CC BY
31
ПРОСТРАНСТВЕННЫЕ РАЗЛИЧИЯ НАУЧНО-ИННОВАЦИОННОГО ПОТЕНЦИАЛА РЕГИОНОВ СЕВЕРА РОССИИ
Ю. А. ГАДЖиЕВ, кандидат экономических наук, заведующий лабораторией
в. и. акопов,
кандидат экономических наук, ведущий научный сотрудник
м. м. стыров,
аспирант институт социально-экономических и энергетических проблем Севера Коми НЦ Уро РАН
В статье раскрывается содержание научно-инновационного потенциала и методика его оценки. Рассматриваются особенности и тенденции межрегиональных различий в научно-инновационном потенциале регионов Севера. На основе метода главных компонент факторного анализа и иерархического кластерного анализа Уорда выделены четыре группы регионов по уровню научно-инновационного потенциала — высокий, средний, ниже среднего и низкий.
Ключевые слова: пространство, научно-инновационный потенциал, процесс дивергенции, процесс конвергенции, метод главных компонент, статистическая характеристика, иерархический кластерный анализ.
В настоящее время повышение конкурентоспособности стран и регионов становится приоритетной задачей их экономического развития, решение которой связано с переходом экономики на инновационный путь развития. В свою очередь, сам переход находится в прямой зависимости от уровня научно-инновационного потенциала. Особенно актуальна эта проблема для Севера России, но ее решение здесь весьма затруднено. Причина кроется в экспортно-ресурсной специализации и незаинтересованности предприятий в применении новых видов оборудования и технологий в связи с легким получением высоких доходов. Повышение уровня научно-инновационного потенциала и эф-
фективности его использования требует разработки и реализации дифференцированной по группам регионов государственной политики инновационного развития, предполагающей проведение постоянного мониторинга уровня научно-инновационного потенциала северных регионов.
Научно-инновационный потенциал и его составляющие. Современная отечественная и зарубежная экономическая литература представлена множеством работ, исследующих инновационное развитие стран и регионов, но лишь малая часть их посвящена вопросам, раскрывающим его суть. Само понятие «инновационный потенциал» еще не имеет однозначной трактовки, отсутствует комплексное изучение его сущности и структуры как социально-экономического феномена.
Обзор отечественной и зарубежной литературы показывает1, что в большинстве случаев категория «инновационный потенциал» трактуется и как совокупность ресурсов, и как способность системы их эффективно использовать для перспективного инновационного развития страны или региона. Его структура представлена — ресурсной, инфраструктурной и результативной составляющими [4].
Ресурсная составляющая инновационного потенциала является своего рода «плацдармом» для
1 Подробно понятие «инновационный потенциал» рассмотрено в работе [1].
его формирования. Она включает в себя следующие основные компоненты, имеющие различное функциональное назначение: материально-технические, информационные, финансовые, человеческие и другие виды ресурсов.
Материально-технические ресурсы являются вещественной основой, определяющей технико-технологическую базу инновационного потенциала, которая впоследствии будет влиять на масштабы и темпы инновационной деятельности.
Информационные ресурсы — это модели, алгоритмы, программы, проекты и т. д., которые переводят материальные факторы из латентного состояния в активное. Данный вид ресурсов несамостоятелен, лишь объединившись с другими видами ресурсов — опытом, трудом, квалификацией, техникой, технологией, энергией, сырьем, он выступает как движущая сила инновационного потенциала.
Финансовые ресурсы характеризуются совокупностью источников и запасов финансовых возможностей, которые есть в наличии и могут быть использованы для реализации конкретных целей и заданий. Наряду с обеспечивающей функцией, финансы выполняют и страховую функцию, дублируя, а также измеряя в денежных единицах материально-технические, информационные, человеческие ресурсы и др.
Человеческие ресурсы выступают главной творческой силой, поскольку человек обладает навыками, знаниями, способностями и генерирует новые идеи, воплощаемые затем в инновационной деятельности.
Инфраструктурная составляющая инновационного потенциала выступает связующей между ресурсной и результативной составляющими и выражается в способности системы на принципах коммерческой результативности привлекать ресурсы для инициирования, создания и распространения различного рода новшеств. Она включает оценку ресурсов государственной поддержки для создания благоприятного инновационного климата, а также инфраструктурные ресурсы инновационной сферы — наличие и дальнейший рост инвестиционных институтов, свободных экономических зон, технопарков, бизнес-инкубаторов, инновационных и информационных центров, центров трансфера технологии.
Результативная составляющая инновационного потенциала отражает конечный результат реализации имеющихся возможностей, т. е. выступает его целевой функцией. Важность этой составляющей и целесообразность обособленного выделения подтверждаются тем, что ее увеличение, в свою
очередь, способствует развитию других составляющих, в частности ресурсной.
Здесь не выделяется научный блок инновационного потенциала, поскольку поэлементно он присутствует во всех его составляющих.
Методологические подходы к оценке инновационного потенциала региона вытекают из его сущности, раскрытой нами выше. Принимая во внимание основные составляющие, а также ограниченность исходной информационной базы, предлагаемой официальной статистикой, оценка научно-инновационного потенциала будет осуществляться на основе показателей всех компонентов и отдельных элементов первой, ресурсной составляющей и частичном использовании элементов третьей, результативной.
Методологические подходы оценки научно-инновационного потенциала. В современной отечественной и мировой теории и практике существует множество методик и показателей для оценки и сравнительного анализа уровня инновационного потенциала стран или регионов. Наиболее известные и широко используемые методики разработаны различными международными организациями.
Методика экспертов Всемирного экономического форума (ВЭФ) для оценки конкурентоспособности [4; 7, с. 255—256]. В ней оценка инновационного потенциала дается на основе интегрального индекса научно-технического потенциала, рассчитываемого на базе четырех инновационных показателей: число патентов на 1 млн населения, позиция страны по уровню технологического развития, вклад иностранных инвестиций в инновационную деятельность местных фирм, число пользователей Интернет на 10 тыс. чел.
Методика Комиссии европейских сообществ (КЕС) [4, с. 13]. Она разработана Директоратом по предпринимательству КЕС и предлагает 17 инновационных индикаторов, разделенных на четыре группы: 1) человеческие ресурсы; 2) создание знаний; 3) передача и применение знаний; 4) инновационное финансирование, выход продукции на рынки.
Методика Организации экономического сотрудничества и развития (ОЭСР) [4, с. 13]. Она включает следующие показатели: удельный вес высокотехнологичного сектора экономики в продукции обрабатывающей промышленности и услугах; инновационная активность; объем инвестиций в сектор знаний (общественный и частный), включая расходы на высшее образование, НИОКР, а также в разработку программного обеспечения; разработка и выпуск информационного и коммуникационного оборудо-
РЕгиомьнАя экономикА: теория и практика
27
вания, программного продукта и услуг; численность занятых в сфере науки и высоких технологий и др.
Методика Американского научного фонда (ЖЕ) [6, с. 81—87; 8, с. 51—52]. Она предназначена для оценки технологической конкурентоспособности стран мира и включает пять обобщающих индикаторов. Из них четыре — индикатор национальной ориентации (N0), индикатор социально-экономической инфраструктуры ^Е), показатель технологической инфраструктуры (Т1), индекс производственного потенциала (PS), рассматриваются как «входные», определяющие условия инновационного развития, а пятый — показатель технологического состояния производства и экспорта высокотехнологичных продуктов (ТС) — как «выходной», характеризующий результаты инновационной деятельности.
Отмеченные выше методики вполне пригодны для оценки достаточно высокого инновационного потенциала развитых стран, но малопригодны для развивающихся стран с низким потенциалом, поскольку не учитывают ряда факторов, которые накладывают ограничения на стимулирование инновационной деятельности.
В российской практике можно отметить широко известную методику оценки инновационного потенциала регионов национального рейтингового агентства «Эксперт РА». Это агентство на основе ограниченного круга показателей проводит ежегодное исследование рейтинга инновационного потенциала российских регионов в рамках оценки инвестиционного потенциала субъектов РФ.
Методика интегральной оценки инновационного потенциала региона предложена В. К. За-усаевым, С. П. Быстрицким и Н. Ю. Криворучко [3, с. 44]. Она включает пять групп показателей, оказывающих прямое воздействие на инновационные процессы — макроэкономическая, инфраструктурная, правовая, кадровая и экономическая группы. Используются следующие показатели: душевые доходы населения; количество занятых в сфере науки; инвестиций в основной капитал; количество страховых и кредитных организаций; затраты на технологические инновации и их удельный вес в общем объеме отгруженной продукции инновационно активных организаций; количество организаций, занимающихся исследованиями и разработками, а также ведущих подготовку аспирантов и докторантов; численность аспирантов и докторантов; персонала, занятого исследованиями и разработками; докторов и кандидатов наук.
В коллективной монографии В. Г. Матвейки-на, С. И. Дворецкого и др. [4] дается развернутая
методология оценки инновационного потенциала региона. Выделяются три оценочных блока: ресурсный, инфраструктурный и результативный и соответствующие им наборы показателей. Однако она не доведена до своего логического завершения — создания самой методики расчета.
Своеобразная методика оценки инновационного потенциала разработана О. С. Москвиной [5]. В ней используется комплекс ресурсных и результативных характеристик, отражающих все изменения, происходящие в инновационной сфере региона. Все показатели в ней сгруппированы в пять оценочных блоков — кадровый, технико-технологический, финансовый, научный и результативный. Определяются верхние и нижние пороговые значения всех показателей, и фактические показатели сопоставляются с пороговыми значениями. Однако этой методикой пользоваться затруднительно, поскольку отсутствуют единые для всех регионов пороговые значения.
Таким образом, обзор подходов к измерению инновационного потенциала показывает, что нет какой-либо единой для всех стран и регионов методики его оценки. Вместе с тем анализ обнаружил их определенное сходство, поскольку во всех них для оценки инновационного потенциала используются более или менее схожий набор первичных показателей и метод индексов. Наиболее приемлемой для российских условий представляется методика, используемая в ЕС. Однако ее прямое заимствование невозможно из-за относительно низкого уровня развития инновационного потенциала страны и регионов и отсутствия многих показателей, в частности, отражающих выход продукции на рынки, а также незарегистированностью отечественных патентов в общепризнанных мировых патентных организациях — EPO — Европейская патентная организация (European Patent Organization) и USPTO — Американский офис патентов и торговых марок (United States Patent and Trademark Office).
Методика оценки научно-инновационного потенциала. Для его оценки и сравнения северных регионов нами была применена методика, близкая по содержанию к методике ЕС, но расчет индексов был заменен на методы факторного анализа (главных компонент) и иерархического кластерного анализа. Использование этих методов позволяет, во-первых, охватить неограниченное число первичных показателей с последующим сокращением их до небольшого количества без какого-либо видимого ущерба для всестороннего отражения сущности инновационной деятельности, во-вторых, четко группировать регио-
ны по уровню инновационного потенциала с целью адресного воздействия на инновационное развитие регионов и, в-третьих, не исключает возможности выявления состояния отдельных видов инновационного потенциала региона.
Алгоритм оценки включает несколько последовательных шагов. Вначале осуществлена инвентаризация всех известных показателей и отобраны индикаторы, отражающие создание новых знаний и способность коммерциализировать имеющиеся научные наработки, которыми располагает региональная статистика. Затем для оценки степени дифференциации региональных показателей по ним рассчитываются статистические характеристики — среднее, медиана, мода, стандартное отклонение, максимум, минимум, дисперсия, асимметрия и эксцесс. Далее производится сокращение размерности показателей методом главных компонент факторного анализа, для проведения более объективной и достоверной классификации. Наконец, методом иерархического кластерного анализа выделяются группы регионов разного уровня инновационного потенциала [2; 10]. За исключением первого шага все остальные осуществляются с помощью программного пакета SPSS [11].
Оценка научно-инновационного потенциала северных регионов. Процедура оценки включает следующие операции:
1) отбор показателей, характеризующих научно-инновационный потенциал;
2) определение степени разброса регионов по выбранным показателям на основе статистических характеристик;
3) сокращение размерности первичных показателей методом главных компонент факторного анализа;
4) классификация 16 северных регионов РФ по уровню научно-исследовательской и инновационной деятельности методами иерархического кластерного анализа;
5) содержательную характеристику выделенных кластеров.
Отбор показателей. Для оценки научно-инновационного потенциала региона было отобрано 19 индикаторов. Среди них пять показателей (Х1—Х5) отражают состояние научного персонала, еще пять (Х6 — Х10) — уровень финансирования научных исследований, три (Хи — Х13) — уровень подготовки научных кадров и шесть (Х14 — Х19) — уровень инновационного потенциала (табл. 1).
Таблица 1
Признаки-показатели научно-инновационного потенциала региона
Показатели Обозначение Единица измерения
Число организаций, выполняющих исследования и разработки на 10 тыс. занятых в экономике X, Ед.
Численность исследователей, занятых исследованиями и разработками на 10 тыс. занятых в экономике Х2 Чел.
Численность технического персонала, занятого исследованиями и разработками на 10 тыс. занятых в экономике Х3 Чел.
Численность вспомогательного персонала, занятого исследованиями и разработками на 10 тыс. занятых в экономике Х Чел.
Численность исследователей с учеными степенями на 10 тыс. занятых в экономике X, Чел.
Внутренние затраты на исследования и разработки на одного занятого в экономике X Руб.
Внутренние текущие затраты на приобретение оборудования на одного занятого в экономике X, Руб.
Внутренние текущие затраты на фундаментальные исследования на одного занятого в экономике X Руб.
Внутренние текущие затраты на прикладные исследования на одного занятого в экономике X, Руб.
Внутренние текущие затраты на разработки на одного занятого в экономике Х,п Руб.
Выпуск из аспирантуры с защитой диссертации на 10 тыс. занятых в экономике X, Чел.
Выпуск из докторантуры с защитой диссертации на 10 тыс. занятых в экономике X,, Чел.
Выпуск специалистов государственными высшими и средними специальными учебными заведениями на 10 тыс. населения X13 Чел.
Выдача патентов на изобретения и полезные модели на 10 тыс. занятых в экономике Х4 Ед.
Число созданных передовых производственных технологий на 10 тыс. занятых в экономике Х5 Ед.
Число использованных передовых производственных технологий на 10 тыс. занятых в экономике Хб Ед.
Число организаций, осуществляющих технологические инновации на 10 тыс. занятых в экономике х„ Ед.
Удельный вес организаций, осуществляющих технологические инновации, в общем числе организации Х18 %
Затраты на технологические инновации на одного занятого в экономике Х19 Руб.
Выбор показателей обусловлен, во-первых, их представительностью и возможностями создания и коммерциализации инновационных разработок, а, во-вторых, статистической доступностью индикаторов по всем субъектам РФ. Общее число наблюдений составило 16 северных регионов. Проводился анализ годовых срезов этих показателей и их динамики с 2000 по 2007 г.
Первичные показатели были стандартизованы методом z—преобразования значений в диапазоне от — 3 до + 3, который заложен в программный пакет SPSS.
Степень дифференциации регионов. Динамика статистических характеристик большинства показателей научно-инновационного потенциала за 2000—2007 гг. показывает усиление степени дифференциации северных регионов. Например, стандартное отклонение и дисперсия в показателях Х2 — численность исследователей, занятых исследованиями и разработками, соответственно, увеличились с 9,1 до 9,6 % и с 82,2 до 91,2 %, Х3 — численность технического персонала, занятого исследованиями и разработками, — с 9,7 до 10,3 % и с 94,9 до 106,9 %, Х6 — внутренние текущие затраты на исследования и разработки — с 9,7 до 10,2 % и с 97,5 до 103,0 %, Х13 — выпуск специалистов государственными высшими и средними специальными учебными заведениями — с 7,3 до 7,7 % и с 52,7 до 59,2 % и Х19 — затраты на технологические инновации — с 13,0 до 14,1 % и с 167,8 до 198,7 %.
Противоположная тенденция или снижение дифференциации наблюдалось в совокупности 88 регионов РФ. В то же время по шести показателям научного потенциала — Хр Х, Х7, Xg, Х9 иХп, а также по пяти показателям инновационности — Хи — Xlg среди северных регионов отмечается ослабление разброса. В целом это свидетельствует о сравнительно высокой степени дифференциации научно-инновационного потенциала регионов Севера, хотя по большинству показателей разброс меньше, чем по регионам России.
Центральная тенденция расположения распределений. Динамика средней и медианы за 2000—2007 гг. по большинству показателей научно-инновационного потенциала северных регионов характеризуется заметным ростом. В частности, по Хд — внутренние текущие затраты на прикладные исследования среднее и медиана, возросли, соответственно, в 9,2 и 13,6 раза, Х7 — внутренние текущие затраты на приобретение оборудования — в 4,6 и 4,9 раза, Xg — внутренние текущие затраты на фундаментальные исследования — в 5,8 и 7,3 раза, Хп — выпуск
из аспирантуры с защитой диссертации — в 3,3 и 9,0 раза, Х6 — число использованных передовых производственных технологий — в 3,7 и 12,1 раза и Х1д—затраты на технологические инновации — в 2,9 и 0,7 раза. Наряду с этим по двум показателям — Х4 — численность вспомогательного персонала, занятого исследованиями и разработками, Хп — выпуск из докторантуры с защитой диссертации — отмечается уменьшение значений средней и медианы.
Позитивным моментом является опережающий рост медианных значений относительно средних в подавляющем большинстве случаев. Иными словами, рост среднего уровня северных регионов в рассматриваемый период обеспечивался не только за счет регионов с высоким научно-инновационным потенциалом, но и за счет регионов с низким потенциалом. Это свидетельствует о наличии частичной конвергенции или некоторого сближения уровней научно-инновационного потенциала северных регионов, а значит, о некотором улучшении общей ситуации.
В 2000—2007 гг. отмечена высокая асимметричность научно-инновационного потенциала регионов Севера, которая подтверждается коэффициентами асимметрии и эксцесса. За этот период наблюдались две разнонаправленные тенденции их изменения. Первая тенденция, позитивная, характеризуется уменьшением обоих коэффициентов по двенадцати показателям в группе северных регионов. Например, за этот период коэффициенты асимметрии и эксцесса в показателе X — внутренние текущие затраты на фундаментальные исследования — уменьшились, соответственно, с 1,9 до 1,0 и с 3,2 до 0,1 и в индикаторе Х15 — число созданных передовых производственных технологий — с 2,9 до 1,4 и с 9,1 до 1,0. Вторая, негативная, тенденция отмечена увеличением этих коэффициентов в семи показателях. Так, эти коэффициенты по Х9 — внутренним затратам на исследования и разработки увеличились, соответственно, с 1,9 до 2,2 и с 3,6 до 4,0, Х16 — числу использованных передовых производственных технологий — с 1,3 до 2,5 и 0,8 до 7,6 и Х99 — затратам на технологические инновации — с 2,2 до 3,1 и 3,7 до 10,2. Приведенные данные еще раз подтверждают наличие процессов конвергенции или схождения территорий, при высокой степени дифференциации их научно-инновационного потенциала. Причем неравномерность распределения научно-инновационного потенциала в северных регионах выражена резче, чем в 88 регионах РФ.
Анализ главных компонент и сокращение размерности. После обработки первичных данных
Таблица 2
Полная объясненная дисперсия северных регионов по показателям научно-инновационного потенциала за 2000—2007 гг.
Компонента Начальные собственные значения
Всего Дисперсия,% Совокупная,%
2000 г.
8,693 45,751 45,751
3,741 19,690 65,441
1,733 9,120 74,561
1,403 7,385 81,947
1,112 5,853 87,800
2004г.
9,521 50,112 50,112
3,054 16,072 66,184
1,936 10,190 76,373
1,347 7,088 83,461
2007г.
9,180 48,316 48,316
F2 2,513 13,227 61,543
Ъ 1,818 9,570 71,113
F4 1,497 7,877 78,989
1,318 6,935 85,925
научно-инновационного потенциала 16 северных регионов за 2000—2007 гг. методом главных компонент факторного анализа в 2000 и 2007 гг. выделились пять главных компонент и в 2004 г. — четыре, собственные значения которых были выше единицы (табл. 2). Они охватывают большую часть полной дисперсии. Однако первоначально полученная факторная матрица оказалась недостаточно четкой для содержательной научной интерпретации компонент, поэтому было произведено вращение факторной матрицы методом «варимакс» (табл. 3). Именно данные последней матрицы использовались для выделения компонент и их интерпретации.
Первая компонента — F1 включает три переменные с наиболее высокими факторными нагрузками — Х6, X и X. Из них выбрана переменная Х6 — внутренние затраты на исследования и разработки с наиболее высокой факторной нагрузкой, отражающей объем финансирования научно-исследовательской
Таблица 3
Матрица факторных нагрузок показателей научно-инновационного потенциала северных регионов в 2007 г.
Показатель Факторы до вращения Факторы после вращения
F1 F2 F4
Х1 0,641 —0,559 —0,099 — 0,040 0,408 0,582 0,116 —0,266 0,688 —0,076
Х2 0,917 0,157 —0,044 0,012 0,111 0,609 0,495 0,362 0,351 0,096
Х3 0,881 —0,108 —0,368 — 0,016 —0,106 0,878 0,376 0,076 0,126 0,023
Х4 0,882 0,221 0,136 — 0,179 0,053 0,559 0,312 0,555 0,372 0,157
0,863 —0,090 —0,340 0,265 —0,066 0,756 0,581 —0,048 0,130 0,122
Х6 0,877 —0,224 —0,103 — 0,307 —0,202 0,912 0,025 0,221 0,240 0,161
Х7 0,753 0,326 —0,265 — 0,232 —0,097 0,659 0,332 0,503 0,002 —0,096
Х8 0,864 —0,150 —0,148 — 0,225 —0,219 0,880 0,118 0,218 0,169 0,157
Х9 0,688 —0,570 —0,147 —0,226 —0,229 0,888 —0,141 —0,148 0,241 0,191
Х10 0,402 0,725 0,241 —0,364 0,122 0,029 0,188 0,913 0,132 —0,074
Х11 0,667 0,246 0,005 0,507 —0,104 0,301 0,724 0,139 0,048 0,371
Х12 0,249 0,332 —0,394 0,427 0,329 0,022 0,733 —0,032 0,004 —0,282
Х13 0,892 0,075 —0,083 0,210 0,000 0,612 0,575 0,190 0,254 0,216
Х14 0,622 0,510 0,103 0,406 0,095 0,110 0,769 0,394 0,139 0,232
Х15 0,456 —0,286 0,508 0,302 —0,426 0,261 0,053 —0,044 0,161 0,850
Х16 0,291 —0,107 0,603 0,306 —0,384 0,028 0,051 0,068 0,111 0,826
Х17 0,560 —0,362 0,423 —0,074 0,557 0,203 0,045 0,034 0,937 0,129
Х18 0,704 —0,154 0,557 —0,042 0,391 0,228 0,145 0,269 0,857 0,324
Х19 0,345 0,627 0,266 —0,411 —0,187 0,116 0,009 0,871 —0,065 0,101
Эвенкийский АО 10
Корякский АО 13
Коми-Пермяцкий АО б Таймырский (Долгано-Ненецкий) АО 9
Ненецкий АО 4
Чукотский АО 16
Ямало-Ненецкий АО 8
Сахалинская область 15
Камчатская область 12
Магаданская область 14
Республика Коми 2
Республика Саха 11
Архангельская область 3
Мурманская область 5
Республика Карелия 1
Ханты-Мансийский АО 7
деятельности и потому фактор (F]) может быть охарактеризован как «уровень финансирования научной деятельности».
Вторая компонента — F2 сформирована из двух переменных с наибольшими факторными нагрузками — Х4, Х22 и Х1Г Из трех показателей выбран наиболее представительный, хотя с меньшей нагрузкой Хи — выпуск из аспирантуры с защитой диссертации. Этот показатель отражает подготовку научных кадров и потому фактор F2 интерпретируется как «уровень подготовки научных кадров».
Третья компонента — F3 включает два показателя финансовой деятельности — Х10 и Х19 имеющие наибольшие значения факторной нагрузки. Поскольку до этого из фактора F1 уже был выбран более представительный показатель финансовой деятельности Х6 то из фактора F3 отобран показатель Х19—затраты на технологические инновации, характеризуемый как «уровень инновационности».
Четвертая компонента — F4 имеет четыре переменные с наиболее высокими факторными нагрузками Х17, Х18, Х1 и X. Для последующего анализа был выбран Х2 — численность исследователей, занятых исследованиями и разработками, с наименьшей нагрузкой из них, поскольку показатели инновационной деятельности (Х17 и Х8) уже были взяты из F3, а среди Х1 и Х2 более представительным является последний. Фактор F4 может быть назван как «уровень подготовки научного персонала».
Пятая компонента — F5 образована из двух показателей, отражающих инновационность с наибольшими значениями факторной нагрузки Х5 и Х6. Поскольку инновационность уже отражена фактором F3, то эти показатели не попали в число отобранных показателей.
Таким образом, размерность первичных данных сократилась с исходных девятнадцати до четырех показателей: Х2 — численность исследователей, занятых исследованиями и разработками; Х6 — внутренние затраты на исследования и разработки; Хп — выпуск из аспирантуры с защитой диссертации; Х19 — затраты на технологические инновации.
Кластеризация регионов и их содержательная характеристика. Регионы зоны Севера были клас-
0 5 10 15 20 25
I
Дендограмма многомерной классификации по уровню научно-инновационного потенциала северных регионов в 2007 г.
сифицированы по уровню научно-инновационного потенциала за 2000—2007 гг. с использованием процедуры иерархических кластеров Уорда. Графическое изображение (дендограмма) проведенной многомерной классификации регионов за 2007 г. представлено на рисунке, где отчетливо выделяются шесть групп северных регионов. Поскольку дендограмма непосредственно не ранжирует кластеры по уровню научно-инновационного потенциала, то ранжирование, состав и содержательная характеристика кластеров осуществлялись после их выделения и приводятся в табл. 4. Кроме того, в целях сравнительного анализа были выстроены дендограммы и определен состав кластеров по всем годам рассматриваемого периода.
Распределение регионов по кластерам в 2007 г. в основном определяется двумя показателями — Х6 — внутренние затраты на исследования и разработки и Х19 — затраты на технологические инновации. В результате, половина регионов сгруппировалась в четвертом кластере и около трети во втором, что отражает высокую степень однородности значений первичных показателей, хотя географически регионы разбросаны.
Кластер 1 — с самым высоким уровнем научно-инновационного потенциала, включает лишь один регион. Его отличает высокий уровень инновационности, особенно в показателе затрат на технологические инновации, и одновременно низкий уровень научного потенциала, в частности в подготовке научных кадров. Определяющую роль в этом сыграла высокодоходная нефтедобывающая отрасль, активно реализующая стратегию «использования», внедряющая новейшие зарубежные технологии по добыче нефти.
Таблица 4
Состав и характеристика кластеров по научно-инновационному потенциалу северных регионов в 2007 г.
Кластер Кол—во регионов Регион Х2 Численность исследователей, занятых исследованиями и разработками, чел. на 10000 занятых в экономике Х6 Внутренние затраты на исследования и разработки, на одного занятого в экономике, руб/раб. Х11 Выпуск из аспирантуры с защитой диссертации, чел. на 10000 человек занятых в экономике Х19 Затраты на технологические инновации по РФ, руб. на одного занятого в экономике
1 1 Ханты—Мансийский АО 20,60 3 373,00 0,19 20 606,80
2 5 Республика Карелия, Республика Коми, Архангельская область, Мурманская область, Республика Саха (Якутия) 25,04 2 208,26 0,67 3 777,02
3 2 Камчатская область, Магаданская область 31,15 5 494,75 0,31 187,25
4 8 Ненецкий АО, Коми—Пермяцкий АО, Ямало— Ненецкий АО, Таймырский (Долгано—Ненецкий), Эвенкийский АО, Корякский АО, Сахалинская область, Чукотский АО 2,89 530,61 0,02 288,33
Кластер 2 — со средним уровнем научно-инновационного потенциала. Этот кластер объединяет пять регионов, причем в основном это старообжитые районы Европейского Севера. Он уступает первому кластеру по уровню инновационности, но превосходит его по уровню научного потенциала, в частности по уровню научного персонала и его подготовки.
Кластер 3 — с уровнем научно-инновационного потенциала ниже среднего, в составе двух географически близких регионов. Регионы этого кластера отличаются самыми высокими показателями внутренних затрат на исследования и разработки и численности исследователей, занятых исследованиями и разработками среди всех регионов Севера. Это связано, в основном, со специализацией регионов на производстве промышленных товаров — машин, оборудования, в том числе электрооборудования, электронного и оптического оборудования, транспортных средств, а также производстве пищевых продуктов (рыбных и др.). Нахождение этих регионов в третьем кластере объясняется низкими показателями по подготовке научных кадров, и особенно по инновационному потенциалу.
Кластер 4 — с низким уровнем научно—инновационного потенциала и самый многочисленный по составу включает восемь регионов. Его отличает исключительно низкий уровень показателей как по научному, так и по инновационному потенциалу по сравнению с другими кластерами. Несколько отличаются среди них в лучшую сторону лишь Сахалинская область, Ямало-Ненецкий и Ненецкий автономные округа. Следует отметить, что регионы
этого кластера также находятся в последнем, шестом, кластере в совокупности 88 регионов РФ.
Движение северных регионов в 2000—2007 гг. по вышеуказанным кластерам представлено в табл. 5.
В рассматриваемый период из 16 северных регионов только 6 изменили свое положение. Из них три — Республика Карелия, Архангельская область и Ханты—Мансийский АО улучшили свое положение, и первые два региона переместились в иерархии на одну ступеньку выше, а последний — на три ступени,
Таблица 5
Миграция северных регионов по кластерам научно-инновационного потенциала за 2000—2007 гг.
Регион 2000 2005 2007
Республика Карелия 3 1 2
Республика Коми 2 1 2
Архангельская область 3 1 2
(без АО)
Ненецкий АО 4 4 4
Мурманская область 1 1 2
Коми—Пермяцкий АО 4 4 4
Ханты—Мансийский АО 4 2 1
Ямало—Ненецкий АО 4 4 4
Таймырский АО 4 4 4
Эвенкийский АО 4 4 4
Республика Саха 2 1 2
Камчатская область (без АО) 1 3 3
Корякский АО 4 4 4
Магаданская область 1 3 3
Сахалинская область 4 2 4
Чукотский АО 4 2 4
став лидером. Положение следующих трех регионов существенно ухудшилось. Камчатская и Магаданская области опустились на две ступени ниже, с первой на третью, а Мурманская область — на одну, с первого кластера во второй. Положительным моментом является тот факт, что Республика Коми и Республика Саха (Якутия) сохранили свою лидерскую позицию во втором кластере. Отрицательным является нахождение половины регионов в четвертом кластере, т. е. сохранение положения аутсайдеров. В целом анализ движения по кластерам научно-инновационного потенциала регионов показал, что переход экономик этих регионов на инновационный путь развития пока проявляется слабо. Это объясняется сырьевой специализацией экономик северных регионов, просчетами региональной политики федерального Центра и последствиями рыночного реформирования на Севере.
Таким образом, пространственный анализ уровня научно-инновационного потенциала северных регионов выявил:
• высокую степень дивергенции регионов, обусловленную высокими показателями научного и инновационного потенциалов Мурманской, Архангельской областей и Ханты-Мансийского АО и крайне низкими — Корякского, Эвенкийского и Таймырского (Долгано-Ненецкого) автономных округов;
• процессы конвергенции, или сходимости территорий в научно-инновационном развитии в условиях высокой степени дифференциации их потенциалов;
• наличие четырех кластеров, различающихся по уровню научно-инновационного потенциала — высокого, среднего, ниже среднего и низкого. Самым многочисленным и одновременно географически разбросанным оказался четвертый кластер;
• медленный переход северных регионов на инновационный путь развития, обусловленный, в основном, их сырьевой специализацией и пробелами в рыночном реформировании;
• дефицит спроса на знания со стороны предприятий, особенно добывающих, в связи с получением в настоящее время большой прибыли и природной ренты;
• активное применение предприятиями стратегии «использования», внедрение новейших зарубежных технологий и оборудования, в частности в добыче топливно-энергетических полезных ископаемы и обработке древесины и производстве изделий из дерева;
• слабое использование существующего инновационного потенциала северных регионов из-за недостаточного коммерческого и государственного финансирования, особенно в цикле внедрения новейших результатов фундаментальных и прикладных исследований в практику. Учет отмеченных выше особенностей и тенденций в пространственном распределении научно-инновационного потенциала регионов Севера поможет центральным, региональным органам власти и бизнесу обеспечить ускорение инновационного развития «северов» и, в конечном счете, повышение благосостояния населения.
СПИСОК ЛИТЕРАТУРЫ
1. Гаджиев Ю, Акопов В., Стыров М. Межрегиональные различия в научно-инновационном потенциале Российской Федерации // Общество и экономика. 2009. № 2. С. 156—179.
2. Жуковская В. М, Мучник И. Б. Факторный анализ в социально-экономических исследованиях. М.: Статистика. 1976. 150 с.
3. Заусаев В. К, Быстрицкий С. П., Криворучко Н. Ю. Инновационный потенциал восточных регионов России // ЭКО, 2005. № 10. С. 40—52.
4. Инновационный потенциал: современное состояние и перспективы развития: монография / В. Г. Матвейкин, С. И. Дворецкий, Л. В. Минько и др. — М.: «Издательство Машиностроение—1», 2007. 284 с.
5. Москвина О. С. Инновационный потенциал как фактор устойчивого развития региона. [Электронный ресурс]. URL: http://www. vscc. ac. ru/newsite/ jou/30/art30 02.php. Дата обращения 13.02.2009.
6. Нестеренко Ю. Мировой опыт формирования национальных инновационных систем и возможности России. // Проблемы теории и практики управления, 2006. — №1. С. 81—87.
7. Пилипенко И. В. Конкурентоспособность стран и регионов в мировом хозяйстве: теория, опыт малых стран Западной и Северной Европы. Смоленск: Ойкумена. 2005. 496 с.
8. Ратьковская Т. Г. Условия инновационного развития в Сибирском федеральном округе: региональная дифференциация // ЭКО. 2007. № 4. С. 51—52.
9. Регионы России. Социально-экономические показатели. 2007: Ст. сб. /. Росстат. М., 2007.
10. Факторный, дискриминантный и кластерный анализ. Пер. с англ. /Дж. —О. Ким, Ч. У. Клек-каи др.: Под. ред. И. С. Енюкова. — М.: Финансы и статистика. 1989. 215с.
11. SPSS Base 12.0 Руководство пользователя. М., 2004.
