Эмпирическая оценка аггломерационных эффектов Владимир Вахитов Киевская школа экономики Нижний Новгород 25 июля 2012 г.

ЧАСТЬ 1 Методология измерения аггломерационных эффектов 2

Что же такое аггломерация? 3 ? Общий рынок труда? Взаимоотношения между владельцами или менеджерами фирм?? Общий рынок сбыта?

Что же такое аггломерация? 4

«Внешняя экономика масштаба» (external scale economies) Внешний эффект – многомерен: Географическое измерение Отраслевое измерение Временное измерение Эффект убывает при увеличении расстояния по каждому вектору 5

Географическое измерение Физическое расстояние между фирмами влияет на эффект Где заканчивается влияние: Район города – город – район (округ) – область (край) –...? Теория: «почему возникают города?» Эмпирика: «микрогеографические измерения» 6

Отраслевое измерение Отраслевая похожесть влияет на эффект Сравните: цементный завод и строительный трест производство пластмасс и «мебель на заказ» радиозавод и техникум гостиничного хозяйства 7

Временное измерение Опыт взаимоотношениий: Длительность Как давно это было в последний раз? По прошествии времени, опыт исчезает или укрепляется? Потребность в моделировании динамических процессов аггломерации (не равновесие ad hoc) 8

Общий подход к измерению A j A j – общий «параметр окружения» Внешние по отношению к предприятию Проявляются внутри района/города Внешние к отрасли – урбанизационные (urbanization economies), Jacobs Внутренние к отрасли – локализационные (localization economies), MAR 9

Общий подход: расстояния 10

Общий подход: размер Относительный размер имеет значение: q(X j, X k ) Аналог гравитационного уравнения 11

Общий подход: всё вместе 12

Что оцениваем? Чаще всего: производственная функция Hicks-neutral shifter g(A j )f(X) 13

Проблемы оценки производственных функций Измерение факторов производства Труд, капитал, материальные затраты Добавленная стоимость или продажи (а не физический выпуск)? Уровень аггрегации: завод, фирма или отрасль? район, область, MSA, или home market? 14

15 Проблемы оценки производственных функций

Как бороться? Инструмент: коррелирует с фактором, но не с шоком (или выбором менеджера) сложно такой найти на уровне фирм Панельные данные (within, random): нарушение предположения о строгой эндогенности факторов может все равно привести к смещённым оценкам 16 Проблемы оценки производственных функций

17 Проблемы оценки производственных функций

Как бороться? Levinson-Petrin (2003) похоже на Olley-Pakes у многих фирм нулевые инвестиции используем материальные затраты важно: разница между total revenue и value added тоже есть в Stata (levpet), но дольше, чем opreg 18 Проблемы оценки производственных функций

Как бороться? Arellano-Blundell-Bond (GMM-diff, GMM-sys) лаги (нужно много временных точек) вопрос силы лаговых значений как инструментов для разностей шоков Stata: xtabond2 (Roodman, 2006), xtdpdsys 19 Проблемы оценки производственных функций

20 Проблемы оценки производственных функций

21 Проблемы оценки производственных функций

МНК – смещенные оценки (эндогенность) Наиболее производительные выбирают район с себе подобными (селекция) Как обойти: Инструменты, которые бы коррелировали с мерой окружения (аггломерации) А j, но не с производительностью Сложно найти: проблема слабых инструментов в наличных данных 22 Проблемы оценки эфекта окружения A j

Одна или две стадии оценки: Сразу - производственная функция, в которой один из параметров – ln(A j ) Сначала «чистая» ПФ, потом остатки (residuals) регрессируются на ln(A j ) «Дело вкуса» 23 Проблемы оценки эфекта окружения A j

Что же все-таки оцениваем? Производительность TFP либо производительность труда Добавленная стоимость или продажи Экономический рост Занятость Создание новых предприятий Рост зарплат и ренты Инновационная деятельность Количество патентов Интенсивность НИОКР Адаптация технологий 24

Что же все-таки оцениваем? Производительность TFP либо производительность труда Добавленная стоимость или продажи Прямая оценка TFP Данные на уровне регионов и аггрегированных отраслей: Nakamura (1985), Henderson (1986), Sveikauskas (1979), Moomaw (1983) … Микроданные – современный тренд: Henderson (2003) И еще 3,000 статей в Regional Studies and Urban Economics, Journal of Urban Economics, Review of Economics and Statistics, Journal of Economic Geography, etc. Обзоры - Eberts & McMillen (1999), Rosenthal & Strange (2004) 25

Что же все-таки оцениваем? Экономический рост Занятость Создание новых предприятий Рост зарплат и ренты Glaeser (1992), Henderson (1995) – общая занятость в городах Rosenthal & Strange (2003) – создание новых предприятий рядом со старыми Glaeser and Mare (2001) – рост зарплат Dekle and Eaton (1999) – рост ренты (productivity differential) 26

Что же все-таки оцениваем? Инновационная деятельность Количество патентов Интенсивность НИОКР Адаптация технологий Duranton and Puga (2000) – nursery cities Feldman and Audretsch (1999) – влияние на патенты и фирмы-инноваторы, knowledge spillovers Везде нужно воевать с эндогенностью! Всегда нужно помнить о положительной селекции 27

Как правильно измерять A j ? Ellison, Glaeser & Kerr (2010) Прямое измерение всех трех гипотез MAR Для отраслей (6 цифр классификатора): Input-output requirements (общность факторов) Использование профессий из единого классификатора (рынок труда) Кросс-цитирование патентов (переток знаний) Использование природных преимуществ LHS: попарный индекс ко-аггломерации 28

Как правильно измерять A j ? Ellison, Glaeser & Kerr (2010) Результаты: Все три гипотезы MAR значимы Совместное влияние MAR больше, чем природных факторов Использование рынков (IO) ниболее значимо Влияние убывает с расстоянием 29

Как правильно измерять A j ? Beaudry, Schiffauerova (2009) Вспомним: A j – общий «параметр окружения» Вопрос: если нет возможности померять точно, как мерять вообще? Зависит, какого рода взаимоотношение мы пытаемся найти 30

Как правильно измерять A j ? Локализационные эффекты: отрасль Доля (share): относительный размер отрасли или Location quotient (относительная концентрация отрасли в регионе по отношению к концентрации отрасли в стране): LQ=(e ir /e r )/(e ic /e c ) Неплохо показывает уровень географической концентрации по регионам Не подходит для микроданных Статистические проблемы: если мало фирм в регионе – нужна нормализация 31

Как правильно измерять A j ? Локализационные эффекты: отрасль Плотность промышленности: число предприятий или занятость на единицу площади города или общее население (Holmes and Stevens, 2002) 32

Как правильно измерять A j ? Локализационные эффекты: отрасль Размер: занятость или количество предприятий в отрасли можно использовать для индивид. данных можно проводить декомпозицию по типам Henderson (2003): ln(total_empl)=ln(# plants) + ln(total_empl / # plants) 33

Как правильно измерять A j ? Локализационные эффекты: отрасль Разнообразие отрасли: Индексы технологического подобия Специализация научной базы Индекс HHI разнообразия внутри отрасли Тоже не подходят для индив. данных. 34

Как правильно измерять A j ? Урбанизационные эффекты: город (Диверсификация, обмен, замещение, churning) Разнообразие в городе: Разные индексы HHI (по всем отраслям) Индекс Gini Индекс технологической близости Индекс «общей научной базы» 35

Как правильно измерять A j ? Урбанизационные эффекты: город Размер Общая занятость в городе (минус своя) Общая занятость во всех инновационных фирмах Доля занятости в других отраслях Количество предприятий 36

Уровни аггрегации 37

Уровни аггрегации Классификатор NACE (КВЕД, ОКВЭД): Сектор (А, B, C, …) - 17 Подсектор (CA, DD, - только для С и D) - 16 Раздел XX - 62 Группа XX.X Класс XX.XX Подкласс XX.XX.X –

Уровни аггрегации Классификатор территорий: NUTS1 (макрорегионы, округа) NUTS2 (области, штаты, воеводства, провинции) NUTS3 (районы, департаменты, графства, кантоны) Почтовый индекс (недетализированный) Неклассифицированные: MSA, SMSA, LLC 39

Уровни аггрегации Какой уровень выбрать? Где граница «отрасли»? Где граница «региона»? Как определить границы «ячейки», в которой измеряем A j ? 40

Уровни аггрегации Beaudry, Schiffauerova (2009): 1-2 цифры: MAR чаще, чем Jacobs 3 цифры: примерно одинаково 4-5 цифр: Jacobs чаще, чем MAR Очевиден «перехлест» MAR и Jacobs эффектов 41

Уровни аггрегации Manufacturing: High-Technology Medium-high-technology Medium-low-technology Low-technology Services: Knowledge-intensive market services High-tech knowledge- intensive services Knowledge-intensive financial services Other knowledge- intensive services Less knowledge-intensive market services 42 Иная группировка отраслей (Eurostat):

Уровни аггрегации Beaudry, Schiffauerova (2009): MAR: чаще в low-tech manufacturing Jacobs: increases with technological intensity Также эффекты разнятся на различных стадиях жизненного цикла отрасли (напр. Duranton and Puga, 2001) 43

Уровни аггрегации Географическое измерение: Тут проще: чем мельче, тем больше проявляются эффекты Rosenthal & Strange (2003): большинство новых фирм появляются в радиусе 5-15 миль от старых (США) Duranton & Overmann (2004): большинство фирм одной отрасли находится в 50 км друг от друга (Великобритания) 44

Уровни аггрегации 45 Отраслевая аггрегация Географическая аггрегация Вероятность обнаружения эффекта Beaudry, Schiffauerova (2009):

Фаза экономического цикла Аггломерационные эффекты коррелируют с продажами, т.е. процикличны В период кризиса ниже вероятность обнаружить эффект 46

От «микроданных» к «наноданным» Combes et al: Consumption patterns: штрих-коды товаров, точная геолокация продаж Employee-Employer Match: точная информация о зарплатах и демографии рабочих, точная геолокация работ Commuting patterns: точная информация о передвижении между жильем и работой 47

ЧАСТЬ 2 Практика измерения аггломерационных эффектов 48

Данные Госкомстат: ежегодные ( ) Уровень агрегации: предприятие, район Основаны на отчетности предприятий Исключения: бюджетный сектор, банки Данная работа: только промышленность (секция «D») Коды территории, отрасли, общие продажи, занятость, количество предприятий

Данные: построение выборки Перерабатывающ. промышленность Всего Всего предприятий44,77048,15149,00849,94650,719242,594 Отдельных хоз. ед.45,84049,65051,20552,28853,096252,079 Положит. L и Y35,98938,04039,07638,78038,634190,519 В городах25,81727,51928,31228,47428,739138,861

Данные: Средний размер фирмы DA: Пищепереработка, табак DB: Текстиль и текстильные изделия DC: Изделия из кожи DD: Обработка дерева DE: Целлюлозная промышленность, печать DF: Кокс, нефтепродукты, ядерное топливо DG: Хим. продукты, искуственные волокна DH: Производство резин, пластмасс DI: Прочие неметаллические продукты DJ: Металлы и металлообработка DK: Машиностроение DL: Электрическое, оптическое оборудование DM: Транспортное оборудование DN: Прочие отрасли

Общая занятость, 2001 г.

Общая занятость, 2002 г.

Общая занятость, 2003 г.

Общая занятость, 2004 г.

Общая занятость, 2005 г.

Показатель неравенства: кривая Лоренца (занятость) В 90% регионов работает лишь ~27% всех постоянно занятых

Показатель неравенства: кривая Лоренца (количество фирм) Лишь в 10% регионов сконцентрировано 70% промышленных предприятий

Меры промышленной концентрации Индексы аггломерации Ellison-Gleaser (1997), Maurel-Sedillot (1999) s i : региональная доля занятости отрасли (M регионов) x i : национальная доля занятости региона H – индекс Херфиндаля – Хиршмана (по фирмам) G: уровень географической концентрации 59

Логика индексов 60

Логика индексов 61

62 Результат для Украины КВЭД на yровне 3 цифр

63 Результат для Украины YearMeanMedianStd. dev.NegativeSmallMediumLarge Увеличение концентрации со временем

Оценка аггломерационных эффектов Украина 2001 – 2005 Машиностроение и высокоточное производство Henderson (2003) Влияние формы собственности на аггломерационный эффект 64

65 Пространственные данные Построение Quasi-MSA: Население (Перепись 2001) Иерархическое построение вокруг крупных городов «Зона занятости» – примерно 60 км. 56 QMSA

66 Районы и QMSA

67 Данные отраслей: Machinery & High Tech: Machinery : 29.1, 29.2, 29.4, 29.5 High-Tech : 29.6, 30.0, 32.1, 33.1, 35.3 Машиностроение более гомогенно

68 Machinery: Location in 2001

69 Machinery: Location in 2005

70 High Tech: Location in 2001

71 High Tech: Location in 2005

72 Построение выборки Обрабатыв. пром Total Всего фирм44,77048,15149,00849,94650,719242,594 Заводов45,84049,65051,20552,28853,096252,079 Положит. L и Y35,98938,04039,07638,78038,634190,519 QMSA33,76735,77136,79036,60436,568179,500 В городах25,81727,51928,31228,47428,739138,861 Machinery всего3,0423,2253,3903,3753,31216,344 High-Tech всего1,0101,0781,0231,0331,0275,171

73 Динамика занятости Y2001Y2002Y2003Y2004Y2005 Machinery, Small Firms High Tech, Small Firms Machinery, Large Firms High Tech, Large Firms

74 Характеристики фирм MachineryHigh Tech LargeSmallLargeSmall Urban87%89%90%94% Majority Private86%98%62%97% Foreign Owned3%1%2%

75 Как меряем аггломерацию Для каждого кластера – две меры: Количество заводов: взаимодействие между фирмами Занятость: общий рынок труда Отраслевая аггрегация: Группа, KVED3 Пространственная: QMSA, район

76 Как меряем аггломерацию Два эксперимента: 1)3-цифры в QMSA (Дальше географически, ближе в отраслевом разрезе) 2)Группа в районе (ближе географически, но шире отрасль)

Модель 77 Оценка методом фиксированных эффектов Фиксированные эффекты: MSA, 3-digit industry- year cross-effects E : Мера аггломерации I : Институциональные переменные: город, филиал, набор индикаторов типа собственности

78 Machinery: Localization Results Group-RaionKV3 - QMSA EmplPlantsEmplPlants ln (Capital)0.072 a a a (0.017) ln (Labor)0.938 a a a (0.026) (0.025) Localization Effect0.074 a a b (0.017)(0.024)(0.017)(0.044) Subsidiary a a a a (0.058)(0.056)(0.064) Urban a a (0.073) Observations Number of QMSA's56 R-squared0.63

79 Machinery: Localization + Ownership Group-RaionKV3 - QMSA EmplPlantsEmplPlants Primarily domestic (DO)0.683 a a a a (0.089)(0.111)(0.084)(0.203) Primarily foreign (FO)1.272 a b a c (0.170)(0.331)(0.182)(0.459) Localization Effect0.074 c (0.042)(0.053)(0.051)(0.091) Localization + Domestic Cross-effect (0.035)(0.041)(0.044)(0.064) Localization + Foreign - Cross effect c (0.073)(0.090)(0.084)(0.123)

80 High Tech: Localization Results Group-RaionKV3 - QMSA EmplPlantsEmplPlants ln (Capital)0.117 a a a a (0.036) (0.039) ln (Labor)0.963 a a a a (0.037)(0.036)(0.043) Localization Effect0.117 a a b (0.015)(0.032)(0.021)(0.061) Subsidiary a a a (0.110)(0.109)(0.117)(0.116) Urban a a (0.114)(0.113) Observations Number of QMSA's48 R-squared

81 High Tech: Localization + Ownership Group-RaionKV3 - QMSA EmplPlantsEmplPlants Primarily domestic (DO)0.541 a a (0.188)(0.234)(0.211)(0.239) Primarily foreign (FO)1.020 a a (0.326)(0.696)(0.208)(0.588) Localization Effect c b (0.032)(0.048)(0.040)(0.089) Localization + Domestic Cross-effect0.081 b a a (0.035)(0.038) (0.051) Localization + Foreign - Cross effect (0.130)(0.129)(0.139)(0.138)

82 Основные результаты Оценка MAR эффектов Эффекты присутствуют в обоих группах и соотносятся с предыдущими исследованиями Эффекты выше для группы High Tech Эффект сильнее для меры «количество фирм»: связи на уровне менеджмента?

83 Основные результаты Эффекты сильнее выражены на уровне группа – район, чем КВЭД3 - QMSA (локальные) Для частных фирм аггломерационный эффект сильнее FO (иностранная собственность) важнее в машиностроении DO (частная местная собственность) важнее в High Tech

Спасибо за внимание! 84