Современное состояние и перспективы развития высокотехнологичного сектора экономики России: структурно-динамический анализ Текст научной статьи по специальности «Экономика и бизнес»

Безруков А.В.

к.э.н., доцент, Российский экономический университет

[email protected]

Кокарев М.А.

к.ф.-м.н., в.н.с. НИВЦ МГУ

[email protected]

Тенетова Е.П.

к.э. н., доцент, Российский экономический университет [email protected]

СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ ВЫСОКОТЕХНОЛОГИЧНОГО СЕКТОРА ЭКОНОМИКИ РОССИИ: СТРУКТУРНО-ДИНАМИЧЕСКИЙ АНАЛИЗ

Ключевые слова: региональный инновационный сектор, кластерный анализ, авторегрессионное моделирование и прогнозирование.

Keywords: regional innovation sector, cluster analysis, autoregression modelling and forecasting.

В современном мире развитие инновационных производств и высокотехнологичного сектора экономики является одним из наиболее перспективных направлений повышения потенциала страновой экономики. Необходимо отметить прямую связь высокотехнологичного сектора с уровнем и качеством жизни населения, что оказывает дополнительный стимулирующий эффект на социально-экономическое развитие федеральных округов, регионов и муниципальных образований, и, согласно исследованиям ОЭСР, повышает конкурентоспособность как специализированных кадров, так и в глобальном аспекте, всей страны в целом. В то же время, в Российской Федерации инновационное производство в настоящий момент находится в развивающемся состоянии, при этом особого внимания требуют такие аспекты как реальный инновационный рост, его территориальное размещение и инвестиции в реальный сектор в сфере высоких технологий, что определяется устойчивостью развития регионов России, содержащих данные производства в сопоставимом масштабе; выявление регионов не только с наибольшей инновационной активностью, но и обладающих высоким потенциалом инновационного развития.

В целях исследования географического распределения и уровня развития инновационного потенциала регионов средствами ППП R применен иерархический кластерный анализ методом Уорда, в качестве метрики использован квадрат Евклидова расстояния, на основе данных Росстата об удельном весе инновационной отгруженной продукции в разрезе регионов за период 2009-2017 гг.1. Результаты иерархической кластеризации представлены на рис. 1.

Cluster Dendrogram

жп^л пТТ

»¡ВЩШйШШвИШШ

ТПТШО®

пАтп^л^Тгп

ршрйяшаш!

hclust (*, "ward.D")

Рисунок. 1.

Дендрограмма кластеризации регионов Российской Федерации по удельному весу отгруженной

инновационной продукции за период 2009-2017 гг.

Сопоставление различных результатов кластеризации регионов позволяет сделать вывод о том, что в региональном инновационном производстве за период 2009-2017 гг. выделяются четыре основных кластера, не считая регионов с особенностями инновационного развития, которые требуют выделения в отдельные кластеры (рис. 2). Cluster plot

RespMordoviyaF

RespTyva

vtchNeneckijAO

vtomchiHe: /Resplngushetiya

KrasnoyarskijKraj

cluster ¥11 2 3

Vladimii

Lllysno1

Orlovsftay.

Kirovskayj

gSanklPet^rbun

PermskijKr-,.

' Sven

Nizhegoradskaya

Rostovskaya

Lipeckaya

Ryazanskaya Tomskaya

0™1 (76.4%)

Рисунок 2.

Огибающий график кластеров регионов Российской Федерации по удельному весу отгруженной

инновационной продукции за период 2009-2017 гг.

По мнению авторов, в широком смысле кластерная группировка регионов по развитию инновационных производств позволяет выделить группы по уровню потребительского потенциала инновационного сектора (табл. 1).

Таблица 1

Состав кластеров региональной отгруженной инновационной продукции

Уровень потребительского потенциала инновационного сектора Состав кластера

Высокий Белгородская область, Владимирская область, Орловская область, Тверская область, Тульская область, г. Москва, Республика Карелия, Калининградская область, г. Санкт-Петербург, Краснодарский край, Волгоградская область, г. Севастополь, Пермский край, Кировская область, Нижегородская область, Саратовская область, Ульяновская область, Курганская область, Республика Бурятия, Омская область, Хабаровский край

Высокопотенциальный Калужская область, Рязанская область, Тамбовская область, Республика Мордовия, Псковская область, Ростовская область, Республика Татарстан, Чувашская Республика, Пензенская область, Свердловская область, Томская область, Еврейская автономная область

Средний Курская область, Липецкая область, Мурманская область, Республика Алтай, Алтайский край, Красноярский край

Низкий Брянская область, Воронежская область, Ивановская область, Архангельская область, Республика Башкортостан, Новосибирская область

Крайне низкий Костромская область, Московская область, Смоленская область, Ярославская область, Республика Коми, Ненецкий автономный округ, Архангельская область без АО, Вологодская область, Ленинградская область, Новгородская область, Республика Адыгея, Республика Калмыкия, Республика Крым, Астраханская область, Республика Дагестан, Республика Ингушетия, Кабардино-Балкарская Республика, Карачаево-Черкесская Республика, Республика Северная Осетия - Алания, Чеченская Республика, Ставропольский край, Республика Марий Эл, Удмуртская Республика, Оренбургская область, Самарская область, Тюменская область, Ханты-Мансийский автономный округ - Югра, Ямало-Ненецкий автономный округ, Тюменская область без АО, Челябинская область, Республика Хакасия, Забайкальский край, Иркутская область, Кемеровская область, Республика Саха (Якутия), Камчатский край, Приморский край, Амурская область, Магаданская область, Сахалинская область, Чукотский автономный округ, Республика Тыва

На основе результатов кластеризации регионов необходимо отметить, что большинство регионов, обладающих наиболее высоким потенциалом развития инновационного сектора, относится к Центральному и Северо-Западному федеральным округам; в то же время не наблюдается четкого территориального тяготения отдельных регионов с образованием значимых инновационных межрегиональных кластеров, что свидетельствует о формировании инновационных центров преимущественно в муниципальном географическом аспекте.

Для моделирования текущего развития и прогнозирования ближайших среднегодовых значений доли инновационной продукции применены модели семейства АРСС для стационарных временных рядов средствами ППП R.

График прогнозных значений удельного веса отгруженных инновационных товаров, работ, услуг на период 2018-2020 гг. приведен на рис. 3.

Результаты моделирования и прогнозирования свидетельствуют о стагнировании в развитии инновационного потенциала регионов. По прогнозируемым данным (табл. 2) доля отгруженной инновационной продукции продолжит снижение и сократится с 5,71% в 2018 году до 5,01% к 2021 году. Представляется очевидным, что существенные импульсы в высокотехнологичном развитии требуют длительных периодов времени как на внедрение инновационных технологий, так и на формирование эффекта в экономике, что, по мнению авторов, дает основание предполагать об осуществлении инерционного прогноза высокотехнологичного сектора в ближайшие 2-3 года с сохранением доли отгруженной инновационной продукции на уровне от 5 до 5,5-6%.

Forecasts from ARIMA(2,0,2) with non-zero mean

Рисунок 3.

Авторегрессионное моделирование и прогнозирование удельного веса инновационной отгруженной

продукции за период 2009-2020 гг.

Таблица 2

Результаты авторегрессионного прогнозирования удельного веса инновационной отгруженной

продукции на период 2018-2020 гг.

Год Прогноз Ниж.80% Верх.80% Ниж. 95% Верх. 95%

2019 5,71 5,10 6,31 4,78 6,64

2020 5,03 3,90 6,15 3,30 6,75

2021 5,01 3,80 6,23 3,15 6,87

Дополнительно отметим, что, анализ данных Росстата о развитии инновационных производств в разрезе видов экономической деятельности показывает повышение удельного веса производства электрооборудования и электронных и оптических устройств, а также химических производств, в составе промышленной продукции, в то время как остальные виды инновационных производств в целом совпадают с представленной выше динамикой удельного веса отгруженной инновационной продукции1.

Список литературы

1. Eurostat indicators on High-tech industry and Knowledge - intensive services. Annex 3 - High-tech aggregation by NACE Rev. 2. Eurostat, 2017.

2. ISIC REV. 3 TECHNOLOGY INTENSITY DEFINITION. Classification of manufacturing industries into categories based on R&D intensities. Eurostat, 2011.

3. Безруков А.В., Самарина Е.П., Тенетова Е.П. Прогнозирование развития «точек роста» в высокотехнологичном секторе России на основе адаптивного моделирования // Экономика и предпринимательство. 2017. - № 9 (ч. 1).

4. Безруков А.В., Тенетова Е.П. Робастное оценивание динамики высокотехнологичного сектора // Россия: тенденции и перспективы развития. Ежегодник. - М, 2018. - Ч. 1.

5. Лащева Т. О. Формирование и активизация полюсов экономического развития в регионе: автореф. дис. канд. экон. наук. - СПб., 2008.

6. Национальные приоритеты научно-технологического развития России. - http://www.protown.ru/information/hide/4499.html

7. Сибирская Е.В., Строева О.А., Мартов С.Н. Регионализация процесса управления инновационной деятельностью // Вестник Воронежского государственного университета информационных технологий. 2014. - № 1(59). - С. 249-255.

8. Стратегия инновационного развития Российской Федерации на период до 2020 года. - http://minsvyaz.ru/common/upload/2227-pril.pdf

9. Инновационная деятельность в Российской Федерации. Инф. - стат. мат. - М.: ФГБНУ НИИ РИНКЦЭ, 2016.