В предыдущем параграфе было определено, что процессы стационарны после взятия первой разности. Значит, порядок интегрируемости равен одному.

Рисунок 12. График временных рядов ВВП и затрат на охрану окружающей среды. Источник: расчеты автора

Теперь оценим коинтеграционное соотношение. Построим МНК модель с константой, зависимой переменной ВВП и независимой переменной Затраты на охрану окружающей среды. (Приложение 12)

В тесте Дики-Фуллера для сохраненных остатков (приложение 13) тестовая статистика составила -5,186. Это значение лежит левее критического для альфы = 0,1, значит нулевая гипотеза о наличии единичного корня отвергается, достигается стационарность ряда. (критическое значение смотрим по таблице асимптотических критических значений t-статистики, оно составляет -3,04).

Заметим, что все коэффициенты значимы, значит действительно есть влияние ВВП Российской Федерации на затраты на охрану окружающей среды в долгосрочном периоде. Запишем коинтеграционное соотношение:

Где независимая переменная -- это ВВП, а зависимая - это затраты на охрану окружающей среды.

Таким образом, при увеличении ВВП на 1 процент, затраты на охрану окружающей среды в среднем увеличатся на 0,67% в долгосрочном периоде. Необходимо упомянуть, что это коэффициент эластичности.

Далее построим МНК модель с зависимой переменной d_lnЗатраты, независимой d_lnВВП и остатками из предыдущей модели с лагом (uhat47(-1)). Все коэффициенты кроме константы оказались значимы, коэффициент остатков отрицательный (приложение 14). Это говорит о том, что ВВП влияет на величину затрат на окружающую среду в краткосрочном периоде. Теперь запишем векторную модель коррекции ошибок (ЕСМ-модель):

Тест на нормальность остатков показал, что в данной модели остатки ненормальны, но отсутствует автокорреляция (приложение 14).

Таким образом, получаем, что при увеличении ВВП на 1%, показатель затрат на охрану окружающей среды увеличится в среднем на 0,56% в краткосрочном периоде. В случае шока в ВВП возврат к равновесному состоянию произойдет за 2,39 года (1/0,418).

Далее попробуем сделать остатки нормальными. Для этого построим несколько спецификаций моделей и сравним их (приложения 15-17).

Результаты оценивания коинтеграционных соотношений представлены в таблице 8.

Таблица 8. Результаты оценивания коинтеграционных соотношений

Спецификация модели	Стационарность остатков модели коинтеграции	Ошибка модели, инф. критерии	Анализ остатков (автокорреляция, нормальность)	Наилучшая модель
Модель коинтеграции с константой	стационарны	Сигма = 0,049 AIC= -54,11 BIC = -51,44	Автокорреляция отсутствует, остатки ненормальны
Модель коинтеграции с константой и трендом	стационарны	Сигма = 0,052 AIC= -52,12 BIC = -48,56	Автокорреляция отсутствует, остатки ненормальны	да
Модель коинтеграции без константы и тренда	стационарны	Сигма = 0,05 AIC= -55,18 BIC = -53,4	Автокорреляция отсутствует, остатки ненормальны

При построении модели с константой и трендом, тренд и константа оказались не значимы, это может говорить, о том, что их необходимо исключить из модели. Константа также не значима в модели с константой. Сравнивая модели по информационным критериям, наилучшей оказывается модель с константой и трендом. Автокорреляции нигде не наблюдается. Остатки везде оказались распределены не нормально. Переменные значимы во всех моделях. Сделаем вывод, что наилучшая модель с константой и трендом, так как имеет наибольшие информационные критерии, также по графикам временных рядов очевидно присутствие тренда на увеличение.

Далее проведем тест Чоу для того, чтобы узнать о наличии структурных сдвигов в точке 2009. Была выбрана именно эта точка, так как по графику временного ряда видно изменение угла наклона кривой.

Главная идея теста Чоу разделение выборки (S) на 2 подвыборки (S1, S2) с объемами k1 и k2 относительно выбранного момента времени, где предполагается структурный сдвиг (2009 год). Далее вычисляется тестовая статистика критерия. Если тестовая статистика больше статистики критического значения при заданном уровне значимости, то признается наличие структурного сдвига. В таком случае необходимо добавлять в модель фиктивную переменную.

Статистика Чоу:

Где m:

- число параметров модели на отрезке

- предполагаемый структурный сдвиг

- число параметров модели на отрезке

Проводя данный тест на выбранную модель, было получено значение p-value = 0,012 (приложение 18). На уровне значимости 0,1 нулевая гипотеза об отсутствии структурных сдвигов отвергается. При этом, на уровне значимости 0,01 гипотеза принимается. Получено пограничное значение. Добавим фиктивную переменную dummy2, принимающую значения 0 до 2009 года, начиная с 2009 года значения 1.

В полученной модели фиктивная переменная значима, автокорреляции нет. Также проведем тест Рамсея (RESET- тест) на адекватность спецификации модели.

Нулевая гипотеза данного теста, что спецификация модели является правильной.

Шаги проведения теста:

1. Оценить модель

2. Сохранить оцененные значения

3. Оценить вспомогательную регрессию

4. Проверить нулевую гипотезу, что все альфа равны 0

5. Вычислить тестовую статистику

Если тестовая статистика больше статистики критического значения при заданном уровне значимости, следовательно, гипотеза отвергается.

Было получено значение p-value, равное 0,741 (приложение 19), что больше выбранного уровня значимости, равного 0,1, следовательно, гипотеза об адекватности спецификации модели принимается.

Запишем итоговую ЕСМ-модель:

В итоге, при увеличении ВВП на 1%, затраты на охрану окружающей среды в среднем увеличиваются на 0,38% в краткосрочном периоде, а период возврата к равновесному состоянию при шоке составляет 1,85 года (1/0,54).

Также было составлено коинтеграционное соотношение и ЕСМ-модель для показателей ВВП и затрат на исследования и разработки. Согласно результатам теста Энгла-Грейнджера на коинтегрируемость p-value = 0,014, что меньше заданного уровня значимости, равного 0,1. Следовательно, тест подтвердил коинтегрируемость процессов (приложение 20). Посмотрев на графики временных рядов данных переменных, можно заметить схожесть рядов, что тоже говорит о возможном наличии коинтеграции (приложение 21).

Для начала построим модель методом наименьших квадратов с константой. В данной модели все переменные оказались значимыми. Сохраним остатки данной модели и еще раз построим OLS, взяв первую разность переменных (обе переменные становятся стационарными после взятия первой разности с константой), добавив остатки с лагом и константу. В полученной модели значимо все. Остатки нормальны, автокорреляции нет, спецификация подобрана нормально. Принимаем данную модель за наилучшую.

Запишем коинтеграционное соотношение модели:

Сделаем вывод, что при увеличении ВВП на 1 процент, затраты на инновации и разработки увеличиваются в среднем на 0,955 процента в долгосрочном периоде. Это будет коэффициентом эластичности.

Запишем ЕСМ модель (расчеты представлены в приложении 22):

Сделаем вывод, что при увеличении ВВП на 1 процент, затраты на исследования и разработки в среднем увеличатся на 0,628 процента в краткосрочной перспективе. Период возврата в равновесное состояние составляет 1,3 года.

Получается, увеличение ВВП на 1 процент приводит к увеличению затрат на охрану окружающей среды и затрат на исследования и разработку как в краткосрочном периоде, так и в долгосрочном. Рост затрат на охрану окружающей среды приводит к уменьшению доли организаций, осуществляющих инновации, в то время как рост затрат на исследования увеличивает долю организаций, осуществляющих инновации. Другими словами рост ВВП не дает точного прогноза, будет ли увеличиваться количество организаций, осуществляющих инновации.

Таким образом, были выявлены основные коинтеграционные соотношения, на их основе построены модели коррекции ошибок. Установлено краткосрочное и долгосрочное влияние ВВП на затраты на охрану окружающей среды и на затраты на исследования и разработки. Также установлено, что при шоках в ВВП, затраты на охрану окружающей среды вернутся к равновесному состоянию за 1,85 года, а затраты на ИР за 1,3 года. Основываясь на модели построенное в параграфе 3.1, были сделаны следующие выводы:

· Увеличение ВВП ведет к росту затрат на охрану окружающей среды и росту затрат на исследования и разработки

· Рост затрат на ИР и охрану окружающей среды ведет к росту доли организаций, осуществляющих экологические инновации

· ВВП имеет прямое отрицательное влияние на долю, организаций, осуществляющих экологические инновации, в построенное модели

При построении модели, учитывалась еще одна переменная - совокупные выбросы парниковых газов. При наличии данной переменной, увеличение ВВП имеет отрицательное влияние на окружающую среду в последующих периодах. Основываясь на трендах, построенных в параграфе 2.1, был сделан вывод, что при увеличении ВВП, совокупные выбросы парниковых газов не растут, а остаются на одном и том же уровне. Следовательно, можно предположить, что отсутствии проблемы парниковых выбросов, доля организаций, осуществляющих инновации, будет иметь более сильный положительный рост.

3.3 Исследование классификации регионов РФ

С целью изучения регионов Российской Федерации с наиболее и наименее благоприятной экологической и инновационной ситуацией, необходимо применять кластерный анализ. Кластеризация поможет понять, какие группы регионов РФ нуждаются в улучшении экологической ситуации, а какие в увеличении инновационной активности.

Данный параграф посвящен изучению регионов России по показателям: расходы на охрану окружающей среды, расходы на исследования и разработки (расходы на ИР), выбросы, загрязняющие атмосферу (выбросы в окружающую среду) и процент из общего числа организаций, осуществляющих экологические инновации, в данном регионе. Данные переменные взяты по субъектам Российской Федерации за 2017 год. Были выбраны именно такие переменные, так как расходы на исследования и разработку и процент организаций, осуществляющих экологические инновации представляют область экологических инноваций, в то время как выбросы в окружающую среду представляют экологическую ситуацию в регионах, а затраты на охрану окружающей среды взяты в качестве переменной, показывающей меры по повышению качества экологии в регионе.

Целью данного исследования является разбивка регионов России на определенное количество кластеров в зависимости от выбранных переменных. Предполагается, что будет четкое разбиение на кластеры:

· Регионы с высокой загрязненностью и большим количеством организаций, осуществляющих экологические инновации

· Регионы с низкой загрязненность и большим количеством организаций, осуществляющих экологические инновации

· Регионы с низкой загрязнённостью и маленьким числом организаций, осуществляющих экологические инновации

Проведенная классификация ответит на вопросы: в каких регионах наиболее худшая экологическая ситуация? Какие регионы больше всего производят инновационные товары в сфере экологии?

Сначала была построена корреляционная матрица для выбранных переменных, так как для правильного построения кластеров необходимо, чтобы переменные были независимые (табл. 9). Как видно из таблицы, затраты на охрану окружающей среды и выбросы в окружающую среду имеют высокую корреляцию. Также высокую корреляцию имеют затраты на исследования и разработки и затраты на охрану окружающей среды. Таким образом, переменная затрат на охрану окружающей среды не будет рассматриваться в кластерном анализе. Также будет исключена переменная затрат на ИР, так как имеет достаточно высокий уровень корреляции с выбросами в окружающую среду. Таким образом, кластерный анализ будет проеден на переменные выбросов в окружающую среду (экологический фактор) и процентов организаций, осуществляющих экологические инновации (инновационный фактор).

Следующим шагом данный были проверены на выбросы с помощью box-plot в программе SPSS. По результатам диаграмм, были выявлены следующие аномальные регионы:

· Количество выбросов в окружающую среду: Тюменская область, Ханты-Мансийский автономный округ, Красноярский край

Таблица 9. Корреляционная матрица для выбранных показателей

	Затраты на охрану окр. среды	Затраты на ИР	Процент организаций, осуществляющих экологичесикие инновации	Выбросы в окр. среду
Затраты на охрану окр. среды	1	0,505	0,187	0,797
Затраты на ИР	0,505	1	0,108	0,494
Процент организаций, осуществляющих экологические инновации	0,187	0,108	1	0,240
Выбросы в окр. среду	0,797	0,494	0,240	1

Все выбросы характеризуются аномально большими значениями и были исключены из дальнейшего анализа. Также по данным выбросам был сделан вывод, что в трех регионах Российской Федерации (Тюменская область, Ханты-Мансийский автономный округ и Красноярский край) аномально большие выбросы. Рассмотрев исключенную переменную (затраты на охрану окружающей среды), был получен результат аномально больших затраты на охрану окружающей среды для тех же регионов. Таким образом, предварительный вывод о том, что чем хуже экологическая ситуация в регионе, тем больше затрат на экологию.

Далее была проведена иерархическая кластеризация с помощью метода Уорда. По данным дендрограммы выделяются явных 3 кластера. Для проверки данной гипотезы проведем кластерный анализ с диапазоном решений 3 и 4 кластера. По сохраненным данным было выявлено, что некоторые объекты поменяли свое положение относительно кластеров. Далее необходимо рассмотреть, за счет чего происходит формирование четвертого кластера. Для этого построим таблицу сопряженности. (табл. 10)

Как видно из таблицы, кластеры 1 и 2 при переходе к 4 кластерам не поменяли своих значений, в то время как третий кластер разбился на две группы: 9 объектов разбились на 8 и 1 объектов. Новые группы противоречат предположению, что в третьем кластере присутствовали однородные группы. Был сделан вывод о том, что трехкластерная классификация устойчива.

Таблица 10. Таблица сопряженности

Номер кластера	1	2	3	Всего
1	45	0	0	45
2	0	23	0	23
3	0	0	8	8
4	0	0	1	1
Всего	45	23	9	72

Таким образом, было решено проводить анализ с помощью трехкластерной классификации.

Для того, чтобы определить характеристики полученных кластеров, необходимо найти центры кластеров. (табл. 11)

Таблица 11. Центры построенных кластеров

	Процент организаций	Выбросы в атмосферу
1	29,3511	150,2911
2	35,2087	454,6870
3	50,3556	952,2778
Всего	33,5558	334,95932

Основываясь на таблице 11, были сделаны следующие выводы:

1. Первый кластер характеризуется самым низким процентом организаций. Выбросы в атмосферу ниже среднего. Соответственно, подтверждается гипотеза о наличии регионов с низкой загрязненностью и небольшим числом организаций, осуществляющих инновации

2. Второй кластер характеризуется выбросами в атмосферу выше среднего и процентом организаций также выше среднего.

3. Третий кластер самым высоким процентом организаций, осуществляющих экологические инновации и самым высоким уровнем загрязнений. Соответственно, подтверждается гипотеза о наличии регионов с высокой загрязненностью и большим числом организаций, осуществляющих инновации

Соответственно, гипотеза о наличии кластера с низким уровнем загрязнений, но высоким процентом организаций, осуществляющих экологические инновации, отвергается.

В третий кластер с наивысшем уровнем выбросов вышло 9 регионов, включая Москву и Московскую область. Во второй кластер вошло 23 региона. Данные регионы промышленно значимые для Российской Федерации. К примеру, в данном кластере находятся такие регионы, как: Липецкая область, Воронежская область, Тульская область. Также, в данный кластер вошел город Санкт-Петербург и Ленинградская область. В первый кластер вошло 45 регионов. Данные регионы находятся в дали от промышленных районов Российской Федерации. Примеры данного кластера: Республика Алтай, республика Хакасия, Камчатский край. На основе данных можно сделать вывод, что у 42% регионов Российской Федерации выбросы в атмосферу выше среднего значения по стране, также у России в среднем количество выбросов больше относительно других стран. Был сделан вывод о неблагоприятной ситуации с загрязнение окружающей среды в РФ. Далее был сделан вывод о том, что также 42% регионов имеют долю процент организаций, осуществляющих экологические инновации, среди всех опрошенных выше среднего. Стоит учесть, что средний уровень данного показателя 33,5%. Также 20 регионов Российской Федерации не имеют организаций, осуществляющих экологические инновации. У двух регионов из 20 уровень выбросов в атмосферу выше среднего (Саратовская область - 376,3; Приморский край - 430,6).

Таким образом, в кластерах с наивысшем уровнем выбросов в атмосферу наблюдается наивысший процент организаций, осуществляющих экологические инновации. Другими словами, самые развитые регионы страны нуждаются в улучшении экологической обстановке, наименее развитые регионы нуждаются в увеличении доли организаций, осуществляющих экологические инновации. Регионы в кластерах с наивысшем уровнем загрязнений находятся включают в себя промышленные и большие города. Также существует достаточно большое количество регионов, в которых не существует организаций, осуществляющих экологические инновации, из этих регионов у двух выбросы в окружающую среду выше среднего. Был сделан вывод о недостаточности организаций, осуществляющих экологические инновации, а также о сложной ситуации с количеством выбросов в окружающую среду.



3.4 Прогноз и перспективы развития исследования

Данный раздел посвящен построению прогноза для построенной модели ARIMA с целью проверки модели на качество. Далее будут предложены идеи по дальнейшему рассмотрению исследуемого вопроса.

В приложении 23 представлен график расчетных и спрогнозированных значений по модели. Как можно заметить по графику прогнозное значение имеет похожую тенденцию, что и реальное. Также прогнозное значение показало, что у зависимой переменной должно было наблюдаться резкое падение показателя до 2014 года и рост к 2018. На самом деле падение закончилось к 2013 году, к 2014 наблюдается рост и дальнейшее снижение по параболе. В итоге, расчетное значение 2018 года равняется 0,182, в то время как прогнозное 0,206

Далее построим прогноз на 2019 год. График прогноза находится в приложении 24. По прогнозным значениям доля организаций, осуществляющих инновации в отчетном году, повысится по отношению к прогнозному значению за 2018 год.

MAE измеряет среднюю величину ошибок в наборе прогнозов без учета их направления. Это среднее по тестовой выборке абсолютное различие между прогнозом и фактическим наблюдением, где все индивидуальные различия имеют одинаковый вес.

RMSE -- это правило квадратичной оценки, которое также измеряет среднюю величину ошибки. Это квадратный корень из среднего квадрата различий между предсказанием и фактическим наблюдением.



Средняя ошибка данного прогноза (ME) составляет -3,26е-15, средняя абсолютная ошибка (MAE) 0,109, корень из средней квадратичной ошибки (RMSE) составляет 0,138.

Итак, был сделан вывод, что данному прогнозу можно доверять. Небольшое падение показателя может быть связано с повышением налогов, небольшим снижением цены на нефть.

Что касаемо 2020 года, делать прогноз на имеющихся данных не целесообразно, так как начало 2020 года ознаменовалось сильным ослаблением рубля, что означает отток акционеров из Российской Федерации. Далее произошел сильный спад цен на нефть, что говорит о понижении финансовых ресурсов на территории государства. Далее весь мир столкнулся со всеобщей пандемией, которая затормозила исследования и разработки в сфере экологических инноваций, привела к окончательному оттоку иностранного капитала из страны, а также, возможно, лишила финансовых ресурсов многих инвесторов. На основе этого предполагается, что доля организаций, осуществляющих инновации в отчетном году, в 2020 году резко снизится. Также предполагаются сильные шоки в ВВП, которые вернут показатель затрат на охрану окружающей среды к равновесному состоянию за 1,84 года, а показатель затрат на исследования и разработки за 1,3 года.

Основываясь на вышесказанном, был сделан вывод о необходимости дальнейших исследований на заданную тему. 2020 год может негативно отразиться не только на сфере экологии, но также и на финансовой сфере, которая в свою очередь отразится на сфере экологии. Предполагается, что в построенную ARIMA-модель необходимо ввести новые переменные, связанные с участием государства в сфере экологии, рассмотреть на сколько рационально используются ресурсы страны производителями. Также необходимо рассмотреть экологическую ситуацию по регионам России. Есть возможность того, что регионы будут разбиты на кластеры, у которых будут исключительные факторы, влияющие на инновации в сфере экологии. Возможно, некоторые регионы России не нуждаются в исправлении экологической ситуации, а в некоторых экологическая ситуация критична и требуются мощности для увеличения экологической активности в данном регионе. Построение регрессии на панельных данных по кластерам поможет изучить, какие факторы инноваций влияют на экологическую ситуацию в Российской Федерации.

Таким образом, был построен прогноз на 2020 год. Исходя из событий 2020 года, появилась необходимость в продолжении исследований и разработке новых методов подхода к решению экологической ситуации в Российской Федерации.



Заключение

Повышения инновационной активности в Российской Федерации является одним из важнейших направлений работы. Все сферы деятельности человека в настоящее время связаны с инновациями. Особенно, инновации в сфере экологии являются одной из самых обсуждаемых тем. Глобальное потепление, огромные количества выбросов парниковых газов - проблемы, с которыми столкнулось человечество за последние года. Подтверждением того, что инновации в сфере экологии является важной темой, может служить программа развития «Европа 2020», в ходе которой было достигнуто сокращение выбросов парниковых газов на 20% и повышение энергоэффективности на 20%. Также стоит упомянуть принятый в Российской Федерации федеральный закон №261 «Об энергосбережении и повышении энергетической эффективности экономики» и введению таких целевых программ, как «воспроизводство и использование природных ресурсов» и «охрана окружающей среды».

В ходе исследования была изучена литература, связанная с инновациями в сфере экологии не только на территории России, но и за рубежом. Также была предложена система показателей, интегрированная модель авторегрессии скользящего среднего, а также два коинтеграционных соотношения и, построенные на данных соотношениях, две модели коррекции ошибок.

Было выявлено, что на долю предприятий, осуществлявших экологические инновации в отчетном году, влияют такие показатели, как:

· Совокупные выбросы парниковых газов

· Внутренние расходы на исследования и разработки

· ВВП в текущих ценах

· Затраты на охрану окружающей среды по РФ

На основе выбранных переменных была составлена интегральная модель авторегрессии скользящего среднего ARIMA (1,1,0) с лагами в ВВП и затратах на охрану окружающей среды. Было выявлено, что совокупные выбросы парниковых газов и внутренние расходы на ИР имеют сильное положительное влияние на зависимый показатель, ВВП влияет сильно отрицательно, затраты на охрану окружающей среды положительно, иностранные инвестиции не имеют никакого влияния. Результат, полученный относительно показателя иностранных инвестиций в РФ, говорит о том, что на данный период времени иностранных инвестиций недостаточно, чтобы проследить какое-либо влияние на экологические инновации. Рост ВВП в совокупности с удержанием выбросов на определенном уровне имеют отрицательное влияние на долю организаций, осуществляющих экологические инновации. С другой стороны, основываясь на коинтеграционных соотношения ВВП имеет положительное влияние на затраты на ИР и на затраты на охрану окружающей среды. Таким образом, при сокращении совокупных парниковых выбросов, возможно увеличение доли предприятий, осуществляющие экологические инновации за счет увеличения расходов на окружающую среду и расходов на ИР. Также было выявлено, что увеличение ВВП и затрат на охрану окружающей среды влияет зависимый показатель только спустя несколько периодов.

Следующим выводом относительно модели коррекции ошибок является то, что возврат к равновесному состоянию у показателей затрат на ИР и затрат на охрану окружающей среды быстрый. При шоке в ВВП затраты на исследования и разработку вернутся к равновесному состоянию за 1,3 года, при таком же шоке затраты на охрану окружающей среды вернутся к равновесному состоянию за 1,85 года.

Также был сделан вывод о том, что в регионах с наиболее загрязненной окружающей средой процент организаций, осуществляющих экологические инновации наивысший. Самыми загрязненными регионами Российской Федерации оказались промышленно-значимые регионы, такие как: Москва и Московская область. Тюменская область, Ханты-Мансийский автономный край и Красноярская область оказались аномальными значениями в переменной выбросов в окружающую среду.

Таким образом, было получено, что экологическая ситуация в Российской Федерации требует дополнительной поддержки, как со стороны государства, так и со стороны организаций. В частности, повышение расходов на инновации и разработку приведет к улучшению экологии в России.

Рассматривая Российскую Федерацию в межстрановом контексте, был сделан вывод о том, что страна, скорее отстающая по уровню экологии в мире. Начиная с 2009 года очевидно уменьшение выбросов углекислого газа в атмосферу и увеличение затрат на исследования и разработку, но последствия 2014 года резко снизили накопленный к тому моменту эффект. В настоящее время Российская Федерация по выбросам в атмосферу вернулась на уровень 2009 года. Для того, чтобы продолжить снижение выбросов и увеличение затрат на ИР необходимо поддерживать благоприятную экономическую ситуацию в стране, а также ввести ряд новых мер, описанных выше.

Основываясь на всем вышенаписанном, был сделан вывод, что тема инноваций в экологии Российской Федерации нуждается в дальнейшем развитии и дополнении. Необходимо решить проблему высокого уровня выбросов в окружающую среду, отсутствия спроса на экологические инновации, разработать программы по улучшению экологической ситуации, которые начнут приносить результаты уже в ближайшее время.



Список литературы

1. Айвазян С.А. Методы эконометрики: учебник- М.: Магистр: ИНФРА-М, 2010.- 512 с.

2. Айвазян С.А. Россия в межстрановом анализе синтетических категорий качества жизни человека // Мир России №4. 2001. -С. 59-96

3. Архипова М.Ю., Кулиш М.Ю., & Соболев М.А. Международные индексы как инструмент развития // Друкеровский вестник, (1), 2019. - С. 70-85.

4. Барбанова С.А. Сущность и особенности экологических инноваций // Актуальные вопросы экономических наук. 2011. №22-1.

5. Винокурова Д.Ю. Использование инноваций в решении экологических проблем // Международный журнал гуманитарных и естественных наук. 2016. №1.

6. Давыдова Е.Ю., Кряжова М.В., Пелогеевский С.И. К вопросу об экологических инновациях // Территория науки. 2018. №3.

7. Е.С. Илюшкина, В.Ю. Конюхов. Классификация экологических инноваций // Вестник ИрГТУ №7 (66), 2012. -С. 181-187

8. Егорова Н.И., Митякова О.И. Экологические инновации и устойчивое развитие // Труды НГТУ им. Р.Е. Алексеева. 2015. №3 (110).

9. Канторович Г.Г. Анализ временных рядов (курс лекций) // Экономический журнал ВШЭ, 2002-2003.

10. Колонтаевская, И.Ф. Экологические инновации как фактор повышения качества жизни. // Инновации в науке, (28), 2013

11. Краснобаева О.В. Проблемы внедрения инноваций в природоохранной сфере // М.: Инновации: перспективы, проблемы, достижения, 2013.

12. Куфель Т. Эконометрика: решение задач с применением пакета программ GRETL, 2007.

13. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс.- М.: Дело, 2004. - 576 с.

14. Моисеев Н.Н. Судьба цивилизации. Путь разума. // М.: Языки русской культуры, 2000.

15. Наталуха И.А. Моделирование экономических инструментов стимулирования инвестиций в экологические инновации (модель разработки экологических инноваций) // Экономический анализ: теория и практика. 2006. №24.

16. Носко В.П. Эконометрика Книга 1. - М.: Изд. дом «Дело», 2011.

17. Постановление Правительства от 15.04.2014 №326 «Об утверждении государственной программы Российской Федерации «Охрана окружающей среды»

18. Постановление Правительства РФ от 15 апреля 2014 г. №322 "Об утверждении государственной программы Российской Федерации "Воспроизводство и использование природных ресурсов"

19. Усманова, Т.Х., Хасанова, А.И., & Хайруллина, Л.И. Инновационные технологии для решения экологических проблем в мировом сообществе. // МИР (Модернизация. Инновации. Развитие), 8(1 (29)), 2017

20. Федеральный закон от 23.11.2009 №261-ФЗ «Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты Российской Федерации

21. Фрост и Салливан. Обзор рынка биотехнологий в России и оценка перспектив его развития, 2014

22. Шилин В.А., Герасимова О.А. Экологические инновации - пастбищам // Вестник ВНИИМЖ. 2015. №3 (19).

23. Яковец Ю.В. Глобализация и взаимодействие цевилизаций // М.:Экономика, 2001.

24. Boons, F., & Wagner, M. Assessing the relationship between economic and ecological performance: Distinguishing system levels and the role of innovation // Ecological economics, 68(7),2009. - P.1908-1914.

25. Cainelli, G., Mazzanti, M., & Montresor, S. Environmental innovations, local networks and internationalization. Industry and Innovation // 19(8), 2012. -P. 697-734.

26. De Marchi, V. Environmental innovation and R&D cooperation: Empirical evidence from Spanish manufacturing firms // Research policy, 41(3), 2012. -P. 614-623.

27. Hunter J.P. (1998). Key innovations and the ecology of macroevolution // Trends in ecology & evolution, 13(1),1998. - P.31-36

28. Компьютерная справочная правовая система КонсюльтантПлюс http://www.consultant.ru

29. Федеральная служба государственной статистики. URL: https://www.gks.ru

30. Environmental Performance Index (2018). URL: https://epi.envirocenter.yale.edu

31. World Bank Open Data. URL: https://data.worldbank.org



Приложение

Рисунок 1. Тест на единичный корень для зависимой переменной

Рисунок 2. Тест на единичный корень для совокупных выбросов парникового газа



Рисунок 3. Тест на единичный корень для затрат на охрану окружающей среды

Рисунок 4. Тест на единичный корень для иностранных инвестиций



Рисунок 5. Тест на единичный корень для ВВП

Рисунок 6. Тест на единичный корень для затрат на ИР

 

Рисунок 7. Построение и проверка модели ARIMA (3,1,1)

Рисунок 8. Построение и проверка модели ARIMA (2,1,0)



Рисунок 9. Построение и проверка модели ARIMA (1,1,0)



Рисунок 10. Построение и проверка модели ARIMA (3,1,1)

Рисунок 11. Построение и проверка модели ARIMA (1,1,0) с лаговыми операторами

Рисунок 12. Конитеграционное соотношение ВВП и расходов на окружающую среду

Рисунок 13. Тест Дики-Фуллера для сохраненных остатков для коитеграции ВВП и расходов на окружающую среду



Рисунок 14. ЕСМ-модель для ВВП и расходов на охрану окружающей среды и проверка модели на автокорреляцию

Рисунок 15. Модель ЕСМ с константой



Рисунок 16. Модель ЕСМ с константой и трендом

Рисунок 17. Модель ЕСМ без константы и тренда



Рисунок 18. Модель ЕСМ с константой и трендом. Проверка на наличие структурных сдвигов

Рисунок 19. Модель ЕСМ с константой, трендом и фиктивной переменной. Проверка на адекватность спецификации



Рисунок 20. Проверка на наличие коинтеграции между ВВП и затратами на ИР

Рисунок 21. Схожесть трендов ВВП и расходов на ИР



Рисунок 22. Коинтеграционное соотношение и ЕСМ-модель для ВВП и расходов на ИР. Проверка на адекватность модели ЕСМ



Рисунок 23. Расчетные и прогнозные значения для зависимой переменной

Рисунок 24. Прогноз для зависимой переменной

Размещено на Allbest.ru

...