Факторы, влияющие на экспорт

Исследовательский проект

Факторы, влияющие на экспорт

Сенникова Анна, Радченко Алена, Шумилов Александр (304 группа)

 

 

Резюме

Наше исследование было направлено на изучение различных  факторов, влияющих на экспорт России, с использованием поквартальных  данных за период 2000-2011 года. Эта область была выбрана нами для исследования, поскольку торговля является так называемым двигателем экономического роста, и информация о том, какие факторы и каким образом влияют на экспорт, была и остается актуальной. Для проверки данных использовался метод наименьших квадратов, он является наиболее употребительным и точным. Изучение влияния различных факторов на экспорт может позволить проводить наиболее подходящую политику и достигать больших экономических результатов и экономического роста.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение

Торговля, по взглядам классических и современных либеральных  экономистов - это двигатель экономического роста. Различные исследования свидетельствуют о положительной корреляции и сильных причинных связях между внешней торговлей и экономическим ростом и развитием многих стран (Balassa, 1987). C помощью торговли страны завоевывают “друзей” и становятся в состоянии ломать традиционные формы изоляции. Это увеличивает рост совокупной производительности факторов производства и привлекает прямые иностранные инвестиции. Стратегия продвижения экспорта, особенно когда страна имеет сравнительное преимущество в производстве какого-либо товара, позволяет странам получать наибольшее количество продуктов по сниженным ценам. Вследствие этого, рынки расширяются, уровни доходов и занятости растут, содействуя процессу экономического развития. Таким образом, делая акцент на стимулирование экспорта, можно достичь оптимального распределения мировых ресурсов.

История России показывает, что экспорт нашей страны  широко колебался в течение десяти лет. Ниже представлен линейный график, полученный в программе Eviews (GDP-View-Graph-Line). Мы видим, что с 2008 по 2009 год наблюдался резкий спад в динамике экспорта, что соответствует действительности, ведь в 2008 году экономика России столкнулась с кризисом, повлекшим за собой различные изменения в экономике страны. Однако экономика России смогла преодолеть последствия экономического шока, и с 2009 года экспорт страны вновь начал динамично расти. 

График 1.1. Экспорт России 2000-2011 г.г.

Основные статьи экспорта нашей страны – нефть, газ  и другие топливно-энергетические товары; металлургическая, химическая и машиностроительная продукции. Основные торговые партнеры – страны ЕС, Китай, Украина, Беларусь, Турция.

Основной целью  проекта является выяснение величин  влияния различных факторов на экспорт  России.

1. Данные и методы

1. Модель

В своем исследовании мы постарались учесть те факторы, которые  потенциально могут играть значимую роль в определении экспорта России. Мы включили три “внешних” переменных (ПЗИ, валовой мировой продукт и обменная ставка) и три “внутренних” фактора, которые также важны для определения экспорта – ВВП, добавленная стоимость в промышленности (индустриализация) и валовые национальные сбережения.

Множественная регрессионная модель для нашего исследования будет иметь вид:

Y=β₀+β₁FDI+β₂GDP+β₃GNS+β₄GWP+β₅INVAD+β₆NER+µ,

где Y - зависимая переменная, экспорт России в млрд долларов США;

FDI – прямые иностранные инвестиции в млрд долларов США;

GDP – ВВП России в млрд долларов США;

GNS – валовые национальные сбережения в млрд долларов США;

GWP – валовой мировой продукт в млрд долларов США;

INVAD – добавленная стоимость в промышленности в млрд долларов США;

NER – обменный курс доллара к рублю (в российских рублях);

µ - элемент ошибки.

 

2. Данные

Начальный статистический материал был собран из разных источников и объединен в таблицу в  программе Excel для того, чтобы впоследствии его можно было импортировать в EViews. Так как для анализа было взято 6 факторов, было сделано 48 наблюдений – поквартально с 2000 по 2011 года. Как было сказано выше, NER измеряется в российских рублях, остальные данные – в миллиардах долларов США.

Таблица 1.1. Статистический материал

Year, quarter	Y	GDP	INVAD	FDI	NER	GNS	GWP
2000, 1 q	24,62	49,83	17,75	0,2	28,5	25,6	11 013
2000, 2 q	26,17	55,36	21,6	0,77	28,4	26,1	10 300
2000, 3 q	27,19	66,42	29,32	0,25	27,8	25,7	9 815
2000, 4 q	26,94	66,62	19,45	0,9	27,9	23,16	9 600
2001, 1 q	25,78	62,03	24,7	0,79	28,6	24,5	10 700
2001, 2 q	27,28	68,69	23,43	0,2	29	26,4	14 200
2001, 3 q	27,6	80,91	26,11	0,83	29,3	25,8	12 300
2001, 4 q	26,65	79,67	22,33	0,78	29,8	29,46	16 201
2002, 1 q	24,7	73,48	24,6	0,56	30,8	29,3	15 000
2002, 2 q	30,23	82,14	24,1	1,2	31,3	26,8	16 300
2002, 3 q	33,93	97,86	23,57	0,7	31,6	25,9	13 600
2002, 4 q	35,17	98,31	27,8	1	31,8	24,44	15 000
2003, 1 q	35,15	92,71	27,76	2,5	31,7	29,6	15 650
2003, 2 q	35,87	101,07	31,1	2,1	30,9	34,9	13 340
2003, 3 q	39,24	118,04	31,4	1,7	30,4	37,8	12 909
2003, 4 q	41,14	118,86	32,2	1,5	29,8	36,4	15 000
2004, 1 q	38,37	114,37	40,6	2,44	28,6	41,2	13 600
2004, 2 q	45,25	129,1	41,8	5,9	28,9	45,1	17 805
2004, 3 q	51,56	150,09	49,3	3,3	29,2	56,9	15 200
2004, 4 q	55,4	160,86	57,2	3,8	28,5	52,57	13 095
2005, 1 q	49,8	145,03	60,4	2,79	27,9	59,3	15 980
2005, 2 q	60	165,22	61,45	2,7	28,1	64,8	16 200
2005, 3 q	66,66	190,99	64,3	3,6	28,5	69,2	18 000
2005, 4 q	70,94	202,03	68,8	3,8	28,7	64,8	12 240
2006, 1 q	67,03	189	72,1	3,3	28,1	95,8	12 900
2006, 2 q	74,43	207,79	79,4	6,8	27,2	83,6	19 360
2006, 3 q	77,2	237,37	79,98	8,7	26,8	79,8	15 300
2006, 4 q	76,55	240,74	82,52	10,9	26,6	76,4	18 175
2007, 1 q	67,84	220,58	86,76	19,47	26,3	89,6	20 340
2007, 2 q	78,23	252,68	96,1	17,8	25,9	123,7	17 200
2007, 3 q	83,2	289,6	99,44	10,9	25,5	99,7	13 890
2007, 4 q	96,87	318,71	122,7	6,9	24,6	113,13	17 870
2008, 1 q	95,02	289,65	127,3	7,6	24,3	124,4	18 250
2008, 2 q	107,54	333,63	135,5	19,5	23,6	135,6	16 569
2008, 3 q	119,51	376,9	129,8	23,4	24,3	152,8	20 760
2008, 4 q	98,19	347,63	118,72	25,3	27,3	164,1	15 655
2009, 1 q	57,3	273,07	99,67	5,2	34,3	103,44	19 300
2009, 2 q	68,11	301,87	78,7	6,9	32,2	76,2	18 540
2009, 3 q	82,5	341,63	89,7	10,3	31,3	66,3	17 800
2009, 4 q	95,56	353,78	90,9	14,1	29,4	77,8	15 162
2010, 1 q	92,24	312,75	91,67	8,1	29,9	110,67	19 788
2010, 2 q	97,43	347,75	116,3	11,5	30,3	98,3	21 300
2010, 3 q	97,67	385,14	138,5	7,5	30,6	128,9	15 550
2010, 4 q	112,67	423,39	120,57	16,2	30,7	122,6	17 819
2011, 1 q	112,8	379,83	128,5	15,4	29,3	111,65	18 760
2011, 2 q	129,52	424,02	129,7	11,6	28	137,9	19 635
2011, 3 q	137,68	468,47	123,8	12,1	29,08	169	20 000
2011, 4 q	141,97	502,82	137,8	13,8	31,2	156,12	18 805

 

После того, как  данные были собраны, они были импортированы  в программу EViews. Для этоо в программе был создан новый рабочий файл (File-New-Workfile). В пакете допускается восемь типов данных – годовые, полугодовые, квартальные, ежемесячные, недельные, дневные (5 и 7 дней), а также недатированные или нерегулярные. При создании нового рабочего файла необходимо выбрать, какой тип подходит для проводимого анализа. В нашем случае, мы выбрали квартальные данные и указали период исследования в окнах Start date и End date (2000-2011). Таким образом был создан новый рабочий файл, содержащий вектор коэффициентов C и серию Resid.

Рисунок 1.2. Создание нового рабочего файла EViews

Затем в новый  рабочий файл были импортированы  собранные данные.

Программа Eviews позволяет подробно изучать каждую переменную, автоматически определяет среднее значение, максимум и минимум. На рисунке 1.3 показана статистика переменного фактора Y (View-Descriptive Statistics-Histogram and Stats).

 

Рисунок 1.3. Статистика фактора Y

Мы можем также сравнить между собой графики всех переменных в одном окне.

Рисунок 1.4. Линейные графики всех факторов

Также программа  позволяет посмотреть числовые характеристики переменных (View-Descriptive Stats-Common Sample).

Рисунок 1.5. Числовые характеристики переменных

В данной таблице:

Mean - среднее значение;

Median - медиана. В случае  симметричного модального распределения  медиана совпадает со средним значением;

Maximum, Minimum - минимальное и максимальное значения ряда;

Std. Dev. - стандартное среднеквадратическое отклонение, которое используется для характеристики степени рассеивания случайной величины;

Skewness - асимметрия. Для симметричного  распределения, в частности для  нормального распределения, асимметрия  равна нулю;

Kurtosis – эксцесс;

Статистика Jarque-Bera - используется для проверки гипотезы о нормальности распределения исследуемого ряда. Статистика основана на проверке того, насколько отличается эксцесс и асимметрия ряда от соответствующих характеристик нормального распределения.

Нулевая гипотеза здесь - распределение не отличается от нормального. Альтернативная гипотеза - распределение существенно отличается от нормального.

Так как Probability в нашем случае больше 0,05, нулевая гипотеза не отвергается, распределение не отличается от нормального.

3. Краткое обоснование объясняющих переменных

ПИИ: Во многих исследованиях роль прямых иностранных инвестиция является спорным вопросом. Однако в большинстве своем, эти исследования свидетельствуют о положительном влиянии ПИИ на экспорт. Когда правительства стран обеспечивают условия для продвижения экспорта, тем самым они привлекают иностранных инвесторов.

Мировой доход: Теоретически, объяснимо, что с увеличением доходов спрос на различные товары также растет. Во многих исследованиях была выявлена положительная зависимость между экспортом и мировым доходом.

Обменный курс: Когда обменный курс падает, это приводит к падению относительных цен на внутреннем рынке экспорта, что делает экспорт более дешевым на международных рынках. Это, в свою очередь, приводит к повышению спроса на экспорт.

ВВП (уровень производства): Изучая теорию торговли, можно сделать вывод о том, что основной причиной расширения экспорта является высокий уровень производства, так как он приводит к излишкам продукции, которые могут быть исчерпаны на международном рынке. Если в стране закрытая экономика, излишки производства приводят к падению цен, что не может радовать производителей. Если же экономика страны является открытой, то тот запас производства (излишек) может быть экспортирован за рубеж. Таким образом, в исследовании ожидается положительная зависимость между экспортом и ВВП.

Сбережения: В развивающихся странах наблюдается, что основная часть сбережений используется в непроизводственных активах (приобретение недвижимости, золота, драгоценностей и т.д.). Таким образом, большая экономия приводит к большему объему товаров, доступных для экспорта. С увеличение сбережений также уменьшается процентная ставка, что способствует инвестиционным возможностям, которые, как было сказано являются основным каналом экспорта.

Добавленная стоимость  в промышленности: Индустриализация, как известно, способствует максимальному использованию человеческих и материальных ресурсов в экономике страны. Чем сильнее опирается страна на сельское хозяйство, тем большую нишу в экспорте занимает промышленость. Это служит стимулом для производства и увеличивает национальный доход страны.

4. Проверка данных на стационарность

Для анализа  представленных данных на стационарность мы будем использовать тест Дики-Фуллера, который является одним из тестов на единичные корни.

Существует три версии теста (тестовых регрессий):

Без константы и тренда: Δy_t = b ^. y_t-1 + ε_t ;

С константой, но без тренда: Δy_t = b₀ + b ^. y_t-1 + ε_t  ;

С константой и  линейным трендом: Δy_t = b₀ + b₁ ^. t + b ^. y_t-1 + ε_t .

Если значение статистики лежит левее критического значения (критические значения —  отрицательные) при данном уровне значимости, то нулевая гипотеза о единичном  корне отклоняется и процесс  признается стационарным (в смысле данного теста). В противном случае гипотеза не отвергается и процесс может содержать единичные корни, то есть быть нестационарным (интегрированным) временным рядом.

Проверим наши данные на стационарность (на примере FDI). По первой версии теста (View-Unit Root Test-Augmented Dickey-Fuller-Level-None), значение статистики ADF больше всех критических значений, значит мы не можем отвергнут нулевую гипотезу, и ряд может быть нестационарным.

Для проверки второй версии теста выполняются те же действия, однако сейчас мы выбираем Intercept. ADF t-статистика снова больше критических значений.

Рисунок 1.6. Тест Дики-Фуллера 

Сделаем третью версию теста. T-статистика равна -3.897586, она превышает только критическое значение на 1%-ном уровне.

Как сделать нестационарные данные стационарными? Для данных со стохастическим трендом (см.часть II), лучше использовать Difference-Stationary Process. До этого Trend-Stationary Process не показал нужных результатов. Уравнение регрессии в случае DSP:

Δ(ΔY_t)=α + ϬΔY_t-1 + ε_t

В EViews выбираем команду View-Unit root test- Augmented Dickey-Fuller-1^st difference-Intercept-0 lags.

Полученные данные говорят  о том, что при условии первых разностей ряд FDI становится стационарным.

Таким же образом мы проверили  остальные факторы на стационарность, и результаты были аналогичными.

2. Множественная регрессия

Множественный регрессионный анализ – это метод  установления зависимости одной  переменной от двух или более независимых  переменных. В нашем анализе мы будем использовать метод наименьших квадратов, который является наиболее точным и употребительным.

Корреляционный анализ исследует  силу стохастической связи между  переменными. Теснота этой связи количественно выражается величиной коэффициента корреляции.

Обратим внимание на матрицу корреляции. (View-Correlations-Common Sample).

Рисунок 2.1. Матрица корреляции

 

Принято считать, что существует сильная связь  между двумя переменными, если модуль коэффициента корреляции больше либо равен 0,7.

Она показывает, что изучаемая переменная Y (экспорт России) тесно зависит от 4 из 6 представленных факторов. Зависимость от всех факторов, кроме обменного курса, положительная.

Однако некоторые  переменные также показывают сильную  зависимость друг от друга, что также  теоретически подтверждено. Например, такие факторы, как GDP и GNS, GNS и INVAD, FDI и INVAD, GDP и FDI, GNS и FDI. Такие показатели говорят о наличии мультиколлинеарности в модели (высокой взаимной коррелированности экзогенных переменных).

Мультиколлинерность приводит к уменьшению точности оценки параметров или невозможности получения объективных оценок из-за связи независимых переменных между собой.

Необходимо  убрать из модели какой-то фактор. Наиболее тесная связь наблюдается между GNS и INVAD.

Так как INVAD оказывает большее влияние на Y, из модели мы исключим GNS.