Анализ факторов, влияющих на прямые иностранные инвестиции в регионах России
Задачи исследования: проанализировать влияние различных региональных факторов на прямые иностранные инвестиции в регионы России.
В исследовании будут использоваться панельные данные. Для построения эконометрических моделей будут использоваться факторы, представленные в таблице 1. Описательные статистики представлены в таблице 2. Данные взяты c официального сайта федеральной службы государственной статистики www.gks.ru. Данные охватывают период с 1990 по 2010 год, однако большинство интересующих данных заключены в промежутке между 2003 и 2009 годами.
В рамках исследования предполагается проверить влияние следующих показателей на прямые иностранные инвестиции: загрязнение окружающей среды, миграция населения в регион, доля природных ресурсов в структуре валового регионального продукта, различные показатели уровня жизни населения, инновационные продукты и фирмы, их создающие. Кроме того, в ходе исследования возможно протестировать наличие структурных сдвигов инвестирования в регионы России после кризиса. Наибольший интерес в исследовании представляет проверка влияния изобилия природных ресурсов в регионе на прямые иностранные инвестиции.
Стоит отметить, что ограничение на переменные - рассмотрение только региональных факторов - является существенным препятствием в моделировании факторов прямых иностранных инвестиции отчасти снимается панельной структурой данных, так как, например, модель с фиксированными эффектами содержит дополнительные переменные, отвечающие за различные регионы - индивидуальные эффекты. Таким образом, недоучет некоторых факторов, возможно, не приведет к неверной спецификации модели.
В настоящее время все больше и больше исследований посвящено динамике прямых иностранных инвестиций. В работе K.S. Cnapalati & Raof Biswajil (2011) исследуется динамика прямых иностранных инвестиций в Индии.
«Недавний бум теоретическим и эмпирических исследований о факторах, влияющих на прямее иностранные инвестиции, характеризует рост значимости прямых иностранных инвестиций для экономического развития на региональном, мировом и глобальном уровнях» «(Ledyaeva, 2009).
«Для России сегодня чрезвычайно важным вопросом является выявление факторов, влияющих на рост или снижение прямых иностранных инвестиций. По сравнению со странами Центральной Европы, Россия привлекала относительно мало прямых иностранных инвестиции в 1990 е годы. Позднее ситуация немного улучшилась. Объем прямых иностранных инвестиций в России вырос с 220 $ в 2000 году до 921 $ в 2005 году. 2108 $ и 5813 $ для Чешской республики, 1935 $ и 9194 $ для Эстонии и 2237 $ и 6047 $ Соответствующие цифры составили для Венгрии» (Ledyaeva, 2009).
Обзор исследований
«Отсутствие информации - это одна из причин, почему до недавнего времени было сделано мало попыток проанализировать динамику прямых иностранных инвестиций в Российской Федерации.
Ранние исследование фокусировались на взаимодействии страны- инвестора и «страны-рецепиента», и исключали влияние остальных стран. Тем не менее необходимо учитывать, что одни регионы влияют на приток прямых иностранных инвестиций в другие регионы, и такую зависимость можно моделировать при помощи авторегрессии» (Blongien, 2007).
«Исследования прямых иностранных инвестиций можно разделить на две группы. Первая группа исследований анализирует условия, когда корпорациям выгодно осуществлять инвестиции за рубеж. Вторая группа исследует факторы, которые делают страну более или менее привлекательной для иностранных инвестиций». (Chakrabarti, 2003)
Ekholm (2005) был первым, кто построил модель прямых иностранных инвестиций, ориентированных на экспорт. В данном случае потребителем конечной продукции является третья страна, а не рецепиент и не инвестор.
Blongien (2007) предположил метод оценки прямых иностранных инвестиций, где переменные делятся на лагированные переменные (точнее, лагированные значения прямых иностранных инвестиций в других регионах) и на переменные, характеризующие размер рынка.
Baltagi (2007) исследовал комплексную модель прямых иностранных инвестиций, учитывающую инвестиции в знания, используя ежегодные панельные данные за период 1989-1999 год.
Абралти (Arbatli) в работе «Экономическая политика и притоки иностранных инвестиций в развивающиеся страны» исследовал основные факторы, влияющие на приток прямых иностранных инвестиций.
Согласно Арбатли, на прямые иностранные инвестиции влияют:
) Ставки процента.
) Уровень образования в стране.
) Рыночная волатильность.
) ВВП.
) Налоговая политика - налоговые ставки, а также стабильность налоговой политики. Нестабильная налоговая полтика негативно влияет на уровень прямых иностранных инвестиций.
) Тарифы
) Политическая стабильность
В исследованиях факторов, влияющих на прямые иностранные инвестиции в России, было выявлено, что институты - это слабое место России. Они снижают инвестиционную привлекательность нашей страны и негативно влияют на объем поступивших прямых иностранных инвестиций на душу населения.
эмпирических исследования, анализирующих приток прямых иностранных инвестиций в регионы РФ
Brock(1998) анализировал факторы, влияющие на прямые иностранные инвестиции за 1993-1995 годы, и пришли к выводу, что емкость рынка и уровень преступности влияют на величину прямых иностранных инвестиций.
Broadman и Recanatini (2001) анализировали факторы, влияющие на прямые иностранные инвестиции с 1995 по 1999 годы. Они показали, что объем рынка, развитость инфраструктуры, и политический режим объясняют большую часть наблюдаемой дисперсии в величине прямых иностранных инвестиций в регионах РФ.
Iwasaki и Suganuma (2005) предложили модель распределения прямых иностранных инвестиций по регионам РФ. Они выяснили, что обеспеченность ресурсами, степень индустриализации и развитость инфраструктуры сильно влияют на инвестиционную привлекательность регионов.
«Также на прямые иностранные инвестиции влияет наличие квалифицированной рабочей силы». (Ledyaeva, 2009)
Факторы, влияющие на прямые иностранные инвестиции, согласно исследованию Helsinki School of Economics:
1) Размер рынка
) Доступ к большим городам и портам
) Индекс ресурсов для нефти и газа
) Близость к европейским рынкам
) Политические риски.
Выбор этих переменных основан на существующих теориях прямых иностранных инвестиций и на распределении приток прямых иностранных инвестиций по регионам РФ». «Задача исследования - определить, изменились ли мотивы прямых иностранных инвестиций в России после кризиса 1998 года». «После кризиса 1998 года многие прямые иностранные инвестиции были направлены в импортозамещающие отрасли» (Ledyaeva, 2009). В таком случае тарифы не сильно влияют на приток прямых иностранных инвестиций, так как готовая продукция продается в этой же стране.
«С 2003 года наблюдался сильный рост прямых иностранных инвестиций» (Ledyaeva, 2009). «Регионы-соседи, находящиеся рядом с портами, становятся конкурентами за прямые иностранные инвестиции» (Ledyaeva, 2009).
Данные
Для моделирования притока иностранных инвестиций в регионы России необходимо собрать минимальный набор показателей, которые будут определять динамику прямых иностранных инвестиций в регионы России.
Большинство данных взято с сайта www.gks.ru, это такие факторы, как доля ВРП приходящаяся на строительство, природные ресурсы и пр., продолжительность жизни, безработица, загрязнения атмосферы, торговля, ВРП, численность населения, включая и прямые иностранные инвестиции и многие другие показатели. Полный перечень регрессоров представлен в таблице 1. Кроме того, в работе присутствуют показатели, взятые из других источников, например индекс polity, который отражает политический режим страны и динамика мирового индекса Доу-Джонса и общероссийского индекса MICEX (взяты из www.finam.ru), которые представляют временные ряды.
Стоит отметить большой спектр данных, которые отражают региональную специфику. Условно все показатели можно разделить на экономические, демографические, институциональные и показатели инфраструктуры. Очевидно, что каждая из компонент, представленная делением показателей, действительно влияет на предпочтения инвесторов и, следовательно, непосредственно воздействует на прямые иностранные инвестиции. К сожалению, факторы, которые должны играть наибольшую роль в формировании прямых иностранных инвестиций, оказываются не учтенными, так как это в основном институциональная среда, инвестиционные риски, качество инфраструктуры и другие. Ни один из показателей, предложенных в списке, явным образом не отражает эти факторы. Поэтому возможно лишь отдаленное приближение к оценке хорошей модели, отражающей действительность, то есть сложно выявить влияние каждого из показателей на прямые иностранные инвестиции.
Перейдем к описанию процесса сбора данных и методологии.
В первую очередь, отметим, что за исключением индексов и их стандартных отклонений, все показатели уникальны для каждого региона и каждого момента времени (правда некоторые показатели могут длительное время не изменяться, например доля телефонизированных населенных пунктов).
К сожалению, официального сайта статистики Российской Федерации удалось получить далеко не все необходимые для анализа динамики прямых иностранных инвестиций данные. Более того, большинство данных приходилось перепроверять и устранять неточности, а, порой, вопиющие неточности. Так, например, приходилось вручную исправлять (чаще удалять) наблюдения с нулевыми значениями, так как на самом деле это означало, из содержательных соображений, отсутствие данных. Поэтому, во избежание смещения коэффициентов из-за неточного измерения переменных пришлось внимательно просмотреть всю выборку из более чем полутора тысяч наблюдений по 28 показателям.
Другая трудность заключалась в необходимости корректировки некоторых показателей, а именно перевод переменных, измеренных в денежных единицах, в текущих ценах, в реальные показатели. Такой обработке подверглись следующие переменные: ВРП, объем инновационной продукции и затраты на исследования и разработки. Для корректировки использовался индекс потребительских цен на товары и услуги.
Отметим, что некоторые переменные были получены путем преобразования исходных переменных. Это было необходимо из экономических соображений для формирования более подходящих переменных для моделирования. К преобразованным показателям относятся миграция в регион (получена делением на численность населения в регионе), выбросы вредных веществ на человека (деление на численность населения в регионе), число административных правонарушений на человека (деление на численность населения в регионе).
Очевидна также необходимость макро данных, то есть таких, которые не изменяются для объектов (в нашем случае регионы), но которые изменяются во времени. К таким переменным относятся индекс Доу Джонса (считалось на помесячных данных), его стандартное отклонение (считалось на помесячных данных), индекс MICEX (считалось на помесячных данных), его стандартное отклонение (считалось на помесячных данных), ВВП России и индекс политического режима.
Отдельно собиралась статистика по кредитным организациям в регионе. Данные были взяты с официального сайта ЦБ www.cbr.ru.
Мы можем получить расширение наших объясняющих переменных за счет включения лагированных значений переменным. Более того, эта процедура, вероятно, приведет к качественно лучшим моделям, так как, очевидно, на переменную прямые иностранные инвестиции могут влиять некоторые переменные с некоторым запаздыванием, лагом.
Особенно стоит подчеркнуть различный временной горизонт переменных, который включает в себя данные с 1990 по 2010 год. Однако, большинство переменных представлены на более коротком промежутке, например прямые иностранные инвестиции представлены с 2004 по 2009 год. В качестве объектов будут выступать регионы России, которых имеется различное количество в разные периоды. В финальной таблице имеется 92 региона. Заметим, что в силу отсутствия данных по некоторым регионам, в регрессиях будет отображаться меньше регионов.
Простыми вычислениями можно получить 1869 наблюдений. В силу ограничения на зависимую переменную, а также в некоторых моделей и ряд объясняющих переменных существенно ограничивает количество наблюдений в регрессии. Это количество не превышает 500 наблюдений.
Выбор лучшей модели
В текущем разделе мы представим результаты моделирования инвестиций в регионы России на современных данных.
Прежде чем строить какую либо модель, проанализируем исходные данные. В таблице ниже приведена корреляция между зависимой и независимыми переменными. Из соображений наглядности и экономии места приводится корреляция только тех переменных, которые имеют высокие по модулю значения или имеют важное значение для последующего моделирования. Все остальные корреляции не превышают по модулю 0.3. Латинский символ l с нижним подчеркиванием означает, что переменная взята с лагом, l2 с нижним подчеркиванием - лаг 2 года.
| Корреляция | y_pc_real | l_y_pc | l2_y_pc | y_constr | y_natr | trade_pc | life_exp | lforce |
| fdi | 0.4023 | 0.4016 | 0.3477 | 0.5585 | 0.3237 | 0.3635 | -0.1283 | 0.2314 |
Из таблицы можно сделать вывод: имеется слабая корреляция между зависимой и независимыми переменными.
Из соображений экономии места здесь не приводится корреляционная матрица, которая имела бы свыше 30 рядов и столбцов, и которая теряла всякую наглядность. Вместо этого мы будем выбирать регрессоры для модели с относительно небольшими значениями корреляции. Здесь скажем, что включение в модель ВРП и ВРП лагированного недопустимо в силу того, что имеется тесная связь между ними.
К сожалению, имеющиеся данные не позволяют построить модели, которые были получены ранее (см. обзор статей). Поэтому в моделировании мы будем руководствоваться здравым смыслом и статистическими критериями.
Судя по таблице с корреляционной матрицей, логично попробовать построить модель, включая каждую из переменных, причем возможно добавление дополнительных переменных, если последнее будет целесообразным.
Перейдем к непосредственному моделированию прямых иностранных инвестиций.
Для начала приведем модели без учета панельной структуры данных (pooled model). Ниже мы выводим наиболее удачные варианты регрессии из широкого выбора регрессоров.
| Variable | POOLED_1 | POOLED_2 | POOLED_3 | POOLED_4 |
| y_pc_real | 0.0012 | -0.0037 | 0.004 | 0.0038 |
| 2.11 | -3.85 | 3.33 | 3.12 | |
| trade_pc | 0.0973 | 0.1805 | 0.0852 | 0.0873 |
| 6.59 | 9.58 | 5.26 | 5.41 | |
| y_produc | -17.0967 | -18.5816 | -14.5773 | -14.9918 |
| -4.31 | -5.01 | -3.59 | -3.71 | |
| y_sale | -37.1238 | -28.3196 | -46.3203 | -45.7613 |
| -4.43 | -2.78 | -5.41 | -5.37 | |
| y_energy | -48.5253 | -44.8415 | -56.4352 | -57.6027 |
| -2.97 | -2.86 | -3.51 | -3.6 | |
| life_exp | -81.4693 | -50.9387 | -101.2802 | -116.1682 |
| -4.85 | -3.12 | -5.86 | -6.28 | |
| migr_in | -53.5267 | -40.7747 | -45.8392 | -47.7984 |
| -5.77 | -4.16 | -4.84 | -5.05 | |
| univer | -10.6788 | |||
| -2.31 | ||||
| crime | -181.5125 | -212.5728 | ||
| -3.17 | -3.62 | |||
| polution | -0.704 | -0.6417 | ||
| -2.68 | -2.44 | |||
| dj_index_av | 0.0893 | |||
| 2.2 | ||||
| _cons | 7243.6223 | 5147.1704 | 8929.5953 | 9006.3352 |
| 6.56 | 4.72 | 7.49 | 7.6 | |
| N | ||||
| Adj R-squared | 0.3372 | 0.3011 | 0.3814 | 0.3726 |
Приведенные выше модели имеют значимые коэффициенты, причем некоторые коэффициенты показывают достаточно удивительную зависимость. Наряду с тем фактом, что мы не используем панельную структуру данных, данные результаты имеют меньшую надежность из-за низкого значения коэффициента детерминации. Причем в подобных моделях получение коэффициента выше, чем приведенный, оказывается проблематичным. Это может наталкивать на мысль о не включении в модель некоторых существенных переменных, таких как институциональная среда, инфраструктура в регионе и другие.
Однако данную проблему, возможно, можно решить введением индивидуальных эффектов, то есть учитывая панельную структуру данных. Сразу отметим, что имея в качестве объектов разнородные регионы: по размерам, культурным, этническим, демографическим, экономическим и прочим характеристикам, однозначно склоняет выбора модели для панельного исследования с фиксированными эффектами, то есть не случайными эффектами.
Для панельных регрессий разумных моделей получается значительно меньше. Ниже приводится только две, в которых не учитываются лаги. Мы строили модели с фиксированными эффектами, так как регионы России не рассматриваются как случайная выборка из генеральной совокупности.
инвестиция загрязнение природный инновационный
| Variable | y_pc_real | y_natr | trade_pc | y_sale | _cons | N |
| FE_1 | 0.0097 | -28.46 | -298.3676 | |||
| 12.32 | -4 | -3.27 | ||||
| FE_2 | 0.0019 | -13.2536 | 0.0361 | -18.1634 | 370.345 | |
| 2.53 | -2.4 | 3.39 | -1.94 | 2.34 |
Уже сейчас можно выявить удивительную закономерность (которая подтверждается и во многих других моделях с большим числом регрессоров, некоторые коэффициенты не значимы) про отрицательный и значимый знак при переменный доли природных ресурсов в ВРП. Такая же закономерность наблюдается и для моделей без учета панельной структуры, причем не только для этой переменной, тогда как логичное объяснением можно привести только для переменной уровня преступности.
В нашем случае панельный анализ допустим и для процессов авторегрессий, который дает богатый модельный ряд. Причем обоснованно включать не только лагированные значения прямых иностранных инвестиций, но и некоторые регрессоры. Заметим, что модель Арелано-Бонда целесообразно использовать в коротких моделях для большого числа объектов (в нашем случае регионов). В нашем случае это эффект имеет место. Лагированные переменные будут означать, что данный регрессор влияет на прямые иностранные инвестиции с некоторым лагом, что вполне оправданно для такого макро экономического показателя.
| Variable | AB_1 | AB_2 | AB_3 | AB_4 | AB_5 | AB_6 |
| l_fdi | 1.2413 | 0.5967 | 0.5525 | 0.5606 | 0.5606 | 0.5625 |
| 12.02 | 8.85 | 8.71 | 8.82 | 8.82 | 181.43 | |
| y_pc_real | -0.0058 | -0.0039 | ||||
| -4.54 | -2.16 | |||||
| l2_y_pc | 0.0036 | -0.0106 | -0.0119 | -0.0122 | -0.0122 | -0.0104 |
| 3.21 | -8.21 | -10.49 | -10.6 | -10.6 | -15.43 | |
| y_natr | -34.2205 | -30.2651 | -36.6027 | -35.933 | -35.933 | -39.5711 |
| -4.46 | -5.33 | -7.59 | -7.41 | -7.41 | -30.34 | |
| n_fil | -17.5242 | -16.3235 | -16.6539 | -16.6539 | -14.5884 | |
| -6.99 | -6.76 | -6.86 | -6.86 | -14.72 | ||
| unemp | -29.4817 | -23.8427 | -18.9892 | -22.9246 | -22.9246 | -13.9736 |
| -1.71 | -2.3 | -1.9 | -2.21 | -2.21 | -5.43 | |
| l_dj_index | 0.0457 | 0.0724 | 0.0602 | 0.0604 | 0.0604 | 0.0513 |
| 1.94 | 4.9 | 4.44 | 4.45 | 4.45 | 12.32 | |
| crime | -50.47 | |||||
| -4.21 | ||||||
| _cons | 262.257 | 781.8629 | 738.8117 | 937.2523 | 937.2523 | 563.3801 |
| 0.85 | 4.2 | 4.03 | 4.25 | 4.25 | 6.57 | |
| N |
В таблице представлены результаты с использованием моделей Arelano-Bonda с лагированной переменной прямых иностранных инвестиций и некоторых других. Отметим, что таблица отражает далеко не все модели с разумными статистиками. В таблице представлены наиболее выдающиеся модели. Как и в предыдущих ситуациях, наблюдаются удивительный результат знаков некоторых коэффициентов в модели. Например, затруднительно объяснить отрицательный значимый знак перед переменной ВРП на душу населения. Количество филиалов в регионе и проценты, приходящиеся на природные ресурсы в ВРП имеют отрицательный знак, что также является удивительным результатом. Напротив, имеется предсказываемый знак перед переменными: преступления, индекс Доу-Джонса и, возможно, безработица.
Из представленных выше моделей мы можем сделать следующие выводы. Сперва заметим, что в большинстве случаев тест хаусмана на сравнение моделей с фиксированными эффектами и случайными эффектами отвергается гипотеза о наличии случайных эффектов, то есть модель с фиксированными эффектами оказывается более предпочтительной. Кроме того, F-тест на сравнение pooled модели и модели с фиксированными эффектами отвергает гипотезу об отсутствии индивидуальных эффектов, следовательно модель с фиксированными эффектами более предпочтительна, причем именно такую спецификацию мы предполагали в начале.
Заметим, что модели с фиксированными эффектами оказались не надежными, то есть большинство коэффициентов оказывались не значимыми, и, поэтому, в таблице было представлено только две получившиеся модели. Иными словами, большинство регрессоров не могли объяснить динами прямых иностранных инвестиций в регионы. Отметим также, что большинство тестируемых моделей имели одинаковую структуру знаков для переменных, как и для динамических панельных моделей, включая и нелогичные знаки коэффициентов при некоторых переменных (например ВРП на душу населения). Таким образом, мы переходим к динамическим панелям, в которых имеются значительно больше содержательных моделей. В целом мы можем заметить, что доля природных ресурсов, как это ни парадоксально, отрицательно влияет на прямые иностранные инвестиции. Не подтверждается гипотеза о положительном влиянии банковской инфраструктуры в регионе на прямые иностранные инвестиции. В качестве приближения этого показателя бралось значение количества кредитных организаций в регионе с филиалами или в другом - две различные переменные.
Отметим также положительную связь развития экономики и прямых иностранных инвестиций, которая измерялась как среднемесячное значение индекса Доу Джонса или MICEX. Однако их дисперсии имели отрицательный знак в регрессии, что является неожиданным результатом. То есть чем выше волатильность индекса, тем выше прямые иностранные инвестиции.
Безработица и количество преступлений негативно влияют на зависимую переменную, что имеет экономическое обоснование. Однако отметим, что связь некоторых регрессоров не столь очевидно, а именно требует дополнительного анализа причинно-следственная связь. Например между переменными прямые иностранные инвестиции и загрязнение окружающей среды, причем включение последней переменной в модель не оказывало значимого эффекта.
Как уже обсуждалось выше, объяснение, почему получен отрицательный и значимый знак при переменной ВРП на душу населения, затруднительно. Причем такой эффект наблюдался во многих моделях, за исключением pooled моделей.
Практически во всех тестируемых моделях, учитывающих панельную структуру данных и не учитывающих, оказываются не значимые коэффициенты при регрессорах: загрязнение окружающей среды, миграция в регион, различные показатели уровня жизни (дифференциация доходов населения, прожиточный минимум в регионе, за исключением некоторых моделей, где коэффициент при продолжительность жизни оказывается значимой и положительной) и инновационные продукты и фирмы их создающие. Заметим также, что такие показатели, как инновационные фирмы и инновационные продукты имеют существенно меньший временной интервал, в результате чего теряется часть наблюдений. Поэтому такие модели имеют другую специфику, другие знаки и возникают немного отличные результаты от представленных выше. Причем многие коэффициенты теряют значимость и модели оказываются менее пригодными для анализа, поэтому эти результаты не представлены в работе.
Анализ структурных эффектов не дал результата во многом потому, что количество наблюдений резко падало. Кроме того, так как было интересно посмотреть на структурные сдвиги в модели до кризиса и после, а имеются наблюдения только до 2009 года, то из-за неимения достаточного количества наблюдений этот эффект не тестировался.
Выводы
Наиболее удивительный результат, полученный в ходе моделирования, относится к влиянию природных ресурсов на прямые иностранные инвестиции. Коэффициент при доли природных ресурсов, приходящейся на создание ВРП, оказывался в основном (почти во всех моделях учитывая и не учитывая панельную структуру) отрицательным и значимым. Таким образом, гипотеза о том, что природные ресурсы положительно влияют на приток прямых иностранных инвестиций, не подтвердилась.
Гипотеза о том, что институты - это слабое место России, негативно влияющее на объем прямых иностранных инвестиций, подтвердилась, так как преступность отрицательно влияет на приток FDI.
Гипотеза о том, что ВРП на душу населения положительно влияет на приток FDI, не подтвердилась.
Отметим, что наилучшие модели получались для динамических панелей. В моделях Арелано-Бонда были получены приемлемые модели, которые имели все значимые коэффициенты. Отметим, что такие показатели как загрязнение окружающей среды, миграция в регион, различные показатели уровня жизни населения, инновационные продукты и фирмы их создающие оказывались не значимые. Это согласуется с теоретическими предпосылками.
Выявить структурные сдвиги для прямых иностранных инвестиций обнаружить достаточно проблематично, так как имеется небольшое количество наблюдений.
В целом исследование показало, что на прямые иностранные инвестиции влияют лагированное значение прямых иностранных инвестиций, ВРП на душу населения, лигированный ВРП на душу населения, доля природных и ресурсов приходящихся на создание ВРП, количество преступлений, безработица, количество кредитных организаций в регионе, показатели мировой экономики (индекс Доу-Джонса и MICEX). Первая группа показателей без лагированного значения прямых иностранных инвестиций имеет до количество кредитных организаций в регионе оказывают, в основном, значимое отрицательное воздейсвтие на прямые иностранные инвестиции. Все остальные перечисленные показатели оказывали, в основном, положительное влияние.
Библиография
1. Svetlana Ledyaeva, «Spatial Econometris Analysis of Foreign Direct Investment Determinants in Russian Regions» - The World Economy, 2009
2. K.S. Chalapati Rao & Biswajit Dhar, «India’s FDI Inflows. Trends and Concepts», ISID Working Paper, 2011
. Andreas Johnson, «The Effects of FDI Inflows on Host Country Economic Growth», Jönköping International Business School, 2005
. Elif Arbatli, «Economic Policies and FDI Inflows to Emerging Market Economies», IMF Working Paper, 2011
5. Lúcio Vinhas de Souza, «Foreign Investment in Russia», ECFIN Country Focus, 2008
6. Roodman «How to Do xtabond2: an Introduction to «Difference» and «System» GMM in Stata, 2006
7. «Econometric analysis of dynamic panel-data models, using stata». David M. Drukker. Summer North American Stata Users Group Meeting, 2008
. «Using Arellano-Bond Dynamic Panel GMM Estimators in Stata», Elitza Mileva, Economics department Fordham University, July, 9,2007.
. www.gks.ru
. www.cbr.ru
. www.finam.ru