WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 |

- регионы с более высоким притоком мигрантов в 1998-2003 гг., согласно исследованию ОПОРА-ВЦИОМ, характеризуются более высокой коррумпированностью правоохранительных органов в году.

Дискуссионные материалы: не для цитирования 11/04/Наибольшая инвестиционная активность (инвестиции на душу) наблюдается:

- в относительно более богатых регионах;

- в регионах с относительно более теплым климатом (средняя температура января) с одной стороны, с другой – в регионы с вечной мерзлотой (по-видимому, связано с разработкой новых месторождений природных ресурсов в этих регионах);

- в регионах с более высокой долей сырья в промышленном выпуске;

- в регионах с более развитой инфраструктурой:

более высокими инвестициями в строительство (строительство является частью инвестиций, отсюда высокая статистическая значимость этого показателя при коэффициенте эластичности равном единице), большим числом телефонов на душу населения (показатель существенен при исключении инвестиций в строительство);

большей ожидаемой продолжительностью жизни (этот показатель может использоваться как характеристика качества медицинсткого обслуживания, также используется как характеристика «качества жизни» и уровня развития институтов);

- в регионах с большим уровнем инвестиций в рассматриваемый период (1998-2003) в 2005 году наблюдаются относительно лучшие показатели в плане коррумпированности чиновников в отношении малого бизнеса (по данным ОПОРА-ВЦИОМ).

Дискуссионные материалы: не для цитирования 11/04/Литература НИСП 2006. Социальный атлас российских регионов.

http://atlas.socpol.ru/overviews/econ_condition/index.shtml#econ_inequality Denison, E.F. The Sources of Economic Growth in the United States and the Alternatives Before Us, Committee for Economic Development, New York, 1962.

Denison, E.F. Why Growth Rates Differ: Post-War Experience in Nine Western Countries, Brookings Institution, Washington, 1967.

Denison, E.F. Accounting for United States Economic Growth 1929–1969, Washington, Brookings Institution, 1974.

Barro, R., Determinants of Economic Growth: A Cross-Country Empirical Study, Lionel Robbins Memorial Lectures, MIT Press, 1997.

Barro, R., X. Sala-i-Martin Economic Growth. 2nd ed. The MIT Press, 2004.

Griliches, Z., Jorgenson, D.W. The Explanation of Productivity Change, The Review of Economic Studies, V. 34, No. 3. (Jul., 1967), 249–283.

Rodrik Dani, (ed.) In Search of Prosperity: Analytical Narratives on Economic Growth.

Princeton University Press, Daron Acemoglu, MIT, Simon Johnson, MIT, and James Robinson, UC Berkeley, Institutions as the Fundamental Cause of Long-Run Growth, Ch 06 HANDBOOK OF ECONOMIC GROWTH, Steven Durlauf, Paul Johnson and Jonathan Temple, Growth Econometrics Ch HANDBOOK OF ECONOMIC GROWTH, Mankiw, Romer, Weil, A Contribution to the Empirics of Economic Growth, NBER WP3541.

Gallup J., Gaviria A. & Lora E., Is Geography Destiny Lessons from Latin America.

Stanford: Stanford University Press, Mellinger A., Sachs J & Gallup J. Climate, Water Navigability and Economic Development, CID Working Paper, Rodrik Dani. (1999). “Where Did All the Growth Go External Shocks, Social Conflict, and Growth Collapses,” Journal of Economic Growth, 4, 4, 385-Getis Arthur, Mur Jesus & Zoller Henry (ed.) Spatial Econometrics and Spatial Statistics, Palgrave, London Anselin L., Florax R.J.G.M. & Rey S. J. (ed.) Advances in Spatial Econometrics.

Methodology, Tools and Applications. Springer, Berlin 2004.

Fingelton B. (ed.) European Regional Growth, Springer, Berlin 2003.

Дискуссионные материалы: не для цитирования 11/04/Solow R.M. Technical Change and the Aggregate Production Function // The Review of economics and Statistics. V. 39 No. 3 (Aug. 1957). P. 312-Fingleton, Bernard 2002. “Theoretical Economic Geography and Spatial Econometrics:

Bridging the Gap between Theory and Evidence” Mankiw, Romer, Weil (1992) A Contribution to the Empirics of Economic Growth, The Quaterly Journal of Econometrics, 107, 2.

Islam (1995) Growth Empirics: A Panel Data Approach, The Quaterly Journal of Econometrics, 110, 4.

Sach, Warner (1997) Natural Resource Abundance and Economic Growth, Center for International Development and Harvard Institute for International Development Дискуссионные материалы: не для цитирования 11/04/Приложение 1: Пространственная эконометрика.

Матрицы весов Моделирование пространственных взаимозависимостей начинается с задания и выбора матрицы пространственных весов. Матрица весов формализует предположение о том, что регион связан с некоторым множеством соседних регионов. Существует несколько видов (Anselin 1988, Fingleton 2003) таких матриц: матрица граничных соседей, матрица k ближайших соседей, матрица расстояний, матрица расстояний, учитывающая размер (мощность) региона. Все матрицы весов – квадратные. На главной диагонали стоят нули. Это необходимо для того, чтобы учесть влияние только соседних регионов (в заданном понимании соседства) и исключить влияние региона самого на себя (это можно сделать непосредственно в модели). Каждая строка матрицы представляет собой веса, с которыми все остальные регионы влияют на заданный регион. Как правило, матрица весов стандартизуется по строкам (сумма весов по строке равна единице). Во-первых для того, чтобы матрица обладала хорошими свойствами и чтобы избежать проблем с обращением матриц в эконометрических пакетах, и, вовторых, чтобы учесть не абсолютные, а относительные расстояния между регионами, в случае матрицы расстояний.

Простейший случай учета пространственных связей представляет собой бинарная матрица граничных соседей (contiguity matrix) 0, if i = j wij = if j is contigious with i, (П1.1) 1, 0, otherwise в которой предполагается, что на регион влияют только его непосредственные соседи, с которыми регион имеет общие границы. Соответственно, влияние регионов, граничащих с соседями (регионов второго, третьего и т.д. круга) считается несущественным, что не совсем реалистично и с географической и с экономической точки зрения.

Более комплексное понимание соседства реализовано в бинарных матрицах k ближайших соседей:

0, if i = j 1, wij (k) = if dij di (k), (П1.2) 0, if dij > di (k) где di (k) - наименьшее расстояние k -го порядка между регионами i и j, так что каждый регион i имеет в точности k соседей. Технически, основная идея заключается в том, что сначала для каждого региона рассчитываются расстояния до всех остальных регионов, после чего выбирается k наименьших расстояний, так что k -е расстояние для рассматриваемого региона служит границей отсечения, после которого межрегиональные взаимодействия считаются несущественными. Далее, если регионы являются соседями в таком смысле, в ячейках соответствующих строк матрицы весов ставятся единицы, в противном случае – нули. Обычно в целях устойчивости Дискуссионные материалы: не для цитирования 11/04/получаемых результатов в пространственном анализе рассматриваются матрицы 10, 15, 20 и 25 ближайших соседей.

Отметим, что поскольку матрица бинарная, то стандартизация по строкам приводит к тому, что для заданного региона влияние соседей учитывается с одинаковыми весами. Поэтому такие матрицы целесообразно использовать в тех случаях, когда регионы рассматриваемой экономической системы достаточно однородны по площади и, соответственно, по расстояниям между региональными центрами, так чтобы и охват территории, на которой регион испытывает влияние соседей, был достаточно равномерным от региона к региону. Применение одинаковых весов в этом случае будет правдоподобным. Матрицы ближайших соседей, например, часто используются в европейских исследованиях экономического роста (Fingleton 2003).

Тем не менее, применение таких матриц для регионов России показало, что они работают нестабильно и, в целом, хуже чем матрицы расстояний (см. ниже): коэффициенты пространственной корреляции, рассчитанные по матрицам ближайших соседей, если и оказываются значимыми, то существенно меньшими по величине, чем те же коэффициенты для матриц расстояний. Можно предположить почему: российские регионы существенно неоднородны по площади. К примеру, в случае матрицы 10 ближайших соседей, для регионов Центрально-европейской части или Юга России критическое расстояние отсечения будет в среднем составлять тысячу километров, в то время как для регионов Сибири и Дальнего Востока – тысячи километров. Понятно, что в первом случае влияние соседей на рассматриваемый регион недоучитывается, а во втором, наоборот переучитывается. При этом, использование одинаковых весов так же не совсем корректно, поскольку регионы существенно различаются по размеру и мощности. В связи с этим, расчеты пространственных коэффициентов корреляции и эконометрическая оценка моделей проводились с использованием матриц расстояний.

Пространственные веса стандартной матрицы расстояний (distance matrix) рассчитываются следующим образом:

0, if i = j 1/ wij (q) = dij, if dij D(q), (П1.3) 0, if dij > D(q) где dij - расстояние между региональными центрами, а D(q) - квартили расстояний, q = 1, 2,3, 4. Как правило, коэффициент считается равным двум. В этом случае, коэффициент матрицы весов представляет собой аналог коэффициента гравитации:

притяжение регионов обратно пропорционально квадрату расстояния. Чем дальше находятся регионы географически, тем меньшее влияние они оказывают друг на друга.

В случае если q < 4, критическим расстоянием отсечения, дальше которого взаимовлияние считается несущественным, считается соответствующий квартиль расстояния D(q). В случае когда q = 4, в матрице весов учитываются все расстояния, так что нули содержат только элементы главной диагонали.

Наряду с обычной матрицей расстояний, в некоторых работах (см. например Fingleton 2002) используется матрица расстояний, учитывающая размер региона, веса которой рассчитываются в соответствии с формулой:

0, if i = j A wij (q) = / dij, if dij D(q), (П1.4) j 0, if dij > D(q) где Aj - показатель размера или мощности соседнего региона j (ВРП, объем промышленной продукции, и пр.).

Дискуссионные материалы: не для цитирования 11/04/Однако здесь важно отметить, что веса пространственной матрицы должны быть экзогенны по отношению к модели, для того чтобы избежать проблем идентификации (J. Le Gallo 2003). Поэтому в данной работе использовались только матрицы ближайших соседей и матрицы расстояний, в которых веса рассчитывались только по географической дистанции между регионами. В качестве меры расстояния использовалось кратчайшие расстояние по автомобильным дорогам между региональными центрами (в километрах).

Показатели пространственной корреляции Следующий этап в пространственном анализе – проверка переменных модели и остатков, оцененных методом наименьших квадратов, на возможную пространственную корреляцию. Для этого с помощью заданной матрицы весов рассчитывается показатель общей пространственной автокорреляции (Global Moran’s I):

n n wij (Yi -Y )(Yj -Y ) n i j I =, (П1.5) n S(Yi -Y ) i n n где Y - исследуемый признак, а S0 = wij - сумма весов пространственной i j матрицы W. Обозначив через Z = Y -Y отклонение признака от среднего значения Y, (7) удобно переписать в матричной форме:

n Z WZ I = (П1.6) S0 Z Z Содержательно коэффициент пространственной автокорреляции показывает степень линейной взаимосвязи между вектором Z нормированных значений признака Y и вектором WZ пространственно взвешенных средних признака Y в соседних регионах, который называется пространственным лагом (Spatially lagged vector). Значения статистики I, большие математического ожидания E(I) = -1/(n -1), отражают положительную пространственную автокорреляцию. То есть, большим значениям взвешенных средних (в соответствии с заданной матрицей) признака Y в соседних регионах соответствуют большие значения Y в каждом из рассматриваемых регионов.

Соответственно, значения статистики, меньшие математического ожидания, свидетельствуют о наличии отрицательной пространственной автокорреляции.

Разброс значений исследуемого признака относительно пространственного лага удобно визуализируется при помощи пространственной диаграммы рассеяния (Moran Scatter Plot). По оси абсцисс откладываются значения вектора z стандартизованного признака, z = (Y -Y ) / sd(Y ), а по оси ординат значения вектора Wz взвешенных средних признака в соседних регионах. Помимо этого, на диаграмме также отображается линия регрессии Wz на z, наклон которой равен коэффициенту общей пространственной автокорреляции I.

При этом диаграмма рассеяния разделена на четыре квадранта (HH, LH, LL, HL) каждый из которых качественно характеризуется определенным типом пространственной близости:

Дискуссионные материалы: не для цитирования 11/04/• Правый верхний квадрант диаграммы (HH) показывает группировку, в которой регионы с высоким значением признака находятся в окружении регионов так же с высокими значениями исследуемого признака;

• Левый верхний (LH) – регионы с низким значением окружены регионами с высоким значением признака;

• Левый нижний (LL) – регионы с низким значением окружены регионами так же с низкими значениями признака;

• Правый нижний (HL) – регионы с высоким значением окружены регионами с низким значением признака.

Квадранты HH и LL характеризуются положительной пространственной автокорреляцией, отражающей группировку регионов с похожими значениями признака. Квадранты LH и HL, наоборот, характеризуются отрицательной пространственной автокорреляцией, что говорит о наличии кластеризации непохожих значений признака. Таким образом, пространственная диаграмма рассеяния может помочь в выявлении нетипичных регионов, относящимся к квадрантам LH либо HL.

Выявление пространственной корреляции (кластеризации регионов) при помощи коэффициента общей пространственной автокорреляции и диаграммы рассеяния, тем не менее, представляет собой только первый шаг в пространственном анализе.

Статистика I показывает только, что значения исследуемой переменной Y пространственно кластеризованы в большей степени, нежели чем при случайном распределении, однако не объясняет, почему это происходит. Поэтому следующим этапом анализа является проверка гипотез о характере пространственных взаимодействий.

Обычно в пространственном анализе рассматривают три типа моделей: модель пространственного лага, модель лага только на экзогенные переменные и модель пространственной ошибки. Рассмотрим последовательно каждую из них.

Модель пространственного лага (Spatial Lag Model) В матричной форме модель пространственного лага записывается в виде:

Pages:     | 1 |   ...   | 2 | 3 || 5 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.