Энонометрическое моделирование факторов инновационного развития

Переменной, показывающий человеческий капитал является количество людей, занятых исследованиями и разработками (тысяч чел.) — CHELCAP. Ещё одним стимулом повышения инновационной активности в регионе является увеличение спроса на инновационную продукцию. Согласно общеизвестному закону, чем выше спрос, тем выше предложения товаров, соответственно инновационная активность повышается. В качестве регрессора, отображающего изменение спроса, будет взят индекс промышленного производства, посчитанный как объём отгруженных инновационных товаров и услуг в процентах к предыдущему году (INDPROM).Физический капитал — это следующий фактор, влияющий на инновационную активность. Данное предположение сделано на основе того, что накопление промышленных и исследовательских фондов позволит снизить риски, связанные с неопределённостью, и положительно повлиять на инновационную активность. Инвестиции в основной капитал и стоимость основного капитала (млн. руб.) — показатели, выбранный для отображения влияния физического капитала на инновационную активность, и обозначается — INVEST, FIZCAP соответственно. Следующий фактор, характеризующий экономическое развитие в регионе — это сальдированный финансовый результат фирм (млн. руб.) — SALDFIN.

Также предполагается, что затраты на технологическое производство (млн. руб.) должно в положительной степени влиять на инновационную активность. В модели данная переменная называется — ZATRTEH. В модель будет включен качественный фактор: наличие специализированных региональных институтов развития, нацеленных на поддержку субъектов, занимающихся инновационной деятельностью — SPECINST. Предполагается, что они будут оказывать положительное влияние на патентную активность. 2.2 Эконометрическое моделирование факторов инновационного развития российских регионов.

Построение эконометрической модели проводится на основе данных по 74 регионам РФ, в период с 2006 по 2016 год (858 наблюдений). Из выборки были исключены субъекты, по которым отсутствовала значительная часть информации и которые характеризуются низким уровнем патентной активности (менее 20 патентных заявок): Камчатский край, Сахалинская область, Республика Калмыкия, Республика Хакасия, Карачаево-Черкесская Республика, Магаданская область, Республика Алтай, Республика Ингушетия, Республика Тыва. Все использованные панельные данные были взяты из статистических сборников Росстата. Эконометрический анализ проводился с применением кластерной методики, поскольку Российская Федерация известна огромной площадью своей территории и большим количеством субъектов с различным уровнем развития инновационной сферы. На основании асимметрии развития субъекты были разделены на три группы (приложение С), для каждой из которых строилась регрессионная модель. Модель также была сформирована для всей выборки рассматриваемых регионов. Процесс построения эконометрической модели происходит в несколько этапов: 1) анализ выборки; 2) построение модели; 3) диагностирование модели на наличие гетероскедастичности и автокорреляции. На первом этапе сначала проводится анализ количественных данных. После использования столбчатых диаграмм были удалены выбросы и распределение приближено к нормальному.

Затем регрессоры проверяются на мультиколлинеарность с помощью построения корреляционных матриц, в результате чего были удалены следующие показатели: 1) из первой группы субъектовINVEST, VNZATR; 2) из второй группы субъектов — FIZCAP, VNZATR; 3) из третьей группы -INVEST;4) из четвертой группы (модель для всей выборки регионов) — INVEST (приложение В). На втором этапе строились регрессии. Поскольку в данной работе велось исследование панельных данных, для начала нужно было проверить регрессию на спецификацию и выбрать модель из «PooledModel»,"FixedEffectModel" и «RandomEffectModel». Первая модель не подходит для используемых данных, поскольку она не учитывает специфические особенности регионов. Для выбора между второй и третьей моделями проводились тесты на спецификацию «CorrelatedRandomEffects — HausmanTest» для каждой модели. В результате выполнения тестов «FixedEffectModel» — оказалась наилучшей спецификацией для первой, второй, третьей групп субъектов и для всей выборки регионов. Также среди всех рассматриваемых спецификаций полулогарифмическая оказалась наилучшей для моделей. После построения регрессии для первой группы регионов факторы SALDFIN, YCHEN оказались не значимыми на пяти процентном уровне значимости, поэтому они были исключены.

В результате получилась модель из шести факторов (Приложение D). Полученная эконометрическая модель является значимой, поскольку Prob (F-Statistic) максимально приближена к нулю. Коэффициент детерминации R-квадрат равен 0,56, значит, модель объясняет 56% вариаций зависимой переменной. О высоком качестве модели свидетельствует и коэффициент Дарбина-Уотсона, который равен 1.78, что приближено к двум, следовательно автокорреляция отсутствует.

В целом регрессионная модель признана значимой. Следующим шагом в оценке полученной регрессии будет проверка на гетероскедастичность с помощью теста «Breusch-Pagan-Godfrey» (приложение E).Нулевая гипотеза предполагает, что в модели присутствует гомоскедастичность в модели. В полученной модели F = 0.0673 > 0,05, тест не отклонил нулевую гипотезу и можно говорить, что в модели нет гетероскедастичности. Поскольку после проверки коэффициентов с помощью t-statistic несколько факторов были исключены, необходимо снова провести тест на спецификацию модели. Результаты тестирования представлены вприложении F."HausmanTest" подтвердил, что спецификация модели с фиксированными эффектами является предпочтительной. Для второй группы субъектов также была построена регрессия и следующие показатели оказались незначимыми на пяти процентном уровне значимости: INDPROM; INVEST; SALDFIN; PROMCON; YCHEN.

В итоге получилась модель с четырьмя факторами, характеристики которой представлены в приложении G. Вторая регрессионная модель является значимой, поскольку Prob (F-Statistic) максимально приближена к нулю. В этом случае коэффициент детерминации R-квадрат равен 0,68, значит, модель объясняет 68% вариаций зависимой переменной. Коэффициент Дарбина-Уотсона равен 1.88, что приближено к двум, следовательно автокорреляция отсутствует. Следующим шагом в оценке полученной регрессии будет проверка на гетероскедастичность с помощью теста «Breusch-Pagan-Godfrey». Результаты тестирования представлены вприложении H. Нулевая гипотеза предполагает, что в модели присутствует гомоскедастичность в модели. В полученной модели F = 0.0643 > 0,05, тест не отклонил нулевую гипотезу и можно считать, что в модели нет гетероскедастичности.

После проверки коэффициентов с помощью t-statistic несколько факторов были исключены, поэтому необходимо снова провести тест на спецификацию модели (приложение I). &# 171;HausmanTest" подтвердил, что спецификация модели с фиксированными эффектами является предпочтительной. В результате построения третьей эконометрической модели факторы INDPROM, SALDFIN, SPECINS, ZATRTEH оказались незначимыми на пятипроцентном уровне значимости (приложение J). В случае с третьей моделью коэффициент детерминации R-квадрат равен 0,63, значит, модель объясняет 63% вариаций зависимой переменной. Коэффициент Дарбина-Уотсона равен 1.99, что приближено к двум, следовательно автокорреляция отсутствует.

Следующим шагом в оценке полученной регрессии будет проверка на гетероскедастичность с помощью теста «Breusch-Pagan-Godfrey» (приложение.

К).Нулевая гипотеза предполагает, что в модели присутствует гомоскедастичность в модели. В полученной модели F = 0,0943 > 0,05, тест не отклонил нулевую гипотезу и можно считать, что в модели нет гетероскедастичности. После проверки коэффициентов с помощью t-statistic несколько факторов были исключены, поэтому необходимо снова провести тест на спецификацию модели (приложение L). &# 171;HausmanTest" подтвердил, что спецификация модели с фиксированными эффектами является предпочтительной. В результате построения четвертой эконометрической модели факторы INDPROM, SALDFIN, SPECINS, ZATRTEH оказались незначимыми на пятипроцентном уровне значимости (приложение M).

В случае с четвертой моделью коэффициент детерминации R-квадрат равен 0,59, значит, модель объясняет 59% вариаций зависимой переменной. Коэффициент Дарбина-Уотсона равен 1.92, что приближено к двум, следовательно автокорреляция отсутствует. Следующим шагом в оценке полученной регрессии будет проверка на гетероскедастичность с помощью теста «Breusch-Pagan-Godfrey» (приложение N).Нулевая гипотеза предполагает, что в модели присутствует гомоскедастичность в модели. В полученной модели F = 0,0823 > 0,05, тест не отклонил нулевую гипотезу и можно считать, что в модели нет гетероскедастичности. После проверки коэффициентов с помощью t-statistic несколько факторов были исключены, поэтому необходимо снова провести тест на спецификацию модели (приложение O).

&# 171;HausmanTest" подтвердил, что спецификация модели с фиксированными эффектами является предпочтительной. В итоге были построены четыре эконометрические модели, которые являются приемлемыми для дальнейшего их использования в сравнительном анализе инновационной активности субъектов РФ. В результате эконометрического анализа и кластерной методики были построены четыре регрессионные модели, отображающие влияние различных факторов на количество патентных заявок в регионе. Полученные зависимости можно найти в приложение Q. Для начала необходимо интерпретировать полученные результаты для модели первой группы. На территории регионов, входящих в эту группу, инновационная активность растёт главным образом за счёт затрат на технологические исследования и разработки.

Увеличение финансирования на один миллион рублей приводит к росту объёма патентных заявок на 3,87 процента. Следующий по значимости показатель — это человеческий капитал. Если количество занятых в сфере исследований и разработок увеличится на одну тысячу, то и зависимая переменная возрастает на 3,99 процента. Еще один показатель, положительно влияющий на зависимую переменную — это стоимость физического капитала. С увеличением стоимости запаса производственных ресурсов на один миллион рублей количество заявок на патенты в регионе возрастает на 1,47 процента. Наличие в регионе специализированных институтов, поддерживающих субъекты инновационной деятельности и реализацию новых инновационных проектов, повышает объём заявок на 0,199 процента.

Не значительно, но всё же имеют своё влияние индекс промышленности и промышленная концентрация. Стоит отметить, что показатель, отражающий исследователей с учёными степенями, оказался незначительным в сравнении с остальными исследователями. Можно это объяснить тем, что в стране низкий уровень мотивации и стимулирования инновационной деятельности учёных, направленной на изобретение новых продуктов и технологий. Сальдированный финансовый результат организаций также не является значимым, поскольку технологические исследования и разработки финансируются за счёт федерального бюджета. Несмотря на то, что факторы, влияющие на инновационную активность во второй группе регионов, отличаются от регрессоров первой модели, человеческий капитал и финансирование исследований и разработок увеличивают объём патентных заявок на 4,45 и 1,87 процента, соответственно. При этом инновационная активность зависит от уровня экономического развития региона и сальдированного финансового результата предприятий. Рост этого показателя на один миллион рублей повлечёт за собой увеличение на 5,45 процента количества патентных заявок.

Также инновационная деятельность стимулируется за счёт инвестиций в основной капитал, что способствует накоплению производственных ресурсов, необходимых для реализации инновационного процесса. Незначимым показателем оказалась величина внутренних затрат на исследования и разработки. Можно предположить, что это происходит вследствие того, что значительная часть финансируется извне. Накопленные регионами богатства в форме физического капитала в большей степени, чем остальные показатели стимулируют инновационную деятельность в третьей группе субъектов РФ. С увеличение значения фактора на один миллион людей патентные заявки возрастут на 2,39 процента. Такие факторы как промышленная концентрация, человеческий капитал, исследователи с учёными степенями и внутренние затраты влияют на реализацию инновационной деятельности в меньшей степени — 0,013%, 0,27%, 0,001% и 0,0005% соответственно. Если рассматривать три группы вместе, то можно сделать вывод, что самым значительным фактором является человеческий капитал, поскольку он присутствует в трёх моделях.

В третьей, слабое влияние человеческого капитала, скорее всего, обусловлено утечкой кадров. Наличие физического капитала и его инвестирование также имеет большое значение для субъектов из всех групп, поскольку он создаёт и спрос на инновационные продукты, и их предложение. Финансирование инновационных исследований и разработок преимущественно ведётся в первой и второй группе, в то время как в третьей, этот показатель оказался незначительным по сравнению с внутренними затратами. Учитывая, что исследование проводилось с использованием кластерной методики и все регионы были разделены на три группы по патентному признаку, можно сделать вывод, что большее количество заявок на патенты в первой и второй группе вызвано интенсивным финансированием и притоком человеческого капитала. Согласно полученным результатам внутренние затраты на научные исследования и разработки в малой степени влияют на патентную активность, или не влияют вообще.

На основании данного явления можно предположить, что инновационная сфера в России имеет низкую инвестиционную привлекательность, что связано с сопутствующими рисками. Незначительность влияния показателя индекса промышленности во всех регионах свидетельствует о том, что на рынке инноваций отсутствует спрос на высокие технологии. Корни данной проблемы уходят в неизученный спрос и неготовность людей к новшествам. Также стоит обратить внимание на то, что усилия специализированных институтов, поддерживающих субъекты инновационной деятельности и реализацию новых инновационных проектов, оказывают значимое влияние только в первой группе регионов. Это явление можно объяснить слабой инновационной политикой в отстающих регионах и тем, что в лидирующей группе содержится большее количество регионов с высокой концентрацией подобных организаций чем в остальных группах. Поскольку в полученных эконометрических моделях показателем инновационной активности выступает количество патентных заявок на научно-технологические изобретения и полезные модели можно говорить, что существуют факторы, сдерживающие патентную активность.

В настоящее время в России не все изобретения патентуются из-за административных барьеров и несовершенства нормативно правовой базы. Относительно маленькое влияние промышленной концентрации на инновационную активность свидетельствует о том, что распространение положительных эффектов от инновационной деятельности происходит крайне медленно. Следовательно в регионах наблюдается медленная текучесть знаний в отраслях, что способствует снижению инновационной активности. В свою очередь, текучесть знаний является очень важным катализатором для разработки новых идей, применимых в новых условиях.

На основе полученных результатов можно разработать комплекс мер, направленных на поддержку инновационной деятельности в регионах. Во-первых, при реализации инновационной политики необходимо наладить связь между наукой образованием и бизнесом. Это позволит ускорить текучесть знаний между отраслями, что увеличит темпы инновационного процесса и позволит воплотить идею в продукт. Во-вторых, для того, чтобы не допускать утечки человеческого капитала важно обеспечить благоприятные условия для людей, занимающихся инновациями, путём создания университетов, дополнительного финансирования и гарантии защиты, созданной интеллектуальной собственности. В-третьих, необходимо увеличить финансирование научно-технических разработок преимущественно в регионах, где значение данного показателя является незначимым, то есть в третьей группе. Выделение дополнительных денег позволит отстающим субъектам значительно подняться в своём инновационном развитии.

Следующий аспект, который заслуживает особого внимания, это направленность инновационной деятельности на коммерциализацию собранных научных знаний. Для стремительного развития инновационной сферы необходимы дополнительные источники финансирования, обеспеченные частным бизнесом. Согласно данным, собранным НАИРИТ (Национальная ассоциация инноваций и развития информационных технологий) доля бизнес структур в финансировании разработок и внедрения инновационных технологий составляет около двадцати пяти процентов от общего объёма затрат. В то же время, в развитых странах значение показателя колеблется около шестидесяти процентов. Со стороны государства нужно создать все условия для повышения инвестиционной привлекательности инновационной сферы. Ответственные структуры должны разрабатывать комплекс мер, направленный на привлечение всех субъектов малого бизнеса к инновационной деятельности, расширение практики государственно-частного партнёрства и совершенствование нормативно-правовой базы. Поскольку одной из основных проблем низкого уровня инновационной активности является отсутствие спроса на инновации, важным этапом становления России на инновационный путь развития является изучение структуры спроса на рынке и дальнейшее распространение и внедрение отечественных инновационных продуктов и технологий.

Следует обратить особое внимание на создание во всех регионах специализированных институтов, поддерживающих субъекты инновационной деятельности и реализацию новых инновационных проектов. Стоит отметить, что работа в регионах должна вестись на постоянной основе по всем направлениям независимо от того, в какую группу они входят. В современном быстро развивающемся обществе инновационный процесс требует постоянных разработок и исследований.

ЗАКЛЮЧЕНИЕ

Сегодня Россия уже вступила на инновационный путь развития.

Вместе с тем, в инновационной сфере требуются существенные преобразования, направленные на стимулирование инновационной активности. Положительные результаты инновационной деятельности способствуют прогрессу во всех сферах жизни общества. В настоящем исследовании после изучения соответствующей теоретической базы был проведён эмпирический анализ факторов инновационногоразвития регионов России. В результате проведенного анализа была выявлена асимметрия в развитии инновационной сферы регионов и было принято решение использовать кластерный анализ при сравнении субъектов. В качестве зависимой переменной выступило значение количества поданных патентных заявок по регионам. Данный показатель наиболее точно характеризует инновационную активность на уровне изобретения и позволяет рассмотреть проблему большого объёма заимствований инноваций в стране.

Для определения регрессоров на базе отечественной и зарубежной литературы был проведён факторный анализ. Далее все регионы были отнесены к трём группам по патентному признаку, после чего для каждого типа территории строилась регрессионная модель. В результате комплексного эконометрического анализа было выявлено, что самым значительным фактором, влияющим на инновационную активность, является человеческий капитал, поскольку он присутствует в трёх моделях. В третьей группе слабое влияние человеческого капитала, скорее всего, обусловлено утечкой кадров. Наличие физического капитала и его инвестирование также имеет большое значение для субъектов из всех групп, поскольку он создаёт и спрос на инновационные продукты, и их предложение.

Финансирование инновационных исследований и разработок преимущественно ведётся в первой и второй группе, в то время как в третьей этот показатель оказался незначительным по сравнению с внутренними затратами. Следовательно, можно сделать вывод, что большее количество заявок на патенты в первой и второй группе вызвано интенсивным финансированием НИРи притоком человеческого капитала. Относительно невысокое влияние промышленной концентрации на инновационную активность свидетельствует о том, что распространение положительных эффектов от инновационной деятельности происходит крайне медленно. Следовательно в регионах наблюдается текучесть знаний в отраслях, что способствует снижению инновационной активности. В свою очередь, текучесть знаний является очень важным катализатором для разработки новых идей, применимых в новых условиях. На основе полученных результатов можно разработать комплекс мер, направленных на поддержку инновационной деятельности в регионах. Особое внимание следует обратить на то, что усилия специализированных институтов, поддерживающих субъекты инновационной деятельности и реализацию новых инновационных проектов, оказывают значимое влияние на инновационную активность только первой группы регионов.

Это явление объясняется слабой региональной политикой в отстающих регионах и тем, что в лидирующей группе содержится большее количество регионов с высокой концентрацией подобных организаций, чем в остальных группах. Незначительность степени влияния показателя индекса промышленности во всех регионах свидетельствует о том, что на рынке инноваций отсутствует спрос на высокие технологии. Поставленная в исследовании гипотеза о том, что отличия регионов в уровнях инновационной активности обусловлены разной степенью влияния определённых факторов, подтвердилась. В каждой группе регионов сила влияния тех или иных показателей различается. Ценность данной работы обусловлена тем, что с помощью проведения эконометрического исследования и разделения регионов на кластеры появилась возможность провести сравнительный анализ инновационной активности регионов. Остальные существующие эконометрические исследования в основной массе охватывают сразу весь перечень субъектов РФ, что не даёт возможности проводить сравнительный анализ.

Практическая значимость проведённого исследования заключается в том, что на основе полученных результатов можно разработать комплекс мер, направленных на поддержку инновационной деятельности в регионах.

СПИСОК ЛИТЕРАТУРЫ

О науке и государственной научно-технической политике: Федеральный закон от 23.

08.1996 N 127-ФЗ Лесков С. Л. Живая инновация Мышление XXI века. М.: Просвещение, 2009.

Сериков В. В. Формирование субъекта социальных инновация как стратегия профессионального образования //Известия. — 2009. — №. 6.

. — С. 119−223.Рейтинг инновационного развития субъектов Российской Федерации. Выпуск 5 / Г. И.

Абдрахманова, П. Д. Бахтин, Л. М. Гохберг и др.; под. ред. Л. М. Гохберга; Нац. исслед. ун-т &#.

171;Высшая школа экономики". — М.: НИУВШЭ, 2017. — 260 с. Система оценки и мониторинга инновационного развития регионов России [Текст]/ И. М. Бортник [и др.]// Инновации. 2012. №.

9 (167). С.48−61.Трофимов Н. А. Инновации для «зеленого» развития [Текст]/ Н.А. Трофимов// Наука за рубежом. Сентябрь 2014. № 34. С.3−20.Фатхутдинов Р. А., Фатхутдинов И. Р.

Инновационный менеджмент: для экономических и технических специальностей / под общей ред. И. Р. Фатхутдинова М.: Питер, 2008.

Федеральная служба государственной статистики. [Электронный ресурс] - URL:

http://www.gks.ru (дата обращения: 30.

01.2018)Фоломьев А. Н. Инновационный тип развития экономик / под общей ред. А. Н. Фоломьева. М.: РАГС, 2008.

Унтура.

Г. А. Инновационное развитие регионов России: неравномерность, кооперация и конкуренция [Текст]/ Г. А. Унтура// Регион: экономика и социология. 2015. № 1. С.275−304.Ускова О. Пять лет инновационного развития России [Текст]/ О.

Ускова// Известия. 2012. № 23.

С.14−16.Шляхто.

И.В. Оценка инновационного потенциала региона [Текст]/ И.В. Шляхто// Управление общественными и экономическими системами. 2007. № 1. С.33−47.Яковлева Н. В. Институциональные факторы инновационного развития промышленных регионов [Текст]/ Н.В. Яковлева// Вестник российской академии естественных наук. 2009. № 4. С.9−14.Portfolioinnovationindex. [Электронный ресурс] - URL:

http://www.statsamerica.org/innovation/reports/sections2/4.pdfRegionalInnovationScoreboard. [Электронный ресурс] - URL:

http://ec.europa.eu/news/pdf/2014regionalunionscoreboarden.pdf Schumpeter J. A. Capitalism, socialismanddemocracy. — Routledge, 2013TheEuropeanInnovationScoreboard. [Электронный ресурс] - URL:

http://ec.europa.eu/enterprise/policies/innovation/files/ius/ius-2014en.pdf TheInternationalInnovationIndex. [Электронный ресурс] - URL:

http://stats.areppim.com/archives/insightinnovrank2011.pdf TheGlobalCompetitiveness. [Электронный ресурс] - URL:

http://www.weforum.org/reports/global-competitiveness-report-2013;2014 TheGlobalInnovationIndex. [Электронный ресурс] - URL:

http://www.globalinnovationindex.org/content.aspx?page=gii-full-report-2013#pdfopener Twiss, B, Managementofscientificandtechnologicalinnovations, Economics, Moscow// HaciendaPublica, 1989 Schumpeter J. A. C apitalism, socialismanddemocracy. — R outledge, 2013 Fritsch M., Slavtchev V. D eterminantsoftheefficiencyofregionalinnovationsystems //RegionalStudies. -.

Т. 45. — №. 7. — С.

905−918, 2011. ПРИЛОЖЕНИЯПриложение А.Рейтинг субъектов РФ по значению Российского регионального инновационного индекса (РРИИ), 2014−2015 гг. Приложение В. Корреляционные матрицы.

Приложение C. Распределение регионов по группам№Регионы группы IКоличество поданныхпатентных заявок, шт. (2016).

1 г. Москва111 872г. Санкт-Петербург32 573.

Московская область30 244.

Республика Татарстан11 695.

Свердловская область9246.

Ростовская область8957.

Краснодарский край8948.

Республика Башкортостан8879.

Самарская область77 410.

Воронежская область71 011.

Новосибирская область70 312.

Нижегородская область64 913.

Пермский край54 214.

Челябинская область52 515.

Ивановская область50 516.

Томская область48 117.

Красноярский край46 718.

Курская область41 719.

Волгоградская область41 320.

Ульяновская область40 421.

Омская область39 322.

Саратовская область34 123.

Рязанская область29 124.

Иркутская область28 525.

Кемеровская область28 326.

Ярославская область279 Регионы группы IIКоличество поданныхпатентных заявок, шт. (2016).

1Владимирская область2772.

Тульская область2713.

Алтайский край2694.

Белгородская область2645.

Тюменская область2616.

Приморский край2587.

Удмуртская Республика2468.

Ставропольский край2329.

Хабаровский край22 410.

Тверская область22 211.

Пензенская область21 912.

Брянская область21 613.

Калужская область21 614.

Республика Дагестан21 015.

Чувашская Республика18 716.

Республика Крым17 717.

Кировская область16 818.

Тамбовская область15 119.

Ленинградская область15 020.

Республика Марий Эл15 021.

Оренбургская область14 422.

Амурская область14 023г. Севастополь12 824.

Астраханская область119 Регионы группы IIIКоличество поданныхпатентных заявок, шт. (2016).

1Республика Северная Осетия — Алания1152.

Вологодская область1083.

Республика Саха (Якутия).

Орловская область975Республика Карелия956Архангельская область897Курганская область858Республика Бурятия859Липецкая область8310.

Республика Мордовия8111.

Калининградская область7912.

Новгородская область7913.

Кабардино-Балкарская Республика7114.

Ханты-Мансийский автономный округ — Югра7015.

Псковская область6916.

Смоленская область6317.

Республика Коми6018.

Костромская область5219.

Ямало-Ненецкий автономный округ4720.

Мурманская область4521.

Чеченская Республика 4222.

Забайкальский край3123.

Еврейская автономная область2724.

Республика Адыгея25Приложение D. Модель для первой группы регионов.

Приложение E. Тест Бреуша-Пагана.

Приложение F. Тест на спецификацию.

Приложение G. Вторая модель.

Приложение H. Тест Бреуша-Пагана.

Приложение I. Тест на спецификацию.

Приложение J. Третья модель.

Приложение К. Тест Бреуша-Пагана.

Приложение L. Тест на спецификацию.

Приложение M. Четвертая модель (вся выборка регионов) Приложение N. Тест Бреуша-Пагана.

Приложение O. Тест на спецификацию.

Приложение Q. Эконометрические модели.