Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования
advertisement
Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики» Факультет Экономики Кафедра Городской и Региональной Экономики БАКАЛАВРСКАЯ РАБОТА На тему «Типология инновационного развития регионов России» Направление 080100.62 Экономика Студентка группы № _143 Тротт Кристина Сергеевна Руководитель ВКР Доцент, Русецкая Васильевна Санкт-Петербург, 2014 Ольга ОГЛАВЛЕНИЕ ВВЕДЕНИЕ .................................................................................................................. 3 Глава 1. ТЕОРИТИЧЕСКИЕ ИССЛЕДОВАНИЯ ЭКОНОМИЧЕСКОГО РОСТА И ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ ............................................................. 7 1.1. Подходы к измерению экономического роста и инновационной деятельности. ............................................................................................................ 7 1.2. Анализ факторов, влияющих на уровень инновационного развития. ...... 13 Глава 2. ИССЛЕДОВАНИЕ ИННОВАЦИОННОГО РАЗВИТИЯ СУБЪЕКТОВ РФ. ............................................................................................................................... 27 2.1. Анализ результатов существующих исследований по инновационному развитию регионов РФ. ......................................................................................... 27 2.1. Группировка регионов РФ по признакам инновационного развития ....... 32 (с использованием метода кластерного анализа). .............................................. 32 2.2. Выявление факторов, влияющих на инновационное развитие регионов РФ (на примере кластера с г. Санкт-Петербург) ................................................ 48 Глава 3. РЕКОМЕНДАЦИИ ПО УСИЛЕНИЮ ИННОВАЦИОННОГО РАЗВИТИЯ РЕГИОНОВ РФ.................................................................................... 60 3.1. Результаты реализации государственной инновационной политики России ..................................................................................................................... 60 3.2. Рекомендации по повышению инновационной активности регионов ...... 65 (на примере кластера с г. Санкт-Петербург)....................................................... 65 ЗАКЛЮЧЕНИЕ ......................................................................................................... 74 СПИСОК ЛИТЕРАТУРЫ......................................................................................... 79 ПРИЛОЖЕНИЕ №1 .................................................................................................. 83 ПРИЛОЖЕНИЕ №2 .................................................................................................. 86 ПРИЛОЖЕНИЕ №3 .................................................................................................. 89 ПРИЛОЖЕНИЕ №4. ................................................................................................. 92 2 ВВЕДЕНИЕ Одной из актуальных проблем экономики любой страны является проблема экономического роста. Распространенное понимание экономического роста связано с положительной динамикой реального ВВП при полной занятости в результате расширения экономического роста Современный поход к производственного детально потенциала. исследуется При технический изучению роста экономики анализе прогресс. предусматривает включение НТП в качестве экзогенного или эндогенного фактора. Поэтому целью данной работы является классификация регионов РФ по типам инновационного развития и выявление факторов, влияющих результативные показатели инновационной деятельности для на выработки рекомендаций по инновационному развитию. На сегодняшний день различные страны заинтересованы в исследовании источников постоянного роста реальных доходов населения. Циклические колебания от основного тренда являются временными и зависят от множества факторов, влияющих на основной тренд. Факторы долгосрочного экономического роста позволяют построить различные прогнозные модели, детально выявить различия в уровне развития региональных экономик. Труд и капитал являются значимыми факторами роста экономик, однако в настоящее время большая часть приходится еще на другие источники роста, а именно на научно-технический прогресс (НТП). Данная работа посвящена комплексному исследованию особенностей инновационного развития регионов России. Исследование подразумевает анализ технологического развития страны; выявление факторов, влияющих на результативные показатели инновационной деятельности, а также сценариев повышения 3 эффективности инновационной деятельности. Исследование также изучение вопроса о человеческом предполагает капитале, исполнении существующей инновационной стратегий развития РФ до 2020 года. Таким образом, объектом исследования являются 83 региона РФ, а предметом исследования – инновационное развитие этих регионов. Стоит отметить, что уровень НТП зависит от множества факторов, прямо и косвенно влияющих на совокупный уровень НТП, а, следовательно, на динамику выпуска и темпы экономического экономического роста роста регионов. Для различных моделей важен как раз сам выбор включаемых факторов, влияющих на уровень НТП. Выбор оптимизируемых факторов может быть разным, учитывая особенности страны и регионов. Актуальность этого исследования как раз заключается в том, что, имея определенный набор данных, мы можем построить такую модель, включая и исключая каждый раз определенные факторы, влияющие на НТП с учетом особенностей развития регионов. Степени влияния факторов на уровень НТП определяют государственные приоритеты и экономическую политику, что позволит нам сделать обоснованные рекомендации для стратегии инновационного развития РФ до 2020 года. Задачами исследования являются: 1. Определение подходов к измерению экономического роста и инновационной деятельности, а также измерителей инновационного потенциала экономики; 2. Анализ выбранных для исследования показателей инновационного развития; 3. Проведение кластерного анализа для регионов РФ; 4. Применение эконометрических тестов для кластера с г. Санкт-Петербург, 4 5. Выработка рекомендаций к инновационной стратегии развития кластера с г. Санкт-Петербург, адаптированных к инновационной стратегии развития РФ до 2020. Выдвигаемая гипотеза исследования предполагает, что все закладываемые в модель оптимизируемые и объективные факторы значимо влияют на результативные показатели инновационной деятельности. Более того, предполагается, что влияние каждого фактора на модель может быть определено (по коэффициентам эластичности); что, изменяя внутренние факторы, возможно улучшение результативных показателей. Стоит отметить, что это исследование базируется на использовании количественных методов, поэтому объективные рекомендации могут быть получены для изменения таких показателей, как затраты на научные исследования и разработки; затраты на приобретение оборудования для научных исследований и разработок; затраты на фундаментальные научные исследования; численность аспирантов; инвестиции в основной капитал и других. Таким образом, полученная модель будет иметь много общего с особенностями индуцированного НТП. Первая глава будет посвящена теоретическому обзору моделей экономического роста с течением времени, а именно с учетом экзогенности и эндогенности роста. В этой главе так же будет приведен перечень теорий, объясняющих, почему именно определенный фактор закладывается в нашу модель. Более того, здесь будет дана резюмирующая оценка уже готовых эмпирических исследований, чтобы сформировать представление о том, какие факторы и связи, группы регионов мы гипотетически ожидаем получить в связи с ретроспективным обзором литературы и статистики. Вторая глава подразумевает проведение кластерного анализа для регионов РФ и построение математической модели с тремя группами факторов – входные Xi (оптимизируемые), выходные Yi и объективные (неизменные) Zi. Идея проведения математического кластерного анализа основана на методе 5 «Черного Ящика». В основу идеи входит предпосылка о том, что мы выбираем множество Xi факторов, которые удалось собрать из статистических сборников, каждый из которых влияет на выходные Yi факторы (как правило, уже готовые совокупные индексы инновационной активности) с учетом неизменных объективных факторов Zi для получения относительной однородности. Кроме кластерного анализа, в этой главе будут осуществлены другие эконометрические анализы: корреляционный и регрессионный анализы на примере кластера с г. Санкт-Петербург. По результатам эконометрических анализов будут выявлены степени влияния каждого входного фактора Xi на выходные Yi – факторы, существенно помогут при формировании которые рекомендаций по усовершенствованию мер, предлагаемых нами в третьей главе исследования, для ускорения инновационного развития. В третьей главе на основе полученных для зависимых переменных коэффициентов эластичности будут приведены рекомендации по усилению инновационного развития регионов РФ. В качестве важных результатов исследования предполагается не только достижение цели и выполнение поставленных задач, доказательство гипотез, но и подразумевается выявления взаимосвязей показателей инновационной деятельности Поскольку с объективными инновационное социально-экономическими развитие является факторами. приоритетным для большинства стран в т.ч. и для России это исследование является актуальным и необходимым для выработки приоритетов инновационного и технологического развития регионов. 6 Глава 1. ТЕОРИТИЧЕСКИЕ ИССЛЕДОВАНИЯ ЭКОНОМИЧЕСКОГО РОСТА И ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ 1.1. Подходы к измерению экономического роста и инновационной деятельности. Подходы к исследованию НТП менялась, начиная с посткейнсианских моделей Харрода (капиталосберегающий НТП, 1939 г.) и Домара (1946 г.), неоклассиков Солоу-Свана (трудосберегающий НТП, 1956 г.), от опровергнутых предпосылок Калдора (1961 г.) до новых моделей. Среди новых моделей выделяют модели Хелпмана (1998 г.), В. Истерли и Р. Левина (2000 г.), Липси (2003 г.) и других. В 1960-е годы были внесены существенные дополнения, связанные с оптимизацией, которая учитывает эндогенность нормы сбережения и поведение потребителя. Но самым существенным прорывом стало включение факторов НТП в качестве изменяемой переменной, которая влияет на экономический рост и не является априори постоянной – как считалась ранее. Модели человеческого капитала прошлого поколения (в частности, модель Солоу) объясняли различие в развитии стран всего лишь одним экономическим фактором – объемом физического капитала, приходящегося на человека. В модели Хикса НТП учитывается, как функция времени, и НТП не связывают с капиталом и трудом. В модели Солоу эффективность использования трудовых ресурсов использования растет капитала с течением остается времени, неизменной. В а эффективность модели Харрода производительность капитала растет при неизменности его объема. Модели материализованного НТП предполагают внедрение новых технологий, когда со временем наиболее эффективными основными фондами становятся только 7 те, которые вводятся в данный момент времени. Для моделей индуцированного научно-технического прогресса считается, что НТП зависит от капиталовложений и затрат, повышения эффективности труда и капитала, что также зависит от капиталовложений. Чем больше капиталовложений, тем больше инноваций производится, что приводит к научно-техническому прогрессу. Эта модель не объясняет отдельную роль затрат на развитие науки; в рамках этой теории исследователи относят научные затраты к общим капиталовложениям. Таким образом, движущее ядро экономического развития образуют капитал, труд и НТП. Однако, только с 1960 –х гг. стали учитывать уровень развития технологий, как важный фактор экономического развития. Отдельно стоит отметить идеи Шумпетера (1934 г.), на которых была основана эволюционная теория экономического роста. Идеи Шумпетера основывались на невозможности развития рыночной экономики без НТП и инновационной деятельности («Экономические Циклы», 1939 г.): нововведения оказывают влияние на структуру спроса, производственные издержки, цены и конкуренцию, в совокупности, - на экономический рост. Эволюционная теория особое внимание уделяет инновациям, естественной конкуренции, в результате которой побеждает «сильная экономика»; проблемам неопределенности, случайности процессов, асимметрии информации, динамики экономического равновесия и долгосрочного роста. В дальнейшем теория была ограничена ввиду сложности применения на практике. С середины 1980-х гг. было пересмотрено отношение к оценке капитала. В т.ч. благодаря теориям Ромера (1986 г.) и Лукаса [30] (1988 г.) под капиталом стали понимать не только физический, но и человеческий капитал (ЧК), включая его как продукт инвестиций и важный фактор НТП и НИОКР. Альтернативно неошумпетерианский подход рассматривал прямое включение НТП в неоклассическую производственную функцию. Особенностью новых моделей Хелпмана и Липси является учет неопределенности, в т.ч. неопределенность 8 в принятии решений экономическими агентами, фактор случайности научных открытий фундаментальных исследований, непредсказуемое воздействие нанотехнологий. Такие модели носят вероятностный характер. С появлением новых теорий экономического роста (Истерли, Левин) были выдвинуты новые факторы влияния. Из новых факторов можно заключить, что НТП определяется в большей степени поведением агентов и институциональной средой1. Для этих факторов характерно: 1. Общая производительность факторов, а не их накопление, имеет решающее значение для объяснения различий в экономическом росте, 2. В долгом периоде действует дивергенция (наблюдаются растущие различия в уровнях ВВП на душу населения между странами), а не конвергенция; 3. Рост не обязательно устойчив, но накопление капитала – устойчиво и постоянно, 4. Все факторы производства связаны и растут одновременно, 5. Национальная политика влияет на долгосрочный экономический рост. Предпосылка эндогенности факторов НТП «в новой теории роста» ставит технологическое отставание в корень проблемы отсутствия или неравномерности экономического роста. Исходя из такой предпосылки новой теории роста, страны, которые не формируют свой технологический потенциал или не создают условий для его применения и развития пребывают в рядах отстающих. Мощный инновационный потенциал создает фундамент для экономического роста. Согласно многочисленным исследованиям, авторы которых были и будут объявлены по ходу нашей Важность институциональной среды отмечается практически во всех эмпирических работах исследователей, особенно при анализе политики государства, направленной на стимулирование инновационной деятельности в условиях «открытой экономики», например, в рамках глобализации R&D через ТНК, либерализации торгового и инвестиционного режимов. 1 9 работы, с развитием инновационного потенциала происходят положительные изменения для экономики страны. С одной стороны, нарастают объемы ВВП, с другой стороны – существенно растет привлекательность экономики для инвестиций, увеличиваются объемы и качество ЧК (с увеличением затрат в R&D сектор); наблюдается (на примере развития от молодых инновационных экономик до стран-лидеров таких, как Япония и Германия) повышение уровня жизни и благосостояния населения. Ряд молодых экономик, сделавших ставку на отдачу от инвестиций в ЧК, достигли успеха; такую отдачу можем пронаблюдать на примере таких стран, как Южная Корея и Финляндия. Стоит отметить, что более пристальное внимание к инновационному эффекту исследователи обратили при изучении жизненных циклов развития экономики при выработке антикризисных мер в фазе спада. Об этом писали Н.Д. Кондратьев [8], Й. Шумпетер, Г. Менш [26], С.Ю. Глазьев [2]. Также деловые циклы исследованы в модели СамуэльсонаХикса. По Кондратьеву периодичность циклов составляет около 54 лет, а в фазе толчкообразного обновления капитальных благ решающую роль играют технические изобретения и нововведения при накоплении достаточного количества ресурсов для выхода из стадии длительного спада экономики. Насыщение инновациями рынка тоже можно разделить на «жизненные» стадии: конкурентоспособные инновации распространяются по логистической форме процесса коммерциализации нововведений, начиная с медленного старта, последующим ускорением распространения с финальным насыщением рынка. Важной моделью, связывающей экономический рост с инновационной активностью, является модель инновационной экономики П. Ромера [30]. В основу инновационной модели положена трехсекторная модель экономического роста. В этой модели учтены актуальные для нашего исследования предпосылки: 1. Технологический прогресс – фактор экономического роста, 10 2. Реакция людей на рыночные стимулы провоцирует технологические изменения, 3. Новые технологии эквивалентны постоянным издержкам производства; дальнейшее использование технологий не требует дополнительных затрат со стороны производителя. Выводы многих исследователей базируются на утверждении о зависимости уровня доходов стран от уровня развития технологий. Данный вывод основан, по большей части, на предпосылке, что в развитых странах существуют более высокий уровень развития ЧК и уровень жизни населения, что отражается на результирующем уровне производительности труда, учитывая условие доступа развивающихся стран к высокотехнологичным ресурсам и продуктам. Напротив, стоит отметить, что несоответствие уровня развития и подготовки ЧК развитым технологиям может привести к сокращению факторной производительности развивающихся стран. Поэтому ТНК иногда отказываются размещать высокотехнологичные дочерние производства на территориях развивающихся стран в связи с недостаточной квалификацией ЧК. Результаты работ Д. Асемоглу и Ф. Зилиботти подтвердили, что если бы развивающиеся страны импортировали технологии, которые подходят им, а не развитым странам, то различия в удельных выпусках занятых между развитыми и развивающимися странами были бы минимальными [15]. Здесь важной является проблема защиты прав интеллектуальной собственности: решение дилеммы заключенного. Если бы все развивающиеся страны защищали права интеллектуальной собственности, то это усиливало бы мотивацию поставки подходящих для развивающихся стран технологий. С другой стороны, стимулы к защите прав интеллектуальной отсутствовать; организаций собственности авторы в видят решении внутри перспективы таких проблем. каждой участия страны могут международных Учитывая особенности преобладающего потока инвестиций в развивающиеся страны, необходимо 11 сотрудничество между развитыми и развивающимися странами. Развитие технологий, необходимых развивающимся странам, а так же естественное повышение квалификации персонала, могут привести к выравниванию разрыва в доходах населения. Более того, среди факторов, препятствующих соответствию системы «уровень технологий - уровень квалификации ЧК», выделяют географический критерий, климат, институциональные факторы и политические режимы, культуру и др. Например, политический фактор для России является очень важным: М. Дмитриев, бывший президент Фонда «Центр стратегических разработок», эксперт группы «Реформа пенсионной системы» по доработке «Стратегии-2020», отметил, что Стратегия -2020 не может быть выполнена из-за отсутствия политических возможностей (одну из главных проблем он выделяет необходимость повышения пенсионного возраста с последующей перестройкой бюджета страны) [5]. Среди географических факторов в рамках пространственной теории выделяют близость между инвестором и регионом-получателем (через пространственную модель Дарбина было установлено: расстояние до иностранного инвестора оказывает прямое и значимое влияние на производительность компании и производительность труда; увеличение доли иностранной рабочей силы оказывает негативное влияние на производительность). Модель Дарбина, используемая в исследовании М. Фишера (2009 г.), выдала результаты, из которых можно заключить, что диффузия инноваций (распространения однажды освоенной инновации через каналы с определенной степенью реакции на освоение реализующих субъектов) технологий и знаний между регионами возможна в случае близкого уровня технологического развития таких регионов. В процессе этого исследования удалось установить, что технологическая взаимосвязь между регионами Европы высокая, что упрощает технологический трансферт из одной страны в другую (эта концепция предположительно актуальна и для регионов) [23]. эмпирических Стоит отметить, исследований для что было выявления проведено влияния множество прав защиты 12 интеллектуальной собственности (ЗИС) на экономический рост. Данные исследования сводились к изучению чувствительности инноваций, внешнеторговой деятельности, прямых иностранных инвестиций при изменении прав интеллектуальной собственности2; изучению влияния защиты прав интеллектуальной собственности на благосостояние мировой экономики (Хелпман, 1993). Отрицательное влияние улучшения прав ЗИС на мировое благосостояние было выявлено Э. Хелпманом (1993 г.) ввиду увеличения издержек производства в развивающихся странах. Однако с развитием модели Хелпмана Э. Лэйем при введении фактора иностранных инвестиций было доказано позитивное влияние улучшения прав ЗИС на диффузию технологий между развивающимися и развитыми странами через прямые иностранные инвестиции. Некоторые исследования также исследовали связи с объемами экспорта/импорта и заключения ТРИПС – Соглашения по торговым аспектам прав интеллектуальной собственности и др. 1.2. Анализ факторов, влияющих на уровень инновационного развития. Интерес к инновациям (англ. innovation – введение нового) стал прослеживаться со второй половины прошлого века. С точки зрения современной теории экономического роста исследователи рассматривают инновации, как основной источник роста производительных сил. Сторонники В ряде работ отмечаются незначительное влияние изменения прав интеллектуальной деятельности на генерацию инноваций для одной страны, а при выборке для групп стран (Дж. Лернер – 60 стран за 150 лет развития) благоприятное изменение прав интеллектуальной деятельности способствует лишь небольшому увеличению активности в области патентирования, причем преимущественно для зарубежных технологий. 2 13 новой теории роста особое внимание уделяют критерию свободной торговли и открытости экономики, поскольку более открытая экономика дает временные преимущества по перемещению инноваций, что свою очередь способствует инновационному обмену и развитию. Однако, пока не существует единой концепции, которая позволяет однозначно определить инновационную систему для эмпирических исследований. Инновационная система в общем понимании предстает сегодня комплексом сложных и неявных взаимосвязей технологического, человеческого (ЧК), социального потенциалов; а так же внешним климатом для их наиболее удобной реализации. Не смотря на это, существует множество исследований и рекомендаций (например, руководство Осло и Фраскати), которые, по большей части, строятся на анализе согласно собранным данным и располагаемой статистике. Стоит учесть, что некоторые данные можно получить косвенным методом через вспомогательные исследования не только экономического роста, но и деловой активности, через изучение системы образования по части ЧК. Огромный перечень данных и статистики удобнее всего классифицировать в зависимости от того, какой эффект мы хотим исследовать. Например, эмпирические исследования Яна Фагерберга и Мартина Сролека3 содержат материал по 115 странам мира [22]. Список измерителей для оценки экономического развития представлен в Таблице 1.1. Таблица 1.1. Измерители оценки экономического развития из исследования ФагербергаСролека Аспект Научные исследования, инновации Единица измерения Научные публикации, количество инноваций патенты, расход на R&D, 3 Fagerberg, J. and Srholec, M.2008.National Innovation systems, capabilities and economic development. Research Policy, 37,1417-1435. 14 Степень открытости экономики Свобода торговли, прямые иностранные лицензирование, иммиграция Стандарты качества Стандарты ISO ICT - инфраструктура Телекоммуникации, доступ в интернет, распространение компьютеров Квалификация Уровень образования, качество менеджмента, использования технических средств Финансирование Доступность кредитных венчурный капитал Качество государственного управления Социальный капитал Коррупция, защита прав собственности, частный сектор экономики и другие Тип политической системы Гражданские права и политические режимы Активность гражданского доверие, толерантность ресурсов, инвестиции, рынок навыки капитала, общества, Перечень измерителей потенциала экономики из концепции Фагерберга- Сролека может варьироваться в зависимости от целей исследования и имеющейся статистики. Например, исходя из экономической теории, аспект «степень открытости экономики» можно расширить до комплексного исследования торговли, миграции населения, инвестиций в целом и лицензирования – все возможные каналы перетекания технологий. Важно также учитывать в исследовании предпосылку «новой теории роста» о степени открытости экономики, поскольку очевидно, что более открытая экономика ускоряет перетекание инноваций между странами, что в свою очередь стимулирует инновационный рост внутри страны. Результатам эконометрического анализа для 115 стран мира стало выявление значимости влияния показателей инновационной системы или инновационного потенциала и государственного управления на экономический рост. В исследовании так же выделяется важность таких показателей в долгосрочном 15 формировании инновационного потенциала, как географическое положение, природно-ресурсная база, история развития страны. Институциональная среда и государственное управление формирует ключевые стимулы в экономике знаний и инноваций, мотивирует агентов рынка. В исследовании Фагерберга-Сролека для оценки качества были проведены многочисленные опросы бизнес секторов, в то время как в нашем исследовании не предполагается проводить подобных опросов. Интересным выводом их работы по этому аспекту стало то, что качество экономической системы управления и политики не объясняется одним лишь типом политической системы. Более того, говоря о каждой категории измерителей, которые в таблице 1.1. приведены достаточно абстрактно, необходимо помнить специфические ограничения каждой группы факторов. Например, говоря о патентах, стоить иметь в виду, что какая-то часть изобретений не регистрируется, особенно в России, в т.ч. благодаря тому, что патенты выдаются на изобретения, а не на инновации как таковые. Иными словами, согласно Ц. Грилихесу, не все изобретения можно запатентовать; не все изобретения, которые можно запатентовать, будут запатентованы; запатентованные изобретения сильно различаются по вкладу в развитие науки и экономики [17]. Поэтому, инновационные разработки можно хранить в тайне, соблюдая по П. Мозеру - режим секретности; с другой стороны, можно получить на них патент (поэтому сложно статистически определить, какая доля от совокупных инноваций патентируется) [26]. Склонность к регистрации патентных изобретений по-разному изменяется в зависимости от сектора экономики, уровня развития патентного законодательства (Роспатент – РФ), ценности разработок, бизнес климата; мотивации граждан и бизнеса, уровня экономического развития в целом страны или, в нашем случае, - региона. В случае, когда приобретается патенты, стоит учесть, что предполагаемые уплачиваемые издержки должны окупиться. Или, например, 16 в нашем исследовании трудности могут возникнуть из-за учета стандартов качества ISO страны и ориентации на высокотехнологичные продукты. Стоит отдельно выделить такой аспект оценки, как финансирование, поскольку финансирование инновационных фирм существенно отличается от финансирования инноваций фирм должен другой опираться направленности. на Процесс множественность реализации источников их финансирования, чтобы создавать здоровую конкуренцию и стимулировать повышение качества методов финансирования инноваций. К сожалению, сегодня в России инновационный климат далек от идеала преимущественно в силу недостаточного принципа мотивации государственного бизнеса и финансирования, производства, отсутствия непонимания роли инновационной деятельности и отсутствия стратегического мышления в long - run; больших рисков финансирования «сердца» инновационного прогресса – человеческого капитала. Отличен и процесс инвестирования для инновационных фирм. Инновационный фирмы большой приоритет во вложениях и инвестициях отдают развитию ЧК – вложения в знания и людей, которые генерируют еще большие знания, подобно вложению в высокодоходные ценные бумаги. По статистике более 50% инвестиций европейских инновационных компаний идут на зарплату персоналу, занимающемуся исследованиями и разработками (R&D); персонал генерирует нематериальные активы компании, наращивающие прибыли в долгосрочном периоде. Поэтому инновационные фирмы заинтересованы в удержании своих работников, равномерно распределяя инвестиции во времени, что сопровождается более высокими издержками на освоение капитала (adjustment costs) нежели, чем у обычных фирм. Согласно Б.Холлу, можно выделить несколько причин дефицита инвестиций в инновации: 17 1. Асимметрия информации (asymmetric information) между инвестором и инноватором: предполагается, что предприниматель, как правило, знает гораздо больше об инновационном проекте, чем инвестор; 2. Моральный рискофобным риск (moral поведением hazard); связан с рискофильным или менеджеров фирм в отношении неопределенности. В контексте анализа асимметрии информации важность приобретает репутация фирмы. В результате неопределенности со стороны инвестора, он всегда будет требовать большую норму доходности, чем может дать реально проект, что может привести к срыву сделки. Здесь репутация становится весьма важной, приобретают значимость венчурные фонды (особенно важно для start – up проектов). Венчурные фонды как раз специализируются на поиске полной информации о проекте, в который предполагается вложить средства. В проанализированной литературе особенная роль отводится венчурному финансированию и венчурному климату в стране. Например, интересной информацией стало утверждение, что в успешной коммерциализации технологических инноваций США виновато развитое венчурное финансирование. Действительно, венчурный капитал включает в себя любые прямые инвестиции с высоким риском, т.е. такой капитал, который направляется на финансирование компаний и проектов, когда инвестор не защищен от возможной потери своих средств, часто относящийся к финансированию начинающего бизнеса. На макроуровне инвестиций в инновации проблема финансирования инноваций пересекается с вопросом изучения политики «открытой экономики». Приходящие на внутренний рынок иностранные организации, по меньшей мере, создают рабочие места и наращивают экспорт, и, более того, являются звеном передачи технологического потенциала, повышения квалификации ЧК. Здесь стоит еще раз отметить важность упомянутого выше баланса в системе «уровень технологий - уровень квалификации ЧК» 18 важность заключается в наличии возможности реализации новых технологий и наличии высокого технологического уровня. Сегодня политика ряда государств нацелена на поддержку реализации стратегии «открытой экономики» для поддержки внутренних производителей, их конкурентоспособности и привлечения ПИИ (создание специализированных агентств по привлечению инвестиций). Среди примеров успешного опыта привлечения ПИИ можно выделить Ирландию, которая смогла повысить уровень инновационной активности через активное привлечение ПИИ за сравнительно небольшой интервал времени. Национальная стратегия по привлечению ПИИ была нацелена на создание благоприятного инвестиционного климата в высокотехнологичных секторах для ТНК (внешнеторговые режимы, законодательство в области прав интеллектуальной собственности и налогового режима, уровень подготовки кадров), а так же на поддержку сотрудничества между ТНК и местными компаниями с постоянной во времени непрекращающейся интеграцией инноваций. Реализацию данной стратегии ускорило вхождение страны на тот момент - в ЕЭС. Особенностью этого опыта стало наличие как раз такого климата внутри страны, способного извлекать пользу из привлекаемых инвестиций (согласно рекомендациям специалистов ЮНКТАД). Существенными достижениями исследования Фагерберга-Стролека, учитывая предпосылки их концепции и выборку данных по категориям «Инновационная система» (отражает инновационный потенциал экономики), «Государственное управление», «Политическая система», «Степень открытости экономики», стали следующие важные утверждения (перечень приведен выборочно, учитывая тематику нашего исследования), полученные при проведении факторного, корреляционного и регрессионного анализов:4 По итогам построения модели регрессии было заключено, что среди четырех групп показателей значимо влияют на экономическое развитие только два показателя – Инновационная система и Государственное управление. Наличие связи между Степенью открытости экономики и экономическим ростом подтверждается 4 19 1. Инновационная система сильно коррелирует с количеством патентов USPTO на душу населения, количеством статей в научных и научнотехнических журналах, сертификатами ISO 9000 (на душу населения), пользователями Интернета5, с долей учащихся в начальной, средней и высшей школе; абонентами стационарных и мобильных телефонных линий (на душу населения) и другими. Тесная корреляция наблюдается между показателем Инновационная система и ВВП на душу населения.6 2. Государственное управление сильно коррелирует с показателями независимости суда, дружественностью бизнеса, коррупцией, с показателем прав защиты собственности. Связь показателя Государственное управление не так сильно коррелирует с показателем ВВП на душу населения (R=0.52), как в случае с показателем Инновационная система (Фагерберг, Сролек, 2008). 3. Политическая система сильно коррелирует с Индексом демократии и автаркии, показателем политически политической конкуренции для ограничений, индексом законодательной и исполнительной власти, политическими правами и гражданскими свободами. Связи показателя Политическая система и ВВП на душу населения практически не наблюдается (R =0.04). 4. Степень открытости экономики – существенный показатель для исследователей направления новой теории роста - сильно коррелирует с показателями импорта, прямых иностранных инвестиций. Данный показатель не имеет связи с ВВП на душу населения (R=0.00). Важно отметить, что для показателя Степень открытости экономики исследователи взяли неполный перечень данных, поскольку среди только для богатых экономик в связи их абсорбционной способностью получать выгоды от прямых иностранных инвестиций. 5 Открытость новым идеям, например, можно попытаться связать с показателями доступа к сети Интернет; но открытость идеям не тождественна открытости экономики в целом – торговым потокам и потокам капитала. 6 Значение ВВП на душу населения учитывалось, как среднее за 2002-2004 гг. 20 представленных показателей нет, например, статистики по перемещению ЧК. Важно выделить зависимости уровней экспорта/импорта технологий и специализацией отдельных стран на высокотехнологичной продукции. В работах П. Кругмана, Г. Гроссмана, Е. Хелпмана, Р. Вернона, С. Хирша и других тематических исследователей прослеживаются выводы о способствовании накопленных высокотехнологичных и инновационных товаров в новых отраслях к их экспорту. Страны с низким накоплением знаний и технологий специализируются на производстве и экспорте обычных товаров и услуг. Более того, математически была выявлена положительная корреляция между показателем валового экспорта и производства на душу населения среди ограниченной выборки стран и показателем технологического уровня развития, учитывающего уровень затрат на R&D в общем объеме доходов отрасли. Влияние валового экспорта и производства на душу населения на технологический уровень развития - весьма сильное. Поэтому было установлено, что компании должны быть заинтересованы в экспорте технологий для минимизации издержек производства. В ряде работ в показатель технологического уровня развития закладывается больше факторов, например, ВВП и ПИИ, темпы роста ВВП, коэффициент открытости экономики, темпы роста мирового производства и экспорта. В более поздних исследованиях была установлена связь между показателем участия стран в мировой торговле, показателем технологического уровня развития и импортом/ экспортом технологий. Данная связь стала основой для изучения позитивного влияния роста производительности компании на увеличение доли импорта товаров, а так же позитивное влияние увеличения импорта на конкурентоспособность организаций. В целом, участие в международной торговле способствует технологическому обновлению, привлечению инвестиций, повышению производительности труда. 21 В рамках эконометрического исследования Фурмана-Хейса было доказано, что наиболее значимыми для повышения производительности инновационной системы являются следующие показатели: 1. ВВП на душу населения или объем накопленных запатентованных разработок, 2. Объем инвестиций страны в ЧК, 3. Объем инвестиций страны в R&D; 4. Доля частного сектора в расходах на R&D. Наиболее важным этапом исследования Фурмана-Хейса стал вывод о присвоении удельных весов каждому выбираемому фактору (при этом должно быть доказано, что этот фактор статистически значим для производительности инновационной системы) [21]. исследования была получена возможность В результате этого установить потенциально возможную инновационную производительность каждой страны. Исходя из полученных потенциалов, следующим шагом стала группировка стран и присвоение им рейтинга. В рамках исследования были выделены лидеры (Leading innovators) с высоким уровнем производительности инновационной системы (ПИС) на всем исследованном интервале, страны второго (Middle tier innovators), третьего (Third tier innovators) инновационных эшелонов со стабильно высокой и относительно низкой ПИС соответственно; молодые инновационные экономики (Emerging Innovators) c резко растущей ПИС. Переход стран из одного инновационного эшелона, например, в более лучший эшелон во многом объяснялся увеличением ВВП на душу населения, а следовательно и увеличением затрат на R&D и количеством персонала, задействованного в R&D сфере (т.е. увеличением затрат на HC). Перечень полученных групп можно пронаблюдать в Таблице 1.2. Таблица 1.2. 22 Группировка стран, согласно исследованию Фурмана-Хейса Страны лидеры США, Германия, Япония, Швеция, Швейцария Страны второго инновационного Франция, эшелона Нидерланды, Великобритания, Канада, Австралия Страны третьего инновационного Венгрия, эшелона Мексика Молодые инновационные Дания, Ирландия, Финляндия, Исландия, Южная экономики Корея Австрия, Италия, Бельгия, Испания, Норвегия, Новая Зеландия, Ряд стран, которые находились в состоянии упадка после Второй Мировой Войны, имели множество вариантов, чтобы выбрать по какому пути будет развиваться экономика отдельной страны. Такие страны, как Германия и Япония выбрали путь инновационного развития, в чем достигли хороших результатов. Эти страны в тот период напоминают сегодняшние молодые инновационные экономики7, начиная с экономики, имитирующей инновации и заканчивая экономикой, создающие инновации. Для молодых экономик существую некоторые особенности в развитии и первоначальном закладывании фундамента при имитации инноваций. Согласно тому же исследованию Фурмана-Хейса для молодых инновационных экономик основные драйверы развития закладываются в другие факторы. В таких экономиках основной акцент делается на инвестиции в ЧК и R&D сектор, а уже потом в меньшей степени прослеживаются зависимости от качества экономической политики. Если попытаться определить эти драйверы, то первоначально исследователи разделили для всех экономик все факторы на две группы, которые можем видеть в Таблице 1.3. Таблица 1.3. Furman, J.L., Hayes,R.2004.Catching up or standing still? National innovative productivity among ‘follower’ countries. Research Policy, 33. 1329-1354. 7 23 Драйверы развития инновационных экономик Инвестиционный индекс (различие по индексу Затраты на R&D, уровень ВВП на душу весьма существенно между странами) Качество экономической политики населения; численность персонала, занятого в R&D секторе Доля расходов на среднее и высшее образование в ВВП, степень открытости различаются (данные экономики, доля несущественно между странами по сектора сравнению эффективность с Инвестиционным Индексом) на расходов R&D, частного экономическая научно- исследовательских институтов Приведенные выше выводы из исследований не противоречат друг другу, а, наоборот, каждое полученное доказательство является дополнением другого полученного результата. Полученные эмпирические результаты образуют существенную математическую базу для выдвижения обоснованных рекомендаций к проведению инновационной политики. Далее сформулируем некоторые наиболее распространенные рекомендации, связанные с государственной поддержкой инноваций8: 1. Необходимо снизить стоимости финансирования инноваций с помощью налоговых вычетов или субсидий или введения особых кредитных режимов для инновационных проектов; 2. Следует разрабатывать программы поддержки инновационных проектов и start-up проектов на национальном и региональном уровнях со стороны государства, что позволит мотивировать фирмы заниматься инновационной деятельностью, Например, в США к 2012 году была очевидна проблема недостатка финансирования инновационной деятельности. 8 24 3. Необходимо улучшать венчурный климат страны, хотя этот способ и является весьма затратным и модели должны разрабатываться для каждой страны отдельно. Некоторые исследования доказывают, что упрощение налоговых правил и норм регулирования иностранного инвестирования могут способствовать интеграции венчурных отраслей. По результатам некоторых исследований для США было установлено, что не смотря на сильную инновационных корреляцию барьеров, затрат немаловажным на и финансовых факт воздействия R&D остается венчурного бизнеса на развитие инновационной системы. Примерно 2/3 внешнего финансирования для европейских корпораций составляет венчурный капитал для инновационных и высокотехнологичных секторов. Согласно статьям Дж. Лернера о венчурном финансировании, в частности по проекту USA’ Small Business Innovation Research, государственное инновационное финансирование и субсидирование в регионы, которые непривлекательны для венчурного финансирования, могут привести к значительным комплексным улучшениям для всей страны. В рамках данной программы, со стороны государства были приложены усилия по регулированию потоков инвестиций и венчурного финансирования в разных штатах. Открытым остается вопрос о том, приводит ли государственное финансирование в R&D сектор и поддержка этого сектора к вытеснению частных инвестиций в этот сектор? Ряд эконометрических анализов подтверждает некоторое позитивное влияние поддержки государства инновационной деятельности и повышения привлекательности инновационного сектора экономики для частных инвесторов. Хотя данные выводы остаются противоречивыми, поскольку не могут быть утверждены наверняка для каждой страны и региона, учитывая в каждом исследовании разные входящие оптимизационные факторы. Этот вопрос касается не только статистической надежности исследования, а скорее комплексной 25 невозможности проследить данную однозначную связь для всех исследуемых регионов и согласовать полученные результаты. Резюмируя общие идеи предыдущих эмпирических исследований, далее приведем принципы взаимосвязи инновационной системы и экономического роста: 1. НТП влияет на уровень реального национального дохода (на примере США) [9], 2. Существенную часть прироста ВВП обеспечивает инновационная деятельность – изобретения, НТП, повышение образования; 3. Цены на товары и услуги, а также на сырье - нефть и газ, значимо влияют на экономический рост (исследования Гуриева и Цывинского), 4. Технологические сдвиги существенно сильнее влияют на экономический рост, нежели капитал и труд, что объясняет актуальность инновационного прогресса; 5. Спрос на товары и услуги, а так же динамика цен являются важными факторами при анализе инновационных систем и другие. 26 Глава 2. ИССЛЕДОВАНИЕ ИННОВАЦИОННОГО РАЗВИТИЯ СУБЪЕКТОВ РФ. 2.1. Анализ результатов существующих исследований по инновационному развитию регионов РФ. Сегодня в России активно развиваются региональные инновационные системы. изменений, Этот касающихся инновационной программ процесс сопровождается рядом регулирования нормативно-правовой деятельности, развития, разработки создания самой экономико-правовых стратегий и инновационной базы долгосрочных базы. Для экономического развития каждого региона важным остается эффективность выполнения стратегии регионального инновационного развития, объемы финансирования программ развития региональных инновационных систем, особенно в тех регионах, где экономический рост больше всего зависит от инновационного развития. Согласно ряду исследований по субъектам РФ, в России у промышленных предприятий отсутствуют необходимые объемы денег для финансирования инновационной деятельности, в виду ее высокой стоимости долгосрочной ориентации в получении прибылей и рисков. В структуре экспорта российских товаров удельный вес сырьевой группы составляет более 50%, большую часть из которой составляет нефть. Неэффективная узкоспециализированная направленность экспорта РФ говорит о неэффективном управлении экономикой страны. Проблема связана, как обсуждалось в предыдущей главе, не только с нехваткой финансирования и неразвитостью финансовых систем, но и с прямым отставанием по части НТП. Исследователи чаще развития следующие проблемы развития экономики инноваций в РФ: 27 Изношенность основных фондов (основное направление инноваций – в модернизацию и обновления производств), Концентрация основных инвестиций в нескольких регионах, Сравнительно высокий уровень коммерческих рисков национальной экономики; Сырьевая ориентация на экспорт, Невостребованность инноваций в бизнесе; Неэффективность использования кредитных ресурсов, Недостаток финансирования науки, Высокие цены и отсутствие спроса (рекомендации Осло); Высокая бюрократия и другие социально – экономические факторы. До 1998 г. возникающие проблемы и высокие риски окупаемости проектов делают инновационный сектор РФ непривлекательным для инвестирования. Не смотря на то, что существуют программы поддержки инновационной деятельности, стандарты нормативно-правовое качества, патентное регулирование, и антимонопольное институциональная среда инновационного сектора РФ развита слабо. Более того, отсутствие спроса на инновационную продукцию затрудняет развитие сектора R&D. Специальные программы развития создают в каждом регионе исключительный инновационный климат, способствующий созданию, интеграции, диффузии инноваций. По результатам исследований Всемирного экономического форума [32] за 2013-2014 гг., по индексу глобальной конкурентоспособности Россия занимает 64 место среди 148 исследуемых субъектов. Причем по инновационному субиндексу Россия находится на 99 месте, по институциональному субиндексу - на 121 месте из 148, а по субиндексу 28 развития инфраструктуры – на 45 месте; по субиндексу развития здравоохранения и образования – на 71 месте. С 2008 года индекс глобальной конкурентоспособности России падал, а в 2012-2013 гг. Россия заняла 67 место. В десятку лидеров по индексу глобальной конкурентоспособности вошли следующие страны: Швейцария, Сингапур, Финляндия, Германия, США, Швеция, Гонконг, Нидерланды, Япония и Великобритания. Причем эти страны по субиндексу инновационной составляющей так же занимают высокие позиции в пределах первых 20 мест рейтинга. Не смотря на то, что Россия поднялась на три позиции с 67 на 64 место за последние три года, за ней закрепились низкие позиции по состоянию институциональной среды (118 место), рыночной конкуренции (135 место), защиты прав собственности (133 место) и относительно низкого инновационного потенциала (78 место). По индексу ЧК Россия по статистике за 2013 г. занимает 51 позицию среди 122 стран, уступая Китаю. В ряде исследований инновационной активности регионов РФ выделяют те факторы, которые создают тот самый инновационный климат внутри каждого региона. Среди таких факторов развития инновационной предпринимательства особенно выделяют уровень инфраструктуры, в R&D сфере, уровень развития действующие инновационные программы и другие факторы. малого бюджетные В статье заведующего отделом исследований международной научной инновационной политики Министерства образования и науки РФ Киселева В.Н. были определены регионы РФ по следующим четырем категориям: o по уровню (индексу) инновационного потенциала (ИИП), o по уровню развития инфраструктуры инновационного климата (ИИИК), o по результативности инновационной деятельности (ИРИД); 29 o по сводному (итоговому) индексу инновационной активности (СИИА), o по эффективности использования инновационного потенциала (коэффициент использования инновационного потенциала – КИИП). Вышеуказанная система показателей строится на доступных данных, взятых с официального сайта Российской Государственной Статистики. Если обратиться к ретроспективным исследованиям по регионам РФ прошлых лет, по результатам исследования Киселева В.Н. за 2008 г. было определены группы регионов по вышеуказанным категориям. Эффективность использования регионального инновационного потенциала подтверждается тогда, когда индекс результативной инновационной деятельности (ИРИД) превышает индекс инновационного потенциала (ИИП). Для всех рассмотренных ФО ИИП> ИРИД; это свидетельствует о неэффективном использовании потенциалов регионов, что говорит о неспособности производить конкурентоспособную продукцию, что сохраняется до настоящего времени. ИРИД превышает ИИП в ограниченном количестве регионов, а именно в 6 субъектах ЦФО (Белгородская область, Воронежская область, Калужская область, Московская область, Ярославская область, г. Москва), в двух субъектах ПФО (Республика Татарстан и Самарская область) и в двух субъектах УФО (Свердловская область и Челябинская область). Так же с максимально высоким коэффициентом использования инновационного потенциала (КИИП) можно выделить Челябинскую область, на втором месте по КИИП - Самарская область; области являются крупными промышленными регионами. По сводному индексу (СИИА), который включает в себя 15 показателей, формирующих 3 сводных индекса – ИИП, ИИИК, ИРИД, происходит ранжирование регионов: наиболее высокие показатели СИИА имели: Магаданская область, Новгородская область и Ульяновская область; г. Москва заняла 6 позицию, а г. Санкт-Петербург – одиннадцатую. Большинство регионов РФ остаются инноваторами низкого уровня, согласно полученным критериям оценки ЕРИО. Согласно статистике 30 ЕРИО за 2009 год [31], десять первых регионов РФ по европейским меркам являются инноваторами среднего уровня (кроме Магаданской области). По данным Росстата за 2006 год основными показателями, препятствующие инновационному процессу, являются, во-первых, недостаток денежных средств, во-вторых, высокая стоимость инноваций и, в-третьих, отсутствие государственной поддержки. Согласно другой методике группировки регионов по российскому региональному инновационному индексу (РРИИ), исследованию Куценко Е.С. за 2010 год, получился следующий результат (см. Рисунок 2.1.) [4]. Рисунок 2.1. Группировка регионов по индексу РРИИ за 2010 год. По результатам этого исследования были выделены регионы, в которых было прослежено значительное изменение позиций в рейтинге за 2008-2010 гг. Среди этих регионов существенные позитивные сдвиги были замечены у Тамбовской, Ростовской и Калининградской областей. Более того, большое число регионов с высокими показателями РРИИ расположены в Приволжском и Центральном ФО, с наименьшими показателями РРИИ – в Северо-Кавказском ФО. В первую группу не вошло ни одного региона из Южного и Северо-Кавказского ФО. Результаты за 2010 год показали, что 31 инновационная деятельность эффективно реализуется в крупных и экономически развитых субъектах РФ. По данным исследования НИУ-ВШЭ «Рейтинг инновационного развития субъектов РФ» с 2008 по 2010 гг. в России произошли существенные инновационные сдвиги: 30 субъектов смогли повысить инновационный рейтинг в то время, как 43 региона переместились на более низкие позиции. К 2012 году лидерами рейтинга стали г. Москва, Респ. Татарстан и г. Санкт-Петербург. Среди наиболее инновационных ФО остались Приволжский и Центральный. Аутсайдером остался Северо-Кавказский ФО. Выявлено, что инновационное развитие регионов происходит неравномерно. Рейтинг инновационного развития субъектов РФ за 2012 год можно увидеть в Приложении 1. 2.1. Группировка регионов РФ по признакам инновационного развития (с использованием метода кластерного анализа). Термин кластерный анализ (впервые ввел Tryon, 1939) подразумевает целое множество различных исследователями во алгоритмов. многих как организовать наблюдаемые Общий областях, данные в вопрос, состоит наглядные задаваемый в структуры, том, т.е. развернуть таксономии. Чем больше ограничений, накладываемых на группировку данных, тем меньше получаются итоговые сгруппированные кластеры. В отличие от задач классификации, кластерный анализ не накладывает ограничения на представление исследуемых объектов, позволяет анализировать показатели различных типов данных. При этом 32 необходимо помнить, что переменные должны измеряться в сравнимых шкалах, что требует предварительной нормализации данных (перед проведением кластерного анализа данные стандартизируются). Решением задачи кластерного анализа является разбиение, удовлетворяющее некоторому условию оптимальности. Этот критерий может представлять собой некоторый функционал – целевую функцию, выражающую уровни желательности различных разбиений и группировок. Нужно найти минимум целевой функции при заданных ограничениях. Обычно, значения разных групп переменных, которые по значениям переменных "похожи" друг на друга, принадлежат к одной группе, которая образует кластер. Критерием для определения схожести и различия кластеров является расстояние между точками на диаграмме рассеивания. Это сходство есть расстояние между точками на графике. Евклидово расстояния 9между двумя точками i и j находится по следующей формуле 2.1.: , (2.1.) Кластер имеет следующие математические характеристики: центр, радиус, СКО, размер кластера. Среди основных методов можно выделить: иерархический кластерный анализ, метод k-средних, двуходовое объединение. В нашем исследовании используется иерархический анализ. Суть иерархической кластеризации состоит в последовательном объединении меньших кластеров в большие или разделении больших кластеров на меньшие. Иерархические методы кластерного анализа используются при небольших объемах наборов данных. Проведения иерархических кластерных анализов могут осуществляться через методы одиночной связи, метод полных связей, метод средней связи, метод Уорда. Преимуществом иерархических методов кластеризации является их наглядность с построением дендрограмм (или древо объединения кластеров; объекты могут Так же ориентируются на расстояние Чебышева, Манхэттенское расстояние, обобщенное степенное расстояние Минковского и др. 9 33 располагаться вертикально или горизонтально), описывающих близость объектов и кластеров между собой. В нашем случае будет построена горизонтальная дендрограмма с помощью достаточно простого в использовании метода Уорда. Объектом исследования для кластерного анализа берутся 83 региона РФ (задействованы данные по статистике Росстат - 2013 г.). Все они имеют в значительной мере отличающиеся значения показателей (признаков) по научной и инновационной деятельности. Для статистических исследований целесообразно разделить их на кластеры с однородными значениями признаков. В этом случае можно ожидать, что для выделенного кластера будет построена сравнительно несложная эконометрическая модель. Для кластеризации по данным статистического сборника Росстата «Регионы России. Социально-экономические показатели» выделено 68 факторов, которые делятся на 3 группы: оптимизируемые (Xi) и результативные (Yi) показатели инновационной деятельности, объективные социально- экономические факторы (Zi) (см. Таблицы 2.1.-2.2.). Для проведения кластерного анализа были взяты годовые значения ИСД за 2012 год (Регионы России. Социально-экономические показатели. 2013: Стат. сб. / Росстат. М., 2012. 990 с.). Согласно концепциям Фагерберга-Стролека и Фурмана-Хейса из первой главы исследования, сформируем собственный перечень значимых переменных. Таблица 2.1. Перечень оптимизированных факторов (Xi) код X1 X2 Наименование код Число организаций, выполняющих X21 Прочие затраты на технологические исследования и разработки; шт. Численность организаций, ведущих подготовку аспирантов; шт. Наименование инновации, млн. руб. Внутренние текущие затраты на X22 приобретение оборудования для научных исследований и разработок, 34 млн. руб. X3 Численность организаций, ведущих Внутренние текущие затраты на оплату X23 подготовку докторантов; шт. Внутренние текущие затраты на Численность работников в организациях, X4 осуществляющих научные исследования и X24 Численности работников в организациях, осуществляющих технологические страховые взносы в пенсионный фонд, ФСС, ФФОМС, ТФОМС; млн. руб. разработки (всего), чел. X5 труда, млн. руб. Внутренние текущие затраты на другие X25 материальные затраты, млн. руб. инновации (всего), чел. Численность персонала, занятого X6 научными исследованиями и разработками Внутренние текущие затраты (прочие), X26 млн. руб. (исследователи), чел. Численность персонала, занятого X7 научными исследованиями и разработками X27 Внутренние текущие затраты отдельно на разработки, млн. руб. (техники), чел. Численность персонала, занятого X8 научными исследованиями и разработками Затраты на фундаментальные научные X28 исследования, млн. руб. (вспомогательный персонал), чел. Численность персонала, занятого X9 научными исследованиями и разработками Затраты на прикладные научные X29 исследования, млн. руб. (прочие), чел Специальные затраты, связанные с X10 Затраты на научные исследования и X30 разработки, млн. руб. млн. руб. Специальные затраты, связанные с Внутренние текущие затраты на научные X11 исследования и разработки (всего), млн. X31 X12 экологическими инновациями, в расчете на одну организацию, млн. руб. руб. Затраты на технологические инновации экологическими инновациями, всего, Средняя заработная плата научных X32 организаций, млн. руб. сотрудников, руб./ мес. Затраты на исследование и разработка X13 новых продуктов, услуг и методов их Численность общеобразовательных X33 производства (передачи), новых учреждений, шт. производственных процессов, млн. руб. Численность обучающихся в Затраты на приобретение машин и X14 оборудования, связанных с технологическими инновациями, млн. руб. X34 общеобразовательных учреждениях, чел. 35 Численность обучающихся по X15 Затраты на приобретение новых X35 технологий, млн.руб. программе высшего профессионального образования, чел. Затраты на права и патенты, лицензии на X16 использование изобретений, X36 Численность аспирантов, чел. X37 Численность докторантов, чел. промышленных образцов, полезных моделей, млн. руб. Затраты на приобретение программных X17 средств, млн. руб. Затраты на другие виды подготовки производства для выпуска новых X18 продуктов, внедрения новых услуг или Численность исследователей с учеными X38 методов их производства (передачи), млн. степенями (Кандидаты наук), чел. руб. Затраты на обучение и подготовка X19 персонала, связанные с инновациями, млн. X39 руб. Затраты на маркетинговые исследования, X20 млн. руб. Численность исследователей с учеными степенями (Доктора наук), чел. Численность исследователей с учеными X40 степенями (всего), чел. Таблица 2.2. Перечень результативных (Yi) И объективных факторов (Zi) код Y1 Наименование Инновационная активность организаций в %, код Y15 Объем отгруженных товаров собственного Y2 производства, выполнено работ и услуг Наименование Количество используемых передовых производственных технологий, шт. Количество созданных (разработанных) Y16 собственными силами, млн. руб. передовых производственных технологий, шт. Объем отгруженных инновационных Y3 товаров собственного производства, Z1 Площадь территории, тыс. кв. км. выполненных инновационных работ и услуг собственными силами, млн. руб. Объем отгруженных товаров собственного Y4 производства, выполненных работ и услуг Среднегодовая численность населения, Z2 тыс. чел. собственными силами организациями 36 промышленного производства, млн. руб.; Объем отгруженных инновационных товаров собственного производства, Y5 выполненных инновационных работ и Среднегодовая численность занятых в Z3 услуг собственными силами экономике, тыс. чел. организациями промышленного производства, млн. руб., Объем отгруженных товаров собственного Y6 производства, выполненных работ и услуг Среднемесячная номинальная Z4 собственными силами организациями начисленная заработная плата работников организаций, руб. промышленного производства, млн. руб. Объем отгруженных инновационных товаров собственного производства, Y7 выполненных инновационных работ и Валовой региональный продукт, (за Z5 2011 г.), млн. руб. услуг собственными силами организациями сферы услуг, млн. руб., Удельный вес инновационных товаров, Y8 работ, услуг в общем объеме отгруженных Сальдированный финансовый результат Z6 организаций, млн. руб. товаров, выполненных работ, услуг), % Удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных Y9 товаров, выполненных работ, услуг СТОИМОСТЬ ОСНОВНЫХ ФОНДОВ, Z7 млн. руб. организаций промышленного производства, % Удельный вес инновационных товаров, Y10 работ, услуг в общем объеме отгруженных Z8 Оборот розничной торговли, млн. руб. Z9 Оборот оптовой торговли, млн. руб. товаров, выполненных работ, услуг организаций сферы услуг, % Y11 Патенты поданные на изобретения, шт. Добыча полезных ископаемых (в Y12 Патенты выданные на изобретения, шт. Z10 фактически действовавших ценах, всего; миллионов рублей). Y13 Y14 Патенты поданные на полезные модели, Z11 Инвестиции в образование, млн. руб. шт. Патенты выданные на полезные модели, шт. Иностранные инвестиции (всего), в Z12 млн. руб.; 37 Оценка нормальности ИСД для 83 регионов РФ по медиане и среднему значению, асимметрии и эксцессу приведена в Приложении 2. Требуется, чтобы отличие асимметрии и эксцесса от нуля не превышало двух «своих» стандартных ошибок. По результатам оценки нормальности по медиане и среднему значению по 83 регионам для взятых переменных получилось: только две переменные (X32, X33) распределены нормально. По результатам оценки нормальности по асимметрии и эксцессу только в одном случае (X32) асимметрия и эксцесс не превышают рекомендуемых значений в две стандартные ошибки асимметрии свидетельствует о рассматриваемым показателям. и неравномерном Только эксцесса соответственно. развитии регионов для одной Это РФ по переменной X32 распределение является нормальным в обоих случаях, что говорит о равномерном распределении средней заработной платы научных сотрудников по регионам. Далее приведена дендраграмма для кластерного анализа регионов методу Уорда (см. Рисунок 2.2.) и таблица разбиения регионов в кластеры (Таблица 2.3.). 38 T ree Diagram for Variables Ward`s m ethod Euclidean distances Белгородская область Алтайский край Краснодарский край Волгоградская область Саратовская область Ивановская область Кабардино-Балкарская Республика Республика Дагестан Костромская область Смоленская область Псковская область Астраханская область Республика Северная Осетия - Алания Орловская область Республика Марий Эл Республика Ингушетия Чеченская Республика Калининградская область Республика Хакасия Кемеровская область Республика Тыва Омская область Республика Калмыкия Карачаево-Черкесская Республика Брянская область Ставропольский край Республика Адыгея Тамбовская область Кировская область Вологодская область Тверская область Амурская область Ульяновская область Архангельская область Забайкальский край Ростовская область Новосибирская область Курская область Удмуртская Республика Оренбургская область Республика Башкортостан Республика Алтай Рязанская область Новгородская область Курганская область Республика Бурятия Иркутская область Еврейская автономная область Республика Карелия Томская область Приморский край Хабаровский край Ленинградская область Республика Коми Мурманская область Республика Саха (Якутия) Владимирская область Калужская область Красноярский край Воронежская область Пензенская область Пермский край Свердловская область Челябинская область Нижегородская область Московская область г. Санкт-Петербург Липецкая область Республика Татарстан Тульская область Ярославская область Республика Мордовия Чувашская Республика Самарская область Сахалинская область в том числе Ненецкий автономный округ Чукотский автономный округ Ямало-Ненецкий автономный округ Камчатский край Магаданская область Тюменская область Ханты-Мансийский автономный, округ - Югра г. Москва 0 10 20 30 40 Linkage Distance Рисунок 2.2. Кластеризация регионов РФ по признакам инновационного развития методом Уорда. Таблица 2.3. Таблица разбиения регионов в кластеры Номер кластера Количество объектов в Состав кластера кластере Республика Алтай Республика Башкортостан Оренбургская область 7 42 Удмуртская Республика Курская область Новосибирская область Ростовская область 39 Забайкальский край Архангельская область Ульяновская область (0.4661) Амурская область Тверская область Вологодская область Кировская область Тамбовская область Республика Адыгея Ставропольский край Брянская область Карачаево-Черкесская Республика Республика Калмыкия Омская область Республика Тыва Кемеровская область Республика Хакасия Калининградская область Чеченская Республика (min 0.1563) Республика Ингушетия Республика Марий Эл Орловская область Республика Северная Осетия – Алания Астраханская область Псковская область Смоленская область Костромская область Республика Дагестан Кабардино-Балкарская Республика Ивановская область Саратовская область Волгоградская область Краснодарский край Алтайский край Белгородская область 40 Республика Саха (Якутия) Мурманская область Республика Коми Ленинградская область Хабаровский край Приморский край Томская область (0.4755) 6 14 Республика Карелия Еврейская автономная область Иркутская область Республика Бурятия Курганская область Новгородская область Рязанская область г. Санкт-Петербург (0.5382) Московская область (0.4751) Нижегородская область (0.5006) Челябинская область (0.4329) Свердловская область (0.4755) 5 11 Пермский край (0.4594) Пензенская область (0.4336) Воронежская область (0.3935) Красноярский край (0.4401) Калужская область (0.4934) Владимирская область (0.3909) Самарская область Чувашская республика (0.4926) Республика Мордовия 4 7 Ярославская область Тульская область Республика Татарстан (0.5606) Липецкая область Сахалинская область Магаданская область Камчатский край 3 6 Ямало-Ненецкий автономный округ Чукотский автономный округ в том числе Ненецкий автономный округ 41 Ханты-Мансийский автономный 2 2 округ – округ Югра Тюменская область 1 Ряд г. Москва (max - 0.5850) 1 инновационных проблем как раз упирается в наличие институциональной среды, но отсутствием эффективной интеграции внутри этой среды. Фактически предполагается, что интенсивное развитие регионов каждого кластера в экономическом и политическом смысле по инновационному процессу должно носить схожую направленность. Для приведена характеристика кластеров с указанием специализации регионов. В нашем случае г. Москва (инновационный информационно-коммуникационные кластер технологии и «Зеленоград» - электроника; инновационный кластер в г. Троицк - новые материалы и ядерные технологии) образует кластер №1, благодаря наилучшим результатам практически по всем показателям инновационной деятельности (учитывая общие социально-экономические факторы), с существенным разрывом от следующего объекта кластера; среднее значение для г. Москва по всем данным существенно выше средних значений других регионов. Кластер №1 характеризуется сильной образовательной и научной базой (как и г. СанктПетербург, выделяющийся среди объектов кластера №5); значительной государственной поддержкой инноваций. Для кластера наблюдаются наилучшие показатели по количеству исследователей – 35,19% от совокупного количества исследователей в РФ, наивысшее количество 42 обучающихся общеобразовательных учреждений и студентов, обучающихся по программе высшего профессионального образования (15,49%); с концентрацией огромного количества исследователей с учеными степенями. Среди работников организаций в инновационной сфере 56% вех работников - исследователи, из них 35% исследователей с учеными степенями с большим процентом кандидатов наук со средней заработанной платой научных сотрудников ниже средней общей заработной платы в городе - 41,5 тыс. рублей в месяц (максимальная заработная плата за 2012 год – в Магаданской области - 61,2 тыс. руб. в мес.); г. Москва также является лидером в показателях: инвестиции в образование, показателю ВРП, по численности организаций с участием иностранного капитала и т.д. Москву можно назвать городом с развитой инновационной структурой, где расположена высокая доля организаций, осуществляющих R&D; городом с высокой статистикой по патентам, но с относительно невысокой долей инновационных продуктов, товаров и услуг - как в целом, так и в промышленной сфере, сфере услуг; не является лидером по уровню инновационной активности. Этот город достаточно трудно сопоставить с другими субъектами РФ, поэтому он выделился в отдельный кластер, занимает лидирующую позицию в рейтинге РРИИ. По рейтингу так же можно заключить, что при успешном сотрудничестве регионов, данный кластер можно будет объединить с кластером, в который входит г. Санкт-Петербург (кластер№5) или с кластером №4. В кластер №2 вошли два добывающих региона: Тюменская область – округ Югра (лидер по объему произведенной промышленной продукции, в основном – топливной, с высоким показателем инвестиций в основной капитал) и Ханты-Мансийский промышленность). Объекты автономный объединены округ (нефтегазовая предположительно за счет газоперерабатывающей и лесопромышленной направленности, которая отражается в переменной «добыча полезных ископаемых»; находятся в 43 составе Уральского ФО и имеют весьма схожие показатели по всем пунктам инновационной деятельности. Изначально могло ожидаться объединение данных объектов с Ямало-Ненецким автономным округом, но данный объект отличает от этой группы и входит в следующий кластер №3. Оба объекта отличаются более низким уровнем средней зарплаты научных сотрудников относительно средней зарплаты по субъектам. В кластер №3 вошли шесть объектов, 4 из которых входят в состав Дальневосточного ФО (специализация: добыча полезных ископаемых, объем инвестиций выше среднероссийского уровня): Сахалинская, Магаданская области, Камчатский край, Ямало-Ненецкий автономный округ (лидер по инвестициям в основной капитал) и Чукотский автономный округ (с высоким показателем инвестиций в основной капитал на душу населения), Ненецкий автономный округ (топливная промышленность). Сахалинская и Магаданская области, а также Камчатский край отличаются более высокими средними зарплатами научных сотрудников относительно средней зарплаты по регионам РФ, чего нельзя сказать про Ямало-Ненецкий и Чукотский автономные округа. Данные регионы (кроме Камчатского края) показывают относительно более высокий показатель отгруженных инновационных товаров, работ и услуг от общего объема. В кластер №4 выделяется достаточно однородными показателями по уровню занятости в секторе промышленного производства R&D. В него вошли 7 объектов: Самарская (производство летательных и космических аппаратов), Ярославская, Тульская, республики Татарстан Липецкая области; Чувашская (нефтегазопереработка и республика, нефтегазохимия, автомобилестроение) и Мордовия (приборостроение). Среди регионов 4 относятся к – Приволжскому ФО; 3 региона – к Центральному ФО. Стоит отметить, что в ЦФО и ПФО располагается большее количество инновационных кластеров. Во всех регионах, кроме Липецкой области – 44 средняя заработная плата научных сотрудников превосходит среднюю зарплату по регионам. Состав кластера №5 из 11 административных единиц: г. Санкт-Петербург (приборостроение, электроника, информационно-коммуникационные технологии, медицина), Московская область (ядерные технологии, новые материалы, медицина и фармацевтика), Нижегородская область (нефтегазопереработка, нефтегазохимия и автомобилестроение; ядерные и суперкомпьютерные технологии), Челябинская область, Свердловская область (новые материалы), Пермский край (производство летательных и космических аппаратов, двигателестроение, новые материалы), Пензенская область, Воронежская область, Красноярский край (производство летательных и космических аппаратов, ядерные технологии), Калужская область (медицина и фармацевтика, радиационные технологии), Владимирская область. В кластер входят объекты из 5 федеральный округов – больше всего из Приволжского ФО (4) и Центрального ФО (4); г. СанктПетербург является единственным представителем своего федерального округа (в своем роде – выброс) так же, как и Свердловская область и Красноярский край. Объекты были сгруппированы с максимально близкими показателями исследователей и персонала с учетными степенями, образуют группу относительно устойчиво растущих регионов. Финансирование инноваций для этих регионов идет преимущественно из государственных средств; показатели финансирования инноваций из собственных средств и бизнес сектора находятся на уровне ниже среднего, инновационная активность субъектов кластера зависит от государственного финансирования. По исследованиям за 2011 год Московская, Калужская, Нижегородская области и г. Санкт-Петербург являются высокими или средне - высокими инноваторами, секторе R&D группируются по однородным показателям занятости в сферы услуг, доступности высшего образования, обеспеченности науки финансовыми и кадровыми ресурсами, количеству 45 создаваемых передовых производственных технологий, среднемесячной заработной плате. Более подробно данный кластер будет рассмотрен в следующей главе. Кластер №6 содержит 14 объектов. Среди них: республики Саха- Якутия, Коми (топливная промышленность), Карелия (деревообработка), Бурятия; Мурманская (цветная металлургия), Ленинградская (пищевая промышленность), Томская (медицина и фармацевтика, информационнокоммуникационные технологии и электроника), Иркутская, Курганская, Новгородская (химия и нефтехимия) и Рязанская области, а также Хабаровский (производство летательных и космических аппаратов, судостроение), Приморский край и Еврейский автономный округ. 14 объектов принадлежат преимущественно Северо-Западному ФО (5), Дальневосточному ФО (4) и Северному ФО (3); 1 объект (Курганская область) принадлежит Уральскому ФО и еще 1 объект – Центральному ФО (Рязанская область). Данный кластер включает в себя большую концентрацию регионов из Северо-Западного ФО, которые представляют регионы с диверсифицированной промышленностью и развитым сельским хозяйством. Кластер №7 сформирован по принципу остатка. Сюда фактически вошли все те регионы, которые не вошли в другие кластеры, а именно все регионы Южного и Северо - Кавказского ФО. Эти регионы по РРИИ – 2012 являются самыми отстающими в инновационном развитии, а так же не имеют инновационных кластеров. На следующем рисунке приведена карта с рейтингом инновационного развития регионов РФ за 2012 год, согласно исследованию высшей школы экономики (см. Приложение №1). Практически все сгруппированные в нашем кластере регионы имеют близкий рейтинг инновационного развития регионов РФ. На Рисунке 2.3. представлена карта регионов в соответствии с 46 имеющимся рейтингом инновационного развития для нашего кластера за 2012 год. Данное исследование НИУ-ВШЭ подтверждает адекватность полученного кластера за исключением видимых выбросов – Владимирская и Воронежская области. Рисунок 2.3. РРИИ регионов РФ за 2012 год. Уровень дифференциации регионов РФ по индексу РРИИ за 2012 г. подтверждает высокую региональную диспропорцию инновационного развития регионов. Относительный размах между наибольшим показателем и наименьшим составил 3,7 раз. Относительно больший размер разрыва наблюдается по субиндексу – ИИД (134 раз) – Индекс Инновационной Деятельности; относительно наименьший разрыв – по ИНТП (Индекс Научно-Технического Потенциала). За 2012 год совокупные затраты на научные исследования формируются на 66% из средств бюджетов всех уровней, на 17% из средств организаций предпринимательского сектора, на 11% из собственных средств научных организаций; 4% - средства иностранных инвестиций и 2% средств внебюджетный фондов. Менее 0,2% 47 средств идут на инновационную деятельность из средств образовательных организаций высшего образования и средств частных некоммерческих организаций. 2.2. Выявление факторов, влияющих на инновационное развитие регионов РФ (на примере кластера с г. Санкт-Петербург) Для дальнейшего исследования в соответствии с задачами возьмём кластер, в который входит Санкт-Петербург. Отметим, что по предложенной методике можно исследовать и остальные выделенные кластеры. В дальнейшем все математические операции будут проводиться только для кластера №5. Ввиду того, что количество оптимизируемых и объективных факторов сравнительно велико для введения в экономико-математическую модель исследуемого процесса хотя бы наиболее существенных из них возьмём два последних года располагаемой статистики. В этом случае количество объектов увеличится в два раза, т.е. составит 22 и позволит при свободном члене уравнения регрессии ввести в неё до 20 переменных [6]. Проведем корреляционный анализ за два периода (2011 - 2012 гг.) для взятых переменным, для кластера №5. Возьмем только те значения Xi и Zi, у которых коэффициент корреляции |R|>=0,3 (по шкале Чеддока (см. Приложение №3) – переменные, у которых наблюдается умеренная, заметная, высокая и очень высокая положительная и отрицательная корреляции). Корреляционная таблица представлена в Приложении №3. 48 Для зависимой переменной Y1 вберем 16 наилучших вариантов Xi, Zi из корреляционной таблицы (Приложение №3) и построим столбчатые диаграммы по их коэффициентам (График 2.1). График 2.1. Столбчатая диаграмма по коэффициентам корреляции для Y1 Из Графика 2.1. сильная зависимость инновационной активности организаций (Y1) прослеживается по следующим переменным: численность докторантов (X37), численность аспирантов (X36), численностью организаций, ведущих подготовку докторантов (X3) и количество человек, обучающихся по программе высшего профессионального образования (X35). Таким образом, установилась исключительно высокая роль в активности инновационной деятельности системы подготовки учёных: докторов и кандидатов наук. Получается, что для повышения уровня инновационной активности в первую очередь целесообразно увеличивать численность докторантов, аспирантов, количество человек, обучающихся по программе высшего профессионального образования (X35) – сделать ставку на человеческий капитал. По результатам регрессионного анализа стоит отметить, что для всех зависимых переменных (Y1, Y3, Y11, Y12, Y13, Y14, Y15, Y16) получилось высокое качество регрессионных прямых и правильность включения всех факторов в модель; выбранные независимые переменные существенно влияют на результирующий показатель. Полученный F-критерии 49 подтверждает значимость полученной регрессии. Важно также проверить значимость каждого коэффициента регрессии. Незначимые коэффициенты желательно устранить, поэтому интерпретация коэффициентов эластичности произведется в виду значимых коэффициентов регрессии. Важные для выводов коэффициенты эластичности показывают, на сколько процентов в среднем изменится значение результативного признака при изменении значения соответствующего факторного признака на 1%. По данным, полученным из регрессионной статистики (см. Приложение №4), можно сделать следующие выводы. Дадим интерпретацию только для тех коэффициентов, которые являются значимыми. Рассмотрим регрессионную статистику для Y1. При изменении численности организаций, ведущих подготовку докторантов (X3), численности персонала, занятого научными исследованиями и разработками (X6), затрат на обучение и подготовку персонала, связанных с инновациями (X19); численности исследователей с докторскими степенями (X39) и инвестиций в образование (Z11) на 1%, инновационная активность организаций (Y1) изменяется в среднем на 0,75%, 1,24%, 0,59%, 0,35% и 0,32% соответственно. Более того, при изменении численности организаций, ведущих подготовку аспирантов (X2), затрат на приобретение машин и оборудования, связанных с технологическими инновациями (X14), внутренних текущих затрат на разработки (X27), численности докторантов (X37) инновационная активность организаций изменяется соответственно на 1,82%, 0,45%, 0,64% и 0,35%. Сильнее всего на инновационную активность организаций оказывают действия организаций, направленные на подготовку аспирантов (1,82%) и, в целом, повышение численности персонала, занятого научными исследованиями и разработками (1,24%). Таким образом, целесообразно по приоритетам, во-первых, интенсивно подготавливать аспирантов и повышать численность сотрудников, занимающихся исследованиями и разработками; далее увеличивать активность подготовки 50 докторантов– делать упор, как было замечено выше в работе, на человеческий капитал. Затем больше выделять средств на разработки и приобретение машин, оборудования для технологических инноваций. Наконец, увеличивать численность докторантов и исследователей с докторскими степенями; привлекать инвестиции в образование (График 2.2). Для зависимой переменной Y3 вберем 16 наилучших вариантов Xi, Zi из корреляционной таблицы (Приложение №3) и построим столбчатые диаграммы по их коэффициентам (График 2.2). График 2.2. Столбчатые диаграммы по коэффициентам корреляции для Y3. Согласно Графику инновационных 2.2., товаров сильная зависимость собственного объема производства, отгруженных выполнено инновационных работ и услуг собственными силами (Y3) прослеживается с переменными: внутренние текущие затраты на разработки (X27), внутренние текущие затраты на другие материальные затраты (X25), затраты на исследования и разработки новых продуктов, услуг и методов их производства (передачи), новых производственных процессов (X13); и в целом – затраты на научные исследования и разработки (X10). Таким образом, в повышении объема отгруженных инновационных товаров собственного производства, выполненных инновационных работ и услуг собственными силами стоит делать упор на выделяемые затраты – 51 материальные и на разработку новых продуктов, услуг и методов производства (передачи) новых производственных процессов. Из регрессионной статистики (см. Приложение №4) следующие выводы. При изменении для Y3 сделаем численности организаций, выполняющих исследования и разработки (X1), численности работников в организациях, выполняющих исследования и разработки (X4), численность вспомогательного персонала, занимающегося исследованиями и разработками (X8); затрат на научные исследования и разработки (X10) и внутренних текущих затрат на научные исследования и разработки (X11) на 1%, Y3 соответственно меняется на 5,15%, 11,41%, 3,71%, 15,05%, 13,27% соответственно. При изменении внутренних текущих затрат на приобретение оборудования для научных исследований и разработок (X22), затрат на прикладные научный исследования (X29), численности исследователей с кандидатскими степенями (X38), всех исследователей с учеными степенями (X40) на 1%, объем отгруженных инновационных товаров собственного производства, выполнено инновационных работ и услуг собственными силами (Y3) соответственно меняется на 0,59%, 1,14%, 17,86%, 18,71%. Таким образом, для повышения объема инновационных товаров, работ и услуг целесообразно по приоритетам, во-первых, увеличивать численность работников в организациях - расширять поток приема на работу исследователей с учеными степенями, желательно с кандидатскими степенями; далее оптимизировать совокупные затраты на R&D, в частности, увеличивать внутренние текущие затраты на R&D. Из корреляционной таблицы (Приложение №3) отберем 16 наилучших вариантов Xi и Zi при построении уравнения регрессии для Y11. 52 График 2.3. Столбчатые диаграммы по коэффициентам корреляции для Y11. Тесную связь на динамику поданных патентных заявок на изобретения оказывают переменные затраты на прикладные научные исследования (X29), число организаций, выполняющих научные исследования и разработки (X1), численность исследователей с кандидатскими степенями (X38), численность работников в организациях, осуществляющих исследования и разработки (X4). Таким образом, для стимулирования динамики поданных патентов на изобретения стоит влиять на затраты для научных исследования, повышать количество организаций и количество работников, занимающихся научными исследованиями и разработками; привлекать большее количество исследователей с кандидатскими степенями. Из регрессионной статистики (см. Приложение №4) для Y11 сделаем следующие выводы. При изменении численности работников организаций, осуществляющих научные исследования и разработки (X4), численности исследователей (X6), затрат на R&D (X10), внутренних текущих затрат на R&D (X11); затрат на фундаментальные научные исследования (X28) на 1% в среднем динамика поданных патентов на изобретения (Y11) изменяется на 3,49%, 2,98%, 10,70%, 10,84% и 0,94%. Таким образом, для стимулирования подачи патентов на изобретения следует учесть, что это происходит с существенным изменением внутренних текущих затрат на научные исследования, совокупных затрат на R&D. Очевидно, что с изменением численности работников организаций, в частности – исследователей, 53 образуется большая вероятность новых поданных патентов на изобретения. Наконец, увеличение затрат на фундаментальные научные исследования может существенно повлиять на динамику поданных патентов. Из корреляционной таблицы (Приложение №3) отберем 16 наилучших вариантов Xi и Zi при построении уравнения регрессии для Y12. График 2.4. Столбчатые диаграммы по коэффициентам корреляции для Y12. Из Графика 2.4. наблюдаем, что сильная зависимость динамики патентов, выданных на изобретения (Y12), прослеживается с численностью организаций, выполняющие исследования и разработки (X1), с численностью организаций, ведущих исследователей исследователей с подготовку кандидатскими с докторскими аспирантов степенями степенями (X2), численностью (X38) численностью (X39),численностью исследователей с учеными степенями (X40). Фактически, чтобы патенты выдавались активнее на изобретения, логично, увеличивать численность организаций, а так же сотрудников с кандидатскими и докторскими степенями, чтобы повышать вероятность создания нового изобретения. Получается также весьма выгодным организациям активнее проводить программы по подготовки аспирантов. Из регрессионной статистики (см. Приложение №4) для Y12 дает следующие работников результаты. При изменении численности в организациях, осуществляющие R&D (X4), численности исследователей 54 (X6), внутренних текущих затрат на оплату труда (X23) на 1% в среднем динамика выданных патентов на изобретения (Y12) изменяется на 0,0001%, 3,002%, 2,47%. Более того при изменении ВРП (Z5), иностранных инвестиций (Z12) на 1 %, динамика выданных патентов на изобретения изменяется на 0,48% и 0,16% соответственно. Таким образом, для стимулирования выдачи патентов на изобретения следует учесть, что это происходит на основе изменений численности работников в организациях, в большей степени при изменении количества исследователей; с изменением затрат на оплату труда. Наконец, выдача патентов на изобретения стимулируется объективными факторами – ВРП, и в меньшей степени – иностранными инвестициями. Из корреляционной таблицы (Приложение №3) отберем 16 наилучших вариантов Xi и Zi при построении уравнения регрессии для Y13 и построим по ним столбчатые диаграммы (см. График 2.5.). График 2.5. Столбчатые диаграммы по коэффициентам корреляции Y13. Сильная зависимость динамики патентов, поданных на полезные модели (Y13), прослеживается с переменными: с численность организаций, выполняющие исследования и разработки (X1), с численностью исследователей с кандидатскими степенями (X38), с общей численностью исследователей с учеными степенями (X40), с численностью исследователей (X6) и с численностью исследователей с докторскими степенями (X39). Поэтому, для увеличения динамики подачи патентов на полезные модели 55 необходимо увеличивать количество организаций и работников с учеными степенями, численность исследователей. Из регрессионной статистики (см. Приложение №4) для Y13 (см. Приложение №4) заключим следующее. При изменении численности организаций, ведущие подготовку аспирантов (X2), численности работников в организациях (X4), численности исследователей (X6), внутренних текущих затрат на оплату труда (X23) на 1% в среднем динамика поданных патентов на полезные модели (Y13) изменяется соответственно на 0,84, 1,97, 3,01 и 2,86 процентов. Более того при изменении внутренних текущих затрат на страховые взносы (X24), внутренних текущих затрат на другие материалы (X25), внутренних текущих затрат отдельно на разработки (X27) на 1 %, динамика поданных патентов на полезные модели изменяется на 2,37, 1,03 и 1,34 процентов соответственно. Больше всего влияние оказывают численность исследователей, осуществляющие научные исследования и разработки, оптимизировать внутренние текущие затраты на оплату труда и внутренние текущие затраты на страховые взносы. Из корреляционной таблицы (Приложение №3) отберем 16 наилучших вариантов Xi и Zi при построении уравнения регрессии для Y14 и построим по них столбчатые диаграммы (см. График 2.6.). График 2.6. Столбчатые диаграммы по коэффициентам корреляции для Y14 56 Наибольшую связь с патентами выданными на полезные модели (Y14) имеют численность организаций, выполняющие исследования и разработки (X38), численность исследователей с учетными степенями (X40), численность исследователей с докторскими учеными степенями (X39) и численность исследователей, занятых научными исследованиями и разработками (X6). Из регрессионной статистики (см. Приложение №4) для Y14 можно сделать следующие выводы. При увеличении численности организаций (X1), численности организаций, ведущих подготовку аспирантов (X2), внутренних текущих затрат на оплату труда (X23), внутренних текущих затрат на страховые взносы (X24) на 1% в среднем динамика выданных патентов на полезные модели (Y14) изменяется соответственно на 1,77, 0,74, 2,70, 0,001 процентов. Более того при изменении среднегодовой численности занятых в экономике (Z3), ВРП (Z5) на 1 %, динамика выданных патентов на полезные модели изменяется на 1,99 и 1,19 процентов соответственно. Больше всего влияние из значимых для модели факторов оказывают - внутренние текущие затраты на оплату труда, среднегодовая численность занятых в экономике и общая численность организаций, занимающие научными исследованиями и разработками. Из корреляционной таблицы (Приложение №3) отберем 16 наилучших вариантов Xi и Zi при построении уравнения регрессии для Y15. График 2.7. Столбчатые диаграммы по коэффициентам корреляции для Y15. 57 Наитеснейшую связь количество используемых передовых производственных технологий (Y15) имеет с численностью обучающихся образовательных учреждений (X34), оборотом розничной торговли (Z8), со среднегодовой численностью вспомогательного персонала, населения занятого (Z2), научными с численностью исследованиями и разработками (X8), со среднегодовой численностью занятых в экономике (Z3) и стоимостью основных фондов (Z7). Стоит отметить, что данный показатель имеет тесную связь с большим количеством объективных факторов Zi, чем было для других зависимых переменных. Из регрессионной статистики (см Приложение №4) для Y15 можно заключить следующее. организаций, численности При осуществляющие техников, увеличении численности технологические осуществляющие R&D работников инновации (X7), (X5), среднегодовой численности занятых в экономике (Z3); стоимости основных фондов (Z7) и оборота оптовой торговли (Z9) на 1%, в среднем количество используемых передовых производственных технологий (Y15) изменяется соответственно на 1,18, 1,43, 6,34, 2, 37, 1,46 %. Больше всего влияние оказывают – численность занятых в экономике, стоимость основных фондов, оборот оптовой торговли и численность техников, занятые научными исследованиями и разработками. Из корреляционной таблицы (Приложение №3) отберем 16 наилучших вариантов Xi и Zi при построении уравнения регрессии для Y16. 58 Г График 2.8. Столбчатые диаграммы по коэффициентам корреляции для Y16. Наиболее тесную связь количество созданных (разработанных) передовых производственных технологий (Y16) имеет с численностью организаций, ведущих подготовку аспирантов (X2), численность исследователей с докторскими степенями (X39), численность обучающихся по программе высшего профессионального образования (X35), с численность организаций, ведущих подготовку докторантов (X3). Среди переменных Zi тесная связь наблюдается с Z12 – иностранными инвестициями. Из регрессионной статистики (см. Приложение №4) для Y16 можно сделать следующие выводы. При изменении численности организаций, ведущих подготовку аспирантов (X2) и иностранных инвестиций (Z12) на 1%, в среднем количество созданных (разработанных) передовых производственных технологий (Y16) изменяется соответственно на 3, 15 и 0,38 процентов. Больше всего влияние из значимых для модели факторов оказывают – численность организаций, ведущие подготовку аспирантов. 59 Глава 3. РЕКОМЕНДАЦИИ ПО УСИЛЕНИЮ ИННОВАЦИОННОГО РАЗВИТИЯ РЕГИОНОВ РФ 3.1. Результаты реализации государственной инновационной политики России Наиболее сложной проблемой в экономике является вопрос развития. Опыт развивающихся стран стал доказательством того, что экономическое развитие может стать эффективным, в том числе за счет привлечения инноваций (в стратегии этот путь отмечается, как единственно возможный). Именно инновации способны стимулировать экономический рост и давать преимущество конкурентоспособности технологического производства и услуг. Хотя инновационное звено в России сегодня не слишком интенсивно развивается. Не смотря на то, что имеются большие запасы ресурсов разной природы, в России на сегодняшний день используются весьма неэффективно. Развитие альтернативной энергетики может привести к снижению спроса и цен на сырьевую экспортную часть товаров и услуг России. Ассоциация инновационного развития, согласно стратегическому документу «Система оценки и мониторинга российских регионов инновационного развития» подчеркнула, что российская экономика в значительной степени основана на добыче и экспорте нефти и газа. Поэтому кроме сырьевой ориентации должна создаваться инновационная ориентация. Одной из основных долгосрочных целей Стратегии инновационного развития России - 2020 (а так же в дополнительных программах - таких, как «Политика РФ в области развития инновационной системы до 2010 г.», «Стратегии развития науки и инноваций в РФ до 2015 г.») является цель повысить благосостояние населения и сформировать определенную геополитическую роль страны [14]. В стратегии прописано, что это возможно осуществить через переход к 60 инновационной социальной ориентированной модели развития. Временные экономические осложнения, в том числе мировой экономический кризис 2008-2009 гг., хотя и приводят к падению расходов частного бизнеса на инновационную деятельность и темпов развития инновационной системы, но это не мешает долгосрочным целям стратегии оставаться прежними. Антикризисные меры успешных инновационных экономик стран ЕС, США и Японии включают в себя значительные финансовые потоки – десятки миллиардов долларов, направленные в технологическое развитие медицины, альтернативной энергетики, биотехнологий, IT и других наукоемких отраслей. Огромные финансовые потоки направляются для поддержания инновационной конкурентоспособности: повышение квалификации работников, привлечение инвестиций, генерация новых знаний, усиление динамики разработки новых продуктов и технологий и т.п. В России до настоящего момента были заложены основы национальной инновационной системы, формирование сектора инновационной инфраструктуры, модернизации экономики на базе технологических инноваций. За последние годы увеличилось государственное финансирование фундаментальных исследований (с 2006 по 2008 гг. – в 1,6 раз), прикладных разработок через государственные и венчурные фонды (ОАО «Российская венчурная компания», автономное учреждение «Российский фонд технического развития», «Внешэкономбанк», «Роснано»); целевые программы софинансирования государства через управляющую компанию, поддержка открытости инновационной стимулирование системы. исследовательской Дополнительно деятельности в происходило сфере высшего образования, привлечение исследователей в вузы с мировым именем, формирование национальных исследовательских центров. А также создание особых экономических зон, предоставляющих льготы инновационным компаниям, - совершенствование налогового режима для инновационной системы (реализация закона о разрешении бюджетным учреждениям образования и науки создавать малые инновационные предприятия) и 61 таможенного режима экспорта инноваций; создание инновационных кластеров, технопарков, электронного правительства и т.п. Несмотря на вышеуказанные достижения, существующих запланированные показатели (в рамках мер недостаточно: стратегии развития науки и инноваций до 2015 года) не достигнуты. Наличие необходимых институтов не свидетельствует об их успешной интеракции. Ряд нереализованных показателей составляют - спрос в реальном секторе на инновации, уменьшение бюджетного финансирования в период кризиса (в том числе в рамках федеральной программы «исследования и разработки по приоритетным направлениям развития научно-технического комплекса в период 2007-2013 гг.»), инновационная активность, создание конкурентной среды для инноваций. Уровень коммерциализации инноваций не является достаточным, не удалось решить проблему старения научных кадров. Более того, государственные средства на поддержку инноваций расходуются неэффективно, отсутствует мотивация бизнеса и граждан (желание учиться и совершенствоваться, готовность к риску), существует перекос в сторону закупки оборудования за рубежом, поэтому уровень инновационной активности организаций существенно уступает уровням активности странлидеров. Все эти видимые провалы существуют из-за отсутствия инновационной интеграции в каждом секторе экономики от индустриальноинновационного совершенствования до малого предпринимательства. Диффузия инноваций в условиях диспропорции социально-экономического и инновационного развития в регионах – невозможна. Даже внутри каждого кластера существуют существенные колебания показателей. Фактически, даже если регионы импортируют технологии из других инновационно более развитых стран это не означает, что данная технология будет реализована максимально эффективно в виду предпосылки о несоответствии уровня технологий - человеческому капиталу. Поэтому необходимо внедрение инноваций на всех стадиях производственного процесса, а так же диффузия инноваций между странами и регионами – желательно между полученными 62 кластерами. На уровне планирования это может сводиться к несоответствию инновационной стратегии социально-экономической политике государства: создание инновационной базы при отсутствии достаточно развитого инвестиционного климата, наличии коррупции и отсутствии стимулирующей конкуренции (в основе которой находится – человеческий капитал), игнорируя специфику каждого региона. Не смотря на то, что доля населения РФ с высшим и дополнительным образованием находится наравне с развитыми странами, сохраняются проблемы качества получаемого образования10. Практически у всех российских вузов сохраняется низкий мировой рейтинг. Путями реализации инновационной стратегии являются: 1. Увеличение доли предприятий промышленного производства, осуществляющие технологические инноваций. 2. Увеличение дли России на мировых рынках высокотехнологичных товаров и услуг. 3. Увеличение доли экспорта высокотехнологичных товаров и услуг. 4. Увеличение валовой добавленной стоимости инновационного сектора в ВВП. 5. Увеличение доли инновационной продукции в общем объеме промышленной продукции. 6. Повышение внутренних затрат на исследования и разработки, в т.ч. за счет частного сектора. 7. Увеличение доли российских публикаций в общем количестве публикаций в мировых научных журналах. 8. Увеличение количества цитирований российских исследователей. 10 Говоря об образовании, важно учесть естественные, инженерные и технические специальности. 63 9. Повышение рейтинга российских вузов. 10.Увеличение регистрируемых ежегодно количества патентов. 11.Увеличение доли средств получаемых за счет научно- исследовательских и опытно-конструкторских работ, поступающих в российские вузы и т.п. Не смотря на оптимистические цели стратегии инновационного развития, большая часть регионов не получает развитие в направлении поставленным путям реализации. В инновационных развитых странах происходит развитие инновационной деятельности за счет увеличения затрат на R&D (например, в США, Японии и Китае большая часть инноваций финансируется из государственного бюджета) за счет программ поддержки, государственные заказы налоговые кредиты, амортизационную политику; внешнеторговую политику, антимонопольное регулирование и др. В России на инновационную деятельность направляется 0,3% инвестиций российской экономики, на развитие основных фондов – 8% всех инвестиций. Около 60,8% инвестиций в виде финансовых вложений обращаются на фондовом рынке; 12,2% - прямые зарубежные инвестиции. Структура денежных потоков на инновационную деятельность представлена на следующем Графике 3.1. 64 График 3.1. Структура финансирования инновационной деятельности, 2012 г. Больше всего средств поступает в регионы из бюджета (66% всех средств), 17% - средства организаций предпринимательского сектора; 11% - из собственных средств научных организаций. Незначительные финансовые потоки идут из средств иностранных источников -4% и из средств внебюджетных фондов – 2%. Менее 0,2% поступают из средств некоммерческих организаций и образовательных организаций высшего образования. Всего 1,7% всех инвестиций идут на поддержку образования. 3.2. Рекомендации по повышению инновационной активности регионов (на примере кластера с г. Санкт-Петербург) Если предположить наилучший сценарий развития экономики РФ с увеличением затрат на инновации до уровня затрат на инновационный сектор 65 развитых стран, то стоит определить, куда по приоритетам направить инновации. По полученным результатам из второй главы данной работы сделаем некоторые рекомендации, сопоставляя их с путями реализации инновационной стратегии. Для кластера №5, чтобы повысить уровень инновационной активности, нужно повысить все рассматриваемые результирующие показатели, а именно: объем отгруженных инновационных товаров собственного производства, выполненных инновационных работ и услуг собственными силами, патентная деятельность с изобретениями и полезными моделями; количество созданных и используемых передовых производственных результативного технологий. показателя (Yi) Рассмотрим для изменение кластера. Для каждого увеличения инновационной активности организаций (Y1) необходимо по приоритетам: 1. Увеличивать количество организаций, ведущие подготовку аспирантов. 2. Повышать численность персонала, занятого R&D с учеными степенями. 3. Оптимизировать затраты на приобретения машин и оборудования для технологических инноваций. 4. Повышать количество аспирантов и докторантов. 5. Повышать количество человек, обучающихся по программе высшего профессионального образования (преимущественно - техников). Важно отметить, что даже при достаточно малых колебаниях численности исследователей, численности организаций, ведущих подготовку аспирантов и докторантов – инновационная активность организаций сильно изменяется. Динамика инновационной активности организаций представлена на Графике 3.2. Лидерами в кластере остаются – г. Санкт-Петербург, Московская область и явный лидер на протяжении долгого промежутка времени до 2010 года – Пермский край. 66 График 3.2. Динамика инновационной активности организаций в регионах для кластера для кластера №5, %. Динамика объема отгруженных инновационных товаров собственного производства, выполненных инновационных работ и услуг собственными силами (Y3) представлена на Графике 3.3. Лидерами остаются к 2012 году – г. Санкт-Петербург и Московская область. Для увеличения объема отгруженных инновационных товаров собственного производства, выполненных инновационных работ и услуг собственными силами необходимо (согласно приоритетам): 1. Повышать совокупные и внутренние текущие затраты на R&D, 2. Оптимизировать затраты на исследование и разработка новых продуктов, услуг и методов их производства (передачи), новых производственных процессов; 3. Оптимизировать внутренние текущие затраты на другие материальные затраты. 67 График 3.3. Динамика объема отгруженных инновационных товаров собственного производства, выполненных инновационных работ и услуг собственными силами для регионов кластера №5, млн. руб. Важно отметить, что даже при достаточно малых колебаниях совокупных и внутренних текущих затрат на научные исследования и разработки, численности исследователей с учеными степенями, в частности – кандидатов наук, объем отгруженных инновационных товаров собственного производства, выполненных инновационных работ и услуг собственными силами существенно меняется. Для стимулирования поданных (График 3.4.) и выданных (График 3.5.) патентных заявок на изобретения необходимо для обоих направлений: 1. Повышать количество затрат на фундаментальные научные исследования и количество сотрудников с учеными степенями, в частности – исследователей; доля затрат на R&D в ВРП; 2. Увеличивать численность исследователей с кандидатскими степенями и затраты на оплату труда, 3. Повышать уровень ВРП и стимулировать приток иностранных инвестиций. Для увеличения поданных патентных заявок на изобретения необходимо увеличивать затраты на прикладные научные исследования, совокупную 68 численность работников в организациях. Для увеличения выданных патентных заявок на изобретения также необходимо увеличивать численность организаций, осуществляющих подготовку аспирантов, а так же численность исследователей, в особенности с докторскими степенями. С большим разрывом от тела кластера лидерами, как для динамики с полезными моделями, остаются Московская область и г. Санкт-Петербург. График 3.4. Динамика поданных патентов на изобретения для регионов кластера №5, шт. График 3.5. Динамика выданных патентов на изобретения для регионов кластера №5, шт. Важно, что при достаточно малых колебаниях внутренних текущих затрат на оплату труда, численности исследователей, ВРП и иностранных инвестиций – динамика выданных патентов на изобретения существенно меняется. Динамика поданных патентов существенно изменяется также при изменении 69 численности исследователей, более того, при изменении совокупных и внутренних текущих затрат, численности работников в организациях, осуществляющих научные исследования и инновации. Для увеличения численности поданных и выданных патентных заявок на полезные модели необходимо для обоих направлений: 1. Повышать численность исследователей, а именно - с кандидатскими и докторскими учеными степенями, повышать затраты на оплату труда; 2. Увеличивать среднегодовую численность занятых в экономике, 3. В особенности для поданных патентных заявок необходимо повышать численность организаций, осуществляющих исследования и разработки. Важно, что даже при достаточно малых колебаниях внутренних текущих затрат на оплату труда, среднегодовой численности занятых в экономике, численности организаций, выполняющих исследования и разработки; численности организаций, ведущих подготовку аспирантов и валового регионального продукта – динамика выданных патентов на полезные модели (График 3.6.) будет существенно изменяться. Динамика выданных патентов (График 3.7.) естественным образом соответствует также созданию полезных моделей, удовлетворяющих условиям ГК РФ. На протяжении десятилетия Санкт-Петербург и Московская область занимают лидирующие позиции по динамики поданных и выданных патентов. На динамику поданных патентов на полезные модели также существенно оказывают влияние внутренние текущие затраты на оплату труда; дополнительно 1 % колебания внутренних страховых и прочих текущих могут существенно повлиять на динамику поданных патентов на полезные модели. 70 График 3.6. Динамика поданных патентов на полезные модели для регионов кластера №5, шт. График 3.7. Динамика выданных патентов на полезные модели для регионов кластера №5, шт. Динамику изменения используемых и созданных передовых производственных технологий можно увидеть на Графике 3.8. и 3.9. соответственно. 71 График 3.8. Динамика используемых передовых производственных технологий для регионов кластера №5, шт. График 3.9. Динамика созданных передовых производственных технологий для регионов кластера №5, шт. По результатам корреляционного и регрессионного анализов для стимулирования использования и создания передовых производственных технологий необходимо в порядке приведенном ниже: 1. Повышать количество организаций, ведущих подготовку аспирантов; 2. Увеличивать численность занятых в экономике, 3. Наращивать обороты оптовой торговли и стоимость основных фондов; 4. Увеличивать численность персонала – техников. 72 Стоит отметить, что при этих условиях весомое влияние на создание передовых производственных технологий оказывают особенно – организации с программами подготовки аспирантов и иностранные инвестиции. Стоит отметить, что существенная часть созданных производственных технологий может экспортироваться. Для стимулирования использования передовых производственных технологий необходимо создать более привлекательные условия использования технологий в регионах РФ, а также увеличивать численность обучающихся общеобразовательных учреждений, наращивать оборот розничной торговли, увеличивать среднегодовую численность населения и численность вспомогательного персонала, занятого научными исследованиями и разработками; увеличивать стоимость основных фондов организаций. Важно, что даже при достаточно малых колебаниях стоимости основных фондов, среднегодовой численности занятых в экономике, оборота розничной торговли и численности техников, занятых научными исследованиями и разработками, - динамика используемых передовых производственных технологий существенно меняется (динамику можно увидеть на Графике 3.8.). Поэтому для регионов, вошедших в кластер, важно поддерживать стабильный или более благоприятный уровень занятости, увеличивать набор студентов – техников, поддерживать торговый баланс и наращивать стоимость основных фондов, учитывая достаточно высокую степень их износа (к 2012 году в кластере наибольшая степень износа основных фондов наблюдалась в Свердловской области). C 2011 года лидером по использованию передовых производственных технологий в кластере становится Московская область. На последнем месте – Пензенская область, для которой наблюдались относительно более низкие показатели инновационного и экономического развития. 73 ЗАКЛЮЧЕНИЕ Мировая практика инвестиционной деятельности показывает, что одним из наиболее перспективных и пользующихся быстро растущим спросом является финансирование инвестиционных и научно-технических проектов для стран, которые нуждаются в расширении производства, а так же для малого и начинающего бизнеса. В виду высокой изношенности ОФ в РФ приоритетным направлением в финансировании инновационной деятельности является путь модернизации и обновления производств. Действительно, каждая фирма стремиться улучшить свою экономическую эффективность. Когда происходит государственное финансирование сектора R&D (это финансирование желательно должно быть для компаний, которые частные фирмы не стали финансировать) происходит увеличение спроса в основном на ЧК и оборудование со стороны организаций. Обычно сумма финансовой поддержки государства сектора R&D определена и остается вопрос, как реализовать эту поддержку. Отмечаются по большей части негативные эффекты налогового стимулирования для достижения общественного благосостояния ввиду частных интересов институциональных инвесторов и неопределенности результатов научных разработок. Стоит отметить, что бюджет РФ существенно недополучает часть налоговых льгот: добавленная стоимость переносится в другие страны, когда мы импортируем технологическое оборудование и экспортируем в основном продукцию сырьевого сектора. Когда создается финансовый поток, важно определить приоритетные направления, благодаря которым можно расставить акценты на финансировании инновационной деятельности. В данном исследовании били выявлены кластеры регионов РФ по признакам инновационного 74 развития, а также значимые связи между взятыми переменными на примере кластера с г. Санкт-Петербург. По результатам данного исследования было установлено, что инновации в регионах РФ могут быть стимулированы: 1. Прямыми иностранными инвестициями (ППИ), привлечением капитала в т.ч. через венчурные организации и бизнес-ангелов, 2. Накоплением опыта и внедрением его в производство в рамках диффузии и повышения качества знаний и технологий, через ТНК (и их дочерних предприятия в стране пребывания) и поддержкой принципов «открытой экономики», экспортно-импортной ориентацией и конкурентоспособностью страны и регионов, 3. Государственным внутренним вмешательством через контракты, гранты, налоговые регулирование льготы и кредиты, законодательства, в трансферт частности, технологий; необходимо для изменения режимов защиты прав интеллектуальной собственности, мотивации граждан и бизнеса, через создание национальных инновационных систем, а так же через таможно - тарифную политику и валютное регулирование; 4. Заключением лицензионных соглашений, участием в торговых союзах, либерализацией внешнеторгового режима и совокупным стимулированием патентирования, 5. Совокупным экономическим ростом, подразумевающим измерители количества и степень подготовки ЧК, уровнем развития и внедрения инноваций, количеством занятых в экономике и другими факторами. 75 В исследования российской инновационной стратегии развития часто не учитываются важные факторы такие, как спрос, проблемы с интеллектуальной собственностью, диффузией знаний и ТНК, фактор законодательного регулирования инноваций. Таким образом, государственные меры по управлению инновационной деятельностью должны быть направлены в категории малого и среднего бизнеса, на поддержку экспорта инновационной продукции с введением определенных льгот. Для мотивации институциональных инвесторов необходимо вкладывать деньги в инновационные проекты (льготные государственные кредиты для осуществления экспорта продукции или субсидирование государства процентов по ним; страхование коммерческих рисков). В развитых странах предусмотрены налоговые льготы для инновационных инвесторов, развитие венчурных фондов, создание особых экономических зон, технопарков; международная кооперация в сфере R&D, разработка схем эффективного государственно-частного партнерства (ГЧП). На сегодняшний день, согласно исследованиям Д. Асемоглу, для России актуален путь развития институциональной инновационной среды. Попытки глубокого изучения проблемы в системе технологии - уровень квалификации ЧК привели к проблеме диффузии знаний в экономике: положительные внешние эффекты способны задействовать процесс обучения одних фирм на опыте других при условии, что эти знания будут доступны; но этих эффектов недостаточно. Во многих моделях эндогенного роста естественные приливы знаний или генерация знаний при обучении являются основными направлениями для исследования. Не смотря на явные существующие проблемы в сфере интеграции и реализации инноваций в России, удалось провести исследование, устанавливающее, что регионы России действительно необходимо для начала объединить в кластеры. На основе выбранных оптимизируемых Xi, результативных Yi и объективных Zi факторов была проведена 76 кластеризация регионов РФ, поскольку рассматриваемые данные для всех регионов не являются нормально распределенными, т.е. однородными. Даже при разбиении регионов в кластеры не было установлено их полной однородности по критериям оценки нормальности. Кластеризация регионов 83 регионов РФ была сделана на основе рассмотрения в совокупности 40 оптимизируемых, Полученная 16 результирующих кластеризация и выполнялась 12 объективных методом факторов. Уорда, которая устанавливает одинаковые веса для любого фактора в кластере. Затем мы получили 7 кластеров и необходимый кластер №5 с г. Санкт-Петербург, данные для которого получились более однородными, чем для остальных регионов. В данном исследовании были рассмотрены математические походы к оценке инновационного развития кластера с г. Санкт-Петербург. Несмотря на диспропорцию развития регионов в социально-экономическом и инновационном развитии, данные группировки кластеров объединяют регионы по максимально возможным однородным показателям. Тесное сотрудничество внутри каждого кластера может способствовать успешной диффузии инноваций, что может привести к повышению конкурентоспособности регионов. Учитывая особенности рассматриваемого кластера №5, можно отметить те оптимизируемые факторы, которые наиболее часто являлись значимыми для повышения в совокупности всех выше рассматриваемых результирующих показателей Yi. Для повышения совокупного уровня инновационного развития кластера №5 необходимо: 1. Мотивировать граждан и бизнес к инновационному процессу и производству. 2. Повышать численность исследователей в инновационных организациях, особенно с учеными степенями. 77 3. Расширять программы специальностям, наборов повышать студентов качество по образования техническим в вузах, способствовать исследовательской деятельности. 4. Стимулировать организации на программы подготовки аспирантов/докторантов. 5. Выделять преимущественно больше затрат на научные исследования и разработки, отдельно на разработки; затраты на исследование и разработки новых продуктов, услуг и методов их производства (передачи), новых производственных процессов. 6. Создавать благоприятные условия для ведения бизнеса и производства, выгодные условия патентирования интеллектуальной собственности; 7. Повышать привлекательность регионов для иностранных инвестиций, в том числе прямых иностранных инвестиций. Выдвигаемая гипотеза исследования частично подтвердилась: большая часть закладываемых в модель оптимизируемых и объективных факторов значимо влияет на результативные показатели инновационной деятельности. Более того, удалось определить, что влияние каждого фактора на модель может быть определено (по коэффициентам эластичности); что, изменяя внутренние факторы, возможно улучшение результативных показателей. Хотя стоит отметить, что количественного исследования недостаточно. Важно осознавать и качественные условия при развитии инновационной среды в регионах, так и социально-экономические тенденции, а также условия финансирования инновационной деятельности, которые в российской действительности отстают от западных схем и являются недостаточными; не соответствуют поставленным целям и задачам Стратегии инновационного развития РФ -2020 и другим программам по поддержке инновационного климата в стране и регионах. 78 СПИСОК ЛИТЕРАТУРЫ 1. Глазьев С. Ю. О стратегии и концепции социально-экономического развития России до 2020 года //Экономические стратегии. – 2008. – №. 4. – С. 38-42. 2. Глазьев С. Ю. Теория долгосрочного технико-экономического развития М.: Вла. Дар, 1993. – 2012. 3. Гохберг Л. Национальная инновационная система России в условиях «новой экономики» //Вопросы экономики. – 2003. – Т. 3. – С. 26-44. 4. Гохберг Л. М. и др. Рейтинг инновационного развития субъектов Российской Федерации: аналитический доклад //Уровень жизни населения регионов России. – 2012. – №. 12. – С. 120-128. 5. Дмитриев М. Главная проблема «Стратегии 2020»–отсутствие политических возможностей для реализации. URL: http://2020strategy. ru/news/32664731. html (дата обращения: 26.01. 2014). 6. Елисеева И. И., Флуд Н. А., Юзбашев М. М. Практикум по общей теории статистики: учеб. пособие //ИИ Елисеевой. М.: Финансы и статистика.– 2008.–512с. – 2008. 7. Козлов К. К., Соколов Д. Г., Юдаева К. В. Инновационная активность российских фирм //Экономический журнал Высшей школы экономики. – 2004. – Т. 8. – №. 3. – С. 399-419. 8. Кондратьев Н. Д. Большие циклы экономической конъюнктуры: Доклад/Проблемы экономической динамики //М.: Изд-во «Линокс. – 1989. 79 9. Макконнелл К. Р., Брю С. Л. Экономикс //Принципы, проблемы и политика. – 1999. – Т. 1. 10. Путин В. Выступление на расширенном заседании Государственного Совета «О стратегии развития России до 2020 года». 07.02. 2008. – 2008. 11. Реймер Л. А. Инвестиционный процесс и системные преобразования в экономике страны и регионов //Труды Института системного анализа Российской академии наук. – 2006. – Т. 22. – С. 60-90. 12. Савон Д. Ю., Гассий В. В., Маркер Е. В. Государственно-частное партнёрство–эффективный механизм в развитии инновационной деятельности предприятий региона //Экономические и гуманитарные исследования регионов. – 2012. – №. 5. – С. 126-136. 13. Самуэльсон П. А., Нордхаус В. Д. Экономика. – М.: БИНОМ. Лаборатория Базовых Знаний, 1997. 14. Распоряжение П. Р. Ф. от 8 декабря 2011 г. № 2227-р «О Стратегии инновационного развития РФ на период до 2020 г.» //СПС «КонсультантПлюс» (дата обращения: 30.04. 2014). 15. Acemoglu D., Gancia G., Zilibotti F. Competing engines of growth: Innovation and standardization //Journal of Economic Theory. – 2012. – Т. 147. – №. 2. – С. 570-601. e3. 16. Andrew J., DeRocco E. S., Taylor A. Innovation Imperative in Manufacturing: How the US Can Restore Its Edge. – Jointly produced by Boston Consulting Group, the Manufacturing Institute and National Association of Manufacturers, 2009. 17. Griliches Z. The search for R&D spillovers. – National Bureau of Economic Research, 1992. – №. w3768. 18. Harris W. Panel II: Clustering for Growth (Continued). – 2012. 80 19. Hall B. H., Lerner J. The financing of R&D and innovation. – National Bureau of Economic Research, 2009. – №. w15325. 20. Hollanders H., Tarantola S., Loschky A. Regional innovation scoreboard (RIS) 2009 //PRO INNO EURO, INNO METRICS. – 2009. 21. Islam N. What have we learnt from the convergence debate? //Journal of economic surveys. – 2003. – Т. 17. – №. 3. – С. 309-362. 22. Fagerberg J., Feldman M., Srholec M. Technological Dynamics and Social Capability: Comparing US States and European Nations. – Economics Institute, Academy of Sciences of the Czech Republic, 2012. 23. Fischer M. M. A spatial Mankiw–Romer–Weil model: theory and evidence //The Annals of Regional Science. – 2011. – Т. 47. – №. 2. – С. 419-436. 24. Leydesdorff L., Etzkowitz H. The triple helix as a model for innovation studies //Science and public policy. – 1998. – Т. 25. – №. 3. – С. 195-203. 25. Mensch G. Stalemate in technology: innovations overcome the depression. – New York : Ballinger, 1979. 26. Moser P. Innovation without Patents: Evidence from World’s Fairs //Journal of Law and Economics. – 2012. – Т. 55. – №. 1. – С. 43-74. 27. Nolan C. et al. Linking industry and occupation clusters in regional economic development //Economic Development Quarterly. – 2011. – Т. 25. – №. 1. – С. 26-35. 28. Porter M. E. Clusters and the new economics of competition. – Boston: Harvard Business Review, 1998. – Т. 76. – №. 6. – С. 77-90. 29. Rivera-Batiz L. A., Romer P. M. International trade with endogenous technological change //European Economic Review. – 1991. – Т. 35. – №. 4. – С. 971-1001. 81 30. Sala-i-Martin X. et al. The global competitiveness index 2011-2012: setting the foundations for strong productivity //The global competitiveness report. – 2011. – Т. 2012. 31. INSEAD A. L. Booz and Company, Confederation of Indian Industry, & WIPO. (2011). The global innovation index 2011: Accelerating growth and development. 32. Scoreboard I. U. The Innovation Union's performance scoreboard for Research and Innovation (2011) //The Maastricht Economic and social Research and training centre on Innovation and Technology (UNU-MERIT) with the contribution of DG JRC G3 of the European Commission. – 2010. 82 ПРИЛОЖЕНИЕ №1 РЕЙТИНГ ИННОВАЦИОННОГО РАЗВИТИЯ СУБЪЕКТОВ РФ - 2012 РЕЙТИНГ РЕГИОН ИНДЕКС 1 Москва 0.5850 2 Республика Татарстан 0.5606 3 Санкт-Петербург 0.5382 4 Нижегородская область 0.5006 5 Калужская область 0.4934 6 Чувашская Республика 0.4926 7 Свердловская область 0.4755 8 Томская область 0.4755 9 Московская область 0.4751 10 Ульяновская область 0.4661 11 Пермский край 0.4594 12 Новосибирская область 0.4584 13 Республика Башкортостан 0.4446 14 Красноярский край 0.4401 15 Пензенская область 0.4336 16 Челябинская область 0.4329 17 Ярославская область 0.4287 18 Республика Мордовия 0.4263 19 Тюменская область 0.4220 20 Самарская область 0.4134 21 Магаданская область 0.4117 22 Липецкая область 0.4104 23 Камчатский край 0.4061 24 Белгородская область 0.4042 25 Хабаровский край 0.4025 26 Воронежская область 0.3935 83 27 Ставропольский край 0.3914 28 Владимирская область 0.3909 29 Тверская область 0.3908 30 Волгоградская область 0.3882 31 Ленинградская область 0.3807 32 Кемеровская область 0.3765 33 Краснодарский край 0.3764 34 Республика Коми 0.3728 35 Саратовская область 0.3687 36 Иркутская область 0.3632 37 Ямало-Ненецкий автономный округ 0.3625 38 Ростовская область 0.3614 39 Алтайский край 0.3595 40 Мурманская область 0.3558 41 Республика Бурятия 0.3516 42 Оренбургская область 0.3493 43 Курская область 0.3487 44 Ивановская область 0.3464 45 Сахалинская область 0.3464 46 Ханты-Мансийский автономный округ 0.3453 47 Брянская область 0.3448 48 Астраханская область 0.3397 49 Рязанская область 0.3396 50 Курганская область 0.3380 51 Тульская область 0.3367 52 Приморский край 0.3349 53 Омская область 0.3315 54 Смоленская область 0.3308 55 Тамбовская область 0.3249 56 Забайкальский край 0.3240 84 57 Кировская область 0.3229 58 Архангельская область 0.3171 59 Новгородская область 0.3163 60 Вологодская область 0.3124 61 Орловская область 0.3097 62 Республика Северная Осетия–Алания 0.3045 63 Республика Марий Эл 0.2968 64 Амурская область 0.2925 65 Республика Хакасия 0.2917 66 Республика Саха — Якутия 0.2904 67 Удмуртская Республика 0.2892 68 Калининградская область 0.2871 69 Кабардино-Балкарская Республика 0.2771 70 Республика Тыва 0.2758 71 Республика Карелия 0.2755 72 Республика Дагестан 0.2715 73 Республика Адыгея 0.2654 74 Республика Алтай 0.2638 75 Карачаево-Черкесская Республика 0.2500 76 Ненецкий автономный округ 0.2376 77 Костромская область 0.2344 78 Псковская область 0.2324 79 Чукотский автономный округ 0.2282 80 Еврейская автономная область 0.1889 81 Республика Ингушетия 0.1854 82 Республика Калмыкия 0.1715 83 Чеченская Республика 0.1563 Источник: Исследование Высшей школы экономики: Рейтинг инновационного развития субъектов Российской Федерации 2012. [Электронный ресурс] // Центр гуманитарных технологий. URL: http://gtmarket.ru/news/2014/03/13/6628 85 ПРИЛОЖЕНИЕ №2 ОЦЕНКА НОРМАЛЬНОСТИ ИСД ОЦЕНКА НОРМАЛЬНОСТИ РАСПРЕДЕЛЕНИЯ ИСД ДЛЯ 83 РЕГИОНОВ РФ ПО МЕДИАНЕ И СРЕДНЕМУ ЗНАЧЕНИЮ Медиана ст. ошибка норм. медиана норм. X1 117 24 42 0 X35 201 48 70 0 X2 53 9 19 0 X36 4955 998 1783 0 X3 23 7 7 0 X37 180 55 54 0 X4 23704 1882 9253 0 X38 2661 298 1062 0 X5 130661 39591 44697 0 X39 927 81 373 0 X6 12165 1049 4787 0 X40 3567 370 1435 0 X7 1943 215 742 0 Y1 10 9 0 0 X8 5735 394 2214 0 Y2 1213431 238630 417284 0 X9 3882 318 1519 0 Y3 94946 10894 34703 0 X10 22857 1294 9033 0 Y4 1088707 216740 372652 0 X11 21395 1235 8472 0 Y5 87786 11716 30280 0 X12 30497166 4784051 10767718 0 Y6 124723 17394 47733 0 X13 11410248 992157 4097679 0 Y7 12116 545 4608 0 X14 12992908 2246399 4398128 0 Y8 6 4 1 0 X15 609002 40242 210118 0 Y9 7 5 1 0 X16 88726 19121 25927 0 Y10 6 3 1 0 X17 497576 42248 188352 0 Y11 957 165 359 0 X18 2088501 388209 631175 0 Y12 758 134 283 0 X19 165970 6538 64674 0 Y13 465 90 164 0 X20 126477 19079 39515 0 Y14 385 74 135 0 X21 2915406 301407 921200 0 Y15 6443 1819 2250 0 X22 827 37 318 0 Y16 54 17 16 0 X23 10059 677 3997 0 Z1 574 86 206 0 X24 2462 177 973 0 Z2 4698 1297 1637 0 X25 4035 218 1570 0 Z3 2231 606 778 0 X26 4012 259 1630 0 Z4 24844 21128 1108 0 X27 14104 705 5338 0 Z5 1514765 321992 535151 0 X28 3530 316 1398 0 Z6 263669 23932 99621 0 X29 4221 351 1770 0 Z7 4118554 899698 1423623 0 X30 1171 132 355 0 Z8 469873 143094 102987 0 X31 72 19 23 0 Z9 939790 161904 323031 0 X32 28949 26729 1132 1 Z10 332484 17871 115601 0 X33 1497 493 521 1 Z11 6909 2061 2419 0 X34 444 122 154 0 Z12 5460655 471015 2121215 0 расп. среднее ошибка среднее среднего код ст. код среднего расп. 86 ОЦЕНКА НОРМАЛЬНОСТИ РАСПРЕДЕЛЕНИЯ ИСД ДЛЯ 83 РЕГИОНОВ РФ ПО АССИМЕТРИИ И ЭКСЦЕССУ Код Асимметрия Стд.ош. Асимметрии Нормальность Эксцесс Стд.ош. Эксцесса Нормальность X1 7,296671 0,251342 0 59,70241 0,497711 0 X2 6,936237 0,251342 0 54,15493 0,497711 0 X3 6,920545 0,251342 0 54,16976 0,497711 0 X4 6,425745 0,251342 0 46,23947 0,497711 0 X5 7,608345 0,251342 0 64,38719 0,497711 0 X6 6,348428 0,251342 0 44,97003 0,497711 0 X7 6,550293 0,251342 0 48,03394 0,497711 0 X8 6,510165 0,251342 0 47,85784 0,497711 0 X9 6,410285 0,251342 0 46,00871 0,497711 0 X10 6,283246 0,251342 0 44,19622 0,497711 0 X11 6,272179 0,251342 0 43,95277 0,497711 0 X12 7,145753 0,251342 0 57,96873 0,497711 0 X13 6,367967 0,251342 0 46,51580 0,497711 0 X14 7,608804 0,251342 0 64,99707 0,497711 0 X15 5,460263 0,251342 0 32,43301 0,497711 0 X16 5,668684 0,251342 0 35,68247 0,497711 0 X17 6,134613 0,251342 0 41,23594 0,497711 0 X18 6,729737 0,251342 0 52,74563 0,497711 0 X19 5,643371 0,251342 0 33,92026 0,497711 0 X20 5,746458 0,251342 0 35,67446 0,497711 0 X21 6,489123 0,251342 0 48,72543 0,497711 0 X22 6,402916 0,251342 0 47,47213 0,497711 0 X23 6,242479 0,251342 0 43,44097 0,497711 0 X24 6,290848 0,251342 0 44,21510 0,497711 0 X25 6,403293 0,251342 0 46,44818 0,497711 0 X26 6,106289 0,251342 0 40,92164 0,497711 0 X27 6,296455 0,251342 0 45,05257 0,497711 0 X28 6,306011 0,251342 0 44,17531 0,497711 0 X29 5,951567 0,251342 0 37,99076 0,497711 0 X30 5,980203 0,251342 0 42,43776 0,497711 0 X31 7,506028 0,251342 0 63,01224 0,497711 0 X32 0,477610 0,251342 1 -0,18845 0,497711 1 X33 7,974454 0,251342 0 69,62230 0,497711 0 X34 8,008842 0,251342 0 70,29001 0,497711 0 X35 7,655037 0,251342 0 65,11578 0,497711 0 X36 6,920950 0,251342 0 53,97851 0,497711 0 X37 7,165787 0,251342 0 58,45932 0,497711 0 X38 6,255063 0,251342 0 43,13160 0,497711 0 X39 6,025633 0,251342 0 39,44650 0,497711 0 X40 6,195789 0,251342 0 42,16916 0,497711 0 Y1 1,131062 0,251342 0 2,09678 0,497711 0 Y2 7,516607 0,251342 0 63,78476 0,497711 0 87 Y3 6,922920 0,251342 0 54,87745 0,497711 0 Y4 7,541634 0,251342 0 64,16869 0,497711 0 Y5 6,902846 0,251342 0 54,69115 0,497711 0 Y6 6,555265 0,251342 0 47,99157 0,497711 0 Y7 6,442559 0,251342 0 46,84074 0,497711 0 Y8 3,491963 0,251342 0 18,86382 0,497711 0 Y9 3,518080 0,251342 0 19,06426 0,497711 0 Y10 2,156830 0,251342 0 5,61977 0,497711 0 Y11 6,656786 0,251342 0 49,18841 0,497711 0 Y12 6,582201 0,251342 0 48,06636 0,497711 0 Y13 6,889882 0,251342 0 53,63499 0,497711 0 Y14 6,912246 0,251342 0 54,07486 0,497711 0 Y15 7,398514 0,251342 0 61,07003 0,497711 0 Y16 7,148860 0,251342 0 58,88915 0,497711 0 Z1 6,957976 0,251342 0 55,10655 0,497711 0 Z2 7,899022 0,251342 0 68,59927 0,497711 0 Z3 7,852872 0,251342 0 67,91739 0,497711 0 Z4 1,933933 0,251342 0 3,48323 0,497711 0 Z5 7,286340 0,251342 0 59,74939 0,497711 0 Z6 6,340205 0,251342 0 45,56465 0,497711 0 Z7 7,350661 0,251342 0 61,10054 0,497711 0 Z8 4,711638 0,251342 0 26,87826 0,497711 0 Z9 6,071774 0,251342 0 39,64656 0,497711 0 Z10 6,003826 0,251342 0 42,11116 0,497711 0 Z11 8,001683 0,251342 0 70,43480 0,497711 0 Z12 5,864269 0,251342 0 36,88902 0,497711 0 88 ПРИЛОЖЕНИЕ №3 КОРРЕЛЯЦИОННЫЕ ТАБЛИЦЫ Шкала Чеддока. Количественная мера тесноты Качественная характеристика силы связи связи 0,1 - 0,3 Слабая 0,3 - 0,5 Умеренная 0,5 - 0,7 Заметная 0,7 - 0,9 Высокая 0,9 - 0,99 Весьма высокая КОРРЕЛЯЦИОННАЯ ТАБЛИЦА ДЛЯ РАССМАТРИВАЕМЫХ РЕЗУЛЬТИРУЮЩИХ ПОКАЗАТЕЛЕЙ ИННОВАЦИОННОГО РАЗВИТИЯ РФ Y1 Y3 Y11 Y12 Y13 Y14 Y15 Y16 X1 0,43 0,78 0,91 0,97 0,98 0,97 0,52 0,91 X2 0,51 0,75 0,87 0,97 0,95 0,94 0,42 0,94 X3 0,66 0,61 0,69 0,86 0,82 0,83 0,19 0,92 X4 0,32 0,84 0,91 0,88 0,95 0,93 0,69 0,80 X5 0,52 0,59 0,30 0,34 0,47 0,49 0,70 0,48 X6 0,42 0,84 0,91 0,93 0,96 0,95 0,59 0,87 X7 0,02 0,68 0,89 0,80 0,87 0,85 0,72 0,63 X8 0,31 0,86 0,84 0,78 0,88 0,86 0,79 0,72 X9 0,18 0,77 0,91 0,84 0,92 0,89 0,69 0,72 X10 0,32 0,87 0,89 0,88 0,93 0,92 0,69 0,81 X11 0,31 0,86 0,91 0,89 0,94 0,93 0,67 0,81 X12 0,19 0,61 0,41 0,37 0,39 0,40 0,40 0,35 X13 0,34 0,88 0,86 0,82 0,90 0,88 0,74 0,74 89 X14 0,47 0,41 -0,02 0,03 0,19 0,22 0,49 0,26 X15 0,26 -0,10 -0,30 -0,28 -0,26 -0,26 -0,08 -0,19 X16 0,35 0,13 -0,22 -0,21 -0,16 -0,19 0,20 -0,14 X17 -0,21 0,51 0,75 0,59 0,68 0,65 0,73 0,37 X18 0,33 0,75 0,60 0,56 0,62 0,60 0,74 0,43 X19 0,63 0,63 0,14 0,18 0,34 0,36 0,64 0,40 X20 -0,28 0,47 0,72 0,53 0,62 0,59 0,70 0,30 X21 -0,11 -0,07 -0,06 -0,05 -0,03 -0,01 0,20 0,00 X22 0,54 0,82 0,74 0,85 0,85 0,88 0,37 0,90 X23 0,36 0,86 0,90 0,90 0,95 0,94 0,66 0,83 X24 0,36 0,86 0,90 0,90 0,95 0,94 0,66 0,83 X25 0,34 0,88 0,88 0,87 0,91 0,90 0,70 0,82 X26 0,06 0,75 0,91 0,81 0,86 0,84 0,68 0,64 X27 0,39 0,89 0,88 0,89 0,94 0,94 0,65 0,86 X28 0,09 0,69 0,91 0,84 0,89 0,87 0,66 0,69 X29 0,15 0,80 0,92 0,81 0,87 0,84 0,68 0,64 X30 0,05 0,03 -0,06 0,00 0,13 0,18 0,13 0,11 X31 -0,01 -0,08 -0,15 -0,10 0,04 0,09 0,04 0,01 X32 0,30 0,46 0,15 0,18 0,31 0,32 0,50 0,32 X33 -0,16 0,42 0,54 0,42 0,49 0,49 0,74 0,25 X34 0,04 0,63 0,75 0,67 0,77 0,77 0,81 0,54 X35 0,66 0,68 0,70 0,86 0,85 0,86 0,32 0,92 X36 0,68 0,63 0,67 0,85 0,81 0,81 0,15 0,91 X37 0,68 0,58 0,58 0,79 0,73 0,73 0,05 0,89 X38 0,40 0,77 0,91 0,96 0,97 0,96 0,50 0,91 X39 0,46 0,77 0,88 0,96 0,96 0,95 0,46 0,93 X40 0,41 0,77 0,90 0,96 0,97 0,96 0,49 0,91 Y1 1,00 0,61 0,19 0,39 0,40 0,41 0,19 0,58 Y2 0,38 0,75 0,71 0,76 0,81 0,82 0,68 0,74 90 Y3 0,61 1,00 0,73 0,74 0,79 0,79 0,70 0,74 Y4 0,33 0,70 0,65 0,70 0,76 0,77 0,69 0,68 Y5 0,64 0,98 0,65 0,69 0,76 0,77 0,73 0,74 Y6 0,54 0,83 0,86 0,91 0,88 0,87 0,41 0,86 Y7 0,31 0,77 0,79 0,69 0,67 0,63 0,41 0,52 Y8 0,56 0,64 0,20 0,17 0,22 0,21 0,40 0,23 Y9 0,64 0,72 0,23 0,24 0,32 0,32 0,50 0,36 Y10 -0,12 -0,22 -0,28 -0,39 -0,43 -0,47 -0,32 -0,48 Y11 0,19 0,73 1,00 0,92 0,92 0,89 0,51 0,71 Y12 0,39 0,74 0,92 1,00 0,95 0,95 0,40 0,88 Y13 0,40 0,79 0,92 0,95 1,00 0,99 0,58 0,89 Y14 0,41 0,79 0,89 0,95 0,99 1,00 0,57 0,91 Y15 0,19 0,70 0,51 0,40 0,58 0,57 1,00 0,40 Y16 0,58 0,74 0,71 0,88 0,89 0,91 0,40 1,00 Z1 -0,13 -0,22 -0,10 -0,10 -0,15 -0,15 -0,18 -0,10 Z2 0,14 0,71 0,84 0,79 0,88 0,87 0,80 0,67 Z3 0,29 0,77 0,83 0,82 0,90 0,90 0,78 0,74 Z4 0,18 0,63 0,80 0,84 0,82 0,81 0,44 0,75 Z5 0,25 0,72 0,88 0,89 0,91 0,90 0,63 0,78 Z6 0,52 0,65 0,72 0,84 0,77 0,75 0,25 0,80 Z7 0,16 0,70 0,80 0,77 0,84 0,83 0,78 0,66 Z8 0,12 0,70 0,82 0,77 0,85 0,84 0,81 0,65 Z9 0,13 0,70 0,89 0,85 0,92 0,90 0,71 0,72 Z10 -0,07 -0,18 -0,21 -0,14 -0,26 -0,26 -0,23 -0,22 Z11 0,50 0,67 0,75 0,87 0,80 0,80 0,33 0,85 Z12 0,42 0,69 0,74 0,87 0,89 0,92 0,44 0,91 91 ПРИЛОЖЕНИЕ №4. СТАТИСТИКИ ПРОЦЕДУР СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ (НА ПРИМЕРЕ КЛАСТЕРА С Г. САНКТ-ПЕТЕРБУРГ) СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ РЕГРЕССИИ ДЛЯ Y1 Beta Std.Err. B of Beta X1 1,80130 2,54231 Std.Err. t(4) p-level |e| of B 11,55393 1,825023 6,3308 0,003186 0,06035 0,085179 0,7085 0,517725 X2 -8,09490 2,86277 -0,60480 0,213887 -2,8276 0,047458 X3 3,23011 2,63151 0,71807 0,584999 1,2274 0,286943 X5 -0,57577 1,90062 -0,00003 0,000107 -0,3029 0,777039 X6 5,15271 3,31207 0,00116 0,000747 1,5557 0,194752 X14 -1,50369 0,57864 -0,0000004 0,0000002 0,0000 0,060133 X19 2,15254 2,10075 0,000132 0,000130 1,0246 0,363447 X27 -2,66972 1,68375 -0,00048 0,000301 -1,5855 0,188018 X35 -0,79775 1,79061 -0,02773 0,062253 -0,4455 0,678995 X36 1,04909 4,30778 0,00088 0,003627 0,2435 0,819571 X37 -1,73925 0,72086 -0,03628 0,015036 -2,4127 0,073337 X39 9,63868 7,99345 0,03608 0,029924 1,2058 0,294333 X40 -9,32221 10,02468 -0,00848 0,009114 -0,9299 0,405048 Z6 0,84336 1,16662 0,000019 0,000026 0,7229 0,509742 Z11 0,91662 0,69165 0,00118 0,000892 1,3252 0,255717 Z12 0,58719 0,44796 0,0000007 0,000001 1,3108 0,260112 1,82 0,75 1,24 0,45 0,59 0,64 0,35 0,35 0,32 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y3 Beta Std.Err. B of Beta Intercept Std.Err. t(5) p-level |e| of B -44435,7 22146,19 -2,00647 0,101100 X1 5,4387 3,52251 3534,0 2288,91 1,54398 0,183246 5,14949 X4 -13,4122 5,15452 -29,2 11,23 -2,60203 0,048131 11,4212 X6 2,8500 4,14397 12,5 18,15 0,68774 0,522212 X8 4,0882 1,64972 35,6 14,37 2,47811 0,055971 3,71095 X10 18,8546 11,77838 41,9 26,15 1,60078 0,170324 15,0525 X11 -16,9040 8,82000 -40,5 21,11 -1,91655 0,113429 13,2685 92 X13 -0,6925 1,27234 X22 0,9537 0,40857 X23 0,5862 5,53868 X24 2,4493 7,53393 X25 1,2734 1,52975 X27 -4,3244 X29 -0,004 0,01 -0,54427 0,609641 19,18 2,33415 0,066865 3,0 27,96 0,10584 0,919828 52,0 160,10 0,32510 0,758266 17,0 20,38 0,83241 0,443104 5,17493 -15,0 17,97 -0,83565 0,441444 1,7662 1,43903 22,5 18,32 1,22732 0,274331 1,14347 X38 25,2509 12,50259 589,1 291,67 2,01965 0,099415 17,859 X40 -26,8969 13,18990 -475,8 233,31 -2,03920 0,096967 18,7101 Z3 -0,0457 0,63088 -3,8 52,75 -0,07240 0,945092 44,8 0,59070 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y11 Beta Std.Err. B of Beta Intercept Std.Err. t(5) p-level |e| of B -192,01268 260,82049 -0,7361871 0,4946831 X1 1,9573137 2,5701841 12,48462 16,393781 0,7615461 0,4806875 X4 4,017063 2,6020539 0,0859142 0,0556509 1,5438047 0,1832871 3,4909282 X6 -3,5372827 3,1911647 -0,1520587 0,13718 -1,1084613 0,3181129 2,9815491 X7 -0,0869588 0,9539824 -0,0226193 0,2481452 -0,0911535 0,9309098 X9 -0,3630463 1,6205494 -0,0406847 0,1816066 -0,2240267 0,8316028 X10 -13,132748 5,7656208 -0,2861877 0,1256439 -2,2777682 0,0717381 10,699632 X11 13,526414 6,798062 0,3178527 0,1597454 1,9897456 0,1032836 10,835223 X23 4,2725721 5,1758297 0,2116999 0,2564551 0,8254855 0,4466792 X24 -4,1112609 5,1313697 -0,8575855 1,0703743 -0,8012015 0,4593788 X26 0,343968 1,6218934 0,0396337 0,1868827 0,2120781 0,8404204 X28 -1,4212567 1,3806935 -0,2326716 0,226031 -1,0293788 0,3504986 X29 0,1081247 1,0277273 0,0135151 0,1284612 0,1052076 0,9203013 X38 10,141085 12,788259 2,3222798 2,9284751 0,7929997 0,4637281 X40 -10,605505 12,675594 -1,841493 2,2009341 -0,836687 0,4409108 Z5 0,3170133 0,6087001 0,0002863 0,0005497 0,5208038 0,6247368 Z9 -0,6096717 1,1964837 -0,0003091 0,0006065 -0,5095529 0,6320509 0,9382385 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y12 Beta Std.Err. of Beta Intercept B -31,9070 Std.Err. of B 54,99399 t(4) -0,58019 p-level |e| 0,592900 X1 -0,4806 2,0870 -1,8683 8,11298 -0,23028 0,829172 X2 0,9396 1,7449 8,1447 15,12575 0,53847 0,618821 X3 -0,1389 0,4065 -3,5824 10,48595 -0,34164 0,749816 X4 -3,8416 1,0675 -0,0500 0,01389 -3,59886 0,022781 0,00011 3,002208 X6 3,9133 2,8990 0,1024 0,07589 1,34989 0,248382 X10 -0,3575 6,8455 -0,0047 0,09063 -0,05222 0,960858 X11 0,6023 4,3059 0,0086 0,06144 0,13988 0,895516 93 X23 -3,4606 3,1029 -0,1042 0,09340 -1,11528 0,327211 X24 4,7355 4,9051 0,6001 0,62162 0,96541 0,389010 X27 -0,9822 1,3312 -0,0204 0,02759 -0,73783 0,501559 X38 -57,4204 141,5746 -7,9897 19,69913 -0,40558 0,705805 X39 -24,3781 46,0339 -10,5889 19,99532 -0,52957 0,624440 X40 80,9994 186,9466 8,5444 19,72058 0,43328 0,687156 Z5 0,4035 0,3886 0,00023 0,00022 1,03823 0,357799 Z11 0,0995 0,2458 0,0149 0,03680 0,40485 0,706302 Z12 0,2183 0,1810 0,000031 0,000026 1,20612 0,294230 2,46939 0,478123 0,164701 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y13 Beta Std.Err. B Std.Err. of Beta Intercept t(5) p-level 0,50472 0,635207 |e| of B 37,6118 74,51996 X1 0,793 1,3016 2,9339 4,81383 0,60948 0,568836 X2 1,037 0,4843 8,5524 3,99522 2,14065 0,085247 0,836363 X4 2,215 1,5413 0,0275 0,01911 1,43714 0,210181 1,971123 X6 -3,484 1,7057 -0,0868 0,04252 -2,04234 0,096581 3,00676 X9 -0,249 0,5320 -0,0162 0,03457 -0,46764 0,659713 X10 -1,331 3,4363 -0,0168 0,04342 -0,38747 0,714356 X11 1,265 2,4073 0,0172 0,03280 0,52536 0,621790 X23 3,551 2,1594 0,1020 0,06204 1,64463 0,160965 2,858013 X24 -2,845 2,7252 -0,3442 0,32961 -1,04411 0,344261 2,36753 X25 -1,141 0,5227 -0,0865 0,03963 -2,18234 0,080874 1,02604 X27 1,554 1,0274 0,0307 0,02031 1,51256 0,190801 1,343662 X38 88,112 124,3968 11,6995 16,51744 0,70831 0,510396 X39 28,387 40,3400 11,7747 16,73237 0,70371 0,513026 X40 -116,762 164,3995 -11,7556 16,55171 -0,71023 0,509302 Z5 0,056 0,1978 0,000030 0,00010 0,28514 0,786972 94 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y14 Beta Std.Err. B Std.Err. of Beta t(5) p-level |e| of B Intercept -176,636 88,70658 -1,99123 0,103087 X1 1,8208 1,5699 5,515 4,75485 1,15978 0,298505 1,765251 X2 -0,9344 0,8527 -6,312 5,76024 -1,09580 0,323119 0,73859 X4 -1,3093 1,7304 -0,013 0,01757 -0,75666 0,483359 X6 -0,3177 1,9229 -0,006 0,03925 -0,16522 0,875244 X10 1,5473 5,2008 0,016 0,05382 0,29751 0,778041 X11 -0,2581 3,5340 -0,003 0,03943 -0,07302 0,944621 X23 3,4276 2,5268 0,081 0,05945 1,35648 0,232979 2,702797 X24 -4,4504 3,5285 -0,441 0,34949 -1,26128 0,262852 0,00131 X27 0,1703 1,5787 0,003 0,02555 0,10787 0,918293 X38 21,2173 146,1343 2,307 15,89017 0,14519 0,890232 X39 5,8640 47,2182 1,992 16,03888 0,12419 0,906003 X40 -25,8162 192,8748 -2,129 15,90232 -0,13385 0,898742 Z3 1,0598 0,4536 0,413 0,17678 2,33636 0,066681 1,991019 Z5 -0,9268 0,4094 -0,00040 0,00018 -2,26385 0,072998 1,1894 Z9 -0,1159 0,3993 -0,000028 0,00010 -0,29017 0,783338 Z12 0,0558 0,1381 0,000006 0,00002 0,40448 0,702579 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y15 Beta Std.Err. B Std.Err. of Beta Intercept t(5) p-level |e| of B 1768,466 2370,163 0,74614 0,489158 X5 0,82552 0,396093 0,062 0,030 2,08416 0,091577 1,180178 X7 -2,10628 0,692769 -3,981 1,309 -3,04037 0,028739 1,4323 X8 1,05760 1,440002 0,657 0,895 0,73444 0,495655 X9 0,46152 1,849100 0,376 1,506 0,24959 0,812834 X13 -0,05540 0,640888 -0,00002 0,00024 -0,08644 0,934473 0,0003 0,0012 0,25157 0,811384 X18 0,09158 0,364043 X20 -0,53406 1,889645 -0,009 0,032 -0,28263 0,788790 X25 0,15682 0,566560 0,149 0,538 0,27680 0,793015 X29 0,38524 1,499352 0,350 1,362 0,25694 0,807464 X33 0,31226 0,273270 4,338 3,796 1,14268 0,304920 X34 2,84580 4,001693 82,917 116,597 0,71115 0,508782 Z2 0,86535 2,594460 2,234 6,697 0,33354 0,752262 Z3 -4,09812 3,546606 -24,443 21,153 -1,15550 0,300099 6,33825 Z7 -2,08707 1,257977 -0,007 0,004 -1,65907 0,157998 2,3716 Z8 0,91603 1,082363 0,012 0,014 0,84632 0,435993 Z9 2,24403 2,143843 0,0083 0,0079 1,04673 0,343163 0,627342 1,462808 95 СТАТИСТИКА ПРОЦЕДУРЫ СТАНДАРТНОЙ ЛИНЕЙНОЙ РЕГРЕССИИ ДЛЯ Y16 Beta Std.Err. B Std.Err. of Beta Intercept t(4) p-level |e| of B 4,13202 39,77630 0,10388 0,922264 X1 0,8570 1,2189 0,55036 0,78280 0,70306 0,520782 X2 -3,5079 2,3871 -5,02351 3,41849 -1,46951 0,215632 X3 1,8702 2,2713 7,96913 9,67818 0,82341 0,456534 X6 2,8252 3,6405 0,01222 0,01574 0,77605 0,481047 X10 0,6357 4,0100 0,00139 0,00877 0,15853 0,881719 X22 -0,3827 0,7594 -0,01767 0,03507 -0,50395 0,640787 X23 -4,5999 6,4500 -0,02287 0,03207 -0,71316 0,515145 X25 -0,1789 1,6723 -0,00234 0,02186 -0,10697 0,919965 X27 2,7408 3,4892 0,00939 0,01195 0,78553 0,476060 X35 -0,7342 1,6958 -0,48926 1,13009 -0,43293 0,687384 X37 -0,1220 0,5379 -0,04878 0,21505 -0,22683 0,831674 X38 -98,7010 297,4561 -2,26879 6,83747 -0,33182 0,756685 X39 -29,0446 96,7979 -2,08414 6,94588 -0,30005 0,779083 X40 128,7849 393,9407 2,24428 6,86505 0,32691 0,760124 Z11 0,0750 0,3446 0,00185 0,00852 0,21748 0,838479 Z12 0,4046 0,3569 0,000010 0,000008 1,13375 0,320241 3,14508 0,381445 96