Эмпирическая оценка аггломерационных эффектов

Эмпирическая оценкааггломерационных эффектов

Владимир ВахитовКиевская школа экономики

Нижний Новгород

25 июля 2012 г.

2

ЧАСТЬ 1

Методология измерения аггломерационных эффектов

3

Что же такое аггломерация?

?

Общий рынок труда?

Взаимоотношения между владельцами или менеджерами фирм??

Общий рынок сбыта?

4


5


• «Внешняя экономика масштаба» (external scale economies)

• Внешний эффект – многомерен:Географическое измерениеОтраслевое измерениеВременное измерение

• Эффект убывает при увеличении расстояния по каждому вектору

6

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»

7

Отраслевое измерение

• Отраслевая похожесть влияет на эффект

• Сравните: цементный завод и строительный трестпроизводство пластмасс и «мебель на

заказ»радиозавод и техникум гостиничного

хозяйства

8

Временное измерение

• Опыт взаимоотношениий:ДлительностьКак давно это было в последний раз?По прошествии времени, опыт исчезает

или укрепляется?Потребность в моделировании

динамических процессов аггломерации (не равновесие ad hoc)

9

Общий подход к измерению Aj

• Aj – 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

10

Общий подход: расстояния

• K фирм• Мера «расстояний» от фирмы j до

фирмы : • Эмпирический вопрос: определить d°

jk=0 и измерить все три «расстояния»

• Где границы «кластера»?

11

Общий подход: размер

• Относительный размер имеет значение:• q(Xj, Xk)

• Аналог гравитационного уравнения

12

Общий подход: всё вместе

• Полный эффект влияния окружения на фирму j:

13

Что оцениваем?

• Чаще всего: производственная функция• Hicks-neutral shifter g(Aj)f(X)

14

Проблемы оценки производственных функций

• Измерение факторов производстваТруд, капитал, материальные затратыДобавленная стоимость или продажи (а не

физический выпуск)?Уровень аггрегации:

• завод, фирма или отрасль?• район, область, MSA, или “home market”?

15

• Эндогенность при оценке факторов

Одновременность (simultaneity): выбор факторов одновременно с ненаблюдаемым (нами) шоком

Селекция фирм в выборку (дарвинизм)Смещенность оценок, особенно Подробнее: Griliches-Mairesse (1995)


16

• 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


17

• Как бороться? Olley-Pakes (1997)

• Три стадии: сначала моделируем выход (возможен «ложный выход», если в панели «дыры»; недоступно для сбалансированных панелей)

• Находим • инструментируем инвестициями (доступно

лишь для небольшной части фирм); полупараметрическая оценка (долго)

• Зато реализовано в Stata (opreg)


18

• 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


19

• 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


20

• Как бороться? Ackerberg-Frazer-Caves (2012)

• Критика LP и OP: они неправильно идентифицируют

• Начинаем с value-added production function• Непараметрическая оценка коэффициентов,

получаем оценку • Оценка параметров по методу GMM• Пока что нет «готовой» процедуры, кроме -gmm-.


21

Ещё один маленький моментDe Loecker (2011): коррекция

коэффициентов производственной функции с учетом размера рынка.

Включается общий выпуск по рынку Коррекция: ,


22

• МНК – смещенные оценки (эндогенность)Наиболее производительные выбирают

район с себе подобными (селекция)• Как обойти:

Инструменты, которые бы коррелировали с мерой окружения (аггломерации) Аj, но не с производительностью

Сложно найти: проблема слабых инструментов в наличных данных

Проблемы оценки эфекта окружения Aj

23

• Одна или две стадии оценки:Сразу - производственная функция, в

которой один из параметров – ln(Aj)

Сначала «чистая» ПФ, потом остатки (residuals) регрессируются на ln(Aj)

• «Дело вкуса»

Проблемы оценки эфекта окружения Aj

24

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

25

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)

26

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)

27

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

28

Как правильно измерять Aj?

• Ellison, Glaeser & Kerr (2010)Прямое измерение всех трех гипотез MARДля 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

29


• 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

30


Beaudry, Schiffauerova (2009)• Вспомним: Aj – общий «параметр

окружения»• Вопрос: если нет возможности

померять точно, как мерять вообще? • Зависит, какого рода взаимоотношение

мы пытаемся найти

31


Локализационные эффекты: отрасль• Доля (share): относительный размер отрасли

или Location quotient (относительная концентрация отрасли в регионе по отношению к концентрации отрасли в стране):

• LQ=(eir/er)/(eic/ec)

• Неплохо показывает уровень географической концентрации по регионам

• Не подходит для микроданных• Статистические проблемы: если мало фирм в

регионе – нужна нормализация

32


Локализационные эффекты: отрасль• Плотность промышленности: число

предприятий или занятость на единицу площади города или общее население (Holmes and Stevens, 2002)

33


Локализационные эффекты: отрасль• Размер:

занятость или количество предприятий в отрасли

можно использовать для индивид. данныхможно проводить декомпозицию по типамHenderson (2003):

ln(total_empl)=ln(# plants) + ln(total_empl / # plants)

34


Локализационные эффекты: отрасль• Разнообразие отрасли:

Индексы технологического подобияСпециализация научной базыИндекс HHI разнообразия внутри отрасли

• Тоже не подходят для индив. данных.

35


Урбанизационные эффекты: город(Диверсификация, обмен, замещение, churning)• Разнообразие в городе:

Разные индексы HHI (по всем отраслям)Индекс Gini Индекс технологической близостиИндекс «общей научной базы»

36


Урбанизационные эффекты: город• Размер

Общая занятость в городе (минус своя)Общая занятость во всех инновационных

фирмахДоля занятости в других отрасляхКоличество предприятий

37

Уровни аггрегации

• Если нет возможности измерить напрямую , то как?

• Аггрегируя данные в ячейке «отрасль – регион – временной интервал»

38


• Классификатор NACE (КВЕД, ОКВЭД):Сектор (А, B, C, …) - 17Подсектор (CA, DD, - только для С и D) - 16Раздел XX - 62Группа XX.X - 224Класс XX.XX - 514Подкласс XX.XX.X – 620

39


• Классификатор территорий:NUTS1 (макрорегионы, округа)NUTS2 (области, штаты, воеводства,

провинции)NUTS3 (районы, департаменты, графства,

кантоны)Почтовый индекс (недетализированный)Неклассифицированные: MSA, SMSA, LLC

40


Какой уровень выбрать?

Где граница «отрасли»?

Где граница «региона»?

Как определить границы «ячейки», в которой измеряем Aj?

41


• Beaudry, Schiffauerova (2009): 1-2 цифры: MAR чаще, чем Jacobs3 цифры: примерно одинаково4-5 цифр: Jacobs чаще, чем MARОчевиден «перехлест» MAR и Jacobs

эффектов

42


• Manufacturing:High-TechnologyMedium-high-technologyMedium-low-technologyLow-technology

• Services:Knowledge-intensive

market servicesHigh-tech knowledge-

intensive servicesKnowledge-intensive

financial servicesOther knowledge-intensive

servicesLess knowledge-intensive

market services

Иная группировка отраслей (Eurostat):

43


• Beaudry, Schiffauerova (2009): MAR: чаще в low-tech manufacturingJacobs: increases with technological intensity

• Также эффекты разнятся на различных стадиях жизненного цикла отрасли (напр. Duranton and Puga, 2001)

44


• Географическое измерение:Тут проще: чем мельче, тем больше

проявляются эффектыRosenthal & 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)

45


Отраслевая аггрегация

Географическая аггрегация

Вероятность обнаружения эффекта

Beaudry, Schiffauerova (2009):

46

Фаза экономического цикла

• Аггломерационные эффекты коррелируют с продажами, т.е. процикличны

• В период кризиса ниже вероятность обнаружить эффект

47

От «микроданных» к «наноданным»

• Combes et al:Consumption patterns: штрих-коды товаров,

точная геолокация продажEmployee-Employer Match: точная

информация о зарплатах и демографии рабочих, точная геолокация работ

Commuting patterns: точная информация о передвижении между жильем и работой

48

ЧАСТЬ 2

Практика измерения аггломерационных эффектов

Данные

• Госкомстат: ежегодные (2001-2005)• 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 выборкиПерерабатывающ. промышленность 2001 2002 2003 2004 2005 Всего

Всего предприятий 44,770 48,151 49,008 49,946 50,719 242,594

Отдельных хоз. ед. 45,840 49,650 51,205 52,288 53,096 252,079

Положит. L и Y 35,989 38,040 39,076 38,780 38,634 190,519

В городах 25,817 27,519 28,312 28,474 28,739 138,861

Данные: Средний размер фирмы2001 2002 2003 2004 2005

DA: Пищепереработка, табак 75.6 71.6 67.5 73.4 79.3

DB: Текстиль и текстильные изделия 69.7 62.2 49.8 50.3 50.6

DC: Изделия из кожи 85.3 64.7 53.1 64.7 64.8

DD: Обработка дерева 19.9 18.2 18.2 17.9 18.4

DE: Целлюлозная промышленность, печать 20.2 18.7 17.8 16.3 16.5

DF: Кокс, нефтепродукты, ядерное топливо 443 216.2 189.2 167.5 224.8

DG: Хим. продукты, искуственные волокна 144.7 142.9 130.8 127.4 122.3

DH: Производство резин, пластмасс 39.5 40.2 36.6 35.9 38.5

DI: Прочие неметаллические продукты 93.6 76.2 66.5 66.1 63.6

DJ: Металлы и металлообработка 117.4 104.1 93.9 99.5 93.4

DK: Машиностроение 94.4 82.9 74.3 70.6 74.9

DL: Электрическое, оптическое оборудование 48.7 42.2 41.1 37.4 45.1

DM: Транспортное оборудование 268.9 230.2 201.7 238.9 220.4

DN: Прочие отрасли 47.6 40.4 36.4 36.3 36.1

(12741,1038392](8610,12741](6430,8610](4487,6430][0,4487]

Spatial Distribution of Total Employment, 2001

Общая занятость, 2001 г.

(12741,1038392](8610,12741](6430,8610](4487,6430][0,4487]



(12741,1038392](8610,12741](6430,8610](4487,6430][0,4487]



(12741,1038392](8610,12741](6430,8610](4487,6430][0,4487]



(12741,1038392](8610,12741](6430,8610](4487,6430][0,4487]



0.2

.4.6

.81

0 .2 .4 .6 .8 1

Employment 2001 Employment 2002 Employment 2003

Employment 2004 Employment 2005

Lorenz Curves: Distribution of Manufacturing Employment

.2.2

5.3

.35

.4

.85 .9 .95

Employment 2001 Employment 2002 Employment 2003

Employment 2004 Employment 2005

Lorenz Curves: Distribution of Manufacturing Employment (excerpt)

Показатель неравенства: кривая Лоренца (занятость)

В 90% регионов работает лишь ~27% всех постоянно занятых

Показатель неравенства: кривая Лоренца (количество фирм)

0.2

.4.6

.81

0 .2 .4 .6 .8 1

Plants 2001 Plants 2002 Plants 2003

Plants 2004 Plants 2005

Lorenz Curves: Distribution of Manufacturing Plants

.25

.3.3

5.4

.45

.85 .9 .95

Plants 2001 Plants 2002 Plants 2003

Plants 2004 Plants 2005

Lorenz Curves: Distribution of Manufacturing Plants (excerpt)

Лишь в 10% регионов сконцентрировано 70% промышленных предприятий

59

Меры промышленной концентрации

• Индексы аггломерацииEllison-Gleaser (1997), Maurel-Sedillot (1999) si: региональная доля занятости отрасли (M регионов)

xi: национальная доля занятости региона

H – индекс Херфиндаля – Хиршмана (по фирмам)G: уровень географической концентрации

H

HG

1

M

ii

M

iii

x

xsG

1

2

1

2

1

60

Логика индексов

Фирмы приходят туда, где максимизируется прибыль, которая зависит от расположения других фирм и переливов между ними: )

Вероятность расположения в одном регионе:

61

Логика индексов

Превышение уровня концентрации над тем, который бы наблюдался, если бы фирмы располагались просто случайным образом,

Если все фирмы одинаковы, Н→G

(сумма ожидаемых природных преимуществ и преимуществ от аггломерации)

62

Результат для Украины0

510

1520

2530

35D

ensi

ty

-.2 -.15 -.1 -.05 0 .02 .05 .1 .15 .2 .25 .3 .35

empl__gamma, 2001

05

1015

2025

3035

Den

sity

-.2 -.15 -.1 -.05 0 .02 .05 .1 .15 .2 .25 .3 .35

empl__gamma, 2005

КВЭД на yровне 3 цифр

63

Результат для Украины

Year Mean Median Std. dev. Negative Small Medium Large

2001 0.0163 0.0059 0.0419 28 50 12 13

2002 0.0213 0.0058 0.0426 23 50 14 16

2003 0.0194 0.0074 0.0445 28 46 14 15

2004 0.0209 0.0069 0.0606 26 51 14 12

2005 0.0230 0.0082 0.0653 22 50 17 14

Увеличение концентрации со временем

64

Оценка аггломерационных эффектов

• Украина 2001 – 2005• Машиностроение и высокоточное

производство• Henderson (2003)• Влияние формы собственности на

аггломерационный эффект

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

(4,396](2,4](1,2][1,1]No data

Spatial Distribution of Machinery # plants, 2001

69

Machinery: Location in 2005

(5,468](2,5](1,2][1,1]No data

Spatial Distribution of Machinery # plants, 2005

70

High Tech: Location in 2001

(4,227](2,4](1,2][1,1]No data

Spatial Distribution of High Tech # plants, 2001

71

High Tech: Location in 2005

(3,317](1,3][1,1]No data

Spatial Distribution of High Tech # plants, 2005

72

Построение выборки

Обрабатыв. пром. 2001 2002 2003 2004 2005 Total

Всего фирм 44,770 48,151 49,008 49,946 50,719 242,594

Заводов 45,840 49,650 51,205 52,288 53,096 252,079

Положит. L и Y 35,989 38,040 39,076 38,780 38,634 190,519

QMSA 33,767 35,771 36,790 36,604 36,568 179,500

В городах 25,817 27,519 28,312 28,474 28,739 138,861

Machinery всего 3,042 3,225 3,390 3,375 3,312 16,344

High-Tech всего 1,010 1,078 1,023 1,033 1,027 5,171

73

Динамика занятости

Y2001 Y2002 Y2003 Y2004 Y2005

Machinery, Small Firms 13.2 13.4 13.9 13 12.4

High Tech, Small Firms 10.4 10.2 10.9 10.5 10.4

Machinery, Large Firms 431.5 424.8 393.3 387.5 399.9

High Tech, Large Firms 740.3 614.2 565.5 556.5 493.2

74

Характеристики фирм

Machinery High Tech

Large Small Large Small

Urban 87% 89% 90% 94%

Majority Private 86% 98% 62% 97%

Foreign Owned 3% 1% 2% 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)

77

Модель

mjtmjtjtmtjtjty IEXα lnlnlnln

• 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-Raion KV3 - QMSA

Empl Plants Empl Plants

ln (Capital) 0.072a 0.071a 0.066a 0.066a

(0.017) (0.017) (0.017) (0.017)

ln (Labor) 0.938a 0.938a 0.945a 0.944a

(0.026) (0.026) (0.025) (0.025)

Localization Effect 0.074a 0.093a 0.041b 0.073

(0.017) (0.024) (0.017) (0.044)

Subsidiary -0.481a -0.475a -0.481a -0.480a

(0.058) (0.056) (0.064) (0.064)

Urban 0.292a 0.293a

(0.073) (0.073)

Observations 13028 13028 13352 13352

Number of QMSA's 56 56 56 56

R-squared 0.63 0.63 0.63 0.63

79

Machinery: Localization + Ownership Group-Raion KV3 - QMSA


Primarily domestic (DO) 0.683a 0.594a 0.699a 0.601a

(0.089) (0.111) (0.084) (0.203)

Primarily foreign (FO) 1.272a 0.687b 1.339a 0.806c

(0.170) (0.331) (0.182) (0.459)

Localization Effect 0.074c 0.060 0.036 0.058

(0.042) (0.053) (0.051) (0.091)

Localization + Domestic Cross-effect -0.007 0.024 0.011 0.030

(0.035) (0.041) (0.044) (0.064)

Localization + Foreign - Cross effect 0.087 0.164c 0.099 0.162

(0.073) (0.090) (0.084) (0.123)

80

High Tech: Localization Results Group-Raion KV3 - QMSA


ln (Capital) 0.117a 0.116a 0.108a 0.109a

(0.036) (0.036) (0.039) (0.039)

ln (Labor) 0.963a 0.961a 0.964a 0.963a

(0.037) (0.036) (0.043) (0.043)

Localization Effect 0.117a 0.168a -0.044b -0.086

(0.015) (0.032) (0.021) (0.061)

Subsidiary -0.485a -0.486a -0.466a -0.466a

(0.110) (0.109) (0.117) (0.116)

Urban 0.545a 0.548a

(0.114) (0.113)

Observations 3949 3949 4036 4036

Number of QMSA's 48 48 48 48

R-squared 0.61 0.62 0.57 0.56

81

High Tech: Localization + Ownership Group-Raion KV3 - QMSA


Primarily domestic (DO) 0.541a 0.218 0.587a 0.179

(0.188) (0.234) (0.211) (0.239)

Primarily foreign (FO) 1.020a 0.496 1.100a 0.514

(0.326) (0.696) (0.208) (0.588)

Localization Effect 0.043 0.070 -0.077c -0.223b

(0.032) (0.048) (0.040) (0.089)

Localization + Domestic Cross-effect 0.081b 0.107a 0.035 0.151a

(0.035) (0.038) (0.038) (0.051)

Localization + Foreign - Cross effect 0.101 0.162 0.036 0.204

(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

84

Спасибо за внимание!

[email protected]

Documents

Эмпирическая оценка аггломерационных эффектов