CC BY
27
КОЛОМЫЦ О.Н.
ВЫЯВЛЕНИЕ ОСНОВНЫХ ТИПОВ РЕГИОНОВ ПО УРОВНЮ ИННОВАЦИОННО-ИНВЕСТИЦИОННОГО ПОТЕНЦИАЛА С ПОМОЩЬЮ МЕТОДОВ МНОГОМЕРНОГО АНАЛИЗА
Аннотация. В статье дано авторское определение инновационно-инвестиционного потенциала с обоснованием его определяющей роли в условиях инновационной экономики. На основе отобранных статистических показателей проведена кластеризация основных типов регионов по уровню инновационно-инвестиционного потенциала регионов методом иерархической классификации и методом k-средних. Определено, что оценка инновационно-инвестиционного потенциала региона позволяет выявить направления инновационного развития и привлечения инвестиционных ресурсов, обеспечивающих высокий уровень конкурентоспособности региона, существенно повышающих его устойчивость и гибкость по отношению к изменениям внешней среды.
Ключевые слова: инновации; инвестиции; инновационно-инвестиционный потенциал; методы кластерного анализа; инновационное развитие; инвестиционные ресурсы; инвестиционная деятельность; инновационная деятельность.
KOLOMYTS O.N.
FINDING THE MAIN TYPES OF REGIONS BY THE LEVEL OF INNOVATIVE-INVESTMENT POTENTIAL USING THE METHODS OF MULTI-DIMENSIONAL ANALYSIS
Abstract. The article gives the author's own definition of the innovative-investment potential with the explanation of its determining role in the conditions of innovative economics. Based on the chosen statistical indicators the clusterization of the main types of regions by the level of the innovative-investment potential of regions by the method of hierarchic classification and using the method of k-averages is given. It is defined that the evaluation of the innovative-investment potential of the region allows to find the directions of innovative development and attracting investment resources providing a high level of competitiveness of the region which significantly increases its stability and flexibility towards changes in the environment.
Keywords: innovations; investments; innovative-investment potential; methods of cluster analysis; innovative development; investment resources; investment activity; innovative activity.
Устойчивый сбалансированный социально-экономический рост любой территории предполагает концептуальное обоснование путей и способов преодоления проблем и противоречий, препятствующих росту ее инновационного потенциала и инвестиционных возможностей [1].
В условиях доминирования мирохозяйственных связей преимуществом обладает тот, кто имеет больший инновационный потенциал и инвестиционные возможности и эффективно их использует, кто имеет развитую региональную инфраструктуру поддержки инновационной и инвестиционной деятельности. Наиболее успешны в социально-экономическом развитии те регионы, которые генерируют инновации, осуществляют выпуск высокотехнологичной продукции [4].
Исходя из существующих определений инновационного и инвестиционного потенциалов различных ученых (Аюшева Л.А., Николаев А. И., Монастырный Е.А., Трухин С.А., Краюхин Г.А., Шайбакова Л.Ф., Тумусов Ф.С., Тумусов Ф.С., Зенченко С. В., Шемёткина М. А., Ката-сонов В.Ю., Марголин А.М., Быстряков А.Я., Красавин А.В. и др.), предлагаем следующую трактовку инновационно-инвестиционного потенциала (ИПП). Итак, инновационно-инвестиционный потенциал — это совокупный потенциал социально-экономической системы региона для обеспечения развития его инвестиционной и инновационной деятельности, включающий производственные, научно-технические, кадровые, финансовые, информационные и экономические ресурсы.
Опираясь на такое понимание, для оценки инвестиционно-инновационного потенциала в условиях инновационной экономики в регионах Российской Федерации нами были отобраны следующие статистические показатели (табл. 1).
Таблица 1
Показатели для оценки ИИП регионов РФ
Обозначение Показатель
Y1 Инвестиции в основной капитал на душу населения, тыс. руб.
X2 Иинновационная активность организаций (удельный вес организаций, осуществлявших технологические, организационные, маркетинговые инновации в отчетном году, в общем числе обследованных организаций), %
X3 Объем инновационных товаров, работ, услуг, млн руб.
X4 Выдано патентов на изобретение, ед.
X5 Выдано патентов на полезные модели, ед.
X6 Созданные (разработанные) передовые производственные технологии, ед.
X7 Используемые передовые производственные технологии, ед.
X8 Удельный вес организаций, осуществлявших технологические инновации в общем числе обследованных организаций, %
X9 Удельный вес малых предприятий в общем числе обследованных малых предприятий, %
X10 Численность персонала, занятого научными исследованиями и разработками, чел.
X11 Удельный вес исследователей, имеющих ученую степень, %
X12 Удельный вес студентов общей численности населения региона, %
X13 Численность организаций, обучающих аспирантов и докторантов, ед.
X14 Количество вузов, ед.
X15 Количество научных организаций, ед.
X16 Удельный вес инновационной продукции в общем объеме производства, %
X17 Количество грантов, проектов, разрабатываемых регионом (в т. ч. образовательными учреждениями), ед.
X18 Число организаций, выполняющих научные исследования и разработки, ед.
X19 Внутренние затраты на научные исследования и разработки, млн руб.
X20 Затраты на технологические инновации, млн руб.
X21 Расходы на науку и профессиональное образование из регионального бюджета, млн руб.
X22 Затраты на НИОКР и освоение нововведений из всех источников финансирования в % к ВРП
X23 Удельный вес организаций, использующих широкополосный доступ к Интернету в общем числе организаций, %
X24 Удельный вес населения, имеющего доступ к Интернету в домашних хозяйствах, %
X25 Валовой региональный продукт, млн руб.
X26 Отношение ВРП к стоимости основных фондов, %
X27 Удельный вес бюджетных средств во внутренних затратах на исследования и разработки, %
X28 Индекс физического объема инвестиций
X29 Внешнеторговый оборот, млн руб.
X30 Иностранные инвестиции в экономику региона
Состав регионов, включенных в базу аналитических показателей, определялся наличием полной информации по всем анализируемым переменным для региона. В результате в массив исходных данных была включена информация по 83 регионам за 2013 г. Для создания базы данных использовался пакет обработки и анализа статистической информации SPSS.
Информационной базой для кластерного анализа регионов по уровню инновационно-инвестиционного потенциала послужила система статистических показателей, описанная выше. Для расчетов использовался модуль Cluster Analysis ППП Statistica 6,0. Процедура кла-
стерного анализа выполнялась двумя методами — методом иерархической классификации и методом k-средних.
На начальном этапе были исключены нетипичные единицы (выбросы) из состава анализируемых регионов, а также определено предполагаемое число кластеров, на которые будет разбита исследуемая совокупность, чтобы они были настолько различны, насколько это возможно.
Для выявления статистических выбросов в составе регионов применена функция расстояния City-block Manhattan — манхеттенского расстояния. Как следует из рис. 1, к статистическим выбросам относятся регионы с номерами 10, 18, 26, 29, 75 (Московская область, г. Москва, Мурманская область, г. Санкт-Петербург, Республика Саха (Якутия)).
Tree Diagram for 78 Cases Ward's method City-block (Manhattan) distances
h 1 =|- —
0 1E8 2E8 3E8 4E8 5E8
Linkage Distance
Рис. 1. Выявление статистических выбросов в составе совокупности регионов РФ по показателям ИИП в 2013 г.
В качестве метода иерархического объединения единиц исследуемой совокупности (78 регионов) в кластеры использовался метод Уорда (Ward'method), исходя из минимальных дисперсий внутри кластеров.
Исключение статистических выбросов и повторная классификация объектов (регионов) методом Уорда с применением евклидовой метрики расстояния позволяют определить гипотетическое число кластеров. Дендровидное решение процедуры кластеризации представлено на рис. 2.
Выбор количества классов может определяться на основе анализа специальных функционалов качества, на основе сравнения разбиений на различное количество классов, возможности из содержательной интерпретации и других критериев.
Одним из доступных в Statistica инструментов для выбора количества классов являются график процесса объединения (Graph of Amalgamation schedule), представленный на рис. 3.
Tree Diagram for 78 Cases Ward's method Euclidean distances
с 55 C_41 с 46 C_51 с 33 C_70 C_77 с 48 C_72 C 2 с_44 C 13 C 25
C 16 C_15 C_78 C_17 C_11 C_14 C_20 C_12 C_32 C_47 C_67
0
1E8
2E8
3E8
4E8
5E8
Linkage Distance
Рис. 2. Дендрограмма распределения регионов РФ по показателям уровня ИИП в 2013 г.
Plot of Linkage Distances across Steps Euclidean distances
6E8
5E8
4E8
1E8
-1E8
0 8 16 24 32 40 48 56 64 72
Step
Рис. 3. График объединения объектов в классы методом Уорда
Linkage Distance
0
В нашем случае в качестве точки перелома можно рассматривать шаг под номером 76, откуда получаем 83 - 76 = 6 классов.
В результате процедуры кластеризации рассматриваемых показателей {X} сформировано два кластера и пять аномальных единиц (статистический выброс).
В состав первого кластера вошли 73 региона, а во второй — 5 регионов.
В результате на 1-м шаге анализа получены таблицы межгрупповых (между SS) и внутриг-рупповых (внутри SS) дисперсий переменных (табл. 2) и таблица средних значений показателей (табл. 3).
Таблица 2
Дисперсионный анализ на 1-м шаге разделения на кластеры регионов методом ^средних
Показатели Дисперсионный анализ результативных показателей
между SS внутри SS F Уровень значимости Р
Y1 — инвестиции в основной капитал на душу населения, тыс. руб. 2,400421Е+09 1,669536Е+10 10,5488 0,031438
Х4 — выдано патентов на изобретение, ед. 4,606909Е+04 1,951193Е+04 4,6069 0,040852
Х21 — расходы на науку и профессиональное образование из регионального бюджета тыс. руб. 2,277195Е+15 4,352139Е+14 2,2771 0,011419
Х22 — затраты на НИОКР и освоение нововведений из всех источников финансирования в % к ВРП 9,844579Е+02 1,135452Е+04 9,8445 0,316742
Х23 — удельный вес организаций, использующих широкополосный доступ к Интернету в общем числе организаций, % 8,709315Е+01 1,832436Е+03 8,7093 0,782169
Х26 — отношение ВРП к стоимости основных фондов, % 1,058380Е+03 9,920410Е+03 1,0583 0,713464
Как показывают данные табл. 3, средние значения показателей кластера 1 выше соответствующих значений кластера 2.
Как отмечается в работе И. Д. Манделя [3], близкие средние значения какого-то показателя у всех кластеров говорят о неинформативности данного показателя для классификации и о возможности его устранения [2].
Таблица 3
Средние значения кластерообразующих показателей инновационно-инвестиционного
потенциала в 2013 г. на 1-м шаге
Переменные Кластер 1 Кластер 2
Y1 — инвестиции в основной капитал на душу населения, тыс. руб. 93234,90 151763,12
Х4 — выдано патентов на изобретение, ед. 141,55 92,82
Х21 — расходы на науку и профессиональное образование из регионального бюджета, тыс. руб. 7352072,73 1540839,77
Х22 — затраты на НИОКР и освоение нововведений из всех источников финансирования в % к ВРП 4,21 6,45
Х23 — удельный вес организаций, использующих широкополосный доступ к Интернету в общем числе организаций, % 76,76 71,36
Х26 — отношение ВРП к стоимости основных фондов, % 8,52 55,04
График, построенный по средним значениям оставшихся показателей по выделенным кластерам, дает возможность проанализировать их соотношение и при незначительном отличии их исключить (рис. 4).
Plot of Means for Each Cluster
6E7
5E7
4E7
3E7
2E7
1E7
-1E7
-2E7
-o- Cluster 1 -□- Cluster 2
Рис. 4. Показатели ИИП в 2013 г., полученные на 1-м шаге
Табл. 2 содержит значения F-критерия соотношения внутригрупповых и межгрупповых дисперсий и вероятности (р) ошибочного отнесения объекта к соответствующему кластеру. Лучшей кластеризации соответствуют большие значения первого и меньшие значения второго параметра. Из данных этой дисперсионной матрицы были исключены показатели с большими значениями р (больше 0,05).
В результате на втором шаге анализа получен новый вариант распределения регионов на два кластера.
Для расчетов использовался модуль Cluster Analysis ППП Statistica 6,0. В результате проведенного анализа по каждому кластеру установлены кластерообразующие переменные Y1, Х4 и X21 (рис. 5).
Plot of Means for Each Cluster
6E7
5E7
4E7
3E7
2E7
1E7
-1E7
-2E7
4
Cases
-o- Cluster 1 -t> Cluster 2
Рис. 5. Кластерообразующие показатели ИИП в 2013 г., полученные на 2-м шаге
0
0
Средние значения кластерообразующих показателей ИИП в условиях инновационной экономики в 2013 г. на 2-м шаге
Таблица 4
Переменные Кластер 1 Кластер 2
Y1 — инвестиции в основной капитал на душу населения, тыс. руб. 93234,90 151763,12
Х4 — выдано патентов на изобретение, ед. 141,55 92,82
Х21 — расходы на науку и профессиональное образование из регионального бюджета, тыс. руб. 7352072,73 1540839,77
Показатели дисперсионной матрицы говорят о том, что внутригрупповые дисперсии по каждому кластеру меньше, чем межгрупповые.
Вместе с тем внутри кластеров показатели вариации средних значений (особенно во втором) имеют высокий уровень, т. е. количественно неоднородны (табл. 4). Соответственно выделим три кластера (рис. 6).
Plot of Means for Each Cluster
8E7 7E7 6E7 5E7 4E7 3E7 2E7 1E7 0
-1E7 -2E7
□
/
/ .
/
/
/
/
/ п
/ /
/ /
/ / .
/ /
/ /
/ /
У
- э——
4
Cases
21
-o- Cluster 1 -□- Cluster 2 ■» Cluster 3
Рис. 6. Кластерообразующие показатели ИИП в условиях инновационной экономики в 2013 г., полученные на 2-м шаге
Кластерообразующие показатели говорят не только о том, что технологические инновации невозможны без инвестиционных вложений в основной капитал, о взаимосвязи показателей расходов на науку и профессиональное образование из регионального бюджета и количестве выданных патентов на изобретение, но и о территориальных различиях в развитии ИИП в условиях инновационной экономики за рассматриваемый период.
Таким образом, показатель инвестиционно-инновационного потенциала характеризует степень готовности региона к созданию, освоению и распространению разного типа нововведений, к реализации результатов инвестиционной и инновационной деятельности, что предопределяет дальнейшее развитие региона в целом.
Исходя из этого, оценка инновационно-инвестиционного потенциала региона позволяет определить направления инновационного развития, привлечения инвестиционных ресурсов, обеспечивающих высокий уровень конкурентоспособности региона, существенно повышающих его устойчивость и гибкость по отношению к изменениям внешней среды.
Литература
1. Коломыц, О. Н. Систематизация факторов, формирующих инновационно-инвестиционный потенциал территорий : региональный аспект // Проблемы современной науки : сб. научных трудов. — Ставрополь : Центр научного знания «Логос», 2014. Вып. 11. Ч. 2. С. 52-58.
2. Кривозубов, С. П. Статистическое исследование формирования цен на объекты офисной недвижимости на основе геоинформационной системы (на примере г. Самары) : Дис.... канд. экон. Наук : 08.00.12 /Кривозубов С. П.; [Место защиты: Сам. гос. эконом. ун-т]. — Самара, 2009.
3. Мандель И. Д. Кластерный анализ. — М. : Финансы и статистика, 1988. С. 161.
4. Мигунова, Г. С. Инновационный потенциал как фактор повышения конкурентоспособности региона (на примере субъектов ЦФО). — Вестник Дагестанского гос. ун-та. Вып. 5. 2013. С. 87.
References:
1. Kolomyts O.N. Systematization of Factors Forming Innovative-Investment Potential of Territories: the Regional Aspect. // Problems of Modern Science: a Collection of Scientific Work. - Stavropol: Center of Scientific Knowledge «Logos». - 2014. - Issue 11. - P. 2. - P. 52-58
2. Krivozubov S. P. Statistical Research of Forming Prices on Objects of Office Real Estate Based on the Geoinformational System (on the Example of Samara). - Thesis of the Candidate of Economic Sciences: 08.00.12 / Krivozubov Sergey Pavlovich; [Location of Defence: Samara State Economic University]. - Samara, 2009.- 208 p.
3. Mandel I. D. Cluster Analysis. - M.: Finances and Statistics, 1988. - P.161.
4. Migunova G.S. Innovative Potential as a Factor of Increasing the Competitiveness of the Region (on the Example of the subjects of the CFD). - Herald of Dagestan State University. - Issue 5. - 2013. - P 87.
