Размещено на http://allbest.ru

Введение

Одна из основных задач большинства стран мира состоит в достижении долгосрочного и стабильного экономического роста. Экономический рост обуславливается рядом таких процессов, как повышение эффективности производства, стабилизация цен, сокращение уровня безработицы, расширение и углубление экономических связей и другими процессами. Ключевое место в увеличении экономического роста занимает научно-технологический прогресс, так как он обеспечивает развитие всех сфер государства. Кроме того, министерство экономического развития отмечает, что инновации являются основным рычагом в последующие годы, так как остальные источники долгосрочного роста нестабильны: наблюдается значительное снижение количества трудоспособного населения, ухудшается качество рабочей силы и наблюдается значительный отток капитала, отсутствует существенный запас по загрузке мощностей в экономике (Мин-во экономического развития, 2015). В связи с тем, что применение во всех сферах хозяйственной деятельности научно-технических новшеств позволяет хозяйствующим субъектам получать конкурентные преимущества и бороться за лидерство, то это приводит к тому, что в настоящее время инновации и инновационная деятельность становятся неотъемлемой частью успешного функционирования большинства экономических систем.

Согласно информационному агенству Bloomberg, Россия занимает 12 позицию в рейтинге самых инновационных стран в 2015-2016 гг., в то время как США занимают 8 строку (government.ru). Это говорит о том, что в последние годы правительство РФ концентрирует внимание на развитие инноваций. Однако стоит отметить, что доля инновационной продукции в общем объеме составляет 8-9%, когда как в развитых странах - 15% и выше (bloomberg.com, b). В докладе Global Innovation Index 2015 Bloomberg описывает, что инновации не являются сильной стороной России. Однако, например, по системе и уровню образования РФ занимает второе место (bloomberg.com, a).

Причиной низкого развития инноваций в России может служить факт того, что некоторые регионы постоянно развиваются и несут большие затраты на инновации, а для других регионов это не свойственно и, возможно, в этом нет необходимости. Поэтому, несмотря на то, что многие регионы уделяют должное внимание инновационному развитию, общее развитие инноваций в России остается на недостаточном уровне.

Экономическое развитие регионов РФ является сильно дифференцированным, что приводит к отставанию некоторых регионов в развитии, следовательно, они становятся все менее привлекательными для инвестиций, вливания денег, что ведет к снижению инвестиционной и инновационной активности, что определяет, в конечном счете, инновационный потенциал регионов. Для разработки экономической политики регионов важно понимать, какие регионы «проседают» в развитии и какие конкретно сферы нуждаются в преобразовании. Это можно определить с помощью измерения и анализа уровня инновационного потенциала.

Изучение инновационного потенциала является достаточно популярной областью для исследований. Вопросом поиска факторов, определяющих инновационный потенциал занимаются такие авторы, как Быкова и Молодчик (2007), Теребова и Вячеславов (2011), Житц (2000), Дмитриев, Филимонова и Фреймович (2014) и др. Регрессионным анализом занимаются Kachitsyna and Berkovich (2014), Zoltan, J.A et. al (2002), Kanaeva and Untura (2016) и др.

Целью выпускной квалификационной работы является выявление факторов, которые оказывают влияние на инновационную активность регионов Российской Федерации.

Промежуточным этапом исследования будут: выявление факторов, влияющих на инновационный потенциал регионов, а также поиск параметра для инновационной активности в каждом регионе РФ.

Выпускная квалификационная работа имеет следующую структуру:

1) Обоснование актуальности исследования

2) Обзор литературы

3) Постановка исследовательского вопроса

4) Методология анализа

5) Анализ и оценка инновационной активности

6) Выводы

7) Заключение.

В теоретической части работы раскрывается понятие инновации и инновационного потенциала, описываются методы оценивания инновационной активности современными исследователями и факторы, влияющие на него. Работа опирается на исследования макро- и микро- уровня, изучающие инновации как в качестве интегрированного индекса, так и одного показателя.

В практической части применяется метод оценивания инновационной активности регионов Российской Федерации на основе метода главных компонент и регрессионного анализа. Данные методы позволяют сократить количество факторов, влияющих на инновационную активность, определить наиболее значимые факторы, а также создать рейтинг регионов по уровню инновационного потенциала. Выборка представляет собой панельные данные по каждому региону Российской Федерации с 2010 по 2014 года, источником которых является Федеральная служба государственной статистики.

1. Обзор литературы

Обзор литературы делится на две части, согласно задачам исследования. Во-первых, анализируются статьи, посвященные изменению инновационной активности. Во-вторых, рассматриваются статьи, связанных с выявлением факторов инновационной активности и инновационного потенциала.

1.1 Определение инновационного потенциала

Определение инноваций не является тривиальным. Во-первых, необходимо разделять понятия инновационная активность и инновационный потенциал. Инновационная активность - это результат инновационной деятельности регионов. По международным стандартам, инновация определяется как результат инновационной деятельности, который получил воплощение в качестве нового или усовершенствованного продукта, внедренного на рынке, технологического процесса. Данное определение является официальным определением в рамках инновационной политики Российской Федерации.

Для того чтобы обеспечить данную деятельность, необходим ряд предпосылок и условий для развития инноваций, что называется инновационным климатом или инновационным потенциалом региона.

Создание условий для благоприятной социально-экономической деятельности и осуществления инновационных процессов в интересах обеспечения приоритетов развития территорий называется формированием инновационного климата регионов. Данное понятие включает в себя все факторы, которые способствуют развитию, осуществлению, существованию, распространению инноваций: взаимодействие финансово-экономических, социокультурных, научно-технологических, природно-ресурсных, политических и других факторов. Соответственно, рассмотрение инновационного климата в таком широком контексте не дает четко определить его структуру и составляющие (Теребова и Вячеславов, 2011). Кроме того, данные авторы отмечают, что именно от инновационного потенциала зависит то, насколько общество и организации восприимчивы к созданию и освоению инноваций».

Разные авторы дают различные определения инновационному климату.

«Инновационный потенциал - это «ключ» к цивилизованному формированию инновационной бизнес активности, стабильности и надежности экономической системы, ее эффективности и долгосрочному росту» (Егорова и Кулакова, 2014).

«Совокупность организаций, которые вносят вклад в осуществлении инновационных проектов, включая менеджмент, материалы и технологию, финансовую систему и программное обеспечение, человеческие ресурсы, консалтинговые и организаторские услуги (Федеральный закон, 2013).

«Совокупность инновационно-активных учреждений (исследовательские институты, условия для высшего образования, центры инноваций и технологий, технологические парки, специальные экономические зоны и т.д.), ресурсов и инструментов, предоставляющих материал и технологию, финансовая и IT помощь, медицинская и организационная» (Калинин и др. ,2011). «Комплекс структур услуг, обеспечивающие осуществление инновационной активности» (Маскайкин и Арцер, 2009). Таким образом, инновационный климат или инновационный потенциал - это совокупность параметров развития региона, которые, в конечном итоге, влияют на проявление инновационной деятельности. Для того чтобы государство могло способствовать развитию инноваций, необходимо определить, на что и как нужно воздействовать. Для этого важно правильно, более полно измерить инновационный потенциал.

1.2 Измерение инновационного потенциала

Инновационный потенциал - это агрегированная характеристика региона, которая может быть измерена большим количеством показателей. Такие показатели, как правило, делятся на группы факторов. По причине того, что инновационный потенциал, по своей сути, является отражением возможностей и деятельности региона, данный показатель характеризуется, в первую очередь, факторами интеллектуального капитала, инвестиционной деятельностью, макроэкономическими показателями, инновационной инфраструктурой, геолокационными отличиями.

Эмпирические работы по измерению инновационного потенциала регионов делятся на два блока. Первый блок представляет авторов, которые меряют потенциал множеством факторов и, как правило, строят рейтинг, представляя потенциал как агрегированный показатель. Второй блок исследований посвящен поиску значимых факторов, оценке влияния показателей на инновационный потенциал.

В качестве собственного обобщения было выделено четыре основных методологии измерения и изучения инновационного потенциала: интегральные индексы, матричные методы, кластерный анализ (Маскайкин, Арцер, 2009) и регрессионный анализ. Для данной работы наиболее интересными представляются первый и последний методы, так как они наиболее широко используются исследователями, несмотря на то, что каждый метод имеет свои преимущества и недостатки.

Агрегированный индекс инновационного потенциала

Первая группа методов - наиболее распространенная - это построение интегральных индексов. Как было сказано в предыдущем подразделе, инновационный потенциал - это агрегированный показатель, включающий в себя множество факторов. Для того чтобы их учесть, необходимо понять, какие группы факторов включать, какие показатели каждой группы наиболее полно раскрывают понятие потенциала, и с какими весами их включать. Исследования в данном разделе делятся на работы, изучающие инновационный потенциал в разрезе регионов, и работы, изучающие межстрановые различия.

Таким образом, построение индекса сводится к четырем шагам:

1) Определяется группы показателей и соответствующие факторы.

2) Рассчитываются групповые индексы, используя веса каждой переменной на основании выбранного метода.

3) Формируется региональный инновационный индекс.

4) Составляется рейтинг регионов.

Метод построения индекса как агрегированного показателя для регионов использовали в своей статье (А.А. Быкова, М.А. Молодчик (2007)) для оценки инвестиционного потенциала регионов. При построении индекса инновационного потенциала, в качестве главной компоненты были взяты затраты региона на НИОКР.

Вышеперечисленные авторы, определяя значимые факторы, выделяют: число организаций, выполнявших исследования и разработки;

уровень или количество инновационно-активных предприятий; объем инновационной продукции; инвестиции в основной капитал на душу населения; затраты на технологические инновации; численность персонала, занятого исследованиями и разработками; количество студентов; ВРП на душу населения и др.

Теребовой и Вячеславова (2011). Для оценивания инновационного климата, авторы берут 3 группы показателей:

1) Показатели на входе инновационной системы: финансирование, кадровый потенциал. В данную группу входят такие показатели, как затраты на НИОКР (% к ВРП), внутренние затраты на R&D по источникам финансирования (%) ,затраты на технологические инновации, в % к ВВП (ВРП), персонал, занятый исследованиями и разработками (по категориям), удельный вес персонала, выполняющего исследования и разработки, в общем числе занятых в экономике (в %), численность аспирантов и докторантов в расчёте на 100 тыс. населения.

2) Показатели внутри инновационной системы: институциональные условия. Включают число персональных компьютеров на 100 работников, Внутренние затраты на исследования и разработки на одного сотрудника, занятого НИОКР, внутренние затраты на исследования и разработки на одного исследователя, среднемесячная оплата труда одного занятого НИОКР, соотношение между среднемесячной оплатой труда персонала, занятого НИОКР, и средней заработной платой по экономике.

3) Показатели результативности инновационной системы на выходе: число научных изобретений и т.д. Поступление патентных заявок и выдача свидетельств на полезные модели, удельный вес инновационной продукции в общем объёме отгруженной продукции, доля отгруженной инновационной продукции в ВРП (ВВП).

В данной статье авторы используют системы входа и выхода инновационной деятельности, что углубляет анализ инноваций, хотя факторов для изучения выбрано сравнительно меньше.

Похожими исследованиями в области определения факторов инновационной системы занимаются Edquist (2001), который выделяет не только технологическую, интеллектуальную, организационную и финансовую составляющую, но и консультационный и рыночный аспект в сфере инноваций. Рынок и потребителей так же подробно рассматривает Sundbo (2002).

Многие авторы выделяют группу интеллектуального капитала в изучении инновационного потенциала. Интеллектуальный капитал включает в себя человеческий капитал, отношенческий и структурный капитал. Частично человеческий капитал учитывается в исследованиях с помощью показателей количества студентов, аспирантов, трудоспособного населения. Однако стоит отдельно на этом акцентировать внимание и выделить отдельную группу для данных показателей, так как, согласно исследованиям, они в значительной степени определяют инновационный потенциал.

Управление человеческими ресурсами и человеческим капиталом давно занимает центральное место в западных системах развития инноваций компаний и регионов. Тенденции подробно описываются в работах Schultz (1961), Mescon et al. (1994), Becker (1967), Dyatlov (1996), Armstrong (2004), Tripon and Blaga (2011) и другие. Именно оборазовательному потенциалу, в большей части, посвящены работы Peters and Pikkemaat (2006), Ottenbacher and Gnoth (2005), Ottenbacher et al. (2006).

Статья Житца (2000) выделяет человеческие ресурсы и образовательный потенциал и так же делает акцент на потребительском секторе. Автор определяет инновационный потенциал как система обеспечения ресурсами, для того чтобы система функционировала активно международном уровне, и можно применять анализ межстранового сравнения. Система инноваций, согласно Житцу, включается 4 показателя:

1) Технический научный потенциал.

2) Образовательный потенциал.

3) Инвестиционный потенциал.

4) Потенциал потребительского сектора.

Технологический потенциал - основа инновационного потенциала и соединяет все четыре показателя в один, который относится к изобретению, мастерству и распределению технологий.

Таким образом, основой для исследования является классификация инновационного потенциала, согласно системе Житца. Автор отмечает, что инновационный потенциал включает в себя 5 основных элементов:

1) Человеческие ресурсы: количество и квалификация работников, их уровень образования, креативные способности, опыт, знание прогрессивных технологий, амбиции для последующего обучения, готовность к развитию и внедрению новых технологий и открытый разум для инноваций.

2) Институциональная среда: количество организаций, которые обеспечивают специалистами ключевых технологий, их статус, принадлежность к определенному департаменту и т.д. Та же информация о ключевых потребителях данных технологий.

3) Инвестиции и финансирование: объем инвестиций в развитие технологий в определенный промежуток времени, объем и структура финансовых ресурсов для инвестиций в технологии, доступное оборудование, материалы, гаджеты, компьютеры и т.д.

4) Организационный элемент и менеджмент: механизмы контроля развития и трансфера технологий, защита прав интеллектуальной собственности.

Рис. 1. Структура инноваций (Житц, 2000).

5) Консолидированные показатели: развитие региона с точки зрения обмена технологиями, доля инновационных продуктов в объеме ВВП региона и т.д.

Статья Степана Земцова (2010) затрагивает проблему недостаточного инновационного развития северных регионов России. Автор отмечает, что использовать один индикатор для инновационного потенциала является некорректным. Опираясь на методологию Р. Флорида и А. Пилясова, Земцов использует следующие индикаторы:

1) Талант: человеческий капитал (процент занятых с высшим образованием) и научный талант (количество ученых на 1 млн. жителей).

2) Технологии: научные инвестиции (доля затрат на НИОКР в ВВП) и патентная активность (количество патентов на 1млн. жителей).

3) Толерантность (доля домашних хозяйств с различными национальностями) и международная привлекательность (процент мигрантов в Россию как процент от общего количества приезжих; количество мигрантов на 1 млн. жителей).

Для того чтобы привести показатели в единый вид, автор проводит нормализацию. Затем на основании метода главных компонент определяет нужные показатели: экономико-географическое положение, процент резидентов в городах с населением больше 200 тыс. человек, процент людей с высшим образованием, количество студентов на 10 тыс. человека, процент занятых в секторе НИОКР, процент компаний с вебсайтом, количество зарегистрированных патентов на 1000 занятых человек. Данные показатели нормализуются и образуют один интегральных индекс инновационного потенциала.

Важной группой показателей инновационного климата является геолокация регионов. Согласно Росстату, инновации, технологии сконцентрированы больше в центральной части Российской Федерации. В отдаленных районах иногда нет возможности быстрой диффузии новых технологий и, соответственно, инновационного развития. Именно локализация технологий затронута в работах Rodriguez-Pose and Crescenzi (2011), Sonn and Storper (2005), Charlot and Duranton, (2006), Iammarino and McCann (2006). Кроме того, существует так же пространственный аспект инновационного развития регионов (Ceh, 2001).

Определение факторов инновационного потенциала также рассматривается в межстрановом контексте. К подобным работам относятся: Andersen, Lundvall, & Sorrn-Friese, 2002; Edquist, 1997; Freeman, 1997; Lundvall, 1992; Nelson, 1993), изучающие национальные системы инновационного развития. Работа Archibugi (2004) для построения единого показателя инновационного потенциала стран включает такие факторы, как патенты, научные статьи, норма проникновения интернета, норма проникновения телефонии, потребление электричества, абитуриенты инженерных и прикладных специальностей, количество лет обучения, уровень грамотности, которые формируют три группы показателей: создание технологий, технологическая инфраструктура, развитие навыков.

Статья Kachitsyna and Berkovich (2014) делает основной акцент на инновационной инфраструктуре в процессе развития стран. В работе описывается текущее положение инновационной структуры в России и результаты переоценки положения. Авторы используют различные методы оценки развития инновационной инфраструктуры по регионам. Кроме того, по результатам оценивания представлены рекомендуемые показатели для оценивания, отличающиеся подробностью и полнотой, в сравнении с предыдущими исследованиями. Они включают в себя:

1) Количество городов в технологическом парке (зоне): количество патентов и лицензий в регионе, количество экспериментальных разработок, новое знание, которое может сформироваться в коммерческий продукт.

2) Инвестиционный венчурный фонд инноваций.

3) Негосударственные фонды инноваций: финансирование инноваций кредитными банками, негосударственные пенсионные фонды и страховые компании, финансирующие инновации.

4) Поддержка инновационной активности данными и советами экспертов: объем консультационных, аудиторских, информационных, аналитический и других услуг, обеспечивающихся всеми объектами инновационной инфраструктуры.

5) Количество человек (человеческие ресурсы) для инновационной активности: люди, занимающиеся научной, консультационной, информационной и другой деятельностью, ассоциирующиеся с организацией и поддержкой инновационной активности и предоставлением анализа и проверки инновационных проектов.

Таким образом, исследования, которые связаны с построением единого индекса инновационного потенциала выделяют следующие группы данного показателя: технологический потенциал, инфраструктура, социальные условия, интеллектуальный капитал, инвестиционный потенциал, экономическое благосостояние. При построении индексов необходимо взвесить показатели. Во-первых, веса могут быть одинаковыми, если авторы предполагают равный вклад каждой переменной в группе. Однако наиболее распространенным методом является поиск весов по методу главных компонент.

Регрессионный анализ

Данный раздел представляет более детальный анализ инновационного потенциала, который обуславливается тем, что авторы находят не просто факторы, которые формируют инновационный потенциал, а исследуют силу взаимосвязи показателей с инновационным климатом. В основном, авторы изучают факторы, представленные в предыдущем разделе, однако многие акцентируют внимание на взаимном расположении стран/регионов и отмечают, что на инновационный потенциал регионов влияют не только свои показатели, но и показатели других соседствующих регионов. Таким образом, основное внимание привлекается фактором перетекания инноваций (Krugman, 1991; Howells, 2002; Anselin, Varga, and Бcs, 2000; Breschi and Lissoni, 2001) и территориальное расположение регионов.

К работам, использующих регрессионный анализ, относятся: Still et. al (2000), исследующие влияние внутренних затрат на R&D на инновационный потенциал и освоение инноваций. Они обнаружили положительную взаимосвязь между расстоянием от региона до технологически развитого региона и затратами на R&D. Такие же результаты были найдены авторами Cameron et al. (1999). Кроме того, статья Bottazzii and Peri (2003) обнаружила положительное влияние расстояния на инновационный потенциал, согласно кросс-секционному исследованию, если расстояние не более 300 км, измеряя степень перетекания инноваций.

Следующее исследование Bilbao-Osorio and Rodroguez-Pose (2004) посвящено факторам инновационной активности. В отличие от предыдущих авторов, они взяли количество патентов в качестве фактора инновационной активности. В статье представлена нелинейная логарифмическая модель, оценивающая независимые показатели: ВВП, инвестиции в R&D, уровень навыков (прокси - уровень образования), уровень занятости, процент населения, работающего в секторе высоких технологий. Авторы используют кросс-секционные данные по регионам в Евросоюзе. В результате, выяснено, что инвестиции в R&D и ВВП положительно влияют на количество патентов в регионе, а также уровень занятости в R&D секторе.

Основной работой для текущего исследования является работа Kanaeva and Untura (2016), которые рассматривают влияние факторов на инновационный потенциал регионов России в 2007-2011 гг. Авторы строят линейную регрессионную модель, по результатам оценивания которой выяснили, что затраты на технологические инновации имеют самое значительное влияние на инновационный потенциал. Необходимо отметить, что авторы использовали перемножение некоторых факторов в модели. Такой же результат представлен в работе Мамаевой (2012).

На основании литературы, инновационная активность, как правило, измеряется затратами на R&D или количеством патентов. Авторы следующей статьи проводят анализ данных показателей, чтобы выбрать наилучшее прокси для инновационной активности (Zoltan, J.A et. al, 2002). Они выяснили, что количество патентов является наиболее достоверным показателем. Они определяют данный факт с помощью качества подгонки регрессии, чувствительности параметров к изменению переменной.

Резюмируя вышесказанное, следует сказать, что существует большое множество исследований, посвященных анализу инновационной привлекательности и активности регионов. Вследствие этого возникает дифференциация подходов к измерению потенциала и оцениванию факторов, влияющих на него. Для настоящей работы значимыми являются оба метода изучения инновационного климата: составление агрегированного показателя и регрессионный анализ.

Необходимо отметить, что вышеназванные авторы изучают инновационный потенциал регионов в разрезе одного периода и рассматривают инновационный потенциал как результат деятельности компаний (затраты на инновации и патенты) в этом же году. Однако следует понимать, что ВРП в текущем году не может мгновенно влиять на количество патентов в этом же году. Следовательно, такой подход не является корректным и целесообразным. Следующий раздел подробно описывает методологию и данную особенность макроэкономических показателей.

2. Постановка исследовательской проблемы

Основная задача исследования - выявить факторы, влияющие на инновационный потенциал регионов России. Данный вопрос является интересным и актуальным, поскольку инновационный климат регионов напрямую связан с экономическим ростом регионов, согласно множеству авторов, и, следовательно, с экономическим ростом страны. По причине того, что инновационный климат является обширным понятием, включающим в себя множество компонент, до сих пор не найден метод его измерения и прогнозирования. Таким образом, текущее исследование делает значительный теоретический и эмпирический вклад в изучении данной проблемной области. Во-первых, работа совмещает преимущества обоих методов измерения инновационного потенциала, описанных в предыдущем разделе, позволяя построить регрессию по большому количеству факторов, используя метод главных компонент для сокращения их числа; во-вторых, на основании панельной структуры данных, строится прогноз на значение показателей 2015 года. Это дает возможность сравнить полученные значения с реальными и оценить адекватность предложенного метода.

Эмпирические результаты работы могут быть полезны для правительства РФ, органам региональной и местной власти, с точки зрения возможности управления инновационным потенциалом и его увеличения, так как выясняется вклад выбранных показателей в инновационный климат. Поэтому эмпирическая часть исследования базируется на методе главных компонент и регрессионном анализе. Необходимо отметить, что данный метод позволяет строить прогноз относительно будущего инновационного потенциала регионов, что является ценным, с точки зрения применения результатов.

Региональные данные для текущей работы предоставлены Федеральной службой государственной статистики. Они имеют панельную структуру, то есть с 2010 по 2014 гг. по каждому региону известны выбранные макроэкономические показатели, которые, в свою очередь, делятся на группы.

Эмпирическая часть работы делится на три этапа. Первый этап - это анализ данных и формирование групп показателей. Социально-экономическое состояние регионов оценивается множеством факторов. Для того чтобы учитывать весь спектр влияющих на инновационный потенциал регионов показателей и построить адекватную модель, необходимо сократить число факторов, объединив их в группы. Далее, методом главных компонент факторы каждой группы, имеющие общий экономический смысл и схожее влияние на инновационный потенциал, объединяются в единый показатель. Сгруппированные показатели, в свою очередь, не имеют высокой корреляции друг с другом для оценивания уравнения регрессии.

Второй этап представляет собой оценивание модели и интерпретация результатов. Существует три основных вида моделей с панельными данными: модель с фиксированными эффектами, модель со случайными эффектами и сквозная регрессионная модель. В работе оцениваются три модели, и, затем, интерпретируется наилучшая из них. Помимо этого, эмпирическая часть анализирует модели с лагированными показателями.. Для корректировки результатов и проверки их на устойчивость используется бутстрап симуляция.

Третий шаг - прогнозирование инновационного потенциала регионов на 2015 год, что дает возможность сравнить предсказанное значение с фактическим и оценить предсказательную силу модели.

2.1 Гипотезы

Согласно главной цели исследования, необходимо выяснить, какие факторы влияют на инновационный потенциал в большей степени. Однако первостепенной задачей является выбор зависимой переменной. Zoltan, J.A et. al (2002) проверяют качество ряда показателей для инновационного потенциала и заключают, что количество патентов является наилучшим. Несмотря на данный результат, другие авторы, а именно Still et. al (2000), Cameron et al. (1999), Bottazzii and Peri (2003), используют затраты на инновации организаций. Таким образом, в текущем исследовании в качестве зависимой переменной выступают затраты компаний на технологические инновации. Следующие гипотезы строятся относительно данного показателя.

Первым шагом в методологии является корреляционный анализ и объединение факторов в группы, используя метод главных компонент. Согласно данному методу, в группы объединяются те показатели, которые в наибольшей степени коррелируют между собой. Первый блок гипотез посвящен группировке факторов и корреляции.

1) Существуют показатели, которые слабо коррелируют с другими факторами внутри соответствующих групп. Данная гипотеза отражает возможные эмпирические допущения и ограничения. Примером такого рода фактора является количество фирм, терпящих убыток, в группе состояния экономической среды.

2) Уровень безработицы и доля налогов в ВРП отрицательно влияют на показатели группы трудовые ресурсы и государственное участие, соответственно. Чем выше уровень безработицы, тем ниже эффективность трудовых ресурсов в разрезе заработной платы и доли рабочей силы, в целом. Такая же логика используется для обоснования отрицательного воздействия налогообложения.

Следующие гипотезы выдвигаются относительно факторов, которые могут влиять на инновационный потенциал.

3) Экономическое состояние региона положительно влияет на инновационный потенциал (Bilbao-Osorio and Rodroguez-Pose, 2004). Согласно данной статье, чем выше ВРП и инвестиционная активность, выраженная входящими инвестициями, тем более привлекательным является регион для осуществления инновационной деятельности. Кроме того, достаточно сильная зависимость между ВРП и затратами может обуславливаться корреляцией данных показателей. То есть, чем больше ВРП, тем больше, соответственно, будет потрачено на инновации.

4) Результаты инновационной деятельности в наибольшей степени объясняют инновационный потенциал регионов (Kanaeva and Untura, 2016). Данная гипотеза является логичной, так как, с точки зрения компаний, которые тратят на инновации, целесообразно нести больше издержек на инновации, если в регионе присутствует высокая инновационная результативность.

Вышеназванные гипотезы тестируются с помощью метода главных компонент и регрессионной модели.

2.2 Предпосылки модели

Для того чтобы построить и идентифицировать модель, необходимо выделить теоретические предположения модели, которые являются целесообразными для проведения анализа и его некоторого упрощения.

Для анализа используются относительные значения всех показателей, чтобы элиминировать проблемы, связанные с разными единицами измерения. Таким образом, показатели представлены на душу населения, либо в качестве доли от ВВП.

1) Показатели каждого года взяты в реальном выражении относительно 2010 года, с целью избавления от инфляционной оставляющей в абсолютной величине факторов.

2) Текущая работа измеряет инновационный потенциал как ожидаемую инновационную активность. Следовательно, берутся показатели с лагом в один год, поскольку в макроэкономике присутствует эффект запаздывания и макроэкономические процессы не способны быстро реагировать на внешние изменения. Данное предположение так же тестируется с помощью поиска наилучшей спецификации, с точки зрения качества модели.

3) Для объединения показателей групп в единый индекс взяты все факторы, даже если они плохо коррелируют с другими показателями группы. Данная предпосылка свидетельствует о том, что в большей степени, при выборе факторов упор идет на экономический смысл и целесообразность включения факторов в определенные группы.

Некоторые предпосылки являются ограничениями текущего исследования, однако предоставляют поле для дальнейшего исследования факторов инновационного потенциала.

3. Методология

Данный раздел представляет описание методов исследования и их обоснование с теоретическим разделом. Методология делится на несколько подпунктов: дизайн исследования, моделирование и анализ данных.

3.1 Дизайн исследования

Гипотезы, поставленные в предыдущем разделе, тестируются с помощью метода главных компонент и регрессионного анализа.

Согласно множеству авторов по данной тематике, инновационный потенциал зависит от огромного количества факторов. Для того, чтобы учесть каждый из них, но не выйти за рамки доступного количества факторов, которое зависит от количества наблюдений, предлагается объединять факторы в группы. По методу главных компонент, коррелирующие показатели соединяются в один индекс. По такому принципу действовали Теребова и Вячеславов (2011), Edquist (2001), Zhitz (2000) и многие другие исследователи, которые строили единый интегральный индекс для инновационного потенциала, используя равные веса и веса по методу главных компонент. Текущая работа, таким образом, использует методологию объединения показателей в группы. Следует отметить, что главное в МГК - это корреляция факторов внутри групп, однако работа больше полагается на экономических смысл агрегирования.

Ключевым пунктом эмпирической части является регрессионный анализ. Для того, чтобы работа имела практическую значимость, необходимо выяснить, что именно влияет на инновационный потенциал, чтобы найти способы управления им и его повышения в регионах. Archibugi (2004), Kachitsyna and Berkovich (2014), Kanaeva and Untura (2016) выделяют группы факторов, которые лежат в основе текущего исследования. Согласно работам, использующих регрессионный анализ, результаты экономической и инновационной деятельности являются наиболее значимыми для инновационного потенциала регионов. Для того чтобы результаты были устойчивыми и отсутствовали такие проблемы, как гетероскедастичность, автокорреляция, в работе проводится коррекция матрицы ошибок методом bootstrap.

После оценивания проводится прогноз на 2015 год, который покажет основные тенденции в динамике инновационного потенциала каждого из регионов.

Для осуществления вышеназванных шагов, необходимы данные по социально-экономическим показателям регионов за несколько лет, которые описываются в следующих разделах.

3.2 Моделирование

Текущее исследование основано на анализе панельных данных. В качестве основных моделей анализы выбраны линейные модели множественной регрессии с фиксированными, случайными эффектами и сквозная линейная модель.

Модель с фиксированными эффектами

Данная модель - множественная линейная регрессия, особенность которой заключается в изменении свободного члена (константы) модели по регионам, что, в свою очередь, и обуславливает фиксированный эффект на регион. То есть, каждый регион имеет свои специфические факторы, влияющие на инновационный потенциал. В общем виде, модель записывается следующим образом:

(1)

где: - зависимая переменная;

- константа модели для каждого региона;

- вектор независимых переменных;

- вектор коэффициентов оценок переменных;

- ошибка модели;

- дисперсия ошибки.

Для оценивания модели с фиксированными эффектами используется модель within. Согласно данными преобразованиям, оцениваются не изначальные оцениваемые параметры, а средние по времени. Таким образом, данная модель не может оценить факторы, которые не варьируются по времени.

(2)

Где факторы с крышкой - средние по показателям.

Модель со случайными эффектами

Модель со случайными эффектами предполагает влияние не включенных в регрессию факторов в качестве суммированного эффекта в случайном остаточном члене уравнения. Таким образом, эффект u-i является случайным фактором, независимо и одинаково распределенным по независимым переменным по каждому региону. То есть, фактически, модель со случайными эффектами включает случайный член для каждого региона. Вид модели:

(3)

где: - зависимая переменная;

- константа модели;

- вектор независимых переменных;

- вектор коэффициентов оценок переменных;

- ошибка модели;

- ошибка модели;

- дисперсия ошибки.

Данная модель использует between estimator, оценивающий параметры как разница между значением показателя и его средним.

(4)

Сквозная регрессия

Для данного вида моделей характерно отсутствие учета панельных данных. То есть, в таком случае, оценивается обычная линейная регрессионная модель, интерпретирующая панель как кросс-секцию.

Bootstrap

Данная процедура используется для того чтобы скорректировать матрицу ошибок оцененных параметров. Данная процедура является итерационной, которая генерирует посредством множества итераций и использования оцененных ошибок модели формирует эмпирическое распределение. В соответствии с этим, процедура пересчитывает матрицу ошибок, и, следовательно, пересчитывается значимость параметров модели. Кроме того, данная процедура может влиять на показатели качества моделей, например коэффициент детерминации.

Отбор факторов

В текущей работе выбор зависимой переменной, в качестве затрат на технологические инновации организаций, основывался на выводах из исследований представленных в статье Kanaeva and Untura (2016). Согласно описанию показателя на сайте Службы Федеральной статистики значения данной переменной исключают прямые затраты государства и могут характеризироваться как затраты на инновации организации в бизнес сфере, в отличии от показателя затраты организаций на инновации. Этот аспект имеет весомую значимость, так как прямые затраты государства не оказывают прямого влияния на инновационный потенциал в бизнес сфере. Более того зависимая переменная приведена к реальному выражению относительно 2010 года и рассчитана на душу населения, с целью снижения влияния размерности региона.

Таким образом зависимая переменная: затраты на технологические инновации организаций на душу населения (rndco_def_pc).

Выбор независимых факторов основывался на статьях Теребовой и Вячеславова (2011), Житц (2000). Согласно первой статье была сформирована группа «Результат инновационной деятельности», «Инновационная инфраструктура». Четкое разделение данных групп позволяет отделить факторы отражающие текущее состояние отрасли в сфере инноваций, способствующего производству инновационных продуктов, от непосредственного продукта инновационной деятельности. На основании исследований Житца была выделена группа «Трудовые ресурсы в сфере инноваций», отражающая технический-научный и образовательный потенциал.

Статья Kachitsyna and Berkovich (2014), включающая описания влияния государства на инновационный потенциал, а также макроэкономических показателей региона, является обоснованием выделения таких групп как «Состояние экономической среды региона» и «Государственное участие».

Также выделяется группа «Трудовые ресурсы», для оценки общего влияния количества экономически-активного населения, а также влияния качества рабочей силы в регионе посредством учета среднемесячной заработной платы в реальном выражении. Фактор доля налогов в ВРП - отражает налоговую нагрузку на бизнес-сектор в регионе. Доля государственных и муниципальных учреждений в общем числе организаций отражает бюрократическую составляющую в развитии бизнеса, доля работников в государственных учреждениях - является прокси-переменной для предыдущего фактора.

Для выявления зависимости размера региона по количеству населения от инновационного потенциала, был взят логарифм численности населения, предполагая влияния притока населения в более инновационно-развитые регионы, учитывая таким образом миграционный аспект.

Согласно обоснованию, были выделены следующие группы:

1) Трудовые ресурсы:

· среднемесячная заработная плата по региону, приведенная к базовому 2010 году (wage_def);

· уровень безработицы (unemp);

· доля экономически-активного населения (nwforce_sh).

2) Состояние экономической среды:

· ВРП на душу населения (gdp_pc);

· количество предприятий на 10. тыс. человек (nfirm_pc);

· доля убыточных предприятий (nfloss).

3) Размер региона:

· логарифм численности населения (log_peop).

4) Государственное участие:

· доля налогов в ВРП (taxes_sh);

· доля работников в государственных учреждениях от экономически-активного населения (ngov_sh);

· доля муниципальных и государственных организаций от общего числа организаций (govfirm_sh).

5) Трудовые ресурсы в сфере инноваций:

· доля населения, занятого исследованиями и разработками на 10 тыс. человек (peoprnd_sh);

· доля студентов от численности населения региона (stud_sh);

· численности выпущенных аспирантов на 100 тыс. чел. (resstud_sh).

6) Результат инновационной деятельности:

· разработанные передовые технологии на 1 млн. чел. (tech_sh);

· доля инновационных товаров в общем числе отгруженных (shgoods);

· количество выданных патентов на 100 тыс. чел. (patent_pc).

7) Инновационная инфраструктура:

· удельный вес организаций, выполняющих научные исследования и разработки на 10 тыс. компаний (gin_org_sh);

· удельный вес организаций, осуществляющих технологические инновации (org);

· число вузов на 1 млн. человек (neduc_pc)

Таким образом, для оценки инновационного потенциала выбрано 7 групп, включающих 19 факторов. С помощью метода главных компонент, работа которого описывается ниже, показатели собраны в агрегированные индексы. Согласно третьей предпосылке об эффекте запаздывания макроэкономических показателей, сформированные индексы представлены с отставанием в один год, несмотря на то, что возможен эффект запаздывания на большее количество лет.

Кроме того, в текущем исследовании рассматривается эффект каждого года, отображающийся с помощью дамми переменных на каждый год кроме одного базового.

Исходя из этого, окончательная модель для анализа в общем виде выглядит следующим образом:

(4)

Где:

D(it) - дамми переменные для показателей года.

При построении моделей использовался программный пакет для статистического анализа данных Stata 13.0., do-file представлен в приложении 5.

3.3 Анализ данных

Данные по каждому из представленных показателей были взяты с Федеральной службы государственной статистики за 5 лет с 2010 по 2014 года по каждому региону Российской Федерации, за исключением автономных округов, входящих в Тюменскую область, и других подобластных субъектов.

После сбора информации были также исключены: города федерального значения, Республика Ингушетия, Чеченская Республика, Чукотский автономный округ, Крым, по причине недостаточности данных или сильного расхождения от среднего значения по большинству показателей. Другими словами, регионы являются выбросами для текущего исследования, так как вносят шум и смещение в результаты оценивания.

Список всех регионов России и их id-номер можно найти в Приложении 1.

Таблица 1 содержит описательные статистики переменных использованных до использования МГК. Показатели, имеющие денежное выражение, приведены к реальным величинам, то есть, инфляция элиминирована для рассмотрения чистых показателей.

Таблица 1 Описательные статистики переменных

Показатели	Ед. изм.	Среднее значение	Стандартное отклонение	Минимальное значение	Максимальное значение
rndco_def_pc	Руб./тыс. чел.	3714,13	5957,86	6,27	60976,32
wage_def	Руб./чел.	18270,28	6166,42	9694,56	43426,31
unemp	%	6,91	2,61	2,70	21,70
nwforce_sh	%	52,30	3,58	38,71	66,00
gdp_def_pc	Руб./чел.	0,22	0,16	0,08	1,14
nfirm_pc	Шт./10000 чел.	2,55	0,82	0,96	5,92
nfloss	%	32,09	5,67	18,80	48,80
log_peop		7,16	0,76	5,00	8,89
taxes_sh	%	9,24	1,78	2,00	15,34
ngov_sh	%	2,72	0,94	1,45	7,78
govfirm_sh	%	13,11	6,07	3,97	41,55
peoprnd_sh	Чел./10000 чел.	24,76	25,37	1,65	126,53
stud_sh	%	3,73	1,03	0,64	7,81
resstud_sh	Чел./100000 чел.	15,69	7,80	0,39	48,87
tech_sh	Шт./1 млн. чел.	7,43	8,01	0,38	64,68
org	%	9,64	4,35	1,10	34,30
shgoods	%	6,25	7,75	0,00	60,10
patent_pc	Шт/100 тыс. чел.	13,49	9,73	0,38	71,43
gin_org_sh	Орг./10 тыс. орг.	8,47	3,51	2,12	23,70
neduc_pc	Шт/1 млн. чел.	5,52	2,30	0,56	18,26

Таблица показывает значения показателей каждого региона за весь рассматриваемый период. Если посмотреть на значения максимальные и минимальные показателей, то можно заметить сильную однородность, в связи с тем, что взяты относительные показатели, более того, выбранный индивидуальный масштаб нормирует их еще сильнее. Этот же факт доказывает разница между средним и стандартным отклонением. Особенно ярко различие видно у показателей внутренних затрат на разработки, что является зависимой переменной. Стандартное отклонение в два раза превышает среднее, что говорит о проблеме сильной вариации данных (overdispersion).

Можно заметить некоторые особенности регионов. Так, например, минимальная численность студентов равняется 100 чел. Более подробный анализ данных показал, что это Чукотский автономный округ. Интуитивно понятно, что данные показатели зависят от месторасположения региона и климатических условий. В среднем по регионам, на инновации затрачивается 3714,13 тыс. руб. в год в расчете на одного человека. В то время как максимальное значение равняется 60976,32. Далее, среднемесячная заработная плата по всему периоду равняется 18270,28 руб. на человека. Следует отметить, что минимальные и максимальные значения для данного показателя в два раза отличаются от среднего, а стандартное отклонение равняется 6166,42 руб. на человека. Что касается относительных показателей, то можно выделить показатели, принадлежащие группе «результаты инновационной деятельности». Согласно таблице, среднее относительное количество людей, которые занимаются инновациями, равно 24, то есть 24 из 10 тыс. чел. Занимаются исследованиями и разработками. Можно сделать вывод о том, что данная деятельность не является распространенной. То же самое можно сказать о количестве аспирантов (16 чел. на 100 тыс. населения). Соответственно, если данные факторы инновационного потенциала будут значимы при оценивании модели, то можно сделать вывод о том, что необходимо повышать интерес и мотивацию к исследовательской и научной работе текущему поколению.

Следующая группа, представляющая интерес - результаты инновационной деятельности. Регионы показывают, что всего 9%, в среднем, компаний разрабатывают технологические и прочие инновации, от общего числа обследованных компаний. Количество данных инноваций, в среднем, 8 шт. На 1 млн. человек. Доля произведенной инновационной продукции равняется 6, 25% от общего числа произведенной продукции. Из данной статистики видно, что инновационная деятельность не находится в приоритете. Однако, если посмотреть на максимальные значения, существуют некоторые регионы, которые ставят данный вид деятельности в приоритет.

Далее, необходимо представить методологию приведения показателей в вид, в котором они анализируются с помощью регрессионной модели.

Метод главных компонент

В связи с тем, что число выбранных факторов превышает условное требуемое количество, рассчитанное как квадратный корень из общего числа наблюдений, было решено, в качестве инструмента анализа инновационного капитала, использовать метод главных компонент. Данный метод позволяет сократить число факторов за счёт построения главных компонент каждой группы факторов (трудовые ресурсы, состояние экономической среды, государственное участие, трудовые ресурсы в сфере инноваций, результат инновационной деятельности и инновационная инфраструктура) как линейных комбинаций факторов входящих в каждую группу. Применение метода главных компонент позволяет не только сократить число факторов, но и избавиться от возможной проблемы, а также сохранить экономический смысл модели, в связи с обоснованием группировки факторов. Таким образом, в результате применения вышеуказанного метода были получены агрегированные индексы, каждый из которых представляет определенную группу факторов. Более того, МГК производит нормирование показателей, посредством линейного преобразования, используя минимальные и максимальные значения. Преимущество нормированных факторов заключается в том, что размерность становится одинаковой и сопоставимой. Все показатели изменяются от 0 до 1.

Группы показателей сформированы относительно здравого и экономического смысла. Кроме того, необходимое условие агрегирования - корреляция внутри групп. Таблица 1 приложения 2 иллюстрирует корреляционные матрицы для каждой группы показателей. Можно увидеть, что некоторые показатели обладают слабой корреляцией. Однако такие факторы не убираются из анализа, так как они несут экономический смысл. Данный факт, в некоторой степени, является ограничением текущего исследования.

Таким образом, МГК выявил следующий набор агрегированных показателей, уровень кумулятивной дисперсии первой компоненты которых указан в скобках:

1) Трудовые ресурсы (emp_in):

emp_in = 0,53*wage_def - 0,55*unemp + 0.64*nwforce_sh (61%); (5)

2) Состояние экономической среды (econ_in):

econ_in = 0,62*gdp_def_pc + 0,66*nfirm_pc + 0,42*nfloss (45%); (6)

3) Государственное участие (gov_in):

gov_in = 0,65*ngov_sh - 0,23*taxes_sh + 0,73*govfirm_sh (47%); (7)

4) Трудовые ресурсы в сфере инноваций (inn_emp_in):

inn_emp_in = 0,33*peoprnd_sh + 0,66*stud_sh + (8)

+0,68*resstud_sh (59%);

5) Результат инновационной деятельности (inn_res_in):

inn_res_in = 0,66*tech_sh + 0,46*patent_pc + 0,46*shgoods (41%); (9)

6) Инновационная инфраструктура (inn_str_in):

inn_str_in = 0,63*gin_org_sh +0,47*neduc_pc + 0,62*org (40%). (10)

Отрицательные знаки перед показателем уровень безработицы и доля налогов в ВРП объясняется отрицательной корреляцией с остальными показателями в группе. Все интегральные индексы были сформированы по 1-й компоненте, в связи с наиболее высоким по данной компоненте уровнем кумулятивной дисперсии. Описательная статистика главных компонент (сформированных индексов) имеет следующий вид:

Таблица 2. Описательная статистика агрегированных показателей

Компонента	Число наблюдений	Среднее значение	Стандартное отклонение	Минимальное значение	Максимальное значение
econ_in	370	-1,36	1,17	-2,25	5,35
emp_in	370	-3,35	1,36	-5,43	5,49
gov_in	370	-1,09	1,19	-2,25	6,14
inn_emp_in	370	-1,42	1,33	-3,10	6,19
inn_res_in	364	-9,14	1,11	-1,55	5,46
inn_str_in	369	-2,13	1,09	-2,43	5,79

Таблица 2 иллюстрирует описательные статистики в нормированных единицах измерения по методы главных компонент. Следующий заключительный пункт анализа является составление лагированных показателей, согласно третьей предпосылке модели.