авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 5 | 6 || 8 | 9 |   ...   | 12 |

«РОССИЙСКАЯ АКАДЕМИЯ НАУК УРАЛЬСКОЕ ОТДЕЛЕНИЕ ИНСТИТУТ ЭКОНОМИКИ Сборник статей I Научной школы молодых ученых ...»

-- [ Страница 7 ] --

Достаточный для понимания основных взаимосвязей матрицы уровень детализации счетов и институциональных единиц включает следующие позиции1:

-отрасли (счт производства);

-продукты (счт товаров и услуг);

-факторы (счт образования доходов);

сектора(предприятия, домохозяйства, правительство);

-институциональные трансакции которых отражены в счетах образования, распределения, перераспределения и использования доходов;

-накопление капитала (счт капитала);

-трансакции с остальным миром.

Далее рассмотрим их более подробно.

1. В счте «производство» отражаются потоки использования продукции, труда и капитала для производства товаров потребления. Расходы счта «производство» включают закупку промежуточных предметов потребления с остатком, составляющем добавочную стоимость, который включает средства, распределяемые между факторами производства в форме заработной платы и ренты, частично подлежащей оплате государству(например налог на добавленную стоимость). Поступления(доходы) счта происходят от продаж на внутреннем рынке, экспорта и экспортных субсидий, полученных от правительства(налоги на экспорт охарактеризованы в качестве отрицательных экспортных субсидий).

2. Счт «потребление» отражает поступление на рынок товаров внутренних производителей и зарубежных импортров и их продажу потребителям, включая экспорт.

Счт продуктов потребления определяет ВНП по методу расходов.

3. Счт «факторы производства» обычно включает подсчета рабочей силы и капитала. В данные счета поступает доход от продажи услуг в сфере производства в форме заработков, ренты и доходов из-за границы. В свою очередь, эти доходы распределяются между домохозяйствами в качестве доходов рабочих и распределнной прибыли и фирмам в качестве нераспределнной прибыли.

4. Счт экономические институты разделн на счета «домохозяйства», «фирмы» и «государство». Домохозяйства получают доходы от факторов производства, от государственных трансфертов и остального мира(например денежные переводы). Расходы домохозяйств состоят из покупки товаров потребления. Платежей и прямых налогов, с Михеева Н.Н. Матрицы социальных счетов: направления и ограничения использования //Эко. № 6, 2011г.

остатком, направляемым на сбережения. Счт «фирмы» формируется из прибыли и платежей, а расходуются на налоги и платежи, В случае дезагрегации матрицы данный счт подразделяется на отрасли, то есть представляет баланс межотраслевых потоков из матрицы межотраслевого баланса. Счт «государство» отличается общественными услугами, включнными в счт «производство. Такие услуги (публичные, общественные), например, образование, используют промежуточные продукты потребления, являются источником заработной платы и предоставляют общественные и административные услуги. В счте «государство» расходы распределяются на покупку услуг, предоставляемых в счте «потребление». Прочие расходы государства – это платежи и субсидии домохозяйствам и компаниям, исключая сбережения, направляемые на инвестиции и отражаемые в счт «капитал». В качестве доходов государство получает налоговые поступления из разнообразных источников и текущие платежи из-за границы.

5. Пятый счт – счт «капитал». В качестве доходов в нм отражаются сбережения домохозяйств, фирм и государства, также иностранные сбережения. В свою очередь, собранные в данном счте доходы направляются на инвестиции.

6. Наконец, сделки между внутренними резидентами и не резидентами, соответственно, зарегистрированы в счте «остальной мир». Эти сделки включают в качестве доходов расходы по счту потребление на импорт конечной продукции, а также сырья, полуфабрикатов, платежи по факторам производства и текущие платежи. Доходы экономики от остального мира составляет экспорт и доходы от факторов производства.

Таким образом, можно видеть, что с помощью МСС можно получить информацию о том, как структура производства, определяющая распределение доходов, влияет на социально-экономические процессы. Матрица социальных счетов является основой для построения модели мультипликатора, отражающей воздействие экзогенных параметров на развитие экономики. Для трансформации МСС в модель мультипликатора каждый счт обозначается как эндогенный или экзогенный, а затем находится матрица средней склонности к потреблению S путм деления каждого показателя эндогенном разделе МСС на сумму показателей соответствующего столбца. По своей сути данная матрица является аналогом технологической матрицы в модели межотраслевого баланса. На основе матрицы средней склонности к потреблению производится пошаговый расчт мультипликатора, при этом, мультипликативный эффект рассчитывается последовательно по счетам, с которым связан анализируемый экзогенный счт, а затем по зависимым от них счетам и так далее.

Расчт мультипликативных эффектов может производиться в течение произвольного числа кругооборотов денежных средств, при этом на каждом обороте величина эффекта ослабевает. С помощью модели мультипликатора социальных счетов можно анализировать и прогнозировать разнообразные зависимости между расходами (доходами) экономических субъектов, общим объмом денежного оборота и производством в различных отраслях экономики. Значительным достоинством МСС является возможность анализа мультипликативного эффекта в сфере домашних хозяйств. Это позволяет использовать МСС для анализа эффекта от политических решений государства в области распределения доходов. Для построения МСС требуются разнообразные источники информации. Поскольку методы, используемые для сбора и объединения статистических данных, в различных источниках значительно отличаются, то процесс построения превращается в проверку взаимной последовательности и достоверности данных из этих источников, что может привести к выявлению ошибок и пробелов в информации.

В России имеется некоторый опыт построения матриц социальных счетов. Так были опубликованы разработки сотрудников Института народнохозяйственного планирования РАН1.

Белоусов А.Р., Абрамова Е.А. Экспериментальная разработка интегральных матриц финансовых потоков// Вопросы статистики. №7, 1999г.

1 2 3 4 5 6 7 8 Отрасли Продукты Факторы Предприятия Домохозяйства Правительство Счт Остальной мир Всего капитала Отрасли Выпуск Общий продукции объм продаж Продукты Промежуточ Расходы Расходы Валовое Экспорт Агрегирован ное домохозяйств на правительства накопление товаров и ный спрос потребление конечное на конечное капитала услуг потребление потребление Факторы Добавленная Оплата труда Факторные стоимость намных доходы работников, полученная от остального мира Предприят Валовая Трансферты Доходы ия прибыль предприятиям предприятий Домохозяй Оплата труда Трансферты Трансферты Доходы ства намных предприятий домохозяйства домохозяйств работников домохозяйствам м Правительс Другие Налоги на Доходы от Текущие налоги на Налоги на Доходы от Доходы тво налоги на продукты факторов доходы и доходы и собственности правительств производство производства имущество имущество и трансферты а предприятий домохозяйств Счт Нераспределнная Сбережения Сбережения Совокупные капитала прибыль и валовые домохозяйств правительства сбережения сбережения предприятий Остальной Импорт товаров Оплата труда Доходы от Чистое мир и услуг намных собственности кредитование работников и трансферты (чистое выплачиваем остальному заимствовани ая остальным миру е) экономики миром Всего Совокупные Агрегированное Совокупные Совокупные Совокупные Совокупные Совокупные затраты предложение расходы расходы сектора расходы сектора расходы накопление факторов предприятий домохозяйств правительства капитала Таблица 1 – Схема агрегированной матрицы социальных счетов Российские матрицы были названы «интегрированными матрицами финансовых потоков». Однако, исследователи отмечают практические проблемы с получением данных для заполнения матрицы конкретными цифрами. В настоящее время информация, предоставляемая национальными службами статистики России не способна в полной мере удовлетворить потребности специалистов при построении МСС.

Поэтому, приходится использовать статистические оценки соответствующих потоков, полученные авторами на основе обработки разнообразной первичной информации, собранной из различных источников или обращаться к экспертным оценкам. Вс это негативно сказывается на точности расчтов мультипликатора. Следует также отметить, что некоторые данные для МСС берутся непосредственно из межотраслевого баланса, в частности речь идт о промежуточном потреблении отрасти, продуктов других отраслей. Это особенно важно при дезинтегрировании матрицы, которую необходимо провести при анализе конкретной отрасли. Указанный факт практически лишает нас возможности использования МСС для оценки конкретных проектов, о чм говорилось в начале статьи.

Также необходимо отметить, что при расчте мультипликаторов необходимо более чтко выделять так называемые утечки, в первую очередь импорт. Под утечками понимаются те финансовые потоки, которые покидают рассматриваемую экономическую систему и в дальнейшем не участвуют в экономическом кругообороте, а значит не порождают мультипликативный эффект. Для большей информативности необходимо отдельно разрабатывать матрицы потребления домашними хозяйствами отечественных и импортных товаров, поскольку приобретение импортных потребительских товаров относится именно к утечкам. К сожалению, Правительство России уделяет не достаточное внимание данному вопросу, но с точки зрения оценки мультипликативных эффектов этот вопрос является одним из самых важных.

Рост импорта потребительских товаров наряду с положительными моментами (насыщение рынка, повышение качества потребительски товаров, усиление конкуренции и т.п.) привл к резкому спаду производства во многих отраслях. Особенно негативно это сказалось на отраслях производящих высокотехнологичную продукцию, ориентированную на потребительский рынок, прежде всего, электроника, фармацевтика и товары лгкой промышленности. Использование в макроэкономическом анализе матричных моделей позволяет учитывать все основные сферы хозяйственной активности и их взаимосвязи.

Однако, как показало наше исследование, ни один из существующих подходов к оценке мультипликативных эффектов не позволяет провести достаточно точный анализ конкретного инвестиционного проекта. В тексте отмечалось, что до выхода новых матриц межотраслевого баланса, использование матричных мультипликаторов не возможно, но и появление этих таблиц, не позволит достичь необходимого уровня детализации, поскольку данные в таблицах не будут представлены даже в региональном разрезе. Планируется, что будут представлены данные по видам экономической деятельности в целом по стране, в то время как очевидно. Что показатели различных отраслей, ведущих свою деятельность в совершенно разных условиях могут сильно отличаться.

В качестве простого примера можно привести сельское хозяйство, результаты которого очевидно, будут сильно отличаться, если рассматривать предприятия в южном и предположим уральском федеральных округах. Вместе с этим, всеми специалистами отмечается актуальность данного направления именно в целях оценки конкретных инвестиционных проектов. Разработка новых подходов к оценке мультипликативных эффектов, которые позволили бы проводить подобные оценки, позволит повысить эффективность реализации государственных инвестиционных программ, и функционирования инвестиционной системы России в целом.

Куратова Л.А.

Институт социально-экономических и энергетических проблем Севера КНЦ УрО РАН, г. Сыктывкар ПРОГНОЗИРОВАНИЕ ОБЪЕМОВ УСЛУГ ОРГАНИЗАЦИИ ( НА ПРИМЕРЕ РОССИЙСКОЙ ПОЧТОВОЙ СВЯЗИ) В настоящее время российская почтовая связь конкурирует не только на рынках приема жилищно-коммунальных платежей и денежных переводов, но и вступает в период возрастающей конкуренции на рынках традиционных почтовых услуг по приему и доставке печатных изданий (подписка), выплате пенсий, доставке письменной корреспонденции и посылок. Анализ влияния макроэкономических и внутренних факторов на объемы услуг Почты России и прогнозирование объемов услуг на среднесрочную перспективу является на данный момент актуальной задачей. Но действующая модель финансово-экономического управления Почты России в настоящее время не способна оперативно и качественно обеспечить необходимую информацию и характеризуется наличием следующих недостатков:

неполнота формируемых бюджетов – прорабатывается и анализируется только бюджет доходов и расходов и бюджет инвестиций, остальные выпадают из поля зрения руководства;

несогласованность бюджетной системы со среднесрочным планированием, оперативным контролем, управлением инвестициями и т.д.;

учетная политика для целей управленческого учета, статьи бюджетов и принципы признания в управленческом учете фактов хозяйственной деятельности не обеспечивают возможность всестороннего анализа планов и отчетов об их исполнении и получение достоверного фактического результата по видам деятельности, услугам, подразделениям и т.д.;

отсутствие адекватной информационной системы для поддержки процессов бюджетирования, ведения управленческого учета и формирования управленческой отчетности на всех уровнях управления и др.

Для оценки эффективности деятельности филиалов Почты России применяется методика расчета рейтинга филиалов по итогам работы за отчетный период на основании сравнения ключевых экономических показателей деятельности филиала которые утверждаются ежегодно правлением Почты России (например, производительность, рентабельность по расходам, выполнение доходов и др.). При подведении итогов отчетного периода проводится ранжирование филиалов предприятия отдельно по каждой из двух групп показателей: выполнение показателей относительно плановых заданий;

выполнение показателей за отчетный период относительно аналогичного периода прошлого года.

Филиалу предприятия присваивается балл, равный его месту в рейтинге. Моделирование направлений развития системы почтовой связи (прогнозирование объемов услуг) производится руководством Почты России без учета региональных особенностей. Вначале составляется бюджет расходов, затем определяется бюджет доходов, необходимый для покрытия расходов. Объем доходов находится по видам услуг с учетом темпов роста объемов этих услуг за предыдущий год (без учета регионов). Необходимый объем доходов задается всем регионам по единому проценту. Методология прогнозирования услуг почтовой связи, которая применялась в плановой и переходной экономике страны, базировалась на сочетании нормативного метода со статистическими методами экономического анализа (экстраполяции, факторного анализа). К примеру, для письменной корреспонденции коэффициентом роста услуги под влиянием внешних факторов являлся темп роста числа занятых в народном хозяйстве;

для посылок – увеличение розничного товарооборота (сфера частного потребления) и рост промышленной продукции (деловая сфера);

для денежных переводов – рост денежных доходов населения. В условиях экономического роста и стабильности экономики вышеперечисленные факторы позволяли осуществлять прогноз исходящего платного обмена. Однако в рыночных условиях под влиянием внешней конкуренции на рынках услуг почтовой связи этого не достаточно. Требуется внедрение новых теоретико-методологических подходов к анализу системы почтовой связи. Нами была предложена методика моделирования развития системы почтовой связи (табл. 1). При этом по 4-16 этапу методики анализ был проведен вначале по динамическим рядам данных, а затем по рядам данных по географическому признаку – по регионам РФ. Это выявило внутренние и внешние факторы, оказывающие влияние на деятельность почтовой связи, но не прослеживающиеся по динамическим рядам данных. База данных всех выявленных в ходе маркетингового анализа факторов была структурирована по различным признакам (табл. 2).

В качестве зависимых факторов рассматривались объемы шести почтовых услуг по РФ (письменная корреспонденция, посылки, денежные переводы, пенсии, EMS, печатные издания). Общее количество выявленных в ходе маркетингового анализа внутренних факторов составило 37, внешних – 111. В качестве независимых факторов по РФ были использованы данные динамических рядов 25 внутренних и 85 внешних факторов. В качестве независимых факторов по рядам данных по регионам РФ брались данные по внутренним и 100 внешним факторам (табл. 3). Были выявлены группы независимых факторов, согласно табл. 2, которые коррелируют с объемами услуг Почты России:

«Отправка письменной корреспонденции» (исходящий платный обмен) – 52 фактора, из которых 83% – внешние. Большинство внешних факторов относятся к группам финансовых или демографических факторов (численность мигрантов, инвестиции в основной капитал, доходы/расходы бюджетов). Большинство внутренних факторов относятся к группе факторов, связанных со структурными подразделениями почтовой связи (количество отделений почтовой связи, почтамтов). Обратная зависимость наблюдается от численности умершего населения, численности населения с доходами ниже прожиточного уровня;

«Отправка посылок» – 81 фактор, из которых 94% – внешние. Большинство внешних факторов относятся к группам региональных или демографических факторов. Большинство внутренних факторов относятся к группе факторов, связанных со структурными подразделениями почтовой связи и основными средствами (почтовые ящики, штемпелевальные машины);

«Выплата и доставка пенсий и пособий» – 83 фактора, из которых 97% составляют внешние факторы. Большинство внешних факторов также относятся к группам региональных, демографических факторов, а внутренних факторов – к группе факторов, связанных со структурными подразделениями почтовой связи и основными средствами;

«Денежные переводы» – 19 факторов, 85% из которых внешние (группа демографических факторов). Внутренние – структурные подразделения. Обратная зависимость наблюдается с численностью безработных, численностью населения моложе трудоспособного возраста;

«Экспресс-доставка» – 86 факторов, 80% из которых составляют внешние факторы – в основном группы финансовых и демографических. Внутренними факторами являются группы факторов, относящихся к структурным подразделениям и основным средствам предприятия;

«Доставка печатных изданий» (подписка) – 86 факторов, из которых 80% – внешние.

Большинство внешних факторов региональные, а внутренние - основные средства предприятия (табл. 4).

После расчета коэффициентов множественной регрессии были отобраны наборы факторов с максимальным коэффициентом множественной корреляции и модели регрессии для динамических рядов по РФ.

Таблица 1 – Этапы анализа системы почтовой связи Вид анализа Этапы Используемые методы Маркетинговый 1 этап. Выявление внутренних и внешних факторов, влияющих на деятельность Методы маркетингового анализа:

анализ рынков почтовой связи (на примере филиала Почты России в Республике Коми) - методика оценки качества обслуживания услуг организаций;

- интервью;

- анкетирование 2 этап. Сбор статистических данных и построение базы данных рядов Сбор вторичной информации:

внутренних и внешних факторов, объемов почтовых услуг в разрезе регионов - статические сборники Госкомстата по РФ и по РФ за период 2005-2011 гг. (динамические ряды данных и ряды данных по регионам;

- отчеты Минcвязи РФ;

- балансы и регионам) отчеты Почты России;

- аналитические материалы официальных сайтов Почты России, ее филиалов и Минcвязи РФ 3 этап. Структуризация базы данных рядов внутренних и внешних факторов, Метод теоретического обобщения и анализа объемов почтовых услуг за период 2005-2011 гг.

Корреляционный 4 этап. Построение базы данных внутренних и внешних факторов, объемов Метод теоретического обобщения и анализа анализ почтовых услуг по регионам за период 2005-2011 гг.

5 этап. Построение матрицы коэффициентов парной корреляции между рядами Корреляционный анализ данных. Расчет коэффициентов парной корреляции между независимыми факторами 6 этап. Построение всех возможных одно-, двух-, трех-, четырех- и Корреляционный анализ пятикомпонентных наборов независимых факторов и расчет коэффициентов множественной корреляции для линейной и экспоненциальной регрессии.

Расчет коэффициентов парной и множественной корреляции между зависимым фактором и независимыми факторами Регрессионный 7 этап. Отбор построенных наборов независимых факторов по регрессионным Критерии анализа: коррелируемость анализ критериям независимых факторов с зависимым;

- некоррелируемость независимых факторов между собой;

отсутствие мультиколлинеарности матрицы коэффициентов парной регрессии набора факторов 8 этап. Выбор лучшего набора независимых факторов в модели линейной или Регрессионный анализ:

экспоненциальной регрессии. Расчет коэффициента множественной корреляции - критерий максимальности коэффициента между зависимым фактором и наборами независимых факторов множественной регрессии 9 этап. Выбор модели регрессии: линейной или экспоненциальной Регрессионный анализ: критерий максимальности коэффициента множественной регрессии 10 этап. Построение уравнения регрессии и расчетных значений зависимого Регрессионный анализ:

- метод наименьших фактора квадратов;

- линеаризация экспоненциального уравнения регрессии 11 этап. Оценка качества выбранной модели уравнения регрессии для F-критерий Фишера отобранного набора факторов 12 этап. Определение ошибки выбранной модели уравнения регрессии для Расчет средней относительной ошибки отобранного набора факторов аппроксимации уравнений регрессии 13 этап. Построение расчетных значений динамического ряда зависимого Расчет значений зависимого фактора по фактора по РФ и кластерам за период 2005-2011 гг. регионам по уравнению регрессии 14 этап. Сравнение кривых расчетных значений уравнения регрессии для Графический метод сравнения зависимого фактора и кривых скользящей и экспоненциальной средней Прогнозиро- 15 этап. Прогнозирование временной зависимости зависимого фактора на 2012- Экстраполяция независимых факторов и расчет вание 2013 гг. значений по уравнению временной регрессии 16 этап. Оценка качества прогнозирования уравнения регрессии Модель доверительного интервала По 4 услугам (письменная корреспонденция, посылки, пенсии, EMS) была отобрана модель линейной регрессии двухкомпонентных наборов факторов, а для услуг денежные переводы и печатные издания – модель экспоненциальной регрессии двух- и трехкомпонентных наборов факторов (табл. 5, 6).

Таблица 2 – Классификация базы факторов № Признак Классификация Факторы (пример) По отношению к Внутренние - структурные подразделения (филиалы, почтамты, Почте России прижелезнодорожные почтамты, отделения почтовой связи и др.);

- персонал (численность работников почтовой связи и почтальонов);

основные средства (почтовые ящики, штемпелевальные машины, контейнеры, конвейеры, тележки, почтовые автомобили, вагоны и др.);

Внешние численность населения;

уровень потребительских цен;

валовой внутренний продукт;

площадь региона;

численность городов;

инфляция и др.

По масштабу Региональные площадь региона;

численность городов, сельских распространения населенных пунктов и др.

Федеральные инфляция, валовой внутренний продукт и др.

По виду Финансовые доходы/расходы местных бюджетов;

инвестиции в основной капитал;

доходы населения;

средний размер пенсий;

уровень потребительских цен;

валовой внутренний продукт и др.

Демографические численность населения;

численность мужчин, женщин;

численность населения моложе трудоспособного, трудоспособного и старше трудоспособного возраста;

численность пенсионеров;

миграция и др.

Факторы, количество организаций, юридических лиц, малых связанные с предприятий;

среднегодовая численность работников деятельностью организаций и малых предприятий;

среднемесячная организаций заработная плата работников организаций и др.

Таблица 3 – Количество внешних и внутренних факторов, используемых для анализа за период 2005-2011 гг.

Количество факторов внешних внутренних всего ед. % от ед. % от ед. % общего общего количества количества Общее 111 75 37 25 148 По динамическим рядам 85 77 25 23 110 По рядам данных по регионам 100 80 25 20 125 Расчетные кривые уравнений линейной (кривая «Рег.лин.») и экспоненциальной (кривая «Рег.эксп.») регрессии для лучшего набора независимых факторов в сравнении с данными объема 6 услуг (точки «Услуга») представлены на рис. 1. Оценка качества выбранных моделей уравнения регрессии для отобранных наборов факторов с помощью F критерия Фишера. Значения Fрасч для отобранных наборов факторов представлены в табл. (столбцы 8 и 9). F-критерий Фишера для всех отобранных наборов факторов выполняется.

Результаты расчета средних относительных ошибок аппроксимации уравнений регрессии для рассмотренных наборов факторов представлены в столбцах 4 и 6 табл. 6. Средняя относительная ошибка аппроксимации для результирующих наборов факторов модели экспоненциальной регрессии равна 0,7-3%, для линейных – 1-4%, что подтверждает правильность выбора моделей.

a) b) c) d) e) f) Рисунок 1 – Временная зависимость объемов письменной корреспонденции, млн. ед. (a);

посылок, тыс. ед. (b);

пенсий, тыс. ед. (c);

денежных переводов, тыс. ед. (d);

EMS, ед. (e);

печатных изданий, млрд. ед. (f) российской почтовой связи от 1-го независимого фактора (табл. 5, столб. 3) Прогнозирование временной зависимости объемов шести услуг Почты России было произведено на 2012-2013 гг. Оценка качества прогнозирования моделей производилась с помощью доверительно интервала.

Прогнозные точки объемов услуг для Почты России на 2012 и 2013 гг. с учетом доверительного интервала представлены на рис.1 – «Прогн лин - дов. инт», «Прогн лин + дов.инт». Прогнозные значения объемов услуг находятся внутри доверительного интервала.

По прогнозу на 2012-2013 гг. объем письменной корреспонденции российской почтовой связи незначительно снизится или зафиксируется на уровне 2011 г. Снижение объемов письменной корреспонденции можно объяснить либерализацией требований законодательства к отправляемым извещениям, например, снижение потребности в отправке извещений судебными и налоговыми государственными организациями (отправление не заказных, а простых писем, при этом количество отправлений остается прежним, а стоимость уменьшается;

сокращение извещений о налогах за счет объединения всех извещений в одном письме;

переход на отправку извещений по телефону). Наиболее перспективным является сегмент отправлений от различных организаций физическим лицам, например, отправка штрафов органами ГИБДД, после установки видеофиксаторов. Объемы посылок и экспресс отправлений (EMS) по прогнозу будут расти. На рост данных услуг почты влияет онлайн торговля, частные интернет-аукционы. Это характерно и для зарубежных стран, где объем посылок ежегодно увеличивается на 20%. Вступление России в ВТО может привести к росту международных посылок. Объемы пенсий имеют положительную динамику за весь исследуемый период и рост объемов продолжится. Перспективным сектором для данной услуги является городской сектор. Появление почтового банка или получение ограниченной банковской лицензии может способствовать дополнительной возможности получать пенсию не только на дому или через оператора, но и с помощью карт на терминалах самообслуживания. А вот объемы денежных переводов и отправленных печатных изданий значительно снизятся. Сокращение объемов денежных переводов началось в 2006 г., а с г. на сокращение объемов услуги оказал влияние мировой финансово-экономический кризис (снижение миграционных потоков;

снижение перечислений выплат по кредитам в банки населением). Снижение связано и с переходом клиентов Почты России к другим способам отправки денежных переводов (например, с помощью терминалов самообслуживания).

Поэтому для развития данной услуги необходимо улучшить IT-обеспечение денежных переводов. С целью сравнения качества регрессионной модели с другими статистическими моделями к данным независимых факторов были применены методы сглаживания динамических рядов. Расчетные кривые скользящей средней и экспоненциальной сглаживающей для отобранного набора факторов представлены на рис.1 – «Скол сред», «Эксп сглаж» соответственно. Регрессионные кривые намного точнее описывают поведение зависимого фактора, чем кривые скользящей средней и экспоненциальной сглаживающей.

Разработанная нами методика расчета модели множественной регрессии применима не только к динамическим рядам данных, но и к рядам данных по другим признакам, например по географическому признаку – по регионам РФ, входящим в сферу деятельности филиалов Почты России. Это позволило выявить коррелирующие независимые факторы, слабо изменяющиеся и не меняющиеся по времени. Для услуги отправка письменной корреспонденции в 2005 г. большинство коррелирующих внешних факторов были связаны с деятельность организаций, внутренние – персонал. В 2011 г. внешние остались прежними, а большинство коррелирующих внутренних факторов стали относится к структурным подразделениям. Для услуги отправка посылок большинство коррелирующих факторов на протяжении всего исследуемого периода – это факторы, связанные с деятельностью организаций, демографические факторы и структурные подразделения. Услуга выплата и доставка пенсий в большей степени зависела от внутренних факторов (персонал и структурные подразделения) в исследуемый период, чем другие услуги. Услуга денежных переводов за весь исследуемый период коррелировала в большей степени с демографическим факторами и персоналом. В качестве моделей регрессии рядов данных по регионам за 2005-2011 гг. для всех 4 услуг были отобраны модели линейной регрессии двух и трехкомпонентных наборов факторов (табл. 7).

Средние относительные ошибки аппроксимации для результирующих наборов факторов моделей линейной регрессии равны 23-75% (табл. 8). Как видно по рис. распределение точек данных для услуг пенсии и денежные переводы близко к линейному, хотя некоторые точки выбиваются из линейного ряда.

a) b) c) d) Рисунок 3 – Зависимость по регионам РФ объемов письменной корреспонденции, млн. ед.

(a), посылок, тыс. ед. (b), пенсий, тыс. ед. (c), денежных переводов, тыс. ед. (d) от 1-го независимого фактора (табл. 5, столб. 3) за период 2005-2011 гг.

Особенно сильный разброс точек данных для услуг отправка письменной корреспонденции и посылок, разброс точек крайне большой. Регрессионные линейные кривые лучше всего описывает распределение точек данных по представленным услугам.

Уравнение линейной регрессии одно-, двух- и трехкомпонентных наборов факторов является оптимальным для всех 4 услуг в качестве модели регрессии рядов данных по регионам за 2005 г. (табл. 7). Средние относительные ошибки аппроксимации для результирующих наборов факторов моделей линейной регрессии равны 25-80% (табл. 8). По рис. 4 видно, что распределение точек данных для услуг письменная корреспонденция, пенсии и денежные переводы близко к линейному, хотя некоторые точки выбиваются из линейного ряда. Для услуги отправка посылок распределение точек данных менее всего близко к линейному, разброс точек крайне большой, хотя тенденция стремления к линейности все-таки проявляется и для данной услуги. Лучше всего описывает распределение точек данных по представленным услугам регрессионные линейные кривые. В качестве моделей регрессии рядов данных по регионам в 2011 г. были также отобраны модели линейной регрессии двухкомпонентных наборов факторов (табл. 7). Средние относительные ошибки аппроксимации для результирующих наборов факторов моделей линейной регрессии находятся в пределах от 23% до 90% (табл. 8). Рис. 5 показывает, что распределение точек данных для услуг пенсии и денежные переводы близко к линейному, хотя некоторые точки выбиваются из линейного ряда. Распределение точек данных менее всего близко к линейному для услуг отправка письменной корреспонденции и посылки, разброс точек крайне большой.

Лучше всего описывает распределение точек данных по представленным услугам регрессионные линейные кривые. Расчетные значения на 2011 г. и прогнозные значения на 2012 г. и 2013 г. динамических рядов данных и рядов данных по регионам сравнивались между собой. Следует отметить, что для динамических рядов данных доминирующими и определяющими факторами являются факторы, сильно изменяющиеся во времени. В тоже время, факторы, определяющие объемы указанных услуг, но слабо меняющиеся во времени, а также их влияние на динамику прогнозных значений можно оценить только в регрессионной модели рядов данных по регионам.

a) b) c) d) Рисунок 4 – Зависимость по регионам РФ объемов письменной корреспонденции, млн. ед.

(a), посылок, тыс. ед. (b), пенсий, тыс. ед. (c), денежных переводов, тыс. ед. (d) от 1-го независимого фактора (табл. 5, столб. 3) за 2005 г.

Причем тенденции изменения прогнозных значений для моделей динамических рядов и моделей рядов данных по регионам могут быть противоположными. Анализ моделей динамических рядов данных и рядов данных по регионам объемов письменной корреспонденции показывает уменьшение прогнозных значений в 2012-2013 гг. Это свидетельствует о том, что объемы письменной корреспонденции Почты России все же имеют тенденцию к снижению, но с замедлением темпов падения по сравнению с 2009 г. Для объемов исходящих посылок и объемов пенсий модель динамических рядов данных показывает тенденцию к росту, в то же время модель для рядов данных по регионам показывает, отсутствие изменений. Это говорит о хороших перспективах стабильного роста в 2012-2013 гг. для данных услуг, но небольшими темпами. Для объемов денежных переводов модель динамических рядов данных показывает сильную тенденцию к падения объемов, но модель рядов данных по регионам показывает незначительную тенденцию к росту, что говорит о снижении темпов падения объемов переводов (рис. 6). Таким образом, комбинированное рассмотрение прогноза объема почтовых услуг на перспективу в моделях динамических рядов данных и рядов данных по регионам помогло выявить более оптимистичную картину тенденций развития услуг почтовой связи и выявить коррелирующие независимые факторы, слабо изменяющиеся и не меняющиеся по времени.

Таблица 4 – Коэффициенты парной корреляции динамических рядов зависимого и независимых факторов по 4 почтовым услугам российской почтовой связи (первые 5 независимых факторов с наибольшими коэффициентами парной корреляции) Факторы – Письменная Коэф. Факторы - Посылки Коэф. Факторы - Пенсии Коэф. Факторы - Коэф.

корреспонденция коррел. коррел. коррел. Денежные коррел.

переводы Численность работников 0,906 Число ОПС на селе, 0,954 Расходы местных 0,919 Численность 0, - оптовая торговля и пр., ед. бюджетов сельских работников - тр. и тыс. чел. поселений, млн. руб. связь, тыс. чел.

Мигранты, прибывшие 0,898 Численность Среднедушевые Мигранты, 0,941 0,915 0, из-за рубежа, чел. работников - др. ком, денежные доходы в прибывшие из соц услуги, тыс. чел. месяц, руб. России, чел.

Доходы Густота Общая сумма месячного 0,915 Мигранты, 0,897 0,938580 0, консолидированных автомобильных дорог 746 денежного дохода, прибывшие из бюджетов субъектов с твердым покрытием, млрд.руб. России, чел.

федерации, млн. руб. км на 1000 кв. км.

терр.

Инвестиции в основной 0,893 Число ОПС, ед. Численность населения 0,914 Мигранты, 0,920 0, капитал на душу старше трудоспособного прибывшие по населения, руб. возраста, % региону, чел.

Инвестиции в основной 0,892 Число предприятий 0,920 Доходы местных 0,913 Численность, 0, капитал предприятий, связи (почты, бюджетов сельских занятых в млн. руб. телеграфа и телефона), поселений, млн. руб. экономике, тыс.

тыс. ед. чел., Таблица 5 – Результаты отбора наборов независимых факторов для динамических рядов данных и для рядов данных по регионам РФ за период 2005-2011 гг. для российской почтовой связи Завис. фактор Y Независ. фактор X1 Коэф. Независ. фактор X2 Коэф. парн. Независ. фактор Коэф. парн.

парн. коррел. RYX2 коррел.

X корел. RYX RYX Динамические ряды данных Письменная Оборот малых предприятий 0,856 Валовой внутренний продукт, 0,786 - корреспонденция млрд. руб. млн. руб.

Посылки Валовой внутренний 0,914 Количество почтальонов, чел. 0,800 - продукт, млн. руб.

Пенсии Численность пенсионеров, 0,857 Уд.вес числ. насел. с -0,804 - тыс. чел. доходами ниже прож. мин., % от общ. числ. насел.

Денежные переводы Количество почтальонов в 0,789 Число юр. лиц - опт. и розн. -0,911 - сельской местности, чел. торг.;

ремонт автотр. средств, быт. изд., ед.

Число ОПС в городе, ед. Индекс потребительских цен, -0, EMS 0,876 - % к предыдущему году Печатные издания Число прижелезнодорожных 0,901 Индекс потребительских цен 0,882 Число юр. лиц - -0, почтамтов, тыс. ед. (услуги), % к предыдущему опт. и розн. торг.;

году ремонт автотр.

средств, быт. изд., ед.

Ряды данных по регионам (2005-2011 гг.) Письменная Плотность населения в 0,967 Численность, занятых в 0,827 Расходы местных 0, корреспонденция регионе, чел. на кв. км. экономике, тыс. чел., бюджетов городов федер. значения, млн. руб.

Посылки Плотность населения в 0,975 Число малых предприятий, 0,735 - регионе, чел. на кв. км. тыс.ед.

Пенсии Численность пенсионеров, 0,822 Количество почтальонов в 0,711 - тыс. чел. сельской местности, чел.

Денежные переводы Численность персонала, 0,909 Инвестиции в основной 0,735 - тыс.чел. капитал предпр., млн. руб.

Ряды данных по регионам (2005 г.) Письменная Число организаций, ед. 0,986 - - - корреспонденция Посылки Плотность населения в 0,983 - - - регионе, чел. на кв. км.

Пенсии Количество почтальонов в 0,775 Число ОПС, ед. 0,758 - городской местности, чел.

Денежные переводы Общая сумма месячных 0,863 Числ-ть населения трудосп 0,833 Стоимость 0, пенсий, млрд.руб. возраста, чел. основных фондов, млн. руб.

Ряды данных по регионам (2011 г.) Письменная Плотность населения в 0,968 Среднесписочная числ-ть 0,784 - корреспонденция регионе, чел. на кв. км. работников малых предпр., тыс.

чел.

Посылки Плотность населения в 0,945 Численность, занятых в 0,701 - регионе, чел. на кв. км. экономике, тыс. чел., Пенсии Численность пенсионеров, 0,833 Количество почтальонов в 0,734 - тыс. чел. сельской местности, чел.

Денежные переводы Численность пенсионеров, 0,914 Стоимость основных фондов, 0,733 - тыс. чел. млн. руб.

Таблица 6 – Данные расчетов регрессионных уравнений (линейного и экспоненциального) динамических рядов данных и рядов данных зависимых факторов по регионам РФ за 2005-2011 гг. для российской почтовой связи Зависимый фактор Коэф.множ.кор Сред. отн. Коэф.множ.кор Сред. отн. Опред. матрицы Fлин (FFкрит) Fэксп рел., лин. регр. ошибка рел., эксп. регр. ошибка коэф.парн.коррел., Y* (FFкрит) аппроксимации аппроксимации лин.регр.

, лин., %, эксп., % Динамические ряды данных Письменная 0,937 2 0,085 0,937** 2 корреспонденция Посылки 0,972 4 0,032 0,975 3 Пенсии 0,921 1 0,089 0,922 1 Денежные переводы 0,970 4 0,039 0,982 3 EMS 0,994 1 0,017 0,989 4 Печатные издания 0,997 1 0,002 0,998 0,7 Ряды данных по регионам (2005-2011 гг.) Письменная 0,961 100 0,002 0,994 29 корреспонденция Посылки 0,972 172 0,021 0,978 75 Пенсии 0 49 0,155 0,886 23 Денежные переводы 0 45 0,066 0,950 29 Ряды данных по регионам (2005 г.) Письменная 0 72 0,026 0,986 253 корреспонденция Посылки 0,982 137 0,032 0,983 80 Пенсии 0 55 0,163 0,840 31 Денежные переводы 0 65 0,035 0,929 27 Ряды данных по регионам (2011 г.) Письменная 0,963 105 0,011 0,989 42 корреспонденция Посылки 0,941 193 0,053 0,947 90 Пенсии 0 48 0,133 0,903 23 Денежные переводы 0 43 0,075 0,928 25 * строки данной таблицы соответствуют строкам таблицы a) b) c) d) Рисунок 5 – Зависимость по регионам РФ объемов письменной корреспонденции, млн. ед. (a), посылок, тыс. ед. (b), пенсий, тыс. ед. (c), денежных переводов, тыс. ед. (d) от 1-го независимого фактора (табл. 5, столб.3) за 2011 г.

Рисунок 6 – Сравнение расчетных регрессионных значений 2011 г. и прогнозных значений 2012 2013 гг. объемов почтовых услуг для динамических рядов данных и рядов данных по регионам по РФ Меньшанов П.Н., к.э.н. Сердюкова Ю.С.

Институт экономики и организации промышленного производства СО РАН г. Новосибирск ОСОБЕННОСТИ ДИНАМИКИ УРОВНЯ КРЕДИТОРСКОЙ ЗАДОЛЖЕННОСТИ ПРЕДПРИЯТИЙ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА НОВОСИБИРСКОЙ ОБЛАСТИ И АЛТАЙСКОГО КРАЯ В ПЕРИОД ЭКОНОМИЧЕСКОГО КРИЗИСА 2008 2010 ГОДОВ Эффективность работы предприятий может быть повышена за счет оптимизации структуры капитала 1, 2, 3. Роль в этом процессе таких элементов пассива баланса, как собственный капитал и кредитные средства, интенсивно изучается экономистами на протяжении последних пятидесяти лет4. В то же время, третий элемент пассивов предприятий – кредиторская задолженность – длительное время оставался вне поля зрения большинства западных ученых в области финансов, поскольку они не считают его источником финансирования коммерческих организаций 5. Вместе с тем, ряд последних исследований свидетельствует о том, что уровень кредиторской задолженности отражает интенсивность использования предприятиями торгового кредита, который может служить источником финансирования хозяйственной деятельности наравне с классическим банковским кредитом6,7.

Существует ряд теорий, объясняющих преимущества использования торгового кредита как источника финансирования. В частности, фирмы могут использовать торговый кредит в случае недоступности кредита классического8. Одной из таких ситуаций, которая может стимулировать использование кредиторской задолженности, является экономический кризис 9. Подобная ситуация может возникнуть и в экономике со слабо развитым банковским сектором 10. Кроме того, торговый кредит является более гибким инструментом по сравнению с обычными кредитами и займами, его использование снижает транзакционные затраты и дает возможность проверить качество полученных от поставщиков товаров11.

Ковалев В.В. Финансовая менеджмент: теория и практика. – 2-е изд. — М.: Издательство Проспект, 2009. — с.

Erhardt M.C., Brigham E.F. Financial management: Theory and practice. 13th edition. — Mason: South-Western/Cengage Learning, Inc., USA, 2011 — 1152 p.

Modigliani F., Miller M.H. Corporate Income Taxes and the Cost of Capital: A Correction. // The American Economic Review. 1963. V. 53. №.3. pp. 433-443.

Там же Erhardt M.C., Brigham E.F. Financial management: Theory and practice. 13th edition. — Mason: South-Western/Cengage Learning, Inc., USA, 2011 — 1152 p.

Ковалев В.В. Финансовая менеджмент: теория и практика. – 2-е изд. — М.: Издательство Проспект, 2009. — с.

Love I., Zaidi R. Trade credit, bank credit and financial crisis. // International Review of Finance. 2010. V.10. №.1. pp.

125–147.

Petersen M., Rajan R. 1997. Trade credit: theories and evidence. Rev Financ Stud, 10:661–691.

Love I., Zaidi R. Trade credit, bank credit and financial crisis. // International Review of Finance. 2010. V.10. №.1. pp.

125–147.

Там же Garca-Teruel P.J., Martnez-Solano P. 2010. A dynamic perspective on the determinants of accounts payable. Rev Quant Finan Acc, 34:439–457.

Вместе с тем, проверка этих теорий чаще всего проводилась на корпоративных данных стран с развитой экономикой и Китая1,2,3. В то же время, исследований особенностей динамики динамики уровня кредиторской задолженности для стран, в которых доступность классического кредита существенно ниже по сравнению с развитыми странами, практически не проводилось, а полученные результаты оказались достаточно противоречивы 4. Как следствие, роль кредиторской задолженности как финансового ресурса для российских предприятий до сих пор остается неясна. По этой причине целью данной работы стало изучение динамики кредиторской задолженности агропромышленных предприятий Новосибирской области и Алтайского края в период экономического кризиса 2008-2010 гг.

МЕТОДЫ. Объектом исследования стали экономически активные предприятия Новосибирской области и Алтайского края, относящиеся к группе агропромышленных предприятий (размер выборки – 60 организаций). В работе были использованы данные бухгалтерской отчетности (формы 1 и 2) за период с 01.01.2008 по 01.01.2011, представленные в Программно-аналитическом комплексе FIRA (ООО «Первое Независимое Рейтинговое Агентство»)5. Все финансовые показатели были предварительно скорректированы на дефлятор ВВП и приведены к ценам начала 2010 года. Сопоставление показателей производили посредством непараметрического дисперсионного анализа по Фридмену либо Краскелу Уоллису. Оценку степени сопряженности показателей проводили посредством ранговой корреляции Спирмена. При оценке степени сопряженности абсолютные показатели до анализа подвергали логарифмической трансформации lg(x+1). Результаты считали статистически значимыми при p0.05.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ. Анализ данных бухгалтерской отчетности свидетельствует о том, что кредиторская задолженность является важным элементом пассивов предприятий агропромышленного комплекса, а доля этого финансового показателя в среднем превышает 20% от балансовой стоимости фирмы и сопоставима с долей кредитов и займов, используемых этими предприятиями (Рис.1A;

2(60,1)=1.067, p0.301). Уровень кредиторской задолженности в исследуемых компаниях был сопоставим со значениями этого показателя у американских фирм (в среднем 17.8%), наблюдавшимися ранее Rajan и Zingales 6. Аналогичный уровень был выявлен и для компаний стран Западной Европы с развитой экономикой и практически всех стран Восточной Европы с переходной экономикой, где средний уровень кредиторской задолженности находился в диапазоне 16-24%7,8. Лишь у предприятий Китая и двух стран Восточной Европы с переходным типом экономики (Венгрии и Литвы) средний уровень данного финансового показателя в пассивах был в 1.5-2 раза ниже по сравнению со Rajan R., Zingales L., 1995. What do we know about capital structure? Some evidence from international data. Journal of Finance, 50:1421–1460.

Shiraishi M., Yano G. 2010. Trade credit in China in the early 1990s. Econ Change Restruct, 43:221–251.

Wu W.-f., Rui O.M., Wua C.-f. 2011. Trade credit, cash holdings, and financial deepening: evidence from a transitional economy. Journal of Banking & Finance, in press.

Delannay A.-F., Weill L. 2004. The determinants of trade credit in transition countries. Economics of planning, 37:173– 193.

Электронный ресурс, доступен по адресу www.fira.ru [22.09.2012].

Rajan R., Zingales L., 1995. What do we know about capital structure? Some evidence from international data. Journal of Finance, 50:1421–1460.

Wu W.-f., Rui O.M., Wua C.-f. 2011. Trade credit, cash holdings, and financial deepening: evidence from a transitional economy. Journal of Banking & Finance, in press.

Delannay A.-F., Weill L. 2004. The determinants of trade credit in transition countries. Economics of planning, 37:173– 193.

значением, обнаруженным нами для предприятий нашей выборки 1, 2. Таким образом, анализируемые компании не отличались от зарубежных фирм и активно использовали торговый кредит как источник финансирования своей хозяйственной деятельности в период финансового кризиса 2008-2010 гг. Опираясь на данный факт, мы исследовали особенности динамики кредиторской задолженности у предприятий нашей выборки и последовательно проверили существующие гипотезы о сопряженности кредиторской задолженности с другими финансовыми показателями. Во первых, для каждого предприятия было проведено сопоставление уровня кредиторской задолженности с размером компании, поскольку бльшая стоимость компании теоретически должна свидетельствовать о ее бльшей стабильности и платежеспособности для контрагентов. С одной стороны, этот факт должен стимулировать поставщиков к активному предоставлению крупным предприятиям торгового кредита и приводить к возникновению положительной взаимосвязи между указанными показателями3.

Рисунок 1 – (А) Доля источников капитала в пассиве баланса предприятий с/х и пищевой промышленности. КЗ – кредиторская задолженность, КС – заемные средства, СК – собственный капитал. Данные представлены как ошибки средних ± границы 95% доверительного интервала для средних. (Б) Кредиторская задолженность предприятий с различной балансовой стоимостью в 2008-2010 гг.

Вместе с тем, чем больше размер фирмы, тем больше вероятность получения такой фирмой и банковского кредита, который может быть использован вместо торгового кредита для финансирования хозяйственной деятельности 4. Большинство предыдущих исследований указывает на существование отрицательной взаимосвязи между валютой баланса и уровнем кредиторской задолженности5,6. Однако доля кредиторской задолженности для компаний нашей нашей выборки не была сопряжена с их балансовой стоимостью, а, следовательно, и размером, что не подтверждает гипотезы о существовании преференций ни со стороны поставщиков, ни со стороны банков (Рис.1Б;

R=0.0785, p0.225). Согласно второй гипотезе, уровень кредиторской задолженности должен быть сопряжен с уровнем кредитов и займов, используемых фирмой.

Там же Wu W.-f., Rui O.M., Wua C.-f. 2011. Trade credit, cash holdings, and financial deepening: evidence from a transitional economy. Journal of Banking & Finance, in press.

Delannay A.-F., Weill L. 2004. The determinants of trade credit in transition countries. Economics of planning, 37:173– 193.

Там же Garca-Teruel P.J., Martnez-Solano P. 2010. A dynamic perspective on the determinants of accounts payable. Rev Quant Finan Acc, 34:439–457.


Rodrguez-Rodrguez O.M. 2006. Trade credit in small and medium size firms: an application of the system estimator with panel data. Small Business Economics, 27:103–126.

При этом связь между данными показателями может быть как отрицательной (в случае регулярного замещения одного типа кредита другим), так и положительной (в случае агрессивной политики привлечения кредитных средств) 1, 2. Действительно, средний уровень кредиторской задолженности анализируемых агропромышленных предприятий увеличился в 2009 году, что теоретически должно было компенсировать отсутствие роста доли кредитов и займов в эти сроки (Рис.2;

2(60,2)=10.83, p0.005 для кредиторской задолженности;

2(60,2)=7.56, p0.023 для кредитов и займов). На первый взгляд, наблюдаемые изменения являются подтверждением гипотезы о заменимости банковского и торгового кредита в период финансового кризиса 2008-2010 гг.

Рисунок 2 – Годовые изменения рентабельности продаж предприятий, доли кредитов и займов, а также доли кредиторской задолженности в их пассивах в 2008-2010 гг. * - p0.05 по сравнению с показателем предыдущего года.

Однако данный факт позволяет объяснить не более 15% всех изменений уровня кредиторской задолженности, поскольку сопряженность динамики данных показателей оказалась достаточно низкой (Рис. 3;

R=-0.357, p0.00001). В то же время, обнаруженный в предыдущих исследованиях уровень взаимосвязи между этими финансовыми показателями был существенно выше 3,4. Последняя гипотеза, которая была проверена в рамках данной работы, связывает уровень кредиторской задолженности с динамикой показателей рентабельности, преимущественно рентабельности продаж. При этом высокая доходность продаж может служить позитивным сигналом как для поставщиков, так и для банков, что, в свою очередь, может привести к возникновению как положительной, так и отрицательной взаимосвязи между рентабельностью продаж компании и уровнем кредиторской задолженности5,1.

Mateus C., Gama A.P.M. 2010. Does Trade Credit Facilitate Access to Bank Finance? An Empirical Evidence from Portuguese and Spanish Small Medium size Enterprises. International Research Journal of Finance and Economics, 45:26 Delannay A.-F., Weill L. 2004. The determinants of trade credit in transition countries. Economics of planning, 37:173– 193.

Garca-Teruel P.J., Martnez-Solano P. 2010. A dynamic perspective on the determinants of accounts payable. Rev Quant Finan Acc, 34:439–457.

Delannay A.-F., Weill L. 2004. The determinants of trade credit in transition countries. Economics of planning, 37:173– 193.

Rajan R., Zingales L., 1995. What do we know about capital structure? Some evidence from international data. Journal of Finance, 50:1421–1460.

Рисунок 3 – Взаимосвязь ежегодных изменений доли кредитов и займов и изменений доли кредиторской задолженности в пассивах предприятий с различным уровнем кредиторской задолженности в 2008-2010 гг.

Рисунок 4 – Рентабельность продаж предприятий с различным уровнем кредиторской задолженности в 2008-2010 гг.

Динамика уровня рентабельности продаж свидетельствует о падении данного показателя на 5% на пике кризиса в 2009 г (Рис. 2;

2(60,2)=8.63, p0.013 для рентабельности продаж). В этот период также было выявлено увеличение и доли кредиторской задолженности в пассивах анализируемых компаний, что на первый взгляд, как и в предыдущем случае, должно было бы подтвердить существование отрицательной взаимосвязи этого источника финансирования с динамикой рентабельности продаж предприятия (Рис. 2,4;

R=-0.481, p0.0001). Однако индивидуальное сопоставление изменений уровня кредиторской задолженности и рентабельности продаж не выявило какой бы то ни было значительной взаимосвязи между этими двумя показателями для исследуемых агропромышленных предприятий (Рис. 5;

R=-0.111, p0.140). Подобная ситуация уже была описана для стран Восточной Европы с низким уровнем кредиторской задолженности предприятий – Венгрии и Литвы, однако причины отсутствия сопряженности данных показателей остались неизвестны2.

Delannay A.-F., Weill L. 2004. The determinants of trade credit in transition countries. Economics of planning, 37:173– 193.

Там же В то же время, для остальных стран с переходным типом экономики, а также для развитых стран наиболее характерным является наличие отрицательной взаимосвязи рентабельности продаж и уровня кредиторской задолженности1.

Рисунок 5 – Отсутствие взаимосвязи ежегодных изменений рентабельности продаж и изменений доли кредиторской задолженности в пассивах предприятий с различным уровнем кредиторской задолженности в 2008-2010 гг.

Таким образом, проведенный анализ указывает на активное использование агропромышленными предприятиями Новосибирской области и Алтайского края кредиторской задолженности как источника финансирования хозяйственной деятельности. Однако выявленные особенности динамики этого финансового показателя не могут быть полностью объяснены в рамках ранее предложенных теорий преимущества использования кредиторской задолженности, и указывают на возможное существование иных факторов, способных влиять на интенсивность использования торгового кредита.

Мигранова Л.И.

Институт социально-экономических исследований Уфимского научного центра РАН ПРОГНОЗИРОВАНИЕ КАДРОВОЙ ПОТРЕБНОСТИ, КАК ОСНОВНОЙ ФАКТОР СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ РЕГИОНА Трудовые ресурсы являются основным фактором социально-экономического развития региона. Основной поток квалифицированных кадров на рынке труда обеспечивает система образования. Тем не менее, на сегодняшний день отсутствует реальный механизм связи между рынком труда и рынком образовательных услуг, вследствие чего рынок образовательных услуг выпускает большое число специалистов, не востребованных рынком труда. За последние 15 лет в Республике Башкортостан отмечается рост контингента обучающихся в вузовском сегменте образования (с 29% в 1995 г. до 58,3% в 2010 г.), снижение в начальном профессиональном образовании (с 35,3% в 1995 г. до 12,1% в 2010 г.). В структуре занятого в экономике населения количество специалистов с высшим профессиональным образованием составляет по республике только 17,6%, против 26,2% в РФ;

кадров с начальным профессиональным Там же образованием в республике больше – 28,2%, чем в среднем по РФ (18%)1. Подготовка кадров в учреждениях начального профессионального образования в этот период снизилась на 47%, что явилось отражением общей тенденции для РФ, связанной с резким снижением спроса и престижа на рабочие профессии.

В настоящее время в структуре подготовки рабочих кадров в училищах и лицеях ведущее место отведено промышленно-техническому профилю. На долю отраслей «промышленность», «строительство» и «транспорт» приходится 70% от общего приема. Одновременно с ростом популярности и доступности высшего профессионального образования за последние 15 лет увеличился выпуск специалистов по гуманитарным наукам в 1,8 раза, образованию и педагогике в 4,7 раза, экономике и управлению почти в 10 раз, доля которых в общем объеме подготовки составляет 40,5 % 2. Потребность в специалистах с ВПО в республике составляет 13562 чел.

Наблюдается избыток их выпуска по специальностям "Экономика и управление", "Образование и педагогика", "Гуманитарные науки". В то же время есть дефицит по специальностям "Транспортные средства", "Информатика и вычислительная техника", "Информационная безопасность", "Строительство и архитектура". Потребность в специалистах с СПО составляет 14808 чел. Избыток наблюдается по тем же специальностям, что и в системе ВПО. При этом наблюдается дефицит по специальностям "Сфера обслуживания", "Приборостроение и оптотехника", "Безопасность жизнедеятельности и защита окружающей среды", "Химическая техника и биотехнологии". Потребность в специалистах с НПО – 12341 чел. Имеется дефицит по специальностям "Сфера обслуживания", "Транспортные средства", "Экономика и управление", "Энергетика, энергетическое машиностроение и металлообработка" 3. Процессы, происходящие на рынке труда и рынке образовательных услуг, привели к структурному несоответствию занятого в экономике населения и выпуска рабочих кадров и специалистов учреждениями профессионального образования. Структурные дисбалансы на рынке труда с одной стороны стимулируют трудовую эмиграцию, с другой - непрофильную занятость.

Осложняет ситуацию существенное ухудшение демографических процессов в последнее десятилетие. Существенное влияние на РТ окажет вступление России во Всемирную торговую организацию. В силу относительно дешевой стоимости природных, энергетических, трудовых ресурсов ожидается рост иностранных инвестиций. Высококвалифицированная рабочая сила будет концентрироваться у иностранных работодателей. Большинство отечественных производителей будут вынуждены ориентироваться на низкоквалифицированный сегмент РТ. Вследствие этого, сохранится рост инвестиций в человеческий капитал, связанный с переквалификацией и перепрофилированием. Для приведения структуры подготовки кадров в соответствие с потребностями экономики и социальной сферы необходимо осуществить целый комплекс мер: анализ и диагностику спроса и предложения на рынке труда, разработку прогнозов кадровых потребностей экономики региона, оценку текущей и перспективной профессиональной структуры занятости, оптимизацию структуры и объемов профессиональной подготовки. Многие научные институты, в частности Петрозаводский Государственный Университет, предлагают различные методики прогноза потребности экономики региона в квалификационных кадрах. В основном в данных методиках отсутствует комплексный, методологически обоснованный инструментарий, который бы позволял получать адекватные результаты на долгосрочный период времени. Главной задачей в рамках данной проблемы является задача разработки инструментария моделирования Регионы России: Статистический сборник. В 2 томах / Госкомстат России. – М., 2010. Т.1. 604 с. Т.2. 879 с.


Труд и занятость в России: Статистический сборник за 2010 год / Госкомстат РФ. М., 2009. 581 с.

Там же и управления дисбалансом спроса и предложения рынков труда и образовательных услуг 1.

Одним из таких инструментов является агент-ориентированная модель, в отличие от прогнозной трендовой модели, позволяет многократно проигрывать различные сценарии поведений агентов.

В данной модели выделяются такие параметры, влияющие на поведение агентов и позволяющие регулировать их, что придает модели большую гибкость и делает ее более приближенной к жизни. Гибкость модели позволяет обеспечить структурное и содержательное соответствие рынка образовательных услуг потребностям рынка труда. В агент-ориентированной модели рассматриваются агенты и их поведение на рынке образовательных услуг. В качестве агентов учитываются абитуриенты, так как основным воздействием на выпуск специалистов является прием абитуриентов в разрезе специальностей. Численность агентов исчисляется исходя из статистических данных. Таким образом, получаем, что агент в модели проходит путь от рождения до окончания основного общего образования. Все данные рассчитываются исходя из статистических данных (демографическая статистика). Далее перед агентом стоит выбор получения среднего полного образования или же профессионального - среднего или начального.

Данный выбор так же определяется при помощи статистических данных. Следующим этапом является выбор специальности и прохождение конкурса на данную специальность. Пройдя обучение по выбранной специальности по выбранному уровню образования агент выпускается на рынок труда. Концептуальная модель направления потоков учащихся представлена на рисунке 1. В агент-ориентированной модели агенту задается определенный набор свойств (балл ЕГЭ, наличие льгот, плата за обучение и т.д.), при помощи которых происходит выбор специальности по определенным критериям (сложность обучения, сложность поступления и т.д.) (рисунок 2). Все свойства и критерии агента при выборе специальности задаются на основании вероятностей, получаемых в ходе анализа статистических данных.

Рисунок 1 - Концептуальная модель направления потоков учащихся На основании данных свойств и критериев строится схема поведения агентов. Таким образом, каждый агент будет иметь свой путь и свою схему поведения. Данная модель может содержать большое количество таких агентов, что делает модель более гибкой и приближенной к жизни. Данный подход дает возможность смоделировать процесс поступления абитуриентов на определенные специальности и возможность регулировать поток абитуриентов и направить его в сторону наиболее дефицитных специальностей согласно нынешнему прогнозу.

Гуртов, В.А. Моделирование потребностей экономики в кадрах с профессиональным образованием / В.А. Гуртов, Е.А. Питухин, Л.М. Серова // Проблемы прогнозирования. 2007. №6 – С. 1– Рисунок 2 - Выбор абитуриентами специальностей на основе свойств и критериев принятия решений к.э.н. Наумов И.В.

Институт экономики УрО РАН г. Екатеринбург ИНЕРЦИОННЫЙ СЦЕНАРИЙ ВОСПРОИЗВОДСТВА НАУЧНО-ТЕХНИЧЕСКОГО ПОТЕНЦИАЛА В РЕГИОНЕ Свердловская область является богатейшим интеллектуальными ресурсами регионом в России. Здесь накоплен развитый инновационный потенциал, основу которого составляют научные учреждения академического и отраслевого профиля, конструкторские и проектные организации, научные опытные станции, ВУЗы, инновационно активные предприятия, маркетинговые организации и предприятия информационно-вычислительного обслуживания, интеллектуальные ресурсы (исследователи научных учреждений и работники научных подразделений инновационных предприятий) и финансовые ресурсы, использующиеся на осуществление инновационной деятельности. По научно-техническому потенциалу, который является неотъемлемой частью инновационного, Свердловская область занимает четвертое место в России, в сфере науки и научного обслуживания занято 33.2 тыс. человек или 1.8% от общей численности работающих в области. В Свердловской области сосредоточено 2/3 всех организаций Урала, занимающихся научной, научно-технической и проектно-изыскательской деятельностью. Научная деятельность в Свердловской области представлена Уральским отделением РАН (22 учреждения - 4129 сотрудников), наукой высших учебных заведений ( ВУЗ - 6960 научных сотрудников), отраслевой наукой (92 института - 18857 сотрудников), заводской наукой (4135 сотрудников)1.

Концепция развития научного потенциала Свердловской области на период до 2015 года В регионе накоплен огромный потенциал для прогрессивного инновационного развития:

мощная фундаментальная наука, способная генерировать нововведения, отраслевая наука, ведущая проектные и опытно-конструкторские работы, способная довести фундаментальные открытия до уровня промышленного образца, вузовская наука, способная обеспечить процессы создания и внедрения нововведений нужными кадрами. В регионе имеются все необходимые интеллектуальные ресурсы, однако используются они не в полную силу, о чем свидетельствуют низкие показатели инновационной активности территории: уровень инновационной активности региона за период с 1998 по 2010 года практически не изменился (рис. 1).

Рисунок 1 – Динамика соотношения объема произведенной инновационной продукции на рубль затрат на технологические инновации, руб.

В 2008 году соотношение объема произведенной инновационной продукции и затрат на ее производство достигло уровня 1998 года и составило 2,2 руб., а в последующие годы данный показатель и вовсе стал снижаться. Это свидетельствует, с одной стороны, о низком уровне инновационной активности предприятий и востребованности их инновационной продукции в регионе. С другой стороны, это свидетельствует о нерациональности вложенных инвестиций на ее производство, поскольку уровень произведенной и реализованной инновационной продукции не покрывает производственных затрат. Претерпела существенные изменения и структура производства инновационной продукции за период 1998-2010 гг.: доля вновь внедренной инновационной продукции сократилась с 77,2 до 35,5%, а доля усовершенствованной в течении трех лет продукции выросла с 18,6 до 64,5% (рис. 2). В результате, инновационность продукции с каждым годом снижается.

Рисунок 2 – Динамика структуры производства инновационной продукции в Свердловской области за период 1998-2008 гг., % По количеству создаваемых передовых производственных технологий Свердловская область уже достигла уровня 1998 года (рис. 3). В 2008 году, как и в 1998, было создано всего передовых производственных технологий. До 2002 года процесс создания новых технологий шел ускоренными темпами: количество созданных передовых производственных технологий по сравнению с 1998 годом выросло в 3 раза и достигло максимального уровня – 75 единиц в год (рис. 3). После 2002 года начался спад в процессе создания передовых технологий в среднем на уровне 22,6% в год. Если данная тенденция продолжится, то к 2015 году создание передовых производственных технологий может быть серьезно приостановлено.

Рисунок 3 – Динамика создания передовых производственных технологий, единиц Основная причина тенденции снижения уровня инновационности производственных технологий, по нашему мнению, кроется в изменении приоритетов развития фундаментальной и прикладной наук в нашем государстве. Об этом свидетельствуют не только заявления чиновников высшего уровня о необходимости реформирования и даже «ликвидации»

академических научных учреждений, осуществляющих фундаментальные исследования, но и реальные их действия, в частности показатели финансирования научных исследований из федерального бюджета (рис. 4).

Рисунок 4 – Динамика структурного сдвига в финансировании научно-исследовательской деятельности в России из федерального бюджета, в % Как видно из рисунка объем средств, выделяемых из федерального бюджета на развитие фундаментальной науки за период 2000-2010 гг. резко сократился в то время как объем выделяемых средств на прикладные исследования пропорционально вырос. Ускорение процессов создания новых технологий является острой необходимостью для инновационно ориентированной территориальной системы, какой является Свердловская область.

Инновационность ее развития напрямую зависит от процессов генерации и внедрения новых передовых технологий, а не использования уже имеющихся и морально устаревающих технологий. Анализ динамики структуры инновационной продукции по степени новизны показал угрозу физического и морального устаревания использующихся технологий.

Востребованность передовых технологий с каждым годом возрастает. У предприятий нет средств для разработки и внедрения новых технологий, поэтому приоритет при перевооружении производственных процессов отдается уже разработанным технологиям. Уровень использования передовых производственных технологий в Свердловской области за рассматриваемый период времени (1998-2008 гг.) вырос в 6,8 раз (рис. 5). С каждым годом количество использованных технологий в регионе увеличивалось в среднем на 12% в год. Если данную тенденцию удастся сохранить, то по прогнозу инерционного развития динамики уровень использования передовых производственных технологий к 2015 году по сравнению с 2008 годом может вырасти в 2,2 раза. Это позволит существенным образом ускорить освоение новых технологий, темпы производства инновационной продукции. Однако есть опасность и снижения уровня использования передовых технологий из-за отмеченной тенденции сокращения их воспроизводства в регионе. За период с 2007 по 2009 гг. был отмечен незначительный спад в динамике использования передовых технологий – на уровне 4%. Данный спад, по нашему мнению, был обусловлен тенденцией сокращения количества создаваемых технологий в регионе. Дальнейшее снижение количества создаваемых и используемых передовых производственных технологий в регионе приведет к остановке процесса воспроизводства технологий, наращиванию технологической отсталости производства и невозможности территории развиваться на инновационной основе.

Рисунок 5 – Инерционный прогноз использования передовых производственных технологий до 2015 года, единиц Резюмируя вышерассмотренные тенденции можно отметить, что за период 1998 – гг. приоритет в производстве инновационной продукции сместился в сторону простого технического усовершенствования уже имеющихся технологий, а не создания прорывных технологий. Вероятность реализации пессимистичного прогноза воспроизводства (создания и использования) передовых технологий в регионе растет с каждым годом и одной из главных причин данной тенденции является постепенная деградация научного и научно-технического потенциала региона. За последние годы существенным образом пострадал кадровый потенциал науки в регионе, ежегодно снижается число организаций, выполняющих исследования и разработки (рис. 6).

С каждым годом количество научно-исследовательских организаций в регионе сокращается в среднем на 2% в год. Если в 2000 году в Свердловской области функционировало 138 организаций, выполняющих исследования и разработки, то к 2009 году их количество сократилось на 26,8% и составило 101 ед. Если текущие темпы сокращения числа научно исследовательских организаций сохранятся и в будущем (прогноз инерционного развития), то к 2015 году в регионе будет функционировать всего 89 научно-исследовательских учреждений.

Это приведет, во-первых, к резкому сокращению числа создаваемых в данных учреждениях технико-технологических новшеств а, во-вторых, к сокращению количества научно исследовательских работников, то есть, к потере накопленного в течение многих лет кадрового потенциала науки в регионе.

Рисунок 6 – Прогноз динамики числа организаций, выполняющих исследования и разработки до 2015 года, ед.

За последние 14 лет в регионе установилась тенденция сокращения интеллектуальных ресурсов. С каждым годом численность персонала, занятого исследованиями и разработками, сокращается в среднем на 2,9% в год (рис. 7). Если в 1992 году в Свердловской области исследованиями и разработками занимались 38921 человек, то к 2010 году – 20379 человек. За период с 1995 по 2009 года численность научных кадров в регионе сократилась на 47,6%.

Рисунок 7 – Прогноз динамики численности персонала, занятого исследованиями и разработками до 2015 года, человек Если тенденция сокращения научно-исследовательских кадров продолжится текущими темпами (прогноз инерционного развития), то вполне возможно, что к 2015 году численность Прогноз построен при использовании метода экспоненциального сглаживания по функции y = 0,6721x4 - 5390,5x + 2E+07x2 - 2E+10x + 1E+13 с коэффициентом детерминации R = 0, работников, занимающихся исследованиями и разработками, сократится еще на 16% (по сравнению с 2009 годом) и составит 17381человек.

Данные потери трудно восполнимы, ведь для подготовки научных кадров нужны годы, развитая научно-исследовательская база, соответствующая инфраструктура. В условиях перехода экономики на инновационный путь развития утеря кадрового потенциала науки просто не допустима. Особенно настораживают тенденции потери научно-исследовательского потенциала в области естественных и технических наук. За период 1995 – 2010 гг. численность исследователей в области естественных наук сократилась на 21,8% (рис. 8), в случае дальнейшего продолжения текущей тенденции к 2015 году возможно сокращение данной категории специалистов еще на 11,1%.

Рисунок 8 – Прогноз динамики численности исследователей в области естественных наук в России, человек В области технических наук сокращение произошло более существенное – на 34,4% (рис.

9) и если коренных перемен не произойдет, то скорее всего данное сокращение продолжится.

Прогноз инерционного развития данного показателя с помощью экспоненциального сглаживания статистических данных за период 1995-2010 гг. показал, что к 2015 году численность исследователей в области технических наук, которые как раз и занимаются вопросами создания передовых технологий и внедрения инноваций, сократится еще на 16,8%.

Высокая вероятность реализации данного прогноза, подтверждаемая полученным показателем коэффициента детерминации (R = 0,9504), обусловлена смещением приоритетов в научно-исследовательской деятельности в сторону гуманитарных и социальных наук.

Рисунок 9 – Прогноз динамики численности исследователей в области технических наук в России, человек Прогноз построен при использовании метода экспоненциального сглаживания по функции y = 7E+17e-0,015x с коэффициентом детерминации R = 0, Если в 1995 году доля исследователей в области общественных наук в России составляла 11,8% то к 2010 году данный показатель вырос до 17,3%. Процессы обновления научно технического потенциала в регионе осуществляется крайне низкими темпами. Процесс подготовки молодых специалистов – кандидатов наук и их закрепления в науке постепенно «сворачивается» на нет. Их численность ежегодно сокращается в среднем на 3%. Если в году научно-исследовательской деятельностью в Свердловской области было занято кандидатов наук, то к 2008 году – 1623 чел. (рис. 10).

Рисунок 10 – Прогноз инерционного развития динамики численности кандидатов наук в Свердловской области до 2015 года Сокращение их численности за рассматриваемый период времени составило 25,5%. В случае сохранения отмеченной тенденции (прогноз инерционного развития) численность кандидатов наук в регионе за период 2008 – 2015 гг. может сократиться еще на 19,2%. Регион может потерять наиболее инновационно мыслящую часть кадрового потенциала науки, ведь большинство передовых технологий разрабатывается именно молодыми специалистами.

Кадровый научно-исследовательский потенциал территории должен активно воспроизводиться для сохранения и генерации новых знаний, а не деградировать. Пока же наблюдаются тенденции его деградации. В 2003 году остановился рост численности аспирантов и докторантов в регионе (рис. 11).

Рисунок 11 – Прогноз динамики численности аспирантов и докторантов в Свердловской области до 2015 года, человек Прогноз построен при использовании метода экспоненциального сглаживания по функции y = 7E+27e-0,026x с коэффициентом детерминации R = 0, Слева – прогноз динамики численности аспирантов, справа – докторантов С 1995 по 2003 год количество аспирантов и докторантов в Свердловской области увеличивалось в среднем на 11,2% в год. За этот период их число выросло почти в 2 раза. В году процесс подготовки молодых специалистов практически приостановился. Число аспирантов и докторантов в Свердловской области стало сокращаться. Средний размер сокращения численности аспирантов за период с 2003 по 2010 гг. составил 2,1% в год, а докторантов – 5% в год. Существенные изменения произошли в структуре выпуска аспирантов (рис. 12).

Рисунок 12 – Прогноз изменения структуры выпуска аспирантов в России до 2015 года, % Доля специалистов, закончивших аспирантуру по техническим, физико-математическим, химическим, биологическим, медицинским, фармацевтическим наукам и архитектуре, сократилась на 10% с 1995 по 2010 годы. В случае сохранения данной тенденции их доля сократится до 42,1%. Удельный вес специалистов, закончивших аспирантуру по экономическим, юридическим, педагогическим, филологическим, сельскохозяйственным, историческим, психологическим, философским, социологическим, политическим, ветеринарным наукам, наукам о Земле, искусствоведении, культурологии и прочим отраслям науки пропорционально вырос и тенденции роста продолжаются. Абсолютно идентичные процессы происходят и в плане подготовки специалистов в ВУЗах: востребованность технических, инженерных специальностей сокращается. Абитуриенты чаще выбирают такие специальности как экономика, юриспруденция, архитектура и строительство, сфера обслуживания, гуманитарные, социальные науки и другие науки. Это свидетельствует о начавшихся процессах деградации научно-технического потенциала. Через несколько лет в нашей стране не будет специалистов, способных генерировать и внедрять новшества.

Проведенный нами анализ позволил выявить несколько негативных тенденций и угроз для инновационного развития Свердловской области:

постепенная утеря интеллектуальных ресурсов региона (сокращение численности работников, занимающихся исследованиями и разработками);

замедление процессов воспроизводства кадров научно-инновационного потенциала (устойчивый спад численности молодых специалистов, работающих в научно исследовательских учреждениях – кандидатов наук, сокращение численности аспирантов и докторантов);

замедление темпов воспроизводства новых технологий (сокращение числа создаваемых и используемых в регионе передовых производственных технологий);

снижение уровня инновационности создаваемых в регионе технологий;

низкий уровень отдачи от вкладываемых в инновационную деятельность финансовых средств (объем инновационной продукции на рубль затрат на технологические инновации с каждым годом снижается);

смена приоритета в производстве инновационной продукции в сторону простого технического усовершенствования на основе уже имеющихся морально и физически устаревающих технологий.

Инерционный сценарий предполагает дальнейшее развитие выявленных тенденций в развертывании инновационных процессов на территории Свердловской области, таких как:

сокращение численности персонала, занятого исследованиями и разработками на 2,9% в год. Согласно данному сценарию к 2015 году возможно сокращение научно-исследовательских кадров на 16% (по сравнению с 2010 годом);

сохранение низких темпов подготовки и закрепления в науке молодых специалистов – кандидатов наук, ежегодное сокращение их численности на 3%. За рассматриваемый период (1995-2010 гг.) количество работающих кандидатов наук снизилось в регионе на 25,5%.

Дальнейшее сохранение отмеченной тенденции к 2015 году будет способствовать сокращению высококвалифицированных специалистов еще на 19,2%;



Pages:     | 1 |   ...   | 5 | 6 || 8 | 9 |   ...   | 12 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.