Методика оценки эффективности региональной инновационной системы с учетом влияния университетов Текст научной статьи по специальности «Экономика и бизнес»

Методика оценки эффективности региональной инновационной системы с учетом влияния университетов

Величенкова Дарья Сергеевна

ассистент Высшей инженерно-экономической школы ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», velichenkova_ds@spbstu.ru

Родионов Дмитрий Григорьевич

директор Высшей инженерно-экономической школы ФГАОУ ВО «Санкт-Петербургский политехнический университет Петра Великого», drodionov@spbstu.ru

В статье проводится анализ роли университетов в региональных инновационных системах (РИС) в качестве ключевого элемента РИС. В настоящее время университеты, как часть региональной инновационной системы, являются одной из самых крупных платформ для создания, генерации, распространения и коммерциализации инноваций внутри региона, что в свою очередь, оказывает влияние на развитие региональной инновационной системы и инноваций в целом. Выявлено, что существует необходимость в создании комплексной методики, совмещающей оценку инновационного вклада университета и влияние этого вклада на эффективность региональных инновационных систем. В результате анализа, авторами было интерпретировано значение понятия «эффективность» в рамках изучения региональных инновационных систем, определены критерии эффективности. Авторами статьи представлена методика на основе Data Envelopment Analisys (DEA) для оценки эффективности региональной инновационной системы. В предложенной методике использована одностадийная модель, где входными факторами (input) будут являться показатели университетов, ведущих свою деятельность на территории региона, а выходными факторами модели (output) - показатели инновационной активности регионов. Авторами обосновано применение Data Envelopment Analysis для оценки эффективности социально-экономических систем, в том числе региональных инновационных систем. Авторами представлено обоснование выбора частично линейной базисной модели метода анализа оболочки данных, ориентированную на выход с постоянным эффектом масштаба (CRS CCR-output model). В данном исследовании обоснованы выбранные зависимые и независимые переменные модели оценки эффективности региональной инновационной системы с учетом значимости университетских комплексов. Также авторами представлены рекомендации по практическому применению построенной модели, а также по внедрению результатов после ее апробации. Ключевые слова: региональная инновационная система, университет, инновационная активность, эффективность

Университеты воспроизводят технический и интеллектуальный потенциал для развития и коммерциализации инноваций в регионе [15]. Изучение проблем, связанных с оценкой эффективности региона, с учетом вклада результатов деятельности университетских комплексов, в настоящее время является действительно актуальным, поскольку университеты в настоящее время становятся центрами инноваций и развития [7,23]. Существует целый ряд исследований, посвященных поиску теоретических и практических взаимосвязей между ВУЗами и инновационным развитием территорий [5,8-11]. Многие университеты в настоящее время являются связующим звеном между различными отраслями [16], а также участниками кластерных сетей [18]. Университеты предоставляют функции для повышения культурного развития и образования [21].

Видимая проблема заключается в том, что не существует институционализированных и утвержденных критериев, по которым можно было бы построить надежные индикаторы, которые бы измеряли эффективность связи между университетом и регионом. Необходимо создать комплексную методику, совмещающую оценку инновационного вклада университета и влияние этого вклада на региональные системы. Необходимо сформировать систему показателей, которая осуществит возможность оценить полноту функций университета как части региональной инновационной системы [14, 17, 19].

Оценивать влияние показателей деятельности университетов на региональную инновационную систему предлагается с помощью применения эконометриче-ского анализа Data Envelopment Analysis (DEA) или Метода анализа оболочки данных. Этот метод успешно используется для оценки эффективности функционирования однородных объектов в различных социально-экономических системах. К таким объектам могут относиться промышленные и сельскохозяйственные предприятия, банки, учреждения здравоохранения и образования, органы управления и судебные органы, учебные заведения и региональные системы. Методика оболочного анализа была предложена в 1978 году американскими учеными А. Чарнесом, В. В. Купером, Э. Роудсом, основанными на идеях М. Дж. Фаррелла [2,3,6]. Фаррелл проводил работу по исследованию эффективности одной единицы конечного продукта сельскохозяйственной деятельности Соединенных Штатов Америки с одним входным и выходным фактором, а затем сравнил эту систему с эффективностью ведения сельского хозяйства других стран. Идею далее прорабатывали Чарнес и Купер, которые перевели задумку Фаррелла в идею математического программирования. Идею впервые применили на практике в США для оценки влияния социально-экономических систем страны: системы здравоохранения, образовательной и военной систем.

При использовании методологии DEA необходимо уточнить понятие «эффективность», поскольку авторы, предложившие ее, предлагают рассматривать данный

X X

о

го А с.

X

го m

о

2 О

м о

о es

0 es

со

01

о ш m

X

<

m о x

X

термин как отражение измеримого результата при преобразовании входных данных (Input) в выходные данные (Output), то есть как частное от деления суммы всех выходных параметров на сумму всех входных. При этом, оценивая влияние одной системы на другую, DEA позволяет использовать разное количество входных и выходных показателей.

X взвешенные выходные параметры

Эффективность = -=-

X взвешенные входные параметры

Для каждой единицы входных и выходных данных определяются единицы, принимающие решения - Decision Making Units (DMU), а также определяется величина их эффективности для сравнения наблюдений. Метод анализа оболочки данных проводится на основе метода линейного программирования при использовании базисных моделей и их вариантов. С помощью Data Envelopment Analysis является приоритетным для анализа входных ресурсов и результирующих показателей, каждый из которых может быть измерен в разных единицах измерения, поскольку способ не требует априорной индикации весовых коэффициентов для переменных, соответствующих входным и выходным параметрам, при решении задачи оптимизации. Кроме того, DEA позволяет рассчитать один агрегированный показатель для каждого объекта с точки зрения использования входных факторов (независимых переменных) для получения желаемых выходных продуктов (зависимых переменных).

Для проведения данного анализа использование методологии оболочного анализа является целесообразным, поскольку она позволяет учитывать внешние факторы, то есть факторы внешней среды, по отношению к социально-экономической системе, в частном случае -региональной инновационной системы.

Метод DEA позволит определить из количества выбранных территориальных единиц РФ наиболее эффективные единицы, построив границу эффективности, для всех остальных регионов РФ будет определена мера их неэффективности. Критерии эффективности по методу анализа оболочных данных следующие:

— Ни один из выходных параметров не может быть повышен без повышения одного или более входных факторов либо понижения других выходных параметров;

— Ни один из входных факторов не может быть уменьшен без понижения одного или более выходных параметров либо повышения других входных факторов;

— Эффективность является относительной величиной.

Существует несколько типов моделей DEA, однако для данного анализа нами была выбрана базисная модель DEA. Базисная модель (CCR модель по фамилиям создателей Charnes, Cooper and Rhodes) метода анализа оболочки данных основана на измерении эффективности используемых единиц с помощью объединения входных и выходных параметров каждого DMU в различные скалярные входные и выходные показатели при постоянной отдаче от масштаба (constant return to scale - CRS). В предложенной модели измерение эффективности основывается на оптимальном взвешенном соотношении между выбранными входными ресурсами и выходными показателями. При этом, шкала эффективности рассматриваемых decision making units находится на шкале от 0 до 1, где ноль - минимальная

эффективность (входные параметры были использованы неэффективно, что отражается на общей эффективности), а максимальная эффективность принимает значение, равное, но не большее, чем единица.

Рассмотрим два типа частично-линейных моделей с постоянной отдачей масштаба CRS-модели: 1пр^-ориентированная модель - модель, в которой возможно изменение входных параметров при неизменности выходных, а также о^р^-ориентированную модель, в которой главной задачей является увеличение выходных показателей при неизменности входных данных. Для такой модели характерны следующие условия: анализируя N объектов ^Ми) и входные параметры к ним (Х и У соответственно), при этом для каждого ьго объекта они представляют собой и у1, можно сформировать матрицу размерностью К^ для входных ресурсов Х и матрицу MxN для выходных показателей У.

^^-ориентированная модель. Общий вид модели, ориентированной на вход, выглядит следующим образом:

ттм(9), "У; + Ъ > 0,

Я> 0,

При этом, 0 - скалярный параметр, значение меры эффективности для каждого ьго объекта, не превышающая единицы, а Л - вектор констант размерности №1. DMU, у которых 0 = 1, лежат на границе эффективности. ХА, Ух - проекция объектов, которые не лежат на границе эффективности к границе эффективности.

О^р^-ориентированная модель. Общий вил модели, ориентированной на выход, выглядит следующим образом:

>0,

х;-Хя>0, А> 0,

При этом величина, обратная ф - рассчитанная переменная для каждого объекта, принимающая значение от нуля до единицы. При использовании модели, ориентированной на выход, полученный результат покажет значения каждого из объектов, а значения слаков покажут рекомендуемые значения выходных переменных, при достижении которых неэффективные объекты могут быть выведены на границу эффективности.

ЧкТПЧНО липеГшая

3=Е

RS Vf

Входной *S фактор L CCR - input W

3 Выходной фактор _L CCR-output тт

Рисунок 1 - Выбор модели DEA для проведения анализа. Источник: составлено автором.

Для оценки эффективности регионального инновационного развития с учетом использования университетов как ресурсов целесообразно использовать output-ориентированную модель, поскольку региональное развитие предполагает улучшение показателей инновационной активности региона, которые являются выходными показателями в модели такого типа. Показателями университетов как входные ресурсы сложнее управлять, поэтому входные данные остаются без изменения. Таким образом, мы будем использовать частично

линейную базисную модель метода анализа оболочки данных, ориентированную на выход с постоянным эффектом масштаба (CRS CCR-output model).

Для построения матрицы базисной модели DEA необходимо определиться с набором DMU, а также с входными и выходными данными для анализа.

Результатом анализа станет построение границы эффективности регионов Российской Федерации по региональному инновационному развитию с учетом использования университетских комплексов как ресурсов. Таким образом, можно интерпретировать значение эффективности для текущего исследования.

взвешенные выходные параметры

£ (показатели инновационной _ активности региона)

ЭФФективность — взвешенные входные параметры £ (показатели университетов)

Необходимо определить некоторые ограничения для результатов анализа. Во-первых, из модели следует, что эффективными являются объекты, которые лежат на границе эффективности, то есть значение эффективности должно быть равно единице, соответственно, значение эффективности DMU меньшее, чем единица, говорит о том, что рассматриваемый объект не является эффективным. В зависимости от значения эффективности от нуля до единицы можно построить рейтинг эффективности регионов российской федерации с точки зрения инновационного развития.

Были проанализированы методики, составленные на базе DEA для оценки эффективности социально-экономических систем [1,12,20,22]. По результатам анализа, мы выбрали 7 показателей (входов), которые будут влиять на эффективность региона в качестве университетских ресурсов (Таблица 1). Причины, по которым мы выбрали эти ресурсы, заключаются в следующем.

Количество образовательных учреждений высшего образования, количество филиалов образовательных организаций высшего образования, количество студентов, обучающихся по программам бакалавриата, магистратуры и специальности, выпуск бакалавров, специалистов и магистров - показатели, характеризующие потенциальную способность образовательных учреждений региона. К тому же, университеты, выполняющие свою социально-экономическую функцию, являются система формирования человеческого капитала, который, в свою очередь, необходим для осуществления инновационной деятельности. Помимо этого, университет - центр инновационного, технологического и социального развития регионов, поэтому анализ его инфраструктуры, на базе которой осуществляется коммерциализация научных разработок, требует дополнительного рассмотрения. Конкурентоспособность и устойчивое социально-экономическое развитие государства определяется наличием развитой сферы «генерации знаний», которая основана совокупности эффективно действующей системы образования и развитом секторе фундаментальных научных исследований.

Количество исследователей с разбивкой по регионам - показателям интеллектуального потенциала университета в каждом конкретном регионе. Этот показатель характеризуют внутренние возможности университетов, и, как следствие, региона, по выработке новых знаний в процессе учебно-исследовательской деятель-

ности, по созданию и накоплению интеллектуального капитала, необходимого для реализации инновационной деятельности.

Количество преподавателей по программам бакалавриата, магистратуры и специалитета. Преподаватели являются каналом передачи знаний, поскольку у них есть возможность участвовать в различных грантах, конференциях и симпозиумах на региональном и международном уровнях. Иностранные преподаватели также являются важным ресурсом, поскольку такая мобильность открывает новые возможности для исследований, в которых участвует потенциал нескольких стран.

Объем затрат на исследования и разработки - выражается в денежных фактических затратах, как текущих, так и капитальных, на исследования и разработки. Индикатор показывает доступность инвестиций в исследования и разработки, а динамика этого показателя отражает мультипликативный эффект инвестиций в инновации в регионе, позволяет оценить эффективность исследований и разработок, а также высокую технологическую интенсивность регионального продукта.

Результаты набора данных (выходы) состоят из пяти показателей.

Валовой региональный продукт на душу населения представляет собой стоимость товаров и услуг, произведенных для конечного использования жителями региона.

Инновационная деятельность организаций отражает вовлеченность субъектов хозяйствования региона в процесс реализации инновационной деятельности, которая характеризует уровень инновационной восприимчивости региона, его способность реализовывать инновационный и интеллектуальный потенциал. Этот показатель представляет собой долю организаций, внедряющих технологические, организационные и маркетинговые инновации, в общем количестве проверенных организаций, рассчитываемую как отношение числа организаций, внедряющих технологические, организационные и маркетинговые инновации, к общему числу проверенных организаций.

Объем инновационных товаров, работ, услуг представляет собой инновационную продуктивность экономики региона, характеризуется объемом новых или технологически измененных товаров собственного производства. Этот показатель позволяет определить эффективность инноваций в регионе.

Количество выданных патентов показывает эффективность инновационных процессов в экономике региона.

Доля образования в отраслевой структуре ВРП отражает модернизацию структуры региональной экономики. Динамика этих показателей свидетельствует о структурных изменениях, происходящих в экономике.

Существует необходимость учитывать лаг между временной точкой, когда ресурсы формируются, и когда их использование приводит к результатам [4,13].

Все входные и выходные показателя для использования методики анализа оболочки данных DEA могут быть собраны на основании отчетов Росстата, последнего актуального сборника «Социально-экономические показатели регионов». Все отчеты общедоступны, открыты, достоверны.

Таким образом, с помощью описанной модели и применения Data Envelopment Analysis, можно провести эконометрическое исследование, направленное на оценку эффективности региональной инновационной

X X

о

го А с.

X

го m

о

2 О

м о

о сч

0 сч

оэ

01

о ш m

X

<

m о х

X

системы с учетом значимости деятельности университетов внутри региона. По результатам анализа можно будет сформировать рейтинг университетов по их отдаленности от границы эффективности, разделить их на группы: регионы-лидеры, развивающиеся регионы, слабые регионы. Практическое применение результатов такого анализа возможно при построении стратегии развития университетов и создании или реорганизации инновационной инфраструктуры университетов, создании программ финансирования инноваций в университетах, создании новых каналов взаимодействия университетов и региональных инновационных систем.

Таблица 1

Input Output

Количество образовательных учреждений высшего образования, nHEI, ед. Валовой региональный продукт на душу населения, grp, млн. рублей

Количество филиалов образовательных организаций высшего образования, nbHEI^. Инновационная деятельность организаций, innact, доля %

Количество преподавателей по программам бакалавриата, магистратуры и специалитета, nteach, ед. Объем инновационных товаров и услуг, volinn, млн. рублей

Количество студентов, обучающихся по программам бакалавриата, магистратуры и специалитета, nstu, ед. Количество выданных патентов, patent, доля %

Выпуск бакалавров, магистров и специалистов, ngrad, ед.

Количество исследователей со степенью по регионам, nresearch, ед. Доля образования в отраслевой структуре ВРП, educ, доля %

Объем затрат на исследования и разработки, research, млн. рублей

Источник: составлено автором. Литература

1. Abbott M., Doucouliagos C. The efficiency of Australian universities: a data envelopment analysis // Economics of Education review. 2003. № 1 (22). C. 89-97.

2. Banker R. D., Charnes A., Cooper W. W. Some models for estimating technical and scale inefficiencies in data envelopment analysis // Management science. 1984. № 9 (30). C. 1078-1092.

3. Charnes A., Cooper W. W., Rhodes E. Measuring the efficiency of decision making units // European journal of operational research. 1978. № 6 (2). C. 429-444.

4. Chen K., Guan J. Measuring the efficiency of China's regional innovation systems: application of network data envelopment analysis (DEA) // Regional Studies. 2012. № 3 (46). C. 355-377.

5. Cowan R., Zinovyeva N. University effects on regional innovation // Research Policy. 2013. № 3 (42). C. 788-800.

6. Farrell M. J. The measurement of productive efficiency // Journal of the Royal Statistical Society: Series A (General). 1957. № 3 (120). C. 253-281.

7. Ferova I. S. [и др.]. Tools for Assessing Sustainable Development of Territories Taking into Account Cluster Effects 2019.

8. Findler F. [и др.]. Assessing the impacts of higher education institutions on sustainable development—an analysis of tools and indicators // Sustainability. 2019. № 1 (11). C. 59.

9. Jonkers K. [и др.]. A regional innovation impact assessment framework for universities // JRC Duscussion Paper. Joint Research Center, Brussels. 2018. (44).

10. Looney J. Assessment and innovation in education

2009.

11. Rudskaya I. A., Rodionov D. Comprehensive evaluation of Russian regional innovation system performance using a two-stage econometric model // Revista ESPACIOS. 2018. № 04 (39).

12. Say J. [и др.]. Regional efficiency disparities in rural and community banks in Ghana: A data envelopment analysis // Journal of Psychology in Africa. 2020. № 3 (30). C. 249-256.

13. Tarnawska K., Mavroeidis V. Efficiency of the knowledge triangle policy in the EU member states: DEA approach // Triple Helix. 2015. № 1 (2). C. 1-22.

14. Алетдинова А. А., Андросова И. В., Бабкин А. В. Цифровая трансформация экономики и развитие кластеров 2019.

15. Амелина К. Е. Университеты как участники инновационной деятельности // Наука и бизнес: пути развития. 2016. № 12. C. 7-11.

16. Глухов В. В., Васецкая Н. О. Роль университетов в развитии инновационных кластеров 2019.C. 508-513.

17. Калмыкова С. В., Соколицын А. С., Соколицына Н. А. Формирование механизмов оценки деятельности и оптимизации реализации инновационных проектов предприятия в системе государственно-частного партнерства // Финансовые проблемы и пути их решения: теория и практика. 2014. C. 76.

18. Кулибанова В.В. Т. Т. Р. Образовательные кластеры санкт-петербурга как элемент региональной инновационной системы // В сборнике: Региональная экономика и развитие территорий. Сборник научных статей. Под редакцией Л.П. Совершаевой. Санкт-Петербург. 2018. C. 126-130.

19. Куприянов В. А. Университет и эффективность науки: к вопросу о сущности оценки эффективности науки // Мысль: Журнал Петербургского философского общества. 2015. (19). C. 19-32.

20. Огурцова Е. В., Перфильева О. В., Фирсова А. А. Показатели оценки вклада университета в инновационное развитие региона // Университетское управление: практика и анализ. 2017. № 4 (110) (21).

21. Павлов Д. С. Анализ эффективности социально-экономических институтов в России Голопристанський мюькрайонний центр зайнятост1, 2020.

22. Перфильева О. В. Роль вузов в региональном развитии. Методология оценки социально-экономических эффектов реализации проекта по созданию федеральных университетов в интересах регионов, отраслей, системы образования // Вестник международных организаций: образование, наука, новая экономика.

2010. № 3 (5).

23. Хайруллина М. В., Триерс С. В. Эффекты интеграции вузов в региональную инновационную систему // Вестник Белгородского университета кооперации, экономики и права. 2012. № 1. C. 210-213.

Methodology for assessing the efficiency of a regional innovative system taking into account the influence of universities

Velichenkova D.S., Rodionov D.G.

Peter the Great St. Petersburg Polytechnic University, St. Petersburg

The article analyzes the role of universities in regional innovation systems (RIS) as a key element of RIS. Currently, universities, as part of the regional innovation system, are one of the largest platforms for the creation, generation, distribution and commercialization of innovations within the region, which in turn affects the development of the regional innovation system and innovation in general. It was revealed that there is a need to create a comprehensive methodology that combines the assessment of the innovative contribution of the university and the impact of this contribution on the effectiveness of regional innovation systems. As a result of the analysis, the authors interpreted the meaning of the concept of "efficiency" in the study of regional innovation systems, determined the criteria for efficiency. The authors of the article presented a methodology based on Data Envelopment Analisys (DEA) for assessing the effectiveness of a regional innovation system. In the proposed methodology, a one-stage model is used, where the input factors are the indicators of universities operating in the region, and the output factors of the model (output) are the indicators of the innovative activity of the regions. The authors substantiated the use of Data Envelopment Analysis to assess the effectiveness of socio-economic systems, including regional innovation systems. The authors presented the rationale for the choice of a partially linear basic model of the data envelope analysis method, focused on the output with a constant scale effect (CRS CCR-output model). In this study, the selected dependent and independent variables of the model for assessing the effectiveness of the regional innovation system are substantiated, taking into account the importance of university complexes. The authors also presented recommendations on the practical application of the constructed model, as well as on the implementation of the results after its approbation.

Keywords: regional innovation system, university, innovation activity, efficiency

References

1. Abbott M., Doucouliagos C. The efficiency of Australian universi-

ties: a data envelopment analysis // Economics of Education review. 2003. No. 1 (22). P. 89-97.

2. Banker R. D., Charnes A., Cooper W. W. Some models for esti-

mating technical and scale inefficiencies in data envelopment analysis // Management science. 1984. No. 9 (30). C. 10781092.

3. Charnes A., Cooper W. W., Rhodes E. Measuring the efficiency

of decision making units // European journal of operational research. 1978. No. 6 (2). C. 429-444.

4. Chen K., Guan J. Measuring the efficiency of China's regional

innovation systems: application of network data envelopment analysis (DEA) // Regional Studies. 2012. No. 3 (46). S. 355377.

5. Cowan R., Zinovyeva N. University effects on regional innovation

// Research Policy. 2013. No. 3 (42). P. 788-800.

6. Farrell M. J. The measurement of productive efficiency // Journal

of the Royal Statistical Society: Series A (General). 1957. No. 3 (120). C. 253-281.

13

7. Ferova I. S. [et al.]. Tools for Assessing Sustainable Development

of Territories Taking into Account Cluster Effects 2019.

8. Findler F. [et al.]. Assessing the impacts of higher education in-

stitutions on sustainable development — an analysis of tools and indicators // Sustainability. 2019. No. 1 (11). P. 59.

9. Jonkers K. [et al.]. A regional innovation impact assessment

framework for universities // JRC Duscussion Paper. Joint Research Center, Brussels. 2018. (44).

10. Looney J. Assessment and innovation in education 2009.

11. Rudskaya I. A., Rodionov D. Comprehensive evaluation of Russian regional innovation system performance using a two-stage econometric model // Revista ESPACIOS. 2018. No. 04 (39).

12. Say J. [et al.]. Regional efficiency disparities in rural and community banks in Ghana: A data envelopment analysis // Journal of Psychology in Africa. 2020. No. 3 (30). C. 249-256. Tarnawska K., Mavroeidis V. Efficiency of the knowledge triangle policy in the EU member states: dEa approach // Triple Helix. 2015. No. 1 (2). C. 1-22.

14. Aletdinova A. A., Androsova I. V., Babkin A. V. Digital transformation of the economy and the development of clusters 2019.

15. Amelina KE Universities as participants in innovation // Science and business: ways of development. 2016. No. 12. P. 7-11.

16. Glukhov V.V., Vasetskaya N.O. The role of universities in the development of innovative clusters 2019.C. 508-513.

17. Kalmykova S. V., Sokolitsyn A. S., Sokolitsyna N. A. Formation of mechanisms for assessing the activity and optimization of the implementation of innovative projects of the enterprise in the system of public-private partnership // Financial problems and solutions: theory and practice. 2014, p. 76.

18. Kulibanova V.V. T. T. R. Educational clusters of St. Petersburg as an element of the regional innovation system // In the collection: Regional economy and development of territories. Collection of scientific articles. Edited by L.P. Sovershaeva. St. Petersburg. 2018. P. 126-130.

19. Kupriyanov VA University and the effectiveness of science: on the essence of assessing the effectiveness of science // Thought: Journal of the St. Petersburg Philosophical Society. 2015. (19). C. 19-32.

20. Ogurtsova E. V., Perfilieva O. V., Firsova A. A. Indicators of assessing the contribution of the university to the innovative development of the region // University management: practice and analysis. 2017. No. 4 (110) (21).

Pavlov D. S. Analysis of the effectiveness of socio-economic institutions in Russia Holopristansky regional center of employment, 2020.

Perfilieva OV The role of universities in regional development. Methodology for assessing the socio-economic effects of the implementation of a project to create federal universities in the interests of regions, industries, education system // Bulletin of international organizations: education, science, new economy. 2010. No. 3 (5).

23. Khairullina MV, Triers SV Effects of integration of universities into the regional innovation system // Bulletin of the Belgorod University of Cooperation, Economics and Law. 2012. No. 1. P. 210-213.

21

22

X X

o 00 A c.

X

00 m

o

2 O ho o