Везде
The primary assessment of the economic efficiency of strategic directions of development of gas industry in Russia
Table of contents
Annotation Estimate Publication content
References Comments
Share
QR
Metrics
The primary assessment of the economic efficiency of strategic directions of development of gas industry in Russia
Annotation
PII
S042473880009219-9-1
DOI
10.31857/S042473880009219-9
Publication type
Article
Status
Published
Authors
Nikita Sasaev 
Occupation: undergraduate
Affiliation: Moscow School of Economics, Lomonosov Moscow State University
Address: Moscow, Russian Federation
Edition
Volume 56 Issue 2
Pages
52-65
Abstract

Economic, geopolitical and energy instability, both on the global and regional markets, as well as the high dependence of the Russian economy on the oil and gas sector (60% of export revenues and 45% of the state budget revenues in 2018) actualizes the renunciation of the export-raw material vector of the development. The author identifies key strategic directions for the transformation of the gas industry in Russia, and raises the question of the primary assessment of the economic efficiency of their realization. So, the author proposes approach to the primary assessment of strategic priorities through econometric modeling of vector autoregression (VAR) and distributed lag autoregression (ARDL); he also identifies the advantages and disadvantages of these models when conducting a primary assessment of economic efficiency. After that, the author presents and explains the results of the primary assessment of the economic efficiency of these strategic priorities on the example of the impact on economic growth, both in the short and long term. Also, the obtained results are compared with the studies of other authors, which confirm the adequacy and possibility of applying the author's approach to the primary assessment of the economic efficiency of the strategic priorities of the gas industry in Russia.

Keywords
strategic priority, strategy, strategizing, economic efficiency, vector autoregression model, distributed lag autoregression, gas industry
Received
13.04.2020
Date of publication
11.06.2020
Number of purchasers
35
Views
2374
Readers community rating
0.0 (0 votes)
Cite   Download pdf
1

1. ВВЕДЕНИЕ
2 Оценкам экономической эффективности посвящено много исследований. Оценка экономической эффективности (ЭЭ) посредством экономико-математического инструментария и диалоговой системы оценки была рассмотрена на примере крупномасштабных проектов в работе (Львов, Медницкий В., Медницкий Ю., Овсиенко, 1996). В работе (Бахтизин А., Бахтизина Н., 2010) показано применение современного инструментария агент-ориентированного моделирования для получения количественной оценки эффективности от различного воздействия на экономическую систему в целом с помощью системы показателей: объем инвестиций, налоги, заработные платы и др. Целесообразность использования ряда экономических и социальных показателей для оценки эффективности разных по величине объектов анализа подтверждена в работах (Макаров, Айвазян, Афанасьев, Бахтизин, Нанавян, 2014; Лившиц, Миронова, Швецов, 2019).
3 В 2018 г. на долю нефтегазового сектора Российской Федерации пришлось более 60% экспортных доходов и порядка 45% доходов государственного бюджета. В условиях экономической, геополитической и энергетической нестабильности на глобальном и региональных рынках все чаще становится актуальной тема отхода от экспортно-сырьевой ориентации российской экономики, что также затрагивает трансформацию и развитие газовой отрасли.
4 Автором настоящего исследования, опираясь на методологию стратегирования (Kvint, 2015), был определен ряд стратегических направлений, позволяющих трансформировать газовую отрасль: обеспечение газификации регионов страны (газификация регионов), проведение диверсификации экспортных потоков природного газа (диверсификация), развитие крупнотоннажного производства сжиженного природного газа и наращивание его экспорта (крупнотоннажное производство сжиженного природного газа), развитие малотоннажного производства сжиженного природного газа и его активное применение на внутреннем рынке (малотоннажное производство сжиженного природного газа), развитие газоперерабатывающего и газохимического производства (газопереработка и газохимия).
5 В современных условиях первичная оценка экономической эффективности позволяет оценить потенциальный эффект от реализации выделенных стратегических приоритетов, что является важной особенностью при стратегировании (формулирование концепции) на ранних этапах. Такая оценка дает возможность ранжировать стратегические приоритеты рассматриваемого объекта в соответствии с имеющейся ресурсной базой. Другими словами, в условиях ограниченных ресурсов (в том числе из-за санкционной политики против России), имея вероятностную оценку ЭЭ, появляется возможность установить такой порядок реализации стратегических приоритетов, при котором первоочередные направления дадут наибольшую выгоду. Важно понимать, что некоторые стратегические приоритеты могут не приносить количественной выгоды, в то время как их реализация может дать более важный качественный эффект. Таким образом, целью нашего научного исследования является первичная оценка ЭЭ стратегических приоритетов развития газовой отрасли России.
6

Для достижения поставленной цели необходимо определить методологию проведения первичной оценки ЭЭ-приоритетов и провести первичную оценку их экономической эффективности для апробирования данного подхода.
7

2. МЕТОДЫ ИССЛЕДОВАНИЯ
8 В статье предлагается новый подход к первичной оценке экономической эффективности, который заключается в эконометрическом моделировании векторной авторегрессии (Vector Auto Regression) и авторегрессии с распределенным лагом (Autoregressive Distributed Lag).
9 Модель векторной авторегрессии (VAR) — эконометрическая модель, которая состоит из некоторого числа уравнений взаимосвязанных временны́х рядов. Каждое уравнение показывает зависимость одной переменной от значений других переменных, которые имеют лаговый сдвиг по времени (Sims, 1980).
10 Пример простейшей модели VAR с двумя переменными ( Y1t и X2t) и временным лагом, равным единице, можно представить в виде (Банников, 2006):
11 Y1t=α11+β11Yt-1+β12Xt-1+μ1t,X2t=α21+β21Yt-1+β22Xt-1+μ2t;- (1)
12 в векторно-матричной записи:
13 Y1tX2t=α11α21+β11β21Yt-1Yt-1+β12β22Xt-1Xt-1+μ1tμ2t, (2)
14 Zt=a+BZt-1+Ut, (3)
15 где α11 и α21  — свободные члены уравнений; βij — коэффициенты авторегрессии; Yt-1 и Xt-1  — переменные, скорректированные на временной лаг, равный единице; μ1t и μ2t — некоррелированные друг с другом белые шумы; Zt — вектор переменных; a — вектор свободных членов; B — матрица коэффициентов авторегрессии; Zt-1 — вектор переменных, скорректированных на временной лаг, равный единице; Ut — вектор некоррелирующих друг с другом белых шумов.
16 Ключевое преимущество применения VAR-моделей заключается в получении достаточно точных прогнозов при относительной простоте построения модели: для качественного прогноза не требуется знать первоначальной структуры модели и разделять переменные на эндогенные и экзогенные. Основным недостатком VAR-моделей является необходимость привлечения значительного объема статистических данных при увеличении числа переменных. Следует отметить, что полученные коэффициенты в системе уравнений векторной авторегресии неинтерпретируемы, а оценки производятся посредством анализа импульсных откликов (Суханова, Ширнаева, 2014). С точки зрения первичной оценки стратегических приоритетов данная модель может быть полезна в выявлении точечного проявления отдельных показателей ЭЭ.
17 Модель авторегрессии с распределенным лагом (ARDL) — эконометрическая модель динамической регрессии, в которой представлены объясняющие переменные и их лаги, а также лаги объясняемой переменной в качестве регрессоров (Nkoro, Uko, 2016). Моделирование ARDL используется для анализа влияния шоков объясняющих переменных на объясняемую при помощи динамических коэффициентов.
18 В общем виде ARDL-модель имеет вид (Hill, Griffiths, Judge, Reiman, 2001):
19 yt=φ1yt-1+…+φpyt-p+θ0xt+θ1xt-1+…+θ1xt-p+μ1t ,(4)
20 xt=φ2xt-1+…+φpxt-p+θ0yt+θ1yt-1+…+θ1yt-p+μ2t, (5)
21 где φpq — коэффициенты регрессии краткосрочного периода; θpq — коэффициенты регрессии долгосрочного периода; μ1t и μ2t — ошибки модели.
22 Основным преимуществом моделей авторегрессии с распределенным лагом при анализе стратегических приоритетов является возможность разделения полученных оценок эффективности на краткосрочные и долгосрочные. При этом в отличие от модели векторной авторегресии моделирование авторегрессий с распределенным лагом позволяет оценить мультипликативный эффект (Nkoro, Uko, 2016).
23

3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ОБСУЖДЕНИЕ
24 В качестве первичной оценки ЭЭ по каждому из стратегических приоритетов развития газовой отрасли России были смоделированы модели VAR и модели ARDL. Цель моделирования состояла в первичной оценке влияния результатов каждого стратегического приоритета на экономический рост экономики России. В моделировании использовались переменные, приведенные в табл. 1.
25 Таблица 1. Набор основных и дополнительных переменных для моделирования VAR и ARDL
26
Переменная Описание
Основные переменные
GDP Реальный ВВП
export_ammonia_t Экспорт аммиака
export_lng_t Экспорт СПГ
export_ng_t Экспорт природного газа
consumption_ng Потребление природного газа
Дополнительные переменные
wages_og Средняя реальная начисленная заработная плата по нефтегазовой отрасли
investment_og Инвестиции в основной капитал по нефтегазовой отрасли
tax_charges_og Нефтегазовые доходы федерального бюджета
CPI ИПЦ
production_ng Производство природного газа
27 3.1. Стратегический приоритет «Газификация регионов»
28 Для первичной оценки влияния на экономический рост от реализации стратегического приоритета «Газификация регионов» была выбрана переменная consumption_ng (потребление природного газа), так как, в конечном счете, предполагается его наращивание на внутреннем рынке (табл. 2).
29 Таблица 2. Результаты теста на определение оптимального лага модели
30
Эндогенные переменные: consumption_ng, cpi, investment_og tax_charges_og, wages_og, GDP 
Экзогенные переменные: C 
Выборка: 51 наблюдение
Включено: 49 наблюдений
Лаг Критерии выбора лага модели VAR
LogL LR FPE AIC SC HQ
0  490,4510 — 0,000 –19,77351 –19,54186 –19,68562
1  717,9685  390,0301  0,000 –27,59055  –25,96899* –26,97533
2  767,4642   72,72839*   0,000* –28,14140* –25,12993  –26,99885*
Источник: составлено автором на основе результатов моделирования Eviews. Примечание. В таблице символом «*» отмечен рекомендуемый выбор лага по критерию; C – свободный член; VAR — векторная авторегрессия; LogL — логорифмированный тест отношения правдоподобия; LR — последовательно модифицированная статистика теста отношения правдоподобия (5%-ный уровень значимости); FPE — финальная ошибка предсказания; AIC — информационный критерий Акайке; SC — информационный критерий Шварца; HQ — информационный критерий Ханнана–Куина.
31 Для первичной оценки влияния наращивания потребления природного газа на экономический рост была построена VAR-модель с временным лагом, равным двум (см. табл. 2):
32 consumption_ngt=-0,432(-2,929)  consumption_ngt-1 -0,556(-3,654)consumption_ngt-2+50,842(0,822)CPIt-1++52,61(-0,836)6CPIt-2+0,248(1,269)investment_ogt-1-0,331(-1,683)investment_ogt-2+0,159(1,267)tax_charges_ogt-1--0,073(-0,612)tax_charges_ogt-2+54,236(0,851)wages_ogt-1+3,601(3,214)wages_ogt-2-0,943(-1,974)GDPt-1--0,678(-1,372)GDPt-2+1,838(0,945);
33 CPIt=0,041(2,138)consumption_ngt-1+0,015(0,792)consumption_ngt-2-6,400(-0,794)CPIt-1+6,982(0,851)CPIt-2--0,0006(-0,025)investment_ogt-1+0,0319(1,245)investment_ogt-2-0,005(-0,317)tax_charges_ogt-1--0,043(-2,278)tax_charges_ogt-2-7,048(-0,849)wages_ogt-1+0,152(1,046)wages_ogt-2+0,048(0,779)GDPt-1--0,138(-2,153)GDPt-2+0,428(1,692);
34 investment_ogt=0,151(1,116)consumption_ngt-1-0,123(-0,883)consumption_ngt-2-7,009(-0,123)CPIt-1++7,407(-0,068)CPIt-2-0,012(-0,068)investment_ogt-1-0,056(-0,314)investment_ogt-2+0,008(0,070)tax_charges_ogt-1--0,071(-0,649)tax_charges_ogt-2-8,726(-0,149)wages_ogt-1-1,017(-0,989)wages_ogt-2-0,036(-0,083)GDPt-1--0,158(-0,349)GDPt-2-0,366(-0,205);
35 tax_charges_ogt=-0,101(-0,454)consumption_ngt-1-0,732(-3,171)consumption_ngt-2+7,408(0,185)1CPIt-1--18,966(-0,198)CPIt-2+0,200(0,678)investment_ogt-1-0,485(-1,625)investment_ogt-2-0,0335(  -0,175)tax_charges_ogt-1--0,125(-0,683)tax_charges_ogt-2+18,952(0,196)wages_ogt-1+1,033(0,608)wages_ogt-2-2,624(-3,621)GDPt-1++0,063(0,084)GDPt-2+1,666(0,566); wages_ogt=-0,039(-2,130)consumption_ngt-1-0,015(-0,814)consumption_ngt-2+7,362(0,944)CPIt-1-6,943(-0,875)CPIt-2++0,0005(0,021)investment_ogt-1-0,0317(-1,279)investment_ogt-2+0,004(0,293)tax_charges_ogt-1++0,042(  2,795)tax_charges_ogt-2+7,010(0,872)wages_ogt-1-0,149(-1,056)wages_ogt-2-0,046(-0,775)GDPt-1++0,133(2,146)GDPt-2-0,428(-1,750); GDPt=-0,0195(-0,374)consumption_ngt-1+0,097(1,812)consumption_ngt-2-6,380(-0,291)CPIt-1+7,222(0,323)CPIt-2--0,102(-1,476)investment_ogt-1+0,035(0,507)investment_ogt-2+0,013(0.304)tax_charges_ogt-1--0,049(-1,164)tax_charges_ogt-2-6,917(-0,306)wages_ogt-1+0,427(1,706)wages_ogt-2+0,258(1,523)GDPt-1--0,100(-0,573)GDPt-2-0,853(-1,238);
36 Данная система уравнений отражает только структуру векторной модели авторегрессии, и полученные коэффициенты не поддаются интерпретации, поэтому перейдем к графикам импульсных откликов (рис. 1).
37

Рис. 1. Функции импульсных откликов VAR-модели на изменение потребления природного газа на 1% Источник: составлено автором.
38 Исходная модель векторной авторегрессии подтверждает наличие взаимосвязи между потреблением природного газа и ростом валового внутреннего продукта, что также находит подтверждение в ряде исследований (Murray, Nan, 1996; Yang, 2000; Reynolds, Kolodziej, 2008; Khan, Ahmed, 2009; Acaravci, Ozturk, 2012; Lim, Yoo, 2012; Muhammad et al., 2012; Bildirici, Bakirtas, 2014; Solarin, Shahbaz, 2015; Elfaki et al., 2018).
39 Результаты проведенного нами моделирования показывают, что наращивание потребления природного газа на внутреннем рынке на 1% ведет к краткосрочному единовременному увеличению ВВП на 0,09% (табл. 3). Это соответствует результатам, полученным в работе (Alam, Paramati, Shabbir, Bhattacharya, 2015), где было продемонстрировано, что увеличение потребления природного газа на ВВП на 1% приводит к краткосрочному увеличению ВВП на 0,069–0,102%.
40 Помимо этого, шоковое изменение потребления природного газа на внутреннем рынке привело к росту потребительских цен на 0,041% во втором квартале, что можно объяснить краткосрочным превышением спроса перед доступным количеством природного газа на внутреннем рынке. Также прогнозируется сокращение нефтегазовых доходов в краткосрочном периоде (в третьем квартале) на 0,64%, что объяснимо сокращением дополнительных доходов, которые не поступают в федеральный бюджет, если данный объем природного газа потребляется на внутреннем рынке, а не поставляется на экспорт. В долгосрочной перспективе (в пятом квартале) происходит увеличение нефтегазовых доходов федерального бюджета на 0,43%, что объясняется повышением уровня добычи природного газа для обеспечения растущего спроса на внутреннем рынке и повышением налогооблагаемой базы — как следствие роста добычи природного газа. Отклик на инвестиции в данной модели обнаружен не был.
41 Таблица 3. Импульсные отклики VAR-модели на изменение потребления природного газа на 1%
42
Название переменной Описание Отклик
Краткосрочный, % Долгосрочный, %
GDP Реальный ВВП 0,09 —
CPI ИПЦ 0,041 —
wages_og Средняя реальная начисленная заработная плата по нефтегазовой отрасли –0,04 —
tax_charges_og Нефтегазовые доходы федерального бюджета –0,64 0,43
investment_og Инвестиции в основной капитал по нефтегазовой отрасли — —
43 Для получения мультипликативных оценок экономической эффективности данного стратегического приоритета была выбрана спецификация ARDL-модели, отражающая наличие коинтеграционной связи (табл. 4) вида:
44 GDPt=-0,412620(-1,427)  GDPt-1+0,722839(3,848)  consumption_ngt+0,665482(2,049)  consumption_ngt-1++0,054076(0,525)  investment_ogt+0,015695(0,718)  tax_charges_ogt-0,013937.(-1,242)
45 Таблица 4. Тесты на определения коинтеграционной связи в модели ARDL
46
Статистика Значение Уровень значимости, % I(0) I(1)
Актуальный размер выборки = 18. Степень свободы = 3
F-статистика 7,124735 1,0 5,333 7,063
t-статистика –4,886744 1,0 –3,43 –4,37
Источник: составлено автором на основе результатов моделирования Eviews.
47 Важно отметить, что, как и в VAR-моделях, коэффициенты исходного уравнения не могут быть точно интерпретированы, поэтому следует использовать оценки, получаемые при переходе к долгосрочной форме (Nkoro, Uko, 2016). Результаты моделирования авторегрессии с распределенным лагом показали, что увеличение потребления природного газа на 1% на внутреннем рынке оказывает максимальное мультипликативное влияние на рост ВВП в краткосрочной перспективе на 1,38% и в долгосрочной перспективе — на 0,98% (табл. 5). Прежде всего это объясняется переходом потребителей (домохозяйств и предприятий) на более экономичное и экологичное топливо, позволяющее повысить энергоэффективность и снизить часть производственных затрат. В свою очередь, это отражается на снижении стоимости конечных товаров и приводит к наращиванию их потребления и производства, что в конечном счете ведет к росту ВВП. Подтверждение положительного мультипликативного влияния потребления природного газа на экономический рост представлено в масштабном исследовании (Apergis, Payne, 2010), целью которого стал анализ влияния потребления природного газа на экономический рост 67 стран мира. В работе (Apergis, Payne, 2010) показано, что увеличение потребления природного газа на 1% приводит к увеличению роста ВВП в долгосрочной перспективе на 0,652%.
48 Таблица 5. Оценка краткосрочного и долгосрочного влияния потребления природного газа на ВВП в модели ARDL
49
Влияние на ВВП Коэффициент Вероятность H0
Краткосрочное 1,388321 0,0029
Долгосрочное 0,982799 0,0019
Динамические тесты
Коэффициент детерминации, R2 0,684400
Скорректированный R2 0,552900
Статистика Дурбина–Уотсона 2,112245
Тест Бройша–Годфри 0,5970
Тест на гетероскедастичность 0,3506
50 Предполагается, что, так как конечным результатом стратегического приоритета «Малотоннажное производство сжиженного природного газа» является наращивание потребления природного газа на внутреннем рынке, логично предположить, что первичная оценка влияния на рост ВВП даст аналогичные результаты.
51 3.2. Стратегический приоритет «Диверсификация»
52 При моделировании влияния стратегического приоритета «Диверсификация» была выбрана переменная export_ng_t (экспорт природного газа). Таблица 6. Результаты теста на определение оптимального лага модели
53
Эндогенные переменные: export_ng_t, investment_og, production_ng, tax_charges_og, GDP
Экзогенные переменные: C
Выборка: 51 наблюдение
Включено: 49 наблюдений
Лаг Критерии выбора лага модели VAR
LogL LR FPE AIC SC HQ
0 233,2177 NA 0,000 –9,315008 –9,121966* –9,241768
1 257,8256 43,18944 0,000 –9,299006 –8,140749 –8,859565
2 304,5881 72,52956* 0,000* –10,18727* –8,063799 –9,381628*
Источник: составлено автором на основе результатов моделирования Eviews. Примечание. В таблице символом «*» отмечен рекомендуемый выбор лага по критерию; C – свободный член; VAR — векторная авторегрессия; LogL — логорифмированный тест отношения правдоподобия; LR — последовательно модифицированная статистика теста отношения правдоподобия (5%-ный уровень значимости); FPE — финальная ошибка предсказания; AIC — информационный критерий Акайке; SC — информационный критерий Шварца; HQ — информационный критерий Ханнана–Куина.
54 Модель векторной авторегрессии первичной оценки влияния увеличения экспорта природного газа на экономический рост с временным лагом, равным двум (табл. 6), имеет вид:
55 export_ngtt=-0,316(-1,754)  export_ngtt-1+0,041(0,246)  export_ngtt-2-0,095(-0,280)  investment_ogt-1--0,448(-1,349)  investment_ogt-2+0,173(0,536)  production_ngt-1-0,266(-0,804)  production_ngt-2--0,239(-0,894)  tax_charges_ogt-1-0,449(-1,804)  tax_charges_ogt-2-0,791(-0,933)  GDPt-1+1,151(1,282)  GDPt-2+0,074(2,592); investment_ogt=-0,034(-0,372)  export_ngtt-1+0,005(0,061)  export_ngtt-2+0,055(0,312)  investment_ogt-1--0,061(-0,356)  investment_ogt-2+0,275(1,647)  production_ngt-1-0,045(-0,265)  production_ngt-2--0,024(-0,177)  tax_charges_ogt-1-0,056(-0,440)  tax_charges_ogt-2-0,075(-0.173)  GDPt-1-0,149(-0,321)  GDPt-2+0,033(2,229); production_ngt=-0,027(-0,260)  export_ngtt-1+0,210(2,168)  export_ngtt-2+0,098(0,498)  investment_ogt-1--0,442(-2,289)  investment_ogt-2-0,322(-1,715)  production_ngt-1-0,819(-4,249)  production_ngt-2++0,044(0,283)  tax_charges_ogt-1-0,220(-1,519)  tax_charges_ogt-2-1,048(-2,122)  GDPt-1-0,236(-0,453)  GDPpt-2+0,050(2,997); tax_charges_ogt=0,094(0,636)  export_ngtt-1+0,397(2,880)  export_ngtt-2+0,119(0,424)  investment_ogt-1--0,536(-1,952)  investment_ogt-2-0,040(-0,151)  production_ngt-1-1,051(-3.840)  production_ngt-2--0,166(-0,755)  tax_charges_ogt-1-0,186(-0,906)  tax_charges_ogt-2-2,689(-3,835)  GDPt-1-0,098(-0,132)  GDPt-2+0,085(3,580); GDPt=0,008(0,279)  export_ngtt-1-0,108(-3,664)  export_ngtt-2-0,084(-1,406)  investment_ogt-1++0,031(0,538)  investment_ogt-2-0,056(-0,985)  production_ngt-1+0,094(1,611)  production_ngt-2++0,053(1,132)tax_charges_ogt-1+0,015(0,351)tax_charges_ogt-2+0,303(2,02)GDPt-1-0,034(-0,214)GDPt-2+0,002(0,503).
56 Построенные на основе исходной системы уравнений графики импульсных откликов показали, что увеличение экспорта природного газа отрицательно влияет на экономический рост в краткосрочной перспективе: увеличение экспорта природного газа на 1% приводит к падению реального ВВП на –0,098% в третьем квартале (табл. 7).
57 Таблица 7. Импульсные отклики VAR-модели на изменение экспорта природного газа на 1%
58
Название переменной Описание Отклик
Краткосрочный, % Долгосрочный, %
GDP Реальный ВВП –0,098 —
production_og Производство природного газа 0,21 —
tax_charges_og Нефтегазовые доходы федерального бюджета 0,32 —
investment_og Инвестиции в основной капитал по нефтегазовой отрасли — —
59 В исследовании (Sarıca, Tyner, 2016) при анализе американской экономики была получена отрицательная взаимосвязь экспорта природного газа и роста ВВП. Увеличение экспорта природного газа на 1% вызывало падение ВВП США на 0,04–0,17%. Это объяснялось снижением предложения природного газа на внутреннем рынке и повышением цен на электричество (1,1–7,2%), что, в свою очередь, снижало конкурентоспособность американских товаров и приводило к замедлению экономического роста.
60 Однако рост экспорта природного газа на 1% краткосрочно стимулирует производство природного газа в третьем квартале (+0,21%), что, в свою очередь, стимулирует прирост нефтегазовых доходов в федеральный бюджет в третьем квартале (+0,32%), в том числе за счет увеличения сборов НДПИ. Импульсный отклик на инвестиции не обнаружен (рис. 2).
61

Рис. 2. Функции импульсных откликов VAR-модели на изменение экспорта природного газа на 1% Источник: составлено автором.
62 Для анализа данного стратегического приоритета была выбрана спецификация модели авторегрессии с распределенным лагом (табл. 8), отвечающая требованиям коинтеграционной связи:
63 GDPt=-0,048441(-0,278)  GDPt-1-0,072557(-0,235)  export_ng_tt-0,033674(-0,943)  export_ng_tt-1--0,093222(-3,057)  export_ng_tt-2-0,090013(-3,167)  export_ng_tt-3-0,024511(-0,710)  tax_charges_ogt++0,022335(0,734)  tax_charges_ogt-1+0,010216(0,303)  tax_charges_ogt-2+0,077049(2,090)  tax_charges_ogt-3++0,050995(0,908)  investment_ogt-0,803441(-2,272)  CPIt+0,391760(1,041)  CPIt-1-0,189527(-0,558)  CPIt-2++0,564802(1,632)  CPIt-3+0,593793(1,707)  CPIt-4-0,565203(-1,096)  ;
64 Таблица 8. Тесты на определения коинтеграционной связи в модели ARDL
65
Нулевая гипотеза: коинтеграция отсутствует
Актуальный размер выборки = 47 Степень свободы = 4
Статистика Значение Уровень значимости, % I(0) I(1)
F-статистика 12,02156 1,0 3,74 5,06
t-статистика –6,019352 1,0 –3,43 –4,37
Источник: составлено автором на основе результатов моделирования Eviews.
66 Построенная нами ARDL-модель подтверждает отрицательное влияние экспорта природного газа на рост ВВП. В краткосрочной перспективе увеличение экспорта на 1% дает максимальное мультипликативное снижение ВВП на 0,28%, а в долгосрочной перспективе — на 0,27% (табл. 9). Данный эффект может быть объяснен тем, что в текущих условиях природный газ продается за рубеж как дешевое сырье, а обратным потоком идет более дорогая газохимическая продукция. А это ведет к сокращению чистого экспорта, но при этом – насыщение внутреннего рынка более дорогой импортной газохимической продукцией, необходимой отечественным производителям конечных товаров, повышает себестоимость их производства и конечную цену их продукции для потребителей, что, в свою очередь, влечет за собой падение спроса со стороны конечных потребителей на эти товары и снижает общий уровень внутреннего производства товаров, что приводит к мультипликативному снижению ВВП.
67 Таблица 9. Оценка краткосрочного и долгосрочного влияния экспорта природного газа на ВВП в модели ARDL
68
 Влияние на ВВП Коэффициент Вероятность H0
Краткосрочное –0,289466 0,0030
Долгосрочное –0,276092 0,0019
Динамические тесты
Коэффициент детерминации, R2 0,635795
Скорректированный R2 0,459567
Статистика Дурбина–Уотсона 2,008520
Тест Бройша–Годфри 0,9928
Тест на гетероскедастичность 0,9686
69 3.3. Стратегический приоритет «Газопереработка и газохимия»
70 Для упрощения первичной оценки влияния стратегического приоритета «Газопереработка и газохимия» была выбрана переменная export_ammonia_t (экспорт аммиака), что отражает развитие одного из направлений газопереработки и газохимии (табл. 10).
71 Таблица 10. Результаты теста на определение оптимального лага модели
72
Эндогенные переменные: export_ammonia_t, cpi investment_og, production_ng, gdp  Экзогенные переменные: C Выборка: 43 Включенные наблюдения: 39
Лаг Критерии выбора лага модели VAR
LogL LR FPE AIC SC HQ
0  232,0746 —  0,000 -11,64485  -11,43158* -11,56833
1  275,1426  72,88430 0,000 -12,57142 -11,29175 -12,11228
2  314,8668  57,03984 0,000 -13,32650 -10,98045 -12,48476
3  356,9037  49,58205 0,000 -14,20019 -10,78776 -12,97584
4  399,9100   39,69805*   0,000*  -15,12359* -10,64477  -13,51663*
Источник: составлено автором на основе результатов моделирования Eviews. Примечание. В таблице символом «*» отмечен рекомендуемый выбор лага по критерию; C – свободный член; VAR — векторная авторегрессия; LogL — логорифмированный тест отношения правдоподобия; LR — последовательно модифицированная статистика теста отношения правдоподобия (5%-ный уровень значимости); FPE — финальная ошибка предсказания; AIC — информационный критерий Акайке; SC — информационный критерий Шварца; HQ — информационный критерий Ханнана–Куина.
73 Векторная модель авторегрессии первичной оценки влияния увеличения экспорта аммиака на экономический рост с оптимальным числом временного лага, равного четырем (табл. 10), может быть записана следующей системой уравнений:
74 export_ammonia_tt=-0,348(-1,912)export_ammonia_tt-1-0,002(-0,011)export_ammonia_tt-2--0,248(-1,202)export_ammonia_tt-3-0,374(-2,052)export_ammonia_tt-4-11,315(-1,458)CPIt-1-8,200(-1,023)CPIt-2++6,453(0,985)CPIt-3-9,910(-1,394)CPIt-4-0,332(-0,223)investment_ogt-1+0,762(0,517)investment_ogt-2--1,123(-0,679)investment_ogt-3-0,185(-0,108)investment_ogt-4-0,534(-0,280)production_ngt-1--0,076(-0,041)production_ngt-2-1,879(-0,998)production_ngt-3-0,844(-0,452)production_ngt-4++1,589(0,556)GDPt-1-3,103(-0,858)GDPt-2+3,957(1,264)GDPt-3-7,397(-2,946)GDPt-4+23,714(2,127); CPIt=-0,008(-0,170)export_ammonia_tt-1-0,005(-1,036)export_ammonia_tt-2-0,007(-1,268)export_ammonia_tt-3--0,009(-1,818)export_ammonia_tt-4+0,186(0,878)CPIt-1-0,487(-2,220)CPIt-2+0,051(0,284)CPIt-3-0,090(-0,465)CPIt-4++0,027(0,679)investment_ogt-1-0,008(-0,222)investment_ogt-2+0,080(1,770)investment_ogt-3-0,036(-0,771)investment_ogt-4--0,055(-1,053)production_ngt-1-0,152(-3,040)production_ngt-2)-0,098(-1,906)production_ngt-3--0,154(-3,030)production_ngt-4+0,026(0,334)GDPt-1-0,223(-2,251)GDPt-2-0,215(-2,510)GDPt-3-0,053(-0,777)GDPt-4+1,376(4,507); production_ngt=0,043(1,854)export_ammonia_tt-1-0,001(-0,042)export_ammonia_tt-2--0,015(-0,587)export_ammonia_tt-3+0,006(0,272)export_ammonia_tt-4-1,368(-1,376)CPIt-1+0,241(0,234)CPIt-2+1,583(1,886)CPIt-3--0,4743(-0,521)CPIt-4+0,119(0,627)investment_ogt-1-0,433(-2,296)investment_ogt-2-0,173(-0,818)investment_ogt-3--0,273(-1,250)investment_ogt-4-0,456(-1,865)production_ngt-1-0,578(-2,458)production_ngt-2-0,459(-1,904)production_ngt-3++0,426(1,785)production_ngt-4-1,312(-3,583)GDPt-1-0,216(-0,466)GDPt-2-0,036(-0,091)GDPt-3+0,501(1,557)GDPt-4+0,072(0,050); GDPt=0,006(0,524)export_ammonia_tt-1+0,016(1,260)export_ammonia_tt-2+0,019(1,447)export_ammonia_tt-3++0,016(1,373)export_ammonia_tt-4+0,184(0,369)CPIt-1+0,193(0,375)CPIt-2+0,229(0,543)CPIt-3+0,545(1,189)CPIt-4--0,078(-0,813)investment_ogt-1+0,042(0,452)investment_ogt-2+0,018(0,176)investment_ogt-3+0,275(2,506)investment_ogt-4++0,030(0,245)production_ngt-1+0,137(1,157)production_ngt-2+0,120(0,989)production_ngt-3++0,081(0,679)production_ngt-4+0,249(1,353)GDPt-1-0,063(-0,270)GDPt-2+0,464(2,300)GDPt-3-0,507(-3,135)GDPt-4-1,195(-1,662);
75 Графики импульсных откликов (рис. 3) демонстрируют позитивное краткосрочное увеличение реального ВВП на 0,021% в четвертом квартале при росте экспорта аммиака на 1% (табл. 11). Стимулирование роста ВВП в данном случае может объяснить наращиванием внутреннего производства продукции с высокой добавленной стоимостью, что напрямую отражается в структуре ВВП. При этом увеличение экспорта аммиака на 1% стимулирует рост производства природного газа на 0,043% во втором квартале, что определено необходимостью увеличения объемов природного газа на внутреннем рынке для газохимических производств.
76

Рис. 3. Функции импульсных откликов VAR-модели на изменение экспорта аммиака на 1% Источник: составлено автором.
77 Таблица 11. Импульсные отклики VAR-модели на изменение экспорта аммиака на 1%
78
Название переменной Описание Отклик
Краткосрочный, % Долгосрочный
GDP Реальный ВВП 0,021 —
CPI ИПЦ — —
production_ng Производство природного газа 0,043 —
investment_og Инвестиции в основной капитал по нефтегазовой отрасли — —
79 Для оценки мультипликативного влияния экспорта газохимической продукции на экономический рост построена следующая модель авторегрессии с распределенным лагом (табл. 12), которая соответствует коинтеграционной связи:
80 GDPt=-0,265112(-1,043)GDPt-1+0,362876(2,875)export_ammonia_tt+0,357010(2,961)export_ammonia_tt-1++0,266088(3,126)  export_ammonia_tt-2+1,267908(2,755)  CPIt-1,244434(-1,987)  CPIt-1+2,471216(3,070)  CPIt-2++0,093328(1,305)  tax_charges_ogt-2,717240(-3,103).
81 Таблица 12. Тесты на определения коинтеграционной связи в ARDL-модели
82
Актуальный размер выборки = 13, степень свободы = 3. Нулевая гипотеза: коинтеграция отсутствует
Статистика Значение Уровень значимости, % I(0) I(1)
F-статистика 6,781024 1,0 5,333 7,063
t-статистика –4,978608 1,0 –3,43 -4,37
Источник: составлено автором на основе результатов моделирования Eviews.
83 Результаты расчетов в ARDL-модели (табл. 13) показывают, что увеличение экспорта аммиака на 1% приводит к максимальному краткосрочному мультипликативному изменению ВВП на 0,98% и максимальному долгосрочному мультипликативному изменению ВВП на 0,77%. Мультипликативный эффект достигается за счет развития газодобычи и газопереработки (в том числе путем создания новых мощностей), а также за счет увеличения отечественного готового продукта с высокой добавленной стоимостью в структуре ВВП.
84 Данное мультипликативное влияние экспорта аммиака на экономический рост частично находит подтверждение в документе «План мероприятий (“Дорожная карта”) по развитию нефтегазохимического комплекса в Российской Федерации на период до 2025 года».
85 Таблица 13. Оценка краткосрочного и долгосрочного влияния экспорта аммиака на ВВП в ARDL-модели
86
Влияние на ВВП Коэффициент Вероятность H0
Краткосрочное 0,985974 0,0334
Долгосрочное 0,779357 0,014
Динамические тесты
Коэффициент детерминации, R2 0,89257
Скорректированный R2 0,677711
Статистика Дурбина–Уотсона 2,266971
Тест Бройша–Годфри 0,5642
Тест на гетероскедастичность 0,9818
87 3.4. Стратегический приоритет «Крупнотоннажное производство сжиженного природного газа»
88 Так как одним из необходимых условий моделирования векторных авторегрессий является наличие длинных временных рядов, первичная оценка влияния стратегического приоритета «Крупнотоннажное производство сжиженного природного газа» посредством VAR не представляется возможной. Таким образом, первичная оценка проводилась согласно спецификации авторегрессии с распределенным лагом (табл. 14), подтверждающим коинтеграционную связь вида:
89 GDPt=0,330437(2,082)  GDPt-1+0,140628(9,444)  export_lng_tt+0,173446(7,226)  export_lng_tt-1++0,025085(3,965)  lng_tt-2-0,008715(-2,324).
90 Таблица 14. Тесты на определения коинтеграционной связи в ARDL-модели
91
Актуальный размер выборки = 7, степень свободы = 1. Нулевая гипотеза: коинтеграция отсутствует
Статистика Значение Уровень значимости, % I(0) I(1)
F-статистика 47,27314 1,0 8,17 9,285
t-статистика –4,219326 1,0 –3,43 –3,82
Источник: составлено автором на основе результатов моделирования Eviews.
92 Как показывает построенная ARDL-модель, увеличение экспорта сжиженного природного газа (СПГ) на 1% ведет к максимальному мультипликативному стимулированию экономического роста почти на 0,34% в краткосрочной перспективе и на 0,5% – в долгосрочной (табл. 15). Важно подчеркнуть, что превышение влияния на ВВП в долгосрочной перспективе на 0,16% может быть объяснено тем, что роль СПГ на региональном и мировом уровне будет усиливаться, и спрос на него будет расти быстрей, чем предложение, что увеличит его стоимость на рынке и приведет к росту экономических выгод для его экспортеров.
93 Таблица 15. Оценка краткосрочного и долгосрочного влияния экспорта СПГ на ВВП в ARDL-модели
Влияние на ВВП Коэффициент Вероятность
Краткосрочное 0,339159 0,0112
Долгосрочное 0,506537 0,0541
Динамические тесты
Коэффициент детерминации, R2 0,983407
Скорректированный R2 0,950221
Статистика Дурбина–Уотсона 2,082253
Тест Бройша–Годфри 0,731
Тест на гетероскедастичность 0,4247
94 Таким образом, были получены первичные оценки влияния на экономический рост при реализации каждого из стратегических приоритетов развития газовой отрасли России (табл. 16), что позволит в условиях ресурсной ограниченности выбрать такой порядок реализации стратегических приоритетов, первые из которых дадут наибольшую выгоду (экономическую эффективность).
95 Таблица 16. Первичные оценки влияния на экономический рост
96
Стратегический приоритет Эффект Влияние на экономический рост, %
VAR ARDL
Краткосрочный Долгосрочный Краткосрочный Долгосрочный
Газификация регионов; малотоннажное производство сжиженного природного газа Увеличение потребления природного газа на внутреннем рынке 0,090 — 1,38 0,98
Диверсификация Увеличение экспорта природного газа –0,098 — –0,28 –0,27
Крупнотоннажное производство сжиженного природного газа Увеличение экспорта СПГ — — 0,34 0,50
Газопереработка и газохимия Увеличение экспорта аммиака 0,02 — 0,98 0,77
97 * * *
98 Итак, в статье была проведена первичная оценка экономической эффективности стратегических приоритетов газовой отрасли России с помощью разработанной нами методологии. В дальнейшем планируется более детальное исследование возможности применения данного подхода для первичной оценки стратегических приоритетов и интегрирование его в общую теорию стратегирования.

References

1. REFERENCES

2. Acaravci A., Ozturk I. (2012). Electricity consumption and economic growth nexus: A multivariate analysis for Turkey. Amfiteatru Economic, 14 (31), 246–257.

3. Alam M.S., Paramati S.R., Shabbir M.S., Bhattacharya M. (2015). Dynamics of natural gas consumption, output and trade: empirical evidence from the emerging economies. Monash University, Department of Economics.

4. Apergis N., Payne J.E. (2010). Natural gas consumption and economic growth: a panel investigation of 67 countries. Applied Energy, 87, 8, 2759–2763.

5. Bakhtizin A.R., Bakhtizina N.V. (2010). Hybrid agent-based models with neural networks. Neurocomputers: Development and Application, 3, 27–39 (in Russian).

6. Bannikov V. (2006). Vector autoregression and error correction models. Applied Econometrics, 3 (3), 96–129 (in Russian).

7. Bildirici M., Bakirtas T. (2014). The relationship among oil, natural gas and coal consumption and economic growth in BRICTS (Brazil, Russian, India, China, Turkey and South Africa) countries. Energy, 65, 134–144.

8. Elfaki K.E., Poernomo A., Anwar N., Ahmad A.A. (2018). Energy Consumption and Economic Growth: Empirical Evidence for Sudan. International Journal of Energy Economics and Policy, 8, 5, 35–41.

9. Hill R.C., Griffiths W.E., Judge G.G., Reiman M.A. (2001). Undergraduate econometrics. Vol. 4. New York: Wiley.

10. Khan A.A., Ahmed U. (2009). Energy demand in Pakistan: A disaggregate analysis. The Pakistan Development Review, 4, 1–27.

11. Kvint V. (2015). Strategy for the Global Market: Theory and practical applications. N.Y., London, Sydney: Routledge.

12. Lim H.-J., Yoo S.-H. (2012). Natural gas consumption and economic growth in Korea: A causality analysis. Energy Sources, Part B: Economics, Planning, and Policy, 7 (2), 169–76.

13. Livchits V.N., Mironova I.A., Shvetsov A.N. (2019). Evaluating investment projects efficiency in various conditions. Russian Journal of Industrial Economics, 12 (1), 29–43 (in Russian).

14. Lvov D.S., Mednitsky V.G., Mednitsky Yu.V., Ovsienko Yu.V. (1996). Economic evaluation of large-scale projects. Economics and Mathematical Methods, 32, 1, 5–18 (in Russian).

15. Makarov V.L., Aivazyan S.H., Afanasiev M.Y., Bakhtizin A.R., Nanavyan A.M. (2014). The estimation of the regions' efficiency of the Russian Federation including the intellectual capital, the characteristics of readiness for innovation, level of well-being, and quality of life. Economy of Region, 40 (4), 9–29 (in Russian).

16. Muhammad S., Lean H.H., Abdul F. (2012). Natural gas consumption and economic growth in Pakistan. MRPA Paper.

17. Murray D.A., Nan G.D. (1996). A definition of the gross domestic product-electrification interrelationship. Journal of Energy and Development, 19 (2), 275–283.

18. Nkoro E., Uko A.K. (2016). Autoregressive Distributed Lag (ARDL) cointegration technique: Application and interpretation. Journal of Statistical and Econometric Methods, 5, 4, 63–91.

19. Reynolds D.B., Kolodziej M. (2008). Former Soviet Union oil production and GDP decline: Granger causality and the multi-cycle Hubbert curve. Energy Economics, 30, 271–289.

20. Sims C.A. (1980). Macroeconomics and reality. Econometrica: Journal of the Econometric Society, 48 (1), 1–48.

21. Solarin S.A., Shahbaz M. (2015). Natural gas consumption and economic growth: The role of foreign direct investment, capital formation and trade openness in Malaysia. Renewable and Sustainable Energy Reviews, 42, 835–845.

22. Sukhanova Ye.I., Shirnayeva S.Yu. (2014). Forecasting of stabilization processes indices of Russia’s economy on the basis of vector autoregression models. Economic Sciences. Fundamental Researches, 7, 9, 1590—1595 (in Russian).

23. Yang H.Y. (2000). A note on the causal relationship between energy and GDP in Taiwan. Energy Economics, 22, 309–317.

Comments

No posts found

Write a review
Translate