Измерение экономики знаний

Подразумевается высокоскоростное Интернет-соединение с использованием протоколов TCP/IP. Сюда включены технологии DSL, WiFi, WiMAX и т.д. Предполагаемая минимальная скорость соединения 256 кбит/с.

• Количество абонентов мобильного Интернет-соединения.

При расчете учитывают  мобильные Интернет-соединения со скоростью  не менее 256 кбит/с. В показатель включены данные вне зависимости о того каким устройством пользуется абонент для выхода в Интернет.

Третий субиндекс “Знания и навыки в сфере ИКТ”

В данный субиндекс входят показатели уровня образования, однако первоначально предполагалось, что в данный субиндекс войдут показатели, отражающие уровень знаний и навыков в сфере ИКТ, но для некоторых стран эти данные тяжело найти, поэтому выбрали образование в качестве альтернативы. Вскоре планируется замена существующих показателей на более специфичные, по мере появления необходимой статистики, чтобы явно отражались знания и навыки в сфере ИКТ. Предоставляется информация Институтом статистики ЮНЕСКО.

• Уровень образования взрослого населения.

Процент людей, умеющих читать и писать, среди населения старше 15 лет.

• Валовой охват средним образованием.

Отношение численности людей, фактически получающих среднее образование, вне зависимости от возраста, к  численности людей, имеющих возраст, типичный для получения среднего образования в данной стране.

• Валовой охват высшим образованием.

Отношение численности людей, фактически получающих высшее образование (вне зависимости от возраста) к  численности людей, имеющий возраст, типичный для получения высшего  образования в данной стране.

4. Эффективность методик и проблемы.

Если рассматривать эффективность  методик оценки данных показателей, то можно выделить такой минус, как недоступность некоторых данных в базах Всемирного банка, Всемирного Экономического Форума и других базах.

В данном случае можно заметить, что Всемирный Банк значения недостающих переменных просто берет за предыдущий год, и в это нарушает точность оценки, потому что происходит, искажение действительных показателей.

При сборе данных по индексам можно столкнуться с такой  проблемой как  фальсификация данных. Как пример предлагаю кратко рассмотреть такую переменную KEI как “Охват высшим образованием”. Даже сейчас существует проблема фальсификации документов, взяточничество и другие подобные. Большинство людей могут не иметь высшего образования, в той или иной стране. Однако, они могут купить себе диплом, тем самым неопределенное количество человек в стране приобретают дипломы за деньги, следовательно, индексы будут давать более высокий результат, что тоже влияет на действительность показателей. (Хотя эта проблема сегодня постепенно решается)

Кроме того, данную методику нельзя применить для анализа  развития одной страны, так как  используется метод ранжирования, при  котором желательно сравнивать все  страны, чтобы получить точное представление  о той или иной стране и её положении по сравнению с другими.

Так же статистические агентства сталкиваются с различными проблемами по сбору информации и данных, что усложняет оценку индексов. К таким проблемам относятся:

• В связи с тем, что статистические бюро не всегда обладают ресурсами, необходимыми для сбора информации по ИКТ, некоторые страны не могут предоставить определенные данные;
• Получение несопоставимых данных при сравнении стран, из-за несовместимости международных стандартов;
• Большие периоды обработки данных;
• Противоречивость данных одной страны в пределах опросного листа, например, в рамках одной и той же статьи по временным параметрам;
• Отсутствие полных данных по отдельным статьям опросного листа в пределах одной страны. (Чугунов А.В. 2006)

Трудности с получением достоверных  данных связаны с тем, что многие коммерческие организации не заинтересованы их предоставлять, чтобы избежать их использования конкурентами.

В различных странах по-разному будет пониматься тот или иной термин, как например “пользователь Интернета” может меняться в зависимости от страны. Обычно к пользователю относят человека, имеющего постоянных доступ в сеть Интернет, а в странах, где плохо развита данная технология, к пользователям относят всех, кто хоть раз пользовался сетью Интернет. (Чугунов А.В. 2006)

Существует достаточно много систем индикаторов и индексов, которые используют для проведения анализа развития стран в таких направлениях как: экономика знаний, использование ИКТ, внедрение ИКТ, а так же развитие общества в сфере ИКТ и др. В данной работе были рассмотрены методологии Всемирного Банка и Мирового Экономического Форума, а так же разработанные ими индексы KEI, NRI и IDI. Нельзя сказать, что система оценивания экономики знаний и ИКТ идеальна на сегодняшний день, однако, статистические организации продолжают работать над методикой и каждый год стараются усовершенствовать её. Это заметно, так как в Апреле 2012 года Всемирный Экономический Форум представил новый доклад в котором указал некоторые корректировки в структуре NRI. Однако проблема заключается по большей части не в самой методике, а как было указанно ранее, в доступности полной информации, а так же в должном содействии фирм в сборе данных.

 

 

Глава 2. Практическая часть

2.1. Характеристика выборки  и метод анализа

Практическая часть заключается  в определении влияния экономики знаний на валовой внутренний продукт страны. Для определения связи необходимо построить регрессию по данным индексов KEI и NRI. Данные были собраны для четырнадцати стран (Бразилия, Канада, Дания, Финляндия, Германия, Нидерланды, Португалия, Российская Федерация, Сербия, Испания, Турция, Украина, Соединенное Королевство, США). Страны специально были подобраны с различным уровнем развития экономики.

Для индекса экономики  знаний был взят период времени с 2005 по 2010 год, так как большинство  данных были доступны только для данного  периода. Для индекса сетевой  готовности был взят период с 2007 по 2011 год.

В данной работе использовалась программа IBM SPSS Statistics v.20. За зависимую переменную было принято взять ВВП каждой страны и посмотреть зависимость этого показателя со составляющими индексов.

Общий вид линейной функции регрессии имеет вид:

 

Где y – зависимая переменная ВВП;

 – независимые переменные (в данном случае переменные индексов);

 – константа;

 – коэффициенты  перед x, которые нам необходимо найти. Они характеризуют среднее изменение результата с изменением соответствующего фактора на единицу, при неизменном значении других факторов на среднем уровне.

2.2. Регрессионный анализ для KEI

Рассмотрим регрессионный  анализ для индекса экономики  знаний (KEI).

В таблицу программы SPSS были введены значения переменных индекса KEI для четырнадцати стран, на период с 2005 по 2010 год. Всего получилось 84 наблюдения. Для анализа использовался метод исключения, который заключается в том, что сначала в модель включаются все переменные, а затем, те переменные, которые менее значимы исключаются из модели. После завершения ввода всех данный программа выдала отчет:

Таблица 1

Среднее	334,77
Медиана	96,41
Дисперсия	281849,2

В первой таблице представлена описательная статистика выборки.

Таблица 2

Сводка для модели
Модель	R	R-квадрат	Скорректированный R-квадрат		Стд. ошибка оценки
1	0,887a	0,786	0,750		1718593803238,07900
2	0,887b	0,786	0,754		1706630913402,41900
3	0,886c	0,785	0,756		1698064403984,81570
4	0,882d	0,778	0,751		1716905449587,98220
5	0,879e	0,773	0,749		1723915624472,04200
6	0,876f	0,767	0,745		1734823851608,11250
7	0,872g	0,761	0,742		1745159518321,83570
8	0,871h	0,759	0,743		1742302485744,57300
9	0,868i	0,753	0,741		1750158346109,11720
10	0,864j	0,747	0,738		1760912400369,21750
a. Предикторы: (конст) X12, X10, X8, X5, X9, X4, X1, X6, X11, X2, X7, X3
b. Предикторы: (конст) X12, X10, X8, X9, X4, X1, X6, X11, X2, X7, X3
c. Предикторы: (конст) X10, X8, X9, X4, X1, X6, X11, X2, X7, X3
d. Предикторы: (конст) X10, X8, X9, X4, X1, X6, X2, X7, X3
e. Предикторы: (конст) X10, X8, X9, X4, X1, X6, X2, X3
f. Предикторы: (конст) X10, X8, X9, X4, X1, X6, X3
g. Предикторы: (конст) X10, X8, X9, X4, X6, X3
h. Предикторы: (конст) X10, X8, X9, X4, X6
i. Предикторы: (конст) X10, X8, X9, X6
j. Предикторы: (конст) X10, X8, X9

 

В первой модели был исключена наименее значимая переменная. Далее последовательно программа исключала менее значимые переменные. R – линейный коэффициент парной корреляции для линейной регрессии. Он может изменятся он -1 до 1. Если включение дополнительной переменной увеличивает R-квадрат, то он включается в регрессию.

Под таблицей выводится последовательность исключения переменных. Видно что во второй модели исключается пятая переменная и так далее пока не остаются три переменные.

Так же программа выдает дисперсионный анализ (Приложение 1). По данной таблице можно увидеть, что каждая модель из всех десяти была значима, это указано в последнем  столбике.

Таблица 3

Коэффициенты

Модель		Нестандартизованные коэффициенты		Стандартизованные коэффициенты	t	Знч
		B	Стд. Ошибка	Бета
10	(Константа)	3224705091256,418	995118042849,289		3,241	0,002
	X8	13176575468,946	954240681,273	0,820	13,808	0,000
	X9	-1228501869,567	281212334,172	-0,264	-4,369	0,000
	X10	-2236723382,520	725833981,047	-0,194	-3,082	0,003

 

Таблица 3 содержит в себе данные по всем моделям (Так как таблица слишком большая, здесь представлена только результирующая модель). Здесь можно увидеть включенные в уравнение регрессии переменные, а так же параметры перед ними. Последний столбик характеризует значимость. Нужно отметить, что переменная значима если коэффициент значимости меньше 0,1.

Таким образом, анализ таблиц показывает, что из двенадцати факторов в модель множественной регрессии  целесообразно включить “Количество патентов, выданных Патентным ведомством США, в расчете на 1 млн. жителей”, “Количество журнальных научных и технических статей в расчете на 1 млн. жителей”, “Количество телефонов (стационарных и мобильных) в расчете на 1000 жителей”. Исходя из данного результата можем составить уравнение регрессии:

Y=3224705091256,418+13176575468,946*X8-1228501869,567*X9-2236723382,520*X10

Где X8 - Количество журнальных научных и технических статей в расчете на 1 млн. жителей;

X9 - Количество телефонов (стационарных и мобильных) в расчете на 1000 жителей;

X10 - Количество компьютеров в расчете на 1000 жителей.

Проанализируем каждый показатель уравнения. Количество журнальных и  научных статей имеет положительный  коэффициент, потому что статьи способствуют обмену информации, что положительно влияет на производство. В случае количества телефонов и компьютеров можно  увидеть, что они отрицательно влияют на валовой внутренний продукт. Этому  может быть только одно объяснение, скорее всего компьютеры и телефоны (мобильные) используются не по назначению. Например, обычный стационарный компьютер  используется не для обработки информации и обмена, а для игр и развлечений.

2.3. Регрессионный анализ  для NRI

Теперь рассмотрим индекс сетевой готовности (NRI).

В таблицу программы SPSS были введены значения переменных индекса NRI для четырнадцати стран, на период с 2007 по 2011 год. Для анализа использовался пошаговый метод, который заключается в том, что в модель по очереди включаются значимые переменные. После завершения ввода всех данный программа выдала отчет:

Таблица 4

Среднее	32,742
Медиана	5,34
Дисперсия	10116,22

В Таблице 4 показана описательная статистика выборки.

Таблица 5

Сводка для модели
Модель	R	R-квадрат	Скорректированный R-квадрат		Стд. ошибка оценки
1	0,514a	0,264	0,253		3068409911718,55030
2	0,619b	0,383	0,364		2831521289751,31540
3	0,769c	0,592	0,573		2319931066534,67600
4	0,821d	0,675	0,655		2086824662830,45750
5	0,856e	0,732	0,711		1907507686789,05030
6	0,883f	0,780	0,759		1743101517404,16940
7	0,901g	0,812	0,791		1622410627077,19970
8	0,917h	0,842	0,821		1503398749701,80700
9	0,943i	0,889	0,872		1271443094426,01050
10	0,941j	0,886	0,871		1273072508054,66460
11	0,939k	0,881	0,868		1289823584922,22220
12	0,947l	0,896	0,883		1215381723555,17020
13	0,952m	0,906	0,891		1170092883721,22460
14	0,956n	0,913	0,899		1130236005536,92820
15	0,961o	0,923	0,908		1074734000964,07400
16	0,960p	0,922	0,908		1075195284442,79310
17	0,964q	0,930	0,916		1026853928205,87630
18	0,968r	0,937	0,924		976961066737,73470
19	0,972s	0,945	0,932		926530332930,50700
20	0,976t	0,953	0,941		864040988255,59380
21	0,978u	0,957	0,944		836856273186,45720
22	0,977v	0,955	0,943		846851942402,53340
23	0,976w	0,953	0,942		852345395356,53530
24	0,978x	0,957	0,946		822724444505,58180
25	0,980y	0,961	0,950		792475550373,63000
26	0,982z	0,964	0,953		766575549885,85730
27	0,983aa	0,967	0,956		743898375701,99700
aa. Предикторы: (конст) X16, X43, X32, X67, X53, X69, X13, X23, X21, X27, X6, X52, X59, X7, X37, X17, X48