Некоторые оценки человеческого капитала и его роль в экономическом развитии России

Полный текст

Введение Несмотря на отдельные достижения в различных отраслях промышленности, Россия в международных рейтингах высокоразвитых стран, согласно данным аналитиков международного проекта «Сеть решений устойчивого развития» за 2016-2017 гг. (Helliwell, 2018) и ООН (UNDP, 2015-2016), по-прежнему по многим показателям занимает не самые высокие места. Так, в рейтинге счастья она заняла 49 место, здоровья - 117, по уровню жизни - 87, уровню процветания - 101, образования - 34 (вместо третьего в советские времена), продолжительности жизни - 116 и т.п.[1] К сожалению, среди многих составляющих, по которым рассчитывается индекс человеческого развития (ИЧР/HDI), наука России и по затратам, и по общему состоянию находится на одном из последних мест. Хотя по объему внутренних затрат на НИОКР (40,5 млрд долл. в расчете по ППС или 1,19 % ВВП) страна вошла в мировые топ-20 (9 место) (Баранова и др., 2017), финансирование науки значительно уступает расходам на образование и медицину (3264,2 млрд руб. и 2820,94 млрд руб. соответственно, данные 2017 г.)[2]. Согласно рейтингу WEF «О глобальной конкурентоспособности» (Schwab, 2017), Россия в этом списке заняла 43 место (к примеру, КНР - 28), т.е. российская промышленность по многим направлениям не способна быть конкурентоспособной на мировых рынках товаров и услуг. Все это усугубляется и отрицательной динамикой человеческого капитала (ЧК), вызванной отъездом большого числа грамотных специалистов, а следовательно, дефицитом квалифицированных кадров в научно-производственных объединениях в стратегических и инфраструктурных отраслях. Таким образом, по большинству показателей, характеризующих уровень развития научно-технического потенциала, Россия уступает и развитым странам, и быстрорастущим экономикам (Индия, Китай и др.). Технологическое отставание способно привести страну к зависимости от высокоразвитых стран, а значит, к снижению ее безопасности и потери суверенитета (о чем неоднократно предупреждал В.В. Путин). В свою очередь, экономическое отставание неизбежно ведет к ослаблению и размыванию ЧК страны (Баранова и др., 2017). Прогнозный расчет индекса человеческого развития (ИЧР/HDI) на 2025 и 2030 гг. Для решения вышеизложенных проблем В.В. Путин подписал «Майский указ», определяющий национальные цели развития страны на период до 2024 г. (Указ…, 2018). Президент поручил правительству создать все необходимые условия для достижения развития национальных целей. Исследуем, как выполнение «Майского указа» и Послания Федеральному собранию (Послание…, 2018) способно изменить уровень развития ЧК России в будущем при идеальном сценарии развития событий. Согласно методике расчета ООН индекса человеческого развития (Jahan, 2015), исследуем изменения ЧК к 2025 и 2030 гг. Исходя из «Майского указа»: 1) ожидаемая продолжительность жизни россиян к 2025 г. должна составить 78 лет, к 2030 г. - до 80 лет; 2) рост реальных доходов граждан должен увеличиться в 1,5 раза к 2024-2025 гг.; 3) должна возрасти конкурентоспособность российского образования. Предполагая, что продолжительность жизни россиян к 2025 г. составит 78 лет, ВНД на душу населения увеличится в 1,5 раза[3] по сравнению с 2016 г. (23 837,3 долл. США) и составит 35 755,95 долл. США, средняя продолжительность обучения возрастет с 11,6 лет (2016 г.) до 13 лет, а ожидаемая продолжительность обучения - с 14,6 до 17 лет, можно рассчитать прогнозный HDI на 2025 г. (UNDP, 2015; Бобылев и др., 2017; Кирьянов и др., 2011) Индекс ожидаемой продолжительности жизни (LEI) = (78 - 20)/(85 - 20) = 0,892308. Индекс дохода (II) = (Ln35 755,95 - Ln100)/(Ln75 000 - Ln100) = 0,888102. Индекс образования (EI) = (13/15 + 17/18)/2 = 0,905556. HDI = 0,895291. Аналогично рассчитывается прогнозный HDI на 2030 г. Если предположить, что продолжительность жизни к 2030 г. составит 80 лет, ВНД на душу населения увеличится в 2 раза по сравнению с 2016 г. и составит 47 674,6 долл. США, средняя продолжительность обучения возрастет до 13,2 лет (за прогнозное значение была выбрана максимальная средняя продолжительность обучения жителей Великобритании или Канады из 188 стран за 2014 г.), а ожидаемая продолжительность обучения - до 20 лет (за прогнозное значение была выбрана максимальная продолжительность обучения жителей Австралии из 188 стран за 2014 г.), то прогнозный HDI на 2030 г. составит 0,950579. Очевидно, что при таких значениях HDI = 0,895 (2025 г.) и HDI = 0,951 (2030 г.) будут выполнены многие поручения указа Президента. Это должно способствовать «вхождению России в пятерку ведущих мировых экономик, с темпами экономического роста выше мировых и уровнем инфляции не более 4 %» (Указ…, 2018). Идеальный сценарий выполнения указа на практике может оказаться не столь оптимистичным. Во-первых, могут измениться методика расчета и эталонные данные для расчета HDI; во-вторых, не ясно, откуда взять средства для увеличения доходов населения в 1,5 раза к 2025 г. и в 2 раза к 2030 г., чтобы приблизиться к уровню жизни населения высокоразвитых стран[4]; в-третьих, по мнению директора по общему и профессиональному образованию РАНХиГС М. Дулинова, остается открытым вопрос - каким образом будут выполнены стратегии модернизации системы образования при условии, что заявленные денежные вливания в проект, а это более 8,3 трлн руб. (из них 4,6 трлн руб. - бюджетное финансирование), на порядок больше запланированных (НИУ ВШЭ, 2018). Однако эксперты McKinsey считают, что в обозримом будущем Россия в ходе цифровизации экономики имеет реальную возможность попасть в десятку высокоразвитых стран. Экономический эффект, полученный от перехода страны на уровень «Промышленности 4.0», способен увеличить ВВП к 2025 г. на 4,1- 8,9 трлн руб.[5] (19-34 % ожидаемого роста ВВП), а доля цифровой экономики составит 8-10 % ВВП. Чтобы программа по развитию цифровой экономики в России начала работать в полной мере (рост в 3 раза: с 45 до 130 млрд евро), поставлена задача в ближайшей перспективе провести реформу образования (НИУ ВШЭ, 2018), а главное - воспитать кадры, обладающие навыками в сфере IT на мировом уровне (предполагается, что число таких выпускников к 2020 г. должно составить около 150 000 чел., а к 2025 г. - 500 000 чел.). Кроме того, необходимо разработать программу по привлечению высококвалифицированных иностранных специалистов для работы в России, возвращать российских высокотехнологичных специалистов, ранее уехавших за рубеж, и сократить их выезд за границу (Матюшок и др., 2010; Комарова, 2017). Линейная модель расчет ИЧР В статьях Н.М. Барановой и Л.В. Сорокина (Баранова, Сорокин, 2017) было проведено 3D-исследование с помощью программы OriginPro-8.6 зависимости уровня человеческого развития от таких факторов, как уровень городского населения, затраты на образование, доход от экспорта высокотехнологичной продукции и др. Продолжим это исследование с помощью модельных расчетов. Построим и сравним линейную и нелинейную модели этих зависимостей (Матюшок и др., 2011, 2015). Для начала составим эконометрическую модель линейной зависимости некоторых факторов, способных влиять на изменения HDI. В качестве объясняемой переменной Y выберем HDI, за независимые переменные примем: доход от экспорта высокотехнологичной продукции, в млрд долл. Х1(HIGH_ TECHNOLOGY); затраты на образование, % от ВВП Х2(EDUCATION); уровень городского населения, % от общего населения Х3(URBAN); затраты на НИОКР, % от ВВП Х4(R_D); уровень безработицы, % Х5(UNEMPLOYMENT); уровень инфляции, % Х6(INFLATION). Выборка данных производилась за 1996-2016 гг. с официальных сайтов (UNDP, 2016; OECD; World Bank, 2016; Knoema, 2016). Для требуемых расчетов, оценки необходимых параметров искомого линейного уравнения использовалась программа Eviews-9.5 (Матюшок и др., 2011, 2015). Результаты расчета коэффициентов и оценки параметров показали, что искомое линейное уравнение значимо (Fstat = 87,86, p-значение = 0,000), коэффициент детерминации R2 = 0,974. При таком сочетании в данной модели экзогенных переменных Х1…Х6 оказались значимыми только Х2 (tstat = 4,52, p-значение = 0,0005) и Х3 (tstat = 5,12, p-значение = 0,0002). Исключая незначимые переменные, отмечено, что в составе искомого уравнения можно оставить Х1 (tstat = 2,096, p-значение = 0,0513) (рис. 1). Dependent Variable: HDI Method: Least Squares Date: 07/03/18 Time: 18:14 Sample: 1 21 Included observations: 21 Variable Coefficient Std. Error t-Statistic Prob. HIGH_TECHNOLOGY EDUCATION URBAN C 2.71E-12 0.036473 0.076627 -5.026008 1.29E-12 0.004606 0.012436 0.906153 2.096311 7.918748 6.161726 -5.546533 0.0513 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.966845 0.960994 0.007216 0.000885 75.98126 165.2485 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.757095 0.036538 -6.855358 -6.656401 -6.812179 1.757363 Рис. 1. Повторная оценка параметров искомого линейного уравнения [Figure 1. Reappraisal of the parameters of the desired linear equation] Источник: рассчитано автором на основании данных UNDP, 2016; OECD; World Bank, 2016; Knoema, 2016. Значимость искомого уравнения (Fstat = 165,25, p-значение = 0,000), R2 = 0,967 и оценка коэффициентов по отдельности позволяют использовать их для анализа взаимосвязи рассматриваемых переменных. Значения коэффициентов регрессии можно интерпретировать следующим образом: при прочих равных условиях: 1) увеличение экспорта высокотехнологичной продукции на 1 млрд долл. приводит в среднем к увеличению HDI на 0,003 ед. в год; 2) увеличение затрат на образование на 1 % приводит в среднем к увеличению HDI на 0,036 ед. в год; 3) увеличение городского населения на 1 % приводит в среднем к увеличению HDI на 0,077 ед. в год; 4) С - свободный коэффициент уравнения не имеет осмысленной интерпретации, т.к. для анализа влияющий фактор не может быть меньше 0. Таким образом, искомое уравнение примет вид: HDI = -5,03 + 0,003*HIGH_TECH + 0,036*EDUCATION + 0,077*URBAN (1)[6] Матрица парных корреляций устанавливает тесноту связей между переменными уравнения (1). Наибольшее значение RYX3 = 0,91 имеет коэффициент парной линейной корреляции между Y(HDI) и фактором X3 (URBAN), далее между Y и X1 (RYX2 = 0,84), затем между Y и X2 (RYX1 = 0,83). Независимые переменные также коррелируют между собой: наиболее сильная связь наблюдается между X1 и X3 (RХ3Х1 = 0,83), т.е. с ростом городского населения, способного создавать высокотехнологичные товары и услуги, растет и доход от их экспорта (Баранова и др., 2017). Forecast: HDIF Actual: HDI Forecast sample: 1 21 Included observations: 21 Root Mean Squared Error 0.006493 Mean Absolute Error 0.005432 Mean Abs. Percent Error 0.722647 Theil Inequality Coefficient 0.004283 Bias Proportion 0.000000 Variance Proportion 0.008429 Covariance Proportion 0.991571 Theil U2 Coefficient 0.380036 Symmetric MAPE 0.722699 HDIF ± 2 S.E. Рис. 2. Расчетные значения переменной HDI, график и доверительный интервал [Figure 2. Estimated values of variable HDI, the graph and the confidence interval] Источник: рассчитано автором на основании данных UNDP, 2016; OECD; World Bank, 2016; Knoema, 2016. Коэффициент Тейла, равный 0,0043 → 0, и средняя относительная ошибка аппроксимации - 0,72 % подтверждают адекватность и хорошую точность модели (1) (рис. 2). Нелинейная модель расчета HDI Нелинейная модель взаимосвязи Y(HDI) и экзогенных переменных X1(HIGH_ TECH), X2(EDUCATION), X3(URBAN) будет иметь вид (рис. 3) Ln(HDI) = -32,50 + 0,021*Ln(HIG_TECH) + + 0,15*Ln(EDUCATION) + 7,34 *Ln(URBAN). (2) Результаты оценки в Eviews-9.5 (Матюшок и др., 2011, 2015) показали (рис. 3), что уравнение (2) и его коэффициенты значимы (Fstat = 186,13, p-значение = 0,000). Коэффициенты уравнения (2) интерпретируются следующим образом: при неизменности прочих факторов: 1) увеличение экспорта высокотехнологичной продукции на 1 % ведет к росту HDI в среднем на 0,021 %; 2) увеличение затрат на образование на 1 % ведет к росту HDI в среднем на 0,15 %; 3) увеличение городского населения на 1 % ведет к росту HDI в среднем на 7,34 %; 4) свободный коэффициент уравнения не имеет осмысленной экономической интерпретации, т.к. влияющий фактор не может быть меньше 0. R2(2) = 0,97 нелинейной и R2(1) = 0,967 линейной регрессий почти равны. Скорректированный коэффициент детерминации дает возможность сравнивать модели с разным количеством объясняющих переменных, при этом R2(2) = 0,97 > R2(1) = 0,96. Параметры оценки модели (2) показали (рис. 4), что средняя ошибка аппроксимации равна 0,67 % (в линейной модели (1) - 0,72 %). Следовательно, модель (2) является более адекватной. Dependent Variable: LOG(HDI) Method: Least Squares Date: 07/03/18 Time: 18:12 Sample: 1 21 Included observations: 21 Variable Coefficient Std. Error t-Statistic Prob. LOG(HIGH_TECHNOLOGY) LOG(EDUCATION) LOG(URBAN) C 0.021151 0.154761 7.340290 -32.49802 0.008271 0.022652 1.022561 4.272920 2.557272 6.831985 7.178339 -7.605576 0.0204 0.0000 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.970454 0.965241 0.009054 0.001394 71.21616 186.1276 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -0.279385 0.048564 -6.401539 -6.202583 -6.358361 1.764556 Рис. 3. Коэффициенты и оценки уравнения (2) [Figure 3. The coefficients and estimates of equation (2)] Источник: рассчитано автором на основании данных UNDP, 2016; OECD; World Bank, 2016; Knoema, 2016. Forecast: HDIF Actual: HDI Forecast sample: 1 21 Included observations: 21 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion Theil U2 Coefficient Symmetric MAPE 0.006493 0.005432 0.722647 0.004283 0.000000 0.008429 0.991571 0.380036 0.722699 Forecast: LOG_HDIF Actual: HDI Forecast sample: 1 21 Included observations: 21 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion Theil U2 Coefficient Symmetric MAPE 0.006142 0.005092 0.674480 0.004052 0.000015 0.005656 0.994329 0.361938 0.674234 Рис. 4. Параметры оценки модели (2) [Figure 4. The evaluation parameters of the model (2)] Источник: рассчитано автором на основании данных UNDP, 2016; OECD; World Bank, 2016; Knoema, 2016. Проверка тестами Уайта и Голдфелда - Квандта модели (2) на гетероскедастичность позволила убедиться в ее отсутствии. Гипотеза о положительной автокорреляции остатков отвергается по критерию Дарбина - Уотсона, поскольку при числе наблюдений n = 21 и 3-х регрессорах верхняя граница статистики Дарбина - Уотсона Dw = 1,67 на 5 % уровне значимости (рис. 3). Таким образом, обе модели (1) и (2) адекватны и могут использоваться для расчетов HDI на ближайшую перспективу (например, на 2017-2018 гг.) по различным сценариям. Согласно данным Росстата[7], на 2018 г. численность населения России составила 146, 9 млн чел., из них 109,3 млн чел. - городское население и 37, 6 млн чел. - сельское население (что составляет 74 и 26 % соответственно от общей численности населения). По данным WorldBank (2016), затраты на образование в России с 1996 г. постепенно росли с 2,94 до 4,1 % ВВП вплоть до 2011 г., затем снизились до 3,79 % в 2012-2016 гг., данные Росстата 2017-2018 гг. говорят о росте уровня затрат вновь до 4,1 %. Доход от экспорта продукции высокотехнологичного сектора, начиная с 1996 г., то снижался, то рос с 2,23 млрд до 9,8 млрд долл. (2015 г.), в 2016 г. российские поставки снизились до 6,7 млрд долл. На сегодняшний день экспорт в среднем за год растет более чем на 5 % (быстрее среднемировых, но медленнее, чем у Китая с 11 %)2 (World Bank, 2016). Используя эти данные можно рассчитать прогнозный HDI на 2017-2018 гг. для моделей (1) и (2). Так, подставляя Х1 = 7; Х2 = 4,1; Х3 = 74,2 в (1) и (2), получим HDI(1) = 0,828; HDI(2) = 0,829. Если же выбрать более пессимистичные значения Х1 = 6,2; Х2 = 3,5; Х3 = 74,2, то HDI(1) = 0,804; HDI(2) = 0,807. Очевидно, что с изменением экзогенных переменных в ту или иную сторону будет изменяться и HDI линейно или экспоненциально. Согласно данным матрицы парных корреляций влияния переменных Х1, Х2, Х3 на HDI будут более чувствительны с ростом их корреляционной зависимости. Вывод На сегодняшний день непонятно, каким образом Россия собирается в ближайшей перспективе догнать и перегнать мировую экономику. За 2017 г. российская экономика выросла на 1,5 % (мировая - на 3,2 %), в 2018 г. планируется рост ВВП России на 1,7 %, в 2019 г. - на 1,8 % (мировой ВВП - на 3,1 и 3 % соответственно). По мнению главы Центра стратегических разработок А. Кудрина, для достижения экономического роста к 2025 г. в 3-4 % необходимо в долгосрочной перспективе увеличить расходы на образование, здравоохранение и инфраструктуру на 3 % от ВВП (Комарова, 2017). По прогнозу Минэкономразвития до 2030 г., предполагается увеличение частных и государственных расходов на образование - до 6,3 % ВВП (2025 г.) и 7 % (2030 г.), расходов на науку - до 3 % ВВП в 2020-2030 гг. Кроме того, Министерство связи и массовых коммуникаций России разработало проект программы «Цифровая экономика РФ», согласно которой к 2025 г. планируется существенно улучшить качество жизни россиян (Grupp и др., 2017). Согласно концепции долгосрочного социально-экономического развития России до 2020 г. предлагаются два сценария ее развития: инновационный и топливно-сырьевой. У России есть все условия и возможности для выполнения инновационного сценария и быстрого развития цифровой экономики (индекс темпов развития цифровой экономики равен 3,43 - 5 место в рейтинге стран после Китая, Малайзии, Боливии, Кении, высоки уровни развития образования (0,86) и HDI = 0,804). А воспользуется ли этой возможностью Россия и сможет ли укрепить свои позиции на мировом рынке как одного из научно-технологического и образовательного лидера с эффективным ЧК, покажет только время.

Об авторах

Нина Михайловна Баранова

Автор, ответственный за переписку.
Email: nina.rudn@gmail.com

кандидат педагогических наук, доцент кафедры экономикоматематического моделирования Российского университета дружбы народов

Список литературы