Факультет математической экономики

ДИПЛОМНАЯ РАБОТА

Эконометрическое моделирование взаимосвязи экономики и окружающей среды

 

 

 

 

Содержание

Введение. 3

1          Теоретические аспекты моделирования взаимосвязи экономики и окружающей среды.. 5

1.1      Взаимосвязь экономического развития и уровня загрязнения: экологическая кривая Кузнеца 5

1.2 Математический инструментарий для исследования взаимосвязи экономического развития и уровня загрязнения 12

2        Моделирование и анализ показателей окружающей среды в Области. 20

2.1      Анализ и прогнозирование состояния окружающей среды. 20

2.2   Исследование распределения показателей загрязненности окружающей среды. 26

2.3 Исследование пространственной автокорреляции показателей загрязненности окружающей среды  26

3        Моделирование взаимосвязи экономики и окружающей среды на основе экологической кривой Кузнеца. 35

3.1 Оценка валового муниципального продукта административно- территориальных образований региона 35

3.2    Эмпирическая проверка экологической кривой Кузнеца на основе моделей панельных данных  41

3.3   Эмпирическая проверка экологической кривой Кузнеца на основе моделей, учитывающих географическое расположение административно-территориальных образований региона 51

Заключение. 52

Приложение А.. 54

Приложение Б. 58

Приложение В.. 65

 

 

 

 

 

Введение

 

Темой исследования выпускной квалификационной работы является: «Эконометрическое моделирование взаимосвязи экономики и окружающей среды».

Развитие экономики связано с воздействием на окружающую среду, так как создание новых и расширение существующих производств ведет к положительным экономическим и социальным результатам, но имеет и отрицательные стороны, в частности может ухудшаться экологическая обстановка. Поэтому актуальной научной проблемой является оценка воздействия экономического развития на окружающую среду.

На протяжении длительного периода времени состояние окружающей среды и развитие экономики рассматривались как две независимые компоненты жизни человека. Однако с ростом давления на природу и осознания ограниченности ресурсов исследователи и политики все чаще стали обращать внимание на проблемы взаимодействия экологии и экономики [1].

Взаимоотношения общества и природы на современном этапе складываются таким образом, что увеличение потребности в природных ресурсах постепенно ведет к их истощению и одновременно к росту объёма отходов производства и жизнедеятельности человека в окружающую среду. В то же время ухудшение экологической обстановки ведет к повышению расходов на добычу природных ресурсов и проведение природовосстановительных мероприятий [1].

Обращаясь к истории вопроса, следует отметить, что до середины XX века проблемы взаимодействия экономики и экологии обсуждались в основном в ключе ограниченности природных ресурсов, а негативное влияние хозяйственной деятельности на окружающую среду не являлось предметом рассмотрения экономической науки [2]. Не изучались и обратные связи между экологической деградацией и экономическим развитием, состоянием трудовых ресурсов, качеством жизни населения [2].

Влияние экономики на состояние окружающей среды рассматривается в работах И. Комарова, Н. Чепурных, Р. Хохна, М. Кроппера, К. Кларка и других. Вопросы агрегирования моделей с экологической составляющей имеются в работах А. Смирнова [2]. Воздействие структурных сдвигов в экономике на окружающую среду анализируется на основе моделей в работах А. Лотова, А. Петрова, И. Поспелова, Н. Оленева и других [2]. Для описания взаимосвязей между экономическими и экологическими показателями широко используются регрессионный, корреляционный и факторный анализ.

Среди современных исследований в области математического моделирования эколого-экономических взаимодействий наиболее известны работы С.Н. Бобылева, К.Ф. Гофмана, В.И. Денисова, С.В. Дубовского, В.В. Лучшевой, И.Н. Ляшенко, Л.Г. Мельника, М.В. Михалевича, С.А Фомина, П.И. Сафонова, в которых обосновывается необходимость оценки эколого-экономических взаимодействий на основе моделей, которые в совокупности описывают систему экологических и экономических процессов.

Большинство реализующихся в нашей стране и за рубежом проектов ориентированы на достаточно сложные модели и требуют больших массивов качественной информации, что вызывает определенные трудности в их использовании для предварительной оперативной оценки воздействия экономического развития на окружающую среду. В связи с этим представляется актуальной разработка более простых моделей, не требующих больших массивов информации, которые бы позволяли оперативно оценивать влияние отдельных шагов власти и бизнеса на экологические показатели.

Целью данного исследования является разработка моделей, отражающих взаимосвязь между  уровнем экономического развития и качества окружающей среды муниципальных образований Области.

Объектом исследования выступают города и районы Области.

Предметом исследования является модели оценки взаимосвязи между эколого-экономическими показателями.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Рассмотреть теоретические аспекты моделирования взаимосвязи экономики и окружающей среды;
2. Провести анализ и прогнозирование состояния окружающей среды Области;
3. Исследовать распределение показателей загрязненности окружающей среды;
4. Проанализировать пространственную автокорреляцию показателей окружающей среды Области;
5. Провести оценку валового муниципального продукта (ВМП) административно- территориальных образований региона;
6. Выполнить эмпирическую проверку гипотезы экологической кривой Кузнеца для Области.

В качестве основных эконометрических методов, использованных в работе, можно выделить следующие: методы, основанные на модели панельных данных, коинтеграционных моделях, моделях пространственной эконометрики.

Информационная база: статистические данные Федеральной службы государственной статистики по Области за 2000-2013 гг.

 Необходимые расчеты проводились в МПП MathCAD, Microsoft Excel, эконометрические методы реализованы с помощью статистических пакетов программ Statistica, Stata, Eviews, для оформления отчета использован Microsoft Office Word.

 

 

• Теоретические аспекты моделирования взаимосвязи экономики и окружающей среды

 

1.1 Взаимосвязь экономического развития и уровня загрязнения: экологическая кривая Кузнеца

 

 

Существует множество теорий и подходов к изучению окружающей среды. Одной из таких теорий, предлагающих новый комплексный подход, является теория влияния (Impact Theories) [3]. Основная мысль теории сводится к тому, что значительный рост населения после Второй мировой войны привел к усилению влияния человека на окружающую среду. Впервые данный подход был изложен в работе П.Р. Эрлиха и Дж. П. Холдрена «Влияние роста населения» («Impact of population growth») в 1971 г., а впоследствии было проведено множество исследований, развивающих его. 

Д.Х. Мидоус, Дж. Рэндерс и В. Бэхрэн подвели итог этих работ, выпустив книгу «Пределы роста» («The limits to growth») в 1974 г., в которой авторы предлагали снизить ускоренный рост населения и ограничить потребление для предотвращения экологического коллапса в ближайшем будущем [4].

Возможность экологического и экономического коллапса оценивалась с помощью следующей модели:

 

I (воздействие) = P (население) + A (богатство) + T (технология)   

 

Но критики утверждали, что описанная формула не содержит достаточной аналитической базы, в результате чего формула была преобразована в модель STIRPAT (1.1.7) (stochastic impacts by regression on population, affluence and technology), которая использует агрегированные данные для исследования влияния на окружающую среду в различных странах, а также помогает включать новые переменные в модель.

Таким образом, теория влияния демонстрирует наличие определенной связи между деятельностью человека и состоянием окружающей среды. По мере экономического развития и роста населения увеличивается давление на окружающую среду и происходит ухудшение экологической ситуации. Однако если экономика государства позволяет аккумулировать значительные ресурсы на развитие «зеленых» технологий, то возможно улучшение состояния окружающей среды [4].  

В работах Бекермана  1992 и  Балдуина 1995 г. говориться о том, что  спрос на качество окружающей среды является товаром роскоши с эластичностью по доходу больше единицы (иными словами, с ростом дохода интерес к экологии растет непропорционально больше), и, поэтому, данный товар в национальных масштабах может позволить себе только развитая «богатая» страна [4]. Бекерман в работе 1992 г. даже пришел к выводу, что лучший, а возможно и единственный, способ поддерживать достойный уровень окружающей среды – это стать богатой страной.

В 1955 году американский экономист С. Кузнец (S. Kuznets) обратил внимание на существование связи между неравенством в доходах и экономическим развитием –экономическое неравенство растет на протяжении времени, и затем, пройдя определенный уровень, уменьшается с ростом дохода на душу населения. Эта зависимость получила название кривой Кузнеца, или обратной U-кривой [5].

Тот факт, что на первом этапе роста наблюдается увеличение неравенства, С. Кузнец объяснял следующими причинами:

1) ускоренным накоплением капитала;

2) перераспределением между отраслями в пользу сферы услуг, в которой к началу второго этапа роста концентрируется до 60% работников;

3) географической миграцией населения, когда преобладающая его часть в результате концентрируется в городах и пригородах.

В 1991 г. Дж. Гроссман и А. Крюгер предположили возможность существования  экологической кривой Кузнеца (ЭКК), которая утверждает, что при прочих равных условиях экономическое развитие вначале ведет к уве­личению неравенства доходов между группами населения до некоторого максимума, а затем к его уменьшению [5].

Была выдвинута гипотеза, что ЭКК, которая представляет перевернутую U- образную функцию дохода на душу населения, хорошо описывает воздействие экономики на окружающую среду.

 

Рисунок 1.1- Экологическая кривая Кузнеца

 

По оси абсцисс Экологической кривой Кузнеца откладывается доход на душу населения, по оси ординат –  деградация окружающей среды.

Логически объяснить ЭKК совершенно просто. По мере экономического роста, начинающегося с низкого уровня развития и доходов в стране, на первый план выходят отрасли с большим экологическим давлением: экстенсивное использование природных ресурсов в добывающей промышленности, сельском и лесном хозяйствах и т.д. Все это приводит к росту истощения природных ресурсов и загрязнения окружающей среды. Однако по мере развития экономики, ее структурной трансформации, распространением экологически чистых технологий, вступления на постиндустриальную стадию развития с приоритетами в области информационных технологий и сферы услуг экологическое воздействие снижается. По траектории кривой Кузнеца прошли в своем развитии практически все развитые страны. Это, однако, в основном справедливо для достаточно больших горизонтов времени (50-100 лет).

На рисунке 1.1 представлены три варианта развития событий:

• Вариант A, при котором происходит ярко выраженное улучшение окружающей среды при росте дохода на душу населения (например, доступ к чистой воде). Данный вариант достигается при статистически значимом отрицательном коэффициенте δ и статистически незначимом коэффициенте φ;
• Вариант C – при положительной и статистически значимой δ и статистически незначимой φ. Данный вариант демонстрирует значительное ухудшение состояния окружающей среды, например, рост выбросов CO₂ (хотя, существует вероятность, что ни одна страна еще не достигла точки пика);
• Вариант B – наиболее часто встречающийся вариант, при котором δ положительна и статистически значима, а коэффициент φ отрицателен и статистически значим. В данном случае исследования фиксируют максимальную точку, например, в отношении выбросов оксида серы, окиси углерода, оксида азота.

Существует множество эмпирических работ, доказывающих, что существует определенная связь между загрязнением и доходом на душу населения.

Для  проверки гипотезы о существовании ЭКК рассматривались данные по странам или регионам за различные  периоды с 1948 г., проводились расчеты по панельным данным, временным рядам для отдельных стран или регионов и за один год для набора стран или регионов. Изучались различные виды загрязнений, но поскольку наиболее актуальным для развитых стран является анализ изменений климата, то большинство работ посвящено выбросам CO₂ [4]. Существенно меньше работ исследовало влияние экономики на выбросы не оказывающих глобального влияния твердых веществ и некоторых газов (CO, SO₂ и др.).

В большинстве работ рассматривались достаточно простые кривые для анализа данных, обычно использовались полиномы второй и третьей степени относительно ВВП, часто с включением дополнительных факторов [2]

 

,                                      (1.1.1)

 

,                                (1.1.2)

 

где  Z – загрязнения (исследуемый экологический показатель), Y – показатель, характеризующий степень развития экономики, X – дополнительный фактор (иногда их несколько), А, B₁, B₂, B₃ и C – константы.  В первом случае предполагается, что при B₂ < 0 существует максимум загрязнений, после достижения которого, при дальнейшем росте экономики, они будут снижаться. Во втором случае предполагается, что данное снижение будет непродолжительным, и при B₃ > 0 загрязнения снова будут возрастать (N – образная кривая). Поскольку полиномы дают очень грубый качественный результат, ведь при дальнейшем росте ВВП прирост загрязнений ускоряется, что противоречит здравому смыслу и полиномы  нельзя использовать для прогнозирования (загрязнения не могут быть отрицательными), то использовались также и более сложные функции, построенные на основе функции Вейбулла или подобные следующей [5]:

 

.                                               (1.1.3)

 

Гипотеза существования ЭКК не всегда находила подтверждение, исследования часто приводили к тому, что зависимость описывалась функцией без наличия максимума (например, логарифмическая функция) или не удавалось оценить положение максимума с приемлемой точностью. Для некоторых видов загрязнений (сточные воды, СО, SO₂) исследования чаще приводили к подтверждению гипотезы существования ЭКК, для других (СО₂) однозначный ответ отсутствует, в отдельных случаях зависимость определяется кубической функцией или логарифмической.

В работе [He, Richard, 2010] на временных данных Канады было  выявлено, что зависимость между экологическим состоянием и экономическим развитием есть, но она достаточно сложная, и даже с учетом дополнительных факторов рост выбросов в модели возобновляется с определенной величины доходов.  Надо также отметить, что, возможно, эффект существования ЭКК проявляется менее ярко в последние годы, максимум постепенно размывается [Auci, Becchetti, 2006], кроме того, отдельные исследования привели к выводу, что эффект существования ЭКК наблюдается для развитых стран и практически отсутствует для развивающихся [Galeotti et al., 2006].

Большинство моделей, описывающих экологическую кривую Кузнеца, выглядят следующим образом:

 

,                               (1.1.4)

 

где, Е – индикатор окружающей среды, представленный как в форме «на душу населения», так и в форме концентраций вредных веществ. Y– доход на душу населения, переменная F определяет специфику отдельной страны, k – фиктивные переменные, относящиеся к определенным годам, i и t являются показателями страны и года соответственно.  

Стандартная модель регрессии ЭКК имеет следующий вид (1.1.5):

 

(1.1.5)

 

где Е- эмиссия загрязняющих веществ; P- численность населения; GDP – валовой внутренний продукт (или доход на душу населения); α_i  – величина индивидуального (фиксированного) эффекта i-ого объекта; ε_it  – регрессионные остатки i-ого объекта, измеренные в момент времени t; i и t - показатели страны и года соответственно ( ); n- число объектов; Т- число моментов времени.

Первые два члена правой части являются параметрами перехвата, которые изменяются для разных стран (или регионов) i и при различных моментах времени t [5]. 

Точку перегиба для уровня доходов, где выбросы или концентрации максимальны, можно найти с помощью следующей формулы:

 

.                                                    (1.1.6)

 

Как правило, модель оценивается с помощью панельных данных. Во многих исследованиях построены модели линейной регрессии с фиксированными и со случайными эффектами [5].

Следует отметить, что развитие экономики является основным, но не единственным фактором. Среди множества других факторов, влияние которых исследовалось, надо, прежде всего, выделить долю промышленности, долю экспорта и импорта и влияние внешних шоков. Важным фактором является открытость экономики, поскольку ЭКК в определенной степени объясняется переносом производств, значительно влияющих на окружающую среду, из развитых стран в развивающиеся. Надо отметить, что данный фактор присутствует и для регионов, но в меньшей степени. В развитых странах более жесткие экологические ограничения выталкивают подобные производства в развивающиеся страны, межрегиональный перенос обычно связан с экономическими факторами (меньшие расходы на рабочую силу и недвижимость в слаборазвитых регионах).

Используя индекс Дивизиа, можно доказать, что изменение загрязнений зависит от изменения объемов производства, структурных сдвигов и технологических изменений, причем последнее часто является определяющим. Исследования панельных данных по китайским регионам [He, 2010] показали, что за счет изменения технологий выбросы SO₂   выросли менее чем на 30 % при  увеличении объемов производства в 2,5 раза. Для Испании модернизация в разной степени компенсировала рост масштабов производства, а для выбросов SO₂ – полностью [Roca, Serrano, 2007].

В работе [Müller-Fürstenberger, Wagner, 2007] была построена аналитическая модель, показывающая, что именно технический прогресс дает эффект снижения выбросов с развитием экономики, что приводит к появлению ЭКК [4]. ЭКК отражает не только процесс модернизации, но и изменение структуры экономики, которое было значительным в большинстве российских регионов и оказало существенно большее влияние, чем в других странах [Дружинин и др., 2010]. Бурный рост сферы услуг и сокращение доли промышленности, являющейся основным загрязнителем, обеспечили значительную часть снижения нагрузки на окружающую среду в РФ.

Во многих работах было показано, что объяснить изменение выбросов только за счет роста доходов невозможно, существуют структурные и технологические различия, разный уровень цен на топливо и в энергетике. Исследования [Fried, Getzner, 2003] выявили, что форма зависимости загрязнений от ВРП может быть разной и определяется особенностями страны, технологическим прогрессом, активностью структурных сдвигов и воздействием внешних шоков.

Расчеты, проведенные в работе [Lantz, Feng, 2006], привели к выводу, что для канадских регионов зависимость загрязнений от ВРП отсутствует, но есть зависимость от численности населения и технологий, а также доли индустрии, доли экспорта, доли импорта, цены сырой нефти и других факторов.  Для исследования влияния отдельных факторов на динамику загрязнений предлагалось множество моделей, из которых надо выделить модели STIRPAT, IPAT [Dietz, Rosa, 1994, 1997; Cramer, 1998; Cole, Neumayer, 2004]. Эволюция используемых моделей от полученной из тождества IPAT привела к модели STIRPAT, которая позволяет оценивать степень влияния различных факторов на уровень загрязнений:

 

,                                                (1.1.7)

 

где N – численность населения, T – технологический уровень, α, β, γ – константы.

Исходя из данной эволюции, можно сделать следующий шаг и предложить для анализа динамики загрязнений функцию, аналогичную производственной функции, имеющую ясный эколого – экономический смысл.

Таким образом, исследования, посвященные экологической кривой Кузнеца, часто рассматривались в рамках теорий роста. Так, например, Т. Сэлден, А. Форрест и Дж. Локхарт в работе 1999 г. установили, что экономический рост приводит к росту сферы услуг в экономике страны, сокращению интенсивно влияющих на природу отраслей, появлению экономических стимулов к введению новых «зеленых» и энергоэффективных технологий.

Кроме того, ряд исследователей изучали возможность существования корреляции между экологической политикой и политическими свободами. Некоторые находили положительную корреляцию (М. Торрас, Дж. Бойс 1998, С. Барретт и К. Грэдди 2000), некоторые приходили к менее интересным результатам (Е. Ньюмайер 2002). С. Байндер и Е. Ньюмайер в 2005 г. обнаружили тот факт, что сила экологических неправительственных организаций в значительной степени связана с более низким уровнем загрязнения воздуха. М. Коул в 2007 г. пришел к выводу, что более коррумпированные страны имеют худшее состояние окружающей среды. Таким образом, косвенно большинство вышеперечисленных исследований приходят к выводу, что развитые страны, в том числе и Европейский союз, должны иметь более высокий уровень защиты окружающей среды по сравнению с развивающимися странами и развитые «зеленые» технологии.

Проводились попытки построить экологическую кривую Кузнеца и для российских регионов. В 1990-х гг. во всех регионах наблюдался экономический спад, который сопровождался и снижением нагрузки на окружающую среду в большинстве регионов [Дружинин, 1998; Рюмина, 2000; Глазырина, 2006; Курило и др., 2007]. Подобное поведение показателей было и в высокоразвитых, и в слаборазвитых регионах, поэтому панельные данные и временные ряды не описываются ЭКК, можно рассматривать только кросс-секшн. И для отдельного региона график за последние 20 лет имеет достаточно специфический вид, совсем не похожий на ЭКК [Дружинин и др., 2010]. С 1999 г. начался экономический рост. В некоторых регионах он сопровождался ростом воздействия на окружающую среду, в некоторых – снижением. Например, в 30 российских регионах рост экономики привел и к росту выбросов в атмосферу, в 28 регионах выбросы снижались, и в 16 они немного соответствовали гипотезе ЭКК. И это лишь частично связано с уровнем экономического развития региона.

Анализ тенденций динамики загрязнений по Российским регионам показал, что их вид не зависит от уровня ВРП на душу населения, уровень загрязнений может расти или уменьшаться. Но надо отметить, что у добывающих регионов с более высоким уровнем загрязнений они, как правило, выросли за 2000–2009 гг., а у регионов с более низким уровнем – уменьшились.

Таким образом, проанализировав критику про экологическую кривую Кузнеца и рассмотрев исследования в области выявления взаимосвязи экономического развития и состояния окружающей среды, можно сделать следующий вывод: ЭКК имеет ряд недостатков, такие как то, что для некоторых аспектов окружающей среды не существует максимальной точки (выбросы углекислого газа, проблемы биоразнообразия и пр.), то, что данные модели плохо предсказывают будущие тренды. Кроме того, существует вероятность появления следующей волны – новой максимальной точки. Часто исследования приводили к тому, что зависимость описывалась функцией без наличия максимума (например, логарифмическая функция) или не удавалось оценить положение максимума с приемлемой точностью.

Также следует отметить, что большинство исследований по ЭКК посвящено уровню государств, и лишь небольшая часть рассматривает регионы. Соответственно анализируется влияние несколько иных факторов.

 

 

1.2 Математический инструментарий для исследования взаимосвязи экономического развития и уровня загрязнения

 

Эконометрические модели, опирающиеся на данные пространственных выборок или временных рядов, носят агрегированный характер и описывают поведение лишь усредненных объектов [6]. При оценивании моделей по таким данным может возникать «смещение агрегирования», приводящее к не согласующимся с экономической теорией значениям и даже знакам коэффициентов моделей. Кроме того, возникают трудности, связанные с невозможностью учесть влияние на результативный показатель некоторых специфических трудно измеряемых факторов, таких как особенности климата и географического положения муниципальных образований [7].

Выходом из такой ситуации является сбор и использование данных иной структуры, получившей название панельной. Панельные данные – это данные, содержащие сведения об одном и том же множестве объектов за ряд последовательных периодов времени. В качестве объектов могут выступать индивидуумы или их группы, предприятия, домохозяйства, регионы, страны и т.д. [7].

Работая с панельными данными, одновременно рассматриваются и пространственный, и временной аспекты данных, что позволяет провести их более глубокий анализ и дает, как минимум, четыре преимущества [8]. 

Во-первых, большее количество наблюдений обеспечивает большую эффективность оценивания параметров эконометрической модели. 

Во-вторых, модели панельных данных предоставляют разнообразные возможности учета неоднородности, причем как неоднородности объектов, так и временной неоднородности: они позволяют предотвратить смещение агрегированности, возникающее как при анализе временных рядов, где рассматривается эволюция усредненного объекта, так и при анализе перекрестных данных, где не учитываются ненаблюдаемые индивидуальные характеристики объектов. 

В-третьих, панельные данные за счет последовательного наблюдения за одними и теми же объектами позволяют отделить межиндивидуальные различия от интраиндивидуальных. Понимание дополнительных источников вариации может дать весьма полезную информацию для отделения индивидуальной динамики от средней. 

В-четвертых, имея панельные данные, можно уменьшить или даже избежать ошибок спецификации и смещенности оценок, обусловленных невключением в модель существенных переменных. 

Кроме того, панельные данные позволяют строить и тестировать более сложные поведенческие модели, чем модели на основе временных рядов или модели по пространственным данным в отдельности, а также решают проблему поиска хороших инструментов при оценивании моделей с эндогенными регрессорами.

Введем следующие обозначения:

n – число объектов наблюдения;

Т – число периодов времени;

k – число объясняющих переменных;

y – вектор размерности nT с элементами y_it – значение зависимой переменной для i-ого объекта наблюдения в момент времени t, ;

X – матрица размерности nT×k с элементами x_j,it  – значение j-ой объясняющей переменной для i-ого объекта наблюдения в момент времени t, .

1) Модель линейной регрессии с фиксированными эффектами

Рассмотрим модель:

 

                                       (1.2.1)

 

где – индивидуальные эффекты; – неизвестные коэффициенты, подлежащие оцениванию; – ошибка.

      

       ;

      

      

Параметры  в модели (1.2.1) называются индивидуальными (фиксированными) эффектами. Они учитывают влияние на результативный показатель всех (наблюдаемых или ненаблюдаемых) переменных, которые принимают разные значения для разных объектов, но не меняются во времени. Эти характеристики могут не только оказывать влияние на результативный показатель, но и быть коррелированными с объясняющими переменными. Если в такой ситуации не учитывать панельную структуру данных и рассматривать обычную регрессию по объединенным данным, то это приведет к смещенным оценкам параметров. 

Модель (1.2.1) идентична модели с фиктивными переменными с k+n неизвестными, для оценки которых можно использовать обычный метод наименьших квадратов. Однако большое количество n фиктивных переменных приводит к необходимости обращать матрицу большой размерности. Поэтому предпочтительнее для оценки коэффициентов модели (1.2.1) использовать двухступенчатую процедуру, при которой сначала с помощью метода наименьших квадратов вычисляются оценки  (within оценки или оценки с учетом вариации в рамках объекта наблюдения, внутригрупповые оценки) регрессии, построенной по отклонениям от групповых средних: 

 

, ,           (1.2.2)

 

а затем оценки индивидуальных эффектов с помощью формулы:

 

.                                 (1.2.3)

 

Таким образом, оценки коэффициентов при объясняющих переменных в модели с фиксированными эффектами можно получить с помощью стандартных пакетов статистического анализа. Для этого необходимо найти для всех входящих в модель переменных средние значения для каждого объекта за весь период наблюдения и вычесть групповые средние из исходных данных (провести внутригрупповое преобразование). К преобразованным данным можно применять стандартные методы регрессионного анализа. Оценки коэффициентов модели (1.2.2) совпадут с оценками коэффициентов модели с фиксированными эффектами, а оценку остаточной дисперсии, стандартные ошибки коэффициентов, значения t-статистики необходимо будет скорректировать, поскольку модели (1.2.1) и (1.2.2) имеют разное число степеней свободы (nT-n-k и nT-k соответственно). Кроме того, различными будут и величины общих сумм квадратов, рассчитанные по исходным и трансформированным данным. Следовательно, значение F-статистики и коэффициент детерминации, получающиеся в результате оценивания модели (1.2.2), не будут совпадать с аналогичными характеристиками модели (1.2.1) [8].

Условия, наложенные на модель (1.2.1), гарантируют несмещенность и состоятельность оценок b_j. Оценки a_i являются несмещенными и состоятельными для фиксированного n и при . При  или при  оценки b_j  являются асимптотически нормальными, поэтому можно пользоваться стандартными процедурами для проверки гипотез относительно параметров  [8]. 

Статистика для проверки гипотезы  имеет вид:

 

,                                        (1.2.4)

 

где  – сумма квадратов остатков модели с фиксированными эффектами (1.2.2);

 

.                                      (1.2.5)

 

Если справедлива гипотеза H₀ и выполняется предпосылка о нормальном распределении ошибок (или в случае достаточно больших n), статистика (1.2.5) имеет (приближенно) F-распределение с k и (nT–n–k) степенями свободы. 

Один из наиболее интересных вопросов в отношении параметров модели с фиксированными эффектами заключается в том, отличаются ли параметры  для разных объектов наблюдения. Если эффектов, специфических для отдельных объектов наблюдения, нет, все данные могут быть объединены и вместо модели с фиксированными эффектами предпочтение отдается обычной регрессии с единственной константой. Нулевая гипотеза формулируется  для любых i, j. Эта гипотеза соответствует объединенной модели регрессии: 

 

, .                         (1.2.6)

 

Альтернативная гипотеза  хотя бы для одной пары i, j, что соответствует модели с фиксированными эффектами (1.2.2). Для проверки нулевой гипотезы используется F-статистика: 

 

                                   (1.2.7)

 

где RSS_pool – сумма квадратов остатков модели (1.2.6).

 

Если справедлива гипотеза H₀ и выполняется предпосылка о нормальном распределении ошибок (или в случае достаточно больших n), статистика (1.2.7) имеет (приближенно) F-распределения с (n-1) и (nT-n-k) степенями свободы. 

Фиктивные переменные могут использоваться и для учета временных эффектов. Коэффициенты при фиктивных переменных для каждого периода времени вберут в себя влияние всех наблюдаемых или ненаблюдаемых переменных, которые зависят только от времени, но одинаковы для всех единиц совокупности [8]. Это позволит выявить и учесть в модели особенности характерные для каждого из рассматриваемых периодов времени. Двунаправленная модель с фиксированными эффектами имеет вид: 

 

,                                    (1.2.8)

 

где  – эффект, специфический для каждого периода.

 

Модель (1.2.8) получена из модели (1.2.1) включением дополнительных T-1 фиктивных переменных. Оценки модели (1.2.8) могут быть найдены с помощью двухступенчатой процедуры, описанной выше. Модель (1.2.2) в этом случае имеет вид: 

 

.    (1.2.9)

 

Оценки временных эффектов рассчитываются по формуле:

 

  .                                (1.2.10)

 

Статистический анализ модели (1.2.8) включает проверку следующих гипотез:

а) о значимости индивидуальных и временных эффектов:

 

 

с помощью F-критерия:

 

 

где RSS – сумма квадратов остатков модели (1.3.7);

б) о значимости временных эффектов  с помощью F-критерия ;

в) о значимости индивидуальных эффектов  с помощью F-критерия  где  – сумма квадратов остатков модели регрессии с фиксированными временными эффектами ;

г) проверка значимости коэффициентов при объясняющих переменных  с помощью F-критерия   где .

 

2) Модель линейной регрессии со случайными эффектами

Если предполагается, что ненаблюдаемые переменные не коррелированны с остальными регрессорами, то их влияние учитывается иначе – как компоненты ошибок наблюдения [8]. В этом случае для панельных данных используется модель со случайными эффектами, имеющая вид:

 

,                                         (1.2.11)

 

где ;  ; ;          ; ;          

 

Суммарная ошибка в модели (1.2.11)  складывается из ошибки, характерной для i-го объекта и не зависящая от времени u_i и случайной ошибки регистрации v_it . Модель (1.2.11) представляет собой модель линейной регрессии при гетероскедастичности ошибок, поэтому для получения эффективных оценок неизвестных параметров необходимо использовать обобщенный метод наименьших квадратов, требующий предварительного оценивания дисперсий  и . Оценки коэффициентов модели (1.2.11) могут быть также найдены как средневзвешенные внутри- и межгрупповые оценки.

Также как и в модели с фиксированными эффектами встает вопрос: различаются ли компоненты ошибки u_i у разных объектов наблюдения, Бреуш и Паган предложили метод множителей Лагранжа для проверки гипотезы о значимости случайных эффектов, основанный на остатках обычной регрессии, построенной по объединенным данным [9]. Выдвигаются гипотезы: 

;

.

Для проверки нулевой гипотезы используется статистика:

 

,                         (1.2.12)

 

где e_it – остатки в объединенной регрессии .

Если верна гипотеза H₀ и выполняется предпосылка о нормальном распределении ошибок, статистика (1.2.12) имеет асимптотическое распределение Хи-квадрат с одной степенью свободы. Если нулевая гипотеза не отвергается, то нет оснований предпочесть модель со случайными эффектами обычной регрессии (1.2.6). 

Временные эффекты учитываются в модели со случайными эффектами добавлением еще одного компонента в структуру ошибок:  с необходимыми предпосылками относительно распределения w_t. 

Таким образом, предлагается рассмотреть две различные спецификации модели панельных данных, позволяющие учесть как неоднородность данных по объектам наблюдения, так и по периодам времени. Модель (1.2.1) по сравнению с моделью (1.2.11) содержит больше параметров, подлежащих оцениванию, что ведет к потере степеней свободы, а также усугубляет проблемы коллинеарности. Модель со случайными эффектами позволяет устранить эти недостатки, но требует введения дополнительного предположения о некоррелированности специфического для объекта наблюдения слагаемого ошибки с регрессорами. Нарушение этого предположения приведет к расчету несостоятельных оценок параметров модели. В пользу модели с фиксированными эффектами говорит также небольшое число объектов наблюдения и интерес к построению прогноза для каждого объекта наблюдения. В моделях с панельными данными использовать коэффициент детерминации для того, чтобы определить, какой метод оценивания лучше, нецелесообразно. Его можно применять только для сравнения моделей, отличающихся набором регрессоров и оцениваемых одним и тем же методом [9].

Подтвердить или опровергнуть априорные предположения относительно спецификации модели можно с помощью теста Хаусмана проверки гипотезы об ортогональности случайных эффектов и регрессоров. Его подход основан на том, что если гипотеза об отсутствии корреляции верна, то оценки моделей с фиксированными и случайными эффектами являются состоятельными, но оценки модели со случайными эффектами эффективными. Поэтому при выполнении нулевой гипотезы между оценками нет систематического смещения. При альтернативной гипотезе состоятельны лишь оценки модели с фиксированными эффектами. Для проверки гипотезы используется статистика:  

 

                        (1.2.13)

 

где  – оценки параметров модели с фиксированными эффектами;

         b_RE – оценки параметров модели со случайными эффектами;

          – оценки ковариационных матриц для параметров моделей с фиксированными и случайными эффектами.

 При выполнении нулевой гипотезы статистика (1.2.13) асимптотически подчиняется закону распределения Хи-квадрат с k степенями свободы. Если нулевая гипотеза не отвергается, то необходимо выбрать модель со случайными эффектами, в противном случае – модель с фиксированными эффектами. 

Также одним из подходов к моделированию взаимосвязи экономического развития и экологии является пространственная автокорреляция показателей окружающей среды [15], которая будет подробно рассмотрена в пункте 2.3.

 

 

 

2 Моделирование и анализ показателей окружающей среды в Области

 

2.1 Анализ и прогнозирование состояния окружающей среды

 

Активное воздействие человека на среду обитания привело к ухудшению экологической ситуации на планете. Проблемы загрязнения окружающей среды встают перед человечеством всё острее, представляя реальную угрозу его жизнедеятельности.

Современное состояние окружающей среды в Российской Федерации характеризуется масштабным загрязнением атмосферного воздуха, почв, поверхностных и подземных вод. Основными причинами сложной экологической обстановки в России являются:

• экстенсивное развитие экономики, требующее извлечения огромных объемов добываемого сырья;
• отсталость технического оборудования на предприятиях повышенного экологического риска;
• концентрирование опасных производств в отдельных городах;
• отсутствие системы рационального использования сырьевых ресурсов и экономического регулирования природоохранной деятельности;
• урбанизация населения;
• активное использование транспорта.

Несмотря на остроту проблемы загрязнения окружающей среды в целом для страны, степень проявления тех или иных экологических проблем в отдельных регионах России может быть разной и зависит как от природно-климатических условий, так и от уровня социально-экономического развития региона.

Одним из субъектов Российской Федерации с достаточно обостренными вопросами качества среды обитания является ская область. Это обусловлено многими факторами, в том числе интенсификацией технического воздействия и недостаточной эффективностью природоохранных мероприятий.

Цели экономического развития требуют увеличения объема выпуска продукции, строительства новых предприятий, а рост благосостояния людей приводит к появлению на улицах все большего количества автомобилей. Сегодня экономика Области входит в число ведущих экономик Российской Федерации [10].

Анализ состояния окружающей природной среды дает основание характеризовать территорию области, как зону со сложной экологической обстановкой.

Высокая степень индустриализации и сельскохозяйственного производства привели к ухудшению состояния окружающей среды, характеризующемуся чрезмерно высоким уровнем концентраций вредных веществ в воздухе и водных объектах, деградацией почв и лесных массивов и, как следствие этого, высоким уровнем заболеваемости населения [10].

Ранжирование регионов Приволжского федерального округа по количеству выбросов загрязняющих веществ в атмосферный воздух в 2012 году показало, что ская область занимает первое место среди регионов ПФО. Результаты представлены в таблице 1.

 

Таблица 1- Ранжирование регионов Приволжского федерального округа по количеству выбросов загрязняющих веществ в атмосферный воздух в 2012 году (тыс.тонн)

Ранг	Регион	Количество Выбросов
1	2	3
1	ская область	757,4
2	Республика Башкортостан	402,8
3	Пермский край	343,7
4	Республика Татарстан	288,1
5	Самарская область	275,5
1	2	3
6	Удмуртская Республика	172,5
7	Нижегородская область	145,9
8	Саратовская область	127,8
9	Кировская область	101,3
10	Республика Мордовия	49,9
11	Чувашская Республика	42,5
12	Республика Марий Эл	34,5
13	Ульяновская область	34,4
14	Пензенская область	21,8

 

Особенно неблагополучное состояние окружающей среды наблюдается в городах: Орск, Новотроицк, Медногорск и  (рисунок 2.1.1) [11]. Наиболее сильному антропогенному воздействию подвержена восточная часть области, производящая более 1/3 промышленной продукции. Здесь сосредоточены предприятия черной и цветной металлургии,  химической, нефтеперерабатывающей, горнодобывающей и горноперерабатывающей отраслей промышленности. Основными загрязнителями были и остаются: ОАО "Уральская сталь", ОАО "Южуралникель" и ООО "Медногорский медно-серный комбинат" [11].

Рисунок 2.1.1- Ранжирование городов Области по объёму выбросов в атмосферу загрязняющих веществ

 

В центральной части области негативное воздействие на окружающую среду и здоровье населения оказывает ское нефтегазоконденсатное месторождение с мощным газохимическим комплексом ООО «Газпром Добыча ». На западе области объекты негативного воздействия сосредоточены на более 100 нефтяных месторождениях [12].

По данным федерального государственного статистического наблюдения, в 2012 году объем выбросов в атмосферу загрязняющих веществ, отходящих от стационарных источников составил 757,4 тыс.тонн, что на 99,9 тыс.тонн больше, чем в 2011 году [11]. Динамика выбросов загрязняющих веществ в атмосферу за 2000-2012 годы представлена на рисунке 2.1.2.

 

Рисунок 2.1.2- Динамика выбросов, загрязняющих атмосферу веществ

 

Несмотря на положительную динамику снижения выбросов от стационарных источников (относительно 2005 года) ская область продолжает лидировать по данному показателю не только в Приволжском федеральном округе, но и входит в десятку худших регионов Российской Федерации.

На территории области действуют 881 хозяйствующий субъект, подлежащий федеральному государственному экологическому надзору, а также    2934 объекта, подлежащие региональному государственному экологическому надзору [11].

Экологическую напряженность усиливает значительный рост объемов бытовых и промышленных отходов, по показателям которых область также лидирует среди регионов ПФО. На территории области в 2012 году образовалось 60,5 млн. тонн отходов производства и потребления [11].

В большей степени объемы образования и накопления отходов связаны с производственной деятельностью крупных промышленных предприятий: горнодобывающих, горнорудных, черной и цветной металлургии.

Также во всех муниципальных образованиях Области существует проблема с размещением твердых бытовых отходов (ТБО) [12].

Инвентаризация объектов размещения отходов показывает следующую ситуацию. Из 12 городов и 35 районных центров Области санкционированные свалки ТБО действуют только на территориях 10 муниципальных образований: г., г.Орск, г.Ясный, г.Медногорск, г.Бугуруслан, г.Новотроицк, г.Соль-Илецк, п.Новосергиевка, п.Домбаровский, с.Подгородняя Покровка ского района [11].

 По предварительным данным на территории области расположено 625 несанкционированных свалок ТБО [12].

Трудноразрешимой остается проблема трансграничного переноса загрязняющих веществ в реках [12]. Ситуация усугубляется недостаточной эффективностью канализационных и очистных систем в целом ряде городов и районных центрах области [12].

С каждым годом становится все актуальнее проблема выбросов от автотранспорта. Положение усложняется в связи с ежегодным существенным увеличением количества передвижных источников, а именно автомобильного транспорта.

На рисунке 2.1.3 представлена диаграмма, отражающая долю выбросов основных загрязняющих веществ в атмосферу в 2012 году по видам экономической деятельности.

Рисунок 2.1.3- Доля выбросов основных ЗВ в атмосферу по видам экономической деятельности

 

То есть, наибольшее количество загрязняющих атмосферу веществ поступает от деятельности предприятий по добыче полезных ископаемых (69 %, 523.1 тыс.тонн) и от предприятий обрабатывающих производств (25 %, 192.9 тыс.тонн). На предприятия по производству и распределению электроэнергии, газа и воды приходится всего 3 % (20.2 тыс. тонн) выбросов, загрязняющих атмосферу веществ. В результате деятельности предприятий транспорта и связи в атмосферу производятся выбросы в объеме 15.3 тыс.тонн, что составляет 2 % от общего объема выбросов.

Начавшийся рост промышленного производства может обострить экологическую обстановку. Необходим комплексный системный подход при разработке правовых, экономических, организационных и иных условий охраны окружающей природной среды.

Для решения проблем охраны окружающей среды и ее оздоровления в Области разрабатываются и осуществляются экологические программы, а также мероприятия по охране окружающей среды городов и районов. Важно поощрять внедрение «экологической технологии», связанной с уменьшением энерго- и материалоемкости производства, комплексным использованием естественных сырьевых ресурсов, утилизацией производственных отходов и т.д. Таким образом, для осуществления охраны окружающей среды необходимы экологические затраты.

Текущие затраты на охрану окружающей среды отслеживаются в форме

федерального статистического наблюдения № 4 – ОС «Сведения о текущих затратах на охрану окружающей среды и экологических платежах», которую представляют в органы государственной статистики юридические лица, их обособленные подразделения, имеющие очистные сооружения и осуществляющие у себя природоохранные мероприятия (самостоятельно или в виде потребления сторонних услуг), а также производящие плату за негативное воздействие на окружающую среду [13].

         К их числу относятся следующие затраты: по содержанию и эксплуатации основных фондов природоохранного назначения; на мероприятия по сохранению и восстановлению качества природной среды, нарушенной в результате производственной деятельности; на мероприятия по снижению вредного воздействия производственной деятельности на окружающую среду; по обращению с отходами производства и потребления; на организацию контроля за выбросами (сбросами), отходами производства и потребления в окружающую среду и за качественным состоянием компонентов природной среды; на научно-исследовательские работы и работы по экологическому образованию кадров.

На рисунке 2.1.4 представлен график, отражающий динамику текущих затрат на охрану окружающей среды Области на период 2000-2012 гг.

 

Рисунок 2.1.4- Динамика текущих затрат на охрану окружающей среды

 

В целом, относительно 2001 года, наблюдается тенденция к увеличению текущих затрат на охрану окружающей среды, что, в свою очередь, находит отражение в сокращении выбросов загрязняющих веществ в атмосферу.

Так в соответствии с распоряжением Губернатора Области  от 8 октября 2012 года утверждена государственная программа «Охрана окружающей среды Области» на 2014–2020 годы [14].

Цели программы:

- обеспечение благоприятного состояния окружающей среды как необходимого условия улучшения качества жизни и здоровья населения;

- обеспечение эффективного государственного управления в сфере охраны недр и рационального использования минерально-сырьевых ресурсов для удовлетворения текущих и перспективных потребностей основных отраслей экономики области [14].

Следует отметить, что промышленными предприятиями реализуются крупномасштабные инвестиционные проекты, связанные с техническим перевооружением и экологизацией производства, в том числе с модернизацией систем пылегазоочистки. Строятся очистные сооружения [12]. Завершение строительства очистных сооружений является крайне важным, так как это позволит сократить сбросы загрязняющих веществ в атмосферу и в поверхностные водоемы. Кроме того, необходимо начать строительство новых или провести реконструкцию существующих сооружений по очистке канализационных сточных вод.

Наметившиеся тенденции позволяют надеяться на положительный эффект. 

 

2.2 Исследование распределения показателей загрязненности окружающей среды

 

2.3 Исследование пространственной автокорреляции показателей загрязненности окружающей среды

 

Пространственная автокорреляция похожа на коэффициент автокорреляции, использующийся при анализе временных рядов. В отличие от временных рядов, где наблюдаемые показатели упорядочены во времени, пространственная автокорреляция производит оценку степени взаимосвязи между наблюдаемыми показателями, которые упорядочены в пространстве. При этом положительной пространственной  автокорреляции соответствует образование кластеров в пространстве наблюдений с близкими показателями. В случае отрицательной пространственной автокорреляции рядом будут группироваться объекты, обладающие непохожими характеристиками [15].

При моделировании пространственных взаимозависимостей строится пространственная матрица весов. Существуют различные виды таких матриц: граничных соседей, k ближайших соседей, расстояний и др. Они формализуют предположение, что район пространственно связан с соседними муниципальными образованиями.

Матрицы пространственных весов широко используются в пространственной эконометрике и необходимы для понимания взаимного влияния регионов друг на друга [15]. Рассмотрим матрицу граничных соседей, элементы которой задаются следующим образом:

 

                       (2.3.1)

 

Элементы главной диагонали пространственной матрицы равны нулю, что исключает влияние региона на самого себя.

Необходимо отметить, что из-за бинарности матрицы при нормализации по строкам приходим к тому, что для данного района города влияние соседних районов будет учтено с одними и теми же весами. В связи с этим такую матрицу лучше использовать, когда рассматриваемые районы города достаточно однородны по площади.

Более полно соседство можно описать с помощью бинарной матрицы ближайших соседей, в которой близость между объектами  учтена следующим образом:

 

                                               (2.3.2)

 

где  - минимальное расстояние  k-го  порядка между объектами i и j.

В этом случае число соседей для каждого объекта будет равно k. Основная идея этого метода состоит в том, чтобы рассчитать расстояния от данного объекта до всех имеющихся объектов [16]. Затем берется k минимальных расстояний и как раз k-е расстояние для данного объекта будет той границей, за которой взаимодействия не учитываются. Как правило, для получения устойчивых результатов при эконометрическом моделировании берутся матрицы 10-25 ближайших соседей. 

Еще точнее близость объектов можно учесть с помощью стандартной матрицы расстояний (distance matrix), пространственные веса которой рассчитываются следующим образом:

 

                                           (2.3.3)

 

где - расстояния между объектами (центрами районов), - квартили расстояний, q=1..4. В большинстве случаев, показатель степени γ в (2.3.3) берется равным двум. Тогда получим аналог гравитационной модели: притяжение объектов обратно пропорционально квадрату расстояния между ними [15]. Соответственно, чем дальше располагаются объекты друг  от друга, тем меньше  они взаимодействуют. Когда q<4, максимальным расстоянием, дальше которого взаимодействием между объектами предполагается несущественным, является соответствующий квартиль расстояния . Если же q=4, то происходит учет всех расстояний, поэтому в весовой матрице будут нулевыми только элементы главной диагонали. Частным случаем стандартной матрицы расстояний является матрица расстояний, учитывающая “размер” объекта:

 

                                                (2.3.4)

 

где  - показатель, отражающий весомость или мощность соседнего объекта j.

Существует множество тестов для проверки пространственной автокорреляции. Однако многие из них не дают полной информации о характере структурированности некоторого признака, а лишь служат для проверки гипотезы, что близко расположенные регионы более похожи по некоторому признаку, а более отдаленные – менее похожи. В случае сложной структуры, когда отношения между соседними участками имеют «нелинейный» характер, более точную картину можно получить, используя показатели пространственной автокорреляции (Spatial autocorrelation), такие  как, коэффициент I Морана или C Джири [16].

Индекс Морана – один из показателей, позволяющих определить пространственную автокорреляцию.

Вид индикатора, который сейчас называют глобальным индикатором пространственного объединения (GISA), обеспечивает информацию о пространственном отношении в целом наборе пространственных компонентов. В отличие от GISA, Andelin (1995) ввел локальную версию- местный индикатор пространственного объединения (LISA), который учитывает пространственнй эффект каждого пространственного объекта отдельно [15].

Глобальный показатель общей пространственной автокорреляции (статистика Морана I) рассчитывается следующим образом:

 

                                    (2.3.5)

 

где  исследуемый признак, n – число точек или пространственных единиц, а сумма весов пространственной матрицы .

LISA версия для Морана имеет вид:

 

 

Если обозначить отклонение признака от среднего значения  как , то (2.3.5) можно записать в следующей матричной форме:

 

                                               (2.3.6)

 

Коэффициент пространственной автокорреляции Морана I представляет собой степень линейной связи между вектором Z нормированных значений показателя Y и вектором WZ пространственно взвешенных средних показателя Y у соседних объектов, который называется пространственным лагом (Spatially lagged vector). Статистика I большая математического ожидания , соответствует положительной пространственной автокорреляции (кластеризация). Таким образом, большим значениям взвешенных средних показателя Y у соседних объектов соответствуют большие значения Y у каждого рассматриваемого объекта. Соответственно, статистика I с меньшим математическим ожиданием характеризуется присутствием отрицательной пространственной автокорреляции [16].

При этом индекс Морана : если I=0 – пространственная корреляция отсутствует, при I в пределах от -1 до 0 – отрицательная пространственная корреляция, при I от 0 до 1 - положительная пространственная корреляция.

Как правило, следующим этапом анализа взаимного влияния регионов является построение диаграмм рассеяния Морана, которые позволяют обнаружить все существующие кластеры регионов.

Наглядно визуализировать разброс значений исследуемого показателя относительно пространственного лага позволяет пространственная диаграмма рассеяния (Moran Scatter Plot). Как показано на рис. 2.3.1, на оси абсцисс откладываются значения вектора z, , а на оси ординат значения вектора Wz. Также на диаграмме наносится линия регрессии Wz на z, угол наклона которой соответствует индексу Морана I.

 

Рисунок 2.3.1- Пространственная диаграмма рассеяния

 

Диаграмма рассеяния делится на четыре квадранта: High-High (HH), High-Low (HL), Low-High (LH), Low-Low (LL) (рисунок 2.3.1). Квадранты соответствуют определенным видам местоположения: 

- Левый верхний квадрант диаграммы (LH) характеризуется группировкой объектов с низким значением показателя в окружении объектов с высоким значением показателя; 

- Правый верхний (HH) – объекты с высоким значением показателя находятся в окружении объектов так же с высокими значениями исследуемого показателя; 

- Левый нижний (LL) – объекты с низким значением окружены объектами  так же с низкими значениями показателя; 

- Правый нижний (HL) – объекты с высоким значением окружены объектами с низким значением показателя. 

Квадрантам LH и HL соответствует отрицательная пространственная автокорреляция, что свидетельствует о кластеризации различающихся значений показателя. Квадрантам LL и HH соответствует положительная пространственная автокорреляция, свидетельствующая о группировке объектов с близкими значениями показателя. По сути, пространственная диаграмма рассеяния позволяет определить нетипичные объекты, относящиеся к квадрантам LH и HL [15].

Мера пространственной автокорреляции (статистика Джири  C) вводится следующим образом:

 

                                    (2.3.7)

 

где - исследуемый признак, n – число точек или пространственных единиц, а сумма весов пространственной матрицы .

Индекс Джири :  если  С=1- пространственная корреляция отсутствует, при С в пределах от 1 до 2 – имеется отрицательная пространственная корреляция, при С от 0 до 1 -  положительная пространственная корреляция.

Статистики Джири и Морана связаны,  но не идентичны. Индекс Морана I является показателем глобальной пространственной автокорреляции, в то время как  мера Джири C является более чувствительной к локальной пространственной автокорреляции [15].

Данный подход позволяет учесть дополнительный параметр, характеризующий каждый из объектов.

Проведено исследование вопроса наличия пространственных закономерностей состояния окружающей среды на внутрирегиональном уровне, а именно того аспекта, который связан с объёмом выбросов загрязняющих атмосферу веществ, поступающих от стационарных источников.

Под пространственными закономерностями в работе понимаются ситуации, когда географически близкие объекты характеризуются похожими значениями показателя (положительная пространственная автокорреляция) или, наоборот, когда наблюдения с похожими значениями показателя имеют тенденцию располагаться географически как можно дальше друг от друга (отрицательная пространственная автокорреляция). Объектами исследования выступают административно-территориальные образования Области. В качестве измерителя  пространственной корреляции используется глобальный индекс Морана [17], а в качестве весовых матриц – матрица граничных соседей и матрица, построенная на основе расстояний между административными центрами районов (с использованием и без использования операции стандартизации) [17]. Расчеты выполнены в пакете Stata [18], результаты представлены в таблице 2.3.1.

 

Таблица 2.3.1 – Результаты оценки индекса Морана и проверки его значимости

Год	Матрица граничных соседей				Матрица расстояний
	нестандартиз.		стандартиз.		нестандартиз.		стандартиз.
	Moran I	p-value	Moran I	p-value	Moran I	p-value	Moran I	p-value
1	2	3	4	5	6	7	8	9
2000	0.014	0.344	0.042	0.266	-0.041	0.404	-0.031	0.480
2001	0.184	0.023	0.190	0.026	0.036	0.092	0.036	0.050
2002	0.004	0.380	0.045	0.256	-0.050	0.336	-0.040	0.394
2003	-0.051	0.420	-0.019	0.463	-0.054	0.308	-0.047	0.328
2004	0.142	0.056	0.150	0.057	0.042	0.074	0.052	0.021
2005	-0.029	0.498	-0.001	0.402	-0.039	0.419	-0.036	0.439
2006	0.020	0.322	0.033	0.293	-0.011	0.357	-0.013	0.338
1	2	3	4	5	6	7	8	9
2007	0.170	0.032	0.196	0.024	0.052	0.050	0.052	0.021
2008	0.140	0.054	0.175	0.033	-0.006	0.317	-0.008	0.292
2009	-0.013	0.438	0.031	0.298	-0.014	0.379	-0.022	0.426
2010	-0.038	0.469	-0.000	0.398	-0.033	0.472	-0.041	0.384
2011	-0.018	0.457	-0.006	0.417	-0.019	0.414	-0.025	0.453
2012	0.228	0.008	0.235	0.009	0.068	0.024	0.060	0.012

 

Таким образом, автокорреляция логарифма выбросов загрязняющих атмосферу веществ на душу населения выявлена для  2001, 2004, 2007, 2008, 2012 гг. Для всех перечисленных периодов времени оценки индекса Морана положительны, то есть наблюдается положительная пространственная автокорреляция. Данный результат свидетельствует о том, что в пространстве области районы с высоким показателем объёма выбросов загрязняющих веществ в расчете на одного человека группируются рядом.

Также была построена модель зависимости выбросов углеводорода на душу населения от объёма ВМП.  Расчеты индекса Морана выполнены в пакете Stata [18], результаты представлены в таблице 2.3.2.

 

Таблица 2.3.2 – Результаты оценки индекса Морана и проверки его значимости

Год	Матрица граничных соседей				Матрица расстояний
	нестандартиз.		стандартиз.		нестандартиз.		стандартиз.
	Moran I	p-value	Moran I	p-value	Moran I	p-value	Moran I	p-value
2005	0.133	0.066	0.111	0.108	-0.011	0.352	-0.009	0.304
2006	0.195	0.018	0.174	0.036	0.055	0.043	0.059	0.013
2007	0.283	0.002	0.258	0.005	0.088	0.008	0.089	0.001
2008	0.025	0.304	0.016	0.342	0.005	0.244	-0.003	0.253
2009	-0.100	0.253	-0.080	0.327	-0.046	0.370	-0.033	0.464
2010	-0.063	0.378	-0.066	0.373	-0.060	0.268	-0.047	0.332
2011	0.024	0.307	0.037	0.277	-0.002	0.428	-0.012	0.332
2012	0.195	0.018	0.187	0.028	0.039	0.084	0.053	0.019

 

Таким образом, автокорреляция показателя объёма выбросов углеводорода на душу населения выявлена для  2005-2007, 2012 гг. Для всех перечисленных периодов времени оценки индекса Морана положительны, то есть наблюдается положительная пространственная автокорреляция. Данный результат свидетельствует о том, что в пространстве области районы с высоким показателем объёма выбросов загрязняющих веществ в расчете на одного человека группируются рядом.

Более подробный анализ можно провести, построив диаграмму Морана – график, по оси абсцисс которого откладываются стандартизированные значения исследуемого показателя, а по оси ординат – значения вектора пространственно взвешенных значений стандартизированного признака  [17, 19]. На рисунке 2.3.2 представлена диаграмма для объёма выбросов загрязняющих атмосферу веществ в 2012 году.

 

Рисунок 2.3.1- Диаграмма Морана для показателя lnEP12

 

В правом верхнем квадранте диаграммы Морана (НН) располагаются районы с большим объем выбросов загрязняющих веществ, географически близкими к которым являются подобные районы: Александровский (4), Асекеевский (5), Бузулукский (8), Грачевский (10), Красногвардейский (14), Курманаевский (16), Матвеевский (17), ский (20), Первомайский (22), Переволоцкий (23), Сакмарский (25), Сорочинский (30), Ташлинский (31), Тоцкий (32), Шарлыкский (34). Географическое положение этого кластера – восточная и центральная часть области.

В левом нижнем квадранте (LL) располагаются районы с малым объёмом выбросов загрязняющих веществ, окруженные подобными районами: Адамовский (2), Акбулакский (3), Беляевский (6), Саракташский (26), Светлинский (27), Соль-Илецкий (29), Тюльганский (33), Ясненский (35). Географическое положение этого кластера – западная и центральная часть области.

Построены диаграммы Морана для объёма выбросов загрязняющих веществ в 2001, 2004, 2007, 2008 гг. Географическое положение полученных кластеров для данных периодов имеет состав, схожий с составами кластеров для 2012 года. Диаграммы Морана, построенные в пакете Stata представлены в приложении А.  На рисунке 2.3.3 представлена диаграмма для объёма выбросов углеводородов в атмосферу в 2012 году.

 

Рисунок 2.3.3- Диаграмма Морана для показателя lnEP12

 

В правом верхнем квадранте диаграммы Морана (НН) располагаются районы с большим объем выбросов загрязняющих веществ, географически близкими к которым являются подобные районы: Асекеевский (5), Бугурусланский (7), Бузулукский (8), Грачевский (10), Красногвардейский (14), Курманаевский (16), Новосергиевский (19), Первомайский (22), Сорочинский (30). Географическое положение этого кластера – восточная часть области.

В левом нижнем квадранте (LL) располагаются районы с малым объёмом выбросов загрязняющих веществ, окруженные подобными районами: Адамовский (2), Акбулакский (3), Беляевский (6), Гайский (9), Матвеевский (17), Новоорский (19), Сакмарский (25), Саракташский (26), Светлинский (27), Северный (28),  Соль-Илецкий (29),  Тюльганский (33), Ясненский (35). Географическое положение этого кластера в большей степени западная и центральная часть области.

Построены диаграммы Морана для объёма выбросов загрязняющих веществ в 2005-2007 гг. Географическое положение полученных кластеров для данных периодов имеет состав, схожий с составами кластеров для 2012 года.

 

 

 

3 Моделирование взаимосвязи экономики и окружающей среды на основе экологической кривой Кузнеца

 

3.1 Оценка валового муниципального продукта административно- территориальных образований региона

 

 

На сегодняшний день муниципалитеты становятся все более значимыми экономическими субъектами, имеющими не только возможность, но и обязанность разрабатывать стратегии своего социально-экономического развития. При разработке стратегий и программ развития на первое место выдвигается задача повышения уровня и качества жизни местного населения. Именно на муниципальном уровне решаются самые насущные вопросы обеспечения жизнедеятельности местного сообщества. В сферу ответственности муниципалитетов входят вопросы содержания социальной сферы, ЖКХ, обеспечения общественного порядка, экологического и санитарного благополучия территории муниципального образования. Эффективное выполнение всех функций, возложенных на муниципалитеты требует адекватного мониторинга состояния и развития муниципального образования [20].

Результирующим показателем деятельности на уровне национальной экономики является валовой внутренний продукт (ВВП), характеризующий конечный результат производственной деятельности экономических единиц-резидентов, на региональном уровне валовой региональный продукт (ВРП).

Ведущими отраслями, обеспечивающими основной объем ВРП Области, являются: промышленность, сельское хозяйство, строительство и торговля.

Учитывая важную способность показателя ВРП системно согласовывать социальную, экономическую и экологическую составляющие социально-экономического развития территории, необходимо дальнейшее распространение использования  методологии системы региональных счетов (СРС) на субрегиональном уровне.

Субрегиональные счета являются нижним замыкающим звеном в системы национальных счетов (СНС) и должны включать: счета производства, образования доходов, использования располагаемого дохода и операций с капиталом. В настоящее время эти счета информационно слабо обеспечены, что не позволяет осуществлять их в полном объеме.

Отмеченные показатели необходимы, однако анализ и прогнозы развития хозяйствующих субъектов по несогласованным критериям не обеспечивают единство целей социально-экономического развития территории в целом, поэтому необходима обобщающая, интегральная оценка социально-экономических процессов на территории с позиции государственных интересов [20].

Подобным обобщающим показателем может служить валовой муниципальный продукт (ВМП), отражающий эффективность муниципальной экономики и результаты социально-экономического развития муниципального образования. В отечественную литературу этот термин впервые ввели в 2003 г. академик В. Макаров и д.э.н. М. Глазырин. В субрегиональных счетах он является одним из ключевых обобщающих индикаторов, отражающих конечный результат экономических систем  муниципальных образований.

В настоящее время нет стандартной общепризнанной международной методики расчета ВМП. Только в нескольких субъектах РФ территориальные органы статистики производят расчет и публикацию валового продукта муниципальных образований. Повсеместное распространение методологии субрегиональных счетов планируется с 2017 года.

В этой связи представляет интерес методика оценки «муниципального продукта» [21].

По своему экономическому содержанию ВМП – близкий аналог ВРП, рассчитанный производственным методом. Он определяется как сумма валовой добавленной стоимости (ВДС) видов экономической деятельности и секторов экономики, созданной институциональными единицами на территории отдельного муниципального образования. В рыночных ценах ВМП равен сумме ВДС плюс чистые налоги на продукты (ЧНП). В общем виде это записывается следующим образом [22]:

 

ВМП = ∑(ВДС + ЧНП).                                      (3.1.1)

 

ВДС каждой отрасли рассчитывается вычитанием промежуточного потребления (ПП) из валового выпуска (ВВ) [22]:

 

ВДС_i = ВВ_i – ПП_i,                                           (3.1.2)

 

где i – отрасль экономики.

Чистые налоги на продукты получаются вычитанием субсидий на продукты (СП) из налогов на продукты (НП):

 

ЧНП_i = НП_i – СП_i.                                         (3.1.3)

 

В силу отсутствия статистических данных по налогам на продукты в разрезе муниципальных образований ВМП исчисляется в основных ценах [22].

В тех случаях, когда невозможно определить ВДС отраслей МО производственным методом, применяется распределительный метод посредством суммирования доходов по источникам их образования:

 

ВДС=ОП +ВПиСД ,                                    (3.1.4)

 

где ОП – оплата труда наемных работников,  ВПиСД – валовая прибыль экономики и валовые смешанные доходы [22].

Расчет ВМП осуществляется по четырем институциональным секторам экономики: нефинансовые корпорации; государственное управление; домашние хозяйства; некоммерческие организации, обслуживающие домашние хозяйства (НКОДХ) [22].

Общий алгоритм расчета ВМП представлен в таблице 3.1.1.

 

Таблица 3.1.1- Алгоритм расчета валового муниципального продукта

Шаги	Метод	Рассчитываемые элементы
1	2	3
1	Производственный	Выпуск по секторам нефинансовых корпораций, госуправления, домашних хозяйств и НКОДХ
2		Промежуточное потребление по сектору нефинансовых корпорации и госуправления
3		Валовая добавленная стоимость по сектору нефинансовых корпораций, госуправления, домашних хозяйств и НКОДХ
1	2	3
4	Образования доходов	Валовая добавленная стоимость по методу образования доходов по сектору домашних хозяйств и НКОДХ
5	Смешанный	Валовая добавленная стоимость всех институциональных секторов

 

 

В связи с тем, что в настоящее время отсутствует общепринятая методика расчета ВМП (хотя работы в данном направлении ведутся во многих субъектах Федерации, например, в республиках Коми и Татарстан, Челябинской, Новгородской и Вологодской областях) [23] в работе Шмигельской Е.М предлагается следующая формула для расчета ВМП:

 

ВМП = ФЗП+А+П,                                              (3.1.5)

 

где ФЗП – общий фонд заработной платы МО работников всех видов дея-тельности;

 А – общие амортизационные отчисления всех организаций МО;

 П – общая прибыль всех организаций МО.

               

Отсутствие до настоящего времени общепризнанной методики расчета ВМП можно объяснить как сложностью применения имеющихся методов, так и слабой разработанностью муниципальной статистики.

Коми научный центр УрО РАН предлагает использовать производственный метод (Ю.А.Гаджиев, Д.А. Колечков), в котором ВМП представляет собой суммарную стоимость всей произведенной за год в экономике муниципального образования продукции, включая производство товаров и услуг, которые могут иметь рыночный и нерыночный характер.

Метод, предлагаемый А.А Лопатиным., А.М. Набиевым, В.С. Силинцевым, который условно можно назвать факторным, не требует прямого счета. Данная методика основана на теории производственных факторов, согласно которой производство материальных благ осуществляется во взаимодействии основных факторов (труд, земля, капитал) с иcпользованием производственной функции Кобба-Дугласа для расчета валовой региональный продукт по двум основным факторам производства – труду и капиталу. Для нахождения муниципального продукта определяются весовые коэффициенты, учитывающие вклад конкретного муниципального образования в создание ВРП через соотношение труда и капитала на муниципальном и региональном уровнях.

При расчете ВМП по упрощенному методу добавленной стоимости (А.Н. Чекавинский, Е.А Гутникова), валовой муниципальный продукт определяется как сумма вновь созданных стоимостей товаров и услуг, произведенных на территории муниципального образования: валовая добавленная стоимость (ВДС) сектора производства товаров и рыночных услуг; ВДС сектора нерыночных услуг; налоги на продукты.

Один из методов, использованный в рамках ВКР, предполагает получить значение городского продукта на основании исчисления доли валового регионального продукта района, приходящейся на 1 работающего в конкретном муниципальном образовании, а также общего количества работающих и соотношения уровней заработной платы в целом по области и по конкретному району [21].

                              

                                                                              (3.1.6)

 

где – оценка валового муниципального продукта по i-му муниципальному району;

– валовой региональный продукт;

– численность занятого населения региона;

– численность занятого населения i-го муниципального района;

– среднемесячная заработная плата по региону;

– среднемесячная заработная плата по i-му муниципальному району.

 

Несмотря на небольшую трудоемкость расчетов валового муниципального продукта данным методом, оценка данного показателя имеет значительные недостатки, главными из которых являются отсутствие необходимой информации по территориям муниципального образования и неполный охват хозяйствующих субъектов муниципальной экономики [21].

Очевидно, что данные методики оценки муниципального продукта, достаточно условны, но все же дают возможность получить значения этого показателя и использовать его в первую очередь для проведения сравнительного анализа территорий.

На основе статистических данных территориального органа Федеральной службы государственной статистики по Области рассчитан показатель ВМП за период 2000-2012 гг.

Динамика среднего значения ВМП за 2000-2012 гг. представлена на рисунке 3.1.1.

 

Рисунок 3.1.1- Динамика среднего значения ВМП за 2000-2012 гг.

 

         По рисунку 3.1.1 видим, что наибольшее среднее значение ВМП наблюдается в ском районе, наименьшее- в Гайском районе.

При детальном анализе по каждому рассматриваемому году выявлено, что на протяжении последних шести лет (с 2007 года) наибольший показатель ВМП наблюдается в ском районе, наименьший же показатель в 2000, 2004-2008 гг. принадлежит Ясненскому району, в остальные годы- Гайскому району.

Анализ территориальной структуры ВМП за 2000-2012 гг. показал, что из 35 районов Области 50% ВМП производят в среднем 12-14 районов, 70 % производят в среднем 19-20 районов области, то есть в целом наблюдается равномерное производство ВМП муниципальными образованиями области.

Чтобы проанализировать степень дифференциации административно-территориальных образований по уровню ВМП, с помощью пакета Gretl рассчитан коэффициент Джини для каждого года (результаты сведены в таблицу 3.1.1) и построены кривые Лоренца (см.приложение Б).

 

Таблица 3.1.1- Результаты расчета коэффициента Джини

Год	Простой коэффициент Джини	Оценка для генеральной совокупности
2000	0,189598	0,195175
2001	0,183603	0,189003
2002	0,182904	0,188283
2003	0,178908	0,18417
2004	0,203107	0,209081
2005	0,218438	0,224863
2006	0,231199	0,237999
2007	0,222704	0,229254
2008	0,248864	0,256183
2009	0,246801	0,25406
2010	0,250285	0,257646
2011	0,259241	0,266866
2012	0,262121	0,26983

 

Представим динамику коэффициента Джини графически (рисунок 3.1.2)

 

Рисунок 3.1.2- Динамика коэффициента Джини за период 2000-2012 гг.

 

По графику (рисунок 3.1.2) видим,  что наблюдается некоторая тенденция к росту коэффициента Джини, в частности, с 2008 по 2012 гг. коэффициент стабильно растет, следовательно, увеличивается степень дифференциации административно- территориальный образований по показателю ВМП.

Также рассмотрена динамика ВМП по каждому району. Выявлено, что во всех районах наблюдается тенденция к росту валового муниципального продукта, но в Матвеевском и Курманаевском районах роста ВМП практически не происходит. Также не значительный рост наблюдается в следующих районах: Гайский, Домбаровский, Грачевский, Новоорский, Пономаревский, Северный, Светлинский. Ускоренный рост ВМП характерен для следующих районов: Адамовский, Бузулукский, Асекеевский, Саракташский, Соль-Илецкий, ский.  Самое неустойчивое положение показателя ВМП, характеризующегося частой сменой периодов роста и снижения, относится Абдулинскому району.

Следует отметить, что для 15-ти районов характерно резкое увеличение показателя ВМП в 2008 году и во всех районах произошло снижение ВМП в 2010 году, что объясняется  Финансово-экономическим кризисом 2008—2010 годов в России.

 

 

3.2  Эмпирическая проверка экологической кривой Кузнеца на основе моделей панельных данных

 

Исследуем зависимость выбросов загрязняющих атмосферу веществ в расчете на одного человека от валового муниципального продукта на душу населения.

Для достижения поставленной задачи построим модель вида:

 

 

 

E – эмиссия загрязняющих веществ (например, объем выбросов от стационарных источников, тонн);

P- численность населения (чел.);

GDP – валовой продукт (или муниципальный продукт – ВМП).

Объектами наблюдения являются 35 районов ( ) Области. Каждая район характеризуется годовыми данными за период с 2000 по 2012 годы ( ) по вышеописанным показателям.

Оценим модель регрессии со случайными индивидуальными эффектами, что позволит учесть гетероскедастичность в ковариационной матрице регрессионных остатков (таблица 3.2.1) [27].

 

Таблица 3.2.1 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных

lnEP	Коэффициент	Ст. ошибка	z-статистика	P-значение
1	2	3	4	5
dumt2	-0.45978	0.282522	-1.63	0.104
dumt3	-0.346053	0.291596	-1.19	0.235
dumt4	-0.7196099	0.317816	-2.26	0.024
1	2	3	4	5
dumt5	-0.623653	0.370058	-0.17	0.866
dumt6	0.159435	0.421173	0.38	0.705
dumt7	0.931855	0.479869	0.19	0.846
dumt8	0.114787	0.510081	0.23	0.822
dumt9	0.310137	0.496482	0.62	0.532
dumt10	0.223452	0.471222	0.47	0.635
dumt11	0.175529	0.495961	0.35	0.723
dumt12	0.121173	0.560934	0.22	0.829
dumt13	0.141697	0.577299	0.25	0.806
lnGDPP	3.06897	1.295666	2.37	0.018
lnGDPP2	-0.272452	0.122049	-2.23	0.026
_cons	-11.04864	3.27064	-3.38	0.001
sigma_u	1.726754    1.1626754    0.688054    0.203    101.13    0.0000
sigma_e
Параметр rho
R-квадрат
Wald chi2(14)
Prob>chi2

 

Таким образом, оценка модели регрессии имеет вид:

 

 

Регрессия в целом значима, т.к.  уровень значимости  р=0.000<0.05. Об этом свидетельствует высокое значение статистики Вальда (Wald chi2=101.13). Коэффициенты уравнения регрессии  являются значимыми,  т.к.  для них уровень значимости  р<0.05.

Оценивая модель регрессии со случайными индивидуальными эффектами, мы исходили из предположения о некоррелированности индивидуального эффекта и независимых переменных, но это предположение не очень обосновано. Из этого следует, что модель с фиксированными индивидуальными эф­фектами может быть более адекватна данным, чем предыдущая. Результат оценки данной модели в пакете Stata представлен в таблице 3.2.2.

 

Таблица 3.2.2 – Оценки коэффициентов функции регрессии с фиксированными индивидуальными эффектами в пакете Stata на основе панельных данных

lnEP	Коэффициент	Ст. ошибка	t-статистика	P-значение
1	2	3	4	5
dumt2	-0.4819702	0.2815351	-1.71	0.088
1	2	3	4	5
dumt3	-0.3885469	0.2909758	-1.34	0.183
dumt4	-0.7973216	0.3182441	-2.51	0.013
dumt5	-0.1884363	0.3724184	-0.51	0.613
dumt6	-0.0082788	0.4254392	-0.02	0.984
dumt7	-0.1188933	0.4862755	-0.24	0.807
dumt8	-0.1193232	0.517577	-0.23	0.818
dumt9	0.0860101	0.5034793	0.17	0.864
dumt10	0.018055	0.4772938	0.04	0.970
dumt11	-0.0483391	0.5029483	-0.10	0.923
dumt12	-0.1499123	0.5703159	-0.26	0.793
dumt13	-0.1401826	0.5872066	-0.24	0.811
lnGDPP	3.441371	1.30208	2.64	0.009
lnGDPP2	-0.2939473	0.1221575	-2.41	0.017
_cons	-12.16908	3.282841	-3.71	0.0001
sigma_u	1.8546937    1.1626754    0.7178844    0.203    7.41    0.0000
sigma_e
Параметр rho
R-квадрат
F(14,406)
Prob>F

 

 Таким образом, оценка модели регрессии имеет вид:

 

 

Полученная регрессия в целом значима, т.к.  уровень значимости  р=0.000<0.05. Коэффициенты уравнения регрессии  являются значимыми,  т.к.  для них уровень значимости  р<0.05.

Большая часть вариации данных (72%) приходится на индивидуальные эффекты: rho=0.7178. Оценка коэффициента детерминации: .

Сравним модель с фиксированными  эффектами и модель со  случайными эффектами с помощью теста Хаусмана [28]. Результаты сравнения представлены в таблице 3.2.3.

 

Таблица 3.2.3 – Результаты теста Хаусмана в пакете Stata

lnEP	Коэффициент, b (случ.эф.)	Коэффициент B(фикс.эф.)	(b-B)
1	2	3	4
dumt2	-0.45978	-0.4819702	-0.221947
dumt3	-0.346053	-0.3885469	-0.424939
1	2	3	4
dumt4	-0.7196099	-0.7973216	-0.0777117
dumt5	-0.623653	-0.1884363	-0.126071
dumt6	0.159435	-0.0082788	-0.1677138
dumt7	0.931855	0.4862755	-0.2120788
dumt8	0.114787	0.517577	-0.2341105
dumt9	0.310137	0.5034793	-0.2241264
dumt10	0.223452	0.4772938	-0.2053971
dumt11	0.175529	0.5029483	-0.2238677
dumt12	0.121173	0.5703159	-0.2710856
dumt13	0.141697	0.5872066	-0.2818796
lnGDPP	3.06897	1.30208	0.3724059
lnGDPP2	-0.272452	0.1221575	-0.214949
chi2(14)	6.49    0.9526
Prob>chi2

 

В данном случае W(14) = 6,49,  p-value = 0,9526 >0.05, то есть оценки модели со случайными эффектами предпочтительнее оценок модели с фиксированными эффектами.

Следует отметить, что в полученной модели временные параметры (кроме одного года) незначимы, поэтому оценим модель со случайными эффектами, исключая постепенно незначимые переменные.

Полученные в результате исключения незначимых временных параметров модели со случайными эффектами представлены в приложении В. Результирующая модель представлена в таблице 3.2.4.

 

Таблица 3.2.4 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения незначимых переменных

lnEP	Коэффициент	Ст. ошибка	z-статистика	P-значение
dumt4	-0.6182558	0.2110677	-2.93	0.003
lnGDPP	4.070898	0.9443912	4.31	0.000
lnGDPP2	-0.3497284	0.0988162	-3.54	0.000
_cons	-14.01464	2.263258	-6.19	0.000
sigma_u	1.7271104    1.1557745    0.6906924    0.192    95.44    0.0000
sigma_e
Параметр rho
R-квадрат
Wald chi2(3)
Prob>chi2

 

Таким образом, оценка модели имеет следующий вид:

 

То есть значимой оказалась фиктивная переменная (dumt4), соответствующая 2004 году.

Результаты оценивания коэффициентов при объясняющих переменных и проверки их значимости после исключения незначимых коэффициентов представлены в таблице 3.2.5.

Регрессия в целом значима, т.к.  уровень значимости  р=0.000<0.05. Об этом свидетельствует высокое значение статистики Вальда (Wald chi2=95.44). Коэффициенты уравнения регрессии  являются значимыми,  т.к.  для них уровень значимости  р<0.05.

Согласно полученной модели объем выбросов в атмосферу загрязняющих веществ на душу населения находится в квадратической зависимости от валового дохода в расчете на одного человека. При этом коэффициент при валовом доходе, возведенным в квадрат, имеет отрицательный знак, то есть график зависимости представляет собой экологическую кривую Кузнеца. 

 

Таблица 3.2.5 – Оценки коэффициентов модели со случайными эффектами для муниципальных образований Области

Коэффи-циент	Оценка	Стандарт-ная ошибка	Значе-ние t-статистики	Значимость	Доверительный интервал
					Нижняя граница	Верхняя граница
Модель с фиксированными эффектами
	4,07	0,944	4,31	0,000	2.22	5.92
	-0,35	0,099	-3,54	0,000	-0.54	-0.16

 

Далее построим модель, определяющую зависимость между выбросами углеводородов с учетом ЛОС (летучие органические соединения) на душу населения и производством ВМП также в расчете на одного человека.

Результаты построения моделей панельных данных с фиксированными и случайными эффектами с помощью пакета Stata представлены в таблицах 3.2.6 и 3.2.7 соответственно.

Регрессия в целом не значима, т.к.  уровень значимости  р=0.131>0.05. Об этом свидетельствует низкое значение статистики Вальда (Wald chi2=13.77). Коэффициенты уравнения регрессии  являются не значимыми,  т.к.  для них уровень значимости  р>0.05.

 

 

Таблица 3.2.6- Оценки коэффициентов функции регрессии с фиксированными индивидуальными  эффектами в пакете Stata на основе панельных данных

lnEP	Коэффициент	Ст. ошибка	z-статистика	P-значение
dumt2	0.122878	0.2215512	0.55	0.579
dumt3	0.2640858	0.2528968	1.04	0.296
dumt4	0.5916592	0.2391266	2.47	0.013
dumt5	0.5015054	0.2157855	2.32	0.02
dumt6	0.363775	0.2387767	1.52	0.128
dumt7	0.3468863	0.299748	1.16	0.247
dumt8	0.2724098	0.3163946	0.86	0.389
lnGDPP	-0.4326012	2.134347	-0.2	0.839
lnGDPP2	0.0404236	0.1831622	0.22	0.825
_cons	-2.528102	6.057509	-0.42	0.676
sigma_u	1.6526221    0.7843339    0.81616341    0.0569    13.77    0.1308
sigma_e
Параметр rho
R-квадрат
Wald chi2(9)
Prob>chi2

 

Таблица 3.2.7- Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных

lnEP	Коэффициент	Ст. ошибка	t-статистика	P-значение
1	2	3	4	5
dumt2	0.1222825	0.223597	0.55	0.585
dumt3	0.2623026	0.2566722	1.02	0.308
dumt4	0.5905782	0.2421542	2.44	0.015
dumt5	0.5012942	0.2174865	2.30	0.022
dumt6	0.362166	0.2417918	1.50	0.136
dumt7	0.3388703	0.3059509	1.11	0.269
dumt8	0.2630467	0.3233707	0.81	0.417
lnGDPP	-0.5709772	2.179849	-0.26	0.794
lnGDPP2	0.0547919	0.1864734	0.29	0.769
_cons	-2.196063	6.19318	-0.35	0.723
sigma_u	1.6671465    0.7843339    0.81616341    0.0570    1.54    0.1359
sigma_e
Параметр rho
R-квадрат
F(9,229)
Prob>F

Полученная модель также не значима, т.к.  уровень значимости  р=0.136>0.05. Коэффициенты уравнения регрессии  являются не значимыми,  т.к.  для них уровень значимости  р>0.05.

Таким образом,  обе модели не значимы, использование в обоих случаях панельной структуры данных не оправданно. Выбросы в атмосферу углеводородов не зависит от объёма валового муниципального продукта.

На следующем этапе выясним, стоит ли при оценке экологической кривой Кузнеца учитывать разную силу влияния муниципальных образований региона.

В такой ситуации в качестве математико-статистического аппарата естественно использовать регрессионный анализ, делая вывод о наличии реакции на основе проверки незначимости коэффициента при исследуемой переменной.  Поскольку имеются основания предполагать сильную территориальную дифференциацию Области по показателям состояния окружающей среды, измеренных во времени и пространстве, то естественно использование одного из мощных способов учета неоднородности - моделей панельных данных.

В прикладных исследованиях наибольшее распространение получили линейные модели с постоянными коэффициентами и изменяющимся в пространстве (то есть от объекта к объекту) свободным членом:

 

         (3.2.2)

 

где  – значение результативного признака для объекта  в момент времени ,

 –значение k факторного признака для объекта  в момент времени ,

 –количество факторных признаков в модели.

Учет неоднородности в этой модели осуществляется именно за счет величин . Например, могут рассматриваться как неизвестные параметры и тогда речь идет о модели с фиксированными эффектами.  Или  трактуется как сумма общего среднего  и случайных величин с нулевым математическим ожиданием и некоррелированных с остатками , и тогда имеем модель со случайными эффектами [29].

Вместе с тем в моделях этого типа постулируется детерминированность коэффициентов , то есть постоянство реакции на изменение факторного признака для всех объектов. Очевидно, что это допущение достаточно серьезно и требует проверки. Так, например, в нашем случае нет никаких оснований предполагать, что выбросы в атмосферу загрязняющих веществ от увеличения объема ВМП для ского района, не будет отличаться от эффекта для района области с низким социально-экономическим уровнем развития. Поэтому для исследования зависимостей между показателями состояния окружающей среды предлагается использовать модель регрессии со случайными коэффициентами в постановке [29]:

 

   (3.2.3)

 

при следующих предположениях:

 

         Таким образом, векторы коэффициентов  трактуются как случайные величины с общим средним .

В матричном виде модель (3.2.3) имеет вид: 

где                     

Ковариационная матрица случайной компоненты   является блочно-диагональнойс i-ым блоком вида .

При выполнении модельных предположений наилучшую линейную несмещенную оценку для вектора  дает обобщенный метод наименьших квадратов:

             (3.2.4)

где

,

Неизвестные  и  заменяются их оценками, в этом случае оценки, полученные по обобщенному методу наименьших квадратов, являются асимптотически нормальными и эффективными [29].

Если мы хотим получить представление о поведении каждого объекта выборки или построить для каждого объекта прогноз, нам нужны оценки и для индивидуальных компонент .  В [8] предлагается оценивать их как:

 

           (3.2.5)

 

Модель со случайными коэффициентами можно рассматривать как модель с гетероскедастичностью, следовательно, для проверки необходимости рассмотрения коэффициентов как случайных можно использовать соответствующим образом модифицированные тесты на гетероскедастичность, например, предложенный Бройшем и Паганом тест множителя Лагранжа [29].

Другим подходом к решению вопроса о том, должны ли коэффициенты модели рассматриваться как случайные, является проверка постоянства векторов коэффициентов :

В предположении справедливости   для проверки используется статистика  (3.2.6):

                       (3.2.6)

где

 

При справедливости нулевой гипотезы данная статистика асимптотически распределена по закону хи-квадрат с числом степеней свободы .

Таким образом, можем приступать к оценке моделей. Для всех расчетов будем использовать пакет Stata из-за его широких возможностей обработки данных панельной структуры.

Ранее была построена модель по панельным данным со случайными эффектами, в которой осталась одна фиктивная переменная (dumt4), поэтому оценим модель со случайными коэффициентами с таким же набором переменных.

Сначала оценим модель со случайными коэффициентами без учёта фиктивных переменных с помощью пакета Stata [28]. Таблице 3.2.8 приведены полученные оценки коэффициентов моделей зависимости выбросов загрязняющих атмосферу веществ в расчете на жителя от объёма валового внутреннего продукта на душу населения.

 

Таблица 3.2.8- Оценка модели со случайными коэффициентами без учёта фиктивных переменных

Wald chi2(2)	17.19    0.0002
Prob>chi2
lnEP	Коэффициент	Ст. ошибка	z-статистика	P-значение
lnGDPP	2.135315	3.132456	0.68	0.495
lnGDPP2	-0.1338884	0.3315477	-0.4	0.686
_cons	-9.823916	7.328603	-1.34	0.18
Test of parameter constancy:          chi2(102)=5643.16                      Prob>chi2=0.0000

 

Полученная модель в целом является значимой, так как уровень значимости р<0.05. Коэффициенты при ВМП на душу населения незначимы («средние по выборке»), хотя знаки соответствуют гипотезе Кузнеца и тому, что получилось при оценке модели с постоянными коэффициентами наклона. Важный результат, что гипотеза о постоянстве коэффициентов наклона отвергается.

При более детальном анализе выявлено, что для 11-ти районов коэффициенты являются значимыми, а именно: Абдулинский, Акбулакский, Беляевский, Домбаровский, Красногвардейский, Новоорский, Новосергиевский, Первомайский, Пономаревский, Тоцкий, Тюльганский. Таким образом, 31% муниципальных образований региона имеют разную силу влияния на состояние окружающей среды. Также, следует отметить, что для семи районов выполняется гипотеза Кузнеца- коэффициент при квадрате логарифма выбросов загрязняющих атмосферу веществ отрицательный. 

Далее оценим модель, включив одну фиктивную переменную (dumt4). Результат представлен в таблице 3.2.9.

 

Таблица 3.2.9- Оценка модели со случайными коэффициентами с одной фиктивной переменной (dumt4)

Wald chi2(2)	18.98    0.0003
Prob>chi2
lnEP	Коэффициент	Ст. ошибка	z-статистика	P-значение
dumt4	-0.4947104	0.3033765	-1.63	0.103
lnGDPP	3.339727	3.383952	0.99	0.324
lnGDPP2	-0.2708057	0.3602039	-0.75	0.452
_cons	-12.37804	7.838733	-1.58	0.114
Test of parameter constancy:          chi2(102)=7881.52                      Prob>chi2=0.0000

 

Таким образом, модель имеет следующий вид:

Полученная модель в целом является значимой, так как уровень значимости р<0.05. Коэффициенты при ВМП на душу населения и при фиктивной переменной незначимы («средние по выборке»), хотя знаки соответствуют гипотезе Кузнеца и тому, что получилось при оценке модели с постоянными коэффициентами наклона. Важный результат, что гипотеза о постоянстве коэффициентов наклона отвергается.

Также проведен более детальный анализ значимости коэффициентов, в результате которого выявлено, что для 14-ти районов коэффициенты при ВМП на душу населения являются значимыми, при чём 11 из них- это районы, полученные в предыдущей модели, а также Александровский, Переволоцкий, и Ясненский районы. Таким образом, 40% муниципальных образований региона имеют разную силу влияния на состояние окружающей среды. Также, следует отметить, что для девяти районов выполняется гипотеза Кузнеца- коэффициент при квадрате модели отрицательный. 

 

3.3 Эмпирическая проверка экологической кривой Кузнеца на основе моделей, учитывающих географическое расположение административно-территориальных образований региона

 

 

 

 

Заключение

 

Тема исследования ВКР: «Эконометрическое моделирование взаимосвязи экономики и окружающей среды».

Существует множество теорий и подходов к изучению окружающей среды. Например, в 1991 г. Дж. Гроссман и А. Крюгер предположили возможность существования  экологической кривой Кузнеца (ЭКК), которая утверждает, что при прочих равных условиях экономическое развитие вначале ведет к уве­личению неравенства доходов между группами населения до некоторого максимума, а затем к его уменьшению. В последствии была выдвинута гипотеза, что ЭКК, которая представляет перевернутую U- образную функцию дохода на душу населения, хорошо описывает воздействие экономики на окружающую среду. Представлена стандартная модель регрессии ЭКК, для построения которой на региональном уровне необходимо знать величину валового муниципального продукта. Один из методов предполагает получить значение городского продукта на основании исчисления доли валового регионального продукта района, приходящейся на 1 работающего в конкретном муниципальном образовании, а также общего количества работающих и соотношения уровней заработной платы в целом по области и по конкретному району.

На первом этапе проведен анализ и прогнозирование состояния окружающей среды Области. Согласно ранжированию регионов Приволжского федерального округа по количеству выбросов загрязняющих веществ в атмосферный воздух в 2012 году, ская область занимает первое место среди регионов ПФО. Также приведена динамика выбросов загрязняющих веществ в атмосферу за 2000-2012 годы. Несмотря на положительную динамику снижения выбросов от стационарных источников (относительно 2005 года) ская область продолжает лидировать по данному показателю не только в Приволжском федеральном округе, но и входит в десятку худших регионов Российской Федерации.

Далее проведена оценка зависимости выбросов загрязняющих атмосферу веществ от объёма валового муниципального продукта. Были построены модели регрессии со случайными и фиксированными индивидуальными эффектами. В результате сравнения моделей с помощью теста Хаусмана выявлено, что модель со  случайными эффектами предпочтительнее модели с фиксированными  эффектами. Полученная в результате пошаговой регрессии модель со случайными эффектами в целом значима, коэффициенты также являются значимыми и соответствуют ЭКК, поэтому на следующем шаге необходимо выяснить, стоит ли при оценке экологической кривой Кузнеца учитывать разную силу влияния муниципальных образований региона.

Для решения поставленной задачи проведена эмпирическая проверка ЭКК на основе моделей со случайными коэффициентами. Полученная модель в целом является значимой, коэффициенты при ВМП на душу населения и при фиктивной переменной незначимы («средние по выборке»), хотя знаки соответствуют гипотезе Кузнеца и тому, что получилось при оценке модели с постоянными коэффициентами наклона, поэтому был проведен более детальный анализ. Выявлено, что 40% муниципальных образований региона имеют разную силу влияния на состояние окружающей среды. Также, следует отметить, что для девяти районов выполняется гипотеза Кузнеца- коэффициент при квадрате модели отрицательный.

Описанные выше модели, хотя и учитывают неоднородность объектов, но не учитывают их взаимного расположения, поэтому, возможно, проверять ЭКК нужно в рамках моделей, учитывающих географическое положение. В результате автокорреляция логарифма выбросов загрязняющих атмосферу веществ на душу населения выявлена для  2001, 2004, 2007, 2008, 2012 гг. Для всех перечисленных периодов времени оценки индекса Морана положительны, то есть наблюдается положительная пространственная автокорреляция. Данный результат свидетельствует о том, что в пространстве области районы с высоким показателем объёма выбросов загрязняющих веществ в расчете на одного человека группируются рядом.

Более подробный анализ можно провести, построив диаграмму Морана. Анализ диаграммы рассеяния показал, что в правом верхнем квадранте диаграммы Морана (НН) располагаются районы с большим объем выбросов загрязняющих веществ, географически близкими к которым являются подобные районы: Александровский (4), Асекеевский (5), Бузулукский (8), Грачевский (10), Красногвардейский (14), Курманаевский (16), Матвеевский (17), ский (20), Первомайский (22), Переволоцкий (23), Сакмарский (25), Сорочинский (30), Ташлинский (31), Тоцкий (32), Шарлыкский (34). Географическое положение этого кластера – восточная и центральная часть области.

В левом нижнем квадранте (LL) располагаются районы с малым объёмом выбросов загрязняющих веществ, окруженные подобными районами: Адамовский (2), Акбулакский (3), Беляевский (6), Саракташский (26), Светлинский (27), Соль-Илецкий (29), Тюльганский (33), Ясненский (35). Географическое положение этого кластера – западная и центральная часть области.

 

 

 

Список использованных источников

 

1. Очирова Е.Л. Экономические и экологические аспекты устойчивого развития современной экономики. – Иркутск; ИрГУПС, 2009. – 108с.
2. Дружинин П.В., Морошкина М.В., Шкиперова Г.Т. Моделирование влияния развития экономики на окружающую среду / Институт экономики КарНЦ РАН. Под общей ред. П.В. Дружинина. – Петрозаводск: Карельский научный центр РАН, 2009. –  96 с.
3. Давнис В.В. Эконометрика сложных экономических процессов.­– Воронеж. 2004. – 83 с.
4. David I. Stern, 2004. The Rise and Fall of the Environmental Kuznets Curve.
5. Корытова В.С. Влияние экологического регулирования ЕС на стратегии стальных компаний. ­. – Москва. 2013. – 112 с.
6. Государственный Доклад «О состоянии и об охране окружающей среды Российской Федерации в 2011 году». – М., Министерство природных ресурсов и экологии Российской Федерации. – 2012. –
   351 с.
7. Магнус Я. Р. , Катышев П. К. , Пересецкий А. А. Эконометрика. Начальный курс: Учеб. – 5-е изд., испр. – М.: Дело, 2001. – 400 с.
8. Балаш В.А. Модели линейной регрессии для панельных данных: учебное пособие / В. А. Балаш, О.С. Балаш. — М.: МГУ экономики, статистики и информатики, 2002. — 33 с.
9. Давнис В.В. Эконометрика сложных экономических процессов.­– Воронеж. 2004. – 83 с.
10. Чернова Л.Н. О состоянии окружающей природной среды Области и мерах по улучшению экологической ситуации. Интервью. – .2008. – 5 с.
11. Государственный Доклад «О состоянии и об охране окружающей среды Области в 2012 году». – , 2013. – 268 с.
12. 12.           Города и районы Области. 2012: Стат.сб./Территориальный орган Федеральной службы государственной статистики по Области. – . 2012. – 296 с.

13. Постановление правительства Области об утверждении государственной программы  «Охрана окружающей cреды Области» на 2014–2020 годы. – . 2013. – 112 с.
14. Ратникова Т.А. Введение в эконометрический анализ панельных данных. Экономический журнал ГУ-ВШЭ,Т.10, №2,3,4, 2006.
15. Глазырина И.П., Забелина И.А., Клевакина E.А. Уровень экономического развития и распределение экологической нагрузки между регионами РФ. – 2009. – 88 c.
16. Файзлиев А.Р., Математические методы и модели анализа пространственной структуры системы городской торговли. – Волгоград. 2014. – 178 с.
17. Экономико-географические и институциональные аспекты экономического развития в регионах / Консорциум по вопросам приклад. экон. исслед., Канадское агентство по международному развитию [и др.]; [О. Луговой и др.]. – М.: ИЭПП, 2007. – 164 с.
18. Pisati. Spatial Data Analysis in Stata: An overview. [Электронный ресурс] Доступно с адреса: http://www.stata.com/meeting/italy12/abstracts/materials/it12_pisati.pdf
19. Jeanty, P.W., 2010. splagvar: Stata module to generate spatially lagged variables, construct the Moran scatter plot, and calculate global Moran's I statistics [Электронный ресурс].URL:http://ideas.repec.org/c/boc/bocode/ s457112.html. (дата обращения: 25.08.2014).
20. А.И. Татаркин, О.А. Козлова, С.А. Тимашев. Вопросы (проблемы) методического обеспечения расчета валового муниципального продукта. г. Екатеринбург, Институт экономики УрО РАН (2) Научно- инженерный центр «Надёжность и ресурс больших систем машин» УрО РАН, 2010. – 8 с.
21. Шевандрин А.В. Оценка социально-экономического развития муниципальных районов Волгоградской области. – Волгоград. 2012. – 100 с.
22. Колечков, Д.В., Гаджиев, Ю.А. Валовой муниципальный продукт в оценке уровня экономического развития региона/ Д.В. Колечков, Ю.А. Гаджиев//Вопросы статистики. – 2007. - № 3. – С. 23-26.
23. Шмигельская Е.М. Разработка методики по оценке валового муниципального продукта территории (на примере красноярского края). Сибирский федеральный университет . – 4 c.
24. Зайцева, Ю.С. Международный опыт построения региональных счетов/ Ю.С. Зайцева// Региональная экономика: теория и практика. – Москва, 2009. – № 34. – С. 7-17.
25. Белякова, Г.Я., Фролова А.И. Совершенствование методики расчета обобщающего показателя благосостояния муниципальных образований// региональная экономика: теория и практика. – 2011. - № 33. – С. 42-48.
26. David I. Stern, 2003. The Rise and Fall of the Environmental Kuznets Curve.
27. Колеников, С. О. Прикладной эконометрический анализ в статистическом пакете Stata / С. О. Колеников. – М.: РЭШ, 2003. – 126 с.
28. Ратникова Т.А. Анализ панельных данных в пакете «STATA» / Т.А. Ратникова // Методические указания к компьютерному практикуму по курсу «Эконометрический анализ панельных данных». Москва, ГУ ВШЭ – 2004.
29. Носко, В.П. Эконометрика для начинающих (дополнительные главы) / Носко, В.П. – М.: ИЭПП, 2005. - с. 379.

 

 

 

Приложение А

 

Диаграммы Морана для выбросов загрязняющих веществ

 

Рисунок А.1- Диаграмма Морана для показателя lnEP01 (2001 год)

 

Рисунок А.2- Диаграмма Морана для показателя lnEP04 (2004 год)

 

 

Рисунок А.3- Диаграмма Морана для показателя lnEP07 (2007 год)

 

Рисунок А.4- Диаграмма Морана для показателя lnEP08 (2008 год)

 

 

 

Приложение Б

 

Кривые Лоренца для анализа дифференциации ВМП

 

Рисунок Б.1- Кривая Лоренца для показателя ВМП за 2000 год

 

Рисунок Б.2- Кривая Лоренца для показателя ВМП за 2001 год

 

Рисунок Б.3- Кривая Лоренца для показателя ВМП за 2002 год

 

Рисунок Б.4- Кривая Лоренца для показателя ВМП за 2003 год

 

Рисунок Б.5- Кривая Лоренца для показателя ВМП за 2004 год

 

Рисунок Б.6- Кривая Лоренца для показателя ВМП за 2005 год

 

Рисунок Б.7- Кривая Лоренца для показателя ВМП за 2006 год

 

Рисунок Б.8- Кривая Лоренца для показателя ВМП за 2007 год

 

Рисунок Б.9- Кривая Лоренца для показателя ВМП за 2008 год

 

Рисунок Б.10- Кривая Лоренца для показателя ВМП за 2009 год

 

Рисунок Б.11- Кривая Лоренца для показателя ВМП за 2010 год

 

Рисунок Б.12- Кривая Лоренца для показателя ВМП за 2011 год

 

Рисунок Б.13- Кривая Лоренца для показателя ВМП за 2012 год

 

 

 

 

 

Приложение В

 

Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами

 

Рисунок В.1 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt5

 

Рисунок В.2 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt7

 

 

 

Рисунок В.3 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt12

 

Рисунок В.4 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt13

 

Рисунок В.5 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt8

 

Рисунок В.6 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt11

 

Рисунок В.7 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt6

 

Рисунок В.8 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt10

 

Рисунок В.9 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt9

 

Рисунок В.10 – Оценки коэффициентов функции регрессии со случайными индивидуальными  эффектами в пакете Stata на основе панельных данных после исключения dumt3

 

Скачать: diplom.rar