IX Международная студенческая научная конференция Студенческий научный форум - 2017

Исследованию актуальных проблем социально-экономического развития регионов посвящен ряд научных работ [1,2,4,5,10,11,14,20]. Моделирование статистической взаимосвязи ряда региональных показателей и последующая их экономико-статистическая оценка может быть выполнена с использованием методов корреляционно-регрессионного анализа [3,6,7,9]. Ввиду большого объема исходной статистической информации эконометрическое исследование целесообразно осуществлять с использованием современных информационных технологий [13,16,19]. В качестве объекта эконометрического исследования был выбран город Москва – крупнейший финансовый, экономический и культурно-просветительный центр России.

Интегрированным показателем, характеризующим уровень развития региона, является валовой региональный продукт (ВРП). Для осуществления эконометрического моделирования были использованы данные за 2000-2014гг. (табл.1) [21].

Таблица 1 – Показатели социально-экономического развития г.Москва.

Величина валового регионального продукта исследуемого региона имеет устойчивую положительную тенденцию, о чем свидетельствуют его базисные и цепные абсолютные приросты (рис.1). В интервале анализа за период с 2000 по 2014 года средний темп роста ВРП составил 1,16 %, средний годовой темп прироста составил 16%. В течение анализируемого периода средний темп роста объема инвестиций в основном капитал составил 1,15 %, средний ежегодный темп прироста – 15%. Средний темп роста экономически занятого населения региона составил 1,01%, средний темп прироста -1%. Среднее значение стоимости основных фондов с 2000 по 2014 годы составило 11670950,13 млн. рублей, средний темп роста составил 1,22% , средний темп прироста - 22% . В среднем за весь период стоимость основных фондов увеличилась на 1807026,73 млн. рублей.

Рисунок 1 – Динамика валового регионального продукта г.Москва

Для осуществления эконометрического моделирования необходимо построить матрицу парных корреляций, характеризующую статистическую взаимосвязь ряда региональных показателей (табл.2) [15]. Анализ матрицы парных корреляций позволил выявить тесную корреляционную зависимость между следующими региональными показателями: валовой региональный продукт (Y), инвестиции в основной капитал (X1), численность населения (X2), стоимость основных фондов (X3) [18]. Между рассматриваемыми показателями имеет место прямая зависимость, т.е. рост валового регионального продукта обусловлен ростом объема инвестиций в экономику региона, ростом численности населения и увеличением стоимости основных фондов.

Таблица 2 – Матрица коэффициентов парных корреляций региональных показателей

С точки зрения эконометрического анализа ведущим фактором, оказывающим наибольшее влияние на результативный признак Y (валовой региональный продукт), является Х2 (численность населения), т.к. коэффициент парной корреляции между этими признаками имеет наибольшее значение. Построим модель парной регрессии ВРП от численности населения региона (рис.2).

Рисунок 2 – Итоги регрессионного однофакторного анализа

Построенное уравнение парной регрессии Y= 0,46305 * x2 - 4592429,093 имеет высокое качество, о чем свидетельствует величина коэффициента детерминации =0,9780, следовательно, размер ВРП на 97,8 % зависит от величины численности населения [8]. Значение F-критерия Фишера равно 579,09, что свидетельствует о статистической значимости построенного уравнения парной регрессии [12]. Ведущий фактор численность населения является статистически значимым, что подтверждается значением t-статистики Стьюдента, равным 24,06.

С точки зрения экономического анализа и с учетом результатов построения матрицы парных корреляций большое значение на величину ВРП региона оказывает объем инвестиций в основной капитал (Х1). Для сравнительного анализа осуществим построение парной регрессии валового регионального продукта (Y) от объема инвестиций (Х1) (рис.3).

Рисунок 3 – Итоги регрессионного однофакторного анализа

Построенное уравнение регрессии также обладает высоким качеством, о чем свидетельствует коэффициент детерминации 0,944, по критерию Фишера, равному 221,22 , уравнение регрессии признается статистически значимым, факторный признак Х1(инвестиции) по t-статистике Стьюдента=14,87 является значимым [17]. Оба уравнения регрессии могут быть использованы для анализа и прогнозирования величины валового регионального продукта региона.

Для прогнозирования величины валового регионального продукта необходимо предварительно определить прогноз факторного признака. Для фактора Х1 (инвестиции) с целью получения прогноза был построен ряд трендовых моделей, в т.ч. линейных и нелинейных (табл.3).

Таблица 3 – Трендовые модели объема инвестиций в основной капитал региона

Вид тренда	Уравнение тренда	Прогноз
		1 шаг	2 шаг
Линейный тренд	y = 7671,9x - 406,53 R² = 0,9122	117329,0	126874,0
Нелинейный тренд (полиномиальная модель)	y = 214,46x2 + 4240,4x + 9315,9 R² = 0,9227

По результатам исследования лучшим качеством обладает полиномиальная модель, однако ввиду небольшой разницы в значениях коэффициента детерминации для построения прогнозов может быть выбрана любая модель. Подставляя полученные прогнозные значения объема инвестиций в основной капитал в уравнение парной регрессии валового регионального продукта от объема инвестиций Y= 16214,27675+8,747510728 X1, получим, что прогнозное значение валового регионального продукта в перспективном периоде составит 1042843,05 и 1126361,8 млн.рублей.

Следует отметить, что построенные регрессионные модели носят вероятностный характер и на социально-экономическое положение региона оказывают влияние большое количество факторов, таких как состояние мирового и отечественного рынка, конъюнктурные изменения на рынке капитала, достаточность финансовых ресурсов, меры государственной денежно-кредитной политики.

Список литературы

1. Голичев В.Д., Голичева Н.Д., Гусарова О.М. и др. Актуальные вопросы экономики и управления в условиях модернизации современной России. Выпуск 3. – Смоленск: Смолгортипография, 2016. - 384 с.

2. Голичева Н.Д., Гусарова О.М. Теория и практика моделирования финансово-экономических процессов в условиях экономической неопределенности. Смоленск: Маджента, 2016. – 227 с.

3. Гусарова О.М. Аналитический аппарат моделирования корреляционно-регрессионных зависимостей // Международный журнал прикладных и фундаментальных исследований. 2016. № 8-2. С.219-223.

4. Гусарова О.М. Трендовый анализ приоритетных направлений региональной экономики // Фундаментальные исследования. 2016. № 8-1. С.123-128.

5. Гусарова О.М., Кузьменкова В.Д. Моделирование и анализ тенденций развития региональной экономики // Фундаментальные исследования. 2016. № 3-2. С.354-359.

6. Гусарова О.М. Эконометрический анализ статистической взаимосвязи показателей социально-экономического развития России // Фундаментальные исследования. 2016. № 2-2. С.357-361.

7. Гусарова О.М. Вероятностно-статистический подход в оценке эффективности бизнеса // Научный альманах. 2016. № 6-1(19). С.116-119.

8. Гусарова О.М. Методы и модели прогнозирования деятельности корпоративных систем // Теоретические и прикладные вопросы образования и науки: сборник научных трудов по материалам Международной научно-практической конференции. 2014. С. 48-49.

9. Ильин С.В., Гусарова О.М. Эконометрическое моделирование в оценке взаимосвязи региональных показателей // Международный студенческий научный вестник. 2015. № 4-1.С.134-136.

10. Гусарова О.М. Мониторинг ключевых показателей эффективности бизнес-процессов. В книге Актуальные вопросы экономики и управления в условиях модернизации современной России. – Смоленск: Смолгортипография, 2015. – С.84-89.

11. Гусарова О.М. Инвестиции как фактор регионального развития //Фундаментальные исследования. 2015. – № 2-10. – С.2194-2199.

12. Гусарова О.М. Исследование качества краткосрочных моделей прогнозирования финансово-экономических показателей. М., 1999. – 100 с.

13. Гусарова О.М. Информационно-аналитические технологии прогнозирования деятельности организаций // Международный журнал прикладных и фундаментальных исследований. 2015. - № 12-3. - С.492-495.

14. Гусаров А.И., Гусарова О.М. Управление финансовыми рисками региональных банков // Современные наукоемкие технологии. 2014. № 7-3. С.8-10.

15. Орлова И.В., Половников В.А., Филонова Е.С., Гусарова О.М. и др. Эконометрика. Учебно-методическое пособие. М.: 2010.- 123 с.

16. Орлова И.В., Турундаевский В.Б. Многомерный статистический анализ при исследовании экономических процессов: М.: Юнити, 2014. – 326 с.

17. Орлова И.В., Турундаевский В.Б. Использование трендово-факторной модели для повышения точности прогноза // Статистика и Экономика. 2015. № 3. С. 200-203.

18. Орлова И.В., Филонова Е.С. Выбор экзогенных факторов в модель регрессии при мультиколлинеарности данных// Международный журнал прикладных и фундаментальных исследований. 2015. № 5-1. С. 108-116.

19. Орлова И.В., Григорович Д.Б., Галкина Л.А. Эконометрика. Обучающий компьютерный практикум // 2016 http: // portal.ufrf.ru/Files/Data/4665749c-adbf-4f6a-93ec-700b17242df7 /econometrika_pr.pdf

20. Михальченков Н.В., Гусарова О.М., Киященко Л.Т. Дифференциация регионов по уровню их инновационной активности // Вестник магистратуры, 2014, № 10(37). С. 87-90.

21. http://www.gks.ru (дата обращения 25.02.2017).

Код для цитирования: Скопировать