Details

Предметом исследования является связь отраслевой локализации и концентрации (HHI) с показателями экономического развития регионов России с учётом роли третичного сектора. Целью работы является оценка связи отраслевой локализации и концентрации с валовой добавленной стоимостью на уровне регионов и отраслей субъектов Российской Федерации. В процессе написания работы применялись следующие методы: анализ, синтез, систематизация, описательная статистика, панельное регрессионное моделирование с фиксированными эффектами, пространственный анализ (Morans I, LISA), пространственные регрессионные модели (SAR, SEM), пошаговый отбор переменных по критерию BIC. Первичная обработка данных проводилась с помощью пакета MS Excel, эконометрическое моделирование и анализ пространственной автокорреляции — с помощью языка программирования Python (библиотеки linearmodels, spreg, libpysal, esda). По результатам работы выявлена значимая положительная связь отраслевой концентрации (HHI) с ВДС на одного занятого, значимая положительная связь коэффициента локализации (LQ) с отраслевой ВДС, установлена межсекторная дифференциация эффектов локализации (наибольший эффект — во вторичном секторе, наименьший — в первичном), а также подтверждена положительная пространственная автокорреляция региональных показателей; пространственные панельные модели показали, что данная автокорреляция носит структурно-постоянный характер и поглощается региональными фиксированными эффектами.

The subject of the study is the relationship between industrial localization, concentration (HHI), and economic performance indicators of Russian regions, taking into account the role of the tertiary sector. The aim of the study is to assess the relationship between industrial localization and concentration and gross value added at the regional and sectoral levels across the subjects of the Russian Federation. The following methods were applied in the course of the study: analysis, synthesis, systematization, descriptive statistics, panel regression modelling with fixed effects, spatial analysis (Morans I, LISA), spatial regression models (SAR, SEM), spatial panel models (Panel FE-SAR, Panel FE-SEM), and stepwise variable selection based on the Bayesian Information Criterion (BIC). Primary data processing was carried out using MS Excel; econometric modelling and spatial autocorrelation analysis were performed using Python (linearmodels, spreg, libpysal, esda libraries). The study finds a significant positive relationship between regional economic concentration (HHI) and GVA per employed person, a significant positive relationship between the location quotient (LQ) and sectoral GVA, cross-sectoral differentiation of localization effects (the strongest effect in the secondary sector, the weakest in the primary sector), and confirms positive spatial autocorrelation of regional indicators. Spatial panel models demonstrate that this autocorrelation is structurally persistent and is absorbed by regional fixed effects.