XIII Международная студенческая научная конференция Студенческий научный форум - 2021

Введение. Под валовым региональным продуктом (сокращенно ВРП) принято понимать определенный показатель, измеряющий валовую добавленную стоимость. При этом важно отметить, что ВРП можно рассчитывается приблизительно одинаково с ВВП. Данный показатель интересен тем, что наиболее детально представляет информацию об экономической деятельности разных регионов нашей страны.

ВРП можно измерить, используя разные методы. Исходя из этого немаловажным становится умение распознавать ключевые типы и грамотно использовать их на практике. Выделяют номинальный и реальный валовый региональный продукт. При номинальном ВРП происходит повышение цен, измерение- в текущих ценах. Из этого делаем вывод, что номинальный ВРП- больше статистический показатель, в отличие от реального ВРП, учитывающий инфляцию. Также реальный ВРП позволяет сравнить данные различных лет между собой.

Становится очевидным тот факт, что если ВРП растет, то рост ВВП не заставит себя ждать. Ведь если произойдет увеличение производительности регионов, то производство товаров и оказание услуг также будет больше. Чтобы добиться такого результата следует постепенно и качественно использовать инновации и цифровые технологии в производственной сфере, что позволит сделать многие процессы в бизнес-цепочке автоматизированными.

Актуальность данной темы заключается в том, что увеличение показателей ВРП страны помогает экономике развиваться, а также улучшать благосостояния граждан. Стоит отметить, что прогнозировать ВРП может оказаться проблематичным из-за изменчивости и непредсказуемости экономики в целом.

Цель данной работы заключается в анализе выборочных социально-экономических показателей на внутренний региональный продукт разных субъектов РФ за 2018 год.

Обзор литературы. Данные, касающиеся ВРП рассчитывает Росстат, учитывая в своих подсчетах и прямую, и косвенную информацию. Оценка рыночного выпуска товаров происходит либо в ценах производителя, либо в основных ценах. Для вычисления рыночного выпуска по отраслям из выпуска производителя вычитают налоги на продукты (НДС) и добавляют субсидии на продукты. [7]

В докладе Ананьева В.В. в Федеральной службе государственной статистике Волгоградской области строится модель линейной регрессии, где регрессором выступает определенный момент времени. Помимо всего выстраивается тренд абсолютного значения ВРП и индекса физического объема ВРП до 2021 года. [2]

Был произведен анализ доклада Банка России, раскрывающий методы расчета опережения реального ВП. Авторы описывают два подхода, использовавшихся при расчетах ВРП. Первый подход основан на методологии Росстата и темпов роста ВРП, второй метод использует темпоральное дезагрегирование, которое дает высокочастотные ряды, с учетом показателей, неучтенных Росстатом. [4]

Методы исследования. В данной работе производится проверка существенности факторов, которые имеют влияния на качество ВРП, используя положения теоремы Гаусса-Маркова. Также был определен t-тест, отражающий качество параметров модели. Была сделана проверка о гомоскедастичности остатков при помощи теста Голфелла-Квандта, а также решен вопрос об автокорреляция при помощи теста Дарбина-Уотсон. F-тест позволяет проверить эконометрическую модель на качество и адекватность. Адекватность модели была проверена при помощи метода интервального прогнозирования.

Модель для прогнозирования валового регионального продукта.

ВРП был выбран, как результативный фактор Y по 50 регионам Российской Федерации за 2018 год.

В своем исследовании множественной регрессии были выделены 2 фактора:

X1 – инвестиции в основной капитал по субъектам Российской Федерации, млн. руб.;

X2 – численность рабочей силы в возрасте 15 лет и старше по субъектам Российской Федерации [10];

В таблице 1 представлен фрагмент данных за 2018 год по 50 субъектам Российской Федерации по основным выбранным факторам.

Таблица 1.

Данные результативного показателя и регрессоров по 50 субъектом РФ за 2018 год.

	Область (край)	Y	X1	X2
1	Республика Башкортостан	1 084 556,2	403574	500,5
2	Самарская область	1 000 644,0	208105	1010,6
3	Челябинская область	943 595,6	276785	1185,1
4	Ростовская область	865 979,0	134551	825,2
5	Иркутская область	852 028,6	183097	1292,4
……………………………………………………………………………………
46	Брянская область	328 800,0	73502	722,2
47	Забайкальский край	326 900,0	120735	573,9
48	Смоленская область	312 900,0	87106	684,9
49	Ненецкий автономный округ	305 200,0	296423	902,6
50	Амурская область	301 100,0	62741	529,3

Исходная множественная линейная регрессия была построена и представляет собой:

yi = a0 + a1∙x1 + a2∙x2+ut, где a1>0, a2>0

С помощью МНК были найдены оценка параметров и основные параметры оценки. Чтобы проверить данные на качественность необходимо воспользоваться t-тестом. Чтобы процедура прошла корректно, необходимо было рассчитать tкрит.= 2,010634758, а также t-статистику из регрессионного анализа. Далее справедливо сравнить полученные результаты. Так как t-статистика показала, что переменная X1 и X2 больше t крит. Следовательно, мы имеем полное право считать оба регрессора значимыми.

В данной регрессии наиболее сильно отличаются друг от друга a0 значения. Так как остальные коэффициенты схожи в двух выборках, то можем говорить о том, что тип зависимости указывает на качество оцениваемой модели.

После проверки на качество и адекватность осталось два фактора, были снова рассчитаны оценки параметров с помощью метода МНК. В результате получаем следующую модель:

yi = a0 + a1∙x1 + a2∙x2+ut, где a1>0, a2>0

(y_i = 160439,87 + 1,552∙x₁ + 387,777∙x₂ +ut)

Для проверки на статистическую значимость полученной множественной линейной регрессии с помощью F-теста следует сравнить значение F статистического исследуемой модели с Fкрит. Если Fст>Fкр, то модель качественная, если наоборот, то некачественная. В данном случае Fст=16,5759, а Fкр=3,2043, следовательно модель качественная.

При помощи теста Дарбина-Уотсона мы можем проверить третью предпосылку теоремы Гаусса-Маркова о некоррелированности случайных величин. Для этого рассчитывается значение DW (2,35), которое попало в интервал du (1,63) и 4-du (1,46). Полученная статистика DW попала в интервал от 1,63 до 2,43, что доказывает отсутствие автокорреляции случайных возмущений, ковариация равна 0.

Был осуществлен графический анализ остатков, который показал гетероскедастичность остатков. Тест Голдфелда – Кванта, где GQ = 7,42 и GQ^-1 = 0,14 оказались меньше F_крит = 2,08, показывает, что гетероскедастичности остатков множественной регрессионной модели.

При прогнозировании результатов, необходимо, чтобы модель была адекватна. Чтобы определить ее адекватность необходимо: разделить исходные данные на обучающую и контролирующую выборку. В качестве контрольной выборки я взяла значения показателей Приморского края и Республики Крым; далее составляем матрицы и рассчитываем следующие показатели: значения q, оцененные у, среднеквадратические ошибки оцененных значений у, tкрит., а также посчитаем интервальные прогнозные значения Y.

Была выбрана учебная выборка – 48 значений и построена новая модель:

y_i = -160349,9 + 1,552∙x₁ + 387,78∙x₂

Были рассчитан основные показатели, при этом y1 и y2 попали в рассчитанные нами интервалы (28857,1943<874000<1267445,12; 1625788,962<391300<-337990,818). Следовательно, модель признаем адекватной.

Заключение. На основе анализа была построена множественная регрессионная модель по оценке валового регионального продукта:

y_i = 160439,87 + 1,55∙x₁ + 387,78∙x₂

(147428,933) (0,316) (169,14)

Несмотря на то, что остатки оказались гетероскедастичны-t-тест показал значимость параметров, тест Дарбина-Уотсона подтвердил отсутствии автокорреляции случайных возмущений, множественной регрессионной модели. С помощью F-теста была подтверждена значимость модели. Метод интервального прогнозирования показал на качественность и адекватность модели.

В результате исследования на ВРП оказало влияние:

Больше всего повлияли инвестиции в основной капитал, так как инвестиции развивают производство, а следовательно оборудование обновляется, внедряются новые технологии, автоматизируются процессы, ускоряется производственный цикл, что ведет к увеличению объема производства.

Численность рабочей силы от 15 лет показала, что чем больше трудовых ресурсов используется на предприятии, тем эффективнее и масштабнее будет производство. При этом, нужно иметь в виду что эффективное производство возможно только благодаря высокой квалификации сотрудников. Именно поэтому важно обучать своих работников и повышать их квалификацию.

Но к сожалению, данная модель неидеальна, так как, скорее всего, не все главные и ключевые макроэкономические факторы были учтены, но это уже задел для будущих исследований.

Список литературы

1. Бывшев В. А. Эконометрика: учебное пособие /В. А. Бывшев. — М.: Финансы и статистика, 2008. – 480 с.

2. Доклад Ананьева В.В. ПРОГНОЗИРОВАНИЕ ВАЛОВОГО РЕГИОНАЛЬНОГО ПРОДУКТА ВОЛГОГРАДCКОЙ ОБЛАСТИ МЕТОДОМ ЛИНЕЙНОЙ РЕГРЕССИИ [Электронный ресурс] – URL: https://srtv.gks.ru/storage/mediabank/Доклад+Ананьева.. (дата обращения: 29.11.2020)

3. Инвестиции в основной капитал по субъектам Российской Федерации [Электронный ресурс] – URL: https://rosstat.gov.ru/storage/mediabank/invest_sub.x.. (дата обращения: 29.11.2020)

4. Методы расчета опережающего индикатора валового регионального продукта // Серия докладов об экономических исследованиях, №54 В. Бойко, Н. Кисляк, М. Никитин, О. Оборин. Март 2020

5. Национальные счета. Валовый региональный продукт [Электронный ресурс] – URL: https://rosstat.gov.ru/accounts (дата обращения: 29.11.2020)

6. Невежин В. П. Практическая эконометрика в кейсах: учеб. Пособие/ В.П. Невежин, Ю.В. Невежин. – М.: ИД «ФОРУМ»: ИНФРА-М, 2017. – 317 с.

7. ОБЩИЕ МЕТОДОЛОГИЧЕСКИЕ ПОЛОЖЕНИЯ ПО РАСЧЕТУ ВРП [Электронный ресурс] – URL: https://rosstat.gov.ru/bgd/free/B99_10/IssWWW.exe/Stg.. (дата обращения: 29.11.2020)

8. Скотаренко О. В. ПРОГНОЗИРОВАНИЕ ВРП В РЕГИОНАХ НА ОСНОВЕ ЭКОНОМЕТРИЧЕСКИХ МОДЕЛЕЙ / О. В. Скотаренко // Международный научно-исследовательский журнал. — 2013. — № 8 (15) Часть 3. — С. 64—68.

9. Социально-экономическое положение федеральных округов - 2012г. Copyright © Федеральная служба государственной статистики10. Ященко Н. А. Лекции по дисциплине «Эконометрика»

10. Ященко Н. А. Лекции по дисциплине «Эконометрика»

Код для цитирования: Скопировать