Технологические спилловер-эффекты интеграции на пространстве ЕАЭС
Technological spillover effects of integration in the EAEU space
Авторы
Аннотация
Интеграционные процессы генерируют т.н. «спилловер-эффекты», оказывающие влияние на благосостояние населения стран, участвующих в интеграционных процессах. Цель исследования – оценить влияние технологических спилловер-эффектов интеграции на благосостояние населения стран-членов ЕАЭС. Гипотеза исследования – между уровнем технологического развития в России и в других странах-членах ЕАЭС должна существовать прямая (статистически значимая) связь. В условиях открытости границ на пространстве ЕАЭС знания, опыт и технологии из российской экономики (через канал взаимной торговли, ПИИ) будут распространяться на Союзные государства, повышая там уровень технологического развития. Для проверки выдвинутой в работе гипотезы использовался корреляционный и регрессионный анализ. В результате проведенного исследования, выдвинутая в работе гипотеза в целом получила подтверждение по данным, характеризующим экономику стран-членов ЕАЭС в долгосрочном временном интервале. Анализ данных показал, что уровень развития технологий в России прямо связан с технологическим развитием остальных стран-членов ЕАЭС (за исключением случая Киргизии).
Ключевые слова
технологии, спилловер-эффекты, корреляционный анализ, регрессионный анализ, ЕАЭС, Global Innovation Index.
Финансирование
Исследование выполнено за счет гранта Российского научного фонда № 23-28-01774. Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами», https://rscf.ru/project/23-28-01774/
Рекомендуемая ссылка
Шкиотов Сергей Владимирович,Майорова Марина Аркадьевна,Маркин Максим Игоревич. Технологические спилловер-эффекты интеграции на пространстве ЕАЭС // Современные технологии управления. ISSN 2226-9339. — №4 (104). Номер статьи: 10415. Дата публикации: 09.12.2023. Режим доступа: https://sovman.ru/en/article/10415/
Authors
Abstract
Integration processes generate the so-called “spillover effects” that influence the well-being of the population of countries participating in integration processes. The purpose of the study is to assess the impact of technological spillover effects of integration on the well-being of the population of the EAEU member countries. The research hypothesis is that there should be a direct (statistically significant) connection between the level of technological development in Russia and other EAEU member countries. In the conditions of open borders in the EAEU space, knowledge, experience and technologies from the Russian economy (through the channel of mutual trade, FDI) will spread to the Union States, increasing the level of technological development there. To test the hypothesis put forward in the work, correlation and regression analysis were used. As a result of the study, the hypothesis put forward in the work was generally confirmed by data characterizing the economies of the EAEU member countries in the long-term time interval. Data analysis showed that the level of technology development in Russia is directly related to the technological development of the remaining EAEU member countries (with the exception of the case of Kyrgyzstan).
Keywords
technologies, spillover effects, correlation analysis, regression analysis, EAEU, Global Innovation Index.
Project finance
The study was supported by the Russian Science Foundation grant No. 23-28-01774. Competition 2022 “Conducting fundamental scientific research and exploratory scientific research by small individual scientific groups”, https://rscf.ru/project/23-28-01774/
Suggested citation
Shkiotov Sergey Vladimirovich,Mayorova Marina Arkadyevna,Markin Maxim Igorevich. Technological spillover effects of integration in the EAEU space // Modern Management Technology. ISSN 2226-9339. — №4 (104). Art. # 10415. Date issued: 09.12.2023. Available at: https://sovman.ru/en/article/10415/
Введение
Евразийский экономический Союз (ЕАЭС) в процессе своего функционирования генерирует не только статические и динамические эффекты интеграции, описанные в классической экономической литературе [1], но и порождает т.н. спилловер-эффекты или «эффекты перетока». Подобно воде в сообщающихся сосудах экономические процессы и явления перетекают из одной экономики интеграционного объединения в другую, оказывая влияние на благосостояние жителей этих стран. В контексте функционирования единого экономического пространства (в рамках интеграционного объединения) можно говорить об абсолютной мобильности между странами-участницами трех экономических ресурсов: капитала, технологий и рабочей силы. При этом перемещение этих ресурсов между странами будет генерировать свои собственные, уникальные спилловер-эффекты.
Взгляд на природу спилловер-эффектов как на специфический канал перетока технологий и знаний от одной страны, региона, фирмы к другой встречается у целого ряда современных исследователей.
Так, Фирсова и Макарова (2017) в своем обзоре теоретических работ, под эффектом спилловера понимают процесс «перетока» знаний [3, c.141], указывая на то, что этот трансфер выступает своеобразным катализатором развития инновационных систем. Университеты и НИИ не только напрямую создают инновации, но и косвенно, через трансфер знаний и технологий, оказывают положительное воздействие на региональную инновационную систему.
Огурцова, Тугушева и Фирсова (2019) отмечают, что спилловер-эффекты – это результаты инновационной деятельности, которые привели к созданию других инноваций у субъектов, напрямую не затронутых этой деятельностью. Технологические инновации порождают значимые спилловер-эффекты, которые влияют на структурные пропорции национальных экономик; они приводят к трансформации рынка труда и изменяют структуру спроса и предложения на рынке образовательных услуг, обуславливая потребности в специалистах в области IT и определяя характер будущих рабочих мест, расширяют число сегментов и увеличивают ёмкость сферы образования и ее вклад в региональный экономический рост [8, c. 409].
Yano & Shiraishi (2022) попытались выяснить, наблюдается ли эффект перелива инноваций между национальными фирмами в Китае? Используя публичные данные о компаниях, а также данные о расходах на НИОКР и работниках, занятых в НИОКР на отраслевом уровне, авторы обнаружили, что государственные предприятия однозначно получают выгоды от инновационного спилловера от других частных китайских компаний, в то время как спилловер-эффекты инноваций для частных фирм прежде всего зависят от наличия у них финансовых ресурсов [2].
Hájek & Stejskal (2018) на примере анализа химической промышленности в странах Восточной и Центральной Европы показали, что компании, которые открыты для знаний со стороны, более инновационно активны и устойчивы. Т.е. компании сотрудничающие с университетами и другими компаниями на рынке получают значимые выгоды за счет инновационного спилловера – перетока знаний и технологий [4].
Yan & Wu (2020) рассматривают инновационные спилловер-эффекты в контексте распространения успешных регуляторных практик и инноваций от одного региона к другому. Авторы приходят к интересному выводу о том, что государственные субсидии выступают более эффективным инструментом развития инновационной среды на региональной уровне, чем кредитные ресурсы от традиционных финансовых институтов [5].
Sugiharti, Yasin, Purwono, Esquivias & Pane (2022) исследуют влияние прямых иностранных инвестиций (ПИИ) на производство и техническую эффективность компаний в производственном секторе Индонезии в период с 2010 по 2015 год. Авторы идентифицировали три горизонтальных спилловер-эффекта, связанных с инновациями: демонстрационный канал, канал внедрения технологий и канал конкуренции. В исследовании отмечается, что трансфер знаний, опыта и технологий не только способствует росту компаний, но и ставит перед национальными правительствами задачу создания среды, способствующей абсорбции ПИИ [6].
Darfo-Oduro & Stejskal (2022) отмечают, что одним из ключевых преимуществ глобальной экономики являются выгоды от перетока знаний и технологий между странами. Спилловер знаний из-за рубежа является важнейшим фактором, дополняющим и усиливающим инновационную активность внутри страны – консенсус, сложившийся в экономической литературе к настоящему моменту. Однако результаты, полученные в ходе проведенного авторами исследования, противоречат этому консенсусу, – ПИИ как канал спилловера знаний не оказывает значимого влияния на инновационную активность компаний в странах ОЭСР [7].
Целью данного исследования является оценка влияния технологических спилловер-эффектов интеграции на благосостояние населения стран-членов ЕАЭС. Гипотеза исследования базируется на двух допущениях: а) Россия как крупнейшая экономика Евразийского экономического Союза (ЕАЭС) выступает в качестве главного генератора экономических импульсов/«шоков» для остальных стран-участниц экономического объединения; б) более высокий уровень технологического развития России «перетекает» в остальные страны-участницы экономического объединения, что приводит к росту уровня благосостояния населения стран-членов ЕАЭС.
Ход исследования: на первом этапе – верифицируем наличие связи между динамикой технологического развития стран-членов ЕАЭС; на втором – оценим влияние «технологического спилловера» из России на динамику социально-экономических показателей, характеризующих благосостояние населения стран-членов ЕАЭС.
Методы
Гипотеза первого этапа исследования – между уровнем технологического развития в России и в других странах-членах ЕАЭС должна существовать прямая (статистически значимая) связь. В условиях открытости границ на пространстве ЕАЭС знания, опыт и технологии из российской экономики (через канал взаимной торговли, ПИИ) будут распространяться на Союзные государства, повышая там уровень технологического развития.
Методология исследования:
- Используемые в исследовании данные, приведены в таблице 1. В качестве показателя характеризующего общий уровень технологического развития стран был выбран Глобальный инновационный индекс (GII), который рассчитывает в своем ежегодном исследовании Всемирная организация интеллектуальной собственности (WIPO).
- Выборка: 5 стран-членов ЕАЭС.
- Исследуемый интервал: долгосрочный, 13-летний временной интервал (2011-23 гг.).
- Методы исследования: для проверки выдвинутой гипотезы использовался корреляционный и регрессионный анализ. Данные обрабатывались в программном пакете «Statistica» от компании StatSoft.
Таблица 1 – Global Innovation Index для стран-членов ЕАЭС, 2011-23 гг.
| Страны | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 |
| Россия | 35.85 | 37.9 | 37.20 | 39.14 | 39.32 | 38.50 | 38.76 | 37.90 | 37.62 | 35.63 | 36.6 | 34.3 | 33.3 |
| Белоруссия | n/a | 32.9 | 34.62 | 37.10 | 38.23 | 30.39 | 29.98 | 29.35 | 32.07 | 31.27 | 32.6 | 27.5 | 26.8 |
| Казахстан | 30.32 | 31.9 | 32.73 | 32.75 | 31.25 | 31.51 | 31.50 | 31.42 | 31.03 | 28.56 | 28.6 | 24.7 | 26.7 |
| Армения | 33.00 | 34.5 | 37.59 | 36.06 | 37.31 | 35.14 | 35.65 | 32.81 | 33.98 | 32.64 | 31.4 | 26.6 | 28.0 |
| Киргизия | 29.79 | 26.4 | 26.98 | 27.75 | 27.96 | 26.62 | 28.01 | 27.56 | 28.38 | 24.51 | 24.5 | 21.1 | 20.2 |
Источник: WIPO, 2023. https://www.wipo.int/edocs/pubdocs/en/wipo-pub-2000-2023-en-main-report-global-innovation-index-2023-16th-edition.pdf
Результаты
Результаты проведенного корреляционного анализа представлены в графической форме на рисунке 1.
Рисунок 1. Поле корреляции между динамикой технологического развития в России и в остальных странах-членах ЕАЭС
Источник: составлено авторами
Мы видим, что при увеличении одной переменной, другая переменная также увеличивается. Это может указывает на положительную взаимосвязь между двумя переменными, хотя присутствует неравномерность в распределении исследуемых величин. Верифицируем эту связь расчетом коэффициентов корреляции Спирмена.
Pearson's product-moment correlation data: Russian_Federation and Belarus t = 3.0378, df = 10, p-value = 0.01251 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.1973206 0.9063313 sample estimates: cor 0.692771
Pearson's product-moment correlation data: Russian_Federation and Armenia t = 5.7055, df = 11, p-value = 0.0001371 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.5987885 0.9588018 sample estimates: cor 0.8645412
Pearson's product-moment correlation data: Russian_Federation and Kyrgyz_Republic t = 4.0353, df = 11, p-value = 0.001964 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.3857677 0.9283631 sample estimates: cor 0.7725465
Pearson's product-moment correlation data: Russian_Federation and Kazakhstan t = 5.5085, df = 11, p-value = 0.0001839 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.5790402 0.9562895 sample estimates: cor 0.8567013
Рисунок 2. График коэффициентов корреляции
Источник: составлено авторами
Как показывает рисунок 2 – все коэффициенты корреляции являются значимыми, это означает, что существует сильная связь между исследуемыми переменными. Это может указывать на то, что линейная модель хорошо подходит для описания данных и может быть использована для предсказаний. Однако, важно помнить, что наличие значимых коэффициентов не гарантирует точность предсказаний, требуется провести дополнительный анализ данных, чтобы убедиться в качестве модели.
Для решения этой исследовательской задачи был выбран регрессионный анализ.
Итак, используем простейшую модель и допущение о том, что изменение в уровне развития технологий в России оказывает влияние на технологическое развитие остальных стран-членов ЕАЭС.
Результаты оценки регрессионной модели для России и Белоруссии
Call: lm(formula = Belarus ~ Russian_Federation) Residuals: Min 1Q Median 3Q Max -3.9257 -1.3540 -0.0439 1.7511 3.6134 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -15.3025 15.5573 -0.0984 0.3485 . Russian_Federation 1.2696 0.4179 3.038 0.0125 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 2.642 on 10 degrees of freedom (2 observations deleted due to missingness) Multiple R-squared: 0.4799, Adjusted R-squared: 0.4279 F-statistic: 9.228 on 1 and 10 DF, p-value: 0.01251 ASSESSMENT OF THE LINEAR MODEL ASSUMPTIONS USING THE GLOBAL TEST ON 4 DEGREES-OF-FREEDOM: Level of Significance = 0.05 Call: gvlma(x = M1) Value p-value Decision Global Stat 1.67489 0.7953 Assumptions acceptable. Skewness 0.12919 0.7193 Assumptions acceptable. Kurtosis 0.61163 0.4342 Assumptions acceptable. Link Function 0.03222 0.8576 Assumptions acceptable. Heteroscedasticity 0.90186 0.3423 Assumptions acceptable.
Регрессионный анализ предоставляет информацию о том, как каждая переменная влияет на зависимую переменную. В данном случае, у нас есть данные для России и Белоруссии. Анализ коэффициентов регрессионного анализа показывают следующее: значение коэффициента для переменной Russian_Federation равно 1.2696 и имеет стандартную ошибку 0.42. Это означает, что каждое изменение значения переменной Russian_Federation на единицу приводит к изменению значения зависимой переменной на 1.2696 единицы (для экономики Белоруссии). Данный коэффициент статистически отличен от нуля на уровне значимости 0.01.
Результаты оценки всего уравнения регрессии показывают, что модель регрессии хорошо соответствует исходным данным, поскольку:
- значение R-квадрат (R-squared) равно 0.4799. Это значение показывает, какую долю общей вариации зависимой переменной можно объяснить моделью. Чем ближе значение R-квадрат к 1, тем лучше модель объясняет вариацию зависимой переменной;
- значение Adjusted R-squared (Adjusted R-squared) равно4279. Это значение показывает, какую долю общей вариации зависимой переменной можно объяснить моделью после учета выбросов или пропущенных значений. Чем ближе значение Adjusted R-squared к 1, тем лучше модель объясняет вариацию зависимой переменной после учета выбросов или пропущенных значений;
- значение F-статистики (F-statistic) равно 228 при p-value равно 0.01251, что указывает на значимый уровень объяснения уравнением поведения данных.
Таким образом, результаты оценки всего уравнения регрессии показывают, что модель регрессии соответствует данным, объясняет значительную долю вариации зависимой переменной и имеет статистическую значимость.
Результаты оценки регрессионной модели для России и Армении
Call: lm(formula = Armenia ~ Russian_Federation) Residuals: Min 1Q Median 3Q Max -2.5909 -0.5274 -0.2845 0.4475 3.9673 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -23.2265 9.9430 -2.336 0.039451 * Russian_Federation 1.5282 0.2678 5.705 0.000137 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.728 on 11 degrees of freedom (1 observation deleted due to missingness) Multiple R-squared: 0.7474, Adjusted R-squared: 0.7245 F-statistic: 32.55 on 1 and 11 DF, p-value: 0.0001371 ASSESSMENT OF THE LINEAR MODEL ASSUMPTIONS USING THE GLOBAL TEST ON 4 DEGREES-OF-FREEDOM: Level of Significance = 0.05 Call: gvlma(x = M2) Value p-value Decision Global Stat 2.6230 0.6228 Assumptions acceptable. Skewness 1.3890 0.2386 Assumptions acceptable. Kurtosis 0.3631 0.5468 Assumptions acceptable. Link Function 0.5741 0.4486 Assumptions acceptable. Heteroscedasticity 0.2968 0.5859 Assumptions acceptable.
Анализ коэффициентов регрессионного анализа показывает следующее: значение коэффициента для переменной Russian_Federation равно 1.5282 и имеет стандартную ошибку 0.2678. Это означает, что каждое изменение значения переменной Russian_Federation на единицу приводит к изменению значения зависимой переменной на 1.5282 единицы (для экономики Армении). Данный коэффициент статистически отличен от нуля на любом уровне значимости.
Результаты оценки всего уравнения регрессии показывают, что модель регрессии хорошо соответствует исходным данным так как:
- значение R-квадрат (R-squared) равно 0.7474;
- значение Adjusted R-squared (Adjusted R-squared) равно7245;
- значение F-статистики (F-statistic) равно 32.55 при p-value равно 0.
Таким образом, результаты оценки всего уравнения регрессии показывают, что модель регрессии хорошо соответствует данным, объясняет значительную долю вариации зависимой переменной и имеет статистическую значимость.
Результаты оценки регрессионной модели для России и Киргизии
Call: lm(formula = Kyrgyz_Republic ~ Russian_Federation) Residuals: Min 1Q Median 3Q Max -1.7617 -1.0716 -0.7033 0.4567 5.1020 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -17.552 10.839 -1.619 0.03367 * Russian_Federation 1.178 0.292 4.035 0.00196 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.884 on 11 degrees of freedom (1 observation deleted due to missingness) Multiple R-squared: 0.5968, Adjusted R-squared: 0.5602 F-statistic: 16.28 on 1 and 11 DF, p-value: 0.001964 ASSESSMENT OF THE LINEAR MODEL ASSUMPTIONS USING THE GLOBAL TEST ON 4 DEGREES-OF-FREEDOM: Level of Significance = 0.05 Call: gvlma(x = M3) Value p-value Decision Global Stat 20.645 0.0003723 Assumptions NOT satisfied! Skewness 7.324 0.0068026 Assumptions NOT satisfied! Kurtosis 4.892 0.0269857 Assumptions NOT satisfied! Link Function 3.538 0.0599689 Assumptions acceptable. Heteroscedasticity 4.891 0.0269997 Assumptions NOT satisfied!
Анализ коэффициентов регрессионного анализа показывают следующее: значение коэффициента для переменной Russian_Federation равно 1.178 и имеет стандартную ошибку 0.292. Это означает, что каждое изменение значения переменной Russian_Federation на единицу приводит к изменению значения зависимой переменной на 1.178 единицы (для экономики Киргизии). Данный коэффициент статистически отличен от нуля на любом уровне значимости.
Результаты оценки всего уравнения регрессии показывают, что модель регрессии средне соответствует исходным данным так как:
- значение R-квадрат (R-squared) равно 0. 5968;
- значение Adjusted R-squared (Adjusted R-squared) равно 0.5602;
- значение F-статистики (F-statistic) равно 28 при p-value равно 0.001964.
Таким образом, результаты оценки всего уравнения регрессии показывают, что модель регрессии хорошо соответствует данным, объясняет значительную долю вариации зависимой переменной и имеет статистическую значимость.
Результаты оценки регрессионной модели для России и Казахстана
Call: lm(formula = Kazakhstan ~ Russian_Federation) Residuals: Min 1Q Median 3Q Max -2.4361 -0.6000 0.1988 0.6768 2.3663 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -11.039 7.500 -1.472 0.050104 . Russian_Federation 1.113 0.202 5.509 0.000184 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.303 on 11 degrees of freedom (1 observation deleted due to missingness) Multiple R-squared: 0.7339, Adjusted R-squared: 0.7097 F-statistic: 30.34 on 1 and 11 DF, p-value: 0.0001839 Call: lm(formula = Kazakhstan ~ Russian_Federation) Residuals: Min 1Q Median 3Q Max -2.4361 -0.6000 0.1988 0.6768 2.3663 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -11.039 7.500 -1.472 0.053914 . Russian_Federation 1.113 0.202 5.509 0.000184 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 1.303 on 11 degrees of freedom (1 observation deleted due to missingness) Multiple R-squared: 0.7339, Adjusted R-squared: 0.7097 F-statistic: 30.34 on 1 and 11 DF, p-value: 0.0001839 ASSESSMENT OF THE LINEAR MODEL ASSUMPTIONS USING THE GLOBAL TEST ON 4 DEGREES-OF-FREEDOM: Level of Significance = 0.05 Call: gvlma(x = M4) Value p-value Decision Global Stat 1.309696 0.8597 Assumptions acceptable. Skewness 0.018605 0.8915 Assumptions acceptable. Kurtosis 0.005231 0.9423 Assumptions acceptable. Link Function 1.249551 0.2636 Assumptions acceptable. Heteroscedasticity 0.036310 0.8489 Assumptions acceptable.
Анализ коэффициентов регрессионного анализа показывают следующее: значение коэффициента для переменной Russian_Federation равно 1.113 и имеет стандартную ошибку 0.202. Это означает, что каждое изменение значения переменной Russian_Federation на единицу приводит к изменению значения зависимой переменной на 1.113 единицы (для экономики Казахстана). Данный коэффициент статистически отличен от нуля на любом уровне значимости.
Результаты оценки всего уравнения регрессии показывают, что модель регрессии хорошо соответствует исходным данным так как:
- значение R-квадрат (R-squared) равно 0.7339;
- значение Adjusted R-squared (Adjusted R-squared) равно 0.7097;
- значение F-статистики (F-statistic) равно 34 при p-value равно 0.0001839.
Таким образом, результаты оценки всего уравнения регрессии показывают, что модель регрессии хорошо соответствует данным, объясняет значительную долю вариации зависимой переменной и имеет статистическую значимость.
Опираясь на исследование Pena & Slate (2006), в котором выделены допущения линейной регрессии – нормальность, гетероскедастичность, линейность, и то, что авторы называют некоррелированностью [10], сведем результаты проверки допущений регрессионной модели в итоговую таблицу 2.
Таблица 2 – Результаты проверки допущений регрессионной модели для стран ЕАЭС
| Допущения линейной регрессии | Белорусия | Армения | Киргизия | Казахстан |
| Global Stat | Assumptions acceptable | Assumptions acceptable | Assumptions NOT satisfied | Assumptions acceptable |
| Skewness | Assumptions acceptable | Assumptions acceptable | Assumptions NOT satisfied | Assumptions acceptable |
| Kurtosis | Assumptions acceptable | Assumptions acceptable | Assumptions NOT satisfied | Assumptions acceptable |
| Link Function | Assumptions acceptable | Assumptions acceptable | Assumptions acceptable | Assumptions acceptable |
| Heteroscedasticity | Assumptions acceptable | Assumptions acceptable | Assumptions NOT satisfied | Assumptions acceptable |
Источник: составлено авторами
Результаты представленные в таблице 2 указывают на то, что допущения модели являются приемлемыми, за исключением случая экономики Киргизии. В случае Киргизии допущения модели не соблюдаются для переменных Skewness, Kurtosis и Heteroscedasticity. Это может привести к неточным выводам и плохой производительности модели.
Заключение
Анализ данных показал, что коэффициент корреляции является статистически значимым, следовательно, уровень развития технологий в России прямо связан с технологическим развитием остальных стран-членов ЕАЭС (за исключением случая Киргизии: допущения регрессионной модели не соблюдаются для переменных Skewness, Kurtosis и Heteroscedasticity). Таким образом, выдвинутая в работе гипотеза в целом получила подтверждение по данным, характеризующим экономику стран-членов ЕАЭС в долгосрочном временном интервале.
Необходимо понимать, что к полученным результатам исследования следует относиться осторожно, поскольку он всегда зависит от объема выборки и других ограничений модели.
Ограничения исследования:
- недостаточная выборка данных и слишком короткий интервал исследования;
- выбросы данных, искажающие общую картину под влиянием пандемии коронавируса и последующего локдауна в 2019 и 2020 годах; экономических санкций против России с 2014 года; начало СВО в 2022 году;
- сильные различия в динамике экономического развития в странах-членах ЕАЭС, волатильности курса национальных валют и стоимости сырьевых товаров на биржевых площадках (что также приводит к проблеме выброса данных);
- возможно, применение корреляционного и регрессионного анализа для решения поставленной в исследовании задачи было не оптимальным (происходит апробация и поиск адекватной исследовательским задачам методики исследования).
На втором этапе исследования будет дана оценка влияния «технологического спилловера» из России на динамику социально-экономических показателей, характеризующих благосостояние населения стран-членов ЕАЭС. Надеемся, что полученные в результате исследования данные, решаемые задачи, активизируют новую волну прикладных исследований воздействия спилловер-эффектов на благосостояние жителей стран-членов ЕАЭС.
Читайте также
Библиографический список
- Salera, V. (1951). The Customs Union Issue. Jacob Viner. Journal of Political Economy, 59(1), 84–84. https://doi.org/10.1086/257042
- Yano, G., & Shiraishi, M. (2022). Innovation Spillovers between Domestic Firms in China. Emerging Markets Finance and Trade, 58(4), 1042–1060. https://doi.org/10.1080/1540496X.2021.1926978
- Фирсова, А.А., Макарова, Е.Л. Факторы, влияющие на инновационное развитие региона // Изв. Сарат. ун-та. Нов. сер. Сер. Экономика. Управление. Право. 2017. Т. 17, вып. 2. С. 141–147. DOI: 10.18500/1994-2540-2017-17-2-141-147
- Hájek, P., & Stejskal, J. (2018). R & D cooperation and knowledge spillover effects for sustainable business innovation in the chemical industry. Sustainability (Switzerland), 10(4). https://doi.org/10.3390/su10041064
- Yan, Y., & Wu, Z. (2020). Regional innovation distribution and its dynamic evolution: Policy impact and spillover effect-Based on the perspective of innovation motivation. PLoS ONE, 15(7 July). https://doi.org/10.1371/journal.pone.0235828
- Sugiharti, L., Yasin, M. Z., Purwono, R., Esquivias, M. A., & Pane, D. (2022). The FDI Spillover Effect on the Efficiency and Productivity of Manufacturing Firms: Its Implication on Open Innovation. Journal of Open Innovation: Technology, Market, and Complexity, 8(2). https://doi.org/10.3390/joitmc8020099
- Darfo-Oduro, R. K. A., & Stejskal, J. (2022). FDI Spillover Channel and its Effect on Innovation. European Conference on Knowledge Management, 23(1), 289–296. https://doi.org/10.34190/eckm.23.1.328
- Огурцова Е.В., Тугушева Р.Р., Фирсова А.А. Инновационные спилловер-эффекты информационно-коммуникационных технологий в высшем образовании // Перспективы науки и образования. 2019. № 6 (42). С. 409-421. doi: 10.32744/pse.2019.6.34
- Global Innovation Index. https://www.wipo.int/global_innovation_index/en/2023/
- Peña, E. & Slate, E. (2006). Global Validation of Linear Model Assumptions. Journal of the American Statistical Association, 101:473, 341-354. DOI: 10.1198/016214505000000637
References
- Salera, V. (1951). The Customs Union Issue. Jacob Viner. Journal of Political Economy, 59(1), 84–84. https://doi.org/10.1086/257042
- Yano, G., & Shiraishi, M. (2022). Innovation Spillovers between Domestic Firms in China. Emerging Markets Finance and Trade, 58(4), 1042–1060. https://doi.org/10.1080/1540496X.2021.1926978
- Firsova, A.A., Makarova, E.L. Factors influencing the innovative development of the region [Faktory, vliyayushchiye na innovatsionnoye razvitiye regiona]// Izv. Sarat. un-ta. New ser. Ser. Economy. Control. Right. 2017. T. 17, issue. 2. pp. 141–147. DOI: 10.18500/1994-2540-2017-17-2-141-147
- Hájek, P., & Stejskal, J. (2018). R & D cooperation and knowledge spillover effects for sustainable business innovation in the chemical industry. Sustainability (Switzerland), 10(4). https://doi.org/10.3390/su10041064
- Yan, Y., & Wu, Z. (2020). Regional innovation distribution and its dynamic evolution: Policy impact and spillover effect-Based on the perspective of innovation motivation. PLoS ONE, 15(7 July). https://doi.org/10.1371/journal.pone.0235828
- Sugiharti, L., Yasin, M. Z., Purwono, R., Esquivias, M. A., & Pane, D. (2022). The FDI Spillover Effect on the Efficiency and Productivity of Manufacturing Firms: Its Implication on Open Innovation. Journal of Open Innovation: Technology, Market, and Complexity, 8(2). https://doi.org/10.3390/joitmc8020099
- Darfo-Oduro, R. K. A., & Stejskal, J. (2022). FDI Spillover Channel and its Effect on Innovation. European Conference on Knowledge Management, 23(1), 289–296. https://doi.org/10.34190/eckm.23.1.328
- Ogurtsova E.V., Tugusheva R.R., Firsova A.A. Innovative spillover effects of information and communication technologies in higher education [Innovatsionnyye spillover-effekty informatsionno-kommunikatsionnykh tekhnologiy v vysshem obrazovanii]// Perspectives of science and education. 2019. No. 6 (42). pp. 409-421. doi: 10.32744/pse.2019.6.34
- WIPO. Global Innovation Index. https://www.wipo.int/global_innovation_index/en/2023/
- Peña, E. & Slate, E. (2006). Global Validation of Linear Model Assumptions. Journal of the American Statistical Association, 101:473, 341-354. DOI: 10.1198/016214505000000637
