Использование лагов и создание дамми-переменных для каждого года.

Согласно предпосылке модели об оценке инновационного потенциала как будущей инновационной активности, по причине эффекта запаздывания и неспособности макроэкономических процессов быстро реагировать на внешние изменения. Каждая независимая переменная берется в один год.

Описательные статистики лагированных переменных представлены ниже.

Таблица 3. Описательная статистика агрегированных показателей с лагом

Фактор	Число наблюдений	Среднее значение	Стандартное отклонение	Минимальное значение	Максимальное значение
econ_in_1	370	0,00	1,17	-2,25	5,35
emp_in_1	370	0,00	1,36	-5,43	5,49
log_peop_1	370	7,16	0,76	5,00	8,89
gov_in_1	370	0,00	1,19	-2,25	6,14
inn_emp_in_1	370	0,00	1,33	-3,10	6,19
inn_res_in_1	364	0,00	1,11	-1,55	5,46
inn_str_in_1	369	0,00	1,09	-2,43	5,79

Таким образом, получены переменные, отражающие каждую группу факторов с лагом в один год. Каждый из данных факторов будет использоваться в оценивании модели. Описательные статистики главных компонент при этом остались неизменными по причине созданного для прогноза 2015-года, который в результате использования лагов принял значения 2014 года. Необходимо отметить тот факт, что в моделировании значения 2015 года не используются, так как зависимая переменная имеет значения по 2014 год.

Результаты оценивания представлены несколькими шагами. Во-первых, оцениваются модели трех типов. Во-вторых, результаты проверяются на робастность и корректируются с помощью процедуры bootstrap. В-третьих, строится прогноз инновационного потенциала (ожидаемый инновационный потенциал) на 2015 год.

3.4 Поиск лучшей спецификации модели

Таблица 1 приложения 1 иллюстрирует коэффициенты оцененных параметров трех моделей: (1) фиксированные эффекты, (2) случайные эффекты и (3) сквозная регрессия.

В результате, три модели оказались значимыми с точки зрения F-статистики. Модели сравниваются между собой по показателю R-squared и результатам тестов. Согласно таблице, лучшей моделью оказалась модель со случайными эффектами, сравнивая модели по коэффициенту детерминации (43%). Для того чтобы определить, какую модель интерпретировать, необходимо протестировать модели на приемлемость спецификации (тест Хаусмана). Прежде чем проводить тесты, в работе сравниваются результаты моделей с корректировками и без них (bootstrap). Ниже представлены результаты оценивания трех моделей, стандартные ошибки коэффициентов которых скорректированы на проблемы неоднородности, гетероскедастичности и автокорреляции с помощью процедуры bootstrap.

Согласно таблице 4, модели не поменяли своего качества по показателю R-squared. Однако, можно заметить, что стандартные ошибки коэффициентов регрессии значительно поменялись в сторону увеличения. Это свидетельствует о том, что в модели присутствовали проблемы, связанные с данными. Процедура bootstrap, посредством пятидесяти итераций пересчитала стандартные ошибки, поменяв значимость коэффициентов и качество моделей (таблица 1 приложение 3 и таблица 4).

Для того чтобы определить лучшую спецификацию инновационного потенциала, проводится тест Хаусмана. Тест основан на гипотезе о том, что оценки спецификаций модели не имеют статистического различия. Тест проводится дважды для моделей случайных эффектов и сквозной регрессии и для случайных и фиксированных эффектов.

В результате первого теста, на уровне значимости 5% отвергается нулевая гипотеза о том, что оценки сквозной регрессии и модели со случайными эффектами не различаются. Соответственно, модель со случайными эффектами является состоятельной по альтернативной гипотезе.

Далее, тест проводится второй раз на различие оценок фиксированных и случайных эффектов. Согласно тесту, на уровне значимости 10% модель с фиксированными эффектами лучше, то есть под альтернативной гипотезой она является состоятельной и эффективной.

Следует отметить, что для текущего исследования уровень значимости в 10% является приемлемым, так как количество наблюдений меньше 1000 (290). Это дает основание принятию гипотез на уровне значимости 5% и 10%.

Таким образом, интерпретация коэффициентов происходит относительно модели с фиксированными эффектами. После того как определена лучшая модель, необходимо проверить выполнение гипотез, представленных в постановке исследовательской проблемы.

3.5 Результаты оценивания

Согласно анализу данных, Гипотеза 1 о том, что в группы вошли некоторые показатели, имеющие слабую корреляцию внутри групп, подтвердилась. Таблицы приложения 2 иллюстрируют данный факт, а именно: количество убыточных организаций и количество вузов имеют слабую корреляцию в соответствующих группах (порядок 7-8%).

Таблица 4. Результаты оценивания инновационного потенциала:

	(1)	(2)	(3)
emp_in_1	395,6 (1083,9)	584,5 (608,2)	554,1 (428,3)
econ_in_1	1467,4 (1302,5)	1594,6 (1107,1)	1630,0** (666,0)
log_peop_1	102308,5*** (33300,5)	2046,5** (802,4)	2217,0*** (411,0)
gov_in_1	-1989,0 (3079,9)	725,8 (685,3)	895,1* (461,6)
inn_emp_in_1	944,8 (1022,9)	-507,9 (389,9)	-824,6** (380,3)
inn_res_in_1	1270,5* (714,4)	1708,3** (711,1)	2433,5*** (804,5)
inn_str_in_1	-142,1 (585,6)	-249,7 (427,2)	-361,4 (363,8)
2012.year	-5,578 (599,4)	-648,3 (528,2)	-818,9 (743,5)
2013.year	376,2 (1004,9)	-395,0 (835,5)	-676,2 (765,0)
2014.year	141,5 (1477,0)	-1296,9 (915,7)	-1857,4** (882,0)
_cons	-731140,4*** (237605,1)	-9651,4 (6197,3)	-10532,2*** (3163,5)
N	290	290	290
R-sq	11%	43%	35%

В скобках указаны стандартные ошибки (робастные / полученные бутстрапом по 50 репликациям), * p<0,1, ** p<0.05, *** p<0.01

регрессионный инновационный потенциал

Гипотеза 2 об отрицательном влиянии некоторых факторов на индекс всей группы также подтвердилась. Чем выше уровень безработицы, тем ниже эффективность трудовых ресурсов в разрезе заработной платы и доли рабочей силы, в целом. Такая же логика используется для обоснования отрицательного воздействия налогообложения в группе государственных факторов.

Регрессионный анализ показал, что инновационный потенциал подвержен влиянию со размера регионов, что логично и ожидаемо, так как население во многом определяет гетерогенность регионов. Наиболее важный вывод текущего исследования говорит о том, что результаты инновационной деятельности положительно и значимо влияют на инновационный потенциал. Следовательно, Гипотеза 4 подтверждается (на уровне значимости 10%). Данный результат находит отражение в статьях, связанных с текущим исследованием Bilbao-Osorio and Rodroguez-Pose, (2004), Kanaeva and Untura, (2016) и другие. Таким образом, увеличение результативности инноваций ан 1 ед. в прошлом году приводит к увеличению текущего инновационного потенциала региона на 1270,5 тыс. руб. То есть, если регион показал высокую результативность в плане инноваций, количества патентов, разработанных передовых технологий и количества отгруженной инновационной продукции, в следующем году затраты на инновационную деятельность будут увеличены, так как данные показатели отражают увеличение потенциала региона, значит компании будут увеличивать затраты с тем, чтобы увеличить свое благосостояние.

Исходя из коэффициентов в компоненте «Результат инновационной деятельности» (формула 9), можно сделать вывод о том, что в большей степени на инновационный потенциал влияют разработанные передовые технологии.

Если умножить коэффициент в регрессии на коэффициенты компонент, можно получить коэффициенты перед каждым фактором, но без учета нормированности.

Гипотеза 3 не подтвердилась: экономическое благосостояние региона оказалось незначимо. Это может объясняться корреляцией экономического состояния региона и трудовых ресурсов (64%). Данный результат относится к ограничением текущего исследования.

3.6 Прогноз

В данном разделе представлен прогноз внутренних затрат компании на инновации на 2015 год. Однако сравнить результаты будет возможно только к концу 2016 года, так как данные появятся только в этот период. Рисунок 1 представляет динамику затрат по каждому региону.

Согласно графику, инновационный потенциал практически каждого региона увеличивается в 2015 году. Данный факт может обуславливаться тем, что у многих регионов тенденция в показателе затрат на инновации похожа друг на друга. Более того, высокие спрогнозированные затраты в 2015 году могут объясняться тем, что в модели присутствуют статистические выбросы по некоторым показателям, особенно по инновационному потенциалу (рисунок 2 приложение 4). Вероятное решение данной проблемы - оценивание и прогнозирование разных групп регионов по экономическим показателям. В таком случае, возможно, на инновационный потенциал будут влиять большее количество показателей для разных групп регионов.

Рис. 1. Прогнозные значения инновационного потенциала в реальных ценах на 2015 год.

Заключение

Инновационный потенциал регионов занимает практически передовое место в развитии экономики страны. Текущее исследование посвящено одной из наиболее важной составляющей экономического благосостояния страны, согласно многим информационным источникам, - инновационному потенциалу регионов. Определению факторов, влияющих на инновационный потенциал посвящено множество исследований, поскольку, для того чтобы осуществлять политику воздействия на экономику регионов и страны, необходимо точечно определить, на что нужно воздействовать и что, в свою очередь, поддается воздействию. Таким образом, результаты исследования интересны правительству Российской Федерации, а методологические основы - последующим исследователям в данной сфере.

Текущая работа выявила причины для изучения инновационного потенциала, поставив цель - определить факторы, обуславливающие инновационный потенциал и составить прогноз на 2015 год по данному показателю.

Первым шагом в изучении инновационного потенциала был анализ существующей литературы по соответствующей теме. Использованная литература делится на 2 блока. Изучение инновационного потенциала сводится, в основном, к двум методам: построению интегрального индекса и регрессионному анализу. Текущее исследование использует обе методологии, причем регрессионный анализ является основополагающей.

Второй шаг изучения вопроса - анализ данных. Данные для анализа были собраны за 2010 по 2014 год, отражающие выбранные макроэкономические показатели, которые, предположительно, в наибольшей степени определяют инновационный потенциал. Основной источник данных - Федеральная служба государственной статистики.

Эмпирическая часть работы является третьим шагом, который делится на несколько пунктов. Во-первых, выделенные в работе 19 факторов были агрегированы в 7 групп, которые согласуются с исследованной литературой и здравым экономическим смыслом. Для объединения сильно коррелирующих между собой факторов используется метод главных компонент. В конечном итоге, выделено 7 показателей, которые, вероятно, влияют на инновационный потенциал.

Во-вторых, согласно теории по работе с панельными данными, построено 3 модели: модель с фиксированными эффектами, модель со случайными эффектами и сквозная регрессионная модель. Три модели проверяются на качество путем применения теста Хаусмана на спецификации, а так же корректируются на наличие проблем с помощью итерационной процедуры построения эмпирического распределения данных bootstrap.

В результате, лучшей моделью оказалась модель с фиксированными эффектами по регионом, что является логичным выводом.

Согласно полученным результатам общеэкономическое состояние в регионе, а также уровень кадров не столь важен, как накопленный результат в сфере инноваций, то есть гипотеза 3 не подтвердилась. Самым главным результатом текущего исследования является значимое и положительное влияние на инновационный потенциал со стороны результатов инновационной деятельности, что находит свое отражение и в обзоре литературы.

Можно сделать вывод, что поддержание процессов накопления знаний, а также аккумуляция конкурентных преимуществ в инновационной среде способствуют увеличению инновационного потенциала регионов. Улучшение результатов инновационной деятельности способствуют дальнейшему росту инновационного потенциала. Достигнутый уровень разработанных передовых технологии, объем инновационных товаров, а также количество выданных патентов способствуют дальнейшему развитию инновационной деятельности.

Заключительным пунктом в практической части работы является построение прогноза. Согласно прогнозу, в 2015 году наблюдается значительное улучшение в инновационной деятельности регионов. Однако сравнить с реальными данными будет возможно лишь в конце 2016 года.

Текущее исследование, помимо прочего, носит методологический вклад в теорию изучения инновационного потенциала, совместив метод главных компонент и регрессионный анализ панельных данных.

Тем не менее, необходимо отметить некоторые ограничения текущего исследования. Во-первых, ряд ограничений связан с базой данных. Данные собраны за 5 лет, и пока что в Федеральной службе государственной статистики не появилось сборника за 2015 год, что ставит под вопрос актуальность результатов. Однако данная работа полезна с методологической точки зрения. Кроме того, по некоторым регионам отсутствуют данные. Для того чтобы избавиться от пропусков, в работе удалялись такие строки.

Во-вторых, сильным допущением при анализе методом главных компонент является присутствие слабой корреляции факторов внутри некоторых групп и сильной между группами. Не смотря на то, что данная теория является основой метода главных компонент, факторы не были исключены из рассмотрения по экономическому и здравому смыслу. Возможно, данное допущение сместило значимость остальных факторов. Помимо этого, отсутствие многих данных за предыдущие года не дало возможность включить лаговые значения факторов за более, чем 1 год.

В-третьих, несмотря на тот факт, что из рассмотрения удалены регионы, у которых отсутствуют многие данные и которые являются статистическими выбросами по многим показателям, остались регионы, которые являются шумом для исследования, особенно по показателю затрат на инновации (Приложение 4). Данное ограничение так же в значительной степени может определять незначимость многих факторов. Решением данной проблемы может служить разделение регионов по определенному признаку (например, экономическое благосостояние) и изучение данных регионов по-отдельности. В таком случае, возможно, для каждой группы регионов появятся свои значимые переменные, и объяснение инновационного потенциала будет различаться у данных регионов.

В-четвертых, по причине отсутствия данных по многим регионам, не учитывались многие факторы, например: налоговая привлекательность, коррупция, бюрократия и конкуренция. Как известно, неучтенные факторы закладываются в ошибку модели и могут привести к проблеме эндогенности, если через ошибку данные показатели могут определять независимые переменные, которые, в свою очередь определяют зависимую. Текущее исследование не борется с данной потенциальной проблемой, однако это представляет большой интерес для дальнейшего исследование предметной области.

Резюмируя вышесказанное, настоящая работа выявила факторы, которые влияют на инновационный потенциал регионов Российской Федерации, и представила прогноз на 2015 год. Вышеназванные ограничения являются основанием для дальнейшего изучения проблемы, скорректировав или устранив ограничения, что позволит прийти к более ожидаемым результатам.

Список литературы

Специальная литература

1. Быкова А.А., Молодчик М.А. (2007), “Проблема позиционирования региона в экономике”, Инновации №1 С. 66-71

2. Егорова С. Е., Кулакова Н. Г. (2014), “Инновационный потенциал региона: сущность, содержание, методы оценки”, Вестник ПСКОВГУ.

3. Калинин М. А., Семенов А. Н. Белова Н. П. (2011), “Сущность инновационного потенциала и его роль в процессе инновационного развития региона”, Вестник Чувашского университета, № 1. С. 380-384.

4. Маскайкин Е. П., Арцер Т. В. (2009), “Инновационный потенциал региона: сущность структура, методика оценки и направления развития”, Вестник ЮУРГУ, Экономика и менеджмент, № 21. С. 47-53.

5. Теребова, С.В. и Вячеславов, А.М. (2011) “Инновационный климат в регионе: состав и факторы развития”, Экономика региона: проблемы и перспективы развития, вып. 3(55).

6. Andersen, E. S., Lundvall, B.-A., and Sorrn-Friese, H. (2002), “Innovation systems”, Special Issue of Research Policy, 31(2), 185-302.

7. Anselin, L., Varga, A. and Z.J. Бcs.(2000), “Geographic and sectoral characteristics of academic knowledge externalities”, Papers in Regional Science 79: 435-443.

8. Armstrong, M. (2004), “Practice of Human Resource Management”. 8th ed. Spb.: Peter, - p. 832.

9. Becker, G. S. (1967), “Human Capital and the Personal Distribution of Income: An Analytical Approach”, NY: Columbia University Press- p. 467.

10. Bilbao-Osorio, B and Rodrнguez-Pose, A (2004), “From R&D to Innovation and Economic Growth in the EU”, Growth and Change, Vol. 35 No. 4, pp. 434-455

11. Bottazzi, L. And Peri, G. (2003), “Innovation and spillovers in regions: Evidence from European patent data”, European Economic Review 47 (2003) 687 - 710.

12. Breschi, S. and Lissoni, F. (2001), “Localised knowledge spillovers vs. Innovative milieux: Knowledge `tacitness' reconsidered”, Papers in Regional Science 80: 225-273.

13. Cameron, G., Proudman, J. and Redding, S. (1999), “Technology transfer, R&D, trade and productivity growth”, CEP Discussion Paper, no 428.

14. Ceh, B (2001), “Regional innovation potential in the United States: evidence of spatial transformation”, Papers in Regional Science, Volume 80, Issue 3, pp 297-316.

15. Charlot S. and Duranton G. (2006), “Cities and workplace communication: Some quantitative French evidence”, Urban Studies 43, 1365-1394.

16. Crescenzi, R. And Rodrнguez-Pose, A. (2011), “Innovation and regional growth in the European Union” Berlin and New York: Springer.

17. Dyatlov, S.A. (1996), “Human Capital Theory”, Spb.: SPSUEF, - p. 141.

18. Edquist, C. (1997), “Systems of innovation: technologies, institutions and organizations”, London: Pinter Publishers.

19. Edquist, C., (2001), “The System of Innovation Approach and Innovation Policy: An Account of the state of the Art“, DRUID Conference, Aalborg, June 12-15, 14-37.

20. Freeman, C. (1997), “The national system of innovation in historical perspective”, Technology, globalisation and economic performance Cambridge: Cambridge University Press, pp. 24-49.

21. Griffith, R., Redding, S. and Reenen, J. V. (2000), “Mapping the two faces of R&D: Productivity growth in a panel of OECD industries”, Centre for Economic Policy Research Discussion Paper, 2457.

22. Howells, J.R.L. (2002), “Tacit knowledge, innovation and economic geography”, Urban Studies 39: 871- 884.

23. Iammarino S. and Mccann P. (2006), “The structure and evolution of industrial clusters: transactions, technology and knowledge spillovers”, Research Policy 35, 1018-1036.

24. Kanaeva, M. and Utura, G. (2016), “Innovation indicators and regional growth in Russia”, Springer Science+Business Media New York.

25. Krugman, P. (1991), “Geography and trade”, Cambridge, MA: MIT Press.

26. Lundvall, B.A. (1992), “National systems of innovation”, London: Pinter Publishers.

27. Mescon, M.H., Albert, M. and Khedouri, F. (1994), “Management”. M.: Business - p. 680.

28. Nelson, R. (Ed.). (1993), “National innovation systems”, New York: Oxford University Press.

29. Ottenbacher, M., Gnoth, J. (2005), “How to Develop Successful Hospitality Innovation”, Cornell Hotels and Restaurant Administration Quarterly, Vol. 46, Issue 2, 205-222.

30. Ottenbacher, M., Shaw, V., Lockwood A. (2006 ), “An Investigation of the Factors Affecting Innovation Performance in Chain and Independent Hotels”, Journal of Quality Assurance in Hospitality & Tourism, Volume 6, Issue 3-4, , 113-128.

31. Peters, M., Pikkemaat, B., (2006), “Towards the Measurement of Innovation”, Journal of Quality Assurance in Hospitality & Tourism, Volume 6, Issue 3-4, 89-112.

32. Schultz, T. (1961), “Investment in Human Capital”, The American Economic Review, 1(2): 1-17.

33. Sonn J.W. and Storper M. (2005), “The increasing importance of geographical proximity in technological innovation: an analysis of U.S. patent citations”, Mimeo.

34. Sundbo, J., (2002), “The Strategic Management of Innovation: A Sociological and Economic Theory”, Massachusettts, Edward Elgar Publishing Limited, 443.

35. Tripon, A., and Blaga, P. (2011), “Stimulation of the Innovative Potential in Online Life Long Training of Human Resources”, Scientific Bulletin of The Petru Maior University of Targu Mures, 8(2): 262-266.

36. Zoltan J. A., Anselin, B., Varga A. (2002), “Patents and innovation counts as measures of regional production of new knowledge”, Research Policy 31 (2002) 1069-1085.

Электронные ресурсы

37. Министерство экономического развития РФ, 2015, «Национальный доклад об инновациях в России 2015», [Эл. Ресурс] Точка доступа: http://www.rusventure.ru/ru/programm/analytics/docs/NROI_RVC.pdf.

38. Bloomberg.com, a. The Bloomberg innovation index. [Эл. Ресурс] Точка доступа: http://www.bloomberg.com/graphics/2015-innovative-countries/.

39. Bloomberg.com, b. These are the world`s most innovative economies. [Эл. Ресурс] Точка доступа: http://www.bloomberg.com/news/articles/2016-01-19/these-are-the-world-s-most-innovative-economies

40. Government.ru Правительство России, «О развитии Российской инновационной системы», [Эл. Ресурс] Точка доступа: http://government.ru/news/21544/

41. Globalinnovationindex, [Эл. Ресурс] Точка доступа: http: //www.globalinnovationindex.org/gii/index.html

Приложение

Таблица 1. Список регионов и id

Регионы	id	Регионы	id
Белгородская область	1	Республика Башкортостан	38
Брянская область	2	Республика Марий Эл	39
Владимирская область	3	Республика Мордовия	40
Воронежская область	4	Республика Татарстан	41
Ивановская область	5	Удмуртская Республика	42
Калужская область	6	Чувашская Республика	43
Костромская область	7	Пермский край	44
Курская область	8	Кировская область	45
Липецкая область	9	Нижегородская область	46
Московская область	10	Оренбургская область	47
Орловская область	11	Пензенская область	48
Рязанская область	12	Самарская область	49
Смоленская область	13	Саратовская область	50
Тамбовская область	14	Ульяновская область	51
Тверская область	15	Курганская область	52
Тульская область	16	Свердловская область	53
Ярославская область	17	Тюменская область	54
Республика Карелия	18	Челябинская область	55
Республика Коми	19	Республика Алтай	56
Архангельская область	20	Республика Бурятия	57
Вологодская область	21	Республика Тыва	58
Калининградская область	22	Республика Хакасия	59
Ленинградская область	23	Алтайский край	60
Мурманская область	24	Забайкальский край	61
Новгородская область	25	Красноярский край	62
Псковская область	26	Иркутская область	63
Республика Адыгея	27	Кемеровская область	64
Республика Калмыкия	28	Новосибирская область	65
Краснодарский край	29	Омская область	66
Астраханская область	30	Томская область	67
Волгоградская область	31	Республика Саха (Якутия)	68
Ростовская область	32	Камчатский край	69
Республика Дагестан	33	Приморский край	70
Кабардино-Балкарская Республика	34	Хабаровский край	71
Карачаево-Черкесская Республика	35	Амурская область	72
Республика Северная Осетия - Алания	36	Магаданская область	73
Ставропольский край	37	Сахалинская область	74

Таблица 1. Корреляционные матрица для факторов каждой группы

	wage_def	unemp	nwforce_sh
wage_def	1,00	x	x
unemp	-0,17	1,00	x
nwforce_sh	0,56	-0,52	1,00
	gdp_def_pc	nfirm_pc	nfloss
gdp_def_pc	1,00	x	x
nfirm_pc	0,29	1,00
nfloss	0,07	0,15	1,00
	taxes_sh	ngov_sh	govfirm_sh
taxes_sh	1,00	x	x
ngov_sh	0,07	1,00	x
govfirm_sh	-0,20	0,39	1,00
	peoprnd_sh	stud_sh	resstud_sh
peoprnd_sh	1,00
stud_sh	0,14	1,00
resstud_sh	0,24	0,14	1,00
	tech_sh	shgoods	patent_pc
tech_sh	1,00
shgoods	0,17	1,00
patent_pc	0,11	0,05	1,00
	gin_org_sh	org	neduc_pc
gin_org_sh	1,00
org	0,14	1,00
neduc_pc	0,08	0,07	1,00

Таблица 1. Оценивание моделей инновационного потенциала без поправок

	(1)	(2)	(3)
emp_in_1	395,6 (1061,8)	584,5 (491,4)	554,1 (340,8)
econ_in_1	1467,4 (1037,6)	1594,6*** (517,4)	1630,0*** (349,4)
log_peop_1	102308,5*** (34535,3)	2046,5** (966,2)	2217,0*** (599,2)
gov_in_1	-1989,0 (2347,3)	725,8 (717,0)	895,1* (455,4)
inn_emp_in_1	944,8 (1205,8)	-507,9 (437,0)	-824,6*** (300,2)
inn_res_in_1	1270,5*** (479,8)	1708,3*** (372,1)	2433,5*** (328,4)
inn_str_in_1	-142,1 (595,8)	-249,7 (421,0)	-361,4 (342,7)
2012.year	-5,578 (740,4)	-648,3 (603,6)	-818,9 (862,9)
2013.year	376,2 (959,6)	-395,0 (646,4)	-676,2 (872,1)
2014.year	141,5 (1252,5)	-1296,9* (724,8)	-1857,4** (915,0)
_cons	-731140,4*** (248033,1)	-9651,4 6860,7)	-10532,2** (4278,8)
N	290	290	290
R-sq	11%	43,4%	34,8%

Рис. 1. Распределение затрат на инновации по регионам и годам



Рис. 2. Гистограмма распределения инновационного потенциала

/*Correlation for components*/

corr wage_def unemp nwforce_sh

corr gdp_def_pc nfirm_pc nfloss

corr taxes_sh ngov_sh govfirm_sh

corr peoprnd_sh stud_sh resstud_sh

corr tech_sh shgoods patent_pc

corr gin_org_sh org neduc_pc

/*Describe statistic*/

sum rndco_def_pc wage_def unemp nwforce_sh gdp_def_pc nfirm_pc nfloss log_peop taxes_sh ngov_sh

sum govfirm_sh peoprnd_sh stud_sh resstud_sh tech_sh shgoods patent_pc gin_org_sh org neduc_pc

sum inn_str_in_1 log_peop_1 inn_res_in_1 inn_emp_in_1 gov_in_1 econ_in_1 emp_in_1

sum inn_str_in econ_in emp_in inn_res_in inn_emp_in gov_in

/*Delete result if them are genereted*/

drop rndco_fe

drop rndco_re

drop rndco_pu

drop _est_fe

drop _est_re

drop _est_pu

drop _est_fe1

drop _est_re1

drop _est_pu1

/*Models*/

xtreg rndco_def_pc emp_in_1 econ_in_1 log_peop_1 gov_in_1 inn_emp_in_1 inn_res_in_1 inn_str_in_1 i.year, fe

eststo fe1

xtreg rndco_def_pc emp_in_1 econ_in_1 log_peop_1 gov_in_1 inn_emp_in_1 inn_res_in_1 inn_str_in_1 i.year, re

eststo re1

reg rndco_def_pc emp_in_1 econ_in_1 log_peop_1 gov_in_1 inn_emp_in_1 inn_res_in_1 inn_str_in_1 i.year,

eststo pu1

/*test fe or re is better*/

hausman fe1 re1

xtreg rndco_def_pc emp_in_1 econ_in_1 log_peop_1 gov_in_1 inn_emp_in_1 inn_res_in_1 inn_str_in_1 i.year, fe vce(bootstrap)

eststo fe

xtreg rndco_def_pc emp_in_1 econ_in_1 log_peop_1 gov_in_1 inn_emp_in_1 inn_res_in_1 inn_str_in_1 i.year, re vce(bootstrap)

eststo re

xttest0

reg rndco_def_pc emp_in_1 econ_in_1 log_peop_1 gov_in_1 inn_emp_in_1 inn_res_in_1 inn_str_in_1 i.year, vce(bootstrap)

eststo pu

predict rndco_pu

esttab fe1 re1 pu1 fe re pu ,star(* 0.10 ** 0.05 *** 0.01) se r2 ar2 aic bic

Размещено на Allbest.ru