49Кластерный анализ инновационной активности регионов Российской Федерации
Валинурова Лилия Сабиховна,
доктор экономических наук, профессор, заведующий кафедрой инновационной экономики, ФГБОУ ВО «Башкирский государственный университет», valinurovalilia@mail.ru
Тлявлин Тимур Римович,
магистр экономики, кафедра инновационной экономики, ФГБОУ ВО «Башкирский государственный университет», t1m7eymur@yandex.ru
Инновации оказывают серьезное влияние на социально-экономический рост, являются фундаментом прогресса общества. Инновации определяют тенденции развития в сфере производства и торговли, улучшают уровень жизни населения. Статья посвящена исследованию инновационной активности регионов Российской Федерации на основе кластерного анализа с использованием методов машинного обучения. Информационную основу исследования составили данные официальной статистики по 82 субъектам Российской Федерации за 2020 год. Исследование проведено на наборе данных, включающем 574 записи по 7 показателям, характеризующим различные аспекты инновационной активности регионов России. Кластерный анализ проводился с использованием метода «k-means». По результатам исследования выявлено 5 основных кластеров, различающихся уровнем инновационной активности регионов. Ключевые слова: инновации, инновационная активность, кластеризация, машинное обучение.
Введение
Инновации оказывают серьезное влияние на социально-экономический рост, являются фундаментом прогресса общества. Инновации определяют тенденции развития в сфере производства и торговли, улучшают уровень жизни населения. Современное постиндустриальное общество, в том числе в Российской Федерации, тесно связано с увеличением роли инноваций и их интеграцией во все сферы деятельности. Инновации ускоряют и воспроизводственные процессы, что и оказывает серьезное влияние на обновление материально-технической базы и, как следствие, стимулируют рост экономики. В связи с этим, повышение инновационной активности становится основной задачей инновационного развития.
Инновационная активность - это многофакторная характеристика осуществляемой субъектом инновационной деятельности, ее интенсивности и объема. Управление инновационной активностью на уровне региона в первую очередь предполагает оценку состояния его инновационной деятельности, определение проблем, перспектив и возможностей инновационного развития. Такая оценка невозможна без сравнительного анализа. Одним из инструментов, применяемых в ходе такого рода анализа, является кластеризация. Следует отметить, что кластерный анализ с использованием методов машинного обучения нашел широкое применение в исследованиях различных аспектов регионального развития. Например, такие инструменты используются при исследовании социально-экономического развития регионов [1].
В целом, кластерный анализ регионов Российской Федерации по уровню инновационной активности позволяет не только составить рейтинговые группы регионов, но и выявить ключевые характеристики каждого кластера, определяющие отличительные черты регионов, входящих в соответствующие кластеры. Практические результаты кластеризации регионов по уровню инновационной активности можно применить при разработке мероприятий, направленных на воздействие на инновационную активность регионов и при разработке стратегии их инновационного развития. Необходимость учета региональных особенностей при разработке стратегий инновационного развития, инновационной политики показали в том числе Суховей А.Ф., Голова И.М. [2, 3].
Методы
Целью кластерного анализа является выявление однородных региональных кластеров на основании чего можно проводить стратегирование с учетом особенности соответствующих кластеров. Кластерный анализ предполагает решение следующих задач:
- подбор показателей и сбор исходных статистических данных для кластерного анализа;
- предобработка данных;
- стандартизация данных;
- применение методов кластеризации, выделение однородных региональных кластеров на основе выбранных показателей;
- выявление характеристик и особенностей кластеров, в том числе на основе анализа зависимости значений средних показателей по выявленным кластерам.
В ходе данного исследования проводился кластерный анализ инновационной активности регионов, которая при этом рассматривалась через результативность инновационной деятельности. В качестве результирующего показателя используется валовой региональный продукт. Для уменьшения ошибок и повышения точности результатов кластерного анализа было решено использовать относительные темповые показатели.
Кластерный анализ проводился на основе системы показателей, представленной в таблице 1.
Таблица 1
Система показателей инновационной активности регионов
Обозначение Показатель
XI Объем отгруженных инновационных товаров
Х2 Объем затрат на инновации
Х3 Объем затрат на НИОКР
Х4 Количество используемых современных технологий
Х5 Удельный вес организаций, осуществлявших технологические инновации
Х6 Количество поданных патентных заявок на изобретения и полезные модели на персонал, занятый в исследованиях и разработках
VRP Валовый региональный продукт
Подбор показателей производился исходя из принципов достаточного разнообразия, минимальной существенной достаточности и целевой ориентации Выбран-
ные показатели имеют наибольшее влияние на инновационную активность регионов.
На рисунке 1 приведена тепловая карта корреляции между выбранными показателями.
-1.0
i i i i i i i х2 хЗ х4 х5 х1 хб VRP
Рис. 1. Тепловая карта корреляции показателей инновационной активности регионов
Кластерный анализ проводился с использованием машинного обучения без учителя. В частности, был выбран метод статистической кластеризации «k-средних» [5]. Это обусловлено тем, что данный метод обладает высокой эффективностью при сравнительной простоте применения. Кластеризация реализована с использованием языка программирования Python (версия 3.9) с применением подключаемых библиотек Pandas, Sklerarn, Matplotlib, Numpy. Предварительная стандартизация данных с целью приведения показателей к одному формату проведена с использованием библиотеки Sklearn.
Кластерный анализ проведен на основе данных официальной статистики за 2020 год по 82 субъектам Российской Федерации [4]. Сформированный набор данных включает 574 записи.
Результаты
По результатам кластерного анализа получены следующие результаты. Во-первых, определено оптимальное число кластеров. Для этого было проанализировано расстояние до центров кластеров, зависимость которого от числа кластеров представлена на рисунке 2.
2 4 е з ю
Количество кластеров
Рис. 2. График изменения расстояний до центров кластеров
На рисунке 2 верхний график иллюстрирует абсолютное изменение расстояние до центра кластеров, нижний - динамическое изменение. Исходя из критерия расстояния до центров кластеров, их рекомендованное число- два кластера. Следует учитывать, что чем меньше расстояние до центроидов кластеров, тем больше они становятся похожими на друг на друга. С другой стороны, при слишком малом числе кластеров, расстояние некоторых элементов до центра кластера будет слишком большим, что снизит достоверность результата. Наименьшее изменение расстояния наблюдается после 5 кластеров, динамическое изменение значительное, что позволяет сделать вывод о том, что оптимальное число кластеров - 5.
Распределение субъектов Российской Федерации по выделенным в ходе исследования кластерам представлено в таблице 2.
Таблица 2
Группировка субъектов Российской Федерации по кластерам
Кластер Регионы
1 Калининградская область, Мурманская область, Республика Крым, Омская область
2 Ивановская область, Калужская область, Курская область, Липецкая область, Московская область, Тульская область, Новгородская область, Республика Адыгея (Адыгея), Республика Калмыкия, Краснодарский край, Астраханская область, г. Севастополь, Республика Дагестан, Республика Северная Осетия - Алания, Ставропольский край, Кировская область, Саратовская область, Курганская область, Челябинская область, Иркутская область, Забайкальский край, Камчатский край, Магаданская область
3 Чеченская Республика, Республика Ингушетия
4 Костромская область, Карачаево-Черкесская Республика, Республика Алтай, Белгородская область, Брянская область, Владимирская область, Воронежская область, Орловская область, Рязанская область, Смоленская область, Тамбовская область, Тверская область, Ярославская область, г. Москва, Республика Карелия, Республика Коми, Архангельская область, Вологодская область, Ленинградская область, Псков-
ская область, г. Санкт-Петербург, Волгоградская область, Ростовская область, Кабардино-Балкарская Республика, Республика Башкортостан, Республика Марий Эл, Республика Мордовия, Республика Татарстан, Удмуртская Республика, Чувашская Республика, Пермский край, Нижегородская область, Оренбургская область, Пензенская область, Самарская область, Ульяновская область, Свердловская область, Тюменская область, Республика Тыва, Республика Хакасия, Алтайский край, Красноярский край, Кемеровская область- Кузбасс, Новосибирская область, Томская область, Республика Бурятия, Республика Саха (Якутия), Приморский край, Хабаровский край, Амурская область, Сахалинская область
5 Еврейская автономная область, Чукотский автономный округ
Территориальное распределение регионов по кластерам показано на картограмме (рисунок 3).
Кластер
Рис. 3. Распределение регионов Российской Федерации по кластерам
В целях идентификации каждого кластера были рассчитаны средние темпы прироста показателей по каждому кластеру. Результаты расчетов представлены в таблице 3.
Регионы, относящиеся к первому кластеру, характеризуются наиболее высоким темпом роста затрат на инновации и НИОКР. Единственный показатель, значение которого меньше единицы - отношение количества поданных патентов к численности персонала, занятого в научных исследования и разработках. Это позволяет сделать вывод, что регионы, входящие в первый кластер, характеризуются наиболее высокой интенсивностью инновационной деятельности.
Второй кластер, в свою очередь, характеризуется средней интенсивностью инновационной деятельности и высокими темпами роста затрат на НИОКР.
Третий кластер характеризуется высокими темпами роста объема отгружаемой инновационной продукции.
Четвертый кластер наиболее многочисленный, характеризуется средними темпами роста показателей. Ряд показателей демонстрируются незначительные изменения. Средний темп прироста ВРП минимальный. Это позволяет сделать вывод о том, что осуществляемые в данных регионах мероприятия по повышению иннова-
ционной активности недостаточны для обеспечения интенсивного роста валового регионального продукта.
Таблица 3
Средние темпы изменения показателей по кластерам
Показатель Кластер 1 Кластер 2 Кластер 3 Кластер 4 Кластер 5
Объем отгруженных инноваци- 1,16 1,20 3,64 1,21 1,24
онных товаров
Объем затрат на инновации 6,82 0,98 0 1,23 0,41
Объем затрат на НИОКР 3,36 2,11 15,12 1,360 0,26
Количество используемых со- 1,08 1,10 1,03 0,94 0,00
временных технологий
Удельный вес организаций, 1,18 0,87 1,92 0,95 1,63
осуществлявших технологиче-
ские инновации
Количество поданных патентных 0,96 0,84 1,11 1,64 0,26
заявок на изобретения и полез-
ные модели на персонал, заня-
тый в исследованиях и разработках
ВРП 1,07 1,05 1,02 0,99 1,20
Регионы, входящие в пятый кластер, характеризуются наиболее высоким средним темпом роста ВРП при самом низком темпе роста затрат на инновации и НИОКР. Таким образом, высокий темп роста ВРП обусловлен не высокой инновационной активностью, а другими факторами - вкладом добычи полезных ископаемых, ввозом современных технологий из других регионов, импортом из-за границы, что может компенсировать инновационное отставание.
Обсуждение
По результатам кластерного анализа можно сделать вывод, что большая всего регионов относится к четвертому кластеру, характеризуются умеренными значениями средних темповых показателей инновационной активности. Значение среднего темпа прироста ВРП ниже 1, что позволяет сделать вывод о его сокращении в регионах кластера в 2020 году по сравнению с предшествующим периодом. Это позволяет сделать вывод о том, что уровень инновационной активности в большей части субъектов Российской Федерации недостаточен, требуется осуществление мероприятий, направленных на активизацию инновационной деятельности в регионах, относящихся к четвертому кластеру. При этом особое внимание следует обратить на показатели, характеризующие темп роста затрат на инновации и НИОКР. При разработке подходов и мероприятий по управлению инновационной активностью регионов следует учитывать необходимость стимулирования затрат на инновации, научные исследования и разработки. В то же время следует учитывать и необходимость внедрения разрабатываемых инноваций среди наибольшего число действующих в регионе предприятий и организаций.
Заключение
Результаты проведенного исследования инновационной активности субъектов Российской Федерации позволяют сделать вывод о том, что инновационная актив-
ность большинства регионов недостаточна для обеспечения интенсивного экономического развития. Необходимо разрабатывать и осуществлять мероприятия, направленные на повышение инновационной активности регионов. В этой связи, представляется целесообразным на основе результатов проведенного кластерного анализа подобрать инструменты и меры государственной политики, поддержки инновационной деятельности в регионах. Таким образом, результаты проведенного исследования можно использовать при планировании инновационной политики как на федеральном, так и на региональном уровне.
Литература
1. Вавилова, Д.Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения / К. В. Кетова., Е. В. Касаткина., Д. Д. Вавилова // Экономические и социальные перемены: факты, тенденции, прогноз. - 2021. - Т. 14. - № 6. - С. 70—85.
2. Голова, И.М. Дифференциация стратегий инновационного развития регионов как условие повышения эффективности социально-экономической политики в РФ / И. М. Голова, А.Ф. Суховей // Экономика региона. - 2020. - Т. 16, вып. 4. - С. 1302-1317
3. Голова, И.М. Дифференциация стратегий инновационного развития с учетом специфики российских регионов / И. М. Голова, А.Ф. Суховей // Экономика региона. -2019. - Т. 15, вып. 4. - С. 1294-1308
4. Наука, инновации и технологии [Электронный ресурс]. URL: https://rosstat.gov.ru/folder/14477
5. K-Means clustering [Электронный ресурс]. URL: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html
Cluster analysis of innovation activity in the regions of the Russian Federation Valinurova L.S., Tlyavlin T.R.
Bashkir State University
The article is devoted to the study of innovative activity of the regions of the Russian Federation on the basis of cluster analysis using machine learning methods. The information basis of the study was made up of official statistics data for 82 subjects of the Russian Federation for 2020. The study was conducted on a data set including 574 records on 7 indicators characterizing various aspects of innovation activity in Russian regions. Cluster analysis was carried out using the "k-means" method. According to the results of the study, 5 main clusters were identified, differing in the level of innovation activity of the regions.
Keywords: innovations, innovative activity, clustering, machine learning. References
1. Vavilova, D.D. Clusterization of regions of the Russian Federation according to the level of socio-economic development using
machine learning methods / K. V. Ketova., E. V. Kasatkina., D. D. Vavilova // Economic and social changes: facts, trends, forecast. - 2021. - T. 14. - No. 6. - P. 70-85.
2. Head, I.M. Differentiation of strategies for innovative development of regions as a condition for improving the effectiveness of
socio-economic policy in the Russian Federation / I. M. Golova, A.F. Sukhovey // Economics of the region. - 2020. - T. 16, no. 4. - S. 1302-1317
3. Head, I.M. Differentiation of innovative development strategies taking into account the specifics of Russian regions / I. M.
Golova, A.F. Sukhovey // Economics of the region. - 2019. - V. 15, no. 4. - S. 1294-1308
4. Science, innovations and technologies [Electronic resource]. URL: https://rosstat.gov.ru/folder/14477
5. K-Means clustering [Electronic resource]. URL: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html
