CC BY
149
И. А. ИВАНОВА А. С. КОЛАНТАЕВА
АНАЛИЗ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ РЕГИОНОВ РОССИИ1
Ключевые слова: инновации, инновационный потенциал, развитие, кластерный анализ, регрессия, корреляция
Key words: innovations, innovative potential, development, cluster analysis, regression, correlation
В статье предлагается методика анализа инновационного потенциала регионов России с использованием кластерного анализа на однородные группы по уровню инновационного развития и корреляционно-регрессионного анализа.
The methods for the analysis of Russian regions innovative potential with the application of the cluster analysis on the homogeneous groups by the innovative development level and by the correlation and regression analysis are offered in the article.
Одной из актуальных проблем российской экономики является проблема активизации инновационной деятельности. Интерес к анализу инновационных процессов диктуется значением технологического развития как фактора кон-
ИВАНОВА Ирина Анатольевна, доцент кафедры статистики, эконометрики и информационных технологий в управлении Национального исследовательского Мордовского государственного университета, кандидат экономических наук.
КОЛАНТАЕВА Анна Сергеевна, магистрант специальности «статистика» Национального исследовательского Мордовского государственного университета.
курентоспособности регионов2. В условиях глобализации и возрастающей международной конкуренции инновационный вариант развития российской экономики безальтернативен. Вместе с тем в практике управления еще не до конца выработаны подходы к анализу инновационного уровня развития регионов России, что препятствует адекватной оценке результативности государственной инновационной политики как на федеральном, так и на региональном уровне.
Оценка инновационного потенциала представляет собой описание возможностей региона по достижению целей за счет реализации инновационных проектов. Эффективность использования инновационных ресурсов оценивается инновационной активностью субъекта.
Инновационная активность — это целенаправленная деятельность субъекта по внедрению новых форм, методов организации труда, а также способов управления производством. Этим показателям близка характеристика инновационной восприимчивости, но под ней понимается способность субъекта реагировать на внедрение новых методов, форм организации труда и производства.
В силу недостаточного уровня интенсивности инноваций использование официальных и охватывающих все регионы России статистических данных далеко не полностью отражает формирование инновационных процессов, условия их стимулирования и препятствующие этому причины. В связи с этим на основании косвенных статистических показателей нами рассмотрены основные составляющие инновационного процесса. Например, наукоемкие и информационные технологии, интеллектуальные ресурсы, качество использования основных фондов и др.
Целью нашего исследования стала разработка методики сравнительного анализа развития регионов страны, которая позволила бы на основе полученных результатов предложить адекватный инновационный режим. Для оценки инвестиционной привлекательности регионов нами проведена кластеризация регионов. Кластерный анализ позволяет рассмотреть достаточно большой объем информации, сделать ее компактной и наглядной, т. е. можно рассматривать не регион в отдельности, а группы регионов, при этом сравнивать их между собой. Для проведения кластерного анализа воспользуемся ППП «Statistica».
В ходе анализа были выделены факторы регионального развития: Х1 — количество организаций, проводящих научные исследования и разработки; Х2 — число аспирантов, чел.; Х3 — количество используемых передовых производственных технологий; Х4 — затраты на технологические инновации, млн руб.; Х5 — объем инновационных товаров, работ, услуг, % от общего объема отгруженных товаров, выполненных работ, услуг; Х6 — степень износа основных фондов, %; Х7 — оборот организаций, млрд руб.; Х8 — сумма прибыли организаций, млн руб.; Х9 — инвестиции в основной капитал, млн руб.; X — индекс потребительских цен.
Часто признаки имеют разный масштаб и единицы измерения. Признак, имеющий большую изменчивость (дисперсию), вносит больший вклад в величину расстояния между объектами, чем другие признаки, при проведении кластерного анализа. И наоборот — признаки с малой изменчивостью не влияют на величины. Поэтому при больших различиях изменчивости рекомендуется проводить стандартизацию данных и находить на этой основе кластерное решение.
Как правило, общее количество кластеров и их примерный состав заранее не известны. Для отыскания и исследования кластеров применяются вычислительные алгоритмы, использующие различные способы измерения сходства объектов и их групп и схемы поиска кластерного решения. Мы используем в качестве алгоритмов кластерного анализа иерархический и ^-средних.
С помощью иерархического анализа (метод Уорда) нами сделан предварительный анализ. Москва явно превзошла все остальные регионы по уровню инновационного развития. Поэтому целесообразнее всего будет исключить ее из рассмотрения, так как в дальнейшем это не поможет объективно взглянуть на общую оценку инновационной деятельности в целом по России. Далее будут рассмотрены 75 регионов3.
Метод Уорда показывает разделение исследуемой совокупности регионов на 3 кластера. Окончательная кластеризация возможна методом ^средних. Эта дифференциация оптимальна, так как в ней нет совпадений средних нормированных значений признаков по кластерам. По характеру распределения выявлены 3 страты: регионы с низкой, средней и высокой инвестиционной привлекательностью.
Более многочисленным оказался 1-й кластер, в который вошли 42 региона (они распределены крайне неравномерно). При этом в состав этого кластера вошли регионы преимущественно из Центрального, Северо-Западного и Приволжского федеральных округов, в числе которых республики Мордовия, Адыгея, Северная Осетия, Карачаево-Черкесия; Астраханская, Волгоградская, Курганская, Новосибирская, Томская и Омская области; Ставропольский и Алтайский края. Эти регионы характеризуются относительно средним инновационным развитием. Для них характерны минимальные значения по количеству организаций, проводящих научные исследования и разработки; обороту организаций; сумме прибыли организаций и инвестиций в основной капитал.
Регионы второго кластера в отношении уровня инновационного развития имеют самую низкую оценку. Сюда вошли 25 регионов России. К их числу относятся все регионы Дальневосточного федерального округа, большинство регионов Сибирского федерального округа, а также Ивановская, Калужская, Смоленская, Калининградская, Ленинградская, Ростовская и Челябинская области; Краснодарский край; республики Дагестан и Кабардино-Балкария. Для них характерны наименьшее значение числа аспирантов; используемых передовых производственных технологий; затрат на технологические инновации; удельного веса объема инновационных товаров, работ услуг; степени износа основных фондов. В соответствии с невысоким инновационным потенциалом инновационная активность здесь невысока.
В третий кластер вошли 8 субъектов Российской Федерации с высоким инновационным развитием: Московская, Саратовская, Нижегородская, Самарская, Свердловская и Тюменская области, г. Санкт-Петербург, Республика Татарстан и Ханты-Мансийский автономный округ. Эти регионы характеризуются высоким уровнем экономического развития, что обусловливает высокие значения по всем изучаемым показателям. Высокий уровень инновационной активности соответствует благоприятному инновационному климату.
Одним из основных показателей, характеризующих уровень инновационного развития, является объем внутренних затрат на научные исследования и разработки. Именно этот показатель мы и возьмем в качестве результативного для регрессионного анализа, который будем проводить в
каждом кластере по данным за 2011 г. В качестве показателей возьмем те же факторы регионального развития, которые использовались в кластерном анализе.
Проведя расчеты коэффициентов корреляции для первого кластера между результативным показателем и факторными признаками, получим матрицу парных коэффициентов корреляции R (табл. 1).
Таблица 1
Коэффициенты корреляции для первого кластера
Факторы Х1 Х2 Х3 Х4 Х5 Х6 Х7 Х8 Х9 Х,0
т УХг 0,84 0,72 0,36 0,18 0,14 -0,03 0,59 0,32 0,48 0,23
После анализа коэффициентов парной регрессии становится очевидным то, что наибольшее влияние на результирующую переменную оказывают количество организаций, проводящих научные исследования и разработки число
аспирантов (Х2) и оборот организаций (Х7). В результате получим следующее уравнение регрессии:
У = -1220,3 + 122,3Х1 - 0,1Х2 + 0,4Х7. (1)
Коэффициенты регрессии показывают, что при увеличении количества организаций, проводящих научные исследования и разработки, на одну, внутренние затраты на научные исследования и разработки увеличатся в среднем на 122,3 млн руб. При увеличении числа аспирантов на 1 чел. сократятся внутренние затраты на научные исследования и разработки на 0,1 млн руб. При увеличении оборота организаций на 1 млрд руб. внутренние затраты на научные исследования и разработки увеличатся в среднем на 0,4 млн руб. Множественный коэффициент корреляции ^ = 0,836) говорит о сильной линейной взаимосвязи между результативным признаком и факторными признаками, включенными в уравнение регрессии. Если рассматривать нормальный график остатков, то можно сделать вывод о том, что наблюдаемые остатки нормально распределены, так как все значения располагаются вблизи прямой линии (рис. 1).
При проведении расчетов коэффициентов корреляции для второго кластера между результативным показателем и факторными признаками получим парные линейные коэффициенты корреляции R (табл. 2).
9
£
т. 1
2000 Residuals
Рис. 1. График остатков регрессии для первого кластера
Таблица 2
Коэффициенты корреляции для второго кластера
Факторы Х, Х2 Х3 Х4 Х5 Х6 Х7 Х8 Х9 Х,0
r YXi 0,74 0,62 0,81 0,77 -0,13 0,28 0,70 0,47 0,38 -0,06
Анализ парных коэффициентов корреляции показывает, что наибольшее влияние на результирующую переменную оказывают количество организаций, проводящих научные исследования и разработки (X), количество используемых передовых производственных технологий (Х ) и затраты на технологические инновации (Х )• В результате получим уравнение регрессии:
У = -639,4 + 7 3,6Х1+0,1Х3 + 0,2Х4. (2)
Согласно коэффициентам регрессии, при увеличении количества организаций, проводящих научные исследования и разработки на одну, внутренние затраты на научные исследования и разработки увеличатся в среднем на 73,6 млн руб. При увеличении количества используемых передовых производственных технологий на одну произойдет увеличение внутренних затрат на научные исследования и разработки на 0,1 млн руб. При увеличении затрат на технологические инновации на 1 млн руб. внутренние затраты на научные исследования и разработки увеличатся в среднем на 0,2 млн руб. Множественный коэффициент корреляции (И = 0,907) говорит о сильной линейной взаимосвязи между результативным признаком и факторными признаками, включенными в уравнение регрессии. Если рассматривать нормальный график остатков, то можно сделать вывод, что наблюдае-
мые остатки нормально распределены, так как все значения располагаются на графике вблизи прямой линии (рис. 2).
Проведя расчеты коэффициентов корреляции для третьего кластера между результативным показателем и факторными признаками, получим таблицу парных коэффициентов корреляции (табл. 3).
Могтв р Р|а1
Рис. 2. График остатков регрессии для второго кластера
Таблица 3
Коэффициенты корреляции для третьего кластера
Факторы Х1 Х2 Х3 Х4 Х5 Х6 Х7 Х8 Х9 Х,0
Г УХг 0,90 0,55 0,57 -0,29 0,03 -0,79 0,46 -0,23 -0,39 0,30
Анализ коэффициентов парной регрессии показал, что наибольшее влияние на результирующую переменную оказывают количество организаций, проводящих научные исследования и разработки (X), количество используемых передовых производственных технологий (Х) и степень износа основных фондов (Х ). В результате получим уравнение регрессии:
У = -22139,1 + 222,1Х1+2,2Х3 + 89,8Х6. (3)
Коэффициенты регрессии показывают, что при увеличении количества организаций, проводящих научные исследования и разработки на одну, внутренние затраты на научные исследования и разработки увеличатся в среднем на 222,1 млн руб. При увеличении количества используемых
передовых производственных технологий на одну произойдет увеличение внутренних затрат на научные исследования и разработки на 2,2 млн руб. При увеличении степени износа основных фондов на 1 % внутренние затраты на научные исследования и разработки увеличатся в среднем на 89,8 млн руб. Множественный коэффициент корреляции (R = 0,954) говорит о высокой линейной взаимосвязи между результативным признаком и факторными признаками, включенными в уравнение регрессии. Если рассматривать нормальный график остатков, то можно сделать вывод, что наблюдаемые остатки нормально распределены, так как все значения располагаются на графике вблизи прямой линии (рис. 3).
Normal proba ы I Ity р lot or Re sua и al s
2,0
1,5
1.a
10,5
-0,5
-1.a
-1,5
-2,0
-2 oaaa -15000 -laaaa -5aao o 5000 10000 isaaa
Hr ti «lililí 4
Рис. 3. Нормальный график остатков регрессии для третьего кластера
Характерными признаками наиболее инновационно развитых регионов является большое количество предприятий, занимающихся научными исследованиями и разработками (на 30 % превышает средний соответствующий показатель по второй страте), а также количество созданных передовых производственных технологий (почти на 40 % превышает средний уровень по второй страте). Этот фактор также следует учитывать при определении инвестиционной привлекательности, так как большинство предприятий, специализирующихся на инновациях, требуют серьезных затрат ввиду долгосрочной перспективы окупаемости полученных продуктов. Поэтому для достижения наибольшего развития необходимо уже сейчас вкладываться в эти регионы.
Таким образом, в оценке инвестиционной привлекательности прослеживается существенная дифференциация регионов. Чтобы хотя бы частично сгладить экономические риски, необходимо разработать и осуществить целенаправленную государственную политику в области поддержки научно-технической деятельности и инновационного предпринимательства.
Для достижения целевых показателей инновационного развития следует применить меры по нескольким направлениям, определяющим спрос и предложение инноваций, а также их институциональную инфраструктуру4.
Реализация различных федеральных целевых программ, направленных на поддержку развития инновационной деятельности в регионах (комплекс программ «Развитие высоких технологий»), формирование устойчивого развития экономики (комплекс программ «Дальний Восток»), помогают снизить дифференциацию регионов. Главным инструментом технологического прорыва является «поворот» инвестиций к инновациям, инновационному предпринимательству, на что следует направить имеющиеся у государства силы и средства.
ПРИМЕЧАНИЯ
1 Статья подготовлена при поддержке РФФИ № 13-06-00200 А «Математическое и геоинформационное моделирование инновационного развития сельского хозяйства».
2 См.: Иванова И.А. Оценка инновационной деятельности регионов Приволжского федерального округа с использованием кластерного и корреляционно-регрессионного анализа // Проблемы и перспективы социально-экономического развития регионов: материалы ежегод. Всерос. науч.-практ. конф. 8 нояб. 2012 г. Киров, 2012. С. 24—27.
3 См.: Регионы России. Социально-экономические показатели (2012 г.). URL: http://www.gks.ru/free_doc/doc_2012/region/soc-pok.rar (дата обращения: 10.05.2013).
4 См.: Концепция долгосрочного социально-экономического развития РФ на период до 2020 года. URL: http://www.ifap.ru/ofdocs/rus/rus006.pdf (дата обращения: 10.05.2013).
Поступила 22.05.2013.
REFERENCES
1 Stat'ja podgotovlena pri podderzhke RFFI № 13-06-00200 A «Mate-maticheskoe i geoinformacionnoe modelirovanie innovacionnogo razvitija sel'skogo hozjajstva».
2 Sm.: Ivanova I.A. Ocenka innovacionnoj dejatel'nosti regionov Privolzhskogo federal'nogo okruga s ispol'zovaniem klasternogo i korreljacionno-regressionnogo analiza // Problemy i perspektivy social'no-jekonomicheskogo razvitija regionov: materialy ezhegod. Vseros. nauch.-prakt. konf. 8 nojab. 2012 g. Kirov, 2012. S. 24—27.
3 Sm.: Regiony Rossii. Social'no-jekonomicheskie pokazateli (2012 g.). URL: http://www.gks.ru/free_doc/doc_2012/region/soc-pok.rar (data obrashhenija: 10.05.2013).
4 Sm.: Koncepcija dolgosrochnogo social'no-jekonomicheskogo razvitija RF na period do 2020 goda. URL: http://www.ifap.ru/ofdocs/rus/rus006.pdf (data obrashhenija: 10.05.2013).
I. A. Ivanova, A. S. Kolantaeva.
Analysis of Innovative Activity in Russian Regions
In the conditions of globalisation and increasing international competition an innovative variant for the regional economy development is non-alternate. At the same time in administrative practice approaches to the unified evaluation of the Russian regions innovative development level have not been fully engineered that prevents an adequate evaluation of state innovative policy efficiency both on the federal and regional levels.
The purpose for the research is the formation of methods for comparative analysis of the Russian regions development that could offer an adequate innovative mode for every region. The algorithm for regions clusterisation that ideally should comply with the system of their economic development indicative planning is presented in the article. For regions of each homogenous cluster a correlation analysis has been made and a regression dependence model of internal costs for R&D in every region of Russia on factors composing the innovative process (indices characterising knowledge-intense and high-tech technologies, fixes assets development quality, etc.) has been constructed.
The research allows making a conclusion that a strong differentiation of regions by investment attractiveness evaluation can be traced. Development and implementation of the special state and regional policy in the sphere of scientific and technical activity support and innovative entrepreneurship is necessary to mitigate risks and stimulate implementation of new methods on the regional level.
IVANOVA Irina A., assistant professor of Chair of Statistics, Econometrics and Information Technologies in Management of Mordovia National Research State University, candidate of economic sciences.
KOLANTAEVA Anna S., magistrand in the «Statistics» speciality of Mordovia National Research State University.
