Journal of Applied Economic Research
ISSN 2712-7435
УДК 338.27, 519.866
Особые экономические зоны Российской Федерации: моделирование решений потенциальных резидентов и процесса их генерации
А. Е. Плесовских
Сибирский федеральный университет, г. Красноярск, Россия
Аннотация
В современных исследованиях широко обсуждается роль особых экономических зон в стимулировании экономического роста и развития России, формировании необходимых инвестиционных потоков и повышении инновационного потенциала страны за счет расширения производства продукции в высокотехнологичных отраслях экономики с высокой добавленной стоимостью. Цель исследования – моделирование процесса генерации резидентов и детерминация количественных факторов, оказывающих статистически значимый эффект на среднегодовой темп прироста компаний, участниц особых экономических зон в Российской Федерации. В работе описаны современные подходы в предсказании выбора потенциальных резидентов о начале ведения предпринимательской деятельности на территории ОЭЗ с применением классификационных подходов (Support Vector Machines, Decision Trees, Random Forest, Naive Bayes, K-Nearest Neighbor, Gradient Boosting) и регрессионных подходов (логистическая регрессия). Применен на практике современный классификационный алгоритм – Histogram-based Gradient Boosting Classification Tree, стабильный для анализа больших данных с отсутствующими значениями переменных, не требующий предварительной трансформации выборки. В работе подтверждена гипотеза о наличии положительной связи между местоположением организации и ее формируемым по итогам года финансовым результатом. В среднем по выборке компании-резиденты, расположенные вблизи центров субъектов РФ, более успешны по показателю генерируемой выручки. Гипотеза о наличии сильной взаимосвязи между показателями пространственной дифференциации субъектов РФ и показателями, характеризующими процесс генерации резидентов и частных инвестиций, не была в полной мере подтверждена. С практической точки зрения, результаты исследования могут быть применены как организациями-резидентами, потенциальными резидентами, так и управляющими компаниями ОЭЗ. Теоретическая значимость исследования заключается в спецификации предложенной модели бинарного выбора потенциальных резидентов, которая может быть расширена и обобщена в будущих работах. В настоящее время имеются все необходимые предпосылки для создания условий по развитию промышленности, высокотехнологичных отраслей экономики и выпуска продукции с высокой добавленной стоимостью с целью повышения устойчивости российской экономики.
Ключевые слова
особые экономические зоны России; процесс генерации резидентов; машинное обучение; регрессия и классификация; модели бинарного выбора.
JEL classification
C12, C23, O11, O47Список использованной литературы
1. Ramos-Rodríguez A., Medina-Garrido J., Lorenzo-Gómez J., Ruiz-Navarro J. What you know or who you know? The role of intellectual and social capital in opportunity recognition // International Small Business Journal. 2010. Vol. 28, Issue 6. Pp. 566–582. https://doi.org/10.1177/0266242610369753
2. Радыгина С.В., Суворова В.В. Особые экономические зоны как инструмент экономического роста и развития промышленного потенциала России // Вестник Удмуртского университета. Серия «Экономика и право». 2020. Т. 30, №. 3. С. 346–353. https://doi.org/10.35634/2412-9593-2020-30-3-346-353
3. Иванов С.А., Кожевникова П.А. Особые экономические зоны Дальнего Востока России: децентрализованная и централизованная модели управления // Труды института истории, археологии и этнографии ДВО РАН. 2019. Т. 24, № 3. С. 161–176. https://doi.org/10.24411/2658-5960-2019-10034
4. Квашнина И.А. Особые экономические зоны как инструмент привлечения иностранных инвестиций // Вестник Института экономики Российской академии наук. 2021. №. 3. С. 121–132. https://doi.org/10.52180/2073-6487_2021_3_121_132
5. Ахмедзянов Р.Р., Алексеева Е.В., Филиппов М.И., Мосеенкова А.О. Таможенно-тарифное регулирование в особых экономических зонах // Московский экономический журнал. 2019. №. 13. С. 89–96. https://doi.org/10.24411/2413-046X-2019-10282
6. Какаулина М.О., Горлов Д.Р. Оценка влияния налоговых льгот на инвестиционную активность в особых экономических зонах Российской Федерации // Journal of Applied Economic Research. 2022. Т. 21, № 2. С. 282–324. https://doi.org/10.15826/vestnik.2022.21.2.011
7. Min J., Kang B. Promoting New Growth: ‘Advanced Special Economic Zones’ in the Russian Far East // In: Russia's Turn to the East. Global Reordering. Edited by H. Blakkisrud, E. Wilson Rowe. Palgrave Pivot, 2018. Pp. 51–74. https://doi.org/10.1007/978-3-319-69790-1_4
8. Бизнес-навигатор по особым экономическим зонам России – 2022. Выпуск 6 / Д.А. Гуляева, И.Е. Гусев, Е.А. Баскакова, М.М. Бухарова, Е.А. Князева, Е.И. Кравченко, М.А. Лабудин, М.К. Мальбахов, Е.А. Парамзина, А.П. Семенов, А.В. Шпиленко. М.: АКИТ РФ, 2022. 251 с. URL: https://www.economy.gov.ru/material/file/699ec37679f67c137b011926f7a15119/Business_Navigator_2022.pdf
9. Бизнес-навигатор по особым экономическим зонам России – 2021. Выпуск 5 / М.М. Бухарова, А.Н. Андреев, Р.Ф. Бододько, Д.А. Гуляева, В.И. Зверков, Е.И. Кравченко, М.А. Лабудин, М.К. Мальбахов, А.Р. Новикова, М.С. Серегин, В.А. Суров, А.В. Шпиленко. М.: АКИТ РФ, 2021. 265 с. URL: https://economy.gov.ru/material/file/069f5dd4923b44519322fc84cd9ebcfb/Business_Navigator_2021.pdf
10. Корева О.В., Тихий В.И., Тяпкина А.П. Исследование особых экономических зон в контексте устойчивого развития регионов // Дискуссия. 2022. Т. 113, №. 4. С. 52–66. https://doi.org/10.46320/2077-7639-2022-4-113-52-65
11. Кузнецова О.В. Научно-технологические приоритеты в федеральной политике пространственного развития в России // Федерализм. 2023. Т. 27, №. 4. С. 5–20. https://doi.org/10.21686/2073-1051-2022-4-5-20
12. Доржиева В.В., Сорокина Н.Ю., Беляевская-Плотник Л.А., Волкова Н.Н., Романюк Э.И. Пространственные аспекты инновационного и научно-технологического развития России: Научный доклад. М.: ИЭ РАН, 2022. 94 с. URL: https://inecon.org/docs/2022/Spatial_aspects_innovative_scientific-technological_development_Russia.pdf
13. Chaudey M., Fadairo M., Perdreau F. Do retailers benefit from network affiliation in all locations // Economics Bulletin. 2020. Vol. 40, Issue 2. Pp. 1623–1633. URL: http://www.accessecon.com/Pubs/EB/2020/Volume40/EB-20-V40-I2-P139.pdf
14. Неретина Е.А. Типы, конфигурация и способы построения межорганизационных сетей // Известия высших учебных заведений. Поволжский регион. Общественные науки. 2014. №. 2 (30). С. 196–204. URL: https://rucont.ru/efd/552313
15. Blois K.J. Transaction costs and networks // Strategic Management Journal. 1990. Vol. 11, Issue 6. Pp. 493–496. https://doi.org/10.1002/smj.4250110607
16. Saar-Tsechansky M., Provost F. Handling missing values when applying classification models // Journal of Machine Learning Research. 2007. Vol. 8. Pp. 1625–1657. https://doi.org/10.5555/1314498.1314553
17. Suthaharan S. Support Vector Machine // In: Machine Learning Models and Algorithms for Big Data Classification. Integrated Series in Information Systems. Vol. 36. Boston, MA: Springer, 2016. Pp. 207–235. https://doi.org/10.1007/978-1-4899-7641-3_9
18. Rokach L., Maimon O. Decision Trees // In: Data Mining and Knowledge Discovery Handbook. Edited by O. Maimon, L. Rokach. Boston, MA: Springer, 2005. Pp. 165–192. https://doi.org/10.1007/0-387-25465-X_9
19. Murphy K.P. Naive bayes classifiers // University of British Columbia. 2006. Vol. 18, No. 60. Pp. 1–8. URL: https://www.ic.unicamp.br/~rocha/teaching/2011s2/mc906/aulas/naive-bayes.pdf
20. Mucherino A., Papajorgji P.J., Pardalos P.M. k-Nearest Neighbor Classification // In: Data Mining in Agriculture. Springer Optimization and Its Applications. Vol. 34. Pp. 83–106. New York, NY: Springer, 2009. https://doi.org/10.1007/978-0-387-88615-2_4
21. Peter S., Diego F., Hamprecht F.A., Nadler B. Cost efficient gradient boosting // Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017). Long Beach, CA, 2017. URL: https://proceedings.neurips.cc/paper_files/paper/2017/file/4fac9ba115140ac4f1c22da82aa0bc7f-Paper.pdf
22. Chaudhary A., Kolhe S., Kamal R. An improved random forest classifier for multi-class classification // Information Processing in Agriculture. 2016. Vol. 3, Issue 4. Pp. 215–222. https://doi.org/10.1016/j.inpa.2016.08.002
23. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017). Long Beach, CA, 2017. Рр. 3149–3157. URL: https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf
24. Tamim Kashifi M., Ahmad I. Efficient histogram-based gradient boosting approach for accident severity prediction with multisource data // Transportation Research Record. 2022. Vol. 2676, Issue 6. Pp. 236–258. https://doi.org/10.1177/03611981221074370
25. Marlin B.M. Missing Data Problems in Machine Learning. University of Toronto, 2008. URL: https://people.cs.umass.edu/~marlin/research/phd_thesis/marlin-phd-thesis.pdf
26. Guryanov A. Histogram-based algorithm for building gradient boosting ensembles of piecewise linear decision trees // Proceedings of 8th International Conference on Analysis of Images, Social Networks and Texts. AIST 2019. Springer, 2019. Pp. 39–50. https://doi.org/10.1007/978-3-030-37334-4_4
27. Mansfield E.R., Helms B.P. Detecting multicollinearity // The American Statistician. 1982. Vol. 36, Issue 3a. Pp. 158–160. https://doi.org/10.1080/00031305.1982.10482818
28. Kleiber C., Zeileis A. Applied Econometrics with R. New York, NY: Springer, 2015. http://dx.doi.org/10.1007/978-0-387-77318-6
29. Deepa B., Ramesh K. Epileptic seizure detection using deep learning through min max scaler normalization // International Journal of Health Sciences. 2022. Vol. 6. Pp. 10981–10996. https://doi.org/10.53730/ijhs.v6nS1.7801
30. Fay M.P., Proschan M.A. Wilcoxon-Mann-Whitney or t-test? On assumptions for hypothesis tests and multiple interpretations of decision rules // Statistics Surveys. 2010. Vol. 4. Pp. 1–39. https://doi.org/10.1214/09-SS051
31. Ng H.K.T., Balakrishnan N., Panchapakesan S. Selecting the Best Population Using a Test for Equality Based on Minimal Wilcoxon Rank-sum Precedence Statistic // Methodology and Computing in Applied Probability. 2007. Vol. 9. Pp. 263–305. https://doi.org/10.1007/s11009-007-9023-9
32. Дебердиева Е.М., Вечкасова М.В., Фролова С.В. Совершенствование регулирования производств высокой добавленной стоимости // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2021. Т. 15, №. 3. С. 56–63. https://doi.org/10.14529/em210306
33. Benini R., Czyzewski A. Regional disparities and economic growth in Russia: new growth patterns and catching up // Economic Change and Restructuring Volume. 2007. Vol. 40. Pp. 91–135. https://doi.org/10.1007/s10644-007-9026-0
34. Yershov Yu.S. Features of regional economic development in Russia in 1999–2013 // Regional Research of Russia. 2016. Vol. 6, Issue 4. Pp. 281–291. https://doi.org/10.1134/S2079970516040079
35. Schober P., Boer C., Schwarte L.A. Correlation coefficients: appropriate use and interpretation // Anesthesia & Analgesia. 2018. Vol. 126, Issue 5. Pp. 1763–1768. https://doi.org/10.1213/ane.0000000000002864
Информация об авторах
Плесовских Александр Евгеньевич
Лаборант-исследователь лаборатории экономики климатических изменений и экологического развития Сибирского федерального университета, г. Красноярск, Россия (660041, г. Красноярск, пр. Свободный, 79); ORCID https://orcid.org/0000-0001-8507-9501 e-mail: alexandermcme@gmail.com
Для цитирования
Плесовских А.Е. Особые экономические зоны Российской Федерации: моделирование решений потенциальных резидентов и процесса их генерации // Journal of Applied Economic Research. 2023. Т. 22, № 2. С. 323-354. https://doi.org/10.15826/vestnik.2023.22.2.014
Информация о статье
Дата поступления 31 января 2023 г.; дата поступления после рецензирования 23 февраля 2023 г.; дата принятия к печати 29 марта 2023 г.
DOI: http://dx.doi.org/10.15826/vestnik.2023.22.2.014
Скачать полный текст статьи:
~905 кБ, *.pdf
(Размещен
01.07.2023)
Создано / Изменено: 18 августа 2015 / 20 сентября 2021
© ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»
Увидели ошибку?
выделите фрагмент и нажмите:
Ctrl + Enter
Дизайн портала: Artsofte