CC BY
43
ВЗАИМОСВЯЗЬ ПОКАЗАТЕЛЕЙ РАЗВИТИЯ ИНФОРМАЦИОННОКОММУНИКАЦИОННОГО ПОТЕНЦИАЛА РОССИЙСКОЙ ИННОВАЦИОННОЙ СИСТЕМЫ
Веселицкий О.И., соискатель ФАОУ ДПО ГАСИС
В статье представлен корреляционный анализ исходных показателей развития информационно-коммуникационного потенциала российской инновационной системы и его основные результаты.
Ключевые слова: факторный анализ, корреляционный анализ, индикаторы, инновационные системы.
CORRELATION OF THE DEVELOPMENT OF INFORMATION AND COMMUNICATION CAPACITIES OF THE RUSSIAN INNOVATION SYSTEM
Veselickij O., applicant FAOUDPO OASIS
The article provides a correlation analysis of benchmarks for the development of information and communication capacities of the Russian Inno-vacionnoj system and its main results.
Keywords: factor analysis, correlation analysis, Indica-Torah, innovative systems.
В нашей предыдущей публикации [1] выполнен анализ динамики информативных показателей, отражающих использование специальных программных средств в научных исследованиях, проектировании и для управления производством, в период 2002-2010 гг. в Российской Федерации в целом и ее федеральных округах. Были введены удельные показатели использования специальных программных средств (далее - СПС) триады целей «исследования» -«разработки» - «производство», определяемые как число организаций, использующих СПС, в расчете на 1 млн. человек населения. Показано, что временные ряды удельных показателей использования СПС в триаде «исследования» - «разработки» - «производство» в период 2002-2010 гг. в инновационных подсистемах РФ - федеральных округах - с достаточно хорошим приближением можно представить моделями линейного тренда с наложенной на тренд стохастической компонентой. Это позволяет заменить временные ряды параметрами аппроксимирующих линейных моделей, при этом основная характеристика их качества - коэффициент линейной детерминации - отражает стохастическую компоненту моделей и их отклонение от линейности.
В результате моделирования динамики введенных в [1] удельных показателей - индикаторов информационно-коммуникационной компоненты инновационного потенциала инновационных подсистем РФ, по статистическим данным источников типа [2], выполненного в программной среде пакета анализа данных общественных наук SPSS Base [3, 4], было показано, что при назначении временной компоненты по формуле
t = год - 2010, (1)
аппроксимирующие линейные модели представляются в удобной для интерпретации параметров форме
Wcnc_. = Ь0_. + bi> (2)
где параметр bo ., i=1,2,3 (i=1 - научные исследования; i=2 -
проектирование; i=3_ - управление производством) интерпретиру-
ется как расчетное значение числа организаций, использовавших СПС в научных исследованиях в 2010 г., приходящихся на 1 млн. человек населения, а параметр b ., i=1,2,3 является среднегодовым приростом соответствующего удельного индикатора.
Таким образом, уровень и динамику использования специальных программных средств триады «исследования» - «разработки»
- «производство» отражает множество из шести удельных индикаторов, и задача данной публикации - выявить взаимосвязи между ними, с целью сведения этого множества к меньшему числу факторов, описывающих информационно-коммуникационную компоненту инновационного потенциала инновационных подсистем РФ -федеральных округов.
Эффективным приемом сокращения описания множества показателей является факторный анализ, осуществляемый, как правило, по методу главных компонент [5]. Согласно алгоритму метода, исходное множество коррелирующих между собой переменных заменяется тем меньшим числом главных (латентных) некоррелирующих факторов, чем сильнее связи между исходными переменными. Таким образом, факторный анализ по методу главных компонент «работает» с корреляционной матрицей, поэтому первым
этапом статистических исследований является корреляционный анализ исходных показателей.
Для сокращения изложения результатов корреляционного анализа введем следующие обозначения:
Xj - расчетное значение числа организаций, использовавших СПС в научных исследованиях в 2010 году, приходящихся на 1 млн. человек населения (параметр b, иссл);
Х]дин - среднегодовой прирост данного удельного индикатора в 2002-2010 гг. (параметр Ц исм);
Х2 - расчетное значение числа организаций, использовавших СПС в проектировании в 2010 году, приходящихся на 1 млн. человек населения (параметр b );
'•т с 0_проекту ’
Х2дин - среднегодовой прирост данного удельного индикатора в 2002-2010 гг. (параметр Ц проект);
Х3 - расчетное значение числа организаций, использовавших СПС для управления производством, в 2010 году, приходящихся на
1 млн. человек населения (параметр b )
'•т с 0_произв' ’
Хздин - среднегодовой прирост данного удельного индикатора в 2002-2010 гг. (параметр b ).
'•т с 1_произву
Корреляционная матрица, полученная в результате реализации процедуры множественного корреляционного анализа в программной среде пакета SPSS Base, приведена в табл. 1.
Из табл. 1 видно, что между многими индикаторами использования специальных программных средств в триаде «исследования»
- «разработки» - «производство», с учетом принципа Бонферрони [4], согласно которому требования к уровню значимости ужесточаются пропорционально числу рассматриваемых переменных, имеются статистически значимые положительные корреляционные связи (выделены полужирным шрифтом), и это позволяет рассчитывать на существенное сокращение исходного множества удельных индикаторов в ходе факторного анализа.
Здесь, однако, имеется одно ограничение - исходное множество удельных индикаторов состоит из шести переменных, а статистических объектов - федеральных округов - семь, тогда как результаты факторного анализа могут считаться корректными, если число статистических объектов (т.е. объем выборки) хотя бы вдвое превосходило число анализируемых переменных. Таким образом, необходимо уменьшить число анализируемых удельных индикаторов.
Это возможно за счет исключения из исходного множества индикаторов двух индикаторов динамики - среднегодового прироста числа организаций, использовавших специальных программных средств в проектировании в 2002-2010 гг., в расчете на 1 млн. человек населения (переменная Х2дан), а также среднегодового прироста числа организаций, использовавших СПС для управления производством в 2002-2010 гг., в расчете на 1 млн. человек населения (переменная Хздин). Данные индикаторы динамики тесно связаны с соответствующими индикаторами уровня, и, фактически, «дублируют» их. В то же время, в множестве переменных, включаемых в факторный анализ, целесообразно сохранить индикатор динамики Х1дин - среднегодовой прирост числа организаций, использовавших СПС в научных исследованиях в 2002-2010 гг., в расчете на 1 млн. человек населения, который, согласно табл. 1, слабо связан с соот-
Таблица 1. Корреляционная матрица удельных индикаторов использования специальных программных средств в триаде «исследования» - «разработки» - «производство» в период 2002-2010 гг. в федеральных округах РФ
Индикатор Статистика X! дин ^2 дин ^Здин
Xi Коэф. коррел. 1 0,458 0,914 0,760 0,851 0,663
Уровень значим. , 0,301 0,004 0,048 0,015 0,105
Хідин Коэф. коррел. 0,458 1 0,601 0,902 0,725 0,890
Уровень значим. 0,301 , 0,153 0,006 0,065 0,007
Коэф. коррел. 0,914 0,601 1 0,861 0,977 0,857
Уровень значим. 0,004 0,153 , 0,013 0,000 0,014
^2 дин Коэф. коррел. 0,760 0,902 0,861 1 0,936 0,966
Уровень значим. 0,048 0,006 0,013 , 0,002 0,000
Хз Коэф. коррел. 0,851 0,725 0,977 0,936 1 0,936
Уровень значим. 0,015 0,065 0,000 0,002 , 0,002
Хздин Коэф. коррел. 0,663 0,890 0,857 0,966 0,936 1
Уровень значим. 0,105 0,007 0,014 0,000 0,002 ,
Таблица 2. Матрица «нагрузок» индикаторов использования специальных программных средств в триаде «исследования» - «разработки» - «производство» на главные факторы по полной выборке федеральных округов
Удельный индикатор (в расчете на 1 млн. человек населения) Главный фактор
1 2
Х\ - расчетное значение числа организаций, использовавших СПС в научных исследованиях в 2010 году 0,956 0,179
Х,дИН - среднегодовой прирост числа организаций, использовавших СПС в научных исследованиях в 2002-2010 гг. 0,277 0,956
Х2 - расчетное значение числа организаций, использовавших СПС в проектировании в 2010 году 0,917 0,375
Хз - расчетное значение числа организаций, использовавших СПС для управления производством в 2010 году 0,828 0,534
Объясняемая дисперсия 62,9% 34,3%
ветствующим индикатором уровня Х1 (коэффициент корреляции R=0,458 статистически незначим - р-уровень, равный 0,301, значительно больше нормативного значения 0,05).
Тикам образом, размерность множества анализируемых переменных - удельных индикаторов использования специальных программных средств - составляет четыре, и при объеме выборки N=7 можно рассчитывать на корректность результатов факторного анализа, приведенных в табл. 2.
Согласно критерию Кайзера [5], в факторной модели необходимо удержать как минимум две главные компоненты - рис. 1 а, а из табл. 2 следует, что первые два главные компоненты суммарно объясняют 97,2% общей дисперсии. Это - высокий результат, и исходя из него, исходное
множество четырех удельных индикаторов можно заменить двумя главными факторами, при этом геометрические искажения составляют всего 2,8%, при допустимом значении 15% [6].
Первый главный фактор - наиболее информативен, он объясняет больше половины - 62,9% - общей дисперсии, и связан со всеми тремя индикаторами уровня использования специальных программных средств в триаде «исследования» - «разработки» - «производство», Это - фактор уровня использования СПС. Второй главный фактор объясняет 34,3% общей дисперсии, и связан с одним индикатором - удельным индикатором динамики использования СПС в научных исследованиях.
В наглядном графическом виде результаты факторного анализа представлены на рис. 1.
Рис. 1. Результаты факторного анализа: а - график «каменистой осыпи»; б - корреляции удельных индикаторов использования
специальных программных средств с главными факторами
Рис. 2. Расположение федеральных округов РФ на плоскости меток главных факторов (а) и на плоскости коррелирующих с ними удельных индикаторов использования СПС в научных исследованиях (б). Пунктир - уровень РФ
Из диаграммы рис. 1 б, которая в терминах французского математика-социолога Ж.-П. Пажеса [7] носит название «карта Неба» (по ассоциации: удельные индикаторы использования специальных программных средств рассматриваются как «звезды» на «Небе» с координатами главных факторов), видно, что первый главный фактор сильнее всего коррелирует с расчетным значением числа организаций (на 1 млн. человек населения), использовавших СПС в научных исследованиях в 2010 году, а второй главный фактор сильно и положительно коррелирует лишь с одним индикатором - со среднегодовым приростом числа организаций, использовавших СПС в научных исследованиях в 2002-2010 гг., в расчете на 1 млн. человек населения. Исходя из этого, и с учетом корреляций между удельными индикаторами, будем связывать первый главный фактор с интенсивностью использования специальных программных средств инновационными подсистемами РФ, а второй главный фактор - с развитием этого процесса.
Наряду с диаграммой, иллюстрирующей корреляции индикаторов использования специальных программных средств с главными факторами, имеется возможность представления федеральных округов РФ на плоскости меток главных факторов - диаграмма рис.
2 а (эта диаграмма в терминах Ж.-П. Пажеса носит название «карта Земли»). Но имеется существенное отличие: если на «карте Неба» координаты индикаторов использования специальных программных средств - это коэффициенты их корреляции с главными факторами, то на «карте Земли» координаты федеральных округов - это значения «меток» главных факторов, которые теоретически могут
варьировать в интервале (-3 ... +3). При этом, чем дальше от начала координат «расположен» федеральных округов, тем точнее может быть выполнена его идентификация в установленной по «карте Неба» интерпретации осей.
Главные факторы - это абстрактные понятия, и желательно от них перейти к исходным индикаторам использования специальных программных средств. Это возможно, так как первый главный фактор сильно коррелирует с расчетным значением числа организаций (на 1 млн. человек населения), использовавших СПС в научных исследованиях в 2010 году, а второй главный фактор - со среднегодовым приростом числа организаций, использовавших СПС в научных исследованиях в 2002-2010 гг., в расчете на 1 млн. человек населения - рис. 3, и можно рассматривать инновационные подсистемы РФ (федеральные округа) не только в координатах главных факторов, но и в координатах связанных с ними индикаторов.
Сравним расположение инновационных подсистем РФ на диаграмме с координатами главных факторов, с одной стороны, и с координатами коррелирующих с ними удельных индикаторов использования СПС в научных исследованиях, с другой.
На «карте Земли» федеральные округа РФ расположены в четырех квадрантах (нумерация квадрантов - против часовой стрелки). В квадранте I - Дальневосточный и Уральский федеральные округа. Судя по расположению относительно осей координат, эти инновационные подсистемы характеризуются высокими значениями фактора развития использования специальных программных средств. Сибирский федеральный округ расположен в квадранте II
Рис. 3. Корреляция удельных индикаторов уровня и динамики использования СПС в научных исследованиях, в расчете на 1 млн. человек населения, с главными факторами: а - индикатора уровня с первым главным фактором; б - индикатора динамики со вторым
главным фактором
ближе к оси первого главного фактора, следовательно, он также характеризуется высокими значениями фактора развития использования специальных программных средств. Южный федеральный округ находится в квадранте III и характеризуется как инновационная подсистема с пониженным уровнем использования специальных программных средств. Центральный и Северо-Западный федеральные округа находятся в квадранте IV, при этом они характеризуются как инновационные подсистемы с пониженными значениями фактора развития использования специальных программных средств, а Северо-Западный округ - дополнительно - и как инновационная подсистема с повышенным уровнем использования специальных программных средств.
Аналогично федеральные округа располагаются и на диаграмме координатами коррелирующих с главными факторами удельных индикаторов использования СПС в научных исследованиях, отличия - лишь в незначительных деталях. Здесь также можно говорить о квадрантах диаграммы, но осями при этом будут уже значения удельных индикаторов для РФ в целом.
По результатам выполненных исследований сформулируем следующие выводы:
1) в результате корреляционного анализа выявлена возможность уменьшения числа удельных индикаторов использования специальных программных средств триады «исследования» - «разработки»
- «производство» с шести до четырех;
2) методами факторного анализа обосновано, что исходное множество из четырех удельных индикаторов использования специальных программных средств триады может быть с незначительной погрешностью сведено к двум главным факторам, первый из которых, более информативный, интерпретируется как фактор интенсивности использования специальных программных средств инновационными подсистемами РФ - федеральными округами, а второй главный фактор - как фактор развития этого процесса;
3) показана результативность представления федеральных ок-
ругов РФ не только в координатах главных факторов, но и в координатах связанных с ними индикаторов - расчетным значением числа организаций (на 1 млн. человек населения), использовавших СПС в научных исследованиях в 2010 году, и со среднегодовым приростом числа организаций, использовавших СПС в научных исследованиях в 2002-2010 гг., в расчете на 1 млн. человек населения.
Полученные результаты позволяют перейти к разработке типологии российских макрорегионов по совокупности индикаторов развития информационно-коммуникационного потенциала российской инновационной системы.
Литература:
1. Веселицкий О.И. Модели динамики показателей информационно-коммуникационного потенциала российской инновационной системы // Транспортное дело России. 2012. №2.
2. Регионы России. Социально-экономические показатели. 2011. Стат. сб. / Росстат. М., 2011.
3. SPSS Base 8.0 для Windows. Руководство по применению. Перевод-Copyright 1998 СПСС Русь.
4. Бююль А., Цёфель П. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. СПб.: ООО «ДиаСофтЮП», 2002.
5. Факторный, кластерный и дискриминантный анализ / Дж.-О. Ким, Ч.И. Мьюллер, У.Р. Клекка и др.; Под ред. И.С. Енюкова. М.: Финансы и статистика, 1989.
6. Многомерный статистический анализ в экономике: Учеб. пособие для вузов / Л.А. Сошникова, В.Н. Тамашевич, Г. Уебе, М. Шефер. М.: ЮНИТИ-ДАНА, 1999.
7. Колемаев В.А., Староверов О.В., Турундаевский В.Б. Теория вероятностей и математическая статистика: Учеб. пособие для экон. спец. вузов; Под ред. В.А. Колемаева. М.: Высш. шк., 1991.
8. Пажес Ж.-П. Конфликты и общественное мнение. Новая попытка объединить социологов и математиков // Социологические исследования. 1991. №7, 10.
ИНДИКАТОР ПОТЕНЦИАЛА ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ КЛАСТЕРА КАФЕДР
Сычев А.В., к.э.н., доцент, проректор Сыктывкарского государственного университета
Предложен индикатор потенциала инновационной деятельности кафедр вуза, основанный на сравнении параметров реального кластера кафедр и идеальной модели кластера, ему соответствующей.
С помощью экспертного исследования определен состав рубрик, в наибольшей степени влияющих на развитие наноэлектроники в НИЯУ МИФИ. Собрана статистика статей, выпущенных на исследуемых кафедрах по этим рубрикам в течение 7-и лет. Определен состав наиболее значимых рубрик.
Полученное распределение активности публикаций по кафедрам и рубрикам сопоставлено с распределением активности публикаций, которое возникло бы в идеальном кластере. Близость распределений является признаком (индикатором) согласованной работы кафедр как кластера (т.е. близости к модели идеального кластера). Результаты исследования показывают, что корреляция с моделью идеального кластера не превышает 0,5 (средний уровень согласованности).
Ключевые слова: инновационная деятельность, идеальная модель кластера, методология управления, смена технологий, наноэлектроника, технологический уклад, массовые технологии.
INDICATOR OF THE POTENTIAL OF INNOVATIVE AVTIVITIES FOR CLUSTER OF DEPARTMENTS
Sychev A.V., Candidate Economics Sciences, associate professor of the economic theory and cooperative management of federal public budgetary educational institution of higher education «Syktyvkar state university»
The paper suggests the indicator of the potential of innovative activities for a cluster of departments in a higher education institution, which is based on the comparison ofparameters of the actual cluster of the existing departments and the ideal model of a corresponding.
Expert research has revealed the structure of the rubrics which have the most strong effect on the development of nanoelectronics in National Research Nuclear University MEPhl. The statistics of the articles published within these rubrics on the studied departments within 7 years is collected. Then, the list of the most significant rubrics has been determined.
The obtained distribution of the activity of publications by departments and rubrics has been compared with the distribution of activity of the publications which would take place in case of the ideal duster. The proximity of the distributions is a sign (indicator) of the well coordinated work of the departments as a cluster (i.e. the proximity to the model of an ideal cluster). The results of the research show that the correlation with the ideal cluster model doesn’t exceed 0,5 (the average level of coherence).
Keywords: Innovative activities, ideal cluster model, management methodology, replacement of technologies, nanoelectronics, technological mode, mass production technique.
В ходе развития модернизации как процесса смены укладов должна соответствовать новым моделям, присущим экономике ин-организация работы секторов НИОКР вузов все в большей степени новаций, [1,2,3]. В связи с этим, в организации сектора НИОКР дол-
