CC BY
133
УДК 658:338.2
А.В. Бабкин, А.А. Мошков, А.О. Новиков
АНАЛИЗ МЕТОДОВ И МОДЕЛЕЙ ОЦЕНКИ ИННОВАЦИОННОГО ПОТЕНЦИАЛА ПРОМЫШЛЕННОГО КЛАСТЕРА*
Кластер (англ. cluster) - в экономике, размещенная на некоторой территории группа взаимосвязанных компаний: поставщиков оборудования, комплектующих и специализированных услуг; инфраструктуры; научно-исследовательских институтов; вузов и других организаций, взаимодополняющих друг друга и усиливающих конкурентные преимущества отдельных компаний и кластера в целом.
Под промышленным кластером понимается экономическая система созданных в непосредственной близости друг от друга и взаимодействующих между собой, как правило, научных и промышленных предприятий. Тесная взаимосвязь научных и промышленных предприятий позволяет быстрее выводить инновационную продукцию на рынок.
Примеры промышленных кластеров можно обнаружить в Санкт-Петербурге и Ленинградской области (сборка автомобилей), Пермской области (химическая промышленность), Тюменской области (добыча нефти и газа), Свердловской и Челябинской областях (металлургия), Татарии (нефтехимия), Белгородской области (производство продуктов питания), Новосибирской области (информационные технологии) [2; 5].
Создание промышленного кластера позволяет распределять затраты между предприятиями; ускорять перемещение товаров и услуг между предприятиями, входящими в промышленный кластер; распространять неявные знания.
Можно выделить следующие характерные признаки промышленного кластера:
- максимальная географическая близость;
- родство технологий;
- общность сырьевой базы;
- наличие инновационной составляющей.
Для определения степени инновационного
развития промышленного кластера, а также для
нахождения путей инновационного развития необходима оценка инновационного потенциала промышленного кластера.
Уровень инновационного потенциала промышленного кластера обусловлен его реальными инновационными возможностями, которые появляются вследствие использования всего многообразия ресурсов предприятий. Необходимо правильно и эффективно использовать все имеющиеся у предприятий, входящих в состав промышленного кластера, ресурсы для инновационного развития. Оценка является важной и актуальной задачей инновационного потенциала кластера. Проведенные нами исследования позволили выделить основные группы методов такой оценки: количественные, качественные и комбинированные (см. схему).
Такое разделение методов отвечает основ -ным требованиям системного анализа, которые заключаются в сочетании моделей и методик формальных и неформальных представлений, что помогает в разработке методик, выборе методов постепенной формализации отображения и анализа проблемной ситуации.
Следует отметить, что на схеме качественные методы расположены (сверху вниз) в порядке возрастания возможностей формализации, а у количественных - возрастает внимание к содержательному анализу проблемы и появляется все больше средств для такого анализа.
Дадим характеристику представленным методам.
Методы на основе количественных оценок
Аналитические и статистические методы получили наибольшее распространение в практике проектирования и управления. Хотя для
* Статья опубликована при поддержке РГНФ, грант 12-32-01017а1.
Классификация методов оценки инновационного потенциала кластера
промежуточных и окончательных результатов моделирования широко используются графические представления (графики, диаграммы и т. п.), последние являются вспомогательными. Основу модели, доказательства ее адекватности составляют те или иные направления аналитических и статистических представлений.
Основными инструментами аналитических методов являются понятия классической математики - формула, функция, уравнение, логарифм, дифференциал и т. д. На базе аналитических представлений развиваются теории различной сложности - от аппарата классического математического анализа до таких разделов математики, как математическое программирование (линейное, нелинейное, динамическое и т. п.), теория игр и т. д.
Основу статистических представлений составляет отображение явлений и процессов с помощью случайных (стохастических) событий и их поведения, которые описываются соответствующими вероятностными (статистиче-
скими) характеристиками и статистическими закономерностями.
На базе статистических представлений основывается ряд математических теорий - математическая статистика, теория статистических испытаний и др.
Применение статистических методов в некоторых случаях может привести к неверным результатам. Это связано с тем, что не всегда можно получить статистические закономерности и не всегда может быть определена репрезентативная выборка. В таких случаях целесообразно обратиться к методам, называемым дискретными, или дискретной математикой.
К дискретным относят теоретико-множественные, логические, лингвистические, семиотические и графические методы.
Теоретико-множественные представления базируются на понятиях «множество», «элементы множества», «отношения на множествах». Использование данного метода при моделировании систем позволяет организовать взаимо-
действие и взаимопонимание между специалистами различных областей знаний.
Базовыми понятиями математической логики являются «высказывания», «предикат», «логические функции», «логический базис», «логические законы». Логические методы применяются при исследовании новых структур систем разнообразной природы, в которых характер взаимодействия между элементами еще не настолько ясен, чтобы было возможно их представление аналитическими методами, а статистические исследования либо затруднены, либо не привели к выявлению устойчивых закономерностей. В то же время смысл выражающие возможности логических методов ограничены базисом и функциями алгебры логики и не всегда позволяют адекватно отобразить реальную проблемную ситуацию. Попытки же создания многозначных алгебр логики на практике пока не находят широкого применения из-за сложности создания логического базиса доказательства формальных теорем-законов многозначной алгебры логики.
Лингвистические представления базируются на понятиях «тезаурус», «грамматика», «семантика» и «прагматика».
Семиотические представления базируются на понятиях «знак», «знаковая система», «знаковая ситуация». Для практических приложений модели лингвистических и семиотических представлений можно рассматривать как один класс методов формализованного представления систем.
Лингвистические и семиотические методы возникли и развиваются в связи с потребностями анализа текстов и языков. Они являются удобным аппаратом (особенно в сочетании с графическими) для первого этапа постепенной формализации задач принятия решений в плохо формализуемых ситуациях. Что касается недостатков методов, то при усложнении языка моделирования трудно гарантировать правильность получаемых результатов, возникают проблемы алгоритмической разрешимости, возможно появление парадоксов, что частично может быть устранено с помощью содержательного контроля и корректировки языка на каждом шаге его расширения.
Графические представления являются удобным средством исследования структур и процессов в сложных системах и решения различного рода организационных вопросов.
Методы на основе качественной информации
Концепция «мозговой атаки» известна также под названиями «коллективная генерация идей», «мозговой штурм», «дискуссионные методы». Все эти методы основаны на свободном выдвижении идей, направленных на решение проблемы. Затем из этих идей отбираются наиболее ценные.
Достоинством метода «мозговой атаки» является высокая оперативность получения требуемого решения. Основным недостатком его -сложность организации экспертизы, так как иногда невозможно собрать вместе всех требуемых специалистов, создать непринужденную атмосферу и исключить влияние должностных взаимоотношений.
Метод «сценариев» - представляет собой совокупность правил по изложению в письменном виде предложений специалистов по решаемой проблеме. Сценарий представляет собой документ, содержащий анализ проблемы и предложения по ее реализации. Предложения вначале пишут эксперты индивидуально, а затем они согласуются и излагаются в форме единого документа.
Основным преимуществом сценария является комплексный охват решаемой проблемы в доступной для восприятия форме. К недостаткам можно отнести возможные неоднозначность, нечеткость излагаемых вопросов и недостаточную обоснованности отдельных решения.
Следующей группой качественных методов являются методы структуризации. Структурные представления различного рода позволяют разделить сложную проблему с большой неопределенностью на более мелкие, лучше поддающиеся исследованию, что само по себе можно рассматривать как некоторый метод исследования, именуемый иногда системно-структурным. Методы структуризации являются основой любой методики системного анализа, любого сложного алгоритма организации планирования или принятия управленческого решения.
В особую группу методов структуризации можно выделить методы типа «дерева целей». Идея метода ориентирована на получение полной и относительно устойчивой структуры целей, проблем, направлений, т. е. такой структуры, которая на протяжении какого-то периода времени мало изменялась бы при неизбежных изменениях, происходящих в любой развивающейся системе.
Основная идея при исследовании морфологических методов - систематически находить наибольшее число, а в пределе - все возможные варианты решения поставленной проблемы или реализации системы путем комбинирования основных (выделенных исследователем) структурных элементов системы или их признаков. При этом система или проблема может разбиваться на части разными способами и рассматриваться в различных аспектах.
Следующей довольно обширной группой качественных методов являются методы экспертных оценок. Изучению особенностей и возможностей применения экспертных оценок посвящено много работ. В них рассматриваются:
- проблемы формирования экспертных групп, включая требования к экспертам, размеры группы, вопросы тренировки экспертов, оценки их компетентности;
- формы экспертного опроса (разного рода анкетирования, интервью, смешанные формы опроса) и методики организации опроса (в том числе методики анкетирования, мозговая атака, деловые игры и т. п.);
- подходы к оцениванию (ранжирование, нормирование, различные виды упорядочения, в том числе методы предпочтений, попарных сравнений и др.);
- методы обработки экспертных оценок;
- способы определения согласованности мнений экспертов, достоверности экспертных оценок (в том числе статистические методы оценки дисперсии, оценки вероятности для заданного диапазона измерений оценок и т. д.) и методы повышения согласованности оценок путем соответствующих способов обработки результатов экспертного опроса.
Существуют некоторые общие проблемы, которые необходимо понимать при проведении
любых экспертных опросов: экспертные оценки несут не только узкосубъективные черты, присущие отдельным экспертам, но и коллективно-субъективные черты, которые не исчезают при обработке результатов опроса.
Метод «Дельфи» - представляет собой итеративную процедуру анкетного опроса. При этом соблюдается требование отсутствия личных контактов между экспертами и обеспечения их полной информацией по всем результатам оценок после каждого тура опроса с сохранением анонимности оценок, аргументации и критики.
Процедура метода включает несколько последовательных этапов опроса. На первом этапе производится индивидуальный опрос экспертов, обычно в форме анкет. Эксперты дают ответы, не аргументируя их. Затем результаты опроса обрабатываются и формируется коллективное мнение группы экспертов, выявляются и обобщаются аргументации в пользу различных суждений. На втором этапе вся информация сообщается экспертам и их просят пересмотреть оценки и объяснить причины своего несогласия с коллективным суждением. Новые оценки вновь обрабатываются и осуществляется переход к следующему этапу. Практика показывает, что после трех-четырех этапов ответы экспертов стабилизируются и необходимо прекращать процедуру.
Достоинством метода «Дельфи» является использование обратной связи в ходе опроса, что значительно повышает объективность экспертных оценок. Однако данный метод требует значительного времени на реализацию всей многоэтапной процедуры.
Рассмотренные недостатки экспертных оценок привели к необходимости создания методов, повышающих объективность получения оценок путем расчленения большой первоначальной неопределенности проблемы, предлагаемой эксперту для оценки, на более мелкие, лучше поддающиеся осмыслению. В результате появились методы организации сложных экспертиз. В этой методике выделяют группы критериев оценки и рекомендуется ввести весовые коэффициенты критериев. Введение критериев позволяет организовать опрос экспертов более дифференциро-
ванно, а весовые коэффициенты повышают объективность результирующих оценок.
Развиваются также новые методы, базирующиеся на сочетании количественных и качественных методов. Эта группа методов представлена здесь на схеме в качестве самостоятельной группы, обобщенно названной комбинированными методами.
Комбинированные методы моделирования систем
Имитационное динамическое моделирование -предложено Дж. Форрестером (США) в 50-х гг., использует удобный для человека структурный язык, полагающий выражать реальные взаимосвязи, отображающие в системе замкнутые контуры управления, и аналитические представления (линейные конечно-разностные уравнения), позволяющие реализовать формальное исследование полученных моделей на ПК с использованием специализированного языка.
Ситуационное моделирование - базируется на отображении в памяти ПК и анализе проблемных ситуаций с применением специализированного языка, разрабатываемого с помощью выразительных средств в теории множеств, математической логики и теории языков.
Информационный подход (теория информационного поля и информационных цепей) - базируется на отображении реальных ситуаций с помощью информационных моделей.
Для нахождения доли инновационности предприятий промышленного кластера используется метод анализа иерархий, основанный на аддитивной свертке, который позволяет не только найти наилучшее решение, но и оценить его достоверность. Название метода связано с тем, что решения принимаются на нескольких уровнях: сначала на уровне критериев, затем на уровне альтернатив. Преимуществом метода является также его применимость в нечетких ситуациях.
Исходя из анализа подходов и методов оценки инновационного потенциала [1-4 и др.], уровень инновационного потенциала промышленного кластера предлагается рассчитывать как сумму интегральных показателей инновационного потенциала предприятий, входящих в его
состав. Причем суммировать эти интегральные показатели необходимо с учетом весов, присвоенных каждому предприятию в зависимости от их роли в промышленном кластере [6-9].
Предлагаются следующие этапы оценки инновационного потенциала промышленного кластера:
1. Выбор показателей оценки инновационного потенциала.
2. Группировка показателей.
3. Исключение из рассмотрения показателей, находящихся в тесной функциональной зависимости.
4. Проведение корреляционно-регрессионного анализа.
5. Формирование значимых показателей.
6. Сбор данных об исследуемом предприятии.
7. Сбор данных о базовом предприятии.
8. Определение веса показателей и веса групп показателей методом экспертной оценки.
9. Присвоение весов предприятиям, входящим в промышленный кластер.
10. Оценка исследуемого предприятия по значимым показателям.
11. Оценка базового предприятия по значимым показателям.
12. Определение относительных показателей путем расчета отношений значений исследуемого предприятия к базовому по каждому показателю.
13. Расчет интегрального показателя по каждой группе показателей.
14. Расчет интегрального показателя инновационного потенциала предприятия.
15. Расчет интегрального показателя инновационного потенциала промышленного кластера.
16. Табличное и графическое представление полученных результатов, их интерпретация и анализ.
17. Разработка предложений по повышению инновационного потенциала научно-производственного предприятия.
В результате проведенного анализа сформированы следующие группы показателей оценки инновационного потенциала предприятий, входящих в состав промышленного кластера [10]:
- финансовые показатели;
- показатели трудовых ресурсов;
- показатели материально-технического обеспечения;
- показатели информационных ресурсов;
- организационно-управленческие показатели;
- показатели рыночного положения;
- показатели инновационной деятельности предприятия.
По данным группам показателей была сформирована система значимых показателей. Для того чтобы величина того или иного показателя оценки инновационного потенциала предприятия оказывала реальное влияние на величину интегрального показателя группы, а он, в свою очередь, на итоговый интегральный показатель инновационного потенциала, не рекомендуется использование дублирующихся по смыслу, коррелирующих показателей. Для того чтобы оставить только значимые показатели, используется корреляционно-регрессионный анализ.
Интегральный показатель инновационного потенциала предприятия рассчитывается как среднее взвешенное интегральных показателей по каждой группе показателей [10].
Интегральные показатели по группам показателей могут быть рассчитаны по трем следующим моделям.
1. Модель с использованием среднего взвешенного арифметического:
2. Модель с использованием среднего взвешенного геометрического:
О =
( п V Ё?
П
I=1
3. Модель с использованием среднего взвешенного гармонического:
п п а
Ъ = Ё ? ' Ё ?.
■ = 1 ■ = 1 о г
Интегральный показатель инновационного потенциала предприятия также может быть рассчитан с использованием аналогичных моделей.
Интегральный показатель инновационного потенциала промышленного кластера рассчитывается следующим образом:
1. Модель с использованием среднего взвешенного арифметического:
Ё 0 %
О =
р=1
к
Ё X р
р=1
где G - интегральный показатель инновационного потенциала промышленного кластера; интегральный показатель р-го предприятия;
О
Хр - вес р-го предприятия; к - количество предприятий в кластере.
2. Модель с использованием среднего взвешенного геометрического:
Ё В ?
О =
■■=1
Ё?
о =
( к Л1' Ёх*
порр р=1
V р
= 1
/
где О - интегральный показатель ]-й группы критериев; - относительное значение г-го показателя; а. - вес /-го показателя; п - количество
г
показателей в группе.
Относительное значение г-го показателя рассчитывается по следующей формуле:
§1 = §[ и ' §[ б ,
где § . и - значение г-го показателя исследуемого предприятия; § . б - значение г-го показателя базового предприятия.
3. Модель с использованием среднего взвешенного гармонического:
х р
к к
О = Ёхр ' Ё О
р = 1 р=1 Ор
При условии, что сумма весов предприятий, входящих в промышленный кластер, равна единице, данные формулы можно привести к следующему виду:
1. Модель с использованием среднего взвешенного арифметического: к
О =Ё Ор X р.
р=1
I = 1
2. Модель с использованием среднего взвешенного геометрического:
О = П оур.
р=1
3. Модель с использованием среднего взвешенного гармонического:
к у
О = 1/.
р=1 Ор
Среднее арифметическое взвешенное используется, когда данные сгруппированы, а отдельные значения признака встречаются неодинаковое число раз, или когда используются относительные показатели.
Среднее геометрическое взвешенное применяется при определении средних взвешенных темпов роста (средних взвешенных коэффициентов роста), когда индивидуальные значения признака представлены в виде относительных величин. Оно используется также, если необходимо найти среднее взвешенное между минимальным и максимальным значениями признака.
Среднее взвешенное гармоническое используется при расчете общей средней из средних групповых, когда в качестве весов применяются не единицы совокупности, носители признака, а произведения этих единиц на значения признака.
На основе представленных подходов и методов оценки инновационного потенциала промышленного кластера нами разработана методика, использующая комбинированные методы оценки. Она позволяет не только оценить инновационный потенциал промышленного кластера, но и определить, какие элементы, входящие в его состав, необходимо улучшать, а также сравнить инновационный потенциал и его элементы с показателями конкурентов.
Итак, проведен анализ методов и моделей оценки инновационного потенциала промышленного кластера. На его основе выделены комбинированные методы оценки инновационного потенциала промышленного кластера. Разработанная методика предназначена для оценки и управления инновационным потенциалом с целью повышения конкурентного состояния в аспекте стратегического развития промышленного кластера.
СПИСОК ЛИТЕРАТУРЫ
1. Белокур, А.С. Анализ существующих методик оценки инновационного потенциала регионов Российской Федерации [Текст] : [дипл. работа по спец. «Экономика»] / А.С. Белокур. - М.: ГАУГН, 2009.
2. Бирюков, А.В. Механизмы формирования инновационных кластеров в отечественном военном производстве [Текст] / А.В. Бирюков // Транспортное дело России. - 2009. - № 1.
3. Вайсман, Е.Д. Оценка конкурентоспособности инновационного продукта [Текст] / Е.Д. Вайсман, А.С. Буймов // Маркетинг в России и за рубежом. -2010. - № 1(75). - С. 74-80.
4. Валентей, С.Д. Оценка возможностей субъектов Российской Федерации по проведению активной инновационной политики [Текст] : [отчет о НИР для Правительства РФ] / С.Д. Валентей, Е.М. Бухвальд и др. - М., 2008.
5. Голиченко, О.Г. Кластеры инновационной результативности регионов России [Текст] / О.Г. Голиченко, И.Н. Щепина // Вестник российской интеграции. - 2008. - № 3.
6. Капорский, Е.С. Оценка состояния инноваци-
онного потенциала промышленного предприятия [Текст] / Е.С. Капорский // Научно-технические ведомости СПбГПУ. - № 4(102). - СПб.: Изд-во СПбГПУ, 2010. - С. 81-86.
7. Клементьева, О.В. Оценка инновационного потенциала организации [Текст] / О.В. Клементьева, Е.Ю. Костина // Труды СПбГПУ. - № 497. - СПб.: Изд-во СПбГПУ, 2006. - С. 79-80.
8. Ле Ван Тхань. Анализ и оценка состояния инновационного потенциала промышленных предприятий [Текст] / Ле Ван Тхань, З.А. Дикая // Научно-технические ведомости СПбГПУ. - № 6(68). - СПб.: Изд-во СПбГПУ, 2008. - С. 226-230.
9. Москвичев, А.А. Оценка параметров инновационного потенциала предприятий [Текст] / А.А. Моск-вичев // Научно-технические ведомости СПбГПУ. -№ 6(112). - СПб.: Изд-во СПбГПУ, 2011. - С. 190-195.
10. Бабкин, А.В. Анализ подходов и методов оценки инновационного потенциала предприятия [Текст] / А.В. Бабкин, А.О. Новиков // Научно-технические ведомости СПбГПУ. Серия «Экономические науки». - 2009. - № 2 (75), т. 2. - С. 193-204.
