CC BY
44
РЕГИОНАЛЬНЫЕ ПРОБЛЕМЫ
Г.П. Литвинцева, В.Ю. Щеколдин, Е.А. Шиц
ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ С УЧЕТОМ ЗНАЧИМЫХ ФАКТОРОВ В РОССИЙСКИХ РЕГИОНАХ
В статье, рассматривающей актуальные вопросы повышения инновационной активности регионов России, использован метод LASSO, позволяющий ранжировать факторы по степени их влияния на выпуск инновационных товаров в регионе. Показано, что при разработке концепций социально-экономического развития страны некорректно ориентироваться на «средние регионы», требуется учитывать региональные особенности. Проведены прогнозные расчеты объема инновационных товаров, работ, услуг для важнейших регионов Сибирского федерального округа. Обозначены настоятельные проблемы инновационной деятельности в регионах России с различным уровнем развития.
Введение и методы исследования. Переход от сырьевой экономики к инновационной требует повышения инновационной активности экономических субъектов и региональных образований. В последнее десятилетие стратегия развития экономики и инновационная стратегия, программы развития отраслей и отраслевых комплексов стали разрабатываться на федеральном и региональном уровнях [1, с. 9].
Оценка инновационной деятельности обычно основана на статистическом анализе, рейтинговом, индексном, кластерном и других методах [2-5]. В данном исследовании для отбора наиболее значимых факторов, влияющих на результат инновационной деятельности в разных регионах, используется метод Least Absolute Shrinkage and Selection Operator (LASSO), предложенный Робертом Тибширани [6]. (В буквальном переводе это означает «наименьшее абсолютное масштабирование и оператор выбора» или, более корректно, «метод снижения размерности признакового пространства».) Результатом инновационной деятельности будем считать объем инновационных товаров, работ, услуг (ОИТ), созданных в регионе или стране в целом.
Прогноз выпуска инновационных товаров для регионов Сибирского федерального округа (СФО) выполнен по наиболее значимым факторам с помощью модифицированной модели Р. Брауна с учетом эффектов распределенных лагов [7].
Факторы, влияющие на выпуск инновационных товаров в России. Отечественные и зарубежные подходы к оценке инновационной деятельности включают показатели затрат на инновации, уровня образования, экспорта высокотехнологичной продукции и др. [8]. Всего было выделено 13 факторов, обусловливающих выпуск инновационных товаров в России:
х1 - доля персонала, занятого научными исследованиями и разработками на 1000 населения, %;
х2 - доля исследователей, имеющих ученую степень на 1000 населения, %; х3 - внутренние затраты на научные исследования и разработки, млн. руб.; х4 - выданные патенты, ед.;
х5 - затраты на технологические инновации организаций, млн. руб.; х6 - используемые передовые производственные технологии, ед.; х7 - число организаций, выполнявших научные исследования и разработки, ед.; х8 - доля аспирантов на 1000 населения, %;
х9 - инновационная активность организаций, %;
хю - оборот средних организаций, млрд. руб.;
х11 - среднедушевые денежные доходы, руб.;
х12 - инвестиции в основной капитал, млн. руб.;
Xi3 - оборот малых предприятий (включая микропредприятия), тыс. руб.;
y - объем инвестиционных товаров, работ, услуг (ОИТ), млн. руб.
Информационную базу исследования составила официальная статистика Росстата - статистические сборники «Регионы России, социально-экономические показатели» за 2002 г., 2005 г., 2006 г., 2008 г., 2010 г., 2015 г. и «Российский статистический ежегодник» за 2015 г. Обработка данных велась с использованием статистического пакета Maple и электронных таблиц Excel. Трудоемкость сбора данных обусловливалась отсутствием единой системы, которая позволяла бы получать статистическую информацию по длинным временным рядам, и унифицируемости одних и тех же статистических показателей, представленных в различных источниках Росстата.
Для выявления возможных взаимосвязей между перечисленными показателями была построена матрица межфакторных корреляций, анализ которой показал, что показатель х13 - оборот малых предприятий (включая микропредприятия) - находится в тесной связи с показателями х7 (коэффициент парной корреляции равен 0,977), х4 (0,974) и х10 (0,856). Поэтому по причине возможной существенной муль-тиколлинеарности данных фактор х13 исключен из дальнейшего рассмотрения.
Следующий этап анализа состоял в изучении степени неполноты данных. Так, из-за отсутствия статистических данных по Чукотскому автономному округу по показателям х1, х2, х3, х4, х8 были построены корреляционные матрицы, показывающие наиболее тесную связь показателей региона с данными по Еврейской автономной области (коэффициент корреляции равен 0,674 и является значимым по критерию Стьюдента). Из-за отсутствия статистических данных по Еврейской автономной области по х1, х2, х3, х8 было определено, что наиболее тесная связь у нее (0,987) с Магаданской областью. Из-за отсутствия статистических данных по Республике Ингушетия по х6 определено, что наиболее тесная связь ее показателей с показателями Республики Адыгея (0,996). Из-за отсутствия статистических данных по Республике Северная Осетия-Алания по х6 было установлено, что наиболее тесная связь у нее с Калининградской областью (0,999). Высокие значения коэффициентов корреляции между регионами говорят о том, что данные регионы сходны по ОИТ.
Для сопоставимости разномасштабных показателей исходные данные были пронормированы по формуле:
~ = ( х - х)/стх, (1)
где х , х, х - соответственно нормированное, наблюдаемое и среднее значения показателя; ох - среднеквадратическое отклонение.
Для описания процесса формирования ОИТ воспользуемся методами регрессионного анализа. Приведем уравнение множественной регрессии в общем виде:
Y = X® + E, (2)
где Y - вектор значений отклика; X - матрица значений независимых переменных в N экспериментах; 0 - вектор неизвестных параметров модели; E - вектор случайных ошибок.
Применив метод наименьших квадратов, получим оценку уравнения регрессии для модели (2):
y = 0,08х1-0,23х2-0,39х3+0,36х4+0,70х5+ +0,16х6+0,37х7+0,01х8-0,08х9-0,11х10+0,29х11-0,30х12. (3)
Коэффициент детерминации для полученной модели составил 0,79, по критерию Фишера модель также является значимой, т.е. пригодной для описания изучаемого явления.
Метод LASSO был применен с целью ранжирования факторов по степени их влияния на ОИТ в России по данным Росстата в 2014 г. (рис. 1). На оси абсцисс располагаются значения параметра регуляризации X метода LASSO (величина ограничения на сумму абсолютных значений оценок параметров); на оси ординат -значения оценок неизвестных параметров 0 для модели (2).
Чем позже оценка параметра становится равной 0, тем большее влияние оказывает соответствующий ей фактор на отклик, и наоборот. Таким образом, факторы х7, хь х10 практически не влияют на у, а факторы х5, х1Ь х6 - оказывают существенное влияние.
е
0,6 -,
X
0
Рис. 1. Оценки параметров при изменении значений параметра регуляризации, определяющие степень влияния факторов на ОИТ в России:
-х1; -О- х2; -+- х3; х4; -ж- х5; -□- х6; -♦- х7;
—О— х§, » ~ ~ х<9;----Л^ 10; —^— хц; —X— хх 12;
Поскольку регионы России значительно различаются по уровню инновационной активности, их следует разбить на кластеры, определить наиболее значимые факторы, влияющие на развитие разных регионов, для каждого кластера построить соответствующую модель, позволяющую получить оценки результатов инновационной деятельности, и разработать целевые программы развития территорий для каждой группы регионов.
Факторы, влияющие на выпуск инновационных товаров, в регионах с разной инновационной активностью. Для проведения кластерного анализа регионов России использовался «Рейтинг инновационной активности регионов 2014», подготовленный Национальной ассоциацией инноваций и развития информационных технологий (НАИРИТ). Идея и методология рейтинга разработаны НАИРИТ на основе методики ведущих мировых аналогов (в первую очередь европейского рейтинга «European Innovation Scoreboard» (EIS)). Следуя данной методике, для анализа инновационной активности регионов использована система количественных ин-
новационных индикаторов. За основу данной системы были взяты критерии, разработанные в рамках EIS для оценки уровня инновационного развития Европейских стран и адаптированные с учетом национальной специфики и возможностей по поиску различных статистических данных [9].
Согласно данному рейтингу, регионы России были распределены на пять групп по степени инновационной активности: с очень высокой, высокой, средней, умеренной и низкой. В кластер регионов с очень высокой инновационной активностью вошли только два региона - г. Москва и Республика Татарстан, в кластер регионов со средней инновационной активностью - 16 регионов. Применение метода LASSO для данных двух кластеров невозможно из-за недостатка данных (когда информационная матрица входных факторов становится вырожденной). Для последней группы регионов ранжирование факторов по степени влияния на ОИТ нецелесообразно в связи с тем, что на сегодняшний день в этих регионах отсутствует существенная инновационная активность. Таким образом, далее рассмотрим только кластеры регионов с высокой и умеренной инновационной активностью.
Рассмотрим применение метода LASSO для регионов с высокой инновационной активностью (рис. 2).
0 Хб
Рис. 2. Оценки параметров метода LASSO для российских регионов с высокой инновационной активностью:
-хь -О- х2; -+- х3; 111111111 х4; -ж- х5; -□- х6; -♦- х7;
-О- Xg, ~ ~ ~ Хд;----X 10; -^- ХЦ; -X- X 12;
В регионах с умеренной инновационной активностью факторы, влияющие на ОИТ, распределились в другом порядке (рис. 3). Фактор х3 (внутренние затраты на научные исследования и разработки, млн руб.) при ограничении X = 3 стал равен 0, следовательно, он оказывает наименьшее влияние на отклик для российских регионов с умеренной инновационной активностью. Поэтому на рис. 3 он не отражен.
Порядок убывания факторов по степени их влияния на отклик для России в целом, регионов с высокой и регионов с умеренной инновационной активностью представлен в таблице.
0
0,4
0,2
-0,4 -
-0,6
Рис. 3. Оценки параметров метода LASSO для российских регионов с умеренной инновационной активностью:
-х^ -О- х2; х4; -ж- х5; -□- х6; -♦- х7;
-О- х8; - - -х9; — х10; -л- х11; -х- х12;
0,8 -
0
X
Для всех трех анализируемых групп регионов значимое влияние на ОИТ оказывает фактор х6 - используемые передовые производственные технологии. Это можно объяснить тем, что применение современной вычислительной техники и автоматизация технологических процессов позволяют достичь снижения издержек, повысить производительность и качество товаров и услуг.
В регионах с высокой инновационной активностью фактор х8 - доля аспирантов на 1000 населения - по степени влияния на отклик занимает последнее место в отличие от регионов с умеренной инновационной активностью, где этот фактор ока-
зывает значительное влияние. Возможно, это связано с тем, что система качественного образования в менее инновационных регионах или только формируется, или не укомплектована квалифицированными специалистами [10].
Таблица
Факторы, проранжированные по степени влияния на ОИТ, для разных групп регионов и России
Регионы с высокой инновационной активностью Регионы с умеренной инновационной активностью Россия
хб Хб Х5
х4 Х8 Х11
х5 Х9 Хб
х12 Х1 Х4
Х1 Х11 Х12
Х7 Х5 Х2
Хц Х7 Х9
Х10 Х2 Х3
Х9 Х10 Х8
Х2 Х4 Х10
Х3 Х12 Х1
Х8 Х3 Х7
Вследствие того, что кадры в умеренно инновационных регионах пока не создают достаточного числа патентов, влияние фактора х4 в данных регионах слабое в отличие от высокоинновационных регионов. Инновационные системы в умеренно инновационных регионах пока только формируются, и компании сталкиваются с проблемой недостатка ресурсов для коммерциализации патентов и как следствие стремятся передать патенты тем, у кого есть возможность взять на себя риск создания инноваций [11].
Разработка и внедрение инноваций требуют определенных затрат, поэтому этот фактор (х5) оказывает значительное влияние на ОИТ в высокоинновационных регионах и в России в целом.
В период рецессии очень важно обеспечить поступление ресурсов в инновационную сферу. Если государство сокращает финансирование, то происходит свертывание инновационных процессов, которые могли бы способствовать преодолению спада и выводу хозяйственной системы на качественно новый уровень развития [12].
Фактор х9 - инновационная активность организаций - важен для регионов с умеренной инновационной активностью, в то время как в высокоинновационных регионах он занимает лишь девятое место из двенадцати. По нашему мнению, следует ориентироваться не на количество предприятий, осуществляющих инновации, а на результат их деятельности.
По данным социологического опроса, проведенного среди предпринимателей в 2011 г., основными причинами, сдерживающими инновационную активность, являются недостаток денежных средств (30% опрошенных) и отсутствие современного оборудования (30%), что делает невозможным внедрение инновационных технологий на предприятии и тормозит процесс модернизации. Кроме того, низкая инновационная активность российских предприятий связана с незначительным набором льгот. В противоположность этому в развитых странах действует стопроцентное освобождение от налога на прибыль организаций, осуществляющих производственные инвестиции в инновации. Негативным фактором является невостребованность отечественных инновационных разработок в стране и в мире и низкий уровень спроса на инновации. В России используется примерно 8-10% инновационных проектов, в то время как в США - 62%, в Японии - 95% [13, с. 132-133].
Регионы с высокой и умеренной инновационной активностью по степени влияния факторов на выпуск инновационных товаров распределились в разном поряд-
ке. Если в умеренно инновационных регионах будет возрастать значимость факторов, которые обладают наибольшим влиянием в группе высокоинновационных регионов, то можно говорить о повышении инновационной активности умеренно инновационных регионов.
В целом по России значимость факторов, влияющих на результат инновационной деятельности, отличается от двух рассмотренных групп регионов. Кроме факторов х5 и х6 на втором месте в первой тройке факторов оказался х11 - среднедушевые денежные доходы (руб.). Результаты исследования о дифференциации доходов населения в инновационных и остальных регионах России изложены в [14].
Прогнозирование выпуска инновационных товаров в регионах Сибирского федерального округа с учетом наиболее значимых факторов. Прогнозирование ОИТ, как и других результирующих показателей инновационного развития, осуществляется с целью обеспечения органов власти информацией об инновационных процессах, происходящих в регионе; выявления тенденций инновационного развития; определения эффективности расходования бюджетных средств; повышения эффективности управления инновационным потенциалом; роста конкурентоспособности экономической системы и др. [15, с. 55].
Представим прогноз ОИТ для некоторых регионов СФО по трем наиболее значимым факторам с помощью модифицированной модели Р. Брауна с учетом эффектов распределенных лагов. Уравнение для модели с тремя факторами выглядит следующим образом:
Ум = А+аУ(+(1-«Д-1 + Рцх1 +Р12Х1-1 + р21Х2? + Р22Х2г-1 +РзАг +Рз2Хзг-1 , (4) где у (+1 (у (-1) - прогнозируемое значение отклика соответственно в период ?+1; (?-1); а - параметр, определяющий степень влияния предыдущего момента времени; Уt - значение отклика в период ?; Р= (Ри, Рш, $2Ь Р2М, Рзь Рзм/ - вектор параметров, соответствующих значениям входных факторов (Т - операция транспонирования); т - число входных факторов; п - длина временного ряда; х= (хзначения входных факторов; А - свободный член уравнения; е - случайная ошибка, удовлетворяющая основным требованиям регрессионного анализа.
Результаты прогноза ОИТ для Новосибирской области СФО (регион с высокой инновационной активностью) показаны на рис. 4.
Рис. 4. Сравнение исходных данных (--) и прогноза (■■■■) ОИТ для Новосибирской области
Путем применения метода наименьших квадратов для модели (3), оценим уравнение прогноза ОИТ для Новосибирской области:
у,+1 =-0,79у,+1,79 у1_1 +0,30х« - 0,36x6,-1+0,07x4, -0,18x5,+0,95хз,-1+0,70. (5)
Коэффициент 0,30 означает, что при увеличении числа используемых передовых технологий (х6) на единицу в текущем периоде (?) ОИТ в периоде (,+1) в среднем увеличится, так как этот коэффициент положительный. Коэффициент (-0,36) означает, что при увеличении числа используемых передовых технологий (х6) на единицу в прошлом периоде (,-1) ОИТ в периоде (,+1) в среднем сократится, что можно объяснить быстрым устареванием технологий в регионе. Так как коэффициент при показателе числа патентов (х4), равный 0,07, является относительно небольшим, то это говорит о незначительном увеличении уг+1 при увеличении числа патентов.
Коэффициент при показателе х5 (затраты на технологические инновации) отрицателен для текущего периода и положителен для предыдущего периода: текущие затраты на инновации не вызывают мгновенного роста выпуска инновационных товаров. Свободный член, равный 0,70, говорит о том, что на отклик оказывают определенное влияние другие факторы, кроме х6, х4, х5.
Прогноз ОИТ для Томской области СФО (регион с высокой инновационной активностью) показан на рис. 5.
Млрд руб.
20 -,
15
>
»
Год
2 2 2 2
5
0
Рис. 5. Сравнение исходных данных (--) и прогноза (■■■■) ОИТ для Томской области
Приведем уравнение прогноза ОИТ для Томской области: у,+1 = 0,25у,+0,75 у, _ +0,10х6,+0,12х6,-1+0,33х4, - 0,07x4,-1 - 0,82х5,+0,95х5,-1+0,56. (6) В Томской области коэффициенты при х6 положительны для текущего и предыдущего периодов, следовательно, технологии в регионе не успевают устаревать. Коэффициент при х4 (число патентов) для текущего периода положительный, а для предыдущего отрицательный, но значение небольшое (-0,07), что может быть связано со слабым устареванием разработанных патентов или тем. Знаки коэффициентов при показателе х5 аналогичны знакам коэффициентов для Новосибирской области: затраты на технологические инновации, осуществленные в предыдущем периоде (,-1), положительно влияют на отклик, а в текущем периоде (,) - отрицательно. Свободный член 0,56, как и в уравнении для Новосибирской области, говорит о том, что на отклик влияют также дополнительные факторы.
Коэффициенты уравнений для Новосибирской и Томской областей, которые относятся к одной группе высокоинновационных регионов, разные. Это говорит о различии самих регионов как по отдельным характеристикам, так и по имеющимся тенденциям и специфике.
Уравнение прогноза ОИТ для Алтайского края СФО выглядит следующим образом:
УМ =3,80у -2,80 у1_1 - 1,99х6<+0,47х6 ^+0,24x4 +0,33x4« +0,73хя+0,05х5М - 0,25. (7)
Прогнозные и наблюдаемые значения ОИТ для Алтайского края, который также принадлежит к группе регионов с высокой инновационной активностью, представлены на рис. 6.
Млрд руб.
12 -, 10 8 6 4
2 ^ ^
0 _,_• _,_,_,_,_,_,_,_,_,_,_,_,_,
оооооооооо^^^^^^ 0000000000000000 2222222222222222
Рис. 6. Сравнение исходных данных (--) и прогноза (■■■■) ОИТ для Алтайского края
Модель Брауна «улавливает» основную тенденцию ОИТ для Алтайского края, но, как видно из графика, не всегда позволяет получать своевременные прогнозы - для данных середины временного ряда существует так называемый эффект запаздывания. При прогнозе на 2015 г. заметно резкое сокращение показателя ОИТ. Из этого можно сделать вывод о происходящих в экономике региона структурных изменениях, и для получения более точного прогноза следует анализировать более длинные временные ряды.
По поводу используемого нами рейтинга «Инновационной активности регионов 2014», подготовленного НАИРИТ, необходимо отметить, что дискуссионным остается вопрос: как достоверно определить границы выделяемых пяти групп регионов. Во-первых, могут быть использованы разные критерии определения границ, во-вторых, если не исключать из выборки аномальные наблюдения, то это может существенно повлиять на выводы. Для обеспечения большей валидности результатов желательно проводить классификацию регионов специальными методами, например, с помощью концепции АВС-модификации факторного анализа [16-17].
Замечания для экономической политики. Существенное влияние на инновационную активность оказывает проводимая региональная политика. При распределении государственного финансирования не конструктивно ориентироваться на «средний регион». В программах развития необходимо учитывать региональную специфику, а именно географическое положение, природно-климатические условия, специализацию регионов, научный, инновационный, производственный потенциал и др.
Согласно нашему подходу, характеризующему результат инновационной деятельности в виде выпуска инновационных товаров, наиболее близки к среднему показателю по России такие регионы, как Тульская область, Хабаровский край, Ставропольский край. Естественным вопросом при распределении государственного финансирования будет являться вопрос: справедливо ли равняться на показатели «усредненных» регионов, или следует учитывать особенности инновационных процессов специфических групп регионов?
В настоящее время для поддержки инновационных процессов важно рассчитывать не только на стихийное действие рыночных механизмов. Требуются согласован-
ные действия всех экономических субъектов. Следовательно, необходима государственная политика по планированию инновационного развития, совершенствованию законодательной базы, налоговой системы, механизма начисления амортизации в отраслях, занимающихся НИОКР, изменению системы финансирования НИОКР, поддержке развития человеческого капитала, разработке стимулов для внедрения инноваций в частном секторе, использованию инструментов денежно-кредитной политики с учетом региональных особенностей и потенциала.
Выводы. Одной из главных проблем, связанных с инновационным процессом в России, является недостаточность законодательной базы. Основной документ в этой области - Стратегия инновационного развития Российской Федерации на период до 2020 г. - должна претворяться в жизнь посредством разработки и реализации планов инновационного развития и для страны в целом, и для ее регионов. Опыт преодоления финансово-экономического кризиса в ведущих странах показал, что государственная поддержка, наряду с мерами активизации инновационных процессов («зеленая экономика», экологически чистый транспорт и др.), в конечном счете поддержали спрос на инновации.
Региональным органам власти и управления целесообразно реализовывать целевые программы поддержки инновационных предприятий. Например, в рамках «Стратегии социально-экономического развития Новосибирской области на период до 2025 года» [18] разработана концепция эффективной региональной инновационной системы, включающая реализацию кластерной политики. Наряду с функционирующими кластерами (информационных технологий и биофармацевтика) предполагается создание транспортно-логистического, строительного кластера, кластера электротехнического и электроэнергетического машиностроения и др.
Однако государственные инициативы по активизации инновационных процессов сдерживаются слабой заинтересованностью предприятий и организаций в осуществлении технологических и организационных инноваций. Одна из причин этого -проблемы с развитием инновационной инфраструктуры: информационной, организационной, правовой, финансовой и др. Видимо, у региональных органов управления должна быть возможность самостоятельного распределения большей доли расходов на инфраструктуру.
Проблемы инновационного развития, с одной стороны, имеют системный характер, сходны в целом для одинаковых групп регионов, а с другой - на результаты инновационной деятельности в каждом регионе, как показано выше, влияют разные по значимости факторы. Например, не стоит ограничиваться только показателем качества подготовки кадров, как это характерно для умеренно инновационных регионов, необходимо учитывать развитие человеческого потенциала в регионах и стране в целом.
В соответствии с выбранными факторами могут быть определены направления региональной инновационной политики и оценены инструменты государственной поддержки, дающие наибольшую результативность при наименьших затратах. Таким образом, потенциал науки и образования будет трансформироваться в инновационный потенциал.
Литература
1. Комков Н.И. Комплексное прогнозирование научно-технологического развития: опыт и уроки // Проблемы прогнозирования. 2014. № 2. С. 3-17.
2. Чернова Л. С. Взаимосвязь типологии субъектов Российской Федерации и методов оценки экономического развития страны //Проблемы прогнозирования. 2013. № 2. С. 127-139.
3. Ощепков В.М., Кузьмина Ю.Д. Проблемы инновационного развития региона (на примере Приволжского федерального округа) //Проблемы прогнозирования. 2014. № 4. С. 113-119.
4. Румянцев А.А. Научно-инновационное пространство макрорегиона: перспективы инновационного развития территорий //Проблемы прогнозирования. 2015. № 4. С. 85-94.
5. Литвинцева Г.П., Шиц Е.А. Оценка деятельности кластеров как инструмента увеличения выпуска инновационных товаров //Проблемы современной экономики. 2015. № 3 (55). С. 258-261.
6. Tibshirani R. Regression Shrinkage and Selection via the Lasso // Journal of the Royal Statistical Society. Series B (Methodological). 1996. Vol. 58. Issue 1. P. 267-272.
7. Chatfield C. The Analysis ofTime Series: An Introduction. (6th Edition). Chapman and Hall, 2004.
8. Алексеев А.А., Дятлова Е.С., Фомина Н.Е. Метод оценки инновационного потенциала региона с позиции формирования кластерной политики //Вопросы экономики и права. 2012. № 54. С. 106-111.
9. Национальная ассоциация инноваций и развития информационных технологий [Электронный ресурс]. Режим доступа: http://www.nair-it.ru/news/31.07.2015/461 (дата обращения 08.04.2016).
10. Инновации спасут экономику регионов / Национальный исследовательский университет Высшая школа экономики. Режим доступа: https://iq.hse.ru/news/177668838.html (дата обращения 15.05.2016).
11. Голиченко О.Г., Балычева Ю.Е. Взаимосвязь патентной и инновационной деятельности компаний в регионах РФ //Инновации. 2013. № 3 (173). С. 46-53.
12. Черкасов М.Н. Важность ресурсного обеспечения инновационной деятельности в период экономического спада //Альманах современной науки и образования. 2013. № 4 (71). С. 200-203.
13. Новикова И.В. Проблемы инновационного развития России // Вестник Томского государственного университета. 2013. № 369. C. 130-134.
14. Litvintseva G.P., Stukalenko EA. Differentiation of Population Incomes in Innovative Regions of Russia //Procedia Economics and Finance. 2014. Vol. 16. P. 56-63. URL: http://www.sciencedirect.com/science/journal/22125671/16/supp/C
15. Максимов Ю.М., Митякова О.И., Митяков С.Н., Федосеева Т.А. Инновационное развитие экономической системы: организация мониторинга //Инновации. 2006. № 11. С. 55-58.
16. Ballou R.H. Business LogisticsManagement. 4th ed. Upper SaddlerRiver; N.Y.: Prentice-Hall, 1998.
17. Щеколдин В.Ю. Выявление потребителей услуг Интернет-магазинов на основе АВС-модификации факторного анализа / Логистика-Евразийский мост: материалы VI междунар. науч.-практ. конф. Ч. 2. Красноярск: КГАУ, 2011. С. 186-192.
18. Стратегия социально-экономического развития Новосибирской области на период до 2025 года /Правительство Новосибирской области. Режим доступа: http://www.nso.ru/sites/test.new.nso.ru/wodbyJiles/files/migrate/activi1y/Socio-Economic_Policy/strat_planDocuments/1654.pdf (дата обращения 08.04.2016).
