Граница Ю.В.кандидат экономических наук, доцент института экономики и предпринимательства, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация ygranica@yandex.ru ORCID id: отсутствует SPIN-код: 8872-0434
Предмет. Анализ методик идентификации и количественной оценки взаимосвязей между экономическими индикаторами для прогнозирования финансовой нестабильности региональных структур. Цели. Исследование экономического и статистического инструментария, адекватного для анализа взаимосвязей между региональными экономическими индикаторами. Методология. Использованы статистический, расчетно-конструктивный и экономико-математические методы и соответствующие им приемы анализа данных. Результаты. Оценка взаимосвязей абсолютных значений экономических индикаторов с помощью модели анализа панельных данных со случайными эффектами дала основания выделить значимые регрессоры для оценки волатильности среднедушевого дохода – валовой региональный продукт и доходы бюджета, удельный вес их прямого влияния – 52 и 16% соответственно. Обратное влияние на волатильность среднедушевого дохода оказывают инвестиции в основной капитал с удельным весом 10% и уровень безработицы с удельным весом 9%. Сопоставимые зависимости получены в линейной модели, где в качестве регрессоров определены темпы роста экономических индикаторов. Наиболее значимы в этом случае изменчивость показателей валового регионального продукта и депозитов – они объясняют соответственно 53 и 16% волатильности среднедушевого дохода. При переходе от абсолютных к стандартизированным значениям переменных в модели отмечается гораздо более равномерное распределение значимых удельных весов индикаторов, влияющих на среднедушевой доход, чем в случае моделирования с применением абсолютных значений индикаторов. Оценка взаимосвязей факторов с применением логит-модели показала, что наиболее существенным прямым влиянием на процесс наступления рецессии характеризуется среднедушевой доход, доля влияния стандартизированного значения регрессора – 46%. Также значимую обратную зависимость демонстрирует стандартизированный показатель объема депозитов с долей влияния 25%. Выводы. Экономические показатели региональной статистики, кластеризованные по федеральным округам, должны оцениваться с применением моделей анализа панельных данных со случайными эффектами. Наиболее предпочтительным способом устранения мультиколлинеарности является метод главных компонент, который в сравнении с методом Белсли, предполагающим исключение линейно зависимых переменных, позволяет строить модели с полным набором исходных экономических детерминант. Для устранения тренда в анализируемых экономических детерминантах в целях идентификации и оценки взаимосвязей целесообразно использовать их стандартизированные значения.
Ключевые слова: финансовая нестабильность региона, волатильность, метод Белсли, ридж-регрессия, метод главных компонент
Список литературы:
Иванов П.А., Сахапова Г.Р. Финансовая нестабильность региона: методы оценки и инструменты элиминирования // Экономические и социальные перемены: факты, тенденции, прогноз. 2014. № 6. С. 183–198. URL: Link
Иванова З.Ш., Махошева С.А. Моделирование региональной устойчивости и регионального развития // Известия Кабардино-Балкарского научного центра РАН. 2014. № 5. С. 118–125.
Зоидов К.Х., Янкаускас К.С., Пирогов Н.Л. Моделирование системы финансово-бюджетных отношений России в рамках развития и расширения ЕАЭС в условиях нестабильности. Часть II // Научное обозрение. Сер. 1: Экономика и право. 2016. № 6. С. 81–100.
Малкина М.Ю. Нестабильность финансовой доходности региональных экономик и ее детерминанты // Пространственная экономика. 2018. № 3. С. 88–114. URL: Link
Федорова Е.А., Лукасевич И.Я. Прогнозирование финансовых кризисов с помощью экономических индикаторов в странах СНГ // Проблемы прогнозирования. 2012. № 2. С. 112–122. URL: Link
Граница Ю.В. Практическое применение отдельных инструментов оценки финансовой нестабильности экономики региона // Региональная экономика: теория и практика. 2019. Т. 17. Вып. 8. С. 1540–1557. URL: Link
Граница Ю.В. Применение метода Койка для оценки влияния волатильности экономических индикаторов на финансовую нестабильность региона // Россия: Тенденции и перспективы развития. Ежегодник. 2019. Вып. 14. Ч. 2. 968 с.
Садыков Р.М., Мигунова Ю.В., Гаврикова А.В., Ишмуратова Д.Ф. Ключевые аспекты социального развития региона в условиях экономической нестабильности // Региональная экономика: теория и практика. 2017. Т. 15. Вып. 10. С. 1906–1919. URL: Link
Гафарова Е.А., Лакман И.А. Эконометрическое моделирование развития муниципальных образований региона с учетом их неоднородности (на примере республики Башкортостан) // Вопросы статистики. 2017. № 4. С. 54–63. URL: Link
Орлова И.В. Выявление и устранение информационной избыточности метрических данных в пакетах R и GRETL // Мягкие измерения и вычисления. 2018. № 11. С. 94–100.
Орлова И.В. Подход к решению проблемы мультиколлинеарности при анализе влияния факторов на результирующую переменную в моделях регрессии // Фундаментальные исследования. 2018. № 3. С. 58–53. URL: Link
Орлова И.В. Подход к решению проблемы мультиколлинеарности с помощью преобразования переменных // Фундаментальные исследования. 2019. № 5. С. 78–84. URL: Link
Моисеев Н.А. Сравнительный анализ эффективности методов устранения мультиколлинеарности // Учет и статистика. 2017. № 2. С. 62–73. URL: Link
Ильясов Б.Г., Макарова Е.А., Закиева Е.Ш., Гиздатуллина Э.С. Оценка данных о доходах населения в региональном разрезе методом главных компонент // Экономика региона. 2019. Т. 15. Вып. 2. С. 601–617. URL: Link
Давыдов А.Р., Трегубова Ю.С. Многомерный статистический анализ устойчивости развития регионов Российской Федерации // Наука и бизнес: пути развития. 2015. № 8. С. 92–96.
Мокеев В.В., Соломахо К.Л. Об использовании метода главных компонент для анализа деятельности предприятий // Вестник Южно-Уральского государственного университета. Сер.: Экономика и менеджмент. 2013. Т. 7. № 3. С. 41–46. URL: Link
Малкина М.Ю. Динамика и факторы внутрирегиональной и межрегиональной дифференциации доходов населения РФ // Пространственная экономика. 2014. № 3. С. 44–66. URL: Link
Арженовский С.В., Бахтеев А.В., Слободян А.С. Логит-модели для оценки риска преднамеренного искажения финансовой отчетности российских банков // Международный бухгалтерский учет. 2019. Т. 22. № 1. С. 24–37. URL: Link
