Сфера услуг и инновационная деятельность в сервисных фирмах в России и странах ОЭСР

Таблица 7 Структура внутренних затрат на исследования и разработки стран ОЭСР за 2013 г., %

	Корея	Япония	Великобритания	Германия
Торговля и ремонт двигателей	21,83	3,93	6,36	3,61
Транспортировка и хранение	1,16	3,44	0,28	1,28
Общественное питание	0,22	0,00	0,15	0,00
Информационные и коммуникационные технологии	0,99	40,94	24,22	44,25
Издательская деятельность и СМИ	41,39	0,10	1,11	1,36
Финансовая и страховая деятельность	0,13	0,19	3,04	4,05
Операции с недвижимостью	0,10	0,00	0,15	0,00
Научная деятельность	33,10	51,39	61,85	0,01
Государственное управление и оборона; обязательное социальное обеспечение и образование	0,41	0,00	0,30	45,07
Здравоохранение	0,14	0,00	0,29	0,09
Искусство и зоны отдыха	0,06	0,00	1,95	0,05
Прочие виды услуг	0,47	0,00	0,30	0,23

Источник: Статистическая база ОЭСР

Основная доля исследователей у всех стран сосредоточена в научном и коммуникационном секторах. Так в Великобритании и Германии 54% исследователей занимаются научной деятельностью. От 35%-50% исследователей задействованы в секторе ИКТ, например, в Японии 50% исследователей относятся к сектору ИКТ, а в Корее и Норвегии 40%. Стоит также отметить, что 31% исследователей Кореи и 11% Норвегии занимаются издательской деятельностью и телевидением, в основном созданием программного обеспечения для СМИ. Также от 3% до 10% исследователей находятся в сфере торговли и ремонта двигателей.



Рис.14. Численность исследователей в сфере услуг, чел., 2008-2014 гг.

Источник: Статистическая база ОЭСР

Поскольку на сектор ИКТ приходится значительная часть затрат на разработки и численность исследователей, то проанализируем количество поданных патентных заявок в данном секторе (рис. 15).

Рис.15. Количество поданных заявок на патенты в сфере ИКТ, шт., 2000-2013гг.

Источник: Статистическая база ОЭСР

На протяжении всего периода наибольшее количество заявок на выдачу патентов в секторе ИКТ приходилось на США. В 2013 г. этот показатели составил 22655 шт. Однако стремительно догонять Соединенные Штаты стали Япония и Китай, так в 2013 г. в Японии было подано 16619 патентных заявок в секторе ИКТ, а в Китае 13791. В России количество поданных заявок на патенты в сфере информационных технологий за рассматриваемый период практически не изменился. Относительно стран ОЭСР Российская Федерация имеет самую низкую патентную активность в сфере ИКТ.

В итоге, согласно проведенному первичному анализу было выявлено, что вклад сервисного сектора в ВВП Российской Федерации составляет около 60%. Примерно такие же значения или чуть выше соответствуют сферу услуг развитых стран. Также сервисные фирмы вносят весомый вклад в формирование ВДС России. Так, например, на сферу услуг Центрального федерального округа приходится 69% при формировании ВДС субъекта, Северо-Кавказский федеральный округ - 60,2%, а Северо-западный - 59%. Самый низкий вклад в ВДС у Уральского федерального округа - 37,9%.

В течение 2002-2014 гг. стабильная тенденция роста потребления платных услуг населением. Среди населения наиболее востребованы коммунальные и транспортные услуги, услуги связи, бытовые услуги, услуги образовательной системы и здравоохранения.

Анализ инновационной деятельности в сфере услуг выявил, что внутренние затраты на исследования и разработки имеют положительную динамику, при этом около 95% всех затрат приходится на сектор услуг. Основная доля затрат на исследования и разработки сервисных фирм приходится на предприятия, занимающиеся научно-исследовательской деятельностью - 87, 11%; 9,97% затрат приходится на организации, задействованные в сфере образования; 1,45% приходится на фирмы, осуществляющие операции с недвижимостью.

Одной из гипотез исследования было предположение, что сервисные фирмы проводят больше маркетинговых и организационных инноваций, чем организации промышленной сферы. Проанализировав показатели доли фирм, которые осуществляли маркетинговые и организационные инновации, было принято решение отвергнуть гипотезу, поскольку количество фирм, занимающихся маркетинговыми и организационными инновациями в промышленном секторе больше, чем в сервисном.

В 2014 году ведущими экспортерами услуг стали США - 688 млн. долл., следом идет Великобритания - 337 млн. долл., на третьем и четвертом местах Франция и Германия - 267 и 266 млн. долл. и на пятом месте Китай - 232 млн. долл.

Экспорт услуг Российской Федерации состоит в основном из транспортного и туристического направления. Стоит отметить, что в экспорте стран ОЭСР также присутствует весомая доля транспортных и туристических услуг. Для Германии и США также является характерной чертой весомая доля экспорта финансовых услуг - порядка 10%. В то же время в экспорте Японии и США около 20% экспорта услуг приходится на сборы за использование интеллектуальной собственности.

Анализ инновационной деятельности стран ОЭСР выявил, что основная доля затрат сервисных фирм на исследования и разработки и количество исследователей в сфере услуг сосредоточены в секторах, связанных с научной деятельностью и информационно-коммуникационными технологиями. При этом в Южной Корее значительный вес имеет сектор издательской деятельности и СМИ, в нем сосредоточено 41% затрат на исследования и разработки и 31% исследователей.

Глава 3. Развитие сферы услуг и инновационная деятельность сервисных фирм в России и странах ОЭСР

Основными задачами данной главы являются прогнозирование дальнейшего уровня развития сферы услуг Российской Федерации; выявление инновационных факторов, влияющие на субъекты России с разным уровнем развития сервисного сектора; выявление инновационных факторов, которые оказывают влияние на сферу услуг в Российской Федерации в целом и в странах ОЭСР на основе регрессионного анализа панельных данных.

Перечисленные методы анализа помогут в проверке гипотез H1: будет установлено оказывают ли инновационные факторы положительное влияние на развитие сферы услуг в России и ОЭСР, и H3: ожидает ли российский сектор услуг подъём.

3.1 Прогнозирование индекса деловой активности сферы слуг в России

Для того, чтобы принять или отвергнуть третью гипотезу данного исследования: ожидается рост активности в секторе услуг, воспользуемся показателем уровня деловой активности сферы услуг (PMI). Данный индекс строится на основе опроса менеджеров, ведущих фирм сервисного сектора, и по сути дела отражает ожидания управленцев относительно сложившейся экономической ситуации.

Проанализируем индекс деловой активности сферы услуг более подробно, а конкретнее проведем эконометрический анализ временного ряда индекса PMI. Данные были взяты с сайта www.fxstreet.com и имеют помесячную структуру с декабря 2010 г. по февраль 2016 г., в итоге получилось 56 наблюдений.

Для анализа временного ряда PMI будет использоваться интегрированная модель авторегрессии - скользящего среднего (АРПСС) или ARIMA (AutoRegressive Integrated Moving Average). Данная модель считается наилучшей среди прочих, поскольку исходный ряд не имеет сильных волатильных колебаний, которые являются необходимым условием для применения GARCH моделей, и также не имеют большого количества наблюдений, которые не обходимы при строительстве модели типа ARFIMA. Таким образом, приходим к выводу, что необходимая нам модель имеет вид ARIMA (p, d, q) Несмотря на то, что данная модель относится к классу линейных методов, она в равной степени хорошо описывает стационарные и нестационарные временные ряды, и состоит из AR-части и MA-части.[1]

Авторегрессионная модель (AR) порядка p имеет следующий вид:

,

где - зависимая переменная в момент времени t;

- оцениваемые коэффициенты;

- ошибка, описывающая влияния переменных, которые не учитываются в модели. [1]

Данная модель позволяет строить весьма точные прогнозы с небольшой дальностью прогнозирования. Она также достаточно гибкая и может подойти для описания различных временных рядов. К минусам этого метода можно отнести отсутствие простого способа корректировки параметров модели и необходимость большого количества данных.

Для построения ARIMA моделей традиционно используют методологию Бокса-Дженкинса.

Методология Бокса-Дженкинса заключается в том, что в первую очередь оценивается стационарность ряда. Различными тестами выявляются наличие единичных корней и порядок интегрированности временного ряда (обычно ограничиваются первым или вторым порядком). Далее при необходимости (если порядок интегрированности больше нуля) ряд преобразуется взятием разности соответствующего порядка. По автокорреляционной функции и частной автокорреляционной функции определяется порядок p и q параметров модели. Затем, обычно с помощью метода максимального правдоподобия строится регрессионное уравнение.

Для выбора параметров p и q модели ARIMA (p, d, q) часто используются графики автокорреляционной и частной автокорреляционной функции. В соответствии с графиком, приведенным в приложении 1 (рис. 1), можно установить, что параметр p скорее всего примет значение равное 1, а параметр q от 1 до 4.

Необходимым условием корректности прогноза будущей модели является стационарность ряда, по которому будет происходить процесс моделирования.

Существует два случайных процесса: процесс с детерминированным полиноминальным трендом и процесс случайного блуждания.

1. Процесс с детерминированным полиноминальным трендом.

Z_t = P_k(t), P_k(t) - полином степени k от t.

Ограничиваемся рассмотрением только линейного тренда, уравнение принимает вид:

Z_t = б+в_t + c_t, c_t - стационарны процесс, не обязательно белый шум.

2. Процесс случайного блуждания.

,

,

,

д(L) и л(L) операторы, удовлетворяющие условиям стационарности и обратимости.[1]

Эти два процесса ведут себя по-разному. В чем-то они схожи: у обоих есть линейный тренд, но они отличаются случайной частью. В первом случайная часть - это текущий шок, текущие возмущения, а во втором - это накопленные возмущения от всех предыдущих шоков.

Случайное блуждание можно привести к стационарному виду взятием первой разности (DSP).

Процесс с детерминированным трендом можно привести к стационарному виду также выделением линейного тренда (TSP).

Прежде чем приступить к построению моделей ARIMA, исследуем исходный ряд на стационарность, используя процедуру Доладо и расширенный тест Дики-Фуллера.

Идея теста Дики-Фуллера, состоит в том, что оценивается модель вида:

X_t = б + вt + сX_t-1 + е_t

ДX_t = б + вt + (с-1)X_t-1 + е_t

Выдвигаются гипотезы:

H₀: ряд является DS =>

H₁: ряд является TS => (тогда е_t не просто белый шум, а некоторый стационарный ряд)

Если с = 1, то y_t обладает единичным корнем и является стационарным процессом порядка I(1), при условии, что Дy_t стационарен. Если то y_t стационарен и I(0).

Для удобства, переобозначим 1-с = г, тогда проверяемые гипотезы принимают следующий вид:

H₀: г₁ = 0, г₂ = 0,…, г_k = 0.

H₁: г₁ ? 0, г₂ ? 0, …, г_k ? 0,

Наблюдаемая статистика имеет вид обычной t-статистики t = . Для данного распределения рассчитываются специальные таблицы критических значений, т.к. обычные таблицы F-распределения не подходят, ввиду смещённости табличных значений.

Процедура Доладо

Основная идея - тестирование наличие единичного корня для ряда y.

1.Оценивается модель для y_t с константой и трендом. Проделывается тест Дикки-Фуллера. Если H₀ отвергается (ряд стационарный), то процедура останавливается.

2.Если H₀ не отвергается (ряд нестационарный), то проверяем значимость тренда. Если тренд значим, то y_t нестационарный.

3.Если тренд незначим, то проделываем тест Дикки-Фуллера с константой и без тренда. Если, H₀ отвергается (ряд стационарный), то процедура останавливается.

4.Если H₀ не отвергается (ряд нестационарный), то проверяем значимость константы. Если константа значима, то y_t нестационарный.

5.Если константа незначима, то проделываем тест Дикки-Фуллера без константы и тренда. Если, H₀ отвергается (ряд стационарный), то процедура останавливается, иначе ряд y -нестационарный.

Используя ППП Gretl проведем ADF тест для исходного ряда (Приложение 1 рис 2.).

Т.к. во всех трех случая P-значение больше 0,1 значит исследуемый ряд является интегрируемым 0-ого порядка. Наличие единичного корня отвергается, а значит исходный ряд является стационарным.

Ещё один тест, который используется для проверки ряда на стационарность - тест Квятковского-Филлипса-Шмидта-Шина или KPSS тест.

Выдвигаются две конкурирующие гипотезы:

H₀: временной ряд является стационарным (или, аналогичноу²=0),

H₁: временной ряд не является стационарным.

Вычисляем наблюдаемую статистику:

T-- размер выборки,

S_t = e₁ + e₂ + … + e_t

Таблица 8 ADF-тест

Тест с трендом и константой
Тестовая статистика	-1,98051
P-значение	0,6114
Тест с константой
Тестовая статистика	-0,915112
P-значение	0,7845
Тест без константы
Тестовая статистика	-0,721583
P-значение	0,4044

В качестве критическиого значения используется таблица Дики-Фуллера.

Используя ППП Gretl, проведем KPSS тест для исходного ряда (Приложение 1 рис. 3).

Таблица 9 KPSS тест

Тестовая статистика 0,0975747
Критические значения
1%	5%	10%
0,121	0,148	0,214

Тестовая статистика меньше критических значений, а значит нулевая гипотеза не отвергается и исходный ряд является стационарным.

Мы установили, что параметры модели могут иметь следующие значения p=1, d=0, q=1, 2, 3, 4. Оптимальной моделью будет считаться такая модель, которая адекватно объясняет исходные данные и имеет при этом наименьшее число параметров. Выбор модели будет происходить на основе информационных критериев и степени адекватности остатков. В ходе моделирования было построено множество моделей, некоторые из них приведены в таблице 10 (Приложение 1 рис. 4, 5, 6).

Таблица 10 ARIMA модели

	Коэфф.	СКО	Знач.	IC	Тест Льюинга-Бокса	Тест на нормальность распределения остатков
ARIMA(1, 0, 0)
C	51,8697	1,35015	0	SIC = 278,2 AIK = 271,8	Q	16,63	Наблюдаемое значение	0,777
AR(1)	0,82761	0,068759	2,31E-33		Prob(Q)	0,119	Prob	0,67816
ARIMA(1, 0, 1)
C	51,8658	1,29496	0	SIC = 282,2 AIC = 273,6	Q	15,47	Наблюдаемое значение	0,799
AR(1)	0,807124	0,086274	8,33E-21
MA(1)	0,0664268	0,142866	0,642		Prob(Q)	0,116	Prob	0,67081
ARIMA(1, 0, 3 - 1, 2, 4)
C	51,733	1,09393	0	SIC = 279,1 AIC = 266,3	Q	8,531	Наблюдаемое значение	0,9
AR(1)	0,515082	0,14308	0,0003
MA(1)	0,602025	0,157121	0,0001		Prob(Q)	0,383	Prob	0,63747
MA(2)	0,352856	0,128322	0,006
MA(4)	0,58515	0,121943	1,60E-66

У всех полученных моделей остатки не автокоррелированными и подчинены нормальному закону распределения. Сравнив информационные критерии, значения статистик и количество переменных в моделях приходим к выводу, что наилучшей моделью является модель ARIMA (1, 0, 0). Среди всех представленных моделей, она располагает наименьшим значением информационного критерия Шварца, а все коэффициенты регрессионного уравнения являются значимыми. У модели ARIMA (1, 0, 1) несколько хуже значения информационных критериев, и один из коэффициентов является незначимым. У третьей модели информационный критерий Айкайке ниже чем у первой модели, и все коэффициенты значимы, однако критерий Шварца у неё выше, и она имеет большее количество переменных, чем ARIMA (1, 0, 0), а лучшей считается модель, у которой количество переменных меньше.

Таким образом оптимальная модель индекса PMI имеет вид:

Построим график прогноза индекса деловой активности в соответствии с моделью ARIMA (1, 0, 0).

Рис.16. Исходные данные и предсказанные значения индекса PMI.

Согласно прогнозу, построенном на основе модели ARIMA (1, 0, 0) в марте следует ожидать подъема индекса деловой активности в сфере услуг до 51,1 пункта, для мая прогнозное значение равно 51,3 пункта.

Таблица 11 95%-доверительный интервал для прогнозных значений

Прогнозное значение	Нижняя граница	Верхняя граница
51,1	47,2	54,9
51,2	46,2	56,2
51,3	45,6	57

Доверительный интервал, построенный для индекса PMI говорит о том, что следует ожидать значение мартовского индекса PMI в пределах от 47,2 до 54,9 пунктов не ниже и не выше.

3.2 Региональная структура сферы услуг Российской Федерации

Классификация экономических объектов с целью выявления структурной организации рассматриваемой генеральной совокупности является одной из ключевых задач статистического анализа. В зависимости от качества классификации можно судить о возможности реализации дальнейших этапов статистического исследования. Структурный анализ по отдельно взятому показателю отражает необходимость максимально полного использования данных, содержащихся в нем, и потенциальные возможности применения аппарата расщепления смеси вероятностных распределений, обеспечивающего возможность выделения однородных групп объектов. Этот метод позволяет применять традиционные жесткие решающие правила для интерпретации результатов классификации и реализовать гибкие подходы с применением нечетких множеств. [8]

Анализируемый в данном разделе показатель формируется под воздействием множества факторов. При этом возникает проблема выделения явно доминирующих факторов, поскольку характер их воздействия на исследуемый показатель является мультипликативным. Поэтому при проведении расщепления вероятностных распределений, одной из существенных задач становится выбор вида закона распределения. Выше было обозначено, что исследуемый признак подвергается мультипликативному действию факторов, в предположении, что рассматриваемые группы регионов однородны, закон распределения признака будет логарифмически нормальным:

,

где м - математическое ожидание, а у² - дисперсия, исследуемого логарифма признака. [9]

Если в исходная совокупность состоит из k однородных групп, то закон распределения будет являться смесью k логарифмически-нормальных распределений:

где - доля объектов i-й группы в генеральной совокупности, , f (ln(y), м_i, у_i) - плотность вероятности распределения i-й группы.[9]

В качестве, исследуемого признака выступает показатель логарифм «Отгруженные товары собственного производства, выполненные работы и услуги собственными силами организаций в сфере услуг» Российской Федерации за 2012 год.

Гистограмма распределения логарифма отгруженной продукции сферы услуг, приведена на рис. 16, исходя из её вида можно сделать вывод, что предположение, сделанное ранее, о логарифмически-нормальном распределении изучаемого признака подтверждается. Отметим, что в целях проведения корректного анализа из совокупности были удалены два объекта (г. Москва и г. Санкт-Петербург), т.к. предварительный анализ обозначил их как аномальные явления (Приложение 2 рис. 1, 2).

Гистограмма логарифма «Отгруженной продукции в сфере услуг» имеет несколько так называемых «слонов», а конкретнее три. Визуально оценим параметры смеси распределений: q_i, µ_i, у_i.

Рис. 16. Эмпирическое распределение логарифма отгруженной продукции в сфере услуг, 2012 г.

В качестве математических ожиданий смесей выбираем точку на оси абсцисс для наибольшей частоты предполагаемой смеси. Стандартное отклонение рассчитывается как разность математического ожидания данной смеси и абсциссы точки, где данная смесь переходит в следующую. Доли смесей в общем распределении определяем на основании гистограммы.

Изначальные характеристики распределений выглядят следующим образом:

Таблица 12 Параметры распределения до оптимизации, 2012 г.

i	мi	уi	qi
1	14,4	0,7	0,13
2	17,2	0,7	0,63
3	17,9	0,7	0,24

Рис. 17 показал довольно сильное различие между наблюдаемыми и теоретическими частотами. В целях более точной оценки расхождений частот рассчитаем коэффициент подобия = 72, 05%.

Коэффициент подобия показал, что теоретические частоты приближены к эмпирическим на 72, 05%, поэтому изначально подобранные параметры не подходят для моделирования.

С помощью метода максимального правдоподобия наиболее точно оценим значения q_i, µ_i, у_i.

Метод максимального правдоподобия использует в качестве оценок значения параметров, максимизирующие многомерную плотность вероятности распределения признака для всей совокупности наблюдаемых значений, называемую функцией правдоподобия:

.[9]

Рис.17. Теоретические и эмпирические частоты логарифма отгруженной продукции, 2012 г.

В качестве аргументов функции правдоподобия выступают значения оцениваемых параметров однородных групп. При выполнении условия независимости выборок плотность вероятности многомерного распределения эквивалентна произведению одномерных плотностей вероятности



Значения параметров м₁,…,м_k; у₁,…,у_k; q₁,…,q_k-1, максимизирующие функцию правдоподобия, являются максимально правдоподобными оценками этих параметров. Максимизацию функции правдоподобия [9]

где j - номер объекта,

n - общее число объектов в смеси,

можно заменить максимизацией монотонно связанной с ней функции, например, логарифма отношения правдоподобия

.[9]

Таблица 13 Параметры распределения после оптимизации, 2010 и 2012 гг.

2010	2012
i	мi	уi	qi	i	мi	уi	qi
1	13,82	0,38	0,1	1	13,89	0,15	0,06
2	16,09	0,75	0,8	2	16,40	0,92	0,85
3	17,75	0,14	0,1	3	18,40	0,52	0,09

После оптимизации доли групп в смеси распределений существенно изменились: доля второй группы возросла с 63% до 85%, а доли первой и третьей группы снизились до 6% и 9% соответственно.

Для сравнения методом правдоподобия были подсчитаны параметры распределения для 2010 года. Параметры 2010 и 2012 гг. не сильно расходятся в значениях.

Полученные после оптимизации теоретические частоты намного лучше описывают исходные данные, кроме того коэффициент подобия вырос до 92,59%. Это говорит о том, что оценки, рассчитанные с применением метода максимального правдоподобия, являются более точными.

На основе полученных оценок логарифма «Отгруженной продукции» в сфере услуг, построим модель смеси логарифмически-нормальных распределений.

График плотности вероятности всей совокупности и графики взвешенных плотностей вероятностей компонентов смеси представлены на рисунке 19.

Определение принадлежности объектов совокупности к классам будет осуществляется на основе четкого подхода к классификации регионов. Наполнение классов при данном подходе осуществляется с использованием функции принадлежности.

Рис. 18. Распределения эмпирических и теоретических частот после оптимизации, 2012 г.

Функция принадлежности i-го объекта к j-ой группе определяется как отношение значений взвешенной плотности вероятности данной страты и общей плотности вероятности для данного объекта:

,

где и_j (м_j; у_j)- вектор параметров плотности вероятности для j-ой страты,

q_j- удельный вес j-ой страты в общем законе распределения.[9]

Функция принадлежности показывает, что i-й объект на mf_ij*100% относится к j-ой группе. [9]

Рис. 19. Теоретическая плотность вероятностей для логарифма отгруженной продукции в сфере услуг, 2012 г.

Таким образом в общей совокупности объектов могут быть выделены три страты с высоким, средним и низким уровнем отгруженной продукции в сфере услуг.

Условные границы классов для отнесения произвольного наблюдения к одной из выделенных страт определим, как абсциссы точек пересечения взвешенных плотностей вероятности соседних страт. Их значения составляют соответственно 14,3 и 18,1.



Рис. 20. Функция принадлежности к стратам.

В первую страту вошли регионы, уровень отгруженной продукции сферы услуг которых не превысил 1 623346 тыс. руб. Доля данной страты низкая - 6% от общей совокупности. В неё вошли 5 регионов: Республика Калмыкия, Чукотский автономный округ, Еврейская автономная область, Республика Алтай и Республика Тыва. Данные регионы немногочисленные, кроме того уровень доходов в них низкий, что весьма затрудняет потребление услуг.

Вторая страта оказалась наиболее многочисленной в неё вошли 67 регионов, что составляет 85~86% всей совокупности. В данную категорию попали регионы с уровнем отгруженной продукции в сфере услуг в границах от 1 623346 тыс. руб. и до 72 565488 тыс. руб.

Третью страту наполнили регионы, уровень отгруженной продукции сферы услуг которых превысил 72 565488 тыс. руб. В неё вошли Красноярский край, Нижегородская область, Республика Татарстан, Свердловская область, Тюменская область, Московская область. Доля третьей страты составляет 9~8% от общей совокупности.

При этом величина показателя отгруженной продукции в сфере слуг в г. Москва и г. Санкт-Петербург значительно выше, чем в 3 страте - 1 338 736 843,2 тыс. руб. и 332 940 194,2 тыс. руб. соответственно.

Основной целью данной исследовательской работы является выявление инновационных факторов влияющих на сферу услуг, поэтому проведем анализ средних значений инновационных показателей для полученных классов.

Самое низкое значение показателя отгруженной инновационной продукции сферы услуг, как и ожидалось, пришлось на 1 страту. Стоит отметить, что среднее значение отгруженной инновационной продукции в сфере услуг 3 страты сильно превосходит аналогичный показатель 2 страты. В 2012 г. 3 страта произвела 35% от общей суммы отгруженной инновационной продукции сферы услуг в Росси, если к ним ещё добавить Москву и Санкт-Петербург, то получится 72%.

Рис. 21. Средние значения отгруженной инновационной продукции в сфере услуг, тыс. руб., 2012 г.

Источник: Статистическая база Росстата

Немаловажными в развитии не только сферы, но и всей экономики в целом, являются информационные факторы. Предоставление услуг посредством сети Интернет, быстрая передача информации являются одними из доминирующих факторов, определяющих развитие сектора услуг. Поэтому степень информатизации как фирм, так и населения являются одними из важнейших инновационных показателей развития сферы услуг.

Доля населения, имеющая доступ к сети интернет не имеет сильных различий между стратами. Так в 1 страте значение этого показателя равно 49, 74%, а в 3 классе - 61,15%. Видно, что разница небольшая, однако регионы 1 класса производят отгруженной продукции сферы услуг в разы меньше (1 623346 тыс. руб.), чем регионы 3 класса (более 72 565488 тыс. руб.). Такой результат можно объяснить, во-первых, качеством интернет соединения, во-вторых, степенью адаптированности населения к использованию сети с целью приобретения экономических благ.

Другой показатель, вызывающий некоторую неясность - инновационная активность предприятий в сфере услуг.

Рис. 14. Средние значения инновационной активность и населения, имеющего доступа к интернету, %, 2012 г.

Источник: Статистическая база Росстата

Инновационная активность в 1 страте - 9,32%, что выше аналогичного показателя для 2 страты на 1,75%. Причина данного явления заключается в абсолютной численности предприятий. Так в 1 страте в среднем число фирм в сфере услуг составляет 18 из них в среднем 2 являются инновационно активными, в то время как во 2 страте в среднем 105 организаций в сфере услуг и в среднем 7 из них инновацинно активны. Поэтому уровень произведенных валовых и инновационных услуг во 2 страте выше, чем в 1.

3.3 Выявление инновационных факторов, влияющих на сферу услуг Российской Федерации

В данном разделе будут выявлены инновационные факторы, влияющие на сферу услуг Российской Федерации на основе четкой классификации, которая была проведена во 2 главе, и с использованием методов анализа панельных данных.

Используя результаты предыдущего раздела построим типологическую регрессию. К сожалению, распределение регионов не позволяет нам провести регрессионный анализ для 1 и 3 классов, т.к. они содержат слишком мало наблюдений. Поэтому регрессия будет построена только для 2 кластера.

Для анализа использовались данные, за 2012 г., всего наблюдений 67, т.к. во 2 кластер вошло 67 регионов. Для того, чтобы выявить какие инновационные факторы влияют на уровень производства в сфере услуг, проведем регрессионный анализ.

В качестве переменных для анализа были отобраны следующие показатели:

lnY - логарифм объема отгруженной продукции, выполненной своими силами сферой услуг, млн.руб.;

X₁ - отгруженная инновационная продукция в сфере услуг;

X₂ - численность инновационно-активных организаций в сфере услуг, тыс.;

X₃ - затраты на ИКТ в сфере услуг, млн. руб.;

X₄ - доступ населения к сети интернет, %;

Обоснование отбора независимых переменных представлено в разделе «Система показателей». Обычно в исследованиях подобного рода в качестве зависимой переменной выступает показатель уровня производства в изучаемой сфере, поэтому объем отгруженной продукции, выполненной своими силами сервисными фирмами, в данной работе является зависимым показателем.

Перед тем как приступить к реализации регрессионного анализа, проверим данные на наличие мультиколлинеарности.

Наличие мультиколлинеарности не позволяет однозначно оценить параметры исходной модели и разделить вклады регрессоров в выходную переменную по результатам наблюдений. Данный феномен приводит к ряду проблем, таких как неустойчивость оценок при включении/исключении переменных, незначимости параметров при высоком значении коэффициента детерминации и неадекватности значений оценок.

Рассчитаем коэффициенты корреляции между переменными.

Таблица 14 Корреляционный анализ показателей

	Y	X1	X2	X3	X4
Y	1	0,522	0,624	0,376	0,581
X1	0,522	1	0,222	0,052	0,453
X2	0,624	0,222	1	0,16	0,299
X3	0,376	0,052	0,16	1	0,082
X4	0,581	0,453	0,299	0,082	1

Исходя из таблицы 11 можно предположить, что мультиколлинеарность отсутствует, поскольку между переменными отсутствуют высокие показатели корреляции ( >0,85).

Проверить данные на мультколлинеарность можно также рассчитав значения VIF.

В статистике, коэффициент влияния дисперсии фактора дает количественную оценку степени мультиколлинеарности в регрессионном анализе. Это обеспечивает индекс, который измеряет, насколько дисперсия оцененного коэффициента регрессии увеличивается из-за коллинеарности.

Слишком высокие значения VIF (>4) означают наличие мультиколлинеарности.

Таблица 15 VIF

	X1	X2	X3	X4
VIFj	1,267332	1,128162	1,026946	1,32109

Значения VIF низкие, а значит предположение о том, что мультиколлинеарность отсутствует в данных подтверждается.

Установив отсутствие мультиколлинеарности в данных, применим метод наименьших квадратов для оценки влияния инновационных факторов на уровень развития сферы услуг, получаем следующие результаты:

Таблица 16 Результаты регрессионного анализа

Переменная	Коэффициент	СКО	Значимость
C	14,66968	0,292215	0
X1	7,82E-08	2,20E-08	0,0007
X2	0,042083	0,011688	0,0006
X3	4,38E-05	7,52E-06	0
X4	0,020217	0,005274	0,0003
R2 = 69,5%

Все переменные в уравнении значимы и оказывают положительное воздействие уровень отгруженной продукции сферы услуг. Остатки данной модели являются нормальными и гомоскедастичными (Приложение 2 рис.5, 37), но автокоррелированными поэтому мы не можем считать оценки надежными.

Чтобы сделать модель более надежной пересчитаем оценки стандартных ошибок методом Ньюи-Веста. Данная процедура является альтернативой классической оценке, оценки процедуры Ньюи-Веста являются состоятельными как в случае гетероскедастичности, так и в случае автокорреляции остатков. Ковариационная матрица оценок, скорректированная на гетероскедастичность и атокорреляцию, имеет следующий вид:



Данная оценка зависит от выбора «ширины окна» L и весовых значений w_j. Существует несколько способов их выбора: присвоить всем весам единичное значение, использовать веса Бартлета, но самым предпочтительным выбором весом являются веса Парзена:

Для выбора параметра «ширины окна» L обычно используется оценка .

Таблица 17 Результаты регрессионного анализа после применения оценки стандартных ошибок методом Ньюи-Веста.

Переменная	Коэффициент	СКО	Значимость
C	14,66968	0,380261	0
X1	7,82E-08	1,12E-08	0
X2	0,042083	0,007502	0
X3	4,38E-05	6,61E-06	0
X4	0,020217	0,006728	0,0039
R2 = 69,5%

Метод Ньюи-Веста не влияет на оценку коэффициентов регрессии, однако он меняет стандартные ошибки и t-статистику. Переоценив стандартные ошибки было установлено, что все переменные являются значимыми и имеют положительный знак.

Таким образом регрессионная модель для 2 самого обширного кластера имеет следующий вид:



Полученная модель имеет коэффициент детерминации равный 69,5%, что говорит о приемлемой объяснительной способности модели. Наиболее значимое влияние на логарифм уровня отгруженной продукции сферы услуг оказывает показатель доступности сети Интернет для населения РФ, при его росте на 1 единицу логарифм отгруженной продукция сферы услуг увеличивается на 0,0202.

Далее проведем пространственно-временной анализ инновационной деятельности в сфере услуг. Для достижения этой цели будут использоваться панельные данные.

Панельные данные являются совокупностью наблюдений, представляющих собой пространственную выборку объектов, прослеживаемую во времени. Таким образом панельная совокупность представляет собой наблюдения одних и тех же единиц, осуществляемые в последовательные периоды времени. [7]

Преимущества использования панельных данных состоит в следующем:

- наличие большего количества наблюдений, что ведет к увеличению числа степеней свободы и снижению зависимости между объясняющими переменными;

- возможность решения экономических вопросов, которые не могут быть адресованы временным рядам или пространственным наблюдениям по отдельности;

- отсутствие смещения агрегированности;

- возможность отследить эволюцию характеристик всех объектов выборки во времени;

- решение проблемы поиска инструментов при оценивании моделей с эндогенными регрессорами;

- избежание ошибок спецификации, являющихся следствием не включения в модель существенных переменных.

В ходе анализа в данном разделе в основном рассматривались модель сквозной регрессии, модель с детерминированным индивидуальным эффектом и модель со случайным индивидуальным эффектом.

Уравнение модели в покомпонентной записи для сквозной регрессии имеет следующий вид:

.

Основные предположения модели:

- X_it' - значения детерминированных регрессоров;

- a и b - коэффициенты регрессии, одинаковые для всех наблюдений;

- е_it нормальны и удовлетворяют условиям классической линейной регрессии[7].

Данная модель является самой простой, т.к. приписывает одинаковое поведение всем объектам выборки. Если эти условия выполняются, то параметры могут быть оценены с помощью метода наименьших квадратов.

Другая модель, рассматриваемая в данном разделе - модель регрессии с детерминированным индивидуальным эффектом (FE), её уравнение имеет следующий вид:

Предпосылки данной модели соответствуют предпосылкам модели сквозной регрессии, за исключением того, что касается параметра a_i. В данном случае a_i отражает влияние пропущенных или ненаблюдаемых переменных, характеризующих индивидуальные особенности исследуемых объектов, не меняющиеся со временем.

Данная модель является довольно гибкой, т.к. она учитывает гетерогенность для каждого объекта выборки. Однако это приводит к потере значимости оценок.

Модель регрессии со случайным эффектом в матричной форме имеет следующий вид:

y = Xb +u, где u_it = б_i + е_it,

Основные предпосылки модели:

- X_i - детерминированная матрица;

- u нормально распределён;

- E[u] = 0, поскольку E[б] = 0, E[е] = 0;

- E[uu'] = Щ ? у_u² I

- E[u_itu_i'_t'] = д_ii'у_б² + д_tt'у_е²

б_i как и в предыдущем случае отражает влияние пропущенных или ненаблюдаемых переменных, однако теперь эти индивидуальные возмущения носят случайный характер, в среднем нивелируются, и их теоретические дисперсии предполагаются равными для всех объектов выборки. Данная модель является компромиссом между двумя предыдущими, т.к. она менее ограничительная чем первая модель и позволяет получить более значимые оценки, чем FE модель[7].

Если предпосылки модели выполняются, то оценки модели, рассчитанные на основе ОМНК, будут несмещенными.

Для тестирования остатков на гетероскедастичность и автокорреляцию будут использоваться тесты Дарбина-Уотсона и Бреуша-Пагана-Годфри. Стоит отметить, что данные тесты будут применяться как для модели с фиксированными эффектами, так и для модели со случайными эффектами, поскольку RE модель в данном контексте рассматривается как частный случай FE модели[7].

При использовании теста Дарбина-Уотсона рассматривается основная гипотеза об отсутствии автокорреляции в остатках модели против альтернативной:

H₀: с = 0

H_A: е_it = се_it-1 + н_it, с>0 или с<0.

н_it независимо и одинаково распределены по времени и индивидуумам. Тогда панельный аналог статистики Дарбина-Уотсона имеет вид:

Существуют также специальные таблицы для панельного критерия Дарбина-Уотсона, зависящие от N, T и K.

Проверка остатков на гетероскедастичность провидится с применением теста Бреуша-Пагана-Годфри, основная гипотеза которого состоит в том, что остатки гомоскедастичны:

H₀: V [е_it] = у_it²

H_A: V [е_it] = у_it²h(бZ_it).

Таким образом, основная гипотеза формулируется в виде:

H₀: б = 0.

Тестовая статистика вычисляется по формуле N(T-1)R², где коэффициент детерминации асимптотически подчиняется ч² - распределению с k степенями свободы[7].

Для того, чтобы выбрать наиболее адекватную модель между моделью сквозной регрессии, моделью с фиксированным индивидуальным эффектом и моделью со случайным индивидуальным эффектом, существует ряд тестов.

Тест Вальда предназначен для сравнения модели сквозной регрессии и регрессии с детерминированным индивидуальным эффектом. Он проверяет гипотезу о равенстве нулю всех индивидуальных эффектов.

Тест Бреуша-Пагана сравнивает модели сквозной регрессии и регрессии со случайным индивидуальным эффектом и проверяет следующие гипотезы:

H₀: Var [u] = 0

H_A: Var[u] ? 0

Если основная гипотеза верна, то используется аналог статистики Бреуша-Пагана-Годфри:

LM = ,

подчиняющийся ч² распределению с одной степенью свободы.

Тест Хаусмана проводится для сравнения между FE и RE моделями. Модель со случайным эффектом имеет место, только тогда, когда случайный эффект не коррелирован с регрессорами, часто это требование бывает нарушено. Выдвигаются следующие гипотезы:

H₀: corr (u_i, X_it) = 0

H_A: corr (б_i, X_it) ? 0

Т.е. основная гипотеза предполагает u_i могут быть рассмотрены как случайные эффекты, в то время как альтернативная гипотеза говорит, о том что u_i надо рассматривать как детерминированные эффекты.

Данный тест построен на разности двух оценок q = . Для проверки гипотез используется следующая статистика:

,

где и если верна основная гипотеза, то тестовая статистика подчиняется ч² распределению с k степенями свободы[7].

Анализ будет осуществлен на тех же переменных, что использовались при построении типологической регрессии, с добавлением нового показателя и увеличением временного диапазона. Таким образом имеются пространственные данные за 2010-2012 гг.

lnY - логарифм объема отгруженной продукции, выполненной своими силами сферой услуг, млн.руб.;

X₁ - отгруженная инновационная продукция в сфере услуг, млн. руб.;

X₂ - количество предприятий в сфере услуг, тыс.;

X₃ - затраты на ИКТ в сфере услуг, млн.руб.;

X₄ - доступ населения к сети интернет,%;

X₅ - доступ организаций к глобальной информационной сети,%.

Обоснование для применения данных показателей можно найти в разделе «Система показателей».

В ходе анализа было построено множество моделей с различной комбинацией иксов, однако самой лучшей является модель со случайными индивидуальными эффектами с двумя независимыми переменными - X₄ и X₅.

Таблица 18 Модель со случайными эффектами для России

Переменная	Коэффициент	СКО	Значимость
Const	13,6766	0,57289	2,67E-64
X4	0,0142282	0,00265025	1,93E-07
X5	0,0225257	0,00724886	0,0021
Критерий Акайке 728,21	Критерий Шварца 738,59

Таким образом, при использовании статистического пакета Eviews было выявлено, что модель имеет следующий вид (Приложение 3 рис. 1):

Наиболее значимыми оказались переменная X₄ - доступ населения к сети интернет и X₅ - доступ организаций к глобальной информационной сети, причем эффекты от этих факторов положительны.

Тесты Бреуша-Пагана и Хаусмана (Приложение 3 рис.5) выявили, что вид модели со случайным индивидуальным эффектом является предпочтительным среди прочих.

Таким образом, согласно данной модели наиболее существенными инновационными факторами, влияющими на сферу услуг, являются показатели информационной связи, что логично поскольку фирмы сферы услуг более информационно активны. Например, организации финансового сектора активно пользуются онлайн-клиентами, это предоставляет возможность потребителю оформить заявку на какую-либо услугу, не выходя из дома. Некоторые банки предоставляют кредиты через банк-клиенты, и делается это в течении нескольких минут.

Тест на подчинение нормальному закону распределения выявил, что остатки данной модели ему подчиняются на 5% уровне значимости (Приложение 3 рис. 4). Значение тестовой статистки Бреуша-Пагана-Годфри ч_набл²(3,44) < ч_кр²(9,35), а значит остатки модели являются гомоскедастичными.

Для проверки остатков на автокорреляцию будем использовать не только тест Дарбина-Уотсона, а также тест Песарана и Вулдириджа. Основная гипотеза теста Песарана заключается в отсутствии автокоррелированности остатков. Тестовая статистика имеет вид:

Тест Вулдриджа проверяет наличие серийных корреляций ошибок в линейных регрессионных моделях панельных данных. Данный метод элиминирует ненаблюдаемый индивидуальный эффект, используя регрессию в первых разностях, т.е

Y_it-Y_it-1= (X_itґ - X_it-1)ґв+е_it+е_it-1 [7]

По этой модели оценивается авторегрессия первого порядка для остатков этой модели:

.

Проверяется основная гипотеза H₀: с = -0,5. Т.к. Вулдриджем было замечено, что в отсутствие сериальных корреляций ошибки исходной регрессии cov(Де_it, Де_it-1)= -0,5.[7]

Результаты тестов приведены в Приложении 3 (рис.2,3)

Таким образом, двое из трех тестов показали, что остатки являются независимыми, поэтому будем считать, что полученная модель является адекватной, поскольку все предпосылки были выполнены.

В итоге, было установлено, что за период с 2010 г. по 2012 г. наиболее значимыми факторами, которые оказывали влияние на объем производства в сфере услуг Российской Федерации, являются информационно-инновационные факторы.

Таблица 19 Тесты на автокорреляцию остатков

	Дарбин-Уотсон	Песаран	Вулдридж
P-значение	DW(1,849)<dL(1,859)	0,9654	0,0167
H0 принимается/ отвергается	Отвергается	Принимается	Принимается на 1% уровне

Так при увеличении доступа населения к сети Интернет на 1 единицу, логарифм объема отгруженной продукции в сфере слуг вырастет на 0,014, а при увеличении доступа организаций к глобальной информационной сети на одну единицу, логарифм отгруженной продукции в сфере услуг вырастет на 0,023.

3.4 Выявление инновационных факторов, влияющих на сферу услуг ОЭСР

В данном разделе будут определены инновационные факторы, которые оказывают наибольшее влияние на сектор услуг стран-членов ОЭСР. Для достижения поставленной задачи также, как и в предыдущем разделе будет использоваться регрессионный анализ панельных данных.

При выявлении инновационных составляющих, влияющих на сферу услуг стран ОЭСР, в качестве переменных использовались отличные показатели, чем при анализе сектора слуг в Российской Федерации, поскольку использовались разные статистические базы. Так в качестве зависимой переменной использовался объем экспорта услуг, поскольку это был единственный показатель, который измерялся в единой валюте для всех стран ОЭСР, кроме того этот показатель в своем исследовании использовали (Zachler, Icavone и Mattoo, 2013).

lnY - логарифм экспорта услуг, млн.долл.;

X₁ - затраты на исследования и разработки в сфере услуг, млн. долл.;

X₂ - доступ населения к сети интернет на 100 чел.;

X₃ - численность персонала, вовлеченного в научные исследования и разработки, чел..;

X₄ - число поданных патентов заявок на патенты в сфере ИКТ, шт.

В анализе приняли участие 21 страна ОЭСР, не вошли такие страны как Греция, Австрия, Австралия, Исландия, Ирландия, Люксембург, Новая Зеландия, Швеция, Швейцария, США, Бельгия. Перечисленный список стран не был взят в анализ поскольку, по данным государствам отсутствовала статистика по одному или нескольким показателям. Временной промежуток, которые охватывают данные составляет 4 года - с 2010 г. по 2013 г.

С помощью регрессионного анализа панельных данных выявим какие инновационные факторы оказывают значимое воздействие на экспорт сферы услуг.

Используя ППП Eviews было получено, что оптимальной моделью является модель со случайным индивидуальным эффектом и двумя независимыми переменными (Приложение 4 рис. 1).

Таблица 20 Модель со случайными эффектами для стран ОЭСР

Переменная	Коэффициент	СКО	Значимость
C	9,008485	0,298649	0
X1	0,000136	2,17E-05	0
X2	0,016587	0,003162	0
Критерий Айкайке 202, 87	Критерий Шварца 210, 16

Тест Бреуша-Пагана и Хаусмана выявили, что данный вид модели лучше чем сквозная регрессия и регрессия с фиксированным индивидуальным эффектом (Приложение 4, рис. 5 ).

Анализ остатков показал, что они подчиняются нормальному закону распределения (Приложение 4, рис. 2). Тест на гомоскедастичность Бреуша-Пагана-Годфри выявил, что ч_набл²(5,14) < ч_кр²(9,35), а значит остатки являются гомоскедастичными. Тесты на автокорреляцию вывели, что остатки не автокоррелированны (Приложение 4 рис.3, 4).

Поскольку два теста из трех выявили, отсутствие взаимосвязи между ошибками, можно утверждать, что оценки модели являются адекватными.

Таблица 21 Тесты на автокорреляцию остатков

	Дарбин-Уотсон	Песаран	Вулдридж
P-значение	DW(1,967)>dU(1,880)	0,000	0,0167
H0 принимается/ отвергается	Принимается	Отвергается	Принимается

Таким образом модель имеет вид:

Значимыми оказались такие инновационные факторы как затраты на исследования и разработки и доступ населения к сети Интернет. При увеличении доступа населения к интернету на 1 единицу логарифм экспорта услуг увеличивается на 0,017, при увеличении затрат на исследование и разработки на одну единицу логарифм экспорта услуг увеличивается на 0,00014.

Исходя из анализа панельных данных можно сказать, что для увеличения производительности сектора услуг, Российской Федерации необходимо прежде всего обратить внимание на информационные технологии, в частности стараться увеличить доступ населения к новым типам связи, поскольку именно этот показатель оказывает наибольшее влияние на прирост объема отгруженной продукции в сфере услуг. Также российским сервисным фирмам стоит обратить внимание на информационную обеспеченность их собственных организаций. Для зарубежных стран также характерно высокое влияния доступа населения к сети Интернет, однако на уровень прироста экспорта услуг там также влияет размер внутренних затрат на исследования и разработки сервисных фирм.

Таким образом, эконометрический анализ временных рядов выявил, что в будущем следует ожидать оживления инновационной активности в сфере услуг, а регрессионный анализ панельных данных определил, что значимое влияние в Российской Федерации и странах ОЭСР оказывают информационно-инновационные факторы.

инновация экономический сервисный деловой

Заключение

В ходе анализа, проведенного в данной работе, были установлены следующие результаты.

Во-первых, вклад сферы услуг в ВВП Российской Федерации довольно высокий. Согласно расчётам, в 2015 г. доля сервисного сектора в ВВП составила 62,7%, примерно такое же значение можно наблюдать в развитых странах. Сфера услуг также вносит значительный вклад в формирование ВДС. Так, например, на сервисные организации Центрального федерального округа приходится 69% при формировании ВДС субъекта, Северо-Кавказский федеральный округ - 60,2%, а Северо-западный - 59%.

В целом наблюдается положительная динамика потребления платных услуг населением. Большим спросом среди населения пользуются коммунальные и транспортные услуги, услуги связи, бытовые услуги, услуги образовательной системы и здравоохранения.

Также был изучен индекс PMI с применением, временных методов анализа. Было установлено, что наилучшая модель описывающая данный показатель имеет вид ARIMA (1, 0, 0). Прогнозные значения, полученные на основе этой модели, дают основания полагать, что в будущем следует ожидать улучшения ожидания индекса потребительской уверенности сферы услуг, и как следствие самой сервисной сферы.

Используя метод чёткой классификации были получены три класса регионов с различным уровнем отгруженной продукцией в сфере услуг. Из анализа были удалены г.Москва и г.Санкт-Петербург, поскольку «ящичковый» анализ определил их как аномалии. В итоге были получены три страты с числом регионов 5, 67 и 6. На основе второй страты была построена простая регрессионная модель для 2012 г. С применением метода Ньюи-Веста, было установлено, что на уровень отгруженной продукции сервисных фирм в 2012 г. оказали влияние такие инновационные факторы, как уровень инновационной отгруженной продукции в сфере услуг, количество инновационно-активных организаций в сфере услуг, затраты на ИКТ и доступ населения к сети Интернет, причем наибольший уровень воздействия имеют показатели количества сервисных фирм, осуществляющих инновации и доступ населения к сети Интернет.

Далее была исследована инновационная деятельность в сфере услуг Российской Федерации. Было установлено, что внутренние затраты на исследования и разработки имеют стабильную тенденцию к росту, при этом около 95% всех затрат приходится на сектор услуг. Основная доля затрат на исследования и разработки сервисных фирм приходится на предприятия, занимающиеся научно-исследовательской деятельностью - 87, 11%; 9,97% затрат приходится на организации, задействованные в сфере образования; 1,45% приходится на фирмы, осуществляющие операции с недвижимостью.