Материал: Формулирование рекомендаций по совершенствованию механизмов государственно-частного партнерства в России

Численность населения по регионам варьируется от 42 тысяч человек до 11 миллионов. Валовый региональный продукт варьируется от 26 миллиардов в год до 10 триллионов рублей. Уровень безработицы варьируется от 0,8 до 47,7 процентов, то есть в России есть регионы с очень низким уровнем безработицы, а есть с уровнем безработицы равным почти 50%.

В России есть регионы, не получающие дотации из Федерального Бюджета, а есть регионы, где уровень дотаций доходит до 32 миллиардов рублей. Субсидии получают все регионы и, в среднем, их размер равен 1 миллиарду рублей, но в некоторых регионах их размер доходит до 5 миллиардов рублей. Расходы по стране на душу населения в некоторых регионах составляют всего 13 тысяч рублей, а где-то доходят до 95 тысяч. Профицит региональных бюджетов доходит до 64 миллиардов. Есть регионы с дефицитом бюджета и там крайняя отметка - 18 миллиардов рублей. Государственный долг регионов варьируется от 719 миллионов до 136.

Для проверки теоретических предсказаний, сформулированных в предыдущем разделе, был использован метод регрессионного анализа. Базовой единицей анализа является субъект Российской Федерации. В качестве зависимой переменной было использовано количество проектов, выполняемых или выполненных в форме государственно-частных партнерства на 2013 год в каждом субъекте Российской Федерации.

В качестве независимых переменных выступили следующие показатели уровня экономического развития регионов РФ: размер государственного долга (руб.); валовый региональный продукт (руб.); уровень безработицы (%); размер инвестиций в основной капитал (руб.); дефицит регионального бюджета (руб.); доля расходов регионального бюджета на заработную плату (%); размер дотаций, получаемых региональным бюджетом из федерального бюджета (руб.) и средний душевой доход (руб.). Все указанные показатели были взяты из данных Росстата и Министерства финансов Российской Федерации за 2012 год. Описательные статистики для всех переменных, использованных в анализе, представлены в Таблице 2. Согласно распространенной практике, для удобства анализа и интерпретации все независимые переменные были логарифмированы.

Таблица 2. Основные характеристики исследуемых субъектов Федерации

Так как зависимая переменная является «счетной» (англ. count) , т.е. представляет собой число событий, произошедших за определенный период времени, а именно число проектов ГЧП, реализованных и реализуемых в Российской Федерации (с момента появления законодательных оснований для развития инициатив подобного рода), то для статистического анализа данных используется пуассоновская регрессия, подкласс обобщенных линейных регрессий, разработанный специально для моделирования дискретных неотрицательных распределений. Следует отметить, что вектор значений зависимой переменной содержит большое количество нулей (т.е. регионов, в которых не было зафиксировано ни одного ГЧП к 2013 году); поэтому стандартная пуассоновская модель может давать смещенные оценки регрессионных коэффициентов. В подобных случаях рекомендуется использовать пуассоновскую модель для чрезмерно большого количества нулей (англ. zero-inflated Poisson regression: ZIP). Однако сравнение стандартной пуассоновской регрессии и ZIP-моделей на основании имеющегося массива данных с использованием теста отношения правдоподобий для невложенных моделей (англ. likelihood ratio test for non-nested models), предложенного Вонгом (Vuong 1989), показывает, что даже избыточное число нулевых значений не ведет к значительным ошибкам в оценках параметров модели22. Таким образом, стандартная пуассоновская модель является вполне адекватным методом анализа межрегиональных различий в успешности реализации ГЧП-проектов.

В Таблице 3 представлены результаты серии парных регрессий, в которой в качестве независимых переменных использовались отдельные показатели экономического развития регионов РФ, указанные в начале данного раздела (результаты соответствующих моделей представлены также в виде диаграмм рассеяния на Графиках 2.1 - 2.8 в Приложении). Размер государственного долга, уровень безработицы и средний душевой доход оказались незначимыми предикторами числа ГЧП-проектов в регионе. Доля расходов на заработную плату, дефицит регионального бюджета и размер дотаций из федерального бюджета оказывают статистически значимое отрицательное воздействие на зависимую переменную. Наконец, ВРП и размер инвестиций в основной капитал положительно связаны с количеством ГЧП-проектов в регионе. Так как для анализа используется пуассоновская модель, то точные значения регрессионных коэффициентов для независимых переменных не могут интерпретироваться напрямую, как изменение зависимой переменной при изменении соответствующей независимой на одну единицу (как это имеет место в линейной МНК-регрессии).

Таблица 3. Парные пуассоновские регрессии

Вместе с тем, оценка точного размера эффектов независимых переменных не представляется задачей первостепенной важности с точки зрения целей настоящего исследования и может быть опущена.

Следует отметить, что парная регрессия не позволяет получить достаточно надежное свидетельство того, что данная независимая переменная статистически значимо связана с зависимой переменной. Вполне возможно, что наблюдаемая связь является результатом того, что как зависимая, так и независимая переменная подвержены влиянию некоторой третьей величины, не включенной в анализ. В статистической литературе указанная проблема обычно упоминается под названием «проблемы пропущенной переменной» (англ. omitted variable bias). Стандартным (хотя и имеющим значительное количество недостатков) методом для борьбы с возможными искажениями результатов статистического анализа из-за потенциального воздействия ненаблюдаемых переменных является использование множественной регрессии с так называемыми «контрольными» переменными.

В исследуемом случае вероятность воздействия пропущенной переменной может быть частично учтена путем совместного включения всех восьми используемых в анализе независимых переменных в одну регрессионную модель. Препятствием для этого, однако, является наличие эффекта мультиколлинеарности в подобной модели, который возникает из-за высокой корреляции между ВРП, размером инвестиций в основной капитал и размером дотаций из федерального бюджета. Само по себе присутствие мультиколлинеарности в модели не влияет на точность оценки регрессионных коэффициентов, но способствует увеличению стандартных ошибок и, следовательно, влияет на результаты тестов на значимость для соответствующих параметров и повышает вероятность ошибки второго рода (неверного принятия нулевой гипотезы или, в содержательном смысле, вывода об отсутствии значимой связи между зависимой и независимой переменной). Поэтому вместо одной множественной пуассоновской регрессии были оценены три, в которые были включены по отдельности указанные проблемные переменные; каждая совместно с предикторами, не вносящими вклад в мультиколлинеарность.

Результаты множественных пуассоновских регрессий представлены в Таблице 4. Они в целом соответствуют выводам, полученным с помощью парных регрессий за двумя важными исключениями. Во-первых, коэффициент для переменной «размер государственного долга» становится значимым в двух из трех моделей. Во-вторых, то же самое происходит с коэффициентом для переменной «уровень безработицы», но уже во всех моделях. Это заставляет предположить, что обе переменные испытывают положительное воздействие со стороны так называемого «мешающего фактора» (англ. confounder). Соответственно, для более глубокого понимания природы связи между этими показателями и зависимой переменной необходимо учитывать, что государственный долг и безработица влияют на число ГЧП в регионе не столько сами по себе, сколько опосредуют воздействие некоторой третьей переменной. Идентификация этой третьей переменной, однако, требует применения более сложных методов анализа, нежели используемые в данной работе, и представляется интересной задачей для будущего исследования.

Таблица 4. Множественные пуассоновские регрессии

         3.2 Анализ данных по проектам ГЧП

На момент проведения анализа в Российской Федерации на разных стадиях реализации существует всего 1261 проект государственно-частного партнерства. На данный момент государственно-частное партнерство реализовывалось в 75 регионах из 85.

Больше всего ГЧП проектов на данный момент в Республике Татарстан - 104 проекта (8,2%). На втором месте Амурская область - там на разной стадии реализации находятся 64 проекта (5,1%). На третьем месте Омская область - 60 проектов (4,8% от общего числа).

Проекты ГЧП реализуются во всех федеральных округах, кроме Крымского Федерального округа. Как видно из таблицы, больше всего проектов в Приволжском Федеральном Округе - 336 (26,6%). На втором месте по числу проектов Центральный Федеральный округ - 293 проекта (23,2%), а на третьем - Сибирский Федеральный округ с 252 проектами ГЧП (20% от общего числа).

Таблица 5. Количество ГЧП проектов в Федеральных округах

Правовые основы государственно-частного партнерства прописаны на региональном уровне почти во всех регионах, где есть проекты ГЧП, кроме: Карачаево-Черкесской Республики, Курской области, Магаданской области, Москвы, Новгородской области, Пермского края, Приморского края, Республики Башкортостан, Республики Дагестан, Республики Мордовии, Тульской области, Ульяновской области и Чукотского автономного округа.

Если детализировать, то согласно данным, полученным из Центра Развития государственно-частного партнерства, в ряде регионов (68 единиц) уже принят закон, оговаривающий роль участия РФ в таких партнерствах. Также, 4 субъекта ожидают на данный момент принятия закона, акт находится на рассмотрении. 40 регионов страны поддерживают действие актов, согласно которым установлен четко оговоренный порядок по работе с проектами на основе такого партнерства. Кроме того, более, чем в двух десятках (21) субъектов РФ разное количество образований муниципального типа (в зависимости от субъекта от одного до нескольких) на законном основании приняли регламент актов правопорядка, направленных на регулирование развития партнерства между муниципальными и частными организациями, а также проектов МЧП. 74 субъекта Российской Федерации осуществили принятие меморандумов инвестиционной направленности, а также программ и стратегий, имеющих в составе представление о партнерстве между государственными и частными предприятиями, как площадкой для потенциального инвестирования. 18 субъектов РФ располагают запланированными стратегиями развития ГЧП на территории отдельно взятых субъектов, а также конкретизированными планами по реализации данных проектов. 76 регионов определили или планируют в ближайшем будущем определить функционирующие властные структуры на территории субъекта, на которых будет лежать ответственность за исполнение намеченного плана по развитию ГЧП. 46 регионов РФ также имеют в штате властных структур должности для лиц, обладающих навыками в области спецподготовки в управлении проектами на основе партнерства государственно-частного типа.