- PII
- S0424738825020088-1
- DOI
- 10.31857/S0424738825020088
- Publication type
- Article
- Status
- Published
- Authors
- Volume/ Edition
- Volume 61 / Issue number 2
- Pages
- 104-117
- Abstract
- In this work we analyze methodologies that are used in research to obtain estimates of policies efficiency and will show how Propensity Score Methods can be adopted to the given scarce data on the case of Russian loan guarantee program. We take number of workers employed in Russian SMEs as a target metric; an aim to increase this number to 25 ml workers which is claimed in Russia’s national development goals. The study suggests methods for matching PSM propensity scores that can be applied to obtain an assessment of the effectiveness of a specific government measure. These methods, along with two-stage Heckman regression and panel data models for multi-period Difference-in-Difference expansion, seem to be the most suitable for evaluating the effect of intervention and reducing sampling error. The estimates obtained on the basis of this methodology indicate a significant positive effect of issuing guarantees in terms of increasing employment. Also we highlighted industries with the most positive average treatment effect from the program. Those policy measures the efficiency of which was proved by quantitative research need to be promoted more actively than less efficient measures: authorities need to reduce obstacles that beneficiaries can face to receive government support, to increase financing, to improve SMEs’ awareness of such policy measures.
- Keywords
- национальные цели малое и среднее предпринимательство (МСП) программа предоставления гарантий субъектам МСП оценка эффективности мер государственной поддержки квазиэкспериментальные методы методы соответствия оценок склонности
- Date of publication
- 19.09.2025
- Year of publication
- 2025
- Number of purchasers
- 0
- Views
- 20
References
- 1. Аганбегян А. Г. (2023a). Инновации в России: от высокого знания и наличия перспективных научных заделов к эффективному социально-экономическому развитию // Экономическое возрождение России. № 2 (76). С. 13-26. DOI: 10.37930/1990-9780-2023-2 (76)-13-26
- 2. Аганбегян А. Г. (2023б). «Кремниевые долины» - зоны инноваций в США, Китае, ЕС, России и других странах // Экономика науки. № 9 (2). С. 8-19. DOI: 10.22394/2410-132X-2023-9-2-8-19
- 3. Дементьев В. Е. (2023). Обновление технологической базы производства и процентная ставка // Экономическое возрождение России. № 2 (76). С. 70-83. DOI: 10.37930/1990-9780-2023-2(76)-70-83
- 4. Казанцев К. И., Румянцева А. Е. (2020). От избрания к назначению. Оценка эффекта смены модели управления муниципалитетами в России. М.: ЦПУР. Режим доступа: https://cpur.ru/new-research/r_local_government_from_election_to_appointment.
- 5. Манахова И. В., Белоглазов А. Д. (2023). Цифровая трансформация малого и среднего бизнеса в России: вызовы, перcпективы и роль государственной поддержки // Российский экономический журнал. № 5. С. 112- 124. DOI: 10.52210/0130-9757_2023_5_112
- 6. Медовников Д. С., Оганесян Т. К., Розмирович С. Д. (2016). Кандидаты в чемпионы: средние быстрорастущие компании и программы их поддержки // Вопросы экономики. № 9. С. 50-66. DOI: 10.32609/0042-8736-2016-9-50-66
- 7. Орехова С. В., Лопатин В. М. (2022). Зомби-компании: феномен, методы индентификации и влияние на конкуренцию // Вестник Омского университета. Серия «Экономика». Т. 20. № 2. С. 47-63. DOI: 10.24147/1812-3988.2022.20 (2).47-63
- 8. Репина Е. Г., Ширяева Л. К., Федорова Е. А. (2019). Исследование зависимости между развитием малого предпринимательства и микрофинансовой обеспеченностью регионов РФ // Экономика и математические методы. Т. 55. № 2. С. 41-57. DOI: 10.31857/S042473880004680-7
- 9. Asdrubali P., Signore S. (2015). The economic impact of EU guarantees on credit to SMEs - evidence from CESEE countries. EIF Working Paper Series. Luxembourg: European Investment Fund (EIF).
- 10. Austin P. (2011). Optimal caliper widths for propensity-score matching when estimating differences in means and differences in proportions in observational studies. Pharmaceutical Statistics, Marсh-April. DOI: 10.1002/pst.433
- 11. Del Monte A., Scalera D. (2001). The life duration of small firms born within a start-up programme: Evidence from Italy. Regional Studies, 35, 1. DOI: 10.1080/00343400120025646
- 12. Flury B.K, Riedwyl H. (1986). Standard distance in univariate and multivariate analysis. The American Statistician, 40, 3, 249-251. DOI: 10.1080/00031305.1986.10475403
- 13. Khrupina K., Manakhova I., Putilov A. (2022). Developing of smart technical platforms concerning national economic security. In: V. V. Klimov, D. J. Kelley (eds.). Biologically inspired cognitive architectures 2021. BICA 2021. Conference proceeding: Studies in Computational Intelligence, 1032, 208-215. Cham.: Springer. DOI: 10.1007/978-3-030-96993-6_20
- 14. Riding A., Haines G. (2011). Loan guarantee: Cost of default and benefit to small firms. Journal of Business Venturing, 16, 6, 595-612. DOI: 10.1016/S0883-9026 (00)00050-1
- 15. Roper S., Hewitt-Dundas N. (2001). Grant assistance and small firm development in Northern Ireland and the Republic of Ireland. Scottish Journal of Political Economy, 48, 1. DOI: 10.1111/1467-9485.00187
- 16. Rosenbaum P., Rubin D. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70, 41-55. DOI: 10.2307/2335942
