссудной задолженности хозяйствующих субъектов;

в) процесса эффективного размещения ссудной задолженности через кредитование хозяйствующих субъектов, степень эффективности которого определяется величиной чистой ссудной задолженности и потерями от возникновения просроченной ссудной задолженности;

г) процесса стимулирования высокотехнологичного общественного воспроизводства за счет использования ссудного капитала (рисунок).

Проверка сформулированного выше предположения осуществляется методом стохастического факторного анализа. С целью количественного описания анализируемых явлений и факторов введем следующие переменные:

CD – среднегодовой объем средств клиентов, привлеченных коммерческими банками на территории субъекта РФ;

NC – среднегодовая величина кредитов, выданных кредитными организациями физическим и юридическим лицам (экономическим субъектам), осуществляющим свою деятельность на территории региона РФ;

OL – среднегодовая величина совокупной ссудной задолженности физических и юридических лиц (экономических субъектов), осуществляющих свою деятельность на территории региона РФ, перед кредитными организациями;

NLR – среднегодовая величина чистой ссудной задолженности физических и юридических лиц (экономических субъектов), осуществляющих свою деятельность на территории региона РФ, перед кредитными организациями;

GRPhitech – объем производства высокотехнологичных отраслей, входящий в ВРП субъекта РФ.

Объектом анализа выступает факторная система, предполагающая цепную обусловленность входящих в нее факторов (CD > NC > OL > NLR > GRPhitech). Планируемый алгоритм проведения стохастического анализа представлен на рисунке.

Информационной основой послужили ряды данных по указанным выше переменным в региональном разрезе за 2011–2017 гг. Полученные данные были подвергнуты корректировкам: 1) были исключены регионы, значения которых можно отнести к статистическим «выбросам» (г. Москва, г. Санкт-Петербург), и регионы, по которым имеются неполные данные для выбранного временного промежутка (г. Севастополь, Республика Крым); 2) исключение инфляционного фактора (базисным годом был принят 2011, данные последующих лет были очищены по каждому региону с учетом годовой инфляции, характерной для того или иного субъекта РФ). Количество наблюдаемых субъектов РФ составило 81.

anikin1.tif

Схема факторной системы, описывающей процесс трансформации финансового капитала в высокотехнологичный общественный продукт

Проведенный с использованием программного продукта SPSS 17 корреляционный анализ по всем факторным парам (CD → NC; NC → OL; OL → NLR; NLR → GRPhitech) подтвердил наличие прямой и весьма высокой (по шкале Чеддока) связи между факторами. Результаты анализа представлены в табл. 1. Было сформулировано предположение, что исследуемые связи между факторами описываются формулой парной регрессии типа: Y = aX + b, где Y – зависимая переменная, Х – независимая переменная факторной пары, a – коэффициент регрессии, b – константа.

Как видно из табл. 1, коэффициент детерминации всех полученных моделей превышает 0,85, что свидетельствует о достаточно высокой точности описания связи между переменными. Проверка достоверности с помощью p-значения p(F)установила, что данный критерий меньше уровня значимости α (0,05), поэтому нулевая гипотеза о незначимости всех представленных уравнений линейной регрессии отвергается. Р-значение для коэффициента регрессии во всех уравнениях меньше 0,05, что свидетельствует о его статистической значимости. В тех уравнениях, в которых критерии качества подтверждают то, что константа является статистически незначимой, данный элемент модели опускается.

Результаты исследования и их обсуждение

По итогам регрессионного анализа были сформулированы уравнения зависимости факторов по годам. Объединим эти уравнения с ранее полученными в статье [7] моделями, описывающими ключевую факторную пару GRPhitech = f(CD). Результаты представим в табл. 2.

Таблица 1

Результаты корреляционного и регрессионного анализа факторной системы, описывающей процесс трансформации финансового капитала в высокотехнологичный общественный продукт

Показатель

2011

2012

2013

2014

2015

2016

2017

Анализ корреляции факторной пары NC – CD

Коэффициент корреляции Пирсона

NC – CD

0,956**

0,962**

0,962**

0,928**

0,907**

0,933**

0,932**

Знч.(2-сторон)

0,000

0,000

0,000

0,000

0,000

0,000

0,000

Анализ качества модели NC = F•CD + bNC

Коэффициент детерминации

0,913

0,926

0,925

0,861

0,823

0,871

0,869

Стандартная ошибка

7134,81

6889,68

8202,97

10757,44

9910,01

9013,055

10277,72

F-критерий

P-Значение

833,959

0,000

984,191

0,000

968,924

0,000

489,458

0,000

366,703

0,000

531,584

0,000

523,817

0,000

Критерий Дарбина – Уотсона

1,946

1,941

2,051

1,86

2,062

1,787

1,755

Константа bNC

Значение

–2443,449

–2172,843

–2673,552

–3669,569

–3710,46

–4676,443

–5420,838

t-статистика

P-Значение

–2,257

0,027

–2,087

0,040

–2,181

0,032

–2,263

0,026

–2,501

0,014

–3,459

0,001

–3,513

0,01

Нижняя граница

–4598,63

–4244,72

–5113,166

–6897,186

–6663,434

–7367,83

–8491,903

Верхняя граница

–288,272

–100,97

–233,94

–441,952

–757,486

–1985,057

–2349,773

Коэффициент F

Значение

0,199

0,182

0,189

0,18

0,135

0,136

0,148

t-статистика

P-Значение

28,878

0,000

31,372

0,000

31,128

0,000

22,124

0,000

19,15

0,000

23,056

0,000

22,887

0,000

Нижняя граница

0,185

0,171

0,177

0,163

0,121

0,125

0,135

Верхняя граница

0,212

0,193

0,201

0,196

0,149

0,148

0,161

Анализ корреляции факторной пары OL – NC

Коэффициент корреляции Пирсона

OL – NC

0,985**

0,981**

0,980**

0,976**

0,955**

0,934**

0,932**

Знч.(2-сторон)

0,000

0,000

0,000

0,000

0,000

0,000

0,000

Продолжение табл. 1

Показатель

2011

2012

2013

2014

2015

2016

2017

Анализ качества модели OL = I•NC + bOL

Коэффициент детерминации

0,969

0,963

0,96

0,952

0,913

0,873

0,868

Стандартная ошибка

30068,58

38967,53

44951,85

53627,61

73430,45

88797,79

90087,22

F-критерий

P-Значение

2508,051

0,000

2044,528

0,000

1915,184

0,000

1583,658

0,000

824,663

0,000

541,144

0,000

519,012

0,000

Критерий Дарбина – Уотсона

1,81

2,108

2,08

1,701

1,912

1,724

1,786

Константа bOL

Значение

15897,925

19361,028

32101,015

47008,063

56982,562

54964,743

51588,642

t-статистика

P-Значение

3,739

0,000

3,493

0,001

5,083

0,000

6,396

0,000

5,831

0,000

4,655

0,000

4,314

0,000

Нижняя граница

7434,981

8327,64

19529,923

32380,019

37529,645

31461,415

27786,92

Верхняя граница

24360,866

30394,416

44672,107

61636,106

76435,479

78468,07

75390,363

Коэффициент I

Значение

6,985

7,843

7,408

8,321

10,079

9,275

8,133

t-статистика

P-Значение

50,08

0,000

45,216

0,000

43,763

0,000

39,795

0,000

28,717

0,000

23,263

0,000

22,782

0,000

Нижняя граница

6,707

7,498

7,071

7,905

9,38

8,481

7,423

Верхняя граница

7,263

8,188

7,745

8,737

10,778

10,069

8,844

Анализ корреляции факторной пары NLR – OL

Коэффициент корреляции Пирсона

NLR – OL

1**

1**

1**

1**

1**

0,999**

1**

Знч.(2-сторон)

0,000

0,000

0,000

0,000

0,000

0,000

0,000

Анализ качества модели NLR = N•OL + bNLR

Коэффициент детерминации

0,999

0,999

1

1

0,999

0,999

0,999

Стандартная ошибка

4224,7

4583,43

4511,5

5173,32

6301,378

7753,13

6412,36

F-критерий

P-Значение

115316,958

0,000

138463,422

0,000

180429,763

0,000

162911,46

0,000

109294,13

0,000

71636,818

0,000

103914,07

0,000

Критерий Дарбина – Уотсона

1,892

1,787

1,781

1,889

1,715

1,504

1,461

Константа bNLR

Значение

55,569

–122,614

–464,88

–1605,802

–2296,367

–2652,694

–2096,37

t-статистика

P-Значение

0,089

0,929

–0,181

0,857

–0,689

0,493

–2,078

0,041

–2,484

0,015

–2,36

0,021

–2,276

0,026

Нижняя граница

–1182

–1473,862

–1808,811

–3143,58

–4136,522

–4889,746

–3930,029

Верхняя граница

1293,142

1228,634

879,052

–68,024

–456,211

–415,641

–262,711

Коэффициент N

Значение

0,938

0,95

0,955

0,955

0,944

0,938

0,938

t-статистика

P-Значение

339,584

0,000

372,107

0,000

424,77

0,000

403,623

0,000

330,597

0,000

267,651

0,000

322,357

0,000

Нижняя граница

0,933

0,945

0,95

0,95

0,938

0,931

0,932

Верхняя граница

0,944

0,955

0,959

0,96

0,949

0,945

0,944

Анализ корреляции факторной пары GRP hitech – NLR

Коэффициент корреляции Пирсона

GRP hitech – NLR

0,942**

0,943**

0,95**

0,951**

0,946**

0,932**

0,936**

Знч.(2-сторон)

0,000

0,000

0,000

0,000

0,000

0,000

0,000

Анализ качества модели GRPhitech = E•NLR + bGRP hitech

Коэффициент детерминации

0,888

0,889

0,902

0,905

0,895

0,868

0,875

Стандартная ошибка

27403,15

27010,93

26748,96

24986,42

26986,61

30450,51

30769,53

Окончание табл. 1

Показатель

2011

2012

2013

2014

2015

2016

2017

F-критерий

P-Значение

627,3207

0,000

629,82

0,000

730,14

0,000

751,542

0,000

674,365

0,000

521,346

0,000

554,4

0,000

Критерий Дарбина – Уотсона

1,85

1,919

1,831

1,795

1,779

1,822

1,809

Константа bGRP hitech

Значение

9050,08

11889,1

8891,876

11343,927

13196,893

13110,927

16041,119

t-статистика

P-Значение

2,244

0,03

2,973

0,004

2,224

0,03

3,051

0,03

3,350

0,001

2,988

0,004

3,646

0,000

Нижняя граница

1022,464

3929,522

933,0451

3942,966

5355,876

4376,391

7282,924

Верхняя граница

17077,69

19848,69

16850,71

18744,888

21037,911

21845,463

24799,314

Коэффициент E

Значение

0,478

0,397

0,377

0,328

0,336

0,335

0,35

t-статистика

P-Значение

25,046

0,000

25,097

0,000

27,02

0,000

27,414

0,000

25,969

0,000

22,833

0,000

23,546

0,000

Нижняя граница

0,44

0,366

0,349

0,304

0,311

0,306

0,321

Верхняя граница

0,516

0,429

0,4

0,352

0,362

0,364

0,38

Примечание. **Корреляция значима на уровне 0,01 (2-сторон).

Таблица 2

Уравнения, описывающие поведение факторной системы

Уравнение регрессии ключевой факторной пары

Уравнения регрессии промежуточных факторных пар

2011

anikin01.wmf

anikin02.wmf

anikin04.wmf

anikin06.wmf

anikin08.wmf

2012

anikin09.wmf

anikin10.wmf

anikin11.wmf

anikin13.wmf

anikin15.wmf

2013

anikin16.wmf

anikin17.wmf

anikin18.wmf

anikin20.wmf

anikin22.wmf

2014

anikin23.wmf

anikin24.wmf

anikin25.wmf

anikin27.wmf

anikin29.wmf

Окончание табл. 2

Уравнение регрессии ключевой факторной пары

Уравнения регрессии промежуточных факторных пар

2015

anikin30.wmf

anikin31.wmf

anikin32.wmf

anikin34.wmf

anikin36.wmf

2016

anikin37.wmf

anikin38.wmf

anikin39.wmf

anikin41.wmf

anikin43.wmf

2017

anikin44.wmf

anikin45.wmf

anikin46.wmf

anikin48.wmf

anikin50.wmf

Так как известны уравнения факторной цепи (CD >NC >OL >NLR > GRPhitech), зависимость объема высокотехнологичной продукции и услуг от финансового капитала, привлеченного кредитными организациями (CD > GRPhitech), можно выразить не напрямую через уравнение ключевой факторной пары, а опосредованно через уравнения регрессии промежуточных факторных пар. Однако в силу того, что полученные модели не на 100 % аппроксимируют выявленные зависимости, в реальности подобное опосредованное выражение будет иметь не тождественное равенство, а приблизительное:

anikin51.wmf

anikin52.wmf

anikin53.wmf

anikin54.wmf

Исходя из полученных выражений, приблизительное равенство выполняется и для их производных:

anikin55.wmf

anikin56.wmf

Так как MGRPhitech, F, I, N, E, bNC, bOL, bNLR, bGRP hitech, cGRP hitech соответствуют определенным фиксированным числовым значениям, а CD – зависимая переменная, то итоговый результат нахождения производной будет следующим:

M GRP hitech ≈ F•I•N•E.

Таблица 3

Переменные модели FINE

Параметр

Что характеризует?

Диапазон значений

F

Интенсивность процесса трансформации привлеченного банками клиентского капитала в инструменты кредитной экспансии – новые кредиты

0 ≤ F ≤ 1

I

Интенсивность годового обновления (1/I) ссудной задолженности за счет выданных новых кредитов, косвенно свидетельствует о среднем сроке кредитов (в годах), формирующих ссудную задолженность

0 ≤ I

N

Эффективность процесса кредитования – формирования эффективной (непросроченной) ссудной задолженности на базе совокупной ссудной задолженности

0 ≤ N ≤ 1

E

Интенсивность стимулирования генерации высокотехнологичного сегмента ВРП за счет ссудного капитала, вложенного в эффективные хозяйствующие субъекты

0 ≤ E

 

Таблица 4

Значения переменных модели FINE с 2011 по 2017 г.

Параметр

2011

2012

2013

2014

2015

2016

2017

Абсолютное изменение

2017–2011

F

0,199

0,182

0,189

0,18

0,135

0,136

0,148

–0,048

I

6,985

7,843

7,408

8,321

10,079

9,275

8,133

1,118

N

0,938

0,95

0,955

0,955

0,944

0,938

0,938

0

E

0,478

0,397

0,377

0,328

0,336

0,335

0,35

–0,121

MGRP hitech FINE

0,623

0,538

0,504

0,469

0,432

0,396

0,395

–0,212

MGRP hitech

0,668

0,586

0,549

0,524

0,505

0,471

0,468

–0,2

MGRP hitech –

MGRP hitech FINE

0,045

0,048

0,045

0,055

0,073

0,075

0,073

0,012

 

На основании этого допущения введем модель, которую условно обозначим как «FINE». Указанная модель характеризует ту компоненту трансформационного потенциала, которая описывается переменными F, I, N, E. Иными словами мы получили модель интенсивного роста высокотехнологичного валового регионального продукта за счет регионального финансового капитала, перераспределяемого с помощью системы коммерческих банков.

M GRP hitech ≈ M GRP hitech FINE,

M GRP hitech FINE = F•I•N•E.

Проведенный декомпозиционный анализ позволил выявить факторы, влияющие на интенсивность процесса трансформации регионального финансового капитала в высокотехнологичный общественный продукт, и получить модель FINE, иллюстрирующую воздействие этих факторов.

В табл. 3 представлены характеристики переменных, входящих в модель FINE, и диапазон их возможных значений. Оценим влияние факторов модели FINE в формировании модельного коэффициента MGRP hitech FINE. Результаты представим в табл. 4. Как видно из данных табл. 4, несмотря на рост интенсивности годового обновления ссудной задолженности (с 6,985 в 2011 г. до 8,133 в 2017), происходящее снижение интенсивности процесса трансформации привлеченного банками клиентского капитала и сокращение интенсивности процесса стимулирования генерации высокотехнологичного сегмента ВРП привели к уменьшению модельного коэффициента MGRPhitech FINE (с 0,623 в 2011 г. до 0,395 в 2017 г.).

Выводы

Таким образом, гипотеза о наличии взаимосвязей между выявленными факторными парами для исследуемой совокупности регионов подтверждается. На основе полученных результатов была сформирована модель, объясняющая факторную зависимость мультипликатора, который иллюстрирует интенсивность процесса трансформации регионального финансового капитала в высокотехнологичный общественный продукт. Было установлено, что интенсивный рост трансформации регионального финансового капитала в высокотехнологичный общественный продукт зависит от следующих факторов:

а) интенсивности процесса трансформации привлеченного банками клиентского капитала в инструменты кредитной экспансии – новые кредиты;

б) скорости обновления ссудной задолженности за счет выданных новых кредитов;

в) эффективности процесса кредитования – формирования эффективной (непросроченной) ссудной задолженности на базе совокупной ссудной задолженности;

г) интенсивность стимулирования генерации высокотехнологичного сегмента ВРП за счет ссудного капитала, вложенного в эффективные хозяйствующие субъекты.

Сформулированная в работе модель представляет собой дополнительный методологический инструмент декомпозиционного анализа и может быть использована в аналитической работе при планировании сценарных моделей инновационного и финансового развития регионов в рамках интенсивного пути развития.

Исследование было выполнено в рамках гранта РФФИ № 18-010-00909А. Тема: «Инновационное развитие национальной финансовой системы с учетом волатильности мирового рынка капитала в условиях экономики знаний».