CC BY
26РАЗДЕЛ 1. АКТУАЛЬНАЯ ТЕМА
УДК 332.05
ГРНТИ 06.52.35
ОЦЕНКА ИНТЕЛЛЕКТУАЛЬНО-ИННОВАЦИОННОЙ АКТИВНОСТИ РЕГИОНОВ СФО
ДУБИНА ИГОРЬ НИКОЛАЕВИЧ
доктор экономических наук, профессор, Алтайский государственный университет, г. Барнаул, 656049, пр. Ленина, д. 61, Россия E-mail: igor_dubina@yahoo.com
МКРТЧЯН ГАГИК МКРТИЧЕВИЧ
доктор экономических наук, профессор, декан экономического факультета, Новосибирский национальный исследовательский государственный университет,
г. Новосибирск, 630090, Россия E-mail: gagik@ieie.nsc.ru
ОСТАЩЕНКО ТАТЬЯНА ВИКТОРОВНА
аспирант, Алтайский государственный университет, г. Барнаул, 656049,
пр. Ленина, д.61, Россия E-mail: bajenova_tanya@mail.ru
Аннотация. В статье представлены результаты применения разработанной авторами методологии, методики и инструментария комплексной оценки региональной интеллектуально-инновационной активности, в качестве основных компонентов которой рассмотрены интеллектуально-инновационный капитал региона, интеллектуально-инновационный климат региона и интеллектуально-инновационный потенциал региона. На основе использования большого массива экономико-статистических данных, характеризующих развитие регионов СФО в 2000-2014 гг. (около 10000 значений), проведен сравнительный анализ интеллектуально-инновационной активности Алтайского края и других регионов СФО.
Ключевые слова: интеллектуально-инновационная активность региона, региональная интеллектуально-инновационная система, интеллектуально-инновационный потенциал региона, интеллектуально-инновационный климат региона, интеллектуально-инновационный капитал региона, теория измерений.
THE ASSESSMENT OF INTELLECTUAL AND INNOVATION ACTIVITIES OF THE SIBERIAN FEDERAL DISTRICT REGIONS
Igor N. Dubina
Doctor of Economic Sciences, Professor, Altai State University, Barnaul, 656049,
Lenin St., bld. 61, Russia E-mail: igor_dubina@yahoo.com
Gagik. M. Mkrtchyan
Doctor of Economic Sciences, Professor, Dean of economic faculty, Novosibirsk National Research State
University, Novosibirsk, 630090, Russia E-mail: gagik@ieie.nsc.ru
Tatiana V. Ostaschenko
Postgraduate, Altai State University, Barnaul, 656049, Lenin St., bld. 61, Russia E-mail: bajenova_tanya@mail.ru
Abstract. This paper presents preliminary results of application of the authors' methodic of the assessment and analysis of regional intellectual and innovation activities of 12 regions of the Siberian Federal District for 2000-2014.
Intellectual and innovative capital, climate and potential of regions are considered as the main elements of regional intellectual and innovation activities.
Key words: regional intellectual and innovation activity, regional intellectual and innovation system, capital, capital, regional intellectual capital, regional intellectual potential, regional intellectual climate, measurement theory.
Ключевые понятия и исследовательские гипотезы
Понятие «интеллектуально-инновационная активность региона» (ИИАР) является новым понятием для российской и зарубежной экономической литературы. Авторы данной статьи связывают это понятие с понятием региональной интеллектуально-инновационной системы
(РИИС), определяемой как совокупность взаимосвязанных и взаимодополняющих научно -образовательных, социокультурных,
производственно-технических, финансово-
экономических и организационно-управляющих структур, взаимодействие которых ориентировано на создание, обмен, преобразование и реализацию новых знаний в форме технологических и иных инновационных продуктов [5]. К таким структурам относятся, в частности, научно-исследовательские организации, вузы, бизнес-инкубаторы, технопарки, экспертные и консультационные бюро, патентные службы, институты финансовой поддержки стартапов, а также специализированные организации и институты правового, материально-финансового, информационного и социального характера, обеспечивающие взаимодействие образовательных, научных, предпринимательских и некоммерческих организаций и структур на региональном уровне.
Соответственно, интеллектуально-инновационная активность региона определяется как активность основных субъектов (или, используя англоязычную терминологию, стейкхолдеров) региональной интеллектуально-инновационной системы [2; 3].
В наших предыдущих работах [2; 34 5] были выделены ключевые характеристики различных аспектов регионального интеллектуально-инновационного развития: категории ИПР, ИКлР и ИКР.
Регионам ьный интеллектуал ьно-инноваци-онный потенциал (ИПР) - способность к восприятию и воспроизводству новых и уже имеющихся знаний, передовых идей в области науки, техники и технологии, культуры, образовании, здравоохранении и их эффективного
использования в целях повышения конкурентоспособности и социально-
экономического развития региона.
Региональный интеллектуально-инновационный климат (ИКлР) - текущее состояние, инфраструктура и условия (в том числе социально-экономические), в которых происходит трансформация интеллектуального потенциала региона в интеллектуальный капитал.
Региональный интеллектуально-инновационный капитал (ИКР) - капитал, источником которого являются люди, обладающие интеллектуальными способностями, определенными знаниями, умениями, профессиональными навыками, опытом, являющиеся активными участниками экономических отношений и способные внести вклад в формирование валового регионального продукта, повышение инвестиционной привлекательности региона.
Такое разграничение было сделано при предположении, что капитал предполагает способность приносить доход, потенциал отражает наличие определенных возможностей (ресурсов) формирования капитала, а климат - условия реализации (осуществления, использования) имеющегося потенциала. То есть, если интеллектуальный потенциал отражает возможности для развития ИК в перспективе, то интеллектуальный климат отражает текущее состояние, инфраструктуру и условия (в том числе социально-экономические), в которых происходит трансформация интеллектуального потенциала в ИК.
Основные гипотезы исследования, представляемого в данной статье:
1) категории ИПР, ИКлР и ИКР отражают латентные характеристики развития региона и могут быть определены с использованием методов математико-статистического анализа;
2) категории ИПР, ИКлР и ИКР могут рассматриваться в качестве ключевых компонентов ИИАР, при этом ИКлР отражает условия трансформации ИПР в ИКР (рис. 1);
3) ИКР оказывает влияние на экономическое развитие региона, которое, в свою очередь, влияет на компоненты ИИАР (рисунок 1).
Рис. 1. Концептуальная модель взаимосвязи ИПР, ИКлР и ИКР
Используемые экономико-статистические данные и математико-статистические методы
Выбор показателей для последующей оценки интеллектуально-инновационной активности региона (ИИАР) и ее компонентов (ИПР, ИКлР и ИКР) определялся, во-первых, научно-исследовательским опытом в данной области, представленным в литературе, во-вторых, доступностью показателей, в-третьих, их
надежностью (обоснованностью, объективностью, точностью). Подробное обоснование выбора показателей представлено в работах авторов [2; 3; 5]. В соответствии с этими критериями использовались ресурсы Федеральной службы государственной статистики, на основе которых был сформирован массив данных по 51 показателю (таблица 1), характеризующий социально-экономическое развитие 12 регионов СФО за период 2000-2014 гг.
Таблица 1
Показатели, используемые для проведения статистического анализа
№ Показатель
1 2
1. общее число организаций в регионе
2. организации, выполняющие научные исследования и разработки
3. доля инновационно-активных предприятий
4. численность персонала, занятого научными исследованиями и разработками
5. численность занятого населения
6. доля персонала, занятого исследованиями и разработками в общей численности занятого населения
7. среднедушевые доходы
8. численность безработных
9. экономически активное население
10. доля безработных в численности экономически активного населения
11. общая численность населения
12. численность исследователей с учеными степенями
13. численность исследователей с учеными степенями на 10 000 населения
14. число больничных учреждений
15. число больничных учреждений на 10 000 населения
16. число больничных коек
17. число больничных коек на 10 000 населения
18. число спортивных сооружений
19. число спортивных сооружений на 10000 человек
20. число учреждений культурно досугового типа
21. число учреждений культурно-досугового типа на 10000 человек населения
22. число аспирантов и докторантов
23. число аспирантов и докторантов на 10000 населения
24. число студентов, обучающихся по программам высшего профессионального образования
25. число студентов, обучающихся по программам высшего профессионального образования на 10 000 человек населения
26. ВРП
27. внутренние затраты на научные исследования и разработки
28. доля затрат на исследования и разработки в ВРП
Продолжение таблицы
1 2
29. затраты на технологические инновации
30. затраты на технологические инновации в ВРП
31. затраты на информационные и коммуникационные технологии
32. затраты на информационные и коммуникационные технологии, в ВРП
33. затраты на социально-культурные мероприятия
34. доля затрат на социально-культурные мероприятия в ВРП
35. затраты на образование
36. доля затрат на образование в ВРП
37. затраты на здравоохранение
38. доля затрат на здравоохранение в ВРП
39. расходы на социальную политику
40. доля расходов на социальную политику в ВРП
41. объем инновационных товаров, работ, услуг
42. доля инновационных товаров, работ, услуг в ВРП
43. разработанные передовые производственные технологии
44. разработанные передовые производственные технологии на 10 000 населения
45. поступление патентных заявок
46. число патентных заявок на 10 000 населения
47. выдача патентов
48. число выданных патентных заявок на 10 000 населения
49. ВРП на душу населения
50. ВРП на душу занятого населения
51. ВРП на душу экономически активного населения
Для представления данных и статистических расчетов использовались программы MS Excel и PSPP. Проверка нормальности распределения данных (по годам) по каждому индикатору (отдельно по каждому региону) на основе теста Колмогорова-Смирнова показала, что распределение имеющихся данных статистически значимо не отличается от нормального со статистической погрешностью 10% (р>0,1).
Исходные данные представлены в метрической шкале, поэтому к ним могут быть корректно применены любые математико-статистические процедуры, в том числе процедуры стандартизации.
Поскольку значения выбранных показателей для оценки ИКР могут иметь разные единицы измерения (например, проценты, денежные единицы, количественные единицы) и разный масштаб, их необходимо привести к сопоставимому виду, к единой шкале, то есть нормировать. Эта процедура технически возможна и имеет смысл при проведении сравнительного межрегионального анализа, когда по одному показателю известны значения для нескольких регионов.
В данном исследовании использовались две стандартизированных шкалы. В качестве первой шкалы использовалась (0-1)-шкала
преобразования данных на основе их линейного масштабирования в соответствии с [1]. Интерпретация результатов оценки РИИС в такой
шкале очевидна (сравнение с регионом, имеющим максимальное значение показателя), но результаты будут зависеть от выборки (в данном случае -группы регионов), кроме того, не учитывается вариативность значений по показателю. Недостатком также является «неудобство» или невозможность применения ряда методов агрегирования (например, расчета среднего геометрического или среднего гармонического) для такой шкалы из-за нулевых значений. Другим способом нормирующего преобразования исходных данных являлось их приведение к так называемой «стандартной Г-шкале» [1]. Среднее значение в такой шкале равно 50, стандартное отклонение - 10. Соответственно, регионы со значениями показателя, меньшими среднего по группе, будут иметь нормированные значения ниже 50, а с большими - выше 50. Интерпретация результатов оценки РИИС в такой шкале может быть более понятной и удобной. Одно из преимуществ такой шкалы заключается в фиксированном значении стандартного отклонения, что позволяет оценивать точность расчета исследуемой характеристики путем определения стандартной ошибки среднего и построения доверительного интервала [1]. Отметим, что применение рассмотренных выше шкал является корректным с математической точки зрения при предположении нормального распределения данных.
При достаточно большом количестве и разнородности показателей, целесообразно разделить их на группы, соответствующие, например, определенным факторам, влияющим на ИИАР и ее компоненты (например, развитие науки, образования, культуры и т.д.), или характеру такого влияния (например, прямое или косвенное воздействие и т.п.) или способам (механизмам) влияния (например, финансовые, организационные). При этом по каждой группе предполагается определение обобщенного группового показателя (индекса).
Методологическая основа данного исследования построена на интеграции индуктивно-эмпирического и концептуально-дедуктивного подходов к определению ключевых факторов ИИАР. Инструментами такого подхода служили методы факторного анализа и методы анализа внутренней согласованности-надежности.
Факторный анализ позволяет выявить небольшое число непосредственно ненаблюдаемых (латентных) факторов, через которые наилучшим (в определенном смысле) образом объясняется изменчивость всех наблюдаемых показателей. При этом предполагается, что все первоначальные показатели определяются выявленными (т.н. «общими» факторами). В общем случае латентные факторы ищутся как линейные комбинации наблюдаемых показателей, причем латентные факторы подбираются так, чтобы после исключения влияния очередного фактора из всех наблюдаемых показателей коэффициенты корреляции между всеми парами итоговых показателей уменьшаются. Однако, эта техническая процедура имеет ряд ограничений и недостатков. «Статистически однородные», но содержательно различные показатели могут быть включены в один «общий» признак, поэтому одна из главных проблем, возникающих при использовании факторного анализа и лежащих за границами математики, - это проблема интерпретации латентных факторов, которые, являясь решениями формальной математической задачи, далеко не всегда могут поддаваться предметно-содержательной интерпретации [4].
Действительно, при разделении показателей на группы необходимо концептуально-
содержательное обоснование их включения в соответствующие группы. В частности, необходимо ответить на вопрос: действительно ли с помощью этих показателей мы измеряем (оцениваем) характеристику, выраженную агрегированным показателем? В нашем случае также необходимо ответить на вопрос: действительно ли обобщенные групповые показатели могут комплексно характеризовать ИПР, ИКлР и ИКР?
Поэтому в данном исследовании, не исключая преимуществ и возможностей факторного анализа, авторы также исходили из иного методологического подхода проверки обоснованности (валидности) объединения показателей в группы. Ключевая идея, лежащая в основе такой проверки, заключается в следующем. Каждый из показателей, включенных в группу, направлен на косвенное выяснение какой-то одной стороны, отдельного «фрагмента» ИКР как характеристики региона, вследствие чего каждый показатель является частичным индикатором ИКР. Однако прежде чем интегрировать данные по индикаторам, необходимо соблюдение условия, что эти индикаторы отражают одно и то же, имеют нечто общее. Если это не так, тогда операция получения комплексной оценки просто не имеет смысла. Поэтому необходимо оценить внутреннюю согласованность (непротиворечивость) показателей, включенных в группу.
Разработано несколько специальных методов оценки внутренней согласованности измерений. Для количественного обоснования возможности агрегирования показателей по определенному набору использованы соответствующие методы теории измерений [1]. Ключевая идея, лежащая в основе такого обоснования, заключается в следующем. Каждый из показателей, включенных в группу, направлен на косвенное выяснение какой-то одной стороны, отдельной характеристики ИИАР, вследствие чего каждый показатель является частичным индикатором ИИАР. Однако агрегирование этих индикаторов предполагает, что они отражают одно и то же, имеют нечто общее. Если это не так, тогда операция получения агрегированного показателя не имеет смысла. Поэтому необходимо оценить внутреннюю согласованность (надежность, непротиворечивость) показателей, включенных в группу. Вариантом математической реализации этой идеи является расчет коэффициент альфа Кронбаха, который характеризует внутреннюю согласованность (гомогенность) результатов измерений [1].
Дальнейший анализ можно проводить как по отдельным, так и обобщенным показателям. На основе такого анализа можно оценить уровень инновационного развития территории, выявить факторы, положительно или отрицательно влияющие на уровень интеллектуально-инновационной активности, провести
межрегиональные сравнения. Обобщенный индекс по группе определялся как среднее арифметическое, среднее геометрическое и среднее гармоническое. Использование среднего арифметического, среднего геометрического и среднего гармонического для агрегирования
индексов позволяет получить их усредненное значение, сводя многомерную оценку к одномерной характеристике.
Существуют различные аргументы в пользу выбора того или иного вида средней величины. Построение обобщенного индекса требует обоснования выбора адекватной формы средней, учитывающей экономическое содержание показателя. Поскольку одним из критериев формирования системы показателей является предпочтительность относительных величин, для анализа их совокупного изменения правомерно использовать среднюю геометрическую оценку, так как она является формой средней, свойственной отношениям и произведениям (тогда как средняя арифметическая оценка свойственна суммам, разностям и другим линейным функциям). Преимущество данного способа нефинансовой оценки заключается в том, что исходные показатели могут быть выражены абсолютно разными величинами и быть несоизмеримыми.
При использовании средней арифметической оценки в результате суммирования значений показателей возникает эффект их взаимозаменяемости. То есть допускается возможность того, что низкие показатели в одном измерении могут линейно компенсироваться более высокими значениями в другом. Преимуществом выбора среднего геометрического для исчисления обобщенного индекса ИКР является то, что данный способ усреднения позволяет сохранить вклад каждого из агрегируемых индексов, исключая эффект их полной взаимозаменяемости.
Выбор вида средней величины также зависит от исходной базы расчета. Так, при преобразовании исходных данных на основе их линейного масштабирования по шкале (0-1), дальнейшее применение среднего
геометрического или среднего гармонического для агрегирования становится невозможным из-за нулевых значений, в таком случае может быть использовано среднее арифметическое.
Аналогично определяется комплексный (интегральный) показатель интеллектуально-инновационной активности региона (ИИАР) по группе обобщенных (агрегированных) показателей ИПР, ИклР и ИКР.
Важной с теоретической и практической точек зрения является задача сопоставления в динамике показателей интеллектуально-инновационной активности регионов (ИИАР) с показателями регионального экономического развития (ВРП, производительность труда, темпы роста и т.д.).
Группировка и агрегирование показателей
В качестве предварительного варианта распределения исходных показателей на группы был использован метод главных компонент, входящий в инструментарий факторного анализа и инструментально реализованный в программе PSPP. В результате применения этого метода ко всему массиву исходных данных (51 переменная, 144 наблюдения) в стандартизованной Т-шкале (метод рекомендуется применять для центрированных и нормированных данных []) было выделено 6 основных компонент (латентных факторов), для которых начальное собственное значение превышает 1.0; при этом выделенные факторы «объясняют» 89,4% дисперсии.
В соответствии с матрицей компонент, представляющей нагрузки факторов (корреляции с исходными переменными) до и после осуществления процедуры вращения факторных осей, исходные показатели были разделены на группы. После вращения к первому компоненту были отнесены 17 показателей (1, 5, 8, 9, 11, 13, 15, 18, 20, 24, 26, 31, 33,35, 37, 39, 41) ко второму - 16, к третьему - 6, к четвертому - 7, пятому -2, шестому - 2. Однако, подобные «технические» результаты кластеризации показателей не позволили интерпретировать социально-экономический смысл выделенных групп в контексте решаемой задачи в силу значительной содержательной разнородности факторов, включенных в соответствующие группы. Например, к первому компоненту были отнесены следующие показатели: 1, 5, 8, 9, 11, 13, 15, 18, 20, 24, 26, 31, 33,35, 37, 39, 41.
Поскольку по исходным данным различия регионов по многим показателям в абсолютных значениях весьма значительны (до нескольких порядков), а также с целью сокращения числа переменных и для содержательно корректного межрегионального сравнения в качестве индикаторов для оценки различных аспектов ИИАР были выбраны приведенные показатели, а именно: 3, 6, 7, 10, 13, 15, 17, 19, 21, 23, 25, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48 (таблица 1).
Применение факторного анализа для данного набора показателей определило 4 общих фактора, «объясняющих» 80,84% изменчивости данных. К первому компоненту после выполнения процедуры вращения отнесены 7 показателей (3, 15, 21, 34, 36, 38, 40), ко второму - 11 (6, 7, 10, 13, 23, 25, 28, 33, 44, 46, 48), третьему - 2 (17, 19), четвертому - 2 (30, 42). В этом случае интерпретация результатов вызывает меньше сложностей, хотя группы остаются достаточно неоднородными с точки зрения содержательного смысла включенных показателей.
В наиболее многочисленную (вторую) группу вошли показатели, характеризующие довольно различные аспекты и смыслы инновационной активности (возможности, ресурсы, условия, результаты), хотя значение коэффициента альфа Кронбаха, характеризующего внутреннюю согласованность данных в этой группе очень высок (0,95), что, может являться «техническим» следствием сравнительно большого (для данного метода) числа переменных и наблюдений [1]. Однако выборочное повторение факторного анализа для данных за 3 отдельных года привело к аналогичным результатам. Повторное проведение факторного анализа по выделенной группе позволило исключить из данной группы «экономические» показатели 7 и 10, вошедшие в отдельную группу.
В первую группу вошли показатели, характеризующие преимущественно социально-культурную инфраструктуру региона. Внутренняя
согласованность в данной группе также высок (коэффициент Кронбаха равен 0,94). Другие группы (3 и 4) включают всего по 2 показателя с низкой согласованностью (0,49 и 0,45 соответственно).
Таким образом, факторный анализ позволил выделить две больших группы показателей, одна из которых непосредственно относится к интеллектуально-инновационной активности региона, другая - к сфере образования, культуры и здравоохранения. В то же время группа «инновационных показателей», несмотря на хорошую «техническую» согласованность достаточно разнородна по смыслу, и не позволяет детализировать оценку ИИАР.
Далее, в соответствии с разработанной концепцией ИИАР (рисунок 1), а также учитывая результаты проведенного факторного анализа, оценивалась согласованность индикаторов в 3 группах, представленных в таблице 2.
Таблица 2
Группировка индикаторов ИПР, ИКлР, ИКР для оценки согласованности
Группа Индикаторы
1 - ИПР 3, 6, 7, 10, 13, 15 , 17, 19, 21, 23, 25
2 -ИКлР 26, 28, 30, 32, 34, 36, 38, 40
3 -ИКР 42, 44, 46, 48
Для оценки согласованности показателей в группе (таблица 2) рассчитывались коэффициент альфа Кронбаха и коэффициент корреляции индикатора с суммарной шкалой по группе. Использовались данные в (0-1)-шкале и Т-шкале. Причем, для исключения нежелательных искажающих эффектов «больших данных», которые могут приводить к «техническому» увеличению показателя согласованности, согласованность оценивалась как по всему набору данных (за весь период 2000-2014 гг.), так и его отдельным фрагментам (отдельно по каждому году).
Согласованность указанных показателей в группах ИПР и ИКлР оказалась близкой к нулю или отрицательной по всем регионам и за все годы. Это означает, что подобное объединение показателей и расчет по ним агрегированных показателей некорректны.
Дальнейший анализ согласованности показал, что необходимо разделить показатели (3, 6, 13, 23, 25 и 7, 10, 15, 17, 19, 21). Соответствующие группы показателей были условно обозначены как «интеллектуально-инновационный потенциал региона» (ИПР) и «социально-экономический потенциал региона» (СЭП).
Аналогично, показатели группы ИКлР были разделены на подгруппы (26, 28, 30, 32) и (34,
36, 38, 40), соответственно обозначенные «информационно-технологический климат
региона» (ИТКР) и «социокультурный климат региона» (СКР). При этом коэффициент альфа принимает значение от 0,91 до 1,0 для первой группы и 0,43-0,77 для второй группы.
Показатели группы ИКР обеспечивают достаточно хорошую согласованность (0,69-0,91). Также хорошая согласованность (коэффициент альфа превышает 0,7) получена для группы показателей (7, 10, 26, 49, 50, 51), которая условно обозначена как «характеристики экономического развития региона» (ЭРР).
Все указанные результаты по оценке согласованности получены для шкал (0-1) и Т, которые обеспечивают очень близкие (статистически значимо неразличимые) значения. Таким образом, можно считать, что с точки зрения внутренней надежности-согласованности, (0-1)-шкала и Т-шкала являются эквивалентными.
Расчет согласованности по аналогичным группам по данным в исходной шкале демонстрирует заметно более низкую согласованность: для групп ИИПР и СЭП коэффициент альфа близок к 0, по другим группам значения коэффициента также заметно меньше. Тем самым подтверждается, что данные
в исходной шкале (без стандартизации) нельзя использовать для расчета агрегированных показателей ИИАР.
Таким образом, проведенный статистический анализ согласованности привел к изменению начальной концептуальной модели оценки ИИАР
Факторный анализ выделенных групп подтверждает соответствие показателей единому компоненту. В таблице 3 также представлены коэффициенты Кронбаха, рассчитанные по всему массиву данных (за весь период анализа). Результаты по данным в (0-1) - и Т-шкалах можно считать эквивалентными.
После группировки базисных показателей на основе анализа их внутренней надежности-согласованности, определялись обобщенные (агрегированные) показатели по соответствующим группам. Обобщенный индекс по группе может определяться как среднее арифметическое, среднее геометрическое или среднее гармоническое. Поскольку в литературе отсутствует консенсус относительно выбора метода агрегирования, на данном этапе работы применялись все три способа.
Общий коэффициент согласованности (альфа) по всем агрегатам близок к нулю (по модулю не превышает 0,06) при использовании любого из 3 способов агрегирования. В то же время, коэффициент альфа по агрегатам ИПР, ИТКР, ИКР составляет 0,95. Полученные результаты означают, что агрегаты ИПР, ИТКР, ИКР, СКИ, СКР вместе не представляют и не отражают некую общую интегральную характеристику, то есть они не могут совместно использоваться для расчета комплексной (интегральной) характеристики интеллектуально-инновационной активности региона. С другой стороны, полученные результаты свидетельствуют о возможности использования агрегатов ИИПР, ИТКР, ИКР для получения такой характеристики.
Корреляционный анализ агрегированных показателей с показателями ЭРР демонстрирует наличие прямых корреляционных связей ЭРР с
(рисунок 1) и к выделению дополнительных групп индикаторов (коэффициент альфа Кронбаха выше 0,6, и коэффициент корреляции «индикатор -суммарная шкала по группе» в диапазоне от 0,3 до 0,9) с условными обозначениями групп, приведенными в таблице 3.
ИПР, ИТКР, ИКР и обратных - с СКИ, СКР. Например, коэффициент парной корреляции ВРП на душу населения в исходной шкале с агрегатами за 2014 г. (Т-шкала, агрегирование на основе среднего арифметического): ИПР: 0,51 (р=0,09) СКИ: -0,62 (р=0,03) ИТКР: 0,76 (р=0,01) СКР: -0,77 (р=0,01)
Агрегирование на основе среднего гармонического или среднего геометрического дает аналогичные результаты с несколько меньшими абсолютными значениями
коэффициента корреляции (на 0,01 - 0,03).
Аналогичные результаты получены при представлении ВРП на душу населения в стандартной Т-шкале, а также при использовании других показателей группы ЭРР и проведении корреляционного анализа в разные годы исследуемого временного периода. Использование (0-1)-шкалы дает аналогичные результаты для агрегирования на основе среднего арифметического, но есть незначительные отличия в коэффициентах (уменьшение) при двух других способах агрегирования, так не учитываются нулевые значения.
Причина обратной корреляции агрегатов СКИ и СКР с индексами ЭРР заключается в том, что между соответствующими исходными базисными приведенными показателями и показателями ЭРР также наблюдается обратная корреляция из-за непропорционального изменения показателей групп СКИ и СКР по регионам. Например, затраты на социально-культурные мероприятия в Республике Алтай в 2014 г. составили 11,31 млрд. руб., что соответствует 28,9% от ВРП. В более развитом
Таблица 3
Группировка индикаторов социально-экономического развития регионов для расчета агрегированных показателей оценки ИИАР
Группа Индикаторы Согласованность
Интеллектуально-инновационный потенциал региона (ИПР) 6, 13, 23, 25 0,88
Социокультурная инфраструктура региона (СКИ) 15, 17, 19, 21 0,66
Информационно-технологический климат региона (ИТКР) 28, 30, 32 0,60
Социокультурный климат региона (СКР) 34, 36, 38, 40 0,99
Интеллектуально-инновационный капитал региона (ИКР) 42, 44, 46, 48 0,77
Характеристики экономического развития региона (ЭРР) 7, 10, 26, 49, 50, 51 0,95
(экономически и инновационно) Красноярском крае аналогичные затраты на порядок выше - 130,12 млрд. руб., но при этом соответствующий приведенный показатель - всего 9,14%. Аналогичная ситуация по всем остальным приведенным показателям групп СКИ и СКР. Это еще раз подтверждает наш вывод, полученный по результатам анализа внутренней согласованности, об отсутствии прямой связи показателей этих групп с интеллектуально-инновационным развитием региона и, соответственно, о некорректности их включения в интегральную характеристику такой активности.
Также был проведен регрессионный анализ влияния агрегированных показателей на показатели группы ЭРР, однако он не дал принципиально новых результатов по причине того, что многофакторные модели нельзя считать
статистически значимыми из-за возникающего эффекта мультиколлинеарности (заметная связанность агрегатов друг с другом), т.е. применение таких моделей для анализа нельзя считать корректным. Применение же парных регрессионных моделей, принципиально новой информации по сравнению с корреляционным анализом, в данном случае, не дает.
Исходя из статистических показателей согласованности и коррелированности, полученных на предыдущих и данном этапе, а также сравнение данных результатов с результатами ранее проведенного факторного анализа, итоговым результатом данного этапа является верифицированная модель интегральной характеристики ИИАР на основе 3 агрегатов (ИПР, ИТКР, ИКР), оцениваемых на основе соответствующих показателей-индикаторов (рисунок 2).
Рис. 2. Концептуальная модель ИИАР
Таким образом, в целом первоначально сформулированная концепция (рисунок 1) и соответствующие исследовательские гипотезы подтверждены, хотя в ходе исследования ее содержательный и инструментальный смысл был скорректирован (рисунок 2).
Анализ результатов
Разработанная интегральная характеристика ИИАР демонстрирует хорошую сбалансированность по соответствующим агрегатам. Коэффициент внутренней согласованности-надежности агрегированных показателей по всему массиву наблюдений - 0,93, коэффициенты корреляции «показатель - итоговая шкала» лежат в интервале 0,84 - 0,88 (для (0-1)-шкалы) и 0,86 -0,89 (для Т-шкалы). Обнаруживается сильная
корреляция интегрального показателя ИИАР со всеми тремя агрегатами: 0,93 - 0,95.
Обнаружена заметная (0,26<г<0,58) положительная статистически значимая корреляция экономических показателей (ВРП, ВРП на душу населения и среднедушевых доходов), конвертированных в соответствующие шкалы, с компонентами ИИАР. и интегральным показателем ИИАР (0,51<г<0,59). Изменчивость показателей ЭРР и ИИАР в среднем (по всем регионам СФО за весь анализируемый период) связана с изменчивостью показателей ИИАР на 2635% процентов.
Для проверки гипотезы о различии влияния ИИАР на ЭЭР аналогичный анализ был проведен по группе из 3 наиболее инновационных регионов СФО (Томская, Новосибирская, Омская области) и
3 наименее инновационных регионов СФО (Республики Хакасия, Алтай, Тыва), в соответствии с рассчитанными интегральными показателями. Для группы инновационных регионов обнаруживается сильная корреляция интегрального показателя ИИАР со всеми тремя агрегатами (результаты аналогичны для (0-1)-шкалы и Т-шкалы): 0,89 - 0,97, а также высокая внутренняя согласованность показателей ИИАР (коэффициент альфа равен 0,90). Также обнаружена заметная корреляция компонентов ИИАР с ВРП на душу населения (0,31-0,48). Напротив, для второй группы регионов обнаруживается низкая внутренняя согласованность показателей ИИАР (коэффициент альфа равен 0,03), хотя наблюдается корреляция интегрального показателя ИИАР с агрегатами (0,25, 0,84, 0,23 соответственно). Заметной корреляции (с абсолютным значением коэффициента, превышающем 0,2) показателей ИИАР и ЭЭР не обнаружено. Таким образом, в различных с точки зрения уровня инновационного развития регионах взаимосвязанность
компонентов ИИАР различается.
Углубленное сравнение динамики ИИАР, ИКР и экономического развития трех субъектов СФО (Алтайский край, Новосибирская область и Республика Алтай), представляющих заметно различающиеся уровни ИИАР и ЭЭР, демонстрирует неравномерную динамику и структуру ИИАР за анализируемый период (20002014 гг.). Наблюдается слабая согласованность показателей ИИПР, ИКлР, ИКР и их связь с интегральной характеристикой ИИАР Республики Алтай, повышение соответствующих показателей для Алтайского края и наибольшие значения соответствующих показателей для Новосибирской области. Это может служить косвенным свидетельством связанности интеллектуально-инновационного и экономического развития регионов. Однако, корреляция между показателями ЭРР и агрегатами ИИАР является слабой или отсутствует во всех трех анализируемых регионах.
Исходя из полученных результатов, можно сделать вывод об увеличении тесноты связи между агрегатами ИИПР, ИТКР, ИКР и интегральной характеристикой ИИАР в регионах, более развитых в интеллектуально-инновационном и экономическом аспекте. Однако устойчивой корреляционной связи между показателями ЭРР и агрегатами ИИАР и закономерностей в изменении такой связи в конкретных исследуемых регионах обнаружить не удалось. Этот результат может быть связан с целым рядом факторов, среди которых: неравномерность развития регионов, различная динамика
развития по годам, «отложенный эффект» влияния ИИАР на ЭЭР, действительно незначительный «инновационный» вклад в экономику субъектов СФО. «Отложенный эффект» может быть связан с временным лагом от момента создания объекта интеллектуальной собственности до его внедрения и получения экономического результата интеллектуально-инновационной деятельности, который бы отражался на показателях ЭРР. Поскольку величина инвестиций в развитие интеллектуально-инновационной сферы зависит от экономической активности хозяйствующих субъектов и результатов их деятельности, можно предположить взаимовлияние ЭРР и ИИАР по принципу «разворачивающейся спирали». В самом общем виде эта гипотеза может быть сформулирована следующими образом: эффект влияния накопления ИКР на ЭРР проявляется не «одномоментно», а с некоторым временным лагом; рост ЭРР также не приводит к немедленному ускорению формирования и накопления ИКР, поскольку это влияние является опосредованным (через ИИПР и ИКлР); с течением времени эффекты «отложенного» взаимовлияния ИКР и ЭРР усиливаются. Проверка данной гипотезы может стать предметом дальнейших исследований.
Сравнительный анализ результатов оценки согласованности показателей, представленных в двух стандартизованных шкалах, и трех различных способов получения агрегированных показателей позволяет сделать вывод о сходных результатах при применении способов агрегирования на основе среднего арифметического и среднего геометрического при использовании Т-шкалы. Значения показателей внутренней надежности-согласованности и коррелированности в среднем несколько выше при использовании Т-шкалы по сравнению с (0-1)-шкалой, однако с практической точки зрения эти различия можно считать несущественными. Одно из преимуществ Т-шкалы для данного исследования заключается в фиксированном значении стандартного отклонения, что позволяет легко оценить статистическую точность расчета исследуемой характеристики путем определения стандартной ошибки среднего и построения доверительного интервала. Выбор шкалы для конкретного исследования может определяться удобством, наглядностью или простотой интерпретации результатов, «чувствительностью» используемых алгоритмов к нулевым значениям, требованиям к точности или другими факторами.
На основании расчетов агрегированных показателей ИКР, ИПР, ИКлР и интегрального показателя ИИАР произведено сравнение интеллектуально-инновационной активности
регионов СФО. Регионами-лидерами в 20002014 гг. стабильно являются Томская область, Новосибирская область, Омская область, Красноярский край. Причем, Томская и Новосибирская области демонстрируют лидирующие позиции по всем агрегатам. Остальные позиции регионов незначительно варьируются в зависимости от выбранного агрегата ИИАР.
Разработанный подход к мониторингу и анализу интеллектуально-инновационной
активности регионов и ее ключевых компонентов, в том числе интеллектуального капитала регионов, имеет практическую значимость для планирования и осуществления мероприятий по повышению эффективности управления интеллектуальным потенциалом, климатом и капиталом региона.
^исок использованных источников:
1. Дубина И.Н. Математико-статистические методы в эмпирических социально-экономических исследованиях. - М.: Финансы и статистика, 2010. - 416 с.
2. Дубина И.Н., Остащенко Т.В. Оценка интеллектуального капитала региона: задачи, методы, инструменты // Экономика и управление: проблемы, решения. - 2016. № 4. - С. 140-149.
3. Дубина И.Н., Остащенко Т.В. Региональный интеллектуальный капитал, интеллектуальный климат и интеллектуальный потенциал: вопросы определения, оценки и управления // Экономика и управление: проблемы, решения. - 2016. - №5. - С. 30-40.
4. Дронов С.В. Методы и задачи многомерной статистики: монография. - Барнаул, Изд-во Алт. ун-та, 2015. - 275 с.
5. Мкртчян Г.М., Дубина И.Н., Остащенко Т.В. Опыт статистического анализа согласованности показателей оценки региональной интеллектуально-инновационной системы // Материалы VII Всероссийской научно-практической конференции с международным участием «Региональные проблемы преобразования экономики: интеграционные процессы и социально-экономическая политика региона». - Махачкала: ДНЦ РАН, 2017 (в печати).
