Региональная диагностика эффективности и уровня

Региональная диагностика эффективности и уровня используемых технологий на
отраслевом уровне.
Зайцев Александр Андреевич
Аспирант
Институт Экономики, Российская Академия Наук, Москва, Россия
E–mail: alex_zaytsev@bk.ru
При решении задач модернизации отраслей экономики страны и ее регионов в
частности необходимо определить степень развития каждой отрасли в сравнении со
своими конкурентами. Понимание развитости собственных отраслей относительно
других регионов и зарубежных стран дает отдельному региону предварительные
ориентиры возможных направлений заимствования более передового опыта
хозяйствования и технологий. Процесс модернизации видится состоящим из двух
разных этапов (Полтерович, 2010): на первом этапе решается задача догоняющего
развития путем широкомасштабного заимствования зарубежных технологий с целью
достижения уровня мировой технологической границы по наиболее важным для
российской экономики отраслям. Данный этап прошли все страны, успешно решившие
задачи модернизации в разное время (Китай, Япония, Индия, Франция). Для каждой
отрасли необходимо определить наиболее подходящие технологии для заимствования с
учетом текущего уровня развития отрасли1. На втором этапе ставка делается на
создание собственных инноваций. Причем, инновационное развитие без прохождения
первого этапа широкомасштабного заимствования зарубежных технологий невозможно.
В настоящей работе сделана попытка предварительной диагностики
возможных направлений заимствования технологий для целей модернизации на
уровне региона.
В работе предложены две методики такой диагностики: на основе анализа
производительности труда и на основе эконометрической оценки уровня используемых
технологий.
Такая постановка задачи исследования и предложенные способы ее решения не
рассматривались в других работах, посвященных региональной диагностике
((Дмитриева, 1992), (Шнипер,1996), (Лексин, 2003), (Кузнецова, Кузнецов,2011)).
Первая методика диагностики основана на сравнительном анализе
производительности труда по основным отраслям ОКВЭД (сельское хозяйство, добыча
полезных ископаемых, обрабатывающие производства, энергетика, строительство,
торговля, гостиничный бизнес, транспорт и связь) в регионах России и 16 зарубежных
странах, в число которых вошли США, Канада, Япония, Австралия и ряд европейских
стран. Производительность труда рассчитывалась как отношение валовой добавленной
стоимости к среднегодовой численности занятых. В работе расчет произведен для всех
регионов России, сделаны корректировки на разницу региональных цен и построены
соответствующие рейтинги производительности труда. В качестве объекта диагностики
выбран Краснодарский Край. На основе полученных рейтингов производительности
труда определены предварительные направления заимствования более передовых
технологий для каждой отрасли экономики Краснодарского Края как среди российских
регионов, так и зарубежных стран.
Стоит отметить, что похожие расчеты производительности труда производились
в работах (Кондратьев В.Б., Куренков Ю.В, 2008), (Бессонов В.А., Гимпельсон В.Е.,
Кузьминов Я.И., Ясин Е.Г., 2009), (Маккинзи, 2009). Отличиями настоящей работы
являются: анализ производительности труда на уровне регионов, а не страны в целом;
Наиболее передовые технологии, существующие в мире, не всегда являются наилучшим решением в
случае сильной отсталости отрасли с точки зрения отдачи и затрат на внедрение. Существует опасность
отторжения слишком передовой технологии.
1
сравнение с существенно большим числом зарубежных стран; расчет
производительности труда в максимально возможной отраслевой детализации.
Недостатками данной методики диагностики возможных направлений
заимствования
являются
агрегированность
рассчитанных
показателей
производительности (однако детализация является максимально возможной при
использовании публикуемых Росстатом данных) и зависимость показателей
производительности труда от естественных факторов конкурентоспособности региона
(наличия и качества природных ресурсов, благоприятных природно-климатических
условий и др.). Т.е. более высокие уровни производительности труда не всегда могут
объясняться более высоким уровнем используемых технологий и качеством организации
процесса производства. К примеру, в сельском хозяйстве решающую роль играет агроклиматический фактор, который автономно будет увеличивать производительность
труда в регионах с более плодородными почвами и благоприятным климатом. В связи с
этим, видится необходимым проведение отдельной оценки уровня применяемых в
регионе технологий. Такая оценка реализована во второй методике на примере
отрасли выращивания зерновых культур, предлагаемой в настоящей работе.
Вторая методика предполагает эконометрическую оценку уровня используемых
технологий на примере отрасли выращивания зерновых культур. Для этого предпринята
попытка декомпозиции урожайности зерновых культур (как показателя эффективности
работы отрасли) на уровне регионов России на компоненты, которые объясняются
климатическими факторами, качеством почв, уровнем вносимых удобрений и
компоненту, которая отвечает за уровень технологичности производства, качество
человеческого капитала и институциональные факторы, такие как благоприятность
ведения бизнеса.
Проведенный анализ позволяет идентифицировать регионы с наиболее высокими
показателями технологического прогресса в производстве зерновых культур, построить
рейтинг регионов России, на основе которого для каждого отдельного региона могут
быть определены потенциальные доноры более совершенных технологий.
В основе расчетов лежит идея об оценке вклада технического прогресса как
«остатка Солоу» (Solow,1957), (Aghion,2007): в предположении, что выпуск
определяется уровнем капитала, труда и уровнем технического прогресса, то последний
может быть рассчитан, как разница между выпуском, трудом и капиталом с
корректирующими коэффициентами.
В настоящей работе в качестве показателя удельного выпуска отрасли был
выбран уровень урожайности зерновых и зернобобовых культур по регионам России (ср.
значение за 2005-2009 годы). В качестве объясняющих факторов были выбраны
несколько групп факторов: агроклиматические показатели (температура, осадки,
качество почв), показатели качества человеческого капитала (уровень образования в
регионе), показатели капитала (количество тракторов и зерноуборочных комбайнов на
1000 ГА посевов), уровень внесения минеральных и органических удобрений.
Зависимость
между
урожайностью
и
данными
факторами
оценивается
эконометрическими методами.
В отличие от других работ, исследовавших факторы урожайности зерновых
культур (Рассыпнов (1999), Wajid (2007), Esfandiary (2009), Сидоренко (2011)), анализ
проведен на данных по всем регионам России, а не в пределах одного региона. Это
позволяет определить степень влияния выше обозначенных факторов на урожайность на
уровне России в целом.
Регионы были разделены на две подгруппы в зависимости от специализации на
выращивании озимых и яровых культур. Регрессионное уравнение также оценивалось
отдельно для каждой группы.
Для группы регионов, специализирующихся на выращивании яровых культур (23
региона) эконометрический анализ не показал значимых результатов. Для регионов,
специализирующихся на выращивании озимых культур, лучшей моделью (по
значимости коэффициентов и уровню коэффициента детерминации) была признана
следующая линейная спецификация модели:
UROJ=0.16*MINERAL_FERT*SHARE_MINERAL_FERTPR + 0.7*TEMP_AVER +
3.5*HUMUS + 10.5
где: UROJ – урожайность зерновых и зернобобовых в регионе, центнеров с ГА,
MINERAL_FERT - внесение минеральных удобрений в регионе, кг. на ГА,
SHARE_MINERAL_FERT – доля посевных площадей в регионе, удобряемых
минеральными удобрениями, HUMUS – фиктивная переменная, равная единице для
регионов с черноземными почвами.
Все коэффициенты являются значимыми на 5-процентном уровне значимости.
Коэффициент детерминации равен 0.87. Остальные переменные, такие как уровень
осадков, качество человеческого и физического капитала, оказались незначимыми.
Интерпретация коэффициентов регрессии: каждые дополнительно внесенные
10 кг. минеральных удобрений на 1 ГА приводят к росту урожайности на 1.6 ц.
Повышение среднегодовой температуры приводит к росту урожайности на 0.7 ц.
Наличие черноземных почв приводит к росту урожайности на 3.5 ц.
Построенное уравнение регрессии позволяет вычислить ряд остатков, которые,
как и в работе (Solow,1957), интерпретируются как показатель вклада технологии в
выращивании зерновых. Строго говоря, данные остатки включают в себя не только
неучтенный в модели уровень технологии, но и всю совокупность неучтенных или
оказавшихся незначимыми для всех регионов факторов, таких как качество
человеческого капитала, качество используемой техники, институциональные факторы.
При построении регионального рейтинга наибольший вклад таких
технологических факторов в уровень урожайности оказался у Рязанской и Липецкой
областей, Ставропольского Края, Татарстана и Волгоградской области: в этих регионах
на долю технологической компоненты приходится от 10% до 15% урожайности. В
наиболее урожайном регионе России, Краснодарском Крае, вклад технологической
компоненты был оценен лишь на уровне 1% (9е место).
Полученные оценки говорят о том, что наиболее высокий уровень урожайности
необязательно означает наиболее высокий уровень технологий. Таким образом,
существенный ресурс повышения урожайности зерновых за счет заимствования опыта
(методик хозяйствования) более технологичных регионов есть не только у менее
урожайных регионов, но и у самых урожайных регионов, таких как Краснодарский и
Ставропольский Край.
Таким образом, в настоящей работе предложены две методики оценки
эффективности отраслей, на основе которых можно проводить предварительную
диагностику направлений модернизации региона. Первая методика основана на расчете
производительности труда и отличается своей универсальностью и относительной
простотой расчетов, но имеет ряд недостатков. По данной методике диагностируемый
регион, Краснодарский Край, находится в верхушке рейтинга, что означает возможность
заимствования более передовых технологий только у зарубежных стран (Германия,
Чехия, Англия). Вторая методика основана на эконометрической оценке уровня
технологий отрасли. Данная методика представляется более точной, поскольку
учитывает различия в природных факторах между регионами (которые могут повлиять
на оценки производительности труда). На основе данной методики получено, что,
несмотря на самый высокий уровень урожайности, Краснодарский Край не обладает
наиболее высоким уровнем технологий и находится лишь на 9 месте в общероссийском
рейтинге, что говорит о возможности повышения эффективности за счет заимствования
более передового опыта у отечественных регионов (Рязанской и Липецкой областей,
Ставропольского Края), а не зарубежных стран, как предлагается в первой методике.
Литература
-
-
-
-
В.А. Бессонов, В.Е. Гимпельсон, Я.И. Кузьминов, Е.Г. Ясин. Производительность труда и
факторы долгосрочного развития российской экономики. ГУ ВШЭ. 2009.
О. Г. Дмитриева. Региональная экономическая диагностика. СПб. Изд-во СанктПетербург. ун-та экономики и финансов, 1992
Кондратьев В.Б., Куренков Ю.В. Проблемы повышения эффективности российской
экономики // Мировая экономика и международные отношения. 2008. № 12. С. 34—43.
О. В. Кузнецова, А. В. Кузнецов. Системная диагностика экономики региона, Либроком,
2010
А.Н. Лексин. Региональная диагностика: сущность, предмет и метод, специфика
применения в современной России, Российский экономический журнал, 2003.
Маккинзи. Эффективная Россия. Производительность как фундамент роста. 2009.
В.М. Полтерович. Стратегия модернизации российской экономики. В соавт. Алетейя,
2010.
О.В. Сидоренко, 2011, Факторы формирования урожайности зерновых культур. Зерновое
хозяйство России № 2(14). 2011
Рассыпнов А.В., Пастухов Г.П. Адаптивные реакции сортов яровой пшеницы алтайской
селекции к почвенным и климатическим условиям территории края. // Почвенноагрономические исследования в Сибири. Вып. 3. -Барнаул: Изд-во АГАУ, 1999. С. 3-8.
Р. И. Шнипер. Регион.Диагностика и прогнозирование. Отв. ред. В. В. Кулешов; Рос. акад.
наук, Сиб. отд-ние,Новосибирск,ИЭИОПП, 1996.
Aghion P., Howitt P. Capital, innovation, and growth accounting. Oxford Review of Economic
Policy, Volume 23, Number 1, 2007, pp.79–93
F. Esfandiary, G. Aghaie,A.D. Mehr. Wheat Yield Prediction through Agro Meteorological
Indices for Ardebil District. World Academy of Science, Engineering and Technology 49 2009
Solow, R., Technical Change and the Aggregate Production Function, Review of Economics and
Statistics, 39, 312–20. 1957.
A. Wajid, K. Hussain. Simulation modeling of growth, development and grain yield of wheat
under semi arid conditions of Pakistan. Pak. J. Agri. Sci., Vol. 44(2), 2007.
Статистические данные:
Росстат http://gks.ru
Мировой банк http://data.worldbank.org/country
Международная организация труда http://laborsta.ilo.org/
ООН http://unstats.un.org/unsd/snaama/selbasicFast.asp