CC BY
22
DOI: 10.29141/2658-5081-2021-22-4-2 JEL classification: B52, O31, Z13
B. В. Вольчик Южный федеральный университет, г. Ростов-на-Дону, Российская Федерация Е. В. Маслюкова Южный федеральный университет, г. Ростов-на-Дону, Российская Федерация
C. А. Пантеева Южный федеральный университет, г. Ростов-на-Дону, Российская Федерация
Показатели инновационной деятельности в контексте нарративной экономики
Аннотация. Анализ инновационных систем является комплексной задачей, которая требует всестороннего рассмотрения. Их моделирование дает представление о формальных результатах инновационной деятельности, в то время как нарративный анализ позволяет рассмотреть релевантные суждения о правилах и институтах, имеющих ключевое значение для развития инноваций. Исследование комплементарности и некомплементарности выводов, полученных на основе обоих методов, способствует более полному и системному пониманию функционирования российской инновационной системы. Статья посвящена анализу взаимосвязи содержания и распространения нарративов о национальной инновационной системе с моделированием и основными показателями функционирования данной системы. В качестве методологической базы используется нарративная экономика в синтезе с оригинальным институционализмом. Методы исследования - нарративный анализ, коинтеграционный анализ взаимного влияния нарративов и показателей инновационной деятельности. На основе идентификации особенностей моделирования инновационных систем и анализа текстов, историй и других источников, содержащих нарративы о развитии российской инновационной системы, выявлены взаимосвязи между распространением нарративов (динамикой частоты упоминания словосочетаний «инновационные технологии», «развитие технологий», «инновационная деятельность», «внедрение технологий», «научные школы», «инновационная политика», «наука и технологии») и показателями инновационной деятельности («удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг», «удельный вес затрат на инновационную деятельность в общем объеме отгруженных товаров, выполненных работ, услуг»). Также обнаружена коинтеграция между частотой поискового запроса «использование патентов» и показателями инновационной деятельности «подано заявок на выдачу патентов на изобретения» и «выдано патентов на изобретения». Выделены типичные (доступность и достоверность статистических данных; методологическая неоднородность статистики; выбор спецификации модели и др.) и специфические (широкое, неоднозначное понимание национальной инновационной системы; различие подходов к определению основных детерминант; неизмеримость инноваций; учет системных связей и эффекта экономии от масштаба и др.) проблемы моделирования национальных инновационных систем. Обоснована необходимость изучения нарративов для более полного понимания сложных экономических процессов.
Ключевые слова: экономический рост; национальная инновационная система; инновации; нарративная экономика; российская инновационная система; коинтеграционный анализ; экономическая политика.
Благодарности: Исследование выполнено за счет гранта Российского научного фонда № 21-18-00562 «Развитие российской инновационной системы в контексте нарративной экономики» (https://rscf.ru/project/21-18-00562/).
Для цитирования: Volchik V. V., Maslyukova E. V., Panteeva S. A. (2021). Innovation indicators in the context of narrative economics. Journal of New Economy, vol. 22, no. 4, pp. 24-44. DOI: 10.29141/2658-5081-2021-22-4-2 Дата поступления: 24 сентября 2021 г.
Vyacheslav V. Volchik Southern Federal University, Rostov-on-Don, Russia
Elena V. Maslyukova Southern Federal University, Rostov-on-Don, Russia
Sophia A. Panteeva Southern Federal University, Rostov-on-Don, Russia
Innovation indicators in the context of narrative economics
Abstract. The analysis of innovation systems is a demanding task, which needs to be tackled comprehensively. Their modelling provides an indication of the formal innovative performance while the narrative analysis helps to examine relevant judgments about the rules and institutions that are key to the development of innovations. The study of the complementarity and non-complementarity of the conclusions obtained using both approaches is likely to contribute to a deeper understanding of the Russian innovation system functioning. The paper aims to analyse how the content and spread of the national innovation system narratives are interrelated with the modelling of the Russian innovation system and the most important indicators of its functioning. Methodologically, the research takes advantage of the methodological synthesis of narrative economics and original institutionalism. The research methods include narrative analysis, cointegration analysis of mutual influence between narratives and innovation indicators. The authors identify peculiar features of innovation systems' modelling, analyse the texts, stories and other sources containing narratives about the Russian innovation system development, and based on this discover the relationship between the spread of certain narratives (the frequencies of word groups "innovative technologies", "technology development", "innovation activities", "technology implementation", "scientific schools", "innovation policy", "science and technology") and innovation indicators (share of innovative goods, works, services in the total volume of goods shipped, works performed, services provided; share of expenditure on innovation activities in the total volume of goods shipped, works performed, services provided). The analysis also shows cointegration between the frequency of search queries "use of patents" and innovation indicators "number of patent application" and "number of patents issued". The authors point to a number of limitations related to the innovation system modelling. There are some typical limitations such as availability and reliability of statistical data, methodological heterogeneity of statistics, model specification, etc., as well as some specific ones including a broad, ambiguous definition of the national innovation system, differences in the approaches to defining principal determinants, innovations immeasurability, considerations of the system connections and economies of scale, etc. Thus, the findings confirm the need for a narrative study in order to achieve an in-depth understanding of complex economic processes.
Keywords: economic growth; national innovation system; innovations; narrative economics; Russian innovation system; cointegration analysis; economic policy.
Acknowledgments: The research is funded by the grant of the Russian Science Foundation (RNF) no. 21-18-00562 "Developing the national innovation system in Russia in the context of narrative economics" (https://rscf.ru/en/project/21-18-00562/).
For citation: Volchik V. V., Maslyukova E. V., Panteeva S. A. (2021). Innovation indicators in the context of narrative economics. Journal of New Economy, vol. 22, no. 4, pp. 24-44. DOI: 10.29141/2658-5081-2021-22-4-2 Received September 24, 2021.
Введение
Развитие инновационной системы является ключевым фактором экономического роста. Инновационные процессы отличаются сложностью и обусловленностью институциональной структурой экономики. От состояния и качества этой структуры зависят способы генерации и использования знаний в обществе, механизмы финансирования и внедрения инноваций [Stiglitz, Greenwald, 2014, р. 140].
Модели и показатели отражают аналитическое восприятие закономерностей развития национальной инновационной системы (НИС). В свою очередь, нарративы дают информацию о повседневных практиках или распространенных упрощенных прото-экономических моделях, которые используются акторами для объяснения и понимания происходящих процессов [Shiller, 2019b].
Внимание к нарративам в экономической науке повысилось ввиду широкого распространения подхода, который нобелевский лауреат Р. Шиллер назвал narrative economics [Shiller, 2017; Shiller, 2019a] - нарративной экономикой, или нарративной экономической теорией. Данное научное направление возникло в русле исследований институциональных и социальных факторов, влияющих на экономическое поведение и хозяйственные процессы. Во многом положения нарративной экономики комплементарны исследовательским подходам оригинального институционализма [Ефимов, 2016]. Для экономистов нарративы важны прежде всего как важный источник качественных данных о социальных процессах, правилах, институтах и поведенческих паттернах, которые релевантны для акторов в той или иной сфере деятельности [Вольчик, 2017].
В экономической теории наблюдается рост количества исследований в русле нарративной экономики. Такие исследования основываются на осознавании важности изучения социальных норм, идентичности и нарративов для более полного понимания сложных экономических процессов [Коллиер, 2021]. Хотя термин narrative economics возник только в 2017 г., научные изыскания, которые можно отнести к этому направлению, появлялись и раньше. Например, в статье Дж. Акерлофа и Д. Сноуера дан обширный анализ нарративов как упрощенных схем экономических событий, что позволило использовать исторические нарративы или даже анекдоты для объяснения закономерностей в экономике Советского Союза [Akerlof, Snower, 2016]. Несколько иного подхода придерживается П. Коллиер, который рассматривает нарративы в связи с формированием убеждений и норм, регулирующих экономическое поведение [Collier, 2016]. Анализ этого явления применительно к бизнес-процессам показывает, что использование ярких нарративов может привести к повышению стоимости компании [Damodaran, 2017]. В настоящее время появляется все больше работ, в которых применяется теоретическая рамка нарративной экономики. Например, в базе данных Web of Science c 2017 г. опубликовано 29 статей, включающих концепт narrative economics. Причем исследования в рамках данного теоретического подхода охватывают широкий круг проблем - от экономики спорта [Newman et al., 2020] до анализа финансовых кризисов [Willett, 2021].
Важнейшим аспектом, связанным с изучением роли нарративов, является вирусное распространение историй в средствах массовой информации и Интернете, поскольку оно способствует распространению идей, позволяющих осмыслить те или иные процессы в экономике. Эти идеи, в свою очередь, оказывают значительное влияние на формирование институциональной среды и институтов [Магкеу-Тс^ег, 2019], которые структурируют повторяющиеся взаимодействия в различных сферах.
Цель исследования - продемонстрировать, как нарративы о национальной инновационной системе, их содержание и распространение связаны с моделированием и основными показателями функционирования этой системы. Для реализации данной цели мы последовательно рассмотрим особенности моделирования инновационных систем, нар-ративы об инновационной деятельности и способы их идентификации и анализа, выявим связи между распространением тех или иных нарративов и показателями инновационной деятельности.
Модели и показатели национальной инновационной системы
Количественный анализ как самих национальных инновационных систем, так и экономического роста, ассоциируемого с их развитием, сопряжен с рядом проблем, которые связаны с формализацией и доступностью релевантных количественных данных. Так, при моделировании этих экономических явлений возникает ряд типичных (характерных для всех эконометрических моделей) и специфических (присущих рассматриваемым категориям) проблем. Понимание сложностей количественного анализа позволяет выявить слабые места в моделировании, а также ограничения метода и, как следствие, самих математических моделей, указывая на ключевые моменты, которые принципиально или на данном этапе развития не могут быть описаны с помощью модельного аппарата. Это важно прежде всего для разработки методологии исследования национальных инновационных систем.
На основе анализа ряда публикаций авторами выделены соответствующие проблемы (рис. 1).
Рис. 1. Ограничения моделирования НИС Fig. 1. Limitations of the NIS modelling
К числу типичных сложностей математического моделирования относятся проблемы доступности данных. Так, в подавляющем большинстве рассматриваемых публикаций отмечено, что их отсутствие приводит к ограниченности количественных концепций. При этом сведения могут отсутствовать во временных выборках (за какой-либо период или в разрезе периодов; например, имеется только показатель за год, тогда как исследователю требуется индикатор за квартал, и т. д.) или пространственных данных (как правило, нет наблюдений о развивающихся странах). Пропущенные значения заполняются методами интерполяции, средними или опускаются, однако в результате возникает проблема малого размера выборки, которая не позволяет строить надежные модели. Исследователи также указывают на проблему достоверности собираемой статистики. Отмечаются и методологические сложности, когда одни и те же показатели разным образом измеряются разными органами или организациями, вследствие чего существенно различаются [Хрусталев, Славянов, 2016].
Парадоксально, что одновременно с недостатком релевантных данных зачастую существует избыток доступной информации. Большое количество доступных переменных может быть полезным для определения системных связей, однако при этом включение всех показателей в модель невозможно ввиду очевидных трудностей моделирования, связанных и с требуемым количеством наблюдений, и с возрастающим временем подбора параметров. Здесь же следует упомянуть и проблему мультиколлинеарности. Наиболее распространенный подход к устранению указанных трудностей - проведение факторного анализа, позволяющего преобразовать множество коррелирующих переменных в несколько независимых.
Еще одна характерная для любых объектов моделирования проблема - наличие выбросов. В ходе анализа на уровне стран или регионов это усложняет работу особенно сильно. При исключении таких наблюдений усугубляется проблема недостаточности данных и возникает потребность в обосновании их исключения, поскольку они могут принадлежать другим кластерам или быть примером так называемых положительных выбросов, демонстрирующих разительно отличающиеся успехи (или неудачи) в сравнении с другими объектами, имеющими аналогичные прочие параметры, что может указывать на не учтенные в исследовании факторы и, таким образом, представлять ценный источник информации [Ре1йег, Агшу1^е, 2019].
Базовый вопрос, возникающий при моделировании независимо от объекта исследования, - выбор спецификации модели. Разумеется, чувствительность модели к спецификации определяет точность результатов, их практическую значимость и применимость, а значит, и важность этого этапа.
Другая группа выделенных ограничений - специфические, т. е. характерные непосредственно для моделирования национальных систем и экономического роста (они могут возникать и при рассмотрении других тем, однако не типичны для всех эконометри-ческих моделей).
Национальная инновационная система - широкое понятие, которое в зависимости от трактовки может включать большое число элементов, от отдельных акторов до технологий, инфраструктуры, институтов и системных взаимосвязей, вследствие чего возникает неопределенность при моделировании данной системы. Попытка привести такие пространные дефиниции к количественному знаменателю - сама по себе задача непростая [Fagerberg, БгЬо1ес, 2008]. Более того, если разные теоретические концепции предполагают включение разных детерминант в модель, то ожидаемо, что эмпирические результаты также будут различаться, и это делает их сопоставление затруднительным. Например,
если П. Ромер опускает институциональную переменную в своем анализе инноваций [Romer, 1990], то другие исследователи, напротив, ее добавляют [Матризаев, 2019].
Фундаментальную сложность для моделирования технического прогресса создает сама природа инноваций. Будучи абстрактными, зачастую невещественными и одновременно всеобъемлющими, они с трудом поддаются измерению. Гетерогенность аспектов делает невозможным отразить инновации в единственном показателе [Archibugi, Coco, 2005]. Причина этого состоит в качественной сущности не только инноваций, но и ряда других составляющих НИС: исследователи указывают на отсутствие способа включения в модели индикаторов международных связей и отношений, открытости экономики [Целуйко, 2017]. С другой стороны, даже для тех явлений, которые можно оценить количественно, не всегда имеются соответствующие факторы [Nasierowski, Arcelus, 2003].
Существенное препятствие, которое возникает из-за абстрактности понятия НИС, а также трудности измерения ее составляющих, традиционно сглаживается использованием прокси-переменных. Тем не менее они не позволяют в достаточной мере компенсировать эти недостатки. Так, традиционные прокси для инноваций - количество патентов, показатели высокотехнологичного экспорта, расходы на НИОКР - дают возможность судить о НИС лишь в узком понимании, а потому неоднозначны и недостаточно емки для объяснения инноваций, технологий и экономического роста [Sesay, Yulin, Wang, 2018]. Например, затраты на исследования и разработки как показатель инноваций отражают только финансовый аспект вопроса, игнорируя иные важные составляющие [Gackstatter, Kotzemir, Meissner, 2014].
Многие другие индикаторы также можно назвать частичными, лишь косвенно указывающими на реальные явления [Матризаев, 2019]. В литературе нередко отмечается, что создание унифицированной, комплексной системы измерения инноваций, динамических составляющих НИС, ее эффективности является неразрешенной проблемой [Пястолов, 2012], вследствие чего отсутствует возможность как полной объективной оценки инновационных систем, так и обеспечения сопоставимости субъектов по этому параметру. Использование композитных индексов, которые являются популярным выбором при моделировании национальных инновационных систем, также не разрешает данную проблему. Они малоинформативны, поскольку состоят из многих переменных, зависят от присваиваемых субиндексам весов и качества информации первоисточников [Gackstatter, Kotzemir, Meissner, 2014].
Развитие НИС носит системный характер, следовательно, они обладают всеми свойствами систем, в том числе эмерджентностью, которая существенно усложняет моделирование ввиду трудности ее учета. На это указывают многие авторы, называя частой проблемой аналитических исследований рассмотрение эффективности НИС в отрыве от научной сферы, что не позволяет учесть их взаимовлияние [Балацкий и др., 2017]. Аналогичное упущение отмечается и в исследовании, где общий индекс эффективности НИС показывал отсутствие зависимости от составляющих его индексов, что может быть следствием упущения ненаблюдаемых связей [Матризаев, 2019]. Однако синергетические эффекты - один из важнейших факторов развития НИС [Богданова, Ибрагим, 2018], что обосновывает значимость их учета. Поэтому при моделировании инновационных систем требуется комплексный, в том числе междисциплинарный, подход.
Разумно предположить, что не все вливания ресурсов в инновации дают результат в краткосрочном периоде, поскольку исследования, как прикладные, так и фундаментальные, могут требовать длительного временного периода для завершения и внедрения. Если при моделировании следует использовать показатели с некоторым лагом, то закономерен вопрос о его порядке, однако здесь нет однозначного ответа. Показатели
результативности инновационной деятельности сложны для анализа, поскольку к тому моменту, когда становятся доступны «сегодняшние» данные, всю цепочку технологического развития трудно отследить ввиду длинных и непостоянных лагов, а также влияния множества других факторов в этот период [Griliches, 1998]. В связи с этим авторы относят поиск подходящей структуры лагов к существенным ограничениям исследований [Gackstatter, Kotzemir, Meissner, 2014], указывая на отсутствие должной теоретической и методологической проработки данного вопроса [Nasierowski, Arcelus, 2003].
Проблемы моделирования также включают учет эффекта экономии от масштаба в анализе. Большинство эмпирических исследований экономического роста и развития инноваций предполагают постоянную экономию от масштаба, но в то же время есть прикладные свидетельства того, что эта экономия меняется во времени [Nasierowski, Arcelus, 2003]. Хотя существуют доказательства как убывающей, так и возрастающей экономии от масштаба [Artz et al., 2010], игнорирование ее как таковой в моделях представляется значительным упущением.
Нарративы об инновационной системе
Наличие описанных ограничений закономерно делает отражение инновационной реальности в математическом моделировании не просто неполным, но часто даже противоречащим тем суждениям, которые выносят эксперты относительно функционирования НИС. Моделирование в таких случаях необходимо дополнять качественными данными, источниками которых являются нарративы основных акторов инновационной системы. Нарративы, в свою очередь, могут рассматриваться как прото-экономические модели [Shiller, 2019b, p. 477], которые изменяются вместе с эвристикой агентов [Букстейбер, 2021, c. 236]. Для выявления расхождений такого рода проанализированы массивы данных 43 средств массовой информации и интернет-источников, отобранных в соответствии с рейтингом компании «Медиалогия» «Федеральные СМИ: 2020 год»1 за период с 1 января 2010 г. по 1 июля 2021 г.
При моделировании НИС исследователи, как правило, для отражения ее результатов используют ряд стандартных показателей, включающих число патентов, производимый ВВП, темпы его роста или в пересчете на душу населения, а также производительность труда, различные инновационные индексы, прямые иностранные инвестиции, показатели публикационной активности и цитирования, объемы экспорта и некоторые другие. Ограниченность такого подхода отмечена в качестве одной из специфических проблем моделирования НИС, однако справедливость данного тезиса подтверждается и тем, что в интервью, новостных статьях и своих высказываниях акторы инновационного процесса практически не используют значительную часть перечисленных показателей. Напротив, эксперты мыслят глобально, редко отождествляя НИС с конкретной статистикой. Среди используемых в нарративах индикаторов результатов НИС встречаются показатели патентования, научных публикаций и инновационных рейтингов разных стран и университетов. Эксперты не применяют ПИИ, ВВП и его производные, объем экспорта в таком контексте. Это, тем не менее, не противоречит включению данных переменных в качестве результирующих в модели.
Возвращаясь к вопросу использования показателей патентования, стоит отметить, что они относятся к наиболее популярным переменным в математическом моделировании НИС. Однако в публикациях не находит отражения тот факт, что эта статистика систематически занижена по причине как ненадобности этих показателей, так и сложности их регистрации.
1 Медиалогия. https://www.mlg.ru/ratings/media/federal/8058/.
«Внедрение патентов в производство, а следовательно, и потребность в защите разработок существует в условиях высокой конкуренции в экономике, а у нас ее нет» (Виталий Кастальский, управляющий партнер AK Patent Law Group). «При этом, несмотря на мировой финансовый кризис, в 2008 году патентные пошлины в России выросли в два раза... Нельзя сказать, что патентные пошлины слишком высоки, приблизительно 5000-6000 рублей за патент. Но когда речь идет о 50-100 или, например, 500 патентах, сумма для любого вуза выходит значительной»2 (Борис Коробец, заведующий кафедрой юриспруденции МГТУ им. Баумана).
Более того, в нарративах звучит информация о низком качестве патентов. Поэтому данный показатель как минимум затруднительно задействовать при моделировании: «Некоторые патенты имеют сомнительную ценность не только с точки зрения науки, но и с позиций здравого смысла»3 (Инна Рыкова, руководитель Центра отраслевой экономики НИФИ).
Перекликающийся вывод следует и из анализа использования показателей публикационной активности в моделях и нарративах. В математическом представлении число публикаций в научных журналах и показатели цитирования используются часто, что, однако, не дает отчетливого понимания НИС и результатов научной деятельности. Причина этого выразительно обозначена в ряде нарративов, например:
«Нам постоянно говорят, как много денег вложено в науку, а мы при этом пишем слишком мало статей. Статьи, публикации в ведущих научных журналах - важный момент, но это конечный этап исследований. И если ставить во главу угла написание статей и их публикацию в Scopus и Web of Science, когда же думать и заниматься собственно научными изысканиями? Возьмем тот же Математический институт имени Стеклова: мы вышли на уровень 2,5 публикации на одного сотрудника в год. Это много, потому что математика - наука фундаментальная, не прикладная, больше двух хороших статей в год математик написать не сможет, хоть озолоти, выше головы не прыгнешь.
Но от нас настойчиво требуют, чтобы статей было все больше и больше. Причем не согласовывая госзадания по количеству публикаций с академией, с ее профильными подразделениями, которые могли бы дать свою профессиональную оценку. К чему это ведет? Мои коллеги, чтобы выйти из этого абсурдного положения, предлагают: давайте дробить и вместо законченных, крупных статей публиковать отдельные "эпизоды"...
И еще одна проблема. В рамках программы повышения глобальной конкурентоспособности наших высших учебных заведений "5-100" перед ними поставлена задача подниматься в международных рейтингах университетов и, значит, также увеличивать публикационную активность. Университеты, которые участвуют в этой программе, конкурируют за дополнительное государственное финансирование. И это приводит к тому, что они переманивают к себе наших ученых и платят им только за то, чтобы они писали статьи и в качестве аффилиации (места работы. - Прим. ред.) указывали эти университеты. Так что всплески публикационной активности в таких университетах - не результат подъема собственной вузовской науки, как хотелось бы думать и как это подается, а просто-напросто эффект приспособления вуза под заданные «сверху» требования и условия. Достойно ли такое поведение?
1 Дмитриенко И. Число собственных изобретений в России достигло катастрофически низкого уровня // Профиль: еженедельное издание. 07.11.2017.
2 Ивойлова И. Кто даст право на открытие // Российская газета. 20.10.2010.
3 Зюлина В. Адыгея против Хирша // Газета.ги. 24.10.2014. https://www.gazeta.ru/science/2014/10/24_a_ 6274225.shtml.
Считаю, что нет, и многие мои коллеги считают так же»1 (Валерий Козлов, вице-президент РАН).
В моделях также часто учитываются показатели численности рабочей силы, экономически активного населения или населения страны (региона) в целом. В нарративах, напротив, они не указываются. С точки зрения инновационной системы имеет значение не количество, а качество человеческого капитала. Поэтому представляется сомнительным использование таких показателей, так как совсем не очевидно, что они могут привнести с позиции аналитического понимания НИС.
С другой стороны, было бы неправильно утверждать, что качественная характеристика кадров игнорируется в математических моделях, поскольку они учитывают количество поступивших в вузы, обучающихся на разных ступенях образования и тому подобные индикаторы. Однако из нарративного анализа можно понять, что использование перечисленных переменных обладает существенным упущением: количество получивших образование вовсе не соответствует количеству тех, кто реально готов и может заниматься созданием и распространением инноваций. «Но давайте посмотрим дальше: вот молодежь приходит в университеты. И уже в первые два года обучения значительное число студентов для науки теряется... Потому что многие оторвались от родителей, и им нужно на что-то жить... И тут оказывается, чтобы обеспечить свою жизнь, и учиться-то необязательно - достаточно дойти до ближайшего перекрестка и найти не слишком квалифицированную, но востребованную работу торговым представителем или охранником. И те, кто изначально был нацелен на науку, с этой траектории уходят»2 (Александр Сергеев, президент Российской академии наук, академик).
Более того, индикаторы числа обучающихся не учитывают фактор эмиграции или утечки мозгов, который является очень распространенным нарративом: «А из тех образованных специалистов, кто уезжает после или в середине обучения, более половины - отличники. Троечники остаются дома - "рулить процессами", управлять страной. Результаты их управления мы видим каждый день»3 (Георгий Бовт, политолог^' «Мы говорим о будущем, это обещания, что завтра будет хорошо. А у меня в лаборатории аспиранты защищаются сейчас и уезжают, и когда я им обещаю, что скоро ситуация улучшится, они говорят: "Вот мой телефон, когда ситуация изменится - позвоните, а сейчас лучше быть не здесь"»4 (Константин Северинов, заведующий лабораторией Института молекулярной генетики РАН и Университета Ратгерса).
С этой точки зрения, вероятно, более корректно использовать показатели численности научного персонала, персонала, занимающегося исследованиями и разработками, количества исследователей или ученых со степенью, количества научных работников в сфере НИОКР и т. д.
Показатели инфраструктурного обеспечения также применяются в моделировании НИС. Обычно среди таких показателей встречаются число пользователей Интернета, теле-
1 Задорожный А. У наших ученых возникло ощущение хаотичности и несправедливости // Znak.com. 08.02.2019. https://www.znak.com/2019-02-08/v_den_rossiyskoy_nauki_o_prichinah_ee_kxizisnogo_polozheni-ya_intervyu_vice_prezidenta_ran_valeriya_k.
2 Черняк И. Будет нам наука. Президент РАН - о насущных проблемах и надеждах ученых // Аргументы и факты: еженедельное издание. 16.12.2020. https://aif.ru/society/science/budet_nam_nauka_prezident_ran_o_ nasushchnyh_problemah_i_nadezhdah_uchyonyh.
3 Бовт Г. Не время умничать // Газета.ш. 18.02.2019. https://www.gazeta.ru/comments /column/bovt/ 12190555^^^.
4 Борисова А. Минобрнауки на нашей стороне // Газета.ш. 29.11.2012. https://www.gazeta.ru/science/ 2012/11/29_a_4873081.shtml.
фонной связи, компьютеров, количество компьютеров с выходом в Интернет, доля организаций, использующих для исследований передовые производственные технологии, и т. д.
В нарративах, напротив, об инженерных и информационных инфраструктурах не говорят, зато указывают на социальную, рыночную и инновационную инфраструктуру: «У нас слабый сегмент инфраструктурной поддержки инноваций. Сейчас работа институтов заточена на развитие производства, на его модернизацию. А акцент надо делать на инновации. У нас слабая системная координация инновационного развития. Нет логичного алгоритма взаимодействия» (Сергей Смольников, министр экономического развития Челябинской области); «Но для их прототипирования и масштабирования нужны жизненное пространство, технологическая инфраструктура, система генерации (непрерывного цикла). Без этого рассчитывать на появление нового комплекса компаний бессмысленно»2 (Наталья Решетникова).
Учет институциональных особенностей при математическом моделировании представляется непростой и в некоторых аспектах даже принципиально нереализуемой задачей, поэтому ожидаемо, что и получение выводов о них может быть сложным. Действительно, влияние институциональных составляющих неоднозначно в моделях, часто они признаются незначимыми [Вольчик, Маслюкова, Пантеева, 2021]. В нарративах же ситуация обратная: институты относятся к наиболее существенным факторам воздействия на НИС, причем речь идет о них в самом широком спектре, начиная с культурных особенностей населения и заканчивая формальными институтами (законодательство, действия со стороны государства).
Часто звучат упоминания неэффективных институтов и связанных с ними коррупции, бюрократии, административных барьеров, несогласованной модели государственного управления инновациями: «А как продвигаться по-другому в России, я не знаю. Ведь спрос на инновации рождается только в конкурентной среде, там, где коррупция сведена к минимуму. <...> А как иначе? Платить взятки, чтобы внедрять инновации?»3 (Даниил Ливщиц, вице-президент по технологиям Innolume Gmbh); «Конкретный пример бюрократической проблемы - выделение денег по грантам президента РФ для молодых ученых. Уже заканчивается октябрь, Министерство науки и образования затребовало отчет по этим грантам, а деньги за этот год так и не поступили на счета институтов РАН. Я еще раз хочу подчеркнуть, что описываемые проблемы находятся на стороне правительства, а не научного сообщества»4 (Дмитрий Перекалин, научный сотрудник Института элементоорганических соединений РАН, член совета молодых ученых РАН); «Палки в колеса вставляют не только инновационному бизнесу, но и фундаментальной науке. Ученые, приехавшие к нам работать из-за границы (им есть с чем сравнивать), буквально стонут от засилья бюрократии. Если ты получил правительственный грант, каждые три месяца тебе придется писать 500-страничный отчет о проделанной работе и потраченных средствах. По объему это две докторские диссертации! Причем начинать писать нужно сразу же, как только выиграл грант. Когда заниматься наукой, если приходится отчитываться о каждой коробке скрепок и пачке бумаги?»5 (Александр Сам-ков, инженер, изобретатель и разработчик уникального кардиопротеза - первого в мире
1 Дыбин А. На команду «Трактор» тратят больше // Znak.com. 13.04.2017. https://www.znak.com/2017-04-13/v_chelyabinske_obsudili_podhod_k_innovaciyam_i_strategiyu_2035.
2 Решетникова Н. Кластер под заказ // Российская газета. 26.02.2015.
3 Каныгин П. Ковш, Бугров, Одноблюдов // Новая газета. 08.09.2010.
4 Борисова А., Подорванюк Н. Открытия на халяву // Газета.ги. 29.10.2012. https://www.gazeta.ru/science/ 2012/10/29_a_4828873.shtml.
5 Писаренко Д. и др. Бюрократия против ученых // Аргументы и Факты: еженедельное издание. 08.09.2016. https://aif.ru/society/science/umnye_no_bez_proryva_chto_meshaet_rossii_stat_nauchnoy_sverhderzhavoy.
трехстворчатого клапана сердца); «Это и рыночная конкуренция, которая в ряде случаев является основным условием успеха: когда только входящий на рынок предприниматель не испытывает административного давления, ему не перекрывают доступ к кредитам и финансам. К сожалению, все эти условия существуют сейчас в нашей экономике не в самом лучшем виде»1 (Сергей Дубинин, экс-глава Центрального банка России, председатель наблюдательного совета Банка ВТБ, член совета директоров «ВТБ Капитал»).
Серьезной проблемой моделирования НИС является и то, что здесь не принимается во внимание спрос на инновации. Как и в случае с любыми другими экономическими благами, предложение представляет собой лишь половину картины, тогда как без спроса фактически невозможно существование рынка (в данном случае рынка инноваций).
Это упущение позволяет компенсировать нарративный анализ. При исследовании СМИ было выявлено, что спрос на инновации является один из ключевых аспектов, выделяемых экспертами: «Прежде всего, мы должны рассказывать, что наука в России не умерла, хотя оказалась в тяжелейших условиях. Что у нас есть отличные разработки, которые лежат в институтских портфелях, потому что никому не нужны. Вы правы, у бизнеса на науку пока нет спроса»2 (Лев Николаев, художественный руководитель телекомпании «Цивилизация»); «Среди тех проблем, которые есть у нас, совершенно очевидно нужно упомянуть низкий уровень кооперации между наукой и частным бизнесом, недостаточную востребованность спроса на инновации, о чем мы не устаем говорить последние лет семь-восемь»3 (Дмитрий Медведев, премьер-министр); «К "Сколково" я отношусь критично. Фундаментально критично, потому что, если мы хотим строить инновационную экономику, начинать надо было с другого. Необходимо создать спрос на инновации. А спроса нет, потому что недостаточен уровень конкуренции. А если нет конкуренции, то инновации не являются аргументом в конкурентной борьбе»4 (Игорь Николаев, директор департамента стратегического анализа аудиторской группы ФБК).
С другой стороны, по ряду аспектов отмечается согласованность между параметрами и выводами формальных моделей и нарративами. Прежде всего это касается финансирования НИОКР, относительно которого в СМИ встречаются противоположные утверждения. В части из них утверждается, что финансовое обеспечение доступно российским ин-новаторам: «Денег достаточно, мы призываем предпринимателей не бояться выходить со своими заявками»5 (Михаил Вышегородцев, министр столичного правительства, руководитель Департамента поддержки и развития малого и среднего предпринимательства г. Москвы); «Ученые постоянно ссылаются, что нашу науку держат на голодном пайке, а требуют результатов мирового уровня. Но вот один из руководителей Минобрнауки утверждает, что разговоры о недофинансировании нашей науки - от лукавого»6 (Владимир Фортов, президент РАН). В других высказываниях говорится о нехватке финансирования: «- Фундаментальную науку сегодня финансируют хуже, чем это было во времена СССР? - Намного хуже. У нас в институте, например, деньги в основном тратятся на коммунальные услуги, потому что мы вынуждены платить за электроэнергию, воду, вывоз мусора - за все, что касается существования здания, где мы работаем. И худо-бедно
1 За увеличивающимся количеством стартапов последует рост экономики России // Известия. 23.05.2014. https://iz.ru/news/571311.
2 Медведев Ю. Соблазнители с интегралом // Российская газета. 24.09.2010.
3 Христова К. Медведев заявил, что инновации в России мало востребованы // Комсомольская правда. 26.01.2016. https://www.kp.ru/online/news/2288326/.
4 Котляр П., Подорванюк Н. Сколтех более прозрачен, чем Госдума, Минобороны или МГУ // Газета.ш: 23.04.2013. https://www.gazeta.ru/science/2013/04/23_a_5277445.shtml.
5 Гурвич В. Денег много - хороших проектов мало // Московский Комсомолец. 28.06.2010.
6 Медведев Ю. Не оставить РАН // Российская газета. 05.12.2014.
остается на зарплату. Вот две статьи, на которые уходит институтский бюджет» (Евгений Гордеев, академик Российской академии наук).
Оба подхода демонстрируют, что существуют различия между государственным и частным финансированием исследований. Так, многие авторы выделяют в качестве переменных не просто расходы на НИОКР, а государственные расходы на исследования и разработки, ассигнования на гражданскую науку из средств федерального бюджета, затраты на технологические инновации в общем объеме отгруженных товаров (т. е. долю затрат в производстве промышленных организаций), расходы бизнес-сектора на НИОКР, расходы научного сектора на НИОКР и т. д.
Нарративы также иллюстрируют, что источник финансирования имеет значение: «Надо понимать, что в цепочке исследований есть три основных звена. Все начинается с фундаментальной науки, за которую ответственность несет государство. Ее результаты используются в поисковых, ориентированных исследованиях. А дальше начинается прикладная наука, когда есть работающий прототип и бизнес готов вкладывать в него деньги»2 (Александр Сергеев, президент Российской академии наук); «Это процентное соотношение денег, поступающих сегодня в науку из бюджета и из бизнеса. В США это соотношение 20 к 80 соответственно. У нас ситуация прямо противоположная: 70 к 30. У нас сейчас финансирование науки составляет около 1,15 % ВВП. Но и другие государства вкладывают из бюджета в процентном отношении не намного больше. Рекордные 4 % ВВП в науку в Швеции, например, делятся в пропорции 1 % государства и 3 % бизнеса. Поэтому наша задача - по примеру высокотехнологичных стран наращивать внебюджетное финансирование науки и добиться в ближайшей перспективе хотя бы 50/50»3 (Александр Сергеев, президент Российской академии наук).
Еще одну из проблем моделирования, рассмотренных ранее как специфические, углубляет нарративное понимание НИС. Если для моделирования закономерен вопрос о существовании лага между входом (например, финансированием) и выходом (например, регистрацией патента) системы ввиду физических возможностей создания новшеств, то нарративы добавляют этой теме объема, указывая на аспект низкой скорости реализации инноваций. Временной лаг может быть больше не только за счет того, что исследования носят долгосрочный характер, требуют длительного времени для их завершения, но и за счет того, что уже после их создания инновации не сразу продаются, переносятся в производство или регистрируются из-за ограничений среды: «И еще предстоит решить проблему внедрения. У нас в академии много хороших разработок, но внедрение их растягивается на многие годы по причинам, не зависящим от ученых. В нашем институте, например, есть разработки, которые мы не можем внедрить по нескольку лет, а иностранцы их покупают, и уже через полгода у них все готово4» (Владимир Фортов, академик, президент Российской академии наук); «Процесс перевода интеллектуальной собственности в коммерчески реализованный продукт действительно очень труден. Еще 10 лет назад даже актуальные разработки могли храниться у нас годами в ожидании, когда мы их продадим. Что-то действительно продавалось, но немного. Реального массового вывода на рынок результатов наших научно-технических разработок не происходило. Так что задача включения интеллектуальной собственности вузов в хозяйственный оборот
1 Хитров В. Руководство страны не знает, для чего нужна наука // Новая газета. 05.06.2017.
2 Картофель, куры, сахар - у нас такие приоритеты // Коммерсантъ. 29.03.2018.
3 Веденеева Н. На физике аншлаг: глава РАН назвал самые прорывные направления науки // Московский комсомолец. 10.01.2019.
4 Уколов Р. Физика перемен: Владимир Фортов рассказал, какие изменения ожидают РАН // Профиль: еженедельное издание. 31.05.2013.
страны стояла довольно остро1» (Михаил Шестопалов, проректор по научной работе Санкт-Петербургского государственного электротехнического университета «ЛЭТИ»).
Можно говорить о том, что количественный и качественный подходы сходятся в выводах об общей результативности российской инновационной системы. Так, модели часто приводят к заключению о низкой эффективности и неконкурентоспособности РИС. Транслируется это во многих нарративах: «То, что мы в состоянии произвести мобилизационный порыв и нацелены на самореализацию - условие важное, но недостаточное. Вышесказанное объясняет, почему русские изобрели водородную бомбу и отправили человека в космос, но не смогли сделать конкурентоспособный автомобиль, холодильник и телевизор. Чтобы произвести массовый продукт, нужно умение соблюдать стандарты, чем русские не отличаются, а вот для создания уникальной штучной вещи этот навык не требуется2» (Александр Аузан, декан экономического факультета МГУ); «У нас разговоры о необходимости перехода к экономике знаний, к инновациям звучат, в том числе и на самом высоком уровне, не первый год. Однако до сих пор в стране нет эффективной инновационной системы. Поэтому "Балакины", если и достигают успехов, то не благодаря системе, а вопреки»3 (Андрей Васянин).
Нарративы и показатели развития инновационной системы
Важнейшим признаком, влияющим на действенность нарратива, является его «вирус -ность», или степень распространенности в медиапространстве [БЫ!^, 2021]. Поэтому наряду с качественным анализом текстов необходимы данные об охвате тех или иных нарративов значимыми средствами массовой информации и интернет-источниками. Для этого ключевые слова, которые использовались на первом этапе поиска нарративов, были взяты за основу для анализа распространенности тех или иных историй о развитии инновационной системы. Этот анализ осуществлялся с использованием сведений за период с 1 января 2010 г. по 1 июля 2021 г., размещенных в базе данных «Интерфакс». Для имплементации отбора нарративов был составлен перечень поисковых запросов, включающий 33 словосочетания / термина (30 использованных при предыдущем поиске полных текстов и 3 новых: «российская инновационная система», «инновации» и «инно-ватика», связанных с развитием инновационной системы).
Для анализа взаимосвязи между распространением тех или иных нарративов и показателями инновационной деятельности были отобраны 10 самых популярных запросов из базы данных «Интерфакс» за указанный период (табл. 1).
В качестве статистических измерителей мы использовали следующие показатели (данные Федеральной службы государственной статистики за период с 2010 по 2020 г.):
у1 - удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг, %;
у2 - удельный вес затрат на инновационную деятельность в общем объеме отгруженных товаров, выполненных работ, услуг, %.
Для наглядного представления показатели частоты поисковых запросов и статистические данные предварительно были нормированы от 0 до 1 с использованием процедуры min-max:
_ Х\~Х тш /1\
Ъ = -=——=—, (1)
1 Рогозин О. Тему малых инновационных предприятий обсудили руководители ведущих технических университетов Петербурга // Известия: Новостная лента. 16.05.2011.
2 Аузан А. Феномен QWERTY // Lenta.ru: 24.04.2015. https://lenta.ru/articles/2015/04/24/auzanculture/.
3 Васянин А. Киллер для убийцы // Российская газета. 03.02.2016.
Таблица 1. Топ-10 самых популярных запросов о российской инновационной системе, 2010-2020 Table 1. Top-10 of the most popular Web search queries about the Russian innovation system, 2010-2020
Переменная Поисковый запрос Общее число запросов
Xl инновации 2 176 734
X2 инновационные технологии 621 364
X3 развитие технологий 328 852
X4 научные разработки 242 717
х5 инновационная деятельность 237 102
х6 внедрение технологий 177 657
X7 научные школы 132 702
X8 инновационные предприятия 121 648
X9 инновационная политика 121 031
х10 наука и технологии 107 164
где - нормированное значение; х; - исходное значение; хт;п - минимальное значение, хтах - максимальное значение показателей.
На рис. 2 показана сравнительная динамика частоты упоминания соответствующих словосочетаний. В рассматриваемом периоде наблюдается рост частоты упоминаний по всем поисковым запросам, кроме словосочетания «инновационная политика» - максимальная частота его упоминания достигается в 2015 г.
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Инновации Развитие технологий Инновационная деятельность Научные школы Инновационная политика
- Инновационные технологии
---Научные разработки
---Внедрение технологий
---Инновационные предприятия
Наука и технологии
Рис. 2. Динамика частоты поисковых запросов Fig. 2. Dynamics of Web search queries
Динамика статистических показателей развития инновационной системы представлена на рис. 3.
1,0 3 0,9 gj 0,8 a 0,7 3 0,6 я 0,5
g 0,4 g 0,3
I 0,2
E O'1 0,0
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
— Удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг
— Удельный вес затрат на инновационную деятельность в общем объеме отгруженных товаров, выполненных работ, услуг, по субъектам РФ
Рис. 3. Динамика статистических показателей развития инновационной системы Fig.3. Dynamics of statistical indicators of innovation system development
Для выявления наличия долгосрочной устойчивой связи между статистическими показателями была осуществлена проверка на коинтеграцию с помощью теста Энгла-Грейнджера. Эта процедура включает следующие этапы:
1) тестирование стационарности ряда xt;
2) тестирование стационарности ряда yt;
3) оценивание регрессииyt = а + в х xt, получение ряда остатков et;
4) тестирование стационарности ряда остатков et.
Если на 1-м и 2-м шаге ряды xt и yt нестационарны, а на 4-м шаге ряд остатков et стационарен, то ряды xt иyt коинтегрированы.
Результаты тестирования стационарности рядов, представленные в табл. 2, демонстрируют стационарность рядов хь х4 и х8 (частота запросов «инновации», «научные разработки» и «инновационные предприятия»), поэтому данные ряды были исключены из дальнейшего анализа.
Таблица 2. Тестирование стационарности временных рядов (ADF-тест с константой и трендом) Table 2. Stationarity test for time series (ADF test with constant and trend)
Переменная ADF-статистика Р-значение
Xl -5,3816 3,012e-05
*2 2,16982 0,999998
X3 3,78872 0,999998
X4 -4,10617 0,006102
X5 -2,60302 0,2789
X6 0,778229 0,9998
X7 -0,852289 0,9595
X8 -4,31676 0,002902
X9 -1,105 0,9269
X10 1,13023 0,9999
yi -2,4956 0,3304
У2 -1,89253 0,6584
Примечание. Курсивом выделены стационарные временные ряды.
Результаты тестирования на стационарность остатков коинтеграционных регрессий представлены в табл. 3.
Таблица 3. Тестирование на стационарность остатков коинтеграционных регрессий Table 3. Stationarity test for residuals of cointegration regressions
Переменные ADF-статистика Р-значение
У1 ~ X2 -2,39227 0,0162**
У1 ~ X3 -2,55098 0,01041**
У ~ X5 -1,95616 0,04827**
У1 ~ X6 -2,5801 0,009575***
У ~ X7 -2,26786 0,02253**
У1 ~ X9 -1,84787 0,06161*
У ~ X10 -2,48992 0,01237**
У 2 ~ X2 -2,19694 0,027**
У 2 ~ X3 -2,1888 0,02756**
У2 ~ X5 -2,67522 0,007245***
У 2 ~ X6 -2,18975 0,0275**
У 2 ~ X7 -2,23571 0,02447**
У 2 ~ X9 -2,96452 0,002954***
У2 ~ X10 -2,22464 0,02517**
Примечание. Здесь и далее звездочками отмечен уровень значимости: *р < 0,1; **р < 0,05; ***р < 0,01.
Представленные в табл. 3 данные подтверждают наличие долгосрочной взаимосвязи между поисковыми запросами и статистическими показателями.
Дополнительно было проверено наличие коинтеграции между частотой поискового запроса «использование патентов» (х11) и двумя статистическими показателями: у3 - подано заявок на выдачу патентов на изобретения, ед.; у4 - выдано патентов на изобретения, ед.(табл.4).
Таблица 4. Тестирование стационарности временных рядов (ADF-тест с константой и трендом) Table 4. Stationarity test for time series (ADF test with constant and trend)
Переменная ADF-статистика Р-значение
х11 0,711305 0,9924
У3 1,55234 0,5071
У4 -1,3687 0,5993
Представленные ряды также являются нестационарными. Результаты тестирования на стационарность остатков коинтеграционных регрессий представлены в табл. 5.
Таблица 5. Тестирование на стационарность остатков коинтеграционных регрессий Table 5. Stationarity test for residuals of cointegration regressions
Переменные ADF-статистика Р-значение
У3 ~ X11 -1,94423 0,04961**
У4 ~ X11 -3,29178 0,0009741***
Проведенный анализ подтверждает наличие долгосрочной взаимосвязи между поисковыми запросами и статистическими показателями (рис. 4).
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Использование патентов
Подано заявок на выдачу патентов на изобретения (у3) — Выдано патентов на изобретения (у4)
Рис. 4. Динамика частоты поисковых запросов и статистических показателей Fig. 4. Dynamics of Web search queries and statistical indicators
Процесс популяризации инноваций неразрывно связан с количеством публикуемых в СМИ историй о развитии инновационной системы. Такие публикации способствуют созданию информационной среды, формирующей представления об инновациях и инновационном развитии. Выявление долгосрочных взаимосвязей между количеством упоминаний в СМИ различных аспектов инновационной деятельности и количественными показателями инновационного развития из официальных источников (Федеральная служба государственной статистики) подтверждает влияние нарративов на экономическое поведение и хозяйственные процессы.
Анализ нарративов способствует более полному и системному пониманию результатов экономического моделирования функционирования российской инновационной системы с точки зрения комплементарности и некомплементарности выводов.
Заключение
Использование теоретического инструментария нарративной экономики для анализа национальной инновационной системы открывает новые горизонты как для включения в этот анализ дополнительных качественных и количественных данных, так и для более глубокого понимания происходящих инновационных процессов. Логика исследования позволила последовательно рассмотреть моделирование НИС и нарративы об этой системе, а также провести коинтеграционный анализ взаимного влияния нарративов и показателей инновационной деятельности. Согласно его результатам было обнаружено и подтверждено наличие взаимосвязи между количеством упоминаний в СМИ различных аспектов инновационной деятельности и количественными показателями инновационного развития, представленными в официальных источниках.
Рассмотрение ряда публикаций, включающих математическое моделирование НИС, выявило ограничения соответствующего подхода, как характерные для любых эконо-метрических моделей (например, доступность и достоверность статистических данных, методологическая неоднородность статистики, выбор спецификации модели), так и присущие именно моделированию национальных систем и экономического роста (неоднозначная трактовка национальной инновационной системы, различие подходов
к определению главных детерминант, неизмеримость инноваций, учет системных связей и эффекта экономии от масштаба).
Наличие ограничений экономико-математического моделирования делает отражение инновационной реальности не просто неполным, но часто даже противоречащим тем суждениям, которые выносят эксперты относительно функционирования НИС. Понимание и освещение в СМИ инновационной политики можно рассматривать как показатель ее эффективной деятельности: чем качественнее функционирует НИС, тем выше согласованность между параметрами и выводами формальных моделей и нарративами.
В настоящее время такой согласованности не наблюдается: в статье показаны значительные расхождения между результатами количественных и качественных методов. Часть из них связана непосредственно с используемыми в математическом моделировании показателями, которые либо не находят отражения в нарративах, либо находят, но с указанием на их существенные недостатки и системные упущения (например, относительно числа патентов или научных кадров). Ситуация может быть и обратной: явление часто описывается в нарративах, но не используется в формальном моделировании (рассмотрена на примере «утечки мозгов», спроса на инновации).
Поскольку качественный анализ предполагает более глубокие и разносторонние суждения, чем количественный, возникает противоречие и относительно инновационной инфраструктуры, институциональных особенностей. Однако у моделирования и нарративов есть точки соприкосновения, и в этом случае оба метода позволяют получить сопоставимые выводы относительно финансирования НИОКР, наличия лагов в инновационных циклах и результативности НИС.
Источники
Балацкий Е. В., Ушакова С. Е., Малахов В. А., Юревич М. А. (2017). Национальные модели технологического развития: сравнительный анализ // Journal of Institutional Studies (Журнал институциональных исследований). № 9 (4). C. 37-51.
Богданова Е. Л., Ибрагим А. (2018). Национальная инновационная система и ее роль в повышении ВВП на душу населения (Взгляд из России) // Journal of Economic Regulation (Вопросы регулирования экономики). № 9 (1). C. 33-39.
Букстейбер Р. (2021). Радикальная неопределенность: манифест о природе экономических кризисов, их прогнозировании и преодолении. Москва: Эксмо. 304 с.
Вольчик В. В. (2017). Нарративная и институциональная экономика // Journal of Institutional Studies (Журнал институциональных исследований). № 9 (4). C. 132-143. https://doi.org/ 10.17835/2076-6297.2017.9.4.132-143.
Вольчик В. В., Маслюкова Е. В., Пантеева С. А. (2021) Исследование подходов к моделированию национальных инновационных систем // Экономические и социальные перемены: факты, тенденции, прогноз. Т. 14, № 5. С. 135-150. DOI: 10.15838/esc.2021.5.77.8
Ефимов В. М. (2016). Экономическая наука под вопросом. Москва: Инфра-М. 354 с.
Коллиер П. (2021). Будущее капитализма. Москва: Издательство Института Гайдара. 376 с.
Матризаев Б. Д. (2019). Исследование сравнительной эффективности национальной инновационной системы и качества экономического роста на примере сравнительного анализа стран ОЭСР и БРИКС // Вопросы инновационной экономики. № 9 (3). C. 673-692.
Пястолов С. М. (2012). Эффективность национальной инновационной системы: инфраструктурный аспект // Транспортное дело России. № 6 (1). C. 18-20.
Хрусталев Е. Ю., Славянов А. С. (2016). Инновационно-ориентированная методология оценки состояния и возможностей роста национальной экономической системы // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. № 115 (1). C. 1-19.
Целуйко А. А. (2017). Открытая национальная инновационная система и экономический рост // Инновационное развитие экономики. № 6. С. 203-212.
Akerlof G., Snower D. (2016). Bread and bullets. Journal of Economic Behavior & Organization, vol. 126, pp. 58-71. https://doi.Org/10.1016/j.jebo.2015.10.021.
Archibugi D., Coco A. (2005). Measuring technological capabilities at the country level: A survey and a menu for choice. Research Policy, vol. 34, no. 2, pp. 175-194. D0I:10.1016/j.respol.2004.12.002.
Artz K. W., Norman P. M., Hatfield D. E., Cardinal L. B. (2010). A longitudinal study of the impact of R&D, patents, and product innovation on firm performance. Journal of Product Innovation Management, vol. 27, no. 5, pp. 725-740. https://doi.org/10.1111/j.1540-5885.2010.00747.x.
Collier P. (2016). The cultural foundations of economic failure: A conceptual toolkit. Journal of Economic Behavior & Organization, vol. 126, pp. 5-24. https://doi.org/10.1016/j.jebo.2015.10.017.
Damodaran A. (2017). Narrative and numbers: The value of stories in business. Columbia Business School Publishing. 296 p.
Fagerberg J., Srholec M. (2008). National innovation systems, capabilities and economic development. Research Policy, vol. 37, no. 9, pp. 1417-1435. D0I:10.1016/j.respol.2008.06.003.
Gackstatter S., Kotzemir M., Meissner D. (2014). Building an innovation-driven economy - the case of BRIC and GCC countries. Foresight, vol.16, no. 4, pp. 293-308. D0I:10.1108/FS-09-2012-0063.
Griliches Z. (1998). Introduction to "R&D and productivity: The Econometric evidence". In: Grili-ches Z. R&D and productivity: The econometric evidence. University of Chicago Press, pp. 1-14.
Markey-Towler B. (2019). Rules, perception and emotion: When do institutions determine behaviour? Journal ofInstitutional Economics, vol. 15, no. 3, pp. 381-396. https://doi.org/10.1017/S1744137418000267.
Nasierowski W., Arcelus F. J. (2003). On the efficiency of national innovation systems. Socio-Economic Planning Sciences, vol. 37, no. 3, pp. 215-234.
Newman J. I., Xue H., Watanabe N. M., Yan G., McLeod C. M. (2020). Gaming gone viral: An analysis of the emerging esports narrative economy. Communication and Sport. https://doi. org/10.1177/2167479520961036.
Peiffer C., Armytage R. (2019). Searching for success: A mixed methods approach to identifying and examining positive outliers in development outcomes. World Development, vol. 121, pp. 97-107. DOI: 10.1016/j.worlddev.2019.04.013.
Romer P. M. (1990). Endogenous technological change. Journal of Political Economy, vol. 98, no. 5, p. 2, pp. 71-102.
Sesay B., Yulin Z., Wang F. (2018). Does the national innovation system spur economic growth in Brazil, Russia, India, China and South Africa economies? Evidence from panel data. South African Journal of Economic and Management Sciences, vol. 21, no. 1, pp. 1-12. http://dx.doi.org/10.4102/sajems. v21i1.1647.
Shiller R. J. (2017). Narrative economics. American Economic Review, vol. 107, no. 4, pp. 967-1004. https://doi.org/10.1257/aer.107.4.967.
Shiller R. J. (2019a). Narrative economics. How stories go viral and drive major economic events. Princeton University Press. 400 p.
Shiller R. J. (2019b). Narratives about technology-induced job degradation then and now. Journal of Policy Modeling, vol. 41, no. 3, pp. 477-488. https://doi.org/10.1016/JJP0LM0D.2019.03.015.
Shiller R. J. (2021). Animal spirits and viral popular narratives. Review of Keynesian Economics, vol. 9, no. 1, pp. 1-10. https://doi.org/10.4337/R0KE.2021.01.01.
Stiglitz J. E., Greenwald B. (2014). Creating a learning society. Columbia University Press. 680 p.
Willett T. D. (2021). New developments in financial economics. Journal of Financial Economic Policy. https://doi.org/10.1108/JFEP-04-2021 -0113.
Информация об авторах Вольчик Вячеслав Витальевич, доктор экономических наук, профессор, заведующий кафедрой экономической теории Южного федерального университета, 344006, РФ, г. Ростов-на-Дону, ул. Большая Садовая, 105/42
Контактный телефон: +7 (863) 218-40-00 (доб. 13056), e-mail: volchik@sfedu.ru
Маслюкова Елена Васильевна, кандидат экономических наук, доцент, доцент кафедры экономической кибернетики Южного федерального университета, 344006, РФ, г. Ростов-на-Дону, ул. Большая Садовая, 105/42
Контактный телефон: +7 (863) 218-40-40 (доб. 13065), e-mail: maslyukova@sfedu.ru
Пантеева София Алексеевна, стажер-исследователь, Южный федеральный университет, 344006,
РФ, г. Ростов-на-Дону, ул. Большая Садовая, 105/42
Контактный телефон: +7 (863) 218-40-00 (доб. 13056), e-mail: panteeva@sfedu.ru
■ ■ ■
References
Balatsky E. V., Ushakova S. E., Malakhov V. A., Yurevich M. A. (2017). Natsional'nye modeli tekhno-logicheskogo razvitiya: sravnitel'nyy analiz [National models of technological development: a comparative analysis]. Journal of Institutional Studies, no. 9 (4), pp. 37-51. (in Russ.)
Bogdanova E. L., Ibragim A. (2018). Natsional'naya innovatsionnaya sistema i ee rol' v povyshenii VVP na dushu naseleniya (Vzglyad iz Rossii) [National innovation system and its role in increasing GDP per capita (evidence from Russia)]. Journal of Economic Regulation, no. 9 (1), pp. 33-39. (in Russ.)
Bookstaber R. (2021). Radikalnaya neopredelennost': manifest oprirode ekonomicheskikh krizisov, ikh prognozirovanii i preodolenii [Radical uncertainty: A manifesto on the nature of economic crises, their forecasting and overcoming]. Moscow: Eksmo Publ. 304 p. (in Russ.)
Volchik V. V. (2017). Narrativnaya i institutsional'naya ekonomika [Narrative and Institutional Economics]. Journal of Institutional Studies, no. 9 (4), pp. 132-143. https://doi.org/10.17835/2076-6297.2017.9.4.132-143. (in Russ.)
Volchik V. V., Maslyukova E. V., Panteeva S. A. (2021). Issledovanie podkhodov k modelirovaniyu natsional'nykh innovatsionnykh sistem [Research of approaches to modeling national innovation systems]. Ekonomicheskie i sotsialnyeperemeny: fakty, tendentsii, prognoz = Economic and Social Changes: Facts, Trends, Forecast, vol. 14, no. 5, pp. 135-150. DOI: 10.15838/esc.2021.5.77.8. (in Russ.)
Efimov V. M. (2016). Ekonomicheskaya nauka pod voprosom [Economic science is questionable]. Moscow: Infra-M Publ. 354 p. (in Russ.)
Collier P. (2021). Budushchee kapitalizma [The future of capitalism]. Moscow: Gaidar Institute. 376 p. (in Russ.)
Matrizaev B. D. (2019). Issledovanie sravnitel'noy effektivnosti natsional'noy innovatsionnoy sistemy i kachestva ekonomicheskogo rosta na primere sravnitel'nogo analiza stran OESR i BRIKS [Study of the comparative efficiency of the national innovation system and the quality of economic growth: The comparative analysis of OECD and BRICS countries]. Voprosy innovatsionnoy ekonomiki = Issues of Innovative Economy, no. 9 (3), pp. 673-692. (in Russ.)
Pyastolov S. M. (2012). Effektivnost' natsional'noy innovatsionnoy sistemy: infrastrukturnyy aspekt [Effectiveness of the national innovation system: Infrastructural aspect]. Transportnoe delo Rossii = Transport Business of Russia, no. 6 (1), pp. 18-20. (in Russ.)
Khrustalev E. Yu., Slavyanov A. S. (2016). Innovatsionno-orientirovannaya metodologiya otsenki sos-toyaniya i vozmozhnostey rosta natsional'noy ekonomicheskoy sistemy [Innovation-oriented methodology for assessing the state and growth opportunities of the national economic system]. Politematicheskiy setevoy elektronnyy nauchnyy zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta = Polythe-matic Online Scientific Journal of Kuban State Agrarian University, no. 115 (1), pp. 1-19. (in Russ.)
Tseluyko A. A. (2017). Otkrytaya natsional'naya innovatsionnaya sistema i ekonomicheskiy rost [Open national innovation system and economic growth]. Innovatsionnoe razvitie ekonomiki = Innovative Development of Economy, no. 6, pp. 203-212. (in Russ.)
Akerlof G., Snower D. (2016). Bread and bullets. Journal of Economic Behavior & Organization, vol. 126, pp. 58-71. https://doi.org/10.1016/j.jebo.2015.10.021.
Archibugi D., Coco A. (2005). Measuring technological capabilities at the country level: A survey and a menu for choice. Research Policy, vol. 34, no. 2, pp. 175-194. DOI:10.1016/j.respol.2004.12.002.
Artz K. W., Norman P. M., Hatfield D. E., Cardinal L. B. (2010). A longitudinal study of the impact of R&D, patents, and product innovation on firm performance. Journal of Product Innovation Management, vol. 27, no. 5, pp. 725-740. https://doi.org/10.1111/j.1540-5885.2010.00747.x.
Collier P. (2016). The cultural foundations of economic failure: A conceptual toolkit. Journal of Economic Behavior & Organization, vol. 126, pp. 5-24. https://doi.org/10.1016/j.jebo.2015.10.017.
Damodaran A. (2017). Narrative and numbers: The value of stories in business. Columbia Business School Publishing. 296 p.
Fagerberg J., Srholec M. (2008). National innovation systems, capabilities and economic development. Research Policy, vol. 37, no. 9, pp. 1417-1435. D0I:10.1016/j.respol.2008.06.003.
Gackstatter S., Kotzemir M., Meissner D. (2014). Building an innovation-driven economy - the case of BRIC and GCC countries. Foresight, vol.16, no. 4, pp. 293-308. D0I:10.1108/FS-09-2012-0063.
Griliches Z. (1998). Introduction to "R&D and productivity: The Econometric evidence". In: Grili-ches Z. R&D and productivity: The econometric evidence. University of Chicago Press, pp. 1-14.
Markey-Towler B. (2019). Rules, perception and emotion: When do institutions determine behaviour? Journal ofInstitutional Economics, vol. 15, no. 3, pp. 381-396. https://doi.org/10.1017/S1744137418000267.
Nasierowski W., Arcelus F. J. (2003). 0n the efficiency of national innovation systems. Socio-Economic Planning Sciences, vol. 37, no. 3, pp. 215-234.
Newman J. I., Xue H., Watanabe N. M., Yan G., McLeod C. M. (2020). Gaming gone viral: An analysis of the emerging esports narrative economy. Communication and Sport. https://doi. org/10.1177/2167479520961036.
Peiffer C., Armytage R. (2019). Searching for success: A mixed methods approach to identifying and examining positive outliers in development outcomes. World Development, vol. 121, pp. 97-107. D0I: 10.1016/j.worlddev.2019.04.013.
Romer P. M. (1990). Endogenous technological change. Journal of Political Economy, vol. 98, no. 5, p. 2, pp. 71-102.
Sesay B., Yulin Z., Wang F. (2018). Does the national innovation system spur economic growth in Brazil, Russia, India, China and South Africa economies? Evidence from panel data. South African Journal of Economic and Management Sciences, vol. 21, no. 1, pp. 1-12. http://dx.doi.org/10.4102/sajems.v21i1.1647.
Shiller R. J. (2017). Narrative economics. American Economic Review, vol. 107, no. 4, pp. 967-1004. https://doi.org/10.1257/aer.107.4.967.
Shiller R. J. (2019a). Narrative economics. How stories go viral and drive major economic events. Princeton University Press. 400 p.
Shiller R. J. (2019b). Narratives about technology-induced job degradation then and now. Journal of Policy Modeling, vol. 41, no. 3, pp. 477-488. https://doi.org/10.1016/JJP0LM0D.2019.03.015.
Shiller R. J. (2021). Animal spirits and viral popular narratives. Review of Keynesian Economics, vol. 9, no. 1, pp. 1-10. https://doi.org/10.4337/R0KE.2021.01.01.
Stiglitz J. E., Greenwald B. (2014). Creating a learning society. Columbia University Press. 680 p. Willett T. D. (2021). New developments in financial economics. Journal of Financial Economic Policy. https://doi.org/10.1108/JFEP-04-2021 -0113.
Information about the authors
Vyacheslav V. Volchik, Dr. Sc. (Econ.), Prof., Head of Economic Theory Dept., Southern Federal University, 105/42 Bolshaya Sadovaya St., Rostov-on-Don, 344006, Russia Phone: +7 (863) 218-40-00 (ext. 13056), e-mail: volchik@sfedu.ru
Elena V. Maslyukova, Cand. Sc. (Econ.), Associate Prof., Associate Prof. of Economic Cybernetics Dept., Southern Federal University, 105/42 Bolshaya Sadovaya St., Rostov-on-Don, 344006, Russia Phone: +7 (863) 218-40-40 (ext. 13065), e-mail: maslyukova@sfedu.ru
Sophia A. Panteeva, Research Intern, Southern Federal University, 105/42 Bolshaya Sadovaya St., Rostov-on-Don, 344006, Russia
Phone: +7 (863) 218-40-00 (ext. 13056), e-mail: panteeva@sfedu.ru
© Вольчик В. В., Маслюкова Е. В., Пантеева С. А., 2021
