Позиционирование регионов России на основе многомерной классификации и типовые региональные инновационно-инвестиционные стратегии Текст научной статьи по специальности «Экономика и бизнес»

19 (202) - 2011

ИННОВАЦИИ И ИНВЕСТИЦИИ

УДК [338.001.36: 332.146.2]: 330.354

ПОЗИЦИОНИРОВАНИЕ РЕГИОНОВ РОССИИ НАОСНОВЕМНОГОМЕРНОЙ КЛАССИФИКАЦИИ И ТИПОВЫЕ РЕГИОНАЛЬНЫЕ ИННОВАЦИОННО-ИНВЕСТИЦИОННЫЕ СТРАТЕГИИ*

П. Н. МАШЕГОВ, доктор экономических наук, профессор кафедры финансов,денежного обращения, кредита и банков E-mail: z0604@ostu.ru Орловский государственный технический университет

Т. С. СОБОЛЕВА, старший преподаватель кафедры математического и информационного анализа экономических процессов E-mail: sotase@rambler.ru Орловский государственный университет

Предложена система позиционирования регионов, основанная на использовании формальных методов кластерного анализа и анализа причинности. Многомерная классификация построена на анализе данных об инновационных и инвестиционных процессах в регионах России, которая может быть использована для выбора общей инновационно-инвестиционной стратегии развития территории. Данная методика позволяет ранжировать отдельные мероприятия с точки зрения их соответствия выбранному вектору экономического развития региона.

Ключевые слова: инновации, инвестиции, региональная политика, кластерный анализ, тест причинности по Гренджеру, многомерная классификация, позиционирование, инновационно-инвестиционная стратегия.

* Статья предоставлена Информационным центром Издательского дома «ФИНАНСЫ и КРЕДИТ» при Орловском государственном техническом университете.

В экономической литературе нет единого мнения о взаимосвязи инновационной, структурной и инвестиционной политики. В большинстве исследований инновационная и инвестиционная сферы рассматриваются как драйверы экономического роста в противовес исторически сложившейся и медленно эволюционирующей структуре экономики. Инновационно-инвестиционная политика может трактоваться в широком смысле как система государственных мер по стимулированию производства в целях достижения избранной концепции экономического роста; а в узком — как система мер по селективной поддержке приоритетных секторов экономики [1].

В качестве движущего начала часто рассматриваются инновационные процессы. В результате использования нововведений изменяется норма

прибыли в отраслях народнохозяйственного комплекса, подотраслях и отдельных производствах, что в свою очередь вызывает перетоки капитала между ними. Однако необходимость наличия накопленного потенциала (определенной структуры экономики) и инвестиционных ресурсов существенно сужает возможности маневра в сфере реализации государственной инновационной политики [2]. Так или иначе, но проблема позиционирования территорий в координатах инновационного и инвестиционного процесса, а также разработки и контроля результатов реализации инновационно-инвестиционной политики региона остается актуальной.

В работе предпринята попытка разработки системы позиционирования регионов России, основанная на использовании формальных методов кластерного анализа и анализа причинности, которая может быть использована для выбора инновационно-инвестиционных стратегий развития территорий, ранжирования отдельных мероприятий с точки зрения уровня соответствия вектору экономического развития и оценки результатов их реализации.

Позиционирование регионов было реализовано в рамках построения многомерной сравнительной классификации, реализованной в трехмерном пространстве, осями которого можно считать:

1) инвестиционную привлекательность регионов, которая характеризует экономический потенциал территории, в определенной мере — его структурную составляющую, обладает ярко выраженным целевым характером и основывается на использовании апробированных индикаторов, обеспечивая стабильность разрабатываемой системы позиционирования и сопоставимость получаемых результатов;

2) тип экономического роста региона. Определяется на основе использования теста причинности Гренджера. В регионах с интенсивным типом роста логично предположить наличие адекватных механизмов трансформации инновационной и инвестиционной активности в валовой региональный продукт, что и фиксируется при проведении теста Гренджера;

3) сбалансированность драйверов роста. Сопоставление уровня интенсивности инновационных и инвестиционных процессов в регионах позволяет не просто выявить диспропорции между инновационной и инвестиционной сферами, но и предположить наличие причин для «недооценки» (или «переоценки») территории инвесторами (ин-

новаторами), что в свою очередь может стать «руководством к действию» при разработке и реализации инновационно-инвестиционной политики.

Далее следует рассмотреть порядок и результаты построения многомерной сравнительной классификации регионов России в координатах инновационно-инвестиционной активности.

Инвестиционная привлекательность регионов

Классификация составлена на основании анализа средних рейтингов регионов в 2000—2008гг., предоставленных агентством «Эксперт-РА» [3] по 14 показателям инвестиционного потенциала и инвестиционного риска всех регионов России. Соотношение рейтингов, усредненных по объектам внутри кластера (т. е. рейтинг условного центра кластера), отображено нарис. 1.

Классификация проводилась по методу К-средних. В качестве центров первоначального разбиения были взяты точки, отстоящие через одинаковые интервалы среди всех объектов наблюдения.

Регионы были ранжированы по уровню инвестиционной привлекательности. Причем в ряде случаев в рамках одного таксона выделяется ряд кластеров, обладающих специфическими общими характеристиками отдельных элементов потенциала и риска. Состав и характеристики кластеров представлены в таблице.

Высокая инвестиционная привлекательность — кластер «Лидеры» (высокий потенциал при низких и средних рисках), в состав которого входят Московская, Ростовская и Самарская области, Краснодарский край, республики Башкортостан и Татарстан (см. рис. 1). Данный кластер по большинству показателей имеет минимальный или средний рейтинг. Это наиболее привлекательный вариант для инвесторов.

Инвестиционная привлекательность выше средней:

• кластер «ВС 1» (высокий потенциал при повышенных рисках), в состав которого входят Иркутская, Кемеровская, Свердловская и Челябинская области, Красноярский и Приморский края. Рейтинги о состоянии природ-но-ресурсного потенциала — одни из самых высоких. Центр кластера по этому показателю имеет минимальную координату. Показатели риска выше средних;

• кластер «ВС 2» (средний потенциал при низких административныхрисках). К уникальной черте

данного кластера можно отнести минимальные средние рейтинги по показателю управленческого риска. Административные гарантии — немаловажный фактор для потенциальных инвесторов. По результатам классификации в состав этого кластера входят Воронежская, Тульская, Ярославская и Нижегородская области, города Москва и Санкт-Петербург; кластер «ВС 2» (средний потенциал при пониженном риске) расположен достаточно близко к средним значениям по большинству показателей. Однако социальная напряженность в данной группе регионов значительно ниже, чем в других кластерах, что значительно снижает общий уровень риска территории. В состав кластера входят Брянская, Владимирская, Калининградская, Кировская, Курская, Пензенская, Рязанская, Тверская и Ульяновская области, атакже Удмуртская Республика.

80

70

50

40

30

20

10

-10

-20

П1 П2 ПЗ П4 П5 П6 П7 П8 Р1 Р2 РЗ Р4 Р5 Р6 Р7

-о- Кластер «С 1». -о- Кластер «С 2». -■о- Кластер «ВС 3». -л- Кластер «ВС 2». -•- Кластер «Аутсайдеры». -■- Кластер «ВС 1». -ф- Кластер «НС». а Кластер «Лидеры»

Рис. 1. Средние значения рейтингов инвестиционной привлекательности

регионов, %:

П1 — трудовой потенциал; П2 — потребительский потенциал; ПЗ — инфраструктурный потенциал; П4 — производственный потенциал; П5 — инновационный потенциал; П6 — финансовый потенциал; П7 — институциональный потенциал; П8 — природно-ресурсный потенциал; Р1 — законодательный риск; Р2 — управленческий риск; РЗ — экономический риск; Р4 — финансовый риск; Р5 — социальный риск; Р6 — криминальный риск; Р7 — экологический риск

Средний уровень инвестиционной привлекательности:

• кластер «С 1» (неравномерный потенциал при средних рисках). К нему относятся Архангельская, Астраханская, Мурманская и Томская области, Хабаровский край и Республика Коми. Ряд показателей данного кластера выше среднего уровня (по показателю природно-ре-сурсного потенциала кластер занимает второе место), однако и потенциал, и риски в данном кластере распределены очень неравномерно;

• кластер «С 2» (средний потенциал, средний риск). Кластер не занимает выделяющих его позиций ни по одному из анализируемых показателей. Соотношение показателей риска и привлекательности внутри этой группы примерно одинаковое. К этому классу относятся Белгородская, Волгоградская, Ленинградская, Новосибирская, Омская, Оренбургская,

Саратовская, Тюменская области и Ставропольский край.

Инвестиционная привлекательность ниже средней — кластер «НС» (,низкий потенциал при среднем риске). В его состав входят Вологодская, Калужская, Смоленская, Новгородская, Псковская и Орловская области. Отличительной особенностью данного кластера является довольно низкое значение рейтингов по показателю природно-ресурсного потенциала. Рейтинги показателей потенциала кластера расположены гораздо выше, чем рейтинги показателей риска. Несмотря на то, что рядом аналитиков отмечается повышенное внимание со стороны инвесторов к данной группе, как следствие высокой конкуренции в регионах со значительными показателями ресурсного обеспечения, инвестиционная привлекательность данных территорий остается на уровне «ниже средней».

Низкая инвестиционная привлекательность: кластер «Аутсайдеры» (низкий и средний потенциал при значительных рисках). В состав кластера входят Амурская, Костромская, Сахалинская, Курганская и Читинская области, республики Карелия, Адыгея, Мордовия, Кабардино-Бал-

Описание кластеров и инвестиционной привлекательности

карская и Марий Эл. Большинство показателей имеет самые высокие значения средних рейтингов, т. е. замыкают рейтинги по составляющим инвестиционной привлекательности.

Полученная классификация регионов России по уровню инвестиционной привлекательности с использованием инструментов кластерного анализа в значительной мере совпадает с классификацией, использующейся агентством «Эксперт-РА», однако она основана на применении формальных методов и позволяет выявить ряд специфических обобщающих характеристик.

Тип экономического роста региона

Для идентификации типа экономического роста региона был использован тест причинности по Гренджеру [6].

Пусть имеется два временных ряда, которые можно обозначить Х) и Для каждого из них строится модель вида:

г, = £ у(к +£ Р(к} X + е,, к=1 к=0 где К— максимально возможный лаг;

у (к), р (к) _ оцениваемые параметры модели;

У(к,Х(к — значения переменных, взятые с лагом

к; '

гн — белый шум с нулевым математическим

ожиданием и постоянной дисперсией.

Здесь в качестве регрессоров выступает сама анализируемая переменная вплоть до лага К и оставшаяся в текущий момент времени и вплоть до

того же самого лага. Выбор лага при проведении этого теста является критическим моментом, так как результаты будут различаться.

Нулевая гипотеза, проверяемая в тесте, состоит в том, что все оцененные коэффициенты при лаговых значениях переменной, стоящей только в правой части модели, равны нулю (тест причинности по Гренджеру р(к} = 0, У к).

Во введенных ранее обозначениях при подтверждении нулевой гипотезы можно сказать, что Х) не является причиной по Гренджеру для

Аналогичный тест проводится и для противоположной модели, где в качестве «зависимой» переменной выбирается Х(.

Таким образом, на основании проведенного теста можно сделать один из следующих выводов: либо одна из переменных является причиной изменения другой, либо они обе приводят к изменению друг друга, либо ни одна из них не является причи -ной изменения другой.

В качестве показателя инвестиционной активности был использован объем инвестиций в регионе, в качестве инноваций — затраты на исследования и разработки, а в качестве показателей роста — сразу два индикатора, по каждому из которых был проведен отдельный тест — с учетом валового регионального продукта (ВРП) и объема инновационных товаров, работ и услуг.

В рамках классификации регионов по типу экономического роста было выделено три таксона: интенсивный, экстенсивный и неопределенный. Содержание таксонов данной классификации было установлено по результатам анализа статистических данных по инновационной и инвестиционной деятельности в регионах России в 2000—2008 гг. [4, 5].

К регионам с выраженным интенсивным ти-помроста отнесены те, для которых было выявлено направление влияния инвестиций и инноваций на показатели ВРП как совместно, так и по отдельности, а также регионы, вкоторыхпо результатам теста причинности инновации влияют на изменение показателей как инвестиций, так и ВРП. В класс регионов с интенсивным типом роста попали следующие регионы: Астраханская, Брянская, Свердловская, Тверская, Тюменская и Челябинская области, а также Республика Мордовия.

Регионы, отнесенные к экстенсивному типу роста, характеризовались следующими причинно-следственными связями: показатели инвестиционной и инновационной активности меняются вслед за показателями ВРП. В классе с экстенсивным типом роста оказались следующие регионы:

регионов

Инвестиционная привлекательность Обозначение кластера Описание кластера

Высокая Лидеры Высокий потенциал при низких и средних рисках

Выше средней ВС1 Высокий потенциал при повышенных рисках

ВС 2 Средний потенциал при низких административных рисках

вез Средний потенциал при пониженном риске

Средняя С 1 Неравномерный потенциал при средних рисках

С2 Средний потенциал, средний риск

Ниже средней НС Низкий потенциал при среднем риске

Низкая Аутсайдеры Низкий и средний потенциал при значительных рисках

Белгородская, Волгоградская, Калининградская, Калужская, Костромская, Курская, Омская, Пермская, Пензенская, Самарская, Ставропольская и Новгородская области, Красноярский и Приморский края, а также республики Татарстан, Дагестан и Кабардино-Балкария.

Если результат теста Гренджера на причинно-следственные связи не показывал однозначной направленности либо показывал тройную безусловность по анализируемым показателям, то регионы были отнесены к неопределенному типу роста. В класс с неопределенным типом роста вошли остальные 40 регионов. Сумма в этих трех группах не совпадает с числом всех субъектов РФ из-за того, что не представляется возможным учесть в исследовании все субъекты из-за отсутствия информации по ряду регионов.

Полученные результаты несколько отличаются от большинства исследований тем, что такие общепризнанные «инновационные лидеры», как Москва, Московская область и Санкт-Петербург оказались в группе территорий с неопределенным типом роста. Полученный результат можно объяснить двумя причинами. Во-первых, спецификой теста Гренджера как математического инструмента. Так, тройная взаимообусловленность (достоверное взаимовлияние инвестиций на инновации, инноваций на инвестиции, а инвестиций на ВРП) имеет определенный экономический смысл, однако в рамках теста Гренджера этот результат не может служить основанием для отклонения нулевой гипотезы, и регион будет отнесен к категории с неопределенным типом роста. Во-вторых, в инновационном и инвестиционном процессах возможно наличие лагов сроком 7—15 лет (фактически это накопленный потенциал), выходящих за границы данного наблюдения.

Сбалансированность драйверов роста

Задача сопоставления уровня развития инновационной или инвестиционной сфер региона была решена на основе сравнения результатов двух классификаций, полученных по результатам кластерного анализа инновационной и инвестиционной активности в регионе.

Методика проведения классификации по инвестиционной привлекательности более подробно будет рассмотрена при описании координатной оси «Инвестиционная привлекательность».

Классификация по уровню инновационной активности проводилась следующим образом.

Инновационная деятельность анализировалась на основании официальных статистических данных за 2000—2008 гг. по 10 показателям:

1) число организаций, выполнявших исследования и разработки;

2) численность персонала, занятого исследованиями и разработками;

3) внутренние затраты на исследования и разработки;

4) поступление патентных заявок;

5) выдача охранных документов;

6) число организаций, осуществлявших технологические инновации;

7) число созданных передовых производственных технологий;

8) число используемых передовых производственных технологий;

9) затраты на технологические инновации;

10) объем инновационных товаров, работ, услуг. При классификации объектов использовались

не сами статистические показатели, а построенные методом факторного и компонентного анализа обобщенные факторы, которые несколько менялись с течением времени, но оставались достаточно стабильными для того, чтобы быть использованными для последующего кластерного анализа и классификации регионов по уровню инновационной активности на всем временном промежутке.

Компонентный анализ предназначен для преобразования системы исходных признаков в систему новых показателей (главных компонент). Главные компоненты представляют собой ортогональную систему координат, в которой дисперсии исходных признаков определяют направление новых компонент. При этом выявляются неявные, непосредственно неизмеряемые, но объективно существующие закономерности, обусловленные действием как внутренних, так и внешних причин. Таким образом, действующая система показателей инновационной активности была трансформирована для создания более точной формальной системы показателей, пригодной для ранжирования уровня инновационной активности регионов на основе кластерного анализа.

Перечень показателей инновационной активности регионов, сформированных по результатам применения метода главных компонент, выглядит следующим образом:

• показатель исследовательской активности — связан с численностью персонала, занятого исследованиями и разработками, внутренними затратами на исследования и разработки,

поступлением патентных заявок и выдачей патентов;

• показатель инновационной активности хозяйствующих субъектов — связан с числом организаций, выполнявших исследования и разработки, и числом инновационно активных предприятий;

• показатель инновационности продукции — связан с объемом инновационных товаров (работ, услуг) в денежном выражении в пересчете на число инновационно активных предприятий и в процентах от общего объема отгруженных товаров;

• показатель внедренческой активности — связан лишь с одним показателем — числом использованных передовых производственных технологий;

• показатель исследовательской эффективности — связан с численностью персонала и внутренними затратами на исследования и разработки, а также числом заявок, поданных на выдачу патентов в пересчете на одно предприятие, ведущее исследовательскую деятельность.

В результате проведения кластерного анализа были сформированы следующие группы регионов:

• со стабильно высокоинновационной активностью;

• со средним уровнем инновационной активности;

• со средним уровнем инновационной активности, но имеющие тенденцию к улучшению показателей;

• со средним уровнем инновационной активности, но имеющие тенденцию к ухудшению показателей;

• со стабильно низкой инновационной активностью;

• которые не могли быть классифицированы как принадлежащие ни к одному из вышеназванных кластеров.

Классификация по уровню инновационной активности была сопоставлена с классификацией уровня инвестиционной привлекательности.

Сравнение было проведено с помощью дис-криминантного анализа, т. е. была произведена попытка классифицировать объекты (регионы) по интегрированным показателям инновационной активности, используя известное разбиение по показателям инвестиционной привлекательности. Дискриминантный анализ позволяет находить правило (линейную комбинацию показателей), которое производит классификацию, оценивает

точность этого правила и выявляет объекты, которые не соответствуют построенному правилу.

По результатам анализа соотношения инновационной и инвестиционной активности в регионах России было сформировано четыре кластера:

1) баланс (28 регионов). В класс с соразмерным развитием инвестиционной и инновационной сфер входят Архангельская, Вологодская, Владимирская, Московская, Мурманская, Оренбургская, Псковская, Сахалинская, Тульская, Тверская, Томская, Тюменская, Челябинская, Ярославская области, республики — Коми, Адыгея, Удмуртия и др. При этом следует учитывать, что, несмотря на приоритетность данного кластера с точки зрения сбалансированности экономических процессов в регионе, данная пропорциональность может обеспечиваться как при одинаково высоком уровне инновационной и инвестиционной активности, так и при сопоставимо низком. Именно это обусловило попадание в один кластер таких несхожих объектов, как Адыгея и Московская область;

2) преобладание инвестиций (10 регионов). Класс, в котором в качестве драйвера экономического роста можно рассматривать инвестиционный процесс, так как по результатам сопоставления кластерного анализа инвестиционной и инновационной активностей данная группа регионов имеет выраженное преобладание инвестиционной активности, представляют Свердловская, Белгородская, Волгоградская, Красноярская, Краснодарская, Ростовская, Иркутская, Кемеровская, Новосибирская, Республика Башкортостан;

3) преобладание инноваций (14 регионов). Класс с выраженным инновационным драйвером развития, т. е. с преобладанием инновационных процессов над инвестиционными, представляют Брянская, Костромская, Воронежская, Орловская области, республики Мордовия, Кабардино-Балкария, Карелия, Марий-Эл и др.;

4) неявный драйвер (17 регионов). Класс, не имеющий четко выраженного преобладания какой-либо сферы, которые при этом и соразмерными также не могут быть признаны, представляют Астраханская, Амурская, Калининградская, Новгородская, Ленинградская и Саратовская области, Хабаровский и Приморский края и др.

Данные регионы в течение периода исследования неоднократно оказывались в различных кластерах, и соотношение баланса (или преобладания одной из сфер) подтверждалось в течение менее чем половины всех лет исследования.

Многомерное позиционирование и типовые региональные стратегии

Количественное распределение регионов по кластерам многомерной классификации представлено на рис. 2.

Координаты двух условных регионов (А и В), на примере которых будут проиллюстрированы ключевые элементы методики разработки инновационно-инвестиционной стратегии региона на основе многомерной классификации или многомерного позиционирования, представлены в виде косоугольной горизонтальной изометрической проекции нарис. 3.

Следует также отметить, что система является открытой: и количество кластеров, и количество измерений (классификационных признаков), по которым позиционируется регион, может быть увеличено в зависимости от решаемых задач (например, введена координата, характеризующая качество жизни населения региона, уровень бюджетной обеспеченности и др.).

В качестве целевой позиции рассматривается регион, обладающий высокой инвестиционной

Инвестиционная привлекательность Сбалансированность драйверов роста

Баланс Преобладание инвестиций Преобладание инноваций Неявный драйвер

Высокая «Лидеры» 2

1 ш 3 ш III

I и I п I I II

Выше средней «ВС» ■ ^ 1 ■ 4- 2

7 ш 2 ш 3 1

2 I и 1 I п 1 I = I

Средняя «С» 2 2

5 ш 1 ш 3

1 I и I п I = 1 I

Ниже средней «НС» 1

2 ш ш 2

I и I п I I

Низкая «Аутсайдеры» 2

2 ш ш 4 ш 1 III

I и I п 1 I и I II

Рис. 2. Распределение регионов по кластерам многомерной классификации: I — интенсивный тип экономического роста; II — неопределенный тип экономического роста; III — экстенсивный тип экономического роста

привлекательностью при интенсивном типе экономического роста и сбалансированности инновационных и инвестиционных процессов. В этом случае целевая траектория развития регионов может быть представлена в виде соответствующих векторов АС и ВС.

Основой для идентификации инновационно-инвестиционной стратегии могут служить проекции вектора целевого развития на оси координат, которые обозначены как «траектории принятия решений». В рамках проведенного анализа представляется целесообразным выделение двух групп инновационно-инвестиционных стратегий общего характера: стратегии минимальных дельт и стратегии системного роста, так как по мере увеличения количества рассматриваемых кластеров в рамках признака и введения дополнительных классификационных признаков увеличится количество характерных кластеров и стратегий, им соответствующих.

Стратегия минимальных дельт. Характеризуется наличием в «траектории принятия решений» вектора малой относительной длины (на рис. 3 — регион «В»),

Такая проекция характерна для регионов, имеющих непропорционально сильное развитие по одному из классифицируемых параметров, обычно связана со значительным объемом накопленного потенциала (например, высокий инновационный потенциал Томской области) или спецификой текущей экономической ситуации (например, высокая инвестиционная привлекательность Тюменской области в значительной мере связана с высоким уровнем прибыли в сырьевых отраслях), а также реализацией неких крупных узконаправленных проектов на фоне низкого уровня остальных характеристик (например, рост

инвестиционной привлекательности Ставрополья на фоне реализации олимпийского проекта).

В данном случае имеет смысл отдавать приоритет развитию той сферы, в которой регион традиционно силен (минимальная длина проекции). Если проекты (мероприятия) имеют узконаправленный характер, то приоритетность устанавливается на основе соотношения Д1 <Д2 <Д3 • Если мероприятия являются комплексными, то они могут быть ранжированы по степени приоритетности на основе весовых коэффициентов, сформированных как соотношение «дельт».

Такой подход мотивирован тем, что параметр-лидер при определенных условиях способен «вытягивать» остальные. Так, например, избыточные финансовые потоки от эксплуатации природных ресурсов создают предпосылки не только для решения социальных вопросов, но и инновационного инвестирования.

Стратегия системного роста. «Траектории принятия решений» регионов данного типа характеризуются значительной и сопоставимой между собой длиной проекций вектора развития (регион А).

Данная стратегия в большинстве случаев приемлема для регионов, соответствующих средним классификационным уровням. В качестве критерия приоритетности мероприятий предлагается использование индекса системности. Соответствие фактической (или проектной) точки развития целевому вектору определяется на основе расчета, который проиллюстрирован на рис. 4 и основывается на сопоставлении длин проекций проектируемого и целевого векторов развития.

Для многомерного позиционирования при количестве параметров классификации больше трех формула расчета индекса системности принимает вид:

Инвесп привлека

иционная тельность

Ю = 1 (

д _

фи

92

0 Ли Ф„

где Ш — индекс системности (соответствия целевому вектору развития);

Целевая траектория развития

Рис. 3. Трехмерное пространство позиционирования региона при разработке инновационно-инвестиционной стратегии

I — количество метрик, по которым идентифицируется состояние инновационных и инвестиционных процессов в регионах, уменьшенное на единицу (минимальную дельту); Ди+. — величина вектора, соответствующая прочим проекциям на «траектории принятия решений»;

Ди — величина вектора, соответствующая минимальной проекции на «траектории принятия решений»;

Фи+. — величина вектора, соответствующая прочим проекциям для фактического (или проектируемого) изменения состояния инновационно-инвестиционных процессов;

ДА2

Рис. 4. Расчет индекса системности инновационно-инвестиционной стратегии региона

Фп — величина вектора, соответствующая проекции по параметру п для фактического (или проектируемого) изменения состояния инновационно-инвестиционных процессов (как следствие проведенных или планируемых мероприятий).

В идеале 1Б = 0, т. е. проводимые мероприятия в полной мере соответствуют вектору целевого развития территории.

Для полноты картины необходимо оговорить и группу стратегий, которая не может быть идентифицирована на основе предложенной методики многомерного позиционирования — это стратегия «Прорывного вектора».

Данная стратегия основана на реализации группы мероприятий, позволяющих в течение

1.

2.

3.

4.

5.

относительно короткого промежутка времени сформировать некое конкурентное преимущество в рамках существующей системы координат или по некоему неучтенному параметру. Однако такие стратегии, как правило, масштабные, затратные, а так как разработаны для страны в целом, являются прерогативой федеральных властей.

Таким образом, в работе предложены система позиционирования регионов России, основанная на использовании формальных методов кластерного анализа и анализа причинности. Многомерная классификация построена на анализе данных об инновационных и инвестиционных процессах в регионах России в 2000—2008 гг. Она может быть использована для выбора общей инновационно-инвестиционной стратегии развития территории, а при расширении количества анализируемых параметров — для ее детализации. Также данная методика позволяет ранжировать отдельные мероприятия с точки зрения их соответствия выбранному вектору экономического развития региона.

Список литературы

Инвестиционный рейтинг регионов. URL:// http://www.raexpert.ru/ratings/regions/. Машегов П. Н. Инновации: многоуровневый институциональный подход. М.: Машиностро-ение-1, 2005. 330 с.

Российский статистический ежегодник. 2008: стат. сб. / Росстат. М., 2008. 847 с. Российский статистический ежегодник. 2009: стат. сб. /Росстат. М., 2009. 795 с. Granger С. W. J. Investigating causal relations by econometric models and cross-spectral methods. Econometrica, vol. 37, n. 3, pp. 424—438. Granger C.W.J, 1969.