CC BY
35
Н. Д. КУЛИКОВ
МЕТОДЫ ИССЛЕДОВАНИЯ ИННОВАЦИОННОЙ АКТИВНОСТИ РЕГИОНОВ ПРИВОЛЖСКОГО ФЕДЕРАЛЬНОГО ОКРУГА1
Ключевые слова: инновация, инновационная активность, кластерный анализ, регион, инфраструктура, технологии, развитие
Key words: innovation, innovative activity, cluster analysis, region, infrastructure, technology, development
В статье рассматриваются особенности инновационного развития регионов Приволжского федерального округа. Подробно описаны возможности использования методов многомерной математической статистики при исследовании инновационной деятельности в регионах. При помощи кластерного анализа проведена типология регионов федерального округа по инновационной активности. Дана характеристика выделенных типов регионов ПФО по уровню инновационной активности. Выявлены факторы, характеризующие неравномерность уровня инновационной деятельности.
The paper discusses the features of innovative development of the regions of the Volga Federal District. It considers the possibility of using methods of multivariate statistics in the study of innovative activities in the regions. Basing on the cluster analysis, a typology of the regions of the Volga Federal District according to their innovative activity is presented. Description of the singled out types of the regions of the Volga Federal District according to the level of innovative activity is given. The factors characterizing the uneven level of innovative activity are revealed.
Экономическое развитие ведущих стран мира в значительной мере обусловлено внедрением инноваций и активной государственной политикой поддержки предпринимательства. Инновационная деятельность выступает эффективным инструментом коммерциализации достижений НТП, становится
КУЛИКОВ Николай Дмитриевич, профессор кафедры экономики и организации производства Мордовского государственного университета, кандидат экономических наук.
KULIKOV Nikolay Dmitrievich, Candidate of Economic Sciences, Professor at the Department of Economics and Production Management, National Research Ogarev Mordovia State University (Saransk, Russian Federation).
определяющим элементом международной конкурентоспособности стран и регионов. Усиление взаимосвязи науки, техники и технологий — одна из важных предпосылок устойчивого экономического роста. Генерация знаний и научно-исследовательская деятельность из общественного блага трансформируются в часть рыночного механизма, в инструмент конкурентной борьбы страны за лидерство в сфере высоких технологий.
Переход экономики России в новое качественное состояние сделал еще более значимой активизацию инновационной деятельности, обострил проблемы формирования инновационного потенциала регионов и страны в целом, позволяющего реорганизовать экономику, ускоренно развивать наукоемкое производство. Это является важнейшим фактором выхода из экономического кризиса и обеспечения условий для экономического роста. Актуальность решения проблем инновационного развития регионов определяется объективной потребностью выработки и проведения активной инновационной политики, механизмов и инструментов ее реализации. Инновационное функционирование экономики регионов России базируется на усилиях государства как создателя инновационной среды, бизнеса для коммерциализации знаний и возможностях человеческого капитала в освоении принципиально новых, конкурентоспособных технологий, обновлении устаревших средств производства и выпуске инновационной продукции с большой добавленной стоимостью. Лишь на этой основе можно обеспечить высокие темпы экономического роста и социального развития регионов2.
При анализе и прогнозировании социально-экономических явлений исследователь довольно часто сталкивается с многомерностью их описания. Это происходит при решении задач сегментирования рынка, построении типологии регионов по инновационному развитию, прогнозировании конъюнктуры рынка отдельных товаров, изучении и прогнозировании экономической депрессии и многих других проблем. Методы многомерного анализа — наиболее действенный количественный инструмент исследования социально-экономических процессов, описываемых большим числом характеристик. К ним относятся: кластерный анализ, таксономия, распознавание образов, факторный анализ.
Методы кластерного анализа позволяют решать задачи проведения классификации объектов с учетом признаков, отражающих сущность, природу объектов для углубления знаний о совокупности классифицируемых объектов; проверки выдвигаемых предположений о наличии некоторой структуры в изучаемой совокупности объектов; построения новых классификаций для слабоизученных явлений с целью установления наличия связей внутри совокупности.
Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по набору признаков, рассматривать достаточно большой объем информации и резко сокращать большие массивы социально-экономической информации, делать их компактными и наглядными.
В данной работе изучалась инновационная активность 14 регионов Приволжского федерального округа (ПФО) по 8 показателям: Х1 — инновационная активность организаций (удельный вес организаций, осуществлявших технологические, организационные, маркетинговые инновации); Х2 — объем инновационных товаров, работ, услуг, млн руб.; Х3 — затраты на технологические инновации организаций по видам инновационной деятельности; тыс. руб.; Х4 — количество организаций, выполнявших научные исследования и разработки, ед.; Х5 — численность персонала, занятого научными исследованиями и разработками, чел.; Х6 — число исследователей, имеющих ученую степень, чел.; Х7 — число аспирантов, чел.; Х8 — внутренние затраты на научные исследования и разработки, млн руб. (табл. 1).
Каждый из регионов выступает как объект, характеризуемый определенными значениями 8 показателей. Соответственно, они могут быть представлены в качестве точек в 8-мерном пространстве. Такое пространство обычно называется пространством свойств изучаемых объектов. Сравнение расстояния между этими точками будет отражать степень близости рассматриваемых регионов, их сходство друг с другом. Социально-экономический смысл подобного понимания сходства означает, что страны считаются тем более похожими, чем меньше различия между одноименными показателями, с помощью которых они описываются. Информационной основой применения метода являются официальные статистические данные по факторам Росстата за 2012 г. по регионам ПФО3.
Таблица 1
Показатели инновационной активности регионов ПФО
Регион х2 х3 х5 х8
Республика Башкортостан 13 1037360 12750299 69 8166 1166 2867 7014
Республика Марий Эл 10 79173 935056 8 164 44 387 136
Республика Мордовия 13 119546 3621306 15 902 87 950 671
Республика Татарстан 19 1483074 38100968 117 13730 1615 4032 10447
Удмуртская Республика 13 304836 3940849 31 1464 253 741 843
Чувашская Республика 20 142885 5712975 20 1292 85 699 1206
Пермский край 14 1086844 22762011 60 10034 702 1458 9489
Кировская область 8 140042 3090465 25 1795 199 636 1095
Нижегородская область 14 894263 59006752 87 40882 2369 2940 44524
Оренбургская область 12 580736 5077515 20 906 241 790 565
Пензенская область 11 104473 3927568 24 5927 403 996 3987
Самарская область 6 988336 74095086 61 17306 512 3147 17601
Саратовская область 7 308826 8887493 48 4653 741 2796 3020
Ульяновская область 6 187878 2195308 24 6983 281 909 8551
Обобщенные результаты анализа матрицы можно представить в виде дерева сходства (дендрограммы). Для наиболее четкого разделения регионов на группы мы использовали метод одиночной связи, метод полной связи, невзвешенное попарное среднее, взвешенное попарное среднее, метод Варда (Уорда), метод ^-средних4. С помощью пакета прикладных программ «81а811з11еа 6.0» мы сделали все необходимые процедуры и получили различные варианты кластеризации, соответствующие каждому из перечисленных методов.
В первом варианте расстояние между двумя кластерами определяется расстоянием между двумя наиболее близкими объектами (ближайшими соседями) в различных кластерах. Этот метод позволяет выделять кластеры сколь угодно сложной формы при условии, что различные части таких кластеров соединены цепочками близких друг к другу элементов. В результате кластеры представляются длинными «цепочками» или «волокнистыми» кластерами, «сцепленными вместе» только отдельными элементами, которые случайно оказались ближе остальных друг к другу. С помощью этого метода при таком объеме данных сложно выявить отчетливые кластеры.
Наиболее наглядным для кластеризации является метод Варда. На дендрограмме представлено четкое разделение совокупности регионов на три кластера. В качестве расстояния между кластерами берется прирост суммы квадратов
расстояний объектов до центров кластеров, получаемый в результате их объединения. В отличие от других методов кластерного анализа, для оценки расстояний между кластерами здесь используются методы дисперсионного анализа. На каждом шаге алгоритма объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, т. е. внутригрупповой суммы квадратов. Этот метод направлен на объединение близко расположенных кластеров и «стремится» создавать кластеры малого размера. Для определения количества групп воспользуемся иерархическим агломеративным методом, наиболее наглядным из которых является метод Варда (рисунок).
Дендрограмма для 14 набл.
М етод Варда Евклидово расстояние
Республика Башкортостан Саратовская область Пермский край Республика Татарстан Республика Марий Эл Кировская область Ульяновская область Республика Мордовия Удмуртская Республика Пензенская область Чувашская Республика Оренбургская область Нижегородская область Самарская область
О 5Е7 1 ES 1.5Е8 2Е8
Расстояние объед.
Рисунок. Метод Варда
Анализ рисунка позволяет сделать вывод о необходимости разбиения всей совокупности регионов на три кластера. Причем в первый кластер с высоким уровнем инновационной активности попадают Республика Башкортостан, Республика
Татарстан, Пермский край, Саратовская область. Во второй (заметный уровень инновационной активности) — Нижегородская область, Самарская область. В третий (умеренный уровень инновационной активности) — Республика Марий Эл, Республика Мордовия, Чувашская Республика, Кировская область, Пензенская область, Ульяновская область, Удмуртская Республика, Оренбургская область.
В результате применения кластерного анализа нами были получены три группы регионов с различным уровнем инновационной активности (табл. 2).
Таблица 2
Уровни инновационной активности регионов ПФО
Группа Уровень инновацион- Количество
ной активности регионов в группе
1 Умеренный 8
2 Заметный 2
3 Высокий 4
К регионам первого типа (с высоким уровнем инновационной активности) относятся Саратовская область, Республика Татарстан, Республика Башкортостан, Пермский край. Они характеризуются самыми высокими в округе показателями затрат на технологические инновации, объемом произведенной инновационной продукции, количеством созданных и используемых передовых производственных технологий, а также долей инновационных предприятий. Регионы этого типа отличаются высоким уровнем всех компонентов инновационной инфраструктуры. В них сосредоточено большое количество наукоградов и технопарков. Широко представлены инвестиционно-финансовые институты, в частности предприятия венчурной индустрии, а также сформированы развитые информационно-сетевые коммуникации. В регионах этого типа выделяются локальные инновационные ядра. В ПФО это Казань, Уфа, Пермь, Саратов. Здесь сконцентрированы крупнейшие предприятия ВПК, традиционно использующие самые передовые технологии (ОАО «Ижевский машиностроительный завод», ОАО «Мотовилихинские заводы», ОАО «Воткинский завод» и др.).
Два региона ПФО — Нижегородская и Самарская область — различаются заметным уровнем инновационной активности. Здесь существенно снижаются все показатели инновационной деятельности по сравнению с предыдущим
типом. Однако в них довольно развита инновационная инфраструктура и они динамично развиваются. Такая ситуация обусловлена формированием инновационной инфраструктуры (бизнес-инкубаторы, технопарки, центры трансфера технологий), а также значительным научно-техническим потенциалом.
Большая часть регионов ПФО относится к третьему типу (умеренный уровень инновационной активности). Они имеют достаточный научно-технический потенциал и ресурсы, первоначальную инновационную инфраструктуру. Большинство этих регионов можно считать перспективными. В целом в них есть все необходимые предпосылки для ускоренного развития инновационной деятельности: выгодное экономико-географическое положение, значительный научно-технический потенциал, наличие крупных локальных инновационных ядер и др.
ПРИМЕЧАНИЯ
1 Выполнено при поддержке РФФИ (проект № 13-06-00200-а).
2 См.: Носонов А.М. Моделирование экономических и инновационных циклов в сельском хозяйстве // Национальные интересы: приоритеты и безопасность. 2014. № 1. С. 24—33.
3 См.: Регионы России. Социально-экономические показатели, 2012 г. URL: http://www.gks.ru/free_doc/doc_2012/region/soc-pok.rar (дата обращения: 15.06.2014).
4 См.: Сажин Ю.В., Иванова И.А. Эконометрика: учебник. Саранск: Изд-во Мордов. ун-та, 2014. 318 с.; Иванова И.А., Колантаева А.С. Анализ инновационной деятельности регионов России // Регионология. 2013. № 4. С. 47—57.
Поступила 08.07.2014.
N. D. Kulikov. Methods of Researching Innovative Activity in the Volga Federal District's Regions
The paper discusses features of innovative development of the regions of the Volga Federal District (VFD). Possibility of using methods of multivariate statistics in the study of innovative activities in the regions is considered in detail. The application of cluster analysis allowed to single out the following three groups of the VFD with different levels of innovative activity: regions with a high level of innovation activity; regions with a noticeable level of innovation activity; regions with a moderate level of innovation activity. The factors having a decisive influence on the development of the regional innovation system are identified. These are: the scale of the
scientific, technical and production potential of the regions; staffing and qualifications; prerequisites for social innovation as well as the existing and new elements of the innovative infrastructure; formation of the innovative environment in a region, etc. The main indicators of the innovative activity in the regions of the VFD in 2012 are analyzed: the advanced technologies used; the volume of innovative production; the organizations' spending on technological innovations by type of innovative activity; the number of organizations carrying out scientific research and development; the number of personnel engaged in research and development, etc. It was found that most of the innovative activity is characteristic for the District's regions with high amounts of spending on technological innovations and innovative production. The regions of this type have a high level of all components of the innovative infrastructure. There is a high concentration of scientific centers and technology parks in the regions of this type. Investment and financial institutions, particularly companies of the venture capital industry, are widely represented, and the developed information and network communications are formed.
