РЕГИОНАЛЬНЫЕ АСПЕКТЫ ОРГАНИЗАЦИИ
ПРОИЗВОДСТВА
DOI: 10.36622/VSTU.2022.14.94.006 УДК 332.055; 338.001.36
ОЦЕНКА ИННОВАЦИОННОЙ И ИНСТИТУЦИОНАЛЬНОЙ
ДИНАМИКИ РЕГИОНА
Н.В. Сироткина
Воронежский государственный технический университет Россия, 394006, г. Воронеж, ул. 20-летия Октября, 84
Ю.И. Трещевский, А.А. Малугина
Воронежский государственный университет
Россия, 394018, Россия, г. Воронеж, Университетская площадь, 1
А.А. Праченко
ГАОУ ВО г. Москвы «Московский государственный университет спорта и туризма» Россия, 117519, г. Москва, ул. Кировоградская, д.21, корп.1
Введение. Современное состояние инновационных процессов в большинстве российских регионов не соответствует целевым показателям, заявленным в документах стратегического планирования федерального и регионального уровней. В научной литературе изложены различные аргументы, объясняющие данное явление. Во многих исследованиях подчеркивается влияние формальных и неформальных институтов на инновационную динамику. Однако одной из слабых сторон как зарубежных, так и отечественных исследований институциональных процессов является неразвитость аппарата количественных методов измерения. При этом речь идет не о формировании сложных моделей, а о практическом анализе, для которого достаточно стандартных экономико-статистических расчетов. Это, в свою очередь, во многом связано с использованием в качестве оцениваемых институтов в качестве сложных комплексов, включающих в себя множество элементов, связанных разветвленной сетью взаимосвязей. Такое состояние анализируемого объекта не позволяет провести необходимые расчеты и даже предложить единицы измерения, используемые в статистике. Из множества институтов, которые исследуются различными авторами, наиболее удобным является «склонность», посредством которой Дж. М. Кейнс оценивал влияние потребления и сбережения на макроэкономический цикл. Этот термин принят в нашем исследовании в качестве
Сведения об авторах:
Сироткина Наталья Валерьевна (docsnat@yandex.ru), д-р экон. наук, профессор, зав. кафедрой цифровой и отраслевой экономики
Трещевский Юрий Игоревич (utreshevski@yandex.ru), д-р экон. наук, профессор, зав. кафедрой экономики и управления организациями
Малугина Алина Геннадьевна (maluginalina@mail.ru), студент, экономический факультет
Праченко Антон Александрович (8п1сп-prachenko@mail.ru), канд. экон. наук, доцент кафедры гуманитарных и социально-экономических дисциплин
Oh authors:
Natalya V. Sirotkina (docsnat@yandex.ru), Doctor of Economics, Professor, Head of the Department of Digital and Sectoral Economics
Yuriy I Treshchevsky (utreshevski@yandex.ru), Doctor of Economics, Professor, Head of the Department of Economics and Management of Organisations
Alina G. Malugina (maluginalina@mail.ru), student, Faculty of Economics
Anton A. Prachenko (anton-prachenko@mail.ru), Candidate of Economics, Associate Professor of the Department of Humanities and Socio-Economic Disciplines, Moscow State Educational Institution of Higher Professional Education
базового для количественной оценки «первичных» институтов. Значительную проблему представляет выбор объекта анализа - в Российской Федерации 85 регионов, существенно различающихся по уровням социально-экономического развития, темпам и направлениям инновационных изменений, состоянию первичных и комплексных институтов. Это потребовало применения методов, обеспечивающих выбор достаточно типичного объекта - «среднего» российского региона. В соответствии с потребностями в количественном анализе взаимосвязей инновационных и институциональных процессов в исследовании поставлена цель количественно оценить инновационную и институциональную динамику российского региона и их возможные взаимосвязи. Достижение поставленной цели предполагает решение нескольких задач: 1) предложить совокупность первичных институтов, представленных в официальной статистике показателями, релевантно отражающими инновационную и институциональную динамику региона; 2) выбрать модельный регион, представляющий достаточно широкую группу однородных по совокупности оцениваемых показателей административно-территориальных образований страны; 3) проанализировать динамику показателей за период, позволяющий составить прогноз их изменений на период, принятый в документах стратегического планирования РФ; 4) определить возможные взаимосвязи инновационных и институциональных параметров в модельном регионе.
Данные и методы. В качестве эмпирической базы исследования использованы данные официальной статистики РФ и регионов страны. Для обоснования состава, содержания релевантных показателей и возможных взаимосвязей инновационных и институциональных параметров региона использованы монографический, историко-генетический и логический методы. Выбор модельного региона основан на кластерном методе, позволившем установить однородные виртуальные группы регионов и регион, в наибольшей степени соответствующий характеристикам каждой группы. Динамика показателей и их прогноз осуществлялись с использованием корреляционно-регрессионного метода.
Полученные результаты. В результате исследования установлено, что на основе официальных статистических данных можно получить количественную оценку первичных показателей, характеризующих инновационную и институциональную динамику регионов России. В составе показателей приняты: один показатель, в наибольшей степени отражающий результативность инноваций -«доля инновационных товаров, работ, услуг в их общем объеме»; группа институциональных показателей, характеризующих «склонности» экономических субъектов региона: склонность к инновациям (количество новых используемых производственных технологий); «склонность к потреблению», «склонность к сбережению», «склонность к монетизации активов», «склонность к материализации инвестиций». Единицы измерения приняты в соответствии с их использованием в официальной статистике. Расчеты показали значительную вариабельность фактической и прогнозной динамики анализируемых показателей.
Заключение. Полученные результаты позволяют оценивать взаимосвязи инновационных и институциональных параметров как слабо выраженные. Значительная вариабельность фактической и прогнозной динамики первичных институтов свидетельствует, что их роль в инновационном развитии региона заключается в спонтанном эмпирическом исследовании перспективных направлений технико-технологического и социально-экономического развития региона.
Ключевые слова: инновации, инновационное развитие региона, неформальные институты, первичные институты.
Для цитирования:
Оценка инновационной и институциональной динамики региона / Н.В. Сироткина, Ю.И. Трещев-ский, А.А. Малугина, А.А. Праченко // Организатор производства. 2022. Т.30. № 2. С. 120-133. DOI: 10.36622^ТО.2022.14.94.006.
ASSESSMENT OF INNOVATION AND INSTITUTIONAL DYNAMICS OF THE REGION
N.V. Sirotkina
Voronezh State Technical University
Russia, 394006, Voronezh, ul. 20-letiya Oktyabrya, 84
Yu.I. Treshchevsky, A.A. Malugina
Voronezh State University "Voronezh State University" Russia, 394018, Russia, Voronezh, University Square, 1
A.A. Prachenko
GAOU IN Moscow "Moscow State University of Sports and Tourism" Russia, 117519, Moscow, Kirovogradskaya str., 21, building 1
Introduction. The current state of innovation processes in most Russian regions does not correspond to the target indicators stated in the strategic planning documents of the federal and regional levels. Various arguments explaining this phenomenon are presented in the scientific literature. Many studies emphasize the influence of formal and informal institutions on innovation dynamics. However, one of the weaknesses of both foreign and domestic studies of institutional processes is the underdevelopment of the apparatus of quantitative measurement methods. At the same time, we are not talking about the formation of complex models, but about practical analysis, for which standard economic and statistical calculations are sufficient, This, in turn, is largely due to the use of institutions as assessed as complex complexes, including many elements connected, moreover, by an extensive network of relationships. Such a condition of the analyzed object does not allow to carry out the necessary calculations and even offer units of measurement used in statistics. Of the many institutions that are studied by various authors, the most convenient is the "propensity", through which J. M. Keynes assessed the impact of consumption and savings on the macroeconomic cycle. This term is adopted in our study as the basic one for the quantitative assessment of "primary" institutions. A significant problem is the choice of the object of analysis - there are 85 regions in the Russian Federation that differ significantly in the levels of socio-economic development, the pace and directions of innovative changes, the state of primary and complex institutions. This required the use of methods that ensure the selection of a fairly typical object - the "average" Russian region. In accordance with the needs for a quantitative analysis of the interrelationships of innovative and institutional processes, the study aims to quantify the innovative and institutional dynamics of the Russian region and their possible interrelations. Achieving this goal involves solving several tasks: 1) to propose a set of primary institutions represented in official statistics by indicators that correspondingly reflect the innovative and institutional dynamics of the region; 2) to select a model region representing a fairly wide group of homogeneous indicators of administrative-territorial entities of the country; 3) to analyze the dynamics of indicators for the period, allowing to make a forecast of their changes for the period adopted in strategic planning documents of the Russian Federation; 4) to determine possible interrelations of innovative and institutional parameters in the model region.
Data and methods. The data of the official statistics of the Russian Federation and the regions of the country were used as an empirical base of the study. To substantiate the composition, content of relevant indicators and possible interrelations of innovative and institutional parameters of the region, monographic, historical-genetic and logical methods were used. The choice of the model region is based on the cluster method, which allowed us to establish homogeneous virtual groups of regions and the region that best corresponds to the characteristics of each group. The dynamics of the indicators and their forecast were carried out using the correlation and regression method.
The results obtained. As a result of the study, it was found that on the basis of official statistical data, it is possible to obtain a quantitative assessment of the primary indicators characterizing the innovative and
institutional dynamics of the regions of Russia. The indicators include: one indicator that most reflects the effectiveness of innovations - "the share of innovative goods, works, services in their total volume"; a group of institutional indicators characterizing the "propensities " of economic entities in the region: propensity to innovation (the number of new production technologies used); "propensity to consume", "propensity to save", "propensity to monetize assets", "propensity to materialize investments". Units of measurement are adopted in accordance with their use in official statistics. Calculations have shown significant variability in the actual and forecast dynamics of the analyzed indicators.
Conclusion. The results obtained allow us to assess the relationship between innovative and institutional parameters as weakly expressed. The significant variability of the actual and forecast dynamics of primary institutions indicates that their role in the innovative development of the region consists in spontaneous empirical research of promising areas of technical, technological and socio-economic development of the region.
Keywords: innovations, innovative development regions, informal institutions, primary institutions. For quoting:
Assessment of innovative development of regions - institutional and socio-economic aspects / N.V. Sirotki-na, Yu.I. Treshevsky, A.A. Malugina, A.A. Prachenko // Production Organizer. 2022. T. 30. № 2. P. 120133. DOI: 10.36622/VSTU.2022.14.94.006.
Введение. Инновационное развитие провозглашено в качестве одного из приоритетов социально-экономической политики России [8]. В настоящее время заданные параметры инновационного развития не выполнены ни на федеральном, ни на региональном уровнях. Можно предположить, что при постановке задач в данной сфере не были учтены различные факторы, оказывающие на них прямое или косвенное влияние. В числе таких факторов в научной литературе называют институциональные характеристики страны и регионов.
Инновационные процессы и их взаимосвязь с институциональными характеристиками социально-экономических систем различных уровней являются предметом пристального внимания отечественных и зарубежных ученых. Собственно, взгляды на различного рода формальные и неформальные институты как существенные факторы социально-экономического развития, внедрения технико-технологических и организационных инноваций изложили еще классики экономической теории К. Маркс, А. Смит, показавшие их влияние на состояние и динамику производительности труда, заработной платы, прибыли и других важных параметров экономики различных стран [2, 7], задолго до появления институционализма как направления экономической мысли.
Впоследствии М. Вебер и другие представители этого направления исследовали на
качественном уровне взаимосвязи между обычаями, гражданскими и религиозными традициями с экономическим поведениям отдельных экономических субъектов, их групп, стран и макрорегионов [17],
В числе основателей таких исследований необходимо выделить Г. Мюрдаля, Д. Норта, определенно сформулировавших тезис о зависимости экономической динамики стран от состояния формальных и, главное, неформальных институтов - обычаев, традиций, привычек [3, 4]. Центральная позиция Г. Мюрдаля - необходимость формирования институтов, стимулирующих рост производительности труда для повышения эффективности экономики за счет вовлечения в производство дополнительной квалифицированной рабочей силы [3]. Согласно Д. Норту технические достижения сами по себе недостаточны для экономического роста, необходимы новые организационные решения, основанные на существующих или новых институтах. Однако, старые институты являются прочными и устойчивыми, а для новых необходимы весомые основания. Один из принципиально значимых тезисов - длительный и неопределенный по времени период разрушения старых и формирования новых институтов [4], В работах обоих указанных авторов заметная четкая качественная связь между экономикой, инновационным развитием и состоянием институтов. Проблема заключается в том,
что данные зависимости не описаны на уровне количественных параметров.
В конце ХХ века Ф. Фукуяма [11] предложил версию оценки состояния и перспектив экономического развития, основанную на особой значимости институтов демократии как совокупности формальных и неформальных институтов. Однако, количественные показатели, характеризующие уровень развития демократии, как и иных институтов в анализе отсутствуют.
Количественные характеристики институтов указанных взаимосвязей представлены в ряде случаев на уровне моделирования Strielkow-ski, О. Мик^гуапоуа, А. Ка1пауа) [14]. Однако, предложенные модели сформированы на основе общей экономической логики, представляют теоретико-методологический интерес, но не позволяют применить их на практике для конкретной системы, поскольку в их основе лежат условные примеры.
Исходя из анализа вышеуказанных источников можно утверждать, что одной из базовых проблем анализа взаимосвязей экономического и инновационного развития с институциональными параметрами социально-экономических систем различного уровня является отсутствие количественных характеристик совокупности неформальных институтов, из чего вытекает необходимость экономики-статистического
анализа их состояния и динамики. Что касается состояния экономических, в том числе, и инновационных показателей, то проблема состоит, скорее в обратном - выборе релевантных из их обширного состава.
Методы. Для оценки взаимосвязей инновационных и институциональных параметров социально-экономических систем нами использован комплекс методов, основанных на экономико-статистическом анализе.
В теоретическом плане важен выбор пространственной системы, в зарубежной литературе анализ взаимосвязей экономически и инновационных процессов во взаимосвязи с институциональной средой производится, преимущественно, применительно к системам микро- и макроуровней. Системы микроуровня выходят за пределы целей данной статьи. Что касается макроуровня, то, например, на уровне Российской Федерации оценка их состояния малопродуктивна, поскольку страна представлена 85 регионами, существенно различающимися
по технико-технологическим, социально-экономическим и институциональным параметрам. Можно считать аналогом зарубежных систем макроуровня российские регионы и их группы. В связи с этим в качестве объектов анализа приняты регионы и их однородные виртуальные группы.
В качестве показателей, характеризующие регионы с точки зрения цели и предмета исследования приняты две группы: технико-технологическая и институциональная. Первую группу представляет один показатель, в наибольшей степени отражающий результативность инноваций - «доля инновационных товаров, работ, услуг в их общем объеме»; вторую - группа институциональных показателей, характеризующих «склонности» экономических субъектов региона: «склонность к инновациям» (количество новых используемых производственных технологий); «склонность к потреблению», «склонность к сбережению», «склонность к монетизации активов», «склонность к материализации инвестиций». Заключительные четыре «склонности» измеряются в процентах. Исходные данные для расчетов представлены в материалах Росстата [6].
Для формирования однородных виртуальных групп регионов использован кластерный анализ, разработанный рядом зарубежных исследователей, в их числе - J.A. Hartigan, M.A. Wong [13]. Для анализа использован метод К-средних, основанный на сопоставлении нормированных значений показателей. Для анализа использованы данные 70 регионов, из информационного массива устранены: г. Москва, г. Санкт-Петербург, принципиально несравнимые с остальными регионами; регионы «второго уровня», входящие в состав более крупных; административно-территориальные образования, не имеющие полной статистической базы за период 2005-2019 гг.
Проведенная кластеризация показала, что в Российской Федерации выделяются с достаточным уровнем статистической значимости пять кластеров, различающихся структурой исследуемых параметров. Подробно методический подход к выбору показателей и кластерному анализу представлен в ряде наших работ, в том числе в соавторстве с. Ю.В. Вертаковой, М.Б. Табачниковой, Г.Н. Франовской [15, 16].
Значительное количество регионов в Российской Федерации и их существенная дифференциация по уровню и характеру про-странственно-функционального развития требует выбора модельных регионов, представляющих достаточно однородные группы по совокупности исследуемых признаков (инновационных и институциональных показателей).
Поскольку целью статьи является разработка и апробация на конкретных статистических показателях теоретико-методического подхода к анализу динамики инновационных и институциональных процессов, то расчеты проведены на основе одного модельного региона. С этой целью установлены модельные регионы, представляющие все пять виртуальных кластеров: Тульская область (кластер «А»); Республика Татарстан (кластер «Б»); Ставропольский край (кластер «В»); Камчатский край (кластер «Г»): Владимирская область (кластер «Д»). Поскольку для апробации предлагаемого теоретико-
методического подхода не имеет значения состояние конкретного кластера, дальнейший анализ проведен на статистических данных Тульской области, представляющей наиболее активный кластер. Отметим, что выбор модельного региона в данном случае осложнен тем, что ни один из кластеров не имеет прочного ядра, в состав которого входила бы в анализируемом периоде устойчивая группа регионов. Тульская область принята в качестве модельного региона кластера «А» в силу того, что входила в него в трех замерах из четырех.
Анализ динамики показателей проведен с использованием корреляционно-регрессионного анализа на основании фактических данных на период 2005-2019 гг. [6] рассчитаны уравнения регрессии, позволившие осуществить прогноз на период 2005-2024 гг., что оправдано принятыми ограничениями периода прогнозирования одной третью от продолжительности времени, принятого для расчетов фактического состояния показателей.
В процессе расчетов проведены округления, не мешающие оценке динамики показателей, так, данные в уравнениях 1-24, характеризующие значения свободных членов в уравнениях, коэффициентов при независимых переменных, показателей степени, коэффициентов детерминации округлены до пятого знака после запятой. Для наглядного представления динамики анализируемых показателей использована их визуализация, позволяющая зафиксировать не только формальные результаты, отраженные в уравнениях регрессии, но и установить временные точки, в которых происходят наиболее заметные изменения.
Результаты. Проведение расчетов и визуализация их результатов позволили охарактеризовать фактические и прогнозные изменения инновационных и институциональных показателей модельного региона за период 2005-2024 гг. Визуализация расчетов результативности инноваций представлена на рис. 1.
Рис. 1. Динамика результативности инноваций (Тульская область) Fig. 1. Dynamics of innovation performance (Tula region) Составлено авторами по данным Росстата [6]
Как видим, можно выделить три периода в развитии инновационных процессов. До 2009 года результативность инноваций (доля инновационных товаров, работ, услуг в их общем объеме) составляла 1,1 - 1,7 %. С 2009 г. по 2012 г. шел интенсивный рост значений показателя, что, по нашему мнению, объясняется экономическими причинами - в 2007 г. в России закончился период роста экономики за счет привлечения внешних ресурсов, в 2008-2009 гг. произошел мировой экономический кризис (кратковременный, но жесткий). Кризис потребовал переориентации производства на новые технико-технологические и организационные решения. К моменту принятия Стратегии инновационного развития в 2011 г. [8] было достигнуто довольно высокое значение показателя - 11,6 %. В 2012 г. результативность инноваций достигла максимального уровня, затем последовало падение ниже уровня 2011 года и новый рост до уровня 12-13 %. Следовательно, принятие в 2011 году Стратегии не оказало влияния на результативность инноваций в одном из наиболее активных в инновационном плане регионов. Далее обратим внимание на динамику показателя (уравнения 1-4). В уравне-
ниях 1-4: У - результативность инноваций (%); X - порядковый номер года от 1 (2005) до 20 (2024)
У = 0,75734Х + 1,80000 (1)
Я2 = 0,59215 У = 5,0540981п(Х) - 1,83371 (2)
Я2 = 0,60964 У = -0,09167 X2 + 2,34921 X - 3,64901 (3) Я2 = 0,70459 У = 0,80181 X1'01939 (4)
Я2 = 0,66796 Как видно из уравнений 1-4, все четыре использованные функции описывают динамику результативности инноваций с достаточной степенью достоверности, что позволяет прогнозировать развитие по трем сценариям: линейная и степенная функция показывают возможность фактически линейного роста со скоростью около 0,75 п.п. в год; логарифмическая - умеренный рост снижающимися темпами; полиномиальная -снижение значений показателя ускоряющимся темпом.
С результативностью инноваций теоретически должен быть тесно связан институциональный показатель - склонность к инновациям (рис. 2)
Рис. 2. Динамика склонности к инновациям (Тульская область) Fig. 2. Dynamics of propensity for innovation (Tula region) Составлено авторами по данным Росстата [6]
Заметим, что, несмотря на очевидную логическую связь склонности к инновациям с их результативностью, фактически это наблюдается только в период 2005-2009 годы. В период с 2010
по 2013 г., достаточно благоприятный с точки зрения экономической конъюнктуры, произошло пятикратное падение значений показателя, последующее двукратное повышение в 2014-2019
гг. не компенсировало предшествовавшего снижения значений. То есть можно выделить три различных достаточно краткосрочных периода, для которых можно предложить, на взгляд авторов, только одно объяснение - в кризисные периоды склонность к инновациям растет, причем это не сопровождается повышением их результативности.
В уравнениях 5-8 представлены характеристики предполагаемых трендов склонности к инновациям, в уравнениях: У - склонность к инновациям (количество использованных технологических инноваций, ед.); X - порядковый номер года от 1 (2005) до 20 (2024)
У = -420,89285Х + 8 379,80952 (5) Я2 = 0,48934 У = -2 058,9236281п(Х) + 8 842,16460 (6) Я2 = 0,35801 У = 13,06108Х2 - 629,87023Х + 8 971,91209 (7) Я2 = 0,49628
Как видим, динамика склонности к потреблению неустойчива. Даже в период 2005-2016 гг., где изменения показателя выглядят слабо выраженными, колебания достигают 5 п.п. в год, что для склонности к потреблению следует считать существенным. Высокий уровень и, тем более, скачкообразный рост значений показателя в соответствии с концепцией Дж. М. Кейнса, свидетельствует о снижении уровня доходов населения, однако на практике это не наблюда-
Я2 = 0,40442
Как видно из уравнений 5-8, ни одна из функций не описывает динамику с достаточной степенью достоверности. Однако необходимо обратить внимание на то, что все функции -нисходящие. Близкое к 0,5 значение коэффициента детерминации нисходящей полиномиальной функции позволяет предположить в среднесрочной перспективе дальнейшее ухудшение институционального обеспечения инновационных процессов в одном из регионов-лидеров инновационного развития.
Естественно, что любые социально-экономические процессы зависимы не только от прямо связанных с ними неформальных институтов, но и от иных, имеющих «более широкий спектр действия». В частности, к таким институтам мы относим склонность к потреблению, динамика которой представлена на рис. 3.
ется, во всяком случае в номинальном выражении. В любом случае столь сильного сокращения реальных доходов в период с 2016 по 2019 гг. не происходило. Заметна некоторая связь с динамикой склонности к инновациям в этот период (рис. 2 и 3).
В то же время обращает на себя внимание сходство трендов склонности к потреблению и результативности инноваций (уравнения 9-12).
У = 0,83607Х + 64,47809 (9)
у= 10031,41177Х'"-44769 (8)
гмгмгмгмгмгмгмгмгмгмгмгмгмгмгм
Рис. 3. Динамика склонности к потреблению (Тульская область) Fig. 3. Dynamics of propensity to consume (Tula region) Составлено авторами по данным Росстата [6]
Я2 = 0,51254 У = 3,85941 1п(Х) +63,98835 (10) Я2 = 0,33391 У = 0,1202 X2 - 1,08778Х + 69,92901 (11) Я2 = 0,66872 У = 64,39358 х0'05251 (12)
Я2 = 0,34554 Как видим, краткосрочный период резкого увеличения склонности к потреблению явно изменил вид характеризующих его функций и значения коэффициентов детерминации, которые в период 2005-2016 гг. демонстрировали высокую стабильность. Поэтому можно предположить три сценария дальнейшего изменения склонности к потреблению и, соответственно, влияния на результативность инноваций:
Как видим, склонность к сбережению пости зеркально отражает динамику склонности к потреблению, что является вполне логичным, но не обязательно однозначным, поскольку существуют и иные альтернативные потреблению способы обращения с доходами, например -материализация инвестиций. Поэтому необходимо зафиксировать изменения двух отмеченных «склонностей»: кризисный 2008 г. - рост склонности к потреблению - падение склонности к сбережению; период с 2009 по 2014 г. (в целом можно охарактеризовать как период спокойной экономической конъюнктуры) - плавный рост склонности к потреблению - снижение склонно-
- линейный рост со скоростью 0,83 п.п. в
год;
- ускоряющийся рост, достигающий в 2019 г. в соответствии с первой производной функции скорости 2,5 п.п.; однако, при этом к 2024 значение функции достигнет физического предела и дальнейший рост будет возможен только при массовом кредитовании текущего потребления, что представляется маловероятным;
- исходя из уравнений 10 и 12 можно предположить также сохранение значений показателя на уровне 74-75 %.
Динамика еще одного «классического» институционального показателя - «склонности в сбережению» представлена на рис. 4 и в уравнениях 13-16.
сти к сбережению. В этой связи основанием для резкого снижения склонности к инновациям и значительного роста результативности инноваций является разрыв в пространственно-функциональном развитии регионов - ориентация инновационного производства на внешние по отношению к региону рынки. В результате институциональные характеристики региона анализируемого административно-
территориального образования не оказывают ожидаемого влияния на инновационные процессы.
Динамику склонности к сбережению характеризуют уравнения 13-16.
---\ /-ч
\
\
ооооооооооооооо
гмгмгмгмгмгмгмгмгмгмгмгмгмгмгм
Рис. 4. Динамика склонности к сбережению
Fig. 4. Dynamics of propensity to save Составлено авторами по данным Росстата [6]
У = -1,09321Х + 25,79905 (13) R2 = 0,54863 У = -5,25630 1п(Х) + 26,82980 (14) R2 = 0,38778 У = -0,12674 Х2 + 0,93458 Х + 20,05363 (15) R2 = 0,65727 У = 35,97432 Х-0'48533 (16)
R2 = 0,27402 Как видим, в данном случае достаточно достоверно характеризуют склонность к сбережению линейная функция. Скорость снижения значений склонности к сбережению в этом случае составит более 1 п.п. в год. В среднесрочном периоде данный тренд вполне вероятен. Резкое снижение, вплоть до отрицательных значений показателя, начиная с 2021 в соответствии с полиномиальной функцией технически невозможно (во всяком случае - для крупной территориальной системы), хотя коэффициент детерминации весьма высок. Несмотря на то, что коэффициенты детерминации логарифмической и степенной функций невысоки, обе демонстрируют схожие тенденции - постепенное снижение склонности к сбережению к 2024 году, соответственно, до 11,1 % и 8,4 %, что возможно при линейном росте склонности к потреблению и наличии способов использования доходов, альтернативных сбережению.
Важным в институциональном аспекте является показатель «склонность к монетизации активов», динамика которого выглядит следующим образом: изменения происходят в довольно широком диапазоне значений - от минимального значения 2% в 2005 г. до 9,2 % в 2010 и 2011 гг.; затем последовало снижение до 4,5 % в 2015 г.; в 2016 г. значение показателя скачкообразно возросло; в 2017-2019 последовало его новое снижение - почти до исходного уровня 2005 г. Сколько-нибудь заметной связи динамики с макроэкономическим циклом или инновационными процессами не заметно. Уравнения 17-20 демонстрируют отсутствие временных закономерностей динамики показателя.
У = -0,05210Х + 7,21040 (17) R2 = 0,00970 У = 0,349601п(Х) + 6,14300 (18) R2 = 0,01300 У = -0,0674Х2 + 1,02736Х + 4,15180 (19) R2 = 0,25074
У = 4,95290Х0'12715 (20)
R2 = 0,04760
Как видим, ни одно из уравнений не описывает достоверно динамику процесса.
Склонность к материализации инвестиций, как показали расчеты, в начале анализируемого периода (2005-2007 гг.) не превышает 1%. Скачкообразный рост его значений в 2008 гг. представляется накопленным результатом развития этого института в период высокой экономической конъюнктуры. Падение значений показателя в 2099 гг., вероятно, является следствием мирового финансового кризиса. Затем последовал период невысокой, но стабильной экономической конъюнктуры 2010-2014 гг., сопровождавшийся ростом склонности к материализации инвестиций. Впоследствии: 2015-2016 гг. - кризис и, соответственно, падение значений показателя; 2017 г. - малообъяснимый рост значений; затем - падение, вполне соответствующее состоянию экономической конъюнктуры.
Обратим внимание на уравнения трендов (21-24).
у = 0,06036х + 1,46381 (21)
R2 = 0,08268 у = 0,52744 1п(х) + 0,96565 (22) R2 = 0,19303 у = -0,03296 х2 + 0,58770 х - 0,03033 (23) R2 = 0,44591
у = 0,89100х0'35845 (24)
R2 = 0,30700 Как видим, ни одно из уравнений не отражает с достаточным уровнем достоверности динамику показателя. В то же время, линейная, логарифмическая и степенная функции дают прогнозные значения показателя от 2,57 %до 2,7 %, что позволяет считать их достаточно вероятными.
Дискуссия. Проведенное исследование направлено на раскрытие трех аспектов взаимосвязей между инновационными и институциональными аспектами развития региона.
Первый - анализ возможностей количественной оценки состояния институтов. Данный аспект представлен в научных исследованиях. Так, М.А. Ягольницер, Е.А. Колобова [12] использовали метод многомерного факторного обоснования состава факторов, определяющих состояние институтов кластерной политики. В качестве факторов обоснованы элементы качества человеческого капитала, обеспечивающего эффективность экономики, технико-
технологический прогресс и развитие предпринимательства в регионах на основе роста производительности труда и инновационного развития кластеров. Эта позиция представляет значительный интерес, особенно с точки зрения формирования комплексных институтов, включающих технологические, организационные, социально-экономические компоненты. Stri-e1kowski W., Мик^гуапоуа О., Ка1пауа А. [14] анализируют количественные взаимосвязи инновационных и институциональных подсистем макро- и мезоуровней с использованием экспертных методов. В научной литературе исследования комплексных институтов и применение для этих целей экспертных методов является одним из наиболее развитых направлений, включающем количественные оценки. В теоретико-методологическом и практическом плане вызывает вопросы оценка именно комплексность исследуемых институтов, поскольку в зависимости от состава компонентов их количественные характеристики неизбежно изменятся. Поэтому необходимым представляется использованный нами подход, направленный на определение первичных, «неделимых» институтов, комбинации которых образуют более сложные институты. В качестве таких первичных институтов приняты «склонности», измеримые на основе статистических данных.
Второй - анализ временного периода, в течение которого происходят изменения институтов. Исследования М. Вебера [17], Г. Мюрдаля [3], Д. Норта [4], Ф. Фукуямы [11], многих иных ученых показывают, что институты формируются на длительный период и сохраняют устойчивость при воздействии неблагоприятных для них факторов. Разрушение институтов происходит, если возможности их функционирования исчерпаны. Это, действительно, так, но выводы относятся именно к комплексным институтам, множественные взаимосвязи внутри которых обеспечивают их прочность. Что касается первичных неформальных институтов, таких, как «склонности», то их долговременность не подтверждена в исследованиях указанных авторов. Представленные в представленной нами статье расчеты, демонстрируют, напротив, высокую изменчивость первичных институтов.
Третий - выявление взаимосвязей институциональных и инновационных процессов. В
процессе проведенного количественного анализа установлено, что даже близкие по социально-экономическому содержанию «результативность инноваций» и «склонность к инновациям» изменяются различным образом, причем склонность к инновациям более устойчива, чем их результативность. Динамика остальных первичных институтов весьма неустойчива и предполагает высокую вариабельность в течение коротких промежутков время, отчасти связанную с циклическими колебаниями макроэкономического цикла, отчасти - не имеющую заметных оснований. В этой связи проведенное исследование демонстрирует развитие инновационных и институциональных явлений в соответствии с концепцией сочетания случайного и необходимого в технико-технологическом и социально-экономическом развитии систем, разработанной И. Пригожиным, И. Стенгерс [5], развитой вполсдествии Р. Фрэнком [10], Э. Тоффлером [9], рядом других исследователей. Данная версия институциональной динамики требует дальнейшего исследования, но уже сейчас ее анализ применительно к региональному уровню позволяет рассматривать нестабильность, изменчивость первичных институтов систем мезоуровня в качестве инструмента поиска целесообразных направлений инновационного развития.
Заключение
Сопоставление динамики инновационных процессов и институциональных параметров региона позволяет выявить векторы их взаимного влияния. Оценку инновационных процессов в регионе целесообразно осуществлять по двум группам параметров: технико-экономическим и институциональным. В составе первой группы наибольшее значение для систем мезоуровня, включая и регионы, имеет доля инновационных товаров, работ, услуг в их общем объеме. Использование данного показателя позволяет нивелировать влияние на результат масштабов регионов, их технико-технологической специфики, географического положения и других факторов, которые не могут быть изменены или требуют для изменения длительного периода, продолжительность которого выходит за пределы обычного горизонта стратегического планирования.
Институциональные показатели, связанные с результативностью инноваций, можно агреги-
ровать в две подгруппы: 1) непосредственно связанные с инновационной деятельностью экономических субъектов; 2) оказывающие или способные оказать на нее влияние. В первой подгруппе наиболее важное значение имеет количество новых используемых производственных технологий. Перспективность использования данного показателя для оценки инновационных процессов обусловлена его высокой информативностью о состоянии и динамике именно технико-технологических аспектов инноваций. Влияние масштабов производства при этом не принимается во внимание, что позволяет оценить и интенсивную и экстенсивную составляющие динамики. При сравнительном анализе регионов с использованием данного показателя в статике, данное обстоятельство мешает объективной оценке, но при динамическом анализе оно позволяет абстрагироваться от масштабов сопоставляемых систем. В институциональном смысле данный показатель представляет собой одну из «склонностей» - склонность к инновациям.
Во вторую подгруппу необходимо включить показатели, характеризующие институциональную среду с точки зрения состояния рынка и его подсистем, определяющих поведение потребителей: склонность к потреблению, склонность к сбережению, склонность к монетизации активов, склонность к материализации инвестиций.
Значительное количество регионов в Российской Федерации и их существенная дифференциация по уровню и характеру пространственно-функционального развития требует выбора модельных регионов, представляющих достаточно однородных по совокупности исследуемых признаков (инновационных и институциональных показателей). Поскольку целью статьи является апробация теоретико-методического подхода к анализу динамики инновационных и институциональных процессов, то расчеты проведены только в отношении одного модельного региона. Выбор модельного региона осуществлялся в три этапа: 1) кластерный анализ всех регионов страны, имеющих полную статистическую базу данных по совокупности инновационных и институциональных показателей, общий состав которых составил 70 административно-территориальных образований страны, объединенных в пять виртуальных кластеров 2) выбор модельного региона в составе
каждого виртуального кластера; 3) выбор для анализа Тульской области - одного из наиболее динамичных в инновационном и институциональном плане региона.
Анализ динамики результативности инноваций и первичных институтов модельного региона позволил установить:
- динамика результативности инноваций обусловлено макроэкономическими факторами, в том числе - фазами экономического цикла; об это свидетельствует низкая результативность инноваций в период высокой экономической конъюнктуры (с 2005 по 2009 гг.), ее резкий рост в посткризисный период 2009 г. - 2011 г. потребовавший переориентации производства на новые технико-технологические и организационные решения; существенные, но менее выраженные колебания значений показателя в последующий период вне связи с задачами инновационного развития, поставленными федеральными документами стратегического планирования; прогноз до 2024 г. позволил установить четыре возможных вектора дальнейших изменений результативности инноваций;
- анализ динамики склонности к инновациям позволил выделить три различных краткосрочных периода, связанных с колебаниями макроэкономической конъюнктуры - в кризисные периоды склонность к инновациям растет, вне связи с динамиков результативности инноваций; ни одна из использованных функций, не позволяет описать фактическую и прогнозную динамику склонности к инновациям с достаточной степенью достоверности; хотя каждая из функций недостаточно достоверна, но все они нисходящие, что позволяет прогнозировать падение склонности к инновациям;
- динамика склонности к потреблению на протяжении всего анализируемого периода нестабильная; специфика динамики показателя -чрезвычайно сильный рост, начиная с 2016 г., что позволяет прогнозировать усиление влияния спроса на инновационную активность и результативность инноваций при его росте по линейной или полиномиальной функциям;
- динамика склонности к сбережению почти зеркально отражает динамику склонности к потреблению: кризисный 2008 г. - рост склонности к потреблению - падение склонности к сбережению; период с 2009 по 2014 г.- плавный рост склонности к потреблению - снижение
склонности к сбережению при отсутствии явных связей с инновационными процессами в регионе, что позволяет предположить ориентацию инновационной деятельности на внешние по отношению к региону рынки;
- склонность к монетизации активов и материализации инвестиций изменяются в довольно широком диапазоне значений, динамика не описывается ни одной из использованных функций; определенные взаимосвязи с макроэкономическими и инновационными процессами не заметны.
Библиографический список
1. Кейнс, Дж.М. Общая теория занятости, процента и денег / Дж. М. Кейнс. М.: АСТ, 2021. - 448 с.
2. Маркс, К. Капитал. Критика политической экономии. Т.1. - М.: Политиздат, 1973. - 907 с.
3. Мюрдаль, Г. Азиатская драма : Исследование нищеты народов / Г. Мюрдаль. - Москва, 1970. - 204 с.
4. Норт, Д. Институты, институциональные изменения и функционирование экономики / Пер. с англ. А.Н. Нестеренко; предисл. и науч. ред. Б.З. Мильнера. — М.: Фонд экономической книги «Начала», 1997. — 180 с.
5. Пригожин И. Порядок из хаоса: Новый диалог человека с природой / И. Пригожин, И. Стенгерс. — М.: Прогресс, 1986. — 432 с.
6. Регионы России. Социально-экономические показатели. 2020: Р32. Стат. сб. / Росстат. - М., 2020. - 1242 с.https://rosstat.gov.m/fo1der/210МоситеП/13204
7. Смит, А. Исследование о природе и причинах богатства народов. Т. 1 / А. Смит. - М.; Л.: Госсоцэкиз, 1931. - 436 с.
8. Стратегия инновационного развития Российской Федерации на период до 2020 года. Утверждена распоряжением Правительства Российской Федерации от 8 декабря 2011 г. N 2227-р.
http://www.consu1tant.ru/document/cons_doc_LAW _123444/2f806c88991ebbad43cdaa1c63c2501dc94c 14а£/
9. Тоффлер, Э. Третья волна / Э. Тоффлер / пер. с англ. - М.: АСТ, 2010. - 795 с.
10. Фрэнк, Р. Дарвинская экономика: Свобода, конкуренция и общее благо /пер. с англ. Николая Эдельмана. M.: Изд. Института Гайдара, 2013. - 352 с.
11. Фукуяма, Ф. Отставание / Ф. Фукуяма; пер. с англ А. Георгиева. - M.: Астрель, 2012. -477 с.
12. Ягольницер, MA. Измерение влияния институциональных условий на образование инновационных кластеров в регионах России / MA. Ягольницер, Е.А. Колобова // Вопросы инновационной экономики. 2018. Т. 8. № 4. С. 661-678.
13. Hartigan, J.A., Wong M.A. Algorithm AS 136: A K-Means Clustering Algorithm. Journal of the Royal Statistical Society Series C (Applied Statistics). 1979. - Vol. 28, N 1. - P. 100-108.
14. Strielkowski W., Mukhoryanova O., Kalna-ya A. The impact of non-rooted social institutions on the development of national and regional innovation systems// Journal of Institutional Studies. 2022. Т. 14. №1 С. 70-88.
15. Tabachnikova M., Treshchevsky Yu., Frankovskay G/, Vertakova Yu/, Sogacheva O. Economic and institutional development of Russian regions in the context of the global socio-economic processes. Globalization and its socio-economic consequences. 17th International Scientific Conference. University of Zilina, The Faculty of Operation and Economics of Transport and Communications, Department of 4th - 5th October 2017. Rajecke Teplice, Slovak Republic. Part YI. P. 2642-2649.
16. Treshchevsky Yu.I., A.Yu. Kosobutskaya, А.А. Prachenko and A.G. Malugina Innovative Activity in the Institutional Environment of Russian Regions/ In: Innovation Management and Sustainable Economic Development in the Era of Global Pandemic: Proceedings of the 38th International Business Information Management Association Conference (IBIMA). Khalid S. Soliman (ed.) 23-24 November 2021, Seville, Spain. P. 7841-7849.
17. Weber, Max. Wirtschaft und Gesellschaft. Grundriss der verstehenrer Soziologie. 5. Reviderte Aufl. Besorgt von Johannes Winckelmann. Tubingen: J.C.B. Mohr (Paul Siebeck), 1972. - 945 s.
Поступила в редакцию - 10 апреля 2022 г. Принята в печать - 18 апреля 2022 г.
Bibliography
1. Keynes, J.M. General theory of employment, interest and money / J.M. Keynes. M.: AST, 2021. -
448 p.
2. Marx, K. Capital. Critique of Political Economy. Vol.1. - M.: Politizdat, 1973. - 907p.
3. Murdal, G. Asian Drama : A Study of Poverty of Peoples / G. Murdal. - Moscow, 1970. - 204 p.
4. North, D. Institutions, Institutional Change and Economic Performance / Ed. by B.Z. Milner. -Moscow: Foundation of Economic Books "Beginnings", 1997. - 180 p.
5. Prigogine I. Order out of Chaos: The New Dialogue of Man with Nature / I. Prigogine, I. Stengers. - Moscow: Progress, 1986. - 432 p.
6. Russian Regions. Socio-economic indicators. 2020: P32. Stat. coll. / Rosstat. M., 2020. 1242 p.https://rosstat.gov.ru/folder/210/document/13204.
7. Smith, A. An Inquiry into the Nature and Causes of the Wealth of Nations. T. 1 / A. Smith. - M.; L.: Gossochekiz, 1931. - 436 p.
8. Strategy for Innovative Development of the Russian Federation for the period up to 2020. Approved by Russian Federation Government Decree of December 8, 2011, N 2227-r. http://www.consultant.ru/document/cons_doc_LAW_123444/2f806c88991ebbad43cdaa1c63c2501dc94c14a f/
9. Toffler E. The third wave / E. Toffler / translated from English. - Moscow: AST, 2010. - 795 p.
10. Frank, R. Darwinian economics: Freedom, competition and the common good / translated from English by Nikolas Edelman. Moscow: Publishing house of the Gaidar Institute, 2013. - 352 p.
11. Fukuyama, F. Backwardness / F. Fukuyama; translated from English by A. Georgiev. - Moscow: Astril, 2012. - 477 p.
12. Yagolnitser, M.A. Measuring the influence of institutional conditions on the formation of innovation clusters in the regions of Russia / M.A. Yagolnitser, E.A. Kolobova // Voprosy v innovatsionnoy ekonomiki. - 2018. - T. 8. № 4. - P. 661-678.
13. Hartigan, J.A., Wong M.A. Algorithm AS 136: A K-Means Clustering Algorithm. Journal of the Royal Statistical Society Series C (Applied Statistics). 1979. - Vol. 28, N 1. - P. 100-108.
14. Strielkowski W., Mukhoryanova O., Kalnaya A. The impact of non-rooted social institutions on the development of national and regional innovation systems// Journal of Institutional Studies. - 2022. - V. 14. - №1. - P. 70-88.
15. Tabachnikova M., Treshchevsky Y u., Frankovskay G/, Vertakova Yu/, Sogacheva O. Economic and institutional development of Russian regions in the context of the global socio-economic processes. Globalization and its socio-economic consequences. 17th International Scientific Conference. University of Zilina, The Faculty of Operation and Economics of Transport and Communications, Department of 4th - 5th October 2017. Rajecke Teplice, Slovak Republic. Part YI. P. 2642-2649.
16. Treshchevsky Yu.I., A.Yu. Kosobutskaya, A.A. Prachenko and A.G. Malugina Innovative Activity in the Institutional Environment of Russian Regions/ In: Innovation Management and Sustainable Economic Development in the Era of Global Pandemic: Proceedings of the 38th International Business Information Management Association Conference (IBIMA). Khalid S. Soliman (ed.) 23-24 November 2021, Seville, Spain. P. 7841-7849.
17. Weber, Max. Wirtschaft und Gesellschaft. Grundriss der verstehenrer Soziologie. 5. Reviderte Aufl. Besorgt von Johannes Winckelmann. Tubingen: J.C.B. Mohr (Paul Siebeck), 1972. - 945 s.
Received - 10 April 2022 Accepted for publication - 18 April 2022