Каждый шаг включает в себя три критерия для анализа социально-экономической стратегии региона. Кроме того, каждый критерий включает подкритерии, которые позволяют эксперту максимально точно выставить балл. За каждый критерий регион может получить «0», «0,5» или «1». Система баллов была разработана для того, чтобы составить рейтинг регионов РФ и использовать полученные данные в качестве данных для дальнейшего статистического анализа. Также дополнительно к каждому подкритерию предоставляется пространство для комментариев, где накапливается информация из стратегии.

Подводя итог, методология «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации» предлагает поэтапный анализ стратегии региона по обеспечению соответствия ключевых элементов концепции умной специализации. Как уже упоминалось ранее, умная специализация охватывает ряд существенных элементов, которые были отражены в предлагаемой методологии. Таким образом, методология содержит тщательный анализ сильных сторон и сравнительных преимуществ региона, предпринимательской активности и межрегионального сотрудничества (первый шаг). Также она подчеркивает важность сотрудничества бизнес сектора, государства, институтов, исследовательских центров и гражданского общества (второй шаг). Дает информацию об инфраструктуре и устанавливает общее видение региона (третий шаг). С помощью данной методологии становится возможно выявить приоритеты и цели национальной и региональной политики (четвертый шаг); оценить вспомогательные меры, планирование (пятый шаг), а также гибкость, мониторинг и оценку стратегии (шестой шаг). Дополнительно, методология включает в себе различные методы и элементы прогнозирования, а именно ряд качественных и полуколичественных методов прогнозирования, таких как SWOT-анализ (первый шаг), экспертные панели (второй этап), сценарный анализ (третий этап) и дорожные карты (пятый этап). Кроме того, одним из ключевых элементов предвидения является установление приоритетов, что подчеркивается на четвертом шаге методологии.



Таблица 6. Суммарные баллы за критерии для всех регионов РФ

Баллы	Показатель
72	Мониторинг реализации стратегии
67	Выявление приоритетов
67	Рамочные условия
66,5	Ресурсы региона
65,5	Показатели результативности
63	Баланс мер
63	Обновление стратегии
61,5	Предпринимательская среда
60,5	Внешняя среда
54,5	Сценарный анализ
52	Развернутое представление об инновациях
51,5	Дорожные карты
50,5	Наличие критической массы
47,5	Менеджмент и коммуникации
35	Структуры управления
33	Согласованность
31	Широкий круг стейкхолдеров
24,5	Ответ на глобальные вызовы

Анализ стратегий показал, что максимальное число баллов у Республики Чувашия (16 из 18), а наименьшее - у Чукотского автономного округа (4,5 из 18). В Сибирском федеральном округе были представлены самые лучшие стратегии, а самые худшие - в Северо-Кавказском федеральный округе. Этот вывод соответствует показателям инновационной деятельности и общему экономическому развитию федеральных округов. В таблице 6 показано, что наименьшее влияние уделяется анализу ответов на глобальные вызовы и определению круга стейкхолдеров. Также слабо учитывается согласованность региональной стратегии с федеральными приоритетами, то есть это говорит о слабой связи регионов и страны в целом.

Следовательно, можно заключить, что качественное стратегическое планирование развития региона сильно влияет на социально-экономическую сферу данного региона. Для более детального изучения полученных теоретических результатов в следующей главе буду применены различные статистические методы анализа, а именно кластерный анализ, построение моделей бинарного выбора (probit-, logit-, gompit-) и анализ по панельным данным. Стоит заметить, что начальный этап исследования выявил зависимость двух рассматриваемых сфер и их влияние друг на друга, однако важно доказать их связь при помощи статистического анализа. Предварительное исследование показало, что Россия занимает приблизительно одинаковые позиции в инновационных и социально-экономических рейтингах. Наблюдается существенное отставание от развитых европейских стран, занимающих топовые позиции рейтингов. Было выявлено, что негативно на развитие страны влияет низкая ожидаемая продолжительность жизни мужчин, нестабильная экономическая ситуация, вмешательство государства в развитие инновационного и экономического секторов, а также низкие затраты на НИОКР со стороны частного сектора. Также методология «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации» выявила несогласованность стратегий многих регионов с общей стратегией развития России. Следовательно, для более полного исследования поставленной цели, необходимо провести анализ на уровне регионов страны, так как это позволит выявить дифференциацию между ними. Описанные выше анализы позволят выявить наиболее значимые факторы, влияющие на развитие государства.



3. Эконометрический анализ взаимосвязи инноваций и социально-экономического развития регионов России

3.1 Исследование дифференциации регионов России по уровню социально-экономичного планирования развития

инновационный экономический активность регион

Для того чтобы понять, присутствует ли связь между инновациями и социально-экономическими показателями развития в регионах, нужно на начальном этапе анализа систематизировать регионы по уровню социально-экономического планирования. Основываясь на баллах, полученных по «Критерию оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации», возможно представить, как распределены регионы по уровню социально-экономического планирования развития. Для разделения регионов РФ на несколько кластеров, которые отличаются по уровню стратегического социально-экономического планирования, будет использоваться кластерный анализ. Кластерный анализ предназначен для объединения объектов в группы так, чтобы в одну группу попадали максимально похожие объекты, а объекты различных групп максимально отличались друг от друга. Существует различные методы множественной кластеризации для определения расстояния между объектами. В данной работе будет использоваться метод k-средних. Основная идея этого метода состоит в разбиении объектов N на заранее известное число кластеров k с минимизацией суммы внутриклассовых дисперсий [9].

Механизм метода заключается в том, что в ходе итераций происходит перевычисление центра масс для каждого кластера, который был получен на предыдущем шаге. Данный алгоритм завершается, когда кластеры перестают изменяться. У метода k-средних есть недостатки, и один из них заключается в том, что изначально должно быть известно число кластеров. Следовательно, чтобы получить предположительное число кластеров, будут использоваться иерархические методы.

Для анализа было взято 7 переменных, 6 из которых являются суммарными баллами по каждому шагу (всего 6 шагов), которые были выставлены регионам по методу умной специализации, а также данные по доходам консолидированных бюджетов 82 регионов РФ, взятые из каталога публикаций Росстата за 2015 год. Стоит отметить, что данные по доходам были прологарифмированы для приведения выборки к логнормальному распределению. В анализе не участвует Рязанская область, так как у этого региона не представлена социально-экономическая стратегия. Также, основываясь на результатах ящичковой диаграммы, из анализа был исключен город Москва, так как доходы в данном городе являются аномально высокими (Приложение 4, рис. П1) и существенно искажают итоги анализа.

Для выполнения основной предпосылки анализа, необходимо, чтобы между переменными была слабая корреляционная связь. В приложение 4 (табл. П5) представлена матрицу парных коэффициентов корреляций изучаемых показателей, подтверждающая выполнение выше указанной предпосылки. Далее, данные были простандартизированы (z-преобразование) в связи с тем, что наблюдения измерены в разных типах шкал.

Чтобы определить, распадаются ли выбранные данные на естественные кластеры, было произведено разбиение объектов на кластеры по методам ближнего соседа, дальнего соседа, центроидной кластеризации и методу Варда, где в качестве меры был выбран квадрат расстояния Евклида. Особенность данного расстояния состоит в том, что оно придает большие веса более отдаленным друг от друга объектам [9].

(3.1)

Методы ближнего и дальнего соседа, а также метод центроидной кластеризации не дали объективной информации о количестве кластеров. Следовательно, основываясь на дендрограмме с использованием метода Варда (Приложение 4, рис. П2), было решено разбить данные на два кластера. Можно отметить, что этот метод имеет существенное отличие от других методов, так как для оценки расстояний между кластерами он основывается на дисперсионном анализе. Формируя кластеры, он минимизирует сумму квадратов для двух возможных кластеров.

Затем был применен метод k-средних для того, чтобы проверить выдвинутое предположение о числе кластеров и оценить различие между двумя группами. В ППП SPSS были найдены конечны центры кластеров (таблица 7) и по этим средним значениям показателей в кластерах для наглядности был построен график (рис. 8).

Таблица 7. Среднее значение переменных в кластере

	Кластер
	1	2
Шаг 1	0,46036	-0,69540
Шаг 2	0,19776	-0,27924
Шаг 3	0,32967	-0,52820
Шаг 4	0,52472	-0,76402
Шаг 5	0,37983	-0,58106
Шаг 6	0,31424	-0,48907
Доход	0,00403	-0,12166

По графику видно, что значения средних существенно разнятся, следовательно, можно не проверять гипотезу о равенстве средних значений в кластерах.



Рис. 8. Средние значения переменных в кластерах, полученные методом k-средних

Согласно приведенному в таблице 8 дисперсионному анализу на уровне значимости 95% значимы все показатели. Наибольший вклад в кластерный и дисперсионный анализ вносят 2-ой и 3-ий шаги и показатель доходов регионов.

Таблица 8. Дисперсионный анализ

	Кластер	Ошибка	F	Значимость
	Средний квадрат	Средний квадрат
Шаг 1	5,213	0,286	18,223	0,000
Шаг 2	7,260	0,521	13,947	0,000
Шаг 3	2,264	0,495	4,572	0,036
Шаг 4	6,951	0,316	21,977	0,000
Шаг 5	2,069	0,290	7,138	0,009
Шаг 6	12,429	0,477	26,075	0,000
Доход	13,235	0,487	27,200	0,000

В первый кластер вошло 49 регионов, а во второй - 33. Состав кластеров представлен в приложении 4 (табл. П6). Согласно рисунку 8, к первому кластеру относятся регионы с высокими показателями, характеризующими стратегическое социально-экономическое планирование региона. Следовательно, по всем 6 шагам (анализ регионального контекста, управление, формирование общего видения, приоритеты, комплекс мер политики, мониторинг и оценка) и доходам консолидированного бюджета выделенные 49 регионов превосходят оставшиеся 33. Яркими представителями первого кластера являются Владимирская область, Калужская область, Новосибирская область, Республика Чувашия, так как у них минимальное расстояние от центра кластера. Республика Крым также находится в первом кластере. Можно заключить, что в этой группе находятся преимущественно богатые регионы с качественной социально-экономической стратегией.

Второй кластер представляют регионы с низкими показателями, характеризующими стратегическое планирование развития. Наиболее яркими представителями этого кластера являются Кабардино-Балкарская Республика, Республика Марий Эл, Смоленская область и Ямало-Ненецкий автономный округ. В данном кластере преобладают регионы с маленькими доходами и менее качественно проработанными стратегиями развития.

Рис. 9. Распределение регионов РФ по кластерам, метод k-средних

На рисунке 9 ярко выражено, что в России больше регионов с высоким уровнем стратегического социально-экономического планирования развития, чем с низким. Стоит отметить, что почти весь Северо-Кавказский федеральный округ и большая часть Дальневосточного федерального округа попали во второй кластер. Для остальных регионов не наблюдается зависимость от географического положения. По всем семи показателям регионы из первого кластера значимо опережают регионы из второго. Это свидетельствует о том, что в стране есть явные регионы-лидеры и регионы-аутсайдеры. Причиной такой дифференциации может быть неграмотная специализация регионов и неверный выбор приоритетов развития, а также разный уровень разработки стратегий развития. Низкий уровень экономической деятельности также может влиять на развитие региона. Нежелание регионов-аутсайдеров внедрять новые технологии и методы может повлиять на выпуск производимых товар и услуг, а также на объем экспортируемой продукции, и, как следствие, на доходы субъектов РФ. Данная гипотеза будет проверена в дальнейшем с помощью регрессионного анализа по панельным данным.

3.2 Моделирование взаимосвязи инновационных показателей и экспорта технологий в России на основе панельных данных

В данной главе будет изучаться влияние показателей, связанных с инновациями, на объем экспорта технологий и услуг технического характера с использованием панельных данных. Изучение данного вопроса крайне актуально, так как в настоящее время Россия совершает переход от сырьевой модели экономики к новой, инновационной. Важно понять, что именно стимулирует экспорт технологий в России и проверить, позволяют ли инновации регионам РФ выйти на внешний рынок при условии, что нововведения способствуют общей производительности и сокращают издержки.

Анализ будет проводиться на панельных данных. Панельные данные, в свою очередь, сочетают в себе как данные пространственного типа, так и данных типа временных рядов [13]. Такая структура данных позволяет построить более содержательные модели, чем, например, при использовании только временных рядов или только пространственных данных. Основные преимущества панельных данных:

1) Увеличивается число наблюдений, уменьшается зависимость между объясняющими переменными и, следовательно, снижаются стандартные ошибки оценок;

2) Предотвращается смещение агрегированности;

3) Нивелируются ошибки спецификации при отсутствии существенных факторов в модели;

4) Предоставляется возможность проследить за изменениями характеристик во времени [17].

В данном анализе будут построены три статические модели с обычными количественными регрессорами:

· Общая модель регрессии (Pooled-модель);

· Модель с фиксированными эффектами (FE-модель);

· Модель со случайными эффектами (RE-модель).

Общая модель регрессии или, ее еще называют, модель сквозной регрессии в компонентной записи выглядит следующим образом [17]:

(3.2)

где - вектор-строка значений зависимых переменных;

a и вектор-столбец b - коэффициенты модели (одинаковые для всех наблюдений);

- нормальные остатки, которые удовлетворяют условия классической линейной регрессии, а также не коррелируют с .

Данная модель является ограничительной, так как выдвигаются ограничения относительно переменных, то есть, предполагается, что других переменных для анализа, кроме выбранных, не существует. Это предположение не является реалистичным, следовательно, общая модель регрессии имеет теоретический характер. Также особенность этой модели в том, что всем объектам выборки приписывается одинаковое поведение.

Модель с фиксированными эффектами имеет следующий вид [17]:

(3.3)

FE-модель имеет те же предпосылки что и Pooled-модель, однако на нее накладывается новое условие на параметр - индивидуальный эффект i-го объекта. Данный параметр учитывает пропущенные или ненаблюдаемые регрессоры в модели, которые коррелируют с переменными, включенными в регрессию. Он не меняется со временем. Стоит отметить, что эта модель более гибкая, чем общая модель, так как в ней учитывается гетерогенность для каждого объекта выборки.

RE-модель в матричной форме представлена ниже [17]:

y = Xb +u (3.4)

где ;

X - детерминированная матрица регрессоров;

u - нормально распределённые остатки;

E(u) = 0, поскольку E(б) = 0, E(е) = 0;

;

.

Как и в предыдущей модели, показывает влияние ненаблюдаемых переменных, но в данной модели эти индивидуальные особенности имеет случайный характер. Другими слова, предполагается, что существуют еще другие регрессоры, которые не коррелируют с включенными в модель переменными. Модель со случайными эффектами представляет собой компромисс между первой и второй моделями: она не такая ограничительная как первая и позволяет получить более значимые оценки, чем модель с фиксированными эффектами.

Для проведения анализа были взяты данные из Росстата за три года с 2013 по 2015 гг. для 42 регионов РФ. Были выбраны не все регионы, так как по многим из них информация была недоступна или засекречена. Зависимой переменной выступает объем экспорта технологий и услуг технического характера, а также в исследование включены 6 независимых переменных, представленные в приложении 5 (табл. П7).

Перед тем, как начинать строить модели по панельным данным, необходимо рассчитать описательные статистики и построить гистограмму по данным зависимой переменной для 2013 и 2015 гг. Для выбранных переменных были построены ящичковые диаграммы (Приложение 5, рис. П3), которые выявили, что города Москва, Санкт-Петербург и Мурманская область являются выбросами в данных выборках, следовательно, они были исключены из анализа.

Таблица 9. Описательные статистики

Статистики	у2013	у2015
N	Валидные	39	39
	Пропущенные	0	0
Среднее	6813,046	7680,297
Медиана	2673,7	2408,9
Мода	9,6	6
Среднеквадратическое отклонение	8886,394	10127,539
Дисперсия	78967994,82	102567050,7
Асимметрия	1,561	1,561
Эксцесс	1,954	1,529
Минимум	9,6	6
Максимум	34797,6	34073,3



В таблице 9 представлены описательные статистики для зависимой переменной за 2013 и 2015 гг. без выбросов. Согласно расчетам, средний объем экспорта технологий в 2013 году составлял 6813,046 тыс. долл. и 7680,297 тыс. долл. в 2015 году, то есть наблюдается повышение на 13% данного вида экспорта в России за 2 года. Гистограммы, представленные в приложениях 5 (рис. П4 и рис. П5), показывают, что наблюдения распределены ненормально. Обе гистограммы являются асимметричными, значение коэффициентов асимметрии обоих переменных имеет положительный знак (1,561 для у_2013 и 1,561 для у_2015), из чего следует, что графики имеют длинный правый хвост. Эксцессы (1,954 для у_2013 и 1,529 для у_2015) больше 0 для обоих переменных, следовательно, графики распределения имеют более острые вершины, чем график нормального распределения.

Далее, была проведена проверка на наличие мультиколлинеарности между регрессорами с помощью корреляционной матрицы факторных переменных. Если в матрице присутствуют коэффициенты парной корреляции по абсолютной величине большие 0,8, то делается вывод о том, что существует мультиколлинеарность между факторами. Основываясь на матрицах корреляции, представленных в приложениях 5 (табл. П8 и табл. П9), было решено убрать из анализа переменные х2 (число выданных патентов на изобретения) и х6 (внутренние затраты на научные исследования и разработки), чтобы избежать в дальнейшем смещения оценок регрессии. Стоит заметить, что между показателем экспорта технологий и объемом инновационной продукцией, затратами организаций на технологические инновации, численностью исследователей с учеными степенями наблюдается умеренная положительная связь.

Следующим шагом является построение общей модели регрессии для объема экспорта технологий по 39 регионам РФ за период с 2013 по 2015 гг. Изначально было построено множество Pooled-моделей с различными комбинациями регрессоров (приложение 5, рис. П6), но в итоге в модель вошли переменные x3 и x5, так как коэффициенты при этих переменных были значимые. В таблице 10 представлены результаты общей модели только со значимыми регрессорами.

Таблица 10. Результаты построения общей модели регрессии

F (2, 144)	18,58
Prob > F	0,000
	0,2458
	0,2326

Переменная	Коэффициент	СКО	t	P >
х3	0,0001239	0,0000354	3,5	0,001
х5	1,56915	0,6315214	2,48	0,014
cons	3283,624	1046,356	3,14	0,002

Основываясь на таблице 10, полученной с помощью ППП Stata, можно заключить, что Pooled-модель значима, так как Prob>F < 0.05, следовательно, нулевая гипотеза о незначимости модели отвергается. Коэффициент детерминации, показывающий долю объясненной дисперсии, умеренный - 25%. На технологический экспорт влияют затраты организаций на технологические инновации и численность исследователей с учеными степенями. Обе переменные имеет положительное влияние на зависимую переменную.

Далее, необходимо рассмотреть модели, учитывающие индивидуальный эффекты. В приложении 5 (рис. П7) представлена модель с фиксированными эффектами. Данная модель является незначимой, так как Prob>F-statistic>0.05, а также коэффициент при переменной х5 имеет отрицательное значение, что не соответствует здравому смыслу. Стоит пояснить, что sigma_u - это стандартная ошибка для индивидуальных эффектов , sigma_e - стандартная ошибка остатков, rho -это внутриклассовая корреляция, которая рассчитывается по формуле [17]:



(3.5)

82,7% дисперсии приходится на индивидуальные эффекты. Корреляция между и регрессорами невысокая и равна -0,1911, то есть гибкость модели слабая. описывает качество подгонки модели и равен 0,0109. Он выше аналогичного показателя для between регрессии, это значит, что динамические изменения в данной модели проявляются слабее, чем межиндивидуальные, а это означает, что переменные не меняются со временем.

Для того, чтобы сравнить сквозную модель и модель с фиксированными эффектами, необходимо провести тест Вальда. Нулевая гипотеза говорит о том, что все индивидуальные эффекты равны нулю. Пакет STATA предоставляет данный тест автоматически (Приложение 5, рис. П7). Модель с фиксированными эффектами лучше, чем общая модель, так как p-уровень <0.05 и, следовательно, нулевая гипотеза отвергается.

В приложение 5 (рис. П8) представлена модель со случайными эффектами, она выступает как компромисс между общей моделью, которая налагает ограничение гомогенности на коэффициенты, и моделью с фиксированными эффектами, менее ограничительной, позволяющей учесть ненаблюдаемую гетерогенность в выборке. Данная модель оценивается с помощью обобщенного метода наименьших квадратов (GLS) и - случайны. Коэффициент детерминации в данной модели не является подходящей оценкой качества регрессии, значимость модели отражает значение статистики Вальда. Нулевая гипотеза о равенстве всех коэффициентов нулю отвергается, так как Prob>chi2 < 0,05, следовательно, модель значима. Корреляция между случайными эффектами и регрессорами равна нулю, что подтверждает главную гипотезу модели, значит, оценки модели являются состоятельными. Также все коэффициенты значимы на 5% уровне значимости.

Однако необходимо сравнить данную модель с общей моделью. Это можно сделать с помощью теста Бреуша-Пагана, который проверяет наличие случайного индивидуального эффекта. Нулевая гипотеза говорит о том, что дисперсия случайного индивидуального эффекта равна нулю:

: Var [u] = 0;

: Var[u] ? 0.

Согласно расчетам в ППП STATA (Приложение 5, рис. П9) p-уровень<0,01, следовательно, нулевая гипотеза отвергается. Это значит, что модель со случайными эффектами лучше описывает данные, чем общая модель регрессии.

Далее, с помощью теста Хаусмана нужно выбрать одну из моделей со случайными эффектами. Данный тест строится на разности двух оценок коэффициентов: q = ? . Тест проверяет гипотезу:

;

.

В приложение 5 (рис. П10) находится расчеты теста Хаусмана, которые указывают на то, что модель со случайными эффектами более предпочтительна, чем модель с фиксированными эффектами. Это говорит о том, что случайный эффект не коррелирует с регрессорами.

Таблица 11. Расчеты по модели со случайными эффектами

Переменная	Коэффициент	СКО	t	P>
х3	0,0000822	0,0000383	2,15	0,032
х5	1,839802	0,9214475	2	0,046
cons	3831,514	1626,169	2,36	0,018

Следующим шагом является проверка остатков модели. Для тестирования остатков на гетероскедастичность используется тест Бреуша-Пагана. Нулевая гипотеза данного теста состоит в том, что остатки гомоскедастичны. Тестовая статистика была рассчитана с помощью формулы N(T-1)R² [13], а критическое значение было найдено с помощью таблицы распределения Пирсона (ч² - распределение). Было получено, что ч_набл²(7,8) < ч_кр²(9,21) на 1% уровне значимости, следовательно, остатки модели являются гомоскедастичными.

Далее, с помощью теста Песарана и Вулдриджа остатки модели были проверена на автокорреляцию. Нулевая гипотеза теста Песарана говорит об отсутствии автокорреляции в остатках. Расчеты находятся в приложении 5 (рис. П11), тестовая статистика представлена ниже [17]:

(3.6)

Тест Вулдриджа проверяет нулевую гипотеза H₀: с = -0,5, т.к. было замечено, что в отсутствии автокорреляции ошибки исходной регрессии cov(Д, Д) = -0,5 (Приложение 5 (рис. П12). Проделанные тесты указывают на то, что сериальная корреляция отсутствует в остатках (табл. 12).

Таблица 12. Тесты на автокорреляцию остатков

	Вулдридж	Песаран
P-значение	0,9100	0,4059
H0 не отвергается/ отвергается	Не отвергается	Не отвергается

В ходе анализа панельных данных было выявлено, что лучшей моделью, описывающей влияние инновационных показателей на экспорт технологий и услуг технического характера, стала модель со случайными эффектами. Стоит отметить, что в данной модели значимо влияние индивидуального эффекта для каждого региона РФ, то есть предполагается наличие ненаблюдаемых факторов, которые не коррелируют с переменными, включенными в модель. На технологический экспорт положительно влияют затраты организаций на технологические инновации и численность исследователей с учеными степенями. Согласно таблице 11 увеличение затрат на 1 тысячу рублей ведет к увеличению экспорта на 0,0822 доллара, а увеличение численности исследователей - на 1839,8 долларов. Исследование выявило, что экспорт положительно зависит от инновационных факторов, из этого можно сделать вывод, что крайне важно развивать человеческий капитал в стране и научный потенциал. Также важную роль играют расходы организаций и частных инвесторов на технологические инновации, которые крайне низки в России, а основным инвестором инновационной деятельности остается государство. Основываясь на результатах модели, можно сделать вывод, что совокупные действия по стимулированию финансирования инноваций и развитию научной деятельности могут повысить технологический экспорт и, следовательно, общее экономическое положение в стране.

3.3 Исследование факторов, влияющих на инновационную активность организаций в регионах России

Интеграция инноваций в производство трудоемкий и долгий процесс. В этой главе основной задачей является определить, что именно стимулирует инновационную активность и мотивирует организации внедрять в свое производство новые инновационные методы, технологии и услуги. Чтобы ответить на этот вопрос будет изучено влияние набора экономических и инновационных факторов, представленных в Приложении 6 (табл. П10), на инновационную активность организаций в регионах России. Анализ будет проводиться с помощью моделей бинарного выбора (probit-, logit-, gompit-модели). Зависимой переменной является дамми-переменная, которая принимает значение 1, если в регионе процент инновационной активности выше 8 и 0, если ниже 8%. В свою очередь, инновационная активность организаций - это удельный вес всех организаций в регионе, которые используют в производстве различные виды инноваций, среди всех обследованных организаций.

Было решено не применять линейную модель вероятности в данном анализе, это связано с тем, что ошибки, полученные с помощью этой модели, не подчиняются закону нормального распределения, и, как следствие, МНК-оценки становятся неэффективными. Также модельные значения зависимой переменной, полученные с помощью линейной модели вероятности, могут выходить из интервала от ноля до единицы. Следовательно, будут использоваться функции логистического, нормального и гомпит-распределения [18].

Logit-модель представлена ниже (логистическое распределение):

(3.7)

Probit-модель (нормальное распределение):

(3.8)

Gompit-модель (распределение Гомперца):

=G( (3.9)

Спецификация модели бинарного вида выглядит следующим образом:

(3.10)

Стоит отметить, что предполагается, что если полученная оценка вероятности превышает 0,5, то зависимая переменная принимает значение 1, и наоборот. Все параметры модели оцениваются с помощью метода максимального правдоподобия.

Чтобы проверить наличие инновационной активности, были выбраны различные количественные и бинарные переменные. Их описательные статистики находятся в Приложении 6 (табл. 11). В ходе анализа предполагается, что на зависимую переменную влияют внутренние затраты на научные исследования и разработки, среднедушевые денежные доходы, численность персонала, занятого научными исследованиями и разработками. Также в качестве бинарных факторов представлена переменная Х1, которая принимает значение единица, если регион принадлежит первому кластеру с высоким уровнем дохода и хорошей социально-экономической стратегией (итоги кластерного анализа) и ноль, если регионы находятся во втором кластере. Фактор Х3 равен 1, при условии, что в регионе страны число выданных патентов на изобретение превышает или равно 200 единиц, и наоборот.

После построения трех моделей (приложение 6, рис. 14,15,16) было решено оставить независимые переменные Х2 и Х3, так как коэффициенты при этих факторах оказались значимы на уровне значимости 5%. Качество модели оценивается с помощью сравнения основной модели с моделью, включающей только константу. При сравнении моделей используется:

· Сравнение логарифмов функций правдоподобия;

· Сравнение относительных ошибок моделей;

· Информационные критерии.

Для проверки рассчитанных моделей были использованы следующие статистики на основе логарифмов функций правдоподобия:

(3.11)

pseudo = (3.12)



McFadden = (3.13)

где

,

LR статистики всех трех моделей, расчеты по которым представлены в таблице 13, превышают критическое значение Хи-квадрат на уровне значимости б = 0,05. Значения полученных статистик pseudo , McFadden не высоки и находятся в интервале от 1 до 0, что также говорит о хорошем качестве полученных моделей. Основываясь на значениях информационных критериев AIC, SC, HQ, можно считать, что gompit-модель наиболее качественная, это следует из того, что показатели информационных критериев у этой модели меньше, чем у остальных двух моделях.

Таблица 13. Результаты расчета probit-, logit-, gompit-моделей

	Probit	Logit	Gompit
C	-1,70142	-2,93092	-1,61131
Х2	0,000185	0,00033	0,000245
Х3	1,411611	2,424954	1,610414
ln	-41,8299	-41,6984	-41,3915
	Probit	Logit	Gompit
ln	-51,9794	-51,9794	-51,9794
LR	20,29899	20,56194	21,17566
Prob (LR)	0,000039	0,000034	0,000025
pseudo	0,021009	0,020944	0,020793
McFadden	0,19526	0,197789	0,203693
AIC	1,195463	1,191957	1,183775
SC	1,288163	1,284657	1,276474
HQ	1,232477	1,228971	1,220788

Таке в Excel был рассчитан predict для gompit-модели, который служит мерой сравнения долей некорректных прогнозов. Согласно расчетам, некорректно предсказано 46% наблюдений. Однако, стоит отметить, что доля некорректных прогнозов не говорит много о качестве используемой модели. Рисунок 10 иллюстрирует распределены исходных, модельные значения зависимой перемой и график функции распределения для gompit-модели. По графику дает представление о том, сколько наблюдений было некорректно предсказано моделью.

Рис. 10. Функция распределение Gompit-модели

В силу того, что оценки полученных коэффициентов рассчитываются в единицах , а также значения параметров не равны предельным эффектам по факторам, следовательно, привычная интерпретация коэффициентов, полученных с помощью ППП Eviews, не корректна. Вследствие этого будет рассчитан маржинальный эффект для каждой переменной:



(3.14)

Следовательно, если в среднем по выборке внутренние затраты на научные исследования и разработки увеличатся на 1 млн. рублей, то вероятность превышения инновационной активности организаций 8% увеличится на 0,005%. Также если будет выдано больше 200 патентов на изобретения, то вероятность превышения инновационной активности организаций в регионах 8% увеличится на 44 процентных пункта. Из этого следует, что оба фактора положительно влияют на зависимую бинарную переменную. Можно сделать вывод, что финансовые вложения в науку и выдача патентов стимулируют организации использовать в производстве различные типы инноваций. Для инновационной сферы важны инвестиции из всех возможных источников финансирования, они позволяют стимулировать инновационную активность. Выдача патентов также является индикатором инновационного развития, который характеризует человеческий капитал в стране. Из этого делается вывод о том, что влияние социального и экономического развития населения на инновации колоссально. Без улучшения общего социально-экономического климата невозможен переход на новый этап экономического развития, а именно переход на инновационную экономику.



Заключение

В заключение стоит сказать, что, проведенный статистический анализ позволил решить главную цель данной работы, а именно изучить взаимосвязь инноваций и социально-экономических показателей развития регионов России. Полученный выводы позволяют заключить, что между этими сферами существует связь.

В ходе исследования была изучена как отечественная, так и иностранная литература по данной тематике. Это позволило более четко понять границы исследуемой темы и определиться с методами изучения поставленной проблемы. Однако, стоит заметить, что на данный момент тема взаимосвязи инновационной деятельности и социально-экономических процессов в России изучена слаба, число публикаций, посвященных данной тематике, крайне мало. Многие иностранные рейтинговые агентства рассчитывают различные индексы и рейтинги, которые характеризуют уровень развития инноваций и качества жизни в странах мира. Однако даже в иностранных источниках практически отсутствуют исследования о взаимосвязи этих показателей.

В данной выпускной квалификационной работе проводится анализ влияния социально-экономических процессов на инновации и наоборот на макро- и микроуровне. Изначально проводился сравнительный анализ различных релевантных показателей по России и миру. Во время этого анализа было выявлено, что Россия в основном находится в середине как инновационных, так и социальных, экономических рейтингов. Из этого был сделан вывод, что между инновационной деятельностью страны и социально-экономическими присутствует прямая положительная связь. Затем был произведен переход на мезо-уровень, на котором рассматривалось влияние этих показателей на уровне регионов РФ. Чтобы более детально изучить специфику регионов в данных сферах была использована методология «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации», адаптированная специально под особенности субъектов России. Этот анализ позволил выявить слабые и сильные стороны стратегического планирования развития регионов РФ, а также выявить лидирующие и отстающие регионы.

Чтобы более детально исследовать дифференциацию регионов был проведен кластерный анализ. Цель его проведения заключалась в том, чтобы выделить регионы-лидеры и регионы-аутсайдеры по степени социально-экономического планирования развития и доходам. Анализ показал, то в России происходит разделение регионов на два типа. В первом кластере были представлены регионы с хорошо проработанной стратегией, учитывающей все нюансы будущего развития и высоким доходам консолидированного бюджета, а ко второму - со слабой стратегий и относительно высокими доходами. Стоит заметить, что Северо-Кавказский федеральный округ и большая часть Дальневосточного федерального округа попали во второй кластер. В остальных федеральных округах не наблюдается такой концентрации регионов, находящихся в одинаковых кластерах.

Далее, с помощью построения моделей по панельным данным было выявлено влияние затрат организаций на технологические инновации и численности исследователей с учеными степенями на экспорт технологий и услуг технического характера. Модель со случайными эффектами выявила положительное влияние обоих факторов на зависимую переменную. Согласно модели, технологический экспорт в России увеличивается на 0,0822 доллара, если затраты возрастают на 1 тысячу рублей, а рост численности исследователей положительно стимулирует экспорт и увеличивает его на 1839,8 долларов. Следовательно, результаты модели доказали важность инновационной составляющей в экономическом процессе развития страны.

Следующим шагом в анализе стало изучение влияния различных факторов на инновационную активность организаций. Для исследования были использованы модели бинарного выбора (probit-, logit-, gompit-модели). Регионы с инновационной активностью равной или больше 8% получали значение 1, а регионы, чья инновационная активность не превышала 8% получали 0. В ходе построения моделей, gompit-модель показала, что существенно влияют на зависимую бинарную переменную две переменные: внутренние затраты на научные исследования и разработки и число патентов на изобретения. Необходимо заметить, что наличие в регионе больше 200 выданных патентов увеличивает на 44% вероятность превышения инновационной активности организаций в регионах 8%.

Заключая, хотелось бы сказать, что инновационная деятельность не определяет целиком социально-экономическое развитие страны. Но все же имеет свое влияние на этот процесс, следовательно, чтобы улучшить социальное и экономическое положение России, необходимо продолжать развивать НИС, стимулировать процессы инноваций и увеличивать затраты как государственные, так и частные на НИиР. Эти меры позволят прийти к инновационной экономике и избавиться от сырьевой зависимости, которая негативно сказывается на показателях социально-экономического развития в России.



Список литературы

1. Архипова М.Ю., Александрова Е.А. (2014) Исследование характера связи инновационной и экспортной активности российских предприятий // Прикладная эконометрика. №36(4). С. 88-101.

2. Архипова М.Ю. (2013) Инновации и уровень жизни населения: исследование взаимосвязи и основных тенденций развития // Вопросы статистики. №4. С. 45-51.

3. Архипова М.Ю., Лебедев А.В. (2012) Инновации и уровень жизни населения: взаимосвязь, тенденции, перспективы // Экономика, статистика и информатика. № 6. С. 91-95.

4. Бездудный Ф.Ф., Смирнова Г.А., Нечаева О.Д. (1998) Сущность понятия инновация и его классификация // Инновации. №2-3. С. 8.

5. Будеркина Е.О. (2016) Исследование взаимосвязи инноваций и уровня жизни населения. Курсовая работа. НИУ ВШЭ.

6. Голиченко О.Г. (2011) Переход России на инновационный путь развития и основные направления государственной политики // Инновации. №9 (155).

7. Городников Н.В., Гостева С.Ю., Гохберг Л.М. Индикатор инновационной деятельности: 2009 (2009) // Статистический сборник. М.: ГУ-ВШЭ. С. 484.

8. Дегтярева И.В., Фахретдинова Г.Р. и др. (2004) Экономика. Макроэкономика. Учебное пособие. / Под общ. ред. д-ра экон. наук, проф. И.В. Дегтяревой. Уфа. С. 25-29. 

9. Дуброва А.М., Мхитарян В.С., Трошин Л.И. (2003) Многомерные статистические методы: Учебник. М. Финансы и статистика. С. 241-278;

10. Кондратьев Н.Д., Янковец Ю.В., Абалкин Л.И. (2002) Большие циклы конъюнктуры и теория предвидения. М.: Экономика. Первая публикация: 1928.

11. Кузнецова И.А., Гостева С.Ю., Грачева Г.А. (2008) Методология и практика статистического измерения инновационной деятельности в экономике России: современные тенденции // Вопросы статистики. № 5. С. 16-21.

12. Лямина Е.К. (2015) Уровень человеческого капитала в России. Сравнительный анализ // Евразийское научное объединение. №2. С. 129-132.

13. Магнус Я.Р., Катышев П.К., Пересецкий А.А. (2004) Эконометрика. Начальный курс: Учеб. 6-е изд., перераб. и доп. М.: Дело. С. 576. 

14. Монахов С.В. (2011) Инновации в России: история, современность и перспективы // Креативная экономика. № 3 (51). С. 76-84.

15. Назаров М.А., Фомин Е.П. (2015) Проблемы развития инновационной инфраструктуры в российской экономике // Экономика и управление. № 4 (125). С. 38-40.

16. Порядина Е.Д. (2011) Влияние изменения качества жизни населения на инновационный потенциал Российской Федерации // Креативная экономика. № 10 (58). С. 80-85.

17. Ратникова Т.А. (2016) Введение в эконометрический анализ панельных данных // Экономический журнал НИУ ВШЭ. №2.

18. Тимофеев В.С., Большакова А.В. (2005) Модели бинарного выбора: оценка качества и интерпретация коэффициентов. Сборник научных трудов НГТУ. С. 1-8.

19. Шульга В.А. (2002) Национальная экономика. М.: Изд-во Рос. экон. акад. С. 592.

20. Шумпетер Й. (2008) Теория экономического развития. Капитализм, социализм и демократия. М.: Эксмо. Первая публикация: 1911.

21. Atkinson R.D., Castro D.D. (2008) Digital Quality of Life. P. 1-14.

22. Bilbao-osorio B., Rodrнguez-pose A. (2004) From R&D to Innovation and Economic Growth in the EU // Growth and Change Vol. 35 No. 4. P. 434-455.

23. Cohen A., Cohen J. (2009) Innovation and Economic Growth // Private Wealth Forum 3. Р. 1-5

24. Estensoro, M. and Larrea, M. (2016) Overcoming Policymaking Problems in Smart Specialization Strategies: Engaging Subregional Governments // European Planning Studies. №24 (7). Р.1319-1335.

25. Gianelle, C. and Kleibrink, A. (2015) Monitoring Mechanisms for Smart Specialisation Strategies // Policy Brief Series, (13).

26. Greenstone M., Looney A. A (2011) Dozen Economic Facts about Innovation. // POLICY MEMO.

27. McCann, P. and Ortega-Argilйs, R. (2016) The Early Experience of Smart Specialization Implementation in EU Cohesion Policy // European Planning Studies. P. 1407-1427.

28. Midtkandal I. and Sцrvik J. (2012) What is Smart specialization? // Nordregio News Issue.

29. Mortensen P.S., Bloch C.W. (2006) Guideline for Collecting and Interpreting Innovation Data // Third Edition, Oslo Manual. М.: TSISN.

30. Savin I., Winker P. (2010) Heuristic Optimization Methods for Dynamic Panel Data Model Selection. Application on the Russian Innovative Performance. P. 10-23.

31. Zachariadis M. (2011) R&D-induced Growth in the OECD? P. 3-10.

32. Письмо Президента РФ № Пр-576 от 30.03.2002 «Основы политики Российской Федерации в области развития науки и технологий на период до 2010 года и дальнейшую перспективу» [Электронный ресурс] // Справочно-правовая система «Консультант Плюс».

33. Рейтинг инновационного развития субъектов Российской Федерации. (2016) Выпуск 4 / под ред. Л.М. Гохберга; Нац. исслед. ун-т «Высшая школа экономики». - М.: НИУ ВШЭ. С. 248.

34. Указ Президента РФ от 27.04.1992 № 426 «О неотложных мерах по сохранению научно-технического потенциала Российской Федерации» [Текст] // Ведомости СНД и ВС РФ, 07.05.1992, №18.

35. Веб-сайт Федеральной службы государственной статистики [http://www.gks.ru/]

36. Единая межведомственная информационно-статистическая система ЕМИСС [https://www.fedstat.ru/]

37. Институт Земли: Рейтинг стран мира по уровню счастья населения в 2015 году.  [www.earthinstitute.columbia.edu/]

38. Исследование «РИА Рейтинг»: Рейтинг качества жизни регионов России в 2014 году [http://www.riarating.ru/]

39. Human development report (2014) // Sustaining Human Progress Reducing Vulnerabilities and Building Resilience P. 2.

40. European Commission (2013) Guide to Research and Innovation Strategies for Smart Specialisations. [http://ec.europa.eu/regional_policy/sources/docgener/presenta/smart_specialisation/smart_ris3_2012.pdf]

41. Index of Economic Freedom [http://www.heritage.org/index/]

42. Organization for Economic Co-operation and Development OECD [https://data.oecd.org/]

43. The Global Innovation Index [https://www.globalinnovationindex.org/]

Размещено на Allbest.ru