Поскольку каждый субъект Российской Федерации обладает полными правами на ведение как межрегиональных, так и международных экономических отношений, то показатели регионального развития во многом зависят от реализуемой инвестиционной стратегии, в том числе от уровня инвестиционного потенциала. В этой связи в статье рассматривается актуальная задача оценки инвестиционного потенциала региона на основе социально-экономических показателей методами математической статистики, что позволяет получить объективные и достоверные результаты, а также обеспечивает масштабируемость используемой методики и возможность ее применения для анализа инвестиционного потенциала других регионов Российской Федерации. Использованы корреляционно-регрессионный анализ, проведено исследование линейной регрессионной модели на мультиколлинеарность. Применение многомерного статистического анализа показателей инвестиционной привлекательности Оренбургской области позволило выявить наиболее значимые факторы, оказывающие влияние на объем инвестиций в основной капитал региона, к которым относятся: объем работ, выполненных по виду экономической деятельности «Строительство»; среднедушевые денежные доходы населения; объем продукции обрабатывающего производства; удельный вес численность населения в трудоспособном возрасте в общей численности. На основании результатов корреляционно-регрессионного анализа сделан вывод о том, что на уровень объема инвестиций в основной капитал Оренбургской области наиболее значимое влияние оказывают такие сферы экономической деятельности, как сельское хозяйство, добыча полезных ископаемых и обрабатывающие производства. Привлечение инвестиций в выявленные отраслевые приоритеты инвестиционной привлекательности Оренбургской области обеспечит создание высокопроизводительных мест на территории региона, увеличение валового регионального продукта, а также даст мультипликативный эффект для развития других видов деятельности.

1. Кособуцкая А.Ю., Равуанжинирина А.В. Инвестиционная привлекательность региона: методики оценки // Вестник ВГУ. Серия: Экономика и управление. 2019. № 1. С. 32–37.

2. Литвинцева Г.П., Голдобина А.А. Факторы и пути повышения инвестиционной привлекательности региона // Идеи и идеалы. 2019. № 4–2. С. 243–266. doi: 10.17212/2075–0862–2019–11.4.2–243–266

3. Болодурина М.П., Мишурова А.И. Стандартизация оценки инвестиционной привлекательности туристско-рекреационного комплекса региона // Национальные интересы: приоритеты и безопасность. 2019. Т. 15. № 11 (380). С. 2108–2127. doi: 10.24891/ni.15.11.2108

4. Чимирис А.С. Анализ инвестиционной привлекательности регионов России // Международный журнал гуманитарных и естественных наук. 2019. № 5–4. С. 143–148. doi: 10.24411/2500–1000–2019–11035

5. Валерианов А.А., Дмитриева А.Г., Леванова Т.А. Статистические методы анализа в оценке инвестиционного потенциала региона // Вестник НГИЭИ. 2018. № 6 (85). С. 138–150.

6. Дмитриев Н.Д., Родионов Д.Г., Кубарский А.В. Формирование эконометрического инструментария для оценки инвестиционной привлекательности региона // Kant. 2020. № 4(37). С. 70–77. doi: 10.24923/2222–243X.2020–37.15

7. Официальная статистика: Территориальный орган Федеральной службы государственной статистики по Оренбургской области. URL: https://orenstat.gks.ru/ofstatistics

8. Национальный рейтинг состояния инвестиционного климата в субъектах РФ. Агентство «АСИ»: агентство стратегических инициатив по продвижению новых проектов. Москва: Агентство стратегических инициатив, 2021. URL: https://asi.ru/government_officials/rating/

9. Рейтинг инвестиционной привлекательности регионов RAEX за 2020 год: RAEX (РАЭКС-Аналитика): рейтинговое агентство. Москва: РАЭКС-Аналитика. 2020. URL: https://raex-a.ru/ratings/regions/2020#graph

10. Соловьёв И.В. Геодезия и прикладная информатика // Вестник МГТУ МИРЭА. 2014. №. 2. С. 3.

11. Моисеев Н.А. Сравнительный анализ эффективности методов устранения мультиколлинеарности // Учет и статистика. 2017. № 2 (46). С. 62–73.

12. Ерёмина Д.В. Прикладная информатика для специалистов аграрного сектора // Агропродовольственная политика России. 2017. №. 9. С. 98-103.

13. Ali E.B., Amfo B. Comparing the values of economic, ecological and population indicators in High – and Low-Income Economies // Ekonomika regiona. 2021. №. 17(1). P. 72–85. doi: 10.17059/ekon. reg.2021–1–6

14. Ayres R., Voudouris V. The economic growth enigma: Capital, labour and useful energy? // Energy Policy. 2014. №. 64. P. 16–28.

15. Baltina А., Bolodurina М., Gorbatenko Е. The application of information technologies in the development of corporate growth strategy // EMIT 2018 Internationalization of Education in Applied Mathematics and Informatics for HighTech Applications. Electronic data. 2018. №. 2093. P. 58–66.

16. Ramachandran K.M., Tsokos C.P. Mathematical statistics with applications in R. Academic Press, 2020.

17. Gabdrahmanova K.F., Izmailova G.R., Samigullina L.Z. Methods of mathematical statistics application in assessing the density of actual and forecasting distribution density of residual oil reserves // IOP Conference Series: Materials Science and Engineering. IOP Publishing, 2020. V. 860. №. 1. P. 012008.

18. Zhang Z., Wu Y., Zhang R., Jiang P. et al. Novel transformer fault identification optimization method based on mathematical statistics // Mathematics. 2019. V. 7. №. 3. P. 288. doi: 10.3390/math7030288

19. Nodira S., Gulchekhra K., Nodira A., Maprat R. et al. Teaching Currently Using Interactive Methods in Problem" Probability Theory and Mathematical Statistics" // Central Asian journal of mathematical theory and computer sciences. 2021. V. 2. №. 4. P. 26-28.

20. Luo W. Application of improved clustering algorithm in investment recommendation in embedded system // Microprocessors and Microsystems. 2020. №. 75. P. 1–8. doi: 10.1016/j.micpro.2020.103066

21. Donghyun C. et al. Using genetic algorithm to support clustering-based portfolio optimization by investor information // Appl. Soft Comput. 2017. №. 61. P. 593–602.