Вы находитесь на странице: 1из 6

Известия Саратовского университета. 2012. Т. 12. Сер. Экономика. Управление. Право, вып.

УПРАВЛЕНИЕ

УДК 330.43

ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ
ПРОСТРАНСТВЕННЫХ ВЗАИМОДЕЙСТВИЙ
О. С. Балаш

Саратовский государственный университет


E-mail: olgabalash@mail.ru

В статье рассматриваются эконометрические модели, учитывающие пространственное и


пространственно-временное распространение социально-экономических явлений и про-
цессов.
Ключевые слова: пространственный лаг, пространственные зависимые ошибки, весо-
вая матрица.

Econometric Modeling of Spatial Interaction

O. S. Balash

The article discusses the econometric models that include spatial and spatio-temporal distribution
of socio-economic phenomena and processes.
Key words: spatial lag, spatially dependent errors, the weigh matrix.

При анализе социально-экономических явлений, расположен-


ных на территории, возникает вопрос об их пространственном
взаимодействии. Например, каким образом экономическое развитие
одного региона влияет на все соседние, остальные, всю страну. При
этом использование статистических пространственных данных –
цифровых сведений об объектах, включающих информацию об их
местоположении и свойствах, пространственных и непростран-
ственных атрибутах, – позволяет всесторонне проанализировать
наличие и силу таких взаимодействий, делает актуальной разработку
пространственных моделей эконометрического анализа.
При построении классической регрессионной модели рас-
сматривают матрицу независимых переменных Х (n×k) и вектор
зависимых переменных уi (i=1,..., n). Такая регрессионная модель
имеет вид
y i =X i β+ε i ,
но не учитывает территориальную распространенность объектов
исследования.
Если наблюдение i представляет собой регион или точку в не-
кой области, то можно говорить о том, что матрица независимых
переменных имеет пространственную привязку. Она означает, что
наблюдения в одном районе (регионе) зависят от данных другого
района или региона. Например, цены однотипных близлежащих до-
мов не сильно варьируют относительно друг друга. Но если продается
дом по более высокой цене, то это скорее всего повлечет повышение
продажной цены близлежащих домов в течение полгода.
Для того чтобы учесть пространственную зависимость наблю-
даемых социально-экономических явлений и процессов, предложена

30 © Балаш О. С., 2012 Научный отдел


О. С. Балаш. Эконометрическое моделирование пространственных взаимодействий

модель пространственной автокорреляции spatial ближайшего соседа и включает наблюдение i само


autoregressive model (SAR) (К. Ord1, P. Whittle2): с собой. Пространственные лаги k-порядка содер-
n жат все взаимодействия со всеми k ближайшими
yi = ρ ∑ Wij y j + ε i , соседями, а также местоположение i.
j =1
Учитывая, что |ρ|<1, пространственное воз-
где yi – вектор зависимой переменной в точке i;
n действие k-порядка измеряет степень простран-
ρ – параметр, подлежащий оценке; ∑W
j =1
ij yj – ственного влияния, оказывающее уменьшающее
k-воздействие на точку i.
пространственный лаг, представляющий собой Интересно отметить, что в работах L. Katz3
линейную комбинацию переменной уj – соседних и P. Bonacich4 вектор
наблюдений точки i с Wij – элементами весовой ln
b=
пространственной матрицы W (n×n); εi – случай- (1 − ρ ) Р
ные ошибки. Считают, что ошибки распределены интерпретируется как мера центральности инди-
нормально с нулевым математическим ожиданием видуума в социальной сети. Матрица Р является
и постоянной дисперсией. бинарной матрицей, определяющей взаимоотно-
Элементы весовой матрицы, или веса, строят- шения сверстников и измеряющей количество
ся следующим образом: они равны единице, если прямых связей, которые имеет человек сети.
точка j является одним из ближайших соседей Например, если Р есть матрица друзей, то Р2 –
точки i, и нулю в противном случае. матрица друзей друзей и т. д.
В матричном виде модель SAR можно пред- Для анализа степени влияния на соседей и
ставить как исследования обратной связи при моделировании
y=ρWy+ε, (1) региональных связей относительно точки отсчета
2
где вектор ошибок ε ~ N(0, σ E n ); Еn – единич- L. Anselin предложил смешанную пространствен-
ная матрица размером n×n. ную авторегрессионную модель5:
Коэффициент ρ для пространственного Y = ρWy + Xβ + ε ,,
авторегрессионного процесса – это обычный
Y = ( En − ρW ) −1 Xβ + ( En − ρW ) −1ε (4)
коэффициент корреляции между вектором у и
2
ε ~ N(0, σ En).
пространственным лагом Wy. Если коэффициент
ρ положительный (отрицательный) и значимо от- В модели (4) β соответствует оцениваемому
личается от нуля, то существует положительная вектору параметров классической регрессии. Если
(отрицательная) автокорреляция. Если коэффи- пространственной зависимости не существует,
циент незначим, то автокорреляция отсутствует. то параметр ρ равен нулю – и смешанная модель
Выделим свободный член в регрессии. Для становится обычным регрессионным уравнением
этого введем вектор единиц ln размером n. Тогда с перекрестными данными, ее оценивают методом
y=αln+ρWy+ε. (2) наименьших квадратов.
Из (2) видно, что переменная у зависит При разработке экономической политики
от среднего значения α и пространственного региона органы местного самоуправления ча-
влияния соседних наблюдений, определяемых сто основываются на данных, имеющих про-
параметром ρ. странственно-временное распространение. Так,
После соответствующих преобразований установление региональных налоговых ставок
модели (2) имеем (транспортный налог, налог на имущество орга-
низаций) соотносится с аналогичными ставками
y=(En – ρW)–1lnα+ (En–ρW)–1lnε, ε ~ N(0, σ2En). (3) в соседних регионах в предыдущие периоды
Модель (3) выражает взаимное простран- времени.
ственное влияние соседних наблюдений друг на Рассмотрим пространственно-временную
друга. Упростив ее, получим схему авторегрессии. Это означает, что вектор
lα переменной yt зависит не только от момента
y = n ε + ρWε + ρ 2W 2ε + ...
1− ρ времени t, но и от пространственного влияния
Матрица весов W построена с учетом соседей соседних наблюдений.
первого порядка, то есть точек, непосредственно Обозначим Wyt–1 – временной лаг среднего
граничащих с выбранной точкой i. Матрица W 2 значения зависимой переменной, наблюдаемый в
отражает соседство второго порядка, то есть это предыдущий период; Xt – характеристики региона
соседи соседей первого порядка и т. д. Поэтому в момент времени t. Например, с течением вре-
матрица W 2 имеет положительные элементы на мени цены на квартиры зависят от аналогичных
диагонали при условии наличия хотя бы одного цен соседних домов, а независимые переменные

Управление 31
Известия Саратовского университета. 2012. Т. 12. Сер. Экономика. Управление. Право, вып. 3

(количество комнат, площадь кухни, этажность ной автокорреляции SAC (spatial autocorrelation
и т.п.) практически не меняются. model):
Тогда модель пространственно-временной у = αln + ρW1 y + Хβ + u, (10)
авторегрессии имеет вид u = θW2u + ε ,
yt = ρWyt −1 + Xβ + ε t . (5)
ε ~ N(0, σ2En),
При социально-экономическом анализе мы
часто имеем дело со скрытыми (ненаблюдаемы- у = ( En − ρW1 ) −1 ( Хβ + αln ) +
ми) переменными, тем не менее оказывающими + ( En − ρW1 ) −1 ( En − ρW2 ) −1ε . (11)
влияние на исследуемое явление, например, соци-
альная инфраструктура, криминогенность района, Заметим, что в (11) матрицы весов W1 и W2
наличие транспортных путей и т.п. Влияние таких могут быть равны между собой.
латентных переменных не всегда можно обнару- SAC-модель рассматривает пространствен-
жить прямыми методами. ную зависимость с двумя независимыми пере-
Одной из моделей, позволяющей учитывать менными и случайной ошибкой.
скрытые переменные, является модель простран- Для моделирования процесса в простран-
ственной авторегрессии: ственных регрессионных моделях вместо ав-
торегрессии можно использовать скользящую
z = ρWz + r (6) среднюю. Например, вид
y = ( En − ρW ) r ,
−1
(7)
u = ( En − θW )ε
где ρ – параметр, подлежащий оценке; r – вектор может быть использован для моделирования
случайных ошибок, имеющих нормальное распре- случайной ошибки. Такая модель обнаруживает
деление с нулевым математическим ожиданием и локальные эффекты, связанные с соседними на-
матрицей ковариации σ 2 Е n . блюдениями, в отличие от модели с глобальным
Матрица весов W имеет размерность n×n, эффектом (L. Anselin)7.
причем wij > 0, если наблюдение i граничит с Локальная модель скользящего среднего
наблюдением j, wij = 0 – если нет. Также предпо- может быть скомбинирована с глобальной про-
лагаем, для матрицы W сумма по каждой строке странственной моделью авторегрессии. Пред-
равна единице и матрица существует. Каждый ложена такая модель в 1998 г. L. Anselin и Bera и
элемент матрицы Wz есть линейная комбинация называется spatial autoregressive moving average
элементов, граничащих с вектором z. model (SARMA)8:
L. Anselin предложил пространственную
модель Дарбина (spatial Durbin model SDM)6, у = αln + ρW1 y + Хβ + u,
включающую пространственный лаг зависимой u = ( En − θW2 )ε , (12)
переменной Wy, вектор объясняющей переменной ε ~ N(0, σ2En),
х и пространственный лаг Wx:
у = ( En − ρW1 ) ( Хβ + αln ) + ( En − ρW1 ) −1 ( En − θW2 )ε .
−1

( En − ρW ) y = ( En − ρW ) xβ + xγ + v,
Различие между моделями SAC и SARMA
или y = ρWy + x( β + γ ) + Wx ( − ρβ ) + v. (8) заключается в расчете случайной ошибки. Тогда
Для анализа влияния как положительных, как SAC использует:
так и отрицательных внешних эффектов, связан- ( En − ρW1 ) −1 ( En − ρW2 ) −1ε ,
ных с характеристикой местности, используют SARMA:
модели пространственного лага SLX (spatial lag). ( En − ρW1 ) −1 ( En − θW2 )ε .
Например, на стоимость цены на дом оказывает
влияние расположение вблизи от него свалок То есть, учитывая вид обратной матрицы, в
мусора (отрицательный эффект) или посадки модели SAC используются веса более высокого
цветов и деревьев в соседних домах (положи- порядка, чем в SARMA. Тем не менее математи-
тельный). ческие ожидания зависимой переменной этих
Модель в этом случае рассматривают в виде моделей равны между собой:
Y = αln + Хβ1 + WХβ 2 + ε . (9) М ( у ) = ( En − ρW1 ) −1 ( Хβ + αln ).
Продолжая наш пример, можно сказать, что Таким образом, модели SAC и SARMA рассма-
уравнение (9) содержит в качестве объясняющих тривают более сложный вид случайных ошибок,
переменных пространственные лаги (WX) харак- в то время как модель SDM лучше анализирует
теристик соседних домов. влияние внешних эффектов.
Еще один вид пространственного подхода Существуют другие виды пространствен-
к моделированию – это модель пространствен- ных моделей, использующие экспоненциальное

32 Научный отдел
О. С. Балаш. Эконометрическое моделирование пространственных взаимодействий

сглаживание, дробные разности и другие специ- ки. Уравнения требуют специального толкования
фикации ARIMA-моделей. выданных параметров. В сущности, простран-
Пространственные регрессионные модели ственные модели только расширяют имеющуюся
обнаруживают сложную структуру зависимо- информацию, включая влияние других регионов
сти между странами, регионами, районами. или стран. Для этого более подробно рассмотрим
Оценки параметров модели содержат ценную модель SDM (8), записанную в следующем виде:
информацию о взаимоотношениях между на- ( En − ρW ) y = Xβ + W
WXθ + lnα + ε ,
X
блюдениями, регионами и их взаимозависимости. k
Экономические или социальные события в одном y = ∑ S r (W ) xr + V (W )lnα + V (W )ε ,
регионе напрямую влияют на сам регион, но, r =1

возможно, косвенно – на соседей. Способность где


S r (W ) = V (W )( En β r + Wθ r ),
пространственных регрессионных моделей для
анализа таких взаимодействий представляет со- V (W ) = ( En − ρW ) −1 = En + ρW + ρ 2W 2 + ...
бой важный аспект пространственного экономе- Для иллюстрации вклада Sr(W) проанализи-
трического исследования. руем представление пространственного процесса,
В моделях, содержащих пространственные предложенного C. Kim, T. Phipps и L. Anselin9, в
лаги, сложно интерпретировать полученные оцен- следующем виде:
 y1 
   S r (W )11 S r (W )12 ... S r (W )1n  x1r 
 y2  k   
 y  =  S r (W ) 21 S r (W ) 22 ... S r (W ) 2 n  x2 r 
 3 ∑  ... + V (W )lnα + V (W )ε . (13)
... ... ...  ... 
 ... 
r =1
  
 S (W ) S r (W ) n2 ... S r (W ) nn  xnr 
y   r n1
 n
Представим i-строку (13) следующим образом:
k
yi = ∑ ( S r (W ) i1 x1r + S r (W ) i 2 x2 r + ...S r (W ) in xnr ) + V (W ) i lnα + V (W ) i + ε i , (14)
r =1

где Sr(W)ij – элемент матрицы Sr(W). переменных хir в этой же точке. Она показывает
Из (14) следует, что для независимых данных эффект обратной связи, когда точка i влияет на на-
производная yi в точке i по хir отлична от нуля: блюдение j и наоборот, или тройное влияние, когда
∂ yi наблюдение i влияет на j, j на k и, наоборот, на i.
= S r (W ) ij . (15)
∂x jr Рассмотрим представление производной в
Из выражения (15) можно сделать вывод, что ряд через матрицы весов:
вариация зависимой переменной одного региона ∂y
= En β r + Wρβ r + (W 2 ρ 2 β r + W 3 ρ 3 β r + ...).
может потенциально повлиять на зависимую ∂ xr
переменную всех других регионов. Это рассма- Если учесть разложение обратной матрицы
тривает модель SDM, включающая матрицы Wy в ряд как влияние соседних регионов различного
и WX, учитывающие пространственную зависи- порядка и обратно на сам регион, отметим, что
мость соответственно зависимой и объясняющих величина обратной связи зависит от положения
переменных. Например, переменная у отражает региона в пространстве, степени взаимодей-
доход на душу населения, а независимые – реги- ствия между регионами, определяемой весовой
ональные характеристики (человеческий капитал, матрицей W и параметром ρ, измеряющим силу
основные средства, структура экономики, плот- пространственной зависимости, а также пара-
ность населения и т. д.). Региональная вариация метрами β и θ. Диагональный элемент матрицы
в уровнях доходов моделируется зависимостью Sr(W) представляет собой прямое влияние, а не-
уровней доходов соседних регионов, улавливается диагональные – косвенное.
пространственным лагом вектора Wy, а характери- Часто необходимо исследовать последствия,
стики соседних регионов – матрицей WX. возникающие под влиянием экономических и со-
Производная i-региона циальных изменений в одном регионе на другой
∂yi и наоборот. Такие изменения отражает столбец
= S r (W ) ii . (16)
∂xik или строка матрицы Sr(W). И так как влияние из-
учитывает результат влияния зависимой пере- менений объясняющей переменной отличается
менной в точке i под влиянием независимых по всем регионам, K. Pace и J. LeSage предло-

Управление 33
Известия Саратовского университета. 2012. Т. 12. Сер. Экономика. Управление. Право, вып. 3

жили сводный показатель учета региональных влияния), равного средней перекрестных произ-
влияний10. Он основан на суммировании общего водных (среднего косвенного влияния).
влияния элементов строки или столбца матрицы Альтернативой SEM-модели является SDEM
Sr(W), а затем усреднении по всем регионам. (spatial Durbin error model), которая включает
Средний показатель по строке матрицы Sr(W) пространственный лаг объясняющей перемен-
называют средним общим влиянием на местопо- ной WX:
ложение, среднюю сумму по столбцу – средним y = Xβ+ WXγ+ αln +u, (18)
общим влиянием от местоположения. Средняя u=R–1ε,
диагональных элементов Sr(W) дает среднее пря-
мое влияние местоположения. y = Xβ+ WXγ + αln + R–1ε, (19)
Таким образом, мы определили следующие R= En – ρW,
показатели: E(y)=Σ Sr(W)x r +lnα, r=1,...k, (20)
1. Средняя прямого воздействия местополо-
жения. Влияние изменений в i-местоположении S r (W)=(E n β + Wγ r ).
r-переменной на уi вычисляется как SDEM-модель отдельно не учитывает эффект
1 лагированной зависимой переменной, но содер-
M ( r ) direct = S r (W )ii = tr ( S r (W )).
n жит пространственные лаги объясняющих пере-
Отметим, что среднюю прямого воздействия менных, а также их пространственные ошибки.
можно интерпретировать как коэффициент ре- По отношению к более общей модели SDM
грессии – среднее влияние независимой пере- упрощает интерпретацию воздействия, так как
менной на зависимую. прямое влияние представлено параметром β, а
2. Среднее общее влияние на местопо- косвенное соответствует γ. Это позволяет исполь-
ложение. Сумма по r-й строке матрицы Sr(W) зовать стандартное отклонение или t-статистику
представляет собой общее воздействие на для этих параметров регрессии.
отдельные местоположения уi результатов из- Вид (20) использует те же пространственные
менения r-объясняющей переменной всеми n весовые матрицы для ошибок и пространственно
наблюдениями. Это получается суммированием лагированных объясняющих переменных, но это
вектора-столбца: не влияет на простоту интерпретации прямых и
ñсrr = S r (W )ln , косвенных воздействий соответствующих па-
то есть в среднем общее влияние находится как раметров модели. Отметим, что модель SDEM
1 1 может привести к недооценке глобального кос-
M (r )total = lnT cr = lnT S r (W )ln . венного воздействия.
n n
Таким образом, использование приведен-
3. Среднее общее влияние от местоположе-
ных эконометрических моделей, учитывающих
ния. Сумма j-столбца Sr(W) дает общее влияние
территориально распространенные социально-
над всеми уi, взятыми для r-зависимой перемен-
экономические процессы и обнаруживающих
ной в j-местоположении:
экономическое и социальное влияние соседних
rr = lnT S r (W ) , регионов, важно для прогнозирования и управле-
или ния при стратегическом планировании регионов
1
rr ln . и городов.
n
Таким образом,
M (r )indirect = M (r )total − M (r ) direct . (17) Примечания
Легко видеть, что численные значения обоб- 1 См.: Ord K. Estimation Methods for Models of Spatial
щенных показателей для двух форм среднего Interaction // J. of the American Statistical Association.
общего влияния равны, так как 1975. Vol. 70, № 349. P. 120–26.
2 См.: Whittle P. On Stationary Processes on the Plane //
lnT cr = lnT S r (W )ln Biometrika / 1954. Vol. 2, № 3/4. P. 434–449.
и 3
rr ln = lnT S r (W )ln . См.: Katz L. A New Status Index Derived from Sociometric
Analysis // Psychometrika. 1953. № 18. P. 39–43.
Тем не менее эти две меры можно интер- 4 См.: Bonacich P. Power and Centrality : A Family of
претировать по-разному, несмотря на численное Measures // American J. of Sociology. 1987. № 92.
равенство. P. 1170–1182.
Можно заметить, что среднее прямое влияние 5 См.: Anselin L. Spatial Econometrics : Methods and
есть среднее всех производных. Среднее общее Models // Kluwer Academic Publishers. Dordrecht. The
влияние (средняя всех производных) меньше сред- Netherlans, 1988.
него собственных производных (среднего прямого 6 Ibid.

34 Научный отдел
С. В. Ермасов. Проблемы участия банков в проектном кредитовании инноваций

7 См.: Anselin L. Under the hood : Issues in the specification Benefits of Air Quality Improvement : A Spatial Hedonic
and interpretation of spatial regression models // Agricul- Approach // Journal of Environmental Economics and
tural Economics. 2002. № 27:3. P. 247–267. Management. 2003. Vol. 45. Is. 1. P. 24–39.
8 См.: Anselin L. Spatial Econometrics : Methods and 10 См.: LeSage J. P., Pace K. R. A matrix exponential spatial
Models. specification // Journal of Econometrics, Elsevier. 2007.
9 См.: Kim C. W., Phipps T. T., Anselin L. Measuring the Vol. 140(1). P. 190–214.

УДК 330

ПРОБЛЕМЫ УЧАСТИЯ БАНКОВ


В ПРОЕКТНОМ КРЕДИТОВАНИИ ИННОВАЦИЙ
С. В. Ермасов

Саратовский государственный университет


E-mail: ermasov@mail.ru

В статье рассмотрены особенности проектного кредитования At the same time this study presents the factors that impact on the
инноваций на фоне кризиса финансирования инновационных project crediting. The author defines the reasons of underdevelopment
проектов со стороны российских банков. При этом уточнено innovation project credits by Russian banks. He highlights some im-
представление о проектном кредитовании. Выделены причины portant elements of the project credits in the Russian banks practice.
и факторы недостаточного развития проектного кредитования Key words: project financing, financing of innovative projects, project
инноваций у российских банков. Отмечены отдельные элемен- company.
ты проектного кредитования инноваций в практике российских
банков. Сегодня Россия переживает кризис финанси-
Ключевые слова: проектное кредитование, финансирование рования инновационных проектов, когда недоста-
инновационных проектов, проектная компания. точное финансирование со стороны государства и
инвестиционных фондов не компенсируется ро-
Problems of Banks Participation стом кредитного финансирования инновационных
in Project Lending of Innovation проектов со стороны банков (таблица). Банки ве-
дут себя как консервативные инвесторы, которые
S. V. Ermasov не принимают высоких рисков инноваций. При
этом в банковской сфере концентрируется значи-
The article highlights the project credits innovations as consequences or тельный частный капитал, так необходимый для
during recent financial crisis of innovative projects financing in Russia. инновационного развития российской экономики.

Структура российских источников капитала фондов прямого и венчурного инвестирования (%)1


Источники капитала 2003–2004 гг. 2005 г. 2006 г. 2007 г. 2008 г. 2009 г.
Государство 6 45 16 15 18 32
Банки 10 1 0 0 10 0
Промышленные предприятия 13 13 28 0 0 0
Инстуциональные инвесторы 71 34 39 49 67 27
Частные лица 0 7 17 36 5 41

Без преодоления этого кризиса финанси- ектного кредитования инноваций в российской


рование модернизации производства может экономике.
замедлиться, выпуск промышленной и сельско- Недавно глава Счетной палаты Сергей
хозяйственной конкурентоспособной продукции Степашин направил письмо премьер-министру
станет незначительным, предпринимательская Дмитрию Медведеву об итогах проведения экс-
активность в сфере инноваций будет находиться пертно-аналитического мероприятия «Мони-
в стагнации, не произойдет существенного роста торинг деятельности кредитных организаций в
доходов населения за счет малых инновацион- сфере модернизации экономики и обеспечения
ных предприятий, рост техногенных катастроф реализации ключевых функций национальной
продолжится. Поэтому так важно развитие про- инновационной системы», в котором отметил, что

©
Управление
Ермасов С. В., 2012 35