Модель экономической оценки использования потенциала нематериальных ресурсов на уровне региона Текст научной статьи по специальности «Экономика и бизнес»

www.hjournal.ru DOI: 10.17835/2078-5429.2016.7.4.103-116

МОДЕЛЬ ЭКОНОМИЧЕСКОЙ ОЦЕНКИ ИСПОЛЬЗОВАНИЯ ПОТЕНЦИАЛА НЕМАТЕРИАЛЬНЫХ РЕСУРСОВ НА УРОВНЕ РЕГИОНА

МИХАЛКИНА ЕЛЕНА ВЛАДИМИРОВНА,

доктор экономических наук, профессор экономического факультета, Южный федеральный университет, г. Ростов-на-Дону, e-mail: mikhalkina_e@mail.ru

КОСОЛАПОВА НАТАЛЬЯ АЛЕКСЕЕВНА,

кандидат технических наук, доцент кафедры экономической кибернетики, Южный федеральный университет, г. Ростов-на-Дону,

e-mail: natkos@aaanet.ru

МИХАЛКИНА ДАРЬЯ АЛЕКСЕЕВНА. S

см

студентка 3 курса бакалавриата ^ экономического факультета, o.

Южный федеральный университет, г. Ростов-на-Дону,

e-mail: dariyna_ma@mail.ru

о >

В статье представлен сравнительный анализ структуры нематериальных ресурсов, ® нематериальных активов на основе теоретических моделей и подходов к исследованию интеллектуального ресурса экономики К. Э. Свейби, Л. Эдвинсона и М. Мэлоуна, Д. Андриссен и ^

Р. Тиссен, стратегического подхода Р. Каплана и Д. Нортона. Для обоснования параметров модели экономической оценки использования потенциала нематериальных ресурсов проведен анализ источников финансирования и результатов инновационной интеллектуальной деятельности по данным ФГБНУ НИИ РИНКЦЭ. В ходе построения модели оценки потенциала нематериальных ресурсов на уровне региона использовался метод регрессионного анализа (выбор системы показателей, сбор и анализ данных, расчет коэффициента <

корреляции, выбор вида модели и численная оценка ее параметров, проверка качества модели, оценка влияния отдельных факторов на основе модели), факторный анализ (матрица факторных нагрузок), а также осуществлена классификация регионов на основе выделенных факторов. Региональная кластеризация использования потенциала нематериальных ресурсов позволит принимать обоснованные управленческие решения в будущем.

Ключевые слова: нематериальные ресурсы; нематериальные активы; интеллектуальные ресурсы; модель экономической оценки.

о

х

О

т

пз ш о

о о

с

о m

о ш сп о

о о ш

Ll_

о

_J

<

СП

© Михалкина Е. В., Косолапова Н. А., Михалкина Д. А., 2016 о

THE ECONOMIC EVALUATION MODEL OF THE USE OF THE INTANGIBLE RESOURCES POTENTIAL ON THE EXAMPLE OF RUSSIAN REGIONS

ELENA V. MIKHALKINA,

Department of Human Resource Management, Southern Federal University, Rostov-on-Don, e-mail: mikhalkina_e@mail.ru

NATALIA A. KOSOLAPOVA,

Department of Economic Cybernetics, Southern Federal University, Rostov-on-Don, e-mail: natkos@aaanet.ru

DARIA A. MIKHALKINA,

Economic Faculty, Southern Federal University, Rostov-on-Don, cd e-mail: dariyna_ma@mail.ru

o

CM

^ The paper presents the problem of assessing the potential use of intangible resources. The relevance of ^ the research is determined by the necessity of innovation-based economy, the growing role of intangible resources (human, social, organizational, intellectual and other kinds of capital) in o promoting economic development of individual regions and the country as a whole. The paper 0 proposes a verification method of the factors that characterize the potential use of intangible „ resources, affecting productivity. For a description of dependencies linear regression model was * selected, also there was carried out an assessment of its parameters and performed Quality check of o model. In the course of a capacity assessment intangible resource model constructing at the regional o level was used regression analysis (the choice of indicator system, data collection and analysis, the calculation of the correlation coefficient, the choice of models and numerical estimation of its parameters, quality control model, assessment of the certain factors impact on the basis of the model). Also the factor analysis is used (matrix of factor loadings), and the classification on the basis < of the factors selected regions is carried out. The regional clusterization of the intangible resources capacity will allow to make correct management decisions in the future.

tc rn о

Keywords: intangible resources; intangible assets; intellectual assets; economic estimation model.

Ср

15 о О с^

о 1БЬ: C38, O15, R58. £

О Структура нематериальных ресурсов, нематериальных активов, источники

^ финансирования и показатели результативности

з В современной экономике доля нематериальных ресурсов существенно

ш возрастает как на уровне предприятий, так и в экономике в целом. Нематериальные ^ ресурсы - это часть потенциала экономических субъектов, приносящая 2Ё экономическую выгоду на протяжении длительного периода и имеющая § нематериальную основу получения доходов. К ним, прежде всего относятся объекты § промышленной и интеллектуальной собственности, а также другие ресурсы ^ нематериального происхождения. Категория нематериальных ресурсов является ° достаточно широкой по структуре композиционных элементов и содержит такие < важные для обеспечения конкурентоспособности субъектов микро- и макроуровня сс составляющие, как объекты интеллектуальной собственности, человеческий ресурс, о

интеллектуальный ресурс (патенты, лицензии, технологии, инновационное оборудование и др.), информационный ресурс и коммуникационные системы, организационный ресурс, включая корпоративную культуру, социальный капитал, внешние деловые контакты. Таким образом, под нематериальными ресурсами в широком смысле нами понимается совокупность формализованных и неформализованных знаний, объединяющих все, что имеет стоимость для субъектов хозяйствования микро- и макроуровня. Анализ современных зарубежных источников (Kok, 2007. P. 181; Sveiby, 2004; 2001; Cabrita and Vaz, 2006. P. 11) показал, что развернутую структуру нематериальных ресурсов разработал шведский ученый К. Э. Свейби. Он представил трехкомпонентную структуру нематериальных ресурсов, выделяя, во-первых, компетентность работников в виде способности действовать в различных ситуациях, включающую умения, образование, опыт, ценностные установки, социальные навыки; во-вторых, внутреннюю структуру предприятия, включая технологии, патенты, авторские права, базы данных, административные системы, научные исследования и разработки, а также организационную культуру; и в-третьих, внешнюю структуру, которая ориентирована на отношения с клиентами и поставщиками (имидж компании, торговые марки, признание продукции и др.).

Р. Каплан и Д. Нортон (Каплан и Нортон, 2007) также исследуют трехкомпонентную структуру нематериальных ресурсов, выделяя человеческий капитал (наличие умений, таланта и ноу-хау для достижений стратегических целей S организации); информационный капитал (наличие информационных систем, см инфраструктур и прикладных знаний, необходимых для поддержки стратегии); ^

организационный капитал (культура, лидерство, работа в команде). Различие °

подхода Свейби и Каплана-Нортона заключается в интерпретации методик учета нематериальных ресурсов. Согласно Свейби, человеку отводится основная генерирующая роль, роль инициатора процесса и источника дохода. По методике сбалансированных показателей Нортона и Каплана, человек — это часть всей цепочки бизнес-процесса, ориентированной на достижение стратегических целей и результатов.

Андриссен Д. и Тиссен Р. выделяют пять групп в структуре нематериальных о

ресурсов: навыки и неформализованные знания; технологии и формализованные °

т

знания; процессы управления; моральные ценности и нормы; ценные ресурсы и ^

приобретения (сложившаяся клиентская база, торговая марка и имидж, сеть х

поставщиков и клиентов) (Андриссен и Тиссен, 2004). g

В целом в большинстве случаев рассматриваются идентичные компоненты в ^

структуре нематериальных ресурсов с различной степенью детализации. ^

Таким образом, придерживаясь логики исследования, считаем необходимым q.

выделим пять ключевых составляющих в структуре нематериальных ресурсов: g человеческий ресурс, интеллектуальный ресурс, информационный ресурс,

организационный ресурс, социальный ресурс. о

В первую очередь к нематериальным ресурсам относится человеческий

ресурс, включая знания, умения, навыки, которые неотделимы от самого носителя. q

Профессиональные и деловые качества работников, их квалификация и способность ^ к труду не относятся к нематериальным ресурсам, поскольку они неотделимы от своих носителей и не могут быть использованы без них. В настоящее время работ,

связанных с исследованием структуры, композиции, роли человеческого ресурса, ^

человеческого капитала в формировании личностного и национального богатства, ^

широкое множество, начиная от классиков до современников. о

Интеллектуальный ресурс общества, организации может быть подкреплен о

такими ресурсами и активами, как патенты, лицензии, технологии и ш

инновационное оборудование и т. д. В работах Л. Эдвинссона и М. Мэлоун о

(Edvinsson and Malone, 1997. Р. 18) представлена теоретическая модель <

использования интеллектуального ресурса (капитала) в практике управления ^

современными корпорациями. Авторами под интеллектуальным капиталом о

понимается человеческий и структурный капитал как порождение человеческого потенциала в виде накопленных знаний, скрытых источников ценности. Согласно классификации Л. Эдвинсона и М. Мэлоуна, интеллектуальный ресурс (капитал) включает человеческий капитал и структурный капитал (Edvinsson and Malone, 1999. P. 429). Человеческий капитал в данной концепции включает знания, навыки и творческие способности служащих компании, а также моральные ценности компании, культуру труда. Человеческий капитал не может быть собственностью компании. Структурный капитал представлен техническим и программным обеспечением, организационной структурой, патентами, торговыми марками, деловыми связями. Структурный капитал, согласно концепции Эдвинссона и Мэлоун, может быть собственностью компании, а следовательно, и объектом купли-продажи.

Информационный ресурс и коммуникационные системы. Быстрое техническое развитие информационных и коммуникационных систем в 60-е годы ХХ века вызвало широкий интерес исследователей не только к использованию информационных технологий, но и к обоснованию их эффективности. Таким образом, помимо человеческого и организационного капитала в структуре нематериальных ресурсов стали выделять компьютерный капитал (Скрипкин, 2004. C. 3).

Организационный ресурс (корпоративная культура, технологии социального ^ взаимодействия, системы обучения и развития).

& Другой составляющей нематериальных ресурсов является социальный

^t капитал. Социальный капитал широко исследован в работах Радаева, Шкаратана. z: О сущности, структуре и функциях социального капитала встречаются упоминания I4-" в работах А. Смита, К. Маркса, Э. Дюркгейма, К. Менгера и др. В изучение о социального капитала большой вклад внесли зарубежные исследователи (П. Бурдье, Ф Дж. Коулман и др.), которые раскрыли механизм накопления и воспроизводства человеческого капитала внутри семьи, группы и общества (Coleman, 2001. P. 121). ^ Вулкок М. в статье «Социальный капитал. Значение понятия» подчеркивает роль | социальных ценностей, связей и ассоциаций (Woolcock, 2000. P. 22). ° В системе управления нематериальными ресурсами предприятия

° используется термин управление нематериальными активами. Нематериальные активы в соответствии со ст. 3 Положения по бухгалтерскому учету (ПБУ 14/2007) -г характеризуются следующими признаками1:

- способность объекта приносить экономические выгоды в будущем;

- наличие у организации прав на получение выгод от нематериальных активов <

при наличии соответствующих подтверждающих документов; о. - возможность выделения или отделения (идентификации) объекта от других £ активов;

8. - использование в течение длительного времени (свыше 12 месяцев); о - достоверное определение фактической стоимости объекта; " - отсутствие у объекта материально-вещественной формы.

о Данным требованиям отвечают объекты интеллектуальной собственности —

результаты интеллектуальной деятельности и приравненные к ним средства индивидуализации юридических лиц, товаров, работ, услуг и предприятий, которым предоставляется правовая охрана (право патентообладателя на изобретение, промышленный образец, полезную модель, программы для ЭВМ, базы данных, на товарный знак и знак обслуживания, селекционные результаты и др.).

Однако к нематериальным активам, согласно ст. 4 Положения по бухгалтерскому учету (ПБУ 14/2007), не относятся интеллектуальные и деловые качества персонала организации, их квалификация и способность к труду2. Вместе с

пз ш о

О ш СП

о

о о ш

о _

< 1 См.: Приказ Минфина России от 27.12.2007 N 153н (ред. от 16.05.2016) «Об утверждении Положения по

^ бухгалтерскому учету «Учет нематериальных активов» (ПБУ 14/2007)». (http://www.consultant.ru/document/

3 cons_doc_LAW_63465/adf2cfd636e9e799777ca5e7c8add8b722dced71/).

О 2 Там же.

тем Т. Стюарт вводит определение ценности интеллектуальных активов: «Когда компанию покупают за сумму, превышающую ее балансовую стоимость, то цена обычно повышается за счет цены интеллектуальных активов - доходов, ожидаемых от патентов, связей с потребителями, прав собственности на торговую марку и т. д.» (Stewart, 1997).

По аналогии с бизнесом в состав нематериальных ресурсов национальной экономики включается национальный бренд. Сегодня в развитых странах такие нематериальные активы, как бренды, люди, торговые марки, ноу-хау, устойчивые взаимосвязи с клиентами и партнерами, внутрифирменные социально-трудовые отношения, составляют в структуре активов компаний большую долю их общей ценности, чем материальные активы, такие как оборудование и инфраструктура. Формирование нематериальных ресурсов и эффективное управление ими являются одной из составляющих успеха в долгосрочной перспективе. Эффективное управление нематериальными ресурсами основано, с одной стороны, на оценке их результативности использования, а с другой — на источниках финансирования и их структуре.

В отношении результативности, например, научных исследований и разработок, представленной в информационно-статистическом сборнике ФГБНУ НИИ РИНКЦЭ3, критериями результативности являются различные индикаторы патентной деятельности — поступление патентных заявок и выдача патентов на изобретения и полезные модели, в том числе выданных в России по разделам Международной Патентной Классификации (МПК); показатели технологического обмена — торговли лицензиями и технологиями с зарубежными странами; индикаторы создания и использования передовых производственных технологий и др. Одним из основных качественных результатов научной деятельности являются патенты. С 2000 г. по 2015 г. число патентных заявок на изобретения в Российской Федерации выросло на 58,7% и составило 45517 заявок против 28688 в 2000 г. Количество выданных патентов на изобретения за рассматриваемый период выросло на 97,3% и составило 34706 патентов против 17592 в 2000 г. Общее количество патентов на изобретения, действующих в Российской Федерации, с 2000 по 2015 гг. выросло на 51,7% и составило 218974 патента против 144325 в 2000 г. Динамика патентной активности представлена (см. рис. 1).

2,5 2 1,5 1

0,5

1 (11 тт

—tei--"№>

—^——-^Г" Q.65-qm__— а 6,

2000 2005 2007 2010 2011 2012 2013 2014

-Коэффициент изобретательской активности

-Коэффициент самообеспеченности

-Коэффициент зависимости

2015

Рис. 1. Показатели патентной активности в РФ Источник: составлено авторами на основе (Информационно-статистический материал. Статистика науки и образования. В 2. Результативность научных исследований и разработок. М., 2016. (http://csrs.ru/archive/ stat_2016_efficiency/2016_efficiency.pdf)).

3 См.: Информационно-статистический материал. Статистика науки и образования. В 2. Результативность научных исследований и разработок. М., 2016. (http://csrs.ru/archive/stat_2016_efiiciency/2016_efiiciency.pdf).

СО ■н о см

о с

о >

о

X

о т

пз со

о <

ф

15 о О

с

О

m

о fec

3

о ш СП

о

о о ш

Ll_

о

_J

<

со ■н о см

5 О

о

х

О

т

пз со

о <

ф

15 о О

С

О

m

о §

з О ш СП

о

На рис. 1 показана динамика трех коэффициентов: коэффициента изобретательской активности (число отечественных патентных заявок на изобретения в расчете на 10 000 населения), коэффициента самообеспеченности (соотношение числа отечественных и всех поданных в России патентных заявок на изобретения) и коэффициента зависимости (соотношение числа иностранных и отечественных патентных заявок на изобретения). В соответствии с рис. 1 коэффициент изобретательской активности на протяжении последних двух десятилетий не превышает 2. Для формирования устойчивой тенденции к росту данного коэффициента требуется более интенсивное развитие интеллектуального потенциала регионов, активизация изобретательства и повышения эффективности использования изобретений. Вместе с тем анализ структуры выданных патентов по разделам МПК показывает, что в 2015 г. наибольшая доля (около 23,9%) выданных патентов была ориентирована на совершенствование технологий, связанных с направлением «Удовлетворение жизненных потребностей человека», 17% приходилось на направление «Химия и металлургия», 16,2% — на направление «Различные технологические процессы», 15,1% — на направление «Физика», 11% — на направление «Механика, освещение, отопление, двигатели и насосы, взрывные работы», 10,1% — на направление «Электричество». Очевидно, что в целом структура выданных патентов соответствует структуре российской экономики, сложившейся в последние годы, и, в частности, быстрому росту потребительских услуг, предоставляемых населению. Другой важной компонентой эффективного управления нематериальными активами является поиск источников финансирования научной сферы. Источники финансирования сегодня представлены преимущественно двумя группами - бюджетными и внебюджетными средствами. В ведущих странах мира из государственного бюджета финансируется от 12 до 75% расходов на науку. В России в настоящее время доля бюджетного финансирования составляет 67,1% (см. рис. 2).

2014

1111 1,10% 2,50%

67,10% 17,20% 11,80% 1

53,70% 18,70% 12,00% 9,10Ж,509-

0,00%

20,00%

40.00%

60,00%

80,00%

100,00%

120,00%

I средства оюджетов

| средства предпринимательского сектора | средства научных организаций I иностранные источники ■ средства внебюджетных фондов I средства ВО

средства частных некоммерческих орг

Рис. 2. Структура внутренних .затрат на исследования и разработки по источникам финансирования Источник: составлено авторами на основе (Информационно-статистический материал. Статистика науки и образования. Выпуск 6. Затраты на научные исследования и разработки и источники их финансирования. Москва, 2015. (http://csrs.ru/ archive/stat_2015^папсе/Апаисе_2015.pdf)).

О О ш

Ll_

О

_J

<

К бюджетным средствам относятся средства бюджетов всех уровней (федерального бюджета, бюджетов субъектов Российской Федерации и местных бюджетов), бюджетные ассигнования на содержание образовательных организаций высшего образования (сектор высшего образования) и средства организаций государственного сектора. Финансирование научной деятельности осуществляется

также за счет средств внебюджетных источников, к которым относятся собственные средства научных организаций, средства внебюджетных фондов, организаций предпринимательского сектора, организаций высшего образования, частных некоммерческих организаций и иностранных источников. Удельный вес внебюджетных источников финансирования науки постепенно сокращался и в 2014 г. составил 32,9% против 46,3% в 2000 г.4 (см. рис. 2).

В составе нематериальных активов предприятия учитываются также деловая репутация и организационные расходы, связанные с образованием юридического лица, признанные в соответствии с учредительными документами частью вклада участников в уставный капитал организации.

со

Разработка модели экономической оценки использования потенциала нематериальных ресурсов на уровне региона

Современные исследования подтверждают, что накопление знаний, умений и навыков, аккумулирование прогрессивных наукоемких технологий, инвестиции в человеческий капитал позволяют формировать инновационный тип экономического развития. Поэтому исследование роли и места нематериальных ресурсов (человеческого, интеллектуального, информационного, организационного и социального) в обеспечении роста экономики как отдельных регионов, так и страны в целом представляется значимым с точки зрения анализа состояния и использования потенциала нематериальных ресурсов в поддержке принятия

управленческих решений и выработке стратегии регионального развития. см

Выделение и анализ факторов, определяющих инновационное развитие и ^

влияющих на производительность труда, позволит не только принимать °

эффективные управленческие решения, но и определять перспективные точки роста К

и направленность инвестиций в развитие человеческого потенциала. Ключевым о

условием экономического развития для поддержания приоритетов инновационной ф экономики является развитие информационно-интеллектуального потенциала. В

работах К. Свейби, Л. Эдвинсона и М. Мэлоуна и др. доказано, что ^

интеллектуальные ресурсы, знания, умения, компетенции, личностные |

коммуникации, научно-технический потенциал организации обеспечивают качество §

и уровень жизни населения, способствуют накоплению благосостояния субъектов ° экономики на микро- и макроуровнях, повышению конкурентоспособности

национальной экономики в системе мирохозяйственного устройства, прогрессивному х

развитию всех сфер и отраслей народного хозяйства и в конечном итоге — росту §

производительности труда. ^

Учитывая тот факт, что в экономике России по-прежнему преобладает ^

сырьевой сектор, необходимым представляется развитие наукоемких производств. о.

Для этого необходимы современные кадры, генераторы и носители новых идей. £

Система высшего и среднего технического образования в этом случае является о.

необходимым детерминантом формирования интеллектуальных и о

профессиональных способностей индивидов. Учет и анализ структуры трудовых "

ресурсов в соответствии с профессионально-квалификационной структурой рабочих о

мест региональной экономики, использование методов прогнозирования ^

потребности рынка труда в молодых специалистах позволит выявить и з

удовлетворить реальную потребность рынка труда в профессиональных кадрах и ш

сформировать политику подготовки инновационных специалистов, по уровню и ^

требованиям соответствующих новым профессиональным и образовательным Ц

стандартам. При этом политика поддержи интеллектуальной собственности также ^

является важным фактором активизации инновационной деятельности §

хозяйствующих субъектов и коммерциализации результатов их научных ^

исследований. о

<

СП

4 См.: Информационно-статистический материал. Статистика науки и образования. Выпуск 6. Затраты на научные исследования и разработки и источники их финансирования. Москва, 2015. (http://csrs.ru/archive/stat_2015_finance/ finance_2015.pdf). О

Эффективное региональное развитие определяется эффективным использованием накопленного трудового и человеческого потенциала. Носителем данных потенциалов являются люди, обладающие набором определенных характеристик. Результаты в виде создания передовых конкурентоспособных товаров и услуг, отвечающих требованиям и потребностям инновационной экономики, можно оценить в виде количественных параметров (результаты интеллектуальной деятельности, патенты, используемые технологии, осуществленные инвестиции в научные исследования и разработки и др.). Кроме того, использование созданных инновационных товаров, работ, услуг позволяет повысить производительность труда. Таким образом, объем инновационных товаров является одним из показателей результата инновационной деятельности. Представленный анализ структуры нематериальных ресурсов позволил осуществить выбор следующих показателей, характеризующих формирование нематериальных ресурсов регионов:

Xi - количество выданных патентов (единиц);

Х2 - используемые передовые производственные технологии (единиц);

Хз - объем инновационных товаров, работ, услуг (млн. рублей);

Х4 — затраты на экологические инновации (млн. рублей);

Х5 - численность работников, занятых научными исследованиями и разработкам РФ (человек); S Хб - внутренние затраты на научные исследования и разработки (млн. руб.);

R Х7 - численность исследователей, имеющих ученую степень (человек);

^ Хв - численность аспирантов (человек);

z: Х9 - численность докторантов (человек);

I4-" Х10 - численность экономически активного населения (тыс. человек);

Xii - число образовательных учреждений высшего образования (единиц). Способность региона производить достаточный объем инновационной продукции говорит о привлекательных инвестиционных условиях, развитой инновационной, институциональной и производственной инфраструктуре, что в свою очередь положительно сказывается на производительности труда и конкурентоспособности субъектов экономики микро- и макроуровней.

Традиционный подход к изучению процессов формирования нематериальных ресурсов регионов, представленный во многих работах (Agresti and Finlay, 2009; Hannu Piekkola, 2014; Melnychuk, 2014), и предполагает изучение g влияния указанных выше факторов на производительность труда с помощью ^ методов регрессионного анализа. Однако интересным представляется не только ^ анализ воздействия данных показателей на производительность труда как о. индикативный показатель, но и оценка латентных взаимосвязей внутри самой

15 о О CL

О

пз

системы показателей, характеризующих формирование нематериальных ресурсов.

Для решения этой задачи могут быть использованы методы факторного анализа,

о которые на основе реально существующих связей признаков (или объектов)

" позволяют выявлять латентные обобщающие характеристики процессов, что

о обеспечивает переход от множества показателей к системе факторов,

t аккумулирующих влияние этих показателей на результативный признак. Таким

з образом, рассматриваются оценки не индивидуальных влияний показателей, а

ш комплексное влияние факторов, объясняющих большую часть вариации в ее

0 значениях исследуемых данных.

^ Под моделью факторного анализа понимают представление исходных

^ переменных в виде линейной комбинации факторов F: Xi, Х2, Хз,..., Xm^F\........Fp

g (Дубров, 2008; Калинина, 2010; Kim and Muller, 1978; Dunteman, 1989; Kline, 1994)

ш таких, что наилучшим способом (с минимальной погрешностью) объясняют значение

^ Л

Uj, j=l,2,...,m, — специфические факторы, ajk -

должно выполняться допущение о

где:

Fk, k=l,2,...,p, - общие факторы, факторные нагрузки.

В отношении исходных данных многомерном нормальном распределении.

Информационной основой для построения факторной модели явились данные по вышеприведенной системе показателей за 2013 г., размещенные на сайте Росстата. Реализация процедуры факторного анализа осуществлялась с использованием возможностей ППП STATISTICA.

Выявление общих факторов, необходимых для объяснения, происходит последовательно: первым фактором будет тот, который объясняет наибольшую долю дисперсии исходных переменных, вторым, - объясняющий следующую по величине долю дисперсии, и т.д. Процесс выделения общих факторов останавливается, если объяснена достаточная доля дисперсии элементарных признаков. Принять решение в этом случае возможно на основе критерия каменистой осыпи, критерия Хоттелинга, а также величины суммарной дисперсии (см. рис. 3).

'¿' Graphl: Plot of Eigenvalues __ □ X

Рис. 3. График критерия каменистой осыпи для исходных данных. Источник: рассчитано авторами на основе ППП ВТЛТ1ВТ1СЛ.

В результате выполненного анализа получена следующая матрица факторных нагрузок для двух факторов.

Признаки Фактор 1 Фактор 2

Хх 0,984704 0,102638

Х2 0,753081 -0,42051

Хз 0,863857 -0,17158

Х4 0,131579 -0,9296

Х5 0,985134 0,069912

Хб 0,984381 0,066866

Х7 0,971569 0,160784

Хв 0,970354 0,133426

Х9 0,938344 0,137421

Х10 0,918711 -0,16904

Х11 0,978957 0,094105

со ■н о см

о с

О >

о

х

О

m

пз ш

о <

ф

15 о О

с

о m

о fee

3

о ш СП

о

о о ш

Ll_

о

_J

<

Таким образом, первый фактор объединяет все показатели, характеризующие инновационный потенциал экономики, уровень его информативности составляет 98%.

Второй фактор совпадает с переменной Х4 и характеризует специальные затраты, связанные с экологическими инновациями, по субъектам Российской Федерации, уровень его информативности 99%.

Регионы РФ не являются однородными с точки зрения представленных показателей, поэтому для изучения региональных особенностей, учитывая их неоднородность, необходимо провести сегментацию рассматриваемых территорий. Для этого воспользуемся методами кластерного анализа. Объектами классификации выступают регионы РФ. Классификация осуществлялась на основе выделенных факторов (Everette, Landau, Leese and Stahl, 2011).

Рассматриваемое множество регионов РФ может быть представлено в виде многомерного вектора P = {Pi, P2, ..., -Pn}. Каждый регион из этого множества характеризуется в свою очередь вектором показателей Xi = (xii, xi2, ..., xii), каждый элемент которого представляет собой социально-экономическую характеристику i-го региона. Таким образом, результатом классификации будет отображение вектора P = {Pi, P2, ..., Pn} в множество кластеров R = {Ri, R2, ..., Rk} таким образом, чтобы v Pi e Rj.

При проведении процедуры классификации предполагается, что каждый 2 регион - это точка в l-мерном пространстве. Наиболее схожи между собой, а значит, с & большей вероятностью принадлежат к одному классу (кластеру, группе) объекты, ^ расположенные как можно ближе друг к другу в l-мерном пространстве. z: Определение расстояний между объектами осуществляется на основе метрик, в I4-" данной работе в качестве такой метрики использовалось евклидово расстояние:

£ 1

ш (2)

о

х

О ш СП

о

т—1

Для построения классов применялся метод к-средних (с-теаш), который относится к итеративным алгоритмам, требующим задания начальных условий классификации (например, количества классов). В рамках данного исследования ° сегментация проводилась при различных начальных условиях (разбиение на 3, 4 и сс 5 классов), наиболее устойчивым оказалось деление на 4 класса. Для х подтверждения полученной сегментации использовался метод к-средних, согласно § которому было осуществлено разбиение п объектов на к классов. Для этого на ^ первом шаге выбирается к точек, которые формально считаются центрами классов ^ (или эталонами, центроидами), затем на следующем этапе рассчитываются о. расстояния от всех оставшихся (п-к) точек до установленных эталонов. В классы объединяются точки, наиболее близкие к соответствующим эталонам, затем

о

о. пересчитываются центры тяжести классов и вес эталона увеличивается на единицу,

с

о в противном о луч мо он остается неизменным.

(3)

^ где:

^ Е' - координаты ¿-ой эталонной точки на ^ой итерации;

о V' - вес ¿-ой эталонной точки на ^ой итерации (Сошникова, Тамашевич, Уебе и

< Шеффер, 1999).

сп В результате сегментации регионов России получено устойчивое их деление

о на 4 кластера (см. табл. 1).

Таблица 1

Устойчивое деление регионов России на 4 кластера

Кластер 1

Москва

Кластер 2

Московская область Санкт-Петербург

Кластер 3

респ. Татарстан Нижегородская обл. Самарская обл. Тюменская обл.

Пермский край Свердловская обл. Челябинская обл. Краснодарский край

Ростовская обл. респ. Башкортостан Красноярский край Воронежская обл.

Новосибирская обл.

Кластер 4

респ. Калмыкия Кабардино-Балкарская респ. респ.Мордовия Сахалинская обл.

Ленинградская обл. Карачаево-Черкесская респ. Чувашская респ. Алтайский край

Астраханская обл. респ. Северная Осетия Оренбургская обл. респ. Бурятия

Волгоградская обл. Чеченская респ. Пензенская обл. респ. Тыва

респ. Адыгея Ставропольский край Саратовская обл. респ. Хакасия

респ. Дагестан Псковская обл. Ульяновская обл. Забайкальский край

респ. Ингушетия респ. Марий Эл Курганская обл. Мурманская обл.

Иркутская обл. Кемеровская обл. Новосибирская обл. Омская обл.

Томская обл. респ. Саха Камчатский край Приморский край

Хабаровский край Амурская обл. Магаданская обл. Еврейский АО

Чукотский АО Белгородская обл. Брянская обл. Владимирская обл.

Новгородская обл. Ивановская обл. Калужская обл. Костромская обл.

Курская обл. Липецкая обл. Орловская обл. Рязанская обл.

Смоленская обл. Тамбовская обл. Тверская обл. Тульская обл.

Ярославская обл. респ. Карелия респ. Коми Архангельская обл.

Вологодская обл. Калининградская обл.

Источник: составлено авторами на основе расчетов по модели.

Отнесение регионов к кластерам по использованию потенциала нематериальных ресурсов осуществлено на основе расчетных данных (см. табл. 2).

Таблица 2

Статистики кластеров по значимым показателям

Факторы Статистики Кластер 2 Кластер 3 Кластер 4

Л среднее 2,04 3,12 0,29

среднеквадратическое отклонение 1,04 4,6 0,76

среднее 54,68 15,47 3,39

среднеквадратическое отклонение 10,32 5,08 2,26

о £ 3

о ш СП

о

о о ш

о <

Источник: составлено авторами на основе расчетов по модели.

Кластеризация регионов и анализ регионов по устойчивым признакам позволит сформировать обоснованные управленческие решения и предложить комплекс мер по стимулированию и развитию соответствующих направлений по использованию потенциала нематериальных ресурсов регионов России. Применение данной модели станет основой поддержки принятия управленческих решений в области политики стимулирования занятости, создания рабочих мест, развития образовательных кластеров, формирования государственно-частного партнерства в сфере инвестиций в развитие молодежных стартапов. Так, в частности, интеграция образовательного, научно-технологического, интеллектуального и человеческого потенциалов региона при условии достаточности и доступности высокотехнологичной промышленной инфраструктуры станет основой максимального использования конкурентных преимуществ и создания инновационных территориальных кластеров на территории регионов России. Кроме того, уже сегодня механизмы реализации государственной политики по совершенствованию пространственного развития России, в дополнение к господствовавшим в индустриальную эпоху факторам локализации промышленных объектов (природных, материальных, трудовых, транспортных, конъюнктурных), учитывают факторы потенциала нематериальных ресурсов, с учетом которых размещаются уже сейчас и будут размещаться в перспективе многие новые объекты как старых, традиционных, так и новых отраслей и видов экономической

2 деятельности. о

см

* СПИСОК ЛИТЕРАТУРЫ

z: Андриссен Д. и Тиссен Р. (2004). Невесомое богатство. Определите стоимость

i4-" вашей компании в экономике нематериальных активов. М.: ЗАО «Олимп-Бизнес».

0 Дубров А. М. (2008). Многомерные статистические методы и основы ^ эконометрики. М.: МЭСИ.

Калинина В. Н. (2010). Введение в многомерный статистический анализ. М.:

f ГУУ.

1 Каплан Р. С. и Нортон Д. П. (2007). Стратегические карты. Трансформация ° нематериальных активов в материальные результаты. М.: «Олимп- Бизнес».

° Коулман Дж. (2001). Капитал социальный и человеческий // Общественные

сс науки и современность, № 3, с. 121-139.

1 Скрипкин К. Г.(2014). Экономическая эффективность информационных

g систем в России: Монография. М.: МАКС Пресс.

^ Сошникова Л. А., Тамашевич В. Н., Уебе Г. и Шеффер М. (1999).

^ Многомерный статистический анализ в экономике: Учеб. пособ. для вузов / под ред. проф. В. Н. Тамашевича. М.: ЮНИТИ - ДАНА.

Эдвинссон Л. и Мэлоун М. (1999). Интеллектуальный капитал. Определение истинной стоимости компании // Новая постиндустриальная волна на Западе: о Антология / Под ред. В. Л. Иноземцева. М: Academia, с. 429-447. ^ Agresti A. and Finlay B. (2009). Statistical Methods for the Social Sciences. 4th

o ed. Pearson Prentice Hall.

Ь Cabrita M. and Vaz J. (2006). Intellectual Capital and Value Creation: Evidence

3 from the Portuguese Banking Industry // The Electronic Journal of Knowledge l¡j Management, vol. 4, no. 1, pp. 11-20.

^ Dunteman G. H. (1989). Principle Component Analysis // Sage University Paper

Series on Quantitative Applications in the Social Sciences, no. 69.

° Edvinsson L. and Malone M. (1997). Intellectual Capital: Realizing your

g Company's True Value by Finding Its Hidden Brainpower. Harper Business, New York,

ш р. 18. LL

o Everette B. S., Landau S., Leese M. and Stahl D. (2011). Cluster Analysis. 5th ed.

<c Wiley.

o; Hannu Piekkola (2014). Intangible Capital Agglomeration and Economic Growth.

о A Regional Analysis of Finland. Department of Economics, University of Vaasa.

Kim J.-On and Muller Ch. W. (1978). Factor analysis // Sage University Paper series on Quantitative Applications in the Social Sciences, no. 14.

Kline P. (1994). An easy guide to factor analysis. London & N.Y.: Routledge.

Kok A. (2007). Intellectual Capital Management as Part of Knowledge Management Initiatives at Institutions of Higher Learning // The Electronic Journal of Knowledge Management, vol. 5, no. 2, pp 181-192.

Melnychuk L. Y. (2014). potential use of intangible resources of Business entities in economic security assessment // Socio-Economic Research Bulletin, no. 4(55).

Stewart T. (1997). Intellectual Capital. The New Wealth of Organizations. N.Y.-L.: Doubleday / Currency.

Sveiby K-E. (2001). Intellectual capital and knowledge management. (http:// www.sveiby.com/articles/IntellectualCapital.html - Дата обращения: 21.10.2016).

Sveiby K-E. (2004). Methods for measuring intangible assets. (http:// www.sveiby.com/articles/IntangibleMethods.htm - Дата обращения: 21.10.2016).

Woolcock M. (2000). Social Сарйа1: the State of Notion // Social Capital: Global and Local Perspectives. Helsinki, р. 22.

REFERENCES

Agresti A. and Finlay B. (2009). Statistical Methods for the Social Sciences. 4th ed. Pearson Prentice Hall.

Andriessen D. and Thiessen R. (2004). The weightless wealth. Define the value of S your company in the economy of intangible assets. Moscow, Olimp-Business Publ. ° (In Russian). ^t

Cabrita M. and Vaz J. (2006). Intellectual Capital and Value Creation: Evidence ° from the Portuguese Banking Industry. The Electronic Journal of Knowledge Management, vol. 4, no. 1, pp. 11-20. -5

Coleman J. (2001). Social and human capital. Social Studies and Modernity, ^ no. 3, pp. 121-139. (In Russian).

Dubrov A. M. (2008). Multidimensional statistical methods and basis of T econometrics. Moscow, MESI Publ. (In Russian). |

Dunteman G. H. (1989). Principle Component Analysis. Sage University Paper о Series on Quantitative Applications in the Social Sciences, no. 69. §

Edvinsson L. and Malone M. (1997). Intellectual Capital: Realizing your £ Company's True Value by Finding Its Hidden Brainpower. Harper Business, New York, I р. 18. So

. о

Edvinsson L. and Malone M. (1999). Intellectual capital. Determining the true ^

value of the company // A New Postindustrial Wave in the West: the Anthology / Ed. by ^ V. L. Inozemtsev. Moscow, Academia Publ., pp. 429-447. (In Russian).

Everette B. S., Landau S., Leese M. and Stahl D. (2011). Cluster Analysis. 5th ed.

Wiley.

Hannu Piekkola (2014). Intangible Capital Agglomeration and Economic Growth. о A Regional Analysis of Finland. Department of Economics, University of Vaasa.

Kalinina V. N. (2010). Introduction to Multivariate Statistical Analysis. Moscow, SUM Publ. (In Russian).

Kaplan R. and Norton D. (2007). Strategy maps. Transformation of intangible assets into tangible results. Moscow, Olimp-Business Publ. (In Russian).

Kim J.-On and Muller Ch. W. (1978). Factor analysis. Sage University Paper series on Quantitative Applications in the Social Sciences, no. 14.

Kline P. (1994). An easy guide to factor analysis. London & N.Y., Routledge. °

Kok A. (2007). Intellectual Capital Management as Part of Knowledge о Management Initiatives at Institutions of Higher Learning. The Electronic Journal of ш Knowledge Management, vol. 5, no. 2, pp 181-192. о

Melnychuk L. Y. (2014). potential use of intangible resources of Business < entities in economic security assessment. Socio-Economic Research Bulletin, no. 4(55). ^

116

MuxaAKMHa E. B., KocoAanoBa H. A., MuxaAKUHa A. A.

Skripkin K. G. (2014). The economic efficiency of information systems in Russia: Monograph. Moscow, MAKS Press. (In Russian).

Soshnikova L. A., Tamashevich V. N., Uebe G. and Schaeffer M. (1999). Multidimensional statistical analysis in economics: Textbook. coll. for universities. / Ed. by prof. V. N. Tamashevich. Moscow, UNITY-DANA Publ. (In Russian).

Stewart T. (1997). Intellectual Capital. The New Wealth of Organizations. N.Y.-L., Doubleday / Currency.

Sveiby K-E. (2001). Intellectual capital and knowledge management. (http:// www.sveiby.com/articles/IntellectualCapital.html - Access Date: 21.10.2016).

Sveiby K-E. (2004). Methods for measuring intangible assets. (http:// www.sveiby.com/articles/IntangibleMethods.htm — Access Date: 21.10.2016).

Woolcock M. (2000). Social Capita1: the State of Notion. Social Capital: Global and Local Perspectives. Helsinki, p. 22.

CO

■H

o

CM

s o

o

x O ü rn

te m o œ

s <

(D 15

O O

c O

m

o

LU

cu o

o o

LU LL

o

_J <